李浩君　張征　郭海東　王旦

摘要：隨著“互聯(lián)網(wǎng)+”教育的快速發(fā)展，在線學習資源數(shù)據(jù)規(guī)模急劇擴張，學習者從海量的學習資源中選擇合適資源的難度隨之增大。如何幫助學習者獲取合適的學習資源開展個性化學習，已成為智能學習領(lǐng)域重要的研究課題。實現(xiàn)個性化學習資源推薦的關(guān)鍵在于對在線學習平臺數(shù)據(jù)應(yīng)用價值的探索與挖掘，全面考慮學習者與學習資源之間的關(guān)聯(lián)性。隨著人工智能的不斷發(fā)展，簡單的機器學習已經(jīng)難以滿足個性化學習資源推薦服務(wù)，基于深度神經(jīng)網(wǎng)絡(luò)設(shè)計的個性化學習資源推薦方法，通過基于MIFS的特征選擇模型和學習者-學習資源二部圖關(guān)聯(lián)模型，在有效衡量學習者對學習資源的不同關(guān)注程度，以及深度挖掘?qū)W習者的個性化偏好基礎(chǔ)上，為學習者推薦合適的學習資源。該方法在不同學習時間和學習者的實驗條件下，取得了較好的推薦效果，并且在分類與回歸性能評價指標上優(yōu)于傳統(tǒng)機器學習算法，說明其能夠較好地提供教育大數(shù)據(jù)環(huán)境下的個性化學習資源推薦服務(wù)，提升學習者的在線學習體驗。

關(guān)鍵詞：深度學習;神經(jīng)網(wǎng)絡(luò);學習資源;個性化;推薦方法

中圖分類號：G434 ? 文獻標識碼：A ? ?文章編號：1009-5195（2019）04-0094-10 ?doi10.3969/j.issn.1009-5195.2019.04.011

移動互聯(lián)網(wǎng)和云計算技術(shù)的飛速發(fā)展，使在線學習成為一種普遍且重要的學習方式。但其在帶來海量學習資源的同時，也給學習者帶來了認知過載、學習資源零亂等困惑（韓營等，2017）。如何幫助學習者獲取合適的學習資源并開展個性化學習，已成為智能學習領(lǐng)域重要的研究課題。為使個性化學習資源推薦效果更加精準，深入了解學習者的個人偏好、學習風格和認知能力等，并與多樣化的學習資源形成有效關(guān)聯(lián)，建立模型并通過相關(guān)推薦技術(shù)向?qū)W習者提供符合自身需求的學習資源，是解決這一問題的主要思路。目前個性化推薦技術(shù)已在電影、音樂、電視、新聞等領(lǐng)域得到廣泛應(yīng)用（Zhao et al.，2013;Wei et al.，2016;Mao et al.，2016;Wang et al.，2016），其中機器學習已成為個性化推薦服務(wù)性能提升的重要技術(shù)支撐。

一、個性化學習資源推薦方法及技術(shù)

學習資源是指用來支持信息化教學活動開展的數(shù)字化資源，包括數(shù)字化教育教學案例、電子文檔、音視頻素材以及多媒體軟件等。隨著互聯(lián)網(wǎng)與大數(shù)據(jù)技術(shù)的發(fā)展，學習資源獲取更加多樣化，不同學習者可以根據(jù)自己的偏好選擇合適的學習資源來開展學習，實現(xiàn)個性化學習目標，許多技術(shù)正被廣泛應(yīng)用于在線學習。

