大數(shù)據(jù)環(huán)境下高校移動(dòng)學(xué)習(xí)平臺(tái)的設(shè)計(jì)與實(shí)現(xiàn)

趙 衛(wèi)，方 誠(chéng)

(咸陽(yáng)師范學(xué)院信息化建設(shè)辦公室，陜西 咸陽(yáng) 712000)

0 引 言

作為數(shù)字化學(xué)習(xí)的一個(gè)重要分支，移動(dòng)學(xué)習(xí)正逐漸受到人們的關(guān)注，并成為高等教育及相關(guān)領(lǐng)域的研究熱點(diǎn)。作為一種全新的學(xué)習(xí)形式，移動(dòng)學(xué)習(xí)在培訓(xùn)和教育領(lǐng)域中有著不可估量的應(yīng)用潛力。學(xué)習(xí)者可以隨時(shí)隨地利用移動(dòng)終端和無(wú)線通信網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，相應(yīng)的，教育工作者也可以隨時(shí)隨地查看學(xué)習(xí)情況反饋和評(píng)價(jià)等。

移動(dòng)學(xué)習(xí)系統(tǒng)(smart learning mobile)是一種針對(duì)便攜式移動(dòng)設(shè)備(手機(jī)、平板電腦等)的系統(tǒng)，它是基于無(wú)線互聯(lián)網(wǎng)的移動(dòng)學(xué)習(xí)方案，方案中強(qiáng)調(diào)“隨時(shí)、隨地、隨身”的碎片式學(xué)習(xí)。系統(tǒng)支持用戶通過(guò)移動(dòng)設(shè)備實(shí)施遠(yuǎn)程的教與學(xué)，可以實(shí)現(xiàn)學(xué)生間隨時(shí)隨地便捷地進(jìn)行學(xué)習(xí)和交流，為數(shù)字化虛擬教學(xué)的實(shí)現(xiàn)提供了技術(shù)支持[1-4]。

在傳統(tǒng)的教學(xué)方式下，課堂教學(xué)大多缺乏趣味性，不能夠有效地吸引學(xué)生注意力，并且課堂反饋較慢。傳統(tǒng)授課方式下，課后老師與學(xué)生之間缺乏足夠互動(dòng)，存在老師無(wú)法即時(shí)了解學(xué)生學(xué)習(xí)的狀態(tài)與行為。

傳統(tǒng)教學(xué)中存在的種種問(wèn)題，在移動(dòng)教學(xué)模式下都能夠較好地解決。一個(gè)老師可以根據(jù)學(xué)生的學(xué)習(xí)行為、學(xué)習(xí)習(xí)慣發(fā)現(xiàn)學(xué)生對(duì)知識(shí)的掌握情況，并因此對(duì)教學(xué)行為做出調(diào)整。還可以通過(guò)技術(shù)手段增加課余學(xué)習(xí)內(nèi)容精準(zhǔn)推薦，課堂教學(xué)的各種互動(dòng)，以及課后及時(shí)獲知某一課程或某一學(xué)生的學(xué)習(xí)狀態(tài)等。并且，做好這些也是移動(dòng)學(xué)習(xí)技術(shù)需要研究、解決的問(wèn)題[5-7]。

大數(shù)據(jù)技術(shù)的發(fā)展，可以在社交媒體上獲得用戶行為的描述，在各種分布式平臺(tái)上(例如Spark，Hadoop，Hive，strata等)展示大量數(shù)據(jù)，這些工具在增強(qiáng)和執(zhí)行大數(shù)據(jù)集的預(yù)測(cè)分析中起著至關(guān)重要的作用[8]。在教育移動(dòng)化發(fā)展過(guò)程中，教育環(huán)境在支持教育活動(dòng)的空間和外部條件方面發(fā)揮著重要作用。構(gòu)建智能學(xué)習(xí)環(huán)境是智慧教育的核心任務(wù)，包括信息感知，教育方式個(gè)性化、教育資源整合，實(shí)現(xiàn)教育內(nèi)容的可預(yù)測(cè)性和動(dòng)態(tài)平衡。

