李彬

摘要：隨著互聯(lián)網(wǎng)技術(shù)在高校教學(xué)領(lǐng)域的廣泛應(yīng)用，在線學(xué)習(xí)已經(jīng)成為一種重要的學(xué)習(xí)途徑，而在開展在線學(xué)習(xí)的過程中，個(gè)性化學(xué)習(xí)路徑的推薦顯得尤為重要。推薦算法是個(gè)性化學(xué)習(xí)路徑推薦的核心所在，通過開展基于在線學(xué)習(xí)的個(gè)性化學(xué)習(xí)路徑推薦模式的研究，能夠進(jìn)一步對(duì)個(gè)性化學(xué)習(xí)路徑推薦的策略進(jìn)行明確。本研究主要介紹了學(xué)習(xí)路徑推薦算法，對(duì)個(gè)性化學(xué)習(xí)路徑推薦算法應(yīng)用策略進(jìn)行了分析，總結(jié)了基于在線學(xué)習(xí)的個(gè)性化學(xué)習(xí)路徑推薦模式實(shí)踐運(yùn)用，以期為相關(guān)研究提供參考意見。

關(guān)鍵詞：在線學(xué)習(xí);個(gè)性化學(xué)習(xí);學(xué)習(xí)路徑;推薦模式

中圖分類號(hào)：TP393? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2021）18-0034-02

開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

在數(shù)據(jù)挖掘技術(shù)飛速發(fā)展的過程中，智能化教學(xué)系統(tǒng)也獲得了極大的發(fā)展和完善，探究個(gè)性化學(xué)習(xí)路徑是當(dāng)前熱點(diǎn)研究問題，需要面向?qū)W習(xí)者推薦個(gè)性化學(xué)習(xí)路徑。在開展在線學(xué)習(xí)的過程中，由于信息量較大，干擾學(xué)習(xí)者結(jié)合自身需求對(duì)學(xué)習(xí)資源進(jìn)行針對(duì)性獲取，所推薦的學(xué)習(xí)資源達(dá)不到學(xué)習(xí)者的實(shí)際需要，降低了學(xué)習(xí)效率。在此背景下，探究在線學(xué)習(xí)的個(gè)性化學(xué)習(xí)路徑推薦模式具有非常重要的意義，通過對(duì)照研究多種算法的用途及優(yōu)勢(shì)，能夠?qū)€(gè)性化學(xué)習(xí)路徑推薦系統(tǒng)進(jìn)行構(gòu)建，得出個(gè)性化學(xué)習(xí)路徑推薦的策略，可以使個(gè)性化學(xué)習(xí)路徑推薦的價(jià)值性得到充分的體現(xiàn)，改善在線學(xué)習(xí)效率。

1 學(xué)習(xí)路徑推薦算法

基于知識(shí)、內(nèi)容和協(xié)同過濾的推薦系統(tǒng)是當(dāng)前應(yīng)用作為廣泛的推薦系統(tǒng)，在推薦實(shí)現(xiàn)算法層面上，可以將學(xué)習(xí)路徑推薦算法劃分成基于知識(shí)、數(shù)據(jù)挖掘以及智能優(yōu)化三大算法。

1.1智能優(yōu)化算法

應(yīng)用智能優(yōu)化算法求解問題的過程中，能夠不斷向優(yōu)化方向進(jìn)行移動(dòng)，不存在最優(yōu)解，應(yīng)用范圍較廣，具有并行處理和全局優(yōu)化性能的優(yōu)勢(shì)。粒子群算法、蟻群算法以及遺傳算法是智能優(yōu)化算法在學(xué)習(xí)路徑推薦方面的主要運(yùn)用。

其中粒子群算法主要是通過對(duì)鳥群覓食進(jìn)行模擬的方式，形成的迭代優(yōu)化算法，能夠用于對(duì)煩瑣組合優(yōu)化問題進(jìn)行處理[1]。POS算法的核心在于粒子同、群體信息的互換，對(duì)全局極限值gb、個(gè)體信息pb進(jìn)行對(duì)比，從而不斷對(duì)飛行速度、方向進(jìn)行調(diào)控，在彼此引導(dǎo)下實(shí)現(xiàn)朝最優(yōu)解區(qū)域的整體聚集。

