張思松

（銅陵學(xué)院實(shí)驗(yàn)教學(xué)管理處,安徽 銅陵 244061）

近年來(lái),各學(xué)科的在線課程平臺(tái)如雨后春筍般涌現(xiàn)在人們眼前,其中也包括實(shí)驗(yàn)課程[1].在廣闊而開(kāi)放的平臺(tái)上,大量的課程資源、不受時(shí)域限制的學(xué)習(xí)方式受到廣大用戶(hù)的喜愛(ài)和追捧[2].在線課程平臺(tái)在為廣大用戶(hù)提供眾多實(shí)驗(yàn)課程資源,以及知識(shí)共享的學(xué)習(xí)環(huán)境的前提下,可挖掘用戶(hù)的學(xué)習(xí)行為、學(xué)習(xí)體驗(yàn)和用戶(hù)的學(xué)習(xí)偏好等信息.對(duì)用戶(hù)學(xué)習(xí)信息的有效挖掘,并充分分析用戶(hù)行為,對(duì)于實(shí)驗(yàn)課程設(shè)計(jì)和教學(xué)形式的調(diào)整具有指導(dǎo)意義[3-5],同時(shí)可對(duì)用戶(hù)的學(xué)習(xí)效果進(jìn)行評(píng)估并提出學(xué)習(xí)意見(jiàn),使用戶(hù)在實(shí)驗(yàn)課程的學(xué)習(xí)過(guò)程中獲得最佳學(xué)習(xí)感受,通過(guò)課程學(xué)習(xí)改進(jìn)原有學(xué)習(xí)方式,使學(xué)習(xí)更高效.

想要從在線平臺(tái)海量實(shí)驗(yàn)課程資源中篩選出需要的實(shí)驗(yàn)課程,對(duì)于用戶(hù)而言較為困難,普遍采用的選擇方法是根據(jù)他人的選課經(jīng)驗(yàn)及課程評(píng)價(jià)對(duì)課程進(jìn)行篩選,結(jié)果卻未必令人滿(mǎn)意.如何從海量資源中尋找出有用信息,已成為數(shù)據(jù)挖掘領(lǐng)域的研究重點(diǎn).

通過(guò)數(shù)據(jù)挖掘方法實(shí)現(xiàn)數(shù)據(jù)中有用信息的獲取,已被應(yīng)用于各個(gè)領(lǐng)域.郭鵬等[6]以提高教學(xué)質(zhì)量為目的,提出了基于聚類(lèi)和關(guān)聯(lián)方法的學(xué)生成績(jī)挖掘和分析方法,利用聚類(lèi)方法離散化處理成績(jī)信息,根據(jù)關(guān)聯(lián)方法挖掘課程間關(guān)聯(lián)關(guān)系,并對(duì)課程關(guān)系圖進(jìn)行繪制,該方法使數(shù)據(jù)挖掘結(jié)果的準(zhǔn)確度有所提高,但該方法的數(shù)據(jù)挖掘過(guò)程較為復(fù)雜.蔡柳萍等[7]以提高大數(shù)據(jù)挖掘效率為目的,研究了基于稀疏表示和特征加強(qiáng)的數(shù)據(jù)挖掘方法,通過(guò)對(duì)數(shù)據(jù)特征分類(lèi),特征提取,并結(jié)合數(shù)據(jù)在類(lèi)中的分布進(jìn)行加權(quán)完成數(shù)據(jù)挖掘,但該方法的數(shù)據(jù)挖掘準(zhǔn)確度不高.因此,本文提出基于機(jī)器學(xué)習(xí)的線上實(shí)驗(yàn)課程資源挖掘,根據(jù)用戶(hù)搜索路徑通過(guò)機(jī)器學(xué)習(xí)對(duì)其行為信息進(jìn)行挖掘.基于用戶(hù)的搜索頻率分析其興趣偏好,為用戶(hù)推薦符合其偏好的實(shí)驗(yàn)課程信息,實(shí)現(xiàn)線上實(shí)驗(yàn)課程資源的個(gè)性化推薦.

