基于混合推荐的试题推荐系统设计与实现
发布时间：2020-08-08 16:06
【摘要】：在线学习具有不受时间、空间限制,并且可以让用户根据自身情况,重复学习某些重点难点,根据学生自身知识水平、兴趣爱好来选择学习内容等优点。随着互联网技术的快速发展和各种在线学习资源的不断增加,在线学习变得越来越普遍。然而,随着在线学习资源量越来越大,用户获取有效学习资源的难度逐渐增加,如何让学生快速获得对自身有价值的资源成为目前的研究热点之一。个性化推荐技术作为一种能够快速有效的解决信息过载问题手段,能够快速、及时、准确的帮助人们从海量信息资源中获得目标资源。该项技术目前已经在电子商务领域得到了成功运用,但在线教育领域的个性化推荐仍有待发展。本文以某在线托福/雅思作文写作网站平台为基础,研究学习目前存在的多种推荐算法,包括协同过滤、基于内容推荐和混合推荐算法。首先,对这几种推荐算法进行了详细分析研究,然后结合算法的优点和推荐算法的实际应用场景,以新老用户为区分,针对不同用户使用不同推荐方法;最后组合成一种混合推荐算法来设计写作习题推荐系统的推荐引擎。该算法,一方面以用户写作得分填充用户-物品评分矩阵,对于矩阵中的缺省值,以具有较高可信度的雅思/托福官方平均得分来代替。这些评分数据的加入可以在一定程度上解决数据稀疏的问题。另一方面,根据用户在注册时候填写的个人信息,来判断用户背景信息,通过计算新用户与老用户之间的背景相似程度,为新用户进行写作习题的推荐。最后通过实验,将传统协同过滤算法结果与以平均得分填充项目-评分矩阵推荐算法结果进行对比。实验结果证明,本文提出方法的推荐效果优于传统推荐算法。
【学位授予单位】：厦门大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.3;TP311.52
【图文】：
时间／年逡逑图１－１推荐系统领域相关论文发表数量逡逑由图１－１的数据可以看出，自１９９２年至今，研究推荐系统及相关理论的论文逡逑数量呈现出了快速增长的趋势。显然，推荐系统是众多相关研究人员的关注重点。逡逑随着推荐系统相关理论逐渐成熟，推荐技术目前己经被广泛的运用在包括电逡逑子商务、电影和视频、音乐、社交网络等诸多领域。下面分别列举各个领域最具逡逑代表性的应用实例加以分析Ｉ＇逡逑（丨）电子商务：电子商务网站是较早运用个性化推荐技术的领域，也是该技逡逑术运用最成功的场景之一。该领域最著名的是亚马逊，推荐系统的应用包括了亚逡逑马逊的各类产品，其中最主要的就是个性化商品推荐列表和相关商品的推荐列表。逡逑亚马逊前科学家Ｇｒｅｇ邋Ｌｉｎｄｅｎ称在他离开亚马逊时，该网站至少２０％的销售逡逑额来自于推荐系统。由此也可以进一步看出推荐系统的实际运用价值。亚马逊在逡逑其网站系统中采用了基于物品和基于社交网络好友的推荐方式来想用户推荐各逡逑种商品。逡逑（２）电影和视频：Ｎｅｔｆｌｉｘ是在电影和视频领域将推荐系统运用最为成功的逡逑公司。Ｎｅｔｆｌｉｘ是一家十分注重推荐技术发展的公司，其在２００６年开始举办的逡逑Ｎｅｔｆｌｉｘ邋Ｐｒｉｚｅ推荐系统比赛对推荐系统的发展起到了重要的推动作用⑴】
