基于學習軌跡的學生培養模式智能推薦算法研究

張沛露

(吉林建筑大學，吉林 長春130033)

1 概述

隨著互聯網海量信息的發展，我國的信息產業技術也隨之迅猛增長，這為我國高校學生的培養模式提供了全新的服務方式，但學生很難再海量信息數據中，根據自身的需求，有針對性的選擇需要的信息。在學生學習過程中，網絡教學及瀏覽信息，學生的學習行為和過程能夠及時記錄保存下來，本文根據這些保存的信息，科學進行數據分析，研究學生的學習行為，幫助學生設計合理的教學課程學習體系，指定科學的教學策略，從而將其應用到學生的教學之中，從而幫助學生明確學習目標，使得課堂教學針對性更強，從而幫助提升教學質量和教學效果。

目前，對于高校學生的培養，大數據及智能技術的出現和飛速發展更是引起了教學理念、教學方式、學生培養模式的變革。一直以來高等學校的學生培養模式往往是在專業建設之初便確定下來，很少進行修改。即使進行修改，也很難針對學生特點進行個性化調整。高等學校教學過程中，存在諸多問題，例如學生無法理解而導致學習興趣不足，或者教師即來即走的教學方式導致師生溝通不足，教師難以及時跟蹤學生的學習狀況等等，上述問題嚴重影響授課效果。過去以教師為中心的傳統培養模式，已經難以調動學生的學習熱情和學習的主動性。學生在校內學習過程中，在慕課、圖書借閱、校內網站瀏覽等學習、生活過程中留有大量學習軌跡。利用學生的學習軌跡，通過分析學生的興趣、偏好數據，使用智能推薦算法，獲得具備個性化特點的課程體系，動態調整培養計劃，完善高校人才培養機制成為亟待解決的問題。

2 推薦算法概述

個性化的推薦算法，可以在茫茫的海量信息數據中，幫助用戶尋找到用戶感興趣的信息，及時主動推薦出用戶的興趣目標點，避免了用戶尋找海量信息所導致的厭倦狀態，極大提升信息的有效利用。

一個設計合理的推薦算法，能夠充分挖掘出用戶的偏好，主動向用戶推薦出用戶極大的需求信息。在推薦過程中，要求智能推薦系統在擁有一個有效推薦算法的基礎上，同時能夠及時采集用戶的需求、進而分析用戶的喜好，以及設置被推薦產品信息具備的合理屬性。推薦算法通過設置的產品本身特有的屬性，并且及時采集到用戶的需求，對用戶和產品做出一個匹配，將匹配程度進行排序，根據匹配程度做出最優的推薦方式，幫助用戶獲取有效信息（如圖1）。

圖1 推薦算法示意圖

圖1 為一個通用的推薦算法的示意圖，推薦算法首先應該能夠通過分析研究用戶的歷史行為信息，挖掘出用戶的偏好信息，再將其所偏好的信息添加到用戶模型中。使用用戶模型和推薦對象模型，將用戶信息和對象信息作為輸入，進而推導出推薦結果。同時需要將推薦結果所產生的新的行為數據，計算用戶的偏好分析，計入用戶模型，從而根據歷史數據，指導完成下一次的推薦過程。

2.1 協同過濾推薦算法

協同過濾推薦算法，即當系統為用戶完成智能推薦使，推薦系統首先尋找與用戶的需求喜好極大相似的用戶，根據兩個相似用戶之興趣內容的差集做出對應的推薦。這樣的推薦方式，因為他們彼此之間存在著諸多相似的興趣偏好，那么就可以推測他們同樣必然相互對對方的內容感興趣。

2.2 基于圖結構的推薦算法

基于圖結構的推薦算法，將協同過濾算法中用戶-項目評分矩陣通過建立模型把用戶-項目評分矩陣構造成二分圖，圖的節點分別表示用戶和項目，圖中的邊來表示用戶對對應項目的評價。

