基于JavaEE的海量學習資源分析平臺的設計與實現

孫濱 邱雪峰

摘要：當前學習資源規模較大，導致分析難度較大，分析結果可靠性較低，為此，提出基于JavaEE的海量學習資源分析平臺設計與實現研究。將具有強大存儲功能的SDBPNPZ-256G-XI存儲器和穩定轉換功能的523-FCE17A15AD290適配器作為平臺的硬件環境，利用JavaEE從存在需求角度對資源進行二級化處理，根據待分析資源的相似性和參數跨度實現對其的分析。測試結果：設計平臺對資源所屬類別的分析結果準確率可以達到98.8%，對于資源屬性的分析結果準確率可以達到96.15%。

關鍵詞：JavaEE;學習資源;存在需求;二級化處理;相似性;參數跨度

中圖分類號：TP311? ? ? 文獻標識碼：A

文章編號：1009-3044（2022）19-0061-02

在當前的社會大環境下，對于資源的競爭越演越烈，不斷尋求更加科學高效的資源管理機制也是提高資源應用價值的重要途徑之一，而實現這一目標也離不開對資源的有效分析[1]。以往依賴經驗的資源分析方式不僅對于資源深層特征的開發不具有積極作用，對分析結果維護的難度也相對較大，這就直接導致后期資源管理成本較高，周期較長，無法保證資源的應用效果[2-3]?；诖耍疚奶岢龌贘avaEE的海量學習資源分析平臺設計與實現研究。分別從硬件和軟件的角度對平臺進行構架和設計，并通過試驗測試驗證了設計平臺的實際應用效果。通過本文的研究，也期望為學習資源的分類管理、智能化推薦等工作的開展提供有價值幫助。

1 硬件設計

1.1 存儲器

學習資源的規模較大，為此要求平臺能夠適應長期以及臨時存儲的需求。本文選擇SanDisk公司生產的SDBPNPZ-256G-XI作為平臺的存儲裝置[4]。存儲器的SSD可以連續處理讀寫，測量平均最大功率可以達到至少10個命令/秒，每個命令的傳輸大小為128KB，讀取間隔為1秒。在25°C下測量，可因輸入電壓和環境溫度變化而變化。

1.2 連接裝置

由于學習資源的來源不同，因此對學習資源的分析需要平臺建立可靠的連接裝置，本文選用Amphenol Commercial Products公司生產的523-FCE17A15AD290適配器作為平臺的轉換連接裝置。組件本身具有優異振動和防潮性能，接線片與焊料型觸點為不可拆卸連接方式，降低了人為因素造成的連接問題[5]。壓接式連接器利用支持設備的應用程度實現對數據的轉換和傳輸。采用堅固的鋁外殼和外圍密封，連接器滿足所有適用的再租賃要求。但其與Mll-c-24308的連接要求并不適配，與其他超小型產品一起使用時不會造成平臺運行負載異常問題。所用的電壓數據均為交流（MMS），頻率為60 Hz，在約25℃，50%的耐溫性下測量，觸點壓降最大為2.67毫伏，每安培觸點分離力為1至8盎司。正確接線和封裝時，空氣泄漏壓差為30 psig;當振動超過試驗時，最大為1立方英寸/小時。耐濕性超過MLL-STD-202A方法106的要求（根據MIL-C-24308）沖擊超過了MIL-STD-202A方法213的要求，具有良好的應用性能。圖1為結構拓撲圖。

2 軟件設計

2.1 基于JavaEE的資源約束指標

JavaEE可比較方便地實現數據庫的儲存，在安全性高的同時還可實現一次編寫隨處運行的特點。JavaEE技術還為企業開發者提供了一個良好的體系結構，該技術支持XML、JSP、EJB等。JavaEE是一種分布式多層次框架，其具有很多組件，JavaEE可以分為4層，其結構見下圖2。

線性學習資源分析策略會致使虛擬機與物理服務器之間形成一種長期的綁定關系，導致針對單個屬性的資源分析策略產生負載的不均衡的問題[6]。為此，本文利用JavaEE，首先從存在需求的角度對云端虛擬機內存中的學習資源進行基礎判斷。受云端接收訪問請求數量以及頻率的影響，虛擬機被部署在具有空閑CPU的物理服務器上時，學習資源是以被動的形式存在的。為此，本文借助JavaEE對資源請求與目標之間的匹配關系進行一致化處理，并將得到的結果存儲到SDBPNPZ-256G-XI數據庫中，當再次出現同類型請求時，將SDBPNPZ-256G-XI數據庫中的資源作為優先調度內容，當其滿足請求時，則將其作為深度學習的目標，并在平臺中將其定位為該類問題的首要存在需求;當不滿足請求時，則將其作為該類請求次要存在需求[7]。通過這樣的方式，就可以形成以主次形式存在的資源分類模式，以每類資源內的中心數據作為基礎，以滿足請求該類達到50%的范圍作為半徑，對學習資源進行約束。以此為后續更多資源的分析工作提供基礎。

2.2 學習資源分析

在上述基礎上，平臺在實現對眾多學習資源的分析時，既要考慮分析的效率，又要兼顧分析的可靠性。因此，本文利用523-FCE17A15AD290建立起不同來源待分析資源與基礎資源之間的連接關系[8]。以基礎資源為判斷基礎，從相似性和參數跨度兩個角度對資源進行分析。