否向该用户推荐某条新闻。基于内容推荐的缺点也很明显，对于难以提取信息特逡逑征的资源推荐结果较差，例如音乐和视频。逡逑基于内容推荐的系统流程图如图２－２所示［１５］。逡逑广—＾邋ｆｉＳｓｉｌＬ逦、广逡逑■民「：邋ｊｇ［Ｔｊ逡逑榋订％逦」］文逦４焌逡逑、￣一，＇逦＾邋＜］邋逦，邋．、逡逑ｇｊ逦（邋｜歆）逡逑ｒｔ｜ｉ｜邋ｙ逦ｊ邋Ｊ逦ｙ逡逑物品ｉ＇＂、逦ｉ邋推荐结果逦！［］逡逑、，夕逦Ｌ—过滤」－－：逡逑图２－２基于内容推荐的系统流程图逡逑基于内容的推荐主要包括三个步骤：逡逑第一步，特征信息获取。逡逑被推荐的物品往往具有一些可以描述自身的信息属性。通常分为结构化属性逡逑与非结构化属性。结构化属是指具有比较明确意义的属性，例如物品的名称、逡逑类别等；非结构化属性往往没有明确意义。比如物品的描述信息。对于结构化数逡逑据，一般可以直接使用；非结构化数据，要先转化为结构化数据之后才能进行进逡逑一步分析。逡逑在新闻系统中，为了详细说明非结构化数据这一概念，首先引入向量空间模逡逑型这一概念。把包含多条新闻表示为一个集合：Ｃ邋＝邋｛ｑ，ｃ２，．．．ｃ，Ｊ，ｎ表示文章数逡逑量
欢的资源或者物品类似的资源，再将资源或者物品推荐给目标用户。首先计算两逡逑个物品之间的相似度，选取与该用户喜欢的物品具有较高相似度的物品作为邻居逡逑集，构成相近的物品资源列表推荐给用户。工作基本原理图如下图２４所示。逡逑Ｘ邋＼邋ｉ资源Ａ邋）邋＼逡逑／＼邋Ｖ＼逦资源Ｂ邋ｊ邋Ｉ逡逑资源ｃ），推荐逡逑图２－４邋ＩＢＣＦ算法基本原理逡逑如图所示，用户Ａ喜欢资源Ａ和资源Ｃ，用户Ｂ喜欢资源Ａ、Ｂ、Ｃ，用逡逑户Ｄ喜欢资源Ａ；分析用户喜好可以看出Ａ和Ｃ是相似用户，因此可以向逡逑喜欢资源Ａ的用户推荐资源Ｃ。逡逑ＵＢＣＦ算法和ＩＢＣＦ算法的重点都是相似度计算１１６］。差别在于二者的关注逡逑点不同，前者以用户兴趣为分析重点，以用户之间的相似性作为推荐基础；逡逑而后者重点进行计算物品的相似度，根据相似度进行物品推荐。表２－１给出逡逑ＵＢＣＦ和ＩＢＣＦ的优缺点对比：逡逑１１逡逑
本文编号：2785788
【学位授予单位】：厦门大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.3;TP311.52
【图文】：
时间／年逡逑图１－１推荐系统领域相关论文发表数量逡逑由图１－１的数据可以看出，自１９９２年至今，研究推荐系统及相关理论的论文逡逑数量呈现出了快速增长的趋势。显然，推荐系统是众多相关研究人员的关注重点。逡逑随着推荐系统相关理论逐渐成熟，推荐技术目前己经被广泛的运用在包括电逡逑子商务、电影和视频、音乐、社交网络等诸多领域。下面分别列举各个领域最具逡逑代表性的应用实例加以分析Ｉ＇逡逑（丨）电子商务：电子商务网站是较早运用个性化推荐技术的领域，也是该技逡逑术运用最成功的场景之一。该领域最著名的是亚马逊，推荐系统的应用包括了亚逡逑马逊的各类产品，其中最主要的就是个性化商品推荐列表和相关商品的推荐列表。逡逑亚马逊前科学家Ｇｒｅｇ邋Ｌｉｎｄｅｎ称在他离开亚马逊时，该网站至少２０％的销售逡逑额来自于推荐系统。由此也可以进一步看出推荐系统的实际运用价值。亚马逊在逡逑其网站系统中采用了基于物品和基于社交网络好友的推荐方式来想用户推荐各逡逑种商品。逡逑（２）电影和视频：Ｎｅｔｆｌｉｘ是在电影和视频领域将推荐系统运用最为成功的逡逑公司。Ｎｅｔｆｌｉｘ是一家十分注重推荐技术发展的公司，其在２００６年开始举办的逡逑Ｎｅｔｆｌｉｘ邋Ｐｒｉｚｅ推荐系统比赛对推荐系统的发展起到了重要的推动作用⑴】
