線上學習系統個性化課程推薦模型算法設計

鐘亞妹

摘要：文章結合某線上學習系統的實現與測試，對該系統的總體設計展開分析。同時簡單闡述該系統建立期間基于用戶、基于項目的協同過濾推薦算法設計，提出系統開發階段中Spring Boot和Mybatis的框架設計要點，旨在優化線上學習系統推薦功能，滿足用戶個性化課程推薦需求。

關鍵詞：線上學習;系統;個性化;課程推薦;模型算法

中圖分類號：TP311? ? ?文獻標識碼：A

文章編號：1009-3044（2021）25-0130-02

線上學習系統是近年來教育信息化建設中的重要產物，個性化課程推薦模型算法是該系統開發中的核心內容，可為用戶提供個性化課程推薦需求，使用戶更為高效的獲取課程信息，完成自身學習任務，增強用戶在線上學習時的體驗感。但是在設計個性化課程推薦算法時，技術人員仍需合理構建算法模型，加強算法應用中的測試工作。

1 系統實現與測試

不同學習主體，其所需學習課程有著較大差異性，基于個性化課程推薦的線上學習系統，其基本概念是利用模型算法，記錄、分析用戶行為數據，自動生成興趣模型，隨后根據模型為用戶推薦個性化服務。線上學習系統個性化課程推薦模型的實現，可有效節約不同用戶瀏覽時間，優化用戶學習體驗[1]。具體來說，本文所設計的線上學習系統，其編程語言為 Java，可在 MyEclipse開發、測試該系統。系統結構設計中，Tomcat為Web服務器，框架結構為J2EE，如圖1所示。

如圖1所示，該線上學習系統中，用戶可在B/S模式作用下，利用視圖層與界面內的WEB瀏覽器交互，獲取該瀏覽器客戶端信息，完成注冊、登錄、瀏覽等工作。控制層具有使功能界面跳轉的作用，用戶登錄成功后，系統會在密碼輸送后自動進入HTTP請求狀態中，判定用戶線上課程學習需求，相應用戶的HTTP請求[2]。測試線上學習系統時，相關人員可模擬用戶將“學習請求”發送到控制層，使其與數據層、“個性化推薦模型層”交互后，響應用戶請求，而用戶所提交的請求，在系統內可通過代碼的方式，準確的推薦對應的課程資源。例如在上述系統中，模型在獲取用戶信息后，描述可推薦課程資源時，可輸入以下代碼：

INSERT label （label label ）{

String sq1=select *from label where name=？

String [] paras={label. Get name（）}

ARRAY list al=new SQlhelper（）

......獲取成功

掌握用戶基本信息后，系統可針對性的為用戶推薦個性化課程，按照用戶的資源群請求、瀏覽記錄，自動運行推薦模型，搜索數據層，在數據庫內尋找Top-N個可推薦的課程資源，將其顯示在用戶瀏覽界面中[3]。

2 總體設計

個性化推薦模型算法中，其主要支撐的模塊有推薦模塊、用戶興趣模塊、推薦對象。設計線上學習系統時，相關人員可在建設課程資源庫的基礎上，按照用戶興趣推薦算法將用戶所需個性化課程模型化，并借助該算法過濾課程資源，推薦用戶該興趣的個性化課程，具體推薦模型設計思路如圖2所示。

上述圖片中，線上學習系統個性化課程推薦模型算法的主要作用是獲取、分析用戶興趣，隨后為用戶篩選課程資源，應用課程推薦算法，構建足夠準確的推薦模型。在設計、建立用戶信息模型算法時，設計人員需保障模型內數據分析的準確性，同時按照用戶特征屬性，描述用戶所需的課程資源，針對性的為用戶提供個性化課程推薦服務[4]。

3 算法設計

本文基于線上學習系統功能需求，所進行的個性化課程推薦算法，主要是從課程內容、用戶角度、算法項目本身構建的，具體設計方案如下：

3.1 個性化內容推薦算法

設計以個性化課程推薦內容為核心的算法時，基本步驟為：第一，構建用戶特征向量、課程資源向量、用戶特征計算向量，同步分析三者的匹配度。其中系統內項目會呈現出非結構化、結構化特點，在設計推薦模型算法時，需重點測定模型內各特征向量，且用文本信息表示相關向量[5]。第二，基于用戶特征向量，采集用戶興趣信息，運用Rocchio算法、KNN算法建立該模型。在此期間，設計人員可將用戶信息視為登錄向量，待用戶完成登錄任務后，利用算法公式，獲取用戶特征向量，具體公式為：[wu=β·1Irjwjw-r·1Inrwk∈inrwk]。其中wj可表示算法模型中item j屬性，Inr、Ir為用戶興趣集合，而β、r為算法模型中用戶喜歡、不喜歡的反饋權重。第三，根據用戶歷史瀏覽信息，充分評估內容特征向量，測試各向量匹配程度。確定各算法模型數據后，完成個性化課程推薦模型算法設計。第四，應用協同過濾技術，將模型參數集中在推薦對象個性化信息評價中，隨后根據Rocchio算法中的wj的變化，實時更新用戶需求反饋，提供個性化課程推薦服務。

3.2 個性化的用戶推薦算法

在基于用戶設計個性化課程推薦算法時，可借助KNN算法，采用向量運算的方式，選取K值，評估與用戶瀏覽信息較為相似的課程資源[6]。該算法設計的基本原理，是結合不同用于瀏覽信息的相似度，利用python解析用戶相關文本信息，完成個性化課程資源推薦工作。在此期間，設計人員可通過交叉驗證的方式，模擬課程推薦期間模型參數的變化，記錄KNN算法應用中不同設計方案的實際效果，完成線上學習系統課程推薦設置。

3.3 個性化項目推薦算法

個性化項目推薦算法，是從用戶、內容角度逐漸過渡至項目算法，其算法設計原理同樣為分析模型中各用戶參數的相似性。具體模型構建過程中，是按照Naive Bayes算法，對系統數據庫內文本、視頻資源實施分類，并借助NB代碼，分析用戶個性化課程推薦中的profile learning問題，設計用戶感興趣、不感興趣的item。確定數據庫item類別后，選取屬性獨立、概率相同的數值，對用戶歷史信息進行時數據訓練，分析不同用戶對某課程項目的喜好的相似性[7]。例如1號用戶感興趣的項目可分為A～C，2號用戶喜歡C項目和A項目，該算法可感知某課程項目喜歡的用戶數量為2個，以此類推，確定最終的算法模型設計方案，建立線上學習期間個性化課程、用戶向量的評分矩陣，積累相似項目群，評估用戶對課程資源的喜愛程度，完成排序后，使其進入候選推薦版塊，用戶發出瀏覽請求后，將其推薦給用戶。