面向個(gè)性化學(xué)習(xí)的慕課資源推薦系統(tǒng)開發(fā)

孔令圓 彭琰 鄭汀華 馬華

摘? 要： 近年來(lái)，在線學(xué)習(xí)得到了大規(guī)模普及，互聯(lián)網(wǎng)上已發(fā)布了海量的慕課學(xué)習(xí)資源。針對(duì)廣大學(xué)習(xí)者進(jìn)行在線慕課學(xué)習(xí)時(shí)面臨的“信息迷航”和“信息過載”等問題，以混合推薦算法為基礎(chǔ)，通過多角度挖掘用戶的個(gè)性化信息，設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)面向個(gè)性化學(xué)習(xí)的慕課資源推薦系統(tǒng)，以此為廣大學(xué)習(xí)者提供自主學(xué)習(xí)的輔助支持。該系統(tǒng)能充分挖掘?qū)W習(xí)者的顯式和隱式偏好，為其推薦滿意的慕課資源，具有良好的應(yīng)用價(jià)值。

關(guān)鍵詞： 慕課; 學(xué)習(xí)資源; 混合推薦; 個(gè)性化學(xué)習(xí)

中圖分類號(hào)：G642? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? 文章編號(hào)：1006-8228（2021）07-46-04

Development of MOOC resources recommendation system for personalized learning

Kong Lingyuan， Peng Yan， Zheng Tinghua， Ma Hua

（College of Information Science and Engineering， Hunan Normal University， Changsha， Hunan 410081， China）

Abstract： In recent years， online learning has been popularized on a large scale， and massive MOOC learning resources have been released on the Internet. Aiming at the problems of "information disorientation" and "information overload" faced by the majority of learners in online MOOC learning， on the basis of hybrid recommendation algorithm， by mining user's personalized information from multiple perspectives， a MOOC resource recommendation system for personalized learning is designed and implemented， in order to provide the majority of learners with the auxiliary support of autonomous learning. The system can fully tap learners' explicit and implicit preferences， and recommend satisfactory MOOC resources for them， which have a good application value.

Key words： MOOC; learning resource; hybrid recommendation; personalized learning

0 引言

近年來(lái)，國(guó)家的一系列指導(dǎo)性文件[1-2]明確指出了以“學(xué)習(xí)者”為中心、個(gè)性化培養(yǎng)的重要性，有力地推動(dòng)了我國(guó)在線教育的發(fā)展。目前，主流在線教育平臺(tái)已在互聯(lián)網(wǎng)上發(fā)布了海量的慕課學(xué)習(xí)資源，在線學(xué)習(xí)者人數(shù)增長(zhǎng)迅速。而2020年初暴發(fā)的新冠疫情進(jìn)一步推動(dòng)了在線學(xué)習(xí)的大規(guī)模普及。

面對(duì)海量的慕課學(xué)習(xí)資源，廣大學(xué)習(xí)者在慕課學(xué)習(xí)時(shí)面臨著“信息迷航”和“信息過載”[3-4]等問題，學(xué)生很難充分了解并快速挑選出最適合自己的學(xué)習(xí)資源。由此，實(shí)現(xiàn)學(xué)生需求與學(xué)習(xí)資源的匹配，從而提高學(xué)生進(jìn)行在線慕課學(xué)習(xí)時(shí)的學(xué)習(xí)效率和在線教育平臺(tái)中慕課學(xué)習(xí)資源的利用率，具有重要的現(xiàn)實(shí)意義。

針對(duì)當(dāng)前主流在線教育網(wǎng)站缺乏慕課資源推薦功能的不足，本文在傳統(tǒng)混合推薦算法的基礎(chǔ)上，多角度挖掘用戶的個(gè)性化信息，設(shè)計(jì)并開發(fā)了一個(gè)面向個(gè)性化學(xué)習(xí)的慕課資源推薦系統(tǒng)，以此為廣大學(xué)習(xí)者提供高效的自主學(xué)習(xí)的輔助支持。

1 混合推薦算法原理

基于內(nèi)容的推薦算法通過抽取物品的內(nèi)容信息來(lái)描述物品并形成物品的特征模型[5]，培訓(xùn)嘗試向用戶推薦與其過去所喜好物品在內(nèi)容上相似的其他物品。協(xié)同過濾算法基于興趣相投的假設(shè)，借助于用戶群體的行為模式分析，以合作的方式進(jìn)行項(xiàng)目過濾。該推薦算法主要是對(duì)用戶群體的行為數(shù)據(jù)進(jìn)行分析，尋找鄰近用戶或鄰近物品進(jìn)而生成推薦[6]，如公式⑴常用于基于用戶的協(xié)同過濾算法的評(píng)分預(yù)測(cè)任務(wù)。將以上兩種類型的推薦算法使用一定的機(jī)制相混合，便得到了基于用戶反饋和物品內(nèi)容的混合推薦算法[7]。

