基于用戶偏好協同過濾算法的個性化學習資源 推薦

摘要：本文介紹了個性化學習資源推薦的研究背景和意義，說明了傳統教育存在的問題，闡述了協同過濾推薦技術原理、方法及在教育中的應用，并通過實驗分析，發現基于該算法的個性化學習資源推薦能夠有效地提高學生的學習效率。

關鍵詞：個性化；協同過濾；用戶偏好；精準推薦；學習效率

中圖分類號：G434 文獻標識碼：A 論文編號：1674-2117（2018）20-0107-03

引言

豐富的網絡資源方便用戶通過檢索從海量資源中尋找目標資源，它已成為人們獲取目標資源的主要方式。但網絡資源呈現爆炸式增長[1]，給用戶帶來便利的同時也產生了一系列問題。例如，在面對大量的學習資料時，學習者找到符合自身需求的學習資源存在著一定的困難[2]，即使找到目標資源，該資源也不一定是適合自身學習的資源。如何將海量的學習資源推薦給學習者是傳統教育目前面臨的挑戰。

個性化學習是通過對大量的學生學習日志數據進行分析、處理、挖掘，并對挖掘的結果進行推薦，根據學習者的基礎知識掌握情況、興趣愛好、學習能力等特征來設計用于支持教學的個性化學習模式，為學習者提供個性化學習資源、學習路徑。[3][4]近年來，教育技術領域專家對數據挖掘技術在教育領域的應用做了相關研究，并期望通過推薦算法實現學生學習個性化，減少學生學習的重復性，提高學習效率。例如，楊麗麗[5]提出個性化推薦算法可以幫助學生迅速找到自己偏好的學習資源。劉靜等[6]提出個性化服務可以關注每位學生的不同學習需求，促進學生學習的積極性和主動性。潘志宏等[7]提出挖掘用戶的學習數據能夠制訂更加科學的學習計劃。

協同過濾推薦技術在教育中的應用

協同過濾推薦方法的主要思路是利用已有用戶群過去的行為，分析預測未來有哪些用戶對該類物品感興趣。一般來說，協同過濾推薦分為三種類型，分別是基于用戶（user-based）的協同過濾、基于項目（item-based）的協同過濾、基于模型（model-based）的協同過濾?；谟脩舻膮f同過濾技術的實現主要包含三個步驟，分別是找到和目標用戶興趣相似的用戶集合，利用Pearson相關系數、余弦相似度、Jaccard等方法計算物品之間的相似度，可以通過采用TOP-N方式篩選出目標用戶最近鄰，或者通過設定閾值的方式篩選目標用戶最近鄰。該算法處理流程如下頁圖1所示。

傳統的教育是通過給定的課本內容按部就班地完成學習任務，對于沒有該課程基礎知識的學生來說課程內容的設置可以參考通用課程設計來逐步完成基礎知識學習任務。但對有一定基礎的學生來說，如能夠掌握信息技術課程中字處理內容的字號設置、字體設置、頁面設置等基本知識，就可以不需要完全按照大綱的要求來完成學習任務的課程學習。因為該類學生掌握知識的水平程度有較大的差異，如果按部就班地完成學習任務就可能會重復學習已經掌握的內容，浪費了大量的寶貴的學習時間，不利于學習效率的提高，會影響個性化學習。因此，在學習中加入該推薦系統能夠對學生的學習進行個性化引導，充分利用學生的學習時間。

為了達到個性化學習推薦的目的，可將學生分為兩類，對沒有基礎的學生按照課程大綱要求，有序完成知識學習，通過基礎知識的掌握能夠更加全面地了解所學的內容。圖2所示為無課程基礎知識學生的學習過程。

對有知識基礎的學生來說，首先通過問卷調查、交流等形式了解學生對該課程內容的掌握情況，計算該學生學習特征，并與推薦系統中數據進行比對找到與該學生學習行為類似的學生學習計劃推薦給他。[8]通過捕獲學生學習行為，將該行為提取并進行協同過濾推薦算法計算，計算出學生學習模型，將預測資源再反饋給學生，在一個閉環的環境中將推薦的知識發送給需要學習的學生，從而提高學生的學習效率（如圖3）。

用戶偏好即用戶對物品的選擇具有一定的傾向性。本文通過累加的方式對用戶的偏好進行計算，根據用戶查看物品的次數來決定，查看次數越多則表明用戶越需要該方面的資料，反之則是用戶對該方面的資料需求不大。

