摘 要：由于傳統(tǒng)方法未對(duì)不同用戶(hù)之間的行為數(shù)據(jù)進(jìn)行考慮，導(dǎo)致資源推薦滿(mǎn)意度較低。為解決這一問(wèn)題，提出基于協(xié)同過(guò)濾的農(nóng)業(yè)平臺(tái)學(xué)習(xí)資源個(gè)性化推薦方法研究。研究先引入影響值參數(shù)——Inf表示不同關(guān)聯(lián)用戶(hù)之間影響關(guān)系的大小，然后對(duì)時(shí)序評(píng)論和回復(fù)行為數(shù)據(jù)進(jìn)行融合，構(gòu)建農(nóng)業(yè)平臺(tái)用戶(hù)資源興趣矩陣，最后以此為基礎(chǔ)，采用協(xié)同過(guò)濾方式實(shí)現(xiàn)資源推薦。在測(cè)試后發(fā)現(xiàn)所提方法具有良好的推薦效果，可以有效保障用戶(hù)對(duì)推薦資源的滿(mǎn)意度。

關(guān)鍵詞：協(xié)同過(guò)濾 農(nóng)業(yè)平臺(tái) 學(xué)習(xí)資源 個(gè)性化推薦 用戶(hù)畫(huà)像 影響值參數(shù) 資源興趣矩陣 興趣資源交叉

中圖分類(lèi)號(hào)：G434

Exploration of Personalized Recommendation Method of Agricultural Platform Learning Resources Based on Collaborative Filtering

XU Yuanhong

School of Information Engineering， Henan Institute of Science and Technology， Xinxiang， He’nan Province， 453000 China

Abstract： Due to the lack of consideration of behavioral data between different users in traditional methods， the satisfaction with resource recommendations is relatively low. To address this issue， a personalized recommendation method for learning resources on agricultural platforms based on Collaborative Filtering is proposed. This study first introduces Influence Value Parameter - Inf， to represent the size of the influence relationship between different associated users. Then， the sequential comment and reply behavio222e025c0166d2a7a268cc7caa0516f6r data are fused to construct an agricultural platform user resource interest matrix. Finally， based on this， Collaborative Filtering method is used to achieve resource recommendation. After testing， it is found that the proposed method has good recommendation performance and can effectively ensure user satisfaction with recommendation resources.

Key Words： Collaborative Filtering; Agricultural platform; Learning resources; Personalized recommendation; User portrait; Influence Value Parameter; Resource interest matrix; Interdisciplinary interest resources

現(xiàn)階段，農(nóng)業(yè)平臺(tái)學(xué)習(xí)資源涵蓋了從基礎(chǔ)知識(shí)到高級(jí)技術(shù)的廣泛內(nèi)容，包括種植技術(shù)、養(yǎng)殖方法、農(nóng)產(chǎn)品加工、市場(chǎng)營(yíng)銷(xiāo)等多個(gè)方面[1]。這種多樣性滿(mǎn)足了不同學(xué)習(xí)者的需求。農(nóng)業(yè)平臺(tái)上的學(xué)習(xí)資源往往由農(nóng)業(yè)領(lǐng)域的專(zhuān)家或權(quán)威機(jī)構(gòu)提供，內(nèi)容具有高度的專(zhuān)業(yè)性和準(zhǔn)確性[2]。除此之外，許多農(nóng)業(yè)平臺(tái)提供了學(xué)習(xí)者之間的互動(dòng)功能，如論壇、問(wèn)答等[3]。這有助于學(xué)習(xí)者之間分享經(jīng)驗(yàn)、解決問(wèn)題，從而增強(qiáng)學(xué)習(xí)效果。個(gè)性化資源推薦能夠根據(jù)學(xué)習(xí)者的特征和需求，為其提供量身定制的學(xué)習(xí)資源，從而滿(mǎn)足其的個(gè)性化需求[4]。這有助于其更加高效地學(xué)習(xí)和掌握農(nóng)業(yè)知識(shí)。從平臺(tái)角度分析，這種良好的學(xué)習(xí)體驗(yàn)有助于增強(qiáng)學(xué)習(xí)者的學(xué)習(xí)動(dòng)力和忠誠(chéng)度。并且通過(guò)個(gè)性化資源推薦，平臺(tái)可以更加合理地分配學(xué)習(xí)資源，確保優(yōu)質(zhì)資源得到充分利用。這也有助于提高平臺(tái)的資源使用效率，實(shí)現(xiàn)資源的最大化利用。為此，本文提出基于協(xié)同過(guò)濾的農(nóng)業(yè)平臺(tái)學(xué)習(xí)資源個(gè)性化推薦方法研究，并通過(guò)對(duì)比測(cè)試的方式，分析測(cè)試了設(shè)計(jì)推薦方法的應(yīng)用效果。

