基于學習者畫像的個性化資源推薦系統研究

摘要：隨著教育信息化的不斷深入發展，涌現了海量的在線學習資源，文章提出了基于學習者畫像的在線學習資源個性化推薦模型，主要由數據收集處理、學習者畫像構建、個性化資源推薦及反饋調整四個層面構成，并在此基礎上，介紹了系統模塊及實驗設計方法。基于學習者畫像進行的個性化學習資源推薦，提升了推薦內容的精準度，滿足了學習者獲取個性化學習資源的需求，推動后疫情時代教育領域發展。

關鍵詞：學習者畫像；在線學習資源；學習分析；個性化；推薦系統

中圖分類號：TP311 文獻標識碼：A

文章編號：1009-3044（2024）31-0012-03

開放科學（資源服務）標識碼（OSID）

0 引言

隨著信息技術的迅猛發展和互聯網的廣泛應用，我國教育模式逐漸從傳統教育向智慧教育轉變，在線學習逐漸成為一種重要的學習方式。近年來，“互聯網+教育”發展理念的提出促使在線學習資源呈爆炸式增長，為學習者提供了豐富的知識來源，然而，面對龐大且復雜多樣的資源，學習者如何快速找到符合需求的學習材料成為一個挑戰。此外，每位學習者的知識背景、學習興趣和學習目標都各不相同，這使得傳統的“一刀切”式推薦方法很難滿足個性化需求。因此，如何精準高效地為學習者推薦合適的學習資源，確保其在短時間內實現學習收益最大化，成為當前在線教育領域亟待解決的問題。為此，在線學習資源個性化推薦系統應運而生，其目的在于通過智能技術，為每位學習者提供最合適的學習資源，量身打造最佳的學習路徑，從而提升學習效果。

傳統的學習資源推薦系統大多是面向所有學習者，根據學習資源的標簽、關鍵詞等信息，采用簡單直接的匹配規則進行推薦，然而，這種推薦方式未考慮學習者的知識結構層次及學習興趣的遷移，忽視了學習者的個體差異和學習需求的多樣性，無法提供學習資源的個性化推薦。基于學習者畫像的在線學習資源個性化推薦系統通過收集分析學習者個人信息、學習行為、知識背景、學習進度、知識掌握程度以及興趣愛好等數據，挖掘學習者的個性化特征，精確定位薄弱知識點，從而實施多模態學習評價并及時提供個性化的教學指導。個性化推薦系統的應用可以擺脫傳統教學時空上的限制，滿足了學習者移動、泛在、終身、差異化學習的學習需求，提高了推薦的準確度以及學習者的學習興趣和動力，幫助他們實現學習收益的最大化，進而促進在線教學質量的提升[1]。

1 基于學習者畫像的在線學習資源個性化推薦模型構建

學習者畫像構建是在線學習資源個性化推薦模型的根基，首先須收集學習者基本屬性信息、學習偏好信息、學習行為過程等數據，其次對這些數據進行分析處理，賦予數字化標簽[2]。通過畫像挖掘出學習者學習風格、認知水平，動態獲取個性化學習需求，從而將適合的資源推送給學習者，提高推薦結果的準確性與可解釋性。

基于學習者畫像的在線學習資源個性化推薦模型如圖1所示，主要分為數據收集處理層、學習者畫像構建層、個性化資源推薦層和反饋調整層。

1.1 數據收集處理

數據收集處理層是在線學習資源個性化推薦系統的基石，其功能主要集中在獲取、整合和存儲各類與學習相關的數據，并將原始數據經過多重處理后轉化為供推薦算法使用的高質量數據集。為確保推薦內容的多樣性與相關性，實現精準推薦，該層需收集多維度數據，如用戶的登錄日志、瀏覽路徑、資源點擊率、學習時長、互動行為等信息以及學習資源的元數據，如資源類別、出版日期、作者、關鍵詞、難度級別等，進而生成初始數據集。隨后，對收集到的原始數據進行預處理、轉化和特征提取，為后續的推薦算法層提供優質、結構化的輸入數據[3]。為提高數據收集效率，通常采用分布式爬蟲等技術進行大數據采集，而在數據安全性方面，實施嚴格的權限控制和數據加密機制，確保用戶隱私和數據完整性。隨著大數據技術的發展，還需考慮數據的擴展性、持久性和實時性，以支撐推薦系統在海量數據環境下的高效運行。

