基于E-learning的資源推送服務與關鍵策略研究

陶漪

（南通大學，江蘇 南通 226019）

1 引言

隨著互聯網技術和應用在教育領域的普及，E-Learning已成為一種新穎的學習方式。如今，許多高校正在使用各種開源的教學平臺或者是開發自己的網絡教學平臺，輔助大學教師的教學以及大學生的自主學習（如Moodle，Blackboard，Sakai等網絡教學平臺），它能夠不受時空限制隨時隨地向學習者提供豐富且開放的學習資源，從而受到人們的普遍歡迎。

但在E-Learning快速發展的過程中，平臺中的學習資源數量迅速膨脹，“海量資源”與學習者個性化需求之間的矛盾日益凸顯。個性化推薦服務作為目前一種重要的解決“信息過載”問題和提供個性化服務的方案，逐漸被引入到網絡學習資源建設中來。

2 基于E-learning的資源推送服務的基本方式

2.1 Top-N和最新資源推送服務

Top-N推薦是將網絡資源平臺上排行前N位的一些熱門資源推薦給學習者；最新資源推薦可以將最新的學習資源實時地反饋給平臺中所有的學習者，便于大家獲得最新的學習資訊，進行選擇學習。這種推送方式比較適用于通識資源、宣傳教育、安全知識及其他熱門資源的推廣。

2.2 基于學習者特征的個性化推送服務

在網絡學習平臺中，根據年齡、學習背景、學習目標、學習興趣等的不同，學習者對學習資源有個性化的需求。個性化推薦服務就是通過獲取學習者的學習特征，構建出學習者的興趣模型，分析學習者的學習偏好，將適合的資源主動地推送給學習者。同時，隨著學習者特征發生變化，動態更新學習者興趣模型，從而提高推薦的精準性。

2.3 基于“班級群”的人際網絡推送服務

現實學校里的“班級”是將年齡、學科、文化程度相同的學生按規模組織起來的教育單位，在一個班級里，一般有幾位學科老師與一群學生。在虛擬網絡中，同樣可以組建類似的教育單位，可以由真實的班集體組成，也可以是由一群有著大體相同的學科背景、學科基礎、學習興趣和學習需求的學習者所組成。同時，為這樣的“班級群”配備一位學科老師，負責向群內的學習者推送優質的學習資源，成為這個圈內的“推送引擎”。而每位學習者同樣可以成為資源的推送者。因為這樣的“班級群”有著較高的同質性，他們推送的資源往往更精準和專業，更能滿足群內學習者的需求。

基于E-learning的資源推送包含最新最熱資源推送、學習者個性化推送和人際網絡推送，使推送服務更全面、更專業、更精確。

3 基于E-learning的資源推送的關鍵策略研究

基于E-learning的資源推送策略由基于內容的推送和改進的協同過濾策略構成。

3.1 基于內容的推送策略

基于內容的推送策略是個性化推送研究早期廣泛應用的一種技術，主要完成對文本信息類資源的推送。推送的原理為：首先，提取學習者的知識背景、學習行為、學習偏好等特征信息，構建學習者興趣模型；其次，對系統中的資源內容進行特征的過濾和提取，形成特征向量；最后，將學習者的興趣模型與所有資源的特征向量做出對比，獲取兩者之間的相似度，從而進行資源的推薦。

基于內容的推送策略主要針對項目之間的相似性，這一計算可以離線進行，因此推薦速度較快；可以解決新用戶推薦問題。但是，這種策略也存在一些局限性：首先其推薦的資源是文本資源，對于多媒體資源難以進行特征提取；推薦的內容是基于與學習者學習興趣（歷史學習行為）的相似性，而對于學習者的潛在學習興趣挖掘較弱；對于資源本身的質量無法做出預判。

3.2 協同過濾推送策略

協同過濾推送策略是個性化推送研究中被廣泛認可和應用的一種技術，這種策略依賴于學習者對資源的評分，評分一部分來源于學習者的直接打分，一部分來源于對學習者學習行為的記錄，并將這些數據加權轉化成可計算的分數。

