移動互聯網環境學習內容推薦研究

朱曉亮++王俊

摘 要 綜述移動學習內容推薦關鍵技術，建議利用上下文情景與社交網絡等信息構建移動云學習環境下內容推薦框架，以實現移動推薦結果的精確性和多樣性之間的平衡。

關鍵詞 移動學習；內容推薦；協同過濾；學習行為

中圖分類號：G652 文獻標識碼：A

文章編號：1671-489X（2016）24-0001-05

A Review of Research on Content Recommendation based on Mobile Learning Environment//ZHU Xiaoliang， WANG Jun

Abstract This paper summarizes the key technologies of mobile learning content recommendation and proposes how to construct con-

tent recommendation framework for mobile cloud learning to achieve

the balance between accuracy and diversity of mobile recommenda-tion results based on information of context and social networks.

Key words mobile learning； content recommendation； collaborative filtering； learning behavior

1 前言

移動互聯網的發展為教育信息化帶來新的挑戰。一方面，伴隨著越來越多的學習資源自然分布在網絡上，移動設備帶來的便捷性使隨時隨地自主學習成為可能，參與移動學習社區正成為一種趨勢；另一方面，移動設備的移動性、位置性、分布性等特性也明顯加劇了信息過載問題[1-2]。

因此，在移動網絡學習應用中有必要引入個性化學習推薦，為學習者提供更加便利的知識服務，幫助學習者更加有效地獲取學習內容、提高學習效率[3]。

一般而言，推薦系統是在收集用戶既往信息的基礎上分析用戶的興趣愛好和行為習慣，從而將感興趣的信息主動推薦給用戶。然而，移動互聯網環境下終端設備在自身資源、處理能力等方面的局限性使得適合傳統互聯網用戶的推薦方法并不能直接應用到移動推薦中。移動推薦系統需要深入了解用戶的需求并進行精準的信息推送，主要難點則在于大大減少用戶與移動設備的復雜交互，并通過智能化方式理解用戶意圖來自動完成信息推送。這需要面臨兩大挑戰[4]：一是如何從大規模異質移動數據中分析數據特點、總結學習者的行為模式；二是如何利用所發掘的數據特點和行為模式設計可靠的推薦策略。

針對上述挑戰，一方面，移動推薦系統需要綜合考慮移動性、位置性、分布性等特性信息[5]。其中，移動性考慮了用戶移動性、設備移動性和無線連接性；位置性指移動推薦系統的應用場景較靈活且用戶對推薦內容的位置往往具有明確要求；分布性指移動用戶分散，需要分布式設計支持他們之間進行自治的數據交換并采用簡潔算法完成推薦任務。由于上述特性，移動推薦有必要借助移動互聯網環境下的時間、空間等與相關用戶的行為密切相關的上下文信息來增強應用的效果。

另一方面，社交網絡的出現已基本改變了互聯網的組成方式，而移動互聯網的發展也大大推動了移動學習社區擴散的過程。諸多學者已經證明隨著對學習社區的投入程度和學習時間的增加，學習者學習意愿也不斷增加[6-7]。因此，協作學習的相關信息將成為移動學習推薦的重要支撐之一。再者，結合移動網絡的特性，推薦列表的多樣性對用戶感知系統有用性和易用性也有著積極和重要的影響[8]。

多樣性主要包括個體多樣性、總體多樣性和時序多樣性。其中，個體多樣性主要從單個用戶的角度考查系統能夠找到用戶喜歡的冷門項目的能力；總體多樣性則主要強調針對不同用戶的推薦應盡可能地不同；時序多樣性主要指用戶偏好會適應用戶興趣的動態進化或用戶情境的變化而發生改變。因此，如何盡可能地利用好上下文情境和社交網絡等信息，實現移動推薦結果的精確性和多樣性之間的平衡，這是研究者需要關注的問題[8]。

本文將結合現有研究，對移動環境下數字化學習資源推薦技術開展綜述與分析。文中第二節總結了相關技術，第三節對移動學習推薦系統進行了詳細分析，第四節描述了一種移動云學習內容推薦框架，第五節對全文進行了總結。

2 相關研究

內容推薦技術 常用的內容推薦算法包括基于協同過濾的推薦算法、基于內容的推薦算法、基于關聯規則的推薦算法與混合推薦算法等[3-5]。其中，基于協同過濾的推薦技術根據用戶評分矩陣來計算用戶之間的相似性，并通過相似用戶的評分預測當前用戶的未評分項的評分；基于內容的推薦則根據用戶已知的信息挖掘當前用戶的偏好來推薦其可能感興趣的信息；基于知識的推薦則使用知識結構描述用戶的行為和偏好來實現推薦；混合推薦系統則結合上述多種推薦技術的優點以獲得更好的精度、性能和通用性[5]。

