1、近年來，隨著互聯(lián)網(wǎng)和網(wǎng)絡(luò)學習社區(qū)快速的發(fā)展，信息技術(shù)正以驚人的速度改變著人們的學習方式，與此同時,學習迷航、知識過載等問題逐漸顯現(xiàn)出來。個性化學習推薦逐漸成為人們快速學習和掌握知識的一種重要手段，一定程度上改善了學習迷航以及知識過載的問題，同時也體現(xiàn)了以人為本的個性化自主學習模式。個性化學習推薦系統(tǒng)通過分析學習者的特性和學習行為等記錄信息，向?qū)W習者推薦其可能感興趣的服務(wù)，已成為社交學習網(wǎng)絡(luò)和教育數(shù)據(jù)挖掘等領(lǐng)域的研究熱點。
　　目前

2、，協(xié)同過濾是個性化推薦系統(tǒng)應(yīng)用最廣泛的、較成熟的算法之一。但是，基于協(xié)同過濾的推薦算法依然面臨一些瓶頸問題，例如：稀疏性、可擴展性、冷啟動等難題，有待進一步研究和解決。針對數(shù)據(jù)稀疏、可擴展性和精確度問題，本文提出了一種基于增量協(xié)同過濾的個性化推薦算法。本文的主要工作如下：
　　首先，本文提出了一種雙層行為驅(qū)動下的多Agent協(xié)同評分模型。利用學習者社會網(wǎng)絡(luò)關(guān)系和Agent動態(tài)感知和交互能力，并結(jié)合個體行為度量的興趣度、群體行為度量

3、的信任度和影響力對學習資源進行協(xié)同預測評分，降低預測評分偏差。
　　其次，針對傳統(tǒng)協(xié)同過濾算法中的稀疏性、可擴展性和精確性問題，提出一種基于增量協(xié)同過濾的個性化推薦方法。利用雙層行為驅(qū)動下的多Agent協(xié)同評分模型，降低數(shù)據(jù)稀疏性帶來的干擾，提高預測評分的可靠性；采用動態(tài)k-means聚類對樣本空間進行動態(tài)劃分，修正協(xié)同過濾提取的最近鄰問題，以及增量式更新機制，從而來提高算法推薦的效率和精度。
　　最后，采用CSDN數(shù)據(jù)集進