与智能推送策略研究
李兰迪个人资料Research o;Lear aiag Resource Collect i o;and la t ell i ge a t Push Strategy
for Soc i al Studeat in B i g Data Eav i roameat
邱春红（江苏商贸职业学院电子商务与物流学院，江苏南通226000）
摘要：随着信息技术与智慧教育的深度融合，利用大数据及人工智能等数据采集及结构化手段构建一个适应社会学生学习的“一标准一体系三系统”的数字化学习资源平台，并采用“机器智能推荐+人工推荐”相结的智能推荐策略，有针对性地将学习资源主动、及时推送给学生，助其顺利完成学业，提高学校人才培养质量。
关键词：大数据；学习资源采集；智能推送；社会学生
Abstract:W i t h the deepntegrat i o n of n format i o n technology and intelli g ent educat i o n,th i s paper uses b i g data,art i f i c i a l
i n tell i g ence and other data collect i o n and structured means to bu ild a learn i n g env i r onment su itable of"one standard,one
system and three systems"for soc i a l students.The intell i g ent recommendat i o n strategy of"mach i n e intell i g ent recommenda-t i o n+art i f i c i a l recommendat i o n"are adopted to push the learn i n g resources to the students act i v ely and timely,so as to help them complete the i r stud i e s smoothly and improve the qual i t y of school personnel tra i n ing.
Keywords:b i g data,collect i o n of Learn ing resource,i n tell i g ent push,soc i a l student
随着高职扩招百万面向社会人员招生政策的落实，各高职院校纷纷面向社会人员招生，其生源为社会学生，与普通全日制学生有所不同，他们一般为企事业单位在职职工、退役军人、进城务工人员及待业人员等，生源比较复杂。各高职院校也按照“标准不降、模式多元、学制灵活”的原则，根据社会学生的实际情况，制定了特定的人才培养方案、课程体系，学生可采取在校学习与企业学习、线上教学与线下教学相结合的方式，分阶段完成学业。
由于社会学生的特殊性，他们当中大部分人要边工作边学习，线上学习是他们完成学业的主要途径。因此，如何在大数据环境下，将各学习平台的学习资源，及时、合理地进行收集、整合，如何在海量的学习资源中根据学生的个性特征和学习情况快速的、准确地将目标资源推送给学生，帮助其合理制
定学习计划顺利完成学业，就显得尤为重要，这也对我们职业教育工作者提岀了新的挑战。
随着信息技术与智慧教育的深度融合、各信息化学习平台的不断成熟与普及、学习资源的不断丰富与完善，教育领域的数据量呈指数化增长，这也是智慧教育和教育大数据时代发展的新趋势。依托智慧职教、中国大学MOOC、智慧树、超星学习通等学习平台的数字化学习资源越来越丰富，这就为面向社会学生完成线上学习提供了基础，为他们完成学业提供了解决方案，但这些学习资源数据量大，且分属不同平台，相互之间缺乏联系，是孤立的，缺乏系统性。这就给学生对目标资源的选择和学校面向社会学生的管理带来一定的困难。
因此，本文提岀利用大数据、人工智能等现代信息技术手段对多个学习平台的学习资源信息进行跨平台采集，然后采用统一的结构化标准，将各学习平台的资源信息根据学校人才培养方案进行系统化的处理，使各学习平台的资源形成一个有机的整体，服务于学校人才培养、有助于学生系统的完成学历教育学习遥同时有效结合数据库技术和人工智能，进一步加强对机器学习方法的运用，根据学校教学计划和学生学习个性，综合采用“机器智能推荐+人工推荐”相结合的混合智能推送策略有针对性地将信息主动、及时地推送给学生。
1学习资源信息采集及结构化
随着智慧教育和教育大数据时代的到来，教育领域的数据量飞速增长、各种学习平台不断成熟与普及，
依托各学习平台的数字化学习资源也不断丰富与完善，给学习者完成线上学习提供了更多途径。但对于一个学习者来说，这些数据分属不同平台，是离散的，不系统，缺乏整体性，给学习者的学习和学校的教学管理带来了一定困难。
