李鵬，閔慧，丁長(zhǎng)松*

（1.湖南中醫(yī)藥大學(xué) 信息科學(xué)與工程學(xué)院，湖南 長(zhǎng)沙；2.湖南信息職業(yè)技術(shù)學(xué)院 軟件學(xué)院，湖南 長(zhǎng)沙）

一 引言

疫情防控常態(tài)化的背景下，“停課不停學(xué)”是一種常態(tài)化教學(xué)要求。在線教學(xué)也成為“停課不停學(xué)”的主要途徑[1]。不同于傳統(tǒng)課堂學(xué)習(xí)，線上教學(xué)中師生被置于不同的空間，一方面弱化了教師對(duì)學(xué)生的監(jiān)督和指導(dǎo)作用，另一方面降低了師生間的互動(dòng)頻率及互動(dòng)效率，不利于學(xué)生對(duì)知識(shí)的理解、整合及應(yīng)用，大大降低了教學(xué)效果和教學(xué)質(zhì)量。那么，在常態(tài)化疫情防控的特殊時(shí)期，學(xué)生如何基于線上學(xué)習(xí)有限的條件最大程度地利用線上教學(xué)資源實(shí)現(xiàn)自主學(xué)習(xí)、深度學(xué)習(xí)，成為我們亟須解決的問題。同時(shí)，激增的在線教學(xué)平臺(tái)、海量的教學(xué)內(nèi)容及多樣化的教學(xué)資源在某種程度上又極大地增加了學(xué)習(xí)者的學(xué)習(xí)難度，學(xué)習(xí)者如何從海量的學(xué)習(xí)資源中篩選出適合自己的學(xué)習(xí)資源已成為在線學(xué)習(xí)領(lǐng)域的一大難題[2]。

二 相關(guān)工作

在線學(xué)習(xí)資源的個(gè)性化推薦問題是目前研究的熱點(diǎn)，已有眾多的學(xué)者提出了一系列用于在線學(xué)習(xí)資源推薦的方法[3-8]，如盧春華等人[3]提出了一種基于本體和循環(huán)神經(jīng)網(wǎng)絡(luò)的在線學(xué)習(xí)資源推薦方法。該方法采用本體對(duì)學(xué)習(xí)資源進(jìn)行表示和建模，并采用循環(huán)神經(jīng)網(wǎng)絡(luò)來識(shí)別學(xué)習(xí)者的學(xué)習(xí)偏好。實(shí)驗(yàn)結(jié)果表明，該方法在召回率和準(zhǔn)確率方面的推薦性能比傳統(tǒng)方法有了極大提升。李浩君等人[4]針對(duì)現(xiàn)有基于單目標(biāo)的學(xué)習(xí)資源推薦算法精度不足的問題，采用了一種基于多目標(biāo)優(yōu)化策略的在線學(xué)習(xí)資源推薦方法，以同時(shí)獲得學(xué)習(xí)者對(duì)學(xué)習(xí)資源類型難度水平適應(yīng)度最佳和偏好度最大為優(yōu)化目標(biāo)，設(shè)計(jì)了多目標(biāo)粒子群優(yōu)化算法來提高推薦精度和效率。張小雪等人[5]在分析幾種國內(nèi)外個(gè)性化學(xué)習(xí)資源推薦的基礎(chǔ)上，提出了使用Felder-Silverman 量表和自我評(píng)價(jià)指標(biāo)來檢測(cè)學(xué)習(xí)者的偏好，然后從學(xué)習(xí)者的學(xué)習(xí)行為和學(xué)習(xí)路徑等角度出發(fā)來挖掘潛在的隱形學(xué)習(xí)特征，并結(jié)合協(xié)同過濾和數(shù)據(jù)挖掘技術(shù)來實(shí)現(xiàn)學(xué)習(xí)者特征與在線學(xué)習(xí)資源之間的匹配，從而達(dá)到優(yōu)化學(xué)習(xí)資源推薦的目的。夏立新等人[6]從移動(dòng)學(xué)習(xí)平臺(tái)中用戶評(píng)價(jià)結(jié)果出發(fā)，設(shè)計(jì)了一種改進(jìn)的布爾型移動(dòng)在線學(xué)習(xí)資源協(xié)同推薦方案。該方案首先采用基于用戶自身屬性和學(xué)習(xí)歷史的FRUTAI 算法來識(shí)別所有面向用戶所需的可能的學(xué)習(xí)資源，然后利用基于打分的評(píng)估機(jī)制來過濾推薦結(jié)果。另外，王曉東等人[7]針對(duì)現(xiàn)有的學(xué)習(xí)資源推薦方法存在冷啟動(dòng)和數(shù)據(jù)稀疏性所導(dǎo)致的推薦精度不足的問題，進(jìn)一步考慮了學(xué)習(xí)者的學(xué)習(xí)風(fēng)格和學(xué)習(xí)水平對(duì)推薦結(jié)果的影響，設(shè)計(jì)了一種基于知識(shí)表示和協(xié)同過濾的精準(zhǔn)推薦模型，有效地提高了個(gè)性化推薦的準(zhǔn)確度；張征等人[8]將深度學(xué)習(xí)技術(shù)應(yīng)用到個(gè)性化學(xué)習(xí)資源推薦過程中，提出了一種結(jié)合特征選擇和二部圖模型的智能推薦算法，有效地提升了在線學(xué)習(xí)時(shí)學(xué)習(xí)者的學(xué)習(xí)質(zhì)量，一定程度上解決了大數(shù)據(jù)環(huán)境下學(xué)習(xí)資源劇增所導(dǎo)致的資源選擇難度大的問題。

