導(dǎo)語：如何才能寫好一篇個性化推薦系統(tǒng)，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公文云整理的十篇范文，供你借鑒。

篇1

論文關(guān)鍵詞：學習風格，Web挖掘，個性化推薦，AprioriAll算法

 

一、引言

基于Internet技術(shù)的教育網(wǎng)絡(luò)化趨勢不僅為學生提供了便利的學習方式和廣泛的選擇，也為學校提供了更加深入地了解學生需求信息和學生行為特征的可能性。但隨著Web上信息量的爆炸式增長，網(wǎng)上的資源得到極大豐富的同時也充斥著大量的垃圾信息，當學生們面對這些龐大蕪雜的信息海洋時變得無所適從，因而迫切需要能從這些紛繁蕪雜的信息海洋中主動過濾并推薦給學生他們所需信息的個性化輔助教學推薦工具，本文就是針對這個問題而提出的。

目前人們利用數(shù)據(jù)挖掘技術(shù)，提出了許多個性化推薦系統(tǒng)。本文提出通過心理學量表對學習風格進行測試，并針對實際收集到數(shù)據(jù)的稀疏特點，采用項目評分預(yù)測的協(xié)同過濾算法[1]（Item-Based Top-N推薦算法），盡可能準確地測試出學生的學習風格。然后結(jié)合Web日志挖掘技術(shù)，收集不同風格學生瀏覽網(wǎng)頁的特點，通過AprioriAll算法求解頻繁訪問序列[2]，得到不同風格學生的Web使用習慣，然后依據(jù)當前學生瀏覽頁面向?qū)W生實時推薦下一步可能會訪問的部分網(wǎng)頁個性化推薦，提高學習效率。

二、個性化教學系統(tǒng)結(jié)構(gòu)設(shè)計

根據(jù)WWW體系結(jié)構(gòu)和網(wǎng)絡(luò)學習系統(tǒng)的特點，需要采用一種新的設(shè)計框架來處理挖掘過程。作者采用挖掘?qū)W生歷史瀏覽行為(記錄在服務(wù)器日志中)和分析學生學習風格這兩類特征來構(gòu)建學生模型。

首次登陸系統(tǒng)時需對學生的學習風格進行測試，首先利用項目評分預(yù)測協(xié)同過濾算法（Item-Based Top-N）對未評分的項目進行評分，然后統(tǒng)計總分即可得到學生的學習風格類型這一特征值；對于己注冊的學生則提取MFR路徑（最大前引用）對Web服務(wù)器中的Web日志進行預(yù)處理，可得到學生最大向前向訪問的路徑，再用AprioriAll算法挖掘?qū)W生訪問網(wǎng)頁的頻繁序列，把這一頻繁序列作為特征值連同學生風格這一特征值進行數(shù)據(jù)預(yù)處理，即可得到學生個體興趣模型，然后對其進行訪問模式挖掘即可得到學習風格類型相同的學生所具有的訪問模式，最后根據(jù)這一訪問模式利用個性化推薦算法進行學習內(nèi)容推薦。本文的系統(tǒng)結(jié)構(gòu)設(shè)計如圖1 所示。

圖1個性化挖掘和推薦模塊

三、 實現(xiàn)個性化教學推薦系統(tǒng)的關(guān)鍵步驟

1 構(gòu)建學習風格及興趣模型

學習風格是學生對學習方法的定向或偏愛，是學習者特有的認知、情感和生理行為，是學生持續(xù)一貫帶有個性特征的學習方式。因此本文結(jié)合學習風格構(gòu)建能代表學生特征的學生學習風格及興趣模型。為了更加準確的測試出學生的學習風格類型，本文采用了所羅門風格量表和Kolb風格量表進行測試，由于學生數(shù)目的急劇增加和項目眾多的風格量表導(dǎo)致學生評分數(shù)據(jù)的不完善，而產(chǎn)生了數(shù)據(jù)的稀疏性，這使得計算目標用戶的項目評分后不能準確的測試出學生的學習風格。本文來采用基于項目評分預(yù)測的協(xié)同過濾推薦算法[1]計算項目間的相似性，預(yù)測學生對未評分項目的評分，就可以有效地解決數(shù)據(jù)稀疏情況下的學習風格的測試問題，能更加準確的測試出學生的學的風格畢業(yè)論文范文。具體實現(xiàn)如圖2所示。

圖2學習風格的測試流程

首先可以得到學生學習風格測評數(shù)據(jù)矩陣,假設(shè)用戶為User-1，User-2,…，User-n，心理學量表的測量相目為Item-1,Item-2,…,Item-m,這樣矩陣的形式如圖3所示。

顯然當缺少學生對某一些項目的評分時，量表就無法完成對學習風格的評價，在自主學習的環(huán)境產(chǎn)生這種現(xiàn)象中是很常見的。為此有必要填補學生未評分的部分，完成對學習風格的評價。作者通過兩步來完成對未評分項目的填充：

 

用戶\項目

Item-1

Item-2

…

Item-j

…

Item-m

User-1

R11

R12

…

R1j

…

/

User-2

R21

/

…

R2j

…

R2m

…

…

…

/

 

  …

…

User-i

Ri1

Ri2

…

/

…

/

User-n

/

Rn2

…

Rnj

篇2

關(guān)鍵詞：云計算；技術(shù)；個性化；系統(tǒng)

中圖分類號： TP3 文獻標識碼： A 文章編號： 1673-1069（2016）32-166-2

0 引言

如今，互聯(lián)網(wǎng)技術(shù)的深入發(fā)展，開始與各個領(lǐng)域?qū)崿F(xiàn)有機融合，更多的人開始參與到在線購物、社交網(wǎng)絡(luò)等網(wǎng)絡(luò)活動中，網(wǎng)絡(luò)給人們提供了一個無限的信息資源空間，這個資源庫中包含了各式各樣的信息，隨之發(fā)展起來的信息檢索技術(shù)便捷了人們對信息的搜索需求，搜索引擎成為用戶獲取信息的主要渠道，但該技術(shù)無法為用戶提供個性化的興趣服務(wù)，這就需要建立基于云計算的個性化推薦系統(tǒng)，這也是本文所要分析的主要內(nèi)容。

1 云計算技術(shù)與個性化推薦系統(tǒng)概述

1.1 云計算技術(shù)

云計算技術(shù)依托的是互聯(lián)網(wǎng)，將互聯(lián)網(wǎng)的相關(guān)服務(wù)以動態(tài)化、易擴展、虛擬化的資源提供給用戶。云計算的定義有很多種，目前較為認可的是云計算技術(shù)是根據(jù)用戶使用量來進行相應(yīng)交易的計算模式，云計算能夠為用戶提供便捷、按需的網(wǎng)絡(luò)訪問，進入網(wǎng)絡(luò)、服務(wù)器、應(yīng)用軟件等可配置的計算資源共享區(qū)域，這些可以快速提供的資源，無須進行過多的管理，并與服務(wù)供應(yīng)商交互不多[1]。云計算平臺所擁有的超強計算能力，可以應(yīng)用在模擬核爆炸、預(yù)測市場發(fā)展趨勢及氣候變化等活動中。

1.2 個性化推薦系統(tǒng)

推薦系統(tǒng)就是結(jié)合用戶或顧客的購買行為規(guī)律以及興趣特點來推薦相應(yīng)的信息或商品，使用戶滿意?，F(xiàn)如今，電子商務(wù)發(fā)展態(tài)勢迅猛，商品的種類和數(shù)量與日俱增，網(wǎng)絡(luò)信息是冗雜的，用戶或顧客需要花費大量的時間找尋目標信息與商品，信息過載問題直接影響了用戶或顧客的滿意度，導(dǎo)致用戶的流失。個性化推薦系統(tǒng)在此形勢下應(yīng)運而生，所謂個性化推薦系統(tǒng)是利用海量數(shù)據(jù)挖掘技術(shù)，通過云計算平臺構(gòu)建的一種高級商務(wù)智能平臺，主要服務(wù)于網(wǎng)站，為用戶提供完全個性化的決策支持和信息服務(wù)[2]。

2 基于云計算技術(shù)的個性化推薦系統(tǒng)分析

2.1 推薦算法與推薦策略

2.1.1 推薦算法

推薦系統(tǒng)利用各個網(wǎng)頁間、網(wǎng)頁與關(guān)鍵詞之間的粗粒度關(guān)聯(lián)和排序，實現(xiàn)為用戶推薦相應(yīng)信息與商品的服務(wù)。隨著系統(tǒng)的不斷發(fā)展，其也開始利用網(wǎng)絡(luò)化計算能力，注重用戶興趣與模型的分析，而個性化推薦系統(tǒng)是在推薦系統(tǒng)的基礎(chǔ)上建立的更高級的信息導(dǎo)向系統(tǒng)。個性化推薦系統(tǒng)的構(gòu)建需要推薦算法的支持，常用的有協(xié)同過濾推薦算法、基于內(nèi)容的推薦算法、關(guān)聯(lián)規(guī)則推薦算法、混合推薦算法等。其中協(xié)同過濾推薦算法還可以細分，根據(jù)不同的算法特征分為基于用戶的推薦算法（也叫作基于存儲的算法、基于鄰居的算法）、基于項目的推薦算法、基于模型的推薦算法等。這些推薦算法都具有自身的優(yōu)缺點（詳見表1），為了彌補各類推薦算法的缺陷，可以將兩種互補的算法結(jié)合起來[3]。例如基于內(nèi)容的算法和協(xié)同過濾算法這兩種算法，我們可以為用戶直接展示用不同算法得出的推薦結(jié)果集，也可以先用第一種算法得出一種結(jié)果集，再用第二種算法計算第一種結(jié)果集，進而得到更加精確的結(jié)果，更好地滿足用戶的需求。

2.1.2 推薦策略

以往許多的推薦系統(tǒng)都是結(jié)合單一的推薦算法和推薦策略建立的，在使用的過程中逐步暴露除了系統(tǒng)個性化與適應(yīng)性方面的缺陷，無法結(jié)合實際的應(yīng)用優(yōu)化推薦策略。因此，在構(gòu)建個性化推薦系統(tǒng)時要充分結(jié)合當下推薦系統(tǒng)的優(yōu)勢以及瞬息萬變的市場需求，制定出綜合化、系統(tǒng)化、合理化、可行性較高的推薦策略。

前文分析了各類推薦算法的優(yōu)缺點及應(yīng)用場景，基于此，本文提出的個性化推薦系統(tǒng)中應(yīng)用的推薦策略是根據(jù)推薦系統(tǒng)數(shù)據(jù)量的大小制定的，當數(shù)據(jù)量偏小時系統(tǒng)會采用傳統(tǒng)的個性化推薦算法；當數(shù)據(jù)量偏大時系統(tǒng)會利用云計算平臺進行計算，具體就是將數(shù)據(jù)集發(fā)送到云平臺的各個節(jié)點來實現(xiàn)多節(jié)點分布式大規(guī)模數(shù)據(jù)計算。

2.2 系統(tǒng)架構(gòu)及流程設(shè)計

2.2.1 系統(tǒng)架構(gòu)

云計算技術(shù)集成了分布式計算、網(wǎng)格計算、并行計算和網(wǎng)絡(luò)存儲等先進的技術(shù)，其有機整合了多個經(jīng)濟性較好的計算實體，逐步形成了具有超強計算能力的分布式系統(tǒng)。為了充分發(fā)揮出云計算技術(shù)的優(yōu)勢，本文設(shè)計的基于Google云計算平臺的個性化推薦系統(tǒng)架構(gòu)如圖1所示，該系統(tǒng)能夠?qū)Υ笠?guī)模數(shù)據(jù)進行快速、準確地處理，并且可以根據(jù)業(yè)務(wù)規(guī)模的不斷擴大進行相應(yīng)的拓展，充分展示了較高的通用性與擴展性[4]。

