一種基于特征提取的教育視頻資源推送方法*

□文孟飛　胡超　于文濤　劉偉榮

?

一種基于特征提取的教育視頻資源推送方法*

□文孟飛胡超于文濤劉偉榮

摘要：豐富的網絡教育視頻資源滿足了學習者自主選擇學習內容、時間和地點的需求。然而資源自身及其平臺存在著內容質量參差不齊、優質教育資源匱乏、資源同質化、資源推送方式單一等問題，學習者難以快速高效地從海量的資源中獲取與自身需求相關的有價值的資源。為讓學習者高效獲取個性化教育視頻資源，在進行資源推送時，研究采用深度學習方法準確識別出視頻資源中的知識點，通過構造視頻中的知識點、視頻質量和學習者需求之間的特征向量作為支持向量機的輸入，由支持向量機決定是否將視頻資源推送給學習者。將學習者對推送結果的實際點擊率和學習者反饋的滿意度作為方法的性能評價指標。這種推送方法關注學習者的興趣需求和視頻特征的結合，能更好地滿足學習者的要求并提升學習效率，具有較大的應用潛力。

關鍵詞：教育視頻資源；特征提取；深度學習；支持向量機；推送方法

一、引言

信息技術的快速發展和廣泛應用深刻影響著人們的學習、工作和生活。互聯網已成為人們搜索、獲得和發布信息的重要平臺，其自由開放的特性極大程度促進了教育資源的共建共享，信息技術對教育教學的革命性影響日趨明顯，學習者通過信息化學習環境可以自主選擇學習內容、時間和地點，突破了傳統課堂教與學的模式。

教育資源在互聯網上同時以文本、圖片、聲音和視頻等多種形式呈現。其中，教育視頻資源以其豐富生動的音頻和圖像信息，最類似于課堂上聽和看的學習模式，吸引著眾多學習者和教師的關注與使用。當前MOOC、微課、翻轉課堂等的教育視頻資源在飛速增長，然而這些教育視頻資源為學習者提供豐富學習資源之時，也使學習者面臨這樣的一些問題（郭進成，2013）：教育視頻資源的內容質量參差不齊，優質教育資源少。教育資源共享平臺多數仍是以物為主，忽略了學習者的個性化特征，為不同的學習對象提供相同的學習資源，不能從根本上滿足用戶的個性化學習需求；教育資源雜而多，學習者需要花費更多的時間和精力來尋找對自己真正有用的那部分資源。尤其是對于缺乏專業的搜索能力的學習者，這一問題特別突出，大大降低了學習效率。

國內外已有學者對資源推送方法進行了探索（Resnick et al.，1997；許海玲等2009；Linden et al.， 2010），如基于內容的推送，基于關聯規則的推送，基于協同過濾的推送，基于知識的推送等。這些傳統的推送方法是研究推送的基礎，但由于單個算法都有自身的限制，不能直接用于信息量大、知識點豐富的學校教育視頻資源的推送上。因此亟需一種能根據學習者個性化需求，幫助和引導學習者快速獲取所需資源的推送方法。研究在內容推送的基礎上提出一種利用深度學習和支持向量機的基于特征提取的教育視頻資源推送方法，以實現向學習者推送有效資源的目的。

二、資源推送現狀及研究途徑

Resnick和Varian于1997年提出的個性化推送系統為網絡用戶的有用信息快速獲取帶來了希望。個性化推送系統根據用戶的個性需求特征主動地為用戶推送可能感興趣的信息資源，突破了傳統完全靠人力獲取資源的方式，其作為一種行之有效的獲取有效資源的方法而得到了眾多研究者和研究團體的廣泛關注。

推送系統中最常用的推送方法是基于內容的推送和基于協同過濾的推送。基于內容的推送系統有Personal Web Watcher（Dunja，1996），Syskill & Webert（Michael et al.，1998）等；基于協同過濾的系統有SiteSeer（James et al.，1997），Let's Browse（Lieberman et al.，1999）。這些原型系統對個性化服務的設計與實現具有指導作用，但也都存在著很多不足。基于內容的推送結果直觀且推送效率高，但難以區分資源的質量，只能根據用戶已有興趣發現相似興趣資源，不能發現用戶新興趣。基于協同過濾的推送能夠發現用戶潛在的興趣，但是不能準確識別相似用戶。