1農(nóng)業(yè)平臺(tái)學(xué)習(xí)資源個(gè)性化推薦方法設(shè)計(jì)

1.1用戶(hù)畫(huà)像構(gòu)建

在傳統(tǒng)的資源推薦方法中，大多是以用戶(hù)的歷史瀏覽資源信息以及相關(guān)操作行為為基礎(chǔ)直接開(kāi)展的，而實(shí)際上，不同用戶(hù)就同一資源進(jìn)行的行為之間是存在交叉關(guān)系的，并且這種關(guān)系具有明顯的雙向不對(duì)稱(chēng)屬性特征。用戶(hù)之間的興趣資源不能直接作為雙向推薦資源。結(jié)合上述問(wèn)題，本文在為農(nóng)業(yè)平臺(tái)用戶(hù)構(gòu)建畫(huà)像的過(guò)程中，引入了影響值參數(shù)——Inf，借助其表示不同關(guān)聯(lián)用戶(hù)之間影響關(guān)系的大小。在具體的農(nóng)業(yè)平臺(tái)用戶(hù)畫(huà)像構(gòu)建過(guò)程中，本文主要以用戶(hù)在平臺(tái)中的時(shí)序評(píng)論和回復(fù)行為數(shù)據(jù)作為基礎(chǔ)數(shù)據(jù)。其中，具體的Inf 可以表示為

式（1）、式（2）中，為在評(píng)論方面，用戶(hù)i受到用戶(hù)j的影響值參數(shù)，為在回復(fù)方面，用戶(hù)i受到用戶(hù)j的影響值參數(shù)，為在用戶(hù)j評(píng)論之后，用戶(hù)i也對(duì)相同農(nóng)業(yè)平臺(tái)學(xué)習(xí)資源進(jìn)行評(píng)論的總次數(shù)，用戶(hù)i受到用戶(hù)j在評(píng)論方面的影響值，為在用戶(hù)j回復(fù)之后，用戶(hù)i也對(duì)相同農(nóng)業(yè)平臺(tái)學(xué)習(xí)資源的回復(fù)信息進(jìn)行回復(fù)的總次數(shù)[5]。在上述基礎(chǔ)上，本文在綜合分析用戶(hù)i受到用戶(hù)j的影響大小過(guò)程中，對(duì)和進(jìn)行有機(jī)整合，得到的結(jié)果可以表示為

式（3）中，為農(nóng)業(yè)平臺(tái)用戶(hù)i受到用戶(hù)j的綜合影響，為在評(píng)論方面，用戶(hù)i受到用戶(hù)j的影響值參數(shù)權(quán)重，為在回復(fù)方面，用戶(hù)i受到用戶(hù)j的影響值參數(shù)權(quán)重。

以此為基礎(chǔ)，對(duì)應(yīng)農(nóng)業(yè)平臺(tái)用戶(hù)i的畫(huà)像（資源興趣矩陣）可以表示為

式（4）中，表示考慮用戶(hù)之間影響關(guān)系的農(nóng)業(yè)平臺(tái)用戶(hù)i畫(huà)像（資源興趣矩陣），為農(nóng)業(yè)平臺(tái)用戶(hù)i的初始畫(huà)像（資源興趣矩陣），為整體農(nóng)業(yè)平臺(tái)的用戶(hù)影響關(guān)系矩陣。