然而總的來看，現(xiàn)有的推薦算法還很難準(zhǔn)確地挖掘出在線學(xué)習(xí)過程中的隱性數(shù)據(jù)，導(dǎo)致推薦質(zhì)量不夠理想。此外，現(xiàn)有的基于深度神經(jīng)網(wǎng)絡(luò)的推薦算法大多存在網(wǎng)絡(luò)退化問題(degradation problem)[9]，極大地制約了推薦算法的性能，難以滿足個(gè)性化推薦服務(wù)的質(zhì)量要求。鑒于此，本文提出了一種基于殘差網(wǎng)絡(luò)(residual network, ResNet)[10]的在線學(xué)習(xí)資源個(gè)性化推薦方法。文中在設(shè)計(jì)了基于互信息的特征選擇的基礎(chǔ)上，采用學(xué)習(xí)者- 學(xué)習(xí)資源二分圖模型來衡量學(xué)習(xí)者的學(xué)習(xí)偏好，并提出利用殘差網(wǎng)絡(luò)來訓(xùn)練推薦模型，實(shí)現(xiàn)在線學(xué)習(xí)資源的個(gè)性化精準(zhǔn)推薦。

三 本文方案

（一） 問題描述

學(xué)習(xí)資源個(gè)性化推薦問題可以看作是一種學(xué)習(xí)者與學(xué)習(xí)資源之間的關(guān)系匹配問題[11]。在線學(xué)習(xí)平臺(tái)如何為學(xué)習(xí)者精準(zhǔn)地推薦學(xué)習(xí)資源，其關(guān)鍵點(diǎn)在于如何有效地利用好學(xué)習(xí)者的歷史學(xué)習(xí)資源信息，對(duì)其進(jìn)行深入地分析和挖掘處理。假設(shè)，學(xué)習(xí)者的歷史學(xué)習(xí)資源集合信息用圖1 左側(cè)所示的m×n矩陣表示，其中，L代表學(xué)習(xí)者，R代表學(xué)習(xí)資源。圖1 中的白色空白部分表示學(xué)習(xí)者還未學(xué)習(xí)過的學(xué)習(xí)資源，而陰影部分表示已經(jīng)學(xué)習(xí)過的資源。本文研究的問題：在獲得學(xué)習(xí)者的歷史學(xué)習(xí)信息(可用歷史學(xué)習(xí)矩陣表示)的基礎(chǔ)上，如何通過深度學(xué)習(xí)技術(shù)從海量的在線學(xué)習(xí)資源中篩選得到符合需求的資源推薦學(xué)習(xí)者。