蟻群算法建立在種群探尋最短路徑的基礎(chǔ)上，屬于啟發(fā)式探索算法，具有較強(qiáng)的通用性，通過正反饋原理自適應(yīng)來對(duì)問題進(jìn)行處理。在個(gè)體運(yùn)動(dòng)時(shí)，信息素會(huì)存在途徑路徑中，剩余個(gè)體能夠參考信息素濃度對(duì)路線進(jìn)行選取。

遺傳算法在學(xué)習(xí)路徑推薦領(lǐng)域中的應(yīng)用主要在于，對(duì)學(xué)習(xí)路徑內(nèi)的染色體進(jìn)行結(jié)構(gòu)化編碼處理，參考適應(yīng)度函數(shù)F（x）對(duì)適應(yīng)度值進(jìn)行運(yùn)算，并遵循自然選擇理念，參考概率對(duì)種群進(jìn)行選擇，F(xiàn)（x）/ΣF（x）即為選擇概率P[2]。該算法能夠選擇優(yōu)化個(gè)體，并對(duì)個(gè)體進(jìn)行變異、交叉處理，從而形成全新候選解群，對(duì)優(yōu)化個(gè)體重復(fù)遺傳操作進(jìn)行明確，達(dá)到特定收斂指標(biāo)即可。

1.2數(shù)據(jù)挖掘算法

在關(guān)聯(lián)、分類、序列模式以及聚類等分析過程中，會(huì)運(yùn)用到數(shù)據(jù)挖掘算法。該算法建立在海量數(shù)據(jù)的基礎(chǔ)上，能夠?qū)τ袃r(jià)值的信息進(jìn)行挖掘，并對(duì)模型進(jìn)行創(chuàng)建，結(jié)合模型能夠有效預(yù)測(cè)數(shù)據(jù)發(fā)展趨勢(shì)。將其應(yīng)用到學(xué)習(xí)路徑推薦領(lǐng)域中，主要會(huì)涉及Bayesian網(wǎng)絡(luò)、AprioriAll算法以及人工神經(jīng)網(wǎng)絡(luò)三大算法。

其中，建立在概率推理、挖掘數(shù)據(jù)潛在聯(lián)系前提下的Bayesian網(wǎng)絡(luò)法，能夠結(jié)合學(xué)生的特點(diǎn)對(duì)學(xué)生特征、學(xué)習(xí)資源的術(shù)語近似程度進(jìn)行運(yùn)算，借助Bayesian概率可以對(duì)學(xué)生類型發(fā)生概率、特點(diǎn)概率、學(xué)習(xí)選取概率分別進(jìn)行運(yùn)算，以此對(duì)學(xué)習(xí)資源庫內(nèi)合理的個(gè)性化學(xué)習(xí)資源進(jìn)行最大概率的選取[3]。

運(yùn)用AprioriAll算法來推薦學(xué)習(xí)路徑時(shí)，應(yīng)對(duì)群體學(xué)習(xí)行為數(shù)據(jù)進(jìn)行統(tǒng)計(jì)、研究，借助規(guī)則分解的途徑，將學(xué)習(xí)者行為序列轉(zhuǎn)變?yōu)殚L(zhǎng)度各異的序列模式，并對(duì)不同子序列的置信度、支持度進(jìn)行運(yùn)算，結(jié)合頻繁項(xiàng)序列完成推薦任務(wù)。