[ru，j=ru+v∈Nsimu，v×（rv，j-rv）|v∈Nsim（u，v）|] ⑴

其中，[ru，j]表示用戶u對(duì)物品j的預(yù)測(cè)評(píng)分;[rv，j]是用戶v對(duì)物品j的實(shí)際評(píng)分;[ru]為用戶u的平均評(píng)分;N是評(píng)價(jià)過物品j的相似用戶群;[simu，v]為用戶u和v的相似度。

2 個(gè)性化慕課推薦算法流程

2.1 基于標(biāo)簽的課程建模

將經(jīng)過預(yù)處理后的課程標(biāo)簽數(shù)據(jù)，轉(zhuǎn)換為Python中的字典格式，得到課程模型組。轉(zhuǎn)換得到課程模型組樣式如下：

[courses_models={courseid1：{'label1'：1，'label2'：? ? ? ? ? ? ? ? ?0.8， ...}， courseid2：{...}...}]

2.2 基于標(biāo)簽的用戶建模

結(jié)合用戶課程評(píng)分?jǐn)?shù)據(jù)和課程建模得到的課程模型組，由公式⑵計(jì)算用戶對(duì)標(biāo)簽的評(píng)分（即喜愛程度）。

[Ru，i=Sig（j∈NSimi，j）] ⑵

其中，Ru，i表示用戶u對(duì)標(biāo)簽i的評(píng)分;Sig表示sigmoid變體函數(shù);N表示用戶u已看且與標(biāo)簽i相關(guān)的課程集合;Simi，j表示標(biāo)簽i與課程j的相關(guān)系數(shù)。進(jìn)而得到用戶模型組，其樣式如下：

[users_models = {user1：{'label1'：0.8， 'label2'： 0.5}，]

[? ? ? ? ?user2：{...}...}]

公式⑵針對(duì)用戶u已看且與標(biāo)簽i相關(guān)的所有課程，將這些課程與標(biāo)簽i的相關(guān)系數(shù)求和，再使用sigmoid變體函數(shù)進(jìn)行歸一化處理，得到用戶u對(duì)標(biāo)簽i的評(píng)分。這里沒有將用戶u對(duì)已看課程j的實(shí)際評(píng)分作為對(duì)標(biāo)簽i評(píng)分的影響因素，是因?yàn)橛脩魧?duì)具體某一門課程的評(píng)分往往涉及許多除開課程內(nèi)容之外的其他因素，如教師授課質(zhì)量，課程計(jì)劃安排等。相比之下，只考慮用戶對(duì)某一標(biāo)簽相關(guān)課程的訪問頻次信息，能更準(zhǔn)確反映用戶對(duì)該標(biāo)簽的喜愛或需求程度。sigmoid變體函數(shù)如公式⑶所示。

[Sigx=11 + e-2x+4.8]? ⑶

2.3 基于綜合相似度的混合推薦

首先，計(jì)算基于標(biāo)簽的用戶模型與課程模型之間的余弦相似度，挑選相似度較高的前N門課程作為初始推薦列表。然后，將前N門課程與用戶的相似度作為其初始推薦系數(shù)。計(jì)算當(dāng)前用戶與其他所有用戶的“綜合相似度”后，設(shè)置合理閾值，得到相似用戶組。使用相似用戶的課程評(píng)分?jǐn)?shù)據(jù)，調(diào)整當(dāng)前用戶推薦列表中各課程的推薦系數(shù)。其中，“綜合相似度”由評(píng)分反饋相似度、專業(yè)相似度、年級(jí)相似度和興趣相似度加權(quán)組合而成。