圖1 個(gè)性化學(xué)習(xí)資源推薦問題

（二） 個(gè)性化推薦框架

本文提出基于殘差網(wǎng)絡(luò)的三級(jí)模型來進(jìn)行學(xué)習(xí)資源的個(gè)性化推薦，如圖2 所示。其中，在第一級(jí)中，我們基于互信息的特征選擇來表示和處理學(xué)習(xí)者的歷史學(xué)習(xí)數(shù)據(jù)，并將它作為模型的輸入。此外，我們還構(gòu)建了一種用于判斷學(xué)習(xí)資源是否值得推薦的決策條件：學(xué)習(xí)者- 學(xué)習(xí)資源二部圖關(guān)聯(lián)模型。在第二級(jí)中，我們建立了基于殘差網(wǎng)絡(luò)的學(xué)習(xí)模型，針對(duì)學(xué)習(xí)資源的個(gè)性化推薦問題，提出了基于Adam算法[12]的殘差網(wǎng)絡(luò)優(yōu)化策略，通過一系列復(fù)雜的訓(xùn)練過程得到學(xué)習(xí)資源推薦模型。在第三級(jí)中，將待測(cè)試數(shù)據(jù)輸入已經(jīng)訓(xùn)練完畢的個(gè)性化推薦模型，模型便可以向?qū)W習(xí)者推薦符合學(xué)習(xí)需求的個(gè)性化學(xué)習(xí)資源。

圖2 基于深度學(xué)習(xí)的在線學(xué)習(xí)資源個(gè)性化推薦框架

（三） 在線學(xué)習(xí)資源個(gè)性化推薦模型設(shè)計(jì)

1.基于互信息的特征選擇

特征選擇是否準(zhǔn)確是影響到個(gè)性化推薦模型性能的關(guān)鍵之一。一般而言，影響學(xué)習(xí)者選擇不同的在線學(xué)習(xí)資源的主要因素有專業(yè)領(lǐng)域、認(rèn)知能力、學(xué)習(xí)目標(biāo)、學(xué)習(xí)風(fēng)格和學(xué)習(xí)時(shí)長(zhǎng)等。同時(shí)，學(xué)習(xí)資源本身也存在著資源類型、獲取方式、資源難易程度等屬性。因此，為了建模得到準(zhǔn)確的學(xué)習(xí)資源個(gè)性化推薦模型，我們首先需要從眾多特征中挖掘得到學(xué)習(xí)者與學(xué)習(xí)資源之間的關(guān)聯(lián)并進(jìn)行特征選擇，以作為個(gè)性化推薦模型的輸入。

在線學(xué)習(xí)數(shù)據(jù)中除了包含學(xué)習(xí)者的多次學(xué)習(xí)行為記錄，還存在很多隱性數(shù)據(jù)，我們可以從這些數(shù)據(jù)中獲取學(xué)習(xí)資源的特征。而在實(shí)際數(shù)據(jù)處理過程中存在無關(guān)特征和冗余特征，比如學(xué)習(xí)者的學(xué)員編號(hào)或者班級(jí)編號(hào)可能就是無關(guān)特征，在一些大型的公開數(shù)據(jù)集中還有可能記錄了學(xué)習(xí)者的家庭住址、父母職業(yè)及工作單位等信息，因此需要進(jìn)行特征選擇或者篩選處理，將無關(guān)特征和冗余特征去除，來提高推薦模型的準(zhǔn)確率與高效性。本文采用基于互信息的特征選擇方法來完成這一工作?；バ畔⒖捎糜谠u(píng)價(jià)定性自變量( 特征) 對(duì)定性因變量( 標(biāo)簽) 的相關(guān)性。對(duì)于離散型隨機(jī)變量X,Y，互信息的計(jì)算公式如下：

為了便于計(jì)算，互信息可以轉(zhuǎn)換為KL散度的形式：

KL散度常用來衡量?jī)蓚€(gè)概率分布之間的差異，如果x和y是相互獨(dú)立的隨機(jī)變量，則p(x,y) =p(x)p(y)，那么上式為 0。因此若I(X;Y)越大，則表示兩個(gè)變量相關(guān)性越大，于是可以用互信息來篩選學(xué)習(xí)者和資源的特征。篩選的過程如圖3所示。