2.3 基于內容的推薦算法

基于內容的推薦方法，通過保存用戶的歷史信息，比如瀏覽的文檔、文檔主題內容、瀏覽的時間等，通過分析挖掘用戶的上述歷史信息，建立用戶的偏好信息，再根據數據模型選取的相似度計算，得到待推薦的項目與用戶偏好文檔之間的相似度，最后再根據計算得到的相似度結果，將用戶感興趣的內容推薦給用戶。

2.4 混合推薦算法

混合推薦算法，將上述三種推薦算法相結合，避免其本身所存在的缺點、取其優點而提出的。為的是能夠彼此之間相互取長補短，通過綜合各種算法的結果，推導出用戶最滿意的推薦結果。

3 基于學習軌跡的學生培養模式智能推薦算法

3.1 數據的采集與挖掘

采集學生校內外學習、生活過程中產生的海量的網絡元數據，通過對使用智能推薦算法，形成學生學習興趣、課程的智能推薦，學校根據智能推薦的結果和學生意愿，完成對學生學習課程體系的再設計，安排進行相應專業的學習，實現學生培養模式的創新。采集學生信息、圖書信息和借閱信息等作為本推薦系統的數據源，通過應用智能分析技術，強化學生實踐環節的差異化、人性化。

3.2 推薦算法的選擇

基于興趣愛好的推薦算法，采用基于物品的協同過濾算法（Item-based collaborative filtering，簡稱為ItemCF）。該算法的核心是：利用用戶行為數據計算物品之間的相似度，根據用戶的歷史行為和物品相似度矩陣，進行個性化推薦。在預測用戶興趣愛好時，一定要考慮將用戶近期的行為權重加大，用戶推薦結果中加入時間有效性信息。基于學習軌跡的推薦算法的核心在于從學生在校內圖書借閱歷史、網絡瀏覽歷史等后臺數據挖掘更加具備個性化、專業化的課程體系，使得學生培養更加具備針對性，提高學生培養質量。

ItemCF 算法主要包括兩個步驟：

a.計算物品之間的相似度

用戶的興趣通常集中在某些方面，比如兩個物品隸屬于同一個興趣列表，那么這兩個物品可能就屬于固定的幾個領域，而兩個物品若同屬于很多用戶的興趣列表，那么他、它們就可能屬于同一個領域，因而有很大的相似度。因此用下面公式計算物品之間的相似度：

其中,W(i,j)表示i，j 兩個物品間的相似度；N(i)表示喜歡物品i 的用戶集合，|N(i)|表示喜歡物品i 的用戶的個數

b.計算用戶U 對一個物品的興趣

P(u,j)代表用戶u 對物品j 的興趣，S(j,k)代表物品j 相似的k個物品，N(u)表示用戶產生行為的物品集合，r(u,i)表示用戶u 對物品i 的評分。

3.3 ItemCF 的改進

a.考慮物品的熱門程度

在物品相似度的計算過程中，活躍用戶對物品相似度的貢獻要大于不活躍用戶，也可以考慮熱門程度越高對計算物品相似度貢獻也就越大。計算物品的相似度公式如下：

其中|N(u)|表示用戶u 感興趣的物品個數

b.時間上下文相關的ItemCF 算法

在計算物品相似度時，考慮時效性的影響也是重要內容。距離當前時間越近，用戶喜歡的物品更有相似性，計算相似度公式如下：

近期行為相比之前行為更體現出用戶當前的興趣，此時，用戶對物品的興趣P(u,i)使用以下式計算

3.4 實驗結果

實驗中，以軟件工程專業課程體系為例，應用上述推薦算法，改進更新課程體系，可以獲得更加符合個性化特點的課程體系。

圖2 推薦算法示意圖

結束語

創新學生培養模式作為培養具備創新能力學生的關鍵因素，如何為學生提供更加個性化，具備更符合時代發展潮流的課程體系是創新培養模式的有益探索。利用先進的智能推薦算法，基于學生日常學習軌跡，獲得更加合理的課程體系是解決上述為題的有效手段。考慮如何應用大數據技實現個性化推薦系統的完善，其在教育領域中的研究將會變得越來越重要。