融入学习者模型在线学习资源协同过滤推荐方法

刘芳，田枫，李欣，林琳

（1.东北石油大学 计算机与信息技术学院，黑龙江 大庆 163318;2.讷河市第一中学，黑龙江 讷河 161300）

近年来，随着互联网技术高速发展，在线教育平台的使用越来越被学习者所接受，尤其新型冠状病毒爆发之后，线上学习是在不能正常进行线下学习的情况下优选的学习模式。数据表明，截至2020 年12 月，我国在线教育用户规模达3.42亿,占网民整体的34.6%。该项数据在2020 年3 月时达到高峰，为4.23 亿，占比数据为46.8%[1]。面对巨大的在线学习需求，在线教育机构提供免费在线课程，共享在线教学资源，在线教育行业呈现爆发式增长趋势。然而随着在线学习平台的广泛使用，在线学习资源的数量也急剧增长，在数量庞大的在线学习资源中，学习者很难快速定位自己需要的资源，导致“信息迷航”。

信息推荐是解决用户从海量对象中迅速有效地筛选出符合自己偏好特征的对象的方法[2]。目前，信息推荐技术被广泛应用于诸多领域。将信息推荐技术应用到在线教育，实现在线教育过程中学习资源的个性化推荐是解决“信息迷航”问题的一个有效途径。协同过滤算法是目前信息推荐技术的主流算法，该算法的相关研究工作大多集中在相似度计算和用户对资源评分的优化上[3]。在相似度计算方面，Wang 等[4]提出了基于Kullback-Leibler 散度的项目相似度计算方法来改进相似度计算，提高推荐准确率；Jiang 等[5]提出了基于Quasi-norm 的用户相似度计算方法，来提高推荐精度；Mu 等[6]提出了一种改进的Pearson 相关系数的方法改进相似度计算从而改善推荐结果。……