1 線上實(shí)驗(yàn)課程資源挖掘

1.1 構(gòu)建線上實(shí)驗(yàn)課程結(jié)構(gòu)

線上實(shí)驗(yàn)課程的組織結(jié)構(gòu)同樣用章節(jié)劃分,數(shù)個(gè)大章節(jié)構(gòu)成全部實(shí)驗(yàn)課程,各大章節(jié)下分為幾個(gè)小節(jié),數(shù)個(gè)知識(shí)點(diǎn)組成各小節(jié).線上實(shí)驗(yàn)課程教學(xué)過(guò)程中,PC 端通過(guò)Web 頁(yè)面形式展示給用戶(hù),移動(dòng)端則通過(guò)用戶(hù)端程序展示給用戶(hù),不同登錄方式導(dǎo)致實(shí)驗(yàn)課程的組織結(jié)構(gòu)存在差異.當(dāng)用戶(hù)通過(guò)PC 端登錄時(shí),學(xué)習(xí)場(chǎng)所固定且基本能夠保持長(zhǎng)時(shí)間的學(xué)習(xí),所以采用以節(jié)為單元的學(xué)習(xí)方式開(kāi)設(shè)實(shí)驗(yàn)課程,各節(jié)中所涵蓋的Web 頁(yè)面最少為1 頁(yè).移動(dòng)端用戶(hù)更適合選取碎片化學(xué)習(xí)方式,并將學(xué)習(xí)時(shí)間控制在15 min 之內(nèi),因此,實(shí)驗(yàn)課程的組織結(jié)構(gòu)需遵循獨(dú)立性及整體性[8].由于知識(shí)點(diǎn)的邏輯結(jié)構(gòu)更具有整體性,更符合客戶(hù)端用戶(hù)的課程結(jié)構(gòu)需求.線上實(shí)驗(yàn)課程的組織結(jié)構(gòu)如圖1 所示.

圖1 在線實(shí)驗(yàn)課程組織結(jié)構(gòu)Fig.1 Organizational structure of online experimental courses

實(shí)驗(yàn)課程的課件資源通常以文本、視頻、圖片等形式存在,PC 端登錄的用戶(hù)以Web 頁(yè)面形式進(jìn)行實(shí)驗(yàn)課程學(xué)習(xí),每次學(xué)習(xí)一個(gè)小節(jié),學(xué)習(xí)時(shí)間大概在40 min,移動(dòng)端則以知識(shí)點(diǎn)的形式學(xué)習(xí),每次學(xué)習(xí)一個(gè)知識(shí)點(diǎn),時(shí)間大約15 min.在線實(shí)驗(yàn)課程資源包涵蓋了實(shí)驗(yàn)課程目錄、知識(shí)點(diǎn)、考試內(nèi)容、課件內(nèi)容等方面信息,課程的目錄信息歸并在course.xml 中,包含各節(jié)全部知識(shí)點(diǎn),知識(shí)點(diǎn)中所需的文本、圖片等資源的搜索路徑存儲(chǔ)在知識(shí)點(diǎn)文件中,實(shí)驗(yàn)課程測(cè)試內(nèi)容存儲(chǔ)在考試文件中,包含測(cè)試題目、測(cè)試答案和涉及的相關(guān)知識(shí)點(diǎn)等,課件資源存儲(chǔ)在課件文件中.用戶(hù)通過(guò)點(diǎn)擊文件的方式即可完成實(shí)驗(yàn)課程的在線學(xué)習(xí).

1.2 基于機(jī)器學(xué)習(xí)的課程資源文件解析

針對(duì)在線實(shí)驗(yàn)課程資源文件并非完全格式化文件結(jié)構(gòu)的特點(diǎn),通過(guò)機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)課程資源文件的解析.同類(lèi)事件聚類(lèi)結(jié)果的好壞往往由該類(lèi)事件的評(píng)分標(biāo)準(zhǔn)決定,本文以函數(shù)值的方式對(duì)其進(jìn)行界定[9],通過(guò)迭代方式使分類(lèi)準(zhǔn)確度獲得有效提升.產(chǎn)生項(xiàng)對(duì)、文件聚類(lèi)、確定文件事件模板三個(gè)階段構(gòu)成文件解析全過(guò)程.

