融合學(xué)習(xí)者社交網(wǎng)絡(luò)的協(xié)同過濾學(xué)習(xí)資源推薦*

丁永剛 張 馨 桑秋俠 金夢甜 張紅波

（湖北大學(xué) 教育學(xué)院，湖北武漢 430062）

融合學(xué)習(xí)者社交網(wǎng)絡(luò)的協(xié)同過濾學(xué)習(xí)資源推薦*

丁永剛 張 馨 桑秋俠 金夢甜 張紅波

（湖北大學(xué) 教育學(xué)院，湖北武漢 430062）

傳統(tǒng)的協(xié)同過濾推薦算法存在冷啟動和數(shù)據(jù)稀疏的問題，使得新學(xué)習(xí)者因歷史學(xué)習(xí)行為記錄稀疏或缺失而無法獲得較準(zhǔn)確的個性化學(xué)習(xí)資源推薦。鑒于此，文章提出將學(xué)習(xí)者社交網(wǎng)絡(luò)信息與傳統(tǒng)協(xié)同過濾相融合的方法，計算新學(xué)習(xí)者與好友之間的信任度，借助新學(xué)習(xí)者好友對學(xué)習(xí)資源的評分?jǐn)?shù)據(jù)，來預(yù)測新學(xué)習(xí)者對學(xué)習(xí)資源的評分值，以填補(bǔ)新學(xué)習(xí)者在學(xué)習(xí)者—學(xué)習(xí)資源評分矩陣中的缺失，實(shí)現(xiàn)對新學(xué)習(xí)者的個性化學(xué)習(xí)資源推薦。實(shí)證研究結(jié)果表明，該方法在一定程度上能夠解決傳統(tǒng)協(xié)同過濾方法的冷啟動和數(shù)據(jù)稀疏問題，提高個性化學(xué)習(xí)資源推薦的準(zhǔn)確率。

社交網(wǎng)絡(luò)；協(xié)同過濾；學(xué)習(xí)資源；個性化推薦

引言

計算機(jī)與互聯(lián)網(wǎng)的高速發(fā)展不僅影響著人們的生活方式，而且也改變著人們的學(xué)習(xí)方式乃至思維方式[1]。網(wǎng)絡(luò)學(xué)習(xí)因具有學(xué)習(xí)資源豐富、學(xué)習(xí)過程自主控制等優(yōu)點(diǎn)，而成為學(xué)習(xí)者彌補(bǔ)傳統(tǒng)課堂學(xué)習(xí)不足和滿足個性化學(xué)習(xí)需求的首選學(xué)習(xí)方式。然而，一方面由于網(wǎng)絡(luò)學(xué)習(xí)資源數(shù)量急速增長，導(dǎo)致資源嚴(yán)重過載，使得學(xué)習(xí)者難以快速獲取自己感興趣的資源，因而在一定程度上加大了學(xué)習(xí)者的學(xué)習(xí)難度，延長了學(xué)習(xí)者的學(xué)習(xí)時間，降低了學(xué)習(xí)者的學(xué)習(xí)效率；另一方面，由于網(wǎng)頁之間以超鏈接的方式進(jìn)行跳轉(zhuǎn)，大量符合學(xué)習(xí)者個性化學(xué)習(xí)需求的學(xué)習(xí)資源可能被放置在超鏈接的深層，使得學(xué)習(xí)者無法輕易獲取，從而降低了網(wǎng)絡(luò)學(xué)習(xí)資源的有效利用率。因此，針對學(xué)習(xí)者學(xué)習(xí)偏好為其提供個性化學(xué)習(xí)資源推薦，便成為了提高學(xué)習(xí)者學(xué)習(xí)效率和網(wǎng)絡(luò)學(xué)習(xí)資源利用率的有效手段。

