基于协同过滤的高校思政课程资源个性化推荐方法.pdf

信息与电脑信息化教育Information&Computer基于协同过滤的高校思政课程资源个性化推荐方法2023年第10 期杨佳孙明丽*（长春建筑学院，吉林长春130000)摘要：传统方法在高校思政课程资源个性化效果不佳，无法满足用户精度与速度需求。因此，提出基于二元组构建思政课程资源网络，更新学习兴趣节点关键词权重，挖掘兴趣特征，用协同过滤技术分析思政课程资源学习兴趣与课程资源相似度，生成个性化推荐思政课程资源，完成基于协同过滤的高校思政课程资源个性化推荐。实验证明，设计方法Fi值在0.9 以上，推荐时间在1s以内，具有较好的性能。关键词：协同过滤；思政课程资源；个性化推荐；关键词；相似度中图分类号：TP312The Personalized Recommendation Method of University Ideological and Political文献标识码：A文章编号：10 0 3-9 7 6 7（2 0 2 3）10-2 44-0 3Course Resources Based on Collaborative FilteringYANG Jia,SUN Mingli(Changchun University of Architecture and Civil Engineering,Changchun Jilin 130000,China)Abstract:Traditional methods have poor personalized effects on ideological and political course resources in universities,which cannot meet the accuracy and speed needs of users.Build a network of ideological and political curriculum resourceswith binary groups,update the keyword weights of learning interest nodes,mine interest characteristics,use collaborativefiltering technology to analyze the similarity between their learning interests and curriculum resources of ideological andpolitical curriculum resources,generate personalized recommended ideological and political curriculum resources,andcomplete personalized recommendation of college ideological and political curriculum resources based on collaborativefiltering.Experimental results have shown that the design method has a F,value above 0.9 and a recommended time within 1second,indicating good performance.Keywords:collaborative filtering;ideological and political course resources;personalized recommendation;keywords;similarity0引言目前，国内在高校思政课程资源个性化推荐方面研究晚，相关理论与技术不成熟，实际应用中存在效果不佳、推荐时间较长的问题，无法满足实际需求。为解决这些问题，文章提出了基于协同过滤的高校思政课程资收稿日期：2 0 2 3-0 3-0 2基金项目：2 0 2 3年度吉林省教育厅人文社科研究项目“新时代背景下吉林省民办高校青年教师思想政治工作实效性研究”（项目编号：JJKH20231478SZ）；2 0 2 2 年长春建筑学院教学研究课题项目“新时代背景下加强吉林省民办高校青年教师思想政治工作实效性研究”（项目编号：CJGJ202205）。作者简介：杨佳（19 8 9 一），女，吉林长春人，硕士研究生，助教。研究方向：思想政治教育与创新创业教育。通信作者：孙明丽（19 8 2 一），女，吉林长春人，硕士研究生，讲师。研究方向：思想政治教育与创新创业教育。E-mail：。源个性化推荐方法。1思政课程资源网络构建为方便后续挖掘学习行为与兴趣，使用二元组表示思政课程资源网络，具体公式为K=(Hj,Lr)244(1)信息与电脑2023年第10 期Information&Computer信息化教育式中：K为思政课程资源网络；H,为思政课程资源使用轨迹；参数为每条思政课程资源使用轨迹在网络矩阵中位置；参数n为思政课程资源使用轨迹数量，当参数n为非零整数时，表示思政课程资源被使用过，当参数n为0 时，表示网络中没有任何思政课程资源被使用过；Luf为思政课程学习行为阈值；参数m为网络中学习行为数量；参数gf为某种学习行为在网络中所占比。思政课程资源使用轨迹有向图为H;=(J,P)式中：J为网络中思政课程资源节点；P为思政课程资源节点间的边。思政课程资源网络包含学习认知能力、知识结构以及学习偏好，用三元组表示为L-(U,O,E)式中：U为学习者认知能力；O为学习者知识结构；E为学习者学习偏好，用学习者使用思政课程资源偏好度表示 2 。文章使用H”和L两个向量构建思政课程资源网络K，从而呈现思政课程资源使用轨迹，反映使用思政课程资源的类型、频次及内容，为学习兴趣挖掘提供依据。2学习者兴趣挖掘在思政课程资源网络中，第n个思政课程资源使用轨迹中的关键词为V。文章根据学习者历史检索关键词建立关键词集，使用权重更新学习者检索关键词 4。在挖掘兴趣的过程中，引人遗忘因子计算关键词权重的公式为In(T-t)=Kr+Yyxox式中：为思政课程资源学习兴趣节点关键词的权重；T为思政课程资源网络当前日期；t为在思政课程资源网络中最近一次修改关键词日期；r为思政课程资源网络评价因子；Y为历史学习关键词集合；为对思政课程资源评价对应分数；为学习率 5。