摘 要： 近年來，在線學(xué)習(xí)得到了大規(guī)模普及，互聯(lián)網(wǎng)上已發(fā)布了海量的慕課學(xué)習(xí)資源。針對廣大學(xué)習(xí)者進行在線慕課學(xué)習(xí)時面臨的“信息迷航”和“信息過載”等問題，以混合推薦算法為基礎(chǔ)，通過多角度挖掘用戶的個性化信息，設(shè)計并實現(xiàn)了一個面向個性化學(xué)習(xí)的慕課資源推薦系統(tǒng)，以此為廣大學(xué)習(xí)者提供自主學(xué)習(xí)的輔助支持。該系統(tǒng)能充分挖掘?qū)W習(xí)者的顯式和隱式偏好，為其推薦滿意的慕課資源，具有良好的應(yīng)用價值。

　　關(guān)鍵詞： 慕課; 學(xué)習(xí)資源; 混合推薦; 個性化學(xué)習(xí)

　　0 引言

　　近年來，國家的一系列指導(dǎo)性文件[1-2]明確指出了以“學(xué)習(xí)者”為中心、個性化培養(yǎng)的重要性，有力地推動了我國在線教育的發(fā)展。目前，主流在線教育平臺已在互聯(lián)網(wǎng)上發(fā)布了海量的慕課學(xué)習(xí)資源，在線學(xué)習(xí)者人數(shù)增長迅速。而2020年初暴發(fā)的新冠疫情進一步推動了在線學(xué)習(xí)的大規(guī)模普及。

　　面對海量的慕課學(xué)習(xí)資源，廣大學(xué)習(xí)者在慕課學(xué)習(xí)時面臨著“信息迷航”和“信息過載”[3-4]等問題，學(xué)生很難充分了解并快速挑選出最適合自己的學(xué)習(xí)資源。由此，實現(xiàn)學(xué)生需求與學(xué)習(xí)資源的匹配，從而提高學(xué)生進行在線慕課學(xué)習(xí)時的學(xué)習(xí)效率和在線教育平臺中慕課學(xué)習(xí)資源的利用率，具有重要的現(xiàn)實意義。

　　針對當(dāng)前主流在線教育網(wǎng)站缺乏慕課資源推薦功能的不足，本文在傳統(tǒng)混合推薦算法的基礎(chǔ)上，多角度挖掘用戶的個性化信息，設(shè)計并開發(fā)了一個面向個性化學(xué)習(xí)的慕課資源推薦系統(tǒng)，以此為廣大學(xué)習(xí)者提供高效的自主學(xué)習(xí)的輔助支持。

　　1 混合推薦算法原理

　　基于內(nèi)容的推薦算法通過抽取物品的內(nèi)容信息來描述物品并形成物品的特征模型[5]，培訓(xùn)嘗試向用戶推薦與其過去所喜好物品在內(nèi)容上相似的其他物品。協(xié)同過濾算法基于興趣相投的假設(shè)，借助于用戶群體的行為模式分析，以方式進行項目過濾。該推薦算法主要是對用戶群體的行為數(shù)據(jù)進行分析，尋找鄰近用戶或鄰近物品進而生成推薦[6]，如公式⑴常用于基于用戶的協(xié)同過濾算法的評分預(yù)測任務(wù)。將以上兩種類型的推薦算法使用一定的機制相混合，便得到了基于用戶反饋和物品內(nèi)容的混合推薦算法[7]。

　　[ru，j=ru+v∈Nsimu，v×(rv，j-rv)|v∈Nsim(u，v)|] ⑴

　　其中，[ru，j]表示用戶u對物品j的預(yù)測評分;[rv，j]是用戶v對物品j的實際評分;[ru]為用戶u的平均評分;N是評價過物品j的相似用戶群;[simu，v]為用戶u和v的相似度。

　　2 個性化慕課推薦算法流程

　　2.1 基于標(biāo)簽的課程建模

　　將經(jīng)過預(yù)處理后的課程標(biāo)簽數(shù)據(jù)，轉(zhuǎn)換為Python中的字典格式，得到課程模型組。轉(zhuǎn)換得到課程模型組樣式如下：

　　[courses_models={courseid1：{'label1'：1，'label2'： 0.8， ...}， courseid2：{...}...}]

　　2.2 基于標(biāo)簽的用戶建模

　　結(jié)合用戶課程評分?jǐn)?shù)據(jù)和課程建模得到的課程模型組，由公式⑵計算用戶對標(biāo)簽的評分(即喜愛程度)。

　　[Ru，i=Sig(j∈NSimi，j)] ⑵

　　其中，Ru，i表示用戶u對標(biāo)簽i的評分;Sig表示sigmoid變體函數(shù);N表示用戶u已看且與標(biāo)簽i相關(guān)的課程集合;Simi，j表示標(biāo)簽i與課程j的相關(guān)系數(shù)。進而得到用戶模型組，其樣式如下：

　　[users_models = {user1：{'label1'：0.8， 'label2'： 0.5}，]

　　[ user2：{...}...}]

　　公式⑵針對用戶u已看且與標(biāo)簽i相關(guān)的所有課程，將這些課程與標(biāo)簽i的相關(guān)系數(shù)求和，再使用sigmoid變體函數(shù)進行歸一化處理，得到用戶u對標(biāo)簽i的評分。這里沒有將用戶u對已看課程j的實際評分作為對標(biāo)簽i評分的影響因素，是因為用戶對具體某一門課程的評分往往涉及許多除開課程內(nèi)容之外的其他因素，如教師授課質(zhì)量，課程計劃安排等。相比之下，只考慮用戶對某一標(biāo)簽相關(guān)課程的訪問頻次信息，能更準(zhǔn)確反映用戶對該標(biāo)簽的喜愛或需求程度。sigmoid變體函數(shù)如公式⑶所示。

