基于在線學習的個性化學習路徑推薦模式研究

李彬

摘要：隨著互聯網技術在高校教學領域的廣泛應用，在線學習已經成為一種重要的學習途徑，而在開展在線學習的過程中，個性化學習路徑的推薦顯得尤為重要。推薦算法是個性化學習路徑推薦的核心所在，通過開展基于在線學習的個性化學習路徑推薦模式的研究，能夠進一步對個性化學習路徑推薦的策略進行明確。本研究主要介紹了學習路徑推薦算法，對個性化學習路徑推薦算法應用策略進行了分析，總結了基于在線學習的個性化學習路徑推薦模式實踐運用，以期為相關研究提供參考意見。

關鍵詞：在線學習;個性化學習;學習路徑;推薦模式

中圖分類號：TP393? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）18-0034-02

開放科學（資源服務）標識碼（OSID）：

在數據挖掘技術飛速發展的過程中，智能化教學系統也獲得了極大的發展和完善，探究個性化學習路徑是當前熱點研究問題，需要面向學習者推薦個性化學習路徑。在開展在線學習的過程中，由于信息量較大，干擾學習者結合自身需求對學習資源進行針對性獲取，所推薦的學習資源達不到學習者的實際需要，降低了學習效率。在此背景下，探究在線學習的個性化學習路徑推薦模式具有非常重要的意義，通過對照研究多種算法的用途及優勢，能夠對個性化學習路徑推薦系統進行構建，得出個性化學習路徑推薦的策略，可以使個性化學習路徑推薦的價值性得到充分的體現，改善在線學習效率。

1 學習路徑推薦算法

基于知識、內容和協同過濾的推薦系統是當前應用作為廣泛的推薦系統，在推薦實現算法層面上，可以將學習路徑推薦算法劃分成基于知識、數據挖掘以及智能優化三大算法。

1.1智能優化算法

應用智能優化算法求解問題的過程中，能夠不斷向優化方向進行移動，不存在最優解，應用范圍較廣，具有并行處理和全局優化性能的優勢。粒子群算法、蟻群算法以及遺傳算法是智能優化算法在學習路徑推薦方面的主要運用。

其中粒子群算法主要是通過對鳥群覓食進行模擬的方式，形成的迭代優化算法，能夠用于對煩瑣組合優化問題進行處理[1]。POS算法的核心在于粒子同、群體信息的互換，對全局極限值gb、個體信息pb進行對比，從而不斷對飛行速度、方向進行調控，在彼此引導下實現朝最優解區域的整體聚集。

蟻群算法建立在種群探尋最短路徑的基礎上，屬于啟發式探索算法，具有較強的通用性，通過正反饋原理自適應來對問題進行處理。在個體運動時，信息素會存在途徑路徑中，剩余個體能夠參考信息素濃度對路線進行選取。

遺傳算法在學習路徑推薦領域中的應用主要在于，對學習路徑內的染色體進行結構化編碼處理，參考適應度函數F（x）對適應度值進行運算，并遵循自然選擇理念，參考概率對種群進行選擇，F（x）/ΣF（x）即為選擇概率P[2]。該算法能夠選擇優化個體，并對個體進行變異、交叉處理，從而形成全新候選解群，對優化個體重復遺傳操作進行明確，達到特定收斂指標即可。

1.2數據挖掘算法

在關聯、分類、序列模式以及聚類等分析過程中，會運用到數據挖掘算法。該算法建立在海量數據的基礎上，能夠對有價值的信息進行挖掘，并對模型進行創建，結合模型能夠有效預測數據發展趨勢。將其應用到學習路徑推薦領域中，主要會涉及Bayesian網絡、AprioriAll算法以及人工神經網絡三大算法。

其中，建立在概率推理、挖掘數據潛在聯系前提下的Bayesian網絡法，能夠結合學生的特點對學生特征、學習資源的術語近似程度進行運算，借助Bayesian概率可以對學生類型發生概率、特點概率、學習選取概率分別進行運算，以此對學習資源庫內合理的個性化學習資源進行最大概率的選取[3]。

運用AprioriAll算法來推薦學習路徑時，應對群體學習行為數據進行統計、研究，借助規則分解的途徑，將學習者行為序列轉變為長度各異的序列模式，并對不同子序列的置信度、支持度進行運算，結合頻繁項序列完成推薦任務。

