代紅 崔文華 魏東 趙輝 歐陽鑫玉

摘 要：網(wǎng)絡(luò)學(xué)習(xí)資源個性化推薦是一種在學(xué)習(xí)者沒有明確需求情況下幫助學(xué)習(xí)者快速獲取知識的一種途徑。本文介紹了移動微課程特點(diǎn)和學(xué)習(xí)者行為分析，闡述了學(xué)習(xí)資源推薦的評測指標(biāo)，并以《計算機(jī)網(wǎng)絡(luò)》移動微課程為例進(jìn)行說明，目的是為學(xué)習(xí)者可以利用碎片時間對個性化推薦的學(xué)習(xí)資源進(jìn)行學(xué)習(xí)，同時研究目的在于提高學(xué)習(xí)資源推薦的準(zhǔn)確性和高效性。

關(guān)鍵詞：網(wǎng)絡(luò)學(xué)習(xí);個性化推薦;學(xué)習(xí)行為;微課程

1 引言

隨著信息技術(shù)和互聯(lián)網(wǎng)的發(fā)展，人們逐漸從信息匱乏的時代走入了信息過載（informationoverload）的時代，且智能手機(jī)的廣泛應(yīng)用，大量信息涌入學(xué)習(xí)者生活。從大量信息中找到自己感興趣信息是十分困難的。如何提取有用信息并進(jìn)行適時推送，對于學(xué)生有效獲取知識并給學(xué)生適當(dāng)干預(yù)和指導(dǎo)具有重要意義。而這一功能可以通過個性化推薦系統(tǒng)得以實(shí)現(xiàn)。推薦系統(tǒng)的任務(wù)就是聯(lián)系學(xué)習(xí)者和信息，一方面幫助學(xué)習(xí)者發(fā)現(xiàn)對自己有價值的信息，另一方面讓信息能夠展現(xiàn)在對它感興趣的學(xué)習(xí)者面前，從而實(shí)現(xiàn)信息消費(fèi)者和信息生產(chǎn)者的雙贏。推薦系統(tǒng)不需要學(xué)習(xí)者提供明確的需求，而是通過分析學(xué)習(xí)者的歷史行為給學(xué)習(xí)者的興趣建模，從而主動給學(xué)習(xí)者推薦能夠滿足他們興趣和需求的知識信息。因此，從某種意義上說，推薦系統(tǒng)和搜索引擎對于學(xué)習(xí)者來說是兩個互補(bǔ)的工具。

個性化推薦技術(shù)可以共享學(xué)習(xí)者間的經(jīng)驗(yàn)，為目標(biāo)學(xué)習(xí)者推薦其相似學(xué)習(xí)者群偏好的信息資源[1]。目前個性化推薦已經(jīng)應(yīng)用于電子商務(wù)網(wǎng)站，電影和視頻網(wǎng)站，個性化音樂網(wǎng)絡(luò)電臺，社交網(wǎng)絡(luò)，個性化閱讀，基于位置的服務(wù)，個性化郵件，個性化廣告等領(lǐng)域中。本文通過分析移動微課程的學(xué)習(xí)者學(xué)習(xí)行為，提出一種基于學(xué)習(xí)者協(xié)同過濾技術(shù)的個性化學(xué)習(xí)資源推薦方法并應(yīng)用于移動微課程中，從而達(dá)到改變學(xué)習(xí)者主要從課堂上被動接受知識的學(xué)習(xí)習(xí)慣的目的，使學(xué)習(xí)者隨時隨地可以利用移動終端和碎片時間進(jìn)行自主學(xué)習(xí)，增加了學(xué)習(xí)興趣，降低了學(xué)習(xí)難度。