教育大數(shù)據(jù)技術(shù)融合了許多教育信息資源和學(xué)習(xí)資源。文獻(xiàn)[9]中提出可根據(jù)學(xué)生學(xué)習(xí)過(guò)程中產(chǎn)生的各類個(gè)性化數(shù)據(jù)來(lái)評(píng)估學(xué)生的學(xué)習(xí)過(guò)程情況。傳統(tǒng)的學(xué)習(xí)內(nèi)容方式包含兩種模式：(1)基于學(xué)習(xí)內(nèi)容屬性的協(xié)同過(guò)濾推薦；(2)基于學(xué)習(xí)內(nèi)容屬性的過(guò)濾[10]。傳統(tǒng)的智慧教育系統(tǒng)均是基于學(xué)習(xí)內(nèi)容或從教師的角度出發(fā)。然而，在這些系統(tǒng)中學(xué)生的學(xué)習(xí)情況常常被忽略，因此系統(tǒng)使用過(guò)程中對(duì)于學(xué)生成績(jī)的提升往往是有限的。

在線學(xué)習(xí)為用戶提供了豐富的學(xué)習(xí)資源，但同時(shí)也給學(xué)習(xí)者帶來(lái)了相應(yīng)的困擾。如何在海量的學(xué)習(xí)資源中找到自己所需的學(xué)習(xí)資源是一件很困難的事，長(zhǎng)而久之，用戶會(huì)厭倦這種“大海撈針”式的查找。因此，如何讓用戶在海量資源中快速找出適合自己的資源，成為目前在線學(xué)習(xí)系統(tǒng)亟待解決的問(wèn)題。于是，用戶推薦系統(tǒng)應(yīng)運(yùn)而生。用戶推薦系統(tǒng)是指導(dǎo)學(xué)習(xí)者發(fā)現(xiàn)自己感興趣的信息的工具，它能夠有效地解決學(xué)習(xí)者在學(xué)習(xí)資源過(guò)載情況下的資源選擇問(wèn)題。推薦系統(tǒng)通過(guò)分析學(xué)習(xí)者的歷史及當(dāng)前行為數(shù)據(jù)，構(gòu)建相應(yīng)的數(shù)學(xué)模型，自動(dòng)為學(xué)習(xí)者提供個(gè)性化服務(wù)，推薦其感興趣的信息或者課程資源。因此，設(shè)計(jì)開(kāi)發(fā)個(gè)性化推薦的在線學(xué)習(xí)系統(tǒng)不僅能讓學(xué)習(xí)者輕松獲取到適合自己的資源或者信息，極大節(jié)省了時(shí)間成本，還能提升學(xué)習(xí)者的學(xué)習(xí)效率和體驗(yàn)效果，同時(shí)也避免了學(xué)習(xí)系統(tǒng)用戶的流失。

根據(jù)用戶實(shí)際學(xué)習(xí)情況，該文提出一種基于大數(shù)據(jù)的移動(dòng)學(xué)習(xí)系統(tǒng)，并按照學(xué)習(xí)內(nèi)容屬性項(xiàng)提出了一種模糊推薦算法，將用戶個(gè)性化的內(nèi)容進(jìn)行融合，設(shè)計(jì)了基于智能推薦的移動(dòng)學(xué)習(xí)平臺(tái)。

1 系統(tǒng)相關(guān)模型

由于傳統(tǒng)智慧教育系統(tǒng)存在海量學(xué)習(xí)資源的獲取困難問(wèn)題，因此該文設(shè)計(jì)了用戶推薦系統(tǒng)。系統(tǒng)涉及的主要技術(shù)包括常用的推薦算法、大數(shù)據(jù)處理平臺(tái)、JavaWeb開(kāi)發(fā)框架等。當(dāng)前常用的推薦算法有協(xié)同過(guò)濾推薦算法、基于內(nèi)容的推薦算法及混合推薦算法。

