基于云计算和IRS的在线课程推荐算法研究
|
摘要
为了提高MOOC在线课程的推荐效果和推荐效率,结合学习用户的偏好和IRS课程评价方法,提出一种基于云计算和IRS的在线课程推荐算法。将学习交互度I、评价率R和评分S和用户偏好结合,提出一种更加适合学习者用户的个性化推荐算法。研究结果表明,文中IRS推荐算法具有更高的命中率和评分差,其推荐的课程令学习者更加满意,更加适合学习者的个性化需求,可以提高推荐效率和运行速度,为在线课程推荐提供新的方法和途径。
In order to improve the recommendation effect and efficiency of MOOC online courses,a new online course recommendation algorithm based on cloud computing and IRS is proposed,combining with the user 's preferences and the IRS course evaluation method. Combining learning interaction I,evaluation rate R and rating S with user preference,the proposed algorithm is more suitable for learner users. The research results show that this IRS recommendation algorithm has better performance in hit rate and score difference. Its recommended courses make learners more satisfied and more suitable for the individual needs of learners. It can improve the recommendation efficiency and speed,provide new methods and approaches for online course recommendations.
In order to improve the recommendation effect and efficiency of MOOC online courses,a new online course recommendation algorithm based on cloud computing and IRS is proposed,combining with the user 's preferences and the IRS course evaluation method. Combining learning interaction I,evaluation rate R and rating S with user preference,the proposed algorithm is more suitable for learner users. The research results show that this IRS recommendation algorithm has better performance in hit rate and score difference. Its recommended courses make learners more satisfied and more suitable for the individual needs of learners. It can improve the recommendation efficiency and speed,provide new methods and approaches for online course recommendations.
引文
[1]郭均鹏,赵梦楠.面向在线社区用户的群体推荐算法研究[J].计算机应用研究,2014,31(3):696-699.
[2]吴晟.通过评分特征优化基于K近邻的协同过滤算法[J].信息技术,2018,42(12):75-79.
[3]冯克鹏.基于数据挖掘的个性化高校选课推荐算法研究[J].数字技术与应用,2012(8):63-64.
[4]林中明,李文敬.基于Hadoop的Web用户识别与新闻智能推荐算法研究[J].软件导刊,2016,15(5):27-29.
[5]杨艳霞,于海平,陈燕.基于Web挖掘的个性化推荐算法研究[J].计算机与数字工程,2014,42(4):674-677.
[6]周波,杨朝峰.基于二分网络的推荐算法研究进展[J].情报工程,2016,2(1):77-90.
[7]杨贺腾山,李晶.基于Hadoop网络课程推荐系统的研究与设计[J].佳木斯大学学报:自然科学版,2016,34(6):49-52.
[8]夏立新,毕崇武,程秀峰.基于FRUTAI算法的布尔型移动在线学习资源协同推荐研究[J].图书情报工作,2017,61(3):18-22.
[9]王琳琳.基于协同过滤的在线学习个性化推荐技术研究[J].微型电脑应用,2017,33(5):11-15.
[10]沈伟.基于协同过滤算法的学习行为分析研究与实现[J].移动信息,2016(10):149-150.
[11]陈永康,章美仁.基于大数据的在线就业课程推荐系统[J].电子商务,2017(4):72-73.
[12]杨立力.个性化课程推荐中LFM自动聚类算法研究[J].微型电脑应用,2014,30(11):28-31.
[13]祝奇伟,陈家琪.一种改进相似度计算方法的协同过滤推荐算法[J].信息技术,2015,39(3):13-16.
[14]夏兵兵,王卫东.改进的多因子协同过滤推荐算法[J].信息技术,2018,42(6):129-135.
[15]苏莹,刘建国,郭强,等.考虑负面评价的个性化推荐算法研究[J].运筹与管理,2012(6):17-22.
[2]吴晟.通过评分特征优化基于K近邻的协同过滤算法[J].信息技术,2018,42(12):75-79.
[3]冯克鹏.基于数据挖掘的个性化高校选课推荐算法研究[J].数字技术与应用,2012(8):63-64.
[4]林中明,李文敬.基于Hadoop的Web用户识别与新闻智能推荐算法研究[J].软件导刊,2016,15(5):27-29.
[5]杨艳霞,于海平,陈燕.基于Web挖掘的个性化推荐算法研究[J].计算机与数字工程,2014,42(4):674-677.
[6]周波,杨朝峰.基于二分网络的推荐算法研究进展[J].情报工程,2016,2(1):77-90.
[7]杨贺腾山,李晶.基于Hadoop网络课程推荐系统的研究与设计[J].佳木斯大学学报:自然科学版,2016,34(6):49-52.
[8]夏立新,毕崇武,程秀峰.基于FRUTAI算法的布尔型移动在线学习资源协同推荐研究[J].图书情报工作,2017,61(3):18-22.
[9]王琳琳.基于协同过滤的在线学习个性化推荐技术研究[J].微型电脑应用,2017,33(5):11-15.
[10]沈伟.基于协同过滤算法的学习行为分析研究与实现[J].移动信息,2016(10):149-150.
[11]陈永康,章美仁.基于大数据的在线就业课程推荐系统[J].电子商务,2017(4):72-73.
[12]杨立力.个性化课程推荐中LFM自动聚类算法研究[J].微型电脑应用,2014,30(11):28-31.
[13]祝奇伟,陈家琪.一种改进相似度计算方法的协同过滤推荐算法[J].信息技术,2015,39(3):13-16.
[14]夏兵兵,王卫东.改进的多因子协同过滤推荐算法[J].信息技术,2018,42(6):129-135.
[15]苏莹,刘建国,郭强,等.考虑负面评价的个性化推荐算法研究[J].运筹与管理,2012(6):17-22.