论文部分内容阅读
随着信息资源的超载式增长,用户对个性化服务需求逐步提高,推荐系统在电子商务、社交网络和新闻推荐等领域已成为不可或缺的技术。然而推荐系统在教育教学领域却发展比较缓慢,使用率也非常低。随着推荐技术的成熟,可以预见推荐系统在教学领域将被大量推广和使用。本文主要工作如下:1、针对加权Slope One算法缺乏精度,以及对稀疏性适应不佳,提出融合关联规则关联性与加权Slope One的该进算法。通过对用户行为数据使用关联规则Apriori找出目标物品的关联项,在筛选后的轻量级矩阵中作Weighted-Slope One算法模型构建。融合新算法使用python语言在MovieLens数据集上进行对比实验:不同k值下,融合新算法AW-Slope one的MAE值低于Slope One算法和Weighted-Slope One算法。2、针对ItemCF算法的物品、用户冷启动问题以及推荐精度不高的问题,提出基于内容和基于物品的协同过滤算法的融合改进算法。利用CB算法离线计算物品之间的相似性,在得到的基于内容的物品相似矩阵上构造目标物品的用户行为记录矩阵,计算物品相似程度,最后做Top-N推荐。融合算法使用python语言在MovieLens数据集上进行实验:相似物品数K=40时,recall=18.623%、Precision=21.941%、coverage=18.182%、popularity=5.553,综合指数最优;不同k值下,融合新算法CB-ItemCF的MAE值低于CB和ItemCF算法。3、设计并实现了教育资源题目推荐系统。将融合算法CB-ItemCF应用于教育资源题目推荐系统中,不仅考虑到题目内容相似度,而且根据题目被做错的数量来衡量一个题目的难度。最终根据学生做错的题目推荐同等难度且题干内容相似的题目。系统推荐效果选用调查问卷的形式,数据显示:93.3%的人对系统对自己成绩的分析感到满意,84.4%的人对推荐的题目表示满意。