云平臺中在線學(xué)習(xí)資源的智能推送模型設(shè)計研究

范月祺

(山西職業(yè)技術(shù)學(xué)院，山西 太原 030006)

1 云平臺中海量學(xué)習(xí)資源有效使用問題

隨著移動網(wǎng)絡(luò)技術(shù)的發(fā)展與在線教育理念的普及，國內(nèi)各高校近年來都開展了在線課程資源庫建設(shè)工作，隨著課程建設(shè)項目的推進，大量的在線學(xué)習(xí)資源被部署在云平臺上。這些學(xué)習(xí)資源類型繁多、內(nèi)容全面，基本實現(xiàn)了對高校當(dāng)前開設(shè)的所有學(xué)科專業(yè)的全覆蓋，為學(xué)生的在線自主學(xué)習(xí)提供了豐富的教學(xué)資源[1]。但隨之而來的問題就是現(xiàn)階段大部分在線課程資源庫中的課程僅僅完成了堆砌式部署，并未根據(jù)不同學(xué)生的學(xué)習(xí)需求提供準(zhǔn)確的信息推送服務(wù)。學(xué)生需要從云平臺中的海量資源中自行篩選與甄別適用于自己的內(nèi)容，不僅造成時間上的浪費，也影響了云平臺中學(xué)習(xí)資源的有效利用率。

2 基于協(xié)同過濾算法的智能推薦技術(shù)

協(xié)同過濾算法的基本原理是基于用戶行為數(shù)據(jù)的相似度來推測用戶的潛在需求，首先構(gòu)建用戶行為偏好采集模型并獲取目標(biāo)用戶行為特征權(quán)值數(shù)據(jù)，然后在用戶行為特征庫中進行比對，獲取到目標(biāo)用戶與相似度較高的用戶群體，最終以用戶群為參考將關(guān)注度高的信息推送給目標(biāo)用戶[2]。在學(xué)習(xí)資源智能推薦的應(yīng)用場景中，協(xié)同過濾算法的應(yīng)用主要基于以下兩種評估模型展開。

2.1 用戶相似度評估模型

該模型的工作原理是對用戶的行為特征向量進行評估，以獲得符合目標(biāo)用戶偏好的個性化數(shù)據(jù)集。具體過程為，首先將全體用戶的行為特征數(shù)據(jù)進行向量化處理，在此基礎(chǔ)上采用相似度算法進行用戶比對，在已有的用戶特征庫中為目標(biāo)用戶匹配到相似度最高的用戶群體，并將該群體關(guān)注度較高的項目內(nèi)容進行歸集與權(quán)值排序，最終根據(jù)排序結(jié)果將項目序列推送給目標(biāo)用戶。

2.2 項目相似度評估模型

該評估模型基于對項目的相似度計算來運行，首先需要建立項目特征向量庫，在向用戶推送信息時，先根據(jù)用戶評分?jǐn)?shù)據(jù)甄別出目標(biāo)用戶當(dāng)前所重點關(guān)注的項目信息，并將該項目的屬性特征向量與其他項目進行相似度比對[3]。匹配到高相似度的項目并形成用戶可能感興趣的項目集合，最終按照相似度由高到低的順序?qū)㈨椖考贤扑徒o目標(biāo)用戶。

3 學(xué)習(xí)資源的智能推送模型設(shè)計

3.1 用戶相似度分析設(shè)計

學(xué)生用戶在參與線上學(xué)習(xí)過程中的行為特征與在線消費時的行為有明顯的區(qū)別，其線上學(xué)習(xí)所關(guān)注的領(lǐng)域具有良好的穩(wěn)定性，具體行為主要包括給出星級評分、課程討論、收藏記錄、資源下載等幾個方面。因此在建模中，以用戶行為統(tǒng)計的數(shù)量作為建模依據(jù)，并以一周的正常學(xué)習(xí)時間即5天為統(tǒng)計周期，提出用戶的行為特征向量以公式(1)表示。

(1)

(2)

其中，Si為用戶對課程i給出的星級評分；Supper與Slower是從已有的評分?jǐn)?shù)據(jù)中所統(tǒng)計出的頭部與底部數(shù)據(jù)的平均值，其統(tǒng)計規(guī)則是將評分由高到低排列后，獲取前10%的評分?jǐn)?shù)據(jù)的均值與后10%的評分?jǐn)?shù)據(jù)的均值，用于控制由用戶個體差異造成的評分?jǐn)?shù)據(jù)偏差。若用戶參與了課程內(nèi)容討論或課程資源下載的行為，表示用戶對該課程的關(guān)注度高，給予最高權(quán)重。若用戶僅執(zhí)行了收藏課程的操作，則認為用戶的關(guān)注度一般，基于Supper與Slower的均值來給予其平均權(quán)重。此外，考慮到用戶在線學(xué)習(xí)的時效性，在對用戶行為進行分析時必須考慮時間因素，公式(1)中的Tki用于表示行為的時間權(quán)重，以公式(3)表示。

(3)

其中，last(i)代表用戶最后一次瀏覽課程i的時間；T代表當(dāng)前系統(tǒng)時間；first(i)則代表用戶第一次瀏覽課程i的時間。

3.2 課程相似度分析模型設(shè)計

在線學(xué)習(xí)資源的特點是其內(nèi)涵被深度融入到以教學(xué)視頻、學(xué)習(xí)資源為表現(xiàn)的課程內(nèi)容中，其內(nèi)容難以進行全面直觀的描述。在本文中，以課程名稱、關(guān)鍵詞、課程概述作為權(quán)重來描述課程的特征，以公式(4)表示。

(4)

3.3 智能推送模型的構(gòu)建

智能推送的過程是在分析用戶行為數(shù)據(jù)的基礎(chǔ)上建立了用戶偏好模型，并基于用戶偏好模型分析用戶行為類別與課程類別之間的相關(guān)性。首先根據(jù)用戶給出的課程綜合評分值建立用戶偏好集合，在智能推薦服務(wù)中，推薦課程資源與用戶偏好的相關(guān)性主要通過對課程的相似度計算得到。

假設(shè)課程資源K對應(yīng)的用戶偏好集參數(shù)估計為Ik=(Ik1,Ik2,…Ikj…，Ikn),那么所有課程資源的偏好集參數(shù)估計為S=(I1,I2,…,Im，…IM)，然后計算偏好集和課程的相似性。本文采用的方法是余弦相似度計算方法。設(shè)置向量Im和In，然后計算兩者之間的相似度以公式(5)表示。

(5)

根據(jù)偏好集和課程的相似度計算，可以對偏好集和課程的相似度進行排序，最后由在線課程資源平臺按照排序順序向用戶推薦顯示相似度高的課程資源。

4 結(jié)論

本文通過協(xié)同過濾算法對云平臺中的用戶相似度與課程相似度進行分析并基于計算結(jié)果構(gòu)建了雙維度的學(xué)習(xí)資源智能推送模型，根據(jù)不同學(xué)生用戶前期積累的學(xué)習(xí)行為數(shù)據(jù)在云平臺上的海量學(xué)習(xí)資源中自動發(fā)掘有效的信息并準(zhǔn)確推送給相關(guān)的用戶，充分滿足學(xué)生的個性化在線學(xué)習(xí)需求，在提升自主學(xué)習(xí)效率的同時，也提高了對云平臺中學(xué)習(xí)資源的有效利用率。