該系統(tǒng)提出了一種基于模糊推薦模型的設(shè)計(jì)，該模型的基礎(chǔ)是學(xué)習(xí)內(nèi)容屬性，學(xué)習(xí)內(nèi)容屬性在范圍[0，1]中用模糊數(shù)字標(biāo)記。為了提高描述的準(zhǔn)確性，每個(gè)學(xué)習(xí)內(nèi)容屬性項(xiàng)通常使用來(lái)自不同角度的幾個(gè)不同值進(jìn)行標(biāo)記[11]。通過(guò)Delphi方法歸因于建立學(xué)習(xí)內(nèi)容之間的關(guān)系的過(guò)程表示如下。

假設(shè)H={h1,h2,…,hn}是學(xué)習(xí)內(nèi)容u的屬性集的域，M位專家分別為每個(gè)屬性項(xiàng)設(shè)置一個(gè)值Hi(i=1,2,…,n)，專家K設(shè)置的值表示為Sk(Hi)(i=1,2,…,n;k=1,2,…,m)，M位專家的成員資格表示如下：

不適用于專家系統(tǒng)的學(xué)習(xí)內(nèi)容屬性項(xiàng)可以表示為基于Hi的函數(shù)，表示如下：

Sf(Hi)=F(Hi)

學(xué)習(xí)內(nèi)容的隸屬度U可以用{S'(Hi)}表示：

1.1 主要模糊推薦要求集的設(shè)置

根據(jù)推薦的特點(diǎn)，推薦活動(dòng)集將反映學(xué)生對(duì)內(nèi)容的學(xué)習(xí)興趣，可用于構(gòu)建一組學(xué)習(xí)者的學(xué)習(xí)需求。

設(shè)U={u1,u2,…,up}為學(xué)習(xí)者的學(xué)習(xí)內(nèi)容集，其中u1=(S11,S12,…,S1i,…,S1n)；學(xué)習(xí)內(nèi)容要求集表示如下：

I=(I1,I2,…,Ik,…,Ip)

其中，Ik表示學(xué)習(xí)者學(xué)習(xí)項(xiàng)目K內(nèi)容屬性的主要需求，學(xué)習(xí)內(nèi)容的差異表示如下：

1.2 高級(jí)模糊推薦要求集的設(shè)置

通過(guò)對(duì)學(xué)習(xí)內(nèi)容和學(xué)習(xí)行為的分析，發(fā)現(xiàn)主要的模糊推薦需求集對(duì)學(xué)習(xí)者需求的描述不明確，因此，有必要建立一種先進(jìn)的模糊推薦需求集模型[12-15]。

(1)重要屬性。

設(shè)I'為對(duì)學(xué)習(xí)者學(xué)習(xí)內(nèi)容屬性的高度偏好表達(dá)，并且定義H={h1,h2,…,hn}為學(xué)習(xí)內(nèi)容u的項(xiàng)集的域，M專家分別為每個(gè)屬性項(xiàng)設(shè)置一個(gè)值Hi{i=1,2,…,n}，專家K設(shè)置的值表示為Qk(Hi){i=1,2,…,n;k=1,2,…,m}，M專家的成員資格表示如下：

Delphi方法的局限性在于該方法不能成為每個(gè)學(xué)習(xí)者的個(gè)性化分配。為此，該文對(duì)Delphi方法進(jìn)行改進(jìn)。

設(shè)Hk={Hi,Hi+1,…,Hi+j}，Hk的屬性包含Hi…Hi+j的屬性，建議學(xué)習(xí)需求為{li,li+1,…,li+j}，li+j代表項(xiàng)目i+j學(xué)習(xí)內(nèi)容的主要推薦要求。