为此，本文依托智慧职教、中国大学MOOC、智慧树、超星学习通等多种学习平台，利用“大数据+人工智能”技术，将离散的教育数据通过机器学习等人工智能技术采集起来，采用统一的结构化标准和组织体系，构建了“一标准一体系三系统”的学习资源信息采集及结构化处理体系，及时采集各学习平台的学习资源信息，根据学校人才培养方案及统一的标准进行系统化的处理，使各学习平台的资源形成一个有机的整体，如图1所示。
图1“一标准一体系三系统”体系图
渊1)一标准
一标准，即学习资源信息统一的结构化标准。各学习资源信
130大数据环境下面向社会招生人员学习资源采集与智能推送策略研究
息的采集将依托于智慧职教、中国大学MOOC、智慧树、超星学习通等多种学习平台，各平台的数据类型及结构将不尽相同。因此，必须先综合考虑各学习平台数据的类型及结构特点，建立一个统一的数据结构化标准，将跨平台采集到的资源信息按统一的标准进行结构化，并统一存放遥
渊2)一体系
一体系，即将学习资源按人才培养方案及个人成才规律有序组织的体系。将各平台没有关联的学习资源按此体系进行组织，使他们系统化、有序化，形成一个有机整体，为后续个性化学习资源智能推送奠定基础。血压低吃什么最快最有效
(3)三系统
1)知识系统。该知识系统，有别于一般学习平台的知识系统，它主要是根据教师或管理员的前期设置，利用机器学习和人工引入相结合的方式从其他相关学习平台学习获取的，并按照“一标准一体系”方案进行结构化后的资源链接和相关信息的集合，如资源的名称、来源、关键词集、类型、媒体类型、关联知识点、关联章节、难易度、偏序情况、交互程度、典型学习时长、状态和等级等。
2)行为系统。行为系统，即记录学习者学习过程数据的系统，学生完成线上学习的各种行为都将记录
于此，线下学习情况也可以通过教师在行为系统中进行补充，从而使行为系统的数据更充实、更完整。它主要记录学习者的学习内容、学习途径、学习时长、学习反馈情况等信息。
3)特征系统。特征系统根据行为系统记录的数据，自动挖掘学生学习过程、学习内容、任务完成等的学习数据，智能分析学生个体特征和学习特质，帮助学生综合评价自我、了解自己的学习情况；协助教师对学习者学习情况进行多渠道、多维度的精准分析，并有针对性地进行反馈，真正做到学生心中有数、教师因需干预。2学习资源个性化智能推送
个性化智能学习资源推送，就是以“行为系统”和“特征系统”中学习者的个体特征和历史学习行为为基础，为其建立“兴趣模型”，再进一步利用机器学习等人工智能技术为学习者主动的推荐符合他们兴趣和需求的学习资源。这也是“大数据+教育”环境下，解决由于学习者对海量学习资源缺乏检索与整合的能力、获取知识资源所花费的时间成本相对较高等问题的有效途径，提高学习者线上学习效率的重要举措［1］。
(1)野兴趣模型”建立
学习者“兴趣模型”的建立是个性化学习资源智能推送的前提和基础囱，它直接影响到推送的学习资源是否符合学习者的个性特征、是否满足学习者的真正需求遥一个“兴趣模型”应从显性和隐性两个方面来完成建立，即显性的学习者基本信息和隐性的学习者学习行为信息。
1冤学习者基本信息。学习者的基本信息，即学习者的姓名、性别、年龄、教育层次、知识水平、学习目标等信息，它们是学习者“兴趣模型”偏好的显性信息，是对学习者进行学习分类的基础数据，是交互式协作学习和学习资源推荐的基础遥
2)学习者学习行为信息。学习者行为信息，即学习者学习轨迹、学习风格等信息，它们是学习者“兴趣模型”偏好的隐性信息，是学习者的学习过程记录，它反映了学习者的学习方式及途径偏好，是为学习者推荐学习方案、学习策略的基础，是学习资源个性化推荐的重要依据。
(2)智能推送策略的构建
学习资源智能推送，就是基于学习者的“兴趣模型”，在“知识系统”中按特定的推荐策略寻匹配的资源、学习方案等信息，并生成个性化推荐，从而使学习者的个性化需求得到满足的过程。目前典型的智能推荐策略有基于内容的推荐、基于协同过滤的推荐、基于关联规则的推荐、基于聚类分析的推荐等几种类型冋。
通过对上述推荐策略的对比研究，发现基于内容的推荐策略，主要侧重于用户内容相似方面的推荐，对于用户的行为、爱好等个性特征考虑不全，与用户联系不够紧密，不能充分考虑用户的个性化学习特征，进而不能计算岀一组个性化的推荐结果；基于协同过滤的推荐策略，简单易实现、具有一定的智能性，但又存在的数据稀疏性等问题；基于聚类分析的推荐策略，计算量少，推荐响应速度快，但
随着系统的使用聚类规模将不断扩大，聚类的模糊性随之增大，推荐准度也随之降低；基于关联规则的推荐策略，即按照已经制定好的规则和学习者的“兴趣模型”，向他们推荐可能感兴趣的学习资源，这种推荐策略以规则为主，个性化欠缺。
