利用學(xué)習(xí)者畫像實(shí)現(xiàn)個(gè)性化課程推薦

王莉莉 郭威彤 楊鴻武

[摘? ?要] 在“互聯(lián)網(wǎng)+”在線學(xué)習(xí)環(huán)境下，探索符合學(xué)習(xí)習(xí)慣和偏好的個(gè)性化推薦路徑能夠降低學(xué)習(xí)者學(xué)習(xí)的盲目性、提升學(xué)習(xí)者在線學(xué)習(xí)體驗(yàn)。文章提出了一種基于學(xué)習(xí)者畫像的個(gè)性化課程推薦方法，首先，利用爬蟲技術(shù)獲得Bilibili網(wǎng)站30多萬名學(xué)習(xí)者的數(shù)據(jù)，然后對(duì)學(xué)習(xí)者學(xué)習(xí)數(shù)據(jù)進(jìn)行定量分析，尤其是在個(gè)性化特征最明顯的情感表達(dá)方面，采用了基于注意力機(jī)制的雙向長短時(shí)記憶網(wǎng)絡(luò)進(jìn)行情感分析，從而構(gòu)建了包含學(xué)習(xí)者基本信息、行為和彈幕文本三個(gè)維度的學(xué)習(xí)者畫像特征模型。在此基礎(chǔ)上，利用深度神經(jīng)網(wǎng)絡(luò)建立了教學(xué)資源與學(xué)習(xí)者畫像之間的關(guān)系模型，用該模型預(yù)測(cè)學(xué)習(xí)者新的學(xué)習(xí)需求。實(shí)驗(yàn)結(jié)果表明，當(dāng)學(xué)習(xí)者登錄后，輸入要選擇的課程，模型能夠根據(jù)學(xué)習(xí)者畫像推薦相似學(xué)習(xí)者學(xué)習(xí)過的課程，提供個(gè)性化課程推薦服務(wù)，且推薦評(píng)價(jià)指標(biāo)也表明該模型能夠提高推薦性能。

[關(guān)鍵詞] 學(xué)習(xí)者畫像; 深度神經(jīng)網(wǎng)絡(luò); 個(gè)性化推薦; 非正式學(xué)習(xí)平臺(tái); 教育大數(shù)據(jù)挖掘

[中圖分類號(hào)] G434? ? ? ? ? ? [文獻(xiàn)標(biāo)志碼] A

[作者簡介] 王莉莉（1994—），女，甘肅蘭州人。博士研究生，主要從事學(xué)習(xí)者學(xué)情分析研究。E-mail：1335502737@qq.com。

一、引? ?言

在“互聯(lián)網(wǎng)+”時(shí)代，大規(guī)模在線學(xué)習(xí)平臺(tái)在為學(xué)習(xí)者帶來便利的同時(shí)，也產(chǎn)生了“信息爆炸”等問題，導(dǎo)致學(xué)習(xí)者很可能迷失在浩瀚如煙的學(xué)習(xí)課程中，很難快速地從大量的學(xué)習(xí)課程中找到自己想要的課程。首先，大多數(shù)在線課程平臺(tái)針對(duì)同一知識(shí)點(diǎn)提供了多個(gè)學(xué)習(xí)視頻，給學(xué)習(xí)者帶來選擇困擾。其次，學(xué)習(xí)者在檢索在線課程時(shí)，由于輸入的檢索關(guān)鍵詞表達(dá)不準(zhǔn)確，導(dǎo)致檢索結(jié)果中的資源并不與學(xué)習(xí)者的需求相吻合。最后，現(xiàn)有的大多數(shù)面向課程的搜索引擎并不關(guān)注學(xué)習(xí)者個(gè)性化的需求，任何學(xué)習(xí)者輸入相同的檢索關(guān)鍵詞總會(huì)返回相同的課程列表。因此，學(xué)習(xí)者希望搜索引擎能夠根據(jù)自己的需要提供課程。這樣能夠節(jié)約學(xué)習(xí)者尋找所需資源的時(shí)間，搜索到的個(gè)性化課程對(duì)學(xué)習(xí)也有一定的針對(duì)性，能更好地提高學(xué)習(xí)效率。

二、利用學(xué)習(xí)者畫像實(shí)現(xiàn)個(gè)性化課程推薦的

研究現(xiàn)狀及問題

（一）學(xué)習(xí)者畫像

資源信息推薦服務(wù)的重要方法是用戶畫像的刻畫[1]。在教育領(lǐng)域，研究者借鑒用戶畫像的方法和思想，提出了學(xué)習(xí)者畫像的概念，從學(xué)習(xí)者畫像的構(gòu)成要素、分析技術(shù)和可視化三個(gè)方面進(jìn)行了研究。在學(xué)習(xí)者畫像的構(gòu)成要素方面，主要從學(xué)習(xí)動(dòng)機(jī)、學(xué)習(xí)認(rèn)知水平和學(xué)習(xí)風(fēng)格進(jìn)行研究。如Mahammed等研究發(fā)現(xiàn)，在英語學(xué)習(xí)方面女生比男生更有學(xué)習(xí)動(dòng)力[2];劉三女牙團(tuán)隊(duì)通過分析SPOC論壇的話語數(shù)據(jù)，建議教師可對(duì)不同群體的認(rèn)知目標(biāo)、討論內(nèi)容和互動(dòng)形式進(jìn)行調(diào)適或指導(dǎo)，促進(jìn)學(xué)習(xí)群體的互動(dòng)、學(xué)習(xí)積極性及認(rèn)知水平的提升[3];Jaswinder等通過研究獸醫(yī)學(xué)學(xué)生的學(xué)習(xí)風(fēng)格，發(fā)現(xiàn)有三分之一的學(xué)生具有明顯的個(gè)人風(fēng)格[4]。在學(xué)習(xí)者畫像的分析技術(shù)方面，主要采用回歸分析、聚類分析和預(yù)測(cè)分析等方法。張雪等追蹤了慕課上中國學(xué)生學(xué)習(xí)一門國際全英文慕課的過程，采用聚類分析和LASSO回歸分析方法揭示了非母語學(xué)生群體在線學(xué)習(xí)的類別差異性[5];Schroeder等使用k-means聚類算法分析學(xué)習(xí)遷移測(cè)試中聚類成員對(duì)參與者分?jǐn)?shù)的影響程度[6];Piech等采用循環(huán)神經(jīng)網(wǎng)絡(luò)算法對(duì)學(xué)習(xí)者的認(rèn)知水平進(jìn)行信息預(yù)測(cè)[7]。在學(xué)習(xí)者畫像可視化分析方面，多采用統(tǒng)計(jì)圖繪制技術(shù)、文本可視化技術(shù)、關(guān)聯(lián)關(guān)系可視化技術(shù)和人機(jī)交互技術(shù)等，還有研究將以上方法融合使用[8-9]，為學(xué)習(xí)者提供幫助，為教師提供教學(xué)建議。

