謝浩然 陳協(xié)玲 鄭國城 王富利

摘要：E-Learning領(lǐng)域的推薦系統(tǒng)在滿足學(xué)習(xí)者個(gè)性化學(xué)習(xí)需求方面發(fā)揮著重要作用。近年來，國際上圍繞E-Learning推薦系統(tǒng)開展的研究迅速增多。采用文獻(xiàn)計(jì)量分析方法對該領(lǐng)域的研究進(jìn)行系統(tǒng)分析，有助于為E-Learning推薦系統(tǒng)的高水平研究和高質(zhì)量應(yīng)用提供鏡鑒。綜括而言，當(dāng)前國際E-Learning領(lǐng)域的推薦系統(tǒng)研究熱點(diǎn)及其演變趨勢集中體現(xiàn)在6個(gè)方面：一是融合多種技術(shù)優(yōu)勢的混合推薦日益受到重視且逐漸成為主流。二是伴隨技術(shù)支持下群體學(xué)習(xí)的多元發(fā)展，個(gè)性化推薦由關(guān)注個(gè)體推薦逐步轉(zhuǎn)向關(guān)注群體推薦。三是隨著大規(guī)模開放在線課程的流行，個(gè)性化推薦逐步突破小規(guī)模而面向大規(guī)模學(xué)習(xí)者群體，重視通過對海量學(xué)習(xí)資源和過程數(shù)據(jù)的搜集和挖掘而提供個(gè)性化推薦。四是從心理學(xué)層面關(guān)注學(xué)習(xí)者情緒變化，并據(jù)此構(gòu)建上下文推薦系統(tǒng)，通過優(yōu)化調(diào)整推薦內(nèi)容不斷促進(jìn)學(xué)習(xí)者高效完成學(xué)習(xí)任務(wù)。五是在推薦功能上更加強(qiáng)調(diào)學(xué)習(xí)模型構(gòu)建，重視提升學(xué)習(xí)者的深層次認(rèn)知能力和促進(jìn)有效學(xué)習(xí)。六是在先進(jìn)技術(shù)的支持上，個(gè)性化推薦系統(tǒng)強(qiáng)調(diào)引入深度學(xué)習(xí)技術(shù)，不斷優(yōu)化其表征能力、融合效率和推薦效果。

關(guān)鍵詞：E-Learning;個(gè)性化推薦系統(tǒng);個(gè)性化學(xué)習(xí);人工智能;研究熱點(diǎn)

中圖分類號：G434? ?文獻(xiàn)標(biāo)識碼：A? ? 文章編號：1009-5195（2022）03-0015-10? doi10.3969/j.issn.1009-5195.2022.03.002

基金項(xiàng)目：嶺南大學(xué)學(xué)院研究基金“Facilitate Tree-Structured Topic Modeling via Nonparametric Neural Inference”（DB21A9）。

作者簡介：謝浩然，博士，副教授，博士生導(dǎo)師，嶺南大學(xué)電腦及決策科學(xué)學(xué)系（香港 999077）;陳協(xié)玲（通訊作者），博士研究生，香港教育大學(xué)數(shù)學(xué)與信息科技學(xué)系（香港 999077）;鄭國城，博士，副教授，博士生導(dǎo)師，香港教育大學(xué)數(shù)學(xué)與信息科技學(xué)系（香港 999077）;王富利，博士，教授，博士生導(dǎo)師，香港都會(huì)大學(xué)科技學(xué)院（香港 999077）。

一、研究背景

隨著互聯(lián)網(wǎng)上學(xué)習(xí)資源的不斷增多，E-Learning以其學(xué)習(xí)時(shí)空靈活、學(xué)習(xí)資源豐富等獨(dú)特優(yōu)勢越來越受到研究人員的關(guān)注。然而，由于信息過載，學(xué)生通常難以自主選擇最佳的學(xué)習(xí)材料來滿足自身學(xué)習(xí)需求（Montaner et al.，2003）。推薦系統(tǒng)作為人工智能的一個(gè)重要應(yīng)用，不同于返回匹配用戶查詢信息的搜索引擎或檢索系統(tǒng)，可以根據(jù)學(xué)習(xí)者的學(xué)習(xí)特征、偏好與需求，有效地進(jìn)行學(xué)習(xí)資源過濾，自動(dòng)向?qū)W習(xí)者推薦個(gè)性化學(xué)習(xí)資源（Aguilar et al.，2017）。

由于對個(gè)性化學(xué)習(xí)和大數(shù)據(jù)可用性的需求不斷增加，E-Learning領(lǐng)域推薦系統(tǒng)的研究受到研究者廣泛而持續(xù)的關(guān)注。在E-Learning中，學(xué)習(xí)者在學(xué)習(xí)背景、知識水平和學(xué)習(xí)方式等方面具有差異性，因此向特定學(xué)習(xí)者推薦合適的學(xué)習(xí)資源就成為一個(gè)頗具挑戰(zhàn)的問題。即便兩個(gè)學(xué)習(xí)者的學(xué)業(yè)表現(xiàn)相似，但由于他們具備不同的學(xué)習(xí)特征，因而也需要不同的學(xué)習(xí)內(nèi)容。因此，E-Learning推薦系統(tǒng)需要考慮學(xué)習(xí)者的具體需求，以為其提供個(gè)性化推薦服務(wù)與個(gè)性化學(xué)習(xí)體驗(yàn)。傳統(tǒng)的推薦系統(tǒng)如協(xié)同過濾和基于內(nèi)容的推薦系統(tǒng)，均未能在推薦過程中充分考慮學(xué)習(xí)者的學(xué)習(xí)特征，而是依據(jù)推薦內(nèi)容評分向其推薦學(xué)習(xí)內(nèi)容。這種學(xué)習(xí)資源推薦可以通過使用知識結(jié)構(gòu)（例如本體）進(jìn)行完善，將學(xué)習(xí)者特征進(jìn)行個(gè)性化處理，從而使得推薦內(nèi)容更好地匹配學(xué)習(xí)者的需求和特征（Tarus et al.，2018）。Verbert等（2012）也強(qiáng)調(diào)在推薦過程中要綜合考慮學(xué)習(xí)者、教師及學(xué)習(xí)情境等信息。隨著推薦系統(tǒng)研究的不斷深入發(fā)展，E-Learning推薦系統(tǒng)已成為一個(gè)重要的研究領(lǐng)域，積累了很多有價(jià)值的研究成果（Manouselis et al.，2011）。

已有許多研究人員對E-Learning推薦系統(tǒng)領(lǐng)域的文獻(xiàn)進(jìn)行了綜述研究。例如，Verbert等（2012）對技術(shù)增強(qiáng)學(xué)習(xí)環(huán)境中的上下文感知推薦系統(tǒng)的相關(guān)文獻(xiàn)進(jìn)行了時(shí)間、位置、活動(dòng)、物理?xiàng)l件、資源和社會(huì)關(guān)系等維度的分析。Drachsler等（2015）將發(fā)表于2000年至2014年期間的82篇技術(shù)增強(qiáng)學(xué)習(xí)推薦系統(tǒng)文獻(xiàn)劃分為七大集群，并重點(diǎn)分析了集群三相關(guān)的 16 篇將教育知識作為推薦信息源的文獻(xiàn)。Kla?nja-Mili?evi?等（2015）重點(diǎn)關(guān)注在E-Learning環(huán)境中設(shè)計(jì)推薦系統(tǒng)的要領(lǐng)與挑戰(zhàn)，并提出了基于標(biāo)記的推薦系統(tǒng)擴(kuò)展模型。George等（2019）通過對發(fā)表在 2010 年至 2018 年期間的108篇論文進(jìn)行綜述，概述了基于本體的個(gè)性化E-Learning推薦系統(tǒng)所使用的本體方法和混合技術(shù)。Tarus等（2018）對36篇發(fā)表于 2005 年至 2014 年期間的基于本體的E-Learning推薦系統(tǒng)文獻(xiàn)進(jìn)行了綜述，重點(diǎn)對系統(tǒng)使用的推薦技術(shù)、知識表示技術(shù)、本體類型、本體表示語言以及推薦的學(xué)習(xí)資源類型進(jìn)行了分析。

