摘要：文章针对目前高校学习资源信息过剩问题而无法向学习者进行个性推荐资源。文章鉴于电子商务个性化推荐模型研究启示，尝试将协同过滤技术应用在高校学习资源中进行个性化推荐技术研究。文章分析了协同过滤技术个性推荐系统类型以及基于项目个性推荐系统模型流程，最后结合案例分析了基于项目协同过滤技术在高校学习资源应用整个流程；并针对协同过滤算法存在问题，提出了改进方法。
Abstract： This paper aims at college learning resources information surplus problem and failure in personalized resources recommendation for learners. In view of the research enlightenment of e-commerce personalized recommendation model， this paper tries to apply collaborative filtering technology to college learning resources for personalized recommendation technology research. This paper analyzes the types of collaborative filtering technology personalized recommendation system and the project-based recommendation system model process， and finally analyzes the application process of collaborative filtering technology in the college learning resources combined with case analysis and proposes the improvement method in view of the problems existing in collaborative filtering algorithm.
关键词：学习资源；协同过滤算法；个性推荐
Key words： learning resources；collaborative filtering algorithm；recommendation
0 引言
随着大数据时代到来，信息无限膨胀，目前高校网络学习资源平台不断完善以及使用系统读者越来越多，海量数据资源，使得高校师生在平台搜索资源效率急剧下降，面对大量的搜索结果信息常常无法快速而精准选择到有用信息。目前用户在学习资源平台查找学习资料主要通过搜索技术，最经常使用的是关键字搜索，这种被动式搜索无法根据用户偏好特征主动推送客户感兴趣学习资源，影响客户选择价值资源效率。个性化推荐技术应用正解决了传统被动式检索问题，个性化推荐系统正是一种崭新的智能个性化信息服务方式，它以客户需求为导向，或通过对用户个性特征、行为习惯、个人偏好的等个性化特征分析，精准地向用户推送感兴趣的信息和服务的推荐技术。鉴于此，文章系统描述了个性推荐系统技术以及其工作原理。
1 协同过滤推荐技术概述
2 协同过滤推荐技术算法实现过程
针对高校学习资源，比较适合采用基于项目协同过滤技术，基于项目之间相似度计算可以离线进行，这个提升了用户对系统响应速度。而且不同客户共同购买的商品数比较小，所以商品之间计算相似度，速度会更快。协同过滤个性推荐系统实现过程主要包括三个不部分，第一是收集数据源，第二是计算产品或用户相似推荐算法，第三是推荐用户或推荐产品。推荐系统把用户模型中兴趣需求信息和推荐对象模型中的特征信息匹配，同时使用相应的推荐算法进行计算筛选，找到用户可能感兴趣的推荐对象，然后推荐给用户。如图1所示。
2.1 信息源收集
高校学习资源，主要包括图书，文献，杂志，论文等，图书馆保存有学生和教师借阅图书和文献记录，则可以筛选字段学生id和书名或者图书id等信息，用户对图书资源评分，转换如表1，0表示未借阅，1表示已借阅。
2.2 计算产品推荐相似度
计算相似度是协同过滤技术最核心步骤，计算产品与产品之间相似度，是通过用户i对产品j，共同评分所有资源集合，即获得用户-资源评分矩阵表。然后通过余弦相似度相似性度量方法来计算产品相似度。
将向量根据坐标值，绘制到向量空间中。求得他们的夹角，并得出夹角对应的余弦值，此余弦值就可以用来表征，这两个向量的相似性。夹角越小，余弦值越接近于1，它们的方向更加吻合，则越相似。
计算机操作系统：Cos12=0.67；Cos13=0.67；Cos14=0；
2.3 获得项目-项目相似表
通过两表差集，过滤重复条目，得出以下结果，如表2。
选择余弦值相似度比较高设置过滤余弦相似度小于0.6的条目，则最后得到满足条件是2条，如表3。
2.4 关联原表对读者产生推荐
3 协同过滤算法缺陷以及解决方法
3.1 数据稀缺问题
由于图书资源数量比较多，而且读者是比较少的，对资源评分只是一小部分，那么会导致读者-资源评分矩阵数据将会是稀疏的。数据稀疏，难以产生产品相似集。针对稀缺矩阵问题，在实践中可以采用多种方法解决，方法一，可以通过标签系统方式，把未评分的图书给它打上标签。而这个标签是可以参考已有评分资源的。方法二，可以通过人为的，专家打分。方法三，可以设置默认缺省值来代替（可以取资源评分的均值）。方法四，可以通过项目评分预测法，通过计算资源条目之间的相似性，读者对相似项目评分来预测读者对未评分项目的评分[8]。
3.2 冷启动问题
对于新读者而言，由于他没有借阅过任何图书，系统中没有该读者任何访问或者借阅记录，所以系统无法为其找相似邻居集，而不进行推荐。对新的资源也是如此，无任何用户对该资源进行评分，无资源评分记录，就无法被协同过滤算法进行推荐。针对冷启动问题，可以将新资源属性与其他有评分资源进行聚类分析，新资源所属的类的特征以及评分值大小，可以将类中评分值设置为新资源评分。
4 结语
协同过滤个性化推荐系统应用在高校学习资源平台进行，对于高校师生高效积累学习资源和提升学习效果具有重要意义。
①实现了精准推荐服务不仅可以提高学习个体学习兴趣，还可以提供服务质量，可以有效的保留用户，提高对平台应用忠诚度，有助于学习资源平台发展优化建立人气。②如果高校学习平台具有电子商务功能提高电子商务网站的交叉销售能力，并将且在的浏览者转化购买者。比如在平台中增加二手图书购买，若借用个性推荐系统，不仅提升用户体验满意度而且促进购买。
参考文献：
[4]邓爱林.电子商务推荐系统关键技术研究[D].上海：复旦大学，2003.
[5]王永固，邱飞岳，赵建龙，刘晖.基于协同过滤技术的学习资源个性化推荐研究[J].远程教育杂志，2011，3.
[6]Resnick P，Iacovou N，Suchak M，etal.GroupLen：an open architecture for collaborative filtering of net news[C].In Proceeding CSCW，1994 .
[7]王国霞，刘贺平.个性化推荐系统综述[J].计算机工程与应用，2012，48（7）：68-70.