2.4 結(jié)合注冊(cè)信息的推薦

對(duì)于標(biāo)題或簡(jiǎn)介里含有當(dāng)前用戶興趣關(guān)鍵詞的課程，增加一定比例的推薦系數(shù)。同時(shí)，結(jié)合當(dāng)前用戶與課程的層次匹配度調(diào)整各門課程的推薦系數(shù)。層次匹配度的計(jì)算著重參考了全國(guó)第四輪學(xué)科評(píng)估的數(shù)據(jù)（https：//souky.eol.cn/api/newapi/assess_result）和2020年校友會(huì)中國(guó)大學(xué)排名數(shù)據(jù)（http：//report.iresearch.cn/report_pdf.aspx？id=3728.2020 April）。將學(xué)科評(píng)估為A+類的院校排名設(shè)為1，A類院校排名設(shè)為2，依此類推。當(dāng)用戶所在專業(yè)與課程所屬學(xué)科一致且用戶所在院校與課程開辦院校均有對(duì)應(yīng)的學(xué)科評(píng)估排名時(shí)，我們按照學(xué)科評(píng)估排名的前后位序差距進(jìn)行等距計(jì)算并賦予相應(yīng)權(quán)重，使得兩者學(xué)科評(píng)估排名越相近，則層次匹配度越高。除上述情況外，我們按照院校綜合排名的前后位序差距進(jìn)行等距計(jì)算并賦予合理權(quán)重，使得兩者院校綜合排名越相近，則層次匹配度越高。

2.5 結(jié)合瀏覽痕跡的推薦

首先，結(jié)合搜索痕跡來(lái)影響課程的推薦系數(shù)。對(duì)于標(biāo)題或簡(jiǎn)介里含有搜索關(guān)鍵詞的課程，增加一定比例的推薦系數(shù)。其次，結(jié)合停留痕跡信息來(lái)影響課程的推薦系數(shù)。為與停留頁(yè)面信息相關(guān)的課程即標(biāo)題或簡(jiǎn)介中含有停留頁(yè)面關(guān)鍵詞的課程，提供與對(duì)應(yīng)停留時(shí)間呈線性相關(guān)的推薦系數(shù)提升比例。

3 慕課資源推薦系統(tǒng)的開發(fā)

3.1 基于Hibernate和MVC的總體設(shè)計(jì)

3.1.1 基于Hibernate框架的持久化設(shè)計(jì)

⑴ 建立持久化課程類和學(xué)生類。課程類包括id、名稱、開辦院校、授課教師、選課人數(shù)、簡(jiǎn)介、鏈接等屬性;學(xué)生類包括id、姓名、密碼、性別、所在院校、年級(jí)、所在專業(yè)、興趣愛好等屬性。

⑵ 建立持久化類映射文件（Course.hbm.xml、Student.hbm.xml），將課程類、學(xué)生類分別與數(shù)據(jù)庫(kù)中的課程詳細(xì)信息表、學(xué)生信息表關(guān)聯(lián)起來(lái)。

⑶ 建立Hibernate配置文件，配置連接數(shù)據(jù)庫(kù)的參數(shù)和持久化類映射文件的位置。

⑷ 建立Hibernate工具類，封裝對(duì)會(huì)話工廠對(duì)象和會(huì)話對(duì)象的創(chuàng)建和維護(hù)。

⑸ 在控制器servlet中對(duì)數(shù)據(jù)表進(jìn)行查詢，得到持久化對(duì)象列表。

3.1.2 基于MVC模式的系統(tǒng)框架設(shè)計(jì)

⑴ 模型為課程類、學(xué)生類。

⑵ 視圖包括綜合推薦頁(yè)（select-class.jsp）、課程搜索頁(yè)（search-class.jsp）、個(gè)人中心頁(yè)（individual.jsp），它們負(fù)責(zé)向用戶呈現(xiàn)JavaBeans中的數(shù)據(jù)。

⑶ 控制器為mainservlet以及它涉及的7個(gè)業(yè)務(wù)處理類。業(yè)務(wù)處理類包括綜合推薦處理類、知識(shí)元推薦處理類、推薦列表檢索處理類、慕課搜索處理類、登錄處理類、注冊(cè)處理類、個(gè)人中心訪問處理類。

3.2 系統(tǒng)組成與主要功能模塊

根據(jù)上述設(shè)計(jì)，我們實(shí)現(xiàn)了一個(gè)真實(shí)的個(gè)性化慕課推薦系統(tǒng)（http：//115.159.54.233：8080/moocrec/index.jsp），并已將其公開部署于騰訊云服務(wù)器。整個(gè)系統(tǒng)共包含熱門推薦、綜合推薦、知識(shí)元推薦、慕課搜索、登錄、注冊(cè)和個(gè)人中心等七個(gè)模塊。系統(tǒng)的功能模塊結(jié)構(gòu)如圖1所示。該系統(tǒng)的首頁(yè)運(yùn)行界面及推薦結(jié)果界面分別如圖2和圖3所示。

