曹夢(mèng)川　歐陽儀　伍丹　杜朋軒

摘? 要：隨著在線教育的不斷發(fā)展，微課作為一種便捷高效的學(xué)習(xí)方式越來越受到廣大學(xué)生的喜愛。為了進(jìn)一步提高學(xué)生利用微課學(xué)習(xí)的效果，文章提出了一種基于圖結(jié)構(gòu)的微課推薦系統(tǒng)。該系統(tǒng)通過構(gòu)建知識(shí)點(diǎn)圖和利用廣度優(yōu)先算法推薦合適的微課視頻給學(xué)生，從而提升學(xué)生的學(xué)習(xí)效果。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)相比于隨機(jī)推薦和基于內(nèi)容的推薦方法，具有更高的召回率和更好的推薦效果，具有一定的實(shí)用價(jià)值和推廣意義。

關(guān)鍵詞：數(shù)據(jù)結(jié)構(gòu)；圖結(jié)構(gòu)；廣度優(yōu)先算法；微課推薦

中圖分類號(hào)：TP311? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）20-0140-04

Research on Intelligent Push Method of Micro-course Based on Artificial Intelligence

CAO Mengchuan， OUYANG Yi， WU Dan， DU Pengxuan

（Ningxia Polytechnic， Yinchuan? 750021， China）

Abstract： With the continuous development of online education， micro-course has become a popular learning method among students. In order to further improve the learning effectiveness of students using micro-course， this paper proposes a graph-based micro-course recommendation system. The system recommends suitable micro-course videos to students by constructing knowledge point graphs and using the Breadth-First Search algorithm， thereby improving the learning effectiveness of students. The experimental results show that compared with random recommendation and content-based recommendation methods， the system has higher recall rate and better recommendation effectiveness， and it has certain practical value and promotion significance.

Keywords： data structure; graph structure; Breadth-First Search; micro-course recommendation

0? 引? 言

微課視頻是當(dāng)今一種非常流行的教學(xué)、自學(xué)方式，對(duì)于學(xué)校來說，也是一種需要去重視的學(xué)習(xí)資源，它可以為學(xué)生提供豐富的學(xué)習(xí)內(nèi)容和多樣的學(xué)習(xí)方式。然而因?yàn)槊块T課成所涉及的知識(shí)點(diǎn)繁多、關(guān)聯(lián)的教學(xué)視頻數(shù)量龐大，對(duì)于學(xué)生來說很難在眾多的視頻中找到適合自己學(xué)習(xí)進(jìn)度的學(xué)習(xí)資源，因此需要一種高效的教育教學(xué)視頻推薦方式來為學(xué)習(xí)者提供個(gè)性化的學(xué)習(xí)服務(wù)。

目前，已有很多學(xué)校和企業(yè)對(duì)微課視頻推薦系統(tǒng)進(jìn)行了研究和開發(fā)，其中大多數(shù)系統(tǒng)都是以協(xié)同算法為主，根據(jù)學(xué)生歷史記錄推薦相似視頻，或按照一定的學(xué)習(xí)順序推薦。這些方法在使用的過程中有一定的局限性，如推薦精度低、推薦內(nèi)容不符合等問題。因?yàn)槊恳患⒄n的內(nèi)容針對(duì)是一個(gè)知識(shí)點(diǎn)，非常利于構(gòu)建圖結(jié)構(gòu)，因此，通過基于圖結(jié)構(gòu)的微課推薦功能能很好地解決上述的問題。

1? 圖結(jié)構(gòu)概述

圖結(jié)構(gòu)是一種由節(jié)點(diǎn)和邊構(gòu)成的數(shù)據(jù)結(jié)構(gòu)，節(jié)點(diǎn)表示一個(gè)實(shí)體、對(duì)象或者事件。邊則表示節(jié)點(diǎn)之間的關(guān)系或者連接。通常表示為G（V，E），其中G表示一個(gè)圖，V表示節(jié)點(diǎn)的集合，E表示圖中邊的集合。節(jié)點(diǎn)又稱為頂點(diǎn)（vertex），是圖中的基本單元，通常用圓形或者方形表示，每一個(gè)節(jié)點(diǎn)可以有一個(gè)或者多個(gè)屬性邊，又稱為連接（edge），是節(jié)點(diǎn)之間的連線，用來表示兩個(gè)節(jié)點(diǎn)之間的關(guān)系。

