基于煤礦從業工種的安全生產教育資源推薦服務的研究

鄭陽平

(承德石油高等專科學校 計算機與信息工程系，河北 承德 067000)

1 基于煤礦從業工種的安全生產教育資源推薦服務建設的要素

隨著時代的發展和移動終端的普及，隨時隨地在線自主學習成為知識獲取的重要渠道，推進移動化泛在學習已經成為時代發展的需要。在線開放課程、精品資源共享課、云課堂、MOOC(慕課)等形式的在線學習已經成為現代學習者的主要學習方式和知識獲取途徑。煤礦安全教育云平臺建設也在逐步興起，面對煤礦從業工種較多，資源種類和類型繁多，如何針對某一從業工種，快速將適合的煤礦安全生產教育資源實體推送給一線礦工。因為一線礦工文化程度不高，學習積極性不高。通過一線礦工注冊的信息，獲取其從業的工種和工作崗位，記錄學習行為，運用大數據和數據挖掘技術，智能智慧推薦相關學習資源，保證一線礦工必須技術知識的學習。基于從業工種的煤礦安全生產教育推薦服務應從以下四要素著手建設：

1)煤礦安全生產教育資源建設。煤礦安全生產教育資源以形象、生動、樂學、易學為原則進行設計開發。根據煤礦一般從業人員、班組長、安全管理人員分類，大致可以分為，十大特殊工種(如井下爆破，瓦斯抽采，掘進機等)和21個一般從業工種(采煤工、防塵工、掘進工、軌道工等)。對每一從業工種，按照技術增長路線進行資源建設，并且為每個資源打上特征標簽，如工種、工作崗位，能力、技能點等，以短視頻、圖片、漫畫、3D動漫、VR仿真警示教育體驗等信息化形式展示給一線礦工，使煤礦安全生產教育資源具有感染力和吸引力，促使一線礦工興趣娛樂學習。短視頻主要演示操作規范和技術要點；3D動漫形象直觀、生動地將煤礦中的人、機、環、管危險源的過程再現，將枯燥的安全知識點通俗生動的表現出來，讓一線礦工在輕松的氛圍中熟識各類危險源，掌握排除危險的方法；VR仿真警示教育體驗是在建立的煤礦生產操作虛擬環境，將不可見的地下的一些不安全行為操作形象、直觀的表現出來，提高井下工人的安全意識，克服不良習慣，促進安全生產。

2)煤礦安全生產教育云平臺建設。煤礦安全生產教育云平臺以簡單、易學、開放、實用為原則進行開發和設計。智慧云平臺通過對一線礦工用戶工種、工作崗位、學習行為和個性特征的采集與分析，應用智慧推薦策略，推送相對應的學習資源，從而實現基于工種的技術知識學習。本平臺采用HDFS和關系型數據庫相結合的存儲結構，通過數據庫的檢索查詢，獲取資源實體在HDFS中的存儲位置，實現對煤礦安全生產教育資源的訪問。

3)煤礦安全生產教育資源智能化搜索建設。隨著信息爆炸式增長，煤礦安全生產教育教學資源儲備呈現海量化特征，根據一線礦工用戶搜索的關鍵字，結合工作和工作崗位，在海量化的教育教學資源中，利用知識圖譜和用戶行為數據快速的縮小搜索范圍，將精確的煤礦安全生產教育資源快速的推送一線礦工學習。

4)煤礦安全生產教育資源推薦服務建設。面對安全生產教育資源信息過載引起的問題，如何改變學習者(一線礦工和安全管理人員)的學習行為，由主動的利用搜索引擎尋找學習資源轉變為被動的接收基于特定工種的煤礦安全生產資源的推送，是智慧推薦服務建設的目的。通過收集較為完整的學習者的學習行為、基本檔案信息、興趣愛好等特征向量構建學習者模型，在學習者和煤礦安全生產教育資源、學習者和學習策略之間建立連接。借助于學習者特征向量、學習煤礦安全生產教育資源特征向量和學習策略特征向量之間的關系紐帶進行科學的計算，生成學習診斷或建議，智慧推薦基于從業工種的學習內容或學習路線。

2 煤礦安全生產教育資源推薦服務關系模型

煤礦安全生產教育資源推薦服務主要涉及學習者(一線礦工和安全管理人員)、煤礦安全生產教育資源和云平臺三個實體，云平臺是教育資源載體，同時收集學習者的一些屬性和學習行為，煤礦安全生產教育教學資源是云平臺與用戶銜接橋梁。推薦服務通過洞悉學習者的需求，提供針對某一工種的煤礦安全生產教育資源，確保其從事安全生產，避免無知型違章。借助學習者特征向量、煤礦安全生產教育資源特征向量和學習策略特征向量的關系紐帶，將學習者與學習資源或學習策略連接起來。學習者特征向量包括學習者基本信息(編號、性別、工種、工作崗位、關注對象等)，學習風格(認知風格、媒體偏好、學習傾向、興趣愛好等)，學習行為(學習內容、學習時間、學習資源類型、學習過程、測試評價等)。引入學習資源特征描述的目的是通過其特征描述、評論信息和屬性標記等方式，使得學習資源的管理和檢索更加便捷。煤礦安全生產教育資源特征向量包括資源描述、工種類型、工作崗位、知識點、技能點、能力、媒體類型、難易程度和資源評論等。學習策略特征向量包括認知策略(記憶、理解等)、元認知策略(學習計劃、學習過程記錄等)和資源管理策略(學習時間、評價等)，各個策略都有自己對應的子策略(見圖1)。

