高校資訊智能推薦系統的架構設計與關鍵策略研究*

秦 楠 鄭競力 吳 馳 王士賢

高校資訊智能推薦系統的架構設計與關鍵策略研究*

秦 楠1鄭競力1吳 馳1王士賢2[通訊作者]

（1．華中科技大學 網絡與計算中心，湖北武漢 430074；2．華中科技大學 軟件學院，湖北武漢 430074）

隨著智慧校園的快速發展，高校網站、公眾號等資訊發布平臺的數量急速增長，信息過載、內容長尾效應、個性化程度低等問題也隨之日漸凸顯。為此，文章首先基于研究現狀探究了高校資訊推薦系統的應用難點；然后，文章針對系統的應用難點提出一種基于數據采集層、數據挖掘層、推薦引擎層和應用層四層架構的高校資訊推薦系統；接下來，文章提出了高校資訊推薦系統的關鍵策略，重點介紹了多路級聯召回策略和冷啟動策略；最后，文章展示了高校資訊智能推薦系統在華中科技大學的落地應用情況，以期為提升高校資訊發布的個性化、智能化水平提供參考。

智慧校園；智能推薦；推薦系統架構；多路級聯召回；冷啟動

隨著教育信息化和智慧校園的深入發展，目前大多數高校已經開始通過網站群技術建設和管理校園網站，得益于網站群便利的建站方式，高校網站的數量也隨之急速增長[1][2]。調研發現，截至2022年12月，我國985高校的網站數量平均達400多個，部分高校網站數量達1000多個。同時，在移動互聯網背景下，以高校為主體的微信公眾號也日益增多，部分學校官方認證的微信公眾號達200多個[3]。校園網站和微信公眾號給師生提供了獲取校園資訊的便捷渠道，但同時也帶來了一些問題：一方面，面對分散發布的海量信息，高校師生對個性化、智能化信息服務的需求日益增長；另一方面，資訊分發方也亟需借助智能化技術對師生進行精準的資訊推送，以緩解長尾效應，提升資訊的利用率。2018年，教育部印發《教育信息化2.0行動計劃》，明確提出需借助信息技術特別是智能技術的發展，構建網絡化、數字化、智能化、個性化教育體系[4]，教育個性化被提升到了前所未有的高度。在此背景下，本研究通過深入分析高效資訊推薦的研究現狀、應用難點，進行了高校資訊推薦系統的總體架構設計，并針對多路級聯召回策略、冷啟動策略等關鍵策略進行了研究，通過展示該系統在華中科技大學的應用實踐情況，期望為解決高校資訊領域面臨的信息過載、長尾效應等問題提供參考，以提升高校信息化的個性化、智能化水平。

一 研究現狀

1997年，Resnick[5]第一次正式提出“推薦系統”概念，此時的推薦系統實際上還局限于協同過濾推薦。隨著移動互聯網的蓬勃發展，推薦系統在電子商務、內容分發等領域得到了廣泛應用，同時得益于大數據、NLP、機器學習等技術的交叉融合，針對其進行的研究不斷涌現，陸續出現了基于內容的推薦算法[6]、基于用戶的協同過濾算法[7]、基于物品的協同過濾算法[8]、基于知識的推薦算法[9]、基于標簽的推薦算法[10]、基于深度學習的點擊率預測算法[11]等。這些推薦算法都在一定程度上實現了個性化推薦，但也有各自的缺陷，如基于內容的推薦算法在新聞資訊推薦場景下效果顯著，但對音頻、視頻等的屬性抽取存在困難，且缺乏新穎性、多樣性，存在信息繭房的問題；基于用戶的協同過濾算法能提供多樣、新穎的推薦內容，但存在冷啟動和數據稀疏的問題，用戶行為較少時很難發揮作用。為有效結合不同算法的優點，同時克服其存在的缺點，越來越多的研究開始關注混合推薦系統，如Burke[12]針對五種推薦算法總結了七種不同的混合策略，即加權、切換、交叉、特征組合、串聯、特征補充、元級，為不同推薦場景下的混合推薦提供了解決思路。