1.2.1 項(xiàng)對(duì)生成 將空格作為拆分符對(duì)文件進(jìn)行細(xì)分,將其劃分為字符串,數(shù)量為N,文件的項(xiàng)即是一個(gè)字符串,項(xiàng)對(duì)包含兩個(gè)項(xiàng),第一項(xiàng)分別與其后所有項(xiàng)組合生成項(xiàng)對(duì),數(shù)量為N-1 個(gè),分別為（1,2）、（1,3）、（1,4）、…、（1,N）,第二項(xiàng)同樣分別與其后所有項(xiàng)組合生成項(xiàng)對(duì),數(shù)量為N-2 個(gè),分別為（2,3）、（2,4）、…、（2,N）,以此類(lèi)推,直至第N-1 項(xiàng)與最后項(xiàng)生成項(xiàng)對(duì)（N-1,N）,以上為文件的全部項(xiàng)對(duì).針對(duì)所有文件信息,遍歷其內(nèi)全部項(xiàng),兩兩生成項(xiàng)對(duì),用項(xiàng)對(duì)對(duì)各文件信息進(jìn)行更換.

1.2.2 文件聚類(lèi) 文件解析的關(guān)鍵是對(duì)文件進(jìn)行聚類(lèi),對(duì)隸屬于同類(lèi)的文件事件進(jìn)行歸類(lèi),并生成相同文件事件模板是聚類(lèi)的根本目標(biāo)[10].本文采用機(jī)器學(xué)習(xí)的聚類(lèi)方法實(shí)現(xiàn)文件聚類(lèi).

對(duì)原始文件分組,個(gè)數(shù)為k,生成文件項(xiàng)對(duì),針對(duì)各文件,求解某一組至其他組的潛在函數(shù)值,其表達(dá)式為

式（1）中：A 為文件,r∈R(A)為文件項(xiàng)對(duì),涵蓋項(xiàng)對(duì)r的文件在A 中的個(gè)數(shù)用N(r,A)表示,涵蓋項(xiàng)對(duì)r的文件在A 中的比值表示為.

通過(guò)該函數(shù)值可判斷文件位置是否發(fā)生改變,當(dāng)函數(shù)值增加,對(duì)文件分組消息進(jìn)行替換,隨著函數(shù)值不斷增大,繼續(xù)進(jìn)行迭代,直至文件函數(shù)值不再變化,終止迭代,文件聚類(lèi)的最后分類(lèi)結(jié)果即是當(dāng)下分組數(shù).

1.2.3 生成文件 事件模板建立文件的信息簽名是生成文件事件模板的首要任務(wù),實(shí)施辦法是：對(duì)各文件的各項(xiàng)使用次數(shù)進(jìn)行記錄,消息簽名是以使用次數(shù)大于50%的項(xiàng)作為備選,文件事件備選項(xiàng)由各文件的備選項(xiàng)構(gòu)成,各類(lèi)別的文件事件模板則是使用次數(shù)最多的文件事件備選.

1.3 聚類(lèi)結(jié)果評(píng)價(jià)指標(biāo)

本文以準(zhǔn)確率（Precision）、F_measure、Rand index 指標(biāo)來(lái)衡量聚類(lèi)結(jié)果優(yōu)劣[11].

1.3.1 準(zhǔn)確率指標(biāo) 準(zhǔn)確率是搜索文件數(shù)與待搜索文件總數(shù)的比值,用于判斷聚類(lèi)結(jié)果是否為最佳分類(lèi).S 表示數(shù)據(jù)的隸屬類(lèi)別,可將其視為NS集合中準(zhǔn)備檢索的項(xiàng),Ak為簇,其大小表示為Nk,Ak中S 的個(gè)數(shù)表示為Nsk準(zhǔn)確率可表達(dá)為

根據(jù)本文的聚類(lèi)評(píng)價(jià)要求,可替換為

式（3）中：準(zhǔn)確分類(lèi)為正例的數(shù)量表示為T(mén)P,即將類(lèi)似數(shù)據(jù)歸為同一簇,未實(shí)現(xiàn)準(zhǔn)確分類(lèi)為正例的數(shù)量FP,即將差異性數(shù)據(jù)歸為同一簇.