傳統推送系統的不足促使研究者對其進行相應的改進，并取得了一定的成果。CYCLADES（the Open Collaborative Virtual Archive Service Environment）系統采用基于用戶的協同過濾技術，提供面向一般性推薦服務，它能為不同教學中產生的學習活動提供推薦，不僅僅適用于一個社區（Avancini et al.，2004）。Tang和Mccalla提出一種自我進化的智能推薦系統，該系統通過分析用戶和系統的交互行為，從網上動態獲取學習資源并集成到系統中，為學習者實時提供有效的學習內容（Tang & Mccalla，2004）。邢春曉等在傳統協同過濾方法的基礎上提出基于時間的數據權重和基于資源相似度的數據權重兩種改進方案，從而及時反映用戶興趣變化（邢春曉等，2007）。何安（2007）提出協同過濾和聚類組合的推送方法，通過先將物品聚類，較好地減少數據稀疏性，再結合協同過濾方法來處理大量稀疏的數據。

以上算法均是針對單個推送算法的優化和兩種推送方法的組合，而多種算法的融合為推送算法的改進提供了新的思路。王宏宇（2007）通過融合算法設計新的推送算法，提出將機器學習中的貝葉斯網絡與統計學習方法應用于推薦算法融合，設計了一種支持向量機回歸實現的基于內容推薦的算法，提高了推送精度，減少了推送時間。但其研究中使用的是原始的貝葉斯網絡提取特征，其表達能力有限，并且其中的貝葉斯網絡主要用于構建用戶檔案模型。深度學習（Hinton et al.，2006）因其能夠自動識別出數據的特征，便于初始問題的特征提取，該方法能夠克服傳統特征提取方法存在的問題。中小學教育視頻資源豐富，亟需對視頻資源快速自動提取特征，進而進行有效地推送。支持向量機（Support Vector Machine，SVM）（張學工，2004）是一種基于統計學習理論的機器學習方法，通常用來進行模式識別、分類、以及回歸分析。

研究采用深度學習對視頻資源提取特征，然后構造視頻中的知識點、視頻質量和學習者需求之間的特征向量，作為支持向量機的輸入，再由支持向量機決定是否將視頻資源推送給學習者。這是一種基于深度學習和支持向量機的教育視頻資源推送方法，能向學習者推送有效的視頻資源。

三、推送系統架構

整個系統主要包括三個部分：用戶需求提取、深度學習視頻知識點識別和支持向量機推送。系統整體架構如圖1所示。

第一個部分為用戶需求提取，它的工作是通過采集和分析學習者的網絡行為來提取學生的網絡資源需求。用戶需求提取模塊是個性化推送的基礎模塊，負責收集用戶的學習信息。一方面通過在線學習情況調查獲取學生主動描述出來的顯式信息，例如學生的年級、課程學習情況以及考試成績等基本學習狀況；另一方面通過行為跟蹤收集用戶在資源使用過程中的隱式學習信息。行為跟蹤主要包括：（1）用戶的資源使用信息：通過用戶對資源的點擊、下載、收藏和評價等信息，選取用戶需要的學習資源，提取用戶對已有資源的需求描述。（2）用戶的資源搜索信息：通過搜索引擎日志（站內搜索和嵌套外部的，如Baidu，Google等）記錄用戶檢索的信息，采用Web挖掘技術（韓勃，2012）獲取用戶學習行為數據，在服務器端通過挖掘Web日志來跟蹤收集學生的學習行為數據；在客戶端則利用Cookie、安裝瀏覽器插件等方法進行數據采集，并根據這些行為數據分析學習者的學習興趣和偏重點。用戶信息收集模塊獲得的數據（包括基本信息、學習偏好、學習狀況）將用來對學習者進行建模。通過分析用戶模型所得到學習者對學習資源的需求描述將作為支持向量機的輸入。

第二個部分為深度學習視頻知識點識別。首先采用深度學習進行教育資源特征提取。采用深度自動編碼器利用無監督逐層貪心預訓練和系統性參數優化的多層非線性網絡，從無類標數據中提取高維復雜輸入數據的分層特征，并得到原始數據的分布式特征。深度自動編碼的學習模型分為輸入層、共享表示層以及輸出層。在輸入層通過采用稀疏玻爾茲曼機進行預訓練得到資源的特征模態。在共享表示層通過采用典型關聯分析方法找到特征模態的轉換表示，從而最大化模態之間的關聯性。最后，在輸出層得到深度學習模型所識別出來的教學中的知識點，把該知識點作為下一步支持向量機進行分類的輸入量。通過數據的訓練來確定隱藏層與輸入層之間的權值，優化支持向量機的工作性能，更好地呈現輸入數據的內容。

