前言：中文期刊網精心挑選了個性化推薦系統范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
個性化推薦系統范文1
互聯網近十來的飛速發展，使之成為了人們獲取信息的主要渠道之一。人們在互聯網上獲取信息不僅方便，而且得到的信息量比較全面，最重要的是互聯網上的信息查詢不受時間和空間的限制。同時，網絡信息的海量性增加了用戶信息查詢的負擔，導致了人們很難在浩淼的信息海洋中找到自己真正感興趣的信息。用戶對信息有不同的需求，而現在互聯網對用戶的表達相同的信息查詢需求返回的是同樣的信息內容，不會考慮用戶的個性化。在科技飛速發展的環境下，我們不僅要滿足用戶信息查詢的方便性的要求，還要在實現這個前提下盡量保證返回信息的質量，這樣個性化的信息服務就應時而生。個性化的信息服務因能根據用戶的不同信息查詢需求返回用戶真正感興趣的信息而逐漸取代了傳統的信息服務模式成為一種新的信息服務方式。
1.本體的概念及應用
從20世紀90年代初ontology（本體）引入計算機領域以來，不同研究者給ontology（本體）的定義雖然形式各不相同，但從真正涵義上來講都是統一的，他們都認為本體都是對一個共享的概念模型的形式化描述。即本體的本質是概念模型。它對某個領域的具體的現象或知識進行抽象，形成該領域人們共同認可的概念或知識及其之間的關系，最后形成計算機可讀的一種描述。簡而言之，Ontology（本體）就是從不同層次形式化描述領域內的概念，概念含義及之間關系的理論，是領域內部各個概念之間進行交流的語義基礎，這就把簡單的術語明確到了某個領域。本體是以獲取所屬領域內的知識，提供對該領域的共同理解為目標的。
本體是用計算機可以理解的形式化語言來描述概念的，解決了人與計算機，計算機與計算機之間的溝通問題，所以被應用在信息交流的很多領域。本體能夠明確概念的含義及概念之間的關系，所以在信息檢索中引入本體理論后，用來描述查詢需求的關鍵詞之間的語義關系會更加明確，可以建立詞語間的網狀結構，這就提高了檢索提問式的有效性和準確性。同時信息檢索系統引入本體后能為用戶提供多個檢索口，用戶不僅可以直接從自己比較熟悉的檢索口進入系統查詢信息，也可以比較完整地找到自己真正需要的信息。另一方面本體也為詞語、術語的標準化、形式化提供了理論基礎，在信息檢索過程中，系統可以參照本體對異構信息進行標引，整合，解決了異構信息之間的交流問題，從而幫助用戶在異構信息源中查詢信息。領域本體的使用不僅使專業領域內問題的研究變地更加確定，也能夠幫助多領域間的信息集成，交流和合作，即使是新用戶也能簡便而全面地了解本領域知識。
在知識管理中，利用本體規范知識概念及其之間的關系，能有效地將隱性知識轉化為顯性知識，知識的搜索和共享的幾率大大提高，繼而為知識共享和知識重用提供了可能。
2.個性化信息推薦系統
個性化信息推薦系統是使用多種數據分析技術，在特定類型的數據庫中進行知識發現的一種應用技術，本質上是一種“信息找人”的服務模式。它根據用戶的特點和興趣主動、及時、準確地向用戶提供所需信息，再根據用戶對于推薦內容的反饋進一步改進推薦結果，繼而達到為用戶推薦真正所需信息和為用戶提供更優質服務的目的。
為了縮短用戶尋找到興趣信息的時間，提高瀏覽的效率，個性化推薦系統向用戶推薦與其興趣模型相匹配的信息，或者是與目標用戶具有相近興趣模型的用戶群瀏覽過的信息。個性化信息推薦系統根據推薦技術的不同可以分為三種：基于規則的系統，基于內容的系統和基于合作的系統。
2.1 基于規則的推薦系統
基于規則的推薦是根據事先生成的規則向用戶推薦其感興趣的信息的一種信息推薦方式。假如事先生成的一個規則為“如果用戶對圖書館學感興趣的話，則數字圖書館也是其感興趣的內容”，當用戶再次瀏覽有關圖書館學的網站信息時，系統則可以同時向用戶推薦數字圖書館的相關信息。由此可以看出，一個規則本質上就是一個If-Then語句?；谝巹t推薦信息的基礎是系統管理員根據用戶訪問記錄所制定的推薦規則。基于規則的信息推薦系統的優點是方便，簡單，直接，容易實現。其缺點是系統事先制定的推薦規則質量很難得到保證，而且隨著規則的愈來愈多，系統的管理也變的越來越艱難。
2.2 基于內容的推薦系統
基于內容的推薦是指通過比較資源與用戶模型的相似程度向用戶推薦信息的一種信息推薦方式，最終系統把與用戶興趣模型相匹配的信息反饋給用戶。這種推薦方式優點是實現簡單，適合處理文本信息，推薦的結果查準率比較高。缺點是它要求內容與用戶興趣的精確匹配，所以查全率有待提高?；趦热莸耐扑]系統的典型結構如圖2.1所示：
圖2.1 基于內容的推薦系統
2.3 基于合作的推薦系統
基于合作的推薦和基于內容的推薦不同，它不是通過比較資源和用戶興趣模型的相似性，而是通過比較用戶興趣之間的相似性，依據目標用戶具有相同或相近興趣的用戶對資源的評價向用戶推薦信息的。合作推薦是一個較常用到的一個信息推薦方式，其中具有相同或相近興趣模型的用戶可看做是一個個的用戶類。系統在推薦給目標用戶信息時通過參照同類用戶的興趣，不僅可以使目標用戶發現新的感興趣的信息，也能提供一些難以用具體概念表達的信息，如質量等，避免了內容分析的不完全和不準確。但是基于合作推薦的前提必須是某些信息必須被用戶類中的某個或某些用戶瀏覽過，否則不能把這些信息推薦給其他用戶。如果某個人的興趣比較特殊，不能歸為任何一個用戶類，則這個用戶也可能無法獲得個性化系統推薦的信息。基于合作的推薦的典型結構如圖2.2所示：
圖2.2 基于合作的推薦系統
3.引入本體后的個性化信息推薦系統
