精准动态信息推荐算法在智慧校园中的应用

摘要：随着互联网的飞速发展，信息过量对教学相关的所有因素产生不良影响，使得智慧校园发展与信息冗余产生了矛盾。本文利用信息推荐的思路分析了解决信息冗余与智慧校园建设信息精准需求之间存在的问题，并提出了基于协同过滤思想的解决办法。

关键词：智慧校园;信息冗余;推荐系统;协同过滤

1引言

当前，教育环境复杂，教育信息化和智慧化必需兼顾环境多样性、受众复杂性、需求变化性等因素，借助移动通信技术与人工智能技术发展新型教育对位于战略兴国的重要基础化建设。

智慧化教育必须打破原来数字教育资源建设的传统观念和思想壁垒，除了包涵传统的教育课件之外，其主体应当是伴随着教学过程中产生的大数据以及伴随对关于教育所有因素分析产生的相关数据内容及其衍生信息。因此如何有效的獲取众多信息中的关键有效信息成为系统能否生存、教育成本、学习效率的重点问题。

2智慧校园的定义及发展现状

智慧校园是继数字校园之后关于院校信息化建设的全新概念，随着互联网技术的迅猛发展和通信技术的快速进步，智慧校园在2008年提出的“智慧地球”的基础上被提出后，再次在2010年被浙江大学在信息化“十二五”规划中正式提出^[1]，国内外专家学者对智慧校园的普遍认识是智慧校园是以物联网为基础的智慧化的校园工作、工作、学习和生活一体化环境^[2]。

随着我国物联网技术移动通信技术的发展以及各种研究的深入，物联网技术越来越多的被应用到教学中来解决学生与教育资源契合的问题，物联网技术、计算机网络技术、移动通信技术的加速融合更大程度的促进了智慧校园的发展。

目前，依托数字化校园和大数据技术在大环境下有效获取教育资源已经成为事实，然而面对海量信息随之衍生的信息过载问题不可避免，不仅仅是学生，包括教师在内都需要花费巨大的精力和时间从众多的资源中选取真正的有效信息。

以提升高校信息服务和应用质量与水平为根本目的，如何建立一个更加开放、创新、智能的综合信息平台，使得教师、学生、学校管理人员都可获得个性化服务，深度感知不同维度的信息资源，获得更加完善的互动体验成为现代教育和智慧校园建设的重要研究内容。实现精准推送是解决这一问题的最佳途径，协同推荐技术不可避免地成为目前解决这一问题最有效办法。

3协同推荐系统

3.1协同推荐系统的概念

在电子商务领域，推荐系统能够将一些可能是用户感兴趣的商品构成一个列表，以便向用户进行推荐。一方面降低了用户寻找需求商品的时间成本，另一方面可以提高商家的收益，平台方也可以从中获利。国内目前除了电子商务领域，目前也有许多成熟的个性化推荐系统，例如新浪微博、腾讯新闻、今日头条等。个性化推荐系统在如今互联网发展中不可忽视的重要地位。

推荐系统本质上是一种处理海量数据信息的系统，用来预测用户对某一个物品或者某一类物品的喜爱程度，然后根据不同的喜爱程度来决定是否将算法得到的结果推荐给该用户。上层服务系统通过搜集大量用户在使用系统时产生的历史行为或者他们的兴趣爱好数据，将信息过滤、归并传递给推荐算法系统，后者运用成熟的算法模型来输出用户可能感兴趣的项目内容。它的提出是伴随着如今社会数据量的与日俱增、人们在面对海量数据束手无策的现象出现。

使用协同推荐系统需要解决的为题是要对于不同的内容要从不同维度加以识别与区分可以借助的技术有图像识别、自然语言处理、深度学习等。

3.2精准推荐系统方案构建

在校园内可以使用根据学生或者教师在校园的不同位置推荐不同内容的思路构建精准推荐系统。

首先构建真实准确的校园模型，结合校园无线网络与有线网络结构对学校模型进行网格化切割，根据网格区划推荐不同的内容。例如对学校的教学区、图书馆、食堂、宿舍进行粗粒度区划，可以在一定程度上解决了传统算法中的数据不可靠、数据偏差等问题，提高了系统推荐准确度，减低了冗余繁杂信息的影响。

再次，可以对以上方法进行二次优化。目前大部分手机采用的GPS/北斗定位技术来讲更加有效的实现室内定位。由于墙体、建筑物等遮挡室内定位精度大大降低，因此结合广域室内定位技术和局部室内定位技术可以更加准确加以区分。局域室内定位技术一般包括WiFi、蓝牙、ZigBee、超声波、射频识别（RFID）、红外线等技术^[3]。

可以在传统定位算法的基础上对基于无线室内网络的指纹定位算法做出部分改进，可采用聚类的思想对指纹数据进行处理，实现室内三维定位，实现在不同楼层不同位置的定位。

使用WLAN室内三位定位算法有效提升室内定位准确度，实现三位定位，更加准确的对室内教学场景的区分。再次可以对系统过滤相似度加以提升，增加推荐准确度，成为精准推荐的有效实现前提。

4协同推荐算法的应用

协同过滤算法会利用所有用户在使用系统过程中产生的有效历史数据信息，通过具体的算法来计算用户之间的喜好相似程度，通常称之为“距离”，然后通过加权的形式来精确地预测目标用户对某物品的喜好程度，然后系统以此作为依据进行推荐。随着数据集的壮大，这一结果会变得越来越说服力。通常协同过滤根据不同维度可以分为基于用户的协同过滤和基于物品的协同过滤^[4]。

深度学习主要是用来发现数据的分布式特征表示。相比目前传统的推荐方法，深度学习的方式可以通过学习一种深层次非线性网络结构，表征用户和物品密切相关的海量数据。它具有强大的从样本中学习数据集本质特征的能力，能够获取用户和物品深层次特征表示，这一特殊能力能够有效的降低数据分布不均带来的推荐结果不准确的情况出现的可能性。另一方面，通过从多种异构数据中进行自动特征学习，从而将不同数据映射到一个相同的隐空间，能够获得数据的统一表征^[5]。综合这些特点，基于深度学习的推荐系统往往可以更好地理解用户需求，物品特点以及他们之间的历史行为交互。借助深度学习的能力，演化除了基于模型的协同过滤推荐，如损失函数+正则项、神经网络+层、图模型+圈等。

5结论

本文提出的面向智慧校园的精准动态信息推荐系统，不同于传统的个人个性化推荐系统，以高精度的定位服务来实现精准推荐的基础，并利用改进的推荐算法向用户提供个性化的服务。

参考文献：

[1]周红春.高校教育信息化的新发展：信息化教育——我国高校教育信息化试点学校建设的启示[J].电化教育研究，2012，33（06）：5-11.

[2]覃飞.面向智慧校园的情景感知系统研究[D]，太原理工大学，2015，04.

[3]王阳，基于Android的室内Wi Fi定位系统设计与实现[D].南京大学，2016，05.

[4]黄立威，江碧涛，吕守业，等.基于深度学习的推荐系统研究综述[J].计算机学报，2018，041（007）：1619-1647.

[5]周文韬.基于Spark平台的混合推荐算法的研究与实现[D].北京交通大学，2016.

作者简介：李静（1981-），女，硕士研究生/副教授，研究方向：大数据、云计算。