邵景峰，王蕊超

西安工程大學(xué) 管理學(xué)院，西安 710048

1 引言

在十九大報(bào)告中明確指出要“辦好網(wǎng)絡(luò)教育”，這表明僅靠傳統(tǒng)的教育模式已經(jīng)無(wú)法應(yīng)對(duì)未來(lái)，而互聯(lián)網(wǎng)教育打破了傳統(tǒng)的“教&學(xué)”方式，能夠滿(mǎn)足全社會(huì)參與所形成各種形態(tài)的學(xué)習(xí)型組織，為加快建設(shè)學(xué)習(xí)型社會(huì)、學(xué)習(xí)型國(guó)家提供基礎(chǔ)條件。2013年5月，清華大學(xué)攜手edX進(jìn)入中國(guó)互聯(lián)網(wǎng)教育市場(chǎng)，掀起了中國(guó)“互聯(lián)網(wǎng)+教育”新模式的高潮。然而，MOOCs的崛起及風(fēng)靡全球，為更多求學(xué)者帶來(lái)學(xué)習(xí)機(jī)遇的同時(shí)，課程高輟學(xué)率的問(wèn)題也逐漸暴露，其根本原因之一是學(xué)習(xí)者知識(shí)儲(chǔ)備與課程不匹配[1]，主要表現(xiàn)為用戶(hù)在線課程選擇過(guò)程中忽略課程學(xué)習(xí)的進(jìn)階性，進(jìn)而導(dǎo)致知識(shí)間出現(xiàn)斷層。而科學(xué)的課程引導(dǎo)是解決該問(wèn)題的一種有效途徑。

推薦系統(tǒng)作為一種高效的信息過(guò)濾方法[2]和引導(dǎo)手段，其主要任務(wù)是借助推薦算法[3]（基于內(nèi)容的算法、基于協(xié)同過(guò)濾的算法、混合推薦算法），通過(guò)分析用戶(hù)信息、物品信息或其他輔助信息，進(jìn)而獲得用戶(hù)對(duì)物品的偏好或相關(guān)特征，并據(jù)此為用戶(hù)進(jìn)行物品推薦[4]。

對(duì)此，本研究借助“中國(guó)大學(xué)MOOC”平臺(tái)，提出了一種基于規(guī)則庫(kù)的用戶(hù)選課健康狀態(tài)感知及推薦方法。該方法首先依據(jù)課程屬性信息構(gòu)建了基于課程進(jìn)階關(guān)系的規(guī)則庫(kù)。在此基礎(chǔ)上，利用用戶(hù)行為反饋信息和協(xié)同過(guò)濾算法提出了用戶(hù)選課健康狀態(tài)感知模型，并實(shí)現(xiàn)了課程的個(gè)性化推薦。

