Microcomputer Applications Vol.35,No.7.2019基金项目微型电脑应用2019年第35卷第7期文章编号：1007-757X(2019)07-0041-03
肖叶枝，王鹏，黄成云，曾钮，夏爽，刘晓
(广东电网有限责任公司教育培训评价中心，广州510520)
摘要：在线学习中的推荐系统可以自动识别学习者的个性化需求，主动推荐符合用户需求的学习路径，从而提高在线学习系统的个性化服务水平。为此分析了*性化学习现状及学习路径挖振，阐述了学习系统设计的功能需求及框架结构，简要介绍了主要的在线教育模式。
关键词：大数据；在线学习；个性化；精准推荐
林熙蕾老公杨晨中图分类号：TG409文献标志码：A
Personalized Accurate Recommendation Analysis of
Online Learning Content Based on Big Data
XIAO Yezhi,WANG Peng,HUANG Chengyun,ZENG Jun,XIA Shuang,LIU Xiao
(Education and Training Evaluation Center,Guangdong Power Grid Co.,Ltd.,Guangzhou510520)
Abstract:The recommendation system for online learning can automatically identify individual needs of a learner and actively recommend the learning path that meets the needs of the user,so as to improve the personalized service level of the online learning system.This paper analyzes the status of personalized learning and the learning path mining,expounds the functional requirements and frame structure of the learning system,and briefly introduces the main online education modes.
Key words:Big data；Online learning；Personalized method；Accurate recommendation
o引言
随着时代的发展和进步，催生了一种新的教育模式
在线教育。在线教育可以不受地域限制，共享网上的所有资源，并且在线教育中不受学员人数的限制。在线教育不仅是一种教育方式，同时也是提高教育质量、实现教育公平的一种手段⑴。
但是，在线学习系统通常包含大量的学习内容，学习者往往很难到最符合自己需求的学习路径，这
种现象降低了在线学习系统的个性化优势。在线学习的推荐系统可以自动识别学习者的个性化需求，积极推荐满足用户需求的学习路径。可见，推荐系统可以极大地提高在线学习的个性化服务水平⑵。
1个性化学习推荐现状分析
信息超载是由信息技术迅速发展所带来的问题，用户需要在海量的信息中用最快的时间获得自己想要的信息，否则信息的使用效率非常降低。个性化推荐技术的出现有效的解决了该问题。最具有典型的是基于知识和内容的推荐技术以及协同过滤和混合推荐技术⑶。
协同过滤推荐技术预测当前用户偏好的过程充分利用了其他和当前用户相似的用户。这种技术充分体现了集体的智慧。该技术有两种模式。其一，将一些和当前用户偏好相似的其他用户的偏好作为预测当前用户偏好的依据。其二，其他用户的偏好依据是当前用户的偏好。故此推荐技术又可以说是基于用户和项目的协同过滤推荐技术。
将学员偏好项目作为项目推荐的依据是基于内容推荐技术的推荐策略。通过弥补各推荐方法的不足是混合推荐技术的一大优势，这些推荐技术各有利弊。不用专业知识便可预测用户潜在的偏好项目，并且推荐效果会随用户的增加而加强，可用来推荐艺术品或影像作品。当然，这种技术也有一定的局限性，体现在项目冷启动和稀疏性方面。基于知识的技术优化了上述缺点，但是这种方法需要使用专业知识。这种方法的推荐效果会随用户交易数据的增加而加强，结论直观。这种技术不能对艺术品及影
像作品进行推荐，主要是其受限于提取推荐对象属性的方法⑷。
混合推荐技术对上述提到的方法进行了整合，采用了他们的优点•弱化他们的弊端。由于教育行业的特殊性，需要
基金项目：国网广东有限责任公司科技项目(038700KK52160003)
作者简介：肖叶枝(1986-)，女•硕士研究生，工程师•研究方向：网络培训业务管理。
王鹏(1986-)，男，硕士研究生，研究方向：技能类仿真培训资源开发。
黄成云(1985-)，女，硕士研究生，研究方向：在线学习资源开发及管理。
曾铉(1989-)，女，硕士研究生•研究方向：网络培训资源建设和平台运营。
