基于个性化推荐的网络学习平台系统设计

王泽毅 吴静 吕志 王璞

（武汉工程大学计算机科学与工程学院 湖北省武汉市 430205）

近年来，随着科技的快速发展，众多新型的学习方式逐渐出现在大众视野中。从最初的传统课堂授课，视频授课，到现在的直播授课，新型学习方式在学习中占据着越来越重要的地位，同时也是未来学习授课的大势所向。当今的主流学习方式仍是以传统课堂为主，以网络学习为辅的授课方式，但是不可否认新型学习方式在学习过程中发挥着越来越重要的作用。

1 背景

当前的网络课程学习平台主要分为两类[2]，一类是以中国大学MOOC为代表的，较为“官方的”，由高校名师进行授课的平台；另一类是以哔哩哔哩网站为代表的，较为“大众的”，由网友自制课程进行授课的平台。无论是“官方的”平台，还是“大众的”平台，都存在授课老师风格不同，水平参差不齐的问题。那么，如何在众多的学习视频中寻找到适合自己的视频？为了解决上述部分提到的问题，本文提出了基于个性化推荐的视频学习网站的设计与实现。

2 系统总体设计

系统大致可以分为三个部分，包括数据信息层、数据处理层和界面交互层，如图1所示。数据信息层就是用户在注册时收集用户的个人信息与需求，数据处理层包括对收集到的用户和所选择的资料进行分类与处理，以便进行个性化推荐，界面交互层就是呈现在用户面前，能够使用的功能[3]。

在用户初次登录并创建自己的账号后，系统会在数据库中为用户创建对应的数据信息。当用户在系统中进行操作时，系统会通过用户的Web浏览日志进行数据挖掘。根据挖掘到的数据进行用户喜好分析[4]，并将数据存储到对应用户的数据库中。在处理层对用户数据和资源数据进行处理后，根据个性化推荐算法计算出最匹配的资源并推荐给用户。

3 系统核心技术

3.1 个性化推荐

个性化推荐的本质就是对用户的浏览数据进行筛选、提取，然后加以统计分析。个性化分析需要对每个信息设定标签信息，并以此为依据进行分类与相似度计算[5]。从预先对每个信息添加的自定义标签中寻找具有类似标签和特征的信息，并推荐给用户。对于网络学习这种更加开放性的学习方式而言，学生能够进行的选择只会更多。如何寻找到适合自己风格的学习视频，则显得十分重要，本网站中选择的个性化推荐算法为协同过滤算法。

3.2 协同过滤算法

随着技术的发展，从早期基于邻域的协同算法开始，到Korean提出矩阵因子分解协同过滤，再到现在最新的基于神经网络的协同过滤，协同过滤算法经过了发展变得逐步完善。协同过滤算法根据选择对象的不同可以分为两类，基于用户的协同过滤和基于产品的协同过滤[6]。

基于用户的协同过滤算法通过比较用户之间的偏好来为用户推荐用户可能感兴趣的产品。首先，以矩阵行代表用户，以矩阵列代表学习视频，构造用户评分矩阵[7]。

图1：系统总体设计

其中，Rij表示用户i对视频j的评分。

随后，根据皮尔逊相关系数法计算相似用户，计算得到的结果的绝对值越大，则说明相关性越强。

式中，all表示用户i和用户j评分过的视频的交集，Rki和Rkj分别表示用户i和用户j对第k个视频的评分，分别表示用户i和用户j对所有视频评分的平均值。在计算出结果后，得到与目标用户最相似的用户，从而将该用户的感兴趣视频推荐给目标用户。

基于产品的协同过滤算法则是通过比较产品之间的相似度为用户推荐可能感兴趣的产品。首先，对每个视频添加多个不同的视频标签信息。在用户产生浏览行为后，根据Web日志的统计，可以统计出每一位用户的访问记录。通过用户最近几天的访问记录，提取出每位用户浏览过的课程中的标签信息，若用户的浏览记录有多个视频，那么需要提取出所有的浏览视频的标签，并通过公式进行计算：

图2：个性化推荐

其中，sum为提取的所有标签数，ti为第i个标签出现的次数，ai为第i个标签出现的频率。在计算出所有出现标签的频率后，根据频率大小，舍弃频率出现低的标签，只保留前五个标签。

随后将这五个标签通过相似度计算公式与所有的视频标签计算相似度，然后寻找出相似度最高的的学习视频，并将这些视频放入推荐区域。设定视频的相似度计算公式如下：

其中，S表示用户筛选出的标签个数，Si表示视频i的标签个数。从该计算公式可以得出用户浏览记录与其他视频的相似度，若p值越高，说明该视频与用户观看的视频之间的相似度越高。在计算所有视频的相似度之后，选取相似度最高的几个视频放置到推荐区，结果如图2所示。

4 系统实现

4.1 网站页面的建立

网站平台的前端页面主要通过HTML+CSS+JavaScript语言搭建了一个网络学习平台，并根据需求和难度分成了几个不同的版块。同时，在页面的最底端放入对应科目的学习资料，以便于获取。

平台的后端数据由MySQL数据库进行存储，将用户的信息存入数据库中，通过PHP将页面与后端数据库连接起来。数据库中存储了所有的数据信息，通过这些数据进行分析来进行推理与学习，以便进行个性化推荐。

4.2 推荐算法的应用

将基于用户的协同过滤算法和基于产品的协同过滤算法均用于系统后，发现推荐结果显示较为不错。当用户选择观看了高等数学视频后，个性化推荐区推荐了其他用户评价较好的高等数学视频以及预测用户可能感兴趣的视频。

为了解实际使用效果，设计在线问卷来收集用户的满意程度。经统计，总计542人填写了在线问卷，其中有74%的用户认为满足了自己的需求，选择“十分满意”；有22%的用户认为基本满足了自己的需求，选择“满意”；有4%的用户认为对自己的用处不大，选择了“一般”，没有人感到“不满意”。

5 结束语

本文描述了一个基于个性化推荐的网络学习平台。相较于其他的网络学习平台，该网站通过个性化推荐技术解决了网络视频繁多而导致难以选择的问题，为学生推荐可能感兴趣的学习视频，节省了学生的精力和时间。其中，重点介绍了使用到的个性化推荐算法，算法分别根据用户之间的喜好和视频的之间差异，为不同的用户推荐不同的视频，且获得了较好的推荐效果。