七個(gè)功能模塊的設(shè)計(jì)和實(shí)現(xiàn)特點(diǎn)分別介紹如下。

3.2.1 熱門推薦模塊

將爬取的課程數(shù)據(jù)劃分為十二個(gè)大類，分別為計(jì)算機(jī)、物理與電子、化學(xué)與化工、生物醫(yī)學(xué)、歷史與文學(xué)、數(shù)學(xué)與統(tǒng)計(jì)、經(jīng)濟(jì)、管理、教育與心理學(xué)、外語(yǔ)、藝術(shù)及政法等類別。在首頁(yè)的熱門推薦板塊，利用熱門課程信息和課程鏈接為用戶提供熱門課程入口。

3.2.2 綜合推薦模塊

當(dāng)用戶請(qǐng)求獲得綜合推薦時(shí)，該模塊將訪問數(shù)據(jù)庫(kù)的推薦列表緩存表，得到推薦課程的id列表。結(jié)合Hibernate框架將推薦列表由課程id列表轉(zhuǎn)化為課程持久化對(duì)象列表后，在前端綜合推薦頁(yè)向用戶呈現(xiàn)推薦結(jié)果。通過定期調(diào)用更新模塊，數(shù)據(jù)庫(kù)中的推薦列表緩存表將不斷更新，充分結(jié)合用戶新的行為痕跡信息影響綜合推薦，以適應(yīng)用戶的新偏好。

3.2.3 知識(shí)元推薦模塊

我們使用百度腦圖工具制作了內(nèi)含學(xué)習(xí)資源鏈接的知識(shí)結(jié)構(gòu)圖，這些圖存儲(chǔ)在百度云端的海量空間上。通過生成共享鏈接，可將知識(shí)結(jié)構(gòu)圖嵌入本系統(tǒng)的課程詳情頁(yè)，以實(shí)現(xiàn)知識(shí)元資源推薦的可視化展示。針對(duì)每門課程，我們?cè)诎俣仍贫舜鎯?chǔ)了三種不同難度層次的知識(shí)結(jié)構(gòu)圖，它們關(guān)聯(lián)了對(duì)應(yīng)學(xué)科大類下A、B、C類三類不同院校開辦的課程，并以它們來(lái)匹配處于不同層次的A、B、C三類用戶。A類和B類用戶分別對(duì)應(yīng)A類和B類院校的學(xué)生，C類用戶對(duì)應(yīng)C類院?；蛭磪⒃u(píng)院校的學(xué)生。從而實(shí)現(xiàn)為同一專業(yè)但不同學(xué)科層次的學(xué)生提供不同難度的知識(shí)元資源索引服務(wù)。以“數(shù)據(jù)結(jié)構(gòu)”課程為例，層次難度1的知識(shí)結(jié)構(gòu)圖掛接了北京大學(xué)和浙江大學(xué)的課程大綱，而各個(gè)知識(shí)點(diǎn)可鏈接至這兩所大學(xué)發(fā)布的學(xué)習(xí)資源;系統(tǒng)會(huì)自動(dòng)為所學(xué)專業(yè)（計(jì)算機(jī)類）評(píng)估為A類的學(xué)生呈現(xiàn)此知識(shí)結(jié)構(gòu)圖。

此模塊利用了前端AJAX技術(shù)和后端jFinal框架。用戶刷新或關(guān)閉課程的詳情頁(yè)時(shí)，前端JavaScript腳本將頁(yè)面URL、停留時(shí)間、用戶開始訪問時(shí)間和結(jié)束訪問時(shí)間、用戶id保存為JSON字符串，并利用AJAX向后端傳遞此數(shù)據(jù)。后端控制器接收并解析JSON字符串，將數(shù)據(jù)存入對(duì)應(yīng)模型并保存至數(shù)據(jù)庫(kù)。

3.2.4 慕課搜索模塊

該模塊用于提供對(duì)海量數(shù)據(jù)的語(yǔ)義檢索功能。用戶可在慕課搜索頁(yè)的搜索框中輸入關(guān)鍵詞，系統(tǒng)將向用戶提供與關(guān)鍵詞語(yǔ)義相關(guān)的課程。系統(tǒng)會(huì)結(jié)合院校排名數(shù)據(jù)，根據(jù)排名的前后位序差距進(jìn)行等距計(jì)算，優(yōu)先為用戶呈現(xiàn)層次需求匹配的課程。同時(shí)，此模塊記錄了用戶的搜索詞信息，用于更新綜合推薦。

