引言：在信息化时代，海量资源与信息喷涌而来，高职院校计算机类学科虽已经进入信息化建设阶段，但是从教育资源的整体情况上来看，呈现过载情况，导致学科资源的管理与利用面临一定的挑战。在新时代深化教育综合改革的背景下，要求高等院校应当及时发现学科教学与学生学习中的存在的问题，对高职院校而言，学生的学习主动性较低，并且在海量信息资源的轰炸下，学生也很难在众多资源中找到适合的资料，而校内的数字资源库的建立其目的之一就是为解决这一问题。但是仅靠这一手段还不足以满足实际需求。基于深度学习的个性化推荐模式能够与校内的数字资源库进行融合，对用户行为和操作请求进行分析，回顾性检索历史数据，对用户的偏好进行精准的范围预测，从而能够为用户提供个性化的资源推荐，即“量身定制”。深度学习技术既是该系统模型设计的支撑性技术，同时也是实现精准推荐和多样性推荐的驱动型技术，对于提升高职院校计算机类学科的教学质量和学习效果具有重要意义。

1深度学习与推荐算法

1.1深度学习

深度学习是机器学习中的一个分支，其主要功能来源于人工神经网络，能够对人脑机制进行模拟，对相应数据做出有效解释。人脑机制中的数据和信息相当于多个低层特征，而深度学习就是将众多的低层特征根据操作请求进行提取，重整与组合，以形成高层表示，与之相比更为抽象。深度学习可将数据分为声音、图像等类别，理解其含义，将其转化为多层特征表示后开展逐层学习，例如：在第一层的学习中提取到了一个或多个差异特征明显的特征，理解为需要学习的特征，会将这些特征输入至下一层，以此类推进行逐层输入、逐层学习，而学习的“层数”即为深度^[1]。

1.2推荐算法

从本质上来讲，推荐算法也属于机器学习，其包含多种主流算法，如：内容推荐、组合推荐和协同过滤算法等。其中，内容推荐算法主要是对用户的信息和项目特征等进行回顾性分析，匹配近期用户所接触或提供的相似项目，进行相应的推荐。组合推荐算法顾名思义为多种推荐算法的结合，但是在多种算法的应用与执行过程中会以“1主+多辅”的方式进行，或可进行结果引用，即在同一算法流程中，下层算法可对上层算法所得结果进行输入^[2]。协同过滤算法以用户之间的相似性为基础，通过分析用户行为和偏好，为特定用户推荐与其相似的用户所喜欢的项目^[3-4]。

2基于深度学习的数字资源库个性化推荐模型

2.1建立用户画像模型

用户画像模型是实现个性化推荐的基础，其可以对用户的兴趣特征和行为模式等特征进行细致描述，而基于高职院校计算机类学科的数字资源库，用户画像模型的构建可从多维度出发，包括但不限于用户学习历史、各科成绩记录、资源库浏览行为记录和关键词搜索等。在信息收集与数据分析的过程中，深度学习技术能够在对特征进行逐层提取后降维，最终表示为用户画像向量^[5]。

本研究中基于高职院校计算机类学科数字资源库所建立的用户画像模型，所需收集行为、情境和用户基本信息。其中用户基本信息在学生首次注册并登录资源库时即可获取，具体涉及学生的姓名、性别、专业、学号、年龄和ID等；行为信息则需要依靠学生每次访问资源库时所产生的记录来获得，包括但不限于搜索、浏览次数、预约和收藏等行为的记录；而情境信息将以分布式存储的形式存在于关系数据库或集群中，包括登录设备和用户登录所在地理位置等。综上所述，可对用户画像模型进行搭建，如图1所示。