（二）個(gè)性化課程推薦

目前，針對(duì)個(gè)性化課程推薦服務(wù)的研究主要處于理論層面探討和小規(guī)模技術(shù)嘗試階段。在理論層面，主要通過提出智能化、人性化的支持服務(wù)模型，進(jìn)而設(shè)計(jì)教育資源個(gè)性化推薦策略的實(shí)現(xiàn)路徑[10]。在技術(shù)層面，通過常用的推薦算法進(jìn)行課程推薦，主要包括基于內(nèi)容的推薦算法[11]、基于關(guān)聯(lián)規(guī)則的推薦算法[12]和基于協(xié)同過濾的推薦算法[13]?；趦?nèi)容的推薦算法推薦結(jié)果直觀，具有較好的可解釋性，但是容易推薦已經(jīng)看過的課程，而且很難根據(jù)新注冊(cè)的學(xué)習(xí)者的需求進(jìn)行推薦;基于關(guān)聯(lián)規(guī)則的推薦算法優(yōu)點(diǎn)是能夠發(fā)現(xiàn)新的興趣點(diǎn)，缺點(diǎn)是規(guī)則抽取難且耗時(shí)，個(gè)性化程度低;基于協(xié)同過濾的推薦算法目前應(yīng)用較多，個(gè)性化和自動(dòng)化程度高，但是推薦質(zhì)量取決于歷史數(shù)據(jù)，剛開始推薦時(shí)推薦質(zhì)量差。

（三）基于學(xué)習(xí)者畫像的個(gè)性化課程推薦

利用學(xué)習(xí)者畫像構(gòu)建學(xué)習(xí)資源個(gè)性化推薦的研究主要在理論層面上對(duì)學(xué)習(xí)者特征進(jìn)行標(biāo)簽化，然后基于學(xué)習(xí)者畫像探討個(gè)性化教學(xué)和個(gè)性化推薦服務(wù)的應(yīng)用[14-15]。在技術(shù)層面上，多側(cè)重于學(xué)習(xí)者畫像的構(gòu)建，對(duì)于資源的個(gè)性化推薦較少[16]，且采用手動(dòng)的數(shù)據(jù)分析方法。

通過梳理學(xué)習(xí)者畫像和個(gè)性化推薦技術(shù)，本文發(fā)現(xiàn)：首先，利用學(xué)習(xí)者畫像實(shí)現(xiàn)個(gè)性化課程推薦的研究大多停留在理論模型建構(gòu)上，基本是以學(xué)習(xí)成績?yōu)閷?dǎo)向的正式學(xué)習(xí)者的畫像構(gòu)建，針對(duì)非正式學(xué)習(xí)平臺(tái)學(xué)習(xí)者的畫像關(guān)注較少。其次，對(duì)個(gè)性化推薦技術(shù)的研究相對(duì)較少，一方面多采用通用型推薦算法，該算法沒有考慮學(xué)習(xí)者與學(xué)習(xí)資源之間的交互關(guān)系;另一方面，現(xiàn)有的推薦技術(shù)沒有考慮學(xué)習(xí)者基本信息和學(xué)習(xí)者行為數(shù)據(jù)等多元化特征，缺乏個(gè)性化的推薦。最后，現(xiàn)有的研究缺乏學(xué)習(xí)者畫像與個(gè)性化推薦路徑相結(jié)合的技術(shù)實(shí)現(xiàn)。

三、構(gòu)建學(xué)習(xí)者畫像實(shí)現(xiàn)個(gè)性化課程推薦的模型

鄭永和教授認(rèn)為，目前產(chǎn)生了“數(shù)據(jù)驅(qū)動(dòng)”的研究范式[17]，教育大數(shù)據(jù)正催生個(gè)性化推薦，通過人工智能算法發(fā)現(xiàn)學(xué)習(xí)者畫像和個(gè)性化推薦之間的關(guān)聯(lián)，從而輔助學(xué)習(xí)者減少“迷航”問題。因此，本研究從計(jì)算教育學(xué)的視角出發(fā)，結(jié)合深度神經(jīng)網(wǎng)絡(luò)，構(gòu)建學(xué)習(xí)者畫像實(shí)現(xiàn)個(gè)性化課程推薦，模型框架如圖1所示?？蚣軇澐譃槿齻€(gè)階段，每個(gè)階段具有獨(dú)立功能，且上個(gè)階段的輸出是下個(gè)階段的輸入。第一階段是明確畫像目標(biāo)，收集學(xué)習(xí)者在非正式學(xué)習(xí)平臺(tái)產(chǎn)生的學(xué)習(xí)者數(shù)據(jù)并進(jìn)行清洗;第二階段是學(xué)習(xí)者畫像的構(gòu)建，對(duì)學(xué)習(xí)者學(xué)情進(jìn)行分析，建立學(xué)習(xí)者行為數(shù)據(jù)和畫像目標(biāo)之間的邏輯關(guān)系;第三階段是個(gè)性化課程推薦，構(gòu)建符合學(xué)習(xí)者畫像和課程信息相融合的深度神經(jīng)網(wǎng)絡(luò)來深入挖掘教學(xué)資源個(gè)性化推薦服務(wù)的本質(zhì)特征，實(shí)現(xiàn)非正式教育資源與學(xué)習(xí)者之間的精準(zhǔn)匹配，為大數(shù)據(jù)背景下開展非正式教育資源個(gè)性化推薦服務(wù)提供參考。