(2)高級(jí)推薦模型。

(3)算法設(shè)計(jì)。

學(xué)習(xí)內(nèi)容推薦算法如下：

IfIf<α1then

S={A∧I'}*Im+If

Else ifIf>α2then

{ifAk?{Uk}

S={A∧I'}*Im+(1-If)

ElseS={A∧I'}*Im

}

其中，α1和α2是兩個(gè)常數(shù)，且α1<α2

2 系統(tǒng)架構(gòu)設(shè)計(jì)

大數(shù)據(jù)的核心是數(shù)據(jù)，如何從海量數(shù)據(jù)中尋找有價(jià)值信息是研究者研究的主要目的，而研究的關(guān)鍵在于如何對(duì)數(shù)據(jù)進(jìn)行正確的統(tǒng)計(jì)和分析。對(duì)于移動(dòng)學(xué)習(xí)系統(tǒng)而言，當(dāng)學(xué)習(xí)者的行為數(shù)據(jù)積累到一定程度，就可以通過(guò)挖掘應(yīng)用群體的行為模式，對(duì)數(shù)據(jù)進(jìn)行分析、統(tǒng)計(jì)、歸納，進(jìn)而發(fā)現(xiàn)學(xué)習(xí)者的學(xué)習(xí)規(guī)律，判定出哪些知識(shí)點(diǎn)需要重點(diǎn)強(qiáng)調(diào)，哪些科目是學(xué)習(xí)者感興趣的，從而實(shí)現(xiàn)對(duì)學(xué)習(xí)者的因材施教，進(jìn)而有針對(duì)性地開(kāi)展教學(xué)和指導(dǎo)。

另外，通過(guò)對(duì)大規(guī)模學(xué)習(xí)數(shù)據(jù)的挖掘和統(tǒng)計(jì)，可以對(duì)學(xué)習(xí)資源進(jìn)行反復(fù)檢驗(yàn)、改進(jìn)，進(jìn)而提高在線學(xué)習(xí)資源的優(yōu)質(zhì)性。該文從實(shí)際應(yīng)用的角度研究了在線學(xué)習(xí)資源系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)，同時(shí)將模糊推薦模型引入系統(tǒng)中進(jìn)行整合。首先，對(duì)系統(tǒng)進(jìn)行技術(shù)選型；接著進(jìn)行了系統(tǒng)設(shè)計(jì)，以滿足用戶需要；最后，對(duì)設(shè)計(jì)的系統(tǒng)架構(gòu)開(kāi)發(fā)了整個(gè)在線學(xué)習(xí)資源系統(tǒng)。

隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，目前主流的JavaWeb開(kāi)發(fā)框架集有SSH(Spring+Struts2+Hivernate)和SSM(Spring+SpringMVC+Mybatis)。眾所周知，SSM框架集是優(yōu)于SSH框架集的，所以選擇SSM(Spring+SpringMVC+Mybatis)框架作為該系統(tǒng)的基礎(chǔ)開(kāi)發(fā)框架。

在線學(xué)習(xí)系統(tǒng)是多個(gè)業(yè)務(wù)功能模塊的集合，傳統(tǒng)的開(kāi)發(fā)模式是將所有功能在同一工程中開(kāi)發(fā)，隨著業(yè)務(wù)的增加，整個(gè)工程會(huì)變得十分龐大和繁雜，不利于系統(tǒng)的維護(hù)和新功能的添加。該文采用了微服務(wù)的思想，把整個(gè)系統(tǒng)按業(yè)務(wù)拆分成不同的服務(wù)，對(duì)每個(gè)服務(wù)進(jìn)行開(kāi)發(fā)。這樣一來(lái)，使得每個(gè)服務(wù)都相當(dāng)于一個(gè)微型應(yīng)用，服務(wù)之間通過(guò)HTTP請(qǐng)求來(lái)通信，一旦增加新的業(yè)務(wù)模塊，只需要開(kāi)發(fā)一個(gè)新的服務(wù)即可。因而增強(qiáng)了系統(tǒng)在功能上的良好的擴(kuò)展性。