本次研究將采用鄰接表（Adjacency List）的方式實(shí)現(xiàn)，鄰接表采用的是數(shù)據(jù)和鏈表的方式存儲(chǔ)。每一個(gè)節(jié)點(diǎn)由一條鏈表，所以共有| V |條鏈表的數(shù)組構(gòu)成。對(duì)于每一個(gè)節(jié)點(diǎn)u ∈ V，鏈表代表圖的邊。圖結(jié)構(gòu)又分為有向圖和無向圖，因考慮到知識(shí)點(diǎn)是具有有向性的，所以本次研究采用有向圖的方式實(shí)現(xiàn)。

2? 系統(tǒng)設(shè)計(jì)實(shí)現(xiàn)

2.1? 系統(tǒng)結(jié)構(gòu)設(shè)計(jì)

本系統(tǒng)主要包括兩個(gè)部分，構(gòu)建知識(shí)點(diǎn)圖和推薦算法，如圖1所示。首先，教師需要將課程涉及的所有知識(shí)點(diǎn)及關(guān)聯(lián)關(guān)系導(dǎo)入微課推薦系統(tǒng)中，生成知識(shí)點(diǎn)圖并存儲(chǔ)在數(shù)據(jù)庫中；當(dāng)學(xué)生觀看微課后，前端將其標(biāo)簽發(fā)送到服務(wù)器端。服務(wù)器端接收到知識(shí)點(diǎn)標(biāo)簽后，通過使用廣度優(yōu)先算法查詢?cè)撝R(shí)點(diǎn)標(biāo)簽在知識(shí)點(diǎn)圖中的位置，并將該知識(shí)點(diǎn)所關(guān)聯(lián)的其他知識(shí)點(diǎn)對(duì)應(yīng)的課程視頻信息推薦給學(xué)生，從而實(shí)現(xiàn)微課的推薦。

2.2? 知識(shí)點(diǎn)圖的構(gòu)建

本次研究的是一種基于用戶行為和視頻內(nèi)容之間的關(guān)系建立的結(jié)構(gòu)模型，構(gòu)建的核心思想是將對(duì)應(yīng)課程的所有知識(shí)點(diǎn)構(gòu)建成圖結(jié)構(gòu)，以知識(shí)點(diǎn)為節(jié)點(diǎn)，節(jié)點(diǎn)之間為關(guān)聯(lián)關(guān)系，將這樣的關(guān)系定義為邊，從而實(shí)現(xiàn)知識(shí)點(diǎn)圖的構(gòu)建。它利用圖結(jié)構(gòu)的屬性和知識(shí)點(diǎn)之間的關(guān)系來進(jìn)行視頻推薦，然后通過圖算法計(jì)算節(jié)點(diǎn)之間的關(guān)系，更好的推薦學(xué)生需要的微課視頻。

這里以“數(shù)據(jù)結(jié)構(gòu)”課程為例構(gòu)建有向的知識(shí)點(diǎn)圖，如圖2所示。在這個(gè)示意圖中，每個(gè)長(zhǎng)方形表示一個(gè)知識(shí)點(diǎn)，知識(shí)點(diǎn)之間的箭頭表示它們之間的關(guān)系。例如，Sorting節(jié)點(diǎn)可能會(huì)有一個(gè)箭頭指向Bubble和Merge節(jié)點(diǎn)，因?yàn)樗鼈兪桥判蛩惴ǖ囊徊糠?。Stack節(jié)點(diǎn)可能會(huì)有一個(gè)箭頭指向Push節(jié)點(diǎn)，因?yàn)镻ush操作是棧數(shù)據(jù)結(jié)構(gòu)的一部分。

實(shí)現(xiàn)代碼如下：

1. # 創(chuàng)建一個(gè)空的圖

2. G = nx.Graph（）

3. # 添加節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)代表一個(gè)數(shù)據(jù)結(jié)構(gòu)知識(shí)點(diǎn)

4. G.add_node（"Sorting"）

5. G.add_node（"Stack"）

6. G.add_node（"Queue"）

7. # 添加邊，表示不同知識(shí)點(diǎn)之間的關(guān)系

8. G.add_edge（"Sorting"， "Bubble"， "Marge"）

9. G.add_edge（"Stack"， "Merge" ，"Push"）

10. G.add_edge（"Queue"， "Deqeue"）

2.3? 推薦算法的實(shí)現(xiàn)