數據處理涉及缺失值處理、異常值檢測、重復值刪除、數據轉換及規范化等操作，運用數據集成技術如ETL（Extract、Transform、Load） ，對來自不同數據源的信息進行統一格式化并整合，以保證數據質量和一致性。首先進行數據清洗工作，此階段的核心是特征工程，通過主成分分析（PCA） 、時間序列分析、詞頻-逆文檔頻率（TF-IDF） 等方法，將高維、復雜的原始數據轉化為有意義的特征向量。經過多重數據處理操作后，原始數據被轉化為供推薦算法使用的高質量數據集，為實現精準、個性化的推薦結果奠定堅實基礎。

1.2 學習者畫像構建

教育領域推薦算法的發展較電子商務等其他領域更加緩慢，且學習資源的復雜度更高，具有較強的針對性和專業性，個性化推薦效果不理想，因此本文引入學習者畫像來解決此問題，將學習者畫像與在線學習資源推薦相結合，使得最后的推薦結果更加符合學習者的學習需求和興趣偏好。

學習者畫像源自“用戶畫像”，由Alan Cooper提出，對用戶全貌進行刻畫，將用戶基本屬性、行為特征等進行語義化的標簽表示，幫助企業實現精準化服務[4]。隨著人工智能、大數據等技術在教育領域的逐步深入，用戶畫像被引入教育領域[5]。學習者畫像是對學習者個體特征、學習行為、學習成果等多方面信息的綜合刻畫，這些信息包括但不限于學習者的年齡、性別、地域、教育背景、學習動機、學習風格等。通過對學習者畫像的構建，可以對學習者進行分類和標注，從而給用戶推薦具有相同分類及相關標注的學習資源。肖君等從學習者基本特征、學習行為特征、學習路徑等三個維度構建了高風險學習者畫像[6]。王春華以目標為導向開展基于學習者畫像的精準教學干預研究，實現數據資源的篩選與整合[7]。王莉莉等提出基于學習者畫像的個性化課程推薦方法，構建了包含學習者基礎數據分析、行為數據分析和文本情感分析三個維度的學習者畫像特征模型[8]。本研究從基本信息、行為數據、知識掌握水平及學習情緒四個維度對學習者畫像進行構建，應用統計分析、機器學習等技術抽取標簽形成學習者畫像庫。

1.3 個性化資源推薦

個性化學習資源推薦算法主要分為基于內容推薦、協同過濾推薦、基于關聯規則推薦以及混合推薦算法。基于內容推薦算法是傳統過濾技術的延伸，根據用戶過去的行為和興趣，為用戶推薦具有相似內容特征的項目，該算法主要適用于文本資源，特征提取有限，推薦內容較為大眾化，不能挖掘用戶新興趣。協同過濾推薦算法是目前最流行的推薦算法，分為基于用戶（User-based） 的協同過濾算法和基于項目（Item-based） 的協同過濾算法，主要是分析與目標用戶相似的用戶，找出與目標用戶相似的用戶群組，將相似用戶偏好的學習資源、學習路徑等推薦給目標用戶[9]。基于規則的推薦算法是通過已制定好的相關規則對用戶進行推薦，規則的數量和質量決定了推薦效果[10]。混合推薦算法則是將兩種或多種算法相結合，避免單個算法的缺點，充分利用用戶的行為數據和項目內容數據，提高推薦算法的準確性和覆蓋率[11]。

