基于改進(jìn)神經(jīng)網(wǎng)絡(luò)算法的英語數(shù)字資源個(gè)性化推薦方法

強(qiáng) 薇

（蘇州工業(yè)園區(qū)服務(wù)外包職業(yè)學(xué)院,江蘇 蘇州 215123）

在“信息爆炸”的時(shí)代，英語數(shù)字資源的可獲得性不斷增強(qiáng)。學(xué)習(xí)者需要選擇滿足自身學(xué)習(xí)的特定需求和興趣，但學(xué)習(xí)者熟練水平提升卻是一個(gè)挑戰(zhàn)。為了解決這一問題，英語數(shù)字資源個(gè)性化推薦的概念應(yīng)運(yùn)而生，且有效地改變了學(xué)習(xí)者發(fā)現(xiàn)和使用相關(guān)資源的方式。個(gè)性化推薦方法利用先進(jìn)的算法和數(shù)據(jù)分析技術(shù)來解析個(gè)體學(xué)習(xí)者的偏好、學(xué)習(xí)模式和目標(biāo)。個(gè)性化推薦方法可根據(jù)用戶數(shù)據(jù)（如歷史互動(dòng)、反饋和表現(xiàn)等）可以準(zhǔn)確識(shí)別并推薦與學(xué)習(xí)者獨(dú)特需求相匹配的資源。無論是算術(shù)、統(tǒng)計(jì)還是高級(jí)數(shù)學(xué)概念，個(gè)性化推薦方法主要目的在于強(qiáng)化用戶的學(xué)習(xí)效果和參與度。通過個(gè)性化推薦方法，學(xué)習(xí)者可以更加高效地發(fā)現(xiàn)適合自己的英語數(shù)字資源。這種定制化的學(xué)習(xí)體驗(yàn)不僅能夠滿足個(gè)體學(xué)習(xí)者的需求，還能夠激發(fā)他們的學(xué)習(xí)熱情，使學(xué)習(xí)過程更加愉快、更加高效。

國內(nèi)相關(guān)專家針對(duì)英語數(shù)字資源個(gè)性化推薦[1]方面的內(nèi)容展開了大量研究。童小凱等[2]采用“知識(shí)圖譜”建立不同域之間的聯(lián)系，同時(shí)形成全局嵌入，最終通過全局域提高每個(gè)目標(biāo)域推薦結(jié)果的準(zhǔn)確性。黃禹等[3]將傳統(tǒng)“用戶—項(xiàng)目評(píng)分矩陣”轉(zhuǎn)換為“用戶—項(xiàng)目距離矩陣”，采用距離分解法獲取用戶、項(xiàng)目兩者之間的距離關(guān)系，并且利用其替換原始的相似度關(guān)系，最終引入深度學(xué)習(xí)框架有效實(shí)現(xiàn)個(gè)性化推薦。李偉卿等[4]優(yōu)先構(gòu)建“用戶長短偏好模型”，通過用戶評(píng)分偏置和評(píng)分兩者相結(jié)合的方式完成個(gè)性化推薦。以上幾種個(gè)性化推薦方法在使用過程中存在英語數(shù)字資源個(gè)性化推薦結(jié)果不準(zhǔn)確以及個(gè)性化推薦耗時(shí)長等問題。為此，文章引入改進(jìn)神經(jīng)網(wǎng)絡(luò)，提出一種基于改進(jìn)神經(jīng)網(wǎng)絡(luò)算法的英語數(shù)字資源個(gè)性化推薦方法。試驗(yàn)測(cè)試結(jié)果表明，該方法可以有效提升英語數(shù)字資源個(gè)性化推薦結(jié)果準(zhǔn)確性，同時(shí)能夠加快推薦效率。

1 基于用戶特征的偏好挖掘

在網(wǎng)絡(luò)瀏覽過程中，全部用戶的訪問行為都是隨機(jī)的，在隨機(jī)一個(gè)時(shí)間序列z內(nèi)，設(shè)定互動(dòng)尺寸為n，在特殊情況的窗口內(nèi)，對(duì)窗口內(nèi)的n條數(shù)據(jù)展開均值計(jì)算。在長度為l的時(shí)間特性z處于N維空間內(nèi)，可以將其中的第i個(gè)元素表示為

式（1）中，代表第i個(gè)向量。

為了更好地實(shí)現(xiàn)長度為l的時(shí)間特性降維處理，需要將上述時(shí)間特性劃分為N個(gè)規(guī)格完全一致的幀，同時(shí)計(jì)算每個(gè)幀落入幀內(nèi)的均值，并且將獲取的均值計(jì)算結(jié)果按照時(shí)間軸的方式排序，得到長度為N的向量，通過初始序列的方式描述不同的向量。

