人工智能賦能個性化學習：E-Learning推薦系統研究熱點與展望

謝浩然 陳協玲 鄭國城 王富利

摘要：E-Learning領域的推薦系統在滿足學習者個性化學習需求方面發揮著重要作用。近年來，國際上圍繞E-Learning推薦系統開展的研究迅速增多。采用文獻計量分析方法對該領域的研究進行系統分析，有助于為E-Learning推薦系統的高水平研究和高質量應用提供鏡鑒。綜括而言，當前國際E-Learning領域的推薦系統研究熱點及其演變趨勢集中體現在6個方面：一是融合多種技術優勢的混合推薦日益受到重視且逐漸成為主流。二是伴隨技術支持下群體學習的多元發展，個性化推薦由關注個體推薦逐步轉向關注群體推薦。三是隨著大規模開放在線課程的流行，個性化推薦逐步突破小規模而面向大規模學習者群體，重視通過對海量學習資源和過程數據的搜集和挖掘而提供個性化推薦。四是從心理學層面關注學習者情緒變化，并據此構建上下文推薦系統，通過優化調整推薦內容不斷促進學習者高效完成學習任務。五是在推薦功能上更加強調學習模型構建，重視提升學習者的深層次認知能力和促進有效學習。六是在先進技術的支持上，個性化推薦系統強調引入深度學習技術，不斷優化其表征能力、融合效率和推薦效果。

關鍵詞：E-Learning;個性化推薦系統;個性化學習;人工智能;研究熱點

中圖分類號：G434? ?文獻標識碼：A? ? 文章編號：1009-5195（2022）03-0015-10? doi10.3969/j.issn.1009-5195.2022.03.002

基金項目：嶺南大學學院研究基金“Facilitate Tree-Structured Topic Modeling via Nonparametric Neural Inference”（DB21A9）。

作者簡介：謝浩然，博士，副教授，博士生導師，嶺南大學電腦及決策科學學系（香港 999077）;陳協玲（通訊作者），博士研究生，香港教育大學數學與信息科技學系（香港 999077）;鄭國城，博士，副教授，博士生導師，香港教育大學數學與信息科技學系（香港 999077）;王富利，博士，教授，博士生導師，香港都會大學科技學院（香港 999077）。

一、研究背景

隨著互聯網上學習資源的不斷增多，E-Learning以其學習時空靈活、學習資源豐富等獨特優勢越來越受到研究人員的關注。然而，由于信息過載，學生通常難以自主選擇最佳的學習材料來滿足自身學習需求（Montaner et al.，2003）。推薦系統作為人工智能的一個重要應用，不同于返回匹配用戶查詢信息的搜索引擎或檢索系統，可以根據學習者的學習特征、偏好與需求，有效地進行學習資源過濾，自動向學習者推薦個性化學習資源（Aguilar et al.，2017）。

由于對個性化學習和大數據可用性的需求不斷增加，E-Learning領域推薦系統的研究受到研究者廣泛而持續的關注。在E-Learning中，學習者在學習背景、知識水平和學習方式等方面具有差異性，因此向特定學習者推薦合適的學習資源就成為一個頗具挑戰的問題。即便兩個學習者的學業表現相似，但由于他們具備不同的學習特征，因而也需要不同的學習內容。因此，E-Learning推薦系統需要考慮學習者的具體需求，以為其提供個性化推薦服務與個性化學習體驗。傳統的推薦系統如協同過濾和基于內容的推薦系統，均未能在推薦過程中充分考慮學習者的學習特征，而是依據推薦內容評分向其推薦學習內容。這種學習資源推薦可以通過使用知識結構（例如本體）進行完善，將學習者特征進行個性化處理，從而使得推薦內容更好地匹配學習者的需求和特征（Tarus et al.，2018）。Verbert等（2012）也強調在推薦過程中要綜合考慮學習者、教師及學習情境等信息。隨著推薦系統研究的不斷深入發展，E-Learning推薦系統已成為一個重要的研究領域，積累了很多有價值的研究成果（Manouselis et al.，2011）。

已有許多研究人員對E-Learning推薦系統領域的文獻進行了綜述研究。例如，Verbert等（2012）對技術增強學習環境中的上下文感知推薦系統的相關文獻進行了時間、位置、活動、物理條件、資源和社會關系等維度的分析。Drachsler等（2015）將發表于2000年至2014年期間的82篇技術增強學習推薦系統文獻劃分為七大集群，并重點分析了集群三相關的 16 篇將教育知識作為推薦信息源的文獻。Kla?nja-Mili?evi?等（2015）重點關注在E-Learning環境中設計推薦系統的要領與挑戰，并提出了基于標記的推薦系統擴展模型。George等（2019）通過對發表在 2010 年至 2018 年期間的108篇論文進行綜述，概述了基于本體的個性化E-Learning推薦系統所使用的本體方法和混合技術。Tarus等（2018）對36篇發表于 2005 年至 2014 年期間的基于本體的E-Learning推薦系統文獻進行了綜述，重點對系統使用的推薦技術、知識表示技術、本體類型、本體表示語言以及推薦的學習資源類型進行了分析。

通過對以往綜述文章的梳理發現，大多數文獻采用質性方法對小規模數據進行分析，很少從宏觀視角對該研究領域進行解析。有鑒于此，本研究采用文獻計量方法對國際范圍內的E-Learning推薦系統的研究成果進行計量和可視化分析，呈現了該領域的研究熱點及其變化趨勢，有助于研究人員從整體上了解該領域的前沿趨勢和發展方向，并為未來E-Learning個性化推薦研究的創新發展提供更廣闊的視野。