圖3 基于互信息的特征選擇

2.學(xué)習(xí)者-學(xué)習(xí)資源二分圖模型

了解學(xué)習(xí)者對(duì)某一學(xué)習(xí)資源的偏好對(duì)于實(shí)現(xiàn)準(zhǔn)確的資源推薦具有重要作用。本文提出用學(xué)習(xí)者-學(xué)習(xí)資源二分圖模型來衡量學(xué)習(xí)者對(duì)某一資源的偏好程度。假設(shè)，學(xué)習(xí)者集合為L(zhǎng)={l1,l2,...,ln}，學(xué)習(xí)資源集合為L(zhǎng)R={r1,r2,...,rm}，則可以構(gòu)造一個(gè)0~1 矩陣Xn×m來表述學(xué)習(xí)者與學(xué)習(xí)資源之間的關(guān)聯(lián)關(guān)系[8]：

在式（3）中，如果Xn×m= 1，則表示學(xué)習(xí)者已經(jīng)學(xué)習(xí)過此資源；反之，則表示沒有學(xué)習(xí)過。其中，矩陣X的行向量表示學(xué)習(xí)者；列向量表示學(xué)習(xí)者對(duì)于學(xué)習(xí)資源的學(xué)習(xí)行為。進(jìn)一步地，我們可將學(xué)習(xí)者對(duì)某一學(xué)習(xí)資源的學(xué)習(xí)頻率定義為：習(xí)資源的平均次數(shù)；表示li學(xué)習(xí)資源lrj的總

在式（4）中，F(xiàn)oL(li)表示學(xué)習(xí)者li學(xué)習(xí)某一學(xué)次數(shù)；Num(li)表示li已學(xué)習(xí)過的資源總數(shù)。圖4 給出了基于二分圖的資源選擇示例。從圖4 可以看到，學(xué)習(xí)者 學(xué)習(xí)了l2r，則兩者之間存在一條邊，邊上的權(quán)值2 表示學(xué)習(xí)了2 次。此時(shí)可以計(jì)算出l2學(xué)習(xí)的lr2頻率為：2/10。該頻率反映了學(xué)習(xí)者對(duì)某一資源的感興趣程度，學(xué)習(xí)頻率越高，則表明該學(xué)習(xí)者對(duì)該資源有更大的偏好。進(jìn)一步地，本文定義了如式（5）所示的推薦條件(RC)來判斷是否應(yīng)該將某一學(xué)習(xí)資源推薦給相應(yīng)的學(xué)習(xí)者：

圖4 基于二分圖的資源選擇

3.基于殘差網(wǎng)絡(luò)的個(gè)性化推薦

在學(xué)習(xí)資源推薦場(chǎng)景中應(yīng)用深度學(xué)習(xí)技術(shù)，其關(guān)鍵在于如何利用學(xué)習(xí)者的歷史學(xué)習(xí)記錄進(jìn)行建模，找出原始數(shù)據(jù)間隱式特征，進(jìn)而在訓(xùn)練模型構(gòu)造時(shí)能規(guī)范模型的輸入層與輸出層。上一小節(jié)采用基于互信息的特征選擇模型與學(xué)習(xí)者- 學(xué)習(xí)資源二部圖關(guān)聯(lián)模型有效地解決了深度神經(jīng)網(wǎng)絡(luò)的輸入與輸出部分。本文采用殘差網(wǎng)絡(luò)[10]來判斷學(xué)習(xí)者是否已經(jīng)學(xué)習(xí)過某一學(xué)習(xí)資源、對(duì)該資源的重視度，進(jìn)而實(shí)現(xiàn)在線學(xué)習(xí)資源的個(gè)性化推薦。

