孔令圓 彭琰 鄭汀華 馬華

摘? 要： 近年來，在線學習得到了大規(guī)模普及，互聯(lián)網上已發(fā)布了海量的慕課學習資源。針對廣大學習者進行在線慕課學習時面臨的“信息迷航”和“信息過載”等問題，以混合推薦算法為基礎，通過多角度挖掘用戶的個性化信息，設計并實現(xiàn)了一個面向個性化學習的慕課資源推薦系統(tǒng)，以此為廣大學習者提供自主學習的輔助支持。該系統(tǒng)能充分挖掘學習者的顯式和隱式偏好，為其推薦滿意的慕課資源，具有良好的應用價值。

關鍵詞： 慕課; 學習資源; 混合推薦; 個性化學習

中圖分類號：G642? ? ? ? ? 文獻標識碼：A? ? ? ? ? 文章編號：1006-8228（2021）07-46-04

Development of MOOC resources recommendation system for personalized learning

Kong Lingyuan， Peng Yan， Zheng Tinghua， Ma Hua

（College of Information Science and Engineering， Hunan Normal University， Changsha， Hunan 410081， China）

Abstract： In recent years， online learning has been popularized on a large scale， and massive MOOC learning resources have been released on the Internet. Aiming at the problems of "information disorientation" and "information overload" faced by the majority of learners in online MOOC learning， on the basis of hybrid recommendation algorithm， by mining user's personalized information from multiple perspectives， a MOOC resource recommendation system for personalized learning is designed and implemented， in order to provide the majority of learners with the auxiliary support of autonomous learning. The system can fully tap learners' explicit and implicit preferences， and recommend satisfactory MOOC resources for them， which have a good application value.

Key words： MOOC; learning resource; hybrid recommendation; personalized learning

0 引言

近年來，國家的一系列指導性文件[1-2]明確指出了以“學習者”為中心、個性化培養(yǎng)的重要性，有力地推動了我國在線教育的發(fā)展。目前，主流在線教育平臺已在互聯(lián)網上發(fā)布了海量的慕課學習資源，在線學習者人數(shù)增長迅速。而2020年初暴發(fā)的新冠疫情進一步推動了在線學習的大規(guī)模普及。

面對海量的慕課學習資源，廣大學習者在慕課學習時面臨著“信息迷航”和“信息過載”[3-4]等問題，學生很難充分了解并快速挑選出最適合自己的學習資源。由此，實現(xiàn)學生需求與學習資源的匹配，從而提高學生進行在線慕課學習時的學習效率和在線教育平臺中慕課學習資源的利用率，具有重要的現(xiàn)實意義。

針對當前主流在線教育網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上，多角度挖掘用戶的個性化信息，設計并開發(fā)了一個面向個性化學習的慕課資源推薦系統(tǒng)，以此為廣大學習者提供高效的自主學習的輔助支持。

1 混合推薦算法原理

基于內容的推薦算法通過抽取物品的內容信息來描述物品并形成物品的特征模型[5]，培訓嘗試向用戶推薦與其過去所喜好物品在內容上相似的其他物品。協(xié)同過濾算法基于興趣相投的假設，借助于用戶群體的行為模式分析，以合作的方式進行項目過濾。該推薦算法主要是對用戶群體的行為數(shù)據(jù)進行分析，尋找鄰近用戶或鄰近物品進而生成推薦[6]，如公式⑴常用于基于用戶的協(xié)同過濾算法的評分預測任務。將以上兩種類型的推薦算法使用一定的機制相混合，便得到了基于用戶反饋和物品內容的混合推薦算法[7]。

[ru，j=ru+v∈Nsimu，v×（rv，j-rv）|v∈Nsim（u，v）|] ⑴

其中，[ru，j]表示用戶u對物品j的預測評分;[rv，j]是用戶v對物品j的實際評分;[ru]為用戶u的平均評分;N是評價過物品j的相似用戶群;[simu，v]為用戶u和v的相似度。

