用戶畫像技術在高職工匠型人才培養中的應用

摘要：實現高等職業教育對“中國制造2025”的精準服務，必須始終保持工匠型人才培養體系結構與社會需求相匹配。在國家全面推進“工匠精神”培育的大環境下，以高職工匠型人才為對象開展研究，分析高職工匠型人才培育現狀，基于“用戶畫像”技術對高職工匠型人才相關數據進行采集并進行標簽化處理，構建高職工匠型人才用戶畫像庫。在此基礎上，探索高職工匠型人才個性化培育路徑，設計高職工匠型人才個性化培育方法，從而構建一套完整的高職工匠型人才個性化培養體系，引導高職學生個性化學習和成長，提高高職工匠型人才培育質量。

關鍵詞：用戶畫像;高職工匠型人才;個性化教育

“用戶畫像”技術是一門跨學科的新興技術，通過多維度數字化標簽抽象出用戶的個體信息數字化特征，準確解析用戶需求及預測用戶變化趨勢，為用戶提供個性化的智能推薦服務，現已開始滲透到各個領域。“工匠型人才”是指專門從事某個行業，針對該行業產品研究開發、生產加工，能夠兢兢業業、精益求精完成產品每道工序的人才。《國家職業教育改革實施方案》明確提出：把發展高等職業教育作為優化高等教育結構和培養大國工匠、能工巧匠的重要方式，并且要求深入開展“大國工匠進校園”“勞模進校園”“優秀職校生校園分享”等活動，宣傳展示大國工匠、能工巧匠的事跡和形象，培育和傳承好工匠精神。《中國制造2025》也為我國由制造大國向制造強國轉變指明了方向，要實現高等職業教育對“中國制造2025”的精準服務，必須始終保持工匠型人才培養體系結構與社會需求相匹配[1]，創新人才培養模式，從大眾教育走向優質教育，實現個性化培養[2]。因此，在國家大力提倡“工匠型人才”培育的大背景下，通過“用戶畫像”技術在工匠型人才個性化培養中的應用研究，解決“中國制造2025”對高職工匠型人才的實際需求問題，培育一批真正能從事企業產品研發、制造生產的高職工匠型人才。

一、高職工匠型人才培養現狀

隨著近年國家不斷出臺相關政策大力培育工匠型人才，高職院校行動迅速，各校圍繞專業優勢、專業特色、專業方向整合專業大類打造專業群，深入開展產教融合校企合作，共建共享大師工作室和名師工作室，邀請大國工匠能工巧匠進校園進課堂，開展專業技術技能競賽，掀起一股高職學生崇尚工匠精神、弘揚勞模精神的浪潮，在師生中營造一種勞動光榮和精益求精的技術技能學習氛圍，但在實際工匠型人才培育過程中還是存在不少問題。以湖南軟件職業學院工匠型人才培養為例：一是對工匠精神的認知不夠深入。高職院校本身就是培育學生工匠精神、工匠素養的主陣地，針對什么是工匠精神，本校在軟件技術專業486名學生中開展了專項問卷調查，調查結果顯示全面知曉工匠精神的學生占比僅12%，知曉占比56%，不知曉占比32%，由此可見學校對工匠精神的宣傳和引導亟待加強;二是對工匠大師引進力度不夠。《國家職業教育改革實施方案》提出高職院校專業教師招聘原則上要從具有3年以上企業工作經歷，并具有高職以上學歷的人員中公開招聘，并明確從2020年起不能在應屆畢業生中招聘專任教師。本校當前專任教師528名，其中具有研究生及以上學歷的教師占比58%，“雙師型”教師占比45%，省級技能大師、客座教授大國工匠、市級高級專業人才僅10人，由此可見教師引進過程中學歷還是擺放在首位，其次才是“雙師型”要求。三是校企共同育人不夠深入。近年本校按照“五個共同”與深度合作企業成立二級學院校企共同培養學生，雖然已經成功共建中興通訊學院、科大訊飛人工智能學院、達內大數據學院、厚溥現代商貿學院、瀟湘電影數字創意產業學院等，但真正把企業真實生產環境和真實生產項目引入學校教學的還較少，企業的技能大師、能工巧匠來校授課得也不多，學生與他們面對面交流學習機會缺乏。所以，高職工匠型人才培育還有一定的差距。