二、研究方法

文獻計量方法能夠有效客觀地評價某一領域的研究成果。該方法被廣泛應用于不同領域，包括教育人工智能和技術增強學習等（Chen et al.，2020;Chen et al.，2021）。因此，該方法也適用于分析E-Learning推薦系統的研究熱點與發展趨勢。

本研究選擇 Web of Science、Education Resources Information Center和 Scopus作為文獻數據庫，這三個數據庫也被廣泛應用于教育相關領域的文獻綜述研究（Chen et al.，2022）。研究使用“personaliz* recommend*”和“personalis* recommend*”作為關鍵詞進行目標文獻搜索，經過機器篩選剔除重復數據后，得到1077篇文獻數據。然后根據文獻與E-Learning推薦系統領域的相關性進行人工篩選，最終獲得418篇有效文獻。

圖1 展示了E-Learning推薦系統領域的年度發文量，可以看出，該領域發文量總體呈現上升趨勢，特別是自2020 年以來呈現出快速增長態勢。研究還根據發文年度和發文量提出了一個多項式回歸估計方程：y=0.1966x2-788.1398x+789910.6，其擬合優度（R2）為84.16%，表明該模型能夠有效擬合E-Learning推薦系統研究文獻的年度發展趨勢，并預測未來該領域的發文量。根據年度發文量分析結果可知，E-Learning推薦系統研究受到了學術界的極大關注，呈現出大有可為的發展態勢。

研究采用詞云分析對論文關鍵詞進行識別與統計，并將關鍵詞變化趨勢進行可視化展示，以探究E-Learning推薦系統領域研究熱點的演變情況。在所繪制的詞云圖中，文本標簽代表論文關鍵詞，其相對重要性由文本大小表示。由于標題和摘要通常能反映文章的主體內容，因此常被用于概念性綜述分析（Zhong et al.，2016）。詞云分析所使用的數據材料為每篇文章的標題和摘要。詞云分析具體步驟如下：首先，使用自然語言處理工具包（Natural Language Toolkit，NLTK）對標題和摘要中的關鍵詞進行提取。其次，為提高數據質量對文本進行了預處理，包括刪除數字、標點、符號和停用詞（例如，“me”“I”“or”“him”“a”和“they”），統一語義相同但表達不同的關鍵詞（例如，“learning behaviour”和“learning behavior”;“online learning”和“online education”），將縮寫詞轉換為全稱（例如，將“AI”轉換為“artificial intelligence”），以及將詞語統一表示為單數和小寫形式。最后，統計關鍵詞頻次，并采用R語言wordcloud包進行詞云圖繪制。

三、研究熱點及其發展趨勢

研究對 418篇文獻的關鍵詞進行整理并統計其頻次，得出排名前10的高頻關鍵詞依次為Collaborative Filtering、Experimental Result、Learning Resource、Recommender System、Personalized Learning、E-Learning System、Recommendation Algorithm、Learning Style、Learning Process、Learning Path。圖 2 展現了三個研究階段（即2003—2010年、2011—2016年、2017—2022年）的高頻關鍵詞及其變化趨勢。可以看出， 2011—2016年間比2003—2010年間增加的研究熱點包括實驗結果（Experimental Result）、個性化學習（Personalized Learning）、學習風格（Learning Style）、學習材料（Learning Material）、信息載荷（Information Overload）、學習對象（Learning Object）等。2017—2022年間比2011-2016年間新增的研究熱點有大數據（Big Data）、混合推薦（Hybrid Recommendation）、神經網絡（Neural Network）、人工智能（Artificial Intelligence）、在線學習（Online Learning）、冷啟動（Cold Start）、深度學習（Deep Learning）、學習分析（Learning Analytics）、知識圖（Knowledge Graph）、機器學習（Machine Learning）、社會信息學（Social Informatics）、增強學習（Reinforcement Learning）、自然語言處理（Natural Language Processing）、情感狀態（Affective State）、認知模式（Cognitive Model）等。通過對高頻關鍵詞的比較和歸納，研究提煉出E-Learning個性化推薦系統研究領域的六大研究熱點與發展趨勢。

1.融合多種技術優勢，混合推薦成為主流

推薦系統的基本模型主要包括基于內容的推薦、協同過濾推薦、基于本體的推薦、基于社交網絡的推薦以及混合推薦（George et al.，2019）（見圖3）。其中，基于內容的推薦系統涉及基于案例和屬性的方法，可根據項目相似性進行新項目推薦。該類推薦系統的關鍵技術在于能否提取出有效的特征，然而傳統的淺層模型依賴人工設計特征，因而其推薦有效性及可擴展性十分有限。協同過濾是基于用戶先前購買的商品和品味相似性而進行的新商品推薦，但也遭遇到數據稀疏和冷啟動的問題。同時，傳統的協同過濾算法亦采用淺層模型因而無法學習到用戶和項目的深層次特征。基于本體的推薦系統用于克服冷啟動問題并提高推薦的個性化。基于社交網絡的推薦系統的算法機制是基于社交網站上用戶與好友之間的信任度而進行的推薦決策。隨著數據獲取技術的發展壯大，互聯網中蘊含的豐富的用戶行為及個性化需求信息的可獲取性不斷增強，融合多源異構輔助信息的混合推薦方法逐漸發展起來。混合推薦能夠融合兩種或多種推薦技術，在克服各自技術局限性的同時又能結合它們的獨特優勢來提高推薦效率和質量。例如，基于內容的推薦技術可以與協同過濾推薦技術相結合來處理冷啟動問題。因此，混合推薦在E-Learning領域越來越受到重視，并逐漸發展為主流的推薦技術。

