大數(shù)據(jù)環(huán)境下高校移動學(xué)習(xí)平臺的設(shè)計與實現(xiàn)

趙 衛(wèi)，方 誠

(咸陽師范學(xué)院信息化建設(shè)辦公室，陜西 咸陽 712000)

0 引 言

作為數(shù)字化學(xué)習(xí)的一個重要分支，移動學(xué)習(xí)正逐漸受到人們的關(guān)注，并成為高等教育及相關(guān)領(lǐng)域的研究熱點。作為一種全新的學(xué)習(xí)形式，移動學(xué)習(xí)在培訓(xùn)和教育領(lǐng)域中有著不可估量的應(yīng)用潛力。學(xué)習(xí)者可以隨時隨地利用移動終端和無線通信網(wǎng)絡(luò)進行學(xué)習(xí)，相應(yīng)的，教育工作者也可以隨時隨地查看學(xué)習(xí)情況反饋和評價等。

移動學(xué)習(xí)系統(tǒng)(smart learning mobile)是一種針對便攜式移動設(shè)備(手機、平板電腦等)的系統(tǒng)，它是基于無線互聯(lián)網(wǎng)的移動學(xué)習(xí)方案，方案中強調(diào)“隨時、隨地、隨身”的碎片式學(xué)習(xí)。系統(tǒng)支持用戶通過移動設(shè)備實施遠(yuǎn)程的教與學(xué)，可以實現(xiàn)學(xué)生間隨時隨地便捷地進行學(xué)習(xí)和交流，為數(shù)字化虛擬教學(xué)的實現(xiàn)提供了技術(shù)支持[1-4]。

在傳統(tǒng)的教學(xué)方式下，課堂教學(xué)大多缺乏趣味性，不能夠有效地吸引學(xué)生注意力，并且課堂反饋較慢。傳統(tǒng)授課方式下，課后老師與學(xué)生之間缺乏足夠互動，存在老師無法即時了解學(xué)生學(xué)習(xí)的狀態(tài)與行為。

傳統(tǒng)教學(xué)中存在的種種問題，在移動教學(xué)模式下都能夠較好地解決。一個老師可以根據(jù)學(xué)生的學(xué)習(xí)行為、學(xué)習(xí)習(xí)慣發(fā)現(xiàn)學(xué)生對知識的掌握情況，并因此對教學(xué)行為做出調(diào)整。還可以通過技術(shù)手段增加課余學(xué)習(xí)內(nèi)容精準(zhǔn)推薦，課堂教學(xué)的各種互動，以及課后及時獲知某一課程或某一學(xué)生的學(xué)習(xí)狀態(tài)等。并且，做好這些也是移動學(xué)習(xí)技術(shù)需要研究、解決的問題[5-7]。

大數(shù)據(jù)技術(shù)的發(fā)展，可以在社交媒體上獲得用戶行為的描述，在各種分布式平臺上(例如Spark，Hadoop，Hive，strata等)展示大量數(shù)據(jù)，這些工具在增強和執(zhí)行大數(shù)據(jù)集的預(yù)測分析中起著至關(guān)重要的作用[8]。在教育移動化發(fā)展過程中，教育環(huán)境在支持教育活動的空間和外部條件方面發(fā)揮著重要作用。構(gòu)建智能學(xué)習(xí)環(huán)境是智慧教育的核心任務(wù)，包括信息感知，教育方式個性化、教育資源整合，實現(xiàn)教育內(nèi)容的可預(yù)測性和動態(tài)平衡。

教育大數(shù)據(jù)技術(shù)融合了許多教育信息資源和學(xué)習(xí)資源。文獻(xiàn)[9]中提出可根據(jù)學(xué)生學(xué)習(xí)過程中產(chǎn)生的各類個性化數(shù)據(jù)來評估學(xué)生的學(xué)習(xí)過程情況。傳統(tǒng)的學(xué)習(xí)內(nèi)容方式包含兩種模式：(1)基于學(xué)習(xí)內(nèi)容屬性的協(xié)同過濾推薦；(2)基于學(xué)習(xí)內(nèi)容屬性的過濾[10]。傳統(tǒng)的智慧教育系統(tǒng)均是基于學(xué)習(xí)內(nèi)容或從教師的角度出發(fā)。然而，在這些系統(tǒng)中學(xué)生的學(xué)習(xí)情況常常被忽略，因此系統(tǒng)使用過程中對于學(xué)生成績的提升往往是有限的。