二、高職工匠型人才數據采集與處理

（一）高職工匠型人才數據采集

對高職工匠型人才所需數據進行收集，主要從用戶基本屬性數據、用戶學習偏好數據、用戶學習互動數據、用戶網絡會話數據、用戶其它數據等五類數據中獲取，作為用戶畫像數據來源。基本屬性數據主要包含學生專業班級、年齡性別、性格愛好及技術技能掌握情況等;學習偏好數據主要包含技能學習方式的選擇，對技能學習資料的搜索、查閱和保存等;學習互動數據主要包含對技能學習內容的評價，并對相關技術技能進行評議討論、分享轉發和認知態度等;網絡會話數據主要包含訪問時間、登錄次數、瀏覽路徑、資源下載量、評價內容與次數等;用戶其它數據主要包含專業課程選課信息、技能學習范圍、技能掌握程度等，通過以上五類數據來采集高職工匠型人才培養所需的基礎數據。

（二）高職工匠型人才數據標簽化處理

高職工匠型人才數據標簽化處理采用非結構化標簽關鍵詞處理高職工匠型人才相關數據[3]。依據基本屬性數據創建高職工匠型人才人群屬性、學習方向、用戶關聯關系等標簽對象;依據用戶學習偏好數據創建高職工匠型人才學習搜索偏好、學習資源選擇偏好等標簽對象;依據用戶學習互動數據創建高職工匠型人才技能偏好、操作偏好、社會偏好、情感偏好、活躍度等標簽對象;依據用戶網絡會話數據創建高職工匠型人才活躍度、操作熟練度、技能評價、評價等級等標簽對象;依據用戶其它數據創建高職工匠型人才課程選擇偏好、學習效果等標簽對象。標簽體系的構建質量決定著用戶畫像的應用價值，通過收集高職工匠型人才相關數據，確定用戶畫像需要梳理出的標簽維度，將標簽維度對應成具體的關鍵詞。再通過統計分析等方法，確定與用戶相關的文本信息在對應關鍵詞上的分布表現，進而確定用戶與關鍵詞的關聯程度。

三、高職工匠型人才用戶畫像構建

高職工匠型人才用戶畫像從用戶數據采集、用戶數據處理、用戶數據標簽化三個步驟來構建高職工匠型人才用戶畫像庫。數據采集層面，通過用戶數據采集獲取用戶基本屬性數據、用戶學習偏好數據、用戶互動交流數據、用戶會話數據和其他數據。用戶數據處理層面，通過數據挖掘技術對收集的用戶數據進行系統分類、對象聚類、關聯和序列處理，通過數據預處理技術對收集的用戶數據進行集成、轉換、歸約清洗。用戶數據標簽化層面，對采集的用戶數據進行基礎處理后，再通過人群屬性、用戶關聯關系、技能偏好、社會偏好、情感偏好、活躍度、操作偏好等因素建立用戶數據標簽，標簽化處理后，構成高職工匠型人才用戶標簽體系。最終，采用非結構化關鍵詞法對高職工匠型人才進行畫像構建，形成高職工匠型人才用戶畫像庫并產生用戶畫像預測模型，發現用戶現在及潛在需求，再精準給用戶推薦學習課程及各項學習資源。詳細流程如圖1所示。

四、高職工匠型人才個性化培養

（一）高職工匠型人才個性化培養流程設計

根據高職工匠型人才用戶畫像要求，預測用戶的需求偏好及潛在學習資源需求，將用戶感興趣、有價值的學習資源信息精準推薦給用戶[4]。以高職工匠型人才學習資源庫為中心，通過數據處理、用戶畫像、推薦算法，構建高職工匠型人才學習平臺。數據中心不斷從學習平臺獲取所需的用戶基本數據和用戶行為數據，并進行個性化數據處理。結合畫像需求進行資源匹配，生成畫像各類標簽，再通過推薦算法對用戶畫像進行個性化推薦，并不斷進行精準推薦改進，從而把所需的資源展示在學習平臺上，為高職工匠型人才培養提供資源交流互動。詳細流程如圖2所示。