1.基于推薦算法的個性化學習資源推薦

常用推薦算法包括基于資源內(nèi)容的推薦、協(xié)同過濾推薦以及混合推薦等?；趦?nèi)容的推薦算法是通過識別和提取資源內(nèi)容特征，構(gòu)建學習者特征模型和資源特征模型，將二者匹配度較高的學習資源推薦給學習者（Yao et al.，2015;Pandey et al.，2016）。協(xié)同過濾算法通過對學習者偏好的挖掘，基于不同的偏好對學習者進行分組劃分，并推薦相似的學習資源給各組（Zapata et al.，2015）。協(xié)同過濾算法能有效降低模型構(gòu)建復雜性，但存在矩陣稀疏和冷啟動等問題（何潔月等，2016，Polatidis et al.，2016）。混合推薦算法將資源內(nèi)容特征與學習者特征聯(lián)合考慮，根據(jù)學習者的學習風格和習慣為學習者推薦學習資源（Kla?nja-Mili?evi? et al.，2011），如劉忠寶等（2018）基于引入熱傳導和物質(zhì)擴散理論提出了二部圖的學習資源混合推薦方法。總的來說，資源推薦模型構(gòu)建的合理性和科學性一直是傳統(tǒng)推薦算法應(yīng)用于個性化學習資源推薦領(lǐng)域的難題。

2.基于機器學習的個性化學習資源推薦

隨著機器學習在計算機視覺、語音識別等領(lǐng)域的成功應(yīng)用（Xue et al.，2014;Tian et al.，2016），其在教育領(lǐng)域應(yīng)用也逐漸成為研究熱點（余明華等，2017）。許多學者致力于降低學習資源推薦過程中的模型依懶性，發(fā)揮歷史學習數(shù)據(jù)對資源推薦過程的服務(wù)作用，開展機器學習應(yīng)用于個性化學習資源推薦領(lǐng)域的研究工作。Vesin等（2011）通過測試學習者狀態(tài)與挖掘服務(wù)器日志，識別學習者的學習風格與習慣，開展個性化資源推薦研究;Aher等（2013）利用半監(jiān)督機器學習以及歷史數(shù)據(jù)，較為準確地為學習者推薦了課程;Batouche等（2014）提出一種基于無監(jiān)督機器學習的教學資源推薦方法，采用改進的人工神經(jīng)網(wǎng)絡(luò)獲得了較為合理的推薦結(jié)果;趙蔚等（2015）提出了基于知識推薦技術(shù)與本體技術(shù)相融合的個性化資源推薦策略;文孟飛等（2016）采用了一種基于支持向量機與深度學習相結(jié)合方法來實現(xiàn)網(wǎng)絡(luò)教學視頻推送服務(wù)的方法，提升教學視頻資源的利用率和獲取率;Tarus 等（2017）構(gòu)建了一種基于本體與序列模式挖掘相結(jié)合的混合知識推薦系統(tǒng)，為在線學習者推薦個性化資源;Zhou等（2018）提出了基于LSTM神經(jīng)網(wǎng)絡(luò)的在線學習路徑推薦策略。

縱觀以往的研究，將機器學習領(lǐng)域中的深度學習算法運用到在線資源推薦的研究較少，并且對在線學習隱性數(shù)據(jù)的挖掘較為粗糙，推薦效果提升不明顯。雖然神經(jīng)網(wǎng)絡(luò)具有很強的非線性擬合能力，可映射任意復雜的非線性關(guān)系，但目前機器學習算法應(yīng)用于推薦問題針對性不強，缺乏對神經(jīng)網(wǎng)絡(luò)訓練要素的深入研究。而且推薦效果驗證時缺乏對分類與回歸問題的綜合分析，容易忽略一些重要的性能指標導致推薦效果不理想。

本文嘗試使用機器學習與歷史數(shù)據(jù)來優(yōu)化資源推薦模型，提出了基于深度神經(jīng)網(wǎng)絡(luò)的個性化學習資源推薦方法，在設(shè)計基于互信息特征選擇模型（Mutual Information Feature Selection，MIFS）的深度神經(jīng)網(wǎng)絡(luò)輸入優(yōu)化策略的基礎(chǔ)上，建立了學習者-資源二部圖關(guān)聯(lián)模型下的輸出直觀化描述，利用深度神經(jīng)網(wǎng)絡(luò)訓練資源推薦模型，實現(xiàn)個性化學習資源推薦。