在線學(xué)習(xí)為用戶提供了豐富的學(xué)習(xí)資源，但同時也給學(xué)習(xí)者帶來了相應(yīng)的困擾。如何在海量的學(xué)習(xí)資源中找到自己所需的學(xué)習(xí)資源是一件很困難的事，長而久之，用戶會厭倦這種“大海撈針”式的查找。因此，如何讓用戶在海量資源中快速找出適合自己的資源，成為目前在線學(xué)習(xí)系統(tǒng)亟待解決的問題。于是，用戶推薦系統(tǒng)應(yīng)運而生。用戶推薦系統(tǒng)是指導(dǎo)學(xué)習(xí)者發(fā)現(xiàn)自己感興趣的信息的工具，它能夠有效地解決學(xué)習(xí)者在學(xué)習(xí)資源過載情況下的資源選擇問題。推薦系統(tǒng)通過分析學(xué)習(xí)者的歷史及當(dāng)前行為數(shù)據(jù)，構(gòu)建相應(yīng)的數(shù)學(xué)模型，自動為學(xué)習(xí)者提供個性化服務(wù)，推薦其感興趣的信息或者課程資源。因此，設(shè)計開發(fā)個性化推薦的在線學(xué)習(xí)系統(tǒng)不僅能讓學(xué)習(xí)者輕松獲取到適合自己的資源或者信息，極大節(jié)省了時間成本，還能提升學(xué)習(xí)者的學(xué)習(xí)效率和體驗效果，同時也避免了學(xué)習(xí)系統(tǒng)用戶的流失。

根據(jù)用戶實際學(xué)習(xí)情況，該文提出一種基于大數(shù)據(jù)的移動學(xué)習(xí)系統(tǒng)，并按照學(xué)習(xí)內(nèi)容屬性項提出了一種模糊推薦算法，將用戶個性化的內(nèi)容進行融合，設(shè)計了基于智能推薦的移動學(xué)習(xí)平臺。

1 系統(tǒng)相關(guān)模型

由于傳統(tǒng)智慧教育系統(tǒng)存在海量學(xué)習(xí)資源的獲取困難問題，因此該文設(shè)計了用戶推薦系統(tǒng)。系統(tǒng)涉及的主要技術(shù)包括常用的推薦算法、大數(shù)據(jù)處理平臺、JavaWeb開發(fā)框架等。當(dāng)前常用的推薦算法有協(xié)同過濾推薦算法、基于內(nèi)容的推薦算法及混合推薦算法。

該系統(tǒng)提出了一種基于模糊推薦模型的設(shè)計，該模型的基礎(chǔ)是學(xué)習(xí)內(nèi)容屬性，學(xué)習(xí)內(nèi)容屬性在范圍[0，1]中用模糊數(shù)字標(biāo)記。為了提高描述的準(zhǔn)確性，每個學(xué)習(xí)內(nèi)容屬性項通常使用來自不同角度的幾個不同值進行標(biāo)記[11]。通過Delphi方法歸因于建立學(xué)習(xí)內(nèi)容之間的關(guān)系的過程表示如下。

假設(shè)H={h1,h2,…,hn}是學(xué)習(xí)內(nèi)容u的屬性集的域，M位專家分別為每個屬性項設(shè)置一個值Hi(i=1,2,…,n)，專家K設(shè)置的值表示為Sk(Hi)(i=1,2,…,n;k=1,2,…,m)，M位專家的成員資格表示如下：

不適用于專家系統(tǒng)的學(xué)習(xí)內(nèi)容屬性項可以表示為基于Hi的函數(shù)，表示如下：

Sf(Hi)=F(Hi)

學(xué)習(xí)內(nèi)容的隸屬度U可以用{S'(Hi)}表示：

1.1 主要模糊推薦要求集的設(shè)置

根據(jù)推薦的特點，推薦活動集將反映學(xué)生對內(nèi)容的學(xué)習(xí)興趣，可用于構(gòu)建一組學(xué)習(xí)者的學(xué)習(xí)需求。

設(shè)U={u1,u2,…,up}為學(xué)習(xí)者的學(xué)習(xí)內(nèi)容集，其中u1=(S11,S12,…,S1i,…,S1n)；學(xué)習(xí)內(nèi)容要求集表示如下：

I=(I1,I2,…,Ik,…,Ip)

其中，Ik表示學(xué)習(xí)者學(xué)習(xí)項目K內(nèi)容屬性的主要需求，學(xué)習(xí)內(nèi)容的差異表示如下：

1.2 高級模糊推薦要求集的設(shè)置

通過對學(xué)習(xí)內(nèi)容和學(xué)習(xí)行為的分析，發(fā)現(xiàn)主要的模糊推薦需求集對學(xué)習(xí)者需求的描述不明確，因此，有必要建立一種先進的模糊推薦需求集模型[12-15]。

