基于學(xué)習(xí)者畫像的個(gè)性化資源推薦系統(tǒng)研究

摘要：隨著教育信息化的不斷深入發(fā)展，涌現(xiàn)了海量的在線學(xué)習(xí)資源，文章提出了基于學(xué)習(xí)者畫像的在線學(xué)習(xí)資源個(gè)性化推薦模型，主要由數(shù)據(jù)收集處理、學(xué)習(xí)者畫像構(gòu)建、個(gè)性化資源推薦及反饋調(diào)整四個(gè)層面構(gòu)成，并在此基礎(chǔ)上，介紹了系統(tǒng)模塊及實(shí)驗(yàn)設(shè)計(jì)方法?；趯W(xué)習(xí)者畫像進(jìn)行的個(gè)性化學(xué)習(xí)資源推薦，提升了推薦內(nèi)容的精準(zhǔn)度，滿足了學(xué)習(xí)者獲取個(gè)性化學(xué)習(xí)資源的需求，推動后疫情時(shí)代教育領(lǐng)域發(fā)展。

關(guān)鍵詞：學(xué)習(xí)者畫像；在線學(xué)習(xí)資源；學(xué)習(xí)分析；個(gè)性化；推薦系統(tǒng)

中圖分類號：TP311 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2024）31-0012-03

開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）

0 引言

隨著信息技術(shù)的迅猛發(fā)展和互聯(lián)網(wǎng)的廣泛應(yīng)用，我國教育模式逐漸從傳統(tǒng)教育向智慧教育轉(zhuǎn)變，在線學(xué)習(xí)逐漸成為一種重要的學(xué)習(xí)方式。近年來，“互聯(lián)網(wǎng)+教育”發(fā)展理念的提出促使在線學(xué)習(xí)資源呈爆炸式增長，為學(xué)習(xí)者提供了豐富的知識來源，然而，面對龐大且復(fù)雜多樣的資源，學(xué)習(xí)者如何快速找到符合需求的學(xué)習(xí)材料成為一個(gè)挑戰(zhàn)。此外，每位學(xué)習(xí)者的知識背景、學(xué)習(xí)興趣和學(xué)習(xí)目標(biāo)都各不相同，這使得傳統(tǒng)的“一刀切”式推薦方法很難滿足個(gè)性化需求。因此，如何精準(zhǔn)高效地為學(xué)習(xí)者推薦合適的學(xué)習(xí)資源，確保其在短時(shí)間內(nèi)實(shí)現(xiàn)學(xué)習(xí)收益最大化，成為當(dāng)前在線教育領(lǐng)域亟待解決的問題。為此，在線學(xué)習(xí)資源個(gè)性化推薦系統(tǒng)應(yīng)運(yùn)而生，其目的在于通過智能技術(shù)，為每位學(xué)習(xí)者提供最合適的學(xué)習(xí)資源，量身打造最佳的學(xué)習(xí)路徑，從而提升學(xué)習(xí)效果。

傳統(tǒng)的學(xué)習(xí)資源推薦系統(tǒng)大多是面向所有學(xué)習(xí)者，根據(jù)學(xué)習(xí)資源的標(biāo)簽、關(guān)鍵詞等信息，采用簡單直接的匹配規(guī)則進(jìn)行推薦，然而，這種推薦方式未考慮學(xué)習(xí)者的知識結(jié)構(gòu)層次及學(xué)習(xí)興趣的遷移，忽視了學(xué)習(xí)者的個(gè)體差異和學(xué)習(xí)需求的多樣性，無法提供學(xué)習(xí)資源的個(gè)性化推薦?；趯W(xué)習(xí)者畫像的在線學(xué)習(xí)資源個(gè)性化推薦系統(tǒng)通過收集分析學(xué)習(xí)者個(gè)人信息、學(xué)習(xí)行為、知識背景、學(xué)習(xí)進(jìn)度、知識掌握程度以及興趣愛好等數(shù)據(jù)，挖掘?qū)W習(xí)者的個(gè)性化特征，精確定位薄弱知識點(diǎn)，從而實(shí)施多模態(tài)學(xué)習(xí)評價(jià)并及時(shí)提供個(gè)性化的教學(xué)指導(dǎo)。個(gè)性化推薦系統(tǒng)的應(yīng)用可以擺脫傳統(tǒng)教學(xué)時(shí)空上的限制，滿足了學(xué)習(xí)者移動、泛在、終身、差異化學(xué)習(xí)的學(xué)習(xí)需求，提高了推薦的準(zhǔn)確度以及學(xué)習(xí)者的學(xué)習(xí)興趣和動力，幫助他們實(shí)現(xiàn)學(xué)習(xí)收益的最大化，進(jìn)而促進(jìn)在線教學(xué)質(zhì)量的提升[1]。