二、問題描述與方法框架

1.問題描述

實現(xiàn)個性化學習資源推薦，實質(zhì)上是對學習者與學習資源二者之間關(guān)系的解析。要使在線學習平臺提供個性化資源推薦服務(wù)，關(guān)鍵在于采集學習平臺原始數(shù)據(jù)，并對數(shù)據(jù)進行有效地分析、挖掘等處理，最終向?qū)W習者推薦合適的學習資源。個性化學習資源推薦模型可以利用學習者學習資源的歷史集合信息。該信息可用圖1左側(cè)的m×n矩陣表示，其中R代表學習資源（Learning Resource），L代表學習者（Learner）。陰影部分表示學習者學習過的學習資源。白色空白部分表示未學習的資源，需要解決的問題是如何通過該歷史信息矩陣實現(xiàn)個性化學習資源推薦，即從新學習資源中得到符合學習者需求的推薦資源，該過程如圖1右側(cè)所示。

2.個性化學習資源推薦方法框架

基于深度神經(jīng)網(wǎng)絡(luò)的個性化推薦方法可以歸結(jié)為兩個過程，即模型訓練過程和資源推薦過程，如圖2所示。模型訓練過程包括學習平臺數(shù)據(jù)處理、算法設(shè)計等;推薦過程由訓練過程得到的推薦模型運行產(chǎn)生，即獲取個性化學習資源的過程。本文所設(shè)計的推薦方法分為三級，其中第一、二級屬于訓練過程，第三級是個性化學習資源推薦過程。

在第一級中，為了使深度神經(jīng)網(wǎng)絡(luò)能夠工作，須獲取它的輸入輸出。對于輸入，本文設(shè)計了基于互信息特征選擇模型MIFS，以此來描述和處理歷史學習數(shù)據(jù);對于輸出，構(gòu)建了學習者-資源二部圖關(guān)聯(lián)模型，明確了學習資源是否推薦的條件。第二級中，通過第一級的輸入輸出，建立深度神經(jīng)網(wǎng)絡(luò)學習模型，針對個性化推薦問題，設(shè)計了深度神經(jīng)網(wǎng)絡(luò)優(yōu)化策略，通過復雜的訓練過程可得到學習資源推薦模型。第三級中，將測試數(shù)據(jù)輸入訓練完畢的推薦模型，向?qū)W習者推薦符合學習需求的個性化學習資源。

三、模型設(shè)計

1.基于互信息特征選擇模型（MIFS）

不同學習平臺上學習者和學習資源的屬性具有多元化特征。影響學習者選擇學習資源的因素有很多，涉及性別、專業(yè)、學習目標、內(nèi)容偏好、學習風格、認知水平、學習動機等（包昊罡等，2018）。同時，學習資源可能存在資源風格、媒介類型、交互方式、難易水平等內(nèi)在屬性（文孟飛等，2016）。因此，需要在眾多特征中探尋學習者與資源之間的關(guān)聯(lián)并建立特征選擇模型，以此完成推薦方法的輸入過程。

在線學習數(shù)據(jù)中包含學習者學習行為記錄，也存在很多隱式數(shù)據(jù)，學習資源特征也能在數(shù)據(jù)中獲取。實際數(shù)據(jù)處理過程中存在無關(guān)特征或者冗余特征，例如學習者的學號或者班級號可能是無關(guān)特征，在公開的一些大型開放數(shù)據(jù)集中可能還記錄了學習者的家鄉(xiāng)、父母職業(yè)、家庭住址等等，因此需要進行篩選處理或者特征選擇，將無關(guān)特征或者相似冗余特征去除，使得推薦模型更加準確與高效。機器學習實踐任務(wù)中需要選擇與類別相關(guān)性強的特征或者數(shù)據(jù)信息，可以運用特征選擇方法定義合適的子集評價函數(shù)來實現(xiàn)。

