基于协同过滤推荐算法的在线教育课程建议

摘要

本文采用跨平台兼容的HTML5和高性能框架混合编程方法，将推荐系统中的推荐算法应用于在线教育平台，设计了一个基于协同过滤算法的个性化在线教育平台。服务器端开发采用成熟的B/S架构和流行的开发模式，移动端采用HTML5和框架，利用协同过滤和推荐算法为用户实现个性化课程推荐功能。通过改进传统的基于协同过滤的推荐算法，课程推荐结果更加符合用户的兴趣，大大提高了推荐的准确性和效率。在此基础上，本平台的在线教学分为两种模式:一种模式是原始教师上传录制的教学视频，学生可以在线购买或离线下载学习;另一种模式是交互式在线直播教学。每门课程都是独立的在线课堂;教师会提前在网上发布课堂信息，学生可以通过网上购买获取教室号和密码信息。

1.介绍

随着在线教育资源的指数增长，信息从文本形式转换为图片，音频，视频和在线直播等多媒体形式;信息的质量以及如何筛选信息已成为亟待解决的问题[1］．尤其是在快节奏的生活中，工作和学习压力大，信息获取的准确性和速度尤为重要。在这样的社会环境下，为用户提供准确、高效的信息已成为各行各业的主要任务[2］．网站对这种情况做出了一些简单的回应，但在大多数情况下，用户并不确切知道他们想要什么。其中许多问题导致了新技术的发展和个性化推荐技术的创造，以解决信息获取的准确性和效率[3.］．核心思想是推荐用户需要满足不同用户的特征的信息[4.］．为了加强用户体验，现在很多网站都以个性化推荐为主要推动力。个性化推荐作为解决信息过载的有效手段，对于网络教育平台也具有重要意义[5.］．例如，当MOOC中的用户分数小时，使用基于用户的协作过滤推荐算法可以帮助探索用户的潜在偏好并进行更准确的建议[6.］．在这一时代的信息爆炸时代，信息的创造者和信息的消费者面临着严峻的挑战，与创造者的主要挑战是如何使他或她产生闪耀和消费者在快速定位他或她所需信息的困难和消费者的困难在大量信息中[7.］．在这种情况下，第一个出现的待分类导航，它广泛用于许多场景，领先的用户，以快速查找所需的信息，还可以阐明网站或平台的目录结构以及各级之间的关系，等同于到地图，让用户不会丢失信息并阅读信息[8.］．然后，来自搜索引擎的出现，这是根据用户的需求和相应的算法收集和处理信息的检索技术，并应用特定策略来从互联网检索一些特定信息并将其送回用户，以提高速度人们可以访问和收集信息[9.］．

随着近年来人工智能的兴起，政府和所有职业都会大力开发人工智能，以促进社会的发展和技术进步[10.］．依靠互联网可以超越时间和空间的优势，传统的教学模式逐渐改变，学习知识的方式也更丰富，多级，教育变得更简单，更有效。在线教育网络开始蓬勃发展并变得流行[11.］．网络教育的发展和技术发展的水平与教育理念的改变、人们对用户教育需求的提升、生活方式的改变密切相关[12.］．Grouplets课题组提出了推荐系统的关键技术:协同过滤，这是在线教育的关键技术[13.］．同时，group Lens作为一种自动推荐系统被引入[14.］．个性化推荐的概念首次在美国人工智能协会与个性化导航系统Web Watcher由罗伯特·阿姆斯特朗和其他来自卡内基梅隆大学和里拉由Marko和斯坦福大学的其他人提出[15.］．从那时起，个性化的建议已经开始蓬勃发展。一个好的推荐系统为用户提供了一种归属感，使它们相信系统，并为他们提供了良好的个性化服务[16.］．推荐系统经过多年的测试和完善，如今已广泛应用于社交媒体平台、电子商务平台、视频平台、新闻媒体、互联网广告等多个领域。Kizilcec等人通过MOOC学习者数据解构了学习者的课程参与，并提出了一个可扩展的、信息丰富的分类法，该分类法确定了MOOC中的参与轨迹，用于预测学生下一步将学习什么以进行引导学习[17.］．Macina等人研究了问题建议，检查了受访者的背景知识和问题的适合度，以及他们回答问题的意愿，以开发一种新的学生活动模式，促使更多的参与[18.］．最后，超过4600名学生设计了在线实现来测试模型，并获得了良好的反馈。

