大數據環境下高校移動學習平臺的設計與實現

趙 衛，方 誠

(咸陽師范學院信息化建設辦公室，陜西 咸陽 712000)

0 引 言

作為數字化學習的一個重要分支，移動學習正逐漸受到人們的關注，并成為高等教育及相關領域的研究熱點。作為一種全新的學習形式，移動學習在培訓和教育領域中有著不可估量的應用潛力。學習者可以隨時隨地利用移動終端和無線通信網絡進行學習，相應的，教育工作者也可以隨時隨地查看學習情況反饋和評價等。

移動學習系統(smart learning mobile)是一種針對便攜式移動設備(手機、平板電腦等)的系統，它是基于無線互聯網的移動學習方案，方案中強調“隨時、隨地、隨身”的碎片式學習。系統支持用戶通過移動設備實施遠程的教與學，可以實現學生間隨時隨地便捷地進行學習和交流，為數字化虛擬教學的實現提供了技術支持[1-4]。

在傳統的教學方式下，課堂教學大多缺乏趣味性，不能夠有效地吸引學生注意力，并且課堂反饋較慢。傳統授課方式下，課后老師與學生之間缺乏足夠互動，存在老師無法即時了解學生學習的狀態與行為。

傳統教學中存在的種種問題，在移動教學模式下都能夠較好地解決。一個老師可以根據學生的學習行為、學習習慣發現學生對知識的掌握情況，并因此對教學行為做出調整。還可以通過技術手段增加課余學習內容精準推薦，課堂教學的各種互動，以及課后及時獲知某一課程或某一學生的學習狀態等。并且，做好這些也是移動學習技術需要研究、解決的問題[5-7]。

大數據技術的發展，可以在社交媒體上獲得用戶行為的描述，在各種分布式平臺上(例如Spark，Hadoop，Hive，strata等)展示大量數據，這些工具在增強和執行大數據集的預測分析中起著至關重要的作用[8]。在教育移動化發展過程中，教育環境在支持教育活動的空間和外部條件方面發揮著重要作用。構建智能學習環境是智慧教育的核心任務，包括信息感知，教育方式個性化、教育資源整合，實現教育內容的可預測性和動態平衡。

教育大數據技術融合了許多教育信息資源和學習資源。文獻[9]中提出可根據學生學習過程中產生的各類個性化數據來評估學生的學習過程情況。傳統的學習內容方式包含兩種模式：(1)基于學習內容屬性的協同過濾推薦；(2)基于學習內容屬性的過濾[10]。傳統的智慧教育系統均是基于學習內容或從教師的角度出發。然而，在這些系統中學生的學習情況常常被忽略，因此系統使用過程中對于學生成績的提升往往是有限的。

在線學習為用戶提供了豐富的學習資源，但同時也給學習者帶來了相應的困擾。如何在海量的學習資源中找到自己所需的學習資源是一件很困難的事，長而久之，用戶會厭倦這種“大海撈針”式的查找。因此，如何讓用戶在海量資源中快速找出適合自己的資源，成為目前在線學習系統亟待解決的問題。于是，用戶推薦系統應運而生。用戶推薦系統是指導學習者發現自己感興趣的信息的工具，它能夠有效地解決學習者在學習資源過載情況下的資源選擇問題。推薦系統通過分析學習者的歷史及當前行為數據，構建相應的數學模型，自動為學習者提供個性化服務，推薦其感興趣的信息或者課程資源。因此，設計開發個性化推薦的在線學習系統不僅能讓學習者輕松獲取到適合自己的資源或者信息，極大節省了時間成本，還能提升學習者的學習效率和體驗效果，同時也避免了學習系統用戶的流失。

根據用戶實際學習情況，該文提出一種基于大數據的移動學習系統，并按照學習內容屬性項提出了一種模糊推薦算法，將用戶個性化的內容進行融合，設計了基于智能推薦的移動學習平臺。

1 系統相關模型

由于傳統智慧教育系統存在海量學習資源的獲取困難問題，因此該文設計了用戶推薦系統。系統涉及的主要技術包括常用的推薦算法、大數據處理平臺、JavaWeb開發框架等。當前常用的推薦算法有協同過濾推薦算法、基于內容的推薦算法及混合推薦算法。

該系統提出了一種基于模糊推薦模型的設計，該模型的基礎是學習內容屬性，學習內容屬性在范圍[0，1]中用模糊數字標記。為了提高描述的準確性，每個學習內容屬性項通常使用來自不同角度的幾個不同值進行標記[11]。通過Delphi方法歸因于建立學習內容之間的關系的過程表示如下。

假設H={h1,h2,…,hn}是學習內容u的屬性集的域，M位專家分別為每個屬性項設置一個值Hi(i=1,2,…,n)，專家K設置的值表示為Sk(Hi)(i=1,2,…,n;k=1,2,…,m)，M位專家的成員資格表示如下：

不適用于專家系統的學習內容屬性項可以表示為基于Hi的函數，表示如下：

Sf(Hi)=F(Hi)

