大學生思想政治教育資源個性化精準推薦系統設計

林雨菲 姜參

摘要：

信息過載成為大學生思想政治教育資源選擇面臨的嚴重問題，個性化推薦系統是解決這個問題的工具。本文以系統業務流程模型為基礎，主要進行了兩方面設計：一是構建了個性化精準推薦模型，通過計算評分偏差、預測用戶未評分資源的評分、尋找最近鄰居集和產生推薦資源等步驟完成了推薦算法設計;二是借鑒MVC的設計思想，設計了由用戶操作層、系統功能層、業務邏輯層和數據持久層等構成構架結構，并對各層進行了簡要說明。本文的研究解決了系統開發關鍵性的技術問題，為提高軟件開發效率和質量奠定了基礎。

關鍵詞：

思想政治; 教育資源; 精準推薦; 系統設計

中圖分類號： TP 311

文獻標志碼： A

Design on Accurately Personalized Recommendation System for

College Students' Ideological and Political Education Resources

LIN Yufei1， JIANG Shen2

（1. College of Marxism; 2. School of Management， Bohai University， Jinzhou， Liaoning 121013， China）

Abstract：

Information overload has become a serious problem in the selection of ideological and political education resources for college students. Personalized recommendation system has become a tool to solve this problem. Based on the business process model of the system， this paper mainly designs two aspects： one is to build a personalized and accurate push model， and complete the design of the recommendation algorithm by calculating the score deviation， predicting the score of users' non rated resources， finding the nearest neighbor set and generating recommendation resources. Secondly， referring to the design idea of MVC， it designs the architecture structure which consists of user operation layer， system function layer， business logic layer and data persistence layer， and gives a brief description of each layer. The research results of this paper solve the key technical problems of system development， and lay a foundation for improving the efficiency and quality of software development.

Key words：

ideological and political; education resources; accurate recommendation; system design

0引言

互聯網為現代教育提供了諸多發展機遇，為大學生提供了一種思想政治教育的全新平臺，高等教育必須積極搶占互聯網這個思想政治教育主陣地，改善大學生思想政治教育環境，提高思想政治教育的實效性與影響力[1]。大學生是大眾傳媒的主要受眾，互聯網為大學生提供了充足的思想政治教育資源，延伸了思想政治教育時空，加快了思想政治教育現代化進程[2]。但是，各種思潮的交融交鋒現象逐漸增多，思想政治教育的各類信息容易被大量的網絡資源所覆蓋，尤其是教育資源去中心化和碎片化趨勢明顯，信息過載成為目前大學生思想政治教育面臨的嚴重問題，教育資源獲取深受干擾，大量無關資源嚴重干擾了大學生對所需要思想政治教育資源的準確選擇[3]，個性化推薦系統就成為解決這個問題的重要工具，通過挖掘大學生的需求或興趣，根據相關算法有效推薦[4]。本文基于軟件工程的思想展開研究，為大學生思想政治教育資源個性化精準推薦系統開發提供完整的解決方案。

1業務流程設計

業務流程分析是以目前的管理模式為基礎，以業務流程圖為工具，按照具體業務的實際處理步驟，通過圖形的方式表達業務處理邏輯。隨著用戶需求越來越多樣化，業務流程模型可以通過配置來滿足用戶的多樣化需求[5]。業務流程模型是需求分析的重要工作，既是與用戶交流的工具，也是系統設計的基礎。大學生思想政治教育資源個性化精準推薦系統包括學生、教師和管理員三類用戶，三類用戶分別與系統進行交互，本文只給出了學生用戶和管理員用戶與系統交互的業務流程模型，如圖1所示[6]。教師用戶與系統交互的業務流程可參照圖1。