第三個部分為支持向量機推送部分。首先建立用戶與學習資源的聯系，形成特征向量。然后采用徑向基核函數分別構建支持向量機，最終實現學習資源的主動推送。基于支持向量機的學習資源推送算法主要有兩個階段：學習階段和學習資源推送階段。學習階段主要包括：學習資源預選取、建立訓練樣本集、選擇核函數、獲取相應參數。學習階段之后為資源主動推送階段的實施過程。系統的性能指標為學習者對推送結果的實際點擊率和滿意度。實際點擊率可由網站后臺統計得到，滿意度可以通過對學習者進行滿意度調查問卷得到。

圖1　基于深度學習和支持向量機的教育視頻資源推送策略

四、學習者建模

學習者建模是對學習者的學習特征進行描述的過程，推送系統中的學習者模型不僅包括學習者的姓名、性別等基本信息，還包括能夠反映學習者學習進度、知識水平及其個性化（如興趣、愛好）的信息，這為學習者推薦合適的學習資源提供了依據。

由此，研究中的學習者模型可從學習風格偏好、認知水平和測試評價等多個方面進行描述（黃俊，2013）。學習者模型的形式化描述如下：

學習者模型=｛基本信息，學習偏好，學習狀況｝

1.學習者基本信息

學習者基本信息包括姓名、性別、年級、擅長科目等，由學習者提供。

2.學習者個性化興趣特征

個性化興趣特征包括學習者對教學內容、教學方式、教學時間等方面的偏好，如學生喜歡詩詞類的學習內容，喜歡互動式教學，喜歡長時間學習。這類信息難以直接獲得，需通過對學習者的訪問記錄進行數據挖掘、分析訪問記錄中隱含的學習者個性化特征而獲得。

3.學習者學習狀況

學習狀況主要描述學習者的知識學習狀態，包括學習知識的廣度和深度。

（1）學習知識的廣度

知識點一般是由教學專家根據學科的特點和實際教學情況進行的系統、科學的劃分，以保證知識內容的局部完整性。研究采用知識點表示領域知識的最小完整單元。知識點可以構建學生的知識體系，也能在一定程度上反映出學生當前的知識廣度。因此而建立的學生的知識廣度模型如下：

其中，m1=｛a1，a2，…，an｝；m2=｛b1，b2，…，bn｝；…mn=｛m1，m2，…，mn｝；

式子a1～an，b1～bn，m1～mn都表示知識點的數值。當學習者學習了某個知識點，則該知識點的屬性值為1。反之，該知識點的屬性值為0。因此，如果測量該學習者所學某一課程的全部知識點，就能得到表示該學生某一學科的知識體系向量。然而，知識點之間的關系并不是完全獨立的，而是有依賴、繼承、分解等關系，由知識點構建的知識體系具有層次結構。因此，研究采用一個有層次之分的向量組表示學習者的知識廣度。

（2）學習知識的深度

不同階段的學習者學習的知識點不同，研究將中小學學習者分為12個階段（如下表所示）。

表　中小學學習階段的劃分

根據學生所處的年級，在知識深度的量化過程中，引入變量g表示學生所處的不同年級，變量取值是處于區間［1，12］的整數。

在一個學習階段里，即具有相同的g值，為了更好地考核學生對知識的掌握情況，一般系統會通過進行多次測驗來綜合評定。

其中，ci表示第i次測試的成績（假設每次測試的滿分均為100分）。wi表示一門課的各種測試中第i次測試占的比重，它的取值在［0，1］之間，必須滿足

綜合學習者的知識廣度和知識深度兩個方面，建立的領域知識模型為：

通過對學習者的學習偏好和學習狀況進行分析，得到學習者的學習需求，作為支持向量機的輸入。

五、基于深度學習的知識點提取

教育視頻中知識點的提取是進行其個性化推送的前提，研究采用基于深度學習的方法能有效并準確提取所需知識點。

圖2　深度自動編碼器學習模型

視頻是一種既包含音頻又包含圖像的合成資源，為根據視頻特征更準確識別知識點，研究采用多模態的識別方法，即將視頻資源的深度學習模型描述為視聽雙模態的特征學習，其中該模型的雙輸入分別是連續聲譜圖和視頻幀。