（一）學(xué)習(xí)者學(xué)習(xí)數(shù)據(jù)的獲取

學(xué)習(xí)者學(xué)習(xí)數(shù)據(jù)的獲取，一方面通過數(shù)據(jù)發(fā)現(xiàn)模型，預(yù)測(cè)人類行為的概率性和趨勢(shì)性，從而增強(qiáng)個(gè)性化課程推薦研究的預(yù)測(cè)功能;另一方面通過數(shù)據(jù)分析提升個(gè)性化課程推薦研究的科學(xué)性，使課程的推薦趨于客觀化、形成性、全局化和智能化。因此，筆者采用爬蟲技術(shù)從Bilibili 彈幕視頻網(wǎng)站（簡稱“B站”）獲取學(xué)習(xí)者在B站產(chǎn)生的各種行為數(shù)據(jù)。之所以選擇B站，首先，該平臺(tái)除了學(xué)習(xí)資源外，還包括各種娛樂視頻，所以學(xué)習(xí)者很容易迷失在大量的信息中;其次，該平臺(tái)的學(xué)習(xí)沒有受到教師的督促，沒有課程必須完成的壓力，也沒有課程結(jié)業(yè)證書等激勵(lì)措施，學(xué)習(xí)者的學(xué)習(xí)動(dòng)機(jī)純粹來源于學(xué)習(xí)者本身，所以，學(xué)習(xí)者在該平臺(tái)發(fā)表的聽課感受、課程評(píng)價(jià)和對(duì)教學(xué)內(nèi)容的吐槽等更容易表達(dá)學(xué)習(xí)者自己的感受，這樣的數(shù)據(jù)更有利于實(shí)時(shí)分析在線課程的內(nèi)容及學(xué)習(xí)者的真實(shí)反饋，能夠更好地根據(jù)學(xué)習(xí)者的情感反應(yīng)等實(shí)現(xiàn)教育資源的個(gè)性化推薦;最后，該網(wǎng)站最新財(cái)報(bào)顯示[18]：2020年第三季度社區(qū)月均活躍者1.972億，日均活躍者5330萬，月均互動(dòng)數(shù)達(dá)到52億次，日均視頻播放量達(dá)到13億次，表明該網(wǎng)站已經(jīng)積累了大量的學(xué)習(xí)者，具備學(xué)習(xí)者黏性和學(xué)習(xí)者忠誠度。

筆者利用Python語言，以視頻網(wǎng)址為種子頁，通過Chrom開發(fā)工具獲取B站學(xué)習(xí)者的真實(shí)數(shù)據(jù)，利用正則表達(dá)式和LXML解析庫進(jìn)行網(wǎng)頁解析，共采集B站25門課程中學(xué)習(xí)者的基本信息和各類行為日志（見表1和表2）。在數(shù)據(jù)導(dǎo)入過程中，由于數(shù)據(jù)量過大，存在異常值和缺失值，所以對(duì)數(shù)據(jù)進(jìn)行了切分、清洗、補(bǔ)充和刪除等操作。

（二）學(xué)習(xí)者畫像的構(gòu)建

學(xué)習(xí)者畫像是對(duì)依據(jù)學(xué)習(xí)者的基本特征數(shù)據(jù)和學(xué)習(xí)行為數(shù)據(jù)抽象出的學(xué)習(xí)者特征打標(biāo)簽的過程，是對(duì)現(xiàn)實(shí)世界中學(xué)習(xí)者屬性的描繪，基于數(shù)據(jù)構(gòu)建的學(xué)習(xí)者畫像可以幫助實(shí)現(xiàn)個(gè)性化課程的推薦，為教學(xué)利益相關(guān)者提供信息，但對(duì)于學(xué)習(xí)者畫像的構(gòu)建，不同研究者有不同的構(gòu)建方式。武法提教授依據(jù)Edx平臺(tái)學(xué)習(xí)者的個(gè)人特征、社交網(wǎng)絡(luò)、情感狀態(tài)和在線環(huán)境中學(xué)習(xí)者的體征分析構(gòu)建了數(shù)字化環(huán)境下個(gè)性化行為分析模型[19]。牟智佳等依據(jù)《學(xué)習(xí)者模型規(guī)范 CELTS-11》將學(xué)習(xí)者學(xué)習(xí)信息分成不同層次以構(gòu)建學(xué)習(xí)者畫像[20]。陳海建等人從學(xué)習(xí)者的基本屬性、學(xué)習(xí)風(fēng)格偏好、學(xué)習(xí)者類型和知識(shí)點(diǎn)興趣等方面來構(gòu)建學(xué)習(xí)者畫像[13]。學(xué)習(xí)者畫像的構(gòu)建均基于在線學(xué)習(xí)數(shù)據(jù)，一方面是學(xué)習(xí)者在學(xué)習(xí)平臺(tái)注冊(cè)的個(gè)人信息，另一方面是學(xué)習(xí)者與同伴、教師之間的交互信息，學(xué)習(xí)者交互行為的情感能夠在一定程度上反映學(xué)習(xí)者的認(rèn)知水平，會(huì)拉近學(xué)習(xí)者之間的距離，增加他們的社區(qū)歸屬感。因此，學(xué)習(xí)者畫像的構(gòu)建流程遵循大數(shù)據(jù)驅(qū)動(dòng)的研究范式，將非正式學(xué)習(xí)平臺(tái)可獲取的學(xué)習(xí)者畫像特征數(shù)據(jù)源作為信息素，根據(jù)在線學(xué)習(xí)者行為，在武法提教授提出的“目標(biāo)—過程—結(jié)果”指導(dǎo)下，從知識(shí)水平、學(xué)習(xí)活動(dòng)和交互能力三個(gè)維度出發(fā)，考慮數(shù)據(jù)采集的可行性，以及非正式平臺(tái)與課程本身的特點(diǎn)，通過個(gè)性化學(xué)習(xí)分析理論來指導(dǎo)分析學(xué)習(xí)者知識(shí)水平、學(xué)習(xí)活動(dòng)完成度和參與度，以監(jiān)控學(xué)習(xí)活動(dòng)過程。采用社會(huì)認(rèn)知理論指導(dǎo)分析交互層次，以了解學(xué)生的最終學(xué)習(xí)結(jié)果和情感表達(dá)。從數(shù)據(jù)出發(fā)，首先，按照學(xué)習(xí)者基本信息和學(xué)習(xí)者行為信息得到這2個(gè)維度下的11項(xiàng)子維度，刻畫學(xué)習(xí)者學(xué)習(xí)方式偏好和認(rèn)知;其次，依據(jù)情感對(duì)交互的影響，得到情感分析維度下的3個(gè)子維度，精確分析學(xué)習(xí)者學(xué)習(xí)喜好、問題解決與學(xué)習(xí)者的情感，具體見表3，但是對(duì)于構(gòu)建的初始學(xué)習(xí)者畫像是否能夠準(zhǔn)確有效地支撐個(gè)性化課程推薦，本研究對(duì)初始刻畫的三維學(xué)習(xí)者畫像進(jìn)行了子維度的分析。