按照上述所示的方式，實(shí)現(xiàn)對(duì)農(nóng)業(yè)平臺(tái)用戶(hù)畫(huà)像的構(gòu)建，為后續(xù)的資源推薦提供執(zhí)行基礎(chǔ)。

1.2基于協(xié)同過(guò)濾的資源推薦

結(jié)合1.1部分為農(nóng)業(yè)平臺(tái)用戶(hù)構(gòu)建的畫(huà)像，本文通過(guò)引入?yún)f(xié)同過(guò)濾機(jī)制，分析分析不同用戶(hù)之間資源興趣矩陣的交叉情況，實(shí)現(xiàn)對(duì)具體農(nóng)業(yè)平臺(tái)學(xué)習(xí)資源的推薦。其中，具體的實(shí)現(xiàn)流程如圖1所示。

按照?qǐng)D1所示的方式，此流程主要分為5個(gè)步驟。

步驟1：根據(jù)用戶(hù)對(duì)資源的興趣矩陣劃分情況，進(jìn)行用戶(hù)聚類(lèi)。

步驟2：對(duì)于目標(biāo)對(duì)象（即待推薦的用戶(hù)），在其所在的類(lèi)簇中，對(duì)不存在交叉關(guān)系的資源進(jìn)行影響值分析，具體的計(jì)算方式如式（3）所示。通過(guò)這樣的方式，為目標(biāo)對(duì)象填補(bǔ)部分農(nóng)業(yè)平臺(tái)學(xué)習(xí)資源數(shù)據(jù)的空白，使得后續(xù)的近鄰用戶(hù)查找更加準(zhǔn)確。

步驟3：在類(lèi)簇中找到目標(biāo)對(duì)象的近鄰用戶(hù)。由于近鄰用戶(hù)與目標(biāo)對(duì)象具有相似的資源行為習(xí)慣和興趣偏好，其資源興趣矩陣對(duì)于目標(biāo)對(duì)象的推薦結(jié)果具有重要影響。此處，本文采用皮爾遜相關(guān)系數(shù)計(jì)算目標(biāo)對(duì)象與類(lèi)簇內(nèi)其他用戶(hù)之間的相似度[6]，具體的計(jì)算方式可以表示為：

式（5）中，為目標(biāo)對(duì)象與類(lèi)簇內(nèi)其他用戶(hù)之間的相似度。根據(jù)計(jì)算結(jié)果，選取相似度最高的TOP-N用戶(hù)作為近鄰用戶(hù)。

步驟4：基于近鄰用戶(hù)的資源興趣矩陣，本文為目標(biāo)對(duì)象生成推薦結(jié)果。

按照上述所示的方式，以用戶(hù)為導(dǎo)向，借助協(xié)同過(guò)濾算法，為目標(biāo)用戶(hù)提供農(nóng)業(yè)平臺(tái)的個(gè)性化學(xué)習(xí)資源推薦服務(wù)，提升推薦的準(zhǔn)確性和效率。

2 測(cè)試與分析

2.1 測(cè)試準(zhǔn)備

為開(kāi)展所提方法先進(jìn)性的驗(yàn)證，本次以綠農(nóng)網(wǎng)作為具體的測(cè)試平臺(tái)開(kāi)展驗(yàn)證。對(duì)測(cè)試平臺(tái)的基本構(gòu)架進(jìn)行分析，其主要由前端用戶(hù)界面、后端數(shù)據(jù)處理中心以及農(nóng)業(yè)資源庫(kù)三大核心部分組成。在此基礎(chǔ)上，分析綠農(nóng)網(wǎng)的學(xué)習(xí)資源配置情況，具體的資源類(lèi)型包括文字資料、圖片、視頻教程、互動(dòng)課程等多種形式，以此滿(mǎn)足不同用戶(hù)的學(xué)習(xí)需求。在開(kāi)展具體的資源推薦過(guò)程中，為了能夠更加客觀地對(duì)本文設(shè)計(jì)方法的性能進(jìn)行評(píng)價(jià)，分別設(shè)置楊柳青等人[5]提出的以極大熵為基礎(chǔ)的資源個(gè)性化推薦方法和程娟娟等人[6]提出的以Vanilla算法為基礎(chǔ)的資源推薦算法作為測(cè)試的對(duì)照組。對(duì)于具體的推薦測(cè)試，以平臺(tái)中隨機(jī)選擇的100位用戶(hù)為推薦對(duì)象，向每位用戶(hù)推薦TOP-3資源，具體的推薦效果評(píng)價(jià)指標(biāo)以滿(mǎn)意度調(diào)查反饋結(jié)果為基準(zhǔn)。以此為基礎(chǔ)，開(kāi)展實(shí)驗(yàn)研究。