通過對相關文獻的深入分析發現，最新的E-Learning混合推薦系統設計方法主要包括以下方面。Wan等（2019）在混合推薦中應用到了學習者影響模型（Learner Influence Model，LIM）、基于自組織（Self-Organization Based，SOB）和順序模式挖掘（Sequential Pattern Mining，SPM）等方法。其中，LIM用以收集與學習者相關的信息;SOB用以分析主動學習者與目標學習者之間的關系;SPM用以確定學習內容推薦。Paradarami等（2017）使用具有協同過濾和基于內容特征的人工神經網絡方法進行混合推薦，同時結合基于案例的規劃來實現更加個性化的E-Learning路線推薦。Xiao等（2018）通過集成關聯規則、基于內容的過濾和協同過濾的組合算法來進行個性化推薦，并在構建用戶資源評級矩陣的基礎上計算數據稀疏度，最后選擇基于內容或評估的預測算法來計算推薦內容相似度，由此生成了K個最優推薦內容。Lakkah等（2017）綜合本體和人工代理的方法進行混合推薦，并通過蟻群優化自適應地獲取學習內容，進而識別出最佳學習路徑。Shang等（2021）結合協同過濾算法和SPM技術，提出了一種改進的基于混合本體的在線學習資源推薦方法。其中，本體能夠對知識進行有效表示，避免了冷啟動和數據稀疏的問題。

此外，通過挖掘學習者的歷史訪問順序來識別相似學習者的歷史學習路徑，有助于提供更符合學習活動規律的推薦內容。Murad等（2020）設計了一種基于規則的用戶協同過濾的混合推薦系統。在該系統中，用戶資料由學習成績和上下文信息組成。用戶協同過濾方法用于預測目標學習者在特定課程中的學習成效。再結合決策規則，就可用于向目標學習者推薦個性化學習資料。而且將在線課程入學測試評估作為初始上下文信息可以使該推薦系統自動向新生推薦學習內容。為減輕冷啟動問題在自適應學習環境中的影響，Pliakos等（2019）提出了一個結合項目反應理論（Item Response Theory，IRT）與機器學習的混合推薦系統，通過將IRT與基于學習者輔助信息構建的分類和回歸樹相結合，就可實現對新學習者能力的估計與項目響應預測。從現有的E-Learning混合推薦研究可以看出，混合技術的使用有助于克服單一技術的局限性。協同過濾技術是混合系統中使用最廣泛和最有效的技術之一。雖然聚類、基于規則的系統、神經網絡等其他技術補充了協同過濾技術的不足，但更具前景的方向是將本體與協同過濾技術相結合使用。

2.拓展推薦范圍，由個體推薦邁向群體推薦

傳統的E-Learning個性化推薦系統多面向個體學習者，而教學實踐中存在許多需要對一個群體進行推薦的情況，特別是協作學習小組。隨著各種信息與通訊技術被不斷引入教學過程，教育不再僅僅意味著從教師到學生的知識轉移，而是意味著社區學習、小組合作、學習共享、知識構建等（Zhang et al.，2014），由此催生了協作教學等新的教學模式。在計算機支持的協作學習（Computer-Supported Collaborative Learning，CSCL）中，具有不同思維、感受和行為方式的學習小組成員共同努力解決同一問題或構建知識。與個體學習相似，個性化對于虛擬協作學習體驗至關重要（Dascalu et al.，2014），個性化的協作推薦有助于提高學生的學習成效（Troussas et al.，2020）。因此，如何對學習群體進行個性化推薦，滿足他們共同的學習需求，就成為促進E-Learning協作學習群體推薦系統發展的動力（Dascalu et al.，2015）。

最新的研究集中在根據共同興趣和偏好向一組學習者推薦學習資料上。從技術層面來看，群體推薦方法包括個體推薦結果匯總法和個體評分匯總法。前者采用傳統的個性化推薦方法，先對個體進行推薦，再將各人的推薦結果進行匯總;后者先將個人評分匯總為群體評分，再對群體進行推薦。此外，也有研究人員將群體看作一個整體，直接構建群體模型，再基于該模型進行群體推薦。Dwivedi等（2015）提出了一種整合學習者學習風格、知識水平的文件配置方案，旨在為學習群組生成一個公共資源列表。在CSCL中，與合適的合作者進行協作學習可以促進豐富高效的討論從而獲得更多知識（Lai et al.，2019），因此組隊是一項關鍵任務。在傳統教育中，向學生推薦合作者需要教師深入了解每個學習者的需求和偏好，從而組成同質學習者群體，以實現高效有益的合作。Cahyana等（2017）強調通過創建學習者群體來增強協作學習，同時保護每個學習者的學習風格。Troussas等（2020）強調通過推薦系統構建適宜的學習者群體，以實現有效的協作來促進更好的同伴互動、增強學習參與度，并提高學習成效。他們還將學習者的認知能力特征作為系統的輸入以創建學習者特征向量，通過比較這些向量的相似程度向學習者提供個性化小組游戲合作者列表，供其根據游戲的難度級別從相應的推薦列表中選擇同伴。Martín等（2009）結合個體和群體的特征信息向用戶推薦符合其需求的個性化協作學習活動及學習工具。具體而言，就是利用協作學習系統中用戶和組模型存儲的有關用戶和群體的穩定信息（如背景、學習方式）和動態信息（如學習行為過程數據、協作體驗意見、特定時間的上下文信息），從基于描述適配能力和推薦標準規則兩個方面為個體和群體推薦最合適的協作學習活動。