1 基于學(xué)習(xí)者畫像的在線學(xué)習(xí)資源個(gè)性化推薦模型構(gòu)建

學(xué)習(xí)者畫像構(gòu)建是在線學(xué)習(xí)資源個(gè)性化推薦模型的根基，首先須收集學(xué)習(xí)者基本屬性信息、學(xué)習(xí)偏好信息、學(xué)習(xí)行為過程等數(shù)據(jù)，其次對這些數(shù)據(jù)進(jìn)行分析處理，賦予數(shù)字化標(biāo)簽[2]。通過畫像挖掘出學(xué)習(xí)者學(xué)習(xí)風(fēng)格、認(rèn)知水平，動態(tài)獲取個(gè)性化學(xué)習(xí)需求，從而將適合的資源推送給學(xué)習(xí)者，提高推薦結(jié)果的準(zhǔn)確性與可解釋性。

基于學(xué)習(xí)者畫像的在線學(xué)習(xí)資源個(gè)性化推薦模型如圖1所示，主要分為數(shù)據(jù)收集處理層、學(xué)習(xí)者畫像構(gòu)建層、個(gè)性化資源推薦層和反饋調(diào)整層。

1.1 數(shù)據(jù)收集處理

數(shù)據(jù)收集處理層是在線學(xué)習(xí)資源個(gè)性化推薦系統(tǒng)的基石，其功能主要集中在獲取、整合和存儲各類與學(xué)習(xí)相關(guān)的數(shù)據(jù)，并將原始數(shù)據(jù)經(jīng)過多重處理后轉(zhuǎn)化為供推薦算法使用的高質(zhì)量數(shù)據(jù)集。為確保推薦內(nèi)容的多樣性與相關(guān)性，實(shí)現(xiàn)精準(zhǔn)推薦，該層需收集多維度數(shù)據(jù)，如用戶的登錄日志、瀏覽路徑、資源點(diǎn)擊率、學(xué)習(xí)時(shí)長、互動行為等信息以及學(xué)習(xí)資源的元數(shù)據(jù)，如資源類別、出版日期、作者、關(guān)鍵詞、難度級別等，進(jìn)而生成初始數(shù)據(jù)集。隨后，對收集到的原始數(shù)據(jù)進(jìn)行預(yù)處理、轉(zhuǎn)化和特征提取，為后續(xù)的推薦算法層提供優(yōu)質(zhì)、結(jié)構(gòu)化的輸入數(shù)據(jù)[3]。為提高數(shù)據(jù)收集效率，通常采用分布式爬蟲等技術(shù)進(jìn)行大數(shù)據(jù)采集，而在數(shù)據(jù)安全性方面，實(shí)施嚴(yán)格的權(quán)限控制和數(shù)據(jù)加密機(jī)制，確保用戶隱私和數(shù)據(jù)完整性。隨著大數(shù)據(jù)技術(shù)的發(fā)展，還需考慮數(shù)據(jù)的擴(kuò)展性、持久性和實(shí)時(shí)性，以支撐推薦系統(tǒng)在海量數(shù)據(jù)環(huán)境下的高效運(yùn)行。

