基于神经网络的个性化学习资源推荐系统的研究与设计

信息与电脑2019年第9期China Computer & Communication算法语言基于神经网络的个性化学习资源推荐系统的研究与设计江艳梅　杨景超（河北交通职业技术学院，河北 石家庄　050035）摘　要：随着社会的快速发展，科技不断进步。目前，以学习对象为主体的在线学习环境越来越普遍。面对互联网上海量的学习资源，传统的推荐系统不能为学习对象提供精准、有效的服务项目。基于此，将深度神经网络技术与资源推荐系统相结合，提出了基于深度神经网络的个性化学习资源推荐系统的设计思路，为学习者提供个性化的学习策略。关键词：神经网络；推荐算法；个性化学习；大数据分析中图分类号：TP391　　文献标识码：A　　文章编号：1003-9767（2019）09-035-03Research and Design of Personalized Learning Resource Recommendation System Based on Deep Neural NetworkJiang Yanmei, Yang JingchaoAbstract: With the (Hebei Jiaotong Vocational and Technical College, Shijiazhuang Hebei 050035, China)environment with learning object as the main body is becoming more and more popular. Faced with the huge amount of learning rapid development of society, science and technology are progressing. At present, online learning resources on the Internet in Shanghai, the traditional recommendation system can not provide precise and effective service items for learning objects. Based on this, the deep neural network technology is combined with the Resource Recommendation system, and personalized learning strategies for learners.the design idea of Personalized Learning Resource Recommendation System Based on deep neural network is put forward to provide Key words: neural networks; recommendation algorithm; personalized learning; big data analysis１　资源推荐算法的相关技术11.1　User CF（User Collaboration Filter）基于用户的协同过 w∑i∈N(u)∩N(v)1+αtuv=ui−tviN(u) ∪N(v)（2）滤推荐算法1.2　Item CF基于项目的协同过滤推荐算法基于用户的协同过滤算法核心思想为用户在线个性化推荐时，找到与其有相似兴趣的其他用户，推荐其他用户喜欢算法核心思想是推荐与当前用户历史物品相似的物品。而该用户不知道的物品。算法步骤指计算两个用户的兴趣相对于当前用户浏览过的每一个物品，推荐与每一个物品相似似度，找出物品推荐。具体实现操作是推荐与当前用户相似度高的数量为N个的物品。具体实现操作指余弦相似度改进。度高的N个用户所应用的物品。在分子中除了考虑两个物品是否同时被用户浏览过，还考虑余弦相似度改进w该用户一共浏览过的物品总数量。uv：1∑1 wN(v)log1+N(i) ∑uuv=N(u)N(v) （1）w∈N(i)∩N(j)ij=log1+N(u)i∈N(u)∩N(i)N(j) （3）加入时间因子t，计算相似度wij，即在原余弦相似度加入时间因子t，计算相似度wuv。用户u和用户v对物sin(i, j)的基础上，同一个用户浏览两个物品i和j时，时间t品i产生行为的时间越远，两个用户的兴趣相似度越小。距离越近，相似度越大。基金项目：河北省教育厅自然科学青年基金项目（项目编号：QN2017324）。作者简介：江艳梅(1981—)，女，河北邯郸人，硕士研究生，讲师。研究方向：计算机信息管理、大数据、云计算。—　　　３５　　　—算法语言信息与电脑China Computer & Communication2019年第9期 sin(i,j)=∑u∈N(i)∩N(j)f(tui−tuj)数据模型模块和最终算法模块。采集直接数据或间接数据信N(i)N(j) （4）息集，用户主动提供个人喜好或利用数据分析推算用户喜好其中，f表示对用户进行评分的函数。信息，对用户喜好特征进行数据分析，并建立特征模型。根1.3　两种算法原理的差异分析据特征模型设计算法，筛选用户潜在的需求项目，把最优推荐项目列表推送给用户。算法原理的差异为User CF的推荐结果着重反映与用户兴趣相似的小群体的热点，而Item CF的推荐结果着重维系提供喜好获取用户用户模型用户的历史兴趣。技术上的差异指User CF需要维护一个用采集喜好喜好特征算法户相似度矩阵，而Item CF需要维护一个物品相似度矩阵。寻求推荐２　神经网络的相关概念提供算法模型2.1　深度学习的概念推荐推荐算法深度学习为用户提供了一种非常有效的学习技术途径，图２　系统基本模型本质上是深层次抽象挖掘数据特征，通过大规模数据学习有效的特征表示及复杂映射机制，从而建立有效的数据模型。3.3　学习资源个性化推荐系统的系统整体架构目前，信息处理系统有两种工作模式：第一种是“拉”模式，学习资源个性化推荐系统的系统整体架构如图3所示。