2.1 課程推薦系統(tǒng)框架設(shè)計(jì)

在線學(xué)習(xí)系統(tǒng)是一個(gè)個(gè)性化推薦學(xué)習(xí)系統(tǒng)，系統(tǒng)根據(jù)用戶的學(xué)習(xí)信息、基本信息及一致信息數(shù)據(jù)庫(kù)數(shù)據(jù)，向用戶推薦其可能喜歡的課程資源，同時(shí)也為系統(tǒng)用戶提供了一個(gè)在線自主學(xué)習(xí)平臺(tái)。該文的在線學(xué)習(xí)系統(tǒng)設(shè)計(jì)有以下功能：個(gè)性化推薦、相關(guān)課程推薦、熱門(mén)課程推薦、用戶注冊(cè)、用戶登錄、個(gè)人信息維護(hù)、課程搜索、課程評(píng)價(jià)等。

整個(gè)系統(tǒng)業(yè)務(wù)處理的核心是推薦處理系統(tǒng)。推薦處理系統(tǒng)的主要功能是對(duì)系統(tǒng)中的用戶進(jìn)行個(gè)性化課程推薦，系統(tǒng)中每位用戶的推薦候選集由推薦處理模塊進(jìn)行計(jì)算獲得，個(gè)性化推薦服務(wù)從學(xué)習(xí)內(nèi)容推薦處理系統(tǒng)獲取用戶的個(gè)性化推薦候選集，然后通知給用戶。

推薦處理系統(tǒng)架構(gòu)如圖1所示。

圖1 推薦處理系統(tǒng)架構(gòu)

在上述構(gòu)建思路中，系統(tǒng)中的用戶基本信息數(shù)據(jù)庫(kù)中存儲(chǔ)了每位用戶的行為數(shù)據(jù)和學(xué)習(xí)信息，內(nèi)容推薦處理系統(tǒng)通過(guò)對(duì)基本信息數(shù)據(jù)庫(kù)中的數(shù)據(jù)進(jìn)行計(jì)算，獲取到用戶的個(gè)性化推薦數(shù)據(jù)。數(shù)據(jù)庫(kù)動(dòng)態(tài)維護(hù)學(xué)習(xí)者的學(xué)習(xí)興趣，系統(tǒng)中的用戶存在兩種情況：一種是有推送歷史記錄的用戶，另一種是沒(méi)有推送歷史記錄的用戶。對(duì)于沒(méi)有推送歷史記錄的用戶，由于其用戶興趣數(shù)據(jù)庫(kù)中沒(méi)有用戶行為日志，系統(tǒng)無(wú)法對(duì)其進(jìn)行個(gè)性化推薦服務(wù)。為了解決這一問(wèn)題，系統(tǒng)會(huì)根據(jù)用戶首次登陸選擇的課程類別標(biāo)簽，向其推薦所選課程類別中的熱門(mén)課程。

上述學(xué)習(xí)內(nèi)容推薦處理系統(tǒng)的具體流程如圖2所示。為了加強(qiáng)對(duì)更多服務(wù)提供商系統(tǒng)的支持，可以定制信息源。

圖2 推薦處理模塊的實(shí)施過(guò)程

用戶在系統(tǒng)中查找課程資源時(shí)，如果查找的課程與自己所需的資源有差異，就不得不重新查找。推送服務(wù)器的主要功能是用戶在瀏覽某個(gè)資源或課程詳情的時(shí)候，系統(tǒng)向用戶推薦相似的資源或者課程，提高了用戶的體驗(yàn)效果，實(shí)現(xiàn)了課程推薦服務(wù)。

2.2 課程搜索功能設(shè)計(jì)