1. 學(xué)習(xí)者基本信息分析

為了解學(xué)習(xí)者的基本情況，從學(xué)習(xí)者ID、學(xué)習(xí)者性別、是否為VIP、學(xué)習(xí)者等級(jí)、粉絲數(shù)與關(guān)注數(shù)等子維度統(tǒng)計(jì)分析，判斷該維度是否適合構(gòu)建學(xué)習(xí)者畫像。

學(xué)習(xí)者ID：是學(xué)習(xí)者在B站中相對(duì)唯一的標(biāo)識(shí)，相當(dāng)于是一種“身份證”，當(dāng)學(xué)習(xí)者登錄系統(tǒng)后，系統(tǒng)會(huì)根據(jù)學(xué)習(xí)者ID推薦相關(guān)的課程，故認(rèn)為該維度是必須存在的。

學(xué)習(xí)者性別：對(duì)采集數(shù)據(jù)中學(xué)習(xí)者的性別進(jìn)行分析，發(fā)現(xiàn)男性學(xué)習(xí)者占42%，女性學(xué)習(xí)者占33%，且有25%的學(xué)習(xí)者不愿意透露自己的性別，可以看出性別具有差異性，有研究也表明性別對(duì)學(xué)習(xí)者具有影響[21]，因此，性別是學(xué)習(xí)者畫像構(gòu)建的一個(gè)重要因素。

是否為VIP：對(duì)學(xué)習(xí)者是否為VIP進(jìn)行統(tǒng)計(jì)分析，發(fā)現(xiàn)不是VIP的人數(shù)達(dá)到了99.99%，只有個(gè)別學(xué)習(xí)者是VIP，所以，看出學(xué)習(xí)者大多不在意是否為VIP，故在構(gòu)建學(xué)習(xí)者畫像時(shí)可以忽略該維度。

學(xué)習(xí)者等級(jí)：反映的是會(huì)員在社區(qū)的活躍性，是評(píng)估學(xué)習(xí)者活躍度和黏性的一個(gè)重要屬性。可通過登錄、課程學(xué)習(xí)、投幣、分享等方式獲得等級(jí)提升，所以，學(xué)習(xí)者在社區(qū)內(nèi)參與程度越高，學(xué)習(xí)者等級(jí)就越高。對(duì)學(xué)習(xí)者的等級(jí)進(jìn)行了分析，等級(jí)為3的學(xué)習(xí)者有91371個(gè)，等級(jí)為4的有49725個(gè)，而等級(jí)為6的只有624個(gè)，通過統(tǒng)計(jì)得出學(xué)習(xí)者等級(jí)具有較大的差異性，不同等級(jí)的學(xué)習(xí)者觀看課程的需求也會(huì)根據(jù)等級(jí)數(shù)有所不同，因此，學(xué)習(xí)者等級(jí)可以作為學(xué)習(xí)者畫像的子維度。

粉絲數(shù)與關(guān)注數(shù)：學(xué)習(xí)者粉絲數(shù)是指其他學(xué)習(xí)者關(guān)注該學(xué)習(xí)者的人數(shù)，代表了學(xué)習(xí)者的權(quán)威性;關(guān)注數(shù)是學(xué)習(xí)者所關(guān)注的人，代表學(xué)習(xí)者的興趣廣度。據(jù)統(tǒng)計(jì)，粉絲數(shù)均值為46.56，關(guān)注數(shù)均值為53.33，可以看出學(xué)習(xí)者并不是一些意見領(lǐng)袖。粉絲數(shù)標(biāo)準(zhǔn)差為897.12，極大值為78291;關(guān)注數(shù)標(biāo)準(zhǔn)差為897.12，極大值為1896，極小值均為0，可以得出學(xué)習(xí)者之間在權(quán)威性和興趣廣度之間差異性較大，所以，對(duì)于不同學(xué)習(xí)者，需要推薦不同質(zhì)量和內(nèi)容的教學(xué)資源，因此，粉絲數(shù)與關(guān)注數(shù)可作為構(gòu)建學(xué)習(xí)者畫像的一個(gè)重要維度。

