基于協同過濾技術的在線學習個性化推薦系統研究

謝修娟 朱林 鄭英 李旭

摘要：為促進高校信息技術與教育教學的深度融合，提出通過構建在線學習系統開展網絡學習，將傳統的線下課堂學習與線上學習結合起來，實現混合式學習。以MyEclipse作為開發平臺，Sql Server作為數據庫，采用基于SSH框架（struts2+spring+hibernate）的三層架構思想，結合協同過濾算法，實現了在線學習個性化推薦系統。實踐證明，該系統能提高學習者個性化自主學習的興趣，提升學習效果。

關鍵詞：在線學習系統；協同過濾；個性化推薦；自主學習

中國分類號：TP301 文獻標志碼：A 文章編號：1009-3044（2018）03-0173-02

Abstract： In order to promote the deep integration of information technology and education in Colleges and universities， we propose to build online learning system to carry out online learning， and combine traditional offline classroom learning with online learning to achieve blended learning. Taking MyEclipse as the development platform， Sql Server as database， and adopting the three tier architecture Based on SSH framework （struts2+spring+hibernate）， the online learning personalized recommendation system is implemented combining with collaborative filtering algorithm. The practice has proved that the system can improve the learner's interest in individualized self-study and improve the learning effect.

Key words： online learning system； collaborative filtering； personalized recommendation； autonomous learning

1 背景

隨著計算機網絡通信技術的發展，高校的傳統課堂教學方式面臨著前所未有的挑戰，在線學習作為教育信息化的一種產物，可以最大限度地利用網絡教學資源，學習者在學習過程中不受時空限制，能隨時隨地根據自身需要進行自主學習[1]。這種新型學習形式越來越受到各大高校的青睞，將其與傳統課堂學習有效融合，實現混合式教學[2]。但與此同時存在一個問題，在線學習平臺提供了大量的學習資源，不僅資源種類多，同一種類的相似資源數量也很多，學習者無法辨別資源的優劣，無法準確找到適合自己的資源。

目前的在線學習系統中，采用比較多的推薦技術有[3]：第一，TOP推薦，將點擊率最高的前N各資源推薦給學習者；第二，關鍵詞檢索技術，將與關鍵詞匹配度最高的資源推薦給學習者；第三，最新資源推薦技術，將最新的資源第一時間推薦給學習者。這三種傳統方法均屬于被動式推薦，無法根據學習者偏好特征主動推送其感興趣的學習資源，且推薦的資源質量無法得到保證。鑒于此，本文將協同過濾技術引入在線學習系統的資源個性化推薦中，從學習者自主學習的角度構建滿足學習者個性化需要的在線學習個性化推薦系統。

2 協同過濾推薦技術

協同過濾技術，在1992年由Goldberg，Oki，Nichols提出[4]，是個性化推薦系統中廣泛使用的一種推薦技術，基本原理是：根據用戶對項目的評分數據，計算目標用戶/項目與全體用戶/項目的相似度，建立近鄰用戶/項目，再由近鄰集預測目標用戶對未知項目的評分從而產生推薦集。根據聚焦點的不同（用戶或者項目），協同過濾技術分為基于用戶的協同過濾和基于項目的協同過濾[5]，本文采用的是前者。基于用戶的協同過濾方法的算法過程如圖1所示， 首先通過計算用戶間的相似度，找到當前用戶的近鄰集，然后根據近鄰對項目的評價，預測當前用戶對未知項目的評分，篩選出評分最高的前N項，即產生Top-N 推薦集。

用戶相似度的計算多采用余弦相似度方法，將用戶u和v看作是項目空間上的向量，通過計算兩個向量間的夾角余弦來度量用戶間的相似性，計算公式如下：

式（1）中，u和v代表兩個用戶，sim（u，v）表示用戶間的相似性，表示用戶u和v共同評分過的項目集，和 分別表示用戶u和用戶v對項目i的評分， 和 分別表示用戶u和v對所有已評分項目的平均評分。

用戶u 對項目i的預測評分記為Pu，i，計算公式如下：

其中，Neighbor為近鄰集，分別表示用戶u和用戶v對所有已評分，用戶v對項目i的評分，sim（u，v）表示用戶u和v間的相似性。

3 基于協同過濾技術的在線學習個性化推薦系統

3.1 系統功能模塊設計

基于協同過濾技術的在線學習個性化推薦系統，主要有五個功能模塊，分別為用戶管理、課程動態管理、課程資源管理、互動交流和個性化推薦，如圖2所示。“用戶管理”模塊主要負責用戶的注冊、登錄、權限設置、個人賬號維護等 ；“課程動態管理”模塊主要包括管理員動態地新建一門課程、刪除一門課程、課程資源的上傳和修改等；“在線學習”模塊包括在線觀看視頻、資源下載、在線測試、資源評價等；“互動交流”模塊實現了學習者之間，以及學習者與教師之間，通過論壇的方式互動交流；“個性化推薦”模塊主要負責為學習者個性化地推薦學習資源。