課程搜索功能模塊主要負(fù)責(zé)對(duì)用戶輸入的關(guān)鍵字進(jìn)行課程檢索。課程關(guān)鍵字檢索是尋找課程資源的重要手段，如何快速準(zhǔn)確地為用戶返回檢索數(shù)據(jù)是課程搜索模塊需要解決的首要問(wèn)題。

首先，對(duì)課程描述信息進(jìn)行分詞處理，以匹配檢索關(guān)鍵字；其次，在服務(wù)器上建立Index和Type,并將數(shù)據(jù)庫(kù)中的課程數(shù)據(jù)同步到服務(wù)器上；最后，在相應(yīng)服務(wù)器上進(jìn)行配置。圖3為用戶使用關(guān)鍵字進(jìn)行課程搜索功能的實(shí)現(xiàn)流程。

圖3 系統(tǒng)功能組成結(jié)構(gòu)

2.3 移動(dòng)學(xué)習(xí)平臺(tái)系統(tǒng)框架設(shè)計(jì)

系統(tǒng)運(yùn)行情況的優(yōu)劣取決于系統(tǒng)架構(gòu)設(shè)計(jì)[16]。根據(jù)系統(tǒng)功能模塊，對(duì)在線移動(dòng)學(xué)習(xí)平臺(tái)系統(tǒng)架構(gòu)進(jìn)行了設(shè)計(jì)，構(gòu)建了如圖4所示的在線移動(dòng)學(xué)習(xí)平臺(tái)系統(tǒng)。

圖4 系統(tǒng)功能組成結(jié)構(gòu)

圖4中可以看出，注冊(cè)用戶在注冊(cè)時(shí)就可以對(duì)自己感興趣的內(nèi)容進(jìn)行備注，對(duì)自己所要學(xué)習(xí)的學(xué)科進(jìn)行選擇，通過(guò)用戶信息管理系統(tǒng)完成對(duì)用戶信息和數(shù)據(jù)的管理。首次登陸的注冊(cè)用戶，系統(tǒng)會(huì)根據(jù)所選學(xué)科或者備注的內(nèi)容對(duì)其進(jìn)行內(nèi)容推薦，內(nèi)容推薦處理模塊通過(guò)對(duì)用戶興趣信息的計(jì)算，返回給用戶一個(gè)較為精準(zhǔn)的推薦學(xué)習(xí)內(nèi)容，使得用戶獲得良好的使用體驗(yàn)。如果用戶所選的學(xué)科為一門(mén)新學(xué)科，系統(tǒng)中以前并沒(méi)該學(xué)科的記錄，處理系統(tǒng)將引導(dǎo)用戶對(duì)該學(xué)科所含的科目進(jìn)行選擇、完備。系統(tǒng)會(huì)根據(jù)用戶提交的學(xué)科信息，不斷豐富整個(gè)學(xué)習(xí)內(nèi)容，通過(guò)海量的存儲(chǔ)，滿足不同用戶的個(gè)性化需求，最終達(dá)到在線學(xué)習(xí)資源的豐富和推薦內(nèi)容的有的放矢。

傳統(tǒng)學(xué)習(xí)平臺(tái)的搭建是基于某個(gè)服務(wù)器或者服務(wù)器群的，這就使得各個(gè)高校或者機(jī)構(gòu)需要搭建重復(fù)的學(xué)習(xí)平臺(tái)，不能達(dá)到資源共享和高利用率。因此，針對(duì)這種問(wèn)題，在系統(tǒng)設(shè)計(jì)中引入云平臺(tái)的概念，通過(guò)學(xué)習(xí)資料資源池的構(gòu)建，對(duì)學(xué)習(xí)內(nèi)容進(jìn)行海量存儲(chǔ)，極大地豐富了學(xué)習(xí)資料。

系統(tǒng)平臺(tái)的整體架構(gòu)設(shè)計(jì)如圖5所示。

圖5 系統(tǒng)總體架構(gòu)