然而，隨著網絡規模的擴大，用戶行為數據和項目內容數據的獲取與處理變得越來越困難，用戶興趣和需求的變化也更為頻繁，如何實時更新推薦結果以滿足用戶不斷變化的需求是一項重要任務。為了解決實際應用中存在的問題，研究者們將社交網絡分析、深度學習、遷移學習等技術用以不斷優化和改進算法，以滿足用戶不斷變化的需求，為用戶提供更精準、更個性化的學習資源推薦。

在教育領域，由于相同專業背景的學習者傾向于學習同類學習資源，具有很強的聚類效應，本研究利用聚類算法對學習資源進行分類整合，并通過協同過濾算法分析學習者之間的相似度，找到具有相似興趣愛好的學習者，綜合考慮學習者的基本信息、專業背景和課程熱度等因素，生成初始推薦候選集，進而根據學習者畫像進行再篩選，確定最終的推薦列表。

1.4 反饋調整

學習者的需求和偏好是動態變化的，推薦系統應具備實時更新和調整推薦結果的能力，在短時間內準確地捕捉這些變化，綜合學習者的歷史學習數據、評價反饋信息等，對推薦結果進行實時調整，以適應學習者不斷變化的需求。

反饋調整層在推薦系統中充當關鍵的調控器，主要任務是捕捉學習者對推薦內容的反應，包括點擊、收藏、分享、評分、評論等，并根據這些反饋數據實時優化推薦算法和模型，提高個性化推薦的準確性和滿意度[12]。基于此，該層引入多種評估指標，如點擊率（CTR） 、平均準確率（MAP） 和歸一化折損累計增益（NDCG） ，以客觀量化推薦效果。

2 系統模塊與實驗設計

2.1 系統模塊設計

基于學習者畫像的在線學習資源個性化推薦系統主要可分為學習者管理、學習資源管理、個性化推薦管理等三大模塊[13-14]，如圖2所示。學習者管理模塊主要負責學習者基本信息、學習行為、學習情緒及知識掌握情況的管理與分析，學習者基礎信息包括學習者的年齡、專業、性別、興趣愛好、知識水平等，學習行為包括學習者的瀏覽、收藏、分享、討論、作業等行為信息。學習資源管理模塊主要是管理者對資源的增、刪、改、查，以及資源的分類、下載、搜索、詳情設置等。個性化推薦管理模塊主要是對學習資源、學習路徑、學習同伴的推薦，高效精準地為學習者推薦合適的學習資源，提高其學習興趣，滿足其個性化需求。

2.2 實驗設計

實驗數據集的選擇至關重要，對實驗結果的準確性和可信度具有重要影響。可采用名為“EdNet”的權威數據集，這是由人工智能導學系統Santa收集的大規模分層學生活動數據集，包含近80萬名學生的上億個交互信息，是迄今為止發布的最大公共交互教育系統數據集[15]。EdNet數據集適用于教育領域深度學習和推薦系統的研究，不僅提供了基本的用戶-資源交互信息，還融合了豐富的用戶特征、行為模式和學習資源元數據。其中，用戶行為數據記錄了諸如視頻觀看、題目作答、論壇參與等細粒度的互動行為，對于理解學習者的學習軌跡和習慣具有重要意義。EdNet還包含了學習資源的各種屬性，如題目難度、課程類別、知識點等，涵蓋了從初級到高級的各種課程內容，囊括了學習的各個階段。除此之外，還有例如來自在線教育網站Junyi Academy 的數據集Junyi，是除EdNet 外數據量最多的開源數據集，以及來自ASSISTMENTS 在線輔導系統的ASSIST（2009、2012、2015、2017） 數據集，分別包含了學習者在不同問題上相應數量集的交互行為，最多的達到254萬多個交互。這些豐富多樣的數據集支撐本研究進行深入細致的探索并為在線學習資源個性化推薦系統的構建提供了有力的支持。

為確保推薦系統的效果及可行性，采用組合式的實驗方法策略。首先，模擬真實環境中的用戶行為，對數據集進行數據抽樣和再現，構建模擬實驗環境。基于該環境，采用簡單交叉驗證方法對數據進行分割，其中80%的數據作為訓練集，20%的數據作為測試集，并采用準確率（Accuracy） 、召回率（Recall） 、F1值以及均方誤差（MSE） 等多種評價指標量化推薦效果，客觀地反映推薦系統的性能。此外，運用隨機實驗和準實驗法、問卷調查法或采集學習過程數據進而建立因果模型等方法對系統有效性進行更全面、更科學的評估驗證。

