文章基本信息
- 文章名称:MOOC app的协同过滤推荐
- 发表时间:28 November 2016
- 文章来源:
针对什么问题?
协同过滤在根据用户对相同项目的相同兴趣推荐项目方向是有效的。但在有效性和高效性方面,仍有一些不足。 本文提供的MLBR方法提高了推荐的效率和有效性。
解决方案
提出了一个新的基于CF的推荐MOOC课程的方法:MLBR。该方法使用更轻的课程向量代替学习者课程矩阵,以降低空间代价,MLBR函数将学习者分散到不同桶中,通过相似度存储,减少了相似度计算和相似学习者搜索的时间开销。节约了时间成本和空间成本。
提出的框架
使用了Locality Sensitive Hashing(LSH)以及MInHash。LSH是一种索引方法,把相似的学习者分散在相同的桶里。MinHash用来把学习者课程向量的高维度降低。
贡献有哪些?
- 提出了一种基于协同过滤(cf)的慕课推荐方法MLBR
- MLBR通过考虑离线相似度计算,在线推荐和推荐相似度更新,节省了CF推荐在学习者喜爱程度上的时间成本。
- MLBR通过学习者-课程向量节省了学习者对课程成绩的空间成本。
- 在真实数据集上的实验表明,该算法具有良好的效率和有效性。
哪里值得再改进?
函数的参数的选择会影响到工作量。不同的参数会带来不同的效果。参数的最佳值因数据的大小而异。(d,b)的值和数据大小之间的关系值得进一步的探索。