基于用戶偏好協(xié)同過濾算法的個性化學習資源 推薦

摘要：本文介紹了個性化學習資源推薦的研究背景和意義，說明了傳統(tǒng)教育存在的問題，闡述了協(xié)同過濾推薦技術(shù)原理、方法及在教育中的應用，并通過實驗分析，發(fā)現(xiàn)基于該算法的個性化學習資源推薦能夠有效地提高學生的學習效率。

關(guān)鍵詞：個性化；協(xié)同過濾；用戶偏好；精準推薦；學習效率

中圖分類號：G434 文獻標識碼：A 論文編號：1674-2117（2018）20-0107-03

引言

豐富的網(wǎng)絡(luò)資源方便用戶通過檢索從海量資源中尋找目標資源，它已成為人們獲取目標資源的主要方式。但網(wǎng)絡(luò)資源呈現(xiàn)爆炸式增長[1]，給用戶帶來便利的同時也產(chǎn)生了一系列問題。例如，在面對大量的學習資料時，學習者找到符合自身需求的學習資源存在著一定的困難[2]，即使找到目標資源，該資源也不一定是適合自身學習的資源。如何將海量的學習資源推薦給學習者是傳統(tǒng)教育目前面臨的挑戰(zhàn)。

個性化學習是通過對大量的學生學習日志數(shù)據(jù)進行分析、處理、挖掘，并對挖掘的結(jié)果進行推薦，根據(jù)學習者的基礎(chǔ)知識掌握情況、興趣愛好、學習能力等特征來設(shè)計用于支持教學的個性化學習模式，為學習者提供個性化學習資源、學習路徑。[3][4]近年來，教育技術(shù)領(lǐng)域?qū)＜覍?shù)據(jù)挖掘技術(shù)在教育領(lǐng)域的應用做了相關(guān)研究，并期望通過推薦算法實現(xiàn)學生學習個性化，減少學生學習的重復性，提高學習效率。例如，楊麗麗[5]提出個性化推薦算法可以幫助學生迅速找到自己偏好的學習資源。劉靜等[6]提出個性化服務可以關(guān)注每位學生的不同學習需求，促進學生學習的積極性和主動性。潘志宏等[7]提出挖掘用戶的學習數(shù)據(jù)能夠制訂更加科學的學習計劃。

協(xié)同過濾推薦技術(shù)在教育中的應用

協(xié)同過濾推薦方法的主要思路是利用已有用戶群過去的行為，分析預測未來有哪些用戶對該類物品感興趣。一般來說，協(xié)同過濾推薦分為三種類型，分別是基于用戶（user-based）的協(xié)同過濾、基于項目（item-based）的協(xié)同過濾、基于模型（model-based）的協(xié)同過濾?；谟脩舻膮f(xié)同過濾技術(shù)的實現(xiàn)主要包含三個步驟，分別是找到和目標用戶興趣相似的用戶集合，利用Pearson相關(guān)系數(shù)、余弦相似度、Jaccard等方法計算物品之間的相似度，可以通過采用TOP-N方式篩選出目標用戶最近鄰，或者通過設(shè)定閾值的方式篩選目標用戶最近鄰。該算法處理流程如下頁圖1所示。

傳統(tǒng)的教育是通過給定的課本內(nèi)容按部就班地完成學習任務，對于沒有該課程基礎(chǔ)知識的學生來說課程內(nèi)容的設(shè)置可以參考通用課程設(shè)計來逐步完成基礎(chǔ)知識學習任務。但對有一定基礎(chǔ)的學生來說，如能夠掌握信息技術(shù)課程中字處理內(nèi)容的字號設(shè)置、字體設(shè)置、頁面設(shè)置等基本知識，就可以不需要完全按照大綱的要求來完成學習任務的課程學習。因為該類學生掌握知識的水平程度有較大的差異，如果按部就班地完成學習任務就可能會重復學習已經(jīng)掌握的內(nèi)容，浪費了大量的寶貴的學習時間，不利于學習效率的提高，會影響個性化學習。因此，在學習中加入該推薦系統(tǒng)能夠?qū)W生的學習進行個性化引導，充分利用學生的學習時間。

為了達到個性化學習推薦的目的，可將學生分為兩類，對沒有基礎(chǔ)的學生按照課程大綱要求，有序完成知識學習，通過基礎(chǔ)知識的掌握能夠更加全面地了解所學的內(nèi)容。圖2所示為無課程基礎(chǔ)知識學生的學習過程。

對有知識基礎(chǔ)的學生來說，首先通過問卷調(diào)查、交流等形式了解學生對該課程內(nèi)容的掌握情況，計算該學生學習特征，并與推薦系統(tǒng)中數(shù)據(jù)進行比對找到與該學生學習行為類似的學生學習計劃推薦給他。[8]通過捕獲學生學習行為，將該行為提取并進行協(xié)同過濾推薦算法計算，計算出學生學習模型，將預測資源再反饋給學生，在一個閉環(huán)的環(huán)境中將推薦的知識發(fā)送給需要學習的學生，從而提高學生的學習效率（如圖3）。

用戶偏好即用戶對物品的選擇具有一定的傾向性。本文通過累加的方式對用戶的偏好進行計算，根據(jù)用戶查看物品的次數(shù)來決定，查看次數(shù)越多則表明用戶越需要該方面的資料，反之則是用戶對該方面的資料需求不大。