人工神經(jīng)網(wǎng)絡(luò)算法主要是結(jié)合行為數(shù)據(jù)，對(duì)人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行構(gòu)建，并對(duì)學(xué)習(xí)行為進(jìn)行預(yù)測(cè)，在輸入層中輸入數(shù)據(jù)后，通過函數(shù)處理，能夠在輸出層對(duì)推薦學(xué)習(xí)路徑進(jìn)行獲取。該算法可以對(duì)推薦路徑、實(shí)際選取路徑進(jìn)行對(duì)照研究，并對(duì)網(wǎng)路節(jié)點(diǎn)權(quán)值進(jìn)行調(diào)整，不斷對(duì)模型進(jìn)行健全。

1.3基于知識(shí)的推薦算法

在特定領(lǐng)域內(nèi)，基于知識(shí)的推薦算法能借助相同知識(shí)表示方法對(duì)知識(shí)對(duì)象進(jìn)行標(biāo)注，可以對(duì)需求、推薦二者的聯(lián)系進(jìn)行闡釋。

語義本體基礎(chǔ)上的推理算法，可以基于本體構(gòu)建軟件protégé，語義描述所提取關(guān)鍵詞、實(shí)體，對(duì)屬性進(jìn)行添加，完成結(jié)構(gòu)化分類處理，還可以對(duì)語義概念范疇、不同概念的限制聯(lián)系進(jìn)行界定，對(duì)語義本體知識(shí)模型進(jìn)行打造[4]。參考本體庫推理規(guī)則，語義匹配后借助Jena推理機(jī)，完成推理，直觀化的呈現(xiàn)最終推薦結(jié)果。

情景感知基礎(chǔ)上的路徑推薦，主要利用的是情境感知技術(shù)，發(fā)揮推薦系統(tǒng)CARS 的作用，能夠?qū)η榫秤脩羝媚Ｐ瓦M(jìn)行研究，并參考實(shí)際情境對(duì)用戶潛在偏好進(jìn)行推薦。在對(duì)學(xué)習(xí)路徑進(jìn)行推薦時(shí)，情景感知推薦可以在研究學(xué)習(xí)者行為喜好的基礎(chǔ)上，對(duì)多維評(píng)分效用模型進(jìn)行構(gòu)建。并依據(jù)現(xiàn)行加權(quán)、過濾法來有效過濾情境信息，重新排列推薦項(xiàng)目概率，使學(xué)習(xí)者獲取評(píng)價(jià)最高評(píng)價(jià)的資源。

2個(gè)性化學(xué)習(xí)路徑推薦算法應(yīng)用策略

個(gè)性化學(xué)習(xí)路徑推薦的領(lǐng)域適應(yīng)性較強(qiáng)，主要涉及了三大個(gè)性化學(xué)習(xí)路徑推薦算法，分別為：基于群體路徑的推薦算法、基于學(xué)習(xí)模型的推薦算法、基于特征屬性的推薦算法，不同算法各具優(yōu)勢(shì)。

2.1特征屬性匹配策略

參考學(xué)習(xí)者喜好、特征屬性，將學(xué)習(xí)者、學(xué)習(xí)資源進(jìn)行有效連接的過程即為特征屬性匹配，能夠像學(xué)習(xí)者個(gè)性化的推薦具有近似屬性的學(xué)習(xí)資源。特征屬性匹配策略應(yīng)保證目標(biāo)項(xiàng)特點(diǎn)便于量化運(yùn)算、提取，借助該算法能夠?qū)Y(jié)合知識(shí)點(diǎn)關(guān)鍵詞或難度系數(shù)同題庫進(jìn)行匹配的動(dòng)態(tài)組卷生成系統(tǒng)DQGS、結(jié)合錯(cuò)答知識(shí)點(diǎn)、關(guān)鍵詞來進(jìn)行推薦的個(gè)性化在線學(xué)習(xí)系統(tǒng)PELS、結(jié)合學(xué)習(xí)資料屬性匹配或?qū)W習(xí)者學(xué)習(xí)風(fēng)格進(jìn)行推薦的蟻群系統(tǒng)SACS/AACS分別進(jìn)行構(gòu)架，在系統(tǒng)內(nèi)能夠結(jié)合相應(yīng)屬性、特點(diǎn)進(jìn)行個(gè)性化的推薦[5]。仿生智能優(yōu)化算法包括粒子群算法、蟻群算法以及遺傳算法，擁有模式化的操作流程、公式，在實(shí)際運(yùn)用時(shí)需要結(jié)合問題來調(diào)整參數(shù)。