我們通?？梢灾苯永糜柧殧?shù)據(jù)的性能來評價特征，這與后續(xù)算法無關(guān)，且速度較快?；バ畔⑹侵竷蓚€隨機屬性或者特征之間的關(guān)聯(lián)強弱。判斷單個特征與目標類別的相關(guān)性，可以減少特征維度的冗余程度。本文選用基于互信息特征選擇（MIFS）方法，圖3為基于MIFS的特征選擇模型示例。

基于MIFS的特征選擇方法中，信息度量評價函數(shù)至關(guān)重要。雖然函數(shù)形式多樣，但目的都是選擇與類別相關(guān)性最大的特征子集（姚旭等，2012）。泛化的信息度量評價函數(shù)可表示為：

（1）

其中S為已選擇的特征，f為候選特征，C為類別，函數(shù)是C、f、S之間的信息量，即已選特征添加候選特征后與類別之間的相關(guān)程度，α是調(diào)節(jié)系數(shù)，用于調(diào)節(jié)f加入時帶來信息量的程度，δ是懲罰因子，用于f給S帶來的冗余程度。因此最簡單直觀的信息度量評價函數(shù)可表示為：

（2）

若直接將所有候選特征用于計算評價函數(shù)，則會給預處理過程帶來過多冗余。為避免這種情況，在考慮特征之間的關(guān)聯(lián)性基礎(chǔ)上，通過特征f與已選單個特征s的相關(guān)性對f懲罰，β是調(diào)節(jié)系數(shù)，此時最終評價函數(shù)可表示為：

（3）

已選擇的特征表示確定會影響學習者選擇資源的其他特征，比如資源的知識內(nèi)容、學習時長等，此部分特征可以通過對已有研究的梳理來確定或者通過調(diào)查方式來確定。候選特征代表暫時還不能確定是否影響學習者學習某資源的其他特征，比如學習者的年齡、專業(yè)背景、性別等。而類別是對已選特征的提取，用于衡量已選特征與候選特征的信息量相關(guān)性。最終評價函數(shù)的構(gòu)建是為了判斷候選特征對評價結(jié)果的影響，添加相關(guān)度較大的候選特征，進而過濾掉一些冗余特征，以有效緩解后期利用數(shù)據(jù)進行深度學習訓練的工作量。

2.學習者-資源的二部圖關(guān)聯(lián)模型

了解學習者對一個或者若干個學習資源的學習狀況，對理解學習者的行為和興趣具有很大的幫助。傳統(tǒng)的協(xié)同過濾推薦算法主要依賴于學習者對某些學習資源是否學習過以及學習者自身偏好，未考慮不同學習者對資源的學習次數(shù)。學習者對同一資源或者同一類資源的學習次數(shù)代表了不同的偏好程度，因此資源的學習次數(shù)是一個很好的反映學習者偏好程度的衡量指標。

本文提出學習者-資源的二部圖關(guān)聯(lián)模型，定義學習者集合為：L={l1，l2，l3，…，lm}，資源集合為：R={r1，r2，r3，…，rn}，由此可得到一個由學習者集合和資源集合構(gòu)成的二值關(guān)系矩陣Xm×n，行向量代表學習者，列向量則代表學習者關(guān)于學習資源的學習行為。若Xm×n=1，則表示學習者學習過該資源;若Xm×n=0，則沒有學習過。

