基于用戶畫像的課程學習視頻推薦系統研究與設計

陳玉帛 項慨 王順馳 何希 李婭琴 鄒正 李玉婷

摘? 要：文章面向在線教育，研究并設計一種課程學習視頻的推薦系統。由于線上學習資源冗雜繁多，且缺乏規范化構建和系統化管理，學習者難以精準獲取滿足其個性化需求的課程學習視頻。文章通過數據挖掘技術獲取用戶數據后構建用戶畫像并進行相似用戶群體識別，再利用推薦算法實現課程學習視頻與用戶之間的精準匹配。實驗結果表明，該文推薦系統可以有效解決人們在選擇學習資源時產生的“信息迷航”和“信息過載”等問題，能夠有效滿足用戶個性化學習需求并為用戶提供個性化學習路線。

關鍵詞：課程學習視頻；用戶畫像；個性化推薦；推薦系統

中圖分類號：TP311? 文獻標識碼：A? 文章編號：2096-4706（2023）09-0001-08

Abstract： This paper studies and designs a course learning video recommendation system for online education. As online learning resources are numerous， and lack of standardized construction and systematic management， it's hard for online learners to catch accurately course learning videos that meet their personalized needs. This paper obtains user data through data mining technology， constructs user profiles， identifies similar user groups， and then uses recommendation algorithms to achieve precise matching between course learning videos and users. The experimental results indicate that， the recommendation system proposed in this paper can effectively solve the problems of “information confusion” and “information overload” that people encounter when choosing learning resources， and can effectively meet users' personalized learning needs and provide personalized learning routes for users.

Keywords： course learning video; user portrait; personalized recommendation; recommendation system

0? 引? 言

CNNIC發布的2021年度中國互聯網產業發展情況調查報告顯示：截至2021年6月，全國互聯網用戶總數在2021年新增2 175萬，用戶總規模約10.11億，互聯網普及率達到71.6%。我國在線教育在數字化時代到來和互聯網普及率提高的背景下有了明顯起色。《教育部2022年工作要點》中也提出“實施教育數字化戰略行動”，以此來推進教育數字轉型與智能升級。這體現出數字化對于教育行業發展的重要意義，在線學習教育已經發展成為新的教育模式。

在線教育領域也因此產生了海量的課程學習視頻資源，從管理到教學，從職業培訓到專業培訓，從基礎教育到素質教學，科技持續縱深。“學習迷航”“認知過載”等問題導致學習者在學習的過程中效果不佳[1]，對感興趣的學習資源的獲取效率降低。

如何更好地進行個性化推薦成為一個關鍵性問題。現有學習資源推薦的研究主要針對單一課程的在線學習活動進行認知能力分析，而缺乏根據用戶個性化特征進行精準推薦的研究，不能很好地滿足學習者的個性化需求。

本文在“數字化教育”大力發展的趨勢下，采取用戶畫像技術進行用戶畫像建模，以此精準地定位用戶需求。并對課程學習視頻的個性化推薦系統進行研究，將智能推薦算法進行深度運用。針對不同用戶需求，為其智能推薦個性化的課程學習視頻，以此達到優化課程學習視頻的推薦、節省用戶挑選課程學習視頻時間的目的。

1? 用戶畫像和推薦系統

1.1? 用戶畫像

此概念最先產生于交互設計領域，由AlanCooper提出。其指出用戶畫像是真實的目標用戶的虛擬代表，是建立在真實數據之上的目標用戶模型[2]。

用戶畫像如今主要是指在某一確定的研究領域收集用戶各類相關的真實數據，根據用戶的個人屬性、興趣偏好、生活習慣和行為等數據信息抽象出來的標簽化的用戶模型。其通過特殊場景下的用戶行為信息最終生成用來描述用戶屬性及行為的標簽集合，有利于更精確、多角度、更具時效性的分析目標用戶。

構建用戶畫像的方法總體分為以下四種：基于用戶興趣偏好、基于用戶行為、基于主題或話題、基于本體或概念[3]。構建過程從流程上可大致分為三個主要步驟：全面收集用戶數據；研究并分析用戶信息、細分構建用戶標簽；完善和豐富用戶畫像的具體描述。基于此，在強調用戶為主體的前提下形成用戶畫像模型，顯現用戶特征，為個性化推薦打下基礎。