根实际需求取排名前d位的学习兴趣权重进行归一化处理，构建思政课程资源学习兴趣集合。该集合的公式为S=(a,s,a,s,a,s)式中：S为思政课程资源学习兴趣；s为学习兴趣节点。3基于协同过滤的个性化推荐采用协同过滤技术进行相似度分析，假设学习者为x，学习者x在某一思政课程资源使用轨迹中的两个资源使用序列分别为ei、e 2。根据学习者x学习兴趣对学习者x学习行为与资源使用偏好进行相似程度计算，具体公式为式中：C为x学习行为与资源使用偏好相似程度；G为x认知能力与资源使用偏好相似程度；Q为x知识结构与资源使用偏好相似程度；w为计算系数，用于调节两种相似程度权重。计算学习者思政课程资源学习兴趣与思政课程资源的相似度，具体公式为(2)2C.m.eL=e+e2式中：为学习者思政课程资源学习兴趣与思政课程资源相似度；e为思政课程资源序列集 7。根据式（7）按照大到小的顺序排序思政课程资源，(3）根据需求筛选相似程度排在前z个的思政课程资源，过滤掉不符合需求的思政课程资源，建立个性化推荐备选样本，表达式为p(u)-s-d (u-0j02)式中：p()为生成思政课程资源个性化推荐备选集合；为二维矩阵；为计算系数；为可能不符合推荐条件但被推荐思政课程资源的误差数量；2 为可能符合推荐条件但却未被推荐思政课程资源误差数量；u为待推荐思政课程资源的总体数量 8 。为保证推荐准确性，对推荐备选集合p()中的每个资源进行评分。评分以思政课程资源重要性和学习需求为指标，具体公式为V=yp(M)(4)式中：v为思政课程资源个性化推荐备选集合p()中资源综合评分；y为思政课程资源个性化推荐备选集合p()中第i个课程资源在思政课程资源网络K使用率；为思政课程资源在思政课程资源网络K中使用程度数值。选取排名前个思政课程资源建立资源个性化推荐集合，过滤误差资源，将推荐给学习者，完成基于协同过滤的高校思政课程资源个性化推荐。4实验论证(5)4.1实验准备与设计某校思政课程选10 0 名学生为实验对象，选用1.2 5GB思政课程数据资源为样本，选择两种传统方法设计对比实验。两种传统方法分别为基于深度挖掘推荐方法（传统方法1）和基于卷积神经网络推荐方法（传统方法2）。实验环境为windows2010操作系统，搭配IHFA（R）5.16 2-2 6 40 中央处理器（Central Processing Unit,(6)(7)(8)(9）一245一信息与电脑信息化教育Information&ComputerCPU），以及32 GB硬盘。实验中，各方法按流程每隔0.2 5s向学生进行一次思政课程资源个性化推荐，从而检验推荐效果。4.2实验结果与讨论为验证实验的可靠性，选择F，为3种方法个性化推荐精准度评价指标。F值为准确率与召回率综合指标，值越高，代表思政课程资源个性化推荐精度越高。F,的计算公式为2wxkFf=2w+k式中：w为推荐思政课程水资源知识点与学生实际学习需求一致的比例；k为推荐思政课程水资源知识点与学生实际学习需求一致程度。F,的取值范围为0 1，数值越大越好。本实验以思政课程资源个性化推荐次数为变量，计算不同推荐次数下3种方法的F值，并用电子表格记录实验数据，如表1 所示。表13 种方法F,对比推荐次数/次设计方法传统方法1传统方法21000.992000.983000.964000.955000.956000.947000.938000.91由图1可知，设计方法的F值相对较高，虽然3种方法F值均随着推荐次数增加不断降低，但是设计方法的F值始终高于另外两种方法，且F值随着个性化推荐次数增加小幅度降低。当推荐次数达8 0 0 次时，设计方法F1值为0.9 1，仍控制在0.9 以上，说明设计方法基本符合学习需求。当推荐次数达8 0 0 次时，传统方法1与传统方法2 的F值分别比设计方法低0.56、0.55，证明设计方法推荐精度优于两种传统方法。实验以用户数量为变量，统计用户数量每增加50人的平均推荐时间。根据统计数据绘制的3种方法推荐时间对比，如图1所示。由图1可知，虽然3种方法推荐时间均随着用户数量的增加而不断增长，但是设计方法增长比例较小，数量达到2 0 0 人时，设计方法推荐时间为0.57 s，比传统方法1快4.12 s，比传统方法2 快3.57 s。实验证明无论在推荐精度方面还是推荐速度方面，设计方法均表现出明显优势，比较两种传统方法更适合2023年第10 期个性化推荐高校思政课程资源。5.25设计方法4.25传统方法13.25传统方法2S/2.251.25(10)0.250.005结语文章提出了基于二元组构建思政课程资源网络，更新学习兴趣节点关键词权重，探究兴趣，通过过滤技术分析思政课程资源学习兴趣与课程资源相似度，形成个性化推荐思政课程资源。通过实验验证可知，该设计无论在推荐精度方面还是推荐速度方面，均表现出明显优0.560.540.580.510.530.470.510.450.480.430.430.420.410.380.350.3650图13种方法推荐时间对比图势，具有一定的应用价值。参考文献1韩利华.基于学习者动态画像的个性化学习资源推荐策略研究 .中文科技期刊数据库（文摘版）教育,2 0 2 1(1):330-331.2王慧，孙德红.基于改进图神经网络和用户偏好聚类的个性化学习资源推荐算法 J.黑龙江工程学院学报,2 0 2 2,36(6):30-34.3江帆.基于学习网络的Android程序设计课程学习资源个性化推荐模式构建 .计算机教育,2 0 2 2(9):17 1-17 5.4赵杨，杨彬，董姝仪，等.多源大数据驱动的移动图书馆个性化推荐系统设计与实现 .图书馆学研究,2 0 2 1(11):20-31.5何英，许文.基于高维张量分解的个性化教育资源推荐算法研究 J.无线互联科技,2 0 2 1,18(10):114-115.6冯丽丹.大数据背景下基于用户特征库的个性化资源推荐技术探讨 J.信息记录材料,2 0 2 1,2 2(4):2 0 1-2 0 2.7杨伟，韩立平.基于混合机制的个性化学习资源推荐系统研究：以国家开放大学学习网为例 .湖北开放职业学院学报,2 0 2 0,33(13):6 5-6 6.8王嘉琦，顾晓梅，王永祥.混合学习情景下英语视听资源的个性化协同推荐研究 .外语电化教学,2 0 2 0(3):54-6 0.100用户数量/人150200一246一