文/汪永成（安徽醫(yī)學高等?？茖W校）

一、引言

隨著計算機軟硬件技術(shù)的快速發(fā)展和網(wǎng)絡帶寬的大幅度提升，Web3D 技術(shù)成為計算機應用領(lǐng)域的重要發(fā)展方向。其由于綜合了B/S 及3D 的技術(shù)特點，具有兼容性好、網(wǎng)絡應用集成簡單、交互性強、視覺效果形象逼真等優(yōu)點，在教育教學、地理信息、建筑信息模型等很多領(lǐng)域得到一定應用。然而在網(wǎng)絡延時較高、Web3D 資源較大、計算機性能較弱等場景下，Web3D應用存在著因3D 顯示過慢導致用戶體驗差、預期的用戶操作不及時響應等問題。為解決這類問題，學者們從Web3D 文件格式、網(wǎng)絡環(huán)境、加載機制和渲染算法[1]等方面開展研究并提出解決方案，其中應用最廣泛的是預加載技術(shù)。在不同應用領(lǐng)域中，Web3D 資源預加載時所采用的資源預測技術(shù)有所不同[2]，教育教學領(lǐng)域中最常用的是個性化推薦技術(shù)。個性化推薦技術(shù)是通過物品的內(nèi)容信息，根據(jù)用戶的歷史偏好數(shù)據(jù)、個人興趣、網(wǎng)絡社交信息、所在環(huán)境等信息去判斷用戶目前最需要或者最感興趣的內(nèi)容（物品或服務）[3]，其目標是從海量信息數(shù)據(jù)中提取用戶所需要的信息從而解決“信息超載”問題[4]。本文以Web3D 仿真教學系統(tǒng)為例，引入互聯(lián)網(wǎng)中常見的個性化推薦技術(shù)作為Web3D 教學資源預加載時的推薦方法，以提高資源預測的準確率、提升用戶體驗。

二、 個性化推薦技術(shù)在教學資源預加載中的應用

1.基于個性化推薦技術(shù)的Web3D 仿真教學資源預加載機制

本文提出了基于個性化推薦技術(shù)的Web3D 仿真教學資源預加載機制（圖1），原理是通過用戶的注冊信息、學習記錄、歷史行為特征等信息建立用戶畫像，并利用課程標準、Web3D 文件構(gòu)建資源圖譜，再基于用戶畫像和知識圖譜提出新的混合推薦算法。當傳輸通道空閑時，用戶本地瀏覽器自發(fā)進行資源預加載請求，服務器收到用戶的請求后，通過混合算法預測出用戶下一步可能需要的Web3D 教學資源，并將服務器上的資源提前傳輸?shù)接脩魹g覽器，以此來減少用戶下一步由于等待Web3D 教學資源數(shù)據(jù)傳輸所帶來的等待時間過長、顯示卡頓等問題。

圖1 基于個性化推薦技術(shù)的Web3D 教學資源預加載機制

2.教學資源個性化混合推薦算法

（1）用戶畫像的構(gòu)建

在仿真教學系統(tǒng)中，針對不同的學習者建立用戶畫像以達到精準教學的目的是目前教育大數(shù)據(jù)中個性化推薦的重要研究內(nèi)容。用戶畫像的構(gòu)建首先需要采集學習信息的靜態(tài)信息和動態(tài)信息。靜態(tài)信息包括身份屬性數(shù)據(jù)（姓名、年齡、性別、專業(yè)、班級等）、個體屬性數(shù)據(jù)（科研方向、興趣愛好等）、能力屬性數(shù)據(jù)（專業(yè)技術(shù)能力、科研水平等），動態(tài)信息包括學習行為數(shù)據(jù)（學習時長、學習進度、學習方法偏好、學習專注度等）、團隊行為數(shù)據(jù)（團隊參與度、學習者的團隊定位、領(lǐng)導水平等）。然后建立多維標簽系統(tǒng)，將學生及學生群體的數(shù)據(jù)信息與其進行比較分析，基于典型的參考詞匯系統(tǒng)構(gòu)建用于用戶畫像處理過程所需要的標簽詞匯，再對標簽詞匯進行梳理、歸納和合并，形成多維標簽系統(tǒng)，通過標簽化系統(tǒng)的構(gòu)建，實現(xiàn)學生及學生群體個性特征的形象化和具體化，為用戶畫像模型的構(gòu)建提供參照基礎。最后，利用相關(guān)數(shù)據(jù)挖掘方法對學生及學生群體進行聚類分析和關(guān)聯(lián)分析，結(jié)合已建立的多維標簽系統(tǒng)來建立學生用戶畫像庫及學生群體用戶畫像庫，從而實現(xiàn)用戶畫像的構(gòu)建[5]。