個性化推薦技術(shù)被認(rèn)為是目前解決信息過載問題的有效途徑之一，其中最著名和最廣泛應(yīng)用的是基于協(xié)同過濾算法的推薦技術(shù)。該技術(shù)最早被應(yīng)用于電子商務(wù)領(lǐng)域[2]，其基本原理是從用戶對商品的瀏覽、收藏、購買、打分、評價等歷史行為信息中提取用戶偏好信息，據(jù)此預(yù)測用戶可能感興趣的商品，并通過動態(tài)即時地向用戶推送此類商品信息來促使用戶購買商品的行為不斷發(fā)生[3]。近年來，教育技術(shù)領(lǐng)域?qū)＜液蛯W(xué)者致力于將協(xié)同過濾推薦技術(shù)應(yīng)用于網(wǎng)絡(luò)學(xué)習(xí)領(lǐng)域來構(gòu)建個性化學(xué)習(xí)資源推薦系統(tǒng)，為學(xué)習(xí)者提供個性化學(xué)習(xí)資源推薦服務(wù)，以提高學(xué)習(xí)者的網(wǎng)絡(luò)學(xué)習(xí)效率。如楊麗娜等[4]運(yùn)用協(xié)同過濾、內(nèi)容推薦及聚類分析相結(jié)合的方法，提出面向虛擬學(xué)習(xí)社區(qū)的個性化學(xué)習(xí)資源推薦框架；王永固等[5]在全面闡述協(xié)同過濾推薦技術(shù)的基礎(chǔ)上，提出學(xué)習(xí)資源個性化推薦系統(tǒng)理論模型；葉樹鑫等[6]采用協(xié)同過濾推薦技術(shù)，為協(xié)作學(xué)習(xí)中的相似學(xué)習(xí)者提供個性化學(xué)習(xí)資源推薦。

協(xié)同過濾推薦技術(shù)在一定程度上解決了學(xué)習(xí)資源信息過載的問題，但是傳統(tǒng)的協(xié)同過濾算法存在冷啟動和數(shù)據(jù)稀疏的問題，使得新學(xué)習(xí)者因歷史學(xué)習(xí)行為記錄稀疏或缺失而無法獲得較準(zhǔn)確的推薦。對此，文章提出利用學(xué)習(xí)者社交網(wǎng)絡(luò)中的好友信息，計算學(xué)習(xí)者與其好友之間的信任度，并根據(jù)學(xué)習(xí)者好友—學(xué)習(xí)資源評分矩陣，預(yù)測學(xué)習(xí)者—學(xué)習(xí)資源評分值來填補(bǔ)新學(xué)習(xí)者在學(xué)習(xí)者—學(xué)習(xí)資源評分矩陣中的缺失數(shù)據(jù)，以提高個性化學(xué)習(xí)資源推薦的質(zhì)量，滿足學(xué)習(xí)者個性化學(xué)習(xí)的需求。

一 基于協(xié)同過濾算法的個性化學(xué)習(xí)資源推薦

協(xié)同過濾算法應(yīng)用于個性化學(xué)習(xí)資源推薦的基本原理是：根據(jù)學(xué)習(xí)者的歷史學(xué)習(xí)記錄形成學(xué)習(xí)者—學(xué)習(xí)資源評分矩陣，利用相似性度量方法（如余弦相似度、皮爾森相關(guān)系數(shù)等），通過計算學(xué)習(xí)者或?qū)W習(xí)資源之間的相似度，挖掘出與目標(biāo)學(xué)習(xí)者相似的學(xué)習(xí)者集合或與學(xué)習(xí)者歷史偏好相似的學(xué)習(xí)資源集合，形成“鄰居”，然后基于“鄰居”學(xué)習(xí)者對學(xué)習(xí)資源的評分信息，預(yù)測目標(biāo)學(xué)習(xí)者對學(xué)習(xí)資源的預(yù)測評分值，并根據(jù)預(yù)測評分值的大小為目標(biāo)學(xué)習(xí)者進(jìn)行個性化推薦。如TopN推薦，便是將預(yù)測評分值最大的前N個學(xué)習(xí)資源推薦給目標(biāo)學(xué)習(xí)者。協(xié)同過濾推薦算法的具體實(shí)現(xiàn)步驟如圖1所示。