基于云計算技術(shù)的個性化推薦系統(tǒng)主要包括以下幾部分：①推薦計算子系統(tǒng)，該子系統(tǒng)由數(shù)據(jù)預(yù)處理模塊、數(shù)據(jù)挖掘模塊、推薦模塊組成，其中數(shù)據(jù)預(yù)處理模塊的功能包括異構(gòu)數(shù)據(jù)的過濾、統(tǒng)計、轉(zhuǎn)換等；數(shù)據(jù)挖掘模塊主要是計算推薦結(jié)果的聚類，需要充分利用聚類、關(guān)聯(lián)規(guī)則算法進行分別計算；推薦模塊則是利用各類算法計算出精準的推薦結(jié)果，已達到用戶的需求。②業(yè)務(wù)應(yīng)用子系統(tǒng)，該子系統(tǒng)主要是為后期的系統(tǒng)擴展服務(wù)，根據(jù)業(yè)務(wù)需求的變化轉(zhuǎn)變系統(tǒng)的功能，并為系統(tǒng)需求制定合理的推薦規(guī)則。③基礎(chǔ)云計算平臺，其充分利用集群提供的大容量計算能力，在不同節(jié)點上進行大量的計算。

2.2.2 個性化推薦系統(tǒng)的操作流程

本系統(tǒng)的推薦流程是依據(jù)Map Reduce軟件架構(gòu)，其是處理海量數(shù)據(jù)的并行編程模式，主要適合應(yīng)用于大規(guī)模數(shù)據(jù)集的并行運算，其封裝了并行處理、容錯處理、本地化計算、負載均衡等細節(jié)，還提供可以把大容量的計算自動并發(fā)和分布執(zhí)行的簡單通用接口。具體如圖2所示[5]。

3 結(jié)束語

綜上所述，開發(fā)設(shè)計基于云計算技術(shù)的個性化推薦系統(tǒng)是適應(yīng)時展需求的，其能夠更好地滿足和引導(dǎo)用戶信息需求。本文設(shè)計的系統(tǒng)還不完善，還需在以后的運行實踐過程中不斷的改進。

參 考 文 獻

[1] 肖理釧.基于云計算模式的圖書文獻個性化推薦技術(shù)研究[J].科技廣場，2015（08）：22-27.

[2] 毅，劉亞軍，陳誠.基于云計算技術(shù)的個性化推薦系統(tǒng)[J].計算機工程與應(yīng)用，2015（13）：111-117.

[3] 谷瑞.基于云計算的個性化推薦系統(tǒng)的研究[J].蘇州市職業(yè)大學學報，2013（04）：14-16+21.

篇3

>> 個性化推薦系統(tǒng)在電子商務(wù)網(wǎng)站中的應(yīng)用研究 推薦系統(tǒng)在高校圖書館中的個性化應(yīng)用研究 學分銀行平臺的知識匯聚與個性化推薦系統(tǒng)應(yīng)用研究 基于數(shù)據(jù)挖掘的個性化智能推薦系統(tǒng)應(yīng)用研究 網(wǎng)絡(luò)數(shù)據(jù)挖掘在圖書館個性化推薦中的應(yīng)用研究 基于社交網(wǎng)絡(luò)數(shù)據(jù)的個性化推薦研究 基于協(xié)同過濾在高校學習資源個性化推薦系統(tǒng)中應(yīng)用研究 關(guān)聯(lián)規(guī)則和事務(wù)集分組技術(shù)在圖書館個性化推薦系統(tǒng)中的應(yīng)用研究 個性化推薦技術(shù)在政府網(wǎng)站中的應(yīng)用 用戶特征協(xié)同過濾方法在個性化商品推薦中的應(yīng)用研究 協(xié)同過濾技術(shù)在學習資源個性化推薦中的應(yīng)用研究 個性化推薦系統(tǒng)研究 購物網(wǎng)站個性化推薦系統(tǒng)應(yīng)用分析 個性化推薦系統(tǒng)的采集模塊研究 特征提取技術(shù)在個性化網(wǎng)頁推薦系統(tǒng)中的應(yīng)用 淺談Mahout在個性化推薦系統(tǒng)中的應(yīng)用 個性化推薦系統(tǒng)在中職教育領(lǐng)域中的應(yīng)用 文本數(shù)據(jù)挖掘在電子商務(wù)網(wǎng)站個性化推薦中的應(yīng)用 基于用戶瀏覽行為挖掘的網(wǎng)站個性化推薦系統(tǒng) 個性化授權(quán)機制在圖書館文獻提供系統(tǒng)中的應(yīng)用研究 常見問題解答 當前所在位置：l.

[2] 陳敏.個性化推薦系統(tǒng)研究[D].南京郵電大學，2012.

[3] 曾春，邢春曉，周立柱.個性化服務(wù)技術(shù)綜述[J].軟件學報，2002（10）.

[4] 田瑩穎.基于社會化標簽系統(tǒng)的個性化推薦[J].圖書情報工作，2010（1）.

篇4

關(guān)鍵詞：個性化推薦系統(tǒng)；Web日志挖掘；FP-growth；FP-tree；關(guān)聯(lián)規(guī)則

中圖分類號：TP391 文獻標識碼：A 文章編號：1007-9599 (2011) 18-0000-01

Improved Algorithm of Personalized Recommendation System Based on FP-growth

Liu Jiandong,Wang Bo

(NanYang Medical College,Nanyang 473061,China)

Abstract:This paper conducted in-depth study of the FP-growth algorithm which basing on association rules,for when it’s used in the recommendation system will generate repeat recommending questions,We improved the algorithm with a FP-growth_s algorithm.This algorithm can produce the largest frequent itemsets avoiding the redundant frequent itemsets’ generation and reducing the number of generating association rules,effectively soluted the possible that producing duplicate recommendation,when using in the recommended system it can improve the system efficiency.

Keywords:Personalized recommendation system;Web log mining;FP-growth;FP-tree;Association rules

互聯(lián)網(wǎng)使得人們在任何時間，任何地點可以自由的訪問信息資源，給用戶帶來極大的便利，然而也產(chǎn)生了難以準確獲得所需要信息的問題，即所謂的“信息爆炸，但知識貧乏”。Web數(shù)據(jù)挖掘[1]的出現(xiàn)和發(fā)展為解決這個問題帶來了希望。Web數(shù)據(jù)挖掘是利用數(shù)據(jù)挖掘[2]技術(shù)，從Web中發(fā)現(xiàn)和抽取人們感興趣的、潛在的有用模式和隱藏的信息。利用這一技術(shù)對用戶訪問時留下的訪問記錄進行挖掘，生成用戶的訪問信息序列[3]，當其他用戶具有類似訪問序列時，可以即時為該用戶提供推薦服務(wù)[4]。本文對傳統(tǒng)FP-growth關(guān)聯(lián)規(guī)則算法進行改進，并將此算法應(yīng)用到個性化推薦系統(tǒng)中，可以達到高效地為用戶提供推薦服務(wù)的目的。

一、FP-growth關(guān)聯(lián)規(guī)則挖掘算法

Han等人[5]提出了一種FP-growth算法。此算法掃描兩次數(shù)據(jù)庫。它不使用候選集，直接壓縮數(shù)據(jù)庫成為一個頻繁模式樹，通過對這棵樹生成關(guān)聯(lián)規(guī)則。

FP-growth算法構(gòu)造頻繁模式樹的過程如下：

1.按Apriori算法，掃描數(shù)據(jù)庫一次產(chǎn)生1-頻繁項目集，并把它們按降序排列，放入 表中；

2.創(chuàng)建根結(jié)點，并標志為null，掃描數(shù)據(jù)庫一次，當?shù)玫綌?shù)據(jù)庫的一個項目集時，就把其中的元素按 表的次序排列，然后遞歸調(diào)用FP_growth來實現(xiàn)FP-tree增長。

二、FP-growth的改進算法

經(jīng)過實驗發(fā)現(xiàn)，利用FP-growth算法產(chǎn)生的關(guān)聯(lián)規(guī)則數(shù)量非常龐大，若直接將此算法運用到網(wǎng)上推薦系統(tǒng)中，可能會產(chǎn)生重復(fù)的推薦，系統(tǒng)必須檢測推薦的內(nèi)容是否已經(jīng)推薦過，這樣會嚴重影響系統(tǒng)的性能。為了解決此問題，需要將頻繁項目集中的冗余頻繁項目集刪除，其中冗余頻繁項目集是指被另一個有相同支持度且有更多元素的頻繁項目集所包含的一個頻繁項目集。為了避免冗余頻繁項目集的產(chǎn)生，本文提出了FP-growth_s算法，此算法求出了最大頻繁項目集，因此，消除了產(chǎn)生重復(fù)推薦的可能，從而提高了推薦系統(tǒng)的運行效率。

根據(jù)最大頻繁項目集定義，推導(dǎo)出任何一個頻繁項目集都是某個最大頻繁項目集的子集，利用這一性質(zhì)找出最大頻繁項目集。

算法步驟如下：

步驟1：生成1-頻繁項目集

掃描事務(wù)數(shù)據(jù)庫 ，產(chǎn)生1-項目集合，根據(jù)其支持數(shù)遞減列出1-項目集，并刪除其中小于最小支持度的項目，生成1-頻繁項目集 。

步驟2：刪除支持度小于最小支持度的項

掃描事務(wù)數(shù)據(jù)庫 ，刪除支持度小于最小最小支持度的項。

步驟3：重新排列各事務(wù)項

按1-頻繁項目集 的遞減順序?qū)κ聞?wù)數(shù)據(jù)庫中的各事務(wù)項重新排列。

步驟4：建立FP-tree

首先創(chuàng)建樹的根節(jié)點，記為null，然后掃描事務(wù)數(shù)據(jù)庫的所有事務(wù)記錄，每一個事務(wù)記錄生成一個FP-tree樹枝，掃描結(jié)束后生成FP-tree，樹的節(jié)點由項目ID，項目出現(xiàn)的次數(shù)和指向父節(jié)點的指針三部分組成。若項目重復(fù)，則增加項目出現(xiàn)的次數(shù)，這樣一個FP-tree建立成功。

步驟5：對FP-tree進行挖掘生成最大頻繁模式樹max_tree

對于函數(shù)FP-max(tree， ，max-tree)，首先從出現(xiàn)次數(shù)最小的項目 開始，連接遍歷FP-tree，如果到達 項的前綴路徑 僅有一條，則 為以 項為后綴的最大頻繁項目集，即為候選最大頻繁項目集，再調(diào)用最大頻繁模式樹生成函數(shù)Generate-max( ，max-tree)，生成最大頻繁模式樹max-tree；如果到達 的前綴路徑有多條，則列出能夠到達 項的所有前綴路徑 ，得到 的條件模式庫，再針對這個模式庫，計算庫中每個項的支持度，并用模式庫中的頻繁項目建立 的條件FP-tree，若 的條件FP-tree不為空，則遞歸調(diào)用函數(shù)FP-max( 的條件FP-tree， ，max-tree)。最后生成最大頻繁模式樹max-tree。