2.3基于學(xué)習(xí)模型的推薦策略

面向海量歷史數(shù)據(jù)所構(gòu)建的學(xué)習(xí)偏好模型，能夠借助數(shù)據(jù)挖掘算法對(duì)學(xué)習(xí)者的行為數(shù)據(jù)進(jìn)行處理，并劃分挖掘數(shù)據(jù)的模式，找到內(nèi)在規(guī)律，從而打造出學(xué)習(xí)偏好模型，對(duì)學(xué)習(xí)者選取的學(xué)習(xí)資料進(jìn)行預(yù)測(cè)，進(jìn)行個(gè)性化的推薦?；趯W(xué)習(xí)模型推薦策略能夠運(yùn)算出概率，并劃分?jǐn)?shù)據(jù)類型，并沒有設(shè)定詳細(xì)的規(guī)則。參考行為特點(diǎn)規(guī)律來進(jìn)行類型劃分，同時(shí)分配權(quán)重是人工神經(jīng)網(wǎng)絡(luò)算法的主要特點(diǎn)，可以結(jié)合學(xué)習(xí)者的行為特點(diǎn)類型、權(quán)重，對(duì)學(xué)習(xí)行為、學(xué)習(xí)者二者的決策模型進(jìn)行構(gòu)建，對(duì)數(shù)據(jù)進(jìn)行函數(shù)處理，對(duì)學(xué)習(xí)行為進(jìn)行預(yù)測(cè)，分析實(shí)際選取路徑同預(yù)測(cè)的差距，對(duì)節(jié)點(diǎn)權(quán)重進(jìn)行修正，優(yōu)化預(yù)測(cè)結(jié)果;而在對(duì)多代理學(xué)習(xí)推薦系統(tǒng)MAPLS進(jìn)行研發(fā)時(shí)，需要運(yùn)用人工神經(jīng)網(wǎng)絡(luò)算法，能夠?qū)處熗扑]Java課程學(xué)習(xí)路徑這個(gè)過程進(jìn)行模擬，基于決策模型來推薦學(xué)習(xí)路徑。

2.3基于序列頻率的推薦策略

結(jié)合群體路徑序列頻率完成推薦任務(wù)是基于序列頻率的推薦策略的本質(zhì)。作為關(guān)鍵序列挖掘算法，AprioriAll算法可以誒記住關(guān)聯(lián)序列規(guī)則，對(duì)學(xué)習(xí)序列頻率進(jìn)行整理，對(duì)子序列置信度、支持度進(jìn)行運(yùn)算，將關(guān)聯(lián)序列作為標(biāo)準(zhǔn)來劃分路徑類型，最終推薦路徑為擁有最強(qiáng)支持度的序列。

序列模式推薦系統(tǒng)SPR建立在協(xié)同過濾的前提下，對(duì)序列模式進(jìn)行統(tǒng)計(jì)的過程中，借助精簡(jiǎn)策略能夠使算法效率顯著改善。將判斷融入算法內(nèi)，在子序列非頻繁項(xiàng)序列的情況下，對(duì)父序列進(jìn)行判斷，能夠借助Top-N思想對(duì)頻繁項(xiàng)序列進(jìn)行分析，能夠?qū)崿F(xiàn)個(gè)性化推薦[6]。群體學(xué)習(xí)路徑系列下的推薦觀念相對(duì)簡(jiǎn)便，要?dú)w納研究行為序列，對(duì)關(guān)聯(lián)序列路徑進(jìn)行明確，算法空間煩瑣程度、問題規(guī)模二者呈正比關(guān)系。