此外，冷啟動問題作為推薦系統在實踐中面臨的重要挑戰之一，相關研究層出不窮[13][14]。根據處理對象的不同，可以將冷啟動問題分為三類：用戶冷啟動、物品冷啟動及系統冷啟動[15]。在實際應用中，隨機推薦法[16]、平均值法[17]、眾數法[18]等是常見的冷啟動解決方法，但這些方法都沒有分析用戶的特征和興趣，不具備個性化推薦能力。為提升冷啟動階段的個性化程度，研究者相繼提出基于社交網絡[19]、基于標簽系統[20]、用戶采訪過程[21]等方法，這些方法能一定程度上緩解冷啟動階段的數據缺失問題，但由于涉及用戶隱私、交互煩瑣，導致數據收集困難，推薦效果下降。事實上，冷啟動的解決方案通常與推薦應用場景和業務數據基礎高度相關，除了單一推薦算法的優化，還可以從推薦算法融合[22]、跨領域數據收集[23]、系統功能設計[24]等角度提升用戶在冷啟動階段的體驗。

針對推薦系統的研究和應用如火如荼，然而通過在CNKI中檢索并分析高校信息化領域推薦系統的相關文獻，可以發現大部分研究還集中在圖書推薦[25][26]，而對高校資訊的推薦較少涉及。其中，李濤[27]提出一種基于協同過濾算法和內容推薦算法的高校文化內容組合推薦系統，實現了互補式內容推薦；畢曦文等[28]采用基于肘部法則改進的K-means聚類算法，結合用戶興趣標簽實現了針對高校新聞的個性化分類推薦。這些研究在一定程度上實現了高校資訊的個性化推薦，但仍然存在冷啟動以及對用戶興趣變化的實時反饋能力不足等問題，對高校智慧校園體系下的數據資產、師生群體特征、內容特征等也缺乏深入的分析和運用。

二 高校資訊推薦系統的應用難點

針對高校網站、微信公眾號的資訊進行個性化推薦，是推薦技術在高校信息化領域的典型應用場景。盡管資訊推薦在互聯網行業已經發展得非常成熟，但是高校場景下實現資訊推薦系統仍然面臨以下應用難點：

1 數據分散

互聯網行業的應用推薦技術一般是在業務應用上實現個性化升級，也就是說其用戶數據和物品數據已經聚合在業務系統內。而高校資訊推薦場景下，網站、微信公眾號都是獨立運營，資訊發布分散，用戶數據分布在各類業務系統中，如何實現這兩類數據的聚合是系統需首要解決的難題。

2 用戶及資訊規模小

高校推薦系統面對的用戶是校內師生，相比互聯網應用動則上億的用戶量來說，其規模較小，然而業界主推的協同過濾、深度學習等算法需要大量的用戶數據對模型進行訓練才能實現精準推薦，因此無法在高校資訊推薦場景下單獨使用。此外，高校資訊的總體量不足百萬，且由于高校類型不同，資訊分布并不均衡，對于小眾資訊，基于內容的相關算法會出現召回過少的情況，推薦結果抖動較大。

3 冷啟動困難

冷啟動問題幾乎是所有推薦系統必須面對的難題，高校資訊推薦系統也不例外。不僅如此，互聯網推薦常用的注冊興趣填寫、促銷、拉新等冷啟動手段，在高校資訊推薦系統用戶群體已知的情況下并不適用，需要從算法、數據、功能等角度去緩解冷啟動問題。

三 高校資訊推薦系統的架構設計

為適應高校資訊推薦場景，解決上述應用難點，本研究提出了一種高校資訊推薦系統，包含數據采集層、數據挖掘層、推薦引擎層、應用層4個部分，其架構設計如圖1所示。

圖1 高校資訊推薦系統的架構設計

1 數據采集層

數據采集層負責采集用戶的基礎數據、行為數據和內容數據，解決數據分散的問題，為高校資訊推薦提供數據基礎。智慧校園的發展累積了大量業務信息系統，用戶基礎數據就分散在其中。數據采集層通過高校數據中心采用定時推送或共享接口的方式將這些基礎數據同步到系統[29]，為推薦算法和冷啟動策略提供先驗數據，以提升推薦準確度。行為數據則由客戶端頁面埋點，通過消息中間件上報瀏覽、點贊、收藏等行為記錄的方式進行收集。內容數據包含網站內容數據和公眾號內容數據，分別通過網站群webservice接口和微信公眾號訂閱接口進行采集。