移动互联网时代促进日常生活，同时产生大量的数据和信息，并且大多数令人眼花缭乱的推荐系统都用于商业领域。在工作和学习的双重压力下，实现教育资源的个性化推荐已成为智能教育中需要解决的首要问题。当用户在线学习时，个性化推荐系统的应用可以有效解决认知过载或模糊的问题，这可以大大提高资源利用和用户学习效率。随着个性化学习的重要性，基于推荐算法的个性化建议提供了个性化学习的良好机会。为了改善在线教育，本文调查了如何介绍在线教育中商业领域的个性化推荐技术，最后根据协同过滤算法设计并实现个性化教育平台。在此基础上，对该平台的在线教学分为两种模式：一个是原始教师上传记录的教学视频;学生可以通过在线或离线下载购买;另一个是互动在线实时教学;每门课程都是单独的在线教室;老师将提前发布在线课程信息; students can purchase the classroom number and password information, online learning.

2.基于协同过滤算法的网络教育课程推荐分析

2．1.改进余滤子算法

自20世纪90年代以来，经过30年的变化，具有在线教育功能的在线教育平台出现了，越来越多的人在互联网上学习各种课程。从那时起，网络学习就进入了人们的日常生活。在原有的旧系统中，所提供的搜索功能必须使用具体准确的关键词来完成搜索功能。科技的进步导致了更强大、更先进的在线教育功能的发展[19.］．学习用户可以观看的课程的数量和各种课程表明了大量的增长。丰富和各种各样的课程使得很难专门分类并找到它们。这种现象还可以防止用户准确描述以搜索关键字。因此，难以搜索庞大数据集中需要的资源。鉴于这种情况和用户不断增长的需求，推荐职能逐渐纳入在线教育平台的发展。本推荐功能的集成使用户能够根据需要的特征选择并推荐在线资源中所需的课程内容[20.］．当需求不确定、项目特征描述不明确时，推荐系统还可以挖掘用户的记录，分析最有可能的需求，为用户提供最合适的需求推荐。个性化推荐具有高精度、高效率的推荐功能，极大地提高了用户的体验舒适度和用户粘性，在日常生活中占有重要地位。

基于内容的协同过滤推荐算法采用打分矩阵计算用户或商品之间的相似度，根据商品或用户之间的相似度关系进行推荐。在目前的研究中，基于内容的协同过滤推荐算法可以分为基于用户的协同过滤(UBCF)和基于条目的协同过滤(IBCF)。他们的混合技术基于UBCF推荐形成的基本思想，推荐具有相同或相似兴趣和偏好的项目。协同过滤是一个流行的建议，因为它可以处理非结构化和复杂的对象。目前的系统原型包括用于音乐专辑推荐的Rigor，用于Web消息推荐的PHALS，用于笑话推荐的Jester，以及用于书籍推荐的Amazon [21］．基于内容的推荐首先对计算出的用户或项目进行相似性分析，找到相似的用户或项目，即相邻的用户;其次通过聚合相邻用户的分数进行评分预测。在通常的计算方法中，校正余弦相似度作为对余弦相似度的升级，主要目的是细化余弦相似度，只考虑向量维数方向上的相似度问题，而不考虑维数之间的维数差异。因此，将对每个维度进行减去均值的校正操作，以计算相似度。皮尔逊相关系数定义为两个向量之间协方差的商和标准差。

在完成相似度计算后，通过聚合多个邻居来预测未知评价，并对项目进行打分年代由用户x可以通过汇总用户最相似用户的评估来预测x［22］．

第一个聚合函数选择简单平均数，第二个聚合函数不考虑用户评分风格的差异(评分范围不受具体标准的限制)，而第三种聚合函数则克服了上述缺点，在计算加权和时，利用了评分值与相应用户平均分数的偏差[23］．

为了理解和弄清楚用户需要什么，矿山和推荐功能组织进一步搜索记录和分析用户的行为在网站上获取一些关于用户的偏好信息,然后选择数据,满足用户的需求和用户的偏好可能从许多来源的数据和建议用户数据或产品(24］．个性化推荐系统的算法结构如图所示1．