(1)重要屬性。

設(shè)I'為對學(xué)習(xí)者學(xué)習(xí)內(nèi)容屬性的高度偏好表達(dá)，并且定義H={h1,h2,…,hn}為學(xué)習(xí)內(nèi)容u的項集的域，M專家分別為每個屬性項設(shè)置一個值Hi{i=1,2,…,n}，專家K設(shè)置的值表示為Qk(Hi){i=1,2,…,n;k=1,2,…,m}，M專家的成員資格表示如下：

Delphi方法的局限性在于該方法不能成為每個學(xué)習(xí)者的個性化分配。為此，該文對Delphi方法進行改進。

設(shè)Hk={Hi,Hi+1,…,Hi+j}，Hk的屬性包含Hi…Hi+j的屬性，建議學(xué)習(xí)需求為{li,li+1,…,li+j}，li+j代表項目i+j學(xué)習(xí)內(nèi)容的主要推薦要求。

(2)高級推薦模型。

(3)算法設(shè)計。

學(xué)習(xí)內(nèi)容推薦算法如下：

IfIf<α1then

S={A∧I'}*Im+If

Else ifIf>α2then

{ifAk?{Uk}

S={A∧I'}*Im+(1-If)

ElseS={A∧I'}*Im

}

其中，α1和α2是兩個常數(shù)，且α1<α2

2 系統(tǒng)架構(gòu)設(shè)計

大數(shù)據(jù)的核心是數(shù)據(jù)，如何從海量數(shù)據(jù)中尋找有價值信息是研究者研究的主要目的，而研究的關(guān)鍵在于如何對數(shù)據(jù)進行正確的統(tǒng)計和分析。對于移動學(xué)習(xí)系統(tǒng)而言，當(dāng)學(xué)習(xí)者的行為數(shù)據(jù)積累到一定程度，就可以通過挖掘應(yīng)用群體的行為模式，對數(shù)據(jù)進行分析、統(tǒng)計、歸納，進而發(fā)現(xiàn)學(xué)習(xí)者的學(xué)習(xí)規(guī)律，判定出哪些知識點需要重點強調(diào)，哪些科目是學(xué)習(xí)者感興趣的，從而實現(xiàn)對學(xué)習(xí)者的因材施教，進而有針對性地開展教學(xué)和指導(dǎo)。

另外，通過對大規(guī)模學(xué)習(xí)數(shù)據(jù)的挖掘和統(tǒng)計，可以對學(xué)習(xí)資源進行反復(fù)檢驗、改進，進而提高在線學(xué)習(xí)資源的優(yōu)質(zhì)性。該文從實際應(yīng)用的角度研究了在線學(xué)習(xí)資源系統(tǒng)的設(shè)計與實現(xiàn)，同時將模糊推薦模型引入系統(tǒng)中進行整合。首先，對系統(tǒng)進行技術(shù)選型；接著進行了系統(tǒng)設(shè)計，以滿足用戶需要；最后，對設(shè)計的系統(tǒng)架構(gòu)開發(fā)了整個在線學(xué)習(xí)資源系統(tǒng)。

隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，目前主流的JavaWeb開發(fā)框架集有SSH(Spring+Struts2+Hivernate)和SSM(Spring+SpringMVC+Mybatis)。眾所周知，SSM框架集是優(yōu)于SSH框架集的，所以選擇SSM(Spring+SpringMVC+Mybatis)框架作為該系統(tǒng)的基礎(chǔ)開發(fā)框架。

在線學(xué)習(xí)系統(tǒng)是多個業(yè)務(wù)功能模塊的集合，傳統(tǒng)的開發(fā)模式是將所有功能在同一工程中開發(fā)，隨著業(yè)務(wù)的增加，整個工程會變得十分龐大和繁雜，不利于系統(tǒng)的維護和新功能的添加。該文采用了微服務(wù)的思想，把整個系統(tǒng)按業(yè)務(wù)拆分成不同的服務(wù)，對每個服務(wù)進行開發(fā)。這樣一來，使得每個服務(wù)都相當(dāng)于一個微型應(yīng)用，服務(wù)之間通過HTTP請求來通信，一旦增加新的業(yè)務(wù)模塊，只需要開發(fā)一個新的服務(wù)即可。因而增強了系統(tǒng)在功能上的良好的擴展性。