通過對以往綜述文章的梳理發(fā)現(xiàn)，大多數(shù)文獻(xiàn)采用質(zhì)性方法對小規(guī)模數(shù)據(jù)進(jìn)行分析，很少從宏觀視角對該研究領(lǐng)域進(jìn)行解析。有鑒于此，本研究采用文獻(xiàn)計(jì)量方法對國際范圍內(nèi)的E-Learning推薦系統(tǒng)的研究成果進(jìn)行計(jì)量和可視化分析，呈現(xiàn)了該領(lǐng)域的研究熱點(diǎn)及其變化趨勢，有助于研究人員從整體上了解該領(lǐng)域的前沿趨勢和發(fā)展方向，并為未來E-Learning個(gè)性化推薦研究的創(chuàng)新發(fā)展提供更廣闊的視野。

二、研究方法

文獻(xiàn)計(jì)量方法能夠有效客觀地評價(jià)某一領(lǐng)域的研究成果。該方法被廣泛應(yīng)用于不同領(lǐng)域，包括教育人工智能和技術(shù)增強(qiáng)學(xué)習(xí)等（Chen et al.，2020;Chen et al.，2021）。因此，該方法也適用于分析E-Learning推薦系統(tǒng)的研究熱點(diǎn)與發(fā)展趨勢。

本研究選擇 Web of Science、Education Resources Information Center和 Scopus作為文獻(xiàn)數(shù)據(jù)庫，這三個(gè)數(shù)據(jù)庫也被廣泛應(yīng)用于教育相關(guān)領(lǐng)域的文獻(xiàn)綜述研究（Chen et al.，2022）。研究使用“personaliz* recommend*”和“personalis* recommend*”作為關(guān)鍵詞進(jìn)行目標(biāo)文獻(xiàn)搜索，經(jīng)過機(jī)器篩選剔除重復(fù)數(shù)據(jù)后，得到1077篇文獻(xiàn)數(shù)據(jù)。然后根據(jù)文獻(xiàn)與E-Learning推薦系統(tǒng)領(lǐng)域的相關(guān)性進(jìn)行人工篩選，最終獲得418篇有效文獻(xiàn)。

圖1 展示了E-Learning推薦系統(tǒng)領(lǐng)域的年度發(fā)文量，可以看出，該領(lǐng)域發(fā)文量總體呈現(xiàn)上升趨勢，特別是自2020 年以來呈現(xiàn)出快速增長態(tài)勢。研究還根據(jù)發(fā)文年度和發(fā)文量提出了一個(gè)多項(xiàng)式回歸估計(jì)方程：y=0.1966x2-788.1398x+789910.6，其擬合優(yōu)度（R2）為84.16%，表明該模型能夠有效擬合E-Learning推薦系統(tǒng)研究文獻(xiàn)的年度發(fā)展趨勢，并預(yù)測未來該領(lǐng)域的發(fā)文量。根據(jù)年度發(fā)文量分析結(jié)果可知，E-Learning推薦系統(tǒng)研究受到了學(xué)術(shù)界的極大關(guān)注，呈現(xiàn)出大有可為的發(fā)展態(tài)勢。

研究采用詞云分析對論文關(guān)鍵詞進(jìn)行識別與統(tǒng)計(jì)，并將關(guān)鍵詞變化趨勢進(jìn)行可視化展示，以探究E-Learning推薦系統(tǒng)領(lǐng)域研究熱點(diǎn)的演變情況。在所繪制的詞云圖中，文本標(biāo)簽代表論文關(guān)鍵詞，其相對重要性由文本大小表示。由于標(biāo)題和摘要通常能反映文章的主體內(nèi)容，因此常被用于概念性綜述分析（Zhong et al.，2016）。詞云分析所使用的數(shù)據(jù)材料為每篇文章的標(biāo)題和摘要。詞云分析具體步驟如下：首先，使用自然語言處理工具包（Natural Language Toolkit，NLTK）對標(biāo)題和摘要中的關(guān)鍵詞進(jìn)行提取。其次，為提高數(shù)據(jù)質(zhì)量對文本進(jìn)行了預(yù)處理，包括刪除數(shù)字、標(biāo)點(diǎn)、符號和停用詞（例如，“me”“I”“or”“him”“a”和“they”），統(tǒng)一語義相同但表達(dá)不同的關(guān)鍵詞（例如，“l(fā)earning behaviour”和“l(fā)earning behavior”;“online learning”和“online education”），將縮寫詞轉(zhuǎn)換為全稱（例如，將“AI”轉(zhuǎn)換為“artificial intelligence”），以及將詞語統(tǒng)一表示為單數(shù)和小寫形式。最后，統(tǒng)計(jì)關(guān)鍵詞頻次，并采用R語言wordcloud包進(jìn)行詞云圖繪制。

三、研究熱點(diǎn)及其發(fā)展趨勢

研究對 418篇文獻(xiàn)的關(guān)鍵詞進(jìn)行整理并統(tǒng)計(jì)其頻次，得出排名前10的高頻關(guān)鍵詞依次為Collaborative Filtering、Experimental Result、Learning Resource、Recommender System、Personalized Learning、E-Learning System、Recommendation Algorithm、Learning Style、Learning Process、Learning Path。圖 2 展現(xiàn)了三個(gè)研究階段（即2003—2010年、2011—2016年、2017—2022年）的高頻關(guān)鍵詞及其變化趨勢?？梢钥闯?， 2011—2016年間比2003—2010年間增加的研究熱點(diǎn)包括實(shí)驗(yàn)結(jié)果（Experimental Result）、個(gè)性化學(xué)習(xí)（Personalized Learning）、學(xué)習(xí)風(fēng)格（Learning Style）、學(xué)習(xí)材料（Learning Material）、信息載荷（Information Overload）、學(xué)習(xí)對象（Learning Object）等。2017—2022年間比2011-2016年間新增的研究熱點(diǎn)有大數(shù)據(jù)（Big Data）、混合推薦（Hybrid Recommendation）、神經(jīng)網(wǎng)絡(luò)（Neural Network）、人工智能（Artificial Intelligence）、在線學(xué)習(xí)（Online Learning）、冷啟動(dòng)（Cold Start）、深度學(xué)習(xí)（Deep Learning）、學(xué)習(xí)分析（Learning Analytics）、知識圖（Knowledge Graph）、機(jī)器學(xué)習(xí)（Machine Learning）、社會(huì)信息學(xué)（Social Informatics）、增強(qiáng)學(xué)習(xí)（Reinforcement Learning）、自然語言處理（Natural Language Processing）、情感狀態(tài)（Affective State）、認(rèn)知模式（Cognitive Model）等。通過對高頻關(guān)鍵詞的比較和歸納，研究提煉出E-Learning個(gè)性化推薦系統(tǒng)研究領(lǐng)域的六大研究熱點(diǎn)與發(fā)展趨勢。

1.融合多種技術(shù)優(yōu)勢，混合推薦成為主流

推薦系統(tǒng)的基本模型主要包括基于內(nèi)容的推薦、協(xié)同過濾推薦、基于本體的推薦、基于社交網(wǎng)絡(luò)的推薦以及混合推薦（George et al.，2019）（見圖3）。其中，基于內(nèi)容的推薦系統(tǒng)涉及基于案例和屬性的方法，可根據(jù)項(xiàng)目相似性進(jìn)行新項(xiàng)目推薦。該類推薦系統(tǒng)的關(guān)鍵技術(shù)在于能否提取出有效的特征，然而傳統(tǒng)的淺層模型依賴人工設(shè)計(jì)特征，因而其推薦有效性及可擴(kuò)展性十分有限。協(xié)同過濾是基于用戶先前購買的商品和品味相似性而進(jìn)行的新商品推薦，但也遭遇到數(shù)據(jù)稀疏和冷啟動(dòng)的問題。同時(shí)，傳統(tǒng)的協(xié)同過濾算法亦采用淺層模型因而無法學(xué)習(xí)到用戶和項(xiàng)目的深層次特征?；诒倔w的推薦系統(tǒng)用于克服冷啟動(dòng)問題并提高推薦的個(gè)性化?；谏缃痪W(wǎng)絡(luò)的推薦系統(tǒng)的算法機(jī)制是基于社交網(wǎng)站上用戶與好友之間的信任度而進(jìn)行的推薦決策。隨著數(shù)據(jù)獲取技術(shù)的發(fā)展壯大，互聯(lián)網(wǎng)中蘊(yùn)含的豐富的用戶行為及個(gè)性化需求信息的可獲取性不斷增強(qiáng)，融合多源異構(gòu)輔助信息的混合推薦方法逐漸發(fā)展起來?；旌贤扑]能夠融合兩種或多種推薦技術(shù)，在克服各自技術(shù)局限性的同時(shí)又能結(jié)合它們的獨(dú)特優(yōu)勢來提高推薦效率和質(zhì)量。例如，基于內(nèi)容的推薦技術(shù)可以與協(xié)同過濾推薦技術(shù)相結(jié)合來處理冷啟動(dòng)問題。因此，混合推薦在E-Learning領(lǐng)域越來越受到重視，并逐漸發(fā)展為主流的推薦技術(shù)。