首先，用户访问前端Web服务器，其中包含用户在客户端中的操作，例如帐户注册，查看，评估，购买;服务器将此信息发送到事件处理服务器以进行处理;此问题处理服务器将信息转换为结构化信息，然后通过数据挖掘引擎进行进一步处理信息，挖掘信息以建立类似的用户模型。一方面，模型被放入用于在任何时候由个性化推荐引擎检索的模型库，另一方面，该信息被处理并存储在数据库中以通过数据处理服务器检索。最后，个性化推荐引擎将从数据处理服务中提取的数据与模型库中的模型组合，并根据算法公式执行算法计算，然后推荐用户需要达到个性化推荐目的的项目。总之，完美的推荐系统主要包括以下三个部分：作为推荐功能的基础，主要用于组织和收集相关信息。通常，推荐功能以两种方式从用户收集相关信息：显式和隐含地。主导的方法是通过购买课程，听音乐，看电影或读一本书来提供用户明确的反馈。作为与用户变化的动态行为，它是获得准确信息的最佳方法。获得准确信息的最佳方法是平衡明确和隐式信息采集，这是高度个性化推荐系统追求高效建议的最合适的方式。 The recommendation results are displayed in the recommendation interface, and the server returns the recommendation results to the user. As the main body of the recommendation system, one is to mine the user's records, that is, to mine the user's hidden data and information through the user's past behavior to realize the preprocessing of user information, which helps to reduce data sparsity and improve the real time and scalability of recommendations. It also generates and trains models to build multiple recommendation models that are valuable for improving the personalized recommendation system by mining the hidden information. Its design directly affects the final performance, and the soul of the recommendation function is accuracy and efficiency. The core part of the system is the personalized recommendation engine in Figure1，涵盖相关的个性化推荐技术和相关算法。这些相关技术和算法的全面应用对推荐结果的准确性和效率具有决定性的影响，并且通过改进该模块的相关算法，可以提高整个推荐系统的性能。

2.2。在线教育系统设计

针对平台的教学功能，分别设计了客户端和服务器端，系统大致分为课程管理、用户管理和评论管理。如图所示2，该系统分为三个部分：课程管理，用户管理和评论管理。

本文主要研究基于协同过滤算法的个性化在线学习平台，主要目标是突破时间和空间的限制，增加学习的方式和手段，利用新的用户学习热情，提高用户学习效率[25］．在线学习是允许没有时间或条件参加面对面课程的学生理解和学习他们需要通过在线课程所需的学生来了解。基于用户的协作筛选方法用于揭示目标用户的过去行为。浏览和收集项目以获得用户喜欢的内容，挖掘偏好信息的内容，然后搜索系统对用户的相似偏好的用户，并且使用公式来计算用户之间的相似性。然后，通过相似性排序拦截指定数量的相邻用户，并基于项目的相邻用户的额定值对目标用户的额定值进行预测。列出了结构后，向用户建议使用具有更高预测分数的截取项目。由于没有繁重的约束，因此可以匹配许多情况，并且可以很好地处理许多抽象项目以发现用户偏好。基于用户的协同过滤方法使用用户评级信息是特定的显式值。将类似用户识别到目标用户是过程中最重要的部分和进一步预测和建议的先决条件。

热点是吸引公众注意力的新闻或信息。在网络上，如果一条新闻消息长时间不被点击，那么该消息自然就不会是热门消息。相反，如果消息有多次单击，则表明消息是热的。热点推荐体现了视频网站内容的时效性。针对视频网站的热按摩推荐是一种常用的信息推荐方式，为用户提供最受欢迎的视频。受欢迎的视频被接受为“点击诱饵”，以确保视频受欢迎和被接受。热门视频通常设置为首页横幅或弹出窗口，由网站工作人员预设，并手动更新，推荐热门视频组合。热门推荐在视频网站上的成功应用启发了我们基于视频网站的热门推荐模式，即基于平台的热门课程为用户进行推荐。一方面，我们通过统计一定时间段内的点击次数和播放次数来推荐热门课程，并根据点击次数进行排序，然后在用户首页截取目标数量的热门课程。另一方面，平台会根据当前行业趋势筛选评价较高的课程，并在用户主页上推荐热门课程。 As a kind of indiscriminate overlay recommendation method, hotspot recommendation has the features of simple operation, high public acceptance, and large click flow.