圖1 協(xié)同過濾推薦算法實(shí)現(xiàn)原理

依據(jù)上述原理，目前將協(xié)同過濾推薦技術(shù)應(yīng)用于學(xué)習(xí)資源推薦主要有兩種方法：

1 基于學(xué)習(xí)者的協(xié)同過濾算法（LearnerCF）

LearnerCF基于學(xué)習(xí)者對學(xué)習(xí)資源的公共評分信息計算學(xué)習(xí)者之間的相似度，并依據(jù)相似度大小來確定學(xué)習(xí)者的“鄰居”集合，將“鄰居”集合中學(xué)習(xí)者感興趣的、而目標(biāo)學(xué)習(xí)者沒有學(xué)習(xí)過的學(xué)習(xí)資源推薦給目標(biāo)學(xué)習(xí)者。LearnerCF向?qū)W習(xí)者推薦和他有共同學(xué)習(xí)興趣的學(xué)習(xí)者感興趣的學(xué)習(xí)資源，它隱含的機(jī)理是：兩個學(xué)習(xí)者之間相似度的大小，由他們共同感興趣的學(xué)習(xí)資源評分決定。

2 基于學(xué)習(xí)資源的協(xié)同過濾算法（ResourceCF）

ResourceCF基于被共同感興趣的學(xué)習(xí)者對學(xué)習(xí)資源的評分信息計算學(xué)習(xí)資源之間的相似性，并根據(jù)目標(biāo)學(xué)習(xí)者的歷史學(xué)習(xí)偏好，向其推薦與之歷史學(xué)習(xí)偏好相似的學(xué)習(xí)資源。它隱含的機(jī)理是：學(xué)習(xí)資源之間相似度的大小，由它們被共同感興趣的學(xué)習(xí)者對學(xué)習(xí)資源的評分決定。

從相似度計算的代價考慮，在學(xué)習(xí)者數(shù)量小于學(xué)習(xí)資源數(shù)量的情況下，使用LearnerCF進(jìn)行個性化資源推薦較為適合；反之，ResourceCF較為適合。在網(wǎng)絡(luò)學(xué)習(xí)中學(xué)習(xí)者的數(shù)量遠(yuǎn)遠(yuǎn)大于學(xué)習(xí)資源的數(shù)量，因此，采用ResourceCF方法能在較好地滿足學(xué)習(xí)者個性化學(xué)習(xí)需求的同時，降低系統(tǒng)的計算代價。

上述兩種方法應(yīng)用于不同場合已取得了不錯的效果，但是仍然存在數(shù)據(jù)稀疏和冷啟動的問題。一方面，LearnerCF由于學(xué)習(xí)者評分?jǐn)?shù)據(jù)的稀疏性，學(xué)習(xí)者之間的共同評分資源數(shù)很少，使得用戶相似度的計算不夠準(zhǔn)確，從而導(dǎo)致推薦的準(zhǔn)確度不高；另一方面，ResourceCF對資源相似度的計算主要基于學(xué)習(xí)者自身歷史學(xué)習(xí)記錄，避免了LearnerCF由于沒有共同評分的學(xué)習(xí)者而無法準(zhǔn)確計算學(xué)習(xí)者相似度的問題，但對于沒有歷史學(xué)習(xí)記錄的新學(xué)習(xí)者，ResourceCF卻無法進(jìn)行推薦，即存在冷啟動問題。

二 學(xué)習(xí)者社交網(wǎng)絡(luò)

學(xué)習(xí)者社交網(wǎng)絡(luò)是指學(xué)習(xí)者在網(wǎng)絡(luò)環(huán)境下，借助社交平臺（如QQ、微博、微信等）與好友交流溝通、分享信息，而形成的個性化、動態(tài)化的人際信任網(wǎng)絡(luò)。