學習內容的隸屬度U可以用{S'(Hi)}表示：

1.1 主要模糊推薦要求集的設置

根據推薦的特點，推薦活動集將反映學生對內容的學習興趣，可用于構建一組學習者的學習需求。

設U={u1,u2,…,up}為學習者的學習內容集，其中u1=(S11,S12,…,S1i,…,S1n)；學習內容要求集表示如下：

I=(I1,I2,…,Ik,…,Ip)

其中，Ik表示學習者學習項目K內容屬性的主要需求，學習內容的差異表示如下：

1.2 高級模糊推薦要求集的設置

通過對學習內容和學習行為的分析，發現主要的模糊推薦需求集對學習者需求的描述不明確，因此，有必要建立一種先進的模糊推薦需求集模型[12-15]。

(1)重要屬性。

設I'為對學習者學習內容屬性的高度偏好表達，并且定義H={h1,h2,…,hn}為學習內容u的項集的域，M專家分別為每個屬性項設置一個值Hi{i=1,2,…,n}，專家K設置的值表示為Qk(Hi){i=1,2,…,n;k=1,2,…,m}，M專家的成員資格表示如下：

Delphi方法的局限性在于該方法不能成為每個學習者的個性化分配。為此，該文對Delphi方法進行改進。

設Hk={Hi,Hi+1,…,Hi+j}，Hk的屬性包含Hi…Hi+j的屬性，建議學習需求為{li,li+1,…,li+j}，li+j代表項目i+j學習內容的主要推薦要求。

(2)高級推薦模型。

(3)算法設計。

學習內容推薦算法如下：

IfIf<α1then

S={A∧I'}*Im+If

Else ifIf>α2then

{ifAk?{Uk}

S={A∧I'}*Im+(1-If)

ElseS={A∧I'}*Im

}

其中，α1和α2是兩個常數，且α1<α2

2 系統架構設計

大數據的核心是數據，如何從海量數據中尋找有價值信息是研究者研究的主要目的，而研究的關鍵在于如何對數據進行正確的統計和分析。對于移動學習系統而言，當學習者的行為數據積累到一定程度，就可以通過挖掘應用群體的行為模式，對數據進行分析、統計、歸納，進而發現學習者的學習規律，判定出哪些知識點需要重點強調，哪些科目是學習者感興趣的，從而實現對學習者的因材施教，進而有針對性地開展教學和指導。

另外，通過對大規模學習數據的挖掘和統計，可以對學習資源進行反復檢驗、改進，進而提高在線學習資源的優質性。該文從實際應用的角度研究了在線學習資源系統的設計與實現，同時將模糊推薦模型引入系統中進行整合。首先，對系統進行技術選型；接著進行了系統設計，以滿足用戶需要；最后，對設計的系統架構開發了整個在線學習資源系統。

隨著互聯網技術的發展，目前主流的JavaWeb開發框架集有SSH(Spring+Struts2+Hivernate)和SSM(Spring+SpringMVC+Mybatis)。眾所周知，SSM框架集是優于SSH框架集的，所以選擇SSM(Spring+SpringMVC+Mybatis)框架作為該系統的基礎開發框架。

在線學習系統是多個業務功能模塊的集合，傳統的開發模式是將所有功能在同一工程中開發，隨著業務的增加，整個工程會變得十分龐大和繁雜，不利于系統的維護和新功能的添加。該文采用了微服務的思想，把整個系統按業務拆分成不同的服務，對每個服務進行開發。這樣一來，使得每個服務都相當于一個微型應用，服務之間通過HTTP請求來通信，一旦增加新的業務模塊，只需要開發一個新的服務即可。因而增強了系統在功能上的良好的擴展性。

2.1 課程推薦系統框架設計

在線學習系統是一個個性化推薦學習系統，系統根據用戶的學習信息、基本信息及一致信息數據庫數據，向用戶推薦其可能喜歡的課程資源，同時也為系統用戶提供了一個在線自主學習平臺。該文的在線學習系統設計有以下功能：個性化推薦、相關課程推薦、熱門課程推薦、用戶注冊、用戶登錄、個人信息維護、課程搜索、課程評價等。

整個系統業務處理的核心是推薦處理系統。推薦處理系統的主要功能是對系統中的用戶進行個性化課程推薦，系統中每位用戶的推薦候選集由推薦處理模塊進行計算獲得，個性化推薦服務從學習內容推薦處理系統獲取用戶的個性化推薦候選集，然后通知給用戶。

推薦處理系統架構如圖1所示。

圖1 推薦處理系統架構

在上述構建思路中，系統中的用戶基本信息數據庫中存儲了每位用戶的行為數據和學習信息，內容推薦處理系統通過對基本信息數據庫中的數據進行計算，獲取到用戶的個性化推薦數據。數據庫動態維護學習者的學習興趣，系統中的用戶存在兩種情況：一種是有推送歷史記錄的用戶，另一種是沒有推送歷史記錄的用戶。對于沒有推送歷史記錄的用戶，由于其用戶興趣數據庫中沒有用戶行為日志，系統無法對其進行個性化推薦服務。為了解決這一問題，系統會根據用戶首次登陸選擇的課程類別標簽，向其推薦所選課程類別中的熱門課程。

