大數據環境下學習資源智能化推送機制研究

林愿

摘要 在大數據背景下，海量的網絡資源的出現，使得用戶在挑選學習資源時無從下手。為了幫助用戶找到自己真正需要的而且是適合自身的學習資源，有必要創建有效的學習資源在線推送平臺，這是當前教育技術的研究熱點。當前，學習資源在線推送算法主要有基于內容的推送方法和基于協同過濾的推送方法，這兩種方法都存在不足之處。本文在綜合了協同過濾推送算法和基于內容的推送算法的基礎上，結合學習過程中學習者的動態行為數據，提出一種混合協同過濾的、能自適應更新的智能化推送服務模型，將其應用到在線學習資源系統中，以進一步提高學習資源推送的預測精度和覆蓋率，期望能對當前的數字化學習資源建設提供借鑒和參考。

關鍵詞 大數據 學習資源 智能化 推送

中圖分類號：G642 文獻標識碼：A DOI：10.16400/j.cnki.kjdkz.2018.02.034

0引言

當前已進入大數據時代，在線學習成為趨勢。一方面，網絡上形形色色的學習資源信息量很大、更新速度也很快、共享性也很高。另一方面，網絡上的這些學習資源同時也存在過于分散、沒有組織性、梳理起來困難等問題，使得在線學習用戶在選擇網絡上的學習資源時，不知從何下手，迫切需要為用戶創建學習資源推薦平臺，以幫助用戶快速有效地找到合適的學習資源。因此，資源建設中學習資源的智能化推送服務成為大數據時代實現智能型在線學習的關鍵。

1學習資源智能化推送機制研究現狀

隨著全球網絡化的迅速發展，以及智能手機的普及，全球網絡數據量出現爆炸式增長，即所謂的“大數據”，簡單地說就是“巨量的資料”，“大數據”帶來的海量、高增長率和多樣化的信息資產，必須要有新的處理模式、處理方法和處理能力才有可能與之適應。所謂學習資源，通俗的來講，就是各種支持學習的資源，可以包括教學材料、相對應的支持系統、相對應的學習環境，甚至還包括能幫助個人有效學習和操作的任何因素。在人工智能與數據庫技術相結合的基礎上應用人工智能、機器學習方法，可以識別和預測各種用戶的興趣或偏好，做到有針對性地、及時地、主動地推送用戶所需的信息，以滿足針對各種用戶的個性化需求。

目前國內外較流行的學習資源推送服務模型主要有兩種：基于內容的推送服務模型和基于協同過濾的推送服務模型。

具體來說，基于內容的推送服務模型，以高校課程的推送算法為例，首先是收集用戶所學的專業、所從事的職業甚至是用戶的個人意愿等方面的個人信息，建立起與個人信息相對應的特征模型。在完成這一步之后，再提取出所要選擇的課程的關鍵詞等特征信息，來確定這門課程所對應的學習目的。最后，系統從用戶的歷史訪問數據合并當前的操作日志，抽取出特征向量，通過運算建立起初始推送模型，最后將當前的訪問序列與初始向量間的相似程度進行閾值比較，當兩者相當時，說明該用戶匹配到了與其興趣相似的課程，就可以進行相關在線學習課程的推送了。這種推送服務模型完全依賴于在線學習課程的關鍵詞、課程簡介等，因而存在以下問題：首先因為網絡課程的特征有限，其模型過度依賴于用戶瀏覽過的在線學習課程，所以很難提取到真正有效的特征項，系統很難得到最符合的用戶喜好課程信息，造成推送資源局限。

基于協同過濾的推送算法則與基于內容的推送服務模型從原理到過程都不同，它主要是應用人的興趣不是孤立的這一特點，首先根據用戶間的共同興趣而不是根據課程內容來推送。根據用戶對該課程推薦項的評分值而不是課程內容提出特征值進行數據處理，通過計算當前用戶與其它用戶的相似度來預測并推薦用戶集。這種推送算法存在以下三個方面的問題：由于該算法是依賴于用戶的興趣評估數據，會在課程評價方面存在稀疏問題；特別是一門新的課程首次在線出現時，還沒有任何用戶的評價，協同過濾沒有辦法對它進行預測和評價，因而不可能準確地推送；如果用戶不了解課程的內容，可能被推薦到已學過的內容，影響推送的效果。