（4）

學習者對學習資源的學習頻率可反映不同的偏好程度，資源學習的平均頻率可定義為：

四、實驗研究

1.實驗方案

為了驗證基于深度神經(jīng)網(wǎng)絡(luò)的個性化學習資源推薦方法推薦的個性化學習資源與學習者需求的符合程度，研究者開展了一系列實驗。實驗數(shù)據(jù)不僅包括學習資源數(shù)據(jù)，還包括學習者開展學習的歷史數(shù)據(jù)。在現(xiàn)有的公開數(shù)據(jù)集中，如edX、World UC等，提供了數(shù)十個屬性，包括課程數(shù)據(jù)、學習者信息和學習者行為數(shù)據(jù)等。參考Zhou等（2018）的實驗設(shè)計方案，本文從浙江省某高校網(wǎng)絡(luò)平臺數(shù)據(jù)中集中提取了部分在線學習數(shù)據(jù)信息，結(jié)合學習者和學習資源的實際情況，按照相應(yīng)規(guī)則補全了部分數(shù)據(jù)形成本文實驗數(shù)據(jù)集。利用基于MIFS的特征選擇方法處理后的模型，可獲取學習者-資源特征，即在整個方法流程中需要輸入的特征子集。在實際任務(wù)中很多機器學習存在表離散化特征，如表1所示。本文對特征采用獨熱編碼方式，例如一條學習記錄中顯示學習資源屬于計算機類，難度為較易，媒介類型是視頻格式，學習者是上午九點進行學習的，則該資源樣本通過獨熱編碼可記作：[10000000]、[01000]、[10000]、[1000]。

學習者對學習資源的使用次數(shù)既反映了學習者的興趣程度，也提供了資源是否推薦的依據(jù)。為了直觀地顯示學習者與學習資源的學習頻次，更好地論證本文方法的有效性和可讀性，研究者隨機選擇了20位學習者對20個學習資源的使用情況作為示例，如表2所示。

2.評價指標

一方面，本文解決的問題是判斷學習資源是否推薦給學習者，可分為傾向推薦和傾向不推薦兩種情況，因此可看作一個分類問題;另一方面，學習者對學習資源的使用頻次很大程度上反映了學習者的興趣，因此也可看作為一個回歸問題。研究結(jié)合常用的推薦系統(tǒng)評價指標，將查準率、召回率和F1-score值作為分類性能評價指標，將均方誤差、均方根誤差、平均絕對誤差作為回歸性能評價指標。

（1）分類評價指標

TP（True Positive），正確預測出的正樣本個數(shù)，代表預測學習者會使用或者多次使用的資源數(shù)量;FP（False Positive），錯誤預測出的正樣本個數(shù)，代表預測學習會者會使用或者多次使用實際卻幾乎沒被使用的資源數(shù)量;TN（True Negative）：正確預測出的負樣本個數(shù)，代表預測學習者幾乎不使用，實際確實如此的學習資源數(shù)量;FN（False Negative），錯誤預測出的負樣本個數(shù)，代表預測學習者幾乎不使用卻被使用了的資源數(shù)量。

根據(jù)上述表述，查準率（Precision，P）、召回率（Recall， R）和F1-score值（F）通常是越高越好，表明推薦的學習資源被學習者學習的概率較大，即推薦結(jié)果較符合學習者的需求。它們的數(shù)學計算公式如公式（9）：

（9）

（2）回歸評價指標

為了探索學習資源被學習者使用的實際次數(shù)與預測次數(shù)的誤差，引入以下指標：

平均絕對誤差（Mean Absolute Error，MAE），由于預測誤差有正負之分，為了防止正負抵消，故對誤差的絕對值進行綜合并取平均數(shù)。均方誤差（Mean Squared Error，MSE），是預測誤差平方和的均值，目的是解決正負誤差不能相加的問題。均方根誤差（Roof Mean Squared Error，RMSE），是均方誤差的平方根，可以代表預測值的離散程度。誤差越小，說明預測的學習次數(shù)與實際次數(shù)越接近，即說明推薦結(jié)果較好。它們的計算公式如下：

（10）

其中n表示樣本數(shù)，Xi表示第i個實際值，YI表示第i個預測值。

3.實驗結(jié)果與討論

為了使實驗結(jié)果更加精確，研究采用十折交叉驗證。由于學習者在實際進行資源學習時具有時間上的連續(xù)性，因此研究對使用時間前段的數(shù)據(jù)進行十字交叉訓練，再將訓練完畢的模型應(yīng)用于時間后段的數(shù)據(jù)進行驗證，以便更加客觀地說明推薦的學習資源的使用情況，并通過不同數(shù)量的學習者與學習資源構(gòu)成了四個大小遞增的樣本（如表3所示），進一步進行驗證。

