基于學分銀行平臺的個性化推薦應用研究

摘? 要：學分銀行平臺是實現全民終身學習的信息化窗口。將電子商務中個性化推薦技術應用于學分銀行平臺，可實現精準定位，避免用戶重復學習，幫助學習者培養學習個性。學分銀行可利用混合推薦算法，同時運用用戶行為數據和用戶和學習成果內容特征，繪制個性化和多元化路徑，綜合基于內容的推薦算法和協同過濾算法優點，以達到良好的推薦效果。

關鍵詞：學分銀行;個性化推薦;混合推薦算法

中圖分類號：G40-057? ? ? 文獻標識碼：A 文章編號：2096-4706（2019）23-0106-03

Research on Personalized Recommendation Application

Based on Credit Bank Platform

ZHU Shanshan

（Jiangsu Open University，Credit Bank Management Center，Nanjing? 210036，China）

Abstract：The credit bank platform is an information vehicle to realize the lifelong learning for all.It can realize precise positioning，avoid re-learning and help learners to develop learning personality for integrating personalized recommendation technology which is applied in e-commerce to credit bank platform.Credit bank can take full advantage of hybrid recommendation algorithm which combines user behavior data and content characteristics of learning outcomes，draws personalized and diversified paths，integrates the advantages of content based recommendation algorithm and collaborative filtering algorithm to achieve good recommendation effect.

Keywords：credit bank;personalized recommendation;hybrid recommendation algorithm

0? 引? 言

終身教育理念下，學分銀行承載促進學歷與非學歷教育銜接互通、打破普通教育與職業教育的溝通壁壘的職能使命。2019年教育部等四部委聯合印發的《關于在院校實施“學歷證書+若干職業技能等級證書”制度試點方案》，明確指示要加快推進職業教育國家“學分銀行”建設，建立職業教育個人學習賬號。學分銀行網絡服務平臺搭建于互聯網環境上，涵蓋各類教育機構，為社會成員開設個人賬戶，存儲學習成果信息，建立終身學習成果檔案。隨著積累數據量的急劇增長，學習者從中獲取有價值的信息面臨著過載的問題。將電子商務企業中廣泛應用的個性化推薦技術應用于學分銀行信息系統，實現精準定位，有助于提升用戶交互性體驗，滿足學習者個性化需求。

1? 個性化推薦的發展歷程

個性化推薦指電子商務網依據消費者瀏覽、搜索等數據或相似消費者行為推測目標用戶的需求與偏好的服務[1]。國內外對于個性化推薦技術研究紛紛迭起。個性化推薦的概念由明尼蘇達大學Resnick等于1994年首先提出。Bollacher基于文本內容的推薦，設計為用戶推薦興趣論文。王娜[2]等通過深度神經網絡詞分析用戶播放行為，構建個性化推薦策略。亞馬遜主導的產品推薦更是應用廣泛，類似淘寶商品推薦、當當網書籍推薦、蝦米音樂推薦、騰訊視頻推薦都內嵌推薦系統。

個性化推薦理論主要發揮學習者自身主觀能動性，其本質是匯聚不同個體特征重塑認知的過程。個性化推薦服務的實踐給行業帶來人流與營利增長的可能。一方面通過研究用戶畫像，滿足不同層次需求，實現精準化推薦和個性化服務，發現潛在的用戶，增加點擊流和訪問量;另一方面，個性化推薦系統幫助用戶提高搜索速率，縮短搜索時間，降低搜索成本，提升用戶滿意度，增強用戶對系統的粘性和忠誠度。智慧教育核心就是提供個性化和多元化的學習路徑。

2? 學分銀行信息平臺的運行現狀

學分銀行模擬借鑒銀行功能特點，以學分為計量單位，建立終身學習信息管理平臺，對學習者各個階段的學習成果進行認證、積累與轉換[3]。自教育部在2004年《關于在職業學校逐步推行學分制的若干意見》中首次提出“探索和建立職業學校學分積累與轉換信息平臺”以來，學分銀行相關平臺搭建探索方興未艾。國家開放大學學分銀行借助覆蓋全國的認證服務體系，搭建學習者與教育資源“一網兩庫”服務平臺，主要功能是建立賬號、登記成果、認定成果、存儲成果、轉換成果。上海終身教育學分銀行公共服務平臺實現“一站式”搜索，實名開設學習者終身賬號，便于存儲記錄各類學習成果，主要有認證功能、課程置換、雙證融通、查詢功能。浙江省終身教育學分銀行著力構建覆蓋全省的個人終身學習檔案庫，平臺由門戶網站、網上服務大廳、網上管理中心三大模塊組成，統一打造終身學習大數據并深化數據分析應用。江蘇省終身教育學分銀行以信息平臺為樞紐，探索不同類型學習成果之間的轉換與銜接，為學習者提供實名注冊服務、賬戶激活、學習成果認定、學習成果轉換、查看并打印個人學習檔案等服務功能。