1.3.2 F_measure 指標(biāo) F_measure 的表達(dá)式為

Recall 的求解公式可描述為

根據(jù)聚類(lèi)評(píng)價(jià)要求,將其替換為

式（6）中：未實(shí)現(xiàn)正確分類(lèi)為負(fù)例的數(shù)量表示為FN,即同類(lèi)數(shù)據(jù)歸為不同簇.

1.3.3 Rand index 指標(biāo)Rand index 的表達(dá)式為

式（7）中：準(zhǔn)確歸類(lèi)為負(fù)例的數(shù)量表示為T(mén)N,即差異性數(shù)據(jù)歸并為不同簇,[0,1]為其取值區(qū)間,Rand index 取值越趨近于1,表明聚類(lèi)結(jié)果與聚類(lèi)評(píng)判標(biāo)準(zhǔn)越接近,聚類(lèi)效果越好,越與實(shí)際相一致.

1.4 在線個(gè)性化智能推薦服務(wù)管理器

管理器（Agent）作為在線實(shí)驗(yàn)課程平臺(tái)的智能化服務(wù)模塊,其功能是依據(jù)用戶(hù)當(dāng)下搜索路徑,實(shí)現(xiàn)感興趣數(shù)據(jù)集的挖掘.當(dāng)用戶(hù)訪問(wèn)在線實(shí)驗(yàn)課程平臺(tái)時(shí),平臺(tái)會(huì)向Agent 傳送代表用戶(hù)身份的標(biāo)識(shí)以及用戶(hù)推薦申請(qǐng),Agent 對(duì)用戶(hù)標(biāo)識(shí)和推薦申請(qǐng)進(jìn)行處理后,將信息向推薦服務(wù)器端發(fā)送,服務(wù)器端則根據(jù)用戶(hù)標(biāo)識(shí)識(shí)別用戶(hù)身份、興趣偏好等信息,通過(guò)資源推薦算法獲取用戶(hù)感興趣的推薦內(nèi)容,再將推薦內(nèi)容傳遞給Agent,Agent 對(duì)其加權(quán)后,向在線平臺(tái)發(fā)送前N 個(gè)推薦內(nèi)容,由在線平臺(tái)展示給用戶(hù).協(xié)同過(guò)濾技術(shù)是常使用的推薦方法,是對(duì)用戶(hù)搜索行為的往期數(shù)據(jù)進(jìn)行分析,獲得與該用戶(hù)的興趣偏好具有較高相似性的用戶(hù)集合,推薦內(nèi)容即為該集合中用戶(hù)最喜好的內(nèi)容.該技術(shù)通過(guò)三個(gè)步驟實(shí)現(xiàn)實(shí)驗(yàn)課程資源的推薦,分別為數(shù)據(jù)描述、挖掘相鄰用戶(hù)、感興趣數(shù)據(jù)集生成.

推薦服務(wù)器依據(jù)標(biāo)志信息識(shí)別Agent,向Agent 傳遞推薦內(nèi)容的同時(shí),也將自身的標(biāo)志信息傳遞給Agent,Agent 根據(jù)權(quán)值選擇推薦服務(wù)器,權(quán)值高的N 個(gè)推薦服務(wù)器可接收推薦申請(qǐng),該服務(wù)器的權(quán)值是隨著用戶(hù)偏好及在線平臺(tái)類(lèi)型呈動(dòng)態(tài)改變. 平臺(tái)的初始推薦服務(wù)器端權(quán)值具有一致性,Agent 的職責(zé)是向服務(wù)器傳送推薦申請(qǐng),并接收推薦內(nèi)容,求解各個(gè)實(shí)驗(yàn)課程的加權(quán)值,將前N 個(gè)推薦內(nèi)容顯示給用戶(hù),根據(jù)被推薦課程中含有的標(biāo)識(shí)可識(shí)別推薦服務(wù)器.Agent 會(huì)對(duì)用戶(hù)搜索行為進(jìn)行監(jiān)督, 實(shí)時(shí)掌握推薦內(nèi)容的訪問(wèn)狀況,當(dāng)用戶(hù)訪問(wèn)或購(gòu)買(mǎi)推薦內(nèi)容時(shí),Agent 會(huì)進(jìn)行登記,依據(jù)服務(wù)器的登記次數(shù)實(shí)時(shí)改變其權(quán)值.H 為某服務(wù)器的登記次數(shù),Wg為其權(quán)值,可描述為