對于圖1所示的系統業務流程模型，簡要描述如下：學生用戶登錄系統，選擇資源類別后進入導航頁面，選擇相應

功能后導航到相應頁面，顯示推薦資源，用戶可以學習瀏覽資源，也可以查詢資源或上傳資源，瀏覽資源后進行資源評價，可以下載、收藏或推薦資源，系統保存相關數據，更新數據庫。管理員用戶登錄系統，選擇管理操作，可以對模型庫、知識庫和資源庫等進行維護，也可以對資源進行編輯修改，或者查詢資源的使用情況等。

2推薦算法設計

個性化推薦誕生于電子商務領域，向用戶提供個性化的信息服務和決策支持，用于解決互聯網時代的信息超載問題。目前已廣泛應用于新聞媒體、網絡商城、教育教學、文化傳播、娛樂生活、視頻點播和決策支持等相關領域。教育資源個性化精準推薦依賴于推薦算法，常見的個性化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、基于效用的推薦算法、基于知識的推薦算法、基于關聯規則的推薦算法，以及綜合應用以上兩種或兩種以上算法的混合推薦算法[7]。基于協同過濾的推薦算法是在教育教學領域應用最早、最經典且最成熟的技術，具有不需要深厚的領域知識、能處理復雜的非結構化對象、推薦個性化和自動化程度較高等優點。基于協同過濾的推薦算法具體又分為三類：基于用戶的協同過濾推薦算法，主要考慮用戶和用戶之間的相似度;基于項目的協同過濾推薦算法，主要考慮項目和項目之間的相似度;基于模型的協同過濾推薦算法，主要運用機器學習的思想通過建模來解決問題。每類協同過濾推薦算法各有自己的優缺點和適用范圍。大學生思想政治教育資源個性化精準推薦更關注用戶之間的相似度，找出學生興趣相似的用戶群體，把評分相對較高并且目標用戶沒有被推薦過的學習資源推薦給目標用戶[8]，因此，本系統選擇基于用戶的協同過濾推薦算法，個性化精準推薦模型，如圖2所示[9]。

對于圖2所示的個性化精準推薦模型，學生提出學習請求后，系統從學生行為日志提出行為信息和從學習資源庫提取資源信息，輸入到學生行為模型和學習資源模型，依據最近鄰居集、學習生行為權重和協同過濾策略構建的協同過濾引擎，產生在線推薦的學習資源，將音頻、視頻、文本、微課和課件等資源類型呈現在學生的客戶端供學生學習使用，學生學習過程中的行為信息記錄到學生行為日志中。個性化精準推薦模型的關鍵是基于用戶的協同過濾推薦算法，參照相關文獻[1012]，構建如下：

（1） 獲取學生對教育資源的評分矩陣。學生對教育資源評分包括隱式評分和顯式評分兩種，隱式評分是系統對用戶數據進行分析得到的評分，顯式評分是用戶直接打分得到的資源評分。隱式評分需要跟蹤目標對象的下載、瀏覽和收藏等學習行為。系統建設初期使用顯式評分，運用較穩定后采用二者結合

的方法。設有m個用戶和n種學習資源，矩陣Ri，j表示用戶i對資源j的評分，為了數據顯示清晰，m個用戶對n種學習資源評分形成的評分矩陣表示成二維表的形式，如表1所示。

（2） 解決數據稀疏性問題。隨著用戶數量和資源數量增加，資源評分矩陣成為高維度矩陣，評分矩陣會存在大量空值的數據，這就是數據稀疏性[13]。產生數據稀疏性的原

因來自于三個方面：一是用戶的學習行為信息很少，對資源的評分就會出現大量缺失;二是用戶雖然利用了學習資源，但未對資源進行評分;三是在系統構建初期，評分數據存在大量的缺省值。數據稀疏性導致計算相似度時得到的結果過于片面或產生巨大偏差，影響推薦算法的精確性。解決數據稀疏性問題，就是提高評分矩陣數據的完整性。本系統利用Slope one算法，采用數據填充方式解決數據稀疏性問題，基本思想是根據用戶過去對資源的評分偏差來對未評分資源進行推測評分，具體包括四個步驟：