1.2? 推薦系統

互聯網的快速發展導致信息規模的大幅擴張，使得用戶在面對超載的信息時難以迅速尋找出自己需要的信息，而推薦系統則是信息超載問題的一種有效解決方法。推薦系統是建立在大量數據挖掘基礎上，為用戶提供滿足其需求的個性化內容的一種篩選信息的工具[4]。推薦系統根據一些策略規則預測用戶可能喜歡的物品，并對其進行排序后依次推薦給目標用戶，這些策略規則就是推薦算法。

1.2.1? 基于協同過濾的推薦

此算法最先由Goldberg等[5]在1992年介紹用于分類篩選電子郵件和解決資訊超載難題的推薦系統Tapestry時提出。此算法通過分析興趣相投的群體的反饋和評價，預測出用戶可能感興趣的信息并將其推薦給用戶。協同過濾算法可以分為基于用戶的和基于物品的。前者根據目標用戶對物品的評分計算其與其他用戶的相似度，預測目標用戶對其他用戶感興趣物品的評分。后者則通過計算目標用戶已有偏好的目標物品和同樣對目標物品存在偏好的其他用戶喜歡的其他物品的相似度，預測目標用戶對其他物品的偏好。

1.2.2? 基于內容的推薦

基于內容的推薦的基礎是項目內容信息，而非用戶對項目本身的評價意見，更多地需要采用機器學習的方法，從關于內容的特征刻畫的事例中獲取用戶的興趣資料。該算法的關鍵是發現內容之間的關聯性，根據用戶以往的瀏覽記錄推薦給用戶相似的內容。

該算法的重點是推薦項目內容上相似的物品，與用戶之間無關系，對目標用戶的推薦結果不受其他用戶的影響。與協同過濾算法相比，該算法不受冷啟動問題的局限，當引入一個新的項目時，可以將新項目的信息和用戶歷史偏好進行比對，而不必考慮用戶和新項目之間是否存在交互[6]。因此可以有效解決在個性化推薦過程中需要大量收集用戶歷史數據的問題。

基于內容的推薦步驟：首先對產品或項目內容特征進行提取，然后進行用戶偏好計算，并依據算法規則進行內容召回，最后將物品進行排序后依次推薦給用戶。

1.2.3? 混合推薦算法

基于內容的推薦具有“過于個性化缺乏驚喜度”的弊端，基于協同過濾的推薦具有“項目冷啟動”的弊端。混合推薦算法通過多種推薦算法的組合彌補了單種推薦算法的缺點，對提升個性化推薦的準確率、召回率及覆蓋率具有極大幫助[7-9]。目前常用的混合推薦算法有以下幾種：

特征組合法：輸入來自多個推薦算法的數據源特征組合，輸出將其中一個算法作為主算法的推薦結果。

特征增強法：將前一種推薦算法的輸出作為后一種推薦算法的輸入。

交叉法：在用戶交互界面上將不同算法的結果按相應比例組合起來。

加權法：將多個推薦算法結果分數的加權和組合在一起。

串聯法：將一組推薦算法按順序排列，后面的推薦算法優化前面的推薦結果。

分級法：利用一種算法構建的模型生成主算法的結果。

2? 系統設計

2.1? 系統總體結構

首先系統將通過對用戶個人屬性和活動痕跡等數據信息的分類、綜合、聚類等操作，全面掌握用戶的個人數據信息。然后設置關聯規則并完成數據清洗，以獲得有效信息，再通過合并、聚類等方法，全面收集所有用戶的數據信息。其次設置關聯規則并實施數據清理，以獲得有效信息，最后綜合、統一地使用所有個人和群體的數據信息。構建多維用戶標簽體系，實現用戶畫像的核心步驟，并把用戶圖像存放到教學應用庫中。最后再結合推薦算法，在課程學習視頻資源庫中提取與應用匹配率最高的課程學習視頻，以此實現課堂學習視頻資源和應用之間的最精確匹配。基于用戶畫像的課程學習視頻個性化推薦系統整體框架如圖1所示。