（2）知識圖譜的構(gòu)建

知識圖譜是一種典型的多邊關(guān)系圖，由節(jié)點（實體）和邊（實體之間的關(guān)系）組成。本文要建的知識圖譜屬于仿真教學系統(tǒng)所在的學科知識領(lǐng)域，主要構(gòu)建思路是首先根據(jù)課程標準或教學大綱構(gòu)建層次化結(jié)構(gòu)的知識樹，然后挖掘每個Web3D 資源所對應的知識點以及知識點之間的橫向和網(wǎng)狀關(guān)系，清楚地描述知識點之間的關(guān)系，并根據(jù)知識關(guān)系來組織Web3D資源，確保每個Web3D 資源都有對應的知識點以及知識樹下所有知識點都有對應的Web3D 資源。構(gòu)建知識圖譜常見的方法有兩種，一種是信息技術(shù)手段，利用知識工程、機器學習等技術(shù)在資料中分析提取知識點之間的關(guān)系，這種方法構(gòu)建速度快，缺點是提取不夠準確、存在偏差；另一種是需要人工深度干預，主要依賴領(lǐng)域?qū)＜业慕?jīng)驗，經(jīng)過專家充分的討論形成最終的知識體系，這種方法構(gòu)建知識體系的過程相對較慢，但是更加精準和權(quán)威。在Web3D 仿真教學系統(tǒng)中，想對用戶下一步需要加載的資源進行精準預測，需要對知識體系的準確性更高，而且仿真教學系統(tǒng)通常有相應的課程標準，知識結(jié)構(gòu)比較清晰、資源數(shù)量較少，所以Web3D 仿真教學系統(tǒng)中知識圖譜的構(gòu)建采用第二種方法更合適。

（3）混合推薦算法

將基于用戶畫像的推薦算法與基于知識圖譜的推薦算法進行融合，增強兩者的互補性，形成一種新的混合推薦算法，可較好地提升推薦性能。先分別單獨使用基于用戶畫像的推薦算法和基于知識圖譜的推薦算法進行預測，再將兩個算法的預測結(jié)果混合后進行推薦?？紤]到在教學系統(tǒng)中，學習進度一致的學生通常對教學資源的需求有著較高的一致性，因此基于用戶畫像的推薦算法采用基于用戶的協(xié)同過濾算法，而Web3D 仿真教學資源之間存在著較強的信息網(wǎng)絡，因此基于知識圖譜的推薦算法采用基于路徑的推薦算法；新的混合推薦算法先設定推薦效果的評價標準，再對基于用戶畫像和基于知識圖譜的兩個算法推薦結(jié)果進行對比，選擇評價較高的算法作為新的混合推薦算法的推薦結(jié)果，形成最終的推薦。

三、總結(jié)與展望

本文就目前Web3D 仿真教學系統(tǒng)中遇到的加載過慢等問題，運用互聯(lián)網(wǎng)中常見的個性化推薦技術(shù)，首先提出基于個性化推薦技術(shù)的Web3D 教學資源預加載機制，然后以個性化推薦為導向，對仿真教學系統(tǒng)中的用戶畫像和知識圖譜如何構(gòu)建進行初步探討，并結(jié)合現(xiàn)有推薦算法的優(yōu)缺點，提出基于用戶畫像和知識圖譜相融合的混合推薦算法，對Web3D 系統(tǒng)中資源加載過慢的問題提出了新的解決方案。

隨著互聯(lián)網(wǎng)、人工智能等技術(shù)的發(fā)展，基于Web3D 的仿真教學系統(tǒng)憑借其技術(shù)優(yōu)勢、理論與實踐結(jié)合優(yōu)勢，個性化推薦算法將會越來越多地被應用于教育教學領(lǐng)域，是未來Web3D 仿真教學系統(tǒng)的一個重要技術(shù)發(fā)展方向。[本文系安徽醫(yī)學高等?？茖W校校級教研課題 “基于WebGL 的三維可視化技術(shù)在神經(jīng)解剖教學中的應用研究”（編號：2019ahyzjyxm0 24）的研究成果。 ]