比如搜索引擎、用户提交查询、系统返回搜索结果；第二种是“推”模式，如推荐系统，用户不要求显式提交任何查询展示层推荐结果融合用户最近查询行为用户推荐操作行为和兴趣偏好，系统通过自动化算法推送“信息”[1]。数据结果层线下推荐结果线上推荐结果2.2　神经网络模型策略层用户特征模型数据资源特征模结构化数据源推荐策略库神经网络模型包括多层感知器、卷积神经网络、循环神操作日志信用户行为日志数据资源信息推荐请求日志推荐操作日志经网络和递归神经网络等。多层感知器用多层神经元结构构图３　系统架构建复杂的非线性变换。卷积神经网络的主要特征是可以直接部署于多层感知器，通过多个卷积层和子采样层，使输入不４　基于神经网络的个性化学习资源推荐系统的设计定长度或无序的特征信息成为一个固定长度的向量表示。循与实施环神经网络是时序序列建模的常用模型，主要描写数据隐含4.1　学习资源推荐系统平台的设计状态的关联性，可以精准捕捉整个序列的数据特征。递归神经网络根据一个给定的外部拓扑结构，不断递归，得到一个个性化学习资源推荐系统的功能是以用户的学习为目进序列的表示方法[2]。行设计，用户通过登录系统平台，使用系统的各种学习资源库，例如搜索、推荐、下载、上传和评价。３　移动个性化学习资源推荐系统的架构4.2　系统技术支撑结合推荐算法和神经网络，本文设计了一种基于神经网络的项目推荐算法。该算法从个性化学习资源项目的特征信第一，MySQL数据库开发工具。MySQL是一个关系型数息出发，结合卷积神经网络和词嵌入技术，构建了一个深度据库管理系统。系统利用关系数据库将数据保存在不同表中，神经网络，用于提取学习资源库中的隐含特征信息。采用概而不是将所有数据存放在一个大仓库，提高了速度和灵活性。率矩阵分解算法，从评分矩阵中提取用户的隐含特征，根据第二，Eclipse。Eclipse是一个开放源代码、基于Java的可扩展用户和学习资源库的隐含特征为用户生成推荐。开发平台，是一个框架和一组服务，用于通过插件组件构建开发环境。Eclipse附带一个标准插件集，包括Java开发工具（Java 3.1　基于大数据分析的项目资源库数据结构Development Kit，JDK）。第三，Web服务器。Apache Tomcat8项目中的前端数据库利用大数据分析技术初始化数据的通过Tomcat数据源实现数据库连接，可以提高服务器的稳定性。分析过程如图1所示。Apache是一款Web服务器软件，有多种产品，可以支持SSL收集技术，支持多个虚拟主机，快速、可靠，可通过简单的API扩前端数据过程数据实时学习提供模型学习资源库用户充将Perl／Python等解释器编译到服务器中。寻求图１　数据分析过程4.3　系统主要模块的设计3.2　个性化推荐系统的基本模型4.3.1　系统登录界面设计推荐系统的基本模型如图2所示，主要包括用户模块、系统登录界面如图4所示。—　　　３６　　　—信息与电脑2019年第9期China Computer & Communication算法语言据比较。实验证明，该算法结果最优。但是，本文仍存在很多不足，需要进一步研究和改进，具体有以下两方面：（1）针对协同过滤算法的“冷启动”问题和“稀疏矩阵”问题；（2）有关单机运行速度慢的问题，主要是实验数据集取值范围小造成。图４　系统登录界面管理员通过账号和密码进入系统管理后台，管理和维护系统数据。不同角色的管理员分配不同的权限。用户通过输入账号和密码进入资源推送系统，按照不同的课程分类进行在线学习。图５　系统功能模块设计4.3.2　资源推荐管理系统模块设计资源推荐管理系统如图5所示，包括使用说明模块、系统功能模块和业务功能模块三部分。参考文献[1]杨雪,姜强,赵蔚.大数据学习分析支持个性化学习研５　结　语究——技术回归本质[J].现代远距离教育,2016(4):71-78.本文研究并设计了基于神经网络的个性化学习资源推荐系[2]刘依坤.基于Android平台的移动学习系统的研究与统，结合基于项目和学习者的协同过滤算法并仿真，与真实数实现[D].重庆:重庆师范大学,2014:54.（上接第34页）with Local Binary Patterns[J].Springer,2004(24):63.Classification with Deep Convolutional Neural Networks[C]//[5]Vojir T,Noskova J,Matas J.Robust Scale-Adaptive International Conference on Neural Information Processing Mean-Shift for Tracking[M].Berlin:Springer Berlin Heidelberg, Systems,2012:47.2013:36.[9]Danelljan M,Hager G,Khan F S,et al.Convolutional [6]Hare S,Saffari A,Torr P H S.Struck:Structured Output Features for Correlation Filter Based Visual Tracking[C]//2015 Tracking with Kernels[J].ResearchGate,2011(2):236.IEEE International Conference on Computer Vision Workshop [7]Kalal Z,Mikolajczyk K,Matas J.Tracking-Learning-(ICCVW),2015:364.Detection[J].IEEE Transactions on Software Engineeri[10]Danelljan M,Bhat G,Khan F S,et al.ECO:Efficient ng,2011,34(7):1409-1422.Convolution Operators for Tracking[J].IEEE Transactions on [8]Krizhevsky A,Sutskever I,Hinton G E.ImageNet Software Engineering,2016(63):458.—　　　３７　　　—