個性化信息推薦系統的目的是向具有不同興趣的用戶推薦個性化即滿足其需求的信息?，F有的推薦系統雖有優點但也不可避免的具有一些缺點，如基于內容的推薦中關鍵詞之間是沒有任何語義關系的，但是現實中還存在同義詞等，系統是將信息和用戶興趣進行精確匹配的，所以一些表達方式不同但本質相同的信息就可能不被推薦，從而導致查全率不高等。因此為了提高系統推薦的質量，就要在信息推薦系統中引入本體的理論。本體作用是在領域中提取共同認可的詞匯形成概念，進而對概念及其之間的關系進行形式化表達。它能充分考慮關鍵詞之間的關系，這樣系統在向用戶進行信息推薦時就不再是單純的關鍵詞匹配，有助于提高推薦信息的質量。
3.1 引入本體后基于規則的推薦系統
基于規則的信息推薦系統的中的規則是系統管理員根據用戶的訪問記錄制定的，可能每個訪問記錄就對應一個規則，所以規則就變得多而亂，難以管理，而且很難處理復雜抽象的用戶請求。例在圖書館領域內的以下三個規則：
（1）如果用戶對圖書館自動化感興趣的話，則情報檢索系統也是其感興趣的內容。
（2）如果用戶對圖書館自動化感興趣的話，則檢索系統也是其感興趣的內容。
（3）如果用戶對圖書館學感興趣的話，則用戶對檢索系統也感興趣。
在數字圖書館領域，概念“圖書館學”和概念“圖書館自動化”之間是父類和子類的關系，“情報檢索系統”與“檢索系統”具有相同的內涵，由此規則（1）和規則（2）其實實質相同，規則（3）中“圖書館學”是“圖書館自動化”的父類，用戶在實際的選擇中如果對父概念感興趣則一定也對其對應的子概念感興趣。而以上三個規則中認為“圖書館學”，“圖書館自動化”，“情報檢索系統”和“檢索系統”四個概念之間是沒有任何聯系的，所以就造成了規則的繁多。
在本體中我們已經定義了“圖書館學”是“圖書館自動化”的父類，“情報檢索系統”與“檢索系統”是同義詞，所以以上三個規則就可以縮減為“如果用戶對圖書館學感興趣的話，則用戶對情報檢索系統也感興趣”一條規則，如此就大大減少了規則的數量，節省了儲存規則的空間，方便系統對規則進行管理。引入本體后基于規則的信息推薦模式如圖3.2所示：
3.2 引入本體后基于內容的推薦系統
基于內容的推薦系統中關鍵詞之間的匹配是精確匹配，而表達不同本質相同或者具有上下位關系的關鍵詞之間就不能形成聯系，從而影響查準率或查全率。如基于規則的信息推薦系統中的關于數字圖書館的例子，在引入本體后用戶如果輸入的查詢關鍵詞是“圖書館自動化”，系統則會考慮到“圖書館自動化”和“數字圖書館”的上下位關系，最終把關鍵詞為“圖書館自動化”的信息資源也推薦給用戶。本體也可以引入用戶的查詢語句中，如用戶要查詢“情報檢索系統”的相關信息，系統考慮“檢索系統”和“情報檢索系統”的同義關系，把“檢索系統”也當做用戶的興趣之一，修正用戶興趣模型?；趦热莸男畔⑼扑]系統中，在用戶興趣模型和信息資源中引入本體后，表示資源的關鍵詞和用戶模型關鍵詞之間就不再是簡單的匹配，而是會考慮到關鍵詞之間的語義關系的語義層面的匹配，推薦結果的質量大大提高。引入本體后基于內容的信息推薦系統過程如圖3.4所示。
3.3 引入本體后基于合作的推薦系統
基于合作的推薦系統是根據用戶興趣模型之間的相似度來推薦信息的。用戶模型是用關鍵詞表示的，所以分析用戶興趣模型的相似度就變成了用來表示興趣模型關鍵詞的匹配，可能也就會出現和基于內容的推薦一樣的問題。
如某個用戶的興趣關鍵詞之一是“圖書館，另一個用戶的興趣關鍵詞之一是“圖書館自動化”，因為不理解兩個關鍵詞之間的上下文關系，所以系統就會認為這兩個關鍵詞是不匹配的，繼而認為兩個用戶的感興趣的內容是不一樣的。引入本體之后，表示各個用戶興趣的關鍵詞之間就有了語義關系，如上下位，同義詞關系等，這就增加了系統分析用戶興趣的準確度，擴大了相似用戶類。系統在某個用戶的表示興趣模型的關鍵詞中引入本體分析，形成新的興趣模型關鍵詞集，接著與系統中儲存的經過處理的其他用戶興趣模型再進行匹配，就會大大增加匹配的可能性。具體過程如圖3.6所示。
4.結語
文中在分析現有個性化信息推薦系統的基礎上，發現了基于規則的信息推薦技術存在規則多而繁，不易管理;基于內容和合作的信息推薦技術存在關鍵詞之間缺乏語義關系的弊端，于是在現有個性化信息推薦技術的基礎上引入了本體理論。引入本體后的信息推薦系統在用戶興趣模型的表達上考慮到了關鍵詞之間的關系，能更為準確地表達用戶的興趣所在，用來表示文檔內容的關鍵詞之間也具備了同義或上下位等語義關系，能更詳細而精確地表達信息內容。在傳統信息推薦系統的基礎上引入了本體的理論克服了現有三種推薦技術的不足之處，使得文檔信息和用戶模型的匹配成為了語義層次的匹配，提高了推薦結果的質量。
參考文獻
[1]劉凱.信息可視化概念的深入探討[J].情報雜志，2004 （12）：20-25.
[2]李健康，張春輝.本體研究及其應用進展[J].圖書館論壇，2004，24（6）：80-86.
[3]仇利克.領域Ontology的構建方法論及其存儲研究[D].[碩士學位論文].青島：中國海洋大學，2006.
[4]李衍淼.基于本體的智能信息檢索系統研究[D].[碩士學位論文].山東：山東科技大學，2006.
[5]史忠植.知識發現[M].北京：清華大學出版社，2002：135-155.
[6]潘紅艷.個性化信息服務的研究與實現[D].[碩士學位論文].大連：大連理工大學，2005.
[7]宋麗哲，詹赤兵，王勝海.基于本體的數字圖書館個性化用戶模型表示[C].第三屆全國信息檢索與內容安全學術會議論文集，2007：392.