生成候選最大頻繁項目集算法如下：

算法1：FP-max (tree， ，max-tree)，生成最大頻繁模式樹max-tree

輸入：FP-tree，最小支持度min_sup

輸出：最大頻繁項目集

if tree中僅包含單個路徑 then begin

c_max= ，其支持度為β中節(jié)點支持度的最小值；//c_max為候選最大頻繁項集

Generate-max(c_max，max-tree)；//把c_max插入到max-tree中

end

else for each in tree的項目頭表(倒序) do begin

= ，支持度為 中節(jié)點支持度的最小值；

構(gòu)造 的條件模式庫以及條件模式樹tree ；

if tree then

call FP-max(tree ， ，max-tree)；

end

算法2：Generate-max( ，tree)生成最大頻繁模式樹

令指針p_current指向tree的根結(jié)點null；

for each in ( 中的第一個項目開始)do

if不存在p_current所指節(jié)點的子節(jié)點u，使u.item== then begin

新建一個節(jié)點u成為p_current子節(jié)點，u.item= ；

p_current指向節(jié)點u；

end

(7)end

步驟6：生成最大頻繁項目集

根據(jù)最大頻繁模式樹max_tree，生成最大頻繁項目集。

在獲得最大頻繁項目集后，根據(jù)關(guān)聯(lián)規(guī)則生成算法生成關(guān)聯(lián)規(guī)則，對于規(guī)則 ， ， ，…，把前項為 的規(guī)則按可信度由大到小的順序排序，在向用戶進行推薦服務(wù)時，如果用戶已經(jīng)訂閱的項目為 ，那么就可以按排序后的規(guī)則把用戶未訂閱的項目加入到推薦項目中，當達到推薦個數(shù)的最大值后，停止添加。

三、實驗結(jié)果與分析

實驗采用的是學校圖書館的借閱數(shù)據(jù)，該數(shù)據(jù)集收集了1個月的訪問日志記錄，其中具有816個URL，首先經(jīng)預(yù)處理后，識別出26400個會話記錄，分別用FP-growth算法和改進后FP-growth_s的算法生成頻繁項目集，比較兩種算法產(chǎn)生頻繁項目集的效率。驗證的結(jié)果如圖1所示。

從圖1中可以看出，隨著最小支持度的增大，F(xiàn)P-growth_s算法的運行效率明顯比改進后的FP-growth算法要快，這就說明，在生成頻繁項目集效率方面，改進后的FP-growth_s算法效率較高。

分別將FP_growth算法和改進后的FP_growth_s算法應(yīng)用在個性化推薦服務(wù)系統(tǒng)中，把測試日志數(shù)據(jù)導(dǎo)入系統(tǒng)，對推薦系統(tǒng)的運行時間進行對比。驗證結(jié)果如圖2所示。

從圖2中可以看出，隨著事務(wù)數(shù)量的增加，應(yīng)用在個性化推薦服務(wù)系統(tǒng)中的兩種算法的消耗時間的差異顯著增大，改進后的算法所消耗時間明顯小于經(jīng)典FP-growth算法所消耗的時間，這個結(jié)果表明，隨著事務(wù)數(shù)量的增長，改進后算法應(yīng)用在個性化推薦服務(wù)系統(tǒng)中后，系統(tǒng)的運行效率明顯要高于經(jīng)典FP-growth算法。

四、結(jié)語

FP-growth算法產(chǎn)生的關(guān)聯(lián)規(guī)則數(shù)量龐大，將其運用到網(wǎng)上推薦系統(tǒng)中，可能會產(chǎn)生重復(fù)的推薦，系統(tǒng)必須檢測推薦的內(nèi)容是否已經(jīng)推薦過，影響了系統(tǒng)的性能。文中對FP-growth算法進行了改進，改進后的算法求出了最大頻繁項目集，消除了產(chǎn)生重復(fù)推薦的可能。通過實驗證明，F(xiàn)P-growth_s算法比傳統(tǒng)的FP-growth算法具有更高的效率。今后的研究要放在算法的準確度上，設(shè)計出一種更精準的關(guān)聯(lián)規(guī)則算法，使其更具有應(yīng)用價值和意義。

參考文獻：

[1]Cookey R,Mobasher B,Srivastava J.Grouping Web Page References into Transactions for Mining World Wide Web Browsing Patterns[C].Technical Report TR 97-021.University of Minnesota,Dept.of Computer Science,Minneapolis,1997:218-229

[2]胡和平,陳鷹.應(yīng)用多維數(shù)據(jù)立方體開采Web日志的多維關(guān)聯(lián)規(guī)則[J].計算機應(yīng)用研究,1999,10:35

[3]Chen M S,Park J S,Yu P S.Efficient Data Mining for Path Traversal Patterns[J].IEEE Transaction.on Knowledge and Data Engineering,1998,10,2:209-221

[4]Badrul M,Karypis G,et al.Analysis of Recommendation Algorithms for E-commerce[C].ACM Conference on Electronic Commerce.New York:ACM Press,2000:135-167

篇5

關(guān)鍵詞：個性化推薦；用戶興趣模型；免疫優(yōu)化算法;動態(tài)興趣更新；網(wǎng)絡(luò)教學

中圖分類號：TP18文獻標識碼：A文章編號：1009-3044(2012)16-3945-03

The Personalized Information Recommendation System Research of Teaching Resources Based on Immune-evolution

WU Da-qing, LI-quan, LUO Jiang-qin, ZHOU Qian-fang

(University of South China, Hengyang 421001, China)

Abstract: With the rapid development of Information technology and network technology, computer users can fast get rich information re? sources and services through facilitate communication. But at the same time, they are submerged in the ocean of information and do not know how to do. For this, the phenomenon of "information overload" and“information wilder" begin to emerge. This paper advanced an Immune Optimization Algorithm to establish and update the model of users’interests, which supply a real-time and accurate recommenda? tion to change the user study way and improve the efficiency of network teaching.

Key words: Personalized Recommendation; User’s Interest Model; Immune Optimization Algorithm；dynamic interest update;network teaching

當前互聯(lián)網(wǎng)技術(shù)的成熟對教育教學的發(fā)展起到了相當大的推動作用，網(wǎng)絡(luò)教學這種全新的虛擬化教學方式突破了時間和地域的限制，提供了豐富的共享資源，每個處在網(wǎng)絡(luò)教學中的學習者，都可以享用這些優(yōu)秀的教學資源和豐富的信息資源。以數(shù)字化為基礎(chǔ)的信息技術(shù)應(yīng)用到教育教學，引起了學習環(huán)境、數(shù)字化的學習資源和數(shù)字化的學習方式。信息技術(shù)的發(fā)展使的教育理念、教育目標、教育內(nèi)容、教育組織形式、教育資源、教育模式等很多方面發(fā)生了改變。以“教”為中心的傳統(tǒng)教學模式受到了巨大的挑戰(zhàn)，開始向著以“學”為中心的教學模式轉(zhuǎn)化，個別化學系、協(xié)作式學習、探究式學習和基于問題的學習等各種以“學”為中心的教學模式在教學逐漸得到采用。顯然，個性化的智能服務(wù)是網(wǎng)絡(luò)教學系統(tǒng)向智能化發(fā)展的一個重要方向。目前教學網(wǎng)絡(luò)教學平臺對技術(shù)的最大需求在于整合教育教學資源和整合用戶個性化信息的推薦服務(wù)。因此，怎樣將教育教學資源和個性化的推薦服務(wù)合理地整合，如何針對學生的專業(yè)類型和興趣需求特征等信息來確定教學的信息資源和服務(wù)內(nèi)容，從而實現(xiàn)以學生為中心的柔性化推薦服務(wù)，是網(wǎng)絡(luò)化教學系統(tǒng)需要研究和解決的問題。

1個性化教學資源推薦系統(tǒng)框架

該系統(tǒng)主要包含學生瀏覽日志挖掘、用戶興趣模型建立與更新和個性化推薦內(nèi)容生成三個模塊。根據(jù)WWW體系結(jié)構(gòu)和網(wǎng)絡(luò)學習系統(tǒng)的特點，需要采用一種新的設(shè)計框架來處理挖掘程。該文采用挖掘?qū)W生歷史瀏覽行為(記錄在服務(wù)器日志中)和分析學生學習風格這兩種方法來構(gòu)建學生模型，通過免疫遺傳算法優(yōu)化學生興趣模型，根據(jù)學生用戶的特點確定興趣度衰減函數(shù)，實現(xiàn)興趣模型的動態(tài)演進，最后根據(jù)學生興趣模型，利用推薦算法對學習內(nèi)容進行個性化推薦。通過分析和實驗確定相關(guān)的參數(shù)，與傳統(tǒng)方法作比較，實驗表明基于免疫遺傳優(yōu)化用戶興趣模型的方法具有一定的優(yōu)越性。該文所設(shè)計的個性化推薦系統(tǒng)框架如圖1所示。

2用戶興趣模型的建立與更新

2.1基于用戶行為的網(wǎng)頁興趣度的計算

大量研究表明用戶對網(wǎng)頁的興趣度與他在該網(wǎng)頁上的瀏覽行為密切相關(guān)。綜合文獻研究認為，用戶瀏覽時間和瀏覽次數(shù)可以作為判斷用戶網(wǎng)頁興趣度的有效因子，因此，該文從Cookie日志中中得到校園網(wǎng)每個IP的瀏覽行為數(shù)據(jù)，通過分析用戶對每個網(wǎng)頁的瀏覽時間t（P），同時結(jié)合用戶的翻頁/拉動滾動條次數(shù)r(P)，來判斷用戶對網(wǎng)頁的實際興趣度。網(wǎng)頁興趣度采用0-1間的實數(shù)表

該文對用戶訪問日志進行挖掘詳細描述了基于免疫優(yōu)化算法的用戶興趣模型建立與更新方法，最后實驗表明，采用該免疫優(yōu)化算法建立用戶興趣主題模型是可行的，將基于免疫優(yōu)化算法與傳統(tǒng)的基于信息增益建模的實驗作比較，結(jié)果表明，該文提出的基于免疫進化的用戶興趣建模方法具有一定的優(yōu)越性。該模型體現(xiàn)了以用戶為中心的思想,從用戶出發(fā),最終反饋到用戶,變被動為主動,能夠盡可能地反應(yīng)每個學習者的學習興趣,并且不斷調(diào)整自己來適應(yīng)學習者學習興趣的變化,進行個性化教學服務(wù)。該文的目標不是個性化到每個相似的用戶群體,而是個性化到每個不同的用戶,使每個用戶感覺到整個教育就是專門為他量身定做的過程。

[1] Shcafer J B. Konstommendation System in EC over Internet[J]. TamkangJournal of Science and Engineering, 2002, 5(3): 159-174.

[2]曾春,邢春曉,周立柱.個性化服務(wù)技術(shù)綜述[J].軟件學報,2002,13(10).

[3]余力,劉魯,羅掌華.我國電子商務(wù)推薦策略的比較分析[J].系統(tǒng)工程理論與實踐, 2004,24(8): 96-101.

[4] Chiu C F, Timothy K, Shih, et al. An Integrated Analysis Strategy and Mobile Agent Framework for Recommendation System in EC over Internet[J]. Tamkang Journal of Science and Engineering, 2002,5(3): 159-174.

[5] 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, 2005，17(6):734-749.

[6] Berkovsky S. Ubiquitous user modeling in recommender systems[C]. User Modeling 2005，Proceedings, 2005:496-498.

[7] Girardi R, Marinho L B. A domain model of Web recommender systems based on usage mining and collaborative filtering[J].Requirements Engineering,2007,12(1):23-40.

[8] Middleton S E, Shadbolt N R, Roure D C. Ontological User Profiling in Recommender Systems[J]. ACM Transactions on Information Sys? tems, 2004, 22(1): 54-88.