通過對相關(guān)文獻(xiàn)的深入分析發(fā)現(xiàn)，最新的E-Learning混合推薦系統(tǒng)設(shè)計(jì)方法主要包括以下方面。Wan等（2019）在混合推薦中應(yīng)用到了學(xué)習(xí)者影響模型（Learner Influence Model，LIM）、基于自組織（Self-Organization Based，SOB）和順序模式挖掘（Sequential Pattern Mining，SPM）等方法。其中，LIM用以收集與學(xué)習(xí)者相關(guān)的信息;SOB用以分析主動(dòng)學(xué)習(xí)者與目標(biāo)學(xué)習(xí)者之間的關(guān)系;SPM用以確定學(xué)習(xí)內(nèi)容推薦。Paradarami等（2017）使用具有協(xié)同過濾和基于內(nèi)容特征的人工神經(jīng)網(wǎng)絡(luò)方法進(jìn)行混合推薦，同時(shí)結(jié)合基于案例的規(guī)劃來實(shí)現(xiàn)更加個(gè)性化的E-Learning路線推薦。Xiao等（2018）通過集成關(guān)聯(lián)規(guī)則、基于內(nèi)容的過濾和協(xié)同過濾的組合算法來進(jìn)行個(gè)性化推薦，并在構(gòu)建用戶資源評級矩陣的基礎(chǔ)上計(jì)算數(shù)據(jù)稀疏度，最后選擇基于內(nèi)容或評估的預(yù)測算法來計(jì)算推薦內(nèi)容相似度，由此生成了K個(gè)最優(yōu)推薦內(nèi)容。Lakkah等（2017）綜合本體和人工代理的方法進(jìn)行混合推薦，并通過蟻群優(yōu)化自適應(yīng)地獲取學(xué)習(xí)內(nèi)容，進(jìn)而識別出最佳學(xué)習(xí)路徑。Shang等（2021）結(jié)合協(xié)同過濾算法和SPM技術(shù)，提出了一種改進(jìn)的基于混合本體的在線學(xué)習(xí)資源推薦方法。其中，本體能夠?qū)χR進(jìn)行有效表示，避免了冷啟動(dòng)和數(shù)據(jù)稀疏的問題。

此外，通過挖掘?qū)W習(xí)者的歷史訪問順序來識別相似學(xué)習(xí)者的歷史學(xué)習(xí)路徑，有助于提供更符合學(xué)習(xí)活動(dòng)規(guī)律的推薦內(nèi)容。Murad等（2020）設(shè)計(jì)了一種基于規(guī)則的用戶協(xié)同過濾的混合推薦系統(tǒng)。在該系統(tǒng)中，用戶資料由學(xué)習(xí)成績和上下文信息組成。用戶協(xié)同過濾方法用于預(yù)測目標(biāo)學(xué)習(xí)者在特定課程中的學(xué)習(xí)成效。再結(jié)合決策規(guī)則，就可用于向目標(biāo)學(xué)習(xí)者推薦個(gè)性化學(xué)習(xí)資料。而且將在線課程入學(xué)測試評估作為初始上下文信息可以使該推薦系統(tǒng)自動(dòng)向新生推薦學(xué)習(xí)內(nèi)容。為減輕冷啟動(dòng)問題在自適應(yīng)學(xué)習(xí)環(huán)境中的影響，Pliakos等（2019）提出了一個(gè)結(jié)合項(xiàng)目反應(yīng)理論（Item Response Theory，IRT）與機(jī)器學(xué)習(xí)的混合推薦系統(tǒng)，通過將IRT與基于學(xué)習(xí)者輔助信息構(gòu)建的分類和回歸樹相結(jié)合，就可實(shí)現(xiàn)對新學(xué)習(xí)者能力的估計(jì)與項(xiàng)目響應(yīng)預(yù)測。從現(xiàn)有的E-Learning混合推薦研究可以看出，混合技術(shù)的使用有助于克服單一技術(shù)的局限性。協(xié)同過濾技術(shù)是混合系統(tǒng)中使用最廣泛和最有效的技術(shù)之一。雖然聚類、基于規(guī)則的系統(tǒng)、神經(jīng)網(wǎng)絡(luò)等其他技術(shù)補(bǔ)充了協(xié)同過濾技術(shù)的不足，但更具前景的方向是將本體與協(xié)同過濾技術(shù)相結(jié)合使用。

2.拓展推薦范圍，由個(gè)體推薦邁向群體推薦

傳統(tǒng)的E-Learning個(gè)性化推薦系統(tǒng)多面向個(gè)體學(xué)習(xí)者，而教學(xué)實(shí)踐中存在許多需要對一個(gè)群體進(jìn)行推薦的情況，特別是協(xié)作學(xué)習(xí)小組。隨著各種信息與通訊技術(shù)被不斷引入教學(xué)過程，教育不再僅僅意味著從教師到學(xué)生的知識轉(zhuǎn)移，而是意味著社區(qū)學(xué)習(xí)、小組合作、學(xué)習(xí)共享、知識構(gòu)建等（Zhang et al.，2014），由此催生了協(xié)作教學(xué)等新的教學(xué)模式。在計(jì)算機(jī)支持的協(xié)作學(xué)習(xí)（Computer-Supported Collaborative Learning，CSCL）中，具有不同思維、感受和行為方式的學(xué)習(xí)小組成員共同努力解決同一問題或構(gòu)建知識。與個(gè)體學(xué)習(xí)相似，個(gè)性化對于虛擬協(xié)作學(xué)習(xí)體驗(yàn)至關(guān)重要（Dascalu et al.，2014），個(gè)性化的協(xié)作推薦有助于提高學(xué)生的學(xué)習(xí)成效（Troussas et al.，2020）。因此，如何對學(xué)習(xí)群體進(jìn)行個(gè)性化推薦，滿足他們共同的學(xué)習(xí)需求，就成為促進(jìn)E-Learning協(xié)作學(xué)習(xí)群體推薦系統(tǒng)發(fā)展的動(dòng)力（Dascalu et al.，2015）。

