基于ATCF算法的學習資源個性化推薦系統(tǒng)的研究.pdf

1、網(wǎng)絡(luò)教學已經(jīng)成為這個信息時代深受歡迎的學習模式，其為學習者帶來豐富學習資源的同時也存在著諸多問題，例如浩瀚的學習資源導(dǎo)致了“信息迷航”問題，學習者需要花費更多的時間來篩選所需的資源;網(wǎng)絡(luò)教學系統(tǒng)采用的是“以資源本身為主”的方式，沒有考慮學習者興趣偏好，不能針對性的提供服務(wù)。個性化推薦技術(shù)已被成功的應(yīng)用到電子商務(wù)領(lǐng)域，將其應(yīng)用到網(wǎng)絡(luò)教學中，為學習者提供個性化服務(wù)，解決“信息迷航”問題已成為網(wǎng)絡(luò)教學中重要的研究內(nèi)容。
　　本文對個性化

2、推薦系統(tǒng)以及相關(guān)的推薦技術(shù)做了深入的研究，針對協(xié)同過濾技術(shù)中存在的冷啟動、評分矩陣稀疏性問題，在分析已有改進方案的基礎(chǔ)上提出了基于屬性和時間權(quán)重的組合推薦算法—ATCF。為了緩解冷啟動問題，采用基于項目屬性和用戶屬性的組合協(xié)同過濾推薦算法，對于新項目、新用戶，采用其自身的屬性代替評分矩陣來找相似鄰居;為了緩解評分矩陣稀疏性問題，本文設(shè)計了填充評分矩陣的方案，即利用項目屬性和時間權(quán)重對未評分項進行預(yù)評分，并填到原矩陣中獲得稠密的偽評分矩陣

3、，再在偽評分矩陣中通過用戶自身屬性信息和評分信息找到目標用戶的最近鄰，依據(jù)最近鄰的評分信息計算目標用戶對未評分項目的預(yù)評分，最終得到預(yù)評分最高的推薦列表。本文考慮了用戶興趣會隨著時間而發(fā)生變化，加入了心理學的遺忘函數(shù)，來改變不同時間的評分在相似度計算時所占的比重。
　　本文利用Java語言編程實現(xiàn)了基于屬性和時間權(quán)重的組合推薦算法—ATCF，并采用Movielens數(shù)據(jù)集驗證了算法的效率。通過ATCF算法與傳統(tǒng)的協(xié)同過濾算法的準確