基于E-learning的資源推送服務(wù)與關(guān)鍵策略研究

陶漪

（南通大學(xué)，江蘇 南通 226019）

1 引言

隨著互聯(lián)網(wǎng)技術(shù)和應(yīng)用在教育領(lǐng)域的普及，E-Learning已成為一種新穎的學(xué)習(xí)方式。如今，許多高校正在使用各種開源的教學(xué)平臺(tái)或者是開發(fā)自己的網(wǎng)絡(luò)教學(xué)平臺(tái)，輔助大學(xué)教師的教學(xué)以及大學(xué)生的自主學(xué)習(xí)（如Moodle，Blackboard，Sakai等網(wǎng)絡(luò)教學(xué)平臺(tái)），它能夠不受時(shí)空限制隨時(shí)隨地向?qū)W習(xí)者提供豐富且開放的學(xué)習(xí)資源，從而受到人們的普遍歡迎。

但在E-Learning快速發(fā)展的過(guò)程中，平臺(tái)中的學(xué)習(xí)資源數(shù)量迅速膨脹，“海量資源”與學(xué)習(xí)者個(gè)性化需求之間的矛盾日益凸顯。個(gè)性化推薦服務(wù)作為目前一種重要的解決“信息過(guò)載”問(wèn)題和提供個(gè)性化服務(wù)的方案，逐漸被引入到網(wǎng)絡(luò)學(xué)習(xí)資源建設(shè)中來(lái)。

2 基于E-learning的資源推送服務(wù)的基本方式

2.1 Top-N和最新資源推送服務(wù)

Top-N推薦是將網(wǎng)絡(luò)資源平臺(tái)上排行前N位的一些熱門資源推薦給學(xué)習(xí)者；最新資源推薦可以將最新的學(xué)習(xí)資源實(shí)時(shí)地反饋給平臺(tái)中所有的學(xué)習(xí)者，便于大家獲得最新的學(xué)習(xí)資訊，進(jìn)行選擇學(xué)習(xí)。這種推送方式比較適用于通識(shí)資源、宣傳教育、安全知識(shí)及其他熱門資源的推廣。

2.2 基于學(xué)習(xí)者特征的個(gè)性化推送服務(wù)

在網(wǎng)絡(luò)學(xué)習(xí)平臺(tái)中，根據(jù)年齡、學(xué)習(xí)背景、學(xué)習(xí)目標(biāo)、學(xué)習(xí)興趣等的不同，學(xué)習(xí)者對(duì)學(xué)習(xí)資源有個(gè)性化的需求。個(gè)性化推薦服務(wù)就是通過(guò)獲取學(xué)習(xí)者的學(xué)習(xí)特征，構(gòu)建出學(xué)習(xí)者的興趣模型，分析學(xué)習(xí)者的學(xué)習(xí)偏好，將適合的資源主動(dòng)地推送給學(xué)習(xí)者。同時(shí)，隨著學(xué)習(xí)者特征發(fā)生變化，動(dòng)態(tài)更新學(xué)習(xí)者興趣模型，從而提高推薦的精準(zhǔn)性。

2.3 基于“班級(jí)群”的人際網(wǎng)絡(luò)推送服務(wù)

現(xiàn)實(shí)學(xué)校里的“班級(jí)”是將年齡、學(xué)科、文化程度相同的學(xué)生按規(guī)模組織起來(lái)的教育單位，在一個(gè)班級(jí)里，一般有幾位學(xué)科老師與一群學(xué)生。在虛擬網(wǎng)絡(luò)中，同樣可以組建類似的教育單位，可以由真實(shí)的班集體組成，也可以是由一群有著大體相同的學(xué)科背景、學(xué)科基礎(chǔ)、學(xué)習(xí)興趣和學(xué)習(xí)需求的學(xué)習(xí)者所組成。同時(shí)，為這樣的“班級(jí)群”配備一位學(xué)科老師，負(fù)責(zé)向群內(nèi)的學(xué)習(xí)者推送優(yōu)質(zhì)的學(xué)習(xí)資源，成為這個(gè)圈內(nèi)的“推送引擎”。而每位學(xué)習(xí)者同樣可以成為資源的推送者。因?yàn)檫@樣的“班級(jí)群”有著較高的同質(zhì)性，他們推送的資源往往更精準(zhǔn)和專業(yè)，更能滿足群內(nèi)學(xué)習(xí)者的需求。

基于E-learning的資源推送包含最新最熱資源推送、學(xué)習(xí)者個(gè)性化推送和人際網(wǎng)絡(luò)推送，使推送服務(wù)更全面、更專業(yè)、更精確。