將全部用戶劃分為多個(gè)規(guī)格相同的時(shí)間片T1,T2,T3,…,Tn，計(jì)算單一任務(wù)的平均時(shí)間tavg：

式（2）中，k代表任務(wù)總數(shù)；time（task（i））代表執(zhí)行任務(wù)i的時(shí)長。

將各個(gè)類型的用戶行為特征進(jìn)行統(tǒng)計(jì)分析，分析各個(gè)時(shí)間片段Tn下各種行為特征的分布情況，同時(shí)通過落在各個(gè)Tn中的任務(wù)總數(shù)，將時(shí)間片中用戶的行為狀態(tài)展開劃分處理。引入靜態(tài)劃分規(guī)則，在設(shè)定時(shí)間范圍內(nèi)對(duì)全部用戶行為特征總數(shù)進(jìn)行統(tǒng)計(jì)和整合，經(jīng)過計(jì)算可以得到用戶不同特征行為在系統(tǒng)整體資源所占的比例si如下：

式（3）中，taski,j代表在時(shí)間片段i中第j個(gè)任務(wù)，Call代表英語數(shù)字資源的總量。

以用戶在網(wǎng)頁的瀏覽時(shí)間和訪問頻率作為衡量標(biāo)準(zhǔn)，通過對(duì)用戶在網(wǎng)頁查詢頻率的分析可以得到不同類型用戶的行為特征。將得到的不同類型用戶行為特征模型輸入到支持向量機(jī)內(nèi)[5-6]，將給定的英語數(shù)字資源對(duì)應(yīng)的訓(xùn)練數(shù)據(jù)表示為{xi,yi}，xi和yi分別為輸入向量和英語數(shù)字資源類型標(biāo)簽。在支持向量機(jī)內(nèi)[7-8]，分類的最優(yōu)超平面來自距離其最近的部分樣本點(diǎn)。結(jié)合上述分析，得到最優(yōu)分類的超平面表達(dá)式：

式（4）中，W代表權(quán)重向量，b代表標(biāo)量。

在利用支持向量機(jī)[9-10]對(duì)用戶偏好挖掘的過程中，同時(shí)還需要分析全部輸出值對(duì)應(yīng)的輸入特征，再將用戶平均查詢頻率作為標(biāo)準(zhǔn)，引入支持向量機(jī)觀察不同類型用戶的查詢行為特征，得到用戶行為特征挖掘結(jié)果f（x）：

式（6）中，代表知識(shí)元，ua,i代表知識(shí)元組成的元素總數(shù)，wa,b代表混合權(quán)重因子，主要是由權(quán)重因子wa和wb組成。

在式（6）中，除了用戶相似度，剩余各個(gè)參數(shù)全部可以通過實(shí)際統(tǒng)計(jì)得到。英語數(shù)字資源個(gè)性化推薦[13-14]是在神經(jīng)網(wǎng)絡(luò)算法的基礎(chǔ)上實(shí)現(xiàn)，通過圖1給出神經(jīng)網(wǎng)絡(luò)算法結(jié)構(gòu)圖。

圖1 神經(jīng)網(wǎng)絡(luò)算法結(jié)構(gòu)圖

式（5）中，K(xi)代表估計(jì)函數(shù)，β(x)代表映射函數(shù)。

2 基于改進(jìn)神經(jīng)網(wǎng)絡(luò)算法的英語數(shù)字資源個(gè)性化推薦方法

以用戶行為挖掘結(jié)果為依據(jù)進(jìn)行英語數(shù)字資源個(gè)性化推薦。在英語數(shù)字資源個(gè)性化推薦過程中[11-12]，引入Linkert量值描述英語數(shù)字資源個(gè)性化推薦結(jié)果rec（a,i），對(duì)英語數(shù)字資源個(gè)性化推薦結(jié)果產(chǎn)生影響的主要因素分別為用戶相似度ha,w、用戶評(píng)分?jǐn)?shù)量s、用戶評(píng)分重疊數(shù)量m、用戶評(píng)分向量pa,w，進(jìn)而可以將rec（a,i）表示為：

為了有效避免神經(jīng)網(wǎng)絡(luò)算法[15]在訓(xùn)練過程中出現(xiàn)震蕩的情況，需要在傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法中加入動(dòng)量因子τ，引入動(dòng)量因子后的權(quán)值Δθ（k）計(jì)算式如下所示：

式（7）中，r（k）代表學(xué)習(xí)速率。

通過改進(jìn)神經(jīng)網(wǎng)絡(luò)算法和元數(shù)據(jù)概念構(gòu)建英語數(shù)字資源本體ψ，對(duì)應(yīng)的計(jì)算式為式（8）：