本文在綜合了協同過濾推送算法和基于內容的推送算法的基礎上，結合學習過程中學習者的動態行為數據，提出一種混合協同過濾的、并且能自適應更新的智能化推送服務模型，將其應用到在線學習資源系統中，以進一步提高學習資源推送的預測精度和覆蓋率。

2采取的方案

針對大數據背景下海量網絡學習資源需要組織、管理，以方便用戶選擇真正適合自己的資源，目前主要有基于內容的推送算法和基于協同過濾的推送算法。基于內容的推送算法依據的是課程關鍵詞、課程簡介等提取課程特征值，與學習主體完全脫離，存在推送不準確的問題。基于協同過濾的推送算法則完全不從內容提取特征值，僅僅根據用戶對課程推薦項的評分值進行處理，也存在一些問題。如果能有機地將兩種推送算法結合起來，并把學習者在學習過程中產生的動態行為數據考慮進來，從而構成一種能自適應更新的混合協同過濾的智能化推送服務模型，提高學習資源推送服務的預測精度和覆蓋率。

本文依據社會需求，以教育信息化理論為理論依據，對大數據環境下學習資源智能化推送服務機制進行研究和改進，課題研究主要采用文獻研究，實踐研究等方法，從理論研究入手，首先利用數據挖掘、語義分析等技術進行基于內容的推送算法的研究；然后根據用戶對課程推薦項的評分值的高低，提取特征值進行數據處理，并計算當前用戶與其它用戶的相似度，產生預測與推薦用戶集，進行基于協同過濾推送算法的研究。再將兩者與學習過程中學習者的動態行為數據有機結合，構成一種能自適應更新的混合協同過濾的智能化推送服務模型，以提高資源推送的預測精度和覆蓋率。具體方案實施首先采用探索性實驗，之后進行改進實驗；在本校的網絡教學平臺上進行新模型的實證研究，首先選擇“集成電路設計”這門課程試點，摸索經驗，修訂模型，再在整個網絡教學平臺上推廣運行，并進一步總結經驗完善推送服務模型，通過多次的師生實踐不斷總結和分析改正大數據環境下學習資源智能化推送服務模型的不足和缺陷。

（1）組織課題組成員廣泛鉆研國內外與本課題有關的文獻資料，研究其新動向、新成果、新理論，準備開題論證，修改課題數據，擬立課題研究實施計劃。

（2）在本校將提出的混合協同過濾算法應用于教學資料庫、網絡教學平臺等，按照課題研究實施計劃，在學生及任課老師等多個方面進行試驗和探索。

（3）在繼續前面試驗的同時，及時掌握反饋信息，做好總結、提高工作。

（4）組織課題組成員會議，進一步修改完善智能化推薦算

80

2018年/第5期/2月r中J法，通過反復的實踐不斷完善算法。

3研究內容

（1）大數據環境下學習資源智能化推送服務的社會需求調查研究。

（2）大數據環境下基于混合協同過濾的學習資源推送服務的研究。

（3）隨學習者的動態行為數據自適應更新的學習資源推送服務的研究。

（4）大數據環境下學習資源智能化推送服務模型構建的研究。

（5）在本校網絡教學平臺上進行學習資源資源智能化推送服務模型的實證研究，首先選擇“集成電路設計”這門課程試點，摸索經驗，修訂模型，再在整個網絡教學網絡平臺上推廣運行，進一步總結經驗，完善推送服務模型。

4結束語

本論文通過調查大數據環境下學習資源智能化推送服務的社會需求，將目前存在的兩種主要的推送算法結合起來，揚長避短，并且與學習過程中學習者的動態行為數據有機結合，使其自適應更新，構成一種新的混合協同過濾的智能化推送服務模型，預計能顯著提高學習資源推送服務的預測精度和覆蓋率，能對當前的數字化學習資源建設提供借鑒和參考，從而促進智能型在線學習的發展，完善教育信息化理論和產生一定的社會效益。