數(shù)據(jù)處理涉及缺失值處理、異常值檢測、重復(fù)值刪除、數(shù)據(jù)轉(zhuǎn)換及規(guī)范化等操作，運(yùn)用數(shù)據(jù)集成技術(shù)如ETL（Extract、Transform、Load） ，對來自不同數(shù)據(jù)源的信息進(jìn)行統(tǒng)一格式化并整合，以保證數(shù)據(jù)質(zhì)量和一致性。首先進(jìn)行數(shù)據(jù)清洗工作，此階段的核心是特征工程，通過主成分分析（PCA） 、時(shí)間序列分析、詞頻-逆文檔頻率（TF-IDF） 等方法，將高維、復(fù)雜的原始數(shù)據(jù)轉(zhuǎn)化為有意義的特征向量。經(jīng)過多重?cái)?shù)據(jù)處理操作后，原始數(shù)據(jù)被轉(zhuǎn)化為供推薦算法使用的高質(zhì)量數(shù)據(jù)集，為實(shí)現(xiàn)精準(zhǔn)、個(gè)性化的推薦結(jié)果奠定堅(jiān)實(shí)基礎(chǔ)。

1.2 學(xué)習(xí)者畫像構(gòu)建

教育領(lǐng)域推薦算法的發(fā)展較電子商務(wù)等其他領(lǐng)域更加緩慢，且學(xué)習(xí)資源的復(fù)雜度更高，具有較強(qiáng)的針對性和專業(yè)性，個(gè)性化推薦效果不理想，因此本文引入學(xué)習(xí)者畫像來解決此問題，將學(xué)習(xí)者畫像與在線學(xué)習(xí)資源推薦相結(jié)合，使得最后的推薦結(jié)果更加符合學(xué)習(xí)者的學(xué)習(xí)需求和興趣偏好。

學(xué)習(xí)者畫像源自“用戶畫像”，由Alan Cooper提出，對用戶全貌進(jìn)行刻畫，將用戶基本屬性、行為特征等進(jìn)行語義化的標(biāo)簽表示，幫助企業(yè)實(shí)現(xiàn)精準(zhǔn)化服務(wù)[4]。隨著人工智能、大數(shù)據(jù)等技術(shù)在教育領(lǐng)域的逐步深入，用戶畫像被引入教育領(lǐng)域[5]。學(xué)習(xí)者畫像是對學(xué)習(xí)者個(gè)體特征、學(xué)習(xí)行為、學(xué)習(xí)成果等多方面信息的綜合刻畫，這些信息包括但不限于學(xué)習(xí)者的年齡、性別、地域、教育背景、學(xué)習(xí)動機(jī)、學(xué)習(xí)風(fēng)格等。通過對學(xué)習(xí)者畫像的構(gòu)建，可以對學(xué)習(xí)者進(jìn)行分類和標(biāo)注，從而給用戶推薦具有相同分類及相關(guān)標(biāo)注的學(xué)習(xí)資源。肖君等從學(xué)習(xí)者基本特征、學(xué)習(xí)行為特征、學(xué)習(xí)路徑等三個(gè)維度構(gòu)建了高風(fēng)險(xiǎn)學(xué)習(xí)者畫像[6]。王春華以目標(biāo)為導(dǎo)向開展基于學(xué)習(xí)者畫像的精準(zhǔn)教學(xué)干預(yù)研究，實(shí)現(xiàn)數(shù)據(jù)資源的篩選與整合[7]。王莉莉等提出基于學(xué)習(xí)者畫像的個(gè)性化課程推薦方法，構(gòu)建了包含學(xué)習(xí)者基礎(chǔ)數(shù)據(jù)分析、行為數(shù)據(jù)分析和文本情感分析三個(gè)維度的學(xué)習(xí)者畫像特征模型[8]。本研究從基本信息、行為數(shù)據(jù)、知識掌握水平及學(xué)習(xí)情緒四個(gè)維度對學(xué)習(xí)者畫像進(jìn)行構(gòu)建，應(yīng)用統(tǒng)計(jì)分析、機(jī)器學(xué)習(xí)等技術(shù)抽取標(biāo)簽形成學(xué)習(xí)者畫像庫。