在得到用戶偏好以及英語數(shù)字資源本體后，為了提升英語數(shù)字資源個(gè)性化推薦結(jié)果的可靠性，需要對(duì)以上二者進(jìn)行雙重聚類處理，也就是利用雙重聚類算法對(duì)用戶偏好以及英語數(shù)字資源進(jìn)行聚類處理，詳細(xì)的聚類結(jié)果如式（9）和式（10）所示。

式（9）中，L代表用戶偏好集合；式（10）中，P代表英語數(shù)字資源集合。

對(duì)聚類結(jié)果展開匹配，最終實(shí)現(xiàn)英語數(shù)字資源個(gè)性化推薦I：

式（11）中，GL和GP分別代表用戶類和英語數(shù)字資源的聚類中心。

3 試驗(yàn)

為了驗(yàn)證所提出的基于改進(jìn)神經(jīng)網(wǎng)絡(luò)算法的英語數(shù)字資源個(gè)性化推薦方法（以下簡稱所提方法）的有效性，試驗(yàn)選取來自Kaggle數(shù)據(jù)網(wǎng)，計(jì)算不同英語數(shù)字資源個(gè)性化推薦方法（文獻(xiàn)[2]方法、文獻(xiàn)[3]方法、文獻(xiàn)[4]方法）的準(zhǔn)確率，并在相同的試驗(yàn)環(huán)境下，對(duì)不同推薦方法的查準(zhǔn)率以及運(yùn)行時(shí)間等評(píng)價(jià)指標(biāo)展開測(cè)試分析。

3.1 數(shù)據(jù)來源和試驗(yàn)環(huán)境

試驗(yàn)在Kaggle數(shù)據(jù)網(wǎng)選取10種不同類型的英語數(shù)字資源作為試驗(yàn)數(shù)據(jù)，在Windows 10環(huán)境下通過Python（3.5）對(duì)試驗(yàn)數(shù)據(jù)展開分析。

3.2 試驗(yàn)分析

（1）英語數(shù)字資源個(gè)性化推薦準(zhǔn)確率

在用戶興趣特征詞數(shù)量持續(xù)增加情況下，不同英語數(shù)字資源個(gè)性化推薦方法的準(zhǔn)確率變化情況，如圖2所示。

圖2 不同英語數(shù)字資源個(gè)性化推薦方法的準(zhǔn)確率比較

分析圖2可知，隨著用戶興趣特征詞數(shù)量的持續(xù)增加，不同推薦方法的準(zhǔn)確率也逐漸增加。當(dāng)用戶興趣特征詞數(shù)量達(dá)到55時(shí)，不同推薦方法的準(zhǔn)確率也達(dá)到最高。但是所提方法的準(zhǔn)確率明顯更高，證明其更加適用于英語數(shù)字資源個(gè)性化推薦。

（2）查準(zhǔn)率

在設(shè)定推薦英語數(shù)字資源數(shù)量的情況下，不同英語數(shù)字資源個(gè)性化推薦方法的查準(zhǔn)率變化情況，如圖3所示。

圖3 不同推薦英語數(shù)字資源數(shù)量下不同推薦方法的查準(zhǔn)率對(duì)比

分析圖3可知，在推薦英語數(shù)字資源數(shù)量不斷增加的情況下，不同推薦方法對(duì)應(yīng)的查準(zhǔn)率呈現(xiàn)下降趨勢(shì)。但是經(jīng)過對(duì)比發(fā)現(xiàn)，所提方法的查準(zhǔn)率優(yōu)于另外三種推薦方法。

（3）運(yùn)行時(shí)間

在不同推薦英語數(shù)字資源數(shù)量情況下，不同推薦方法的運(yùn)行時(shí)間變化情況，如表1所示。

表1 不同推薦英語數(shù)字資源數(shù)量下不同推薦方法的運(yùn)行時(shí)間對(duì)比

通過分析表1可知，所提方法的運(yùn)行時(shí)間明顯低于另外三種推薦方法，說明所提方法在現(xiàn)實(shí)中具有更高的應(yīng)用價(jià)值，可以有效提升英語數(shù)字資源個(gè)性化推薦效率。

4 結(jié)語

針對(duì)傳統(tǒng)英語數(shù)字資源個(gè)性化推薦方法存在的推薦結(jié)果不準(zhǔn)確以及運(yùn)行時(shí)間較長等問題，文章提出一種基于改進(jìn)神經(jīng)網(wǎng)絡(luò)算法的英語數(shù)字資源個(gè)性化推薦方法。通過和已有的個(gè)性化推薦方法相比較，可證明所提方法在英語數(shù)字資源個(gè)性化推薦過程中更加高效，同時(shí)所獲取的結(jié)果也更加精準(zhǔn)、查準(zhǔn)率也更高，所提方法的研究成果為英語數(shù)字資源個(gè)性化推薦的后續(xù)發(fā)展提供了全新的思路。