2 文獻(xiàn)回顧

針對(duì)用戶(hù)在線課程推薦這一主題，研究人員主要圍繞課程資源信息過(guò)載[5-6]，進(jìn)而導(dǎo)致用戶(hù)課程選擇出現(xiàn)“迷航”這一核心問(wèn)題展開(kāi)探究。如：Elbadrawy等人[7]探討了學(xué)生課程學(xué)習(xí)行為特點(diǎn)是如何影響學(xué)生選課，并借助基于用戶(hù)的協(xié)同過(guò)濾算法（User-Based Collaborative Filtering）和Top-N的推薦方式進(jìn)而實(shí)現(xiàn)課程推薦。Hoiles等人[8]考慮到學(xué)生知識(shí)、學(xué)習(xí)行為和目標(biāo)的多樣性，將專(zhuān)家知識(shí)庫(kù)融入推薦算法中，為用戶(hù)提供高效的個(gè)性化課程推薦服務(wù)。而Aher等人[9]則將多種數(shù)據(jù)挖掘方法（k-means和Apriori關(guān)聯(lián)規(guī)則）引入得到課程推薦系統(tǒng)中，并將其進(jìn)行組合研究。然而，上述研究聚焦在推薦算法和用戶(hù)選課喜好上，而忽略了對(duì)象屬性信息的重要性。因此，Salehi等人[10]將課程多屬性和用戶(hù)等級(jí)融合在統(tǒng)一的模型中，進(jìn)而提高了課程推薦的質(zhì)量。沈苗等人[11]提出了一種以學(xué)生屬性分類(lèi)為前提的協(xié)同過(guò)濾算法，該方法借助學(xué)生屬性信息并改進(jìn)學(xué)生相似度的計(jì)算方法，進(jìn)而實(shí)現(xiàn)課程推薦。而馬莉等人[12]則將訪問(wèn)序列的先后次序作為推薦的重要依據(jù)，進(jìn)而基于向量及利用DBSCAN算法對(duì)用戶(hù)進(jìn)行協(xié)同過(guò)濾聚類(lèi)并實(shí)施知識(shí)點(diǎn)推薦。為了進(jìn)一步提高用戶(hù)對(duì)選課的滿(mǎn)意度，徐揚(yáng)等人[13]從信息資源建設(shè)的實(shí)用性、系統(tǒng)性和共享共建原則角度出發(fā)，建立了高校課程定制與推薦的模型，當(dāng)學(xué)生輸入一套課程序列時(shí)，自動(dòng)為每個(gè)學(xué)生提供一套滿(mǎn)意度最高的課程方案。而考慮到用戶(hù)課程選擇可能有不同的目的和背景，Jing等人[14]則設(shè)計(jì)了一個(gè)基于用戶(hù)訪問(wèn)行為的內(nèi)容感知推薦算法，該算法充分利用了人口統(tǒng)計(jì)學(xué)屬性和課程前提關(guān)系，更好地揭示用戶(hù)的潛在選擇。

綜上，學(xué)者們借助用戶(hù)屬性及喜好、課程多屬性及滿(mǎn)意度等信息，將其融合到各種推薦算法中，解決了課程資源信息過(guò)載導(dǎo)致用戶(hù)課程選擇出現(xiàn)“迷航”這一核心問(wèn)題，并不斷提高了推薦效率及用戶(hù)滿(mǎn)意度。但對(duì)于用戶(hù)在線課程選擇過(guò)程中忽略課程學(xué)習(xí)的進(jìn)階性，進(jìn)而導(dǎo)致知識(shí)間出現(xiàn)斷層的問(wèn)題尚未很好解決。因此，本研究以“中國(guó)大學(xué)MOOC”平臺(tái)為例，提出了一種基于規(guī)則庫(kù)的用戶(hù)選課健康狀態(tài)感知及推薦。該方法首先依據(jù)課程屬性信息構(gòu)建了基于課程進(jìn)階關(guān)系的規(guī)則庫(kù)，進(jìn)而借助協(xié)同過(guò)濾算法提出了用戶(hù)選課健康狀態(tài)感知模型，并實(shí)現(xiàn)個(gè)性化的課程推薦。

3 規(guī)則庫(kù)及模型構(gòu)建

3.1 用戶(hù)選課健康狀態(tài)概念的提出

用戶(hù)在線課程選擇過(guò)程中忽略課程學(xué)習(xí)的進(jìn)階性，進(jìn)而導(dǎo)致知識(shí)間出現(xiàn)斷層的問(wèn)題。而課程作為知識(shí)獲取的載體，因此，用戶(hù)所選課程進(jìn)階關(guān)系的完整性是保證其課程知識(shí)結(jié)構(gòu)健壯性的一種有效途徑。對(duì)于該健壯性程度的描述，本研究將其命名為用戶(hù)選課健康狀態(tài)。

由上述概念可知，探索課程進(jìn)階關(guān)系是感知用戶(hù)選課健康狀態(tài)的基礎(chǔ)。對(duì)此，本研究借助課程屬性信息，識(shí)別與構(gòu)建了一種基于課程進(jìn)階關(guān)系的規(guī)則庫(kù)，為用戶(hù)選課健康狀態(tài)感知和計(jì)算提供依據(jù)和標(biāo)準(zhǔn)，并在此基礎(chǔ)上，提出了用戶(hù)選課健康狀態(tài)感知模型及推薦方法，實(shí)現(xiàn)了用戶(hù)在線課程選擇的引導(dǎo)及個(gè)性化推薦。

