基于深度學習的個性化學習推薦機制研究

摘要：隨著教育信息化、個性化和智能化的發展，讓機器讀懂學生挖掘其背后隱性特征，實現自適應學習和個性化發展是目前研究面臨的重要問題。基于此，文章提出了一種基于深度學習的自適應個性化學習推薦模型。首先，所構建的學習者模型通過分析學生的顯性和隱性特征，揭示其深層次的語義關聯；其次，設計綜合性的教育知識圖譜，旨在通過語義表示法精確地描述和組織教育領域的知識結構；最后，通過融合知識圖譜與卷積神經網絡技術，開發了一種自適應個性化學習推薦機制。該算法能夠根據學生的個人特點和學習需求，進行規則和語義層面的智能匹配，實現個性化的學習資源推薦。

關鍵詞：在線學習；知識圖譜；個性化學習；推薦系統

中圖分類號：TP311文獻標志碼：A

0 引言

近年來，隨著互聯網技術的發展，大規模在線教育資源平臺受到了學者、研究人員的廣泛關注。在線教育資源平臺中的海量學習資源讓用戶面臨“信息過載”的新挑戰。在線教育作為教育信息化發展的新遠景是一種個性化學習的服務，資源建設中個性化資源的推送服務成為實現個性化學習的重要前提。因此，對不同學習者推送適合其學習的不同學習資源恰恰是教育研究個性化學習服務的本質。

許多學者進行了深入探索，結合系統的交互特征，提出了不同的推薦算法［1］。章琪等［2］提出了基于圖注意力的神經協同過濾社會推薦模型，該模型基于學習者-學習資源交互圖和社交網絡圖，通過多頭注意力機制多角度地學習用戶和資源的潛在因子。張壯壯［3］提出了一種基于加權相似度的協同過濾推薦算法，通過度量學習者（資源）之間的相似性來選擇鄰居，再根據鄰居的興趣生成推薦，因此所選鄰居的質量將決定系統推薦結果的質量。吳正洋等［4］從學習推薦通用框架、學習推薦對象建模、學習推薦算法、學習推薦評價4個方面梳理和解讀推薦系統的總體設計思路，不能脫離學習活動的規律。

綜上所述，本文基于在線學習平臺進行研究，主要對學生行為特征和學習資源進行研究分析，并在此基礎上擴展學生行為軌跡。通過平臺獲取大量學生學習動態數據和視頻圖片數據，利用大數據、人工智能等技術，挖掘、分析學生的學習行為，研究其行為特征軌跡，從而對學生進行學習分析，這對現在的信息技術與教育教學深度融合問題研究有著極為重要的研究價值。

1 構建自適應個性化學習資源推薦模型的目標

本文旨在通過識別在線學習者的行為特征和興趣，提供個性化反饋和資源推薦，以提升學習效率。主要確立了如下3個方面的研究目標。

1.1 建立基于在線學習環境中顯性和隱性的學習者特征模型

本文以學習者的學習興趣為核心，通過分析學習者的學習行為、學習偏好、學習成就等多方面的數據，構建了一個全面、動態的學習者特征模型。該模型不僅關注學習者的知識水平和認知能力，還充分考慮學習者的偏好和動機因素，以更準確地描述學習者的個性特征和需求。

1.2 創建領域（教育）知識圖譜模型

該模型基于教育領域的大量數據和知識資源，通過數據清洗、實體識別、關系抽取等步驟，構建一個結構化的知識網絡。該網絡包含教育領域中的各種概念、實體以及相關關系，能夠清晰地展示教育領域的知識結構和語義關聯，實現對教育領域知識的全面覆蓋和深度挖掘，為教育工作者、學習者和管理者提供更加準確、全面和個性化的知識服務。

1.3 基于深度學習的自適應學習推薦模型

該模型旨在通過分析學習者的學習行為，為學習者提供個性化的學習資源和學習路徑，以促進學習者的學習效果和興趣發展。依據學習者的掌握程度和興趣偏好，智能模型能夠靈活調整教學內容與方法，從而精準滿足個性化的學習需求。

2 自適應個性化學習資源推薦模型的設計與實現

2.1 學習者理論模型構建

本文將學習者的特征劃分為2個主要類別：顯性特征與隱性特征。如圖1所示。

顯性特征涵蓋了個人的基礎信息和相對穩定的個人特征，主要包括學習者的基本信息、認知能力、知識水平等。在這些特征中，學習者的基本信息能夠在系統注冊階段通過填寫的資料來收集，而認知能力、知識水平和學習風格則可以通過量表和測試來確定學習者的初始狀態模型。認知能力反映了個體對認知過程的自我監控和調控技能，涵蓋了觀察力、抽象思維、歸納推理、記憶力、分析力、信息提取能力和想象力等要素。知識水平主要反映了學習者對特定知識的掌握情況，依據布魯姆的認知領域目標分類，可劃分為記憶、理解、應用、分析、綜合和評價6個層次。

隱性特征主要指從學習者與智慧環境雙交互過程中產生的大量行為數據進行表征、提煉、推理、演繹來的個體特征，是動態跟蹤迭代的結果。將學習者線上學習表現通過多維度準確細致地呈現出來，隱性特征包含學生視線、頭部姿態、人體姿態、表情、語音、腦電、手勢等。隱性特征與顯性特征既相互驗證，又相互修正，共同作用于學習者模型。一個完整的學習者模型可以準確地分析學習者對資源的需求，便于個性化推薦。