2.2測(cè)試結(jié)果與分析

在上述測(cè)試環(huán)境的基礎(chǔ)上，不同方法推薦資源用戶(hù)反饋結(jié)果對(duì)比數(shù)據(jù)如表2所示（在表2中，有效反饋的用戶(hù)人數(shù)共計(jì)96人，因此分別對(duì)其反饋結(jié)果963進(jìn)行統(tǒng)計(jì)）。

結(jié)合表1進(jìn)行分析，本文設(shè)計(jì)推薦方法對(duì)于推薦結(jié)果反饋為非常滿(mǎn)意和滿(mǎn)意的占比達(dá)到了82.99%，不滿(mǎn)意的占比為3.47%，其中非常不滿(mǎn)意的占比僅為1.04%。明顯優(yōu)于楊柳青等人[5]和程娟娟等人[6]提出的方法。由此可以得出結(jié)論，本文設(shè)計(jì)的基于協(xié)同過(guò)濾的農(nóng)業(yè)平臺(tái)學(xué)習(xí)資源個(gè)性化推薦方法具有良好的推薦效果，可以提高用戶(hù)對(duì)推薦資源的滿(mǎn)意度。

3 結(jié)語(yǔ)

開(kāi)展個(gè)性化資源推薦對(duì)于提高農(nóng)業(yè)平臺(tái)學(xué)習(xí)資源的有效利用率具有重要價(jià)值。本文提出基于協(xié)同過(guò)濾的農(nóng)業(yè)平臺(tái)學(xué)習(xí)資源個(gè)性化推薦方法研究，通過(guò)收集和分析學(xué)習(xí)者的學(xué)習(xí)數(shù)據(jù)，建立精準(zhǔn)的用戶(hù)畫(huà)像，從而實(shí)現(xiàn)個(gè)性化資源推薦的精準(zhǔn)化和智能化。借助本文對(duì)于農(nóng)業(yè)平臺(tái)學(xué)習(xí)資源推薦方法的研究與設(shè)計(jì)，希望能夠?yàn)樘嵘r(nóng)業(yè)資源的利用率帶去積極的幫助。

參考文獻(xiàn)

[1]郭利敏，付雅明.融合ReAct模式的圖書(shū)館大語(yǔ)言模型知識(shí)服務(wù)系統(tǒng)構(gòu)建[J/OL].圖書(shū)館論壇，2024， 2（20）：1-10.

[2]王帥，馬景奕，周遠(yuǎn)洋，等.基于情境感知和序列模式挖掘的氣象學(xué)習(xí)資源推薦算法[J].氣象科技， 2024，52（1）：37-44.

[3]劉瑩，楊淑萍，張治國(guó). Storm分布式計(jì)算框架下基于知識(shí)圖譜的快速學(xué)習(xí)資源推薦[J].南京郵電大學(xué)學(xué)報(bào)（自然科學(xué)版），2024，1（30）：1-7.

[4]聶偉，鄭冰樹(shù).基于UBCF算法在圖書(shū)館個(gè)性化資源推薦中的應(yīng)用研究[J].電腦知識(shí)與技術(shù)，2023， 19（36）：22-24.

[5]楊柳青，王沖.基于極大熵的Web服務(wù)資源個(gè)性化推薦方法[J].計(jì)算機(jī)與現(xiàn)代化，2023（9）：32-37.

[6]程娟娟，宋彪，李微.基于Vanilla算法的數(shù)字化資源在線(xiàn)推薦算法[J].計(jì)算機(jī)仿真，2023，40（9）： 324-327，338.