基于數據挖掘的在線學習個性化服務方案設計

郭飛雁

摘要：基于數據挖掘技術，在分析在線學習個性化服務的基礎上，以 Hadoop 為大數據分析平臺、MapReduce/Spark為計算框架設計了面向個性化服務的在線學習大數據挖掘解決方案。

關鍵詞：數據挖掘；在線學習；個性化服務；數據采集；數據建模

中圖分類號：G434文獻標識碼：A

1 概述

伴隨著互聯網技術的發展，教育及知識傳播方式也發生了根本變化。在線學習逐步興起，由于其不受時間、空間限制等特征，逐步被大家所接受。大數據時代的在線學習，也為個性化教學提供了機遇。在線學習者在學習的過程中會產生相應的學習軌跡，例如，觀看學習視頻時間的長短、訪問的學習資源類型、對所學內容的評價等一系列的相關數據。通過在線學習平臺或系統對這些數據進行收集并采用合適算法對相關數據進行降維處理，提取在線學習者相關特征，在大數據技術的基礎上對在線學習者進行評價及預測，從而對在線學習者進行個性化服務，進一步提高在線學習質量，進而優化學習過程、提高教學效果。[1]

2 基于數據挖掘的在線學習個性化服務

2.1 數據收集

用戶行為數據是用作許多個性化服務算法的數據源，因此必須收集在線學習者的學習日志數據。此外，還記錄用戶用來檢索和推薦引擎本身的數據，并進一步優化后續算法。[2]

2.2 角色建模

角色建模包括用戶建模和學習資源建模。用戶建模和文檔建模具有本體建模方法和非本體建模方法，這兩種方法都可以在MAPRECECE / SPARK計算框架下高效實現。[3]模型可以由HBASE數據庫分發和檢索。推薦，檢索和推送算法基于建立的用戶模型和文檔模型以不同方式執行計算，最終找到與用戶或輸入匹配的文檔。[4]

2.3 數據特征選取

考慮到當前在線學習平臺之間通常不形成社交網絡，可以選擇基于內容和基于行為的特征。內容功能涵蓋在線學習內容的標題和類別，用戶的背景和興趣等。用戶行為則涵蓋了他們瀏覽了哪些學習資源。基于內容和用戶行為的特征可以相互補充。

2.4 算法選取

從準確性，效率和穩定性的角度簡要分析基于產品和基于用戶的協同過濾推薦算法這兩種方法在在線學習個性化服務中的適用性。[5]

（1）準確性：推薦系統的準確性在很大程度上取決于用戶數量與系統中項目數量之間的比率。在線學習用戶包括學生，教師，社會人員等。每種類型的用戶都可以細分。基于用戶的協同過濾可以使在線學習個性化建議更加準確。（2）高效性：盡可能提高挖掘效率。當用戶數遠遠大于項目數時，項目的相似度計算消耗的資源遠遠少于用戶的相似度計算，因此基于項目的協同過濾更有效。（3）穩定性：在線學習資源和在線學習用戶不斷變化。對于在線學習，一方面，新生每天進入在線學習平臺，在線學習者每天都會有結業學生。學生用戶很不穩定；另一方面，在線學習平臺每天都會有新的學習資源建立，學習資源內容的更新和升級。從穩定性的角度來看，基于用戶和基于項目的方法難以區分。

3 基于數據挖掘的在線學習個性化服務方案設計

3.1 在線學習大數據支撐環境

在目前常使用的云計算設施中，HADOOP由于其快速及可靠性為在線學習用戶提供了一個大數據分析及處理平臺。

3.2 基于數據挖掘的在線學習個性化服務方案

基于以上分析，本文將HADOOP設計為大數據分析平臺，將MAPREDUCE / SPARK設計為計算框架，為個性化服務設計在線學習大數據挖掘解決方案。如下圖所示：

4 結語

本文在數據挖掘技術的基礎上，結合在線學習特點，對在線學習個性化服務進行分析研究，從數據收集、數據建模、數據特征選擇、算法選擇四方面對在線學習個性化服務進行方案設計，從而進一步提高在線學習的學習質量，為個性化教學提供一種新的方法。

參考文獻：

[1]趙慧瓊，姜強，趙蔚，李勇帆，趙艷.基于大數據學習分析的在線學習績效預警因素及干預對策的實證研究[J].電化教育研究，2017，38（01）：6269.

[2]宋遠方，馮紹雯，宋立豐.互聯網平臺大數據收集的瓶頸與區塊鏈理念下的新發展路徑探索[J].管理現代化，2018，38（03）：2730.

[3]高學偉，付忠廣，孫力，張剛.基于HADOOP分布式支持向量機球磨機大數據建模[J].河北大學學報（自然科學版），2017，37（03）：309315.

[4]柳益君，何勝，馮新翎，等.大數據挖掘在高校圖書館個性化服務中應用研究[J].圖書館工作與研究，2017，（5）：2329.

[5]王茜，鄧偉偉，喻繼軍.一種考慮群成員接受度及相似度的群體推薦算法[J].計算機應用研究，2017，34（11）：32853290+3298.