图1 数字资源库用户画像模型搭建

根据该模型，个性化推荐系统就可以对用户的特征进行描绘与标记，从而在操作请求发出后，系统可在资源库中进行海量检索并精准匹配，对检测结果根据相关性进行排序。

2.2提取特征权重

特征权重提取始终建立在用户画像的基础之上，该步骤主要是对不同特征进行量化分析，从而得出在不同特征的影响下，用户的偏好程度发生哪些变化。该环节可以借助深度学习的注意力机制得以实现。以不同的学习特征为例，通过注意力机制的处理可以量化分析不同特征对学习的重要性，从而依次分配权重，再对特征权重进行提取就可以形成用户个性化需求的准确特征，从而实现个性化推荐^[6]。

本研究中所设计的提取模块共分为两层，即为双层CRU分别长短兴趣和注意力机制来进行相应的权重分配。这一结构能够搭建用户的交互序列，采用编码和解码的方式提取用户的长期兴趣和短期兴趣，2层会纳入1层的序列状态，将CRU结果代入回归函数中，激活个性化推荐模型的运行状态，从而将基于用户行为和兴趣的预测结果输出。点乘计算变量与高层特征，最终得到用户特征权重的量化值。将量化值输入个性化推荐模型中即可输出预测结果。

2.3建立数字资源库个性化推荐模型

基于用户画像和特征权重，可设计并训练一个数字资源库个性化推荐模型，如图2所示，其中包含资源推荐列表，其主体结构为卷积神经网络，可对用户行为进行捕捉，生成行为序列。而在训练过程中，基于历史数据优化模型，对学生用户的未来学习需求可以进行精准预测。

图2 基于深度学习的数字资源库个性化推荐模型

图2中可见用户信息资源为输入量，也可看作是数字资源库中的标签向量，其主要思想是以一种直接表述的方式对资源库中的资源以及用户所输入的文本信息进行表示。可将具体流程叙述为：首先准备2个推荐模型，其分别为数字资源和用户信息资源的映射向量^[7]。其次将用户所提供的信息和数据作为待训练样本，代入相应参与开始模型训练，接着开展对用户的多维特征进行提取与描述，记录原始特征，并投入混合算法流程开始逐层的信息抽象，再次映射成两个特征向量并用低维语义进行表示。可将具体的运作流程及算法整理如下：

将模型训练过程中的各节点及函数表示为：更新门（G）、重置门（C）、sigmoid函数（）、用户信息资源（a）和数字资源库资源（z），而a对z所进行的concat操作表示为[a，z]，在求得用户特征权重后，将这些特征向量输入至卷积神经网络中进行训练，可将关系传播方式表示如式（1）-式（4）：

      （1）

      （2）

     （3）

      （4）

以上式中，所表示的均为关系传播矩阵中的代入参数。

以t时刻为基准，可分别将输入与输出环节的传播关系表示如式（5）-式（6）：

      （5）

       （6）

式中，S为输出合集。

通过对a展开分析，可发现其与z之间存在如式（7）的相关性：

     （7）

式中，均表示用户特征及资源特征映射向量。

3推荐效果对比实验分析

3.1实验设置

此次实验所进行的数据处理和模型训练均依托于Win10系统，拥有多核高性能设计的CPU ntel Core i7-10700K，支持超线程技术，内存32GB DDR4 RAM，SSD固态硬盘存储，显卡为NVIDIA GTX/RTX系列高性能显卡，集成开发环境PyCharm。

5≤用户交互序列长度<80，实验中采用亚马逊数据库进行推荐准确率和AUC值对比，将初始输入的数据批量设置为120，学习率为0.001，迭代次数确定为1700。将本文中的推荐方法与三层维度推荐法和情境感知推荐法进行实际应用效果对比。

3.2评价指标确定

3.2.1推荐精确度

推荐精确度是衡量推荐系统性能的核心指标之一，其能够准确反映出推荐系统在用户推荐的物品中，用户真正感兴趣或实际产生交互的比例。精确度越高，表示推荐系统的预测能力越强，用户体验也越好。在本实验中，将通过对比不同推荐方法：包括本文提出的推荐方法、三层维度推荐法和情境感知推荐法，在相同数据集上的精确度，来评估三者的推荐效果。