2 個性化慕課推薦算法流程

2.1 基于標簽的課程建模

將經過預處理后的課程標簽數(shù)據(jù)，轉換為Python中的字典格式，得到課程模型組。轉換得到課程模型組樣式如下：

[courses_models={courseid1：{'label1'：1，'label2'：? ? ? ? ? ? ? ? ?0.8， ...}， courseid2：{...}...}]

2.2 基于標簽的用戶建模

結合用戶課程評分數(shù)據(jù)和課程建模得到的課程模型組，由公式⑵計算用戶對標簽的評分（即喜愛程度）。

[Ru，i=Sig（j∈NSimi，j）] ⑵

其中，Ru，i表示用戶u對標簽i的評分;Sig表示sigmoid變體函數(shù);N表示用戶u已看且與標簽i相關的課程集合;Simi，j表示標簽i與課程j的相關系數(shù)。進而得到用戶模型組，其樣式如下：

[users_models = {user1：{'label1'：0.8， 'label2'： 0.5}，]

[? ? ? ? ?user2：{...}...}]

公式⑵針對用戶u已看且與標簽i相關的所有課程，將這些課程與標簽i的相關系數(shù)求和，再使用sigmoid變體函數(shù)進行歸一化處理，得到用戶u對標簽i的評分。這里沒有將用戶u對已看課程j的實際評分作為對標簽i評分的影響因素，是因為用戶對具體某一門課程的評分往往涉及許多除開課程內容之外的其他因素，如教師授課質量，課程計劃安排等。相比之下，只考慮用戶對某一標簽相關課程的訪問頻次信息，能更準確反映用戶對該標簽的喜愛或需求程度。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，計算基于標簽的用戶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門課程作為初始推薦列表。然后，將前N門課程與用戶的相似度作為其初始推薦系數(shù)。計算當前用戶與其他所有用戶的“綜合相似度”后，設置合理閾值，得到相似用戶組。使用相似用戶的課程評分數(shù)據(jù)，調整當前用戶推薦列表中各課程的推薦系數(shù)。其中，“綜合相似度”由評分反饋相似度、專業(yè)相似度、年級相似度和興趣相似度加權組合而成。

2.4 結合注冊信息的推薦

對于標題或簡介里含有當前用戶興趣關鍵詞的課程，增加一定比例的推薦系數(shù)。同時，結合當前用戶與課程的層次匹配度調整各門課程的推薦系數(shù)。層次匹配度的計算著重參考了全國第四輪學科評估的數(shù)據(jù)（https：//souky.eol.cn/api/newapi/assess_result）和2020年校友會中國大學排名數(shù)據(jù)（http：//report.iresearch.cn/report_pdf.aspx？id=3728.2020 April）。將學科評估為A+類的院校排名設為1，A類院校排名設為2，依此類推。當用戶所在專業(yè)與課程所屬學科一致且用戶所在院校與課程開辦院校均有對應的學科評估排名時，我們按照學科評估排名的前后位序差距進行等距計算并賦予相應權重，使得兩者學科評估排名越相近，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行等距計算并賦予合理權重，使得兩者院校綜合排名越相近，則層次匹配度越高。

2.5 結合瀏覽痕跡的推薦

首先，結合搜索痕跡來影響課程的推薦系數(shù)。對于標題或簡介里含有搜索關鍵詞的課程，增加一定比例的推薦系數(shù)。其次，結合停留痕跡信息來影響課程的推薦系數(shù)。為與停留頁面信息相關的課程即標題或簡介中含有停留頁面關鍵詞的課程，提供與對應停留時間呈線性相關的推薦系數(shù)提升比例。

3 慕課資源推薦系統(tǒng)的開發(fā)

3.1 基于Hibernate和MVC的總體設計

3.1.1 基于Hibernate框架的持久化設計

⑴ 建立持久化課程類和學生類。課程類包括id、名稱、開辦院校、授課教師、選課人數(shù)、簡介、鏈接等屬性;學生類包括id、姓名、密碼、性別、所在院校、年級、所在專業(yè)、興趣愛好等屬性。

⑵ 建立持久化類映射文件（Course.hbm.xml、Student.hbm.xml），將課程類、學生類分別與數(shù)據(jù)庫中的課程詳細信息表、學生信息表關聯(lián)起來。