2 數據挖掘層

數據挖掘層將采集的原始數據轉換成便于推薦算法計算的特征值和便于運營管理的標簽畫像。其中，元數據ETL模塊將收集到的原始數據存儲到數據倉庫中。數據倉庫中的數據此時還不能被推薦算法直接使用，需經特征服務模塊按照不同數據類型進行特征處理。標簽管理模塊負責標簽的生產、更新、存儲和輸出。相較于具有計算屬性的特征值，對特征進行描述的標簽具有更強的可讀性和可解釋性，可用于標簽召回、推薦預處理、推薦結果解釋等環節。此外，將用戶屬性標簽、用戶興趣標簽、用戶行為標簽匯集起來形成用戶畫像，并將資訊屬性標簽、資訊關鍵詞標簽、資訊熱度標簽等匯集起來形成資訊畫像，可共同為運營人員和算法人員構建直觀的用戶形象與資訊內容概覽，輔助其調整運營策略和優化算法。

3 推薦引擎層

推薦引擎層承載推薦系統的核心業務流程，采用召回、排序、后處理3個子階段串聯的pipeline模式。其中，召回是快速從全量資訊庫中盡可能多地篩選出師生可能感興趣的資訊，為規避單個算法的缺點、提升召回多樣性，一般采用混合推薦的策略。排序則是從召回的資訊當中盡可能準確地挑選出較感興趣的Top個資訊，即優中選優，一般采用較復雜的單一點擊率預測評分模型，在用戶行為數據較少的情況下可以采用加權評分的方式代替。排序后的推薦列表還需根據業務規則和運營策略做進一步的過濾、增補等微調處理，才會最終經由推薦服務接口輸出到應用層，呈現到師生面前。除核心業務流程之外，在實際應用中，推薦引擎層還包括推薦預處理、離線模型訓練、推薦緩存等模塊，為召回和排序策略提供支撐。

4 應用層

應用層包含管理端和客戶端。其中，管理端是系統的控制中心，包含用戶管理、資訊管理、專題管理、實驗管理等模塊，從用戶、內容、算法三個維度實現數據化、可視化運營。客戶端則負責向師生展示資訊推薦列表以及各項擴展交互功能，如推薦、發現、專題等。

四 高校資訊推薦系統的關鍵策略

召回作為推薦引擎層中的核心業務階段，其結果直接決定推薦系統的整體效果，同時冷啟動對用戶留存和體驗也至關重要。為此，本研究結合高校場景下用戶及資訊規模不大、數據資產累積情況較好、用戶及資訊源關系明確等特點，設計了高校資訊推薦系統的關鍵策略，其重中之重是多路級聯召回策略和冷啟動策略，以切實提升推薦系統的多樣性、準確性、用戶粘性。

1 多路級聯召回策略

召回的作用在于減少候選資訊的數量，方便后續排序階段使用復雜模型精準排序[30]。為結合不同算法的優點、規避不足，同時提升召回的多樣性和魯棒性，目前多采用混合推薦的召回策略[31]。在內容推薦領域，協同過濾、內容相似推薦和熱門推薦三者并行的多路召回策略最為常見，但這種策略在高校資訊推薦系統中面臨以下三個問題：

①召回穩定性差。區別于互聯網的海量內容庫，高校資訊庫體量較小，且根據高校類型不同，資訊分布也呈現不平衡的狀態，如理工類高校的文史類資訊和師生都較少，此時基于內容相似的召回量可能很少；師生用戶體量較小，依賴于大量用戶數據的協同過濾算法推薦結果也不穩定。因此，固定比例的并行召回可能會使總體召回量波動較大，客戶端展示不流暢。

②興趣變化實時反饋能力差。協同過濾和內容相似算法通常采用離線計算的方式，定時（通常是每天一次）將計算結果輸出到緩存中，那么當師生興趣發生實時變化時，該變化只能在第二天才能體現在召回列表中，無法及時反饋。

③數據資產利用度不高。高校在各業務系統中累積了大量師生數據資產，這些數據可以為推薦算法提供先驗知識，但協同過濾算法只與動態行為數據相關，內容相似算法只與內容特征相關，熱門推薦則是完全非個性化推薦，都無法利用這些數據來提升推薦效果。

為解決上述問題，本研究在協同過濾召回、內容相似召回、熱點內容召回等多路召回策略的基礎上，增加了興趣標簽召回、資訊源關系傳遞召回，并采用兩級級聯的方式設計了多路級聯召回策略，如圖2所示。