3.突破推薦規模，由小規模學習推薦轉向大規模在線學習推薦

隨著在線和移動技術的快速發展，大規模開放在線課程（Massive Open Online Course，MOOC）吸引了大量來自不同國家、具有不同先驗知識、背景和技能的學生。然而，由于缺乏個性化學習的保障機制，MOOC長期存在留存率低的問題。教育信息化的發展導致在線學習用戶數量和學習資源爆炸式增長，學習者在學習過程中面臨“信息過載”和“學習迷失”的困境（Fang et al.，2021），這嚴重影響了他們尋找合適學習材料的效率。同時，由于學習者群體龐大且極具多樣性，教師很難向每個學習者提供個性化的推薦和學習干預，因此不可避免地會忽視學習者對特定知識的個性化需求。如何從海量學習資源中獲取個性化、自適應的學習資源，及時捕捉并準確分析學習者的學習行為，實現對其學習過程的個性化指導，進而滿足MOOC學習者對個性化學習體驗的期望，已經成為大規模在線學習領域亟待解決的問題。

MOOC教學實踐中，針對如何在開放和大規模的情境下支持個性化學習，越來越多的研究人員嘗試引入智能推薦系統，根據學習者的需求和目標進行學習資源推薦。例如，Hajri等（2018）開發了一個基于MOOC的開放教育資源（Open Educational Resources，OER）推薦系統，可根據學習者的個人資料與學習記錄動態地向其推薦開放教育資源。Yin等（2020）基于瀏覽歷史、課程內容、人口統計和課程關系等信息，通過組合興趣模型、人口統計模型和先修課程關系模型來進行個性化MOOC課程推薦。其中，人口統計模型能根據用戶的人口統計信息對用戶進行分類，從而避免冷啟動問題;先修課程關系模型用于綜合考慮課程之間的關系;興趣模型是基于隱含狄利克雷分布（Latent Dirichlet Allocation，LDA）模型并利用用戶的課程興趣相似度而構建推薦決策。Ndiyae等（2019）運用學習分析、知識評估和跟蹤分析技術，自動分析在知識測試期間學習者的反應并將其作為衡量知識水平的指標，并能根據學習者的學習背景、知識水平和學習軌跡自動為其推薦個性化學習資源（如課程、課程序列、視頻、文檔等）。Xiao等（2018）設計的個性化推薦系統則是運用關聯規則、內容過濾和協同過濾等技術來實現向MOOC學習者推薦相關課程學習資源。Kim等（2021）提出的學習路徑構建模型是基于學習者歷史數據的動態鍵值記憶網絡，利用知識追蹤和深度強化學習對學習者知識進行建模，并通過Bloom分類法過濾生成最佳個性化學習路徑。此外，González-Castro等（2021）還提出一個學習者會話代理的自適應學習模塊，該模塊使用IRT技術能根據學習者的知識水平動態調整問題難度，幫助學習者復習相關課程內容的關鍵概念。當學習者未能正確回答會話代理提出的問題時，系統模塊會與所涉及的概念本體進行映射，從而為學習者提供指向相關MOOC視頻片段的推薦鏈接。關于MOOC視頻推薦的研究也積累了許多成果，例如Bhatt等（2018）開發的SeqSense推薦系統允許學習者訪問他們感興趣的MOOC視頻;Zhao等（2018）設計的MOOCex推薦系統能根據學習者的喜好推薦來自不同MOOC平臺的課程視頻。

4.關注學生情緒變化并構建上下文推薦系統，實現動態優化內容推薦

雖然推薦系統能根據學習者的學習表現和行為進行內容推薦，但是學習者在學習過程中的情緒變化也會影響他們的學習表現和行為，因此推薦系統應考慮學習者的情緒狀況，并根據情緒變化來調整推薦內容以適應學習者的需求和環境的特征，讓他們更積極參與學習任務，收獲個性化學習體驗（Wang et al.，2014）。傳統的E-Learning推薦系統鮮少考慮學習者的情緒（Mizgajski et al.，2019）。隨著研究人員與教育工作者對情緒影響學習的深入了解，越來越多的自適應E-Learning推薦系統開始考慮學習者的情緒以改善其學習過程，以及智能地管理學習者情緒，調動情緒與學習行為的相互作用，以促進積極學習行為的發生和維持。例如，Leony等（2013）提出了一種云推薦系統，它能基于學習者從系統提供的預定義列表中自主選擇的情緒狀態，進行學習資源與學習活動推薦。

然而，收集學習者的情緒信息并不是一件容易的事。為此，研究人員開始關注基于上下文的E-Learning推薦系統，通過集成物理傳感器以收集與學習者情緒相關的上下文信息數據，從而實現更為個性化的有效推薦。在E-Learning環境中已發展出不同的情緒識別方法，例如生命體征、語音識別、面部表情識別和手勢識別等。其中一些方法由于昂貴的硬件設備需求而受到應用限制。然而，面部識別方法允許通過網絡攝像頭等非昂貴設備采集學習者情緒信息，因而受到廣泛應用。例如，Bustos-López等（2020）提出的EduRecomSys推薦系統通過結合協同過濾與情緒檢測技術，利用人臉識別技術確定用戶情緒，并能根據多個平臺用戶的偏好或興趣，向其推薦高質量的多來源教育資源，以保持他們的學習積極性。Santos等（2016）基于Arduino平臺部署了一個具備情緒感知能力的智能上下文推薦系統，并借鑒Santos等（2011）提出的面向導師的建議建模方法，在感知學生情緒狀態變化的基礎上，為其提供交互式學習內容推薦。Cabada等（2018）結合推薦系統、數據挖掘、情緒識別與分析技術，為學習者提供了一個基于Web的個性化Java編程學習環境。其中，情緒識別器通過分析學習者的照片來識別其情緒狀態（如沮喪、無聊、投入和興奮）;文本情緒分析是根據學習者的意見態度來確定編程練習的質量;推薦系統則是根據當前學習者情緒及過往學習者對編程練習質量的意見態度來向當前學習者推薦新的編程練習。此外，Santos等（2014）研發的教學內容推薦系統能基于數據挖掘技術分析學習者的面部和身體運動，進而識別其在學習過程中的情緒狀態（例如無聊、驚訝、困惑、失去動力等），由此調節推薦內容幫助其高效完成學習任務。