在進行知識點識別與提取前，需對所需要的相關資源的特征進行預訓練。預訓練過程采用稀疏限制玻爾茲曼機（Restricted Boltzmann Machines，RBM）。RBM是一個具有隱藏變量和可見變量的無向圖模型。隱藏變量和可見變量之間存在對稱性的連接，但隱藏變量之間或者可見變量之間沒有連接。并且可見變量作為實值單元，隱藏變量作為二值單元。研究采用對比差異來學習RBM模型的參數。同時為了調整該模型的稀疏度，我們鼓勵每一個隱藏單元采用正則懲罰時期具有預決定的期望激活。

視頻資源的深度學習模型采用基于稀疏理論的深度自動編碼器（Jiquan et al.，2011）。深度自動編碼器是一種利用無監督逐層貪心預訓練和系統性參數優化的多層非線性網絡從無標簽數據中提取高維復雜輸入數據的分層特征，并得到原始數據的分布式特征表示的深度學習神經網絡結構，其主要工作是復現輸入內容。當自動編碼器的輸入為無標簽數據時，其首先需要經過一個輸入數據編碼的過程，將該編碼作為輸入的一個表示，然后再進行表示的解碼，這樣就可以獲得輸入數據的信息，如果該解碼信息與原始輸入信息相像，可以肯定編碼的過程是可靠的，進而調整編碼與解碼過程的權重，進一步減小信息重構的誤差，提高知識點識別的準確度。

基于稀疏理論的深度自動編碼器對原始自動編碼器的隱含層添加了約束條件并增加了隱含層數量，因而當隱含層神經元的數量很大時，該類自動編碼器依然能發現輸入數據的結構特征。該深度自動編碼器能提取高維數據變量的稀疏解釋性因子，保留原始輸入的非零特征，增加表示算法的魯棒性，增強數據的線性可分性，使分類邊界變得更加清晰，并且能在一定程度上控制變量的規模，改變給定輸入數據的結構，豐富原有信息，提高信息表述的全面性和準確率。

基于以上分析，研究提出一種基于深度自動編碼器的知識點提取方案，如圖2所示。

該學習模型分為輸入層、共享表示層以及輸出層。

輸入層：為視頻資源的兩個特征模態，即聲譜波和視頻幀，該兩個特征采用稀疏玻爾茲曼機進行預訓練。

共享表示層：這一層的關鍵是找到特征模態的轉換表示，從而最大化模態之間的關聯性。研究采用典型關聯分析（Canonical Correlation Analysis，CCA）的方法尋找聲譜波和視頻幀數據的線性轉換，從而形成性能優良的共享表示。

其中，典型相關分析有助于綜合地描述兩組變量之間的典型相關關系，先將較多變量轉化為少數幾個典型變量，再通過其間的典型相關系數來綜合描述兩組多元隨機變量之間關系的統計方法。運用典型相關分析，其基本程序是從兩組變量各自的線性函數中各抽取一個組成一對，它們應是相關系數達到最大值的一對，稱為第1對典型變量，類似地就可以求出第2對、第3對……，這些成對變量之間互不相關，各對典型變量的相關系數稱為典型相關系數。所得到的典型相關系數的數目不超過原兩組變量中任何一組變量的數目。共享層采用典型相關分析方法，目的是最大程度發現聲譜波和視頻幀數據兩者之間的關聯點，進而應用深度學習更精準地識別教育視頻中的知識點。

輸出層：輸出該深度學習模型所識別出來的教學視頻中的知識點，該知識點作為下一步支持向量機進行分類的輸入量。

綜上所述，深度自動學習編碼模型的工作流程如下：首先利用稀疏玻爾茲曼機對視頻資源進行預訓練，得到視頻資源的兩個特征模態，即聲譜波和視頻幀；然后利用典型關聯分析方法找到聲譜波和視頻幀數據的線性轉換并形成優良的共享表示；最后輸出該視頻中包含的知識點，作為支持向量機的輸入。