最新的研究集中在根據(jù)共同興趣和偏好向一組學(xué)習(xí)者推薦學(xué)習(xí)資料上。從技術(shù)層面來看，群體推薦方法包括個(gè)體推薦結(jié)果匯總法和個(gè)體評分匯總法。前者采用傳統(tǒng)的個(gè)性化推薦方法，先對個(gè)體進(jìn)行推薦，再將各人的推薦結(jié)果進(jìn)行匯總;后者先將個(gè)人評分匯總為群體評分，再對群體進(jìn)行推薦。此外，也有研究人員將群體看作一個(gè)整體，直接構(gòu)建群體模型，再基于該模型進(jìn)行群體推薦。Dwivedi等（2015）提出了一種整合學(xué)習(xí)者學(xué)習(xí)風(fēng)格、知識水平的文件配置方案，旨在為學(xué)習(xí)群組生成一個(gè)公共資源列表。在CSCL中，與合適的合作者進(jìn)行協(xié)作學(xué)習(xí)可以促進(jìn)豐富高效的討論從而獲得更多知識（Lai et al.，2019），因此組隊(duì)是一項(xiàng)關(guān)鍵任務(wù)。在傳統(tǒng)教育中，向?qū)W生推薦合作者需要教師深入了解每個(gè)學(xué)習(xí)者的需求和偏好，從而組成同質(zhì)學(xué)習(xí)者群體，以實(shí)現(xiàn)高效有益的合作。Cahyana等（2017）強(qiáng)調(diào)通過創(chuàng)建學(xué)習(xí)者群體來增強(qiáng)協(xié)作學(xué)習(xí)，同時(shí)保護(hù)每個(gè)學(xué)習(xí)者的學(xué)習(xí)風(fēng)格。Troussas等（2020）強(qiáng)調(diào)通過推薦系統(tǒng)構(gòu)建適宜的學(xué)習(xí)者群體，以實(shí)現(xiàn)有效的協(xié)作來促進(jìn)更好的同伴互動(dòng)、增強(qiáng)學(xué)習(xí)參與度，并提高學(xué)習(xí)成效。他們還將學(xué)習(xí)者的認(rèn)知能力特征作為系統(tǒng)的輸入以創(chuàng)建學(xué)習(xí)者特征向量，通過比較這些向量的相似程度向?qū)W習(xí)者提供個(gè)性化小組游戲合作者列表，供其根據(jù)游戲的難度級別從相應(yīng)的推薦列表中選擇同伴。Martín等（2009）結(jié)合個(gè)體和群體的特征信息向用戶推薦符合其需求的個(gè)性化協(xié)作學(xué)習(xí)活動(dòng)及學(xué)習(xí)工具。具體而言，就是利用協(xié)作學(xué)習(xí)系統(tǒng)中用戶和組模型存儲(chǔ)的有關(guān)用戶和群體的穩(wěn)定信息（如背景、學(xué)習(xí)方式）和動(dòng)態(tài)信息（如學(xué)習(xí)行為過程數(shù)據(jù)、協(xié)作體驗(yàn)意見、特定時(shí)間的上下文信息），從基于描述適配能力和推薦標(biāo)準(zhǔn)規(guī)則兩個(gè)方面為個(gè)體和群體推薦最合適的協(xié)作學(xué)習(xí)活動(dòng)。

3.突破推薦規(guī)模，由小規(guī)模學(xué)習(xí)推薦轉(zhuǎn)向大規(guī)模在線學(xué)習(xí)推薦

隨著在線和移動(dòng)技術(shù)的快速發(fā)展，大規(guī)模開放在線課程（Massive Open Online Course，MOOC）吸引了大量來自不同國家、具有不同先驗(yàn)知識、背景和技能的學(xué)生。然而，由于缺乏個(gè)性化學(xué)習(xí)的保障機(jī)制，MOOC長期存在留存率低的問題。教育信息化的發(fā)展導(dǎo)致在線學(xué)習(xí)用戶數(shù)量和學(xué)習(xí)資源爆炸式增長，學(xué)習(xí)者在學(xué)習(xí)過程中面臨“信息過載”和“學(xué)習(xí)迷失”的困境（Fang et al.，2021），這嚴(yán)重影響了他們尋找合適學(xué)習(xí)材料的效率。同時(shí)，由于學(xué)習(xí)者群體龐大且極具多樣性，教師很難向每個(gè)學(xué)習(xí)者提供個(gè)性化的推薦和學(xué)習(xí)干預(yù)，因此不可避免地會(huì)忽視學(xué)習(xí)者對特定知識的個(gè)性化需求。如何從海量學(xué)習(xí)資源中獲取個(gè)性化、自適應(yīng)的學(xué)習(xí)資源，及時(shí)捕捉并準(zhǔn)確分析學(xué)習(xí)者的學(xué)習(xí)行為，實(shí)現(xiàn)對其學(xué)習(xí)過程的個(gè)性化指導(dǎo)，進(jìn)而滿足MOOC學(xué)習(xí)者對個(gè)性化學(xué)習(xí)體驗(yàn)的期望，已經(jīng)成為大規(guī)模在線學(xué)習(xí)領(lǐng)域亟待解決的問題。

MOOC教學(xué)實(shí)踐中，針對如何在開放和大規(guī)模的情境下支持個(gè)性化學(xué)習(xí)，越來越多的研究人員嘗試引入智能推薦系統(tǒng)，根據(jù)學(xué)習(xí)者的需求和目標(biāo)進(jìn)行學(xué)習(xí)資源推薦。例如，Hajri等（2018）開發(fā)了一個(gè)基于MOOC的開放教育資源（Open Educational Resources，OER）推薦系統(tǒng)，可根據(jù)學(xué)習(xí)者的個(gè)人資料與學(xué)習(xí)記錄動(dòng)態(tài)地向其推薦開放教育資源。Yin等（2020）基于瀏覽歷史、課程內(nèi)容、人口統(tǒng)計(jì)和課程關(guān)系等信息，通過組合興趣模型、人口統(tǒng)計(jì)模型和先修課程關(guān)系模型來進(jìn)行個(gè)性化MOOC課程推薦。其中，人口統(tǒng)計(jì)模型能根據(jù)用戶的人口統(tǒng)計(jì)信息對用戶進(jìn)行分類，從而避免冷啟動(dòng)問題;先修課程關(guān)系模型用于綜合考慮課程之間的關(guān)系;興趣模型是基于隱含狄利克雷分布（Latent Dirichlet Allocation，LDA）模型并利用用戶的課程興趣相似度而構(gòu)建推薦決策。Ndiyae等（2019）運(yùn)用學(xué)習(xí)分析、知識評估和跟蹤分析技術(shù)，自動(dòng)分析在知識測試期間學(xué)習(xí)者的反應(yīng)并將其作為衡量知識水平的指標(biāo)，并能根據(jù)學(xué)習(xí)者的學(xué)習(xí)背景、知識水平和學(xué)習(xí)軌跡自動(dòng)為其推薦個(gè)性化學(xué)習(xí)資源（如課程、課程序列、視頻、文檔等）。Xiao等（2018）設(shè)計(jì)的個(gè)性化推薦系統(tǒng)則是運(yùn)用關(guān)聯(lián)規(guī)則、內(nèi)容過濾和協(xié)同過濾等技術(shù)來實(shí)現(xiàn)向MOOC學(xué)習(xí)者推薦相關(guān)課程學(xué)習(xí)資源。Kim等（2021）提出的學(xué)習(xí)路徑構(gòu)建模型是基于學(xué)習(xí)者歷史數(shù)據(jù)的動(dòng)態(tài)鍵值記憶網(wǎng)絡(luò)，利用知識追蹤和深度強(qiáng)化學(xué)習(xí)對學(xué)習(xí)者知識進(jìn)行建模，并通過Bloom分類法過濾生成最佳個(gè)性化學(xué)習(xí)路徑。此外，González-Castro等（2021）還提出一個(gè)學(xué)習(xí)者會(huì)話代理的自適應(yīng)學(xué)習(xí)模塊，該模塊使用IRT技術(shù)能根據(jù)學(xué)習(xí)者的知識水平動(dòng)態(tài)調(diào)整問題難度，幫助學(xué)習(xí)者復(fù)習(xí)相關(guān)課程內(nèi)容的關(guān)鍵概念。當(dāng)學(xué)習(xí)者未能正確回答會(huì)話代理提出的問題時(shí)，系統(tǒng)模塊會(huì)與所涉及的概念本體進(jìn)行映射，從而為學(xué)習(xí)者提供指向相關(guān)MOOC視頻片段的推薦鏈接。關(guān)于MOOC視頻推薦的研究也積累了許多成果，例如Bhatt等（2018）開發(fā)的SeqSense推薦系統(tǒng)允許學(xué)習(xí)者訪問他們感興趣的MOOC視頻;Zhao等（2018）設(shè)計(jì)的MOOCex推薦系統(tǒng)能根據(jù)學(xué)習(xí)者的喜好推薦來自不同MOOC平臺(tái)的課程視頻。