個性化推薦系統范文2
智能Web時代的到來意味著大數據分析在各個行業的運用成為必然趨勢，推薦系統作為典型的智能Web應用，通過對用戶行為數據的積累和分析，將傳統用戶的搜索行為轉化為推送行為，從而實現原始電商到智能電商的轉變。本文以智能Web時代為引，就旅游電商推薦系統的基本實現方法和思路展開了討論和分析。
【關鍵詞】智能Web 個性化旅游電商
1 智能Web時代的到來
當我們去訂餐的時候，飯店訂餐系統引用了我們公開的健康調查數據，從而為我們搭配適宜的綠色飲食；當我們與陌生人在線聊天時，對話內容得到通訊軟件后臺的事實核查，保證交流內容的真實和安全（如facebook）；當我們在線購書時，電商平臺能夠根據用戶購物行為的相似度判斷來給出最合理的推薦（如亞馬遜）。這一系列的發生與正在發生的案例為我們詮釋了一個時代的到來，智能Web時代。
所謂智能，是指能夠不斷通過大數據分析抽象出普遍規則，進而替代窮舉的一種高效機器學習方式。拓展開講，一款智能Web應用要首先具備大數據能力，或者叫內容聚合，這是機器學習的基礎條件；然后需要具備參考結構，參考結構為原始大數據提供了科學的解釋和展示形式，它為原始數據的分析和展現提供了重要的助力；最后還要具備合理的算法，算法為從數據轉變為信息提供了可行的方法，并將信息抽象為引導用戶交互的規則，這三大要素構成了智能Web應用的充要條件。
2 旅游電商推薦系統研究與設計
作為一類典型的智能Web應用，推薦系統因為谷歌的廣告和亞馬遜的商品推薦等形式為人們所熟知，它的出現為當下信息過載的大環境帶來了良好的解決方案。通過對用戶行為數據的積累和分析，將傳統用戶的搜索行為轉化為推送行為，從而實現原始電商到智能電商的轉變。
旅游電商對推薦系統的認識度和重視度目前還處于比較初級的狀態，遠不如消費品電商平臺，這也反映出了旅游電商企業對大數據的分析處理意識與主流消費品電商的差距。我們認為，實現高效用的旅游電商推薦系統，需要在精準度和展現形式兩方面進行深入研究，第一是要對旅游產品進行精確建模，只有精確建模才能在推薦計算中獲得準確的結果。第二是推薦引擎的科學選擇，常見的推薦系統引擎分為兩類，協同過濾推薦和基于內容分析的推薦。協同過濾推薦是基于用戶的行為數據積累做出推薦，例如基于相似用戶的推薦和基于相似條目的推薦。基于內容分析的推薦則需要考量用戶之間、條目之間和用戶與條目內容之間的相似度。其中，相似度算法是不同推薦引擎的核心，我們通過如下常用代碼片段來說明相似度的計算方法。
由代碼1可知，事實上相似度計算的方法是多樣化的，需要根據實際的問題進行相似度算法的選擇，目前大量的實驗表明，基于歐氏距離的相似度算法效果相對較好。
在大數據的精確分析基礎上，再將推薦結果以服務而非廣告的展示形式推送到旅游電商的各個營銷環節，必將會極大的推動產品購買的轉化率。
3 旅游電商推薦系統展望
在智能Web時代，隨著人們對信息和服務的智能化要求，推薦系統必定會在旅游電商營銷環節占據愈加重要的地位，同時，單一的旅游產品推薦將會無法滿足用戶的需求，旅游推薦系統的衍生形態將會慢慢發展起來，推薦系統的內容和展示方式也都將會呈現出多元化和個性化的趨勢。作為旅游電商的從業者，必須清楚的認識到推薦系統、大數據分析、智能Web等要素對旅游電商發展的推動作用，并隨勢而動，才能在互聯網+的時代獲得市場和用戶的青睞。
參考文獻
[1]吳婷，熊前興，賀曦春.基于用戶特征和用戶興趣變化的協同過濾推薦[J].電腦知識與技術，2008，4（7）.
[2]王國霞，劉賀平.個性化推薦系統綜述[J].計算機工程與應用，2012，48（7）.
[3]張娜.電子商務環境下的個性化信息推薦服務及應用研究[D].合肥工業大學，2007.
[4]許海玲.互聯網推薦系統比較研究[J].軟件學報，2009，20（2）.
[5]王巧榮，趙海燕，曹健.個性化服務中的用戶建模技術[J].小型微型計算機系統，2011，32（1）.
作者簡介
嚴杰（1981-），男，浙江省衢州市人。碩士學位?，F為浙江旅游職業學院講師。研究方向為Web開發和電子商務。
個性化推薦系統范文3
關鍵詞：泛在計算；個性化資源；資源推薦；微學習
中圖分類號：TP301 文獻標識碼：A 文章編號：16727800（2012）011002202
作者簡介：李霞（1978-），女，碩士，武漢紡織大學傳媒學院講師，研究方向為數字媒體。
0 引言
在Web2.0時代，泛在計算環境使人們的學習方式發生了改變，從傳統的課堂學習到網上沖浪，再到利用便捷的媒體終端隨時、隨地地進行學習，以及泛在計算環境下的微學習方式。這種新媒體環境下的新的學習形態正逐漸得到人們的關注，成為信息時代學習方式的一個重要組成部分。
泛在計算環境下的微學習具有情景化、社會化的特點，為學習者構建了按需學習的生態性學習空間。要求學習資源具有豐富性、適應性、可進化性、富聯通性、情境性、智能性等特點。微學習具有多時間、小片段、個性化和多媒介的特征。微學習資源由于其內容粒度小，具有動態重組的特征，適合學習者的個性化學習。
1 泛在計算環境下個性化學習存在的問題
國內研究者祝智庭教授和張浩等學者從詞源學的角度分析“micro”具有微、小、輕、快等多層語義的基礎上，將微型學習與移動學習和娛教技術以及一對一環境中的學習等相關概念相關聯，提出在對微型學習的理解中，既要關注其學習內容組塊信息含量的微型化和學習時間跨度的短暫性，也要認識到其蘊含的獨特學習品性與格調特征；在微學習特征的研究上，李藝等提出它具有多時間、小片段、個性化和多媒介的特征。張浩等認為微學習具有“連續部分注意”的特征，并具有4種不同層次的聚焦方式：主聚焦、半聚焦、周邊聚焦和隨意聚焦。在微型學習的設計研究方面，祝智庭等認為應采取區別于以往維護學習管理系統（LMS）的思路，轉向支持學習者“個人學習環境”（PLE，Personal Learning Environment）的創建。顧小清等則從關注實用性學習目標的角度提出微型移動學習者的學習目的由獲取資訊、學習知識、提高技能、改變態度或觀念等階段構成，并總結了微學習的特點。