否向该用户推荐某条新闻。基于内容推荐的缺点也很明显，对于难以提取信息特逡逑征的资源推荐结果较差，例如音乐和视频。逡逑基于内容推荐的系统流程图如图２－２所示［１５］。逡逑广—＾邋ｆｉＳｓｉｌＬ逦、广逡逑■民「：邋ｊｇ［Ｔｊ逡逑榋订％逦」］文逦４焌逡逑、￣一，＇逦＾邋＜］邋逦，邋．、逡逑ｇｊ逦（邋｜歆）逡逑ｒｔ｜ｉ｜邋ｙ逦ｊ邋Ｊ逦ｙ逡逑物品ｉ＇＂、逦ｉ邋推荐结果逦！［］逡逑、，夕逦Ｌ—过滤」－－：逡逑图２－２基于内容推荐的系统流程图逡逑基于内容的推荐主要包括三个步骤：逡逑第一步，特征信息获取。逡逑被推荐的物品往往具有一些可以描述自身的信息属性。通常分为结构化属性逡逑与非结构化属性。结构化属是指具有比较明确意义的属性，例如物品的名称、逡逑类别等；非结构化属性往往没有明确意义。比如物品的描述信息。对于结构化数逡逑据，一般可以直接使用；非结构化数据，要先转化为结构化数据之后才能进行进逡逑一步分析。逡逑在新闻系统中，为了详细说明非结构化数据这一概念，首先引入向量空间模逡逑型这一概念。把包含多条新闻表示为一个集合：Ｃ邋＝邋｛ｑ，ｃ２，．．．ｃ，Ｊ，ｎ表示文章数逡逑量
欢的资源或者物品类似的资源，再将资源或者物品推荐给目标用户。首先计算两逡逑个物品之间的相似度，选取与该用户喜欢的物品具有较高相似度的物品作为邻居逡逑集，构成相近的物品资源列表推荐给用户。工作基本原理图如下图２４所示。逡逑Ｘ邋＼邋ｉ资源Ａ邋）邋＼逡逑／＼邋Ｖ＼逦资源Ｂ邋ｊ邋Ｉ逡逑资源ｃ），推荐逡逑图２－４邋ＩＢＣＦ算法基本原理逡逑如图所示，用户Ａ喜欢资源Ａ和资源Ｃ，用户Ｂ喜欢资源Ａ、Ｂ、Ｃ，用逡逑户Ｄ喜欢资源Ａ；分析用户喜好可以看出Ａ和Ｃ是相似用户，因此可以向逡逑喜欢资源Ａ的用户推荐资源Ｃ。逡逑ＵＢＣＦ算法和ＩＢＣＦ算法的重点都是相似度计算１１６］。差别在于二者的关注逡逑点不同，前者以用户兴趣为分析重点，以用户之间的相似性作为推荐基础；逡逑而后者重点进行计算物品的相似度，根据相似度进行物品推荐。表２－１给出逡逑ＵＢＣＦ和ＩＢＣＦ的优缺点对比：逡逑１１逡逑
【参考文献】
相关期刊论文 前6条
1 宫志晨;李学俊;张晶晶;张以文;刘慧婷;;基于多向测度和属性相似度的混合协同过滤[J];计算机应用与软件;2015年06期
2 于洪;李俊华;;一种解决新项目冷启动问题的推荐算法[J];软件学报;2015年06期
3 赵良辉;熊作贞;;电子商务推荐系统综述及发展研究[J];电子商务;2013年12期
4 许海玲;吴潇;李晓东;阎保平;;互联网推荐系统比较研究[J];软件学报;2009年02期
5 周军锋,汤显,郭景峰;一种优化的协同过滤推荐算法[J];计算机研究与发展;2004年10期
6 邓爱林,朱扬勇,施伯乐;基于项目评分预测的协同过滤推荐算法[J];软件学报;2003年09期
相关硕士学位论文 前3条
1 张月蓉;基于混合推荐的电影推荐系统的研究与实现[D];安徽大学;2013年
2 王立军;基于协同过滤推荐系统的数据稀疏性问题研究[D];东北师范大学;2009年
3 石昌显;结合用户背景信息的协同过滤推荐算法研究[D];兰州大学;2009年
本文编号：2785788
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/2785788.html
