朱曉亮++王俊

摘 要 綜述移動學(xué)習(xí)內(nèi)容推薦關(guān)鍵技術(shù)，建議利用上下文情景與社交網(wǎng)絡(luò)等信息構(gòu)建移動云學(xué)習(xí)環(huán)境下內(nèi)容推薦框架，以實現(xiàn)移動推薦結(jié)果的精確性和多樣性之間的平衡。

關(guān)鍵詞 移動學(xué)習(xí)；內(nèi)容推薦；協(xié)同過濾；學(xué)習(xí)行為

中圖分類號：G652 文獻標(biāo)識碼：A

文章編號：1671-489X（2016）24-0001-05

A Review of Research on Content Recommendation based on Mobile Learning Environment//ZHU Xiaoliang， WANG Jun

Abstract This paper summarizes the key technologies of mobile learning content recommendation and proposes how to construct con-

tent recommendation framework for mobile cloud learning to achieve

the balance between accuracy and diversity of mobile recommenda-tion results based on information of context and social networks.

Key words mobile learning； content recommendation； collaborative filtering； learning behavior

1 前言

移動互聯(lián)網(wǎng)的發(fā)展為教育信息化帶來新的挑戰(zhàn)。一方面，伴隨著越來越多的學(xué)習(xí)資源自然分布在網(wǎng)絡(luò)上，移動設(shè)備帶來的便捷性使隨時隨地自主學(xué)習(xí)成為可能，參與移動學(xué)習(xí)社區(qū)正成為一種趨勢；另一方面，移動設(shè)備的移動性、位置性、分布性等特性也明顯加劇了信息過載問題[1-2]。

因此，在移動網(wǎng)絡(luò)學(xué)習(xí)應(yīng)用中有必要引入個性化學(xué)習(xí)推薦，為學(xué)習(xí)者提供更加便利的知識服務(wù)，幫助學(xué)習(xí)者更加有效地獲取學(xué)習(xí)內(nèi)容、提高學(xué)習(xí)效率[3]。

一般而言，推薦系統(tǒng)是在收集用戶既往信息的基礎(chǔ)上分析用戶的興趣愛好和行為習(xí)慣，從而將感興趣的信息主動推薦給用戶。然而，移動互聯(lián)網(wǎng)環(huán)境下終端設(shè)備在自身資源、處理能力等方面的局限性使得適合傳統(tǒng)互聯(lián)網(wǎng)用戶的推薦方法并不能直接應(yīng)用到移動推薦中。移動推薦系統(tǒng)需要深入了解用戶的需求并進行精準(zhǔn)的信息推送，主要難點則在于大大減少用戶與移動設(shè)備的復(fù)雜交互，并通過智能化方式理解用戶意圖來自動完成信息推送。這需要面臨兩大挑戰(zhàn)[4]：一是如何從大規(guī)模異質(zhì)移動數(shù)據(jù)中分析數(shù)據(jù)特點、總結(jié)學(xué)習(xí)者的行為模式；二是如何利用所發(fā)掘的數(shù)據(jù)特點和行為模式設(shè)計可靠的推薦策略。

針對上述挑戰(zhàn)，一方面，移動推薦系統(tǒng)需要綜合考慮移動性、位置性、分布性等特性信息[5]。其中，移動性考慮了用戶移動性、設(shè)備移動性和無線連接性；位置性指移動推薦系統(tǒng)的應(yīng)用場景較靈活且用戶對推薦內(nèi)容的位置往往具有明確要求；分布性指移動用戶分散，需要分布式設(shè)計支持他們之間進行自治的數(shù)據(jù)交換并采用簡潔算法完成推薦任務(wù)。由于上述特性，移動推薦有必要借助移動互聯(lián)網(wǎng)環(huán)境下的時間、空間等與相關(guān)用戶的行為密切相關(guān)的上下文信息來增強應(yīng)用的效果。