通過對當前研究分析可以看出：目前微學習研究主要還停留在概念與模式的討論上，支持微學習的教學資源與系統還比較缺乏，如何對微學習的學習資源及相關個性化資源推薦系統進行設計開發，并在此基礎上開發支持微學習是一項亟待解決的問題。
2 泛在計算環境下的學習者個性化模型
泛在計算環境下個性化資源推薦系統首先要解決推送服務要解決推薦對象的問題，用戶是推薦的對象，用戶分類規則是個性化推薦服務的基礎和先決條件。合理細致的用戶分類有助于提高推薦服務的個性化程度，從而提高信息服務的質量。
由于推薦系統沒有存儲或者存儲很少新用戶的信息，包括查看對象的歷史記錄和新用戶對對象的評分，因此，基于模型的方法無法獲得訓練數據，而基于規則的方法難以進行推理。論文提出如圖1所示的用戶個性化模型，利用用戶個體特征、用戶學習行為、用戶學習績效等用戶個性屬性等來提供推薦系統的準確性。
學習行為包括信息檢索、信息加工、信息交流、使用新型解決問題4個方面要素，其中信息檢索又包括檢索方式、定位信息、檢索環境和檢索過程4個維度；信息加工包括：信息取舍、信息整理分類、信息存儲、反思所得4個維度；信息交流包括與人互動、與信息互動兩個維度。
學習績效包括學習績效、學習策略、學習情感、學習成就4個方面要素。其中，學習策略包括元認知策略、認知策略、資源管理策略3個維度；學習成就包括技能的獲得和知識的獲得兩個維度。
針對用戶的個性化學習模型，然后再有針對性地設計泛在環境下的個性化學習推薦系統。
3 泛在環境下的個性化學習推薦系統設計
目前，遠程教學中教師為學生提供的教學輔導及雙向溝通主要仍是通過EMail、電話、傳真等傳統方式進行，這些方式的實時性、交互性都很難滿足教學輔導的要求，從一定程度上影響了教學質量的提高。因此，將短消息應用到個性化學習系統中，設計一個功能完備的基于短消息的個性化資源服務推薦系統，以滿足廣大移動用戶的教育信息查詢-定制-推送等需求。
系統以分布式結構為基礎，可運行于多種主流操作系統，包括UNIX（Solaris、HP Unix、Linux等）、Windows NT/Windows2000等操作系統之上，通過與移動通信網絡的實時連接，可以在瞬間將短信發送到指定手機上，其應用服務平臺框架如圖2所示。
系統具有以下特點：
（1）支持標準的短信中心系統協議接口。根據各移動通訊商不同的短信中心（SMCC），通過TCP/IP端口的接入，支持不同的短信中心標準連接方式（如：CMPP/SMPP/ SGIP等）。通過CMPP/SMPP/SGIP協議提供的雙向通訊接口實現短信信息的提交和下發，借助短信中心系統提供的短信承載功能，實現信息在信息處理服務端和移動臺之間的傳輸，所有的服務系統均直接接入短信中心系統，減輕短信中心系統的處理負載，進而為用戶提供性能穩定的各種信息服務。
（2）多層安全性保障。除了使用防火墻等軟硬件保護外，還采用多層安全保障——既有GSM網絡的標準加密和用戶ID-密碼的認證機制，還有用戶服務器和SMSC之間的防火墻進行安全過濾，對數據包加密并過濾非法的連接和包的傳送，易于信息的交換。
（3）較強的系統自適應能力。支持CMPP/SMPP/SGIP接口協議，確保和不同廠商的短信中心設備互聯，適應于網上多樣的短信設備，保證與其它系統的互連互通，適應不同服務、應用商的需要。
（4）在教學功能上，支持學習進度、作業情況查詢，通知、公告等信息接收，學習計劃、日程安排制定，個性化學習指導、教學資源推送等功能。
泛在環境下個性化學習推薦系統的工作流程如圖3所示。系統為用戶提供與其興趣和生產水平相適應的基于短信平臺的教育資源信息推薦服務需要在用戶動態建模方法的基礎上，采用內容過濾（Contentbased Filtering）和協作過濾（Collaborative Filtering）相結合的方法。
首先，根據用戶模型將用戶聚類到具有相同或相近的興趣與知識水平的學習用戶群體；然后，用戶通過搜索系統接口提交多種形式的搜索請求。服務平臺根據關聯索引相應的索引數據庫搜索相關知識資源并對搜索結果進行擴展，然后采用協作過濾方法根據與該用戶同一社區的其它用戶對資源的評價，剔除搜索結果中質量較低的資源，并補充社區用戶推薦的資源，再采用內容過濾根據用戶模型與知識資源的特征向量，過濾掉搜索結果中相關性不大的資源，由排序模塊根據相關性大小進行排序，并通過知識資源搜索系統接口將資源URL與快照返回給用戶；再對前期搜索到的資源目標進行過濾（Filtering）與重排序（Reranking）；最后對資源的訪問日志進行序列模式挖掘，根據資源被訪問的頻率及評價反饋，獲取資源的熱點特性，為優化資源搜索結果，提高優質資源的利用率提供支持。
參考文獻：
[1]祝智庭，張浩，顧小清.微型學習——非正式學習的實用模式[J].中國電化教育，2008（2）.
[2]陳維維，李藝.移動微型學習的內涵和結構[J].中國電化教育，2008（9）.
[3]張浩，楊凌霞，陳盼.微內容環境中的學習者體驗設計初探[J].遠程教育雜志，2009（6）.
[4]周筠.移動環境下學習系統的設計與實現[D].北京：北京交通大學，2009.