六、基于支持向量機的個性化學習資源推送設計

研究采用SVM技術對含有深度學習提取到的特征信息的學習資源進行主動推送，但并不是所有的資源都要進行推送。其關鍵問題是選擇哪些資源進行推送。研究的目的是根據用戶的特征進行資源的匹配性推薦，即推薦適合用戶的信息。通過建立學習資源與用戶需求的關聯，在學習資源庫中智能化選擇最適合該學習者的學習資源，并進行主動推送。

為了更好地實現學習資源的個性化推送，首先需要建立起用戶需求與學習資源的聯系，并形成特征向量。然后采用徑向基核函數構建支持向量機，最終實現學習資源的個性化推送。基于支持向量機的學習資源推送算法主要包括學習階段和學習資源推送階段。

1.用戶需求與學習資源之間的關聯

基于支持向量機的資源推送主要通過知識點來建立用戶需求與學習資源之間的關聯。知識點是教學活動過程中傳遞教學信息的基本單元，包括理論、原理、概念、定義、范例和結論等。一門課程的學習可以看成是對一系列知識點的學習過程。

為了更清晰地建立用戶需求與學習資源之間的關聯，需要描述知識點之間的關系。知識點之間的關系包含從屬關系和支持關系。在從屬關系中，不包含任何其他知識點的稱為元知識點；而包含其他知識點的稱為復合知識點。知識點的支持關系是指知識點的先修后修關系，因為學習是一種循序漸進的過程，知識點在學習過程中具有一種必然的先后銜接關系。一個知識點當前是否可學習往往取決于另一些知識點是否學習過，或者說后者是前者的預備知識。在學習某一知識點之前必須先學習相關的另一知識點，這兩者之間的關系即為先修關系。在學習某一知識點之后，由本知識點直接支持的知識點，這兩者之間就直接構成了后修關系。

圖3　某課程知識結構分解圖

通過支持關系構建的知識點關系圖是一個有向無環圖（DAG）（林海平等，2010），如圖3所示。課程中的實例、解說等學習對象統稱為學習資源，并將每個學習對象用“隸屬”關系隸屬于某個知識點，由此構成圖3所示的某課程知識結構分解圖。其中，課程知識域數據庫（KDDB）包含了課程中所有的知識點，并定義各知識點之間的關系；學習對象數據庫（LODB）包含此課程的所有學習資源對象，并定義每個學習對象與知識點的隸屬關系。根據知識點劃分的顆粒度不同，可分為復合知識點F和元知識點Y。

學習資源主要由學習資源包含的知識點列表（Slist）和學習資源難度（N）、學習視頻的清晰度（Q）以及點擊率（Sq）來進行形式化的描述。學習資源與用戶需求的絕對距離AD（S，R）表示學習資源與用戶所需的知識點的相關性，即前面所描述的支持程度，絕對距離越大則表示相關性越小。而學習資源與用戶需求的相對距離AD（S，R）主要表示學習資源中知識點與用戶需求中知識點的先修后修關系。用戶需求的知識點包括用戶瀏覽記錄和所提供的關鍵詞，用Rlist表示用戶需求的知識點列表。

2.特征向量的選擇

資源是否推送可以通過支持向量機進行學習分類，因此需要構造特征向量作為支持向量機的輸入。當用戶瀏覽資源后，系統可根據其瀏覽的學習資源記錄關鍵詞，同時根據其需求主動推送學習資源。因此，需要構造學習資源與用戶需求的特征向量主要包括：學習資源與用戶需求的絕對距離、相對距離，學習資源的學習難度，學習資源的清晰度及點擊率。

3.基于支持向量機的個性化學習資源推送設計

（1）支持向量機原理

SVM是從線性可分情況下的最優分類面發展而來的，基本思想可用圖4的兩維情況說明。圖中圓形和方形分別代表兩類樣本，H為分類線，分別為各類中離分類線最近的樣本且平行于分類線的直線，它們之間的距離叫做分類間隔。所謂最優分類線就是要求分類線不但能將兩類正確分開（訓練錯誤率為0），且能使分類間隔最大。

對于非線性問題，可以通過非線性變換轉換為某個高維空間中的線性問題，再變換空間求最優分類面。對于非線性數據集，SVM可通過一種核函數將非線性空間映射到高維空間而實現線性分類。

圖4　線性可分情況下的最優分類線

目前SVM最常用的核函數主要有三類：線性核函數、多項式核函數和徑向基（RBF）核函數。這些核函數中RBF應用最廣，無論是小樣本還是大樣本，高維還是低維等情況，RBF核函數均適用。相比其他的函數RBF，核函數具有以下優點：