5.注重學習模型構建，促進學生認知發展

認知是指人類對客觀事物的認識和獲取知識的活動，是一種認知思維過程，包括知覺、注意、記憶、言語、思維、解決問題等。在E-Learning個性化推薦系統中，構建學習模型是其最關鍵的環節。目前，大多數學習模型獲取維度與特征屬性的方法單一，且計算復雜度低，因而其推薦的學習資源可能并不適應學習者的學習能力，從而導致學習者在學習過程中出現認知超載或迷失方向等問題（Fang et al.，2021）。傳統的E-Learning推薦系統普遍關注知識習得和學業成績，隨著認知發展及認知能力訓練對于學習者學習能力提高的作用逐漸受到重視，越來越多的研究人員開始關注利用計算機輔助技術來促進學習者認知能力的發展。

部分學者關注通過精準且個性化的認知訓練項目推薦來提升學習者的認知思維能力。比如，Shen等（2021）提出了一種基于兒童偏好和評價的個性化認知訓練項目推薦方法，通過K-Means聚類算法評估兒童的認知能力值并形成全面的認知水平圖譜，再結合兒童偏好和評價值，利用協同過濾推薦有效生成最適合不同類型兒童的認知訓練項目，從而提升其認知能力。Fang等（2021）通過對學習者在學習過程中的行為數據進行分析，提取出學習者認知能力、知識水平和學習偏好三個特征，利用本體構建學習者的偏好模型，并基于對知識之間語義關系的理解，發掘學習者的學習興趣，從而實現個性化學習資源推薦。Islam等（2021）運用認知診斷和強化學習技術跟蹤檢測學習者的有效知識狀態，并為其推薦最佳學習材料與教學路徑，以期滿足其學習目標，實現內在認知學習的改進，同時保持學習者控制和教學軌跡之間的平衡。Karao?lan Y?lmaz（2022）還研究了學習分析輔助的推薦和指導反饋對學習者元認知意識的作用。另有學者研究了視頻游戲推薦以增強認知障礙患者的認知能力發展。例如，Banskota等（2020）向孤獨癥譜系障礙（Autism Spectrum Disorder，ASD）患者推薦的個性化游戲既具有增強ASD患者認知技能的內在價值，又能讓他們保持參與感和愉悅感，從而提高他們的社交互動技能與認知能力。

6.引入深度學習技術，助力學習推薦不斷優化

盡管混合推薦方法能夠緩解數據稀疏和冷啟動問題，但由于輔助信息的多模態、數據異構、大規模、數據稀疏和分布不均勻等特征，導致融合多源異構數據的混合推薦方法研究依然面臨挑戰（黃立威等，2018）。深度學習作為機器學習領域的前沿技術，具有自主學習和信息篩選能力。深度學習為推薦系統研究帶來了新的機遇。一方面，深度學習可以通過深層次非線性網絡結構，從樣本中學習數據集的本質特征，從而獲取用戶和項目的深層次特征表示。另一方面，深度學習可以通過在多源異構數據中進行自動特征學習，將不同數據映射到同一隱空間，從而保證數據表征的一致性（Peng et al.，2017）。基于深度學習的推薦系統能將用戶和項目相關數據作為模型輸入，利用深度學習算法學習用戶和項目的隱表示，并基于此利用傳統推薦算法生成個性化推薦。基于深度學習的推薦系統的基本架構如圖4所示，包括輸入層、模型層與輸出層。輸入層的數據包括用戶畫像、項目內容數據以及用戶生成內容等輔助數據。在模型層中，利用卷積神經網絡、循環神經網絡、生成對抗網絡等深度學習模型學習數據集的本質特征，從而獲取用戶和項目的深層次特征表示。在輸出層中，根據學習到的用戶和項目特征表示，利用傳統推薦算法生成項目的推薦列表。近年來，基于深度學習的E-Learning推薦系統研究受到越來越多研究人員的關注。例如，Xuan等（2021）基于深度神經網絡開發的個性化學習資源推薦系統能根據學習者的學習歷史和行為，預測并為其推薦所需的學習材料，進而幫助學習者有針對性地學習，完成學習任務，提高學習效率。Yang（2022）搭建的個性化推薦系統利用深度強化練習算法，基于對學習者學習交互數據的分析，在合適的時間向其推薦最合適的話題和資源，從而避免學習者進行人工查詢，提高了其學習效率。Lu等（2021）還結合知識圖譜和深度神經網絡進行了學習行為檢測與學習資源推薦，有助于學習者進行多維綜合判斷，同時能有效分析學習者的學習弱點，檢測其真實學習狀態，并提供個性化學習路徑推薦。此外，Li等（2021）基于深度學習設計的課程推薦系統可以精細地提取學習者的行為與課程的屬性及交互特征，幫助學習者找到喜歡的課程，解決信息過載和數據稀疏問題，實現比傳統方法更優的特征信息提取性能。

