1.一种改进型协同过滤的网络课程推荐算法,其特征在于,包括如下步骤:步骤1:根据用户u对已知课程i的完成度、收藏行为和用户评分的反馈数据,计算用户u对已知课程i的兴趣度,步骤2:获取所有网络课程及每门网络课程所属科目标签,并根据网络课程所属的科目标签,对网络课程进行划分为不同的子课程数据集;
步骤3:设定兴趣度阈值,当用户u对某课程的兴趣度超过该阈值,则视为用户u对该课程有倾向性;计算已知课程i与所处的子课程数据集中其他未知课程j间的配合度wij,得到用户u对未知课程j的兴趣度ruj;
步骤4:按照用户u对本子课程数据集中所有未知课程j的兴趣度进行排序,排在前N名的课程作为推荐课程;
步骤1中计算用户u对已知课程i的兴趣度的方法为:rui=Tui(0.08Pui+0.6)+0.6Lui其中,rui为用户u对已知课程i的兴趣度,rui数值越高代表兴趣度越高;Pui为用户u对课程i的评分;Tui为用户u对课程i的当前的完成度;Lui为用户u是否对课程i有收藏行为,若有则为1,反之为0;
兴趣度阈值取0.76;
步骤3中基于已知课程i的兴趣度实现对未知课程j的预测的方法为:步骤3.1:首先计算课程i与未知课程j之间的配合度wij;
步骤3.2:基于修正后的配合度得到用户u对未知课程j的兴趣度ruj;
配合度wij的计算方法为:
其中,wij表示i、j课程间的配合度,N(i)为对i课程有倾向性的用户数量,N(j)为对j课程有倾向性的用户数量,∩为交集;
为了增加推荐的覆盖率,惩罚热门课程的权重,修正后的配合度计算公式为:其中,N(u)为用户u有倾向性的课程数量;N(i)和N(j)分别为对i课程和i课程有倾向性的用户数量;
计算用户u对未知课程j的兴趣度Puj:
其中,N(u)是用户有倾向性的课程集合,S(j,K)是和课程j配合度最高的K个物品的集合,wij’是课程i和j的配合度,rui是用户u对课程i的兴趣度。