篇6

關(guān)鍵詞：個性化推薦；信任管理；社交網(wǎng)絡(luò)；swarm

中圖分類號：TP18 文獻標識碼：A 文章編號：1007-9599 （2012） 21-0000-02

1 協(xié)同過濾算法缺陷概述

雖然協(xié)同過濾算法得到了廣泛的應(yīng)用，但是其自身存在的冷啟動、數(shù)據(jù)稀疏、“托”攻擊敏感以及“黑匣子”等眾多缺陷已經(jīng)從根本上限制了其發(fā)展。協(xié)同過濾是根據(jù)用戶的歷史經(jīng)驗做出推薦，系統(tǒng)無法基于新加入的用戶和項目產(chǎn)生推薦，這便是冷啟動問題；該算法所涉及的評分存儲在二維矩陣中，每個用戶只對少數(shù)幾個商品做出過評價，矩陣非常稀疏[3]；推薦是根據(jù)偏好歷史來產(chǎn)生的，偏好很容易造假，這就是“托”攻擊敏感問題 [3]；用戶對系統(tǒng)產(chǎn)生的推薦感到莫名其妙，這便是“黑匣子”問題。

2 信任管理與協(xié)同過濾的關(guān)系

將社交網(wǎng)絡(luò)的引入在一定程度上彌補了協(xié)同過濾存在的缺陷，從而提高了推薦系統(tǒng)的推薦質(zhì)量。以下是社交網(wǎng)絡(luò)對協(xié)同過濾缺陷的改進策略：

對冷啟動的改進：一個新加入的用戶，只要添加一個自己信任的節(jié)點就可以進入網(wǎng)絡(luò)，從網(wǎng)絡(luò)中其他用戶處得到推薦。對數(shù)據(jù)稀疏的改進：在社交網(wǎng)絡(luò)中，數(shù)據(jù)不以二維矩陣的形式來存儲，所以不存在數(shù)據(jù)稀疏問題。對“托”攻擊的改進：當“托”用戶發(fā)出欺詐信息被鄰居發(fā)現(xiàn)之后，鄰居就會斷絕他們之間的信任關(guān)系，經(jīng)過一定的時間，惡意用戶就會從網(wǎng)絡(luò)中孤立出來。對“黑匣子”問題的改進：人們對自己的社會關(guān)系相對比較信任，所以用這種方式作出的推薦用戶會比較容易接受。

3 基于Swarm平臺的仿真模型

Swarm平臺是由美國桑塔費研究所（SFI）研發(fā)的“用于研究復(fù)雜自適應(yīng)系統(tǒng)仿真的多智能體（Agent）仿真平臺”[2]。近年來，基于Swarm仿真平臺的應(yīng)用研究發(fā)展迅速，所涵蓋的學科有經(jīng)濟學、社會學以及計算機科學等眾多學科領(lǐng)域。[5]我們在此提出一個使用Swarm平臺對基于社交網(wǎng)絡(luò)的電子商務(wù)個性化推薦系統(tǒng)進行仿真的理論模型，由于某些原因，我們暫時沒有在Swarm平臺上最終實現(xiàn)該模型。Swarm仿真過程中比較核心的部分是智能體和智能體之間的交互，下面將介紹該理論模型中包括的Client和Manager兩類智能體以及他們之間存在的交互關(guān)系。

4 兩類智能體

Client：該智能體定義為社交網(wǎng)絡(luò)中存在的具有獨立行為能力的主體，包括個人、企業(yè)、部門以及其他組織。這些主體中，有惡意主體（“托”用戶），也有普通主體。這些主體的行為反應(yīng)的都是人的意志，所以把他們統(tǒng)一抽象為智能體，每一個智能體都有屬性、記憶和行為。屬性主要是用來記錄Client自身身份、能力、活躍程度；所謂記憶，是智能體在與自己信任的鄰居交互的過程中記錄的其每一個鄰居的信譽程度以及能力指數(shù)；Client有兩類行為，第一類是不定時地向信任他的其他智能體發(fā)出消息，第二類是向?qū)で笏麕椭泥従犹峁椭?/p>

Manager：根據(jù)[4]中提到的網(wǎng)絡(luò)信任中的自治域理論，我們的仿真模型中也引入域的概念。每一個域都有一個Manager來總覽該域的管理工作。Manager也由屬性、記憶和行為三個要素組成。屬性用來標識Manager的身份；Manager的記憶是指每一個Manager必須且只能夠記錄其管轄域內(nèi)所有Client的信譽和能力指數(shù)；Manager有了記憶以后，當Client向其詢問其所管理的成員Client的相關(guān)信息時，它便可以提供客觀的幫助，這便是Manager的行為。

5 智能體之間的交互

智能體之間交互學習的目的是為了了解自己的“鄰居”用戶。在我們設(shè)計的仿真模型中，有兩種類型的交互：Client-Client：即Client之間的交互。Client之間可以進行交互學習，前提是他們之間存在著信任關(guān)系。Manager-Client：即Manager和Client之間的交互。Manager會根據(jù)自己所管轄域內(nèi)的所有Client的行為去更新它對每一個Client的信譽和能力的評估，所以Manager需要觀察管轄域內(nèi)每一個Client的行為。舉例說明：如圖1所示，假設(shè)U2，U3，U4屬于域Area1，該域的管理員是Manager1，U1屬于哪一個域無關(guān)緊要。在某一時刻，U1需要向U4詢問他對I2的觀點，那么這時候U1可以分別詢問U2，U3，然后U2，U3又分別詢問U4，最后詢問方根據(jù)被詢問方的回答和自己對被詢問方的評估，產(chǎn)生一個新的帶有主觀看法的回答傳遞給上一級詢問者。如果U1和U4之間沒有可達路徑（或路徑過長），那么U1就可以直接去詢問Manager1有關(guān)U4的信譽和能力，最后形成自己對U4觀點的接受程度。

6 模型特點

本模型有三個顯著特點：智能性、交互性和動態(tài)性。

智能性是智能體的本質(zhì)特征，他們能夠觀察對方的行為并以此為依據(jù)建立對鄰居用戶的評價。交互性是指智能體之間不是相互獨立的，而是相互影響的。經(jīng)過每一次交互，智能體都會對自己的能力、活躍度或者對鄰居的看法等方面的數(shù)據(jù)做一定的更新。動態(tài)性是指智能體的屬性、行為和記憶是隨著時間的推移不斷變化的。如圖2所示，其中的每一個點代表一個智能體，顏色反應(yīng)的是智能體的性質(zhì)。紅色代表能力和活躍度最強的智能體，黃色和藍色表示能力和活躍度較低的智能體。值得注意的是眾多的智能體中有一些智能體的顏色是淡黃色，他們就是所謂的惡意節(jié)點。

7 結(jié)束語

本文從理論層次上提出了基于Swarm平臺的仿真模型，并做了基礎(chǔ)的仿真工作。我們接下來的研究方向?qū)⑹沁M一步優(yōu)化理論模型，并且在Swarm平臺上最終實現(xiàn)該模型。我們希望借此文章能夠?qū)l(fā)展較為成熟的Swarm平臺引進到電子商務(wù)個性化推薦系統(tǒng)中研究中來。

參考文獻：

[1]Maria Chowdhury，Alex Thomo，Bill Wadge.Trust-Based Infinitesimals for Enhanced Collaborative Filtering. University of VictoriaBC， Canada，2009，12.

[2]Peter Bruhn ， Charlotte Bruun.，.St rade，Pietro Tern.SWARM中的經(jīng)濟仿真：基于智能體建模與面向?qū)ο笤O(shè)計. Social Sciences Documentation Publishing Hous

[3]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.江西財經(jīng)大學信息管理學院博士學位論文，2009，5.

篇7

信息環(huán)境下，海量教育信息資源與用戶快速獲取個性化教育信息資源之間的矛盾日益凸顯，導(dǎo)致無處不在的學習演變?yōu)闊o處不在的搜索，學習者之間信息素養(yǎng)的差異使得個性化教育信息資源得不到有效利用，學習者不能同等享有優(yōu)質(zhì)教育信息資源，引發(fā)了信息環(huán)境下新的教育不公平。剖析個性化信息推薦服務(wù)，結(jié)合其研究現(xiàn)狀，構(gòu)建教育信息資源個性化推薦服務(wù)模式，探求其在教育領(lǐng)域的應(yīng)用前景，為教育信息資源的主動服務(wù)提供解決策略，把合適的教育信息資源呈現(xiàn)給適合的用戶，從而在一定程度上緩解數(shù)字化學習背景下的教育不公平，促進個性化教育。

【關(guān)鍵詞】 教育信息資源；個性化推薦；教育公平；個性化教育

【中圖分類號】 G434 【文獻標識碼】 A 【文章編號】 1009―458x（2016）02―0005―05

一、問題的提出

大數(shù)據(jù)時代，教育信息資源的爆炸式增長和學習者個性化需求快速得到滿足之間的矛盾引領(lǐng)著信息服務(wù)模式的變革?，F(xiàn)代科技的發(fā)展促成全球信息總量以幾何級數(shù)增長，2020年全球數(shù)據(jù)量將達到35ZB，為2009年的44倍[1]，這使得信息技術(shù)促進教育公平的同時也帶來了巨大的挑戰(zhàn)。面對海量的資源，學習者如何快速獲取優(yōu)質(zhì)個性化教育信息資源的難題越發(fā)凸顯。

第一，學習者需要花費大量精力搜索、鑒別和分析雜亂無序的教育信息資源。2010年6月，《紐約時報》做了一次相關(guān)民調(diào)，在45歲以下的受訪者當中，近三分之一的人表示消耗巨額時間和精神成本，卻依然迷失在浩瀚的信息空間中，找不到符合自己需要的資源。目前，教育信息資源的海量、靜態(tài)和雜亂無章嚴重加大了學習者搜集資源的時間和精力成本，讓無處不在的泛在學習演變成了無處不在的搜索。

第二，信息時代，個體間的“信息素養(yǎng)溝”演變成為“知識溝”?；ヂ?lián)網(wǎng)技術(shù)的快速發(fā)展提升了用戶的信息素養(yǎng)，也擴充了教育信息資源。然而，用戶的認知容量有限，且認知能力的增長總體較為平緩，故信息素養(yǎng)得不到突破性提升，但教育信息資源卻呈指數(shù)級增長，不斷走向海量化。這就逐漸導(dǎo)致信息素養(yǎng)高的用戶可以在海量資源中搜集到優(yōu)質(zhì)資源，而對信息素養(yǎng)低的用戶來說，則較為困難，“優(yōu)者更優(yōu)，貧者更貧”的現(xiàn)象日趨嚴重，造成信息時代下的“知識溝”，加劇教育不公平。

第三，盛行的普適性教育信息資源不具有個性化，并非能滿足所有用戶的個性化學習需求。非主流的優(yōu)質(zhì)教育信息資源往往因主流教育信息資源的頻繁使用而被覆蓋，越來越嚴重的掩埋效應(yīng)造成資源的浪費。在海量的教育信息資源中快速獲取和有效利用優(yōu)質(zhì)個性化教育信息資源，是現(xiàn)代學習者的需求。當這種需求得不到滿足時，必然鼓勵著新的信息服務(wù)方式和工具的出現(xiàn)，個性化信息推薦服務(wù)也便應(yīng)運而生。

二、個性化信息推薦服務(wù)

個性化信息推薦服務(wù)能夠在用戶信息迷茫、沒有明確需求時及時為用戶提供其感興趣的信息，有效緩解“信息超載”引起的用戶認知負荷和信息迷航等問題。它就像是商場優(yōu)秀的導(dǎo)購員，不僅熟悉每一個商品的屬性和特征，而且能記住顧客歷史偏好并發(fā)現(xiàn)其最新偏好，為顧客推薦適合的優(yōu)質(zhì)商品，為商品找到最合適的買家，增加顧客的依賴度和商家的盈利。