四、研究總結

隨著教育領域對個性化學習和大數據可用性需求的不斷增加，E-Learning推薦系統逐漸成為熱門研究領域。研究通過對相關主題的文獻進行系統梳理，為E-Learning推薦系統的高水平研究和高質量應用提供了借鑒。E-Learning推薦系統研究在國際范圍內受到了廣泛關注并呈現出良好的發展趨勢。研究熱點分析結果彰顯出以下重要趨勢：

第一，混合推薦技術由于具備多源異構數據融合、多種推薦技術融合的獨特優勢，能夠有效地緩解傳統推薦系統中數據稀疏和冷啟動的問題，推動了基于混合推薦技術促進個性化學習的研究不斷增多。

第二，在社區學習、協作學習、知識建構等新的學習范式下，對學習群體進行個性化推薦，滿足他們共同的學習需求，促進了個性化教育群體推薦系統研究的發展。如何有效構建學習小組來增強協作學習，同時結合個體和群體的特征信息推薦既符合群體需求、也符合個人學習風格的個性化協作學習活動及資源，逐漸成為研究人員關注的焦點。

第三，在線和移動技術的快速發展促進了MOOC的發展，推薦系統的引入能幫助學習者從海量學習資源中獲取個性化、自適應的學習資源，并能準確分析其學習行為以對其學習過程提供個性化指導，有效地支持了MOOC中的個性化學習。

第四，關注學習者在學習過程中的情緒變化，通過集成物理傳感器以及人臉識別等情緒識別技術收集學習者的情緒信息，據此基于上下文的教育推薦系統能調整推薦內容以適應學習者的需求和環境特征，智能地管理學習者情緒，推動情緒與學習行為相互作用，進而不斷促進學習者的認知發展與積極學習行為的發生。

第五，在推薦功能方面，當前研究更加關注推薦系統對學習者深度理解、高階認知思維發展的作用，注重通過認知診斷和強化學習實現適應性知識提取，有助于優化個性化學習材料與教學路徑推薦，增強教學的有效性，促進深度學習的發生，以及實現學習者內在認知的提升。

第六，推薦系統的支持技術將更加先進，人工智能尤其是深度學習的快速發展對推薦系統產生了重大影響，極大地提高了系統自主特征學習和深層次信息特征表征能力，改進了混合推薦系統對具有多模態、大規模、數據稀疏和分布不均勻等復雜特征的多源異構數據的融合效率，進而也優化了深層次特征信息提取性能，提升了個性化推薦效果。

參考文獻：

[1]黃立威，江碧濤，呂守業等（2018）.基于深度學習的推薦系統研究綜述[J].計算機學報，41（7）：1619-1647.

[2]Aguilar， J.， Valdiviezo-Díaz， P.， & Riofrio， G. （2017）. A General Framework for Intelligent Recommender Systems[J]. Applied Computing and Informatics， 13（2）：147-160.

[3]Banskota， A.， & Ng， Y. K. （2020）. Recommending Video Games to Adults with Autism Spectrum Disorder for Social-Skill Enhancement[C]// Proceedings of the 28th ACM Conference on User Modeling， Adaptation and Personalization. Genoa， Italy：14-22.

[4]Bhatt， C.， Cooper， M.， & Zhao， J. （2018）. SeqSense： Video Recommendation Using Topic Sequence Mining[C]//International Conference on Multimedia Modeling. Springer， Cham：252-263.

[5]Bustos-López， M.， Alor-Hernández， G.， & Sánchez-Cervantes， J. L. et al. （2020）. EduRecomSys： An Educational Resource Recommender System Based on Collaborative Filtering and Emotion Detection[J]. Interacting with Computers， 32（4）：407-432.

[6]Cabada， R. Z.， Estrada， M. L. B.， & Hernández， F. G. et al. （2018）. An Affective and Web 3.0-Based Learning Environment for a Programming Language[J]. Telematics and Informatics， 35（3）：611-628.

[7]Cahyana， U.， Paristiowati， M.， & Savitri， D. A. et al. （2017）. Developing and Application of Mobile Game Based Learning （M-GBL） for High School Students Performance in Chemistry[J]. Eurasia Journal of Mathematics， Science and Technology Education， 13（10）：7037-7047.

[8]Chen， X.， Zou， D.， & Cheng， G. et al. （2020）. Detecting Latent Topics and Trends in Educational Technologies Over Four Decades Using Structural Topic Modeling： A Retrospective of all Volumes of Computers & Education[J]. Computers & Education， 151：103855.

[9]Chen， X.， Zou， D.， & Su， F. （2021）. Twenty-Five Years of Computer-Assisted Language Learning： A Topic Modeling Analysis[J]. Language Learning & Technology， 25（3）：151-185.

[10]Chen， X.， Zou， D.， & Xie， H. et al. （2022）. Two Decades of Artificial Intelligence in Education： Contributors， Collaborations， Research Topics， Challenges， and Future Directions[J]. Journal of Educational Technology & Society， 25（1）.

[11]Dascalu， M. I.， Bodea， C. N.， & Lytras， M. et al. （2014）. Improving E-Learning Communities Through Optimal Composition of Multidisciplinary Learning Groups[J]. Computers in Human Behavior， 30：362-371.

[12]Dascalu， M. I.， Bodea， C. N.， & Moldoveanu， A. et al. （2015）. A Recommender Agent Based on Learning Styles for Better Virtual Collaborative Learning Experiences[J]. Computers in Human Behavior， 45：243-253.

[13]Drachsler， H.， Verbert， K.， & Santos， O. C. et al. （2015）. Panorama of Recommender Systems to Support Learning[M]// Recommender Systems Handbook. Springer， Boston， MA：421-451.

[14]Dwivedi， P.， & Bharadwaj， K. K. （2015）. E-Learning Recommender System for a Group of Learners Based on the Unified Learner Profile Approach[J]. Expert Systems， 32（2）：264-276.