3 基于E-learning的資源推送的關(guān)鍵策略研究

基于E-learning的資源推送策略由基于內(nèi)容的推送和改進(jìn)的協(xié)同過(guò)濾策略構(gòu)成。

3.1 基于內(nèi)容的推送策略

基于內(nèi)容的推送策略是個(gè)性化推送研究早期廣泛應(yīng)用的一種技術(shù)，主要完成對(duì)文本信息類資源的推送。推送的原理為：首先，提取學(xué)習(xí)者的知識(shí)背景、學(xué)習(xí)行為、學(xué)習(xí)偏好等特征信息，構(gòu)建學(xué)習(xí)者興趣模型；其次，對(duì)系統(tǒng)中的資源內(nèi)容進(jìn)行特征的過(guò)濾和提取，形成特征向量；最后，將學(xué)習(xí)者的興趣模型與所有資源的特征向量做出對(duì)比，獲取兩者之間的相似度，從而進(jìn)行資源的推薦。

基于內(nèi)容的推送策略主要針對(duì)項(xiàng)目之間的相似性，這一計(jì)算可以離線進(jìn)行，因此推薦速度較快；可以解決新用戶推薦問(wèn)題。但是，這種策略也存在一些局限性：首先其推薦的資源是文本資源，對(duì)于多媒體資源難以進(jìn)行特征提取；推薦的內(nèi)容是基于與學(xué)習(xí)者學(xué)習(xí)興趣（歷史學(xué)習(xí)行為）的相似性，而對(duì)于學(xué)習(xí)者的潛在學(xué)習(xí)興趣挖掘較弱；對(duì)于資源本身的質(zhì)量無(wú)法做出預(yù)判。

3.2 協(xié)同過(guò)濾推送策略

協(xié)同過(guò)濾推送策略是個(gè)性化推送研究中被廣泛認(rèn)可和應(yīng)用的一種技術(shù)，這種策略依賴于學(xué)習(xí)者對(duì)資源的評(píng)分，評(píng)分一部分來(lái)源于學(xué)習(xí)者的直接打分，一部分來(lái)源于對(duì)學(xué)習(xí)者學(xué)習(xí)行為的記錄，并將這些數(shù)據(jù)加權(quán)轉(zhuǎn)化成可計(jì)算的分?jǐn)?shù)。

協(xié)同過(guò)濾推送策略基于這樣的假設(shè)：“若是與我興趣喜好相似度較高的人喜歡一樣?xùn)|西，那我應(yīng)該也會(huì)喜歡這樣?xùn)|西”。首先，找出這些“興趣喜好相似度較高的人”，即“鄰居”，通過(guò)目標(biāo)學(xué)習(xí)者與其他學(xué)習(xí)者共同打分的資源集合，計(jì)算出兩者之間的相似性，篩選出興趣相似性高的鄰居集合；然后根據(jù)鄰居集合對(duì)資源的評(píng)分，來(lái)預(yù)測(cè)學(xué)習(xí)者資源的評(píng)分，從而完成推薦過(guò)程。

由此可見，協(xié)同過(guò)濾推送策略可以對(duì)音頻、視頻等非結(jié)構(gòu)化的多媒體學(xué)習(xí)資源進(jìn)行推送；可以挖掘?qū)W習(xí)者的潛在學(xué)習(xí)興趣；推薦的個(gè)性化、自動(dòng)化程度更高。但是，這種技術(shù)對(duì)于新用戶和數(shù)據(jù)稀疏的問(wèn)題上處理受限。

3.3 改進(jìn)的協(xié)同過(guò)濾推送策略

在實(shí)際使用中，學(xué)習(xí)者對(duì)資源的評(píng)分可能會(huì)比較少，這樣會(huì)引起矩陣中評(píng)分?jǐn)?shù)據(jù)的稀少，降低系統(tǒng)的推薦效果。

目前解決數(shù)據(jù)稀疏的問(wèn)題一般有以下幾種方法：（1）數(shù)據(jù)填充：在篩選鄰居集之前，首先對(duì)初始的學(xué)習(xí)者—資源評(píng)分矩陣進(jìn)行補(bǔ)充，從而降低其稀疏性；（2）聚類技術(shù)：根據(jù)學(xué)習(xí)者的學(xué)習(xí)興趣對(duì)其進(jìn)行聚類，然后分別在各聚類內(nèi)部計(jì)算相似性，產(chǎn)生推薦資源集；（3）矩陣分解:對(duì)原始評(píng)分矩陣進(jìn)行分解，從而降低評(píng)分矩陣維數(shù)，提高推薦精確度。

4 基于E-learning的資源推送系統(tǒng)構(gòu)建

4.1 資源共享平臺(tái)

E-learning學(xué)習(xí)平臺(tái)，可以跨越時(shí)間和空間的限制，完成異步學(xué)習(xí)。在網(wǎng)絡(luò)學(xué)習(xí)環(huán)境中，匯集了大量數(shù)據(jù)、教學(xué)視頻、檔案資料、程序、教學(xué)軟件等教學(xué)資源，形成了一個(gè)高度綜合集成的資源庫(kù)。資源的共享和可控是資源推送的基礎(chǔ)，因此網(wǎng)絡(luò)教學(xué)資源必須遵循統(tǒng)一的標(biāo)準(zhǔn)和規(guī)范，設(shè)計(jì)標(biāo)準(zhǔn)化的采集和存儲(chǔ)方案。