針對(duì)u 用戶(hù),i 為實(shí)驗(yàn)課程資源,資源i 的預(yù)估值可表示為

當(dāng)推薦服務(wù)器具有較高登記率時(shí), 推薦內(nèi)容中更易包含該服務(wù)器所推薦的文件事件模板所包含實(shí)驗(yàn)課程資源,不斷對(duì)權(quán)值更新,可使推薦內(nèi)容更加精準(zhǔn),滿(mǎn)足用戶(hù)偏好[12].

獲取感興趣數(shù)據(jù)集需對(duì)以下問(wèn)題進(jìn)行綜合分析：

第一：對(duì)當(dāng)下用戶(hù)的搜索頁(yè)面而言,需對(duì)各個(gè)具有高搜索頻率的內(nèi)容建立關(guān)聯(lián)規(guī)則.

第二：判斷用戶(hù)是否搜索過(guò)備選Web 頁(yè).

第三：判斷用戶(hù)當(dāng)下點(diǎn)擊窗口是否與推薦內(nèi)容相關(guān).

第四：基于用戶(hù)當(dāng)下點(diǎn)擊窗口Web 頁(yè)面,備選URL 需選擇與之具有鏈接關(guān)系的Web 頁(yè)面.

1.5 實(shí)驗(yàn)課程資源推薦

根據(jù)用戶(hù)對(duì)實(shí)驗(yàn)課程資源的搜索模式,獲取用戶(hù)感興趣數(shù)據(jù)集的切實(shí)可行方法[13].在對(duì)課程資源文件進(jìn)行解析時(shí)生成項(xiàng)對(duì),通過(guò)求解潛在函數(shù)值并建立信息簽名的基礎(chǔ)上,實(shí)現(xiàn)文件事件模板的輸出.基于最小支持度將偶爾搜索項(xiàng)剔除,將搜索頻率較高類(lèi)型的文件事件模板作為集合,通過(guò)該集合生成聚集樹(shù).基于機(jī)器學(xué)習(xí)的線上實(shí)驗(yàn)課程資源挖掘方法通過(guò)聚集樹(shù)實(shí)現(xiàn)用戶(hù)搜索路徑關(guān)聯(lián)規(guī)則的挖掘, 用戶(hù)推薦內(nèi)容是由推薦度因子決定,該因子則是將關(guān)聯(lián)規(guī)則的置信度與距離參數(shù)相乘而得.

本文利用滑窗采樣方式得到用戶(hù)當(dāng)下搜索路徑,實(shí)現(xiàn)用戶(hù)檢索行為的及時(shí)掌握,達(dá)到向用戶(hù)推薦資源的目的[14].設(shè)定W 為滑窗尺寸,通過(guò)W 大項(xiàng)向W+1 項(xiàng)檢索建立關(guān)聯(lián)規(guī)則集,利用滑窗大小為W 的現(xiàn)下用戶(hù)搜索路徑與聚集樹(shù)的子搜索路徑進(jìn)行匹配[15],將全部W+1 大小的搜索頻率較高的搜索路徑檢索出來(lái).