[15]Fang， C.， & Lu， Q. （2021）. Personalized Recommendation Model of High-Quality Education Resources for College Students Based on Data Mining[J]. Complexity， 2021：9935973.

[16]George， G.， & Lal， A. M. （2019）. Review of Ontology-Based Recommender Systems in E-Learning[J]. Computers & Education， 142：103642.

[17]González-Castro， N.， Mu?oz-Merino， P. J.， & Alario-Hoyos， C. et al. （2021）. Adaptive Learning Module for a Conversational Agent to Support MOOC Learners[J]. Australasian Journal of Educational Technology， 37（2）：24-44.

[18]Hajri， H.， Bourda， Y.， & Popineau， F. （2018）. Personalized Recommendation of Open Educational Resources in MOOCs[C]// International Conference on Computer Supported Education. Springer， Cham：166-190.

[19]Islam， M. Z.， Ali， R.， & Haider， A. et al. （2021）. PAKES： A Reinforcement Learning-Based Personalized Adaptability Knowledge Extraction Strategy for Adaptive Learning Systems[J]. IEEE Access， 9：155123-155137.

[20]Karao?lan Y?lmaz， F. G. （2022）. The Effect of Learning Analytics Assisted Recommendations and Guidance Feedback on Students’ Metacognitive Awareness and Academic Achievements[J]. Journal of Computing in Higher Education：1-20.

[21]Kim， S.， Kim， W.， & Kim， H. （2021）. Learning Path Construction Using Reinforcement Learning and Bloom’s Taxonomy[C]// Proceedings of the International Conference on Intelligent Tutoring Systems. Springer， Cham：267-278.

[22]Kla?nja-Mili?evi?， A.， Ivanovi?， M.， & Nanopoulos， A. （2015）. Recommender Systems in E-Learning Environments： A Survey of the State-of-the-Art and Possible Extensions[J]. Artificial Intelligence Review， 44（4）：571-604.

[23]Lai， C. H.， Lin， H. W.， & Lin， R. M. et al. （2019）. Effect of Peer Interaction Among Online Learning Community on Learning Engagement and Achievement[J]. International Journal of Distance Education Technologies， 17（1）：66-77.

[24]Lakkah， S. E.， Alimam， M. A.， & Seghiouer， H. （2017）. Adaptive E-Learning System Based on Learning Style and Ant Colony Optimization[C]// 2017 Intelligent Systems and Computer Vision （ISCV）. IEEE Computer Society.

[25]Leony， D.， Gélvez， H. A. P.， & Mu?oz-Merino， P. J. et al. （2013）. A Generic Architecture for Emotion-Based Recommender Systems in Cloud Learning Environments[J]. Journal of Universal Computer Science， 19（14）：2075-2092.

[26]Li， Q.， & Kim， J. （2021）. A Deep Learning-Based Course Recommender System for Sustainable Development in Education[J]. Applied Sciences， 11（19）：8993.

[27]Lu， T.， Shen， X.， & Liu， H. et al. （2021）. A Framework of AI-Based Intelligent Adaptive Tutoring System[C]// 2021 16th International Conference on Computer Science & Education （ICCSE）. IEEE， Lancaster， United Kingdom：726-731.

[28]Manouselis， N.， Drachsler， H.， & Vuorikari， R. et al. （2011）. Recommender Systems in Technology Enhanced Learning[M]// Kantor， P. B.， Ricci， F.， & Rokach， L. et al. （Eds.）. Recommender Systems Handbook. Springer， Boston， MA：387-415.

[29]Martín， E.， & Carro， R. M. （2009）. Supporting the Development of Mobile Adaptive Learning Environments： A Case Study[J]. IEEE Transactions on Learning Technologies， 2（1）：23-36.

[30]Mizgajski， J.， & Morzy， M. （2019）. Affective Recommender Systems in Online News Industry： How Emotions Influence Reading Choices[J]. User Modeling and User-Adapted Interaction， 29（2）：345-379.

[31]Montaner， M.， López， B.， & De La Rosa， J. L. （2003）. A Taxonomy of Recommender Agents on the Internet[J]. Artificial Intelligence Review， 19（4）：285-330.

[32]Murad， D. F.， Heryadi， Y.， & Isa， S. M. et al. （2020）. Personalization of Study Material Based on Predicted Final Grades Using Multi-Criteria User-Collaborative Filtering Recommender System[J]. Education and Information Technologies， 25（6）：5655-5668.

[33]Ndiyae， N. M.， Chaabi， Y.， & Lekdioui， K. et al. （2019）. Recommending System for Digital Educational Resources Based on Learning Analysis[C]// Proceedings of the New Challenges in Data Sciences： Acts of the Second Conference of the Moroccan Classification Society. Association for Computing Machinery， New York， NY：1-6.

[34]Paradarami， T. K.， Bastian， N. D.， & Wightman， J. L. （2017）. A Hybrid Recommender System Using Artificial Neural Networks[J]. Expert Systems with Applications， 83：300-313.

[35]Peng， Y.， Zhu， W.， & Zhao， Y. et al. （2017）. Cross-Media Analysis and Reasoning： Advances and Directions[J]. Frontiers of Information Technology & Electronic Engineering， 18（1）：44-57.

[36]Pliakos， K.， Joo， S. H.， & Park， J. Y. et al. （2019）. Integrating Machine Learning into Item Response Theory for Addressing the Cold Start Problem in Adaptive Learning Systems[J]. Computers & Education， 137：91-103.