2 相關(guān)研究

2.1 移動微課程特點(diǎn)和學(xué)習(xí)者行為分析

微課程是指按照新課程標(biāo)準(zhǔn)及教學(xué)實(shí)踐要求，以教學(xué)視頻為核心，包含與教學(xué)相配套的“微教案”、“微練習(xí)”、“微課件”、“微點(diǎn)評”、“微反思”支持下的擴(kuò)展型資源，從而形成一個半結(jié)構(gòu)化、網(wǎng)頁化、開放性、情景化的資源動態(tài)生成與交互教學(xué)應(yīng)用環(huán)境。微課程短小精悍的特點(diǎn)決定了它非常適合作為移動學(xué)習(xí)資源，同時利用微課程的時效性、交互性和實(shí)用性，學(xué)習(xí)者可以實(shí)時分享學(xué)習(xí)資源，同時可以通過互動交流，實(shí)現(xiàn)學(xué)習(xí)資源的共建共享。同時學(xué)習(xí)者利用碎片時間可以進(jìn)行隨時隨地學(xué)習(xí)，為學(xué)習(xí)者提供更加靈活、自由的學(xué)習(xí)途徑。如果在移動微課程中通過分析學(xué)習(xí)者學(xué)習(xí)行為，并利用移動通信技術(shù)及傳感技術(shù)，我們就可以探測到學(xué)習(xí)者的交互對象、學(xué)習(xí)語境、學(xué)習(xí)環(huán)境等學(xué)習(xí)要素，檢測和分析收集到的數(shù)據(jù)，為學(xué)習(xí)者進(jìn)行適時學(xué)習(xí)資源的個性化推送服務(wù)，使學(xué)習(xí)者能夠獲取有意義的學(xué)習(xí)資源，提高學(xué)習(xí)者的學(xué)習(xí)能力，同時也可以提供有效的指導(dǎo)性活動。

學(xué)習(xí)者行為在個性化推薦系統(tǒng)中一般分兩種——顯性反饋行為（explicit feedback）和隱性反饋行為（implicit feedback）。顯性反饋行為包括學(xué)習(xí)者明確表示對學(xué)習(xí)資源喜好的行為，如對推薦學(xué)習(xí)資源的評分。隱性反饋行為指的是那些不能明確反應(yīng)學(xué)習(xí)者喜好的行為，如能夠反映學(xué)習(xí)行為的日志。最具代表性的隱性反饋行為就是頁面瀏覽行為。

2.2 學(xué)習(xí)資源推薦的評測指標(biāo)

推薦算法的評測指標(biāo)主要包括準(zhǔn)確率、召回率和覆蓋率。其中準(zhǔn)確率描述最終的學(xué)習(xí)資源推薦列表中有多少比例是發(fā)生過的學(xué)習(xí)者——學(xué)習(xí)資源評分記錄。召回率描述有多少比例的學(xué)習(xí)者——學(xué)習(xí)資源評分記錄包含在最終的學(xué)習(xí)資源推薦列表中。召回率也可以作為評測學(xué)習(xí)資源推薦算法的精度。覆蓋率（coverage）描述一個推薦系統(tǒng)對學(xué)習(xí)資源長尾的發(fā)掘能力。一個好的學(xué)習(xí)推薦系統(tǒng)不僅需要有比較高的學(xué)習(xí)者滿意度，也要有較高的覆蓋率。該覆蓋率表示最終學(xué)習(xí)資源推薦列表中包含多大比例的學(xué)習(xí)資源。如果所有的學(xué)習(xí)資源都被推薦給至少一個學(xué)習(xí)者，那么覆蓋率就是100%。

這三個指標(biāo)中覆蓋率通過離線、在線或者問卷調(diào)查計算均可以得到，預(yù)測準(zhǔn)確率和召回率一般通過離線計算或問卷調(diào)查計算得到。這三個指標(biāo)能幫助全面地了解學(xué)習(xí)資源推薦算法的性能。

2.3 《計算機(jī)網(wǎng)絡(luò)》微課程學(xué)習(xí)資源推薦

在進(jìn)行學(xué)習(xí)資源推薦前，先是找到與目標(biāo)學(xué)習(xí)者興趣相似的學(xué)習(xí)者集合，然后找到集合中學(xué)習(xí)者喜歡且目標(biāo)學(xué)習(xí)者沒有瀏覽過的學(xué)習(xí)資源推薦給目標(biāo)學(xué)習(xí)者。找到與目標(biāo)學(xué)習(xí)者興趣相似的學(xué)習(xí)者集合的關(guān)鍵就是計算兩個學(xué)習(xí)者的興趣相似度。

這里以《計算機(jī)網(wǎng)絡(luò)》微課程移動學(xué)習(xí)為例，學(xué)習(xí)者對此門課程的學(xué)習(xí)行為記錄為：

學(xué)習(xí)者E：物理層，數(shù)據(jù)鏈路層，傳輸層

學(xué)習(xí)者F：物理層，網(wǎng)絡(luò)層

學(xué)習(xí)者G：數(shù)據(jù)鏈路層，應(yīng)用層

學(xué)習(xí)者H：網(wǎng)絡(luò)層，傳輸層，應(yīng)用層

這里采用基于學(xué)習(xí)者的協(xié)同過濾算法，利用余弦相似度公式計算學(xué)習(xí)者之間的學(xué)習(xí)章節(jié)相似度值如下：