在上述研究中，協同過濾算法是移動學習推薦中的研究熱點之一[5]。協同過濾算法主要分為基于內存的方法和基于模型的方法兩類。基于內存的協同過濾推薦算法主要關注用戶或項目之間的相似關系；基于用戶的協同過濾推薦算法則關注用戶的歷史數據，如用戶評分數據、瀏覽數據等，計算用戶之間的相似度，核心思想是選擇最相似的用戶作為鄰居，利用相似鄰居的偏好進行預測。協同過濾推薦系統中需要解決的是普遍存在評分數據稀疏問題，即用戶評價或查看的項目遠遠小于用戶未評價或未查看的項目。

具體到移動推薦技術如何提高推薦準確度，需要結合信息過濾技術、決策支持技術來解決信息過載問題[5]。其核心是在移動數據稀疏的情況下更為精確地估算預測用戶對未知信息的主觀評分，如通過收集用戶行為數據、建立偏好模型、根據用戶的行為和偏好對不同用戶的同類需求推薦選取個性化內容等[5]。然而，移動環境下的空間數據復雜性較高，并且用戶的上下文信息更加模糊[9]。因此，社交網絡協作學習的引入至關重要[10]。

協作學習是一個以學生為中心的學習的過程，包括學習任務和方法的實施與交流。協作學習的優勢在于溝通、人際關系和社會合作、分享、關懷、開放、創新、管理、務實、責任、參與等。在移動學習中納入協作學習，有利于提高學習效率和可持續性[11]。然而，如何實現移動學習相關社交活動數據的結構管理，是實現學習內容過濾的一個需要解決的關鍵問題[11]。結合處理上下文與社交化學習信息為移動學習內容推薦提供了較好的解決思路。

目前研究主要包括：利用地理上的接近來采用鏈路預測方法為用戶推薦好友信息；根據上下文信息判斷用戶間的親近程度，從而構建用戶的社交網絡；采用語義網的本體語言挖掘移動用戶間隱含的社會關系；等等[2]。如胡勛（2014）等將項目的相似性、移動用戶的相似性和移動用戶的社會關系網絡融合到推薦模型，構建基于啟發式的方法，將項目相似性和移動用戶信任關系與協同過濾算法融合，利用教育數據挖掘（Educational Data Mining，EMD）

方法實現融合項目特征的移動用戶相似度計算，繼而基于移動用戶的相似網絡和信任網絡構建鄰居集合并進行推薦[12]。

上述研究為所述問題的解決提供了借鑒。

網絡學習行為分析 網絡學習行為是指學習者在由現代信息技術所創設的、具有全新溝通機制與豐富資源的學習環境中開展的遠程自主學習行為，行為的發生、發展以及變化由學習者自己控制[13]。主要行為包括：學習者借助網絡提供的交流工具自主進行主題研討和交流；學習過程中獲取來自教師、學習支持系統等的支持和幫助；形式上可分為探索性學習、投入型學習、體驗型學習、激勵性學習、擴展性學習與有效性學習等幾大類[13]。網絡學習行為是用于數字化學習內容推薦的重要指標之一。

隨著網絡學習平臺技術的不斷完善，一些學者嘗試構建網絡學習行為模型，跟蹤和分析網絡學習者的操作行為。例如：文獻[13]構建了一種以學習者為中心的學習行為分析模型，用來分析學習者的學習需要、學習興趣和學習行為習慣；文獻[14]提出構建用戶學習需求清晰度模型；文獻[15]嘗試通過分析學習者的瀏覽行為，進而確定學習者的學習風格；文獻[16-17]等借助網絡學習者的學習需求、學習行為記錄和個性特征等，探討學習者的學習績效評價方式。近年來隨著社交網絡的興起，學者開展了學習社區行為分析等研究[18]。

大數據云計算——Hadoop Hadoop是仿照谷歌類似系統開發的云計算開源框架（Hadoop MapReduce/HBase/HDFS）

中的重要組成部分之一，它為數字化學習資源推薦的分布式操作奠定了基礎。其中，HDFS為上層非結構化存儲提供高性能、高并發服務；HBase負責提供結構化數據服務的分布式數據庫；Hadoop MapReduce是一種并行計算的編程模型，用于作業調度，可將一個大作業拆分為多個小作業的框架（兩者本質相同，僅規模不同），而用戶需要做的只是決定拆成多少份以及定義作業本身，從而大大降低分布式系統的編程工作難度。