3.2.2推荐结果产生耗时

推荐结果的产生耗时是评价个性化推荐系统性能和模型训练效能的重要指标之一。推荐结果的产生耗时代表着用户对于能否快速获取相应结果的期待值，同样也关系到推荐系统的响应速度。推荐结果产生耗时包括数据处理时间、模型计算时间以及结果排序和展示时间等。

3.3实验结果与分析

3.3.1推荐准确率结果对比

实验结果如图3所示，图中明显显示出当迭代范围处于0-1000之间时，三层维度推荐法和情境感知推荐法的准确率曲线呈现交叉和重合的关系，而在1000次以后的迭代时，本文的推荐方法逐渐与其他两种方法的准确率曲线拉开距离且逐渐升高，准确率的最高值达到了76.86%，而其他两种方法的准确率最高值也仅达到了74.95%和73.68%。分析原因认为是基于深度学习的个性化资源推荐法中最终推荐结果的输出建立在用户画像和用户特征提取的基础之上，深入解析了用户的个性化推荐需求与行为、情境及操作请求之间的关系，极大程度上提高了推荐的准确率。

图3 亚马逊数据集准确率曲线

3.3.3推荐结果产生耗时对比结果

实验中所纳入的三种推荐方法在结果产生耗时方面的对比结果详见表1。

表1 两种方法推荐耗时情况对比情况（s）

分析表1可知，无论是生成5个、15个还是25个推荐结果时，基于深度学习的推荐方法的耗时情况均要低于其他两种方法，证明了计算效率高和用户请求响应速度快的优势。随着推荐结果产生数量的增加，本文方法在耗时上虽与其他两种方法一样都有时间上的增长，但是增长趋势相对平缓，证明了本文方法的稳定性和高效性，同时证明其性能优势显著。

结语

综上所述，本文基于深度学习技术构建了一种数字资源库个性化推荐模型，并通过实验验证了其与三层维度推荐法和情境感知推荐法在效能、效率和准确性上的对比存在明显优势。该模型是针对高职院校计算机类学科所开展的学生自学资源检索与个性化推荐的设计，最终结果显示其具有缜密的计算逻辑和用户画像、特征提取这类子模型设计，能够将学生进行资源检索期间的行为特征、情境特征和需求特征转换为映射向量，从而更好地满足学生的个性化需求，能够使资源获取效率大幅提升。深度学习模型在保持高准确性的同时，也能够在一定程度上提高推荐的多样性，有助于拓宽用户的学习视野。这对于高职院校计算机类学科的教学资源管理与有效利用具有重要意义，亦能够高效推动高职院校计算机类学科教育资源的高效利用和个性化教学的发展。

参考文献

    [1]周洋涛,褚华,朱非非,等.基于深度学习的个性化学习资源推荐综述[J/OL].计算机科学,1-26[2024-09-05].

    [2]苏永辉.基于协同过滤算法的校园社团推荐软件的设计与应用[J].黑龙江科学,2024,15(13):76-79.

    [3]秦育华.基于多特征的深度神经网络混合推荐模型研究[J].电脑编程技巧与维护,2024,(06):124-127.

    [4]王玥,何静.新农科背景下高校图书馆数字资源供给侧改革：多重逻辑、现实问题和理性出路[J].韶关学院学报,2024,45(04):98-103.

    [5]巴思淳.基于Censydiam需求理论的高校学生数字化学习资源需求模型构建研究[D].江南大学,2023.

    [6]张祎函.数字时代河北省高校图书馆数字资源建设现状及优化策略研究[D].河北大学,2022.

    [7]彭玉芳,陈将浩.基于深度学习与需求规则融合的学术文献“目标数据”抽取模型构建与应用——以南海数字资源为例[J].情报科学,2022,40(01):141-147+157.

江苏高校哲学社会科学研究项目（2023SJYB0859）