基于学习情况协同过滤算法的个性化学习推荐模型研究*

苏庆,陈思兆,吴伟民,李小妹,黄佃宽

Personalized Recommendation Model Based on Collaborative Filtering Algorithm of Learning Situation

Su Qing,Chen Sizhao,Wu Weimin,Li Xiaomei,Huang Tiankuan

表1 经典推荐模型归纳

Table 1 Introduction of Classical Recommendation Model

算法模型 优势 不足 Pearson-CF[15] 是经典的协同过滤算法,结合学习者的共同知识点平均分,使得相似度的计算更具客观性。 由于忽略了体现学习者学习情况的各种因素,导致相似度计算结果准确度欠佳。 New-cosine[7] 引入权重方程,提升了学习成绩较好学习者的推荐权重,进而改进协同过滤算法。 学习者的学习情况各异,仅以成绩较好的学习者作为推荐标准,缺乏个性化,影响推荐效果。 TRCF-LS-KL[8] 结合学习者学习风格、知识水平及信任模式对协同过滤算法进行改进。 仅通过问卷调查手段确定学习风格相对片面;由学习者指定被信任人的信任模式具有较大主观性。 CF-SPM[9] 融合学习者的学习情况（学习对象得分）以及学习风格（学习某对象的时间、频率）改进协同过滤算法。 仅以学习时间和频率等个体差异较大的因素计算学习者的相似度时,存在较大偏差,客观性不足。 Edurank[10] 联合协同过滤和社会选择理论,结合学习者以及相似学习群体的学习情况和认知水平改进协同过滤算法。 缺乏对学习者自身学习情况和学习风格等方面信息的挖掘,与个性化学习情况的结合程度较低。