论文部分内容阅读
摘 要：随着信息技术的发展与应用，在线教学成为了一种重要的教学方式，与传统课堂教学形成了双向互补。不过在线教学难以对学习者进行针对性的指导，导致教学效果大打折扣。本文研究了一个基于在线教学平台的学习内容精准推荐系统，通过推荐系统可以对个体用户进行知识点粒度的学习内容推荐，做到推荐资源的精准化与个性化。
关键词：推荐；精准；在线教学；知识点
随着信息技术在教育领域的应用和发展，在线教学带来了教学技术改革的新方向。相对于传统教学模式，在线教学具有模块化、定制化、碎片化学习等优势。但随着在线教学的逐步推广应用，其存在的缺陷也逐渐显露出来，主要表现在对学习者的学习过程不能进行有效的指导。而在传统的课堂教学环境下，尽管无法进行完全的个性化指导教学，但教师可以及时的根据学习者的整体学习情况进行教学进度的调整。针对这种现状，进行学习内容精准推荐系统的研究对提升在线教学平台的学习指导能力意义重大。
一.学习内容精准推荐系统
在线教学平台具备全方位采集用户数据的能力，这些数据提供了进一步挖掘处理的基础，在当前主流的数据挖掘技术中，推荐技术即是一种挖掘用户数据并给出个性化建议的技术，这与学习内容推荐的需求相匹配。
推荐的基本原理是根据用户的个性化特征来建立用户模型，之后根据相似度算法去匹配具有相似特征的群体，并且推荐该用户浏览过的信息。基于此原理设计学习内容精准推荐系统，其主要由用户、教师、专家知识库、学习资源库、用户模型和推荐模块这几个部分组成。具体结构如图1所示。
图1 系统结构图
二.知识体系与用户建模
1.知识体系模型
知识体系是知识系统诸要素相对稳定的组织方式，而知识点是知识体系中相对独立、完整、不能或不宜再分的基本知識单位。因此，知识体系模型的构建需要以知识点为单位进行构建，模型中不仅需要包含知识点之间的关系，还需要包含知识点与教学资源之间的关系，其关系结构如下：
（1）知识点之间关系
知识点之间存在两种基础的关系，依赖关系和平行关系。依赖关系即为学习/教学顺序关系，且依赖关系具有传递性。平行关系即为知识点之间不存在直接或间接的依赖关系。
（2）知识点与讲授型资源之间关系
讲授型教学资源可以包含一个或多个知识点，理想的目标是一个资源里只包含一个知识点，这样能保障学习内容推荐的精确率。
（3）知识点与测评型资源之间关系
测评型教学资源可以考查一个或多个知识点，测评型教学资源可以具备多层级的类型，大致分为基础、进阶和综合类型，其考查的知识点逐步递增，从而对用户进行更为精细的考查。
（4）讲授型资源与测评型资源之间关系
讲授型资源与测评型资源不建立直接的关系，而是通过知识点传递其联系，这样的处理解除了两者之间的耦合关系，避免更新资源时牵一发而动全身。
2.用户模型
推荐系统中一个重要的部分就是用户模型的建立，因为要将信息合理的有针对性的推荐给用户，就当然要知道用户到底需要学什么，构造一个模型用来表示用户的知识需求，且模型中的数据需要能够实时更新，以适应用户的变化。
（1）一般特征数据
用户的一般特征是指在学习过程中能对用户的心理、生理等产生影响的共通性的特点，包括年龄、性别、年级、地域、生源类型、前期成绩等背景因素。
（2）初始能力数据
用户的初始能力是指用户已经具备的有关知识与技能的基础，一般通过初始测评的方式获取。此数据用于前期推荐系统的支撑数据，权重随着学习活动逐步调低。
（3）学习行为数据
用户的学习行为是指用户对在线资源的学习使用情况，如视频播放次数、视频快进次数、测评耗时、测评结果、测评通过率、测评难度系数及衍生的知识点掌握、知识点再学习次数等数据。
三.推荐策略研究
推荐策略对学习内容推荐的精准度影响重大，合理的推荐策略，可以提高学习内容的命中率，提高用户的在线学习效率。系统采用的推荐策略如下：
（1）分层推荐
结合用户的个性化特征，分层次来进行推荐，因为对相同层次和不同层次个体的相似性进行对比，前者要高得多，这是节省推荐系统的时间开销的有效途径。
（2）提高知识点相关度
对知识点的相关程度加入不同的权重来表示，关系链条越长的知识点权重越低，平行关系的知识点权重为0，以便用户能够先从相关性高的知识点学起。
（3）降低知识点稀疏程度
基于知识体系的固有特性，基础知识点相关的行为数据总是比高级知识点的多，此差异将造成数据稀疏性。因此需要调整不同层级知识点的权重，以降低稀疏程度。
（4）降低算法时间复杂度
系统的用户数量随时间变化将线性增长，因此系统要在寻找邻居前根据一般特征进行聚类处理，从而缩小了寻找邻居的范围，降低了算法的时间复杂度。
四.结语
学习内容精准推荐系统的引入，增加了在线教学平台的个性化学习内容指导能力。不过，推荐系统的教学效果也与在线教学资源的形式息息相关，主要需要有三方面保障：教学资源的知识点粒度足够小；在线测评试题库的题量足够大与层次足够多；录入的知识点规则的足够准确。唯有满足上述三个条件，才能达到保障内容推荐的精准化和个性化。