2. 學(xué)習(xí)者行為分析

為了解學(xué)習(xí)者在彈幕發(fā)送時(shí)的行為，筆者對(duì)學(xué)習(xí)者在發(fā)送彈幕時(shí)的行為進(jìn)行了詳細(xì)的分析，以期找出數(shù)據(jù)之間的關(guān)聯(lián)性，深層次地挖掘數(shù)據(jù)含義，為學(xué)習(xí)者畫像提供數(shù)據(jù)支撐。

彈幕顏色分布：將獲得的數(shù)據(jù)表中的八進(jìn)制顏色代碼經(jīng)過十六進(jìn)制轉(zhuǎn)碼后發(fā)現(xiàn)，共產(chǎn)生了20種顏色，其中，97.80%的學(xué)習(xí)者發(fā)送彈幕的字體顏色均為默認(rèn)色。由此可以說明，學(xué)習(xí)者并不像普通彈幕視頻的觀看者更注重字體顏色，而是更注重學(xué)習(xí)內(nèi)容，所以，彈幕顏色不作為學(xué)習(xí)者畫像的子維度。

彈幕模式分布：目前B站有滾動(dòng)彈幕、頂端彈幕、底端彈幕和使用代碼操作的高級(jí)彈幕。統(tǒng)計(jì)發(fā)現(xiàn)，96.80%的學(xué)習(xí)者選擇默認(rèn)模式，沒有高級(jí)彈幕的發(fā)送者，該維度不作為學(xué)習(xí)者畫像的子維度。

字體大小分布：通過分析學(xué)習(xí)者彈幕字體的選擇，發(fā)現(xiàn)使用默認(rèn)字體25號(hào)字體的學(xué)習(xí)者占到99.96%，而使用18號(hào)字體的學(xué)習(xí)者僅有0.04%，說明彈幕字體的大小不能用作區(qū)分學(xué)習(xí)者的特征，故不考慮該維度來進(jìn)行畫像構(gòu)建。

時(shí)間序列分析：彈幕參數(shù)中包含自然時(shí)間維度和視頻時(shí)間維度兩個(gè)參數(shù)，由于自然時(shí)間的一致性，本文通過自然時(shí)間來考察彈幕行為的時(shí)間分布。從圖2（a）中學(xué)習(xí)者發(fā)送彈幕數(shù)量的日分布情況可知，彈幕交互行為存在較大的波動(dòng)性，不同學(xué)習(xí)者有不同的學(xué)習(xí)時(shí)間習(xí)慣，可以根據(jù)學(xué)習(xí)者的作息時(shí)間提供不同類型的課程。從圖2（b）中可得出，每天彈幕發(fā)送量的波動(dòng)趨勢(shì)呈一致性和周期性，可以通過相似學(xué)習(xí)者的學(xué)習(xí)習(xí)慣為新的學(xué)習(xí)者推送相似檢索的課程內(nèi)容，因此，時(shí)間序列是學(xué)習(xí)者畫像的一個(gè)重要維度。

彈幕的數(shù)量：隨機(jī)抽取一門“概率論與數(shù)理統(tǒng)計(jì)”課程，該課程中共有173342條彈幕，50982個(gè)獨(dú)立ID，經(jīng)過統(tǒng)計(jì)人均發(fā)送彈幕的數(shù)量約為3.4條，發(fā)送一條彈幕的學(xué)習(xí)者占總體的54%，發(fā)送3條的占6%，發(fā)送10條以上的占7%，學(xué)習(xí)者有自己的表達(dá)習(xí)慣，可以根據(jù)學(xué)習(xí)者發(fā)送彈幕的習(xí)慣構(gòu)建學(xué)習(xí)者畫像，推薦不同彈幕數(shù)量的視頻。

3. 彈幕文本分析

彈幕表達(dá)多為口語化的瑣碎文字，在鍵盤上易編輯操作，且采用縮略形式，語義簡潔，但是用詞混雜，在表達(dá)上充滿幽默和活力，筆者對(duì)彈幕文本子維度進(jìn)行了分析。

彈幕的字?jǐn)?shù)：對(duì)彈幕文字長度進(jìn)行統(tǒng)計(jì)，其中，字?jǐn)?shù)在10以內(nèi)的彈幕數(shù)量有231428，占總體彈幕數(shù)量的70.46%，字?jǐn)?shù)在50字以上的占比0.38%，可以看出彈幕文本以短小精悍為主基調(diào)，但是也有學(xué)習(xí)者發(fā)比較長的字符串來表達(dá)自己更深層的見解與討論，所以，根據(jù)學(xué)習(xí)者發(fā)表彈幕文本字?jǐn)?shù)的多少將學(xué)習(xí)者進(jìn)行劃分，匹配不同的彈幕課程，加深學(xué)習(xí)者的交互，因此，彈幕字?jǐn)?shù)的分布可作為構(gòu)建學(xué)習(xí)者畫像的一個(gè)子維度。

字符的類型：對(duì)彈幕字符類型進(jìn)行統(tǒng)計(jì)，發(fā)現(xiàn)彈幕文本中有249300個(gè)特殊字符，136782個(gè)中文字符，120666個(gè)英文字符，表明彈幕文字的表達(dá)方式能夠體現(xiàn)出不同學(xué)習(xí)者的不同表達(dá)習(xí)慣。通過該習(xí)慣，可以推薦同一類型表達(dá)方式較多的視頻，進(jìn)一步促進(jìn)生生交流，讓學(xué)生有臨場感，因此，該特征可作為構(gòu)建學(xué)習(xí)者畫像的一個(gè)子維度。