另一方面，社交網(wǎng)絡(luò)的出現(xiàn)已基本改變了互聯(lián)網(wǎng)的組成方式，而移動互聯(lián)網(wǎng)的發(fā)展也大大推動了移動學(xué)習(xí)社區(qū)擴散的過程。諸多學(xué)者已經(jīng)證明隨著對學(xué)習(xí)社區(qū)的投入程度和學(xué)習(xí)時間的增加，學(xué)習(xí)者學(xué)習(xí)意愿也不斷增加[6-7]。因此，協(xié)作學(xué)習(xí)的相關(guān)信息將成為移動學(xué)習(xí)推薦的重要支撐之一。再者，結(jié)合移動網(wǎng)絡(luò)的特性，推薦列表的多樣性對用戶感知系統(tǒng)有用性和易用性也有著積極和重要的影響[8]。

多樣性主要包括個體多樣性、總體多樣性和時序多樣性。其中，個體多樣性主要從單個用戶的角度考查系統(tǒng)能夠找到用戶喜歡的冷門項目的能力；總體多樣性則主要強調(diào)針對不同用戶的推薦應(yīng)盡可能地不同；時序多樣性主要指用戶偏好會適應(yīng)用戶興趣的動態(tài)進化或用戶情境的變化而發(fā)生改變。因此，如何盡可能地利用好上下文情境和社交網(wǎng)絡(luò)等信息，實現(xiàn)移動推薦結(jié)果的精確性和多樣性之間的平衡，這是研究者需要關(guān)注的問題[8]。

本文將結(jié)合現(xiàn)有研究，對移動環(huán)境下數(shù)字化學(xué)習(xí)資源推薦技術(shù)開展綜述與分析。文中第二節(jié)總結(jié)了相關(guān)技術(shù)，第三節(jié)對移動學(xué)習(xí)推薦系統(tǒng)進行了詳細(xì)分析，第四節(jié)描述了一種移動云學(xué)習(xí)內(nèi)容推薦框架，第五節(jié)對全文進行了總結(jié)。

2 相關(guān)研究

內(nèi)容推薦技術(shù) 常用的內(nèi)容推薦算法包括基于協(xié)同過濾的推薦算法、基于內(nèi)容的推薦算法、基于關(guān)聯(lián)規(guī)則的推薦算法與混合推薦算法等[3-5]。其中，基于協(xié)同過濾的推薦技術(shù)根據(jù)用戶評分矩陣來計算用戶之間的相似性，并通過相似用戶的評分預(yù)測當(dāng)前用戶的未評分項的評分；基于內(nèi)容的推薦則根據(jù)用戶已知的信息挖掘當(dāng)前用戶的偏好來推薦其可能感興趣的信息；基于知識的推薦則使用知識結(jié)構(gòu)描述用戶的行為和偏好來實現(xiàn)推薦；混合推薦系統(tǒng)則結(jié)合上述多種推薦技術(shù)的優(yōu)點以獲得更好的精度、性能和通用性[5]。

在上述研究中，協(xié)同過濾算法是移動學(xué)習(xí)推薦中的研究熱點之一[5]。協(xié)同過濾算法主要分為基于內(nèi)存的方法和基于模型的方法兩類?；趦?nèi)存的協(xié)同過濾推薦算法主要關(guān)注用戶或項目之間的相似關(guān)系；基于用戶的協(xié)同過濾推薦算法則關(guān)注用戶的歷史數(shù)據(jù)，如用戶評分?jǐn)?shù)據(jù)、瀏覽數(shù)據(jù)等，計算用戶之間的相似度，核心思想是選擇最相似的用戶作為鄰居，利用相似鄰居的偏好進行預(yù)測。協(xié)同過濾推薦系統(tǒng)中需要解決的是普遍存在評分?jǐn)?shù)據(jù)稀疏問題，即用戶評價或查看的項目遠遠小于用戶未評價或未查看的項目。