研究選擇Windows Server 2012 R2操作系統(tǒng)、64GB RAM、MatlabR2017b語言環(huán)境進行實驗。表4是各對比算法的性能數(shù)據(jù)，其中分類對比算法采用決策樹算法（Fine Decision Tree，DT）、支持向量機算法（Linear SVM，SVM）和k最近鄰算法（Fine KNN，KNN）;回歸方面則采用回歸樹算法（Fine Regression Tree，RT）、支持向量機算法（Linear SVM，SVM）和線性回歸算法（Linear Regression，LR）;DNN（Deep Neural Network）代表本文方法設(shè)計的深度神經(jīng)網(wǎng)絡(luò)算法。

分類結(jié)果中，隨著數(shù)據(jù)集樣本大小的變化，各算法查準率（P）和召回率（R）也隨之波動，但都處于一個較高的值，說明本文針對個性化學習資源推薦問題所構(gòu)建的模型，及采用機器學習算法求解是可行且有效的。分類評價指標中P值和R值較高，說明推薦模型即推薦給學習者的資源較為符合學習者的需求。再從式（9）的分析過程可以看出，P與R往往不能共同處于較好的值，如樣本一中SVM算法的R值較高，但是P值較小，此時不能片面地從一個指標判斷其性能優(yōu)劣，因此將F1-score值（F）作為推薦性能的綜合評價指標，F(xiàn)值越高代表推薦效果越好。

如圖6所示，本文設(shè)計的深度神經(jīng)網(wǎng)絡(luò)（DNN）在F值上優(yōu)于其他傳統(tǒng)機器學習算法并且值較高，說明本文提出的方法在解決學習資源推薦實際問題上是具有針對性且高效的。結(jié)合表3，可以看出不同樣本中隨著學習者數(shù)量或者學習時間的增多，分類指標中的三個指標都會隨之增加，說明學習記錄增多，有利于學習者與學習資源的關(guān)聯(lián)分析，提高推薦性能。

回歸分析能夠較好地預測學習者對學習資源的關(guān)注程度或者興趣大小。從表4中可以看出，回歸評價指標中的誤差值都較小，即預測的學習頻次與實際的學習頻次較為接近，說明本文方法的建模也適用于回歸分析。

如圖7所示，隨著樣本大小的變化，以及學習者對資源進行學習積累的記錄增多，對其學習頻次的預測越有利。在預測結(jié)果與實際結(jié)果的誤差上，DNN算法是最小的，并且均方根誤差值（RMSE）下降較多，說明離散程度小，即預測學習者的使用次數(shù)值與實際次數(shù)偏差小，在不同樣本下經(jīng)過改進的深度神經(jīng)網(wǎng)絡(luò)在預測學習者學習資源頻次上也具有很好的適應(yīng)，表現(xiàn)出比其他算法更好的性能。

基于深度神經(jīng)網(wǎng)絡(luò)的個性化學習資源推薦方法，不僅考慮了學習者是否會對資源進行學習，也預判了學習者對學習資源的興趣大小或者關(guān)注程度。通過不同推薦性能指標對推薦方法進行驗證，本文所提出的推薦方法在資源推薦方面具有明顯的優(yōu)勢，能夠一定程度上解決新對象或冷門對象的推薦問題。各個評價指標的驗證說明，基于MIFS的特征選擇模型和學習者-資源二部圖關(guān)聯(lián)模型與深度神經(jīng)網(wǎng)絡(luò)適配性強，顯現(xiàn)出很好的推薦性能，能夠適用于大小規(guī)模不等的在線學習數(shù)據(jù)。此外，根據(jù)時間前段的歷史學習數(shù)據(jù)為學習者在時間后段的學習推薦個性化學習資源，能夠很好地滿足學習者的需求。

[14]Polatidis， N.， & Georgiadis， C.（2016）. A Multi-level Collaborative Filtering Method that Improves Recommendations[J]. Expert Systems with Applications， 48：100-110.

