基于矩阵分解的推荐系统在教学资源平台中的应用

任远一

【摘要】矩阵分解是将矩阵拆解为数个不同矩阵的乘积，分解的方式多种多样，然后可以利用推荐系统，向指定的用户提供资源或者服务等使用建议.推荐系统在当下的应用越来越多，这一热门技术被教育研究者应用到教学资源平台之中，利用数据可以更好地教学，且能够得以共享更多的教学资源，促进教育事业的蓬勃发展.

【关键词】矩阵分解;推荐系统;教学资源;平台应用

推荐系统带来的推荐服务，目前已经渗透到生活的方方面面.推荐信息系统可以很好地为教育资源服务，基于矩阵分解的信息过滤系统，可以很好地链接使用者和教育资源.越来越多的阅读链接可以促进各类信息流的使用.推荐系统可以借助机器推荐和人工推荐，解决教育资源平台的搜索和使用等各类问题.

一、基于矩阵分解的推荐系统算法研究介绍

（一）推荐系统算法概述

人们可以通过网络浏览到大量的资讯，而实时信息和教育资源的信息量越来越大，用户为了能够快捷地在庞大的信息流里找到自己需要的信息，需要借助一定的算法来解决搜索过载的问题.推荐系统的普遍定义，是基于矩阵分解的推荐系统在平台上对用户历史行为进行分析，这样就可以给用户提供信息的推荐建议，通过算法为用户提供兴趣的需求和比对.用户的偏好信息是需要推荐结果反馈的，对于用户使用的算法，最为常用的是基于内容的推荐评分，也就是以用户对于内容的评分作为基础，找出用户历史数据中感兴趣的或者内容属性类似的推荐结果.

比较常见的推荐策略公式是基于计算对象特征与用户兴趣偏好之间的关联得来的：

U（c，s）=score（userprofile，content）.

（二）基于矩阵分解的组合推荐算法

推荐系统能够解决搜索用户的偏好需求，信息过载和长尾理论在互联网发展迅速的今天，使用者如果想要从大量的教育信息中，在教育平台上找到自己需要的资源，就需要大量的用户链接.在利用推荐系统解决问题时，确实很多资源都不容易脱颖而出，在用户的个性化需求不能被很好满足的时候，就需要深度数据挖掘技术的辅助.在教育资源平台的数据挖掘技术、信息检索技术、计算统计学等逐渐发展的辅助作用下，教育资源平台的发展得以循序发展，且能够满足不同层次、不同需求的教育资源使用者的需求.

二、基于矩阵分解的推荐策略在教育资源平台中的应用

（一）教育平台的数据表示

大部分的远程教育平台和系统，常常使用网页呈现的方式，借助浏览器的服务架构，通过网站和门户站点的页面，完成数据的分享和转换.一般来说，基于矩阵分解，推荐系统的帮助使得信息源可以更快地与使用者产生连接.信息的过载在这种情况下很可能出现，而未知的搜索体系就可以在信息资源的海量搜寻中发挥作用.教育平台的数据表示，需要研究者讨论教育平台的数据模型以及教育平台和教育搜索系统中的用户数据、资源数据和平台数据，通过记录用户的搜索需求，可以架构包括远程教育和教育平台需求的用户账户，并建立资源列表、系统管理日志以及进行算法策略参数的测算.

（二）教育平台的数据处理流程

教育平台的数据组织方式是基于B/S架构的系统，数据层之上是逻辑业务层，数据在进行逻辑流转和功能计算的时候，要进行教育平台验证和权限设置，教育平台的资源管理模块是很重要的测算依据.使用推荐策略在教育资源平台上进行资源上传，并进行资源权限的管理和更新，需要利用教育资源的访问途径，借助资源属性维护功能，在对使用到的系统服务和相关业务功能集中处理的时候，教育者可以借助教育平台，进行不同的个性化服务定制.经过教育实践长效管理和实验，人们发现，最常用的功能是：授课管理、作业管理、答疑管理和其他的个性化教育资源定制服务.对于远程教育和教育平台的使用，其处理流程需要能够在接口管理的接入帮助下，处理外部链接和系统接口的访问权限.

（三）基于矩阵分解的推荐策略需要的教育平台功能测试

教育资源使用用户在利用推荐系统高质量服务的时候，利用矩阵分解的不同算法，使用组合分解，将使用的数据比例按照不同的用途分解，常用的矩阵分解方法是：三角分解法、QR分解法、奇异值分解法，这三种分解法也可以按照不同的算法，进行组合的分解，从而找到用户的使用偏好.推荐策略对接教育平台的功能测试，主要的端口有：用户登录、资源下载、下载推荐、评分推荐、资源检索、邮件推送等，目前，也在尝试与微信或者QQ端口进行对接，既可以实现对于资源的推送，还可以将用户在教育平台上的登录方式变得更加便捷.

三、结  论

文章介绍了对于教育平台系统测试的硬件环境和软件功能端口的对接，在详细的测试案例总结之后，推荐功能的展示证实了基于矩阵分解的教育平台应用是合理有效的，值得推广使用.因此，为了能够推进实际产生的数据和系统推荐资源的合理链接率，给教育资源的使用用户提供更多的便利，就需要能够在推荐性能评估和分析的过程中，更多地使用组合矩阵分解算法，达成快捷、简便、精准的使用效果.

【参考文献】

[1]陈建兵，申建芳，陈平华.融合评论文本和图像语义特征的兴趣点推荐[J/OL].计算机工程与应用：1-11[2019-12-17].http：//kns.cnki.net/kcms/detail/11.2127.TP.20191031.1409.009.html.

[2]刘春玲，张黎.改进非对称相似度和关联正则化的推荐算法[J/OL].计算机工程与应用：1-6[2019-12-17].http：//kns.cnki.net/kcms/detail/11.2127.TP.20190925.1357.018.html.

[3]張岐山，翁丽娟.社会化推荐系统综述[J/OL].计算机工程与应用：1-12[2019-12-17].http：//kns.cnki.net/kcms/detail/11.2127.TP.20190923.1056.002.html.

[4]冯兴杰，曾云泽.基于评分矩阵与评论文本的深度推荐模型[J/OL].计算机学报，2019：1-18[2019-12-17].http：//kns.cnki.net/kcms/detail/11.1826.TP.20190912.1807.004.html.