4.關(guān)注學(xué)生情緒變化并構(gòu)建上下文推薦系統(tǒng)，實(shí)現(xiàn)動(dòng)態(tài)優(yōu)化內(nèi)容推薦

雖然推薦系統(tǒng)能根據(jù)學(xué)習(xí)者的學(xué)習(xí)表現(xiàn)和行為進(jìn)行內(nèi)容推薦，但是學(xué)習(xí)者在學(xué)習(xí)過程中的情緒變化也會(huì)影響他們的學(xué)習(xí)表現(xiàn)和行為，因此推薦系統(tǒng)應(yīng)考慮學(xué)習(xí)者的情緒狀況，并根據(jù)情緒變化來調(diào)整推薦內(nèi)容以適應(yīng)學(xué)習(xí)者的需求和環(huán)境的特征，讓他們更積極參與學(xué)習(xí)任務(wù)，收獲個(gè)性化學(xué)習(xí)體驗(yàn)（Wang et al.，2014）。傳統(tǒng)的E-Learning推薦系統(tǒng)鮮少考慮學(xué)習(xí)者的情緒（Mizgajski et al.，2019）。隨著研究人員與教育工作者對情緒影響學(xué)習(xí)的深入了解，越來越多的自適應(yīng)E-Learning推薦系統(tǒng)開始考慮學(xué)習(xí)者的情緒以改善其學(xué)習(xí)過程，以及智能地管理學(xué)習(xí)者情緒，調(diào)動(dòng)情緒與學(xué)習(xí)行為的相互作用，以促進(jìn)積極學(xué)習(xí)行為的發(fā)生和維持。例如，Leony等（2013）提出了一種云推薦系統(tǒng)，它能基于學(xué)習(xí)者從系統(tǒng)提供的預(yù)定義列表中自主選擇的情緒狀態(tài)，進(jìn)行學(xué)習(xí)資源與學(xué)習(xí)活動(dòng)推薦。

然而，收集學(xué)習(xí)者的情緒信息并不是一件容易的事。為此，研究人員開始關(guān)注基于上下文的E-Learning推薦系統(tǒng)，通過集成物理傳感器以收集與學(xué)習(xí)者情緒相關(guān)的上下文信息數(shù)據(jù)，從而實(shí)現(xiàn)更為個(gè)性化的有效推薦。在E-Learning環(huán)境中已發(fā)展出不同的情緒識別方法，例如生命體征、語音識別、面部表情識別和手勢識別等。其中一些方法由于昂貴的硬件設(shè)備需求而受到應(yīng)用限制。然而，面部識別方法允許通過網(wǎng)絡(luò)攝像頭等非昂貴設(shè)備采集學(xué)習(xí)者情緒信息，因而受到廣泛應(yīng)用。例如，Bustos-López等（2020）提出的EduRecomSys推薦系統(tǒng)通過結(jié)合協(xié)同過濾與情緒檢測技術(shù)，利用人臉識別技術(shù)確定用戶情緒，并能根據(jù)多個(gè)平臺(tái)用戶的偏好或興趣，向其推薦高質(zhì)量的多來源教育資源，以保持他們的學(xué)習(xí)積極性。Santos等（2016）基于Arduino平臺(tái)部署了一個(gè)具備情緒感知能力的智能上下文推薦系統(tǒng)，并借鑒Santos等（2011）提出的面向?qū)煹慕ㄗh建模方法，在感知學(xué)生情緒狀態(tài)變化的基礎(chǔ)上，為其提供交互式學(xué)習(xí)內(nèi)容推薦。Cabada等（2018）結(jié)合推薦系統(tǒng)、數(shù)據(jù)挖掘、情緒識別與分析技術(shù)，為學(xué)習(xí)者提供了一個(gè)基于Web的個(gè)性化Java編程學(xué)習(xí)環(huán)境。其中，情緒識別器通過分析學(xué)習(xí)者的照片來識別其情緒狀態(tài)（如沮喪、無聊、投入和興奮）;文本情緒分析是根據(jù)學(xué)習(xí)者的意見態(tài)度來確定編程練習(xí)的質(zhì)量;推薦系統(tǒng)則是根據(jù)當(dāng)前學(xué)習(xí)者情緒及過往學(xué)習(xí)者對編程練習(xí)質(zhì)量的意見態(tài)度來向當(dāng)前學(xué)習(xí)者推薦新的編程練習(xí)。此外，Santos等（2014）研發(fā)的教學(xué)內(nèi)容推薦系統(tǒng)能基于數(shù)據(jù)挖掘技術(shù)分析學(xué)習(xí)者的面部和身體運(yùn)動(dòng)，進(jìn)而識別其在學(xué)習(xí)過程中的情緒狀態(tài)（例如無聊、驚訝、困惑、失去動(dòng)力等），由此調(diào)節(jié)推薦內(nèi)容幫助其高效完成學(xué)習(xí)任務(wù)。

5.注重學(xué)習(xí)模型構(gòu)建，促進(jìn)學(xué)生認(rèn)知發(fā)展

認(rèn)知是指人類對客觀事物的認(rèn)識和獲取知識的活動(dòng)，是一種認(rèn)知思維過程，包括知覺、注意、記憶、言語、思維、解決問題等。在E-Learning個(gè)性化推薦系統(tǒng)中，構(gòu)建學(xué)習(xí)模型是其最關(guān)鍵的環(huán)節(jié)。目前，大多數(shù)學(xué)習(xí)模型獲取維度與特征屬性的方法單一，且計(jì)算復(fù)雜度低，因而其推薦的學(xué)習(xí)資源可能并不適應(yīng)學(xué)習(xí)者的學(xué)習(xí)能力，從而導(dǎo)致學(xué)習(xí)者在學(xué)習(xí)過程中出現(xiàn)認(rèn)知超載或迷失方向等問題（Fang et al.，2021）。傳統(tǒng)的E-Learning推薦系統(tǒng)普遍關(guān)注知識習(xí)得和學(xué)業(yè)成績，隨著認(rèn)知發(fā)展及認(rèn)知能力訓(xùn)練對于學(xué)習(xí)者學(xué)習(xí)能力提高的作用逐漸受到重視，越來越多的研究人員開始關(guān)注利用計(jì)算機(jī)輔助技術(shù)來促進(jìn)學(xué)習(xí)者認(rèn)知能力的發(fā)展。

部分學(xué)者關(guān)注通過精準(zhǔn)且個(gè)性化的認(rèn)知訓(xùn)練項(xiàng)目推薦來提升學(xué)習(xí)者的認(rèn)知思維能力。比如，Shen等（2021）提出了一種基于兒童偏好和評價(jià)的個(gè)性化認(rèn)知訓(xùn)練項(xiàng)目推薦方法，通過K-Means聚類算法評估兒童的認(rèn)知能力值并形成全面的認(rèn)知水平圖譜，再結(jié)合兒童偏好和評價(jià)值，利用協(xié)同過濾推薦有效生成最適合不同類型兒童的認(rèn)知訓(xùn)練項(xiàng)目，從而提升其認(rèn)知能力。Fang等（2021）通過對學(xué)習(xí)者在學(xué)習(xí)過程中的行為數(shù)據(jù)進(jìn)行分析，提取出學(xué)習(xí)者認(rèn)知能力、知識水平和學(xué)習(xí)偏好三個(gè)特征，利用本體構(gòu)建學(xué)習(xí)者的偏好模型，并基于對知識之間語義關(guān)系的理解，發(fā)掘?qū)W習(xí)者的學(xué)習(xí)興趣，從而實(shí)現(xiàn)個(gè)性化學(xué)習(xí)資源推薦。Islam等（2021）運(yùn)用認(rèn)知診斷和強(qiáng)化學(xué)習(xí)技術(shù)跟蹤檢測學(xué)習(xí)者的有效知識狀態(tài)，并為其推薦最佳學(xué)習(xí)材料與教學(xué)路徑，以期滿足其學(xué)習(xí)目標(biāo)，實(shí)現(xiàn)內(nèi)在認(rèn)知學(xué)習(xí)的改進(jìn)，同時(shí)保持學(xué)習(xí)者控制和教學(xué)軌跡之間的平衡。Karao?lan Y?lmaz（2022）還研究了學(xué)習(xí)分析輔助的推薦和指導(dǎo)反饋對學(xué)習(xí)者元認(rèn)知意識的作用。另有學(xué)者研究了視頻游戲推薦以增強(qiáng)認(rèn)知障礙患者的認(rèn)知能力發(fā)展。例如，Banskota等（2020）向孤獨(dú)癥譜系障礙（Autism Spectrum Disorder，ASD）患者推薦的個(gè)性化游戲既具有增強(qiáng)ASD患者認(rèn)知技能的內(nèi)在價(jià)值，又能讓他們保持參與感和愉悅感，從而提高他們的社交互動(dòng)技能與認(rèn)知能力。