協(xié)同過濾（Collaborative Filtering）推薦算法是個性化推薦技術(shù)使用最廣泛的一種技術(shù)，它能夠有效解決信息過載問題。[9]在本文中，筆者利用用戶對學習資源的偏好以及用戶之間潛在的關(guān)系偏好，結(jié)合學習資源實現(xiàn)個性化推薦。

基于用戶偏好協(xié)同過濾算法的個性化學習資源推薦

推薦學習資源質(zhì)量越高則表明個性化學習資源的推薦技術(shù)做得越好，本文提出了基于用戶偏好協(xié)同過濾算法的個性化學習資源推薦，算法實現(xiàn)流程如圖4所示。

從圖4可以看出，本方法需要解決的關(guān)鍵問題有：①用戶偏好融合到學生-內(nèi)容評分矩陣中。②利用皮爾卡森計算學生之間的相似度。

筆者用U={u1，u2，…，un}表示用戶集合，用Pro={p1，p2，…，pn}代表產(chǎn)品集合，用R代表評分項ri，j的n*m評分矩陣，i屬于1到n，j屬于1到m，分值定義從1（非常不喜歡）到5（非常喜歡）。給定矩陣R，學生a和學生b相似度計算simp（a，b），計算a與b之間的相似度。例如，給出評分數(shù)矩陣R：

利用如下公式，Pearson相關(guān)系數(shù)計算學生之間的相似集，并進行推薦。

效果分析

為了驗證本文實驗方法的有效性，本研究以通識課程信息技術(shù)588名學生學習為例，通過學習課程資源并進行實例驗證。實驗選取488名學生數(shù)據(jù)作為訓練數(shù)據(jù)集，100名學生數(shù)據(jù)作為測試集（其中A班50名，B班50名學生），A班按照原計劃開班學習，B班在基于用戶偏好協(xié)同過濾算法的個性化學習資源推薦系統(tǒng)中學習，并對A、B兩個班學生的學習情況進行了挖掘分析。

如圖5所示，橫坐標表示周次，縱坐標表示以小時為單位的學習時長。

通過分析發(fā)現(xiàn)，在傳統(tǒng)教育模式下學習時間相對較長，而在個性化學習資源推薦系統(tǒng)中學習時長相對較短。此外，筆者對A、B兩個班級學生的學習效果進行了對比分析。橫坐標表示周次，縱坐標表示百分制考評成績，如圖6所示。

分析可以看出，在基于用戶偏好協(xié)同過濾算法的個性化學習資源推薦下B班學生的學習效果較好，總體學習水平保持一個相對穩(wěn)定的狀態(tài)。而A班學生從第3周開始，因課程內(nèi)容難度加大，出現(xiàn)學習效果下降。通過對學生的了解，B班學生的學習體驗效果更好，利用較短的時間取得較高的學習成果。

結(jié)語

個性化學習資源的推薦是一個重要的功能，對提高學習者學習興趣、促進學習資源充分被利用等有著積極的作用，具有較強的應用價值。本文對學習者的學習特征做了分析，形成基于用戶偏好協(xié)同過濾算法的個性化學習資源推薦，從而提升學習效率，促進資源的合理利用，增加學習的趣味，推動教學方式的變革。[10]

參考文獻：

[1]陳穎，侯惠敏.基于項目屬性偏好挖掘的協(xié)同過濾推薦算法[J].計算機應用，2017，37（A01）：262-265.

[2]徐文健，劉青昆，鄭曉薇，等.基于Hadoop-Mahout的分布式課程推薦算法[J].計算機應用與軟件，2018（3）.

[3]祝智庭.智慧教育新發(fā)展：從翻轉(zhuǎn)課堂到智慧課堂及智慧學習空間[J].國內(nèi)高等教育教學研究動態(tài)，2016（19）：11.

[4]李寶，張東紅.教育大數(shù)據(jù)下個性化資源推送服務框架設(shè)計[J].中國遠程教育，2017（9）：62-69.

[5]楊麗麗.個性化網(wǎng)絡(luò)教學資源系統(tǒng)的構(gòu)建研究[D].烏魯木齊：新疆師范大學，2012.

[6]劉靜，熊才平，丁繼紅，等.教育信息資源個性化推薦服務模式研究[J].中國遠程教育，2016 （2）：5-9.

[7]潘志宏，萬智萍，謝海明.大數(shù)據(jù)環(huán)境下高校智慧移動學習平臺的構(gòu)建研究[J].實驗技術(shù)與管理，2017，34（4）：161-163.

[8]岳俊芳，陳逸.基于大數(shù)據(jù)分析的遠程學習者建模與個性化學習應用[J].中國遠程教育，2017（7）：34-39.

[9]丁永剛，張馨，桑秋俠，等.融合學習者社交網(wǎng)絡(luò)的協(xié)同過濾學習資源推薦[J].現(xiàn)代教育技術(shù)，2016，26（2）：108-114.

[10]郭峰，王耀，董焱.基于大數(shù)據(jù)的高校創(chuàng)新創(chuàng)業(yè)信息化平臺構(gòu)建研究[J].實驗技術(shù)與管理，2017，34（12）：26-30.

作者簡介：張迪（1990—），男，碩士，主要研究方向為數(shù)據(jù)挖掘、推薦算法、個性化學習、計算機教育。姜久雷（1972—），男，通訊作者，教授，博士，主要研究方向為服務計算、數(shù)據(jù)挖掘、推薦算法、業(yè)務流程建模、軟件工程。