在推进教育信息化的进程中,逐渐显现出数字教育资源过载的情况,致使资源使用者处于“信息”迷航的状态,无法快速找到满足自身需求的资源,大部分优质资源也因使用率不高而被埋没。推荐技术通过挖掘和分析资源属性特征数据中的有价值信息,可以精准地为用户推荐个性化学习资源。其中,如何有效获取、分析属性特征数据集与表征资源,并据此构建资源特征模型,是提升推荐服务质量研究焦点。已有研究多运用专家元数据表征数字教育资源,表征维度较单一,难以真正地从使用者角度去多样化地评价资源。并且,面向操作的资源表征较少,没有给出全面、详细的具体化模型定义、模型构建策略和模型应用说明。本研究将重点融合元数据(Metadata)和社会标注(Social Tag)两种特征揭示方式去挖掘与描述资源更多维度的属性特征,并运用社会网络分析方法(Social Networks Analysis)弥补社会标注方法缺乏语义控制的特点,构建M-S-S资源模型并模拟应用。研究主要工作包括:(1)实现数字教育资源特征模型。选择LOM和CELTS-42元数据规范确定资源属性框架,直接、准确化地描述框架中可简单定义的属性;框架中不易定义的属性采取社会标注方式描述,即设计、开发与应用基于微信小程序的社会标注系统,采集用户标签信息;运用社会网络分析方法对高频标签进行中心性、关联性和聚合性分析,获得资源标签层级结构;融合两种方法的表征结果并运用张量网络图表示为数字教育资源特征模型。(2)检验模型的应用性能。设计混合数字教育资源特征模型的项目协同过滤推荐算法;运用模拟仿真和张量展开技术,以Movielens为数据集,来检验算法的实际推荐性能。实验结果表明,与传统的基于项目协同过滤推荐算法相比,混合算法能缓解数据稀疏和冷启动问题,推荐准确度更高,能增加资源从不同特征维度被发现和推荐的可能性。(3)总结数字教育资源模型的研究与应用趋势。随着建模数据源的不断扩充,以及元数据和社会标注等特征揭示方式的不断改进和更新,挖掘与描述的资源特征将趋向于多维,据此构建的模型可用于改进传统推荐算法,多维度聚类数字教育资源,与用户特征模型建立映射关系等。