1 學(xué)習(xí)者社交網(wǎng)絡(luò)和信任關(guān)系

學(xué)習(xí)者社交網(wǎng)絡(luò)中的好友大多是其現(xiàn)實(shí)生活中的朋友、同學(xué)、同事或?qū)W習(xí)者所關(guān)注的人，因此，學(xué)習(xí)者與其社交網(wǎng)絡(luò)中的好友存在一定的信任關(guān)系。但信任是一個具有主觀性的概念，不同研究領(lǐng)域的學(xué)者對信任的概念界定不同[7]。受學(xué)者Golbeck的啟發(fā)[8]，文章將“信任”界定為：如果學(xué)習(xí)者甲認(rèn)為根據(jù)學(xué)習(xí)者乙的學(xué)習(xí)行為進(jìn)行學(xué)習(xí)能夠取得好的學(xué)習(xí)效果，則甲信任乙。

2 信任度的表示

學(xué)習(xí)者之間的信任程度用信任度表示[8]。在某些情況下，信任度僅用二值表示，即信任和不信任，但是這種簡單度量方法在學(xué)習(xí)者社交網(wǎng)絡(luò)中不夠準(zhǔn)確，不能充分體現(xiàn)學(xué)習(xí)者社交網(wǎng)絡(luò)中信任度的作用。因此，本研究采用離散值將信任度劃分成等級，其取值范圍設(shè)定為[0,1]，其中0表示完全不信任，1表示完全信任。

3 信任度計算

社交網(wǎng)絡(luò)中學(xué)習(xí)者之間的信任度難以通過顯式的方法獲得，這是因?yàn)閷W(xué)習(xí)者主動輸入好友的信任度，需要花費(fèi)學(xué)習(xí)者的時間；另外，由于學(xué)習(xí)者之間的信任度處于動態(tài)變化之中，不能用固定值代替。文章認(rèn)為，社交網(wǎng)絡(luò)中學(xué)習(xí)者與好友之間的互動行為在一定程度上反映了學(xué)習(xí)者與好友之間的信任關(guān)系，這種互動行為主要包括評論和轉(zhuǎn)發(fā)。學(xué)習(xí)者對彼此所發(fā)布的消息評論次數(shù)越多，表示學(xué)習(xí)者之間的熟悉程度越大，其信任度越高；學(xué)習(xí)者對彼此所發(fā)布的消息轉(zhuǎn)發(fā)次數(shù)越多，表示學(xué)習(xí)者之間的認(rèn)同感越強(qiáng)，其信任度越高。實(shí)際上，學(xué)習(xí)者一般會對自身感興趣或者不清楚的消息進(jìn)行評論，但不一定轉(zhuǎn)發(fā)，而學(xué)習(xí)者轉(zhuǎn)發(fā)的消息往往是經(jīng)過自身篩選并高度認(rèn)同的內(nèi)容，因此轉(zhuǎn)發(fā)行為的權(quán)重相對評論行為的權(quán)重應(yīng)略大一些。受學(xué)者胡勛等[9]對移動用戶間信任度計算方法的啟發(fā)，網(wǎng)絡(luò)環(huán)境下學(xué)習(xí)者之間的信任度可以采用下面的公式1計算：

三 融合學(xué)習(xí)者社交網(wǎng)絡(luò)的協(xié)同過濾個性化學(xué)習(xí)資源推薦方法

個性化學(xué)習(xí)資源推薦技術(shù)作為滿足學(xué)習(xí)者個性化學(xué)習(xí)需求的有效支持服務(wù)，其推薦算法的好壞是決定推薦服務(wù)質(zhì)量的關(guān)鍵。文章提出融合學(xué)習(xí)者社交網(wǎng)絡(luò)的學(xué)習(xí)資源協(xié)同過濾算法（SocialCF）進(jìn)行個性化學(xué)習(xí)資源推薦，其實(shí)現(xiàn)流程如圖2所示。

圖2 融合學(xué)習(xí)者社交網(wǎng)絡(luò)的協(xié)同過濾個性化學(xué)習(xí)資源推薦流程圖

從圖2可知，本方法需要解決以下三個關(guān)鍵問題：

1 學(xué)習(xí)者社交網(wǎng)絡(luò)信息的獲取

為了獲取學(xué)習(xí)者的社交網(wǎng)絡(luò)信息，網(wǎng)絡(luò)學(xué)習(xí)平臺允許學(xué)習(xí)者以其社交平臺賬號如QQ、微博等賬號登錄，并授權(quán)學(xué)習(xí)平臺獲得學(xué)習(xí)者的好友列表信息。為保護(hù)隱私，此操作僅允許學(xué)習(xí)平臺獲取學(xué)習(xí)者與其好友的交互行為信息，而不允許對學(xué)習(xí)者的社交內(nèi)容進(jìn)行獲取。