2.2? 業務運作流程

用戶在注冊登錄時，需填寫“我的信息”，如性別、年齡、行業和受教育程度等，并選擇興趣標簽。系統會利用用戶畫像技術綜合用戶特征，構建用戶畫像模型，形成個性化標簽。

一方面，推薦系統會根據個性化標簽智能選擇課程學習視頻推薦范圍，設計用戶首頁推薦視頻列表。用戶也可選擇進入二級分類視頻區域，選擇貼近自己偏好和實際情況的課程學習視頻，實現課程學習視頻的精確推薦。

另一方面，形成的個性化標簽可以生成用戶初步的學習路線，后續用戶可以自定義修改學習路線。根據系統總體需求分析，本學習課程視頻個性化推薦系統的業務結構流程如圖2所示。

2.3? 功能設計

2.3.1? 用戶管理

用戶管理功能分為“賬號設置”“社區”和“客服”三個板塊。用戶在進入登錄頁面完成登錄后，即開始使用本系統。用戶首先需完成賬號設置，進入“我的信息”界面填寫年齡、愛好和地域等信息。系統里內設置有“社區”板塊，用戶既可以進入主頁的特定社區，又可以選擇自主創建社區。“客服”板塊能夠幫助用戶解決在使用系統的過程中遇到的問題，完善用戶使用體驗。系統用戶管理功能結構如圖3所示。

2.3.2? 視頻推薦

視頻推薦功能是系統的核心功能。推薦方式有兩種：一是用戶點擊首頁推薦視頻或者下滑刷新，二是進入二級分類視頻區域。二級分類視頻區域將系統獲取的各種學習視頻依據授課方式不同分為線上課、錄播課和線下課三類，用戶可以根據自身情況和學習需求選擇不同的授課方式，其中線上課指用戶需在系統上完成課程報名，并在特定時間觀看網絡課程；線下課同樣需要用戶在系統上完成課程報名，但后續用戶需按時去特定地點上課。系統視頻推薦功能結構如圖4所示。

2.3.3? 學習路線

學習路線功能的依據是用戶在賬號設置中填寫的“我的信息”，系統會根據用戶的性別、年齡、行業和受教育程度等信息生成初步的學習路線，同時用戶可以自定義修改自己的學習路線。系統學習路線功能結構如圖5所示。

2.3.4? 管理端功能設計

管理端權限最高，依據管理對象分為對視頻和對用戶兩種。對視頻，管理端可以行使查詢、審核、增加和刪除四類管理權限；對用戶，管理端則可行使增加、刪除、查詢用戶和發布公告四類管理權限。管理端還需不定時對系統進行維護。管理端功能設計如圖6所示。

3? 系統實施

3.1? 系統層次結構

本系統自下而上可劃分為數據層、數據分析層、推薦計算層和交互界面。系統結構層次如圖7所示。

3.2? 系統功能模塊

基于用戶畫像的課程學習視頻推薦系統總體上分為三個功能模塊，系統總體結構如圖8所示。

3.2.1? 數據采集儲存模塊

這一功能模塊主要包含課程學習視頻的數據采集與儲存功能。系統抽取互聯網用戶在網絡端留下的日志記錄以及從各個學習視頻網站獲取的非結構化數據，將其存儲為統一的本地數據文件，并在后臺數據庫中以結構化的形式存儲。數據庫設計為視頻信息庫、用戶畫像數據庫、用戶興趣數據庫和用戶社交數據庫四類。

視頻信息庫由視頻名稱、up主名稱、網頁鏈接、圖像鏈接、適用標簽和類型六種屬性構成，其中網頁鏈接為該視頻的主鍵。其關鍵代碼如下：

# 視頻信息庫 根據爬取視頻信息的設計

createtablevideoLibraryifisnotexist

（videoName? ? ? ? ? varchar（50），? ? ? ? ? —視頻名稱

blogger? ? ? ? ? ? ? ? ? varchar（50），? ? ? ? ? —up主

webPageLink? ? ? ? ?varchar（200），? ? ? ? —網頁鏈接

imageLink? ? ? ? ? ? ? varchar（200），? ? ? ? —圖像鏈接

applicationLable? ? ?varchar（200），? ? ? ?—適用標簽

type? ? ? ? ? ? ? ? ? ? ? ? ?varchar（20）? ? ? ? ? —類型

）charsetutf8;