夏爽(1984-)，女，硕士研究生，研究方向：网络培训业务推广及课件开发。
刘晓(1982-)，女，本科，研究方向：网络培训动画开发和管理。
•41•
Microcomputer Applications Vol.35,No.7,2019基金项目微型电脑应用2019年第35杀第7期
考虑推荐的内容与学习者自身学习情况的匹配度以及学员的个性化需求，所以个性化推荐技术在在线教育的应用中还不是很多，个性化推荐服务在教育领域方面的应用需要进一步提升⑸。
2个性化学习路径挖掘分析
2.1数据分析决定学习推荐
通过大数据分析学习行为，能够准确识别学习者特征、预测学习结果，给予个性化学习干预和指导，实现一种更为灵活方便和精准的在线学习模式，学习者能自我控制学习路径、内容、时间和地点，有利于提高创造力、想象力和竞争力。但是，学习者往往很难到最符合自己需求的学习路径，这种现象降低了在线学习的个性化优势。为完成学习目标，激发学习兴趣，保证教育质量，除了提供精细化、精品化的课程资源外，学习者需要学习一系列有先后次序的内容，即构成了个性化学习路径⑹。
2.2个性化学习路径
在个性化学习路径推荐研究领域，美国匹兹堡大学Peter Brusilovsky在M(X)C(慕课)学习平台中依据奥苏伯尔的有意义学习理论，采用模糊神经网络方法判断知识水平、动机、态度兴趣偏好推送学习内容，实现学习路径定制。意大利萨勒诺大学的Acampora提出将文化基因算法作为个性化学习路径求解策略，实现对学习者自身知识结构、学习目标、个人偏好等因素分析，达到为学习者定制个性化学习路径的目的。
个性化学习系统通过可以进行大数据分析的工具，收集学习者在整个学习进程中的输入和选择的数据。通过该系统可以记录、跟踪和掌握学习者的学习特点、需求和学习行为等基础资料。最后，通过大数据分析生成该学习者的学习路径，以此为学员提供更加准确和个性化的学习指导。在学员角度，可以更高效、扎实地掌握知识，促进深度学习，提高学员主动接触并理解知识的效率及能力⑺。
2.3个性化学习路径结构模型
学习风格和知识水平是学习者两个重要的个体差异特征，预示着不同的学习行为表现，是实现个性化推送的重要依据。个性化学习路径挖掘及推送力求做到三点⑻：
(1)学习风格的确定。采用明确的主观判断和贝叶斯网络问卷调查的方法，提取学习行为模式的内隐学习方法，推断学习风格。通过两种方法的结合可实现个性化学习路径的准确推送。
(2)知识水平估测。测评学员的知识能力是教育领域中一个永恒不变的焦点论题，知识水平往往会随着学习的积累而随时间变化，一方面利用项目反映理论的Logistic模型、等级反应模型和布鲁姆教学目标分类理论，综合测试学习者对知识点的掌握情况和目标测试、练习的难度分布，实现对学习者在各知识概念上的水平评估；另一方面利用人工智能算法，如矩阵分解(Matrix Factorization)算法、隐马尔科夫模型(Hidden Markov Model,HMM).实现依据学习行为数据(案例学习时间、数量与点击次数、问题解答时间与尝试次数等)实时跟踪诊断学员的知识水平，实现从概念知识理解等级和难度级别两个维度
动态地呈现学习对象⑼。
(3)学习路径挖掘及个性化推荐。利用Apriori All关联
规则算法，从体学习行为中挖掘最佳学习路径，同时基于学习风格、知识水平等特性实现个性化推送，解决“学习迷航”“认知过载”等问题，提高学习内驱力和学习需求［心。
3学习系统分析
3.1学习系统需求
在线学习资源个性化推荐系统主要角有：教师、学员、管理员和平台。游客只可以浏览到部分学习资源(如课件、视频、试卷等)，查询自己想要资源的信息，只有登录后，才能査看完整的学习资源，并决定是否报名参与课程学习。学员报名时应提供年龄、年级、爱好、邮箱等基本信息，以便平台能够根据用户提供的个人基本信息和搜索学习资源的记录提供个性化的学习资源，实现个性化学习资源推荐。在平台中，学员选学学习资源后，课件部分采用全闭环在线学习过程监督的形式，使学员学习的时候更加用心，从而提高学习效率。平台会记录学员用了几次完成全部课程学习，并根据次数完成一个评分表，间接地得到学员对学习资源的评分［⑴。
3.2学习系统功能
通过需求分析，在线学习资源个性化推荐平台需要实现以下功能［⑵：
(1)注册登录。为学员和教师提供注册服务，注册并登
录后可以使用系统的功能，同时系统获取学员数据。
(2)信息管理。管理员对账户信息的管理。
(3)资源管理。教师对资源的创建、上传、修改以及
维护。
(4)资源搜索。学员根据自身的学习需要，在系统中搜
索需要的学习资源。
(5)资源选择。学员选好需要的学习资源，如果需要报
名则进行报名、申请，开放性学习则直接进行学习。
(6)审核管理。管理员需要处理学员学习申请信息。
(7)资源推荐。平台根据学员提供的年龄、年级、爱好等
基本信息以及学员的搜索、在线学习等操作，为学员推荐个性化的学习资源。
(8)资源学习。学员资源申请被批准后，便可以在线
学习。
神舟10号发射时间(9)系统管理。管理员对系统的维护和操作。
(10)平台管理。平台可以记录系统的各种操作。该系
统的功能框架图如图1所示。