推薦算法采用廣度優(yōu)先算法，該算法是一種圖形遍歷算法，用于給定的起始節(jié)點(diǎn)開始遍歷一個(gè)圖結(jié)構(gòu)或樹結(jié)構(gòu)。該算法遍歷的順序是按照距離順序，從起始節(jié)點(diǎn)開始，逐層遍歷其鄰居節(jié)點(diǎn)，直到遍歷到目標(biāo)節(jié)點(diǎn)或者整張圖形中的所有節(jié)點(diǎn)。當(dāng)遍歷到目標(biāo)節(jié)點(diǎn)時(shí)，算法會(huì)立即停止，并返回一條從起始節(jié)點(diǎn)到目標(biāo)節(jié)點(diǎn)的路徑。如果遍歷完整張圖形后仍未找到目標(biāo)節(jié)點(diǎn)，則算法返回null。廣度優(yōu)先算法的時(shí)間復(fù)雜度為O（V + E），其中V是圖形中節(jié)點(diǎn)的數(shù)量，E是邊的數(shù)量。由于需要遍歷整張圖形，因此空間復(fù)雜度為O（V），其中V是節(jié)點(diǎn)的數(shù)量。在實(shí)踐中，由于算法需要使用隊(duì)列，因此空間復(fù)雜度可能會(huì)更高。

使用該推薦算法的優(yōu)點(diǎn)在于能夠很好地利用知識(shí)點(diǎn)之間的依賴關(guān)系進(jìn)行推薦，從而提高推薦的準(zhǔn)確性。同時(shí)，該功能也能夠較好地處理冷啟動(dòng)問題，對(duì)于新加入系統(tǒng)的微課視頻，只需要在對(duì)應(yīng)的途中添加節(jié)點(diǎn)位置，即可實(shí)現(xiàn)推薦。

在本次研究中，學(xué)生觀看的微課視頻所攜帶的知識(shí)點(diǎn)標(biāo)簽傳入服務(wù)端后，服務(wù)端從數(shù)據(jù)庫中獲取該知識(shí)點(diǎn)所對(duì)應(yīng)的課程圖譜，并通過廣度優(yōu)先算法查詢?cè)撝R(shí)點(diǎn)在知識(shí)點(diǎn)圖中的位置及關(guān)聯(lián)的所有節(jié)點(diǎn)；將這些節(jié)點(diǎn)所對(duì)應(yīng)的視頻信息形成響應(yīng)報(bào)文，返回給前端。實(shí)現(xiàn)流程如圖3所示。

實(shí)現(xiàn)代碼如下：

1. def get_neighbors（graph， node）：

2.? ? ?# 創(chuàng)建空隊(duì)列和空集合

3.? ? ?queue = deque（）

4.? ? ?visited = set（）

5.? ? ?# 將起始節(jié)點(diǎn)添加到隊(duì)列中，并標(biāo)記為visited

6.? ? ?queue.append（node）

7.? ? ?visited.add（node）

8.? ? ?# 遍歷隊(duì)列中的節(jié)點(diǎn)，查詢其鄰居節(jié)點(diǎn)

9.? ? ?neighbors = deque（）

10.? ? while queue：

11.? ? ? ? ?curr_node = queue.popleft（）

12.? ? ? ? ?for neighbor in graph[curr_node]：

13.? ? ? ? ? ? ?if neighbor not in visited：

14.? ? ? ? ? ? ? ? ?queue.append（neighbor）

15.? ? ? ? ? ? ? ? ?visited.add（neighbor）

16.? ? ? ? ? ? ? ? ?neighbors.append（neighbor）

17.? ? ?return neighbors

該函數(shù)接收一個(gè)圖結(jié)構(gòu)的graph和一個(gè)節(jié)點(diǎn)node作為參數(shù)，返回一個(gè)包含所有鄰居節(jié)點(diǎn)的隊(duì)列，通過將已經(jīng)生成的知識(shí)點(diǎn)圖和微課視頻所對(duì)應(yīng)的知識(shí)點(diǎn)標(biāo)簽帶入，就可以通過廣度優(yōu)先算法查詢到所有與該知識(shí)點(diǎn)關(guān)聯(lián)的知識(shí)點(diǎn)，并將所有關(guān)聯(lián)的知識(shí)點(diǎn)以隊(duì)列的形式返回。系統(tǒng)將列表中知識(shí)點(diǎn)所對(duì)應(yīng)的微課視頻信息以標(biāo)題和URL的形式返回給前端，從而實(shí)現(xiàn)微課的快速推薦。