学生可以点击教师图片进入教师信息页面，展示教师的风格、教学经验和教学方向。课程信息录入数据库，显示在教师登录页面和学生登录页面;学生可以直观地看到课程信息，可以直观地看到课程名称、主要教师信息、主要内容等，既方便又直观。在线直播课程的所有信息将在该模块中显示;在这个模块中，你可以搜索课程信息;我们可以在线查看课程描述、课程老师、课程时间和持续时间，以及课程费用;学生可以在线购买并参加课程。课程推荐有两种类型:热门课程推荐和基于协同过滤算法的个性化课程推荐。在这个模块中，通过统计该课程的播放次数，选择当前的热门课程，在主页上推荐热门课程。利用关联算法确定相邻用户，并根据每个用户的搜索内容为用户推荐合适的课程。

数据库是根据教师-学生一体化在线教育过程设计的;平台主要涉及的实体类别有用户数据(学生和教师)、课程数据、练习数据、笔记数据、学生问题数据、学习资源数据，其中，练习数据涉及学生用户回答行为，学习资源数据涉及热门学习资源可用的热门推荐，用户的学习资源。

该平台使用的开发环境是MyEclipse, Tomcat服务器作为Web应用程序服务器。所有数据由MySQL管理，由框架集成。学生用户登录后，可以通过网页进行学习。该平台由后端到前端实现，进入平台后显示平台的各种功能。

数字图书馆模块是预演平台推荐算法应用部分;在日常学习中，学习材料是必不可少的。数字图书馆资源主要基于分类和检索，缺乏个性化服务，没有注重对学生用户数据的收集和分析，无法有效了解学生用户的学习习惯和内容倾向。基于以上问题，本模块采用混合推荐算法，弥补个性化不足，为成千上万的学生用户提供个性化的学习资源服务。根据学生的喜好和水平相近的学生的学习喜好，向学生推荐书籍或讲义。新用户将利用热门排名推荐平台中人气最高的书籍和讲座，符合推荐算法标准的书籍和讲座将利用混合推荐进行合理化推荐。数字图书馆模块的搜索部分不仅提供关键字模糊搜索，而且提供高级搜索。除了模糊关键词搜索，数字图书馆模块的搜索部分还提供了高级的搜索方法，方便用户准确搜索。这部分是平台的核心部分;首先，写好背景; after creating the entity class, the layer starts to establish the method of adding, modifying, deleting, and viewing, then writes the service interface and implementation class, uses Spring annotation when developing, and then injects the mapper interface class into the service implementation class to complete the operation of adding, deleting, and deleting and changing the search. The service interface is injected into the controller layer and the methods in the interface are called, and the page information of the final query is passed to the interface of JSP through the view parsing layer. The final query page information data is passed to the interface of JSP through the view parsing layer. The add, modify, and delete operation is the right of the teacher user; the favorite and reading information of the student user has corresponding storage management in the database, and the description information is completed directly through the pop-up box; the download function of the student user is completed through the input stream and output stream.

3.结果分析

3．1.交互式数据模拟结果

数据仿真过程如图所示3.．首先，根据路径和遍历情况将用户信息划分为不同的集合。在原始数据中，有四门课程的结果，其中只有Pass和Distinct被认为是Pass, Fail和Withdraw被认为是Fail。通过考试的学生根据成绩分为60-70、70-80、80-90、90-100四组。随机抽取10%、15%、20%和25%的用户在四组中，他们被分配到奖励中。在被表扬的学生中，收到表扬的数量是根据正态分布模拟生成的，四个分值的平均值定义为µ = 10, 15, 20, and 25, respectively, with the same standard deviation takingσ.= 3。

恭维话的数量仍然是均值正态分布µ= 2，标准差σ.= 2。每门课有一半以上的学生不及格。当所有的赞美被分配，所有的赞美在同一过程中被遍历，并且，对于每一个赞美，有20%的可能性产生兴趣。在遍历所有的集合后，再按路线再按区域划分，同一区域内的用户选择1%对进行跟踪。最终得到的数据如图所示3.．这里的数据并没有模拟被点击或被举报的人数，因为这在一般的在线教育平台上很少见，而且也没有产生这些类型的信任关系的基本策略。

具有相似性阈值的准确性和召回的曲线σ.使用(2)如图所示4.在这种情况下，记忆力随着记忆力的增加而下降σ.但总体处于高水平，仍为0.809时σ.是0.9。随着增加的增加，精度总体增加σ.但始终处于较低水平，也只有0.809时σ.是0.9。什么时候σ.很小,几乎所有其他用户的选择的课程推荐给当前用户,从而导致推荐的课程包含所有课程的数据集,导致高召回率接近100%,精度接近的比率的平均数量用户所选的课程,课程的总数。