用戶畫像數據庫由性別、年齡、行業和受教育程度四種屬性構成，其中行業為該視頻的主鍵。其關鍵代碼如下：

# 用戶畫像 根據用戶屬性設計

createtableuserInformationifisnotexist

（sex? ? ? ? ? ? ? ? ? ? ? ? ?varchar（2），? ? ? ? ? —性別

age? ? ? ? ? ? ? ? ? ? ? ? ? ?int，? ? ? ? ? ? ? ? ? ? ? —年齡

industry? ? ? ? ? ? ? ? ? ?varchar（10），? ? ? ? —行業

eduactionLevel? ? ? ? varchar（10）? ? ? ? —受教育程度

）charsetutf8;

用戶興趣數據庫由大學基礎課程類、大學擇業類和興趣技能類三種屬性構成。其關鍵代碼如下：

# 用戶興趣信息

createtableuserInternetInformationifisnotexist

（collegeBasicCourses? ? ?varchar（50），? ? ?—大學基礎課程類

studyAndCareerSelection? ? ?varchar（50），? ? ? —升學擇業類

interestsAndSkills? ? ? ? ? ?varchar（200）? ? ? ? ? ?—興趣技能類

）charsetutf8;

用戶社交數據庫由關注的其他人數量、自己的粉絲數和訪問信息三類屬性構成。其關鍵代碼如下：

# 用戶社交信息

createtableuserSocialInformationifisnotexist

（numberOfFollowUsers? ? ? ?int，? ? ? ? —關注的其他人數量

numberOfFans? ? ? ? ? ? ? int，? ? ? ? ? ? ? ?—自己的粉絲數

accessInformation? ? ? ? ?TEXT? ? ? ? ? —訪問信息

）charsetutf8;

3.2.2? 用戶畫像構建模塊

系統調取數據庫中的結構化數據，基于其中的用戶基本信息和用戶行為信息設計標簽并確定權重、進行量化分析，由此構建用戶畫像。然后通過K-means聚類分析進行相似的群體識別，反映各自的用戶特征。用戶在登錄前端界面填寫的個人信息和進行瀏覽、評論和收藏等產生的行為信息會錄入后臺數據庫，用于構建用戶畫像。最后系統會根據用戶畫像和課程學習視頻的時效性形成課程學習視頻推薦列表。

3.2.3? 學習視頻推薦模塊

該模塊針對新用戶和老用戶具有兩種不同的推薦機制。對于新用戶：登錄系統后，需填寫個人信息和選擇興趣標簽，系統通過聚類分析識別用戶特征構建新用戶的用戶畫像。推薦算法依據用戶對不同課程學習視頻的喜好差異，掌握用戶對不同課程學習視頻的興趣度，將用戶可能感興趣的課程學習視頻經過時效處理后推薦給用戶。學習路線算法結合用戶填寫的興趣標簽與其以往的行為數據，對貼近用戶偏好的視頻進行去重處理，通過拓撲排序確定各項視頻的先后學習順序并生成學習路線。對于老用戶：填寫個人信息和興趣偏好的環節被用戶訪問所產生的社交信息產生所替代，此后進行機制相同但更高效的循環，推薦列表的準確性和時效性會越來越強。

3.3? 基于用戶畫像的課程學習視頻推薦系統實現

3.3.1? 多屬性用戶畫像建模

3.3.1.1? 收集數據

以嗶哩嗶哩（英文名稱：bilibili，簡稱B站；網站地址：https：//www.bilibili.com/）注冊用戶為研究樣本，爬取公開IP代理池收集B站返回的數據。首先進行一系列數據清洗，然后篩選出少量用戶數據存儲于用戶數據庫中。處理后的用戶數據信息包括用戶ID、姓名、性別、行業、受教育程度、關注用戶數、粉絲數等。

3.3.1.2? 設計用戶標簽體系

設計的用戶標簽體系分為三部分：一是基本信息，包含用戶性別、年齡、行業、受教育程度等。完整的基礎信息對畫像的精準度產生正向影響，而譬如性別特征這類基本信息對于用戶行為偏好也具有一定的影響作用。二是用戶的行為信息，涵蓋用戶選擇課程視頻的類型如大學基礎課程類、升學擇業類等體現用戶興趣的信息，以及關注用戶、粉絲等體現用戶社交屬性的信息。構建的課程視頻個性化推薦平臺用戶標簽體系如圖9所示。