（作者单位：浙江经贸职业技术学院）
关键词：推荐；精准；在线教学；知识点
随着信息技术在教育领域的应用和发展，在线教学带来了教学技术改革的新方向。相对于传统教学模式，在线教学具有模块化、定制化、碎片化学习等优势。但随着在线教学的逐步推广应用，其存在的缺陷也逐渐显露出来，主要表现在对学习者的学习过程不能进行有效的指导。而在传统的课堂教学环境下，尽管无法进行完全的个性化指导教学，但教师可以及时的根据学习者的整体学习情况进行教学进度的调整。针对这种现状，进行学习内容精准推荐系统的研究对提升在线教学平台的学习指导能力意义重大。
一.学习内容精准推荐系统
在线教学平台具备全方位采集用户数据的能力，这些数据提供了进一步挖掘处理的基础，在当前主流的数据挖掘技术中，推荐技术即是一种挖掘用户数据并给出个性化建议的技术，这与学习内容推荐的需求相匹配。
推荐的基本原理是根据用户的个性化特征来建立用户模型，之后根据相似度算法去匹配具有相似特征的群体，并且推荐该用户浏览过的信息。基于此原理设计学习内容精准推荐系统，其主要由用户、教师、专家知识库、学习资源库、用户模型和推荐模块这几个部分组成。具体结构如图1所示。
图1 系统结构图
二.知识体系与用户建模
1.知识体系模型
知识体系是知识系统诸要素相对稳定的组织方式，而知识点是知识体系中相对独立、完整、不能或不宜再分的基本知識单位。因此，知识体系模型的构建需要以知识点为单位进行构建，模型中不仅需要包含知识点之间的关系，还需要包含知识点与教学资源之间的关系，其关系结构如下：
（1）知识点之间关系
知识点之间存在两种基础的关系，依赖关系和平行关系。依赖关系即为学习/教学顺序关系，且依赖关系具有传递性。平行关系即为知识点之间不存在直接或间接的依赖关系。
（2）知识点与讲授型资源之间关系
讲授型教学资源可以包含一个或多个知识点，理想的目标是一个资源里只包含一个知识点，这样能保障学习内容推荐的精确率。
（3）知识点与测评型资源之间关系
测评型教学资源可以考查一个或多个知识点，测评型教学资源可以具备多层级的类型，大致分为基础、进阶和综合类型，其考查的知识点逐步递增，从而对用户进行更为精细的考查。
（4）讲授型资源与测评型资源之间关系
讲授型资源与测评型资源不建立直接的关系，而是通过知识点传递其联系，这样的处理解除了两者之间的耦合关系，避免更新资源时牵一发而动全身。
2.用户模型
推荐系统中一个重要的部分就是用户模型的建立，因为要将信息合理的有针对性的推荐给用户，就当然要知道用户到底需要学什么，构造一个模型用来表示用户的知识需求，且模型中的数据需要能够实时更新，以适应用户的变化。
（1）一般特征数据
用户的一般特征是指在学习过程中能对用户的心理、生理等产生影响的共通性的特点，包括年龄、性别、年级、地域、生源类型、前期成绩等背景因素。
（2）初始能力数据
用户的初始能力是指用户已经具备的有关知识与技能的基础，一般通过初始测评的方式获取。此数据用于前期推荐系统的支撑数据，权重随着学习活动逐步调低。
（3）学习行为数据
用户的学习行为是指用户对在线资源的学习使用情况，如视频播放次数、视频快进次数、测评耗时、测评结果、测评通过率、测评难度系数及衍生的知识点掌握、知识点再学习次数等数据。
三.推荐策略研究
推荐策略对学习内容推荐的精准度影响重大，合理的推荐策略，可以提高学习内容的命中率，提高用户的在线学习效率。系统采用的推荐策略如下：
（1）分层推荐
结合用户的个性化特征，分层次来进行推荐，因为对相同层次和不同层次个体的相似性进行对比，前者要高得多，这是节省推荐系统的时间开销的有效途径。
（2）提高知识点相关度
对知识点的相关程度加入不同的权重来表示，关系链条越长的知识点权重越低，平行关系的知识点权重为0，以便用户能够先从相关性高的知识点学起。
（3）降低知识点稀疏程度
基于知识体系的固有特性，基础知识点相关的行为数据总是比高级知识点的多，此差异将造成数据稀疏性。因此需要调整不同层级知识点的权重，以降低稀疏程度。
（4）降低算法时间复杂度
系统的用户数量随时间变化将线性增长，因此系统要在寻找邻居前根据一般特征进行聚类处理，从而缩小了寻找邻居的范围，降低了算法的时间复杂度。
四.结语
学习内容精准推荐系统的引入，增加了在线教学平台的个性化学习内容指导能力。不过，推荐系统的教学效果也与在线教学资源的形式息息相关，主要需要有三方面保障：教学资源的知识点粒度足够小；在线测评试题库的题量足够大与层次足够多；录入的知识点规则的足够准确。唯有满足上述三个条件，才能达到保障内容推荐的精准化和个性化。
（作者单位：浙江经贸职业技术学院）