　　[Sigx=11 + e-2x+4.8] ⑶

　　2.3 基于綜合相似度的混合推薦

　　首先，計算基于標(biāo)簽的用戶模型與課程模型之間的余弦相似度，挑選相似度較高的前N門課程作為初始推薦列表。然后，將前N門課程與用戶的相似度作為其初始推薦系數(shù)。計算當(dāng)前用戶與其他所有用戶的“綜合相似度”后，設(shè)置合理閾值，得到相似用戶組。使用相似用戶的課程評分?jǐn)?shù)據(jù)，調(diào)整當(dāng)前用戶推薦列表中各課程的推薦系數(shù)。其中，“綜合相似度”由評分反饋相似度、專業(yè)相似度、年級相似度和興趣相似度加權(quán)組合而成。

　　2.4 結(jié)合注冊信息的推薦

　　對于標(biāo)題或簡介里含有當(dāng)前用戶興趣關(guān)鍵詞的課程，增加一定比例的推薦系數(shù)。同時，結(jié)合當(dāng)前用戶與課程的層次匹配度調(diào)整各門課程的推薦系數(shù)。層次匹配度的計算著重參考了全國第四輪學(xué)科評估的數(shù)據(jù)和2020年校友會中國大學(xué)排名數(shù)據(jù)。將學(xué)科評估為A+類的院校排名設(shè)為1，A類院校排名設(shè)為2，依此類推。當(dāng)用戶所在專業(yè)與課程所屬學(xué)科一致且用戶所在院校與課程開辦院校均有對應(yīng)的學(xué)科評估排名時，我們按照學(xué)科評估排名的前后位序差距進行等距計算并賦予相應(yīng)權(quán)重，使得兩者學(xué)科評估排名越相近，則層次匹配度越高。除上述情況外，我們按照院校綜合排名的前后位序差距進行等距計算并賦予合理權(quán)重，使得兩者院校綜合排名越相近，則層次匹配度越高。

　　2.5 結(jié)合瀏覽痕跡的推薦

　　首先，結(jié)合搜索痕跡來影響課程的推薦系數(shù)。對于標(biāo)題或簡介里含有搜索關(guān)鍵詞的課程，增加一定比例的推薦系數(shù)。其次，結(jié)合停留痕跡信息來影響課程的推薦系數(shù)。為與停留頁面信息相關(guān)的課程即標(biāo)題或簡介中含有停留頁面關(guān)鍵詞的課程，提供與對應(yīng)停留時間呈線性相關(guān)的推薦系數(shù)提升比例。

　　3 慕課資源推薦系統(tǒng)的開發(fā)

　　3.1 基于Hibernate和MVC的總體設(shè)計

　　3.1.1 基于Hibernate框架的持久化設(shè)計

　　⑴ 建立持久化課程類和學(xué)生類。課程類包括id、名稱、開辦院校、授課教師、選課人數(shù)、簡介、鏈接等屬性;學(xué)生類包括id、姓名、密碼、性別、所在院校、年級、所在專業(yè)、興趣愛好等屬性。

　　⑵ 建立持久化類映射文件(Course.hbm.xml、Student.hbm.xml)，將課程類、學(xué)生類分別與數(shù)據(jù)庫中的課程詳細信息表、學(xué)生信息表關(guān)聯(lián)起來。

　　⑶ 建立Hibernate配置文件，配置連接數(shù)據(jù)庫的參數(shù)和持久化類映射文件的位置。

　　⑷ 建立Hibernate工具類，封裝對會話工廠對象和會話對象的創(chuàng)建和維護。

　　⑸ 在控制器servlet中對數(shù)據(jù)表進行查詢，得到持久化對象列表。

　　3.1.2 基于MVC模式的系統(tǒng)框架設(shè)計

　　⑴ 模型為課程類、學(xué)生類。

　　⑵ 視圖包括綜合推薦頁(select-class.jsp)、課程搜索頁(search-class.jsp)、個人中心頁(individual.jsp)，它們負責(zé)向用戶呈現(xiàn)JavaBeans中的數(shù)據(jù)。

　　⑶ 控制器為mainservlet以及它涉及的7個業(yè)務(wù)處理類。業(yè)務(wù)處理類包括綜合推薦處理類、知識元推薦處理類、推薦列表檢索處理類、慕課搜索處理類、登錄處理類、注冊處理類、個人中心訪問處理類。

　　3.2 系統(tǒng)組成與主要功能模塊

　　根據(jù)上述設(shè)計，我們實現(xiàn)了一個真實的個性化慕課推薦系統(tǒng)，并已將其公開部署于騰訊云服務(wù)器。整個系統(tǒng)共包含熱門推薦、綜合推薦、知識元推薦、慕課搜索、登錄、注冊和個人中心等七個模塊。系統(tǒng)的功能模塊結(jié)構(gòu)如圖1所示。該系統(tǒng)的首頁運行界面及推薦結(jié)果界面分別如圖2和圖3所示。

　　七個功能模塊的設(shè)計和實現(xiàn)特點分別介紹如下。

　　3.2.1 熱門推薦模塊

　　將爬取的課程數(shù)據(jù)劃分為十二個大類，分別為計算機、物理與電子、化學(xué)與化工、生物醫(yī)學(xué)、歷史與文學(xué)、數(shù)學(xué)與統(tǒng)計、經(jīng)濟、管理、教育與心理學(xué)、外語、藝術(shù)及政法等類別。在首頁的熱門推薦板塊，利用熱門課程信息和課程鏈接為用戶提供熱門課程入口。

　　推薦閱讀：民族教育研究發(fā)表什么論文