2 信任度與預(yù)測評分值的轉(zhuǎn)換

利用公式1計算得到學(xué)習(xí)者與好友之間的信任度后，即可利用公式2計算得到目標(biāo)學(xué)習(xí)者對學(xué)習(xí)資源的預(yù)測值：

3 學(xué)習(xí)者信任度與學(xué)習(xí)者—學(xué)習(xí)資源評分矩陣的融合

圖3 學(xué)習(xí)者—好友信任度矩陣與學(xué)習(xí)者—學(xué)習(xí)資源評分矩陣融合示意圖

如圖3所示，將學(xué)習(xí)者任度與學(xué)習(xí)者—學(xué)習(xí)資源矩陣相融合的方法是：借助學(xué)習(xí)者—好友信任度矩陣中Learner_1“JSP程序設(shè)計”課程網(wǎng)站獲得第十四屆全國多媒體課件大賽二等獎。與Learner_2的信任關(guān)系和Learner_2對Resource_2的評分信息，產(chǎn)生Learner_1對Resource_2的評分，該評分依據(jù)公式2進(jìn)行計算。以此類推，可補(bǔ)充學(xué)習(xí)者—學(xué)習(xí)資源評分矩陣中的其它空白。從圖3不難看出，融合了學(xué)習(xí)者社交網(wǎng)絡(luò)信息的學(xué)習(xí)者—學(xué)習(xí)資源評分矩陣，明顯比原始的學(xué)習(xí)者—學(xué)習(xí)資源評分矩陣稠密。

四 融合學(xué)習(xí)者社交網(wǎng)絡(luò)的協(xié)同過濾個性化學(xué)習(xí)資源推薦效果分析

為驗(yàn)證SocialCF方法的有效性，本研究以湖北大學(xué)教育技術(shù)學(xué)專業(yè)的120名學(xué)生為實(shí)驗(yàn)對象，在自主研發(fā)的“JSP程序設(shè)計”課程學(xué)習(xí)平臺上進(jìn)行實(shí)證研究。該學(xué)習(xí)平臺在“JSP程序設(shè)計”課程網(wǎng)站1“JSP程序設(shè)計”課程網(wǎng)站獲得第十四屆全國多媒體課件大賽二等獎。的基礎(chǔ)上進(jìn)行二次開發(fā)，增加了個性化推薦模塊和收集學(xué)習(xí)者歷史評分?jǐn)?shù)據(jù)和學(xué)習(xí)者社交網(wǎng)絡(luò)數(shù)據(jù)的功能。學(xué)習(xí)者的平均好友數(shù)為4.5個，學(xué)習(xí)資源數(shù)為208個，評分記錄數(shù)為1252條，數(shù)據(jù)稀疏率為95％。實(shí)證采用問卷調(diào)查和離線實(shí)驗(yàn)的方法對推薦效果進(jìn)行評價。問卷調(diào)查方法從系統(tǒng)冷啟動、滿意度和信任度三個方面對推薦效果進(jìn)行評價，離線實(shí)驗(yàn)方法則使用準(zhǔn)確率、召回率和覆蓋率指標(biāo)對推薦效果進(jìn)行評價。

1 調(diào)查問卷結(jié)果與分析

本實(shí)驗(yàn)實(shí)際發(fā)放問卷120份，回收120份，有效回收率100％。表1顯示了CF和SocialCF調(diào)查問卷的結(jié)果。