3 基于在線學(xué)習(xí)的個(gè)性化學(xué)習(xí)路徑推薦模式實(shí)踐運(yùn)用

3.1合理配置資源，改善資源運(yùn)用效率

近年來國(guó)內(nèi)遠(yuǎn)程在線教育發(fā)展勢(shì)頭迅猛，為了實(shí)現(xiàn)持續(xù)發(fā)展就需要對(duì)有效開發(fā)、優(yōu)化配置學(xué)習(xí)資源。因?yàn)榫W(wǎng)絡(luò)資源不僅類型較多、總量較大，而且質(zhì)量相差較大。個(gè)性化學(xué)習(xí)路徑推薦即篩選、融合學(xué)習(xí)資源，向?qū)W習(xí)者提供校本課程資源、網(wǎng)絡(luò)資源，便于學(xué)習(xí)者結(jié)合自身需求個(gè)性化的運(yùn)用和選取資源。個(gè)性化學(xué)習(xí)路徑推薦模式能夠?qū)|(zhì)量高的資源進(jìn)行有效整合，并實(shí)現(xiàn)優(yōu)化配置學(xué)習(xí)資源，能夠使資源效用得到最大限度的發(fā)揮。同時(shí)，學(xué)習(xí)者借助優(yōu)質(zhì)資源能夠更好地開展個(gè)性化學(xué)習(xí)活動(dòng)，可以顯著改善學(xué)習(xí)成績(jī)，無需耗時(shí)去進(jìn)行搜集、整理。

3.2推動(dòng)學(xué)習(xí)者的個(gè)性化學(xué)習(xí)，提升學(xué)習(xí)效率

在線學(xué)習(xí)的最大優(yōu)勢(shì)就是支持個(gè)性化學(xué)習(xí)，使學(xué)習(xí)者能夠獲取充足學(xué)習(xí)資源，在全新學(xué)習(xí)模式下提高學(xué)習(xí)水平。個(gè)性化學(xué)習(xí)路徑推薦系統(tǒng)不僅具有較強(qiáng)的交互性，而且擁有豐富資源，完全滿足了學(xué)習(xí)者的個(gè)性化學(xué)習(xí)需求。該系統(tǒng)能夠參考學(xué)習(xí)者的行為數(shù)據(jù)、個(gè)反饋信息，對(duì)其學(xué)習(xí)需要、偏好進(jìn)行研究，進(jìn)而對(duì)針對(duì)性的學(xué)習(xí)方案、內(nèi)容進(jìn)行設(shè)定，將個(gè)性化學(xué)習(xí)路徑推薦給學(xué)習(xí)者，確保學(xué)習(xí)路徑同學(xué)習(xí)者認(rèn)知能力相統(tǒng)一，幫助學(xué)習(xí)者明確學(xué)習(xí)方向，構(gòu)建出系統(tǒng)化的知識(shí)框架體系。學(xué)習(xí)者在開展學(xué)習(xí)活動(dòng)的過程中，依據(jù)個(gè)性化學(xué)習(xí)路徑推薦系統(tǒng)，可以對(duì)學(xué)習(xí)目標(biāo)進(jìn)行自主設(shè)定，結(jié)合知識(shí)結(jié)構(gòu)對(duì)具體學(xué)習(xí)內(nèi)容、計(jì)劃進(jìn)行選取，能夠使學(xué)生的學(xué)習(xí)能力、學(xué)習(xí)水平得到全面提升。同時(shí)該系統(tǒng)還支持學(xué)習(xí)者開展分享和溝通活動(dòng)，在協(xié)作討論和學(xué)習(xí)過程中，讓學(xué)習(xí)者牢固掌握知識(shí)，提升綜合能力。

3.3提供學(xué)習(xí)分析的依據(jù)