圖2 多路級聯召回策略

（1）多路級聯召回的工作流程

協同過濾召回、興趣標簽召回和內容相似召回等完全個性化推薦算法多路并行，形成默認召回級；資訊源關系傳遞召回和熱點內容召回等非完全個性化推薦算法多路并行，形成補充召回級。多路級聯召回的工作流程為：優先從默認級召回，當召回列表的長度滿足要求時，直接進入排序階段；當召回列表長度不足時，啟動補充級召回進行補足，合并兩級召回列表后再進入排序階段。多路級聯的優勢是在提升召回多樣性和魯棒性的同時，最大化個性化推薦的占比，并保障召回的穩定性。

圖3 用戶興趣標簽正排索引和資訊關鍵詞倒排索引

（2）興趣標簽召回

興趣標簽召回通過用戶興趣標簽匹配資訊的關鍵詞標簽，選擇包含命中標簽的資訊進行召回。它在內容推薦領域被廣泛使用，具有實現簡單、即時反饋、可解釋性強等顯著優點[32]。興趣標簽召回的流程為：①生成用戶初始興趣標簽，默認為空；②以用戶ID為主鍵生成用戶興趣標簽隊列的正排索引，如圖3（a）所示；③生成資訊的關鍵詞標簽列表，資訊正文經過文本分詞后利用TF-IDF獲取權重較高的個關鍵詞作為內容標簽；④以關鍵詞為主鍵生成關鍵詞和包含該關鍵詞資訊列表的倒排索引，如圖3（b）所示；⑤根據當前用戶ID通過正排索引查找其興趣標簽列表，再根據列表中的標簽通過倒排索引查找包含該關鍵詞標簽的資訊列表進行召回；⑥記錄用戶操作過的資訊所包含的關鍵詞，將其作為新的興趣標簽保存到用戶興趣標簽隊列中，然后跳轉到第⑤步，進入下一輪興趣標簽召回。

在實踐過程中，高校資訊庫存在分布不均衡的情況，部分關鍵詞關聯的資訊較少，召回效果不佳。為提高興趣標簽的召回量，本研究使用Word2Vec算法在詞向量空間中計算與用戶興趣標簽較相近的5個相似詞，形成擴展興趣標簽，如表1所示。該表展示了在系統中隨機抽取的6個師生的興趣標簽及其詞向量擴展標簽的召回量情況，借助詞向量擴展興趣標簽，原標簽的召回量得到了不同程度的提升。

表1 詞向量擴展標簽及召回量

此外，用戶興趣通常隨時間推移產生較大變化，單一的用戶興趣標簽隊列無法體現這一特性。針對這一問題，本研究采用長短期雙興趣標簽列表的方式進行優化：短期興趣標簽利用先進先出隊列，根據用戶操作行為實時更新；長期興趣標簽計算用戶時間窗口內發生行為的資訊所包含關鍵詞標簽的累加權重，按從高到低排序取top個關鍵詞標簽。上述優化方式既實現了用戶短期興趣的實時反饋，也保證了用戶長期興趣的穩定呈現。

（3）資訊源關系傳遞召回

在高校資訊推薦場景下，師生和資訊源、資訊源與資訊源之間存在一定的關聯關系，如計算機學院的學生與計算機學院的官網關聯度較高，計算機學院的官網與軟件學院、人工智能與自動化學院的官網又有關聯。借用數學中關系的傳遞性思路，計算機學院的學生與軟件學院、人工智能與自動化學院的官網也產生了關聯。關系傳遞中的關聯度計算如公式（1）所示。

其中，R表示資訊源A到資訊源N的關聯度，取值在0～1之間，等于A到N關聯路徑上所有關聯度的乘積。獲取資訊源之間的關聯度后，如何令師生與資訊源產生關聯呢？本研究采用了兩種方法：①師生沒有產生行為，但是由于師生有學院或者單位屬性，因此網站群內學院官網或者二級單位官網與該用戶的關聯度默認為1，這樣用戶就可以通過關系傳遞到其他資訊源。②師生對某個資訊產生了行為，該資訊屬于某個資訊源，根據該資訊源關系傳遞到其他資訊源。產生了師生到資訊源的關聯度后，可按關聯度由高到低排序，按需從關聯的資訊源中選取最新資訊進行召回。實際應用中，基于資訊源關系傳遞的召回算法在冷啟動或召回補足場景下可有效提升用戶粘性。