3.2 識(shí)別與構(gòu)建基于課程進(jìn)階關(guān)系的規(guī)則庫(kù)

在線課程碎片化的課程設(shè)計(jì)模式，打破了傳統(tǒng)課程體系的層次進(jìn)階結(jié)構(gòu)，采用“化整為零”、開(kāi)放性和無(wú)門(mén)檻的策略贏得了用戶(hù)的青睞。然而，“支離破碎”的碎片化課程學(xué)習(xí)方式必然會(huì)導(dǎo)致用戶(hù)獲得的知識(shí)分散、結(jié)構(gòu)無(wú)序，喪失了其原有的完整意蘊(yùn)，而從“碎片”到“整體”的嬗變，最終能讓碎片化學(xué)習(xí)效能達(dá)到最大化[15]。課程作為知識(shí)獲取的載體，課程進(jìn)階關(guān)系結(jié)構(gòu)的完整性是保證這種嬗變的一種有效途徑。

系統(tǒng)科學(xué)認(rèn)為，事物的結(jié)構(gòu)是其功能賴(lài)以存在的條件和形式，沒(méi)有特定的結(jié)構(gòu)，就無(wú)法產(chǎn)生特定的功能[16]。對(duì)于課程知識(shí)獲取的結(jié)構(gòu)，主要體現(xiàn)在課程學(xué)習(xí)的進(jìn)階性。具體而言，課程結(jié)構(gòu)需要按照依次進(jìn)階、逐級(jí)深化的原則設(shè)置?，F(xiàn)階段我國(guó)課程體系中課程學(xué)習(xí)進(jìn)階模型如圖1所示。

圖1 課程學(xué)習(xí)進(jìn)階模型

就“中國(guó)大學(xué)MOOC”平臺(tái)而言，圖1中的基礎(chǔ)課程是指該課程無(wú)前導(dǎo)課程或前導(dǎo)課程為高中相關(guān)課程；進(jìn)階課程指學(xué)習(xí)該課程前需要具備前導(dǎo)課程相關(guān)知識(shí)；LP(cij,ci+1j)表示課程Cij與課程Ci+1,j是否存在進(jìn)階關(guān)系，其中，Cij為前導(dǎo)課程，Ci+1,j為進(jìn)階課程。具體表達(dá)式如式（1）所示：

基于上述的課程學(xué)習(xí)進(jìn)階模型，通過(guò)對(duì)“中國(guó)大學(xué)MOOC”平臺(tái)進(jìn)行深入了解，在該平臺(tái)課程信息的“課程詳情”模塊中發(fā)現(xiàn)該課程已經(jīng)明確指出了與該門(mén)課程相關(guān)的“預(yù)備知識(shí)”要求?；诖?，借助網(wǎng)絡(luò)爬蟲(chóng)技術(shù)，依次對(duì)該平臺(tái)中每門(mén)課程的“預(yù)備知識(shí)”描述信息進(jìn)行提取，并且根據(jù)其語(yǔ)義表達(dá)關(guān)系進(jìn)行課程進(jìn)階關(guān)系提純，進(jìn)而構(gòu)建了基于課程進(jìn)階關(guān)系的規(guī)則庫(kù)。具體流程如圖2所示。

圖2 規(guī)則庫(kù)構(gòu)建流程圖

圖2 中，“與”關(guān)系表示任意進(jìn)階課程的多個(gè)前導(dǎo)課程之間存在并列關(guān)系；“或”關(guān)系表示任意進(jìn)階課程的多個(gè)前導(dǎo)課程之間存在或關(guān)系；“非”關(guān)系表示該門(mén)課程屬于基礎(chǔ)課程，沒(méi)有前導(dǎo)課程或者具備高中水平即可。