具體到移動推薦技術(shù)如何提高推薦準(zhǔn)確度，需要結(jié)合信息過濾技術(shù)、決策支持技術(shù)來解決信息過載問題[5]。其核心是在移動數(shù)據(jù)稀疏的情況下更為精確地估算預(yù)測用戶對未知信息的主觀評分，如通過收集用戶行為數(shù)據(jù)、建立偏好模型、根據(jù)用戶的行為和偏好對不同用戶的同類需求推薦選取個性化內(nèi)容等[5]。然而，移動環(huán)境下的空間數(shù)據(jù)復(fù)雜性較高，并且用戶的上下文信息更加模糊[9]。因此，社交網(wǎng)絡(luò)協(xié)作學(xué)習(xí)的引入至關(guān)重要[10]。

協(xié)作學(xué)習(xí)是一個以學(xué)生為中心的學(xué)習(xí)的過程，包括學(xué)習(xí)任務(wù)和方法的實施與交流。協(xié)作學(xué)習(xí)的優(yōu)勢在于溝通、人際關(guān)系和社會合作、分享、關(guān)懷、開放、創(chuàng)新、管理、務(wù)實、責(zé)任、參與等。在移動學(xué)習(xí)中納入?yún)f(xié)作學(xué)習(xí)，有利于提高學(xué)習(xí)效率和可持續(xù)性[11]。然而，如何實現(xiàn)移動學(xué)習(xí)相關(guān)社交活動數(shù)據(jù)的結(jié)構(gòu)管理，是實現(xiàn)學(xué)習(xí)內(nèi)容過濾的一個需要解決的關(guān)鍵問題[11]。結(jié)合處理上下文與社交化學(xué)習(xí)信息為移動學(xué)習(xí)內(nèi)容推薦提供了較好的解決思路。

目前研究主要包括：利用地理上的接近來采用鏈路預(yù)測方法為用戶推薦好友信息；根據(jù)上下文信息判斷用戶間的親近程度，從而構(gòu)建用戶的社交網(wǎng)絡(luò)；采用語義網(wǎng)的本體語言挖掘移動用戶間隱含的社會關(guān)系；等等[2]。如胡勛（2014）等將項目的相似性、移動用戶的相似性和移動用戶的社會關(guān)系網(wǎng)絡(luò)融合到推薦模型，構(gòu)建基于啟發(fā)式的方法，將項目相似性和移動用戶信任關(guān)系與協(xié)同過濾算法融合，利用教育數(shù)據(jù)挖掘（Educational Data Mining，EMD）

方法實現(xiàn)融合項目特征的移動用戶相似度計算，繼而基于移動用戶的相似網(wǎng)絡(luò)和信任網(wǎng)絡(luò)構(gòu)建鄰居集合并進行推薦[12]。

上述研究為所述問題的解決提供了借鑒。

網(wǎng)絡(luò)學(xué)習(xí)行為分析 網(wǎng)絡(luò)學(xué)習(xí)行為是指學(xué)習(xí)者在由現(xiàn)代信息技術(shù)所創(chuàng)設(shè)的、具有全新溝通機制與豐富資源的學(xué)習(xí)環(huán)境中開展的遠程自主學(xué)習(xí)行為，行為的發(fā)生、發(fā)展以及變化由學(xué)習(xí)者自己控制[13]。主要行為包括：學(xué)習(xí)者借助網(wǎng)絡(luò)提供的交流工具自主進行主題研討和交流；學(xué)習(xí)過程中獲取來自教師、學(xué)習(xí)支持系統(tǒng)等的支持和幫助；形式上可分為探索性學(xué)習(xí)、投入型學(xué)習(xí)、體驗型學(xué)習(xí)、激勵性學(xué)習(xí)、擴展性學(xué)習(xí)與有效性學(xué)習(xí)等幾大類[13]。網(wǎng)絡(luò)學(xué)習(xí)行為是用于數(shù)字化學(xué)習(xí)內(nèi)容推薦的重要指標(biāo)之一。