3? 實(shí)驗(yàn)結(jié)果分析

3.1? 數(shù)據(jù)集介紹

本次實(shí)驗(yàn)的數(shù)據(jù)集來自Khan Academy（KA），KA是一個(gè)在線學(xué)習(xí)平臺(tái)，旨在為全球范圍內(nèi)的任何人提供免費(fèi)的教育資源。KA主要提供數(shù)學(xué)、自然科學(xué)、歷史等各種學(xué)科的微課視頻，每個(gè)視頻通常涵蓋一個(gè)知識(shí)點(diǎn)。本次實(shí)驗(yàn)選擇了關(guān)于數(shù)學(xué)學(xué)科的微課視頻，這些視頻一共涵蓋了412個(gè)知識(shí)點(diǎn)。通過調(diào)用KA官方提供的API獲取了它們之間的關(guān)系，并使用知識(shí)點(diǎn)的關(guān)聯(lián)性構(gòu)建一個(gè)有向的知識(shí)點(diǎn)圖結(jié)構(gòu)，其中節(jié)點(diǎn)表示對(duì)應(yīng)的知識(shí)點(diǎn)，邊表示知識(shí)點(diǎn)之間的相關(guān)性。

3.2? 實(shí)驗(yàn)設(shè)置

本次實(shí)驗(yàn)為了驗(yàn)證系統(tǒng)的有效性，將實(shí)驗(yàn)結(jié)果與隨機(jī)推薦和基于內(nèi)容的推薦進(jìn)行比較。其中，隨機(jī)推薦是指從數(shù)據(jù)集中隨機(jī)選擇微課視頻進(jìn)行推薦，而基于內(nèi)容的推薦是指根據(jù)用戶觀看的微課視頻的標(biāo)簽，推薦與這些標(biāo)簽相關(guān)的微課視頻。在所有實(shí)驗(yàn)中，將數(shù)據(jù)集分成訓(xùn)練集和測(cè)試集，其中訓(xùn)練集占80%，測(cè)試集占20%。

為了評(píng)估算法的性能，將使用召回率（recall）作為評(píng)估指標(biāo)。召回率（recall）是信息檢索和統(tǒng)計(jì)學(xué)中常用的一個(gè)指標(biāo)，用于衡量被檢索出來的相關(guān)文檔數(shù)與總相關(guān)文檔數(shù)之間的比例。召回率在機(jī)器學(xué)習(xí)的領(lǐng)域中常用于指預(yù)測(cè)為正的樣本中，真正樣本所占的比例，在本次實(shí)驗(yàn)中假設(shè)對(duì)于用戶u，推薦系統(tǒng)返回的關(guān)于知識(shí)點(diǎn)K的推薦列表為R （K），而該用戶在真實(shí)情況下學(xué)習(xí)過K，記其實(shí)際學(xué)習(xí)的知識(shí)點(diǎn)集合為T （K），那么該推薦系統(tǒng)在知識(shí)點(diǎn)K上的召回率Recall （K）可以用以下公式表示：

其中，| R （K） ∩ T （K） |表示推薦系統(tǒng)推薦的知識(shí)點(diǎn)列表R （K） 與用戶實(shí)際學(xué)習(xí)的知識(shí)點(diǎn)集合T （K）的交集大小，而| T （K） |則表示用戶實(shí)際學(xué)習(xí)的知識(shí)點(diǎn)集合T （K）的大小，即該知識(shí)點(diǎn)的總體覆蓋度。如果該召回率越大，說明該推薦系統(tǒng)對(duì)該用戶的知識(shí)點(diǎn)需求的覆蓋率越高，推薦效果越好。

3.3? 實(shí)驗(yàn)結(jié)果

在實(shí)驗(yàn)中使用了不同數(shù)量的已觀看微課視頻的用戶進(jìn)行測(cè)試，每個(gè)用戶觀看的微課視頻數(shù)量不同。表1是在不同用戶數(shù)量和觀看微課視頻數(shù)量下，三種推薦算法的召回率進(jìn)行了比較。