第1步，計算評分偏差。用戶對資源i和資源j之間的評分偏差D（i，j），計算公式如式（1）。

上式中，Rui和Ruj分別表示用戶u對資源i和資源j的評分。N（i）和N（j）分別表示對資源i和資源j評過分的用戶，N（i）∩N（j）表示對資源i和資源j都評過分的用戶，|N（i）∩N（j）|表示對資源i和資源j都評過分的用戶數。

第2步，預測用戶未評分資源的評分。根據用戶對資源間的評分偏差和歷史評分進行預測，計算公式如式（2）。

上式中，N（u）表示用戶u評過分的資源。

（3） 尋找最近鄰居集。鄰居就是與目標用戶具有相似興趣愛好的其他用戶。尋找最近鄰居集就是使用相似性計算方法，計算出用戶之間的相似性，尋找與目標用戶相似度高的用戶集合。相似性計算使用相關系數計算方法，相關系數絕對值越大相關性越強，相關系數越接近于0相關性越弱。相關系數計算方法很多，本系統選用Pearson相關系數計算法，很好地解決了用戶評分尺度差別的問題。用戶i和用戶j的相似度表示如式（3）。

上式中，k表示相似度最大的鄰居數量，Ii，j表示用戶i和用戶j對資源評分的交集，Ri，k和Rj，k分別表示用戶i和用戶j對第k個資源的評分，i和j分別表示用戶i和用戶j對所有資源評分的平均值。k值選取很重要，如果k值選取較小，可能遺漏與目標用戶相似的用戶;如果k值選取較大，可能囊括與目標用戶不太相似的用戶。

（4） 產生推薦資源。以最近鄰用戶的評分為依據，預測目標用戶對未評過分資源的評分，向目標用戶推薦評分靠前的N個資源。用戶u對未評過分資源i的評分預測，計算公式如式（4）。

上式中，Cu表示相似用戶的集合，S（u，n）表示用戶u和用戶n的相似度，Rn，i表示用戶n對資源i的評分，n表示用戶n對資源的評分平均值。

3系統架構設計

MVC是一種軟件設計典范，將業務邏輯、數據存儲和界面顯示分離的方式組織代碼，降低了耦合性，提高了內聚性。當顯示界面修改時，不需要修改業務邏輯，提高了系統的可維護性。為了將大學生思想政治教育資源個性化精準推薦系統設計成為以人為本的學生服務平臺和靈活自主的信息傳播平臺，借鑒MVC的設計思想，在傳統三層結構的基礎之上，將系統功能層從業務邏輯層中分離出來，業務邏輯層為系統功能層提供支持。由此設計了由用戶操作層、系統功能層、業務邏輯層和數據持久層等構成的四層構架，如圖3所示。

對于圖3所示的系統總體架構中各個邏輯層簡要說明如下：用戶操作層，系統為用戶提供固定服務和移動服務，用戶通過智能手機、臺式電腦、筆記本電腦和平板電腦，以及其他用戶終端訪問Web服務器，Web服務器為用戶提供思想政治教育資源的網上瀏覽服務和在線學習服務。系統功能層[1415]，按照學生、教師和管理員等三類角色劃分功能。系統功能層從業務邏輯層分離出來，為用戶提供各種操作功能。應用服務器提供了訪問業務邏輯的途徑，實現了各種業務邏輯和應用實現的集成。業務邏輯層，作為系統架構體現核心價值的部分，關注業務規則制定和業務流程實現，有利于系統的開發、維護、部署和擴展。本系統業務邏輯層由基本信息處理、資源推薦處理、用戶學習支持、輔助推薦決策、用戶評價處理和系統維護處理等業務邏輯組件構成，為系統功能層提供訪問接口。數據持久層，持久化是將程序數據在持久狀態和瞬時狀態間轉換的機制，系統提供的統一數據操作接口實現與關系數據庫直接交互，通過對象關系映射機制提供對關系數據庫表中數據的增加、修改、刪除和查詢等操作，并將執行結果返回到業務邏輯層。