為了進(jìn)一步闡述規(guī)則庫(kù)的識(shí)別與構(gòu)建過(guò)程，以該平臺(tái)中的“軟件測(cè)試與質(zhì)量”課程為例，對(duì)其核心流程“數(shù)據(jù)提取及處理”進(jìn)行說(shuō)明，具體如圖3所示。

圖3 數(shù)據(jù)提取及處理流程圖

為了細(xì)化前導(dǎo)課程之間的關(guān)系，本研究在關(guān)系提純及存儲(chǔ)過(guò)程中對(duì)課程間的關(guān)系承接進(jìn)行標(biāo)識(shí)。其中，“與”關(guān)系之間用“，”連接；“或”關(guān)系用“；”連接；“與&或”之間用“-”連接；“非”關(guān)系則用“0”表示。

3.3 用戶(hù)選課健康狀態(tài)感知模型

就學(xué)習(xí)者而言，課程學(xué)習(xí)是其獲得相關(guān)知識(shí)的主要載體，用戶(hù)所選課程進(jìn)階關(guān)系的完整性是保證其課程知識(shí)結(jié)構(gòu)健壯性的一種有效途徑。因此，用戶(hù)選課進(jìn)階關(guān)系越完整，其知識(shí)結(jié)構(gòu)的健康狀態(tài)越良好。但由于課程參與及選擇渠道較廣（如：在校課程、MOOCs、培訓(xùn)、自學(xué)等），用戶(hù)課程吸收及轉(zhuǎn)化情況復(fù)雜，進(jìn)而使得用戶(hù)原有或基礎(chǔ)的知識(shí)及水平無(wú)法得知?；诖?，依據(jù)3.2節(jié)所構(gòu)建的基于課程進(jìn)階關(guān)系的規(guī)則庫(kù)，采取基于物品的協(xié)同過(guò)濾方法（Item-Based Collaborative Filtering）[17-18]來(lái)挖掘及估計(jì)用戶(hù)對(duì)某一進(jìn)階關(guān)系中未選擇的前導(dǎo)課程已在其他渠道選擇的概率，進(jìn)而構(gòu)建了用戶(hù)選課健康狀態(tài)感知模型，具體如下：

對(duì)于用戶(hù)uv所選擇的課程集合c(uv)而言，其內(nèi)部課程之間會(huì)依據(jù)規(guī)則庫(kù)中的課程進(jìn)階關(guān)系劃分為多個(gè)課程進(jìn)階體系，并對(duì)各課程體系進(jìn)行補(bǔ)全，保證各獨(dú)立的進(jìn)階體系完整，同時(shí)移除獨(dú)立的基礎(chǔ)課程，進(jìn)而形成用戶(hù)uv的課程選擇進(jìn)階體系S(uv)，具體如圖4所示。

圖4 用戶(hù)課程進(jìn)階體系集合

圖4 中，sn表示由課程cn所構(gòu)成的課程進(jìn)階體系，該體系包括進(jìn)階課程cn以及該課程所需的前導(dǎo)課程。由于用戶(hù)所選課程c7為獨(dú)立的基礎(chǔ)課程，將其進(jìn)行移除操作處理。對(duì)于完整的進(jìn)階體系而言，c8為該體系中的進(jìn)階課程，此外，該體系還包括用戶(hù)未選擇的課程c5。表示用戶(hù)uv參與課程ci學(xué)習(xí)且已選擇該課程的前導(dǎo)課程cj的概率（采用基于物品的協(xié)同過(guò)濾算法進(jìn)行估計(jì)），具體表達(dá)示為：

式中，u(ci)表示已經(jīng)選擇課程ci的用戶(hù)集合；u(cj)表示已經(jīng)選擇課程cj的用戶(hù)集合；c(uv)表示用戶(hù)uv所選擇的課程集合。