彈幕情感表達(dá)：彈幕文本數(shù)據(jù)所表達(dá)的情感趨勢(shì)和觀點(diǎn)對(duì)課程的選擇更具有參考性，更能滿足對(duì)情節(jié)內(nèi)容的視頻檢索需求，對(duì)于課程的選擇具有一定意義。因此，筆者對(duì)彈幕文本表達(dá)的情感進(jìn)行了分析。由于缺乏成熟開源的彈幕情感分析方法，因此，筆者針對(duì)彈幕文本的情感分析提出了一種基于雙向長短時(shí)記憶網(wǎng)絡(luò)加注意力機(jī)制（Bi-directional Long Short-Term Memory and Attention Mechanism，BiLSTM_AM）的彈幕文本情感分析方法，從彈幕文本中判斷學(xué)生的情感，從而進(jìn)行課程的推薦。該模型首先通過BiLSTM層從評(píng)論中提取文本特征。其次，使用注意力機(jī)制（Attention Mechanism，AM）層來計(jì)算網(wǎng)絡(luò)的權(quán)值。最后，引入線性輸入層和Softmax層進(jìn)行非線性操作，以獲得學(xué)生對(duì)課程的情感狀態(tài)。模型結(jié)構(gòu)如圖3所示，包含預(yù)處理層、輸入層、隱含層和輸出層。預(yù)處理層主要是對(duì)彈幕評(píng)論進(jìn)行分詞，根據(jù)停用詞表去除低頻詞，該詞表中包含了本實(shí)驗(yàn)B站彈幕分析中需要剔除的非關(guān)鍵詞，共計(jì)2192個(gè)詞條。輸入層使用Word2vec工具包的Skip-gram模型，將得到的詞列表轉(zhuǎn)換為詞向量矩陣，然后將詞向量矩陣輸入隱含層BiLSTM模型中，在這一層中，我們采用了AM進(jìn)行權(quán)重計(jì)算，權(quán)重表示重要數(shù)據(jù)被選擇的程度，權(quán)重越大，表明情感維度越高。最后在輸出層通過Softmax層進(jìn)行情感預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明，該神經(jīng)網(wǎng)絡(luò)模型在數(shù)據(jù)集上的準(zhǔn)確率為90.28%，損失值為0.23，時(shí)間代價(jià)為2469秒，驗(yàn)證了BiLSTM_AM模型的有效性。

用該方法分析了所采集的328436條彈幕文本所表達(dá)的情感，其中，積極情感占51.22%，消極情感占37.12%，還有11.66%的彈幕文本表達(dá)的情感為中性，情感表達(dá)能夠比較明顯地反映對(duì)一門課程的喜愛程度，因此，該特征可作為構(gòu)建學(xué)習(xí)者畫像的一個(gè)重要子維度。

針對(duì)以上數(shù)據(jù)的分析，遵循“按需設(shè)計(jì)且不做無限細(xì)化”的構(gòu)建原則，得出在學(xué)習(xí)者維度下需要的子維度為學(xué)習(xí)者ID、學(xué)習(xí)者性別、學(xué)習(xí)者等級(jí)以及粉絲數(shù)和關(guān)注數(shù)，對(duì)于學(xué)習(xí)者是否為VIP可以忽略。在行為維度需要關(guān)注的子維度是時(shí)間序列分布和彈幕數(shù)量與學(xué)習(xí)者之間的關(guān)系，可省略彈幕顏色分布、彈幕模式分布和字體大小分布等子維度。在彈幕文本維度，需要關(guān)注的子維度是彈幕的字?jǐn)?shù)、字符的類型和彈幕情感表達(dá)。通過對(duì)學(xué)習(xí)者畫像的研究，可以把學(xué)習(xí)者群體標(biāo)簽化，以便能更好地識(shí)別不同學(xué)習(xí)者，為個(gè)性化推薦提供支持服務(wù)。

四、利用學(xué)習(xí)者畫像實(shí)現(xiàn)個(gè)性化課程推薦

筆者在實(shí)驗(yàn)環(huán)境中實(shí)現(xiàn)了基于學(xué)習(xí)者畫像的個(gè)性化課程推薦，包括學(xué)習(xí)者畫像的標(biāo)簽化處理、深度神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建和簡單的評(píng)測(cè)過程，實(shí)驗(yàn)結(jié)果驗(yàn)證了基于學(xué)習(xí)者畫像的個(gè)性化課程推薦的可行性。

（一）深度神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

構(gòu)建好學(xué)習(xí)者畫像后，通過梳理現(xiàn)有的個(gè)性化推薦算法，發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的非線性擬合力、強(qiáng)特征提取力、高維數(shù)據(jù)處理力和強(qiáng)容錯(cuò)率，因此，采用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行課程推薦，結(jié)構(gòu)流程如圖4所示。

在數(shù)據(jù)輸入模型之前，需要對(duì)學(xué)習(xí)者畫像進(jìn)行標(biāo)簽化處理。將學(xué)習(xí)者畫像中的學(xué)習(xí)者ID、學(xué)習(xí)者性別、學(xué)習(xí)者等級(jí)、粉絲數(shù)、關(guān)注數(shù)、時(shí)間序列分布、彈幕數(shù)量、彈幕的字?jǐn)?shù)、字符的類型和彈幕情感表達(dá)等維度分別進(jìn)行數(shù)字化表示，彈幕內(nèi)容用詞向量進(jìn)行表示。要實(shí)現(xiàn)個(gè)性化課程推薦，還需要將獲得的在線課程表中的課程ID、課程名稱、課程上線時(shí)間、課程類型和課程簡介進(jìn)行標(biāo)簽化處理，其中，課程ID、課程上線時(shí)間、課程類型通過數(shù)據(jù)字典轉(zhuǎn)化為數(shù)字，課程名稱和課程簡介轉(zhuǎn)化為向量。