2 冷啟動策略

冷啟動指推薦系統在用戶特征不明確、用戶行為數據缺失的情況下，由于推薦算法缺乏計算數據，導致無法提供精準推薦的問題，它是推薦系統落地過程中的重要挑戰之一。本研究從算法、數據、功能三個層面設計冷啟動策略，以多維度解決冷啟動問題，提升用戶體驗。

（1）算法層面

本研究在協同過濾召回算法的基礎上增加了對用戶行為數據依賴較少的內容相似召回算法、興趣標簽召回算法和資訊源關系傳遞召回算法等，彌補冷啟動階段召回率低和推薦準確率差等缺陷。同時，多路級聯召回設計使推薦結果能夠根據用戶成熟度進行動態調整，隨著用戶行為數據的累積，自動減少非個性化推薦的比例，增強個性化體驗。

（2）數據層面

在數據共享治理框架和“一張表”平臺的推動下，高校數據孤島問題已得到有效解決，校級數據資產更加完善，數據質量進一步提高。目前高校數據中心已經集成了包含人事系統、教務系統、學生注冊管理系統等眾多業務系統的數據，涉及教學、科研、人事、學生管理等眾多方面[33]，為構建師生特征畫像奠定了基礎。本研究利用師生特征畫像進行興趣標簽預設，使用戶在初期也能夠基于興趣標簽召回算法得到較為精準的推薦。預設興趣標簽按照計算方式可以分為三種：

①規則映射。針對師生的結構化數據，本研究根據業務規則預設標簽，如為畢業班大學生設置“招聘”“留學”“考研”等標簽。

②算法抽取。“一張表”平臺以及教師個人主頁等系統中匯集了教師的論文發表、科研項目、研究方向等數據，同時教務系統中也記錄了學生的課程信息、學習方向等數據，借助NLP技術提取這些文本數據的關鍵詞，可將關鍵詞預設為興趣標簽。圖4以華中科技大學光電學院教師的研究方向標簽和論文標簽為例，展示了算法抽取出的預設標簽詞云。

（a）研究方向標簽詞云（b）論文標簽詞云

③傳遞補足。針對部分師生無法通過已知數據獲取預設標簽或者標簽量過少的情況，本研究利用導學關系、同學關系、同事關系等社交關系進行興趣標簽傳遞，如學生A的學術類興趣標簽過少，則將其導師B的論文標簽、研究方向標簽等設置到學生A的標簽列表中。

（3）功能層面

除主要的推薦功能之外，為引導師生產生更多交互，獲得更多反饋，本研究設計的高校資訊推薦系統實現了搜索、發現、關注、專題、正負反饋五大功能：①搜索，即為師生提供全局搜索功能，便于師生在推薦列表不滿足需求時通過輸入找到目標資訊；②發現，即為師生提供資訊源目錄，可通過瀏覽或搜索找到目標資訊源及其資訊列表；③關注，即為師生提供感興趣資訊源的標記功能，在關注列表頁面將展示所有關注過的資訊源的最新發布內容；④專題，即為管理員提供通過關鍵詞設置專題欄目的功能，系統根據專題關鍵詞自動匯集所有相關資訊進行集中展示；⑤正負反饋，即為師生提供對資訊的顯式正負反饋功能，正反饋包括點贊、收藏等，負反饋包括屏蔽資訊源、屏蔽標簽、內容投訴等。

五 高校資訊推薦系統的應用實踐

本研究中提出的系統架構、多路級聯召回策略以及冷啟動策略在華中科技大學校園資訊應用“華中大智能推薦系統”中進行了實踐，取得了良好的效果。

1 推薦應用

“華中大智能推薦系統”的客戶端主頁面向校內師生實現了校園資訊的Feed流式個性化推薦。除此之外，系統還將推薦服務封裝為標準化接口，第三方應用可通過該接口請求指定用戶的推薦列表。在首期落地應用中，系統借助推薦服務接口將推薦服務融合到企業微信webview頁面中，并結合企業微信消息發送功能進行每日個性化推送，實現了推薦應用的跨平臺融合，如圖5所示。