由于進(jìn)階課程一般需要多門(mén)前導(dǎo)課程作為其預(yù)備知識(shí)，并且各前導(dǎo)課程對(duì)其進(jìn)階課程的貢獻(xiàn)度和重要程度難以衡量，但對(duì)于該進(jìn)階課程所構(gòu)成的課程進(jìn)階體系而言缺一不可。因此，本研究將前導(dǎo)課程進(jìn)行均等化處理，即：對(duì)于某一進(jìn)階課程所需的所有前導(dǎo)課程，其中的任意一門(mén)前導(dǎo)課程對(duì)該進(jìn)階課程的貢獻(xiàn)度和重要程度相等?；诖?，可得由該進(jìn)階課程構(gòu)成的課程進(jìn)階體系完整度ruv(si)，具體計(jì)算方式如下所示：

則用戶(hù)選課健康狀態(tài)良好度r(uv)可表示為：

3.4 基于用戶(hù)選課健康狀態(tài)感知模型的課程推薦方法

本研究的目的是為解決用戶(hù)在線課程選擇過(guò)程中忽略課程學(xué)習(xí)的進(jìn)階性，進(jìn)而導(dǎo)致知識(shí)間出現(xiàn)斷層的問(wèn)題，而用戶(hù)所選課程進(jìn)階體系的完整性是保證用戶(hù)知識(shí)結(jié)構(gòu)健壯的一種有效途徑。根據(jù)3.3節(jié)構(gòu)建的用戶(hù)選課健康狀態(tài)感知模型可知，本研究課程推薦的目標(biāo)為。其次，為了提高推薦效率，該方法將按照ruv(si)降序的原則，優(yōu)先推薦完整度較高的體系si中用戶(hù)未參與且較低的課程。此外，為了避免用戶(hù)所選課程偏向基礎(chǔ)課程，進(jìn)而導(dǎo)致課程推薦列表不足。因此，本研究將依據(jù)規(guī)則庫(kù)，由已選課程作為前導(dǎo)課程并采取基于物品的協(xié)同算法來(lái)補(bǔ)充推薦列表，具體表達(dá)式為：

表1 數(shù)據(jù)集

輸入：用戶(hù)uv；用戶(hù)選課集合c(uv)；進(jìn)階關(guān)系LP(c)；推薦數(shù)量n。

輸出：推薦課程集合cv。

1.獲取用戶(hù)uv所關(guān)注的課程集合c(uv)，依次檢索并將所選課程按照進(jìn)階關(guān)系LP(c)構(gòu)建課程進(jìn)階體系S(uv)。

2.計(jì)算每一課程進(jìn)階體系si(uv)的完整度ruv(si)，并將ruv(si)＜1的課程進(jìn)階體系si(uv)保存至R集合中。

3.對(duì)R按照降序排序。

4.依據(jù)R排序反向搜索si(uv)中用戶(hù)未參與的課程，并按照升序排序存入推薦列表cv中。

綜上，首先通過(guò)對(duì)目標(biāo)網(wǎng)站進(jìn)行分析，使用網(wǎng)絡(luò)爬蟲(chóng)工具提取課程信息及其屬性信息，進(jìn)而識(shí)別和構(gòu)建了基于課程進(jìn)階關(guān)系的規(guī)則庫(kù)。其次，針對(duì)用戶(hù)原有或基礎(chǔ)能力及水平無(wú)法得知的問(wèn)題，采用基于物品的協(xié)同過(guò)濾方法來(lái)挖掘及估計(jì)該用戶(hù)已參與該課程學(xué)習(xí)的概率，并在規(guī)則庫(kù)的基礎(chǔ)上構(gòu)建了用戶(hù)選課健康狀態(tài)感知模型。最后，針對(duì)用戶(hù)選課健康狀態(tài)實(shí)現(xiàn)了在線課程的個(gè)性化推薦。