聚集樹(shù)的關(guān)聯(lián)規(guī)則挖掘算法：

SW為在當(dāng)下滑窗遮掩下的用戶(hù)搜索路徑,Tree_TF表示聚集樹(shù),支持度最低值為ρmin,置信度最低值為σmin,將以上各參數(shù)均作為算法輸入,GL 表示關(guān)聯(lián)規(guī)則集,將其作為輸出.在Tree_TF中挖掘與SW相適應(yīng),且W+1 大小的搜索路徑SW+1的備用大項(xiàng)集;針對(duì)第i 個(gè)備用大項(xiàng),,如果則關(guān)聯(lián)規(guī)則為,對(duì)其置信度σ進(jìn)行求解;如果,則.針對(duì)各個(gè)備選項(xiàng),其支持度可描述為

在求得關(guān)聯(lián)規(guī)則集的基礎(chǔ)上,再利用推薦度參數(shù),獲取推薦集,算法流程如下：

SCOREmin表示推薦度參數(shù)最低值,與關(guān)聯(lián)規(guī)則集合GL 一并作為算法輸入,Recommend 表示推薦集,以之作為輸出.

（3）begin

（5）begin

（10）end.

2 實(shí)驗(yàn)分析

以某在線實(shí)驗(yàn)課程平臺(tái)采集的用戶(hù)行為信息作為數(shù)據(jù)集,數(shù)據(jù)集中含有20 名用戶(hù)的15 門(mén)實(shí)驗(yàn)課程的學(xué)習(xí)記錄、課程評(píng)價(jià)信息.數(shù)據(jù)集包含500 條數(shù)據(jù),將其中400 條數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),100 條作為測(cè)試數(shù)據(jù).

分別采用本文方法、文獻(xiàn)[6]的成績(jī)挖掘方法、文獻(xiàn)[7]的基于稀疏和特征加權(quán)的挖掘方法對(duì)線上實(shí)驗(yàn)課程資源進(jìn)行挖掘,生成推薦列表,分析三種方法在不同列表長(zhǎng)度下的數(shù)據(jù)挖掘準(zhǔn)確率,驗(yàn)證本文方法的數(shù)據(jù)挖掘能力,實(shí)驗(yàn)結(jié)果如圖2 所示.

圖2 數(shù)據(jù)挖掘準(zhǔn)確率對(duì)比Fig.2 Comparison of data mining accuracy

分析圖2可知,隨著推薦列表長(zhǎng)度的不斷擴(kuò)大,三種方法的數(shù)據(jù)挖掘準(zhǔn)確率均呈現(xiàn)下降趨勢(shì),文獻(xiàn)[7]方法的準(zhǔn)確率下降趨勢(shì)最大,文獻(xiàn)[6]方法降低幅度小于文獻(xiàn)[7]方法,本文方法的準(zhǔn)確率始終高于其他兩種方法,當(dāng)列表長(zhǎng)度為14 時(shí),本文方法與文獻(xiàn)方法的準(zhǔn)確率差值最大,準(zhǔn)確率一直下降的原因在于列表長(zhǎng)度增加,推薦列表中會(huì)包含更多與用戶(hù)偏好關(guān)聯(lián)性較小的實(shí)驗(yàn)課程,降低用戶(hù)滿(mǎn)意度.實(shí)驗(yàn)結(jié)果表明,推薦列表長(zhǎng)度對(duì)于課程資源挖掘效果至關(guān)重要,列表長(zhǎng)度為14 時(shí)可體現(xiàn)出最佳挖掘效果.

為驗(yàn)證本文方法針對(duì)新用戶(hù)的實(shí)驗(yàn)課程資源挖掘效果,以在線平臺(tái)的新用戶(hù)為研究對(duì)象,采用本文方法對(duì)其進(jìn)行實(shí)驗(yàn)課程資源挖掘,推薦列表長(zhǎng)度設(shè)置為14,先從數(shù)據(jù)集中獲取該用戶(hù)的好友,該用戶(hù)對(duì)實(shí)驗(yàn)課程的評(píng)分為好友課程評(píng)分平均值,通過(guò)平均絕對(duì)誤差（MAE）及均方誤差（RMSE）及準(zhǔn)確率指標(biāo)驗(yàn)證本文方法的資源推薦效果,實(shí)驗(yàn)結(jié)果如圖3 所示.