3 基于煤礦從業工種的安全生產教育資源推薦服務

3.1 基于煤礦從業工種的安全生產教育資源推薦服務系統框架

隨著互聯網+和電子商務的快速發展，推薦服務系統越來越被人們重視。基于煤礦從業工種的安全生產教育資源推薦服務系統整體框架，如圖2所示，其中，推薦算法和數據挖掘技術是推薦服務系統的重要組成部分。

協同過濾推薦技術分為基于User協同過濾推薦(User CF)和基于Item協同過濾推薦(Item CF)。基于User協同過濾推薦算法，通過一線礦工用戶對煤礦安全生產教育資源評價來評測學習者之間的相似性，推薦那些有共同工種和興趣愛好的用戶所感興趣的資源，優點是適合性較強，適用于用戶個性化興趣不太明顯的場景，缺點是存在冷啟動問題和稀疏問題；基于Item的協同過濾推薦算法是給學習者推薦哪些資源相似的煤礦安全生產教育資源，優點是可以有效進行長尾挖掘，能夠發現學習者潛在的興趣愛好，缺點是過于依賴用戶行為，存在冷啟動問題，多樣性較差。混合推薦技術集兩者優勢，在不同的階段使用不同的推薦技術，以達到最佳的推薦效果。

3.2 基于從業工種的煤礦安全生產教育資源之間的相似度計算

關于煤礦安全生產教育資源相似度計算的方法有很多，如毆氏距離、曼哈頓距離、余弦相似度、杰卡德相似系數和皮爾遜相關系數等。學習者與煤礦安全生產教育資源相似度描述了不同學習者的興趣與關注資源的相似程度，將學習者對某一煤礦安全生產資源的喜好或者評價作為一個特征向量，該向量值越高，則說明學習者對煤礦安全生產教育資源類別中的相關資源的興趣度越高。因此，建立一個從煤礦安全生產教育資源1到m的矩陣Am×n來表示學習者對各個類別煤礦安全教育資源的喜好程度。其中，m表示煤礦安全教育資源數，n為學習學習者總數，元素xij表示第i個學習者給第j個煤礦安全教育資源感興趣程度。

由于學習者對煤礦安全生產教育資源選擇及感興趣程度不同，這里采用杰卡德相似系數進行計算，自定義其函數為def Jaccard(a, b)，其公式如下：

式中，Sim1,m表示煤礦安全教育資源1與煤礦安全教育資源m的相似度，A1∪Am表示對煤礦安全教育資源1與煤礦安全教育資源m感興趣的學習者總數，A1∩Am表示同時對煤礦安全教育資源1和煤礦安全教育資源m感興趣的學習者總數。通過計算，完成各個煤礦安全教育資源之間的相似度計算，即可構成一個煤礦安全教育資源相似度矩陣，如表1所示，根據所建立的相似度矩陣，推薦算法會向學習者推薦與相應煤礦安全教育資源最相似的K個煤礦安全教育資源，同時根據對推薦的內容進行排序，將已經學習過的煤礦安全教育資源給予剔除。通過計算相似度矩陣的函數def similarity(self, x, distance)進行實現。

表1 煤礦安全教育資源相似度矩陣示例

3.3 計算學習者(一線礦工或安全管理人員)學習興趣矩陣

在面向一線礦工的煤礦安全生產教育資源云平臺中，提供了與學習者交互的頁面，學習者在云平臺中的絕大多數學習行為，都會被記錄在用戶日志和后臺數據庫中。學習者行為數據主要存儲三個字段：用戶ID，煤礦安全教育資源ID，資源標簽和喜好反饋值，如表2所示，學習者的學習行為可以歸結為二元特性，即感興趣或不感興趣，學習或者不學習。學習者對煤礦安全教育資源發生的行為可以認為是對此資源所帶標簽的行為。煤礦安全教育資源推薦系統通過分析學習者的行為數據，進行數據挖掘和計算，并將結果存儲在后臺數據庫中。