4 實(shí)驗(yàn)分析

4.1 實(shí)驗(yàn)數(shù)據(jù)來(lái)源

借助網(wǎng)絡(luò)爬蟲(chóng)工具，以“中國(guó)大學(xué)MOOC”平臺(tái)網(wǎng)站課程及用戶(hù)作為目標(biāo)，收集其課程資源信息、用戶(hù)信息及其行為信息。其中，課程資源信息以網(wǎng)站導(dǎo)航分類(lèi)欄作為入口，依次爬取各類(lèi)別下課程資源信息；用戶(hù)信息的獲取，參照平臺(tái)用戶(hù)ID編碼形式，隨機(jī)選取多個(gè)類(lèi)ID編碼作為起始賬號(hào)并設(shè)置ID增加步長(zhǎng)為1，依次對(duì)“中國(guó)大學(xué)MOOC”平臺(tái)用戶(hù)信息進(jìn)行爬取，同時(shí)進(jìn)行有效性篩選及確認(rèn)；在用戶(hù)信息的基礎(chǔ)上，依次訪問(wèn)用戶(hù)主頁(yè)并獲取其課程參與信息。通過(guò)2輪的數(shù)據(jù)收集（分別于2017年10月5日和2017年11月7日），獲取到的數(shù)據(jù)詳細(xì)情況如表1所示。

4.2 用戶(hù)選課健康狀態(tài)感知及推薦

（1）用戶(hù)選課健康狀態(tài)感知及分析

本研究以3 609名用戶(hù)作為研究對(duì)象，借助其選課行為反饋數(shù)據(jù)，利用構(gòu)建的用戶(hù)選課健康狀態(tài)感知模型對(duì)用戶(hù)的健康狀態(tài)進(jìn)行分析，結(jié)果如圖5所示。

圖5 用戶(hù)選課健康狀態(tài)感知結(jié)果

由圖5可知，目前該平臺(tái)用戶(hù)選課健康狀態(tài)良好度主要集中在區(qū)間[1 ,0.7)，其中在區(qū)間[1 .0,0.9)人數(shù)最多。由于在日常的考試（100分制）等級(jí)評(píng)分中，80分為“良好”等級(jí)的劃分線，因此，以0.8作為閾值，即用戶(hù)選課健康狀態(tài)良好度低于0.8時(shí)，表明該用戶(hù)選課健康狀態(tài)較差。參考該閾值，對(duì)用戶(hù)選課健康狀態(tài)進(jìn)行分析。結(jié)果顯示，在r(uv)∈( ]0.8,0區(qū)間內(nèi)的用戶(hù)數(shù)量占比為37.46%；就參與進(jìn)階課程學(xué)習(xí)的用戶(hù)集合而言，在該區(qū)間內(nèi)的用戶(hù)占比達(dá)到41.03%。這說(shuō)明，目前該平臺(tái)用戶(hù)選課健康狀態(tài)的問(wèn)題較為突出。

表2 用戶(hù)uv選課集合及其健康狀態(tài)感知

（2）課程推薦模擬

從用戶(hù)選課健康狀態(tài)感知結(jié)果發(fā)現(xiàn)，當(dāng)前所獲取到3 609名用戶(hù)中，37.46%的用戶(hù)選課健康狀態(tài)較差，亟需科學(xué)的課程推薦方法來(lái)引導(dǎo)用戶(hù)進(jìn)行課程選擇?；诖耍狙芯繉⒔柚脩?hù)行為反饋的信息對(duì)其健康狀態(tài)進(jìn)行感知，進(jìn)而依據(jù)計(jì)算結(jié)果來(lái)引導(dǎo)用戶(hù)完成在線課程的選擇和學(xué)習(xí)，保證其知識(shí)結(jié)構(gòu)的完整性和健壯性。為了更清晰地展示本研究所提出的推薦方法應(yīng)用過(guò)程，從3 609名研究對(duì)象中隨機(jī)選取1名用戶(hù)作為示例對(duì)象，按照構(gòu)建的模型及方法對(duì)其選課健康狀態(tài)進(jìn)行感知及課程推薦。通過(guò)對(duì)用戶(hù)uv所選的課程集合進(jìn)行分析，得到如表2所示的結(jié)果。

