两个用户之间的相似性因此,
CF
背后的理论是基于评级历史计算用
户之间的相似性。 尽管
CF
是最流行的推荐技术,但其主要缺点是新
用户冷启动问题和评级稀疏问题(
Ricci
等人,
2011
年)的报告。
基于内容的过滤:在基于内容的方法中,
RS
推荐与目标用户过去
喜欢的内容特征相似的项目(
Pazzani Billsus
,
2007
)。该方法
混合 系 统: 混合 系统是通过 结合 两种或多种 推荐 技术 构建的
(
Burke
,
2007; Harrathi
等人,
2017
年)。这些系统的发展,以
克服个别方法的局限性,从而提高推荐性能。
基于模糊的推荐系统:在
FB
推荐系统中,
RS
的设计基于模糊逻
辑。模糊逻辑的引入有助于处理用户行为和项目特征中的不确定性,
模糊性和不精确性(
Jain
和
Gupta
,
2018
)。
上下文感知推荐系统:
CA
推荐系统通过使其适应用户的特定上下
文情况来提供个性化服务(
Adomavicius
和
Tuzhilin
,
2011
)。上
下文用于选择推荐引擎所需的某些数据集。上下文信息可以是与
RS
相关的任何信息,例如时间、位置和目标。
信任感知推荐系统:在
TA
推荐系统中,
RS
不是计算用户相似
度 , 而 是 计 算 其 他 用 户 的 信 任 度 来 生 成 目 标 推 荐 (
Massa
和
Avesani
,
2007
)。
TA
系统在一定程度上解决了
CF
技术中存在的
基于社交网络的推荐系统:
SB
推荐系统利用社交网络中可用的信
息对于每个目标用户,
SB
基于这些数据形成子网络,并创建和提供
合适的推荐。
基于组的推荐系统:
GB
推荐系统专注于通过对个人偏好给予相等
权重来向一组用户推荐项目(
Garcia
等人,
2012
年)。
GB
中的一
个关键问题是将个人偏好组合在一个组中,并形成反映组中所有用户
品味的组配置文件。
基于本体的推荐系统:这些是使用本体进行知识表示的基于知识
的推荐系统(
Tarus
等人,
2017
年)。本体是共享概念化的显式形
式规范(
Gruber
,
1993
)
.
在电子学习推荐系统的背景下,
ontology
用 于 对 关 于 学 习 者 和 学 习 资 源 的 知 识 进 行 建 模 (
Fraihat
和
Shamanyi
,
2015; Aeiad
和
Meziane
,
2019
)。当与其他常规推荐
系统相比时,
OB
推荐器不经历冷启动和评级稀疏性问题(
Zhao
等
人,
2015; Yang
,
2010
)。这是因为
OB
推荐系统更多地依赖于领域
知识,而传统的推荐系统更多地依赖于用户评级。这些优点使
OB
更
适合电子学习领域。
OB
建模器的缺点是本体的构建具有挑战性、昂
贵且耗时(
Tarus
等人,
2018
年
a
、
2018
年
b
)。
4.2.
推荐问题
在传统的电子学习记录器系统中通常存在两个问题。他们正在评
估稀疏性和冷启动概率,
lems
(乔治和拉尔,
2019
)。以下各小节将简要概述这些问题。
4.2.1.
冷启动问题
与电子学习环境中的RS相关联的最已知的问题之一是冷启动问题
(Lam等人,2008;Natarajan等人,2020年a、2020年b)。通常,对
于 该问 题 存 在 两种 分 类 :新物 品 冷 启动问 题 和新用户 冷 启动问 题
(Safoury& Salah,2013,Lika等人,2014年)。前一个问题发生在
向RS引入新项目时。新用户冷启动问题发生在新用户在系统中注册时
(Son,2016)。当新用户成为系统的一部分时,系统没有关于用户先
前选择的信息。但是,系统也有责任开始为新用户建议项目。否则,它
将对RS的性能产生负面影响,用户可能会因为无法提供有意义的建议而
停止使用该系统。在新用户冷启动条件下,挑战在于向新用户推荐项目
而不知道他们先前的选择。
4.2.2.
评级稀疏问题
当与项目的数量相比时,可用的评级的数量较少时,评级稀疏性
问题发生(
Bag
等人,
2019
年)。由于目标学习者的评分偏好没有
重叠,
RS
很难计算邻域并推荐合适的项目由于稀疏性问题,推荐质
量和精度显著降低。
RS
使用混合技术来通过结合其他学习者数据
(诸如他们的偏好、行为和上下文)以及可用评级来克服这个问题
(
Tarus
等人,
2017; Xiao
等人,
2018
年)。
5.
方法
本文综述了近年来在电子学习内容推荐领域的研究成果。重点是识
别所使用的推荐技术、内容推荐的常见属性、不同的算法和评估技术。
为了确定相关论文,我们考虑了2015年至2020年在Web of Science和
Scopus数据库中发表的期刊论文。考虑到内容详细和严格的同行评审,
仅选择期刊文章进行审查。用于识别论文的关键词是:“电子学习推荐系
统”,“电子学习个性化”,“自适应电子学习”。检索后
图二
.
按出版年份分列的文章分布情况。