6.引入深度學(xué)習(xí)技術(shù)，助力學(xué)習(xí)推薦不斷優(yōu)化

盡管混合推薦方法能夠緩解數(shù)據(jù)稀疏和冷啟動(dòng)問題，但由于輔助信息的多模態(tài)、數(shù)據(jù)異構(gòu)、大規(guī)模、數(shù)據(jù)稀疏和分布不均勻等特征，導(dǎo)致融合多源異構(gòu)數(shù)據(jù)的混合推薦方法研究依然面臨挑戰(zhàn)（黃立威等，2018）。深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)領(lǐng)域的前沿技術(shù)，具有自主學(xué)習(xí)和信息篩選能力。深度學(xué)習(xí)為推薦系統(tǒng)研究帶來了新的機(jī)遇。一方面，深度學(xué)習(xí)可以通過深層次非線性網(wǎng)絡(luò)結(jié)構(gòu)，從樣本中學(xué)習(xí)數(shù)據(jù)集的本質(zhì)特征，從而獲取用戶和項(xiàng)目的深層次特征表示。另一方面，深度學(xué)習(xí)可以通過在多源異構(gòu)數(shù)據(jù)中進(jìn)行自動(dòng)特征學(xué)習(xí)，將不同數(shù)據(jù)映射到同一隱空間，從而保證數(shù)據(jù)表征的一致性（Peng et al.，2017）?；谏疃葘W(xué)習(xí)的推薦系統(tǒng)能將用戶和項(xiàng)目相關(guān)數(shù)據(jù)作為模型輸入，利用深度學(xué)習(xí)算法學(xué)習(xí)用戶和項(xiàng)目的隱表示，并基于此利用傳統(tǒng)推薦算法生成個(gè)性化推薦?；谏疃葘W(xué)習(xí)的推薦系統(tǒng)的基本架構(gòu)如圖4所示，包括輸入層、模型層與輸出層。輸入層的數(shù)據(jù)包括用戶畫像、項(xiàng)目內(nèi)容數(shù)據(jù)以及用戶生成內(nèi)容等輔助數(shù)據(jù)。在模型層中，利用卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、生成對抗網(wǎng)絡(luò)等深度學(xué)習(xí)模型學(xué)習(xí)數(shù)據(jù)集的本質(zhì)特征，從而獲取用戶和項(xiàng)目的深層次特征表示。在輸出層中，根據(jù)學(xué)習(xí)到的用戶和項(xiàng)目特征表示，利用傳統(tǒng)推薦算法生成項(xiàng)目的推薦列表。近年來，基于深度學(xué)習(xí)的E-Learning推薦系統(tǒng)研究受到越來越多研究人員的關(guān)注。例如，Xuan等（2021）基于深度神經(jīng)網(wǎng)絡(luò)開發(fā)的個(gè)性化學(xué)習(xí)資源推薦系統(tǒng)能根據(jù)學(xué)習(xí)者的學(xué)習(xí)歷史和行為，預(yù)測并為其推薦所需的學(xué)習(xí)材料，進(jìn)而幫助學(xué)習(xí)者有針對性地學(xué)習(xí)，完成學(xué)習(xí)任務(wù)，提高學(xué)習(xí)效率。Yang（2022）搭建的個(gè)性化推薦系統(tǒng)利用深度強(qiáng)化練習(xí)算法，基于對學(xué)習(xí)者學(xué)習(xí)交互數(shù)據(jù)的分析，在合適的時(shí)間向其推薦最合適的話題和資源，從而避免學(xué)習(xí)者進(jìn)行人工查詢，提高了其學(xué)習(xí)效率。Lu等（2021）還結(jié)合知識圖譜和深度神經(jīng)網(wǎng)絡(luò)進(jìn)行了學(xué)習(xí)行為檢測與學(xué)習(xí)資源推薦，有助于學(xué)習(xí)者進(jìn)行多維綜合判斷，同時(shí)能有效分析學(xué)習(xí)者的學(xué)習(xí)弱點(diǎn)，檢測其真實(shí)學(xué)習(xí)狀態(tài)，并提供個(gè)性化學(xué)習(xí)路徑推薦。此外，Li等（2021）基于深度學(xué)習(xí)設(shè)計(jì)的課程推薦系統(tǒng)可以精細(xì)地提取學(xué)習(xí)者的行為與課程的屬性及交互特征，幫助學(xué)習(xí)者找到喜歡的課程，解決信息過載和數(shù)據(jù)稀疏問題，實(shí)現(xiàn)比傳統(tǒng)方法更優(yōu)的特征信息提取性能。

四、研究總結(jié)

隨著教育領(lǐng)域?qū)€(gè)性化學(xué)習(xí)和大數(shù)據(jù)可用性需求的不斷增加，E-Learning推薦系統(tǒng)逐漸成為熱門研究領(lǐng)域。研究通過對相關(guān)主題的文獻(xiàn)進(jìn)行系統(tǒng)梳理，為E-Learning推薦系統(tǒng)的高水平研究和高質(zhì)量應(yīng)用提供了借鑒。E-Learning推薦系統(tǒng)研究在國際范圍內(nèi)受到了廣泛關(guān)注并呈現(xiàn)出良好的發(fā)展趨勢。研究熱點(diǎn)分析結(jié)果彰顯出以下重要趨勢：

第一，混合推薦技術(shù)由于具備多源異構(gòu)數(shù)據(jù)融合、多種推薦技術(shù)融合的獨(dú)特優(yōu)勢，能夠有效地緩解傳統(tǒng)推薦系統(tǒng)中數(shù)據(jù)稀疏和冷啟動(dòng)的問題，推動(dòng)了基于混合推薦技術(shù)促進(jìn)個(gè)性化學(xué)習(xí)的研究不斷增多。

第二，在社區(qū)學(xué)習(xí)、協(xié)作學(xué)習(xí)、知識建構(gòu)等新的學(xué)習(xí)范式下，對學(xué)習(xí)群體進(jìn)行個(gè)性化推薦，滿足他們共同的學(xué)習(xí)需求，促進(jìn)了個(gè)性化教育群體推薦系統(tǒng)研究的發(fā)展。如何有效構(gòu)建學(xué)習(xí)小組來增強(qiáng)協(xié)作學(xué)習(xí)，同時(shí)結(jié)合個(gè)體和群體的特征信息推薦既符合群體需求、也符合個(gè)人學(xué)習(xí)風(fēng)格的個(gè)性化協(xié)作學(xué)習(xí)活動(dòng)及資源，逐漸成為研究人員關(guān)注的焦點(diǎn)。

第三，在線和移動(dòng)技術(shù)的快速發(fā)展促進(jìn)了MOOC的發(fā)展，推薦系統(tǒng)的引入能幫助學(xué)習(xí)者從海量學(xué)習(xí)資源中獲取個(gè)性化、自適應(yīng)的學(xué)習(xí)資源，并能準(zhǔn)確分析其學(xué)習(xí)行為以對其學(xué)習(xí)過程提供個(gè)性化指導(dǎo)，有效地支持了MOOC中的個(gè)性化學(xué)習(xí)。

第四，關(guān)注學(xué)習(xí)者在學(xué)習(xí)過程中的情緒變化，通過集成物理傳感器以及人臉識別等情緒識別技術(shù)收集學(xué)習(xí)者的情緒信息，據(jù)此基于上下文的教育推薦系統(tǒng)能調(diào)整推薦內(nèi)容以適應(yīng)學(xué)習(xí)者的需求和環(huán)境特征，智能地管理學(xué)習(xí)者情緒，推動(dòng)情緒與學(xué)習(xí)行為相互作用，進(jìn)而不斷促進(jìn)學(xué)習(xí)者的認(rèn)知發(fā)展與積極學(xué)習(xí)行為的發(fā)生。