學(xué)習(xí)分析主要為，借助學(xué)習(xí)分析技術(shù)，廣泛對(duì)學(xué)習(xí)者數(shù)據(jù)進(jìn)行搜集、研究，科學(xué)預(yù)測(cè)、評(píng)價(jià)學(xué)習(xí)者的學(xué)術(shù)表現(xiàn)，了解學(xué)習(xí)者在學(xué)習(xí)過程中存在的問題?；谠诰€學(xué)習(xí)的個(gè)性化學(xué)習(xí)路徑推薦系統(tǒng)可以對(duì)學(xué)習(xí)者的學(xué)習(xí)狀況、進(jìn)程進(jìn)行實(shí)時(shí)性的跟蹤，并對(duì)學(xué)習(xí)內(nèi)容、時(shí)間、進(jìn)入系統(tǒng)的頻率、成績(jī)等各方面信息進(jìn)行有效的記錄，在整體性研究行為數(shù)據(jù)的基礎(chǔ)上，向教學(xué)者進(jìn)行信息反饋。這樣教學(xué)者就能夠?qū)虒W(xué)工作、策略進(jìn)行優(yōu)化調(diào)整，提高教學(xué)的針對(duì)性和效率。系統(tǒng)管理者也能夠參考數(shù)據(jù)信息，對(duì)學(xué)習(xí)資源進(jìn)行進(jìn)一步的篩選，對(duì)獲取幾率小的學(xué)習(xí)資源進(jìn)行刪除處理，為學(xué)習(xí)者創(chuàng)造良好的學(xué)習(xí)空間，將優(yōu)質(zhì)、個(gè)性化的學(xué)習(xí)服務(wù)提供給學(xué)習(xí)者。

4 結(jié)語

綜上所述，學(xué)習(xí)路徑推薦算法、知識(shí)模型以及學(xué)生模型是構(gòu)成個(gè)性化學(xué)習(xí)路徑推薦系統(tǒng)的主要構(gòu)成模塊，知識(shí)模型和學(xué)生模型能夠借助推薦算法有效連接起來，個(gè)性化推薦的效果同推薦算法直接相關(guān)。通過開展基于在線學(xué)習(xí)的個(gè)性化學(xué)習(xí)路徑推薦模式研究，在學(xué)習(xí)路徑推薦和算法性能方面，對(duì)照研究學(xué)習(xí)路徑推薦算法，能夠了解不同算法的優(yōu)缺點(diǎn)，對(duì)優(yōu)化的個(gè)性化學(xué)習(xí)路徑推薦系統(tǒng)進(jìn)行構(gòu)建，進(jìn)而充分發(fā)揮路徑推薦方面各算法的應(yīng)用價(jià)值。

參考文獻(xiàn)：

[1]姜強(qiáng)，趙蔚，王朋嬌，等.基于大數(shù)據(jù)的個(gè)性化自適應(yīng)在線學(xué)習(xí)分析模型及實(shí)現(xiàn)[J].中國(guó)電化教育，2015（1）：85-92.

[2] 趙學(xué)孔，徐曉東，龍世榮.協(xié)同推薦：一種個(gè)性化學(xué)習(xí)路徑生成的新視角[J].中國(guó)遠(yuǎn)程教育，2017（5）：24-34.

[3] 崔萌，穆肅，黃曉地.基于過程數(shù)據(jù)及分析的在線學(xué)習(xí)路徑研究：規(guī)律與規(guī)劃[J].開放教育研究，2020，26（3）：58-70.

[4] 姜強(qiáng)，趙蔚，李松，等.大數(shù)據(jù)背景下的精準(zhǔn)個(gè)性化學(xué)習(xí)路徑挖掘研究——基于AprioriAll的群體行為分析[J].電化教育研究，2018，39（2）：45-52.

[5] 申云鳳.基于多重智能算法的個(gè)性化學(xué)習(xí)路徑推薦模型[J].中國(guó)電化教育，2019（11）：66-72.

[6] 盧文輝.AI+5G視域下智適應(yīng)學(xué)習(xí)平臺(tái)的內(nèi)涵、功能與實(shí)現(xiàn)路徑——基于智能化無縫式學(xué)習(xí)環(huán)境理念的構(gòu)建[J].遠(yuǎn)程教育雜志，2019，37（3）：38-46.

【通聯(lián)編輯：光文玲】