表2結(jié)果顯示，該用戶(hù)在選課結(jié)構(gòu)上，其進(jìn)階課程占比達(dá)到55.56%，而且該用戶(hù)課程選擇更偏向于計(jì)算機(jī)類(lèi)課程。從用戶(hù)選課健康狀態(tài)良好度r(uv)=0.581可知，該用戶(hù)選課健康狀態(tài)較差，而且兩個(gè)進(jìn)階體系完整度低于0.5。因此，該用戶(hù)亟需通過(guò)科學(xué)的課程推薦方法來(lái)引導(dǎo)其進(jìn)行課程選擇，避免用戶(hù)知識(shí)斷層的問(wèn)題進(jìn)一步惡化而導(dǎo)致用戶(hù)“輟學(xué)”或者厭學(xué)，造成網(wǎng)絡(luò)課程資源和用戶(hù)時(shí)間的浪費(fèi)。對(duì)此，結(jié)合上表2中的結(jié)果及基于用戶(hù)選課健康狀態(tài)感知模型的課程推薦方法，通過(guò)對(duì)該用戶(hù)行為反饋數(shù)據(jù)的計(jì)算（其中，課程推薦數(shù)量n=5），為其推薦如表3所示的課程。

表3 用戶(hù)uv課程推薦列表

表3中，課程《大學(xué)計(jì)算機(jī)基礎(chǔ)》與《計(jì)算機(jī)導(dǎo)論》之間屬于或關(guān)系，但從用戶(hù)選課情況得知，選擇《大學(xué)計(jì)算機(jī)基礎(chǔ)》這門(mén)課程的用戶(hù)數(shù)量較高，所以?xún)?yōu)先推薦該課程。

基于此，依據(jù)本研究提出的推薦方法及表3的示例，針對(duì)3 609名研究對(duì)象的課程推薦效果進(jìn)行分析。通過(guò)逐步遞增推薦課程的數(shù)量n(0≤n≤5)，并假設(shè)用戶(hù)接受所推薦的全部課程，進(jìn)而應(yīng)用本研究提出的感知模型對(duì)用戶(hù)選課健康狀態(tài)良好度依次計(jì)算，并針對(duì)所有研究對(duì)象求其平均用戶(hù)選課健康狀態(tài)良好度（簡(jiǎn)稱(chēng)：平均良好度），同時(shí)對(duì)r(uv)=1的用戶(hù)占比情況進(jìn)行統(tǒng)計(jì)，得到了如圖6所示的結(jié)果。

圖6 課程推薦效果

從圖6結(jié)果顯示，平均用戶(hù)選課健康狀態(tài)良好度隨用戶(hù)所接受課程推薦數(shù)的增加而遞增。同時(shí)，用戶(hù)選課健康狀態(tài)良好度r(uv)=1的用戶(hù)占比也逐步遞增。結(jié)果證明，本研究提出的課程推薦方法能夠科學(xué)地引導(dǎo)用戶(hù)進(jìn)行課程選擇，保證了用戶(hù)選課結(jié)構(gòu)的健壯性和完整性，可有效解決用戶(hù)在線課程選擇過(guò)程中忽略課程學(xué)習(xí)的進(jìn)階性，進(jìn)而導(dǎo)致知識(shí)間出現(xiàn)斷層的問(wèn)題。

5 總結(jié)

為解決用戶(hù)在線課程選擇過(guò)程中忽略課程學(xué)習(xí)的進(jìn)階性，進(jìn)而導(dǎo)致知識(shí)間出現(xiàn)斷層這一問(wèn)題，本研究借助網(wǎng)絡(luò)爬蟲(chóng)工具從“中國(guó)大學(xué)MOOC”平臺(tái)獲取到課程及用戶(hù)行為反饋信息，并借助協(xié)同過(guò)濾方法構(gòu)建了基于規(guī)則庫(kù)的用戶(hù)選課健康狀態(tài)感知模型，進(jìn)而實(shí)現(xiàn)了課程的個(gè)性化推薦。通過(guò)數(shù)據(jù)分析及實(shí)驗(yàn)結(jié)果表明，目前該平臺(tái)用戶(hù)選課健康狀態(tài)較差，而本文提出的推薦方法能夠科學(xué)地引導(dǎo)用戶(hù)進(jìn)行課程選擇并解決該問(wèn)題，進(jìn)而助力于我國(guó)辦好網(wǎng)絡(luò)教育。