其一，RBF核函數可以將一個樣本映射到一個更高維的空間，而且線性核函數是RBF的一個特例，換言之，如果考慮使用RBF，就沒有必要考慮線性核函數了。

其二，與多項式核函數相比，RBF需要確定的參數要少，核函數參數的多少直接影響函數的復雜程度。另外，當多項式的階數比較高時，核矩陣的元素值將趨于無窮大或無窮小，而選擇RBF會減少數值的計算困難。

（2）推送的實現

推送主要分為學習階段與學習資源主動推送階段。

學習階段的實施過程包括：預選取學習資源、建立訓練樣本集、選擇核函數、獲取相應參數。

預選取學習資源：根據用戶的瀏覽記錄，系統將根據相關原則預選取一些資源，推薦給用戶。

建立訓練樣本集：每一個預挑選出來的學習資源與用戶需求生成特征向量，如果用戶點擊選取了此學習資源，則歸類為1，否則歸類為0。

選擇核函數：依據麥瑟（Mercer）定理按實際情況為SVM選擇適當的核函數相關參數，作為高維特征空間在低維輸入空間的等效形式。選擇適當的核函數可將復雜特征空間映射到一個簡單的高維空間，且高維空間中兩特征向量間的點積可由核函數在低維特征空間中對應兩特征向量計算而得到，這樣降低了分類器的復雜度，而不用擔心由于引入核函數而引起的維數災難。

獲取相應參數：通過訓練樣本集，求解二次規劃式，獲得每一個SVM的支持向量及相應的拉格朗日（Lagrange）乘子。

資源主動推送階段的實施過程是：首先導入前面學習階段所獲得的參數，包括訓練樣本數據、每個樣本對應的拉個朗日乘子以及支持向量等。然后在用戶每次瀏覽后預選取若干個學習資源，將每個學習資源與用戶需求和資源質量（包括資源的學習難度、清晰度和點擊率）生成輸入特征向量（RD （S，R），AD（S，R），N，Q，Sq），根據分類函數計算其輸出值（0或者1）。最后是資源的推送，將輸出結果為1的特征向量中的學習資源推薦給用戶。

七、結論

為提高教學資源的利用率和資源獲取的效率，研究提出了一種基于深度學習和支持向量機相結合的方法對網絡上大量學習資源進行推送。針對以往基于資源推送系統中很多資源上傳者在描述資源時，只是簡單地描述內容信息，沒有全面、詳細地描述導學資源介紹的相關知識的問題，采用深度神經網絡和支持向量機相結合的方式對缺少分類和標簽信息的教育資源實現推送。采用深度自動編碼器，進行資源的深度共享，從而有效準確識別出教學資源中的知識點，然后構造資源的知識點、質量和用戶需求之間的特征向量，作為支持向量機的輸入，根據支持向量機中的分類函數決定是否推送，實現資源根據用戶需求自動推送。通過學習者對推送結果的實際點擊率和滿意度作為方案的性能評價指標。這種方案關注學習者的興趣需求和視頻特征的結合，具有廣泛的市場前景和應用潛力。

參考文獻：

［1］郭進成（2013）.基于本體的教育資源推送服務研究［D］.呼和浩特:內蒙古大學: 1.

［2］韓勃（2012）. E-Learning環境中學習行為挖掘的設計與實現［D］.濟南:山東大學: 4-11.

［3］何安（2007）.協同過濾技術在電子商務推薦系統中的應用研究［D］.杭州:浙江大學: 28-38.

［4］黃俊（2013）.基于學生特征模型的教育云資源推送技術［D］.廣州:華南理工大學: 19-23.

［5］林海平，檀曉紅，申瑞民（2010）.基于知識結構圖的個性化學習內容生成算法［J］.上海交通大學學報，（3）:418-422.

［6］邢春曉，高鳳榮，戰思南（2007）.適應用戶興趣變化的協同過濾推薦算法［J］.計算機研究與發展，（2）:296-301.

［7］許海玲，吳瀟，李曉東（2009）.互聯網推薦系統比較研究［J］.軟件學報，（2）: 350-362.

［8］王宏宇（2007）.商務推薦系統的設計研究［D］.合肥:中國科學技術大學: 108-123.