個性化推薦系統范文4
隨著Internet的普及，信息爆炸時代接踵而至，海量的信息同時呈現，使用戶難以從中發現自己感興趣的部分，甚至也使得大量幾乎無人問津的信息稱為網絡總的“暗信息”無法被一般用戶獲取。同樣，隨著電子商務迅猛發展，網站在為用戶提供越來越多選擇的同時，其結構也變得更加復雜，用戶經常會迷失在大量的商品信息空間中，無法順利找到自己需要的商品。
個性化推薦，被認為是當前解決信息超載問題最有效的工具之一.推薦問題從根本上說就是從用戶的角度出發，代替用戶去評估其從未看過的產品，使用戶不只是被動的網頁瀏覽者，而成為主動參與者。準確、高效的推薦系統可以挖掘用戶的偏好和需求，從而成為發現用戶潛在的消費傾向，為其提供個性化服務。
二、個性化推薦系統概述
個性化推薦系統是指根據用戶的興趣特點和購買行為，向用戶推薦用戶感興趣的信息和商品。它是建立在海量數據挖掘基礎上的一種高級商務智能平臺，以幫助電子商務網站為其顧客購物提供完全個性化的決策支持和信息服務。購物網站的推薦系統為客戶推薦商品，自動完成個性化選擇商品的過程，滿足客戶的個性化需求。
2000年，我國正式開始了個性化推薦的研究，清華大學的陸海明等提出了基于Agent多混合智能實現個性化推薦；2001年清華大學的馮翱等人提出了基于Agent的個性化信息過濾系統Open Bookmark；南京大學的潘金貴等人設計并實現了個性化信息搜集智能體DOLTRL-Agent。近幾年來，個性化信息推薦服務逐漸從理論走向實踐，從探索走向完善，逐步成為商業界的焦點。
三、常用的個性化推薦系統算法分析
下面對常用的個性化推薦系統的算法進行簡要的分析。根據算法的不同，當前已有的個性化推薦系統大致可以分為以下幾類：基于規則的推薦系統；基于內容的推薦系統；協同過濾系統；基于用戶-產品二部圖網絡結構的推薦系統；以及混合式推薦系統。
1、基于規則（Rule-based）的推薦系統
關聯規則挖掘是數據挖掘領域的一個重要分支。對于基于關聯規則的推薦算法來說，其作用機理就是：首先統計得到挖掘出的規則前件，然后針對目標客戶的歷史購買行為，向顧客推薦規則后件。該算法的優點是容易理解，研究基礎廣泛且成熟，支持其實現的軟件豐富，有較好的實踐條件；缺點是隨著事務的增多，規則的發現將非常耗時，并且規則難以解釋。
2、基于內容（Content-based）的推薦系統
基于內容的推薦起源于信息檢索領域，它利用資源和用戶興趣的相似性來過濾信息。首先分析項目的內容，根據用戶評價過的項目建立用戶的興趣模型，即用戶描述文件。根據用戶描述文件的不同又可以分為基于向量空間模型的推薦、基于關鍵詞分類的推薦、基于領域分類的推薦和基于潛在語義索引的推薦。
基于內容的算法的優點是直接、簡單，推薦結果易于解釋。但也存在一定的局限：首先，特征提取能力有限，它僅適用于產品特征容易抽取的領域，當項目特征很難被一組關鍵詞來清晰描述時，基于內容的推薦算法就顯得蒼白無力了。
3、協同過濾（Collaborative filtering）系統
協同過濾是目前應用研究的最為廣泛最成熟的個性化推薦技術。主要分為基于用戶的協同過濾系統和基于項目的協同過濾系統。其核心思想是：首先，基于系統中已有評分數據，計算給定用戶（或項目）之間的相似性；然后根據計算得到的相似性，尋找目標用戶（或項目）的最近鄰居集合；最后使用最近鄰居集合中的用戶（或項目）的評分情況來預測目標用戶對目標項目的評分值。
協同過濾的推薦系統主要優點有：
（1）對內容信息不易抽取的項目能產生完全自動化的推薦；
（2）能根據項目的質量和用戶的品味產生推薦；
（3）能為用戶發現新的興趣。當然，協同過濾推薦系統也存在一些弊端：
（1）數據稀疏性問題，這也是協同過濾系統目前存在的最普遍的問題。
（2）冷啟動問題，當一個新項目剛加入系統的時候，由于沒有任何用戶對它進行過評分，該項目便無法得到推薦。
（3）同一性問題，對于名稱不同本質相同的項目，協同過濾無法發現潛在的聯系；
（4）擴展性問題，隨著系統中項目和用戶數量的增多數據庫將變得非常龐大，為用戶產生推薦的精度和實時性都因此而降低。
4、基于用戶-產品二部圖網絡結構（Network-based）的推薦系統
基于網絡結構的推薦算法不考慮用戶和產品的內容特征，而僅僅把它們看成抽象的節點，所有算法利用的信息都藏在用戶和產品的選擇關系之中.分別利用用戶一產品用二部分圖建立用戶―產品關聯關系，并據此就提出了基于網絡結構的推薦算法。其中，提出了一種全新的基予資源分配的算法，通過在協同過濾算法中引入二部分圖上的擴散動力學，部分解決了數據稀疏性的問題。
5、混合式（Hybrid）推薦系統
基于規則的、基于內容的以及協同過濾的推薦算法由于自身的特點，在實際應用中都存在一些缺陷，因此就提出了把多種不同算法結合起來形成混合算法的解決方案。
四、個性化推薦系統對電子商務網站的意義
個性化推薦系統作為一種電子商務服務，是網絡營銷的重要手段。據VentureBeat統計，Amazon的推薦系統為其提供了35%的商品銷售額。個性化推薦系統能夠有效地留住顧客、防止顧客流失，提高銷售額，因此受到越來越多的關注。綜合來看，個性化推薦系統對電子商務網站的意義，主要可以概括為以下幾點：
1、把網站瀏覽者轉變為購買者
有些用戶瀏覽網站并非有有購買目的，如果網站通過個性化推薦系統對其進行推薦，有可能使顧客形成購物沖動，從而促進銷售。
2、提高電子商務網站的交叉銷售能力
個性化推薦系統可以發現顧客所購買商品之間存在的內在關聯，網站可以根據推薦算法的輸出結果，對相關商品進行組合推薦、捆綁銷售等，從而促進銷售。
3、提高顧客對電子商務網站的忠誠度
個性化推薦系統可以讓顧客受困于海量的信息當中，因此適當的使用個性化推薦系統對顧客進行商品信息推送可以提高顧客的購物舒適度和滿意度，從而提高顧客的忠誠度。
4、優化電子商務網站
根據Web日志數據分析用戶的行為模式，推薦超連接列表，或者動態地生成可能的網頁超鏈接。盡可能迎合每個用戶的瀏覽興趣并且不斷調整網站鏈接結構適應用戶瀏覽興趣的變化，使每個用戶在瀏覽網站時都有該網站的唯一用戶的感覺。
五、結語
網絡交易量不斷增長的時代，已經出現了很多實用的個性化推薦系統。它能夠利用顧客期望的產品單、購物車、顧客提交的評價以及購買記錄等，為顧客推薦適合的產品，提供多項推薦服務。本文簡單介紹了幾類基于不同推薦算法的推薦系統.雖然這些推薦系統都已經投入應用，并且取得了可觀的經濟效益，然而，這些系統都面臨著許多問題，需要從理論和應用角度進行深入的研究。（作者單位：山西省運城市廣播電視臺）
參考文獻
[1]張靖.網絡個性化服務資源綜合推薦研究[J].計算機仿真.2009.26（11）：157-165）
[2]劉建國，周濤，汪秉宏.個性化推薦系統的研究進展[J].自然科學進展.2009.19（1）：1-15
[3]李智琦，陳世穎，楊怡凝.基于數據挖掘的個性化推薦在SNS中的應用[J].電腦知識與技術.Vol.7，No.28，October 2011.