（一）個性化信息推薦服務(wù)概述

個性化信息推薦服務(wù)的實質(zhì)是以用戶需求為中心，通過分析用戶（user）與項目（item，如信息、資源、商品等）之間的二元關(guān)系幫助發(fā)現(xiàn)其可能感興趣的內(nèi)容，并生成個性化推薦結(jié)果，進而為用戶提供區(qū)別與差異化的服務(wù)[2]。其精準化推薦的實現(xiàn)主要依賴于個性化信息推薦系統(tǒng)。根據(jù)不同的推薦算法，個性化推薦系統(tǒng)主要分為：基于協(xié)同過濾的推薦系統(tǒng)、基于內(nèi)容的推薦系統(tǒng)以及混合式的推薦系統(tǒng)?；趨f(xié)同過濾的推薦系統(tǒng)主要依據(jù)用戶相似性或項目關(guān)聯(lián)度的推薦，即用戶信息（包括個人資料以及對項目的評價、收藏、購買等行為信息）的相關(guān)性，判斷或者由用戶群的行為信息計算出項目間關(guān)聯(lián)度?；趦?nèi)容的推薦系統(tǒng)則主要根據(jù)項目本身的特征屬性，在項目庫中搜索滿足用戶需求的項目。混合式的推薦系統(tǒng)則是基于以上兩種方式的推薦，根據(jù)用戶相似性、項目關(guān)聯(lián)性及特征，利用“群體智慧”通過分析某一款產(chǎn)品的所有顧客購買記錄，推測用戶感興趣的商品。最終不僅從用戶瀏覽和接收的角度來呈現(xiàn)推薦結(jié)果，更從用戶需求、商品標簽以及相似用戶的使用度等方面來增加推薦結(jié)果的可信度，為用戶主動接受推薦結(jié)果提供依據(jù)。

（二）個性化信息推薦服務(wù)研究現(xiàn)狀

個性化信息推薦服務(wù)最初是在電子商務(wù)領(lǐng)域迅速發(fā)展起來的，應(yīng)用成效也尤為顯著，而它在教育領(lǐng)域的應(yīng)用仍處于探索階段。郭亞軍曾基于用戶需求、信息產(chǎn)品、用戶關(guān)系管理構(gòu)建個性化信息服務(wù)鉆石模型來實現(xiàn)資源的個性化推薦服務(wù)[3]；李寶等人提出利用學習者的靜態(tài)數(shù)據(jù)與動態(tài)數(shù)據(jù)來構(gòu)建學習者特征模型，采用協(xié)同過濾與相似度匹配的方式促進資源的推薦服務(wù)[4]；劉通江、王陸研制小學課程的個性化課件生成系統(tǒng)，預(yù)先測驗學生的認知水平和學習風格，然后根據(jù)測驗結(jié)果為學習者推薦自適應(yīng)的內(nèi)容、資源和活動[5]；柏宏權(quán)構(gòu)建適應(yīng)性智能教學系統(tǒng)，為學習者提供自適應(yīng)的教學內(nèi)容和學習策略，以滿足其個性化學習需求[6]；劉媛筠等人認為在當代圖書館信息服務(wù)中，信息推薦服務(wù)能夠?qū)⒂脩舳ㄖ频馁Y源隨時推送給用戶，方便其獲取信息[7]。這些在教育領(lǐng)域的研究雖已取得相關(guān)成就，但其應(yīng)用還不夠成熟。在國家基礎(chǔ)教育資源網(wǎng)中，學習者根據(jù)信息導(dǎo)航進行需求細化和縱向瀏覽，但系統(tǒng)經(jīng)過篩選后呈現(xiàn)的資源參差不齊，依舊需要學習者花費大量時間和精力進行甄別，信息服務(wù)的個性化程度不高。此外，我國“985高?！眻D書館的個性化服務(wù)除了查看、修改或定制信息外，大多還只限于記錄讀者的借閱行為、預(yù)約、續(xù)借、新書通報等功能，還不能根據(jù)用戶動態(tài)的個性化需求實現(xiàn)及時推薦的功能。

由此可見，個性化信息推薦服務(wù)雖已引起不少教育研究者的關(guān)注和研究，但它在教育領(lǐng)域中應(yīng)用的廣泛度和個性化程度均不及在商業(yè)領(lǐng)域的應(yīng)用。究其原因，以往的個性化信息推薦服務(wù)研究主要側(cè)重于推薦算法本身，其推送的內(nèi)容與學習者的個性匹配程度以及服務(wù)個性化程度有待提高，其理論支撐相對單薄，對學習者間的差異和個性化需求掌握不夠準確。因此，迫切需要設(shè)計有效的教育信息資源個性化推薦服務(wù)模式來改善當前信息推薦服務(wù)在教育領(lǐng)域的應(yīng)用，以提高其應(yīng)用成效。

三、教育信息資源個性化推薦服務(wù)模式

信息過載引起用戶認知負荷，導(dǎo)致優(yōu)質(zhì)資源浪費，其本質(zhì)是用戶無法準確、及時地獲取滿足自己個性化需求的優(yōu)質(zhì)資源。結(jié)合目前個性化推薦服務(wù)的研究成果，針對教育信息資源的系統(tǒng)性、關(guān)聯(lián)性和不斷進化等特征，試圖通過構(gòu)建教育信息資源個性化推薦服務(wù)模式來提高優(yōu)質(zhì)資源的使用率，為用戶提供差異化服務(wù)，促進數(shù)字化學習時代下的個性化教育。

（一）教育信息資源個性化推薦服務(wù)模式構(gòu)建依據(jù)

根據(jù)學習者個體特征、學習傾向、學習目標以及學習情境，對個體心態(tài)、思維、學習能力、創(chuàng)造力、知識技能水平等進行綜合分析、測試和診斷。同時，根據(jù)教育信息資源的課程體系、關(guān)聯(lián)進化、重組與重構(gòu)等特征，構(gòu)建教育信息資源個性化信息推薦服務(wù)模式，為學習者量身定制學習任務(wù)、學習策略和學習方案，整合并推薦符合其獨特學習需求的個性化教育信息資源，從而形成自適應(yīng)的個性化服務(wù)，幫助學習者自我成長、自我超越。

信息技術(shù)對教育發(fā)展具有革命性的影響[8]，利用現(xiàn)代技術(shù)手段，通過分析與決策系統(tǒng)為學習者提供小眾化、個性化的信息資源服務(wù)，其效益甚至會超過那些大眾化信息資源[9]。不同學習者之間的差異性和獨特性是客觀存在的，而網(wǎng)絡(luò)環(huán)境下普適性的教育信息資源往往沒有與學習者的這種個性化相適應(yīng)。學習者的個體差異其實也是一種教學資源，在某種程度上促使學習者對個性化教育信息資源的無限渴望，同時差異性的存在也對資源建設(shè)者提出了更高要求，激發(fā)其開發(fā)和建設(shè)用戶滿意的優(yōu)質(zhì)個性化教育信息資源。尊重每一位學習者的差異，利用個性化推薦服務(wù)模式為其提供差異化服務(wù)，滿足其個性化的學習需求，促使每位學習者都能同等地享有適合自己的個性化優(yōu)質(zhì)教育信息資源，從而推動教育公平，促進個性化教育。

（二）教育信息資源個性化推薦服務(wù)模式構(gòu)建

教育信息資源個性化推薦服務(wù)旨在滿足學習者的個性化學習需求，為其提供個性化的教育信息資源。尊重學習者的個體差異性和學習者的主體地位，同時根據(jù)教育信息資源的特征模型，以提高教育信息資源使用率為主要驅(qū)動力，構(gòu)建教育信息資源個性化推薦服務(wù)模式，以推動信息時代下的教育公平，促進個性化教育，如圖1所示。

圖1 教育信息資源個性化推薦服務(wù)模式

從學習者和教育信息資源庫兩條主線構(gòu)建該模式。根據(jù)學習者基本信息、行為信息和差異化的需求信息，將興趣相投、偏好一致的用戶聚合、歸類，構(gòu)建學習者模型；根據(jù)資源基本特征、標簽和價值信息（其他學習者對該資源的有效評價信息），將特征相近、關(guān)聯(lián)度高的資源聚類，構(gòu)建資源模型。隨著技術(shù)的快速發(fā)展，推薦方式和策略層出不窮且不斷得到完善，分析與決策系統(tǒng)能夠利用現(xiàn)代技術(shù)手段感知學習情境，識別學習者特征，挖掘其潛在需求和模糊需求，準確定位其個性化需求。同時，通過分析學習者模型與資源模型的匹配程度，能夠選擇合適的推薦方式，形成高效的推薦機制，從而對教育信息資源進行整合和重組，挖掘優(yōu)質(zhì)的個性化資源，并將與學習者認知水平高度相近的教育信息資源主動提供給學習者。在此過程中，學習者模型和資源模型將隨著學習者信息和資源信息進行實時動態(tài)更新，不斷完善個性化推薦機制，促使資源進行自我調(diào)整，主動服務(wù)于學習者，形成自適應(yīng)的個性化服務(wù)。

（三）教育信息資源個性化推薦服務(wù)模式內(nèi)涵

1. 尊重學習者個體間差異，定位內(nèi)在學習需求，提升學習體驗。該模式能夠尊重不同學習者之間的差異，感知學習情境，準確定位個性化學習需求，從而提升學習體驗，緩解學習者認知負荷，促進個性化教育。人是有思想、有情感的獨特個體，教育要培養(yǎng)的不是批量生產(chǎn)的產(chǎn)品，而是具有獨特個性的個體。因此，該模式的構(gòu)建將個體的獨特個性納入其中，向?qū)W習者推薦的資源內(nèi)容能夠具有很大的靈活性。

不同類型和層次的學習者對信息需求的廣度和深度各不相同。系統(tǒng)能夠分析不同學習者的信息，構(gòu)建包含學習者檔案、動態(tài)需求和相似學習者信息的學習者模型，感知學習情境，全面定位其個性化需求。同時，通過剖析學習者模型與資源模型的匹配程度，做出正確的分析和精準的決策，從而幫助過濾無效信息，推薦適合的優(yōu)質(zhì)個性化教育信息資源，提升學習者的學習體驗。在教育領(lǐng)域，學生、教師和科研人員對教育信息資源的需求存在著很大差異。例如，學生在學習過程中希望能得到針對自己特殊學習問題的及時服務(wù)和幫助；教師在教學設(shè)計過程中希望能快速獲取與教學活動相關(guān)的教學資源；科研人員則希望得到更多學科范圍內(nèi)新的思想觀點、學術(shù)前沿、理論熱點及事實性材料等。該系統(tǒng)能夠根據(jù)這種需求差異，進行資源過濾和重組，幫助其在混沌無序的資源中獲取優(yōu)質(zhì)個性化教育信息資源，從而廣、快、準地滿足學習者的個性化需求。

2. 指引資源，挖掘優(yōu)質(zhì)個性化資源，催生更優(yōu)資源。根據(jù)個性化的學習需求，利用該模式挖掘優(yōu)質(zhì)個性化教育信息資源，用最短的路徑和最少的時間為學習者提供指引服務(wù)，指導(dǎo)資源建設(shè)者開發(fā)個性化的優(yōu)質(zhì)教育信息資源，催生更優(yōu)資源。那么，什么樣的資源才是優(yōu)質(zhì)資源呢？斯蒂芬?P?羅賓斯認為，質(zhì)量是產(chǎn)品或服務(wù)達到預(yù)期要求并滿足顧客期望的能力[10]。所以，教育信息資源質(zhì)量則是由滿足用戶需求的程度決定的，用戶滿意且充分尊重個體差異的個性化資源才是優(yōu)質(zhì)資源。