2.1 課程推薦系統(tǒng)框架設(shè)計

在線學(xué)習(xí)系統(tǒng)是一個個性化推薦學(xué)習(xí)系統(tǒng)，系統(tǒng)根據(jù)用戶的學(xué)習(xí)信息、基本信息及一致信息數(shù)據(jù)庫數(shù)據(jù)，向用戶推薦其可能喜歡的課程資源，同時也為系統(tǒng)用戶提供了一個在線自主學(xué)習(xí)平臺。該文的在線學(xué)習(xí)系統(tǒng)設(shè)計有以下功能：個性化推薦、相關(guān)課程推薦、熱門課程推薦、用戶注冊、用戶登錄、個人信息維護、課程搜索、課程評價等。

整個系統(tǒng)業(yè)務(wù)處理的核心是推薦處理系統(tǒng)。推薦處理系統(tǒng)的主要功能是對系統(tǒng)中的用戶進行個性化課程推薦，系統(tǒng)中每位用戶的推薦候選集由推薦處理模塊進行計算獲得，個性化推薦服務(wù)從學(xué)習(xí)內(nèi)容推薦處理系統(tǒng)獲取用戶的個性化推薦候選集，然后通知給用戶。

推薦處理系統(tǒng)架構(gòu)如圖1所示。

圖1 推薦處理系統(tǒng)架構(gòu)

在上述構(gòu)建思路中，系統(tǒng)中的用戶基本信息數(shù)據(jù)庫中存儲了每位用戶的行為數(shù)據(jù)和學(xué)習(xí)信息，內(nèi)容推薦處理系統(tǒng)通過對基本信息數(shù)據(jù)庫中的數(shù)據(jù)進行計算，獲取到用戶的個性化推薦數(shù)據(jù)。數(shù)據(jù)庫動態(tài)維護學(xué)習(xí)者的學(xué)習(xí)興趣，系統(tǒng)中的用戶存在兩種情況：一種是有推送歷史記錄的用戶，另一種是沒有推送歷史記錄的用戶。對于沒有推送歷史記錄的用戶，由于其用戶興趣數(shù)據(jù)庫中沒有用戶行為日志，系統(tǒng)無法對其進行個性化推薦服務(wù)。為了解決這一問題，系統(tǒng)會根據(jù)用戶首次登陸選擇的課程類別標(biāo)簽，向其推薦所選課程類別中的熱門課程。

上述學(xué)習(xí)內(nèi)容推薦處理系統(tǒng)的具體流程如圖2所示。為了加強對更多服務(wù)提供商系統(tǒng)的支持，可以定制信息源。

圖2 推薦處理模塊的實施過程

用戶在系統(tǒng)中查找課程資源時，如果查找的課程與自己所需的資源有差異，就不得不重新查找。推送服務(wù)器的主要功能是用戶在瀏覽某個資源或課程詳情的時候，系統(tǒng)向用戶推薦相似的資源或者課程，提高了用戶的體驗效果，實現(xiàn)了課程推薦服務(wù)。

2.2 課程搜索功能設(shè)計

課程搜索功能模塊主要負(fù)責(zé)對用戶輸入的關(guān)鍵字進行課程檢索。課程關(guān)鍵字檢索是尋找課程資源的重要手段，如何快速準(zhǔn)確地為用戶返回檢索數(shù)據(jù)是課程搜索模塊需要解決的首要問題。

首先，對課程描述信息進行分詞處理，以匹配檢索關(guān)鍵字；其次，在服務(wù)器上建立Index和Type,并將數(shù)據(jù)庫中的課程數(shù)據(jù)同步到服務(wù)器上；最后，在相應(yīng)服務(wù)器上進行配置。圖3為用戶使用關(guān)鍵字進行課程搜索功能的實現(xiàn)流程。

圖3 系統(tǒng)功能組成結(jié)構(gòu)

2.3 移動學(xué)習(xí)平臺系統(tǒng)框架設(shè)計

系統(tǒng)運行情況的優(yōu)劣取決于系統(tǒng)架構(gòu)設(shè)計[16]。根據(jù)系統(tǒng)功能模塊，對在線移動學(xué)習(xí)平臺系統(tǒng)架構(gòu)進行了設(shè)計，構(gòu)建了如圖4所示的在線移動學(xué)習(xí)平臺系統(tǒng)。

圖4 系統(tǒng)功能組成結(jié)構(gòu)