1.3 個(gè)性化資源推薦

個(gè)性化學(xué)習(xí)資源推薦算法主要分為基于內(nèi)容推薦、協(xié)同過濾推薦、基于關(guān)聯(lián)規(guī)則推薦以及混合推薦算法?；趦?nèi)容推薦算法是傳統(tǒng)過濾技術(shù)的延伸，根據(jù)用戶過去的行為和興趣，為用戶推薦具有相似內(nèi)容特征的項(xiàng)目，該算法主要適用于文本資源，特征提取有限，推薦內(nèi)容較為大眾化，不能挖掘用戶新興趣。協(xié)同過濾推薦算法是目前最流行的推薦算法，分為基于用戶（User-based） 的協(xié)同過濾算法和基于項(xiàng)目（Item-based） 的協(xié)同過濾算法，主要是分析與目標(biāo)用戶相似的用戶，找出與目標(biāo)用戶相似的用戶群組，將相似用戶偏好的學(xué)習(xí)資源、學(xué)習(xí)路徑等推薦給目標(biāo)用戶[9]?；谝?guī)則的推薦算法是通過已制定好的相關(guān)規(guī)則對用戶進(jìn)行推薦，規(guī)則的數(shù)量和質(zhì)量決定了推薦效果[10]?；旌贤扑]算法則是將兩種或多種算法相結(jié)合，避免單個(gè)算法的缺點(diǎn)，充分利用用戶的行為數(shù)據(jù)和項(xiàng)目內(nèi)容數(shù)據(jù)，提高推薦算法的準(zhǔn)確性和覆蓋率[11]。

然而，隨著網(wǎng)絡(luò)規(guī)模的擴(kuò)大，用戶行為數(shù)據(jù)和項(xiàng)目內(nèi)容數(shù)據(jù)的獲取與處理變得越來越困難，用戶興趣和需求的變化也更為頻繁，如何實(shí)時(shí)更新推薦結(jié)果以滿足用戶不斷變化的需求是一項(xiàng)重要任務(wù)。為了解決實(shí)際應(yīng)用中存在的問題，研究者們將社交網(wǎng)絡(luò)分析、深度學(xué)習(xí)、遷移學(xué)習(xí)等技術(shù)用以不斷優(yōu)化和改進(jìn)算法，以滿足用戶不斷變化的需求，為用戶提供更精準(zhǔn)、更個(gè)性化的學(xué)習(xí)資源推薦。

在教育領(lǐng)域，由于相同專業(yè)背景的學(xué)習(xí)者傾向于學(xué)習(xí)同類學(xué)習(xí)資源，具有很強(qiáng)的聚類效應(yīng)，本研究利用聚類算法對學(xué)習(xí)資源進(jìn)行分類整合，并通過協(xié)同過濾算法分析學(xué)習(xí)者之間的相似度，找到具有相似興趣愛好的學(xué)習(xí)者，綜合考慮學(xué)習(xí)者的基本信息、專業(yè)背景和課程熱度等因素，生成初始推薦候選集，進(jìn)而根據(jù)學(xué)習(xí)者畫像進(jìn)行再篩選，確定最終的推薦列表。

1.4 反饋調(diào)整

學(xué)習(xí)者的需求和偏好是動態(tài)變化的，推薦系統(tǒng)應(yīng)具備實(shí)時(shí)更新和調(diào)整推薦結(jié)果的能力，在短時(shí)間內(nèi)準(zhǔn)確地捕捉這些變化，綜合學(xué)習(xí)者的歷史學(xué)習(xí)數(shù)據(jù)、評價(jià)反饋信息等，對推薦結(jié)果進(jìn)行實(shí)時(shí)調(diào)整，以適應(yīng)學(xué)習(xí)者不斷變化的需求。