⑶ 建立Hibernate配置文件，配置連接數(shù)據(jù)庫的參數(shù)和持久化類映射文件的位置。

⑷ 建立Hibernate工具類，封裝對會話工廠對象和會話對象的創(chuàng)建和維護。

⑸ 在控制器servlet中對數(shù)據(jù)表進行查詢，得到持久化對象列表。

3.1.2 基于MVC模式的系統(tǒng)框架設計

⑴ 模型為課程類、學生類。

⑵ 視圖包括綜合推薦頁（select-class.jsp）、課程搜索頁（search-class.jsp）、個人中心頁（individual.jsp），它們負責向用戶呈現(xiàn)JavaBeans中的數(shù)據(jù)。

⑶ 控制器為mainservlet以及它涉及的7個業(yè)務處理類。業(yè)務處理類包括綜合推薦處理類、知識元推薦處理類、推薦列表檢索處理類、慕課搜索處理類、登錄處理類、注冊處理類、個人中心訪問處理類。

3.2 系統(tǒng)組成與主要功能模塊

根據(jù)上述設計，我們實現(xiàn)了一個真實的個性化慕課推薦系統(tǒng)（http：//115.159.54.233：8080/moocrec/index.jsp），并已將其公開部署于騰訊云服務器。整個系統(tǒng)共包含熱門推薦、綜合推薦、知識元推薦、慕課搜索、登錄、注冊和個人中心等七個模塊。系統(tǒng)的功能模塊結構如圖1所示。該系統(tǒng)的首頁運行界面及推薦結果界面分別如圖2和圖3所示。

七個功能模塊的設計和實現(xiàn)特點分別介紹如下。

3.2.1 熱門推薦模塊

將爬取的課程數(shù)據(jù)劃分為十二個大類，分別為計算機、物理與電子、化學與化工、生物醫(yī)學、歷史與文學、數(shù)學與統(tǒng)計、經濟、管理、教育與心理學、外語、藝術及政法等類別。在首頁的熱門推薦板塊，利用熱門課程信息和課程鏈接為用戶提供熱門課程入口。

3.2.2 綜合推薦模塊

當用戶請求獲得綜合推薦時，該模塊將訪問數(shù)據(jù)庫的推薦列表緩存表，得到推薦課程的id列表。結合Hibernate框架將推薦列表由課程id列表轉化為課程持久化對象列表后，在前端綜合推薦頁向用戶呈現(xiàn)推薦結果。通過定期調用更新模塊，數(shù)據(jù)庫中的推薦列表緩存表將不斷更新，充分結合用戶新的行為痕跡信息影響綜合推薦，以適應用戶的新偏好。

3.2.3 知識元推薦模塊

我們使用百度腦圖工具制作了內含學習資源鏈接的知識結構圖，這些圖存儲在百度云端的海量空間上。通過生成共享鏈接，可將知識結構圖嵌入本系統(tǒng)的課程詳情頁，以實現(xiàn)知識元資源推薦的可視化展示。針對每門課程，我們在百度云端存儲了三種不同難度層次的知識結構圖，它們關聯(lián)了對應學科大類下A、B、C類三類不同院校開辦的課程，并以它們來匹配處于不同層次的A、B、C三類用戶。A類和B類用戶分別對應A類和B類院校的學生，C類用戶對應C類院校或未參評院校的學生。從而實現(xiàn)為同一專業(yè)但不同學科層次的學生提供不同難度的知識元資源索引服務。以“數(shù)據(jù)結構”課程為例，層次難度1的知識結構圖掛接了北京大學和浙江大學的課程大綱，而各個知識點可鏈接至這兩所大學發(fā)布的學習資源;系統(tǒng)會自動為所學專業(yè)（計算機類）評估為A類的學生呈現(xiàn)此知識結構圖。

此模塊利用了前端AJAX技術和后端jFinal框架。用戶刷新或關閉課程的詳情頁時，前端JavaScript腳本將頁面URL、停留時間、用戶開始訪問時間和結束訪問時間、用戶id保存為JSON字符串，并利用AJAX向后端傳遞此數(shù)據(jù)。后端控制器接收并解析JSON字符串，將數(shù)據(jù)存入對應模型并保存至數(shù)據(jù)庫。