3 移動學習推薦系統分析

數字化學習推薦系統通常是在已知學習行為特征進行智能感知基礎上實現高質量學習資源推薦的智能軟件系統，目的是協助學習者選擇合適的課程、知識點關聯的學習材料或學習活動等信息[20]。數字化學習推薦系統的基本要素包括事件、會話和推薦過程[19]。其中，事件是由用戶執行的操作所引起的系統調用；一系列事件構成會話，如每點擊一個超鏈接就生成一個新的事件會話；推薦過程是產生一組推薦所要執行的操作序列[19]。

數字化學習推薦系統的功能通常包括[20]：使用網絡分析技術，收集學習者的配置文件并確定其個性化需求；收集學習目標的元數據與識別功能；獲取相關的學習者與學習者匹配程度的知識學習目標，并采用一些先進的技術實現匹配的過程。數字化學習推薦系統大體可以分為兩類：基于學習者興趣的學習資源推薦系統和基于教學策略的學習資源推薦系統[20]。在此基礎上，筆者總結了每一類不同策略的基本描述和案例，如表1所述。

由文獻分析，基于情境感知理論的數字化學習形態正成為主流，在此基礎上研制的協同過濾系統融合了多種推薦策略的優點。如文獻[1]提出一種混合的推薦系統，為用戶的學習過程推薦學習項目。該方法包括兩個步驟：首先使用基于項目的協同過濾發現內容相關的項集；然后根據共同學習序列，應用項目集的序列模式挖掘進行過濾算法。文獻[32]則提出一個模糊語言的推薦系統，以方便學習者訪問對他們感興趣的數字化學習資源，具體要求是滿足學生的具體需求、促進并引導學生開展關聯學習、改進教學過程；文獻[33]提出一個上下文感知的建議框架，包括上下文感知的協同過濾與基于圖的聚類技術和矩陣分解的上下文建模相結合的方法以及平均預測評級方法；文獻[29]提出一種個性化的上下文感知學習系統以提高學習效率。

同時，基于云計算的推薦服務，可以依賴先進的人工智能機制，從用戶所在的不同社交網絡匯總數據，推斷知識和興趣，從而為移動學習注入新的動力[3-6] 。如文獻[34]基于先進的以人工智能為基礎的結構和算法，提出一種知識評估方法和相應的推薦系統。此外，組推薦技術也可以通過檢測組用戶并聚類，然后在最大可用數量限制條件下產生足夠的推薦列表[35]。

4 移動云學習內容推薦框架

由上述文獻分析，針對其特點，移動學習推薦系統將圍繞基于情境感知理論與云計算開展工作。在文獻[3]工作的基礎上，筆者拓展其通用模型。模型采用SOA架構設計，可分為平臺層、服務層、應用層（如圖1所示）。其中，平臺層負責實現教育云環境下分布式學習行為與學習偏好分析的計算；Hadoop作為分布式資源云推薦的基礎架構，包括基于HDFS的存儲優化與基于MapReduce的云計算功能。應用層負責學習推薦服務，包括用戶推薦列表的呈現與個性化查詢的輸入接口。服務層實現學習推薦引擎與服務接口功能，服務接口包括推薦接口與查詢接口。

服務層核心部分在于通過反饋系統從Hadoop基礎架構獲取行為感知、社交感知、語義感知信息的基礎上運行協同過濾，完成基于情境感知的學習內容推薦引擎功能。學習者偏好分析與推薦算法是推薦系統的核心，學習者偏好分析通過對行為感知、社交感知、語義感知的綜合信息分析構建數據模型，進而應用推薦算法實現個性化推薦目標。其中，行為感知目標是獲取學習者既往應用學習資源過程中的個體學習行為特征；社交感知目標獲取協作學習的共性特征；語義感知目標是獲取虛擬學習環境中多粒度學習對象的語義特征。

實施中系統功能將分為服務端與移動應用程序兩部分。服務器端收集用戶上下文感知即學習行為、語義檢測與社交學習參與信息，完成學習者偏好分析與協同推薦算法；移動應用程序則負責學習者行為信息的上傳與推薦服務的終端呈現。具體實施按照以下步驟。