隨著網(wǎng)絡(luò)學(xué)習(xí)平臺技術(shù)的不斷完善，一些學(xué)者嘗試構(gòu)建網(wǎng)絡(luò)學(xué)習(xí)行為模型，跟蹤和分析網(wǎng)絡(luò)學(xué)習(xí)者的操作行為。例如：文獻[13]構(gòu)建了一種以學(xué)習(xí)者為中心的學(xué)習(xí)行為分析模型，用來分析學(xué)習(xí)者的學(xué)習(xí)需要、學(xué)習(xí)興趣和學(xué)習(xí)行為習(xí)慣；文獻[14]提出構(gòu)建用戶學(xué)習(xí)需求清晰度模型；文獻[15]嘗試通過分析學(xué)習(xí)者的瀏覽行為，進而確定學(xué)習(xí)者的學(xué)習(xí)風(fēng)格；文獻[16-17]等借助網(wǎng)絡(luò)學(xué)習(xí)者的學(xué)習(xí)需求、學(xué)習(xí)行為記錄和個性特征等，探討學(xué)習(xí)者的學(xué)習(xí)績效評價方式。近年來隨著社交網(wǎng)絡(luò)的興起，學(xué)者開展了學(xué)習(xí)社區(qū)行為分析等研究[18]。

大數(shù)據(jù)云計算——Hadoop Hadoop是仿照谷歌類似系統(tǒng)開發(fā)的云計算開源框架（Hadoop MapReduce/HBase/HDFS）

中的重要組成部分之一，它為數(shù)字化學(xué)習(xí)資源推薦的分布式操作奠定了基礎(chǔ)。其中，HDFS為上層非結(jié)構(gòu)化存儲提供高性能、高并發(fā)服務(wù)；HBase負(fù)責(zé)提供結(jié)構(gòu)化數(shù)據(jù)服務(wù)的分布式數(shù)據(jù)庫；Hadoop MapReduce是一種并行計算的編程模型，用于作業(yè)調(diào)度，可將一個大作業(yè)拆分為多個小作業(yè)的框架（兩者本質(zhì)相同，僅規(guī)模不同），而用戶需要做的只是決定拆成多少份以及定義作業(yè)本身，從而大大降低分布式系統(tǒng)的編程工作難度。

3 移動學(xué)習(xí)推薦系統(tǒng)分析

數(shù)字化學(xué)習(xí)推薦系統(tǒng)通常是在已知學(xué)習(xí)行為特征進行智能感知基礎(chǔ)上實現(xiàn)高質(zhì)量學(xué)習(xí)資源推薦的智能軟件系統(tǒng)，目的是協(xié)助學(xué)習(xí)者選擇合適的課程、知識點關(guān)聯(lián)的學(xué)習(xí)材料或?qū)W習(xí)活動等信息[20]。數(shù)字化學(xué)習(xí)推薦系統(tǒng)的基本要素包括事件、會話和推薦過程[19]。其中，事件是由用戶執(zhí)行的操作所引起的系統(tǒng)調(diào)用；一系列事件構(gòu)成會話，如每點擊一個超鏈接就生成一個新的事件會話；推薦過程是產(chǎn)生一組推薦所要執(zhí)行的操作序列[19]。

數(shù)字化學(xué)習(xí)推薦系統(tǒng)的功能通常包括[20]：使用網(wǎng)絡(luò)分析技術(shù)，收集學(xué)習(xí)者的配置文件并確定其個性化需求；收集學(xué)習(xí)目標(biāo)的元數(shù)據(jù)與識別功能；獲取相關(guān)的學(xué)習(xí)者與學(xué)習(xí)者匹配程度的知識學(xué)習(xí)目標(biāo)，并采用一些先進的技術(shù)實現(xiàn)匹配的過程。數(shù)字化學(xué)習(xí)推薦系統(tǒng)大體可以分為兩類：基于學(xué)習(xí)者興趣的學(xué)習(xí)資源推薦系統(tǒng)和基于教學(xué)策略的學(xué)習(xí)資源推薦系統(tǒng)[20]。在此基礎(chǔ)上，筆者總結(jié)了每一類不同策略的基本描述和案例，如表1所述。