3.2.4 慕課搜索模塊

該模塊用于提供對海量數(shù)據(jù)的語義檢索功能。用戶可在慕課搜索頁的搜索框中輸入關鍵詞，系統(tǒng)將向用戶提供與關鍵詞語義相關的課程。系統(tǒng)會結合院校排名數(shù)據(jù)，根據(jù)排名的前后位序差距進行等距計算，優(yōu)先為用戶呈現(xiàn)層次需求匹配的課程。同時，此模塊記錄了用戶的搜索詞信息，用于更新綜合推薦。

3.2.5 登錄模塊

用戶提交登錄信息后，系統(tǒng)將結合Hibernate框架訪問數(shù)據(jù)庫獲取用戶持久化對象。當該持久化對象不為空且用戶名與密碼校驗正確時，用戶才能登錄系統(tǒng)，以便系統(tǒng)根據(jù)其個性化信息提供綜合推薦功能、知識元推薦功能和慕課搜索功能。

3.2.6 注冊模塊

用戶提交注冊信息后，系統(tǒng)將結合Hibernate框架為用戶生成持久化對象并存入數(shù)據(jù)庫。隨后系統(tǒng)啟用多線程機制，主線程負責用戶后續(xù)登錄服務，子線程負責調用推薦算法為新用戶生成綜合推薦結果并存入數(shù)據(jù)庫。

3.2.7 個人中心模塊

該模塊向用戶呈現(xiàn)其詳細的個人信息，包括用戶名、在讀院校、所在年級、在讀專業(yè)、興趣愛好等，并向用戶提供綜合推薦訪問入口。該模塊呈現(xiàn)的信息，為系統(tǒng)綜合推薦、知識元推薦和慕課搜索的結果提供一定的可解釋性。

4 結束語

本文開發(fā)的面向個性化學習的慕課資源推薦系統(tǒng)，是以混合推薦算法為基礎，使用了Hibernate和MVCWeb開發(fā)技術，可動態(tài)捕獲學習者的在線行為數(shù)據(jù)，能從多角度感知用戶特征，是一個操作簡單、可為學習者提供高效支持的個性化輔助學習工具。該系統(tǒng)充分挖掘了用戶的偏好與潛在需求，能較好地解決學習者在線學習時面臨的信息迷航和信息過載問題，具有良好的應用價值。未來研究中，我們擬引入知識圖譜技術，對慕課資源所屬的知識體系及知識點間的關聯(lián)關系建模，從而為學習者提供可視化的學習路徑規(guī)劃服務和具有更高滿意度的推薦結果。

參考文獻（References）：

[1] 中華人民共和國教育部.教育部關于印發(fā)《教育信息化2.0行動計劃》的通知[EB/OL].http：//www.moe.gov.cn/srcsite/A16/s3342/201804/t20180425_334188.html

[2] 新華網.中共中央、國務院印發(fā)《中國教育現(xiàn)代化2035》[EB/OL].http：//www.moe.gov.cn/jyb_xwfb/s6052/moe_838/201902/t20190223_370857.html

[3] Shanshan Wan， Zhendong Niu. An e-learning recommen-dation approach based on the self-organization of learning resource[J].Knowledge Based Systems，2018.160：71-87

[4] Robert Bodily， Katrien Verbert. Review of research onstudent-facing learning analytics dashboards and educational recommender systems[J]. IEEE Transactions on Learning Technologies，2017.10（4）：405-418

[5] 劉宇，朱文浩.基于內容和標簽權重的混合推薦算法[J].計算機與數(shù)字工程，2020.48（4）：773-777

[6] 劉佳奇，王全民.基于改進的用戶協(xié)同過濾算法的高校個性化圖書推薦系統(tǒng)[J].計算機與數(shù)字工程，2020.48（10）：2458-2461，2479

[7] 郭貴冰.推薦系統(tǒng)進展：方法與技術[M].科學出版社，2018.