基于學(xué)分銀行平臺的個性化推薦應(yīng)用研究

摘? 要：學(xué)分銀行平臺是實現(xiàn)全民終身學(xué)習(xí)的信息化窗口。將電子商務(wù)中個性化推薦技術(shù)應(yīng)用于學(xué)分銀行平臺，可實現(xiàn)精準(zhǔn)定位，避免用戶重復(fù)學(xué)習(xí)，幫助學(xué)習(xí)者培養(yǎng)學(xué)習(xí)個性。學(xué)分銀行可利用混合推薦算法，同時運用用戶行為數(shù)據(jù)和用戶和學(xué)習(xí)成果內(nèi)容特征，繪制個性化和多元化路徑，綜合基于內(nèi)容的推薦算法和協(xié)同過濾算法優(yōu)點，以達(dá)到良好的推薦效果。

關(guān)鍵詞：學(xué)分銀行;個性化推薦;混合推薦算法

中圖分類號：G40-057? ? ? 文獻(xiàn)標(biāo)識碼：A 文章編號：2096-4706（2019）23-0106-03

Research on Personalized Recommendation Application

Based on Credit Bank Platform

ZHU Shanshan

（Jiangsu Open University，Credit Bank Management Center，Nanjing? 210036，China）

Abstract：The credit bank platform is an information vehicle to realize the lifelong learning for all.It can realize precise positioning，avoid re-learning and help learners to develop learning personality for integrating personalized recommendation technology which is applied in e-commerce to credit bank platform.Credit bank can take full advantage of hybrid recommendation algorithm which combines user behavior data and content characteristics of learning outcomes，draws personalized and diversified paths，integrates the advantages of content based recommendation algorithm and collaborative filtering algorithm to achieve good recommendation effect.

Keywords：credit bank;personalized recommendation;hybrid recommendation algorithm

0? 引? 言

終身教育理念下，學(xué)分銀行承載促進(jìn)學(xué)歷與非學(xué)歷教育銜接互通、打破普通教育與職業(yè)教育的溝通壁壘的職能使命。2019年教育部等四部委聯(lián)合印發(fā)的《關(guān)于在院校實施“學(xué)歷證書+若干職業(yè)技能等級證書”制度試點方案》，明確指示要加快推進(jìn)職業(yè)教育國家“學(xué)分銀行”建設(shè)，建立職業(yè)教育個人學(xué)習(xí)賬號。學(xué)分銀行網(wǎng)絡(luò)服務(wù)平臺搭建于互聯(lián)網(wǎng)環(huán)境上，涵蓋各類教育機(jī)構(gòu)，為社會成員開設(shè)個人賬戶，存儲學(xué)習(xí)成果信息，建立終身學(xué)習(xí)成果檔案。隨著積累數(shù)據(jù)量的急劇增長，學(xué)習(xí)者從中獲取有價值的信息面臨著過載的問題。將電子商務(wù)企業(yè)中廣泛應(yīng)用的個性化推薦技術(shù)應(yīng)用于學(xué)分銀行信息系統(tǒng)，實現(xiàn)精準(zhǔn)定位，有助于提升用戶交互性體驗，滿足學(xué)習(xí)者個性化需求。

1? 個性化推薦的發(fā)展歷程

個性化推薦指電子商務(wù)網(wǎng)依據(jù)消費者瀏覽、搜索等數(shù)據(jù)或相似消費者行為推測目標(biāo)用戶的需求與偏好的服務(wù)[1]。國內(nèi)外對于個性化推薦技術(shù)研究紛紛迭起。個性化推薦的概念由明尼蘇達(dá)大學(xué)Resnick等于1994年首先提出。Bollacher基于文本內(nèi)容的推薦，設(shè)計為用戶推薦興趣論文。王娜[2]等通過深度神經(jīng)網(wǎng)絡(luò)詞分析用戶播放行為，構(gòu)建個性化推薦策略。亞馬遜主導(dǎo)的產(chǎn)品推薦更是應(yīng)用廣泛，類似淘寶商品推薦、當(dāng)當(dāng)網(wǎng)書籍推薦、蝦米音樂推薦、騰訊視頻推薦都內(nèi)嵌推薦系統(tǒng)。

個性化推薦理論主要發(fā)揮學(xué)習(xí)者自身主觀能動性，其本質(zhì)是匯聚不同個體特征重塑認(rèn)知的過程。個性化推薦服務(wù)的實踐給行業(yè)帶來人流與營利增長的可能。一方面通過研究用戶畫像，滿足不同層次需求，實現(xiàn)精準(zhǔn)化推薦和個性化服務(wù)，發(fā)現(xiàn)潛在的用戶，增加點擊流和訪問量;另一方面，個性化推薦系統(tǒng)幫助用戶提高搜索速率，縮短搜索時間，降低搜索成本，提升用戶滿意度，增強(qiáng)用戶對系統(tǒng)的粘性和忠誠度。智慧教育核心就是提供個性化和多元化的學(xué)習(xí)路徑。