4總結

隨著信息技術蓬勃發展，互聯網不受時間和空間限制，能夠共享豐富優質的教育資源，逐漸成為大學生思想政治教育的新路徑。但是，知識更新頻率提速，網絡教育資源眾多，傳統的學習資源查詢搜索方式已經不能滿足需要，信息過載使大學生迷失方向。設計開發思想政治教育資源個性化精準推薦系統，從海量的網絡資源中分辨出滿足大學生個性化需要的資源，獲得最佳的學習途徑和思想政治教育效果。本文進行了業務流程、推薦算法和系統架構等方面的設計，解決了系統開發關鍵性的技術問題，為提高軟件開發效率和質量奠定了基礎。但是，基于用戶的協同過濾算法存在數據稀疏性和冷啟動兩個問題，本文解決了數據稀疏性問題，如何解決冷啟動問題并未涉及。因此，還需要進一步運用數據挖掘技術，有效緩解冷啟動問題帶來的影響。在開發和應用過程中，也需要深入挖掘學習者特征和學習行為數據，提高資源推薦的精準性和智能化水平。

參考文獻

[1]

閆廣新. 移動互聯網時代高校思想政治教育平臺系統構建[J]. 鞍山師范學院學報， 2018， 20（5）： 99101.

[2]張宏達. 論網絡思想政治教育資源的整合[J]. 學校黨建與思想教育， 2019， 37（14）： 6061.

[3]陳志勇. 信息過載環境下高校思想政治教育創新[J]. 思想理論教育導刊， 2018， 25（9）： 124127.

[4]周聞， 岑崗. 可解釋個性化推薦學習平臺的構建與算法研究[J]. 浙江科技學院學報， 2020， 32（1）： 7580.

[5]應麗， 方賢文， 王麗麗. 基于業務能力的可配置業務流程模型變化域分析[J]. 計算機科學， 2019， 47（10）， 322328.

[6]趙建龍. 基于協同過濾推薦技術的學習資源個性化推薦系統研究[D]. 杭州：浙江工業大學， 2011.

[7]張宇航， 姚文娟， 姜姍. 個性化推薦系統綜述[J]. 價值工程， 2020， 39（2）： 287292.

[8]劉雙雙. 基于協同過濾推薦技術在就業推薦系統的應用研究[J]. 現代計算機， 2019， 36（32）： 7375.

[9]孫歆， 王永固， 邱飛岳. 基于協同過濾技術的在線學習資源個性化推薦系統研究[J]. 中國遠程教育， 2012， 32（8）： 7882.

[10]Lee W P， Ma C Y. Enhancing collaborative recommendation performance by combing user preference and trust distrust propagation in social networks[J]. Knowledge Based Systems， 2016， 106（1）： 125134.

[11]Wang C D， Deng Z H， Lai J H， et al. Serendipitous recommendation in ecommerce using innovatorbased collaborative filtering[J]. IEEE Trans. on Cybernetics， 2019， 49（7）： 26782692.

[12]Wang Z Q， Liang J Y， Li R， et al. An approach to coldstart link prediction： Establishing connections between nontopological and topological information[J]. IEEE Transactions on Knowledge and Data Engineering， 2016， 28（11）： 28572870.

[13]李曉瑜. 協同過濾推薦算法研究[J]. 計算機與數字工程， 2019， 47（9）： 21182122.

[14]胡婷. 基于協同推薦的英語教學資源管理系統設計[J]. 自動化技術與應用， 2019， 38（9）： 158161.

[15]劉博. 以視頻點播（VOD）為載體的高校思想政治教育網絡系統構建與實踐[J]. 自動化技術與應用， 2019， 38（10）： 166169.

（收稿日期： 2020.04.27）

基金項目：

2017年遼寧省教育廳基本科研項目（WQ2017010）。

作者簡介：

林雨菲（1981），女，碩士，講師，研究方向：思想政治教育。

姜參（1979），男，碩士，副教授，研究方向：電子商務軟件開發。

文章編號：1007757X（2020）08005504