2 實踐效果

系統試運行期間，累計采集涵蓋學校網站群平臺、校內微信公眾號、專業領域微信公眾號等共582個資訊源的93萬條資訊，累計訪問量達19余萬次。推薦系統的活躍用戶數、忠實用戶數及訪問次數是客觀反映用戶體驗的重要指標，因此本研究對試運行首月訪問次數大于15次的3097名活躍用戶訪問情況進行了分析，表2按不同訪問次數區間分別統計了師生用戶數、月累計訪問次數、月均訪問次數和人數占比情況。本研究將訪問次數達30次以上的用戶定義為忠實用戶，從表中可以看出，從活躍用戶到忠實用戶的轉換率達28.93%，充分體現了師生對華中大智能推薦系統的積極評價。

六 結語

信息爆炸時代，高校信息化領域同樣面臨著信息過載問題，如何利用智能推薦技術實現更高效、更智能、更便捷的個性化內容分發方式受到越來越多高校信息化從業者的關注。本研究針對高校數據分散、用戶及資訊規模小等問題，提出了一種基于數據采集層、數據挖掘層、推薦引擎層、應用層等四層架構的高校資訊推薦系統，并創新性地采用了一種多路級聯召回策略，在傳統的協同過濾召回、內容相似召回的基礎上，融入優化的興趣標簽召回和資訊源關系傳遞召回，提升了召回的多樣性、穩定性和實時反饋能力。此外，面對推薦領域的難點——冷啟動問題，本研究結合高校領域的數據資產情況、師生群體特征及內容特征，圍繞算法、數據和功能三個層面提出全方位的冷啟動策略，從多維度提升了師生的使用體驗。雖然系統在實踐中取得了一定成效，但仍存在一些不足，未來研究團隊將針對如何利用資訊文本之外的圖片、音頻、視頻等多模態信息進行建模，如何實現跨領域推薦等問題進一步展開研究。

[1]劉臻,張旭,魯學亮,等.中國高校網站群建設與應用情況研究[J].中國教育信息化,2017,(19):6-9.

[2]路遙,任曉霞,侯靜,等.新形勢下高校網站群建設與服務管理探究——以北京大學為例[J].實驗技術與管理,2020,(9):32-34.

[3]周春雷,曹玲靜.“985”高校微信公眾號發展現狀研究[J].數字圖書館論壇,2017,(5):61-67.

[4]教育部.教育部關于印發《教育信息化2.0行動計劃》的通知[OL].

[5]Resnick P, Varian H R. Recommender systems[J]. Communications of the ACM, 1997,(3):56-58.

[6]Pasquale L, De Gemmis M, Giovanni S. Content-based recommender systems: State of the art and trends[J]. Recommender Systems Handbook, 2011,(1):73-105.

[7]Resnick P. GroupLens: An open architecture for collaborative filtering of netnews[A]. Proceedings of the 1994 ACM Conference on Computer Supported Cooperative Work[C]. New York: Association for Computing Machinery, 1994:175-186.

[8]Sarwar B. Item-Based collaborative filtering recommendation algorithms[A]. Proceedings of the 10th International Conference on World Wide Web[C]. New York: Association for Computing Machinery,2001:285-295.

[9]Aggarwal C C. Knowledge-based recommender systems[A]. Recommender Systems[C]. Cham: Springer International Publishing, 2016:167-197.

[10]Li X, Guo L, Zhao Y E. Tag-based social interest discovery[A]. Proceedings of the 17th International Conference on World Wide Web[C]. New York: Association for Computing Machinery, 2008:675-684.

[11]Zhou G, Zhu X, Song C, et al. Deep interest network for click-through rate prediction[A]. Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining[C]. New York: Association for Computing Machinery, 2018:1059-1068.

[12][31]Burke R. Hybrid recommender systems: Survey and experiments[J]. User Modeling and User-Adapted Interaction, 2002,(4):331-370.

[13]Konstan J A, Riedl J, Borchers A, et al. Recommender systems: A grouplens perspective[OL].

[14]Adomavicius G, Tuzhilin A. Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions[J]. IEEE Transactions on Knowledge and Data Engineering, 2005,(6):734-749.

[15]Bobadilla J, Ortega F, Hernando A, et al. Recommender systems survey[J]. Knowledge-Based Systems, 2013,46:109-132.

[16]Carbonell J, Goldstein J. The use of MMR, diversity-based reranking for reordering documents and producing summaries[A]. Proceedings of the 21st Annual International ACM SIGIR Conference on Research and Development in Information Retrieval[C]. New York: Association for Computing Machinery, 1998:335-336.

[17]Gianluigi G, Sergio G, Ester Z. Collaborative filtering supporting web site navigation[J]. AI Communications, 2004,(3):155-166.