依據(jù)KWL學習策略，通過分析學習者的個性化需求，利用資源的關(guān)聯(lián)信息和進化信息，挖掘被大眾化教育信息資源掩埋的優(yōu)質(zhì)個性化教育信息資源，實現(xiàn)資源的自我價值，緩解資源的掩埋效應(yīng)。其中，K代表系統(tǒng)能分析出用戶知道什么（Know what），從而激活其原有知識，鞏固先前所學內(nèi)容，為學習新內(nèi)容做準備；W代表系統(tǒng)能精準判斷用戶想要知道什么（Want to learn），并為其推薦適合的學習內(nèi)容和資源；L則指系統(tǒng)根據(jù)用戶對知識的掌握程度（Learning level）為其推薦符合其能力的學習資源和任務(wù)。同時，學習者也可以參與編輯、豐富和標記教育信息資源，由資源的消費者轉(zhuǎn)變?yōu)閯?chuàng)造者，實現(xiàn)資源的動態(tài)發(fā)展，促使資源與資源之間產(chǎn)生連接，實現(xiàn)資源的關(guān)聯(lián)進化，形成資源關(guān)系網(wǎng)。教育信息資源不同于一般商品，它具有一定的課程體系，所以系統(tǒng)可以根據(jù)其內(nèi)在教學規(guī)律和資源間關(guān)聯(lián)性挖掘潛在的個性化教育信息資源。

3. 提供自適應(yīng)的個性化服務(wù)，推動教育公平，促進個性化教育。該模式能夠?qū)⑦m合的教育信息資源（在用戶認知能力和最鄰近發(fā)展區(qū)范圍內(nèi)，與個體差異化特征相匹配，符合其個性化需求的教育信息資源）推薦給合適的學習者，為其提供自適應(yīng)的個性化服務(wù)，促進個性化教育。只有符合個體興趣和發(fā)展需要的學習任務(wù)，個體才會積極投入；反之，個體則往往消極應(yīng)對。因此，準確把握“度”成為關(guān)鍵，而對不同學習者來說，這種“度”必然是有差異的，它主要由學習者模型、資源模型以及系統(tǒng)監(jiān)測與感知所決定，構(gòu)建三維坐標系并探討對“度”的掌控，分析自適應(yīng)個性化服務(wù)系統(tǒng)影響因子及其之間的關(guān)系，如圖2所示。

圖中的A、B、C、D四個點代表資源的個性化程度分別由系統(tǒng)監(jiān)測與感知，學習者模型和系統(tǒng)監(jiān)測與感知，學習者模型、資源模型和系統(tǒng)監(jiān)測與感知，資源模型和系統(tǒng)監(jiān)測與感知所決定。自適應(yīng)個性化服務(wù)提供的資源應(yīng)該高度符合學習者模型、資源模型以及系統(tǒng)監(jiān)測與感知信息，即處于坐標中C點位置的資源是最符合也是最適合的優(yōu)質(zhì)資源，而以C點為球心的球與該立方體的重合部分即為相對較為適合該學習個體的資源。系統(tǒng)通過綜合分析學習者特征、行為信息以及資源屬性等數(shù)據(jù)，掌控適合學習者個體的“度”，從而向其推薦處于C點位置或距該點最近并在其認知彈性能力范圍內(nèi)、符合最鄰近發(fā)展區(qū)（指學習者通過獨立學習與教師教授所獲得的知識之間的差距）的教育信息資源，適時、適度地提供個性化學習服務(wù)。如果學習者在某個問題上停滯時間太長，系統(tǒng)可以實時地進行動態(tài)干預(yù)，關(guān)注和分析學習者的表現(xiàn)，從中發(fā)現(xiàn)他們獨特的認知特征和動機傾向，進而調(diào)整C點位置，設(shè)定適合該學習者的“度”，以保證推薦的資源能夠自適應(yīng)地滿足學習者的個性化需求。

（四）教育信息資源個性化推薦服務(wù)模式應(yīng)用

利用教育信息資源個性化推薦服務(wù)模式不僅節(jié)省學習者搜索資源所花費的時間和精力，快速推動學習者個性化需求的滿足和自我價值的實現(xiàn)，避免教育信息資源的浪費和掩埋，還可以激勵學習者提出更高需求，促使資源建設(shè)者開發(fā)更優(yōu)資源，充分發(fā)揮學習者的主動性和創(chuàng)造性，這也正是存在主義哲學的精神。

Springer 出版公司作為世界上最著名的科技出版集團之一，其提供的“CiteULike”個性化服務(wù)能夠根據(jù)學習者的學習興趣、相似學習者的行為記錄以及資源之間的關(guān)聯(lián)性，幫助學習者準確查找相似資源、發(fā)現(xiàn)興趣偏好相似的其他學習者以及相關(guān)領(lǐng)域的研究人員，實現(xiàn)協(xié)作學習。此外，愛課程網(wǎng)（iCourse）是我國教育部、財政部“十二五”期間啟動實施的“高等學校本科教學質(zhì)量與教學改革工程”支持建設(shè)的高等教育課程資源共享平臺。它擁有豐富的教育信息資源，能夠根據(jù)學習者的基本信息和學習行為記錄實時推薦相關(guān)課程。在學習過程中，系統(tǒng)定時向?qū)W習者發(fā)送郵件推薦課程信息，調(diào)查學習者的滿意度，并根據(jù)反饋完善資源，提高用戶體驗度。愛課程網(wǎng)推薦的課程資源主要包括熱門課程、熱門教師、熱門學習群組以及最熱資源和最新資源。然而，系統(tǒng)的推薦并不能完全滿足獨特個體的個性化需求，與學習者興趣愛好的匹配不夠精準。也就是說，學習資源的選取與推送存在盲點，系統(tǒng)不能精準地感知學習情境來有效挖掘適合學習者的個性化優(yōu)質(zhì)資源，為學習者適時推薦適度的教育信息資源。雖然該教育信息資源個性化推薦服務(wù)模式已得到初步應(yīng)用，但還需要提升其應(yīng)用價值和效果，這也是下一步研究的重點。

四、教育信息資源個性化推薦

服務(wù)模式應(yīng)用前景分析

個性化教育是教育公平的最終目標，利用該模式促進個性化教育，是大眾所需，也是大勢所趨。如今在線教育已經(jīng)成為終身教育的一種主要模式[11]，將該個性化推薦服務(wù)模式嵌入其中可以充分關(guān)注學習者個體差異和不同學習需求，體現(xiàn)個性化在線教育的特點，激發(fā)學習者的主動意識和學習動機。同時，該服務(wù)模式還可以用于移動終端，更好地服務(wù)于泛在學習和碎片化學習。此外，小到課程資源的推薦，大到高考志愿填報和未來職業(yè)規(guī)劃，根據(jù)不同學習者差異化和個性化需求，可以將該模式應(yīng)用到智能服務(wù)填報高考志愿、圖書館資源薦購、網(wǎng)絡(luò)招聘、教育信息管理等方面，實現(xiàn)“靶標式”資源和任務(wù)的主動定向推薦。例如，在智能服務(wù)填報高考志愿中，通過分析高考分數(shù)、考生類別、報考院校、專業(yè)及錄取的相關(guān)規(guī)則和相似考生報考情況，得出供考生決策的相關(guān)參數(shù)；在圖書館資源薦購方面，根據(jù)學習者的瀏覽和購買記錄，推測學習者個性化學習需求，為圖書館資源的薦購提供參考；在網(wǎng)絡(luò)招聘中，通過分析求職者的資料、瀏覽記錄以及招聘單位的招聘條件，將合適的職位推薦給適合的求職者；在教育信息管理系統(tǒng)中，通過挖掘和分析數(shù)據(jù)為管理者提供智慧決策來破解信息管理過程中的難題，以提高信息管理的成效。

五、結(jié)語

將該模式應(yīng)用到教育領(lǐng)域，對于學習者，可以激活其隱性需求，滿足顯性需求，從浩如煙海的資源中獲取符合其認知風格和知識基礎(chǔ)的資源，減少時間和精力成本，增強學習體驗，提升學習成就感；對于資源，可以促進資源的最大化利用、知識的流動和聚集及其價值的增值，保證將最好的知識推送給最需要的人；對于資源的提供者，可以提升經(jīng)濟效益，幫助其更好地理解用戶需求，促使其開發(fā)的資源更加精細化和差異化，開拓服務(wù)市場，讓更多的學習者來使用和購買資源。后續(xù)我們將深度剖析個性化信息推薦服務(wù)的成功商業(yè)案例，研究現(xiàn)代感知技術(shù)，比較常用推薦策略，完善個性化推薦機制，并結(jié)合實證研究來分析其在教育領(lǐng)域應(yīng)用的必要性和可行性。

[參考文獻]

[1] Villars R L， Olofson C W， Eastwood M. Big data： What it is and why you should care[J]. White Paper， IDC， 2011：1.

[2] 楊麗娜，顏志軍，孟昭寬. 基于個性化推薦思想的虛擬社區(qū)學習共同體動態(tài)構(gòu)建[J]. 現(xiàn)代教育技術(shù)，2012，（01）：88-92.

[3] 郭亞軍. 個性化數(shù)字信息服務(wù)模式研究[J]. 情報理論與實踐， 2011，34（7）：56-59.

[4] 李寶，張文蘭. 智慧教育環(huán)境下學習資源推送服務(wù)模型的構(gòu)建[J]. 遠程教育雜志，2015，（03）：41-48.

[5] 劉通江，王陸. 基于信息理論的個性化教學系統(tǒng)的研究[J]. 計算機工程與應(yīng)用，2004，（9）：074.

[6] 柏宏權(quán)，李藝. 利用適應(yīng)性超媒體技術(shù)建構(gòu)智能網(wǎng)絡(luò)課程[J]. 電化教育研究，2004，（4）：41-44.

[7] 劉媛筠，李志民. 當代圖書館的三種信息服務(wù)模式[J]. 圖書館雜志，2013，（1）：26-31.

[8] 熊才平，何向陽，吳瑞華. 論信息技術(shù)對教育發(fā)展的革命性影響[J]. 教育研究，2012，（6）：22-29.

[9] 何向陽，熊才平，鄭娟. 論網(wǎng)絡(luò)信息資源的再生與利用[J]. 電化教育研究，2013，201（3）：4.

[10] 斯蒂芬?P?羅賓斯，瑪麗?庫爾特. 管理學[M]. 李原，孫健敏，黃小勇，譯. 北京：中國人民大學出版社，2012：518.

[11] 蔣志輝. 網(wǎng)絡(luò)環(huán)境下個性化學習的模式建構(gòu)與策略優(yōu)化[J]. 中國遠程教育，2013，（3）：48-51.