反饋調(diào)整層在推薦系統(tǒng)中充當(dāng)關(guān)鍵的調(diào)控器，主要任務(wù)是捕捉學(xué)習(xí)者對推薦內(nèi)容的反應(yīng)，包括點(diǎn)擊、收藏、分享、評分、評論等，并根據(jù)這些反饋數(shù)據(jù)實(shí)時(shí)優(yōu)化推薦算法和模型，提高個(gè)性化推薦的準(zhǔn)確性和滿意度[12]?；诖耍搶右攵喾N評估指標(biāo)，如點(diǎn)擊率（CTR） 、平均準(zhǔn)確率（MAP） 和歸一化折損累計(jì)增益（NDCG） ，以客觀量化推薦效果。

2 系統(tǒng)模塊與實(shí)驗(yàn)設(shè)計(jì)

2.1 系統(tǒng)模塊設(shè)計(jì)

基于學(xué)習(xí)者畫像的在線學(xué)習(xí)資源個(gè)性化推薦系統(tǒng)主要可分為學(xué)習(xí)者管理、學(xué)習(xí)資源管理、個(gè)性化推薦管理等三大模塊[13-14]，如圖2所示。學(xué)習(xí)者管理模塊主要負(fù)責(zé)學(xué)習(xí)者基本信息、學(xué)習(xí)行為、學(xué)習(xí)情緒及知識掌握情況的管理與分析，學(xué)習(xí)者基礎(chǔ)信息包括學(xué)習(xí)者的年齡、專業(yè)、性別、興趣愛好、知識水平等，學(xué)習(xí)行為包括學(xué)習(xí)者的瀏覽、收藏、分享、討論、作業(yè)等行為信息。學(xué)習(xí)資源管理模塊主要是管理者對資源的增、刪、改、查，以及資源的分類、下載、搜索、詳情設(shè)置等。個(gè)性化推薦管理模塊主要是對學(xué)習(xí)資源、學(xué)習(xí)路徑、學(xué)習(xí)同伴的推薦，高效精準(zhǔn)地為學(xué)習(xí)者推薦合適的學(xué)習(xí)資源，提高其學(xué)習(xí)興趣，滿足其個(gè)性化需求。

2.2 實(shí)驗(yàn)設(shè)計(jì)

實(shí)驗(yàn)數(shù)據(jù)集的選擇至關(guān)重要，對實(shí)驗(yàn)結(jié)果的準(zhǔn)確性和可信度具有重要影響?？刹捎妹麨椤癊dNet”的權(quán)威數(shù)據(jù)集，這是由人工智能導(dǎo)學(xué)系統(tǒng)Santa收集的大規(guī)模分層學(xué)生活動數(shù)據(jù)集，包含近80萬名學(xué)生的上億個(gè)交互信息，是迄今為止發(fā)布的最大公共交互教育系統(tǒng)數(shù)據(jù)集[15]。EdNet數(shù)據(jù)集適用于教育領(lǐng)域深度學(xué)習(xí)和推薦系統(tǒng)的研究，不僅提供了基本的用戶-資源交互信息，還融合了豐富的用戶特征、行為模式和學(xué)習(xí)資源元數(shù)據(jù)。其中，用戶行為數(shù)據(jù)記錄了諸如視頻觀看、題目作答、論壇參與等細(xì)粒度的互動行為，對于理解學(xué)習(xí)者的學(xué)習(xí)軌跡和習(xí)慣具有重要意義。EdNet還包含了學(xué)習(xí)資源的各種屬性，如題目難度、課程類別、知識點(diǎn)等，涵蓋了從初級到高級的各種課程內(nèi)容，囊括了學(xué)習(xí)的各個(gè)階段。除此之外，還有例如來自在線教育網(wǎng)站Junyi Academy 的數(shù)據(jù)集Junyi，是除EdNet 外數(shù)據(jù)量最多的開源數(shù)據(jù)集，以及來自ASSISTMENTS 在線輔導(dǎo)系統(tǒng)的ASSIST（2009、2012、2015、2017） 數(shù)據(jù)集，分別包含了學(xué)習(xí)者在不同問題上相應(yīng)數(shù)量集的交互行為，最多的達(dá)到254萬多個(gè)交互。這些豐富多樣的數(shù)據(jù)集支撐本研究進(jìn)行深入細(xì)致的探索并為在線學(xué)習(xí)資源個(gè)性化推薦系統(tǒng)的構(gòu)建提供了有力的支持。

