深度學習視角下的個性化學習資源方法研究

錢曉如 云南師范大學 申時凱 昆明學院

1 個性化學習資源的推薦法及其技術

1.1 以推薦算法為基礎個性化學習資源的推薦

現時期經常使用的推薦算法主要包含以資源內容為基礎的推薦法、協同過濾推薦法和混合推薦法等方法。以內容為基礎的推薦法主要是利用識別、提取學習資源內容的特點，來建立學習者特征的相關模型與資源特征模型，把兩者中擁有最高匹配度的學習資源向學習者做出推薦。與過濾算法相協同利用對學習人員的偏好來進行學習資源的合理有效挖掘，根據不同偏好來對學習人員實施分組的劃分，同時為各組推薦與之需求接近的學習資源。輔助過濾算法可以合理降減模型設置復雜性，然而卻存在矩陣稀疏與冷啟動的一些問題。混合推薦法把資源內容的特點和學習人員特點進行融合的思考，再結合學習人員學習風絡與習慣來為學習人員推薦最為精準的學習資源。

1.2 以機器學習為基礎個性化學習資源的推薦

現時期機器學習在計算機視覺和語音識別等方面得到了有效應用，并且在教育中的應用正在成為研究的重點。一些研究人員將研究重點放在減少學習資源推薦期間模型的依賴性，從而最大程度發揮出學習資源的服務效用。利用對學習人員狀態和挖掘服務器日志進行測試，來對學習人員學習風格和習慣進行識別，由此實施個性化資源的推薦分析。

2 問題描述和方法框架

2.1 問題描述

個性化學習資源推薦的達成，其實就是對學習人員和學習資源兩者間關系的一種研究。如想保證線上學習平臺能夠為學習人員提供個性化資源推薦服務，主要需先對學習平臺中的原始數據進行有效的收集，同時對數據實施合理科學的分析和挖掘，由此為學習人員推薦最為適合其學習風格的學習資源。個性化的學習資源推薦模型能夠通過學習人員學習資源來集合信息。這種信息能夠用下圖左側的mxn矩陣來表示，在此當中R表示的是學習資源，L表示的是學習人員。陰影的一方代表的是學習人員學習完的學習資源。空白地方代表的是沒有學習過的資源，而需解決的問題是，怎樣通過這些歷史信息的矩陣來完成個性化學習資源推薦，也就是從新的學習資源當中獲得與學習人員需要相適的推薦資源，這一過程如下右側圖所示。

圖1 個性化學習資源推薦問題示意圖

2.2 個性化學習資源推薦法框架

以深度神經網為基礎個性化推薦法可劃分為兩個過程，主要包含模型訓練過程與資源推薦過程，如圖2所示。其中模型訓練過程主要包含學習平臺的數據處理，算法的設計等內容；而推薦過程則是由訓練過程所獲得推薦模型的運行所形成，也就是這一過程主要工作是獲得個性化學習資源的一個過程。本文所設計的推薦法主要分成三個級別，一級和二級是訓練的過程，三級則是個性化學習資源的推薦過程。在一級當中，為了讓深度神經網可以正常工作，必須獲得其輸入輸出。針對輸入，可設計以信息特征為基礎的選擇模型，由此來描述及處理一些歷史性學習數據；針對輸出，設計學習者與資源二部圖關聯模型，由此確定學習資源是不是推薦條件。在二級當中，利用一級過程中的輸入輸出，構建深度神經網學習模型，對于個性化推薦的相關問題，來設置深度神經網優化對策，利用復雜的練習過程，能夠獲得學習資源推薦模型。在三級過程中，把測試數據輸入訓練完畢后的推薦模型中，來向學習人員推薦與學習者學習需求相符的個性化學習資源。

圖2 基于深度神經網絡的個性化學習資源推薦方法

3 結語

總體來說，新時代的快速發展，人工智能也因此誕生并被應用于各個領域中，以往簡單性的機器學習已無法滿足當前個性化學習資源推薦服務需求。而以深度神經網為基礎的個性化學習資源推薦法可以充分解決學習迷茫的問題，由此提高線上學習體驗效果。把深度學習合理的應用在學習資源推薦方面，對于在線學習優化來說具有促進性作用，能夠為以后的個性化推薦服務效果提供創設新思路與新視角。