表2 一線礦工或管理人員學習行為分值表

與基于從業工種的煤礦安全生產教育資源之間的相似度計算相似，同理，從學習者的學習行為數據庫中，提取偏好矩陣Rm×n來計算學習者的興趣矩陣Pm×n，計算公式為：

Pm×n=Simm×n×Rm×n

這樣就度量了推薦算法中學習者對煤礦安全教育資源的感興趣程度。

3.4 基于工種的技術知識增長路線推薦服務

事實上，Item CF推薦算法已經可以實現結果的推薦，但是它的推薦結果是相似度較高的煤礦安全教育資源，如某個知識點或技能點的視頻、文檔、習題等，基本屬于同一級別的知識點，對知識增長和學習路線的推薦結果可能不夠理想。所以，構建以某一工種技術知識增長路線推薦就顯得非常重要。以某一工種技術知識點為中心，建立該技術知識的前導必須知識點或技能點以及后續緊鄰知識或技能點。如圖3所示井下采煤工技術知識增長路線關系模型，當學習者在學習或者搜索“采掘工作面安全”這一技術知識時，與它相似度較高的教學資源較多，就需要對這些相似度較高的知識點和技能點，進行關系因子修正，然后將后續緊鄰的技術知識點(如礦井災害防治)推薦在前幾位，使其朝著知識增長路線推薦。關系修正因子δ取值范圍為[0,1]，當δ接近1時則表示系統更加趨于知識增長路線推薦。對于同級別教學資源其修正因子為δ=0.96，前導必需知識相關的教學資源(如TCP協議格式)關系修正因子δ驟然遞減，如0.90，0.70，0.40，0.00；后續緊鄰知識點關系修正因子為δ=1.00，再后續知識修正因子δ驟然遞減，這樣就可以使學習者按照知識增長路線進行系統學習。需要說明的是，通過構建基于從業工種的技術知識增長路線關系庫，根據大量數據進行模型訓練和深度學習得出關系修正因子，實現修正推薦結果更加精確。通過技術知識增長路線關系庫的構建，一是可以避免Item CF推薦算法存在的冷啟動問題，二是能夠改進推薦結果，使推薦結果朝著知識增長和認知規律方向發展，滿足學習者循序漸進的知識或技能求知欲。最終，計算公式為：

T=δ×Pm×n

通過應用函數def recommend(self, a)得出最終煤礦安全生產資源推薦列表。

4 效果評價

為了對比改進的Item CF個性化推薦算法優劣性，評測過程中引入非個性化算法：Random算法和Popular算法。其中，Random算法每次都向學習者隨機推薦沒有產生過學習行為的煤礦安全生產教育資源；Popular算法是按照煤礦安全生產教育資源的熱度或流行度，向學習者推薦沒有產生過學習行為的煤礦安全生產教育資源中最熱的資源。采用交叉驗證的方法，對上述三種算法分別進行數據建模分析，獲取三種算法的推薦效果評價。為了更加直觀的獲得評測推薦結果，在煤礦安全生產教育資源學習過程中，認為只有感興趣與不感興趣兩種選擇。針對這種數據類型的預測，引入準確率和召回率分類準確度指標，其中，準確率表示學習者對被推薦煤礦安全生產教育資源的感興趣程度；召回率=正樣本預測結果數/正樣本實際數，表示一個學習者喜歡的煤礦安全生產教育資源被推薦的概率。通過對比三種推薦算法，在采取不同的推薦K值(分別取值為3、5、10、15、20)的情況下得出的準確率與召回率的評價指標，如圖4所示。從圖中可以看出，Random算法的推薦結果最不理想，幾乎為0；Popular算法隨著推薦數K的增加，其召回率在增長，準確率將降低，推薦效果較差；基于改進的Item CF推薦算法，隨著K值得增加，召回率也在同時增長，準確率也在上升，當到達某一臨界點時，其準確率隨著K值得增加而趨于平穩。

實驗中還發現，針對數據類別的多樣性和復雜性，可以采用基于煤礦安全生產教育資源的相似矩陣最大值進行歸一化，這樣不但可以提高推薦的準確率，還可以提高推薦覆蓋率和多樣性。

5 結語

個性化推薦服務系統在電子商務、社交網站等眾多領域有著廣泛的應用，并逐漸扮演更重要的角色。在互聯網+飛速發展的今天，通過對一線礦工用戶行為數據的分析，結合用戶工種和工作崗位，采用基于Item CF推薦算法，通過構建的基于從業工種的煤礦安全生產教育資源關系庫，向一線礦工用戶和安全管理人員推薦從業工種所必須的煤礦安全生產教育資源，通過在線學習，使其達到從業資格，勝任工作崗位。基于煤礦從業工種的安全生產教育資源推薦服務符合新時代發展的需要，可以解決煤礦安全生產教育培訓的一些問題，變傳統培訓學習為休閑娛樂學習，是一線礦工和安全管理人員隨時隨地學習的小助手。面向一線礦工的煤礦安全生產教育資源推薦服務研究的推廣和應用，將使煤礦一線職工受益，很有可能培養一批批能工巧匠。