● 摘要
近年来，在线学习已成为继课堂学习之外最重要的知识获取途径。然而，网络信息过载导致从在线学习平台的大量资源中找到符合自己需求的学习资源愈加困难。推荐系统可以通过对用户兴趣进行建模，主动为用户提供个性化资源推荐，因而被广泛应用于在线学习平台中。
标签是描述资源的元数据，也是推荐系统中联系用户与资源的重要媒介。它不仅能反映用户的兴趣，同时也能描述资源的属性，具有灵活、方便和社会化等特点，被广泛应用于互联网中。由于用户标签定义的随意性，在标签库中存在严重的语义模糊、一词多义和标签冗余现象，严重影响了标签推荐的质量。本文的主要工作有以下几个方面：
（1）提出了一种基于词典的协同标签推荐算法。该算法将标签应用到协同过滤算法中并结合基于内容的推荐思想，利用词典将标签库中普遍存在的标签语义模糊、一词多义以及标签冗余等问题进行处理，使标签不仅语义更加清晰，而且降低了用户兴趣矩阵的维数。该算法首先通过标签对用户兴趣进行建模，其次根据相似性计算找到与用户兴趣最近的邻居，然后通过最近邻居的历史行为形成中间推荐，最后将中间推荐结果与用户兴趣进行基于内容的过滤从而生成最终推荐列表。
（2）对算法进行了数据分析与验证。为验证基于词典的协同标签推荐算法的有效性，本文在Delicious数据集和从豆瓣网上爬取的数据集进行实验，结果表明本文提出的算法在准确率（Precision）和召回率（Recall）上皆优于传统的协同标签推荐算法。
（3）设计开发了一个基于标签的学习资源推荐系统原型。该原型系统能够根据学习者使用标签的情况，为学习者推荐出符合其兴趣需求的学习资源，同时采用学科分类标准解决了推荐冷启动问题。论文所提出的算法和设计的原型为解决同类问题提供了较强的参考意义和应用价值。