首先，語義感知子系統依據反饋系統構建一個共同的抽象的整體知識庫，涵蓋了對應領域知識的相關知識語義本體及關系。該子系統可借鑒基于先進的人工智能為基礎的推薦算法[34]。

其次，社交感知子系統則根據課程主題組或者論壇參與情況并輔助于K-近鄰算法確定群組關系，同時構建具備群組特性的行為隱性反饋信息。

最后，借鑒文獻[36]改進的行為感知子系統通過反饋系統獲取用戶交互信息，并結合社交化學習類隱性信息構建隱式反饋數據庫，進而通過顯式映射實現顯式反饋，再進行數據庫信息比對，完成數據推薦（如圖2所示）。

上述步驟中，行為感知是協同推薦的關鍵技術。首先，引入Edward Rolando定義的移動電子書瀏覽用戶行為評價對象（如表2所示），并采用用戶交互行為轉化算法來確定用戶行為Ai（i=1，...，11）的分值[36]。

其次，在Ai分值確定的基礎上，實現隱性評價的顯式映射。Edward Rolando定義評價矩陣向量u（i，j）表示第i個用戶對第j個內容的評分，則[36]：

若已評價則取值A1為顯式評分，反之取值S為隱性評分，其獲取方法如下[36]：

式中Pk為對除去A1外的Ak用戶行為的權重，且 0≤Pk≤1，（3）。

N表示完成的行為的總次數：

Pr是A2...An的中第i個用戶在第j個內容不執行的動作重新分配的Pk權重：

其中，Q（Ak）即未評價時給予固定的P值：

5 總結

由于移動終端的特殊性，移動云學習中的“知識迷航”有加劇趨勢，而內容推薦技術為之提供了一條便捷之路。簡而言之，教育目標的準確性與推薦技術的模糊性存在天然的矛盾，為了改善移動學習內容推薦的效果，需要另辟蹊徑。通常，用戶行為數據體現了用戶學習的情境與社交特征，是移動云學習過程控制的關鍵要素之一。通過內容推薦技術與云計算技術相結合構建社交學習情境，是未來移動學習的發展方向之一。考慮到移動學習環境加劇了用戶行為數據的稀疏性，引入上下文行為、語義與社交網絡信息是發掘情境學習特征的關鍵。因此，基于行為感知、社交感知、語義感知，以協同過濾算法為核心的內容推薦方案具有一定的研究價值，其優勢在于在提高推薦精度的前提下最大限度地增強推薦的多樣性。

在后續工作中，筆者將圍繞華中師范大學“StarC云課堂”展開實證研究，從而探索協同推薦的權重設置策略以及有效降低推薦運算復雜度的便捷機制。

參考文獻

[1]Chen W， et al. A hybrid recommendation algorithm adapted

in e-learning environments[J].World Wide Web，2014，17（2）：

271-284.

[2]朱煦，陳志奎，凌若川.一種移動上下文感知的好友推薦方法[J].小型微型計算機系統，2015，36（4）：744-748.

[3]王萍，劉玲.基于PaaS云模式的學習推薦系統研究[J].中國教育信息化，2013（3）：78-81.

[4]桑基韜，梅濤.移動環境中基于情景的個性化推薦[EB/

OL].[2013-07-08].http：//www.ccf.org.cn/sites/ccf/nry.jsp？con

tentId=2746457350432.

[5]劉嘉，都興中，陳振宇，等.移動推薦研究綜述[J].情報科學，2012（10）.

[6]Stantchev V， Prieto-González L， Tamm G. Cloud computing service for knowledge assessment and studies recommendation in crowdsourcing and collaborative learning environments based

on social network analysis[J].Computers in Human Behavior，

2015（51）：762-770.

[7]Chao H C， et al. A M-Learning Content Recommendation Service by Exploiting Mobile Social Interactions[J].TLT，2014，

7（3）：221-230.

[8]安維，劉啟華，張李義.個性化推薦系統的多樣性研究進展[J].圖書情報工作，2013，57（20）：127-135.

[9]宋樂怡，熊輝，張蓉.下一代移動推薦系統[J].華東師范大學學報：自然科學版，2013（3）：37-45.

[10]Santos O C， Boticario J G. User-centred design and educa-

tional data mining support during the recommendations elicita-tion process in social online learning environments[J].Expert Systems，2015，32（2）：293-311.

[11]Asabere N Y. Review of Recommender Systems for Learners

in Mobile Social/Collaborative Learning[J].ICT Journal，2012，

2（5）：429-431.