圖4中可以看出，注冊用戶在注冊時就可以對自己感興趣的內(nèi)容進行備注，對自己所要學(xué)習(xí)的學(xué)科進行選擇，通過用戶信息管理系統(tǒng)完成對用戶信息和數(shù)據(jù)的管理。首次登陸的注冊用戶，系統(tǒng)會根據(jù)所選學(xué)科或者備注的內(nèi)容對其進行內(nèi)容推薦，內(nèi)容推薦處理模塊通過對用戶興趣信息的計算，返回給用戶一個較為精準(zhǔn)的推薦學(xué)習(xí)內(nèi)容，使得用戶獲得良好的使用體驗。如果用戶所選的學(xué)科為一門新學(xué)科，系統(tǒng)中以前并沒該學(xué)科的記錄，處理系統(tǒng)將引導(dǎo)用戶對該學(xué)科所含的科目進行選擇、完備。系統(tǒng)會根據(jù)用戶提交的學(xué)科信息，不斷豐富整個學(xué)習(xí)內(nèi)容，通過海量的存儲，滿足不同用戶的個性化需求，最終達(dá)到在線學(xué)習(xí)資源的豐富和推薦內(nèi)容的有的放矢。

傳統(tǒng)學(xué)習(xí)平臺的搭建是基于某個服務(wù)器或者服務(wù)器群的，這就使得各個高校或者機構(gòu)需要搭建重復(fù)的學(xué)習(xí)平臺，不能達(dá)到資源共享和高利用率。因此，針對這種問題，在系統(tǒng)設(shè)計中引入云平臺的概念，通過學(xué)習(xí)資料資源池的構(gòu)建，對學(xué)習(xí)內(nèi)容進行海量存儲，極大地豐富了學(xué)習(xí)資料。

系統(tǒng)平臺的整體架構(gòu)設(shè)計如圖5所示。

圖5 系統(tǒng)總體架構(gòu)

從圖5中看出，用戶通過移動終端與系統(tǒng)連接，可以從系統(tǒng)獲取學(xué)習(xí)資源，同時也可以上傳優(yōu)質(zhì)的學(xué)習(xí)資源到服務(wù)平臺，達(dá)到資源共享的目的。管理人員通過文件系統(tǒng)完成對資源的管理，定期查看和管理資源，從而不斷豐富學(xué)習(xí)內(nèi)容，剔除利用率低的資源，從而高度、高效地利用學(xué)習(xí)資源。

2.4 課程推薦模塊的測試和效果分析

課程推薦模塊主要負(fù)責(zé)計算生成用戶的推薦候選集，用戶對推薦課程的滿意程度取決于推薦課程是否滿足用戶的個性化需求。要測試推薦處理系統(tǒng)能否滿足個性化需求，就需要驗證計算生成個性化推薦候選集是否準(zhǔn)確。由于該文提出的推薦處理模塊采用了模糊推薦模型，因此只需要對模糊推薦模型的推薦效果進行評測，就可以驗證推薦效果。該文采用離線測試的方法驗證模糊推薦模型的推薦效果，以準(zhǔn)確率作為推薦效果的測評指標(biāo)。

準(zhǔn)確率指的是推薦處理系統(tǒng)中用戶評價過的課程數(shù)量占總數(shù)的比例，其計算公式如下：

其中，R(u)表示用戶的推薦集合，N(u)表示用戶已評價的課程集合。

使用模糊推薦處理模型，通過使用用戶對課程的滿意度，獲取測試用戶的個性化推薦集合，然后計算個性化推薦的準(zhǔn)確率。同時，該文還選取了一種協(xié)同過濾推薦算法來進行對比研究。

由表1的結(jié)果可知，采用模糊推薦模型獲取的個性化推薦可以獲得比較高的準(zhǔn)確率，測試結(jié)果表明該方法能夠滿足用戶的需求，達(dá)到了預(yù)期的推薦效果。

表1 不同方法相應(yīng)推薦集的準(zhǔn)確率

3 結(jié)束語

隨著互聯(lián)網(wǎng)的普及和學(xué)習(xí)方式的革新，越來越多的學(xué)習(xí)者選擇線上學(xué)習(xí)，移動學(xué)習(xí)平臺可以讓課堂教學(xué)更加靈活。移動學(xué)習(xí)系統(tǒng)為用戶提供便捷的同時也帶來了困擾，如何在海量學(xué)習(xí)資源中準(zhǔn)確捕捉到自己感興趣的資源成為亟需解決的問題。該文將個性化推薦技術(shù)引入移動學(xué)習(xí)系統(tǒng)，信息主動推薦服務(wù)是該系統(tǒng)的重要模塊之一，信息主動推薦服務(wù)的優(yōu)劣可以作為移動學(xué)習(xí)平臺的一項評估標(biāo)準(zhǔn)。在所設(shè)計的系統(tǒng)中，提出了針對信息推薦內(nèi)容的推薦模型，為移動學(xué)習(xí)資源的更優(yōu)推薦提供了參考和借鑒，同時學(xué)習(xí)者也能隨時獲取更加合適的學(xué)習(xí)資料，并及時調(diào)整自己的學(xué)習(xí)計劃。