ResNet 由一個(gè)個(gè)殘差單元組合而成，它容易優(yōu)化，其準(zhǔn)確率也能通過增加相當(dāng)?shù)纳疃葋硖岣摺?nèi)部殘差塊間的跳躍連接(短路機(jī)制)有效地緩解了在深度神經(jīng)網(wǎng)絡(luò)中因增加深度所帶來的梯度消失或梯度擴(kuò)散等問題。本文構(gòu)建了一個(gè)34 層的深度殘差網(wǎng)絡(luò)(ResNet-34) 來提取學(xué)習(xí)者- 資源二部圖的特征，如圖5 所示。在本文提出的ResNet-34 模型中，我們采用Relu 函數(shù)[13]作為每個(gè)卷積核的激活函數(shù)；采用交叉熵[14]作為損失函數(shù)來評(píng)估模型的準(zhǔn)確性；采用Adam 算法作為訓(xùn)練過程中的優(yōu)化策略。具體而言，在ResNet-34 中，首先采用一個(gè)大小為7×7 的卷積核以2 個(gè)步長(zhǎng)對(duì)原始輸入的二部圖進(jìn)行特征提取，得到一個(gè)大小為112×112 的特征圖，接著使用最大池化(Max Pooling) 技術(shù)來對(duì)特征進(jìn)行壓縮，然后經(jīng)過四組大小分別為3、4、6 和3 的殘差塊進(jìn)行多次反復(fù)的特征提取。其中，所有殘差組中的卷積核大小都為3×3，每組殘差塊中的第一個(gè)卷積核采用2 個(gè)步長(zhǎng)進(jìn)行特征提取，其他卷積核采用1 個(gè)步長(zhǎng)進(jìn)行特征提取。此外，同組殘差塊所采用的卷積核通道數(shù)均相同，依次為64、128、256 和512。此時(shí)，各組輸出的特征圖大小依次為56×56、28×28、14×14、7×7。最后經(jīng)過平均池化和全連接層，采用Sigmoid 函數(shù)進(jìn)行分類映射，進(jìn)而得到個(gè)性化在線學(xué)習(xí)資源的推薦結(jié)果。

圖5 用于在線學(xué)習(xí)資源推薦的ResNet-34 結(jié)構(gòu)

（四） 仿真實(shí)驗(yàn)分析

我們的實(shí)驗(yàn)是在一臺(tái)8 核16 線程的計(jì)算機(jī)上進(jìn)行的。計(jì)算機(jī)的操作系統(tǒng)為Ubuntu 16.04 LTS 64 位，CPU 型 號(hào) 為Intel Core i9-9960X@ 3.10GHz，內(nèi)存為16G。采用深度學(xué)習(xí)框架TensorFlow 和Anaconda 平臺(tái)實(shí)現(xiàn)了文中提出的基于殘差網(wǎng)絡(luò)的在線學(xué)習(xí)資源推薦模型(RR-RN)。實(shí)驗(yàn)數(shù)據(jù)集源自湖南省長(zhǎng)沙市某高校在線學(xué)習(xí)平臺(tái)數(shù)據(jù)集，我們從中提取了部分學(xué)習(xí)數(shù)據(jù)得到如表1 所示的實(shí)驗(yàn)數(shù)據(jù)集。為了避免推薦模型過擬合，我們對(duì)所有四個(gè)數(shù)據(jù)樣本采用十折交叉驗(yàn)證來評(píng)估ResNet-34 的推薦性能，選出性能最好狀態(tài)下的超參數(shù)，得到最終的推薦模型。

表1 數(shù)據(jù)樣本

本文研究的問題是判斷是否應(yīng)該推薦某一學(xué)習(xí)資源給特定的學(xué)習(xí)者。文中根據(jù)學(xué)習(xí)者- 學(xué)習(xí)資源二分圖模型將該問題劃分為推薦和不推薦兩種情況，屬于一種典型的分類問題。另一方面，學(xué)習(xí)者對(duì)某一學(xué)習(xí)資源的學(xué)習(xí)頻率則反映了學(xué)習(xí)者的偏好，因此這也是一種回歸問題。為此，文中從兩個(gè)方面去衡量本文方法的性能，在分類方面采用查準(zhǔn)率(Precision, P)、召回率(Recall, R) 和 F 值作為評(píng)價(jià)指標(biāo)。在回歸方面則采用均方誤差(MAE)、均方根誤差(MSE)、平均絕對(duì)誤差(RMSE)作為評(píng)價(jià)指標(biāo)。此外，為了橫向比較本文方法的性能，我們采用決策樹(Decision Tree，DT)[15]、支持向量機(jī)(Support Vector Machines，SVM)[16]和K 最 近 鄰(K-Nearest Neighbor，KNN)[17]作為分類方面的對(duì)比算法；采用回歸樹(Regression Tree, RT)[18]、支持向量機(jī)(Support Vector Machines，SVM)、線性回歸(Linear Regression, LR)[19]作為回歸方面的對(duì)比算法。