3 總結與展望

通過對系統架構、功能描述、模塊設計和實驗數據及方法的全面分析，本研究設計了一個具有高準確性的個性化推薦系統，為推動個性化教育和提高學習資源利用效率提供了有力支撐，提升了學習者的學習效果和學習體驗。

未來教育必定朝著個性化、多樣化、智能化、集成化、協同化的方向發展，促進學習者個性發展將成為后疫情時代教育領域的重要命題與教學新范式。然而，作為重要工具的個性化推薦系統的實現并非一蹴而就，需結合多種技術手段和領域知識，不斷進行優化和完善。因此，對于在線教育領域的研究者和開發者來說，如何有效融合多模態信息，進一步提高推薦系統的智能化和個性化程度，以滿足學習者的多樣化需求，仍是一個值得深入探討的課題，此外，隨著隱私保護和數據安全問題的日益重視，如何在確保用戶隱私的前提下提供高質量的推薦服務，將是推薦系統領域面臨的重要挑戰。

參考文獻：

[1] 董金偉，施雨晴，謝柏儒.基于人工智能的個性化學習資源自適應推薦系統[J]. 信息與電腦（理論版），2021，33（15）：166-168.

[2] 成亞玲，譚愛平.如何幫助學習者走出學習資源迷航：基于學習者畫像的個性化學習資源推薦[J].當代職業教育，2023（2）：103-112.

[3] 王雪文.基于大數據的個性化學習資源推薦系統研究與實現[D].西安：西安石油大學，2021.

[4] ALAN C. The inmates are running the asylum： why hightechproducts drive us crazy and how to restore the sanity[M].India?napolis：Sams，1999：22.

[5] 莫尉.學習者畫像建構及應用研究[J].湖南理工學院學報（自然科學版），2021，34（3）：64-69.

[6] 肖君，喬惠，李雪嬌.大數據環境下在線學習者畫像的構建[J]. 開放教育研究，2019，25（4）：111-120.[7] 王春華.基于學習者畫像的精準教學干預研究[J].濟南大學學報（社會科學版），2023，33（2）：136-146.

[8] 王莉莉，郭威彤，楊鴻武.利用學習者畫像實現個性化課程推薦[J].電化教育研究，2021，42（12）：55-62.

[9] 王子茹，宋尚文，閻紅燦.協同過濾推薦算法的性能對比與分析[J].計算機仿真，2022，39（9）：435-440.

[10] 孫歆，王永固，邱飛岳.基于協同過濾技術的在線學習資源個性化推薦系統研究[J].中國遠程教育，2012（8）：78-82.

[11] 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.

[12] 王曉晨，張景.大數據下開放教育自適應學習系統的構建[J].山西廣播電視大學學報，2021，26（3）：23-26.

[13] DAI L， FAN Y. Review of Personalized Recommendation Learners in E-Learning Systems[J].International Conference on Semantic Information Retrieval，2019（3）：3230-3239.

[14] 王茹雪.在線學習平臺個性化推薦系統設計研究[J].電腦知識與技術，2022，18（32）：41-43，54.

[15] 劉鐵園，陳威，常亮，等.基于深度學習的知識追蹤研究進展[J].計算機研究與發展，2022，59（1）：81-104.

【通聯編輯：王力】

基金項目：江蘇高校哲學社會科學研究資助項目“基于在線作業行為的學習者畫像構建與應用研究”（項目編號：2023SJYB0779） ；江蘇建筑職業技術學院2023 年度科研課題（項目編號：2023138）；江蘇省教育科學規劃2023 年度專項課題“江蘇省面向學習型社會建設的終身數字學習適應力及學習偏好研究”（項目編號：C/2023/01/62）