2? 學(xué)分銀行信息平臺的運行現(xiàn)狀

學(xué)分銀行模擬借鑒銀行功能特點，以學(xué)分為計量單位，建立終身學(xué)習(xí)信息管理平臺，對學(xué)習(xí)者各個階段的學(xué)習(xí)成果進(jìn)行認(rèn)證、積累與轉(zhuǎn)換[3]。自教育部在2004年《關(guān)于在職業(yè)學(xué)校逐步推行學(xué)分制的若干意見》中首次提出“探索和建立職業(yè)學(xué)校學(xué)分積累與轉(zhuǎn)換信息平臺”以來，學(xué)分銀行相關(guān)平臺搭建探索方興未艾。國家開放大學(xué)學(xué)分銀行借助覆蓋全國的認(rèn)證服務(wù)體系，搭建學(xué)習(xí)者與教育資源“一網(wǎng)兩庫”服務(wù)平臺，主要功能是建立賬號、登記成果、認(rèn)定成果、存儲成果、轉(zhuǎn)換成果。上海終身教育學(xué)分銀行公共服務(wù)平臺實現(xiàn)“一站式”搜索，實名開設(shè)學(xué)習(xí)者終身賬號，便于存儲記錄各類學(xué)習(xí)成果，主要有認(rèn)證功能、課程置換、雙證融通、查詢功能。浙江省終身教育學(xué)分銀行著力構(gòu)建覆蓋全省的個人終身學(xué)習(xí)檔案庫，平臺由門戶網(wǎng)站、網(wǎng)上服務(wù)大廳、網(wǎng)上管理中心三大模塊組成，統(tǒng)一打造終身學(xué)習(xí)大數(shù)據(jù)并深化數(shù)據(jù)分析應(yīng)用。江蘇省終身教育學(xué)分銀行以信息平臺為樞紐，探索不同類型學(xué)習(xí)成果之間的轉(zhuǎn)換與銜接，為學(xué)習(xí)者提供實名注冊服務(wù)、賬戶激活、學(xué)習(xí)成果認(rèn)定、學(xué)習(xí)成果轉(zhuǎn)換、查看并打印個人學(xué)習(xí)檔案等服務(wù)功能。

學(xué)分銀行搭建的數(shù)字化、網(wǎng)絡(luò)化的信息平臺是學(xué)分銀行業(yè)務(wù)辦理的重要載體。通過對多個學(xué)分銀行信息平臺進(jìn)行研究，發(fā)現(xiàn)主要業(yè)務(wù)模塊大體相同。學(xué)分銀行核心功能學(xué)習(xí)成果的認(rèn)證、轉(zhuǎn)換、存儲依靠學(xué)分銀行信息平臺完成[4]。實現(xiàn)學(xué)分銀行的可持續(xù)發(fā)展，要不斷優(yōu)化學(xué)分銀行信息平臺功能，以便捷用戶的服務(wù)思維改進(jìn)平臺框架，滿足用戶靈活變化需求，使學(xué)習(xí)者與學(xué)分銀行信息平臺產(chǎn)生粘性。

3? 學(xué)分銀行平臺的個性化推薦應(yīng)用分析

學(xué)分銀行平臺是實現(xiàn)全民終身學(xué)習(xí)的信息化窗口。將用戶個性化需求為導(dǎo)向加入學(xué)分銀行平臺信息化管理，向用戶推薦差異性學(xué)習(xí)成果、不同教育資源、人性化服務(wù)是當(dāng)前泛化式教育情況下學(xué)習(xí)精細(xì)化訴求的體現(xiàn)。通過學(xué)分銀行構(gòu)建的個性化路徑，避免用戶重復(fù)學(xué)習(xí)，匯聚各類優(yōu)質(zhì)教育資源，推進(jìn)優(yōu)質(zhì)資源共享。基于此，學(xué)分銀行平臺個性化推薦框架如圖1所示，包含客戶端、用戶層、數(shù)據(jù)層和業(yè)務(wù)層。

3.1? 客戶端

主要是指學(xué)分銀行平臺上與用戶實際交互操作的界面，是平臺與系統(tǒng)信息交換的媒介，一般有Web端、APP端、第三方（QQ、微信、微博類）等。學(xué)分銀行平臺的操作界面是吸引用戶注冊使用的第一步。提升個性化用戶體驗需設(shè)置新手指引，做到界面美化、功能完善、數(shù)據(jù)交接順暢、安裝簡便等。