對(duì)學(xué)習(xí)者畫像和課程信息進(jìn)行標(biāo)簽化處理后，在圖4學(xué)習(xí)者特征提取模塊中，首先，在輸入層輸入構(gòu)建的學(xué)習(xí)者畫像標(biāo)簽;其次，通過嵌入層將學(xué)習(xí)者畫像標(biāo)簽特征屬性矩陣分別轉(zhuǎn)成向量矩陣以實(shí)現(xiàn)數(shù)字化，接著，將嵌入層產(chǎn)生的向量矩陣分別送入隱含層，在該層對(duì)學(xué)習(xí)者畫像的信息做相應(yīng)加權(quán)處理;最后，將處理后的隱含層矩陣合并送入輸出層， 生成聚合的學(xué)習(xí)者個(gè)性化特征。在圖4所示的課程特征提取模塊中，首先，在輸入層輸入課程標(biāo)簽特征，產(chǎn)生課程基本信息特征;其次，對(duì)其做卷積處理，初始化卷積核的參數(shù)和偏置參數(shù)，指定卷積的大小和步長;然后，將卷積后的向量矩陣數(shù)據(jù)輸入池化層以獲得課程的全連接矩陣，此處池化層選用最大池化，激活函數(shù)選用ReLU函數(shù);最后，通過全連接層輸出學(xué)習(xí)課程特征。在圖4所示的特征融合模塊中，對(duì)學(xué)習(xí)者特征提取模塊提取的學(xué)習(xí)者個(gè)性化特征和課程特征模塊提取的學(xué)習(xí)課程特征進(jìn)行特征加權(quán)計(jì)算，獲得個(gè)性化課程推薦的預(yù)測(cè)評(píng)分，如公式（1）所示：

Pinference=∑∑（w0×A+w1×B）+b（1）

其中，Pinference表示預(yù)測(cè)評(píng)分，A為學(xué)習(xí)者特征，B為課程特征，b為偏差，考慮到預(yù)測(cè)評(píng)分中學(xué)習(xí)者特征與學(xué)習(xí)視頻特征所占比例可能存在不平衡性，為A，B設(shè)置權(quán)重w0，w1。實(shí)驗(yàn)中，w0，w1，b的值分別為1、1、0。

（二）基于學(xué)習(xí)者畫像的個(gè)性化課程推薦評(píng)估

當(dāng)上述深度神經(jīng)網(wǎng)絡(luò)模型通過計(jì)算機(jī)訓(xùn)練后，獲得訓(xùn)練好的模型，進(jìn)行實(shí)驗(yàn)室測(cè)試，結(jié)果如圖5所示。首先，以學(xué)習(xí)者的ID和選擇的課程ID作為初始輸入，根據(jù)學(xué)習(xí)者在線活動(dòng)的學(xué)習(xí)畫像，提取學(xué)習(xí)者的學(xué)習(xí)行為后，系統(tǒng)自動(dòng)對(duì)比已有的相似學(xué)習(xí)者的學(xué)習(xí)經(jīng)歷，根據(jù)已有課程，自動(dòng)計(jì)算相關(guān)性，依次從高到低進(jìn)行推薦，也可以手動(dòng)設(shè)置每次推薦前多少個(gè)課程，從而實(shí)現(xiàn)個(gè)性化的推薦。

其次，對(duì)推薦結(jié)果進(jìn)行客觀評(píng)價(jià)，使用推薦系統(tǒng)中常用的兩個(gè)評(píng)價(jià)指標(biāo)，即命中率（Hit Ratio，HR）和歸一化折損累積增益（Normalize Discount Cumulative Gain，NDCG）來衡量課程推薦的性能，表達(dá)式分別如式（2）和式（3）所示：

其中，p表示某一課程，TK表示推薦的課程列表，

|t|表示測(cè)試集中課程數(shù)量，reli表示i位置推薦課程的相關(guān)性，|REL|為課程相關(guān)度的個(gè)數(shù)，K表示向用戶推薦預(yù)測(cè)概率最大的前K門課程。HR，NDCG的值越大，說明推薦的效果越好。

當(dāng)K等于N時(shí)，表示向?qū)W習(xí)者推薦概率最大的前N門課程。本文計(jì)算HR5、NDCG5和HR10、NDCG10的值分別為0.487、0.345和0.651、0.431，可以看出當(dāng)K值越大，推薦的課程數(shù)量就越多，包含學(xué)習(xí)者喜歡的課程的概率就越大。通過與已有的不添加學(xué)習(xí)者畫像的深度神經(jīng)網(wǎng)絡(luò)的課程推薦[22]結(jié)果相比較，當(dāng)K為10時(shí)，該文獻(xiàn)中HR10和NDCG10分別為0.572和0.354，也可以說明我們提出的利用學(xué)習(xí)者畫像的個(gè)性化課程推薦研究能夠有效提高課程推薦的命中率。

最后，選取了30名志愿者對(duì)模型進(jìn)行了主觀評(píng)測(cè)，每位志愿者登錄系統(tǒng)后輸入想要檢索的課程，從非常符合、符合、一般符合、不符合和非常不符合五個(gè)選項(xiàng)中選擇模型推薦結(jié)果是否符合自己的需求。筆者統(tǒng)計(jì)得出，30%的人認(rèn)為推薦課程非常符合自己的需求;50%的人認(rèn)為符合自己的需求;20%的人認(rèn)為不符合，沒有人認(rèn)為推薦的課程非常不符合自己的需求。說明筆者提出的方法能夠?qū)崿F(xiàn)個(gè)性化課程推薦，同時(shí)通過動(dòng)態(tài)更新學(xué)習(xí)者畫像和課程信息，能夠使深度神經(jīng)網(wǎng)絡(luò)不斷識(shí)別出學(xué)習(xí)者新的學(xué)習(xí)需求，從而推薦新的個(gè)性化課程資源。