關于相似性的判斷，主要包括執行時間、傳輸時間、內容表述方式、關鍵詞幾個方面。結合層次分析法，將每項指標的相似性分別由兩部分組成，分別是與首要存在需求資源的相似度以及與次要存在需求資源的相似度。其中，最終相似度的結果是以執行時間、傳輸時間、內容表述方式、關鍵詞的實際值與權重值的乘積之和決定的[9-10]。在賦權階段，本文結合學習資源分類要素的組成，構建的賦值結果分別為0.1，0.1，0.4，0.4。同時，為了適應不同二級化處理結果，本文對相似度結果的判斷結果劃分標準設計如表1所示。

當相似度滿足表1的標準時，則對其的分析結果即為對應的對比類別。對于參數跨度的計算，只要是針對相似度分析結果不明確的資源而言的。當待分析的學習資源與虛擬機中學習資源在需求特性并未形成明確的相似關系時，平臺以參數跨度最小長度原則實現對資源的分析。對此，首先采用K-均值聚類算法將不同資源狀態下的關鍵詞進行聚類，以簇邊界作為不同類別的分割點，以此得到待分析資源與每個平臺基礎資源之間的跨度關系，將跨度最小的類別作為最終的分析結果。通過這樣的方式，實現對海量學習資源的準確分析。

3 應用測試

3.1 測試數據準備

為了提高測試結果的可靠性，實驗采用的數據來自某初中教學輔導應用程序，其中包含初中階段所有學科的學習資源。系統采用[MyEclipse7.0]結合[Deamweaver8]開發。[Web]服務器的操作系統為[Windows? ][Server2003]企業版，用[Tomcat6.0]作為JavaEE運行環境和對外提供[Web]服務，用[Windows] [Server2003] 結合[MySQL5.0]作為數據庫服務。本文采用隨機選擇的方式在數據庫中抽取1000條學習資源作為測試數據。以此為基礎，定義不同學科特征中心為分類標準。得到實驗數據的具體構成如表2所示。

3.2 測試結果與分析

將上述數據輸入到平臺中，按照分析結果將其對應到不同的學科中，計算其分析結果的可靠性，其結果如表3所示。

從表3中可以看出，本文設計平臺對學習資源的分析結果具有較高準確度，在1000條測試數據中，錯誤率僅為1.2%。表明設計平臺可以實現對資源特征的有效判斷，分析結果具有較高的可靠性。

為了進一步分析平臺對資源的精細化分析效果，對英語資源中的數據進行具體的類別分析，分別將其劃分為單詞學習資源、語法學習資源、口語學習資源、寫作學習資源，最終得到的結果如表4所示。

從表4可以看出，平臺對于學習資源的精細化分析同樣具有較高的準確度，僅在單詞學習資源和語法學習資源的分析上出現了1次混淆。這是因為本文設計平臺對資源的分析是分層次逐級進行的，分析結果的自監督能力更強。

4 結束語

學習資源的豐富為自主、全面學習提供了極大的便利，但與此同時，如何在海量信息中快速提取出滿足用戶使用需求的資源，如何實現對目標資源的快速定位都離不開對學習資源屬性特征的正確判斷。為此，本文從學習資源的角度出發，以其自身的屬性特征為分析對象，為資源的高效利用提供了可靠基礎。

參考文獻：

[1] 王博.以良好干預為目的的在線學習行為分析系統構建研究[J].電子世界，2021（2）：98-99，102.

[2] 孫飛鵬，于淼，湯京淑.基于知識圖譜的漢語詞匯學習資源推薦研究——以HSK三級詞匯為例[J].現代教育技術，2021，31（1）：76-82.

[3] 郭學品，韋小妹.混合式教學模式下大學計算機公共課學習資源評價探討[J].創新創業理論研究與實踐，2021，4（3）：25-26，32.

[4] 李鄉儒，梁惠雯，馮雋怡，等.在線教育平臺中個性化學習資源推薦系統設計[J].計算機技術與發展，2021，31（2）：143-149.

[5] 謝盼.面向終身學習教育的智能學習平臺的設計與實現[J].吉林廣播電視大學學報，2020（12）：61-63.

[6] 劉權緯，王興輝，蔣紅星.中小學教師混合研修中生成性學習資源使用意向影響因素研究[J].現代遠距離教育，2020（6）：24-34.

[7] 邱春紅.大數據環境下面向社會招生人員學習資源采集與智能推送策略研究[J].工業控制計算機，2021，34（4）：129-130，139.

[8] 覃忠臺，張明軍.基于協同過濾算法的學習資源推薦模型研究[J].計算機技術與發展，2021，31（9）：31-35.

[9] 吳晨旭，王笑斌，段凱歌.基于JavaEE的大學生創新創業項目管理平臺的設計與實現[J].物聯網技術，2021，11（9）：87-88，91.

[10] 李海峰，王煒.在線學習社區的知識共享質量影響因素：以學習者書評質量分析為例[J].現代遠距離教育，2021（5）：12-23.

收稿日期：2021-12-05

基金項目：2021年河南省大學生創新創業訓練計劃項目（項目編號：S202112747005）;2020年度河南省新工科研究與實踐支持項目（編號：2020JGLX090）;河南省教育廳高等學校重點科研資助項目（項目編號：22B520040）;河南省教育廳高校青年骨干教師培養資助項目（項目編號：2019GGJS279）;2021年教育部高等教育司產學合作協同育人資助項目（項目編號：202102633007）

作者簡介：孫濱（1983—），男，河南遂平人，副教授，碩士，研究方向為機器學習與教育大數據。