人工神經網絡算法主要是結合行為數據，對人工神經網絡模型進行構建，并對學習行為進行預測，在輸入層中輸入數據后，通過函數處理，能夠在輸出層對推薦學習路徑進行獲取。該算法可以對推薦路徑、實際選取路徑進行對照研究，并對網路節點權值進行調整，不斷對模型進行健全。

1.3基于知識的推薦算法

在特定領域內，基于知識的推薦算法能借助相同知識表示方法對知識對象進行標注，可以對需求、推薦二者的聯系進行闡釋。

語義本體基礎上的推理算法，可以基于本體構建軟件protégé，語義描述所提取關鍵詞、實體，對屬性進行添加，完成結構化分類處理，還可以對語義概念范疇、不同概念的限制聯系進行界定，對語義本體知識模型進行打造[4]。參考本體庫推理規則，語義匹配后借助Jena推理機，完成推理，直觀化的呈現最終推薦結果。

情景感知基礎上的路徑推薦，主要利用的是情境感知技術，發揮推薦系統CARS 的作用，能夠對情境用戶偏好模型進行研究，并參考實際情境對用戶潛在偏好進行推薦。在對學習路徑進行推薦時，情景感知推薦可以在研究學習者行為喜好的基礎上，對多維評分效用模型進行構建。并依據現行加權、過濾法來有效過濾情境信息，重新排列推薦項目概率，使學習者獲取評價最高評價的資源。

2個性化學習路徑推薦算法應用策略

個性化學習路徑推薦的領域適應性較強，主要涉及了三大個性化學習路徑推薦算法，分別為：基于群體路徑的推薦算法、基于學習模型的推薦算法、基于特征屬性的推薦算法，不同算法各具優勢。

2.1特征屬性匹配策略

參考學習者喜好、特征屬性，將學習者、學習資源進行有效連接的過程即為特征屬性匹配，能夠像學習者個性化的推薦具有近似屬性的學習資源。特征屬性匹配策略應保證目標項特點便于量化運算、提取，借助該算法能夠對結合知識點關鍵詞或難度系數同題庫進行匹配的動態組卷生成系統DQGS、結合錯答知識點、關鍵詞來進行推薦的個性化在線學習系統PELS、結合學習資料屬性匹配或學習者學習風格進行推薦的蟻群系統SACS/AACS分別進行構架，在系統內能夠結合相應屬性、特點進行個性化的推薦[5]。仿生智能優化算法包括粒子群算法、蟻群算法以及遺傳算法，擁有模式化的操作流程、公式，在實際運用時需要結合問題來調整參數。

2.3基于學習模型的推薦策略

面向海量歷史數據所構建的學習偏好模型，能夠借助數據挖掘算法對學習者的行為數據進行處理，并劃分挖掘數據的模式，找到內在規律，從而打造出學習偏好模型，對學習者選取的學習資料進行預測，進行個性化的推薦。基于學習模型推薦策略能夠運算出概率，并劃分數據類型，并沒有設定詳細的規則。參考行為特點規律來進行類型劃分，同時分配權重是人工神經網絡算法的主要特點，可以結合學習者的行為特點類型、權重，對學習行為、學習者二者的決策模型進行構建，對數據進行函數處理，對學習行為進行預測，分析實際選取路徑同預測的差距，對節點權重進行修正，優化預測結果;而在對多代理學習推薦系統MAPLS進行研發時，需要運用人工神經網絡算法，能夠對教師推薦Java課程學習路徑這個過程進行模擬，基于決策模型來推薦學習路徑。

2.3基于序列頻率的推薦策略

結合群體路徑序列頻率完成推薦任務是基于序列頻率的推薦策略的本質。作為關鍵序列挖掘算法，AprioriAll算法可以誒記住關聯序列規則，對學習序列頻率進行整理，對子序列置信度、支持度進行運算，將關聯序列作為標準來劃分路徑類型，最終推薦路徑為擁有最強支持度的序列。

序列模式推薦系統SPR建立在協同過濾的前提下，對序列模式進行統計的過程中，借助精簡策略能夠使算法效率顯著改善。將判斷融入算法內，在子序列非頻繁項序列的情況下，對父序列進行判斷，能夠借助Top-N思想對頻繁項序列進行分析，能夠實現個性化推薦[6]。群體學習路徑系列下的推薦觀念相對簡便，要歸納研究行為序列，對關聯序列路徑進行明確，算法空間煩瑣程度、問題規模二者呈正比關系。