[4]曾春，邢春曉，周立柱.個性化服務技術綜述[J].軟件學報.2002.13（10）：1592-1561
[5]吳麗花，劉魯.個性化推薦系統用戶建模技術綜述[J]，情報學報，2006，25：55-62
[6]王茜，楊莉云，楊德禮，面向用戶偏好的屬性值評分分布協同過濾算法[J]，系統工程學報，2010.04
[7]Lin Hongfei，et al Text Browsing Based on Latent Semantic Indexing[J]. Joural of Chinese Information Processing， 2000， 14（5）：241-245.
個性化推薦系統范文5
關鍵詞：協同過濾算法；高校選課推薦系統；數據挖掘
中圖分類號：TP391.3 文獻標識碼：A 文章編號：1007-9599 （2012） 20-0000-02
隨著教育改革的推進選課制度已在高校普及多年，為了滿足學生的個性化需求，根據上課時間、學習興趣、任課老師以及學習進程等各方面的需求選擇適合自己的課程，課程的自選使得學生的自由空間更大且學習效率明顯提升。選課制度作為高校教學管理制度改革內容的一部分同時也是學分制的重要內容，選課制度的設計及實施過程都需結合大學生教育理念。改革開放的到來更是為教育吹來了春風，教育體制也突破了傳統模式，開始實行選課制和學分制。
1 我國高校選課制度的現狀
隨著選課制在高校的普及，教育也逐漸走向網絡化和信息化，在這樣一個計算機網絡普及的時代自然選課過程也趨于網絡化。受到傳統觀念及學年制的影響，選課制度在運行過程中還存在一定的缺陷，另外在新教學觀念的實施和高素質人才的培養中選課制也沒有體現其優勢，具體原因有下幾個方面：
1.1 目前實施的選課制不利于學生的個性發展
隨著社會對人才專業需求的多樣化，傳統的人才培養模式已無法滿足社會發展需求，同時也抑制了學生的個性化發展。選課制的實行使得學生可根據自身的興趣愛好選擇合適的課程、任課教師以及學習時間，各種自由的選擇使得的個性特征得到滿足，從而提高了學生的學習積極性。
1.2 沒有實現真正的選課
盡管有部分學校允許學生選擇跨專業、跨年級的課程，但在教師資源、上課時間以及場地資源等影響下，學生仍無法選擇自己喜歡的課程，時間及資源上的沖突使得學生在自主選課上受到了一定的限制，對于比較熱門的課程，當選課人數較多資源有限時，課程就會被刪除，自主選課無法充分發揮其作用。隨著高校不斷擴招，教師資源越來越匱乏，學生的選擇范圍有限。
1.3 選課工作實施不到位
選課指導也是一個很重要的環節，特別是新生由于對課程了解不深，因此很容易出現盲目選課現象。部分學生了為了選擇簡單易學的知識而不顧自身發展，隨意性的選課對教學質量造成了很大的影響，同時也脫離了選課制實行的初衷。針對這個問題本文提出了利用數據挖掘技術篩選歷史選課數據中隱藏的、有用的知識，作為指導學生選課的依據，該課題的提出對高校教學管理改革有著重要的現實意義。
2 相關技術
2.1 數據挖掘技術
數據挖掘技術是一種從大量的、無規律的、模糊且隨機的數據中提取有用信息和知識的一種方法，數據挖掘技術作為一門交叉學科，其中包含了許多運用技術和挖掘工具，其中運用到的技術有數據庫技術、統計學、模型識別、機器學習和人工智能等。由于數據挖掘技術具有獨特的優勢，因而它在多個領域都有應用，特別是在銀行、銷售、保險、電信和交通等領域的運用已趨于成熟。
2.2 個性化推薦技術
個性化推薦技術是數據挖掘技術中一類，該技術直到20世紀末期才被單獨提出來，隨著計算機技術的不斷發展，直到Web2.0技術成熟后該技術才被運用到實際當中。個性化推薦技術的運用使得用戶對信息的獲取從被動變為主動。個性化推薦技術在商業領域中的成功運用，使得推薦系統的產品種類大幅度增加，較具代表性的推薦系統有eBay、Amazon和You tube等，這些系統的用戶數量相當可觀。
2.3 協同過濾系統
在所有個性化推薦系統中協同過濾系統的運用效果和運用情況都是最好的，協同過濾推薦作為一項很受歡迎的信息過濾技術，它可以對過濾內容進行過濾和分析，從而分析出用戶的興趣愛好，提高信息服務質量。根據對象的不同協同過濾推薦算法可分為基于用戶和基于項目的兩種協同過濾推薦算法。
3 學生個性化選課推薦系統的研究
本文采用的是基于用戶的協同過濾算法，在高校選課系統中融入該算法可幫助學生根據自身的興趣愛好選擇與自身發展最為貼近的課程、學習量及任課教師，個性化選課推薦系統的運用使得高校選課機制更為完善。
在推薦系統內建立評價矩陣，對學生在選課過程中的主要因素進行描述，如興趣愛好、專業、學習程度、選課記錄和老師評價等，算法根據學生這些信息對其行為進行分析，并建立相應的學生項，通過與評價矩陣中的項進行對比找出相似度最高的選課記錄，并向該學生進行課程推薦。由此可見，個性化高校選課推薦系統模型主要分為評價矩陣、搜索最近鄰居和課程推薦三個部分。
3.1 建立評價矩陣
根據專業、愛好、選課記錄、學習程度等信息收集歷史選課數據，若直接從教務系統中選取，則需對數據進行清洗和轉化，從而形成協同過濾算法學生選課評價矩陣。如表1所示為協同過濾算法學生選課評價矩陣：
表1協同過濾算法學生選課評價矩陣
Item1 Item2 … Item′
Student1 3 5 … 4
Student2 5 4 4
… … … Rij …
Student″ 5 4 … 2
Student′ 2 5 … 3
在上述矩陣中Rij中的i代表的是學生，j代表的是項目，R代表的是評價。Rij的取值范圍通常在[0，5]這個區間范圍內，分值的大小與評價的高低成正比。
3.2 搜索最近鄰居
將目標學生與評價舉證中所有學生的相似度進行對比，找出相似度最高的一組并建立相應的最近鄰居集合，在基于用戶的寫通過率算法中這步是很難關鍵的，相似度的具體算法如下所示：
在上述公式中 代表目標學生與矩陣學生的相似度，y代表兩者共同評價過的項目， 和 表示a學生和i學生對y項目的評價， 和 表示項目評價平均值。
3.3 產生推薦
根據評價結果和推薦算法產生推薦，具體推薦算法如下所示：
表示相似度， 表示項目評分， 和 表示項目評價平均值。該算法主要是針對用戶評價項目較多的情況，對于個別評價，結果可能就沒那么準確。
4 結束語
基于協同過濾算法的個性化高校選課推薦系統是根據學生的興趣愛好、學習程度和專業等信息進行相似度計算，然后再根據相似度的高低推薦相應的課程。高校個性化選課推薦系統的使用可有效提高學生的學習興趣以及學校的教學質量，幫助學生科學合理的選擇合適的課程，為學生的個性化發展提供有效的學習方式。
參考文獻：
[1]王博，劉慶剛，張琴.數據挖掘在選課系統中的應用[J].計算機與數字工程，2011，39（5）.