3.2? 用戶層

該層主要提供用戶操作接口服務(wù)。用戶需在學(xué)分銀行平臺注冊登錄，推薦系統(tǒng)識別用戶登錄狀態(tài)下，才能實時監(jiān)控獲取與分析數(shù)據(jù)，為用戶提供個性化推薦服務(wù)。此外，用戶操作接口服務(wù)包括關(guān)鍵詞搜索、在線瀏覽、學(xué)習(xí)成果積累、學(xué)習(xí)成果轉(zhuǎn)換等。

3.3? 數(shù)據(jù)層

數(shù)據(jù)層是個性化推薦的基礎(chǔ)。通過訓(xùn)練集建立用戶與推薦對象的聯(lián)系，通過特征集區(qū)分用戶之間的差異。

3.3.1? 用戶模塊

學(xué)分銀行平臺在用戶使用過程中不斷積累匯總各類數(shù)據(jù)。推薦系統(tǒng)需建立用戶模型獲取用戶動態(tài)變化的偏好，對用戶信息特征進(jìn)行分類，幫助系統(tǒng)理解用戶的需求。模型輸入數(shù)據(jù)主要有用戶注冊基本信息，比如姓名、性別、年齡、專業(yè)、學(xué)歷等;用戶行為信息，比如關(guān)鍵詞查詢、瀏覽記錄、翻頁拖動、學(xué)習(xí)成果認(rèn)證等;用戶反饋信息，比如點贊評論、分享推薦、收藏保存等。獲取模型輸入數(shù)據(jù)的方式也有多種形式，顯式獲取用戶標(biāo)注或評論的瀏覽內(nèi)容感興趣程度，觀察用戶日志，隱性跟蹤用戶行為，避免用戶操作反感負(fù)擔(dān)，通過動作交互推斷用戶興趣偏好。建立用戶群組的綜合模型，考慮結(jié)構(gòu)化、顆粒度等標(biāo)準(zhǔn)，運用多維屬性描述建立用戶模型，用監(jiān)控器將日志信息預(yù)處理轉(zhuǎn)化成序列模式，從而提高系統(tǒng)個性化推薦的準(zhǔn)確度。

3.3.2? 推薦對象模塊

推薦對象的選擇影響系統(tǒng)推薦質(zhì)量。不同用途對應(yīng)的推薦對象各不相同。通過學(xué)分銀行平臺推薦對象建模，統(tǒng)一管理和歸類資源，描述推薦對象特征制成訓(xùn)練集，用以表示用戶興趣偏好。推薦對象包括各類學(xué)習(xí)成果積累情況，比如學(xué)習(xí)課程、獲獎證書、課外培訓(xùn)等;學(xué)習(xí)成果轉(zhuǎn)換情況，比如學(xué)習(xí)成果名錄、轉(zhuǎn)換規(guī)則、已認(rèn)證的學(xué)習(xí)成果等;公司招聘崗位情況，比如所需專業(yè)、證書、技能等。運用邏輯回歸算法、聚類算法、決策樹算法等方法對推薦對象描述進(jìn)行歸類，可以將同類屬性資源推薦給對該類文檔感興趣的用戶。

3.4? 業(yè)務(wù)層

該層主要通過監(jiān)控器實時采集用戶行為數(shù)據(jù)，接收用戶提交請求，使用推薦模塊可視化展示推薦對象。推薦算法模塊是整個推薦系統(tǒng)的核心，決定了推薦系統(tǒng)性能。

3.4.1? 基于內(nèi)容的推薦算法

基于內(nèi)容的推薦算法主要運用于信息檢索方法中。根據(jù)學(xué)分銀行平臺上用戶自身搜索、瀏覽情況的權(quán)重相似度匹配，推薦類似的學(xué)習(xí)成果信息。例如，根據(jù)用戶所屬專業(yè)、已修課程、獲取證書等推薦符合學(xué)習(xí)成果轉(zhuǎn)換規(guī)則、匹配的招聘公司、可學(xué)習(xí)的課程等信息。基于內(nèi)容的推薦算法中[5]，設(shè)定用戶特征抽取重要性權(quán)值，用戶對象是定義：

f（i，s）=（ws1，ws2，…，wst）

其中，wst表示第t個特征抽取在用戶s的重要度。

f（u，c）=（wc1，wc2，…，wct）

其中，wct表示訓(xùn)練集用戶對象對c的偏好程度。

推薦對象的評分函數(shù)score（f（u，c），f（i，s））=cos（f（u，c），f（i，s））

計算得到的值對象排序，將前列的目標(biāo)視為推薦對象。該算法推薦結(jié)果直觀易懂，結(jié)果符合用戶的愛好。但類型單一、缺乏多樣性，推薦有重復(fù)性。新用戶無存儲信息，不能進(jìn)行推薦。用戶模型和描述依賴于內(nèi)容，如果內(nèi)容特征不易提取、難以解析，推薦效果不好。