由文獻分析，基于情境感知理論的數(shù)字化學(xué)習(xí)形態(tài)正成為主流，在此基礎(chǔ)上研制的協(xié)同過濾系統(tǒng)融合了多種推薦策略的優(yōu)點。如文獻[1]提出一種混合的推薦系統(tǒng)，為用戶的學(xué)習(xí)過程推薦學(xué)習(xí)項目。該方法包括兩個步驟：首先使用基于項目的協(xié)同過濾發(fā)現(xiàn)內(nèi)容相關(guān)的項集；然后根據(jù)共同學(xué)習(xí)序列，應(yīng)用項目集的序列模式挖掘進行過濾算法。文獻[32]則提出一個模糊語言的推薦系統(tǒng)，以方便學(xué)習(xí)者訪問對他們感興趣的數(shù)字化學(xué)習(xí)資源，具體要求是滿足學(xué)生的具體需求、促進并引導(dǎo)學(xué)生開展關(guān)聯(lián)學(xué)習(xí)、改進教學(xué)過程；文獻[33]提出一個上下文感知的建議框架，包括上下文感知的協(xié)同過濾與基于圖的聚類技術(shù)和矩陣分解的上下文建模相結(jié)合的方法以及平均預(yù)測評級方法；文獻[29]提出一種個性化的上下文感知學(xué)習(xí)系統(tǒng)以提高學(xué)習(xí)效率。

同時，基于云計算的推薦服務(wù)，可以依賴先進的人工智能機制，從用戶所在的不同社交網(wǎng)絡(luò)匯總數(shù)據(jù)，推斷知識和興趣，從而為移動學(xué)習(xí)注入新的動力[3-6] 。如文獻[34]基于先進的以人工智能為基礎(chǔ)的結(jié)構(gòu)和算法，提出一種知識評估方法和相應(yīng)的推薦系統(tǒng)。此外，組推薦技術(shù)也可以通過檢測組用戶并聚類，然后在最大可用數(shù)量限制條件下產(chǎn)生足夠的推薦列表[35]。

4 移動云學(xué)習(xí)內(nèi)容推薦框架

由上述文獻分析，針對其特點，移動學(xué)習(xí)推薦系統(tǒng)將圍繞基于情境感知理論與云計算開展工作。在文獻[3]工作的基礎(chǔ)上，筆者拓展其通用模型。模型采用SOA架構(gòu)設(shè)計，可分為平臺層、服務(wù)層、應(yīng)用層（如圖1所示）。其中，平臺層負(fù)責(zé)實現(xiàn)教育云環(huán)境下分布式學(xué)習(xí)行為與學(xué)習(xí)偏好分析的計算；Hadoop作為分布式資源云推薦的基礎(chǔ)架構(gòu)，包括基于HDFS的存儲優(yōu)化與基于MapReduce的云計算功能。應(yīng)用層負(fù)責(zé)學(xué)習(xí)推薦服務(wù)，包括用戶推薦列表的呈現(xiàn)與個性化查詢的輸入接口。服務(wù)層實現(xiàn)學(xué)習(xí)推薦引擎與服務(wù)接口功能，服務(wù)接口包括推薦接口與查詢接口。