3.2.5 登錄模塊

用戶提交登錄信息后，系統(tǒng)將結(jié)合Hibernate框架訪問數(shù)據(jù)庫(kù)獲取用戶持久化對(duì)象。當(dāng)該持久化對(duì)象不為空且用戶名與密碼校驗(yàn)正確時(shí)，用戶才能登錄系統(tǒng)，以便系統(tǒng)根據(jù)其個(gè)性化信息提供綜合推薦功能、知識(shí)元推薦功能和慕課搜索功能。

3.2.6 注冊(cè)模塊

用戶提交注冊(cè)信息后，系統(tǒng)將結(jié)合Hibernate框架為用戶生成持久化對(duì)象并存入數(shù)據(jù)庫(kù)。隨后系統(tǒng)啟用多線程機(jī)制，主線程負(fù)責(zé)用戶后續(xù)登錄服務(wù)，子線程負(fù)責(zé)調(diào)用推薦算法為新用戶生成綜合推薦結(jié)果并存入數(shù)據(jù)庫(kù)。

3.2.7 個(gè)人中心模塊

該模塊向用戶呈現(xiàn)其詳細(xì)的個(gè)人信息，包括用戶名、在讀院校、所在年級(jí)、在讀專業(yè)、興趣愛好等，并向用戶提供綜合推薦訪問入口。該模塊呈現(xiàn)的信息，為系統(tǒng)綜合推薦、知識(shí)元推薦和慕課搜索的結(jié)果提供一定的可解釋性。

4 結(jié)束語(yǔ)

本文開發(fā)的面向個(gè)性化學(xué)習(xí)的慕課資源推薦系統(tǒng)，是以混合推薦算法為基礎(chǔ)，使用了Hibernate和MVCWeb開發(fā)技術(shù)，可動(dòng)態(tài)捕獲學(xué)習(xí)者的在線行為數(shù)據(jù)，能從多角度感知用戶特征，是一個(gè)操作簡(jiǎn)單、可為學(xué)習(xí)者提供高效支持的個(gè)性化輔助學(xué)習(xí)工具。該系統(tǒng)充分挖掘了用戶的偏好與潛在需求，能較好地解決學(xué)習(xí)者在線學(xué)習(xí)時(shí)面臨的信息迷航和信息過載問題，具有良好的應(yīng)用價(jià)值。未來(lái)研究中，我們擬引入知識(shí)圖譜技術(shù)，對(duì)慕課資源所屬的知識(shí)體系及知識(shí)點(diǎn)間的關(guān)聯(lián)關(guān)系建模，從而為學(xué)習(xí)者提供可視化的學(xué)習(xí)路徑規(guī)劃服務(wù)和具有更高滿意度的推薦結(jié)果。

參考文獻(xiàn)（References）：

[1] 中華人民共和國(guó)教育部.教育部關(guān)于印發(fā)《教育信息化2.0行動(dòng)計(jì)劃》的通知[EB/OL].http：//www.moe.gov.cn/srcsite/A16/s3342/201804/t20180425_334188.html

[2] 新華網(wǎng).中共中央、國(guó)務(wù)院印發(fā)《中國(guó)教育現(xiàn)代化2035》[EB/OL].http：//www.moe.gov.cn/jyb_xwfb/s6052/moe_838/201902/t20190223_370857.html

[3] Shanshan Wan， Zhendong Niu. An e-learning recommen-dation approach based on the self-organization of learning resource[J].Knowledge Based Systems，2018.160：71-87

[4] Robert Bodily， Katrien Verbert. Review of research onstudent-facing learning analytics dashboards and educational recommender systems[J]. IEEE Transactions on Learning Technologies，2017.10（4）：405-418

[5] 劉宇，朱文浩.基于內(nèi)容和標(biāo)簽權(quán)重的混合推薦算法[J].計(jì)算機(jī)與數(shù)字工程，2020.48（4）：773-777

[6] 劉佳奇，王全民.基于改進(jìn)的用戶協(xié)同過濾算法的高校個(gè)性化圖書推薦系統(tǒng)[J].計(jì)算機(jī)與數(shù)字工程，2020.48（10）：2458-2461，2479

[7] 郭貴冰.推薦系統(tǒng)進(jìn)展：方法與技術(shù)[M].科學(xué)出版社，2018.