3.4.2? 基于協(xié)同過濾的推薦算法

協(xié)同過濾算法通過收集用戶行為數(shù)據(jù)對用戶聚類，推薦同一類用戶的學(xué)習(xí)成果信息或依賴群屬性進(jìn)行相似度推薦。通過算法形成個性化服務(wù)路徑，在瀏覽器終端或者用戶賬戶呈現(xiàn)推薦對象。

余弦相似度是最普遍的計算向量相似度的方法，該算法主要利用兩個向量在空間中存在的夾角來判斷相似度。得出的余弦值是衡量兩個推薦對象方向上的相似程度，計算方程：

T（x，y）=

該算法能處理復(fù)雜非結(jié)構(gòu)對象，挖掘新推薦興趣，自動化程度高。但新用戶有冷啟動問題，當(dāng)新用戶行為記錄較少時，推薦捉襟見肘，無法對其進(jìn)行推薦。有流行性偏見，新課程或證書信息加入，因未進(jìn)行分值預(yù)測，不能推薦，推薦依賴于歷史數(shù)據(jù)集，可擴(kuò)展性差。

3.4.3? 混合推薦算法

不同的推薦技術(shù)存在各自的優(yōu)勢和缺點，為了獲得良好的推薦效果，可以將獨立推薦算法進(jìn)行合理融合。學(xué)分銀行平臺可利用混合推薦算法同時運用用戶行為數(shù)據(jù)和用戶和學(xué)習(xí)成果內(nèi)容特征，綜合基于內(nèi)容的推薦算法和協(xié)同過濾算法優(yōu)點，取長補短?；趦?nèi)容的算法難以提取特征，可利用協(xié)同過濾算法進(jìn)行數(shù)據(jù)預(yù)處理，而協(xié)同過濾算法中用戶和課程等信息忽視聯(lián)系關(guān)系，可用基于內(nèi)容算法進(jìn)行補充。常用的混合算法有加權(quán)、特征組合和級聯(lián)等，模型隨著用戶變化，通過預(yù)測模型反饋學(xué)習(xí)，構(gòu)成用戶畫像的動態(tài)變化。建模時設(shè)計需充分考慮模塊的靈活易用性、可修正反饋情況，但推薦準(zhǔn)確度的提高相應(yīng)增加了計算復(fù)雜度，對系統(tǒng)運行要求提高。

4? 結(jié)? 論

學(xué)分銀行提供的個性化推薦服務(wù)就是以“用戶為中心”的服務(wù)，幫助學(xué)習(xí)者培養(yǎng)學(xué)習(xí)個性，有針對性地使不同路徑獲得的學(xué)習(xí)成果得到高效轉(zhuǎn)換，降低學(xué)習(xí)和成才成本，減少人力資源開發(fā)的社會成本，促進(jìn)社會多樣化發(fā)展。個性化推薦系統(tǒng)綜合分析課程、證書等學(xué)習(xí)成果等數(shù)據(jù)信息，可結(jié)合大數(shù)據(jù)挖掘技術(shù)為用人單位、政府提供優(yōu)質(zhì)應(yīng)聘人員和決策建議，從而推動學(xué)習(xí)型社會構(gòu)建。

參考文獻(xiàn)：

[1] 孫雨生，張晨，任潔，等.國內(nèi)電子商務(wù)個性化推薦研究進(jìn)展：核心技術(shù) [J].現(xiàn)代情報，2017，37（4）：151-157.

[2] 王娜.視頻中人體行為預(yù)測的方法研究 [D].長沙：湖南大學(xué)，2016.

[3] 余燕芳，韓世梅.學(xué)分銀行平臺的知識匯聚與個性化推薦系統(tǒng)應(yīng)用研究 [J].中國遠(yuǎn)程教育，2017（3）：45-51.

[4] 邵文莎.學(xué)分制改革背景下的區(qū)域?qū)W分銀行建設(shè)研究 [J].天津電大學(xué)報，2018，22（4）：38-41.

[5] 王剛，郭雪梅.社交網(wǎng)絡(luò)環(huán)境下基于用戶行為分析的個性化推薦服務(wù)研究 [J].情報理論與實踐，2018，41（8）：102-107.

作者簡介：祝珊珊（1989-），女，漢族，浙江江山人，研究實習(xí)員，工學(xué)碩士，研究方向：教育管理、計算機(jī)應(yīng)用技術(shù)。