服務(wù)層核心部分在于通過反饋系統(tǒng)從Hadoop基礎(chǔ)架構(gòu)獲取行為感知、社交感知、語義感知信息的基礎(chǔ)上運行協(xié)同過濾，完成基于情境感知的學(xué)習(xí)內(nèi)容推薦引擎功能。學(xué)習(xí)者偏好分析與推薦算法是推薦系統(tǒng)的核心，學(xué)習(xí)者偏好分析通過對行為感知、社交感知、語義感知的綜合信息分析構(gòu)建數(shù)據(jù)模型，進而應(yīng)用推薦算法實現(xiàn)個性化推薦目標(biāo)。其中，行為感知目標(biāo)是獲取學(xué)習(xí)者既往應(yīng)用學(xué)習(xí)資源過程中的個體學(xué)習(xí)行為特征；社交感知目標(biāo)獲取協(xié)作學(xué)習(xí)的共性特征；語義感知目標(biāo)是獲取虛擬學(xué)習(xí)環(huán)境中多粒度學(xué)習(xí)對象的語義特征。

實施中系統(tǒng)功能將分為服務(wù)端與移動應(yīng)用程序兩部分。服務(wù)器端收集用戶上下文感知即學(xué)習(xí)行為、語義檢測與社交學(xué)習(xí)參與信息，完成學(xué)習(xí)者偏好分析與協(xié)同推薦算法；移動應(yīng)用程序則負(fù)責(zé)學(xué)習(xí)者行為信息的上傳與推薦服務(wù)的終端呈現(xiàn)。具體實施按照以下步驟。

首先，語義感知子系統(tǒng)依據(jù)反饋系統(tǒng)構(gòu)建一個共同的抽象的整體知識庫，涵蓋了對應(yīng)領(lǐng)域知識的相關(guān)知識語義本體及關(guān)系。該子系統(tǒng)可借鑒基于先進的人工智能為基礎(chǔ)的推薦算法[34]。

其次，社交感知子系統(tǒng)則根據(jù)課程主題組或者論壇參與情況并輔助于K-近鄰算法確定群組關(guān)系，同時構(gòu)建具備群組特性的行為隱性反饋信息。

最后，借鑒文獻[36]改進的行為感知子系統(tǒng)通過反饋系統(tǒng)獲取用戶交互信息，并結(jié)合社交化學(xué)習(xí)類隱性信息構(gòu)建隱式反饋數(shù)據(jù)庫，進而通過顯式映射實現(xiàn)顯式反饋，再進行數(shù)據(jù)庫信息比對，完成數(shù)據(jù)推薦（如圖2所示）。

上述步驟中，行為感知是協(xié)同推薦的關(guān)鍵技術(shù)。首先，引入Edward Rolando定義的移動電子書瀏覽用戶行為評價對象（如表2所示），并采用用戶交互行為轉(zhuǎn)化算法來確定用戶行為Ai（i=1，...，11）的分值[36]。

其次，在Ai分值確定的基礎(chǔ)上，實現(xiàn)隱性評價的顯式映射。Edward Rolando定義評價矩陣向量u（i，j）表示第i個用戶對第j個內(nèi)容的評分，則[36]：

若已評價則取值A(chǔ)1為顯式評分，反之取值S為隱性評分，其獲取方法如下[36]：

式中Pk為對除去A1外的Ak用戶行為的權(quán)重，且 0≤Pk≤1，（3）。

N表示完成的行為的總次數(shù)：

Pr是A2...An的中第i個用戶在第j個內(nèi)容不執(zhí)行的動作重新分配的Pk權(quán)重：

其中，Q（Ak）即未評價時給予固定的P值：

5 總結(jié)