因此，根据上述各机器智能推荐策略的特点，并结合面向社会学生生源的特殊性，本文采用“机器智能推荐+人工推荐”多种推荐策略相结合的混合型推荐策略来完成学习资源的个性化智能推送遥具体实现时首先采用基于内容的推荐算法，按照人才培养方案基于内容分析岀符合当前学习阶段的学习资源；然后采用基于协同过滤推荐算法，按照学习者的学习方式、学习途径等个性化学习喜好岀适合其个性化的学习资源；再按照一定的规则采用基于关联规则的推荐算法并结合教师人工推荐岀针对每个学生个性特点的、更具针对性的学习资源，最后按一个合适的权重对这些学习资源进行整合、排序，得到一个个性化程度最高且最适合学习者学习的学习资源列表，从而实现最终的学习资源个性化智能推送。使学习者在线上学习中能获取最适合自己的、最全方面的知识，且能使其获得的知识得到最大程度上的提高。具体如图2所示。
图2“机器智能推荐+人工推荐”多种推荐策略
相结合的混合型推荐示意图
这种采用“机器智能推荐+人工推荐”的多种推荐策略相结合的混合型推荐策略，不仅可以在学习资源智
能推荐的过程中充分发挥机器的智能性，还可以从管理者的角度岀发，根据每个学习者的特点对学习资源进行有针对性的人工推荐，帮助学习者挖掘岀新的兴趣点，以弥补由于机器推荐算法纯粹基于学生的特征进行匹配推荐而不能开发学习者新的兴趣点的缺陷，从而使推荐的学习资源更全面、更具有发展性、更能满足社会学生的学习需求，进而提高社会学生的全日制人才培养质量。
3结束语
本文通过“一标准一体系三系统”的数字化学习资源平台的构建，全面、系统地整合了适合社会学生的学习资源库；采用“机器智能推荐+人工推荐”相结的学习资源智能推荐策略，有针对性地将信息主动、及时推送给学生，提高了学生线上学习的效率和学校人才培养的质量。(下转第139
页)
《工业控制计算机》2021年第34卷第4期139
源程序“流水灯显示PLC控制梯形图.awl”。
2.2仿真与调试
利用S7-200系列PLC仿真软件对流水灯显示PLC控制
程序进行仿真与调试，基本操作步骤如下：
(1)设置CPU类型
打开S7-200系列PLC仿真软件，选择“配置(C)冶菜单中
的“CPU类型”命令，将虚拟PLC的CPU类型设为与源程序匹
配的CPU224。
(2)装载源程序
在S7-200系列PLC仿真软件中，选择“程序(P)”菜单中
的“载入程序…”命令，到“流水灯显示PLC控制梯形图.awl”，
单击“打开”按钮即可装载源程序。
(3)启动虚拟PLC
农夫山泉有桶装水吗选择“PLC(P)冶菜单中的“运行”命令或单击工具栏中的“运
行”按钮，单击“是(Y)”按钮将CPU设为运行状态。
(4)源程序仿真
将模拟输入开关I0.0设置为“0寅1寅0”(实现按钮功能)，
源程序运行，模拟输岀指示灯将会流水式显示，如图3所示。若
模拟输入开关I0.1设置为“0寅1寅0”(实现按钮功能)，模拟输
岀指示灯将会停止显示。
办公室管理
图3“流水灯显示PLC控制梯形图.awl”仿真界面
(5)监视仿真源程序
执行“查看(V)”菜单中“梯形图(OB1)”命令，或单击工具栏上的“State Program冶按钮回，打开仿真程序查看窗口，如图4所示，可以实时监视仿真源程序运行情况。
李易峰父母(6)编程元件状态值查看
执行“查看(V)”菜单中“状态表”命令，或单击工具栏中的野State Table”按钮寸，打开状态表窗口，如图5所示。在“地址”对话框中可以添加I0.0、I0.1、Q0.0、Q0.1等需要观察的编程元件地址，在“格式”对话框中选择数据显示模式，然后点击“开始”按钮，在“当前值”对话框中可以观察按照指定格式显示的指定编程元件当前状态值。
3结束语
S7-200系列PLC仿真软件作为学习S7-200系列PLC
(上接第130页)
参考文献
[1]齐锋华•大数据环境下学习资源智能化推送机制研究[J]•科技资讯，
2019,17(22):22,24
[2]梁陈丽•基于Web数据挖掘的远程教育资源推送系统[J].软件导
图4仿真源程序监视窗口
图5编程元件状态值观察窗口
的一个辅助工具，具有明显的优缺点：
1)优点：在实验条件尚不具备的情况下，完全可以实现PLC 控制程序的仿真与测试；
2)缺点：部分指令尚不支持，如顺序控制指令、循环指令、咼速计数器指令和通讯指令等，因而无法进行此类PLC控制程序的仿真与测试。
参考文献
[1]王立勇，姚贵宇•仿真PLC技术在PLC程序调试中的应用[J]•工业
邱萧婵控制计算机,2007(11)：72-73
[2]西门子中国•西门子S7-200PLC仿真软件使用手册咱K/OL].https：
//support」ndustry.s i a mans/cs/start?lc=zh-CN
[3]董威.S7-PLC SIM仿真软件在选煤厂PLC程序调试中的应用[J].
选煤技术,2015(2)：74-76
[4]李言武•可编程控制技术[M].北京：北京邮电大学出版社,2016(2)：
65-72[收稿日期：2021.1.12]
刊：教育技术,2018,17(2):45-47
[3]马波•大数据背景下精准信息推送在移动图书馆中的应用研究[J].
图书馆工作与研究,2017,1(2):57-60
[收稿日期：2021.1.31
]
发布评论