上述學習內容推薦處理系統的具體流程如圖2所示。為了加強對更多服務提供商系統的支持，可以定制信息源。

圖2 推薦處理模塊的實施過程

用戶在系統中查找課程資源時，如果查找的課程與自己所需的資源有差異，就不得不重新查找。推送服務器的主要功能是用戶在瀏覽某個資源或課程詳情的時候，系統向用戶推薦相似的資源或者課程，提高了用戶的體驗效果，實現了課程推薦服務。

2.2 課程搜索功能設計

課程搜索功能模塊主要負責對用戶輸入的關鍵字進行課程檢索。課程關鍵字檢索是尋找課程資源的重要手段，如何快速準確地為用戶返回檢索數據是課程搜索模塊需要解決的首要問題。

首先，對課程描述信息進行分詞處理，以匹配檢索關鍵字；其次，在服務器上建立Index和Type,并將數據庫中的課程數據同步到服務器上；最后，在相應服務器上進行配置。圖3為用戶使用關鍵字進行課程搜索功能的實現流程。

圖3 系統功能組成結構

2.3 移動學習平臺系統框架設計

系統運行情況的優劣取決于系統架構設計[16]。根據系統功能模塊，對在線移動學習平臺系統架構進行了設計，構建了如圖4所示的在線移動學習平臺系統。

圖4 系統功能組成結構

圖4中可以看出，注冊用戶在注冊時就可以對自己感興趣的內容進行備注，對自己所要學習的學科進行選擇，通過用戶信息管理系統完成對用戶信息和數據的管理。首次登陸的注冊用戶，系統會根據所選學科或者備注的內容對其進行內容推薦，內容推薦處理模塊通過對用戶興趣信息的計算，返回給用戶一個較為精準的推薦學習內容，使得用戶獲得良好的使用體驗。如果用戶所選的學科為一門新學科，系統中以前并沒該學科的記錄，處理系統將引導用戶對該學科所含的科目進行選擇、完備。系統會根據用戶提交的學科信息，不斷豐富整個學習內容，通過海量的存儲，滿足不同用戶的個性化需求，最終達到在線學習資源的豐富和推薦內容的有的放矢。

傳統學習平臺的搭建是基于某個服務器或者服務器群的，這就使得各個高校或者機構需要搭建重復的學習平臺，不能達到資源共享和高利用率。因此，針對這種問題，在系統設計中引入云平臺的概念，通過學習資料資源池的構建，對學習內容進行海量存儲，極大地豐富了學習資料。

系統平臺的整體架構設計如圖5所示。

圖5 系統總體架構

從圖5中看出，用戶通過移動終端與系統連接，可以從系統獲取學習資源，同時也可以上傳優質的學習資源到服務平臺，達到資源共享的目的。管理人員通過文件系統完成對資源的管理，定期查看和管理資源，從而不斷豐富學習內容，剔除利用率低的資源，從而高度、高效地利用學習資源。

2.4 課程推薦模塊的測試和效果分析

課程推薦模塊主要負責計算生成用戶的推薦候選集，用戶對推薦課程的滿意程度取決于推薦課程是否滿足用戶的個性化需求。要測試推薦處理系統能否滿足個性化需求，就需要驗證計算生成個性化推薦候選集是否準確。由于該文提出的推薦處理模塊采用了模糊推薦模型，因此只需要對模糊推薦模型的推薦效果進行評測，就可以驗證推薦效果。該文采用離線測試的方法驗證模糊推薦模型的推薦效果，以準確率作為推薦效果的測評指標。

準確率指的是推薦處理系統中用戶評價過的課程數量占總數的比例，其計算公式如下：

其中，R(u)表示用戶的推薦集合，N(u)表示用戶已評價的課程集合。

使用模糊推薦處理模型，通過使用用戶對課程的滿意度，獲取測試用戶的個性化推薦集合，然后計算個性化推薦的準確率。同時，該文還選取了一種協同過濾推薦算法來進行對比研究。

由表1的結果可知，采用模糊推薦模型獲取的個性化推薦可以獲得比較高的準確率，測試結果表明該方法能夠滿足用戶的需求，達到了預期的推薦效果。

表1 不同方法相應推薦集的準確率

3 結束語

隨著互聯網的普及和學習方式的革新，越來越多的學習者選擇線上學習，移動學習平臺可以讓課堂教學更加靈活。移動學習系統為用戶提供便捷的同時也帶來了困擾，如何在海量學習資源中準確捕捉到自己感興趣的資源成為亟需解決的問題。該文將個性化推薦技術引入移動學習系統，信息主動推薦服務是該系統的重要模塊之一，信息主動推薦服務的優劣可以作為移動學習平臺的一項評估標準。在所設計的系統中，提出了針對信息推薦內容的推薦模型，為移動學習資源的更優推薦提供了參考和借鑒，同時學習者也能隨時獲取更加合適的學習資料，并及時調整自己的學習計劃。