基本信息屬性下的指標往往可直接從用戶注冊時填寫的信息中提取出來，其量化相對穩定。對其指標進行量化表示，能夠更好地表示結構范式。研究采樣樣本用戶群體的年齡是18～35歲，可將其年齡可分為兩個階段，18～22為大學生群體，22～35歲為青年就業者群體，并分別由0和1表示。行業可分為計算機、會計從業者、金融從業者、土木工程、材料化學、數學學者、物理學者、歷史學者、教師和醫生這十大行業，并分別由1、2、3、4、5、6、7、8、9、10表示。

基于上述用戶畫像標簽體系，對每一特征進行量化表示，從而展示各層次之間的差異化程度，最后將課程學習視頻用戶畫像模型表示成一個向量的形式，即如式（1）所示：

MUP={B， A， P}? ? ? ? ? ? ? ? ? ? ? ? ?; ? ? （1）

其中，MUP表示用戶畫像模型；B表示用戶基本屬性；A表示用戶社交屬性；P表示用戶興趣屬性。每一屬性的量化值以及其權重的確定方法如表1所示。

用戶興趣信息通過TF-IDF算法區分用戶關注的主要特征，得到各指標特征權重值，計算關鍵詞權重值的大小并將權重值較大的關鍵詞作為權重詞。該詞較準確地反映了用戶對于每一條視頻的關注方面，顯示差異化程度。由于用戶語言習慣存在差異，雖然一些詞語的表達形式不同，但表達的含義卻是相同的。因此對同義詞進行替換就能達到降低提取的關鍵詞維度的目的。

用戶社交信息選擇關注用戶、粉絲、訪問數三個指標，其在一定層面上體現社交性的高低情況。采用熵權法對收集到的指標數據熵值進行計算，獲得指標數據的整體互動值A。具體計算公式為：

通過此方法得到用戶的社交屬性值，該值的大小可反映出用戶互動性的強弱，后期使用中可依據該值對用戶進行分類操作，將用戶分為強、中和弱三類，從而分別對不同類型的用戶提供針對性服務，有效提高服務質量。

3.3.1.3? 基于K-means的相似用戶群體識別

通過多屬性用戶畫像模型MUP，可以得到單個用戶的畫像模型，但由于用戶基數大，計算過程較為繁雜，本文選用K-means聚類算法對相似度比較高的用戶信息進行分類，進一步縮小推薦課程學習視頻的候選集，簡化推薦過程，提高推薦效率。

用戶畫像模型MUP集成了用戶基本屬性信息、用戶興趣信息和用戶社交信息，用戶畫像模型信息如表2所示。

由于需要對比用戶之間的相似程度，故在針對用戶興趣屬性的計算中直接使用每個用戶發表的評論文本并計算其TF-IDF值。但這會造成每個用戶的興趣指標不同，故此處需要對其進行統一。利用用戶畫像技術計算出特征前TOP10并作為興趣特征，用該特征對應的TF-IDF值作為其權重值。而由于量綱的不同，需要對其進行歸一化處理，此處主要針對基本屬性和訪問屬性值。歸一化后的用戶畫像模型信息如表3所示。

得到歸一化后的用戶畫像模型信息，便能進行K-means聚類，獲得類似的用戶群體。

3.3.1.4? 基于用戶畫像的課程學習視頻個性化推薦算法

不同的課程學習視頻具有不同的關鍵詞，故可通過關鍵詞來識別對應的課程學習視頻，首先需提取課程學習視頻的部分關鍵詞，然后計算其權重，并根據權重計算課程學習視頻的相似度，最后根據相似度進行課程學習視頻推薦。

3.3.1.5? 用戶的課程學習視頻推薦規則

設課程學習視頻集合為：P ={ P1，P2，…，Pm}，事務記錄集合為T ={ t1，t2，…，tn}，根據匹配樹機制得到支持度和置信度為式（7）、式（8）：

采用K-means聚類算法將課程學習視頻進行分析，劃分為Ｋ個類型，然后根據匹配樹機制建立各類匹配規則，計算最小支持度和最小置信度，最后根據最小支持度和最小置信度給用戶推薦課程學習視頻。