[2]陶小紅.Web數據挖掘在智能選課系統中的應用研究[J].辦公自動化，2010（2）.
個性化推薦系統范文6
以用戶需求為中心的個性化學習環境構建是e-Learning未來的發展趨勢，也是當前遠程教育及智慧教育領域研究的熱點。針對個性化e-Learning學習環境的“適應性”問題，從用戶認知水平維度切入，利用鄰近區用戶群（鄰居用戶）相似性規則提出了一種Web環境下個性化學習路徑生成的協同推薦機制，并通過架構設計、系統建模、路徑提取及算法設計四個方面重點剖析了自適應學習系統（Adaptive Learning System，ALS）協同推薦機制的技術解決方案，通過系列實設計、實施以及數據分析對其有效性進行了驗證。結果表明，本研究成果在一定程度上能夠向日標用戶推薦較理想的學習路徑，有效改善推薦資源的精準度，進而提高用戶學習質量和學習效果。
【關鍵詞】個性化學習；協同推薦；學習路徑；自適應學習系統
【中圖分類號】G434 【文獻標識碼】A 【文章編號】1009-458 x（2017）05-0024-11
以互聯網為代表的信息技術迅猛發展催生了教育手段與學習方式的深度變革。作為互聯網信息時代的衍生物及一種重要學習方式，e-Learning環境下的個性化學習因其強調學習過程中的個體差異性需求，倡導“以學習者為中心”的教學理念而備受關注，成為遠程教育及智慧教育領域研究的熱點。美國新媒體聯盟（NMC）在（（2016版地平線報告》中預言，基于自適應學習技術的個性化學習成為e-Learning未來發展態勢（L?約翰遜，等，2016，PP.1-36）。緊跟時展步伐，201 2年教育部在《教育信息化十年發展規劃（201 1-2020年）》中明確提出：“推進信息技術與教學深度融合，建設智能化教學環境，提供優質數字教育資源和軟件工具……創新信息化教學與學習方式，為每一名學習者提供個性化學習的信息環境和服務。”2016年6月，教育部的《教育信息化“十三五”規劃》中再次強調：“要構建網絡化、數字化、個性化、終身化的教育體系……建立線上線下相結合的混合式教學模式，為全民學習、終身學習提供方便、靈活、個性化的學習條件?！庇纱耍瑐€性化學習成為教育方式變革的重點之一，探索及構建滿足用戶個性化學習支持服務與環境成為當前迫切而重要的研究主題。本研究針對當前個性化e-Learning學習系統的“適應性”問題，即如何向不同用戶高效、精準地推薦適當的學習資源，嘗試從學習者認知水平維度切入，提出一種Web環境下個性化學習路徑動態生成的解決方案及其技術實現路線，以期為相關研究提供參考。
一、相關研究進展
個性化學習（Personalized Learning）是一種針對學習者個體差異性而開展的滿足其個性化需求的學習方式。李克東（2014）將其定義為：以學習者個性差異為基礎，針對學習者的個性特點和發展潛能而采取靈活、適當的方法、手段、內容、評價方式等滿足學習者個性需求，使其各方面獲得充分、自由、和諧發展，以促進個體發展為目標的學習范式。顯然，學習者的個體差異（如學習偏好、專業背景、認知水平等）呈多樣化，其心智發展過程與學習路徑也復雜多樣，是構建個性化學習支持環境的難點與挑戰。
進入21世紀以來，信息技術高速發展引發了學習方式、認知思維模式、交流互動方式的變革，知識可視化、學習分析、大數據挖掘、電子書包以及各種智能移動終端等的出現，為大規模開展個性化學習提供契機，個性化學習成為信息時代教育發展的重要特征。受技術熱潮的影響，當前關于個性化學習的研究逐漸由“概念―內涵―模式”理論層面傾向于“機制―模型―系統”技術實踐層面，技術支持下的個性化學習成為國內外關注的熱點。典型的研究成果包括：
1.個性化學習系統適應性機制與策略
英國教育技術與通信技術局（Becta，2008）在《利用技術：新一代學習（2008-2014）》中提出了基于協作與互動機制建立一套支持個性化學習活動的個人在線學習空間，通過為學習者提供差異化課程和學習經歷、可定制的響應性評價機制滿足學生個性化需求；美國加州大學利用QSP（Quality School Port-folio）項目所開發的在線決策支持工具采集學生成長記錄，并以此分析學生行為和確定個性化學習需求（Eva，et al.，2009）；卡斯特羅等人以數據挖掘為視角論述了e-Learning個性化學習環境實現策略（Castro，et al.，2007）；趙蔚等（2010）提出了基于Web數據挖掘技術的個性化e-Learning推薦機制解決方案。
2.個性化學習系統模型構建
史爾赤等人（Shishehchi，et al.，2014）通過本體技術對學習者及學習資源進行建模，利用語義關系實現了系統個性化推薦效果；王等人（Wang，et al.，2013）基于學習者的特征模型對課程架構與內容進行標記，進而實現個性化學習功能；陳敏和余勝泉等人（2011）以“學習元”平臺為例，通過對用戶興趣、學習偏好和領域知識建模，提出了一種個性化內容推薦模型；張劍平等（2010，p.36）詳細闡述了知識可視化、學生模型、學習能力評估與適應性測試等，為適應性學習系統開發提供了參考借鑒；姜強等（2016）對e-Learning環境中用戶的學習風格模型進行了分析，并構建了適應性學習系統用戶模型。
3個性化學習系統開發
美國Knewton公司基于自適應學習技術開發了在線學習平臺“Knewton”，利用分析引擎判斷學生當前學習狀態，為學生提供個性化課程指導（Kame-netz，2013）；愛爾蘭都柏林大學的歐文博士（Ow-en，2008）將學習對象進行了元數據標記，并利用規則引擎實現了個性化學習系統ApeLS；韓國慶熙大學的曾等人（Jeong，et al.，2013）基于學習者偏好和能力水平開發了自適應教育超媒體系統AEHS，該系統可按照知識難度水平呈現各種媒體資源；楊現民等（2013）將語義本體技術引入學習資源的組建過程，并以此開發了學習元平臺，實現了資源內容的持續進化，且在一定程度上支持個性化學習功能。