[15]Tarus， J.， Niu， Z.， & Mustafa， G. （2017）. Knowledge-Based Recommendation： A Review of Ontology-Based Recommender Systems for E-learning[J]. Artificial Intelligence Review， 1-28.

[16]Tian， L.， Fan， C.， & Ming， Y. （2016）. Multiple Scales Combined Principle Component Analysis Deep Learning Network for Face Recognition[J]. Journal of Electronic Imaging， 25（2）：023025.

[17]Vesin， B.， & Budimac， Z. （2011）. E-learning Personalization Based on Hybrid Recommendation Strategy and Learning Style Identification[J]. Computers & Education， 56（3）：885-899.

[18]Wang， Y.， & Shang， W. （2016）. Personalized News Recommendation based on ConsumersClick Behavior[C]// International Conference on Fuzzy Systems and Knowledge Discovery. IEEE： 634-638.

[19]Wei， S.， Zheng， X.， & Chen， D. et al. （2016）. A Hybrid Approach for Movie Recommendation Via Tags and Ratings[J]. Electronic Commerce Research & Applications， 18（C）：83-94.

[20]Xue， S.， Jiang， H.， & Dai， L. （2014）. Speaker Adaptation of Hybrid NN/HMM Model for Speech Recognition Based on Singular Value Decomposition[A]. International Symposium on Chinese Spoken Language Processing[C]. IEEE： 175-185.

[21]Yao， L.， Sheng， Q.， & Ngu， A. et al. （2015）. Unified Collaborative and Content-Based Web Service Recommendation[J]. IEEE Transactions on Services Computing， 8（3）：453-466.

[22]Zapata， A.， Menéndez， V.， & Prieto， M. et al. （2015）. Evaluation and Selection of Group Recommendation Strategies for Collaborative Searching of Learning Objects [J]. International Journal of Human-Computer Studies， 76（C）：22-39.

[23]Zhao， X.， Yuan， J.， & Wang， M. et al. （2013）. Video Recommendation over Multiple Information Sources[J]. Multimedia Systems， 19（1）：3-15.

[24]Zhou， Y.， Huang， C.， & Hu， Q. et al. （2018）. Personalized Learning Full-Path Recommendation Model Based on LSTM Neural Networks [J]. Information Sciences， 444：135-152.

Personalized Learning Resource Recommendation from the Perspective of Deep Learning

LI Haojun， ZHANG Zheng， GUO Haidong， WANG Dan

Abstract： With the rapid development of “Internet +” education， the scale of online learning resources data has expanded rapidly， and the difficulty of learners to choose the right resources from massive learning resources has increased. How to help learners acquire appropriate learning resources and develop personalized learning has become an important research topic in the field of intelligent learning. The key to realizing personalized learning resource recommendation lies in exploring and mining the application value of online learning platform data， and taking into account the relevance between learners and learning resources. With the continuous development of artificial intelligence， simple machine learning cant meet the personalized learning resources recommendation service. The personalized learning resources recommendation method based on deep neural network， through MIFS-based feature selection model and learner-learning resources bipartite graph association model， on the basis of effectively measuring learners different attention to learning resources， as well as deep mining learners personalized preferences， appropriate learning resources can be recommended for learners. This method achieves good recommendation effect in different learning periods and under different learners experimental conditions， and it is superior to traditional machine learning algorithm in classification and regression performance evaluation index. It shows that this method can provide personalized learning resource recommendation service in the big data environment of education and improve learners online learning experience.

Keywords： Deep Learning; Neural Network; Learning Resources; Personalization; Recommendation Methods