2.2 構建學習資源模型——領域（教育）知識圖譜

以知識圖譜作為發現海量數據的手段是非常必要的。一方面，知識圖譜將知識發現作為核心；另一方面，知識圖譜是本研究真正理解學生需求的基礎，能給出準確的教育資源推送。本研究引入知識圖譜構建的領域知識圖譜模型如圖2所示。將領域知識元素界定為學科本體和學習資源，學科本體進一步由學科中的關鍵實體及其相互關系組成，而學習資源涵蓋了視頻、微課程、教學方案、學習案例、幻燈片等多種教學材料。以物理學科為例，常見的實體類型包括基本概念、定理（公式、公理）、科學思想、能力培養、科學素養、研究方法和具體知識點等。

教育知識圖譜的構建過程如下。一是，構建教育知識圖譜模型的重點在于教育知識圖譜的數據結構化，實現對客觀教育資源的知識映射，得到DataLevel數據層。二是，研發人員須自底向上構建SchemaLevel模型層，其本質是構建本體，包含概念、屬性、關系、定義域、值域等。模型層要做到知識提煉、滿足查詢。添加Rules規則、Axioms原理，表達更復雜的約束。三是，通過機器學習訓練或者人工過濾的方法，研究人員檢測其不一致性。四是，研究人員進行推理、排序以及相關模式的挖掘。五是，研究人員對互聯網進行抽取，得到更多半結構化及非結構化的數據，包括大量相關的教育行為事件，對系統進行拓展。

2.3 基于深度學習的個性化學習推薦模型

本研究以提升“學習投入度、知識掌握能力、情感學習體驗、溝通協作技巧、主觀能動性”為核心目標，設計了開放式智能代理（Agent）、反饋結果可視化工具、情感計算引擎以及環境適應引擎4大支持系統，旨在輔助和引導學習者進行感知反饋、管理反饋流程、加強反思性評價、維持學習動力以及情感處理，從而實現學習者與智能學習平臺之間的有效雙向互動。在該模型中，交互層面起到至關重要的作用，不僅連接了學習者與在線學習平臺，而且體現了學習者與在線學習平臺之間的雙向反饋機制。這一機制包括“自適應模塊—適應性推薦—學習者”的單向推薦流程以及“自適應模塊—支架層—學習者”的雙向調節過程。雙向調節主要通過支架層來實現，該層綜合運用了語言、文字、圖像、情感以及自我感知等多種交互方式。通過運用多模態交互技術和虛擬現實技術，支架層極大地促進了學習者對反饋內容的深入理解與有效響應。個性化學習推薦模型如圖3所示。

通過該模型，學習者的學習由認知過程進一步擴大為興趣過程，從而構建更加準確且有建設性的評價與反饋機制；該模型旨在提升學習成效，致力于協助學習者清晰地洞察自身學習現狀，以便及時進行學習策略的調整與學習計劃的優化，從而實現個性化學習。

3 結語

本文通過在線學習平臺獲取在線學習視頻資源和學習者行為數據，通過對學習者的顯性和隱性特征進行分析得到不同的學習情況，從而為學習者進行學習推薦和干預，如郵件提醒、屏幕彈窗、手環震動、訪談、心理評估等。所提方法結合學習內容、學習者的日志數據、人機互動數據，深入挖掘影響學習成效的關鍵因素；利用深度學習技術，建立自適應推薦模型，實現動態反饋和干預優化，幫助學習者實時監控學習進度，并根據反饋調整學習策略。這種方法不僅提高了學習的個性化程度，還為學習者提供了更為科學和有效的學習支持。

參考文獻

［1］RATHOD V N，GOUDAR R H，KULKARNI A，et al. A survey on E-learning recommendation systems for autistic people［J］. IEEE Access，2024（12）：11723-11732.

［2］章琪，于雙元，尹鴻峰，等.基于圖注意力的神經協同過濾社會推薦算法［J］.計算機科學，2023（2）：115-122.

［3］張壯壯.基于加權相似度的協同過濾推薦算法研究［D］.南京：南京信息工程大學，2022.

［4］吳正洋，湯庸，劉海.個性化學習推薦研究綜述［J］.計算機科學與探索，2022（1）：21-40.

Research on personalized learning recommendation mechanism based on deep learning

Abstract： With the development of informatization， personalization and intelligence in education， it is an important issue for research to let machines read and understand students to explore the hidden features behind them to achieve adaptive learning and personalized development. This paper proposes an adaptive personalized learning recommendation model based on deep learning. Firstly， a learner model is constructed to reveal the deep semantic associations of students by analyzing their explicit and implicit features. Secondly， a comprehensive educational knowledge graph is designed， aiming to accurately describe and organize the knowledge structure of the educational domain through semantic representation. Finally， by fusing the knowledge graph with convolutional neural network technology， an adaptive personalized learning recommendation mechanism is developed. An adaptive personalized learning recommendation mechanism is developed， which is an algorithm capable of intelligently matching at the rule and semantic levels according to students’ personal characteristics and learning needs to achieve personalized learning resource recommendation.

Key words： online learning; knowledge graph; personalized learning; recommender systems