高立强 缪 凯
(南京工程学院计算机工程学院,江苏 南京 211167)
随着信息技术和互联网的发展,知识共享的速度和体量得到了突破和飞跃。然而在信息技术加速知识传播的同时,不可避免地造成了信息过载现象(Information Overload)的问题[1]。无论是信息消费者还是信息生产者都遇到了很大的挑战。2020 年在疫情的冲击下,网络教育成为时代宠儿,在线课程也面临着信息过载的问题:用户急速增加,课程数量庞大,但质量参差不齐。为了充分发掘优质课程,满足用户复杂需求,需要一种针对网络课程的推荐算法。
目前,推荐系统大致分为以下几种:基于内容的推荐、协同过滤推荐、基于知识的推荐、基于网络结构的推荐、组合推荐及其他推荐[2]。其中,协同过滤算法利用用户的行为数据,通过分析所有用户的互动数据,使推荐列表能够越来越满足用户的个性化需求。协同过滤推荐一般分为两类:基于用户的协同过滤推荐算法和基于物品的协同过滤推荐算法[3]。基于用户的协同过滤算法的基本思想是找到与目标用户兴趣相似的用户集合所喜欢的而目标用户不认识的物品;而基于物品的协同过滤算法的基本思想是找到与目标用户喜欢的物品相似的物品[4]。协同过滤算法拥有善于推荐复杂的非结构化对象、善于发现兴趣点、推荐性能随用户增多而提升等特点。但也存在诸多问题,如冷启动、数据稀疏性、推荐质量依赖历史数据集等。……