3 基于在線學習的個性化學習路徑推薦模式實踐運用

3.1合理配置資源，改善資源運用效率

近年來國內遠程在線教育發展勢頭迅猛，為了實現持續發展就需要對有效開發、優化配置學習資源。因為網絡資源不僅類型較多、總量較大，而且質量相差較大。個性化學習路徑推薦即篩選、融合學習資源，向學習者提供校本課程資源、網絡資源，便于學習者結合自身需求個性化的運用和選取資源。個性化學習路徑推薦模式能夠對質量高的資源進行有效整合，并實現優化配置學習資源，能夠使資源效用得到最大限度的發揮。同時，學習者借助優質資源能夠更好地開展個性化學習活動，可以顯著改善學習成績，無需耗時去進行搜集、整理。

3.2推動學習者的個性化學習，提升學習效率

在線學習的最大優勢就是支持個性化學習，使學習者能夠獲取充足學習資源，在全新學習模式下提高學習水平。個性化學習路徑推薦系統不僅具有較強的交互性，而且擁有豐富資源，完全滿足了學習者的個性化學習需求。該系統能夠參考學習者的行為數據、個反饋信息，對其學習需要、偏好進行研究，進而對針對性的學習方案、內容進行設定，將個性化學習路徑推薦給學習者，確保學習路徑同學習者認知能力相統一，幫助學習者明確學習方向，構建出系統化的知識框架體系。學習者在開展學習活動的過程中，依據個性化學習路徑推薦系統，可以對學習目標進行自主設定，結合知識結構對具體學習內容、計劃進行選取，能夠使學生的學習能力、學習水平得到全面提升。同時該系統還支持學習者開展分享和溝通活動，在協作討論和學習過程中，讓學習者牢固掌握知識，提升綜合能力。

3.3提供學習分析的依據

學習分析主要為，借助學習分析技術，廣泛對學習者數據進行搜集、研究，科學預測、評價學習者的學術表現，了解學習者在學習過程中存在的問題。基于在線學習的個性化學習路徑推薦系統可以對學習者的學習狀況、進程進行實時性的跟蹤，并對學習內容、時間、進入系統的頻率、成績等各方面信息進行有效的記錄，在整體性研究行為數據的基礎上，向教學者進行信息反饋。這樣教學者就能夠對教學工作、策略進行優化調整，提高教學的針對性和效率。系統管理者也能夠參考數據信息，對學習資源進行進一步的篩選，對獲取幾率小的學習資源進行刪除處理，為學習者創造良好的學習空間，將優質、個性化的學習服務提供給學習者。

4 結語

綜上所述，學習路徑推薦算法、知識模型以及學生模型是構成個性化學習路徑推薦系統的主要構成模塊，知識模型和學生模型能夠借助推薦算法有效連接起來，個性化推薦的效果同推薦算法直接相關。通過開展基于在線學習的個性化學習路徑推薦模式研究，在學習路徑推薦和算法性能方面，對照研究學習路徑推薦算法，能夠了解不同算法的優缺點，對優化的個性化學習路徑推薦系統進行構建，進而充分發揮路徑推薦方面各算法的應用價值。

參考文獻：

[1]姜強，趙蔚，王朋嬌，等.基于大數據的個性化自適應在線學習分析模型及實現[J].中國電化教育，2015（1）：85-92.

[2] 趙學孔，徐曉東，龍世榮.協同推薦：一種個性化學習路徑生成的新視角[J].中國遠程教育，2017（5）：24-34.

[3] 崔萌，穆肅，黃曉地.基于過程數據及分析的在線學習路徑研究：規律與規劃[J].開放教育研究，2020，26（3）：58-70.

[4] 姜強，趙蔚，李松，等.大數據背景下的精準個性化學習路徑挖掘研究——基于AprioriAll的群體行為分析[J].電化教育研究，2018，39（2）：45-52.

[5] 申云鳳.基于多重智能算法的個性化學習路徑推薦模型[J].中國電化教育，2019（11）：66-72.

[6] 盧文輝.AI+5G視域下智適應學習平臺的內涵、功能與實現路徑——基于智能化無縫式學習環境理念的構建[J].遠程教育雜志，2019，37（3）：38-46.

【通聯編輯：光文玲】