（二）高職工匠型人才個性化培養方法

針對用戶興趣偏好的多樣性問題，基于用戶畫像預測需求及個性化推薦，采用混合協同篩選個性化推薦方法實現用戶的個性化培養[5]。在構建高職工匠型人才用戶畫像庫的基礎上，預測用戶需求偏好及資源偏好，采用線性回歸算法和XGBoost算法，利用基于用戶的需求篩選方法、基于項目的需求篩選方法和帶偏好的矩陣分解方法，進行個性化培養推薦預分析[6]。再對高職工匠型人才用戶畫像資源庫中學習課程及學習資源去重、過濾、排序和推薦列表處理，形成一套基于動態用戶畫像混合協同篩選個性化推薦方法。具體方法如圖3所示。

（三）高職工匠型人才個性化培養體系

基于高職工匠型人才用戶畫像找到用戶的技能興趣偏好以及用戶的技能行為習慣，將用戶可能感興趣的技能學習相關資源以列表的形式展示或推送給目標用戶，推薦項目可采用發送電子郵件、線上線下交流互動和系統自動推送等手段。基于用戶畫像的高職工匠型人才培養服務體系主要由用戶基礎數據模塊、數據統計分析模塊和技能學習資源自動推送模塊三個模塊構成[7]。其中用戶數據基礎模塊分為在線學習平臺、學生管理系統和數據存儲服務中心;數據統計分析模塊分為用戶畫像構建模塊、項目向量處理模塊和數據檢索傳輸模塊;技能學習資源自動推送模塊分為用戶智能化管理、興趣偏好資源挖掘、個性資源精準推送服務[8]。高職學生在一定周期內的興趣偏好會呈現一定的趨勢變化，傳統算法在本質上屬于靜態推薦，不能考慮用戶興趣隨著時間的推移會發生變化。因此，高職工匠型人才個性化培養體系的構建，主要使用一次指數平滑模型以時間序列為標尺將用戶興趣進行劃分，使傳統的靜態標簽模型隨時間推移進行更新，在現有的數據中挖掘用戶興趣的變化趨勢，逐步構建以用戶技能興趣偏好和用戶技能行為習慣的高職工匠型人才個性化培養體系。

五、結語

用戶畫像技術在已有的理論研究基礎上，立足大數據環境，依托數據挖掘技術，對高職工匠型人才培養模式開展深入研究，為高職工匠型人才培養提供新思路和新方法，解決高職工匠型人才培養個性化教育問題，為高職工匠型人才培養提供一種新途徑。通過高職工匠型人才個性化培養應用研究，基于用戶畫像技術構建高職工匠型人才多維度畫像標簽，深入分析高職工匠型人才特點及個性化需求，為高職工匠型人才培養提供一種創新模式，有效實現高職院校學生個性化教育，提高高職工匠型人才培育質量。

參考文獻：

[1]? 蔣慕東.創新發展職業教育 精準服務中國制造[J].職業技術教育，2017（06）：32-33.

[2]? 郭飛雁，羅校清.基于用戶畫像的高職智造類工匠人才培養路徑[J].河北職業教育，2019（04）：91-94.

[3]? 鄭美光，楊姣，常成龍，胡志剛.非結構化云數據管理系統不穩定數據分區識別算法[J].華南理工大學學報（自然科學版），2019（08）：105-112.

[4]? 郭飛雁.增強現實技術在泛在學習中的應用研究[J].電腦知識與技術，2017（20）：232-233.

[5]? 查英華，朱其慎.基于個性化推薦的移動學習模式探究—以高職學生為例[J].職教論壇，2015（23）：57-60.

[6]? 羅校清.使用角度選擇策略的第二代Pareto強度進化算法[J].計算機應用與軟件，2018（07）：290-298.

[7]? 姚海翠.基于“工匠精神”的技工院校人才培養模式的探索—以北京輕工技師學院航空服務專業為例[J].教育教學論壇，2019（44）：46-47.

[8]? 張進良，葉求財.大數據視閾下學習資源智能推薦模型構建[J].湖南科技大學學報（社會科學版），2019（04）：178-184.