使用准确度和召回率计算的f-score曲线如图所示4.，这增加了σ.增加,甚至σ. = 1 is the best recommendation, but this also means that the learner-based collaborative filtering recommendation is unsuccessful. The main reason for such a curve is that there are too few users attributes to differentiate users individually and there are only 7 courses in the dataset, which results in a high intersection between the number of courses recommended to users and the number of courses selected by users, even if the similarity thresholdσ.是很高的。此外，某些特性(如地区和教育)的价值之间也存在关联，这是无法通过使用唯一的热码来充分描述的。当用户向量维数增加时，使用基于记忆的协同过滤计算相似度可能无法充分利用特征信息。

在匿名数据集上使用两两比率回归模型进行课程选择预测，七门课程的最终表现如图所示5.据揭示了准确性和召回率不是很高。观察培训套装表明，这种现象的原因是阳性和阴性实例的不平衡;线性和逻辑回归和其他模型对数据的正数和否定示例的数量非常敏感，以及在进行主控预测时，匿名数据集中每门课程的选择数量如图所示5.．最高的CCC选课次数仅占总记录的24.3%，而最低的AAAs选课次数仅占2.3%，因此可以看到AAA选课预测的准确性和召回率明显低于其他课程预测。

To solve this problem, before dividing the training set and test set, all positive examples of each course, i.e., all the records that selected the door, are taken out, and then an equal number of negative examples are randomly selected, and in this set with the equal number of positive and negative examples the training set and test set are divided using four triple-fold cross-validations for the training and validation of the LR categorization model. The final prediction results for the 7 courses are shown in Figure6.．总体准确性和召回率大大改善，特别是对于课程AAA，最高的FYFFE达到81.3精度和79.2召回率。

数字6.在删除用户习惯标签后，仅使用基本的用户属性进行LR模型的培训，并且可以看出，在所有七个课程上，预测性能比使用个性化标签的模型更糟糕，这可以证明包含个性化标签可以提高推荐模型的准确性。结合本节中的所有实验，可以证明使用逻辑速率回归的推荐模型优于匿名数据数据集的基于学习者的协作滤波，但最高的F-Score仅为80.24。有几个原因：Log-Rate回归只能模拟功能之间的线性组合关系，更复杂的功能可以更准确。组合关系可以提高推荐模型的有效性。数据集是小的，平均每门课程平均仅为4656课程选择记录，即使使用同样正面和否定示例的子集执行实验验证，也将对模型的准确性受到许多反例的影响。用户纵向信息不够丰富或足够准确，并且目前只使用学习习惯标签，并且学习习惯标签不会充分利用数据集中所有用户行为信息和学习记录。

3.2。实验结果与分析

进行了实验k= 3,k = 4, andk分别= 5。准确率折线图如7所示，召回率折线图如3-11所示;可以看出，准确率和召回率并没有随着特征嵌入向量维数的增加而增加，而是随着特征嵌入向量维数的增加而增加k= 4,k = 5 in the two metrics is not large and even decreases in many courses. In this paper, the FM input feature vector dimension is only 28, and the embedding vector does not need to be too complex. Although the regular term is added to prevent overfitting, the higher dimension still leads to a decrease in the prediction performance. Therefore, the embedding vector dimensionk在后续的实验比较和基于fm的推荐应用的开发中，将该特性设置为4。因子分解器精度变化曲线如图所示7.．

两种模式在七门课程上的f分如图所示8.．FM的预测性能优于每个过程的Logistic回归，证明了特征的二阶组合与预测结果之间存在相关性。此外，可以发现，AAA的预测性能在这两个模型上都很差，这主要是因为课程相关数据较少，以区分采取和不接受课程的用户。当然，在两个模型中发现了最佳预测，尽管所带来的课程数量小于BBB的数量，这可能是由于课程FFF的用户特性的差异越明显。

分析和解决实验中的问题，例如由于高嵌入维度，不同数据的特殊分布对分类结果和过度装备的影响。在数据集上评估三个推荐模型的优点和缺点，即基于内存的协作滤波，记录似然回归和因子分解器，分析了限制其性能的因素。选择具有最佳性能的因子分解器作为推荐的模型，以支持随后的研究。

