一种利用用户学习树改进的协同过滤推荐方法
[目的]利用学习树中知识点的属性和学习访问序列,对知识点进行预测评分,进而进行用户相似性聚类以实施协同过滤推荐,改进传统在线学习推荐方法,提高推荐质量.[方法]对用户所学知识点属性、知识点学习访问序列、学习频率、学习时间进行标准化处理构建学习树;基于学习树,对树中知识点进行预测评分;基于预测评分和知识点属性、知识点学习序列分别利用Pearson相似性和余弦相似性进行用户相似性计算,利用K均值聚类方法进行相似用户聚类,进而利用协同过滤推荐方法进行在线学习推荐.[结果]通过F-measure指标进行实验评价,结果表明该方法与传统在线学习协同过滤推荐方法相比F-measure指标超过奇异值分解协同过滤8.22％,超过平均分预测协同过滤3.75％.[局限]仅基于某在线学习平台的52 456条学生的学习记录和日志进行建模和测试,未在其他数据集上进一步检验.[结论]解决了依赖用户评分进行协同过滤推荐的缺陷,同时考虑了用户兴趣迁移对推荐准确率的影响,对在线学习冷启动与可扩展性问题的解决具有较好的指导意义.
在线学习推荐、协同过滤、学习树、学习访问序列
TP301.6;G35(计算技术、计算机技术)
2016-06-16（万方平台首次上网日期，不代表论文的发表时间）
72-80