[18]孫小華.協同過濾系統的稀疏性與冷啟動問題研究[D].杭州:浙江大學,2005:115.

[19]Ma H, King I, Lyu M R. Learning to recommend with explicit and implicit social relations[J]. ACM Transactions on Intelligent Systems and Technology (TIST), 2011,(3):1-19.

[20]Zhang Z K, Liu C, Zhang Y C, et al. Solving the cold-start problem in recommender systems with social tags[J]. Europhysics Letters, 2010,(2):1-16.

[21]Sun M, Li F, Lee J, et al. Learning multiple-question decision trees for cold-start recommendation[A]. Proceedings of the Sixth ACM International Conference on Web Search and Data Mining[C]. New York: Association for Computing Machinery, 2013:445-454.

[22]Peng F R, Lu X, Ma C, et al. Multi-Level preference regression for Cold-Start recommendation[J]. International Journal of Machine Learning and Cybernetics, 2018,(9):1117-1130.

[23]史海燕,倪云瑞.推薦系統冷啟動問題研究進展[J].圖書館學研究,2021,(12):2-10.

[24]Zhou K, Yang S H, Zha H. Functional matrix factorizations for cold-start recommendation[A]. Proceedings of the 34th International ACM SIGIR Conference on Research and Development in Information Retrieval[C]. New York: Association for Computing Machinery, 2011:315-324.

[25]趙楊,楊彬,董姝儀,等.多源大數據驅動的移動圖書館個性化推薦系統設計與實現[J].圖書館學研究,2021,(11):20-31.

[26]陳安琪,金昆,陶興華,等.基于知識圖譜的圖書館智能化資源推薦系統架構與優化策略[J].圖書館界,2023,(2):21-25.

[27]李濤.一種組合推薦系統在高校文化內容聚合管理的應用[J].電子設計工程,2020,(11):64-68.

[28]畢曦文,紀明宇,吳鵬,等.個性化高校新聞分類推薦的應用研究[J].計算機應用與軟件,2019,(7):218-223.

[29]毛文卉,吳馳,劉雅琴,等.數據治理背景下高校數據共享框架的研究與實踐[J].實驗室研究與探索,2022,(8):297-303.

[30]Spurthy M, Shwetha B, Sangeetha P, et al. A Survey on hybrid recommendation engine for businesses and users[J]. International Journal of Information Engineering and Electronic Business, 2021,(3):22-29.

[32]Ernesto D, Lucas D, Lars S, et al. Real-time top-n recommendation in social streams[A]. Proceedings of the Sixth ACM Conference on Recommender Systems[C]. New York: Association for Computing Machinery, 2012:59-66.

[33]劉雅琴,毛文卉,吳馳,等.基于“一張表”平臺推動面向高校教師的數據治理實踐[J].現代教育技術,2022,(1):118-126.

Research on the Architecture Construction and Key Strategies of Intelligent Recommendation System for University Information

QIN Nan1ZHENG Jing-li1WU Chi1WANG Shi-xian2[Corresponding Author]

With the rapid development of smart campus, the number of information rele platforms such as university websites and public accounts has increased rapidly, and the problems of information overload, content long tail effect, low degree of personalization and other issues have also become increasingly prominent. Therefore, based on the current research situation, the paper firstly explored the application difficulties of university information recommendation systems. Then, the paper proposed a university information recommendation system based on four layers architecture of data collection layer, data mining layer, recommendation engine layer, and application layer to address the application difficulties of the system. Next, the paper conducted research on key strategies, with a focus on introducing the multi-channel cascade recall strategy and cold start strategy. Finally, the implementation of the university information intelligent recommendation system in Huazhong University of Science and Technology was displayed, with the aim of providing reference and reference for improving the personalized and intelligent level of university information dissemination.

smart campus; intelligent recommendation; recommendation system architecture; multi-channel cascade recall; cold start

G40-057

A

1009—8097（2023）12—0100—11

10.3969/j.issn.1009-8097.2023.12.010

本文受中國高等教育學會2022年專項課題“基于閉環的高校主動式網絡安全管理機制與智能化技術防范體系研究”（項目編號：22XX0403）資助。

秦楠，工程師，碩士，研究方向為信息系統開發與管理、智能化應用、教育信息化等，郵箱為qinnan@hust.edu.cn。

2023年5月3日

編輯：小時