從圖5中看出，用戶通過(guò)移動(dòng)終端與系統(tǒng)連接，可以從系統(tǒng)獲取學(xué)習(xí)資源，同時(shí)也可以上傳優(yōu)質(zhì)的學(xué)習(xí)資源到服務(wù)平臺(tái)，達(dá)到資源共享的目的。管理人員通過(guò)文件系統(tǒng)完成對(duì)資源的管理，定期查看和管理資源，從而不斷豐富學(xué)習(xí)內(nèi)容，剔除利用率低的資源，從而高度、高效地利用學(xué)習(xí)資源。

2.4 課程推薦模塊的測(cè)試和效果分析

課程推薦模塊主要負(fù)責(zé)計(jì)算生成用戶的推薦候選集，用戶對(duì)推薦課程的滿意程度取決于推薦課程是否滿足用戶的個(gè)性化需求。要測(cè)試推薦處理系統(tǒng)能否滿足個(gè)性化需求，就需要驗(yàn)證計(jì)算生成個(gè)性化推薦候選集是否準(zhǔn)確。由于該文提出的推薦處理模塊采用了模糊推薦模型，因此只需要對(duì)模糊推薦模型的推薦效果進(jìn)行評(píng)測(cè)，就可以驗(yàn)證推薦效果。該文采用離線測(cè)試的方法驗(yàn)證模糊推薦模型的推薦效果，以準(zhǔn)確率作為推薦效果的測(cè)評(píng)指標(biāo)。

準(zhǔn)確率指的是推薦處理系統(tǒng)中用戶評(píng)價(jià)過(guò)的課程數(shù)量占總數(shù)的比例，其計(jì)算公式如下：

其中，R(u)表示用戶的推薦集合，N(u)表示用戶已評(píng)價(jià)的課程集合。

使用模糊推薦處理模型，通過(guò)使用用戶對(duì)課程的滿意度，獲取測(cè)試用戶的個(gè)性化推薦集合，然后計(jì)算個(gè)性化推薦的準(zhǔn)確率。同時(shí)，該文還選取了一種協(xié)同過(guò)濾推薦算法來(lái)進(jìn)行對(duì)比研究。

由表1的結(jié)果可知，采用模糊推薦模型獲取的個(gè)性化推薦可以獲得比較高的準(zhǔn)確率，測(cè)試結(jié)果表明該方法能夠滿足用戶的需求，達(dá)到了預(yù)期的推薦效果。

表1 不同方法相應(yīng)推薦集的準(zhǔn)確率

3 結(jié)束語(yǔ)

隨著互聯(lián)網(wǎng)的普及和學(xué)習(xí)方式的革新，越來(lái)越多的學(xué)習(xí)者選擇線上學(xué)習(xí)，移動(dòng)學(xué)習(xí)平臺(tái)可以讓課堂教學(xué)更加靈活。移動(dòng)學(xué)習(xí)系統(tǒng)為用戶提供便捷的同時(shí)也帶來(lái)了困擾，如何在海量學(xué)習(xí)資源中準(zhǔn)確捕捉到自己感興趣的資源成為亟需解決的問(wèn)題。該文將個(gè)性化推薦技術(shù)引入移動(dòng)學(xué)習(xí)系統(tǒng)，信息主動(dòng)推薦服務(wù)是該系統(tǒng)的重要模塊之一，信息主動(dòng)推薦服務(wù)的優(yōu)劣可以作為移動(dòng)學(xué)習(xí)平臺(tái)的一項(xiàng)評(píng)估標(biāo)準(zhǔn)。在所設(shè)計(jì)的系統(tǒng)中，提出了針對(duì)信息推薦內(nèi)容的推薦模型，為移動(dòng)學(xué)習(xí)資源的更優(yōu)推薦提供了參考和借鑒，同時(shí)學(xué)習(xí)者也能隨時(shí)獲取更加合適的學(xué)習(xí)資料，并及時(shí)調(diào)整自己的學(xué)習(xí)計(jì)劃。