協同過濾推送策略基于這樣的假設：“若是與我興趣喜好相似度較高的人喜歡一樣東西，那我應該也會喜歡這樣東西”。首先，找出這些“興趣喜好相似度較高的人”，即“鄰居”，通過目標學習者與其他學習者共同打分的資源集合，計算出兩者之間的相似性，篩選出興趣相似性高的鄰居集合；然后根據鄰居集合對資源的評分，來預測學習者資源的評分，從而完成推薦過程。

由此可見，協同過濾推送策略可以對音頻、視頻等非結構化的多媒體學習資源進行推送；可以挖掘學習者的潛在學習興趣；推薦的個性化、自動化程度更高。但是，這種技術對于新用戶和數據稀疏的問題上處理受限。

3.3 改進的協同過濾推送策略

在實際使用中，學習者對資源的評分可能會比較少，這樣會引起矩陣中評分數據的稀少，降低系統的推薦效果。

目前解決數據稀疏的問題一般有以下幾種方法：（1）數據填充：在篩選鄰居集之前，首先對初始的學習者—資源評分矩陣進行補充，從而降低其稀疏性；（2）聚類技術：根據學習者的學習興趣對其進行聚類，然后分別在各聚類內部計算相似性，產生推薦資源集；（3）矩陣分解:對原始評分矩陣進行分解，從而降低評分矩陣維數，提高推薦精確度。

4 基于E-learning的資源推送系統構建

4.1 資源共享平臺

E-learning學習平臺，可以跨越時間和空間的限制，完成異步學習。在網絡學習環境中，匯集了大量數據、教學視頻、檔案資料、程序、教學軟件等教學資源，形成了一個高度綜合集成的資源庫。資源的共享和可控是資源推送的基礎，因此網絡教學資源必須遵循統一的標準和規范，設計標準化的采集和存儲方案。

4.2 學習者特征存儲數據庫

有關學生的學習行為數據主要來源于學校E-Learning學習平臺（如英語在線平臺、Blackboard平臺等）中留下的學習數據、行為數據、考試成績數據等，具體包括學生在線學習的登錄時長、學習偏好、課程安排、每個學生的先前知識與課程進展、測驗成績等情況。這些數據將被收集在服務器模塊中形成學生模型數據庫，為數據的深度挖掘與個性化學習資源推送服務提供可靠的保障。

4.3 資源推薦系統

將收集到的學習者數據進行處理，使其可計算化；使用合適的推薦算法，尋找與目標用戶相似的用戶，建立相似用戶的數據集，釆用相似度進行循環計算，得出項目之間的評分差異性，存入評分差異數據庫；依據推薦算法得到的結果進行目標用戶對于資源的預測評分，對資源進行過濾，實現推薦過程。

4.4 資源推送顯示

將過濾后的學習資源推送至服務器端，再由服務器端推送在客戶端供學習者學習。

5 結語

通過基于E-learning的資源推送服務，可以幫助學習者避免知識迷航問題。根據學習者的特征，推薦優質并合適的學習資源，可以在一定程度上引導學生的自主學習。個性化網絡學習平臺在發展學生個性化學習的同時讓豐富的網絡資源得到更加充分的利用，可以使學習者處在一個自我發現、自由選擇的環境中，進而激發起學習者的學習興趣。

[1]張琳．基于網絡學習平臺的個性化資源推送策略[J]．信息通信，2017（4）：280-281．

[2]趙曉聲．數字教育資源主動推送服務機制研究[J]．現代教育技術，2017，27（5）：95-101．

[3]程芳．一種有效緩解數據稀疏問題的協同過濾推薦算法[J]．現代情報，2016，36（3）：76-79．

[4]陶漪．基于E?Learning的數據挖掘系統的改進設計與實現[J]．現代電子技術，2017，40（2）：133-136．

[5]唐國菊．網絡學習資源個性化推薦系統的設計與開發[D]．西安：陜西師范大學，2012：17-18．

[6]馬佳佳．教育信息資源個性化推送服務中的學習者模型分析研究[D]．武漢：華中師范大學，2016：20-21．

[7]王平．基于協同過濾算法的新聞的個性化推送系統的設計與實現[D]．長沙：湖南大學，2016：18-21．

[8]李寶．智慧教育環境下學習資源推送服務模型的構建[J]．遠程教育雜志，2015（3）：41-48．