教学概述模块的目的是帮助教师跟踪学生的学习情况，检查学生的学习水平，并提供班级和学生比较的层次视图，如图所示9.．

在线Q＆A和选择的好音符模块是师生互动部分。对于学生的问题，老师将相应地回答问题;对于学生的开放类别说明，将为更多学生学习选择最佳票据。压力测试使用JMeter，其中HTTP请求是服务器请求超时;虽然访问量大约为100,000个级，但错误率非常低，这符合平台的日常访问需求。检查页面响应，如图所示10.．

使用邮件载体的接口测试来检查使用高级搜索使用关键字Java检查第一本书，服务器响应成功，响应时间为322毫秒;相应的返回值与预测数据匹配。介绍了排练平台的轮廓设计和数据库设计，并展示并解释了学生侧和教师侧的排练平台的基本功能，并说明了学生侧的推荐算法模块。最后，在平台的基本功能和推荐功能模块以及性能上进行测试。合适推荐算法在教育平台上的应用可以加速培养高级别专业人员的过程，并在教育平台上增加个性化建议将创造出巨大的商业价值。

4.结论

在工作和学习的双重压力下，实现教育资源的个性化推荐已成为智能教育中需要解决的首要问题。个性化推荐系统作为解决在线学习过程中认知过载或迷失的关键技术，如何与在线教学相结合成为当前研究的重点。在平台设计过程中，我们研究了各种推荐算法在实践中的应用，试图实现推荐算法与在线教学相结合的实际效果，最终选择了一个基于用户协同过滤算法的个性化课程推荐系统。初步实现了准确快速的课程推荐，为个性化教学奠定了基础。本文在开发彩排平台时，我们首先对网络教育平台进行了多方面的研究，发现构建个性化的、高效的教育资源推荐已经成为当前教育平台的研究热点，并通过增加学校与教师之间的互动来改善传统计算机教育平台的不足学生和教师对学生学习的发现。然后，我们对推荐算法的相关内容进行了研究和研究，设计了一种混合推荐模型。在对预演平台进行了详细的系统需求分析后，我们利用合适的框架和开发技术，利用推荐算法对学生用户的学习习惯趋势进行分析，完成了基于混合推荐算法的预演平台的设计与实现。最后，对彩排平台进行了功能和性能测试，达到了预期效果。 The rehearsal platform provides students with suitable IT learning resources and a platform for learning exercises, and the recommendation system not only helps users to quickly find high-quality information that interests them, but also saves their time and costs.

数据可用性

用于支持本研究发现的数据可由通讯作者要求提供。

的利益冲突

作者声明他们在本文中没有利益冲突。

致谢

本文系浙江省“十三五”教学改革与研究计划(第二批)项目:MOOC背景下“一个中心、四种组合、三种思考”的混合式教学模式重构(no. 2013201310212531)。jg20190301)。