3.3.1.6? 混合推薦算法部分代碼實現

# -*- coding： utf-8 -*-

importmath

importpandasaspd

importnumpyasnp

importos

os.chdir（'E：/視頻數據庫'）

# 創建視頻畫像

# 參數說明：

# items_profiles = {item1：{'label1'：1， 'label2'： 0， 'label3'： 0， ...}， item2：{...}...}

defcreateItemsProfiles（data_array， labels_names， items_names）：

items_profiles = {}

foriinrange（len（items_names））：

items_profiles[items_names[i]] = {}

forjinrange（len（labels_names））：

items_profiles[items_names[i]][labels_names[j]] = data_array[i][j]

returnitems_profiles

# 創建用戶畫像

# 參數說明：

# data_array： 所有用戶對于其所看過的視頻的評分矩陣 data_array = [[2， 0， 0， 1.1， ...]， [0， 0， 1.1， ...]， ...]

# users_profiles = {user1：{'label1'：1.1， 'label2'： 0.5， 'label3'： 0.0， ...}， user2：{...}...}

defcreateUsersProfiles（data_array， users_names， items_names， labels_names， items_profiles）：

users_profiles = {}

# 計算每個用戶對所看過的所有視頻的平均隱性評分

# users_average_scores_list = [1.2， 2.2， 4.3，...]

users_average_scores_list = []

# 統計每個用戶所看過的視頻（不加入隱性評分信息）

# items_users_saw = {user1：[item1， item3， item5]， user2：[...]，...}

items_users_saw = {}

# 統計每個用戶所看過的視頻及評分

# items_users_saw_scores = {user1：[[item1， 1.1]， [item2， 4.1]]， user2：...}

items_users_saw_scores = {}

foriinrange（len（users_names））：

items_users_saw_scores[users_names[i]] = []

items_users_saw[users_names[i]] = []

count = 0

sum = 0.0

forjinrange（len（items_names））：

# 用戶對該視頻隱性評分為正，表示真正看過該視頻

ifdata_array[i][j] >0：

items_users_saw[users_names[i]].append（items_names[j]）

items_users_saw_scores[users_names[i]].append（[items_names[j]， data_array[i][j]]）

count += 1

sum += data_array[i][j]

ifcount == 0：

users_average_scores_list.append（0）

else：

users_average_scores_list.append（sum / count）

foriinrange（len（users_names））：

users_profiles[users_names[i]] = {}

forjinrange（len（labels_names））：

count = 0

score = 0.0

foriteminitems_users_saw_scores[users_names[i]]：

# 參數：

# 用戶user1對類型label1的隱性評分： user1_score_to_label1

# 用戶user1對其看過的含有類型label1的視頻itemi 的評分： score_to_itemi

# 用戶user1對其看過的所有視頻的平均評分： user1_average_score

# 用戶user1看過的視頻總數： items_count

# 公式： user1_score_to_label1 = Sigma（score_to_itemi - user1_average_score）/items_count

# 該視頻含有特定標簽labels_names[j]

ifitems_profiles[item[0]][labels_names[j]] >0：

score += （item[1] - users_average_scores_list[i]）

count += 1

# 如果求出的值太小，直接置0

ifabs（score） <1e-6：

score = 0.0

ifcount == 0：

result = 0.0

else：

result = score / count

users_profiles[users_names[i]][labels_names[j]] = result

return （users_profiles， items_users_saw）

3.4? 主要功能展示

3.4.1? 開發環境搭建

系統環境搭建及其關鍵技術如表4所示。

3.4.2? 系統主要功能展示

3.4.2.1? 注冊登錄界面

新用戶在系統登錄頁面在進行賬號注冊登錄后，還需進行興趣愛好的選擇，為后續系統推薦更感興趣的內容提供信息。用戶注冊登錄頁面如圖10所示。

3.4.2.2? ?個性化視頻推薦頁面

系統首頁會隨機為用戶推薦視頻，用于獲取用戶的愛好需求，隨著后續用戶使用的深入，推薦的視頻將更貼合用戶的需求。個性化視頻推薦頁面如圖11所示。

3.4.2.3? 課程搜索

在系統課程搜索頁面內使用搜索功能會出現與用戶專業相關的標簽，為用戶搜索提供參考。隨著用戶使用數據的增多和推薦系統的優化，搜索功能會更加精準。課程搜索界面如圖12所示。

