CN103353872B - 一种基于神经网络的教学资源个性化推荐方法 - Google Patents

Abstract

本发明公开了一种针对教学资源的个性化推荐方法。它至少包括下列模块：1)基于内容推荐模块：以教学资源的内容和属性为基础来进行推荐，可以解决新项目冷启动问题；2)基于用户协同过滤模块：根据用户的打分，下载，浏览矩阵计算用户之间相似度，然后对用户进行推荐；3)基于项目协同过滤模块：根据用户的打分，下载，浏览矩阵计算教学资源之间相似度，然后对用户进行推荐；4)神经网络模块：具有强大的动态非线性映射能力，对教学资源推荐有较高的精度和满意度。本发明推荐效果好于单独采用前面的推荐模块或者前面模块推荐结果的线性插值。

Description

一种基于神经网络的教学资源个性化推荐方法

技术领域

本发明涉及一种资源的个性化推荐方法，尤其涉及在教学资源系统中进行个性化推荐方法。

背景技术

近年来，随着WEB2.0的发展，互联网已经变成数据分享的平台，然而伴随而来的就是数据爆炸的问题，搜索引擎虽然能帮助用户迅速的找到目标信息，但是在很多情况下，用户不明确自己的需求，或者很难表达自己的需求，因此一个根据用户的个人口味和喜好推荐系统是非常有必要的。这帮助用户从简单的目标明确的数据搜索转换成更符合用户习惯的信息发现。如今，伴随着推荐技术的发展，推荐系统已经成功的应用到很多WEB应用中，并且取得了很大的成功。推荐模型应用到越来越多的领域，这对提高WEB应用的用户体验和智能性，有很大的帮助。在教学辅助系统领域，老师和学生会通过教学辅助系统上传和共享资源，却没有一种智能的针对教学资源的个性化推荐方法。为了提高资源共享系统的智能性，从而提高学生的学习兴趣和学习质量，本发明提出一种针对教学资源的个性化推荐方法，给学生推荐可能感兴趣的教学资源。

发明内容

本发明的目的是充分发挥基于内容推荐，协同过滤和神经网络的优点，从而提高推荐精度，提供一种针对教学资源的个性化推荐方法。

针对教学资源的个性化推荐方法至少包括下列模块：

1)基于内容推荐模块以教学资源的内容和属性为基础来进行推荐，可以解决新项目冷启动问题;

2)基于用户协同过滤模块：根据用户的打分，下载，浏览矩阵计用户之间相似度，然后对用户进行推荐；

3)基于项目协同过滤模块：根据用户的打分，下载，浏览矩阵计算教学资源之间相似度，然后对用户进行推荐；

4)神经网络模块：采用常见的由S函数神经元组成的1.5层前馈神经网络，由于人工神经网络具有强大的动态非线性映射能力，因此该模块对用户对教学资源的偏好预测具有较高的精度和满意度。

根据上述的模块特点，本发明把基于内容推荐模块，基于用户协同过滤模块和基于项目协同过滤模块的输出作为神经网络模块的输入，来得到最终的推荐结果，如图1所示。其推荐流程为：当用户访问资源共享的首页时，神经网络模块根据基于内容推荐模块，基于用户协同过滤模块，基于项目协同过滤模块的推荐结果作为输入，计算教学资源对用户的推荐度，然后把推荐度最高的前k个资源推荐给用户。

所述的基于内容推荐模块：

核心思想是根据推荐资源或资源的元数据，发现资源的相关性，推荐给用户相似的资源，输入是教学资源的属性，输出是教学资源的推荐度。本模块根据教学资源的上传时间，下载，打分3个属性分别计算推荐度，计算方法如下：

教学资源上传时间推荐度的计算公式是e^-n其中e是自然底数，n是上传距今的天数。

教学资源下载推荐度公式是l-e^-n，其中n是下载次数。

教学资源打分推荐安度公式是average/5，其中average是资源的平均分。

所述的基于用户协同过滤模块：

基本原理是，根据所有用户对资源的偏好矩阵，发现与当前用户口味和偏好相似的“邻居”用户群，得到其“K-邻居”。然后，基于这K个邻居的历史偏好信息，为当前用户进行推荐。本推荐模型输入是用户的偏好矩阵，输出是教学资源对用户的推荐程度。其输出作为神经网络的输入。