3.1 系統功能實現

系統所使用的開發工具為MyEclipse，開發語言為Java，數據庫為Sql Server。系統采用基于SSH框架（struts2+spring+hibernate）的三層架構思想。View（視圖層）對應系統的一些交互界面，包括reg.jsp（注冊界面）、index.jsp（系統主界面）、resourceMa.jsp（課程資源管理頁面）、courseMa.jsp（課程管理頁面）、courseCom.jsp（課程學習評價界面）、topic.jsp（互動交流界面）等。Dao（數據處理層）對應HibernateSupportDao.java類，該類依賴于Hibernate的對象化映射和數據庫交互，包括保存數據、更新數據、刪除數據、根據ID查詢單條數據、查詢所有數據、查詢規定數目的數據、執行sql查詢等操作。Service（業務邏輯層）對應系統的一些業務處理類，有UserSer.java（用戶管理類）、ResourceSer.java（課程資源管理類）、CourseSer.java（課程管理類）、CourseComSer.java（課程學習評價類）、TopicSer.java（互動交流類）等。

3.2 協同過濾算法應用

學習者開始課程學習后，系統會根據學習者的學習行為特征，采用基于用戶的協同過濾算法，根據相似學習者的興趣愛好一致性，為當前學習者提供個性化的推薦。算法的應用過程主要分為四步進行。

第一步數據采集，應用于挖掘的基礎數據來源于數據庫，主要有4張數據表：學習者信息表、課程信息表、課程學習資源表、資源評價表和學習行為記錄表。

l 學習者信息表：存放學習者的個人信息，字段包括學習者ID、姓名、密碼、角色等。

l 課程信息表：存放課程的相關信息，字段包括課程ID、課程名稱、發布時間、課程負責人等；

l 課程學習資源表：存放課程的學習資源信息，字段包括資源ID、資源名稱、上傳者、上傳時間、資源類型、課程ID等；

l 學習行為記錄表：存放學習者在學習過程中產生的學習行為數據，字段包括ID，資源ID，是否下載、是否收藏、評價內容、分數、學習者ID等；

第二步構建學習者-學習資源評分矩陣，其是一個m行n列的矩陣，代表m個學習者，n個學習資源，矩陣的每一個行列值是學習者對學習資源的評分，考慮到學習者在線學習時較少對學習資源主動打分，會造成矩陣數據稀疏性問題，從而制約推薦質量。本文采用主動評分和被動評分相結合的綜合評分機制，主動評分是指學習者直接給資源的打分，被動評分是根據學習者的學習行為數據，轉換而得的隱式評分。主動評分可以從學習行為記錄表獲得，缺省值為0，被動評分是依據學習行為記錄表中的是否收藏、是否下載、評價三個行為，對照表1所得到的分數。最后將主動評分和被動評分求平均值，得到最終評分。

第三步形成近鄰集，根據公式（1）計算每個學習者與當前學習者的相似度，并從中選出相似度最大的前K個學習者，作為當前學習者的近鄰集。

第四步產生推薦集，通過近鄰集對學習資源的評分，使用公式（2）預測當前學習者對未知學習資源的評分，并選取評分較大的前若干項資源推薦給當前學習者。

3.3 系統運行效果

學習者進入系統后的主頁效果如圖3所示，通過頁面上方的導航欄，可以檢索系統中的課程信息，查看并使用課程資源信息、進入互動交流區等，頁面的右方有一個性化學習資源推薦版面，如果當前學習者有歷史學習記錄，該版面將會依據其學習興趣愛好，為其推薦適合的學習資源；如果當前學習者是新用戶，還沒有歷史學習記錄，則為其推薦熱度最高（綜合收藏率、評價率和下載率）的資源。

4 結束語

在線學習系統的構建，對于學校的課程資源建設、教育教學改革具有重要意義。基于協同過濾技術的個性化資源推薦服務可以提高個性化學習支持服務的水平，提高系統資源的利用率，目前該系統已在東南大學成賢學院進行小范圍試點，從反饋結果來看，能提高學習者個性化自主學習的興趣，提升學習效果。

參考文獻：

[1] 黃海. 高校數字化學習建設和應用推廣研究——以中山大學數字化學習“115”模式為例[J]. 現代教育技術， 2013， 23（4）：56-63.

[2] 陳瑞增. 信息化環境下高校混合式學習探索與實踐[D]. 武漢： 華中師范大學， 2014.

[3] 王永固， 邱飛岳， 趙建龍， 等. 基于協同過濾技術的學習資源個性化推薦研究[J]. 遠程教育雜志， 2011（3）：66-71.

[4] Goldberg D， Nichols D，Oki.Using collaboration filtering to weave and informaiton tapestry[J]. Communicaitions of the ACM， 1992， 35（12）：51-76.

[5] 馮勇， 李軍平， 徐紅艷， 等. 基于社會網絡分析的協同推薦方法改進[J]. 計算機應用， 2013， 33（3）：841-844.