3.4.2.4? 個人空間

個人空間中可以看見正在學習的課程，也可以作為作者發布課程。個人空間中的課程按照直播課、線下課等進行分類。系統通過用戶個人空間顯示的關注人數、粉絲數、訪問信息以及喜歡、收藏的課程、發布的動態完善用戶畫像模型，為用戶提供更精準的課程學習視頻推薦。個人空間頁面如圖13所示。

3.4.2.5? 學習路線

系統根據用戶需求、個性化推薦算法和學習路線算法，設計出符合用戶需求的學習路線，向用戶展示學習計劃、已購課程和待學習課程，并提醒用戶按時完成自己的學習計劃。點擊右上角的學習成長圖標會顯示用戶的學習統計數據，如總學習時長、各課學習時長等，系統對用戶學習過程進行監測，便于用戶實時了解自身學習情況。學習路線頁面如圖14所示。

4? 結? 論

在“互聯網＋”的環境下，用戶畫像作為資源信息推薦服務的設計工具，為課程學習視頻個性化推薦服務提供了新的研究思路。本文利用用戶畫像技術對用戶個人基礎信息和其在網絡交互系統內產生的行為記錄信息進行數據挖掘，通過數據信息的發現與數據的提煉，結合基于內容和基于協同過濾的混合推薦算法，預測用戶的資源需求，最終為用戶推薦其可能感興趣的課程學習視頻。但目前就用戶畫像技術在課程學習視頻個性化推薦領域的發展現狀而言，仍面臨諸多難題與挑戰，例如如何科學、全面地描述學習者群體相似性與差異性以及網絡爬蟲限制導致數據局限性等具體問題。因此，在后續的研究中，仍需深入研究學習者群體對課程學習視頻資源需求的發展趨勢，仍需繼續挖掘用戶畫像各屬性之間的關聯關系，并降低算法的時間復雜度，以更精準的方式進行個性化推薦。

參考文獻：

[1] 馬震.基于學習網絡的學習資源個性化推薦研究 [J].中國教育信息化，2021（23）：77-80.

[2] 徐芳，應潔茹.國內外用戶畫像研究綜述 [J].圖書館學研究，2020（12）：7-16.

[3] 高廣尚.用戶畫像構建方法研究綜述 [J].數據分析與知識發現，2019，3（3）：25-35.

[4] 周萬珍，曹迪，許云峰，等.推薦系統研究綜述 [J].河北科技大學學報，2020，41（1）：76-87.

[5] GOLDBERG D，NICHOLS D，OKI B M，et al. Using collaborative filtering to weavean information tapestry [J].Communications of the ACM，1992，35（12）：61-70.

[6] 沈丹陽.基于在線學習平臺的學習分析和個性化推薦的研究 [D].北京：北京郵電大學，2021.

[7] 李雪婷，楊抒，賽亞熱·迪力夏提，等.融合內容與協同過濾的混合推薦算法應用研究 [J].計算機技術與發展，2021，31（10）：24-29+37.

[8] 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.

[9] 魏玲，郭新悅.融合用戶畫像與協同過濾的知識付費平臺個性化推薦模型 [J].情報理論與實踐，2021，44（3）：188-193.

作者簡介：陳玉帛（2002.03—），男，漢族，湖北襄陽人，本科在讀，研究方向：電子商務；通訊作者：項慨（1977.10—），男，漢族，湖北武漢人，副教授，博士，研究方向：商務智能、移動計算；王順馳（2002.06—），男，土家族，湖北恩施人，本科在讀，研究方向：軟件工程；何希（2002.02—），女，土家族，湖北恩施人，本科在讀，研究方向：電子商務；李婭琴（2002.08—），女，漢族，湖北黃岡人，本科在讀，研究方向：電子商務；鄒正（2002.08—），男，漢族，湖北孝感人，本科在讀，研究方向：計算機科學與技術；李玉婷（2002.07—），女，漢族，湖北黃岡人，本科在讀，研究方向：電子商務。