精準動態信息推薦算法在智慧校園中的應用

摘要：隨著互聯網的飛速發展，信息過量對教學相關的所有因素產生不良影響，使得智慧校園發展與信息冗余產生了矛盾。本文利用信息推薦的思路分析了解決信息冗余與智慧校園建設信息精準需求之間存在的問題，并提出了基于協同過濾思想的解決辦法。

關鍵詞：智慧校園;信息冗余;推薦系統;協同過濾

1引言

當前，教育環境復雜，教育信息化和智慧化必需兼顧環境多樣性、受眾復雜性、需求變化性等因素，借助移動通信技術與人工智能技術發展新型教育對位于戰略興國的重要基礎化建設。

智慧化教育必須打破原來數字教育資源建設的傳統觀念和思想壁壘，除了包涵傳統的教育課件之外，其主體應當是伴隨著教學過程中產生的大數據以及伴隨對關于教育所有因素分析產生的相關數據內容及其衍生信息。因此如何有效的獲取眾多信息中的關鍵有效信息成為系統能否生存、教育成本、學習效率的重點問題。

2智慧校園的定義及發展現狀

智慧校園是繼數字校園之后關于院校信息化建設的全新概念，隨著互聯網技術的迅猛發展和通信技術的快速進步，智慧校園在2008年提出的“智慧地球”的基礎上被提出后，再次在2010年被浙江大學在信息化“十二五”規劃中正式提出^[1]，國內外專家學者對智慧校園的普遍認識是智慧校園是以物聯網為基礎的智慧化的校園工作、工作、學習和生活一體化環境^[2]。

隨著我國物聯網技術移動通信技術的發展以及各種研究的深入，物聯網技術越來越多的被應用到教學中來解決學生與教育資源契合的問題，物聯網技術、計算機網絡技術、移動通信技術的加速融合更大程度的促進了智慧校園的發展。

目前，依托數字化校園和大數據技術在大環境下有效獲取教育資源已經成為事實，然而面對海量信息隨之衍生的信息過載問題不可避免，不僅僅是學生，包括教師在內都需要花費巨大的精力和時間從眾多的資源中選取真正的有效信息。

以提升高校信息服務和應用質量與水平為根本目的，如何建立一個更加開放、創新、智能的綜合信息平臺，使得教師、學生、學校管理人員都可獲得個性化服務，深度感知不同維度的信息資源，獲得更加完善的互動體驗成為現代教育和智慧校園建設的重要研究內容。實現精準推送是解決這一問題的最佳途徑，協同推薦技術不可避免地成為目前解決這一問題最有效辦法。

3協同推薦系統

3.1協同推薦系統的概念

在電子商務領域，推薦系統能夠將一些可能是用戶感興趣的商品構成一個列表，以便向用戶進行推薦。一方面降低了用戶尋找需求商品的時間成本，另一方面可以提高商家的收益，平臺方也可以從中獲利。國內目前除了電子商務領域，目前也有許多成熟的個性化推薦系統，例如新浪微博、騰訊新聞、今日頭條等。個性化推薦系統在如今互聯網發展中不可忽視的重要地位。

推薦系統本質上是一種處理海量數據信息的系統，用來預測用戶對某一個物品或者某一類物品的喜愛程度，然后根據不同的喜愛程度來決定是否將算法得到的結果推薦給該用戶。上層服務系統通過搜集大量用戶在使用系統時產生的歷史行為或者他們的興趣愛好數據，將信息過濾、歸并傳遞給推薦算法系統，后者運用成熟的算法模型來輸出用戶可能感興趣的項目內容。它的提出是伴隨著如今社會數據量的與日俱增、人們在面對海量數據束手無策的現象出現。

使用協同推薦系統需要解決的為題是要對于不同的內容要從不同維度加以識別與區分可以借助的技術有圖像識別、自然語言處理、深度學習等。

3.2精準推薦系統方案構建

在校園內可以使用根據學生或者教師在校園的不同位置推薦不同內容的思路構建精準推薦系統。

首先構建真實準確的校園模型，結合校園無線網絡與有線網絡結構對學校模型進行網格化切割，根據網格區劃推薦不同的內容。例如對學校的教學區、圖書館、食堂、宿舍進行粗粒度區劃，可以在一定程度上解決了傳統算法中的數據不可靠、數據偏差等問題，提高了系統推薦準確度，減低了冗余繁雜信息的影響。

再次，可以對以上方法進行二次優化。目前大部分手機采用的GPS/北斗定位技術來講更加有效的實現室內定位。由于墻體、建筑物等遮擋室內定位精度大大降低，因此結合廣域室內定位技術和局部室內定位技術可以更加準確加以區分。局域室內定位技術一般包括WiFi、藍牙、ZigBee、超聲波、射頻識別（RFID）、紅外線等技術^[3]。

可以在傳統定位算法的基礎上對基于無線室內網絡的指紋定位算法做出部分改進，可采用聚類的思想對指紋數據進行處理，實現室內三維定位，實現在不同樓層不同位置的定位。

使用WLAN室內三位定位算法有效提升室內定位準確度，實現三位定位，更加準確的對室內教學場景的區分。再次可以對系統過濾相似度加以提升，增加推薦準確度，成為精準推薦的有效實現前提。

4協同推薦算法的應用

協同過濾算法會利用所有用戶在使用系統過程中產生的有效歷史數據信息，通過具體的算法來計算用戶之間的喜好相似程度，通常稱之為“距離”，然后通過加權的形式來精確地預測目標用戶對某物品的喜好程度，然后系統以此作為依據進行推薦。隨著數據集的壯大，這一結果會變得越來越說服力。通常協同過濾根據不同維度可以分為基于用戶的協同過濾和基于物品的協同過濾^[4]。

深度學習主要是用來發現數據的分布式特征表示。相比目前傳統的推薦方法，深度學習的方式可以通過學習一種深層次非線性網絡結構，表征用戶和物品密切相關的海量數據。它具有強大的從樣本中學習數據集本質特征的能力，能夠獲取用戶和物品深層次特征表示，這一特殊能力能夠有效的降低數據分布不均帶來的推薦結果不準確的情況出現的可能性。另一方面，通過從多種異構數據中進行自動特征學習，從而將不同數據映射到一個相同的隱空間，能夠獲得數據的統一表征^[5]。綜合這些特點，基于深度學習的推薦系統往往可以更好地理解用戶需求，物品特點以及他們之間的歷史行為交互。借助深度學習的能力，演化除了基于模型的協同過濾推薦，如損失函數+正則項、神經網絡+層、圖模型+圈等。

5結論

本文提出的面向智慧校園的精準動態信息推薦系統，不同于傳統的個人個性化推薦系統，以高精度的定位服務來實現精準推薦的基礎，并利用改進的推薦算法向用戶提供個性化的服務。

參考文獻：

[1]周紅春.高校教育信息化的新發展：信息化教育——我國高校教育信息化試點學校建設的啟示[J].電化教育研究，2012，33（06）：5-11.

[2]覃飛.面向智慧校園的情景感知系統研究[D]，太原理工大學，2015，04.

[3]王陽，基于Android的室內Wi Fi定位系統設計與實現[D].南京大學，2016，05.

[4]黃立威，江碧濤，呂守業，等.基于深度學習的推薦系統研究綜述[J].計算機學報，2018，041（007）：1619-1647.

[5]周文韜.基于Spark平臺的混合推薦算法的研究與實現[D].北京交通大學，2016.

作者簡介：李靜（1981-），女，碩士研究生/副教授，研究方向：大數據、云計算。