為確保推薦系統(tǒng)的效果及可行性，采用組合式的實(shí)驗(yàn)方法策略。首先，模擬真實(shí)環(huán)境中的用戶行為，對數(shù)據(jù)集進(jìn)行數(shù)據(jù)抽樣和再現(xiàn)，構(gòu)建模擬實(shí)驗(yàn)環(huán)境。基于該環(huán)境，采用簡單交叉驗(yàn)證方法對數(shù)據(jù)進(jìn)行分割，其中80%的數(shù)據(jù)作為訓(xùn)練集，20%的數(shù)據(jù)作為測試集，并采用準(zhǔn)確率（Accuracy） 、召回率（Recall） 、F1值以及均方誤差（MSE） 等多種評價(jià)指標(biāo)量化推薦效果，客觀地反映推薦系統(tǒng)的性能。此外，運(yùn)用隨機(jī)實(shí)驗(yàn)和準(zhǔn)實(shí)驗(yàn)法、問卷調(diào)查法或采集學(xué)習(xí)過程數(shù)據(jù)進(jìn)而建立因果模型等方法對系統(tǒng)有效性進(jìn)行更全面、更科學(xué)的評估驗(yàn)證。

3 總結(jié)與展望

通過對系統(tǒng)架構(gòu)、功能描述、模塊設(shè)計(jì)和實(shí)驗(yàn)數(shù)據(jù)及方法的全面分析，本研究設(shè)計(jì)了一個(gè)具有高準(zhǔn)確性的個(gè)性化推薦系統(tǒng)，為推動個(gè)性化教育和提高學(xué)習(xí)資源利用效率提供了有力支撐，提升了學(xué)習(xí)者的學(xué)習(xí)效果和學(xué)習(xí)體驗(yàn)。

未來教育必定朝著個(gè)性化、多樣化、智能化、集成化、協(xié)同化的方向發(fā)展，促進(jìn)學(xué)習(xí)者個(gè)性發(fā)展將成為后疫情時(shí)代教育領(lǐng)域的重要命題與教學(xué)新范式。然而，作為重要工具的個(gè)性化推薦系統(tǒng)的實(shí)現(xiàn)并非一蹴而就，需結(jié)合多種技術(shù)手段和領(lǐng)域知識，不斷進(jìn)行優(yōu)化和完善。因此，對于在線教育領(lǐng)域的研究者和開發(fā)者來說，如何有效融合多模態(tài)信息，進(jìn)一步提高推薦系統(tǒng)的智能化和個(gè)性化程度，以滿足學(xué)習(xí)者的多樣化需求，仍是一個(gè)值得深入探討的課題，此外，隨著隱私保護(hù)和數(shù)據(jù)安全問題的日益重視，如何在確保用戶隱私的前提下提供高質(zhì)量的推薦服務(wù)，將是推薦系統(tǒng)領(lǐng)域面臨的重要挑戰(zhàn)。

參考文獻(xiàn)：

[1] 董金偉，施雨晴，謝柏儒.基于人工智能的個(gè)性化學(xué)習(xí)資源自適應(yīng)推薦系統(tǒng)[J]. 信息與電腦（理論版），2021，33（15）：166-168.