［9］張學工（2004）.關于統計學習理論與支持向量機［J］.自動化學報，26（1）:32-42.

［10］Avancini，H.，& Straccia，U.（2004）. Personalization，Collaboration，and Recommendation in the Digital Library Environment Cyclades［A］. Proceedings of the IADIS International Conference Applied Computing（AC-04）［C］. Lisbon，Portugal: IADIS:589-596.

［11］Dunja，M.（1996）. Personal Web Watcher: Design and Implementation［R］.Departmentof Intelligent Systems JStefan Institute.

［12］Hinton，G. E.，& Salakhutdinov，R. R.（2006）. Reducing the Dimensionality of Data with Neural Networks［J］. Science，313（5786）:504-507.

［13］Lieberman，H.，Dyke，N. V.，& Vivacqua，A.（1999）. Let's Browse: A Collaborative Browsing Agent［J］. Knowledge-Based Systems，12（8）:427-431.

［14］Linden，G.，Smith，B.，& York，J.（2010）. Amazon.com Recommendations: Item-to-Item Collaborative Filtering［J］. IEEE Internet Computing，7（1）:76-80.

［15］James. R.，& Marcos，J. P.（1997）. Siteseer: Personalized Navigationforthe Web［J］.Communicationsofthe ACM，40（3）:73-75.

［16］Jiquan，N.，Aditya，K.，& Mingyu，K. et al.（2011）. Multimodal Deep Learning［A］. Proceedings of the 28th International Conference on Machine Learning（ICML-11）［C］. Bellevue，Washington，Usa:689-696.

［17］Michael，P.，Jack，M.，&Daniel，B.（1998）. Syskill & Webert: Identifying interesting web sites［C］. Thirteenth National Conference on Artificial Intelligence-volume.23（4）:54-61.

［18］Resnick，P.，& Varian，H. R.（1997）. Recommender Systems［J］. Communications of the ACM，40（3）: 56-58.

［19］Tang，T.，& Mccalla，G.（2004）. Evaluating a Smart Recommender for an Evolving E-learning System: A Simulation-Based Study［A］. Tawfik，A. Y.，& Goodwin，S. D.（2004）. Advances in Artificial Intelligence［M］. Springer Berlin Heidelberg:439-443.

The Implementation of Educational Video Resources Recommendation Method Based on Feature Extraction

Wen Mengfei，Hu Chao，Yu Wentao，Liu Weirong

Abstract:The plentiful network educational video resources meet the demand of learners to select learning content，learning time and learning place by themselves. However，it's difficult for learners to obtain worthwhile resources associated with their needs from the massive resources quickly and efficiently because of some problems existing in the resources or the resources platform such as the varied quality of resource content，the scarcity of high-quality educational resources，resources homogenization，the single mode of resources pushing. To allow learners to get personalized educational video resources efficiently，when recommending resources，this research uses deep learning method to identify the knowledge points of video resources accurately. Then the feature vector structured by the knowledge points of video resources，video quality and the needs of learners serves as the input of the support vector machine，which is responsible for deciding whether to recommend video resources to the learners or not. The performance evaluating indicators of this proposed method includes the actual click rate of the recommended resources by learners and the satisfaction degree fed back by learners. This proposed method focuses on the combination of the learners' interests and video features，which can better meet the requirements of learners and enhance the ability of learners with great potential in application.

Keywords:Educational Video Resources；Feature Extraction；Deep Learning；Support Vector Machine；Recommendation Method

收稿日期2016-03-25責任編輯曾艷

作者簡介：文孟飛，博士，副教授，湖南省教育科學研究院（湖南長沙410005）；胡超（通信作者），博士，講師，中南大學信息與網絡中心（湖南長沙410083）；于文濤，博士，中南林業科技大學計算機與信息工程學院（湖南長沙410018）；劉偉榮，博士，副教授，中南大學信息科學與工程學院（湖南長沙410083）。

*基金項目：湖南省教育科學“十二五”規劃重點資助項目“云計算環境下基礎教育優質數字資源建設與應用研究”（XJK014AJC001）；國家自然科學基金項目“云計算中資源共享的分層博弈聯盟形成與定價機制研究”（61379111）。

中圖分類號：G434

文獻標識碼：A

文章編號：1009-5195（2016）03-0104-09 doi10.3969/j.issn.1009-5195.2016.03.012