五、結(jié)? ?語

本文結(jié)合人工智能技術(shù)，利用學(xué)習(xí)者畫像實(shí)現(xiàn)了個(gè)性化課程推薦服務(wù)，從模型的測(cè)試、客觀評(píng)測(cè)和主觀評(píng)測(cè)三個(gè)方面說明了利用學(xué)習(xí)者畫像實(shí)現(xiàn)個(gè)性化課程推薦服務(wù)的可行性。但依然存在以下不足：首先，學(xué)習(xí)者畫像指標(biāo)的確立需要進(jìn)一步細(xì)化完善;其次，神經(jīng)網(wǎng)絡(luò)的超參數(shù)需要進(jìn)一步計(jì)算，同時(shí)要提高主觀評(píng)測(cè)的有效性。未來將進(jìn)一步改進(jìn)個(gè)性化課程推薦服務(wù)，使其能夠應(yīng)用到B站課程推薦中，減少學(xué)習(xí)者“迷航”問題。

[參考文獻(xiàn)]

[1] 劉海鷗，孫晶晶，蘇妍嫄.國內(nèi)外用戶畫像研究綜述[J].情報(bào)理論與實(shí)踐，2018，41（11）：155-160.

[2] MAHAMMED A， RAWIAN R M. English learning motivation of first-year students in universiti sultan zainal abidin（unisza）[J]. Asian Tefl journal of language teaching and applied lingus， 2018， 1（1）： 79-90.

[3] 劉智，楊重陽，劉三女牙.SPOC學(xué)習(xí)者認(rèn)知行為及序列模式的差異性分析[J].開放教育研究，2019，25（2）：44-52.

[4] JASWINDER S， NIRMAL S， VERMA HK. A scoping study on learning style， gender and academic performance of veterinary students of punjab， india[J]. Indian journal of extension education. 2020，56（1）：70-76.

[5] 張雪，檀悅穎，羅恒.在線學(xué)習(xí)非母語學(xué)習(xí)者群體研究：類別畫像與行為特征分析[J].現(xiàn)代遠(yuǎn)距離教育，2019（1）：18-26.

[6] SCHROEDER N L， FAN Y， TANVI B， et al. The influence of learners' perceptions of virtual humans on learning transfer[J]. Computers and education， 2018，126（11）：170-182.

[7] PIECH C， SPENCER J， HUANG J， et al. Deep knowledge tracing[J]. Computer science， 2015， 3（3）： 19-23.

[8] ZHANG J H， ZHANG Y X， ZOU Q， HUANG S. What learning analytics tells us： group behavior analysis and individual learning diagnosis based on long-term and large-scale data[J]. Educational technology and society，2018（1）：245-258.

[9] 肖君，喬惠，李雪嬌.基于xAPI的在線學(xué)習(xí)者畫像的構(gòu)建與實(shí)證研究[J].中國電化教育，2019，384（1）：128-134.

[10] 余勝泉，陳敏.泛在學(xué)習(xí)資源建設(shè)的特征與趨勢(shì)——以學(xué)習(xí)元資源模型為例[J].現(xiàn)代遠(yuǎn)程教育研究，2011（6）：14-22.

[11] LI Y， SHAO Z， WANG X， et al. A concept map-based learning paths automatic generation algorithm for adaptive learning systems[J]. Quality control， transactions， 2019（7）：245-255.

[12] WANG P， WOLFRAM D， ZHANG J， et al. Mining web search behaviors： strategies and techniques for data modeling and analysis[J]. Proceedings of the american society for information science and technology， 2010， 44（1）：1-8.

[13] 陳海建，戴永輝，韓冬梅，馮彥杰，黃河笑.開放式教學(xué)下的學(xué)習(xí)者畫像及個(gè)性化教學(xué)探討[J].開放教育研究，2017，23（3）：105-112.

[14] 牟智佳，李雨婷，商俊超.教育大數(shù)據(jù)環(huán)境下基于學(xué)習(xí)畫像的個(gè)性化學(xué)習(xí)路徑設(shè)計(jì)研究[J].中國教育信息化，2019（11）：55-59，65.

[15] 唐燁偉，茹麗娜，范佳榮.基于學(xué)習(xí)者畫像建模的個(gè)性化學(xué)習(xí)路徑規(guī)劃研究[J].電化教育研究，2019，40（10）：53-60.

[16] 師亞飛，彭紅超，童名文.基于學(xué)習(xí)畫像的精準(zhǔn)個(gè)性化學(xué)習(xí)路徑生成性推薦策略研究[J].中國電化教育，2019，388（5）：84-91.

[17] 王晶瑩，楊伊，鄭永和.從大數(shù)據(jù)到計(jì)算教育學(xué)：概念，動(dòng)因和出路[J].中國電化教育，2020（1）：85-92.

[18] 尹子璇.B站發(fā)布三季度財(cái)報(bào)：單月活躍用戶破2億，營收32.3億元再創(chuàng)新高[EB/OL].[2021-08-01].https：//new.qq.com/omn/20201119/20201119A0391J00.html，2020-11-19.

[19] 武法提，牟智佳.基于學(xué)習(xí)者個(gè)性行為分析的學(xué)習(xí)結(jié)果預(yù)測(cè)框架設(shè)計(jì)研究[J].中國電化教育，2016（1）：41-48.

[20] 牟智佳，武法提.電子書包中基于學(xué)習(xí)者模型的個(gè)性化學(xué)習(xí)資源推薦研究[J].電化教育研究，2015，36（1）：69-76.

[21] 張成龍，李麗嬌，李建鳳.基于MOOCs的混合式學(xué)習(xí)適應(yīng)性影響因素研究——以Y高校的實(shí)踐為例[J].中國電化教育，2017（4）：60-66.

[22] 卜祥鵬.基于GRU和課程關(guān)聯(lián)關(guān)系的推薦模型[J].軟件，2020，41（6）：137-142.