参考文献

1. 肖军，王敏，姜波，李俊杰，“基于组合算法的在线学习个性化推荐系统”，中国环境智力与人性化计算杂志，第9卷，第5期。3, pp. 667-677, 2018。查看在：出版商的网站|谷歌学术
2. H. Zhang，T. Huang，Z. LV，S. Liu和Z.周，“MCR：Moocs的课程推荐系统，”多媒体工具及应用第77期6，第7051-7069页，2018。查看在：出版商的网站|谷歌学术
3. Y. Pang，Y. Jin，Y. Zhang和T.Zhu，“MooC应用的协同过滤推荐”，计算机在工程教育中的应用，第25卷，第2期1, pp. 120-128, 2017。查看在：出版商的网站|谷歌学术
4. J.-W。汉族,J.-C。乔,H.-S。霁,H.-S。Lim，“一个考虑学习者学习技能相关性的学习课程的协作推荐系统，”集群计算，卷。19，没有。4，pp。2273-2284,2016。查看在：出版商的网站|谷歌学术
5. C. YIN，L. SHI，R. SUN和J. WANG，“改进了基于差分隐私保护的协同过滤推荐算法”超级计算杂志，卷。76，没有。7，pp。5161-5174,2020。查看在：出版商的网站|谷歌学术
6. 李晓军，“一种改进的基于聚类的协同过滤推荐算法”，集群计算，第20卷，第2期。2, pp. 1281-1288, 2017。查看在：出版商的网站|谷歌学术
7. V. Subramaniyaswamy，R. Logesh，M. Chandrashekhar等，“基于协作过滤的个性化电影推荐系统”，国际高性能计算与网络杂志，第10卷，第5期。1-2，页54-63,2017。查看在：出版商的网站|谷歌学术
8. E. U. Okon, B. O. Eke，和P. O. Asagba，“使用协同过滤算法改进的在线图书推荐系统”，国际计算机应用杂志，卷。179年，没有。46，pp。41-48,2018。查看在：谷歌学术
9. S. yanhong，“基于SCORM标准的数字网络共享学习平台设计”国际新兴学习技术杂志(iJET)，第13卷，第2期7, pp. 214-227, 2018。查看在：出版商的网站|谷歌学术
10. A.Klasnja-Miliyvic，M. Ivanovic，B.Vesin等，“加强基于协作标记技术的个性化推荐的电子学习系统，”应用智力，第48卷，第48期6，第1519-1535页，2018。查看在：谷歌学术
11. 陈建军，“基于用户关联和进化聚类的协同过滤推荐算法”，《电子学报》，2015年第4期。复杂智能系统，卷。6，不。1，pp.147-156,2020。查看在：出版商的网站|谷歌学术
12. X. Liu，“基于电子学习组行为影响集的协同过滤推荐算法”集群计算第22卷第2期2，pp。2823-2833,2019。查看在：出版商的网站|谷歌学术
13. L.江，Y.Cheng，L. Yang，J. Li，H. Yan和X. Wang，电子商务推荐系统的信赖协作过滤算法，“中国环境智力与人性化计算杂志，第10卷，第5期。8，第3023-3034页，2019。查看在：出版商的网站|谷歌学术
14. M.K.Najafabadi，A. Mohamed和C. W. Onn，“时间和物品影响者在协同过滤建议中使用基于图形的模型，”信息处理与管理，卷。56，没有。3，pp。526-540,2019。查看在：出版商的网站|谷歌学术
15. O. C. Agbonifo和M. akinte，“基于本体的个性化电子学习推荐系统的开发”，国际计算机杂志(IJC)第38卷第2期1, pp. 102-112, 2020。查看在：谷歌学术
16. J. K. Tarus, Z. Niu，和D. Kalui，“基于上下文感知和顺序模式挖掘的电子学习混合推荐系统”，软计算第22卷第2期8，第2449-2461页，2018。查看在：出版商的网站|谷歌学术
17. P. Wei和L. Li，“基于用户行为数据分析的在线教育推荐模型”智能与模糊系统杂志，卷。37，不。4，pp。4725-4733,2019。查看在：出版商的网站|谷歌学术
18. 王伟，“个性化学习算法的文献综述”，开放社会科学杂志，卷。06，没有。1，pp。119-127，2018。查看在：出版商的网站|谷歌学术
19. A. Kardan，A.Narimani和F. Ataiefard，“MooC论坛中的线程推荐混合方法”，国际社会，行为，教育，经济，商业和工业工程杂志，卷。11，不。10，pp。2195-2201,2017。查看在：谷歌学术
20. P. Dwivedi, V. Kant, K. K. Bharadwaj，“基于改进变长遗传算法的学习路径推荐”，教育及资讯科技，卷。23，不。2，pp。819-836,2018。查看在：出版商的网站|谷歌学术
21. 傅敏，曲华，易志强等，“基于深度学习的推荐系统协同过滤模型”，《中国科学:信息科学》，2014年第1期。IEEE控制论汇刊，第49卷，第49期。3, pp. 1084-1096, 2018。查看在：谷歌学术
22. A. Al-Badarenah和J. Alsakran，“课程选择的自动推荐系统”，国际高级计算机科学与应用杂志，第7卷，第5期3, pp. 166-175, 2016。查看在：出版商的网站|谷歌学术
23. R. Logesh，V. Subramaniyaswamy，D.Malathi，N. Sivaramakrishnan和V.Vijayakumar，通过生物启发的聚类合奏方法提高协作过滤推荐系统的推荐稳定性，“神经计算与应用，第32卷，第2期7, pp. 2141-2164, 2020。查看在：出版商的网站|谷歌学术
24. Y. Yang，Y. Xu，E. Wang等人，“通过Serencity的算法”改进了现有的协作过滤建议“，”IEEE多媒体汇刊，第20卷，第2期。7，pp.1888-1900,2017。查看在：谷歌学术
25. “基于个性化推荐技术的智能学习系统”，2012.01 - 2012.01神经计算与应用，卷。31，不。9，pp。4455-4462,2019。查看在：出版商的网站|谷歌学术

版权

版权所有©2020景丽和周烨。这是分布下的开放式访问文章知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。