[37]Santos， O. C.， & Boticario， J. G. （2011）. TORMES Methodology to Elicit Educational Oriented Recommendations[C]// International Conference on Artificial Intelligence in Education. Springer， Berlin， Heidelberg：541-543.

[38]Santos， O. C.， Saneiro， M.， & Boticario， J. G. et al. （2016）. Toward Interactive Context-Aware Affective Educational Recommendations in Computer-Assisted Language Learning[J]. New Review of Hypermedia and Multimedia， 22（1-2）：27-57.

[39]Santos， O. C.， Saneiro， M.， & Salmeron-Majadas， S. et al. （2014）. A Methodological Approach to Eliciting Affective Educational Recommendations[C]// 2014 IEEE 14th International Conference on Advanced Learning Technologies. Athens， Greece：529-533.

[40]Shang， S. S.， Gao， M. J.， & Luo， L. J. （2021）. An Improved Hybrid Ontology-Based Approach for Online Learning Resource Recommendations[J]. Educational Technology Research and Development， 69（5）：2637-2661.

[41]Shen， X.， & Xu， C. （2021）. Research on Children’s Cognitive Development for Learning Disabilities Using Recommendation Method[J]. Concurrency and Computation： Practice and Experience， 33（9）：e6097.

[42]Tarus， J. K.， Niu， Z.， & Mustafa， G. （2018）. Knowledge-Based Recommendation： A Review of Ontology-Based Recommender Systems for E-Learning[J]. Artificial Intelligence Review， 50（1）：21-48.

[43]Troussas， C.， Krouska， A.， & Sgouropoulou， C. （2020）. Collaboration and Fuzzy-Modeled Personalization for Mobile Game-Based Learning in Higher Education[J]. Computers & Education， 144：103698.

[44]Verbert， K.， Manouselis， N.， & Ochoa， X. et al. （2012）. Context-Aware Recommender Systems for Learning： A Survey and Future Challenges[J]. IEEE Transactions on Learning Technologies， 5（4）：318-335.

[45]Wan， S.， & Niu， Z. （2019）. A Hybrid E-Learning Recommendation Approach Based on Learners’ Influence Propagation[J]. IEEE Transactions on Knowledge and Data Engineering， 32（5）：827-840.

[46]Wang， M. T.， & Fredricks， J. A. （2014）. The Reciprocal Links Between School Engagement， Youth Problem Behaviors， and School Dropout During Adolescence[J]. Child Development， 85（2）：722-737.

[47]Xiao， J.， Wang， M.， & Jiang， B. et al. （2018）. A Personalized Recommendation System with Combinational Algorithm for Online Learning[J]. Journal of Ambient Intelligence and Humanized Computing， 9（3）：667-677.

[48]Xuan， D.， Zhu， D.， & Xu， W. （2021）. The Teaching Pattern of Law Majors Using Artificial Intelligence and Deep Neural Network Under Educational Psychology[J]. Frontiers in Psychology， 12：711520.

[49]Yang， Z. （2022）. Data Analysis and Personalized Recommendation of Western Music History Information Using Deep Learning Under Internet of Things[J]. PLoS One， 17（1）：e0262697.

[50]Yin， S.， Yang， K.， & Wang， H. （2020）. A MOOC Courses Recommendation System Based on Learning Behaviours[C]//Proceedings of the ACM Turing Celebration Conference-China.Hefei， China：133-137.

[51]Zhang， X.， De Pablos， P. O.， & Xu， Q. （2014）. Culture Effects on the Knowledge Sharing in Multi-National Virtual Classes： A Mixed Method[J]. Computers in Human Behavior， 31：491-498.

[52]Zhao， J.， Bhatt， C.， & Cooper， M. et al. （2018）. Flexible Learning with Semantic Visual Exploration and Sequence-Based

Recommendation of MOOC Videos[C]// Proceedings of the 2018 CHI Conference on Human Factors in Computing Systems. Montreal， QC：1-13.

[53]Zhong， S.， Geng， Y.， & Liu， W. et al. （2016）. A Bibliometric Review on Natural Resource Accounting During 1995—2014[J]. Journal of Cleaner Production， 139：122-132.

收稿日期 2022-03-05

AI Enabling Personalized Learning：

Research Hotspot and Prospect of E-Learning Recommendation System

XIE Haoran， CHEN Xieling， ZHENG Guocheng， WANG Fuli

Abstract： Recommender systems in the field of E-learning are essential to meeting learners’ personalized learning needs. In recent years， research on E-learning recommender systems has grown rapidly worldwide. To systematically analyze relevant research in this field with the method of bibliometric analysis helps provide a reference for the high-level research and high-quality application concerning recommender systems in E-learning. The analysis results show the research hotspots and their evolution tendencies in this field from six aspects. First， the hybrid recommender system that takes advantage of multiple recommendation techniques has received increasing attention and has developed into the mainstream technique. Second， with the diversified development of group learning supported by innovative technologies， the focus of personalized recommendation has shifted from individual recommendation to group recommendation. Third， with the popularity of massive open online courses， there is a trend toward personalized recommendation on a large scale through collecting and mining large volume of data related to learning processes and materials. Fourth， attention has been paid to the emotional changes of learners from a psychological perspective， based on which context-aware recommender systems can be constructed to constantly promote learners to learn efficiently through adjustment and optimization of the recommended learning content. Fifth， increasing emphasis has been placed on learning model construction， with a focus on improving higher-order cognitive skills and promoting effective learning. Furthermore， supported by advanced deep learning technologies， the representation ability， information fusion efficiency， and recommendation effectiveness of personalized recommender systems can be continuously improved.

Keywords： E-Learning; Personalized Recommender Systems; Personalized Learning; Artificial Intelligence;Research Hotspots