[2] 成亞玲，譚愛平.如何幫助學(xué)習(xí)者走出學(xué)習(xí)資源迷航：基于學(xué)習(xí)者畫像的個(gè)性化學(xué)習(xí)資源推薦[J].當(dāng)代職業(yè)教育，2023（2）：103-112.

[3] 王雪文.基于大數(shù)據(jù)的個(gè)性化學(xué)習(xí)資源推薦系統(tǒng)研究與實(shí)現(xiàn)[D].西安：西安石油大學(xué)，2021.

[4] ALAN C. The inmates are running the asylum： why hightechproducts drive us crazy and how to restore the sanity[M].India?napolis：Sams，1999：22.

[5] 莫尉.學(xué)習(xí)者畫像建構(gòu)及應(yīng)用研究[J].湖南理工學(xué)院學(xué)報(bào)（自然科學(xué)版），2021，34（3）：64-69.

[6] 肖君，喬惠，李雪嬌.大數(shù)據(jù)環(huán)境下在線學(xué)習(xí)者畫像的構(gòu)建[J]. 開放教育研究，2019，25（4）：111-120.[7] 王春華.基于學(xué)習(xí)者畫像的精準(zhǔn)教學(xué)干預(yù)研究[J].濟(jì)南大學(xué)學(xué)報(bào)（社會科學(xué)版），2023，33（2）：136-146.

[8] 王莉莉，郭威彤，楊鴻武.利用學(xué)習(xí)者畫像實(shí)現(xiàn)個(gè)性化課程推薦[J].電化教育研究，2021，42（12）：55-62.

[9] 王子茹，宋尚文，閻紅燦.協(xié)同過濾推薦算法的性能對比與分析[J].計(jì)算機(jī)仿真，2022，39（9）：435-440.

[10] 孫歆，王永固，邱飛岳.基于協(xié)同過濾技術(shù)的在線學(xué)習(xí)資源個(gè)性化推薦系統(tǒng)研究[J].中國遠(yuǎn)程教育，2012（8）：78-82.

[11] 李雪婷，楊抒，賽亞熱·迪力夏提，等.融合內(nèi)容與協(xié)同過濾的混合推薦算法應(yīng)用研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2021，31（10）：24-29，37.

[12] 王曉晨，張景.大數(shù)據(jù)下開放教育自適應(yīng)學(xué)習(xí)系統(tǒng)的構(gòu)建[J].山西廣播電視大學(xué)學(xué)報(bào)，2021，26（3）：23-26.

[13] DAI L， FAN Y. Review of Personalized Recommendation Learners in E-Learning Systems[J].International Conference on Semantic Information Retrieval，2019（3）：3230-3239.

[14] 王茹雪.在線學(xué)習(xí)平臺個(gè)性化推薦系統(tǒng)設(shè)計(jì)研究[J].電腦知識與技術(shù)，2022，18（32）：41-43，54.

[15] 劉鐵園，陳威，常亮，等.基于深度學(xué)習(xí)的知識追蹤研究進(jìn)展[J].計(jì)算機(jī)研究與發(fā)展，2022，59（1）：81-104.

【通聯(lián)編輯：王力】

基金項(xiàng)目：江蘇高校哲學(xué)社會科學(xué)研究資助項(xiàng)目“基于在線作業(yè)行為的學(xué)習(xí)者畫像構(gòu)建與應(yīng)用研究”（項(xiàng)目編號：2023SJYB0779） ；江蘇建筑職業(yè)技術(shù)學(xué)院2023 年度科研課題（項(xiàng)目編號：2023138）；江蘇省教育科學(xué)規(guī)劃2023 年度專項(xiàng)課題“江蘇省面向?qū)W習(xí)型社會建設(shè)的終身數(shù)字學(xué)習(xí)適應(yīng)力及學(xué)習(xí)偏好研究”（項(xiàng)目編號：C/2023/01/62）