其计算方法是，假设有用户偏好矩阵P：

P=[p_l，p₂，p₃，…p_n]^T

p_i＝[p_i，1，p_i，2，p_i，3，…p_i，m]

其中p_i表示用户i的偏好向量，p_i，j表示用户i对资源j的偏好程度。采用相似度计算函数PS得到任意两个用户之间的偏好相似度PS(i,j)。对于用户i，可以得与其他用户偏好的相似度，取相似度最高的前k用户，作为其邻居用户，就得到了用户i同邻居用户相似度向量S_i：

这样根据S_i和P，就可以预估资源j对用户i的推荐度：

就可以算出教学资源对用户的推荐度。

所述的基于项目的协同过滤推荐模块：

根据所有用户对物品或资源的偏好，发现物品和物品之间的相似度，然后根据用户的历史偏好信息，将类似的物品推荐给用户。其输入是用户对资源的偏好矩阵，输出是资源对用户的推荐程度。

其计算方法是，假设用户对资源的偏好矩阵P：

P＝[p_l，p₂，p₃，…p_m]^T

p_i＝[p_i，l，p_i，2，p_i，3，…p_i，n]

采用相似度计算的函数RS，就可以得到任意两个资源之间的相似度RS(i,j)，

可以预估资源j对用户i的推荐度：

其中p_i，k表示用户i对资源k的偏好程度，RS(k,j)表示资源k同资源j的相似度，m是资源的个数。这样就可以计算出基于项目协同过滤的推荐矩阵。

所述的神经网络模块：

把基于内容推荐模块，基于用户协同过滤模块和基于项目协同过滤模块的计算结果整合到一起并产生最终推荐结果，在一定程度上摆脱了建立精确数学模型的困扰，为研究工作开辟了新的思路。本发明采用一种由S函数神经元组成的前馈神经网络，其神经元为所有输入加权和与某一阀值的S型非线性函数。S型函数σ(·)是一个非减函数，满足σ(-∞)＝0和σ(∞)＝1，可表示为：

其中，c为一常数，它决定S函数的形状。

采用的前馈神经网络，它是由p个神经元组成的一种多输入单输出网络，输出为隐层神经元输出的加权和，设输入向量为x₁，…，x_n，输出变量为y，它的数学描述如下：

其中：w_ij和t_j为可调权重。

神经网络的输入分别是前面三个模块计算出的特征值，输出是某资源对用户的推荐程度，作为最终的计算结果。

附图说明

附图是个性化推荐模块结构示意图。

具体实施方式

针对教学资的个性化推荐方法至少包括下列模块：

1)基于内容推荐模块以教学资源的内容和属性为基础来进行推荐，可以解决新项目冷启动问题;

2)基于用户协同过滤模块：根据用户的打分，下载，浏览矩阵计用户之间相似度，然后对用户进行推荐；

3)基于项目协同过滤模块：根据用户的打分，下载，浏览矩阵计算教学资源之间相似度，然后对用户进行推荐；

4)神经网络模块：采用常见的由S函数神经元组成的1.5层前馈神经网络，由于人工神经网络具有强大的动态非线性映射能力，因此该模块对用户对教学资源的偏好预测具有较高的精度和满意度。

所述的基于内容推荐模块：

输入是教学资源的属性，输出是教学资源的推荐度。教学资源的属性包括上传时间，下载，打分，使用数据库保存。教学资源属性表的字段为(ItemID,UploadDate,Download,Rate)，其中ItemID是主键，唯一标识一个教学资源。UploadDate保存的是教学资源的上传日期。Download保存的是教学资源被下载的次数。Rate保存的是教学资源的平均分。本模块计算方法为：