图1系统框架图
3.3学习系统架构
通过平台需求分析，系统架构可以分为三个层次：前台
交互层、业务逻辑层和数据服务层。学习系统层次如图2所示［⑶。
42
Microcomputer Applications Vol.35,No.7,2019基金项目微型电脑应用2019年第35杀第7期
图2学习系统层次图
4在线教育模式分析
4.1MOOC模式
MOOC是一个与世界各地成千上万的学习者联系起来的大型网上开放课程。MOOC有两个典型的特点：一是开放式学习。即任何人都可以参与在线课程学习；二是大规模性，即学习者不限数量:⑷。MOOC主要教学模式可总结如下〔叫
(1)“以视频(不超过20分钟)为基本教学单位的教学知识”。由一组基本的教学单元组成的学习序列构成了一个动态可控的有机体，使学习材料在网络学习过程中“灵活”，即学员对学习节奏有一定的主动性和控制力。
(2)借助在线交互式练习的即时反馈和由计算机自动评分的交互评价的教学模式。实现了对学习者的即时反馈和评价，它可以鼓励和引导学员更积极地学习和思考，从而有效地提高他们的学习效率。
(3)基于“学习大数据”的个性化服务教学模式。将自动记录所有学习者的学习过程和学习行为，并将所记录的数据整合到“学习大数据”中。通过系统的数据挖掘和数据分析，可以发现隐藏的规则。教师能够随时掌握每个学员的学习动态并且能够及时地给予指导。
(4) 通过社交网络平台进行互动交流的教学模式。MOOC注重以社交网络作为学习交流的平台，以提高学员的学习兴趣和学习动机。
4.2()2()教学模式
()2()教学是以线上为主导，线下为主体的教学模式，02()教学是线上教学和线下教学的有机融合。线上教学用于自主学习视频、动画等掌握基本的知识点，还用于完成部分练习题，线上教学在整个教学过程中起到了主导作用；线下辅导用于解决难点问题，査漏补缺，升华知识，线下教学在整个教学过程中起到主体作用[⑷。只有将线上和线下结合起来，才是020的精华所在：一方面可以弥补线上教学在与学员沟通、交流等方面的不足；另一方面也可以弥补线下教学需要消耗大方面人力、物力、财力且受时间和空间限制等方面的缺点。
5总结
基于大数据的在线学习平台将创建一个灵活的学习环境，学员可以充分利用丰富的网络资源，获得轻松、个性化的学习体验。通过本文的研究，我们可以得出以下结论：
(1)随着教育信息化进程的深入，随着在线学习数据不断增多，需要开发岀个性化推荐的学习系统，以便从海量、稀疏、高噪的数据中准确分析出学习者的个性化需求。
(2) 本文提出的个性化推荐系统可以挖掘学习者在学习过程中的行为•了解学习者成长的轨迹和状态，有助于掌握学习者的学习规律，促进学习者的学习。对学员进行更全面的评价和个性化的干预引导，优化学习过程，提供个性化的服务。
陈式太极拳56式参考文献
[1]叶露.在线学习资源个性化推荐与学习路径规划研
究[D].杭州：浙江财经大学，201&
[2]谢修娟，朱林，郑英，等.基于协同过滤技术的在线学
习个性化推荐系统研究[J].电脑知识与技术，2018,
14(3):173-174.
[3]明巧英.基于决策树技术的个性化学习系统的分析
设计[J].微型电脑应用，2018,34(1):53-57.
[4]刘淇，陈恩红，朱天宇，等.面向在线智慧学习的教育
数据挖掘技术研究[J].模式识别与人工智能，2018,
日照景点排行榜31(1):77-90.
[5]赵睿•王庆岭.基于大数据技术在线学习过程行为分
析框架设计[J1兰州石化职业技术学院学报，2017,
17(4)：15-18.
[6]刘克礼，王荣华.基于协同过滤的学习资源个性化推
荐应用[J].安徽广播电视大学学报，2017(4)：
125-128.
[7]许睿.大数据背景下大学员个性化自适应学习研究
EJ1电脑知识与技术，2017,13(31):153-154.
[8]赵睿，王庆岭.基于大数据技术在线学习过程行为分
析框架设计[J].电脑知识与技术,2017,13(30):1-3.
[9]陈琳琳，何远德.高校在线学习平台之大数据应用综
述与展望[J].中国教育技术装备,2017(18):39-40. [10]侯东秀.基于Web日志挖掘的个性化学习平台的设
周迅个人资料计与实现[D].曲阜：山东师范大学，2017.
[11]张健.基于数据挖掘的网络学习行为分析与研究
[D].西安：西安电子科技大学，2017.
[12]谢苏超.基于进化计算的课程资源编列问题研究综述
EJ1软件导刊，2017,16(5):199-204.
[13]王琳琳.基于协同过滤的在线学习个性化推荐技术
研究[J]・微型电脑应用，2017,33(5):49-51.
[14]许薇.基于个性化学习资源推荐的网络学习平台的
研究与实现[D].昆明：云南师范大学，2017.
[15]钱研.基于BCLRHK模型的大学员个性化在线学习
资源推送研究[D].沈阳：东北师范大学，2017. [16]陈永康•章美仁.基于大数据的在线就业课程推荐系
统[J].电子商务，2017(4):72-73.
(收稿日期：201&06.07)
七号夫妇43
发布评论