表1 CF和SocialCF調(diào)查問卷的反饋結(jié)果

在表1中，第一個問題用于評測兩種不同方法對新學(xué)習(xí)者的推薦情況，即冷啟動問題。由于SocialCF使用了社交網(wǎng)絡(luò)信息，所以新學(xué)習(xí)者第一次進(jìn)入系統(tǒng)時即可獲得推薦。第二和第三個問題用于測評用戶的滿意度，可以看出，雖然92.5％的學(xué)習(xí)者認(rèn)為CF推薦的學(xué)習(xí)資源與其學(xué)習(xí)興趣相關(guān)，但只有74.17％用戶使用了學(xué)習(xí)資源；而97.5％的學(xué)習(xí)者認(rèn)為SocialCF推薦的學(xué)習(xí)資源與其學(xué)習(xí)興趣相關(guān)，且96.67％的學(xué)習(xí)者使用了學(xué)習(xí)資源。由此可知，學(xué)習(xí)者對SocialCF的推薦結(jié)果較滿意。第四和五個問題用于測評學(xué)習(xí)者對推薦結(jié)果的信任度。由于SocialCF在推薦時給出了好友信息，學(xué)習(xí)者對資源推薦結(jié)果的信任度比CF提高了32.5％，這表明學(xué)習(xí)者對SocialCF的推薦結(jié)果更加信任。

2 離線實(shí)驗(yàn)對比與分析

隨機(jī)抽取100個用戶數(shù)據(jù)進(jìn)行離線實(shí)驗(yàn)，用于評測系統(tǒng)的準(zhǔn)確率、召回率和覆蓋率。其中80個用戶數(shù)據(jù)用于訓(xùn)練集，20個用戶數(shù)據(jù)用于測試集。

（1）不同topN情況下CF與SocialCF準(zhǔn)確率和召回率的比較

準(zhǔn)確率是指系統(tǒng)推薦給學(xué)習(xí)者感興趣的資源占所有推薦給學(xué)習(xí)者資源的比例，召回率則指推薦給學(xué)習(xí)者感興趣的資源占系統(tǒng)中學(xué)習(xí)者感興趣的所有資源的比例。選擇推薦列表長度分別為N=5,10,15,20,25,30,35,40，對CF與SocialCF的準(zhǔn)確率與召回率進(jìn)行測定，如圖4所示。可以看出，在N的各種取值下，SocialCF的準(zhǔn)確率和召回率均高于CF，說明SocialCF能比CF為學(xué)習(xí)者推薦更準(zhǔn)確且更多感興趣的學(xué)習(xí)資源。

圖4 不同topN情況下兩種方法的精確率和召回率

圖5 不同“鄰居”數(shù)情況下兩種方法的覆蓋

（2）不同“鄰居”個數(shù)下CF和SocialCF的覆蓋率

覆蓋率是指向?qū)W習(xí)者推薦的學(xué)習(xí)資源占總體學(xué)習(xí)資源的比例。分別選擇不同的“鄰居”個數(shù)，測試CF與SocialCF的覆蓋率，如圖5所示。可以看出，隨著“鄰居”個數(shù)的不斷增加，學(xué)習(xí)者的學(xué)習(xí)偏好被定位到一個較小范圍，推薦的學(xué)習(xí)資源越來越少，因此CF與SocialCF覆蓋率均呈下降趨勢。但從總體來看，SocialCF的覆蓋率仍高于CF，表明SocialCF能夠在一定程度上提高學(xué)習(xí)資源的利用率。

五 總結(jié)