由于移動終端的特殊性，移動云學(xué)習(xí)中的“知識迷航”有加劇趨勢，而內(nèi)容推薦技術(shù)為之提供了一條便捷之路。簡而言之，教育目標(biāo)的準(zhǔn)確性與推薦技術(shù)的模糊性存在天然的矛盾，為了改善移動學(xué)習(xí)內(nèi)容推薦的效果，需要另辟蹊徑。通常，用戶行為數(shù)據(jù)體現(xiàn)了用戶學(xué)習(xí)的情境與社交特征，是移動云學(xué)習(xí)過程控制的關(guān)鍵要素之一。通過內(nèi)容推薦技術(shù)與云計算技術(shù)相結(jié)合構(gòu)建社交學(xué)習(xí)情境，是未來移動學(xué)習(xí)的發(fā)展方向之一?？紤]到移動學(xué)習(xí)環(huán)境加劇了用戶行為數(shù)據(jù)的稀疏性，引入上下文行為、語義與社交網(wǎng)絡(luò)信息是發(fā)掘情境學(xué)習(xí)特征的關(guān)鍵。因此，基于行為感知、社交感知、語義感知，以協(xié)同過濾算法為核心的內(nèi)容推薦方案具有一定的研究價值，其優(yōu)勢在于在提高推薦精度的前提下最大限度地增強推薦的多樣性。

在后續(xù)工作中，筆者將圍繞華中師范大學(xué)“StarC云課堂”展開實證研究，從而探索協(xié)同推薦的權(quán)重設(shè)置策略以及有效降低推薦運算復(fù)雜度的便捷機制。

參考文獻

[1]Chen W， et al. A hybrid recommendation algorithm adapted

in e-learning environments[J].World Wide Web，2014，17（2）：

271-284.

[2]朱煦，陳志奎，凌若川.一種移動上下文感知的好友推薦方法[J].小型微型計算機系統(tǒng)，2015，36（4）：744-748.

[3]王萍，劉玲.基于PaaS云模式的學(xué)習(xí)推薦系統(tǒng)研究[J].中國教育信息化，2013（3）：78-81.

[4]?；w，梅濤.移動環(huán)境中基于情景的個性化推薦[EB/

OL].[2013-07-08].http：//www.ccf.org.cn/sites/ccf/nry.jsp？con

tentId=2746457350432.

[5]劉嘉，都興中，陳振宇，等.移動推薦研究綜述[J].情報科學(xué)，2012（10）.

[6]Stantchev V， Prieto-González L， Tamm G. Cloud computing service for knowledge assessment and studies recommendation in crowdsourcing and collaborative learning environments based

on social network analysis[J].Computers in Human Behavior，

2015（51）：762-770.

[7]Chao H C， et al. A M-Learning Content Recommendation Service by Exploiting Mobile Social Interactions[J].TLT，2014，

7（3）：221-230.

[8]安維，劉啟華，張李義.個性化推薦系統(tǒng)的多樣性研究進展[J].圖書情報工作，2013，57（20）：127-135.

[9]宋樂怡，熊輝，張蓉.下一代移動推薦系統(tǒng)[J].華東師范大學(xué)學(xué)報：自然科學(xué)版，2013（3）：37-45.

[10]Santos O C， Boticario J G. User-centred design and educa-

tional data mining support during the recommendations elicita-tion process in social online learning environments[J].Expert Systems，2015，32（2）：293-311.

[11]Asabere N Y. Review of Recommender Systems for Learners

in Mobile Social/Collaborative Learning[J].ICT Journal，2012，

2（5）：429-431.

[12]胡勛，孟祥武，張玉潔，等.一種融合項目特征和移動用戶信任關(guān)系的推薦算法[J].軟件學(xué)報，2014（8）：1817-1830.

[13]丁旭. E-Learning平臺上基于學(xué)習(xí)行為分析的個性化教學(xué)系統(tǒng)的研究與實現(xiàn)[D].沈陽：東北大學(xué)，2008.

[14]Sun L， Ousmanou K， Williams S. Articulation of Learners

Requirements for Personalised Instructional Design in E-Learning

Services[J].Lecture Notes In Computer Science，2004，3143：

424-431.

[15]Lo J， Shu P. Identification of learning styles online by ob-

serving learnersbrowsing behaviors through a neural network

[J].British Journal of Educational Technology，2005，33（1）：

43-55.