學分銀行搭建的數字化、網絡化的信息平臺是學分銀行業務辦理的重要載體。通過對多個學分銀行信息平臺進行研究，發現主要業務模塊大體相同。學分銀行核心功能學習成果的認證、轉換、存儲依靠學分銀行信息平臺完成[4]。實現學分銀行的可持續發展，要不斷優化學分銀行信息平臺功能，以便捷用戶的服務思維改進平臺框架，滿足用戶靈活變化需求，使學習者與學分銀行信息平臺產生粘性。

3? 學分銀行平臺的個性化推薦應用分析

學分銀行平臺是實現全民終身學習的信息化窗口。將用戶個性化需求為導向加入學分銀行平臺信息化管理，向用戶推薦差異性學習成果、不同教育資源、人性化服務是當前泛化式教育情況下學習精細化訴求的體現。通過學分銀行構建的個性化路徑，避免用戶重復學習，匯聚各類優質教育資源，推進優質資源共享。基于此，學分銀行平臺個性化推薦框架如圖1所示，包含客戶端、用戶層、數據層和業務層。

3.1? 客戶端

主要是指學分銀行平臺上與用戶實際交互操作的界面，是平臺與系統信息交換的媒介，一般有Web端、APP端、第三方（QQ、微信、微博類）等。學分銀行平臺的操作界面是吸引用戶注冊使用的第一步。提升個性化用戶體驗需設置新手指引，做到界面美化、功能完善、數據交接順暢、安裝簡便等。

3.2? 用戶層

該層主要提供用戶操作接口服務。用戶需在學分銀行平臺注冊登錄，推薦系統識別用戶登錄狀態下，才能實時監控獲取與分析數據，為用戶提供個性化推薦服務。此外，用戶操作接口服務包括關鍵詞搜索、在線瀏覽、學習成果積累、學習成果轉換等。

3.3? 數據層

數據層是個性化推薦的基礎。通過訓練集建立用戶與推薦對象的聯系，通過特征集區分用戶之間的差異。

3.3.1? 用戶模塊

學分銀行平臺在用戶使用過程中不斷積累匯總各類數據。推薦系統需建立用戶模型獲取用戶動態變化的偏好，對用戶信息特征進行分類，幫助系統理解用戶的需求。模型輸入數據主要有用戶注冊基本信息，比如姓名、性別、年齡、專業、學歷等;用戶行為信息，比如關鍵詞查詢、瀏覽記錄、翻頁拖動、學習成果認證等;用戶反饋信息，比如點贊評論、分享推薦、收藏保存等。獲取模型輸入數據的方式也有多種形式，顯式獲取用戶標注或評論的瀏覽內容感興趣程度，觀察用戶日志，隱性跟蹤用戶行為，避免用戶操作反感負擔，通過動作交互推斷用戶興趣偏好。建立用戶群組的綜合模型，考慮結構化、顆粒度等標準，運用多維屬性描述建立用戶模型，用監控器將日志信息預處理轉化成序列模式，從而提高系統個性化推薦的準確度。

3.3.2? 推薦對象模塊

推薦對象的選擇影響系統推薦質量。不同用途對應的推薦對象各不相同。通過學分銀行平臺推薦對象建模，統一管理和歸類資源，描述推薦對象特征制成訓練集，用以表示用戶興趣偏好。推薦對象包括各類學習成果積累情況，比如學習課程、獲獎證書、課外培訓等;學習成果轉換情況，比如學習成果名錄、轉換規則、已認證的學習成果等;公司招聘崗位情況，比如所需專業、證書、技能等。運用邏輯回歸算法、聚類算法、決策樹算法等方法對推薦對象描述進行歸類，可以將同類屬性資源推薦給對該類文檔感興趣的用戶。