教学资源上传时间推荐度的计算公式是e^-n，其中e是自然底数，n是上传距今的天数。

教学资源下载推荐度公式是l-e^-n，其中n是下载次数。

教学资源打分推荐度公式是average/5，其中average是资源的平均分。

所述的基于用户协同过滤模块和基于项目协同过滤模块的输入需要用到用户对教学资源的偏好矩阵，包括用户下载矩阵，用户打分矩阵，用户浏览矩阵，分别记录了用户对教学资源的下载，打分和浏览情况。这三个用户偏好矩阵保存在数据库的用户偏好表里面。用户偏好表的字段为(UserID,ItemID,Visit,Download,Rate)，其中UserID和ItermID为主键，分别表示用户的ID和资源的ID。当UserID用户浏览ItemID资源时，设置Visit字段为1，否则为0。当UserID用户下载ItemID资源时，设置Download字段为1，否则为0。当UserID用户对ItemID资源打分时，设置Rate字段用户打分值。如果用户对某资源没有过任何访问，下载，打分的操作，就不需要向表中插入记录。

所述的基于用户协同过滤模块：

其输入是用户浏览矩阵，用户下载矩阵和用户打分矩阵，这三个矩阵都保存在数据库的用户偏好表中，其输出是教学资源对用户的浏览推荐度，下载推荐度和打分推荐度。

假设有用户偏好矩阵P：

P=[p_l，p₂，p₃，...p_n]^T

p_i＝[p_i，1，p_i，2，p_i，3，...p_i，m]

其中p_i表示用户i的偏好向量，p_i，j表示用户i对资源j的偏好程度。采用相似度计算函数PS得到任意两个用户之间的偏好相似度PS(i,j)。

对于用户下载矩阵，用户间下载相似度计算函数为：

其中|p_i∩p_j|表示用户i同用户j下载资源交集的大小，|p_i∪p_j|表示用户i同用户j下载资源并集的大小。

对于用户打分矩阵，用户间打分相似度计算函数为：

对于用户浏览矩阵，用户间浏览相似度计算函数为：

其中|p_i∩p_j|表示用户i同用户j浏览资源交集的大小，|p_i∪p_j|表示用户i跟用户j浏览资源并集的大小。

对于用户i，可以得与其他用户偏好的相似度，取相似度最高的前k用户，作为其邻居用户，就得到了用户i同邻居用户相似度向量S_i：

这样根据S_i和P，就可以预估资源j对用户i的推荐度r_i，j：

这样本模块算出教学资源对用户的下载推荐度，打分推荐度和浏览推荐度。

所述的基于项目协同过滤模块：

其输入是用户浏览矩阵，用户下载矩阵和用户打分矩阵，这三个矩阵都保存在数据库的用户偏好表中，其输出是教学资源对用户的浏览推荐度，下载推荐度和打分推荐度。

对于用户对资源的偏好矩阵P：

P=[p_l，p_2，p₃，...p_m]^T

p_i=[p_i，1，p_i，2，p_i，3，...p_i，n]

采用相似度计算的函数RS，就可以得到任意两个资源之间的相似度RS(i,j)，

对于用户下载矩阵，用户间下载相似度计算函数为：

其中|p_i∩p_j|表示用户i同用户j下载资源交集的大小，|p_i∪p_j|表示用户i同用户j下载资源并集的大小。

对于用户打分矩阵，用户间打分相似度计算函数为：

对于用户浏览矩阵，用户间浏览相似度计算函数为：

其中|p_i∩p_j|表示用户i同用户j浏览资源交集的大小，|p_i∪p_j|表示用户i跟用户j浏览资源并集的大小。

这样可以预估资源j对用户i的推荐度：

其中p_i，k表示用户i对资源k的偏好程度，RS(k,j)表示资源k同资源j的相似，,m是资源的个数。这样本模块算出教学资源对用户的下载推荐度，打分推荐度和浏览推荐度。

所述的神经网络模块：

采用一种由S函数神经元组成的前馈神经网络，其神经元为所有输入加权和与某一阀值的S型非线性函数。S型函数σ(·)是一个非减函数，满足σ(-∞)＝0和σ(∞)＝1，可表示为：

其中，c为一常数，它决定S函数的形状。

采用的前馈神经网络，它是由p个神经元组成的一种多输入单输出网络，输出为隐层神经元输出的加权和，设输入向量为[x₁，…，x_n]，输出变量为y，它的数学描述如下：

其中：w_ij和t_j为可调权重。

神经网络模块的输入是前面三个模块计算出的9个特征值：教学资源上传时间推荐度，教学资源下载推荐度，教学资源打分推荐度，基于用户协同过滤下载推荐度，基于用户协同过滤打分推荐度，基于项目协同过滤浏览推荐度，基于项目协同过滤下载推荐度，基于项目协同过滤打分推荐度，基于项目协同过滤浏览推荐度。输出为教学资源对用户的最终推荐度。然后本模块把推荐度最高的k个教学资源推荐给用户。