WEF=，WEG=，WEH=1/3

WFG= 0，WFH=，WGH=

從上面例子學(xué)習(xí)者F、G之間興趣相似度值WFG=0可以得出學(xué)習(xí)者F和學(xué)習(xí)者G對學(xué)習(xí)資源沒有產(chǎn)生過相同章節(jié)學(xué)習(xí)的行為。為此可以首先建立學(xué)習(xí)資源到學(xué)習(xí)者的倒排表，對于每個學(xué)習(xí)資源都保存對該學(xué)習(xí)資源產(chǎn)生過行為的學(xué)習(xí)者列表。同時也可以得到學(xué)習(xí)章節(jié)資源到不同學(xué)習(xí)者之間的倒排表如下：

物理層：學(xué)習(xí)者E、學(xué)習(xí)者F

數(shù)據(jù)鏈路層：學(xué)習(xí)者E、學(xué)習(xí)者G

網(wǎng)絡(luò)層：學(xué)習(xí)者F，學(xué)習(xí)者H

傳輸層：學(xué)習(xí)者E、學(xué)習(xí)者H

應(yīng)用層：學(xué)習(xí)者G、學(xué)習(xí)者H

如果使用余弦相似度，并應(yīng)用UserCF 算法得出學(xué)習(xí)者對學(xué)習(xí)資源的感興趣程度。學(xué)習(xí)者E對學(xué)習(xí)資源“網(wǎng)絡(luò)層”、“應(yīng)用層”沒有過學(xué)習(xí)行為，因此可以把這兩個學(xué)習(xí)資源推薦給學(xué)習(xí)者E。

3 結(jié)論

個性化推薦的成功應(yīng)用需要兩個條件，第一是存在信息過載，第二是學(xué)習(xí)者大部分時候沒有特別明確的需求。在這兩種條件下，本文嘗試著將基于學(xué)習(xí)者的協(xié)同過濾技術(shù)引入到移動微課程學(xué)習(xí)環(huán)境設(shè)計中，使學(xué)習(xí)者能夠獲取有意義的學(xué)習(xí)資源。個性化推薦技術(shù)可以共享學(xué)習(xí)者間的經(jīng)驗(yàn)，為目標(biāo)學(xué)習(xí)者推薦其相似學(xué)習(xí)者群偏好的信息資源。

基金項(xiàng)目：遼寧省教育科學(xué)“十三五”規(guī)劃高教類立項(xiàng)課題成果“微課程移動學(xué)習(xí)行為預(yù)測與干預(yù)研究”（JG18DB279）;遼寧省普通高等學(xué)校本科教學(xué)改革研究項(xiàng)目“網(wǎng)絡(luò)學(xué)習(xí)視域下的本科教學(xué)創(chuàng)新模式研究與實(shí)踐”;遼寧科技大學(xué)教學(xué)改革研究項(xiàng)目“大數(shù)據(jù)環(huán)境下微課程移動學(xué)習(xí)的研究”（XJGYB201705）;

參考文獻(xiàn)

[1]裴艷.基于學(xué)習(xí)分析的學(xué)習(xí)資源個性化推薦研究[D].陜西師范大學(xué)，2015年.

[2]黃睿航，齊禮良.關(guān)系嵌入：網(wǎng)絡(luò)學(xué)習(xí)者的學(xué)習(xí)行為實(shí)證研究[J].遠(yuǎn)程教育雜志，2015（6）：54-61.

[3]李小娟，梁中鋒，趙楠.在線學(xué)習(xí)行為對混合學(xué)習(xí)績效的影響研究[J].現(xiàn)代教育技術(shù)，2017（2）：79-85.

[4]姜玉蓮.微課程研究與發(fā)展趨勢系統(tǒng)化分析[J].中國遠(yuǎn)程教育，2013（12）：64-73.84.

[5]牟智佳，武法提.電子書包中基于學(xué)習(xí)者模型的個性化學(xué)習(xí)資源推薦研究[J].2015（1）：69-76.

[6]王永固，邱飛岳，趙建龍.基于協(xié)同過濾技術(shù)的學(xué)習(xí)資源個性化推薦研究[J].遠(yuǎn)程教育雜志，2011（3）：66-71.

[7]張健.基于數(shù)據(jù)挖掘的網(wǎng)絡(luò)學(xué)習(xí)行為分析與研究[D].西安電子科技大學(xué)，2017年.