[12]胡勛，孟祥武，張玉潔，等.一種融合項目特征和移動用戶信任關系的推薦算法[J].軟件學報，2014（8）：1817-1830.

[13]丁旭. E-Learning平臺上基于學習行為分析的個性化教學系統的研究與實現[D].沈陽：東北大學，2008.

[14]Sun L， Ousmanou K， Williams S. Articulation of Learners

Requirements for Personalised Instructional Design in E-Learning

Services[J].Lecture Notes In Computer Science，2004，3143：

424-431.

[15]Lo J， Shu P. Identification of learning styles online by ob-

serving learnersbrowsing behaviors through a neural network

[J].British Journal of Educational Technology，2005，33（1）：

43-55.

[16]解冬青.網絡學習的個性化評價系統的研究與設計[D].上海：華東師范大學，2011.

[17]Lee W， Shih B， Tu L. The application of KANOs model for improving Web-based learning Performance[C]//Proceedings of the 32nd IEEE Frontiers in Education Conference. New York，

2002：27-32.

[18]李丹立.E-learning中基于聚類算法的多維度學習社區的研究[D].上海：上海交通大學，2011.

[19]Anandakumar K， Rathipriya K， Bharathi A. A Survey on

Methodologies for Personalized E-learning Recommender Sys-

tems[J].International Journal of Innovative Research in Com-

puter and Communication Engineering，2014，2（6）：4733-4738.

[20]Lu J， et al. Recommender system application developments： A survey[J].Decision Support Systems，2015（74）：12-32.

[21]Kristensen T， Dyngeland M. Design and Development of a Multi-Agent E-Learning System[J].International Journal of Agent Technologies and Systems，2015，7（2）：19-74.

[22]Nú?ez-Valdéz E R， et al. Creating recommendations on electronic books： A collaborative learning implicit approach[J].Computers in Human Behavior，2015（51）：1320-1330.

[23]Capuano N， et al. Elicitation of latent learning needs through

learning goals recommendation[J].Computers in Human Beha-vior，2014，30（1）：663-673.

[25]Farzan R， Brusilovsky P. Social navigation support in a course recommendation system[J].Adaptive Hypermedia and Adaptive Web-based Systems，2006：91-100.

[26]Cobos C， et al. A hybrid system of pedagogical pattern re-

commendations based on singular value decomposition and va-

riable data attributes[J].Information Processing & Management，

2013（49）：607-625.

[27]Santos O C， Boticario J G， Pérez-Marín D. Extending web-

based educational systems with personalised support through user

centered designed recommendations along the e-learning life

cycle[J].Science of Computer Programming，2014（88）：92-109.

[28]Rodríguez P， Duque N， Ovalle D A. Multi-agent system for Knowledge-based recommendation of Learning Objects[J].Advances in Distributed Computing and Artificial Intelligence Journal，2015，4（1）：80-89.

[29]Akbari F， Taghiyareh F. E-SoRS： A personalized and social recommender service for E-learning environments[C]//In pro-ceedings of 8th National and 5th International Conference on e-

Learning and e-Teaching（ICeLeT）.2014：1-12.

[30]Liu L， Koutrika G， Wu S. Learning Assistant： A novel learning resource recommendation system[C]//In proceedings of ICDE.2015：1424-1427.

[31]Zapata A， et al. Evaluation and selection of group recom-mendation strategies for collaborative searching of learning ob-

jects[J].International Journal of Human-Computer Studies，

2014（76）：22-39.

[32]Porcel C， et al. A Learning Web Platform Based on a Fuzzy

Linguistic Recommender System to Help Students to Learn Re-

commendation Techniques[C]//Springer International Publishing.

2015.

[33]Do P， et al. A Context-Aware Recommendation Framework

in E-Learning Environment[C]//In proceedings of FDSE.2015：

272-284.

[34]Stantchev V， Prieto-González L， Tamm G. Cloud computing

service for knowledge assessment and studies recommendation in crowdsourcing and collaborative learning environments based

on social network analysis[J].Computers in Human Behavior，

2015（51）：762-770.

[35]Boratto L， Carta S. ART： group recommendation approa-ches for automatically detected groups[J].Int. J. Machine Lear-ning & Cybernetics，2015，6（6）：953-980.

[36]Nú?ez-Valdéz E R， et al. Creating recommendations on electronic books： A collaborative learning implicit approach[J].Computers in Human Behavior，2015（51）：1320-1330.