3.4? 業務層

該層主要通過監控器實時采集用戶行為數據，接收用戶提交請求，使用推薦模塊可視化展示推薦對象。推薦算法模塊是整個推薦系統的核心，決定了推薦系統性能。

3.4.1? 基于內容的推薦算法

基于內容的推薦算法主要運用于信息檢索方法中。根據學分銀行平臺上用戶自身搜索、瀏覽情況的權重相似度匹配，推薦類似的學習成果信息。例如，根據用戶所屬專業、已修課程、獲取證書等推薦符合學習成果轉換規則、匹配的招聘公司、可學習的課程等信息。基于內容的推薦算法中[5]，設定用戶特征抽取重要性權值，用戶對象是定義：

f（i，s）=（ws1，ws2，…，wst）

其中，wst表示第t個特征抽取在用戶s的重要度。

f（u，c）=（wc1，wc2，…，wct）

其中，wct表示訓練集用戶對象對c的偏好程度。

推薦對象的評分函數score（f（u，c），f（i，s））=cos（f（u，c），f（i，s））

計算得到的值對象排序，將前列的目標視為推薦對象。該算法推薦結果直觀易懂，結果符合用戶的愛好。但類型單一、缺乏多樣性，推薦有重復性。新用戶無存儲信息，不能進行推薦。用戶模型和描述依賴于內容，如果內容特征不易提取、難以解析，推薦效果不好。

3.4.2? 基于協同過濾的推薦算法

協同過濾算法通過收集用戶行為數據對用戶聚類，推薦同一類用戶的學習成果信息或依賴群屬性進行相似度推薦。通過算法形成個性化服務路徑，在瀏覽器終端或者用戶賬戶呈現推薦對象。

余弦相似度是最普遍的計算向量相似度的方法，該算法主要利用兩個向量在空間中存在的夾角來判斷相似度。得出的余弦值是衡量兩個推薦對象方向上的相似程度，計算方程：

T（x，y）=

該算法能處理復雜非結構對象，挖掘新推薦興趣，自動化程度高。但新用戶有冷啟動問題，當新用戶行為記錄較少時，推薦捉襟見肘，無法對其進行推薦。有流行性偏見，新課程或證書信息加入，因未進行分值預測，不能推薦，推薦依賴于歷史數據集，可擴展性差。

3.4.3? 混合推薦算法

不同的推薦技術存在各自的優勢和缺點，為了獲得良好的推薦效果，可以將獨立推薦算法進行合理融合。學分銀行平臺可利用混合推薦算法同時運用用戶行為數據和用戶和學習成果內容特征，綜合基于內容的推薦算法和協同過濾算法優點，取長補短。基于內容的算法難以提取特征，可利用協同過濾算法進行數據預處理，而協同過濾算法中用戶和課程等信息忽視聯系關系，可用基于內容算法進行補充。常用的混合算法有加權、特征組合和級聯等，模型隨著用戶變化，通過預測模型反饋學習，構成用戶畫像的動態變化。建模時設計需充分考慮模塊的靈活易用性、可修正反饋情況，但推薦準確度的提高相應增加了計算復雜度，對系統運行要求提高。

4? 結? 論

學分銀行提供的個性化推薦服務就是以“用戶為中心”的服務，幫助學習者培養學習個性，有針對性地使不同路徑獲得的學習成果得到高效轉換，降低學習和成才成本，減少人力資源開發的社會成本，促進社會多樣化發展。個性化推薦系統綜合分析課程、證書等學習成果等數據信息，可結合大數據挖掘技術為用人單位、政府提供優質應聘人員和決策建議，從而推動學習型社會構建。

參考文獻：

[1] 孫雨生，張晨，任潔，等.國內電子商務個性化推薦研究進展：核心技術 [J].現代情報，2017，37（4）：151-157.

[2] 王娜.視頻中人體行為預測的方法研究 [D].長沙：湖南大學，2016.

[3] 余燕芳，韓世梅.學分銀行平臺的知識匯聚與個性化推薦系統應用研究 [J].中國遠程教育，2017（3）：45-51.

[4] 邵文莎.學分制改革背景下的區域學分銀行建設研究 [J].天津電大學報，2018，22（4）：38-41.

[5] 王剛，郭雪梅.社交網絡環境下基于用戶行為分析的個性化推薦服務研究 [J].情報理論與實踐，2018，41（8）：102-107.

作者簡介：祝珊珊（1989-），女，漢族，浙江江山人，研究實習員，工學碩士，研究方向：教育管理、計算機應用技術。