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(guò)載”等問(wèn)題，以混合推薦算法為基礎(chǔ)，通過(guò)多角度挖掘用戶(hù)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(mǎn)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)

　　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(guò)載”[3-4]等問(wèn)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(hù)的個(gè)性化信息，設(shè)計(jì)并開(kāi)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(guò)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(hù)推薦與其過(guò)去所喜好物品在內(nèi)容上相似的其他物品。協(xié)同過(guò)濾算法基于興趣相投的假設(shè)，借助于用戶(hù)群體的行為模式分析，以方式進(jìn)行項(xiàng)目過(guò)濾。該推薦算法主要是對(duì)用戶(hù)群體的行為數(shù)據(jù)進(jìn)行分析，尋找鄰近用戶(hù)或鄰近物品進(jìn)而生成推薦[6]，如公式⑴常用于基于用戶(hù)的協(xié)同過(guò)濾算法的評(píng)分預(yù)測(cè)任務(wù)。將以上兩種類(lèi)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(hù)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(hù)u對(duì)物品j的預(yù)測(cè)評(píng)分;[rv，j]是用戶(hù)v對(duì)物品j的實(shí)際評(píng)分;[ru]為用戶(hù)u的平均評(píng)分;N是評(píng)價(jià)過(guò)物品j的相似用戶(hù)群;[simu，v]為用戶(hù)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(guò)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(hù)建模

　　結(jié)合用戶(hù)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(hù)對(duì)標(biāo)簽的評(píng)分(即喜愛(ài)程度)。

　　[Ru，i=Sig(j∈NSimi，j)] ⑵

　　其中，Ru，i表示用戶(hù)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(hù)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(hù)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(hù)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(hù)u對(duì)標(biāo)簽i的評(píng)分。這里沒(méi)有將用戶(hù)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?hù)對(duì)具體某一門(mén)課程的評(píng)分往往涉及許多除開(kāi)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(hù)對(duì)某一標(biāo)簽相關(guān)課程的訪問(wèn)頻次信息，能更準(zhǔn)確反映用戶(hù)對(duì)該標(biāo)簽的喜愛(ài)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(hù)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(mén)課程作為初始推薦列表。然后，將前N門(mén)課程與用戶(hù)的相似度作為其初始推薦系數(shù)。計(jì)算當(dāng)前用戶(hù)與其他所有用戶(hù)的“綜合相似度”后，設(shè)置合理閾值，得到相似用戶(hù)組。使用相似用戶(hù)的課程評(píng)分?jǐn)?shù)據(jù)，調(diào)整當(dāng)前用戶(hù)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(zhuān)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(hù)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(hù)與課程的層次匹配度調(diào)整各門(mén)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)和2020年校友會(huì)中國(guó)大學(xué)排名數(shù)據(jù)。將學(xué)科評(píng)估為A+類(lèi)的院校排名設(shè)為1，A類(lèi)院校排名設(shè)為2，依此類(lèi)推。當(dāng)用戶(hù)所在專(zhuān)業(yè)與課程所屬學(xué)科一致且用戶(hù)所在院校與課程開(kāi)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(kāi)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)

　?、?建立持久化課程類(lèi)和學(xué)生類(lèi)。課程類(lèi)包括id、名稱(chēng)、開(kāi)辦院校、授課教師、選課人數(shù)、簡(jiǎn)介、鏈接等屬性;學(xué)生類(lèi)包括id、姓名、密碼、性別、所在院校、年級(jí)、所在專(zhuān)業(yè)、興趣愛(ài)好等屬性。

　?、?建立持久化類(lèi)映射文件(Course.hbm.xml、Student.hbm.xml)，將課程類(lèi)、學(xué)生類(lèi)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)。

　?、?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(lèi)映射文件的位置。

　?、?建立Hibernate工具類(lèi)，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)。

　?、?在控制器servlet中對(duì)數(shù)據(jù)表進(jìn)行查詢(xún)，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)

　?、?模型為課程類(lèi)、學(xué)生類(lèi)。

　　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(hù)呈現(xiàn)JavaBeans中的數(shù)據(jù)。

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

　　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)，并已將其公開(kāi)部署于騰訊云服務(wù)器。整個(gè)系統(tǒng)共包含熱門(mén)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(mén)推薦模塊

　　將爬取的課程數(shù)據(jù)劃分為十二個(gè)大類(lèi)，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(lèi)別。在首頁(yè)的熱門(mén)推薦板塊，利用熱門(mén)課程信息和課程鏈接為用戶(hù)提供熱門(mén)課程入口。

　　推薦閱讀：民族教育研究發(fā)表什么論文