從表1可以看出，基于圖結(jié)構(gòu)的微課推薦算法相對(duì)于隨機(jī)推薦和基于內(nèi)容的推薦算法，具有更高的召回率。并且廣度優(yōu)先算法時(shí)間復(fù)雜度在最壞情況下，即需要遍歷整個(gè)圖才能找到目標(biāo)節(jié)點(diǎn)的情況下，時(shí)間復(fù)雜度為O（| V | + | E |），在實(shí)際應(yīng)用中，通常情況下圖的邊數(shù)比節(jié)點(diǎn)數(shù)多得多，因此BFS算法的時(shí)間復(fù)雜度可以近似地看作O（| E |），因此用戶在觀看的過程中產(chǎn)生的用戶行為可以非?？焖俚剞D(zhuǎn)換成后續(xù)推薦的微課視頻，通過實(shí)驗(yàn)表明，使用本文提出的功能的精準(zhǔn)度、反應(yīng)速度遠(yuǎn)高于常規(guī)的推薦方式。

4? 結(jié)? 論

本文提出的基于圖結(jié)構(gòu)的微課推薦系統(tǒng)利用知識(shí)點(diǎn)圖和廣度優(yōu)先算法實(shí)現(xiàn)了有效的微課視頻推薦。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)的推薦召回率優(yōu)于隨機(jī)推薦和基于內(nèi)容的推薦方法，能夠更好地滿足學(xué)生在微課學(xué)習(xí)過程中的需求。該系統(tǒng)具有實(shí)用價(jià)值和推廣意義。未來的研究方向包括優(yōu)化算法，提高推薦的準(zhǔn)確性和個(gè)性化程度，進(jìn)一步探索微課推薦的可能性。本研究為視頻推薦領(lǐng)域提供了新思路和新方法。

參考文獻(xiàn)：

[1] 張萌，紀(jì)佳琪.基于標(biāo)簽的電影推薦算法研究 [J].微型電腦應(yīng)用，2023，39（1）：28-31.

[2] 趙晉巍，劉曉鵬，羅威.多匹配器自動(dòng)聚合的知識(shí)圖譜融合系統(tǒng)構(gòu)建 [J].中華醫(yī)學(xué)圖書情報(bào)雜志，2019，28（9）：51-57.

[3] 郭理，王嘉岐，張恒旭，等.基于Louvain重疊社區(qū)發(fā)現(xiàn)算法 [J].石河子大學(xué)學(xué)報(bào)：自然科學(xué)版，2020，38（3）：384-389.

[4] 姜智.面向教學(xué)過程的幾個(gè)度量模型研究 [J].教育探索，2005（9）：59-61.

[5] 趙旭，呂鶴軒.個(gè)性化推薦技術(shù)在微課系統(tǒng)中的應(yīng)用 [J].軟件工程，2019，22（12）：21-23.

[6] 郝國笑.智能倉儲(chǔ)多AGV的控制策略研究 [D].青島：青島科技大學(xué)，2021.

[7] 張利釗.面向移動(dòng)學(xué)習(xí)的土家音樂長(zhǎng)廊導(dǎo)覽系統(tǒng)研究 [D].武漢：華中師范大學(xué)，2018.

[8] ZHAO F，SUN J，ZHAO Z. A video recommendation system based on graph theory and semantic analysis [J].Multimedia Tools and Applications，2019，78（4）：4363-4383.

[9] 方文. 基于知識(shí)圖譜的個(gè)性化視頻推薦算法研究 [D].廣州：華南理工大學(xué)，2021.

[10] 李青，馮梅，申端明，等.一種基于用戶行為的視頻推薦算法 [J].信息系統(tǒng)工程，2020（9）：142-144.

作者簡(jiǎn)介：曹夢(mèng)川（1990—），男，漢族，寧夏銀川人，助教，碩士，研究方向：數(shù)據(jù)分析、人工智能。

收稿日期：2023-03-27

基金項(xiàng)目：2020年寧夏回族自治區(qū)科學(xué)技術(shù)學(xué)會(huì)第五批自治區(qū)青年科技人才托舉工程