Claims (1)

1.一种针对教学资源的个性化推荐方法，其特征在于至少包括下列模块：

1)基于内容推荐模块：根据教学资源的上传时间，下载次数，平均分这三个属性来分别计算不同的推荐度来对用户推荐；

2)基于用户协同过滤模块：根据用户的打分，下载，浏览矩阵计算用户之间相似度，然后对用户进行推荐；

3)基于项目协同过滤模块：根据用户的打分，下载，浏览矩阵计算教学资源之间相似度，然后对用户进行推荐；

4)神经网络模块：是一个并行的分布式的信息处理网络，具有非线性映射和联想记忆的功能，通过数据本身内在联系来建模，对交通流进行预测；所述的基于内容推荐模块计算推荐度的方法如下：

教学资源上传时间推荐度的计算公式是e^-n，其中e是自然底数，n是上传距今的天数；

教学资源下载推荐度公式是1-e^-n，其中n是下载次数；

教学资源打分推荐度公式是average/5，其中average是资源的平均分；所述的基于用户协同过滤模块根据用户偏好矩阵来进行推荐，假设有用户偏好矩阵P：

P＝[P₁,P₂，P₃,...p_n]^T

P_i＝[P_i，1，P_i，2，P_i，3，...p_i，m]

其中p_i表示用户i的偏好向量，p_i，j表示用户i对资源j的偏好程度；采用相似度计算函数PS得到任意两个用户之间的偏好相似度PS(i,j)；对于用户i，可以得与其他用户偏好的相似度，取相似度最高的前k用户，作为其邻居用户，就得到了用户i同邻居用户相似度向量S_i：

$S_i=\[s_{i,n_1},s_{i,n_2},s_{i,n_3},\mathrm{...}{s}_{i,n_k}\]$

根据S_i和P，预估资源j对用户i的推荐度：

$r_{i,j}=\frac{{\mathrm{\Σ}}_{t=1}^k{s}_{i,n_t}*p_{n_t,j}}{{\mathrm{\Σ}}_{t=1}^k{s}_{i,n_t}};$

基于项目协同过滤推荐模块根据用户偏好矩阵来进行推荐，假设有用户对资源的偏好矩阵P：

P＝[p₁，P₂，P₃，...p_m]^T

p_i＝[P_i，1，P_i，2，P_i，3，...P_i，n]

其中p_i表示用户i的偏好向量，p_i，j表示用户i对资源j的偏好程度；采用相似度计算的函数RS，得到任意两个资源之间的相似度RS(i,j)，

预估资源j对用户i的推荐度：

$r_{i,j}=\frac{{\mathrm{\Σ}}_{k=1}^{m}RS(k,j)*p_{i,k}}{m}$

其中p_i，k表示用户i对资源k的偏好程度，RS(k,j)表示资源k同资源j的相似度，m是资源的个数；

所述的神经网络模块把基于资源内容推荐的结果，基于用户协同过滤的推荐结果和基于项目协同过滤的结果整合到一起；

其采用一种由S函数神经元组成的前馈神经网络，其神经元为所有输入加权和与某阈值的S型非线性函数；S型函数σ(·)是一个非减函数，满足σ(-∞)＝0和σ(∞)＝1，表示为：

$\mathrm{\σ}\left(x\right)=\frac{1}{1+e^{-cx}}$

其中，c为一常数，它决定S函数的形状；

采用的前馈神经网络，它是由p个神经元组成的一种多输入单输出网络，输出为隐层神经元输出的加权和，设输入向量为[x₁,…,x_n]，输出变量为y，它的数学描述如下：

$y=\underset{j=1}{\overset{p}{\Σ}}{t}_j\mathrm{\σ}\left(\underset{j=1}{\overset{p}{\Σ}}{w}_{ij}{x}_i+w_{n+1,j}\right)$

其中：w_ij和t_j为可调权重。