[16]解冬青.網(wǎng)絡(luò)學(xué)習(xí)的個性化評價系統(tǒng)的研究與設(shè)計[D].上海：華東師范大學(xué)，2011.

[17]Lee W， Shih B， Tu L. The application of KANOs model for improving Web-based learning Performance[C]//Proceedings of the 32nd IEEE Frontiers in Education Conference. New York，

2002：27-32.

[18]李丹立.E-learning中基于聚類算法的多維度學(xué)習(xí)社區(qū)的研究[D].上海：上海交通大學(xué)，2011.

[19]Anandakumar K， Rathipriya K， Bharathi A. A Survey on

Methodologies for Personalized E-learning Recommender Sys-

tems[J].International Journal of Innovative Research in Com-

puter and Communication Engineering，2014，2（6）：4733-4738.

[20]Lu J， et al. Recommender system application developments： A survey[J].Decision Support Systems，2015（74）：12-32.

[21]Kristensen T， Dyngeland M. Design and Development of a Multi-Agent E-Learning System[J].International Journal of Agent Technologies and Systems，2015，7（2）：19-74.

[22]Nú?ez-Valdéz E R， et al. Creating recommendations on electronic books： A collaborative learning implicit approach[J].Computers in Human Behavior，2015（51）：1320-1330.

[23]Capuano N， et al. Elicitation of latent learning needs through

learning goals recommendation[J].Computers in Human Beha-vior，2014，30（1）：663-673.

[25]Farzan R， Brusilovsky P. Social navigation support in a course recommendation system[J].Adaptive Hypermedia and Adaptive Web-based Systems，2006：91-100.

[26]Cobos C， et al. A hybrid system of pedagogical pattern re-

commendations based on singular value decomposition and va-

riable data attributes[J].Information Processing & Management，

2013（49）：607-625.

[27]Santos O C， Boticario J G， Pérez-Marín D. Extending web-

based educational systems with personalised support through user

centered designed recommendations along the e-learning life

cycle[J].Science of Computer Programming，2014（88）：92-109.

[28]Rodríguez P， Duque N， Ovalle D A. Multi-agent system for Knowledge-based recommendation of Learning Objects[J].Advances in Distributed Computing and Artificial Intelligence Journal，2015，4（1）：80-89.

[29]Akbari F， Taghiyareh F. E-SoRS： A personalized and social recommender service for E-learning environments[C]//In pro-ceedings of 8th National and 5th International Conference on e-

Learning and e-Teaching（ICeLeT）.2014：1-12.

[30]Liu L， Koutrika G， Wu S. Learning Assistant： A novel learning resource recommendation system[C]//In proceedings of ICDE.2015：1424-1427.

[31]Zapata A， et al. Evaluation and selection of group recom-mendation strategies for collaborative searching of learning ob-

jects[J].International Journal of Human-Computer Studies，

2014（76）：22-39.

[32]Porcel C， et al. A Learning Web Platform Based on a Fuzzy

Linguistic Recommender System to Help Students to Learn Re-

commendation Techniques[C]//Springer International Publishing.

2015.

[33]Do P， et al. A Context-Aware Recommendation Framework

in E-Learning Environment[C]//In proceedings of FDSE.2015：

272-284.

[34]Stantchev V， Prieto-González L， Tamm G. Cloud computing

service for knowledge assessment and studies recommendation in crowdsourcing and collaborative learning environments based

on social network analysis[J].Computers in Human Behavior，

2015（51）：762-770.

[35]Boratto L， Carta S. ART： group recommendation approa-ches for automatically detected groups[J].Int. J. Machine Lear-ning & Cybernetics，2015，6（6）：953-980.

[36]Nú?ez-Valdéz E R， et al. Creating recommendations on electronic books： A collaborative learning implicit approach[J].Computers in Human Behavior，2015（51）：1320-1330.