分類評(píng)價(jià)結(jié)果如圖 6 所示。從圖6 中我們可以看出，隨著不同樣本中學(xué)習(xí)時(shí)間或?qū)W習(xí)者數(shù)量的增加，查準(zhǔn)率、召回率和F值都在增加，這表明學(xué)習(xí)記錄的增加，有利于挖掘?qū)W習(xí)者和學(xué)習(xí)資源之間的潛在關(guān)聯(lián)關(guān)系，從而提高推薦的準(zhǔn)確性。此外我們還注意到，本文提出的基于殘差網(wǎng)絡(luò)的推薦算法(RR-RN) 的性能始終要優(yōu)于其他算法，這表明RR-RN 算法對(duì)于解決實(shí)際的學(xué)習(xí)資源推薦問題具有較好的針對(duì)性，能夠滿足個(gè)性化推薦的需求。

圖6 不同算法的分類評(píng)價(jià)結(jié)果

回歸評(píng)價(jià)結(jié)果如圖 7 所示。從圖7 中我們可以看出，隨著不同樣本中學(xué)習(xí)時(shí)間或?qū)W習(xí)者數(shù)量的增加，不同算法預(yù)測(cè)的學(xué)習(xí)者對(duì)學(xué)習(xí)資源的學(xué)習(xí)頻率會(huì)隨之波動(dòng)，但總的來看，本文提出的RR-RN 算法在四個(gè)數(shù)據(jù)樣本上的預(yù)測(cè)結(jié)果與實(shí)際結(jié)果之間的誤差總是最小，這表明RR-RN 算法在預(yù)測(cè)學(xué)習(xí)者對(duì)某一學(xué)習(xí)資源的學(xué)習(xí)頻率上具有較好的適應(yīng)性，有比其他算法更優(yōu)越的性能。仔細(xì)分析其原因可知，這是因?yàn)殡S著學(xué)習(xí)行為記錄的不斷增加，通過采用殘差網(wǎng)絡(luò)的學(xué)習(xí)和誤差判斷，有利于預(yù)測(cè)學(xué)習(xí)者的真正偏好，進(jìn)一步篩選出學(xué)習(xí)者真正感興趣的學(xué)習(xí)資源，提高了推薦的質(zhì)量。

圖7 不同算法的回歸評(píng)價(jià)結(jié)果

四 推薦平臺(tái)的實(shí)現(xiàn)

上節(jié)詳細(xì)介紹了本文提出的基于殘差網(wǎng)絡(luò)的在線學(xué)習(xí)資源個(gè)性化推薦模型，并通過仿真實(shí)驗(yàn)驗(yàn)證了該個(gè)性化推薦模型的有效性。下面進(jìn)一步給出嵌入了該模型的在線學(xué)習(xí)資源推薦平臺(tái)的實(shí)現(xiàn)過程，以直觀地展示本文提出的推薦方法如何應(yīng)用到實(shí)際中去。

（一） 推薦平臺(tái)總體架構(gòu)設(shè)計(jì)

1.開發(fā)框架

在本文提出的在線學(xué)習(xí)資源推薦平臺(tái)中，學(xué)習(xí)者角色可以結(jié)合自身的學(xué)習(xí)興趣選擇需要的學(xué)習(xí)資源來進(jìn)行學(xué)習(xí)，教師角色或者管理員角色可以實(shí)現(xiàn)學(xué)習(xí)資源的管理，包括制作個(gè)人化學(xué)習(xí)資源，上傳、修改和刪除學(xué)習(xí)資源等。限于篇幅，本節(jié)僅展示與個(gè)性化推薦相關(guān)的功能，搭建的基于殘差網(wǎng)絡(luò)的在線學(xué)習(xí)資源個(gè)性化推薦平臺(tái)如圖8 所示。其中，數(shù)據(jù)庫中存儲(chǔ)了整個(gè)推薦平臺(tái)的所有數(shù)據(jù)，例如用戶的基本信息、學(xué)習(xí)者學(xué)習(xí)記錄、學(xué)習(xí)資源的信息等；持久層則負(fù)責(zé)實(shí)現(xiàn)數(shù)據(jù)的采集、清洗和在線學(xué)習(xí)資源的個(gè)性化推薦；服務(wù)層負(fù)責(zé)提供面向用戶的各種服務(wù)；Web 層負(fù)責(zé)接收客戶端發(fā)送的請(qǐng)求，再將請(qǐng)求轉(zhuǎn)發(fā)給服務(wù)層（service 層）和數(shù)據(jù)持久層進(jìn)行功能處理來實(shí)現(xiàn)對(duì)應(yīng)用層的支持。