收稿日期：2015-05-30

篇8

關(guān)鍵詞：移動電子商務(wù)；個性化推薦；基于位置的服務(wù)（LBS）；用戶興趣模型

一、引言

2011年中國移動電子商務(wù)進入了快速發(fā)展的軌道，部分電商企業(yè)在移動終端取得了非常不錯的成績，到2012年年末，中國移動電子商務(wù)的發(fā)展進入爆發(fā)期。相對于傳統(tǒng)電子商務(wù)而言，移動電子商務(wù)具有移動性、虛擬性、非結(jié)構(gòu)化數(shù)據(jù)、個性化和社會性等主要特征，其移動性一般體現(xiàn)在用戶的可移動特征及用戶需求對情境的依賴性。推薦系統(tǒng)便是在這種大的環(huán)境下產(chǎn)生的，主要是為用戶推薦其感興趣的對象。

二、個性化推薦系統(tǒng)簡介

個性化推薦系統(tǒng)主要是為了向用戶自動推薦，是從信息中找出符合用戶喜好或需求的資源，在此基礎(chǔ)上為用戶提供一種智能推薦系統(tǒng)，解決互聯(lián)網(wǎng)信息過載的問題。

（一）個性化推薦系統(tǒng)的構(gòu)成

個性化推薦系統(tǒng)可分三個部分：輸入模塊（Input Function）、推薦模塊（Recommendation Method）和輸出模塊（Output Function）。一個完整的個性化推薦系統(tǒng)包括三個部分：用戶信息的收集和分類、建立用戶喜好的模型、使用算法為用戶推薦。

（二）電子商務(wù)活動與個性化推薦系統(tǒng)的結(jié)合

客戶在選擇商品時往往會碰到在商家提供的浩大的信息面前無法快速找到所需產(chǎn)品信息的問題，在此種情形下，商家通過個性化推薦可快速地為客戶提供服務(wù)，找到其所需的商品，最終完成購買活動。

1.將電子商務(wù)網(wǎng)站的瀏覽者轉(zhuǎn)變?yōu)橘徺I者

個性化推薦可快速的為客戶找到其所需的商品，可以將一個網(wǎng)頁的瀏覽者變成一個實實在在的購買者?？蓽p少商家客戶的流失率，減少客戶瀏覽網(wǎng)頁查詢商品目錄的時間。

2.提高電子商務(wù)網(wǎng)站的銷售能力

個性化推薦可減少客戶瀏覽網(wǎng)頁的時間，為客戶提供精準的推薦，如果推薦的產(chǎn)品得到客戶的認同，可大大地提高網(wǎng)站的銷售量，訂單數(shù)量也會增加。

（三）個性化推薦系統(tǒng)的分類

從技術(shù)實現(xiàn)角度來看，個性化推薦系統(tǒng)主要劃分為四大類：一是規(guī)則基礎(chǔ)上的推薦；二是內(nèi)容基礎(chǔ)上的推薦；三是協(xié)同過濾基礎(chǔ)上的推薦；四是混合型推薦。

1.規(guī)則基礎(chǔ)上的推薦

規(guī)則基礎(chǔ)上的推薦主要是通過系統(tǒng)之前的規(guī)則進行推薦。規(guī)則基礎(chǔ)上的推薦所用的語句為IF-Then，根據(jù)事先設(shè)定的規(guī)則，“IF”主要規(guī)定了所出現(xiàn)的各種情形，在各種情形基礎(chǔ)上，“Then”將輸出提供的各種推薦資源和服務(wù)。這種規(guī)則也是可變的，客戶也可以制定規(guī)則。規(guī)則基礎(chǔ)上的推薦相對比較簡單，客戶理解起來比較容易。

2.內(nèi)容基礎(chǔ)上的推薦

內(nèi)容基礎(chǔ)上的推薦主要是基于用戶之前喜歡的產(chǎn)品，通過分析之前所喜好的產(chǎn)品特征，通過相似度計算和其他技術(shù)，最終為客戶提供與其偏好相似的新產(chǎn)品系列。

3.協(xié)同過濾推薦

協(xié)同過濾推薦是一種綜合推薦，結(jié)合客戶之前的購買活動特征與新晉的目標客戶之間的相似度進行比較，為新客戶進行推薦。

4.混合型推薦

和如上兩種推薦不同，混合型推薦不涉及比較用戶模型和信息的相似度，而主要是利用用戶對于各個資源的評分或評價來發(fā)掘各個用戶之前的相似點，應(yīng)用這些相似點為新客戶提供更加精確的推薦?；旌闲屯扑]成立的前提是具有相似點的客戶對于一種資源的評價一致，那么其對另外一種資源的評價也將是一致的。這樣我們便可將不同興趣的用戶進行劃分分類，為同一類的客戶推薦相似的產(chǎn)品。

三、移動客戶端與個性化的結(jié)合

使用移動客戶端的用戶，其興趣和需求并不是固定不變的，而是隨著時間和用戶所處的情景而變化。例如，用戶在旅行時往往會關(guān)注天氣、旅館和交通工具信息；在休假時一般會關(guān)注娛樂信息和促銷信息。這些都極大地增加了預(yù)測用戶行為和分析用戶偏好的難度。

（一）移動電子商務(wù)環(huán)境下個性化推薦的特點

隨著3G技術(shù)的發(fā)展及移動客戶端的開發(fā)應(yīng)用，用戶可在移動環(huán)境下進行辦公或購物。相比傳統(tǒng)電子商務(wù)環(huán)境下的推薦，移動商務(wù)環(huán)境下的個性化推薦擁有新的特點，主要表現(xiàn)在推薦范圍和推薦時間方面。從推薦范圍來看，移動環(huán)境下的推薦并非是固定的，面對的用戶群也不是有限的；移動推薦系統(tǒng)所面對的是“移動”的用戶，而不是傳統(tǒng)的位置相對不變的傳統(tǒng)的臺式機訪問，移動環(huán)境下更多的要考慮用戶的空間位置變化，要隨時將用戶位置納入到推薦序列中。

（二）基于LBS的個性化推薦系統(tǒng)

1.LBS簡介

LBS（Location Based system）是在互聯(lián)網(wǎng)快速發(fā)展的基礎(chǔ)上新興的位置服務(wù)。伴隨著手機終端的迅速發(fā)展，使用LBS的用戶總數(shù)也在逐年增加。LBS也被稱為位置簽到服務(wù)，其定義為采用GPS基站等相關(guān)定位技術(shù)，結(jié)合GIS，以短信、彩信及客戶端軟件為用戶提供的基于地理位置的信息服務(wù)。下圖主要展示了我國提供LBS企業(yè)的市場情況。

特別對于旅行者而言，LBS可實時了解到旅行者的空間位置信息，針對移動變化的位置也可以提供準確的推薦。

2.LBS的特征及其對個性化推薦的要求

（1）LBS的特征

LBS的突出特征體現(xiàn)在位置敏感、突發(fā)性和即時訪問三個方面。在LBS環(huán)境下，可以方便地跟蹤到用戶的地理位置信息，很容易地識別用戶的身份及對用戶的需求進行處理。在移動環(huán)境下，即使發(fā)生突發(fā)事件，也能及時滿足用戶的需要，這些都提高了用戶使用LBS的便利性。例如，用戶可及時了解天氣、酒店和所感興趣的其他信息，不會受到時間、地點的阻礙，同步性增強。

（2）LBS對個性化推薦系統(tǒng)的要求

LBS環(huán)境下的用戶處于不斷變化的情境之下，用戶的興趣可分為短期的和長期的，因此必須區(qū)分出長期興趣和短期興趣，對于用戶興趣的變化要進行及時響應(yīng)，最終才能為用戶做出精準的個性化推薦。

四、個性化推薦系統(tǒng)與情境的結(jié)合

（一）傳統(tǒng)二維推薦系統(tǒng)

傳統(tǒng)的推薦系統(tǒng)將用戶作為一個推薦列表輸出，將用戶項目描述成一個函數(shù)，主要包括：輸入數(shù)據(jù)、二維推薦函數(shù)、推薦輸出列表。

傳統(tǒng)推薦系統(tǒng)使用的數(shù)據(jù)一般以用戶、項目、評分的形式出現(xiàn)。首先收集數(shù)據(jù)，之后構(gòu)建推薦函數(shù)，在構(gòu)建函數(shù)過程中主要是使用函數(shù)處理用戶u及每個用戶對項目的評價或評分，在分析后根據(jù)用戶的項目評分排序最終生成推薦列表。

（二）基于情境的推薦系統(tǒng)

和傳統(tǒng)的推薦系統(tǒng)相比，融入了情境的推薦流程會發(fā)生變化，數(shù)據(jù)由U*I*R變?yōu)閁*I*C*R，該模型中引入的C為情境維度，也就是將情境加入到推薦模型中。隨著應(yīng)用情境信息階段的不同，有了在推薦系統(tǒng)中整合情境信息的三種不同的方式。

1.前置情境過濾

這種方式的推薦模型主要是將情境C納入到用于選擇或構(gòu)建相關(guān)數(shù)據(jù)之中，在處理數(shù)據(jù)之前便將情境融入模型中。前置情境過濾方法使用情境信息作為過濾條件來選擇最相關(guān)的用戶X項目數(shù)據(jù)來生成推薦。前置情境過濾相比較其他兩種的優(yōu)勢主要是其使用是為傳統(tǒng)推薦方法。

2.后置情境過濾

與前置情境過濾相比較而言，在后置情境過濾下，一開始并沒有將情境信息融入進來，應(yīng)用傳統(tǒng)的推薦系統(tǒng)事先將各種數(shù)據(jù)進行處理和評分，在此之后再將情境信息C引入到模型中，調(diào)整之前的推薦結(jié)果，主要是剔除與情境不符合的推薦列表，調(diào)整列表推薦的順序，找出最符合用戶特定情境的推薦列表。

啟發(fā)式和模型式是后置情境過濾的兩種方法，前一種方法主要是找到用戶所共有的特征然后使用這些屬性來調(diào)整推薦。對于后置情境過濾而言，其可以使用任何傳統(tǒng)推薦技術(shù)。

3.情境建模

情境建模方法直接應(yīng)用了情境所包含的內(nèi)容信息，這種方法使用的為多維推薦，其整合了情境信息、用戶數(shù)據(jù)、項目信息的預(yù)測模型或啟發(fā)式計算方法。

四、結(jié)論

移動環(huán)境下的個性化推薦研究日益被業(yè)界重視。抓住了用戶興趣建模也是抓住了個性化推薦的核心，本文主要在傳統(tǒng)的推薦模型下將情境信息引入到用戶興趣模型，將情境融入到推薦矩陣中，將情境與用戶對項目的興趣度相結(jié)合，為移動環(huán)境下的用戶模型構(gòu)建提供理論框架。

參考文獻：

[1]吳麗花，劉魯.個性化推薦系統(tǒng)用戶建模技術(shù)綜述[J].情報學報，2006（02）.

[2]曾春，邢春曉，周立柱.個性化服務(wù)技術(shù)綜述[J].軟件學報，2002（10）.

[3]裴仰軍.個性化服務(wù)中用戶興趣模型的研究[D].重慶大學，2005.

[4]費洪曉，戴戈，穆等.個性化信息過濾系統(tǒng)中用戶興趣模型建立和更新[J].計算機系統(tǒng)應(yīng)用，2007（08）.