縱觀上述研究，國外眾多研究機構、學者以及商業公司等在個性化學習領域研究中開展了大量的理論與實踐探索，以不同的視角設計開發了多種具有一定“適應性”的學習系統原型，取得初步成效；國內的研究者也進行了大膽的嘗試，但實踐性研究成果相對較少。比較發現，上述研究成果就其內容或所采用的技術來分析具有一定的相通性與延續性，主要集中在適應性機制、系統建模、數據挖掘、語義本體、推薦策略等方面。這些成果為今后的實踐研究提供了寶貴的參考借鑒。同時也不難發現，目前關于個性化學習的技術支持環境，仍處于探索階段，多數研究者通過開發適應性學習系統（或智能導學系y）為個性化學習提供技術解決方案，但所設計的模型或開發的學習系統仍處于原型階段，其滿足學習者個性需求的“適應性”效果并非理想，還需要進一步研究。在此基礎上，本研究試圖探索如何通過生成最優個性化學習路徑來改進學習系統的“適應性”。受當前相關推薦技術的啟發，從學習者認知水平維度切入，進行實時建模與分析，基于鄰居用戶群相似性規則，提出一種個性化學習路徑動態生成解決方案――協同推薦機制，并進一步設計了ALS原型系統。
二、協同推薦及其支持下的ALS系統解決方案
（一）協同推薦機制
個性化學習是一種極其復雜的學習體驗，其學習軌跡不僅受學習者問的差異性特征影響，同時也因學習者個體內在的動態發展因素（如認知水平等）的改變而修正，如何讓支持個性化學習的系統在深入“理解”當前學習者個性需求的基礎上做出適當的“推理”，并以此為學習者推薦適當的學習資源，一直是充滿挑戰的話題。然而，在電子商務領域，許多知名的電商平臺通過對海量用戶購買習慣、反饋評價等信息進行分析，采用相關推薦技術向用戶推薦商品，取得了顯著的成效，例如亞馬遜平臺每年利用推薦技術獲得巨額收益；國內淘寶、京東等知名電商平臺也正在向該方向擴展業務。關于推薦模式，目前常見的有協同過濾推薦、關聯規則推薦、基于內容推薦以及混合式推薦四種。其中，協同過濾推薦是應用較成熟的一種模式，采用該模式的推薦系統有Amazon、MovieFinder、CDNow等（陳雅茜，劉韜，2014）。受此啟發，本研究嘗試將協同過濾推薦原理遷移到學習系統中，并從學習者及其個性化學習路徑的角度提出一種協同推薦機制。
協同推薦，從本質上說，是系統針對當前用戶的個性需求而采取的一種篩選、重組、呈現資源的技術解決方案，其策略在于“協同”，成效在于“推薦”。在個性化學習中，系統對當前學習者個性需求的深入理解至關重要，直接影響最終資源的推薦質量，而協同策略在此扮演了重要角色。協同的本質源于協作互助，在此特指將系統中其他用戶的數據信息作為參考并以此為目標對用戶狀態做出合理的判斷推理。推薦是系統在相關程序算法的作用下為用戶呈現適當的資源，是實現個性化、適應性學習效果的關鍵。由此，本研究提出的個性化學習協同推薦機制的設計思想是：以協同過濾推薦技術為基礎，首先利用模型分析工具對目標用戶分別從認知水平和學習路徑兩個維度進行建模分析，然后參考用戶群相似性規則篩選學習路徑序列，并采用AprioriAll算法從學習路徑序列中提取路徑共同體，進而生成最優路徑資源項序列，最后通過預處理組件將資源項序列轉換生成最終資源列表個性化推薦給用戶。圖1是該推薦機制的實現機理的一個示例。
由上分析，個性化學習系統協同推薦機制的實現主要涉及三個過程：①系統建模。從認知水平及學習路徑兩個基本維度構建用戶模型，基于學習策略構建資源內容模型。②獲取鄰居用戶。以認知水平作為判定標準對用戶模型進行分析，并從用戶群中篩選相似性用戶作為當前用戶的鄰居用戶。③產生推薦路徑。利用相關算法從鄰居用戶的學習路徑中挖掘最優學習路徑，并將轉換后的資源序列推薦給目標用戶。為了進一步探索協同推薦機制及其支持下的個性化學習路徑的技術實現方案，我們嘗試構建了ALS原型系統及其具體實現方法。
（二）ALS系統模型構建
1.系統架構設計
ALS，即自適應學習系統（亦稱適應性學習系統），它是一種針對學習者的個體特征差異（如年齡、性別、專業背景、認知水平等）動態提供個性化學習支持服務的系統（趙學孔，等，2015）。根據網絡學習需要，ALS用戶角色應該包括學習者和管理者（可由教師兼任）。基于此，所構建的ALS主要提供在線個性化學習和資源管理兩大功能模塊，其總體架構如圖2所示。其中，學習單元測評用于診斷學習者當前的認知水平，主要借助習題測試來實現；學習者建模組件負責測驗成績與認知水平數據轉換，以此動態完善用戶模型；記錄器用于實時記錄學習者訪問的頁面信息；協同推薦模塊作為系統的核心部件，主要完成用戶模型分析、學習記錄提取、推薦知識項序列、知識序列預處理等一系列工作過程，進而向用戶推薦個性化學習資源；系統數據庫主要包括用戶模型、學習記錄、學習策略以及學習資源數據庫，用戶模型數據庫存儲用戶的特征信息，學習記錄數據庫存儲用戶的學習歷史記錄信息，學習策略數據庫存儲學習資源的關系信息（如章節項關系、知識項的前驅后繼關系等）、學習資源數據庫存儲資源的實體信息。
如圖2所示，ALS的工作過程大致描述如下：①學習者登錄ALS系統后，首先通過測試題對其當前認知水平進行診斷，并利用建模組件將測試成績記錄在用戶模型數據中。②學習者在學習過程中，系統利用模型分析工具獲取學習者當前的認知水平信息，然后從鄰居用戶群中提取學習記錄集并以此產生推薦知識項序列（即學習路徑），最后利用預處理組件將最優學習路徑與實體資源建立映射關系，將個性化資源列表推薦給目標用戶。學習者則在相關學習工具的支持下，借助Web瀏覽器完成在線學習。同時，記錄器實時捕獲學習者訪問頁面的序列、內容、訪問時間等信息，隨時更新學習記錄數據庫。③學習者每學完一個知識單元都需要進行單元測試練習，系統將其測驗成績作為當前認知水平，然后利用建模組件更新用戶模型信息，為后續推薦服務提供數據參考。④資源管理者登錄系統后，通過管理功能實時更新學習資源信息，如上傳和編輯資源、修改學習資源的策略關系等。