第五，在推薦功能方面，當(dāng)前研究更加關(guān)注推薦系統(tǒng)對學(xué)習(xí)者深度理解、高階認(rèn)知思維發(fā)展的作用，注重通過認(rèn)知診斷和強(qiáng)化學(xué)習(xí)實(shí)現(xiàn)適應(yīng)性知識提取，有助于優(yōu)化個(gè)性化學(xué)習(xí)材料與教學(xué)路徑推薦，增強(qiáng)教學(xué)的有效性，促進(jìn)深度學(xué)習(xí)的發(fā)生，以及實(shí)現(xiàn)學(xué)習(xí)者內(nèi)在認(rèn)知的提升。

第六，推薦系統(tǒng)的支持技術(shù)將更加先進(jìn)，人工智能尤其是深度學(xué)習(xí)的快速發(fā)展對推薦系統(tǒng)產(chǎn)生了重大影響，極大地提高了系統(tǒng)自主特征學(xué)習(xí)和深層次信息特征表征能力，改進(jìn)了混合推薦系統(tǒng)對具有多模態(tài)、大規(guī)模、數(shù)據(jù)稀疏和分布不均勻等復(fù)雜特征的多源異構(gòu)數(shù)據(jù)的融合效率，進(jìn)而也優(yōu)化了深層次特征信息提取性能，提升了個(gè)性化推薦效果。

參考文獻(xiàn)：

[1]黃立威，江碧濤，呂守業(yè)等（2018）.基于深度學(xué)習(xí)的推薦系統(tǒng)研究綜述[J].計(jì)算機(jī)學(xué)報(bào)，41（7）：1619-1647.

[2]Aguilar， J.， Valdiviezo-Díaz， P.， & Riofrio， G. （2017）. A General Framework for Intelligent Recommender Systems[J]. Applied Computing and Informatics， 13（2）：147-160.

[3]Banskota， A.， & Ng， Y. K. （2020）. Recommending Video Games to Adults with Autism Spectrum Disorder for Social-Skill Enhancement[C]// Proceedings of the 28th ACM Conference on User Modeling， Adaptation and Personalization. Genoa， Italy：14-22.

[4]Bhatt， C.， Cooper， M.， & Zhao， J. （2018）. SeqSense： Video Recommendation Using Topic Sequence Mining[C]//International Conference on Multimedia Modeling. Springer， Cham：252-263.

[5]Bustos-López， M.， Alor-Hernández， G.， & Sánchez-Cervantes， J. L. et al. （2020）. EduRecomSys： An Educational Resource Recommender System Based on Collaborative Filtering and Emotion Detection[J]. Interacting with Computers， 32（4）：407-432.

[6]Cabada， R. Z.， Estrada， M. L. B.， & Hernández， F. G. et al. （2018）. An Affective and Web 3.0-Based Learning Environment for a Programming Language[J]. Telematics and Informatics， 35（3）：611-628.

[7]Cahyana， U.， Paristiowati， M.， & Savitri， D. A. et al. （2017）. Developing and Application of Mobile Game Based Learning （M-GBL） for High School Students Performance in Chemistry[J]. Eurasia Journal of Mathematics， Science and Technology Education， 13（10）：7037-7047.

[8]Chen， X.， Zou， D.， & Cheng， G. et al. （2020）. Detecting Latent Topics and Trends in Educational Technologies Over Four Decades Using Structural Topic Modeling： A Retrospective of all Volumes of Computers & Education[J]. Computers & Education， 151：103855.

[9]Chen， X.， Zou， D.， & Su， F. （2021）. Twenty-Five Years of Computer-Assisted Language Learning： A Topic Modeling Analysis[J]. Language Learning & Technology， 25（3）：151-185.

[10]Chen， X.， Zou， D.， & Xie， H. et al. （2022）. Two Decades of Artificial Intelligence in Education： Contributors， Collaborations， Research Topics， Challenges， and Future Directions[J]. Journal of Educational Technology & Society， 25（1）.

[11]Dascalu， M. I.， Bodea， C. N.， & Lytras， M. et al. （2014）. Improving E-Learning Communities Through Optimal Composition of Multidisciplinary Learning Groups[J]. Computers in Human Behavior， 30：362-371.

[12]Dascalu， M. I.， Bodea， C. N.， & Moldoveanu， A. et al. （2015）. A Recommender Agent Based on Learning Styles for Better Virtual Collaborative Learning Experiences[J]. Computers in Human Behavior， 45：243-253.

[13]Drachsler， H.， Verbert， K.， & Santos， O. C. et al. （2015）. Panorama of Recommender Systems to Support Learning[M]// Recommender Systems Handbook. Springer， Boston， MA：421-451.

[14]Dwivedi， P.， & Bharadwaj， K. K. （2015）. E-Learning Recommender System for a Group of Learners Based on the Unified Learner Profile Approach[J]. Expert Systems， 32（2）：264-276.

[15]Fang， C.， & Lu， Q. （2021）. Personalized Recommendation Model of High-Quality Education Resources for College Students Based on Data Mining[J]. Complexity， 2021：9935973.

[16]George， G.， & Lal， A. M. （2019）. Review of Ontology-Based Recommender Systems in E-Learning[J]. Computers & Education， 142：103642.

[17]González-Castro， N.， Mu?oz-Merino， P. J.， & Alario-Hoyos， C. et al. （2021）. Adaptive Learning Module for a Conversational Agent to Support MOOC Learners[J]. Australasian Journal of Educational Technology， 37（2）：24-44.

[18]Hajri， H.， Bourda， Y.， & Popineau， F. （2018）. Personalized Recommendation of Open Educational Resources in MOOCs[C]// International Conference on Computer Supported Education. Springer， Cham：166-190.

[19]Islam， M. Z.， Ali， R.， & Haider， A. et al. （2021）. PAKES： A Reinforcement Learning-Based Personalized Adaptability Knowledge Extraction Strategy for Adaptive Learning Systems[J]. IEEE Access， 9：155123-155137.

[20]Karao?lan Y?lmaz， F. G. （2022）. The Effect of Learning Analytics Assisted Recommendations and Guidance Feedback on Students’ Metacognitive Awareness and Academic Achievements[J]. Journal of Computing in Higher Education：1-20.

[21]Kim， S.， Kim， W.， & Kim， H. （2021）. Learning Path Construction Using Reinforcement Learning and Bloom’s Taxonomy[C]// Proceedings of the International Conference on Intelligent Tutoring Systems. Springer， Cham：267-278.

[22]Kla?nja-Mili?evi?， A.， Ivanovi?， M.， & Nanopoulos， A. （2015）. Recommender Systems in E-Learning Environments： A Survey of the State-of-the-Art and Possible Extensions[J]. Artificial Intelligence Review， 44（4）：571-604.

[23]Lai， C. H.， Lin， H. W.， & Lin， R. M. et al. （2019）. Effect of Peer Interaction Among Online Learning Community on Learning Engagement and Achievement[J]. International Journal of Distance Education Technologies， 17（1）：66-77.

[24]Lakkah， S. E.， Alimam， M. A.， & Seghiouer， H. （2017）. Adaptive E-Learning System Based on Learning Style and Ant Colony Optimization[C]// 2017 Intelligent Systems and Computer Vision （ISCV）. IEEE Computer Society.

[25]Leony， D.， Gélvez， H. A. P.， & Mu?oz-Merino， P. J. et al. （2013）. A Generic Architecture for Emotion-Based Recommender Systems in Cloud Learning Environments[J]. Journal of Universal Computer Science， 19（14）：2075-2092.

[26]Li， Q.， & Kim， J. （2021）. A Deep Learning-Based Course Recommender System for Sustainable Development in Education[J]. Applied Sciences， 11（19）：8993.