圖8 學(xué)習(xí)資源推薦平臺(tái)架構(gòu)設(shè)計(jì)

2.數(shù)據(jù)庫設(shè)計(jì)

在本文提出的在線學(xué)習(xí)資源推薦平臺(tái)中，在數(shù)據(jù)持久層中實(shí)現(xiàn)了核心的推薦服務(wù)功能，該功能與學(xué)習(xí)者的偏好、歷史學(xué)習(xí)行為和學(xué)習(xí)資源的特征等屬性具有緊密聯(lián)系，因此建立一個(gè)合適的數(shù)據(jù)庫對(duì)于高質(zhì)量地完成在線學(xué)習(xí)資源個(gè)性化推薦是至關(guān)重要的。我們?yōu)橛脩粼O(shè)定了三種角色：管理員、教師和學(xué)習(xí)者，構(gòu)建出如圖9 所示的實(shí)體對(duì)象E-R 圖，完成數(shù)據(jù)庫的建模。

圖9 實(shí)體對(duì)象E-R 圖

進(jìn)一步地，圖10 給出了推薦平臺(tái)中設(shè)計(jì)的數(shù)據(jù)庫表和表字段關(guān)系圖。我們將圖10 中描述的學(xué)習(xí)者的行為記錄進(jìn)一步轉(zhuǎn)化為可供殘差網(wǎng)絡(luò)算法訓(xùn)練的數(shù)據(jù)，用來支撐推薦平臺(tái)的功能實(shí)現(xiàn)。

圖10 數(shù)據(jù)庫表和以及字段關(guān)系

（二） 功能流程

最后，圖11 給出了在線學(xué)習(xí)資源推薦平臺(tái)的功能流程圖。圖中，學(xué)習(xí)者的功能包括收藏、下載、瀏覽、搜索學(xué)習(xí)資源等，教師的功能包括資源的上傳、修改、屬性編輯、查看記錄等。此外，教師在上傳資源的同時(shí)可以對(duì)資源的一些屬性加以標(biāo)記，例如該資源的主題目標(biāo)、學(xué)習(xí)難度、內(nèi)容類型和學(xué)習(xí)時(shí)長(zhǎng)等。該平臺(tái)收集學(xué)習(xí)者的學(xué)習(xí)數(shù)據(jù)和學(xué)習(xí)資源數(shù)據(jù)，采用基于深度學(xué)習(xí)的推薦引擎，計(jì)算得到學(xué)習(xí)者的偏好信息和學(xué)習(xí)資源的權(quán)重?cái)?shù)值，以此作為在平臺(tái)中實(shí)現(xiàn)學(xué)習(xí)資源匹配的依據(jù)，進(jìn)而完成學(xué)習(xí)資源的個(gè)性化推薦。

圖11 功能流程圖

五 結(jié)論和未來工作

疫情常態(tài)化管控下，在“停課不停學(xué)”常態(tài)化要求下，如何有效地向?qū)W習(xí)者推薦他們感興趣的學(xué)習(xí)資源是提高線上教學(xué)效果的一種重要手段。文中提出了一種新穎的在線學(xué)習(xí)資源個(gè)性化推薦方法。該方法通過基于互信息的特征選擇、基于學(xué)習(xí)者-學(xué)習(xí)資源二分圖模型的資源選擇和基于殘差網(wǎng)絡(luò)的資源學(xué)習(xí)等處理來完成在線學(xué)習(xí)資源的個(gè)性化推薦。仿真實(shí)驗(yàn)結(jié)果和實(shí)現(xiàn)的推薦平臺(tái)都驗(yàn)證了本文方法的有效性。在下一步研究工作中，我們將考慮利用知識(shí)圖譜來對(duì)學(xué)習(xí)者、學(xué)習(xí)路徑以及學(xué)習(xí)資源之間的關(guān)系進(jìn)行建模，進(jìn)而采用知識(shí)計(jì)算和知識(shí)推理的手段來構(gòu)建高效的學(xué)習(xí)資源推薦方法。