篇9

由于時代的不斷發(fā)展和信息技術(shù)的普及，傳統(tǒng)的閱讀模式和圖書館管理模式已經(jīng)不能夠與當前社會的發(fā)展和人們對閱讀的需求相適應(yīng)，建立具有個性化的、多功能的、高效性的數(shù)字圖書館，成為了圖書館發(fā)展的必然趨勢。所以，當前調(diào)整圖書館服務(wù)模式、加入個性化的服務(wù)理念，是促進圖書館事業(yè)發(fā)展和滿足用戶需求的重要任務(wù)。下面我們就針對數(shù)字圖書館的個性化服務(wù)進行具體的分析和討論。

1.個性化服務(wù)定義

所謂的個性化服務(wù)實際上是指圖書館管理者要根據(jù)用戶所提出的具體要求制定和執(zhí)行特殊的信息服務(wù)，滿足不同用戶的不同需求。同時也可以通過對用戶的閱讀習慣、個性應(yīng)用等特點對客戶的需求進行主動的滿足，為個體用戶提供具有個性的信息服務(wù)。這種個性化的服務(wù)模式和傳統(tǒng)的圖書館服務(wù)模式存在著本質(zhì)上的區(qū)別，他們所重點服務(wù)的對象也大不相同。所以，數(shù)字圖書館的個性化服務(wù)將是圖書館提升自身服務(wù)質(zhì)量的重要途徑和促進圖書館發(fā)展的必要內(nèi)容

2.數(shù)字圖書館發(fā)展歷程以及個性化服務(wù)

在數(shù)字圖書館的不同發(fā)展階段，它的研究項目和具體的服務(wù)模式也存在著一定的差異。

2.1資源的數(shù)字化階段

數(shù)字圖書館在資源的數(shù)字化階段的主要內(nèi)容包括：進行數(shù)字化的對象的篩選、管理文獻的原始數(shù)據(jù)、建立標準的體系對文獻的格式進行統(tǒng)一、對數(shù)字資源庫進行組織和管理等等。就當前我國數(shù)字圖書館的發(fā)展現(xiàn)狀而言，很多的博物館、圖書館以及檔案館等都是屬于這一范疇的。數(shù)字圖書館的資源化階段，其主要的信息服務(wù)，是對特定的資源進行數(shù)字化的信息服務(wù)，這同時也是圖書館數(shù)字化信息服務(wù)的最基礎(chǔ)內(nèi)容。

2.2信息集成階段

在數(shù)字圖書館的集成階段，主要的研究內(nèi)容包括對系統(tǒng)結(jié)構(gòu)的分析、系統(tǒng)的具體操作及數(shù)字化對象的辨析、開發(fā)式的管理模式的建立、網(wǎng)絡(luò)化的數(shù)字信息資源的建設(shè)等等。在這一階段，數(shù)字圖書館的信息服務(wù)主要是對當前數(shù)字環(huán)境中有價值資源進行合理有效的利用，而這些資源往往都具有著多樣化的特征，這也就使數(shù)字圖書館的信息服務(wù)在這一階段存在著集大成的特點。能夠?qū)⒎植嫉挠行?shù)字信息進行空間的系統(tǒng)交換以及服務(wù)集成，同時還建立了一種邏輯意義上的服務(wù)模式。

2.3用戶信息活動階段

這一階段數(shù)字圖書館的研究范疇涉及數(shù)字對象與分布式對象技術(shù)、動態(tài)文獻和動態(tài)文獻集技術(shù)、知識組織系統(tǒng)技術(shù)、信息協(xié)作處理機制、個性化機制、用戶信息系統(tǒng)和信息處理流程中數(shù)字化信息資源與服務(wù)的嵌入與定制機制等。本階段以用戶信息活動作為信息服務(wù)的出發(fā)點和立足點，信息服務(wù)基于用戶信息活動而不是信息資源來開展，它為用戶提供了一個智能化、個性化的信息服務(wù)。

3.個性化信息服務(wù)的主要形式

3.1個性化推送服務(wù)

個性化推送服務(wù)即個性化定制服務(wù)，指用戶按照自己的目的和需求，設(shè)定信息的資源類型、表現(xiàn)形式，選取特定的系統(tǒng)服務(wù)功能等。其方式大致有兩種：一種是提供定制的Web頁面、信息頻道或信息欄目，實施查詢服務(wù)；一種是基于電子郵件的信息推送，根據(jù)用戶的定制提供相應(yīng)的信息欄目，定期或不定期地發(fā)送到用戶電子信箱。

3.2個性化推薦服務(wù)

個性化推薦服務(wù)是一種比較深層次的、主動性和個性化較強的服務(wù)方式。它不僅能根據(jù)用戶的特性提供具有針對性的信息，還能通過對用戶專業(yè)特征、研究興趣的智能分析而主動向用戶推薦其可能需要的信息。個性化推薦的原理是根據(jù)用戶模型尋找與用戶模型匹配的信息，個性化推薦的實質(zhì)是一種“信息找人”的服務(wù)模式，可以減少用戶尋找感興趣信息的時間，提高用戶瀏覽的效率。

3.3個性化信息檢索

個性化檢索是指根據(jù)用戶的需求特點進行檢索，并返回與用戶需求相關(guān)的檢索結(jié)果，其基本思想就是滿足特定用戶的特定需求，是一種體現(xiàn)個性化特征、滿足個性化需求、培養(yǎng)個性化趨勢的信息檢索方法。隨著數(shù)字圖書館中信息量的指數(shù)級增長，個性化信息檢索越來越受到重視，成為當今數(shù)字圖書館信息服務(wù)向縱深發(fā)展的一個重要內(nèi)容。

3.4個性化知識決策服務(wù)

個性化知識決策服務(wù)是利用數(shù)據(jù)挖掘、知識發(fā)現(xiàn)等技術(shù)，對有用信息內(nèi)容再進行深層次的分析與挖掘，向用戶提供能夠用于決策支持、智能查詢、科學研究、解決問題的規(guī)則和模式。

4.個性化推薦技術(shù)

根據(jù)實現(xiàn)途徑，個性化推薦技術(shù)可以分為基于內(nèi)容的推薦、合作推薦和混合推薦。

4.1基于內(nèi)容的推薦是指通過比較資源與用戶模型的相似程度向用戶推薦信息的方式，是目前個性化推薦的主流。它較多地應(yīng)用于文本領(lǐng)域，如瀏覽頁面的推薦、新聞組中的新聞推薦等。基于內(nèi)容的推薦的缺點是不能為用戶發(fā)現(xiàn)新的感興趣的信息，只能推薦與用戶已有興趣相似的信息。

4.2合作推薦與基于內(nèi)容的推薦不同，合作推薦并不比較資源與用戶模型的相似性，而是通過比較用戶間的相似性來推薦信息。具有相近興趣的用戶被視為一個用戶類。當用戶對某信息感興趣時，該信息就可以推薦給同類的其他用戶。其優(yōu)點是可以發(fā)現(xiàn)用戶可能感興趣的新信息，而不局限于用戶已經(jīng)感興趣的信息。其缺點是如果一個信息沒有被同類用戶群中的任何用戶瀏覽過，那它就不可能被推薦給該類中的其他用戶。

4.3混合推薦是指既通過比較資源與各個用戶模型的相似度進行基于內(nèi)容的推薦，又通過相近興趣的用戶群進行合作推薦的一種推薦方式。

篇10

 

一、面臨的挑戰(zhàn)

 

按照目前的情況來看，電子推薦系統(tǒng)主要運用于電子商務(wù)、在線社區(qū)和數(shù)字圖書館等領(lǐng)域，雖然，它的出現(xiàn)和運用給這些行業(yè)創(chuàng)造了非常客觀的利潤回報，并切切實實的做到了為網(wǎng)絡(luò)用戶謀利益的宗旨，但是，任何一種新產(chǎn)品的誕生之初，都伴隨著一定的局限條件，這些條件是在系統(tǒng)優(yōu)化升級過程中需要加以克服和改善的。

 

1. 數(shù)據(jù)集

 

信息的大量集聚加速了大數(shù)據(jù)時代的到來，個性化推薦系統(tǒng)的運行正是建立在海量信息的基礎(chǔ)上。就拿我們最熟悉的淘寶網(wǎng)來說，只要我們在這個網(wǎng)站瀏覽過商品信息，推薦系統(tǒng)就會在我們沒有察覺的情況下記錄下我們的足跡，作為為我們推薦商品的依據(jù)。在這里，有個時間區(qū)分的問題，推薦系統(tǒng)發(fā)揮功能的前提是用戶去“光顧”網(wǎng)站，如果沒有這個前提，推薦系統(tǒng)就起不了作用，原因是沒有數(shù)據(jù)可分析，這就關(guān)乎到推薦系統(tǒng)為電子商務(wù)或企業(yè)行業(yè)服務(wù)的質(zhì)量問題。

 

2.用戶參與

 

用戶的參與是數(shù)據(jù)集產(chǎn)生的前提，沒有數(shù)量龐大的用戶的積極主動參與，推薦系統(tǒng)將在電子商務(wù)、在線社區(qū)和數(shù)字圖書館等領(lǐng)域?qū)⑵鸩坏饺魏巫饔谩！坝脩羰巧系鄣睦砟睢痹谶@些推薦系統(tǒng)的適用領(lǐng)域依然體現(xiàn)的活靈活現(xiàn)，然而，面對互聯(lián)網(wǎng)購物平臺，如何正確的引導(dǎo)用戶參與到消費環(huán)節(jié)中來，刺激他們購物的欲望，保持他們持續(xù)消費的熱情，是一項較難把握的工作。網(wǎng)絡(luò)交易的虛擬性和不可預(yù)測性，導(dǎo)致電商與消費者無法進行面對面的對話，也就無從得知他們的消費意愿，更無法采取合理、適宜的策略促進他們進行消費與互動，給商品的營銷創(chuàng)造良好的傳播氛圍。

 

3. 安全問題

 

信息安全問題是近幾年國家安全部門不斷致力解決的難題，先進技術(shù)的應(yīng)用一方面帶動了人們生活條件的極大改善，提升了人們吃、穿、住、用、行的方便程度，另一方面，垃圾信息和信息污染嚴重干擾了人們的正常生活。尤其是在個性化推薦系統(tǒng)大范圍使用以來，一些心懷叵測的人利用用戶的隱私牟取利益的現(xiàn)象層出不窮，而信息監(jiān)管無法從根本上解決技術(shù)的變相利用帶給人們的困擾，兩方夾擊使得不法分子越來越猖獗，影響了推薦系統(tǒng)的推薦質(zhì)量，阻礙了其所應(yīng)用領(lǐng)域的健康發(fā)展。

 

二、提高電子商務(wù)用戶個性化推薦技術(shù)接受的措施與建議

 

提高電子商務(wù)網(wǎng)站的訪問人數(shù)和購物平臺的交易量，重點需要從個性化推薦系統(tǒng)著手，在綜合分析影響用戶接受推薦系統(tǒng)的因素的基礎(chǔ)上，文章以淘寶網(wǎng)為例提出了以下幾方面的建議措施。

 

1. 提高用戶對個性化推薦系統(tǒng)的熟悉度和信任度 正常情況下，人們往往會選擇與自己熟悉的事情接觸，在電子商務(wù)領(lǐng)域，陌生感是橫在用戶與商品之間一種無形的障礙，在越來越講求智能化和人性化服務(wù)的今天，如果購物平臺所應(yīng)用的推薦機制不能有效排除人們對某個電商或商品的距離感，那么這種商品的銷售渠道就被嚴重堵塞了。 主觀規(guī)范則是影響個性化推薦技術(shù)接受的社會因素。

 

用戶的個人意志和情感會對技術(shù)接受行為產(chǎn)生積極或消極影響。要提高用戶對推薦系統(tǒng)的熟悉度，首先是要了解和熟悉推薦技術(shù)的產(chǎn)生原理和發(fā)揮作用的過程，具體方法可以通過在媒體上投放廣告，借助多種傳播媒介演示推薦系統(tǒng)的工作原理，提高用戶的信度。另外，在個性化推薦系統(tǒng)應(yīng)用之初，可以在淘寶等電子商務(wù)網(wǎng)站上開辟專門的板塊介紹此類技術(shù)，加深用戶的理解，提高他們對電商的好感，從而增加用戶粘性，擴大商品的銷售面。