[27]Lu， T.， Shen， X.， & Liu， H. et al. （2021）. A Framework of AI-Based Intelligent Adaptive Tutoring System[C]// 2021 16th International Conference on Computer Science & Education （ICCSE）. IEEE， Lancaster， United Kingdom：726-731.

[28]Manouselis， N.， Drachsler， H.， & Vuorikari， R. et al. （2011）. Recommender Systems in Technology Enhanced Learning[M]// Kantor， P. B.， Ricci， F.， & Rokach， L. et al. （Eds.）. Recommender Systems Handbook. Springer， Boston， MA：387-415.

[29]Martín， E.， & Carro， R. M. （2009）. Supporting the Development of Mobile Adaptive Learning Environments： A Case Study[J]. IEEE Transactions on Learning Technologies， 2（1）：23-36.

[30]Mizgajski， J.， & Morzy， M. （2019）. Affective Recommender Systems in Online News Industry： How Emotions Influence Reading Choices[J]. User Modeling and User-Adapted Interaction， 29（2）：345-379.

[31]Montaner， M.， López， B.， & De La Rosa， J. L. （2003）. A Taxonomy of Recommender Agents on the Internet[J]. Artificial Intelligence Review， 19（4）：285-330.

[32]Murad， D. F.， Heryadi， Y.， & Isa， S. M. et al. （2020）. Personalization of Study Material Based on Predicted Final Grades Using Multi-Criteria User-Collaborative Filtering Recommender System[J]. Education and Information Technologies， 25（6）：5655-5668.

[33]Ndiyae， N. M.， Chaabi， Y.， & Lekdioui， K. et al. （2019）. Recommending System for Digital Educational Resources Based on Learning Analysis[C]// Proceedings of the New Challenges in Data Sciences： Acts of the Second Conference of the Moroccan Classification Society. Association for Computing Machinery， New York， NY：1-6.

[34]Paradarami， T. K.， Bastian， N. D.， & Wightman， J. L. （2017）. A Hybrid Recommender System Using Artificial Neural Networks[J]. Expert Systems with Applications， 83：300-313.

[35]Peng， Y.， Zhu， W.， & Zhao， Y. et al. （2017）. Cross-Media Analysis and Reasoning： Advances and Directions[J]. Frontiers of Information Technology & Electronic Engineering， 18（1）：44-57.

[36]Pliakos， K.， Joo， S. H.， & Park， J. Y. et al. （2019）. Integrating Machine Learning into Item Response Theory for Addressing the Cold Start Problem in Adaptive Learning Systems[J]. Computers & Education， 137：91-103.

[37]Santos， O. C.， & Boticario， J. G. （2011）. TORMES Methodology to Elicit Educational Oriented Recommendations[C]// International Conference on Artificial Intelligence in Education. Springer， Berlin， Heidelberg：541-543.

[38]Santos， O. C.， Saneiro， M.， & Boticario， J. G. et al. （2016）. Toward Interactive Context-Aware Affective Educational Recommendations in Computer-Assisted Language Learning[J]. New Review of Hypermedia and Multimedia， 22（1-2）：27-57.

[39]Santos， O. C.， Saneiro， M.， & Salmeron-Majadas， S. et al. （2014）. A Methodological Approach to Eliciting Affective Educational Recommendations[C]// 2014 IEEE 14th International Conference on Advanced Learning Technologies. Athens， Greece：529-533.

[40]Shang， S. S.， Gao， M. J.， & Luo， L. J. （2021）. An Improved Hybrid Ontology-Based Approach for Online Learning Resource Recommendations[J]. Educational Technology Research and Development， 69（5）：2637-2661.

[41]Shen， X.， & Xu， C. （2021）. Research on Children’s Cognitive Development for Learning Disabilities Using Recommendation Method[J]. Concurrency and Computation： Practice and Experience， 33（9）：e6097.

[42]Tarus， J. K.， Niu， Z.， & Mustafa， G. （2018）. Knowledge-Based Recommendation： A Review of Ontology-Based Recommender Systems for E-Learning[J]. Artificial Intelligence Review， 50（1）：21-48.

[43]Troussas， C.， Krouska， A.， & Sgouropoulou， C. （2020）. Collaboration and Fuzzy-Modeled Personalization for Mobile Game-Based Learning in Higher Education[J]. Computers & Education， 144：103698.

[44]Verbert， K.， Manouselis， N.， & Ochoa， X. et al. （2012）. Context-Aware Recommender Systems for Learning： A Survey and Future Challenges[J]. IEEE Transactions on Learning Technologies， 5（4）：318-335.

[45]Wan， S.， & Niu， Z. （2019）. A Hybrid E-Learning Recommendation Approach Based on Learners’ Influence Propagation[J]. IEEE Transactions on Knowledge and Data Engineering， 32（5）：827-840.

[46]Wang， M. T.， & Fredricks， J. A. （2014）. The Reciprocal Links Between School Engagement， Youth Problem Behaviors， and School Dropout During Adolescence[J]. Child Development， 85（2）：722-737.

[47]Xiao， J.， Wang， M.， & Jiang， B. et al. （2018）. A Personalized Recommendation System with Combinational Algorithm for Online Learning[J]. Journal of Ambient Intelligence and Humanized Computing， 9（3）：667-677.

[48]Xuan， D.， Zhu， D.， & Xu， W. （2021）. The Teaching Pattern of Law Majors Using Artificial Intelligence and Deep Neural Network Under Educational Psychology[J]. Frontiers in Psychology， 12：711520.

[49]Yang， Z. （2022）. Data Analysis and Personalized Recommendation of Western Music History Information Using Deep Learning Under Internet of Things[J]. PLoS One， 17（1）：e0262697.

[50]Yin， S.， Yang， K.， & Wang， H. （2020）. A MOOC Courses Recommendation System Based on Learning Behaviours[C]//Proceedings of the ACM Turing Celebration Conference-China.Hefei， China：133-137.

[51]Zhang， X.， De Pablos， P. O.， & Xu， Q. （2014）. Culture Effects on the Knowledge Sharing in Multi-National Virtual Classes： A Mixed Method[J]. Computers in Human Behavior， 31：491-498.

[52]Zhao， J.， Bhatt， C.， & Cooper， M. et al. （2018）. Flexible Learning with Semantic Visual Exploration and Sequence-Based

Recommendation of MOOC Videos[C]// Proceedings of the 2018 CHI Conference on Human Factors in Computing Systems. Montreal， QC：1-13.

[53]Zhong， S.， Geng， Y.， & Liu， W. et al. （2016）. A Bibliometric Review on Natural Resource Accounting During 1995—2014[J]. Journal of Cleaner Production， 139：122-132.

收稿日期 2022-03-05

AI Enabling Personalized Learning：

Research Hotspot and Prospect of E-Learning Recommendation System

XIE Haoran， CHEN Xieling， ZHENG Guocheng， WANG Fuli

Abstract： Recommender systems in the field of E-learning are essential to meeting learners’ personalized learning needs. In recent years， research on E-learning recommender systems has grown rapidly worldwide. To systematically analyze relevant research in this field with the method of bibliometric analysis helps provide a reference for the high-level research and high-quality application concerning recommender systems in E-learning. The analysis results show the research hotspots and their evolution tendencies in this field from six aspects. First， the hybrid recommender system that takes advantage of multiple recommendation techniques has received increasing attention and has developed into the mainstream technique. Second， with the diversified development of group learning supported by innovative technologies， the focus of personalized recommendation has shifted from individual recommendation to group recommendation. Third， with the popularity of massive open online courses， there is a trend toward personalized recommendation on a large scale through collecting and mining large volume of data related to learning processes and materials. Fourth， attention has been paid to the emotional changes of learners from a psychological perspective， based on which context-aware recommender systems can be constructed to constantly promote learners to learn efficiently through adjustment and optimization of the recommended learning content. Fifth， increasing emphasis has been placed on learning model construction， with a focus on improving higher-order cognitive skills and promoting effective learning. Furthermore， supported by advanced deep learning technologies， the representation ability， information fusion efficiency， and recommendation effectiveness of personalized recommender systems can be continuously improved.

Keywords： E-Learning; Personalized Recommender Systems; Personalized Learning; Artificial Intelligence;Research Hotspots