圖3 新用戶(hù)實(shí)驗(yàn)課程資源推薦效果Fig.3 Recommendation effect of newuser experiment course resources

分析圖3可知,當(dāng)用戶(hù)好友個(gè)數(shù)不斷增多,MAE、RMSE 值呈下降趨勢(shì),準(zhǔn)確率指標(biāo)呈上升趨勢(shì),當(dāng)用戶(hù)好友數(shù)為18 時(shí),MAE 值開(kāi)始變大,當(dāng)好友數(shù)達(dá)到21 時(shí),RMSE 值也開(kāi)始上升,當(dāng)目標(biāo)用戶(hù)好友數(shù)量位于15 至21 之間時(shí),MAE 和RMSE、準(zhǔn)確率指標(biāo)可分別取到最低值、最高值,由此可知,基于好友的課程評(píng)價(jià)可實(shí)現(xiàn)目標(biāo)用戶(hù)對(duì)實(shí)驗(yàn)課程評(píng)價(jià)結(jié)果的預(yù)估,目標(biāo)用戶(hù)的最佳好友量為15 至21 個(gè).

以數(shù)據(jù)集中編號(hào)為3324***5502,專(zhuān)業(yè)信息為軟件工程的用戶(hù)為例,通過(guò)與文獻(xiàn)[6]方法、文獻(xiàn)[7]方法對(duì)比,分析三種方法的在線實(shí)驗(yàn)課程資源挖掘效果,實(shí)驗(yàn)結(jié)果如表1 所示.

表1 在線實(shí)驗(yàn)課程資源挖掘結(jié)果Tab.1 Resource mining results of online experimental course

根據(jù)表1可知,采用3 種方法對(duì)線上實(shí)驗(yàn)課程資源進(jìn)行挖掘時(shí),文獻(xiàn)[6]方法、文獻(xiàn)[7]方法挖掘的課程資源中與用戶(hù)興趣偏好90%相關(guān)的資源數(shù)目較少,更多的是60%相關(guān)的資源,本文方法挖掘的課程資源中與用戶(hù)興趣偏好90%相關(guān)的資源比例最大,其次是80%相關(guān),最后是60%相關(guān)的資源.實(shí)驗(yàn)結(jié)果表明,本文方法的實(shí)驗(yàn)課程資源挖掘更貼近用戶(hù)的興趣偏好,資源挖掘準(zhǔn)確性較高,能力更顯著.

3 小結(jié)

以某在線實(shí)驗(yàn)課程平臺(tái)采集的用戶(hù)數(shù)據(jù)信息為研究對(duì)象,研究本文方法對(duì)在線實(shí)驗(yàn)課程資源的挖掘能力.在推薦列表長(zhǎng)度不同時(shí),分析三種方法的數(shù)據(jù)挖掘準(zhǔn)確率;并采用本文方法向在線平臺(tái)的新用戶(hù)推薦實(shí)驗(yàn)課程資源,通過(guò)分析MAE、RMSE、準(zhǔn)確率指標(biāo)驗(yàn)證本文方法的資源挖掘效果;最后給出編號(hào)為3324***5502,軟件工程專(zhuān)業(yè)用戶(hù)的課程資源挖掘結(jié)果.實(shí)驗(yàn)結(jié)果表明：推薦列表長(zhǎng)度影響課程資源挖掘效果,為體現(xiàn)最佳挖掘效果,最佳推薦列表長(zhǎng)度應(yīng)設(shè)定為14.好友的課程評(píng)價(jià)可實(shí)現(xiàn)目標(biāo)用戶(hù)對(duì)實(shí)驗(yàn)課程評(píng)價(jià)結(jié)果的預(yù)估,且15 至21 個(gè)好友更為適合.本文方法的實(shí)驗(yàn)課程資源挖掘更貼近用戶(hù)的興趣偏好,資源挖掘準(zhǔn)確性較高,能力更顯著.