利用個性化推薦技術(shù)，幫助學(xué)習(xí)者在海量的學(xué)習(xí)資源中輕松、準(zhǔn)確、高效地獲取感興趣的學(xué)習(xí)資源，既是決定網(wǎng)絡(luò)學(xué)習(xí)效果的關(guān)鍵，也是避免網(wǎng)絡(luò)學(xué)習(xí)資源浪費(fèi)的有效途徑。文章針對傳統(tǒng)協(xié)同過濾算法中的冷啟動和數(shù)據(jù)稀疏問題，提出運(yùn)用學(xué)習(xí)者社交網(wǎng)絡(luò)信息與傳統(tǒng)協(xié)同過濾相融合的方法進(jìn)行個性化學(xué)習(xí)資源推薦。問卷調(diào)查和離線實(shí)驗(yàn)結(jié)果表明，SocialCF能夠在一定程度上緩解協(xié)同過濾的冷啟動和數(shù)據(jù)稀疏問題，且在學(xué)習(xí)者滿意度、準(zhǔn)確度、信任度和覆蓋率等方面均優(yōu)于CF，故提高了個性化學(xué)習(xí)資源的推薦質(zhì)量。為了取得更好的推薦效果，未來我們將進(jìn)一步考慮學(xué)習(xí)者對學(xué)習(xí)資源的隱式評分?jǐn)?shù)據(jù)和學(xué)習(xí)者與好友在社交網(wǎng)絡(luò)中的其它交互行為。

[1]余勝泉.技術(shù)何以革新教育——在第三屆佛山教育博覽會“智能教育與學(xué)習(xí)的革命”論壇上的演講[J].中國電化教育,2011,(7):1-6.

[2]Lee L,Lu T C.Intelligent agent-based systems for personalized recommendations in internet commerce[J].Expert Systems with Applications,2002,(22):275-284.

[3]Cheung K W,Kwok J T,Law M H,et al.Mining customer product ratings for personalized marketing[J].Decision Support Systems,2003,(35):231-243.

[4]楊麗娜,劉科成,顏志軍.面向虛擬學(xué)習(xí)社區(qū)的學(xué)習(xí)資源個性化推薦研究[J].電化教育研究,2010,(4):67-71.

[5]王永固,邱飛岳,趙建龍,等.基于協(xié)同過濾技術(shù)的學(xué)習(xí)資源個性化推薦研究[J].遠(yuǎn)程教育雜志,2011,(3):66-71.

[6]葉樹鑫,何聚厚.協(xié)作學(xué)習(xí)中基于協(xié)同過濾的學(xué)習(xí)資源推薦研究[J].計算機(jī)技術(shù)與發(fā)展,2014,(10):63-66.

[7]張富國.基于信任的電子商務(wù)個性化推薦關(guān)鍵問題研究[D].南昌:江西財經(jīng)大學(xué),2009:12-13.

[8]Golbeck J.Computing and applying trust in Web-based social networks[D].Maryland:University of Maryland,College Park 2005:15-16.

[9]胡勛,孟祥武,張玉潔,等.一種融合項(xiàng)目特征和移動用戶信任關(guān)系的推薦算法[J].軟件學(xué)報,2014,(8):1817-1830.

The Collaborative Filtering Recommendation of Learning Resources Combined with Learners’ Social Network

DING Yong-gang ZHANG Xin SANG Qiu-xia JIN Meng-tian ZHANG Hong-bo
(School of Education,Hubei University,Wuhan,Hubei,China 430062 )

The traditional collaborative filtering recommendation algorithm (CF) has the problems of cold start and data sparseness,so it is difficult for new learners to obtain learning resources recommendation because of the sparsity or the lack of history learning behavior records.Thus,in this paper,a new CF method was proposed which combined learners’social network information with traditional CF method.In order to fill the gap in the “l(fā)earner - learning resource rating matrix” and achieve the recommendation of learning resources to new learners,it first calculated the trust degrees between new learners and their friends and then predicts new learners’ ratings on learning resources by virtue of that of their friends.The experimental results shown that this method can solve the cold start and data sparsity problems in some degree and improve the accuracy of personalized learning recommendation.

social network; collaborative filtering; learning resource; personalized recommendation

小西

G40-057

A 【論文編號】1009—8097（2016）02—0108—07

10.3969/j.issn.1009-8097.2016.02.016

本文為教育部人文社會科學(xué)研究青年基金項(xiàng)目“基于互動電視的課堂教學(xué)模式與策略研究”（項(xiàng)目編號:14YJC880109）階段性研究成果。

丁永剛，副教授，在讀博士，研究方向?yàn)榻逃龜?shù)據(jù)挖掘、個性化資源推薦,郵箱為hddyg@hubu.edu.cn。

2015年8月27日