協同過濾（Collaborative Filtering）推薦算法是個性化推薦技術使用最廣泛的一種技術，它能夠有效解決信息過載問題。[9]在本文中，筆者利用用戶對學習資源的偏好以及用戶之間潛在的關系偏好，結合學習資源實現個性化推薦。

基于用戶偏好協同過濾算法的個性化學習資源推薦

推薦學習資源質量越高則表明個性化學習資源的推薦技術做得越好，本文提出了基于用戶偏好協同過濾算法的個性化學習資源推薦，算法實現流程如圖4所示。

從圖4可以看出，本方法需要解決的關鍵問題有：①用戶偏好融合到學生-內容評分矩陣中。②利用皮爾卡森計算學生之間的相似度。

筆者用U={u1，u2，…，un}表示用戶集合，用Pro={p1，p2，…，pn}代表產品集合，用R代表評分項ri，j的n*m評分矩陣，i屬于1到n，j屬于1到m，分值定義從1（非常不喜歡）到5（非常喜歡）。給定矩陣R，學生a和學生b相似度計算simp（a，b），計算a與b之間的相似度。例如，給出評分數矩陣R：

利用如下公式，Pearson相關系數計算學生之間的相似集，并進行推薦。

效果分析

為了驗證本文實驗方法的有效性，本研究以通識課程信息技術588名學生學習為例，通過學習課程資源并進行實例驗證。實驗選取488名學生數據作為訓練數據集，100名學生數據作為測試集（其中A班50名，B班50名學生），A班按照原計劃開班學習，B班在基于用戶偏好協同過濾算法的個性化學習資源推薦系統中學習，并對A、B兩個班學生的學習情況進行了挖掘分析。

如圖5所示，橫坐標表示周次，縱坐標表示以小時為單位的學習時長。

通過分析發現，在傳統教育模式下學習時間相對較長，而在個性化學習資源推薦系統中學習時長相對較短。此外，筆者對A、B兩個班級學生的學習效果進行了對比分析。橫坐標表示周次，縱坐標表示百分制考評成績，如圖6所示。

分析可以看出，在基于用戶偏好協同過濾算法的個性化學習資源推薦下B班學生的學習效果較好，總體學習水平保持一個相對穩定的狀態。而A班學生從第3周開始，因課程內容難度加大，出現學習效果下降。通過對學生的了解，B班學生的學習體驗效果更好，利用較短的時間取得較高的學習成果。

結語

個性化學習資源的推薦是一個重要的功能，對提高學習者學習興趣、促進學習資源充分被利用等有著積極的作用，具有較強的應用價值。本文對學習者的學習特征做了分析，形成基于用戶偏好協同過濾算法的個性化學習資源推薦，從而提升學習效率，促進資源的合理利用，增加學習的趣味，推動教學方式的變革。[10]

參考文獻：

[1]陳穎，侯惠敏.基于項目屬性偏好挖掘的協同過濾推薦算法[J].計算機應用，2017，37（A01）：262-265.

[2]徐文健，劉青昆，鄭曉薇，等.基于Hadoop-Mahout的分布式課程推薦算法[J].計算機應用與軟件，2018（3）.

[3]祝智庭.智慧教育新發展：從翻轉課堂到智慧課堂及智慧學習空間[J].國內高等教育教學研究動態，2016（19）：11.

[4]李寶，張東紅.教育大數據下個性化資源推送服務框架設計[J].中國遠程教育，2017（9）：62-69.

[5]楊麗麗.個性化網絡教學資源系統的構建研究[D].烏魯木齊：新疆師范大學，2012.

[6]劉靜，熊才平，丁繼紅，等.教育信息資源個性化推薦服務模式研究[J].中國遠程教育，2016 （2）：5-9.

[7]潘志宏，萬智萍，謝海明.大數據環境下高校智慧移動學習平臺的構建研究[J].實驗技術與管理，2017，34（4）：161-163.

[8]岳俊芳，陳逸.基于大數據分析的遠程學習者建模與個性化學習應用[J].中國遠程教育，2017（7）：34-39.

[9]丁永剛，張馨，桑秋俠，等.融合學習者社交網絡的協同過濾學習資源推薦[J].現代教育技術，2016，26（2）：108-114.

[10]郭峰，王耀，董焱.基于大數據的高校創新創業信息化平臺構建研究[J].實驗技術與管理，2017，34（12）：26-30.

作者簡介：張迪（1990—），男，碩士，主要研究方向為數據挖掘、推薦算法、個性化學習、計算機教育。姜久雷（1972—），男，通訊作者，教授，博士，主要研究方向為服務計算、數據挖掘、推薦算法、業務流程建模、軟件工程。