4.2 學(xué)習(xí)者特征存儲(chǔ)數(shù)據(jù)庫(kù)

有關(guān)學(xué)生的學(xué)習(xí)行為數(shù)據(jù)主要來(lái)源于學(xué)校E-Learning學(xué)習(xí)平臺(tái)（如英語(yǔ)在線平臺(tái)、Blackboard平臺(tái)等）中留下的學(xué)習(xí)數(shù)據(jù)、行為數(shù)據(jù)、考試成績(jī)數(shù)據(jù)等，具體包括學(xué)生在線學(xué)習(xí)的登錄時(shí)長(zhǎng)、學(xué)習(xí)偏好、課程安排、每個(gè)學(xué)生的先前知識(shí)與課程進(jìn)展、測(cè)驗(yàn)成績(jī)等情況。這些數(shù)據(jù)將被收集在服務(wù)器模塊中形成學(xué)生模型數(shù)據(jù)庫(kù)，為數(shù)據(jù)的深度挖掘與個(gè)性化學(xué)習(xí)資源推送服務(wù)提供可靠的保障。

4.3 資源推薦系統(tǒng)

將收集到的學(xué)習(xí)者數(shù)據(jù)進(jìn)行處理，使其可計(jì)算化；使用合適的推薦算法，尋找與目標(biāo)用戶相似的用戶，建立相似用戶的數(shù)據(jù)集，釆用相似度進(jìn)行循環(huán)計(jì)算，得出項(xiàng)目之間的評(píng)分差異性，存入評(píng)分差異數(shù)據(jù)庫(kù)；依據(jù)推薦算法得到的結(jié)果進(jìn)行目標(biāo)用戶對(duì)于資源的預(yù)測(cè)評(píng)分，對(duì)資源進(jìn)行過(guò)濾，實(shí)現(xiàn)推薦過(guò)程。

4.4 資源推送顯示

將過(guò)濾后的學(xué)習(xí)資源推送至服務(wù)器端，再由服務(wù)器端推送在客戶端供學(xué)習(xí)者學(xué)習(xí)。

5 結(jié)語(yǔ)

通過(guò)基于E-learning的資源推送服務(wù)，可以幫助學(xué)習(xí)者避免知識(shí)迷航問(wèn)題。根據(jù)學(xué)習(xí)者的特征，推薦優(yōu)質(zhì)并合適的學(xué)習(xí)資源，可以在一定程度上引導(dǎo)學(xué)生的自主學(xué)習(xí)。個(gè)性化網(wǎng)絡(luò)學(xué)習(xí)平臺(tái)在發(fā)展學(xué)生個(gè)性化學(xué)習(xí)的同時(shí)讓豐富的網(wǎng)絡(luò)資源得到更加充分的利用，可以使學(xué)習(xí)者處在一個(gè)自我發(fā)現(xiàn)、自由選擇的環(huán)境中，進(jìn)而激發(fā)起學(xué)習(xí)者的學(xué)習(xí)興趣。

[1]張琳．基于網(wǎng)絡(luò)學(xué)習(xí)平臺(tái)的個(gè)性化資源推送策略[J]．信息通信，2017（4）：280-281．

[2]趙曉聲．?dāng)?shù)字教育資源主動(dòng)推送服務(wù)機(jī)制研究[J]．現(xiàn)代教育技術(shù)，2017，27（5）：95-101．

[3]程芳．一種有效緩解數(shù)據(jù)稀疏問(wèn)題的協(xié)同過(guò)濾推薦算法[J]．現(xiàn)代情報(bào)，2016，36（3）：76-79．

[4]陶漪．基于E?Learning的數(shù)據(jù)挖掘系統(tǒng)的改進(jìn)設(shè)計(jì)與實(shí)現(xiàn)[J]．現(xiàn)代電子技術(shù)，2017，40（2）：133-136．

[5]唐國(guó)菊．網(wǎng)絡(luò)學(xué)習(xí)資源個(gè)性化推薦系統(tǒng)的設(shè)計(jì)與開發(fā)[D]．西安：陜西師范大學(xué)，2012：17-18．

[6]馬佳佳．教育信息資源個(gè)性化推送服務(wù)中的學(xué)習(xí)者模型分析研究[D]．武漢：華中師范大學(xué)，2016：20-21．

[7]王平．基于協(xié)同過(guò)濾算法的新聞的個(gè)性化推送系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]．長(zhǎng)沙：湖南大學(xué)，2016：18-21．

[8]李寶．智慧教育環(huán)境下學(xué)習(xí)資源推送服務(wù)模型的構(gòu)建[J]．遠(yuǎn)程教育雜志，2015（3）：41-48．