云平台中在线学习资源的智能推送模型设计研究

范月祺

(山西职业技术学院，山西 太原 030006)

1 云平台中海量学习资源有效使用问题

随着移动网络技术的发展与在线教育理念的普及，国内各高校近年来都开展了在线课程资源库建设工作，随着课程建设项目的推进，大量的在线学习资源被部署在云平台上。这些学习资源类型繁多、内容全面，基本实现了对高校当前开设的所有学科专业的全覆盖，为学生的在线自主学习提供了丰富的教学资源[1]。但随之而来的问题就是现阶段大部分在线课程资源库中的课程仅仅完成了堆砌式部署，并未根据不同学生的学习需求提供准确的信息推送服务。学生需要从云平台中的海量资源中自行筛选与甄别适用于自己的内容，不仅造成时间上的浪费，也影响了云平台中学习资源的有效利用率。

2 基于协同过滤算法的智能推荐技术

协同过滤算法的基本原理是基于用户行为数据的相似度来推测用户的潜在需求，首先构建用户行为偏好采集模型并获取目标用户行为特征权值数据，然后在用户行为特征库中进行比对，获取到目标用户与相似度较高的用户群体，最终以用户群为参考将关注度高的信息推送给目标用户[2]。在学习资源智能推荐的应用场景中，协同过滤算法的应用主要基于以下两种评估模型展开。

2.1 用户相似度评估模型

该模型的工作原理是对用户的行为特征向量进行评估，以获得符合目标用户偏好的个性化数据集。具体过程为，首先将全体用户的行为特征数据进行向量化处理，在此基础上采用相似度算法进行用户比对，在已有的用户特征库中为目标用户匹配到相似度最高的用户群体，并将该群体关注度较高的项目内容进行归集与权值排序，最终根据排序结果将项目序列推送给目标用户。

2.2 项目相似度评估模型

该评估模型基于对项目的相似度计算来运行，首先需要建立项目特征向量库，在向用户推送信息时，先根据用户评分数据甄别出目标用户当前所重点关注的项目信息，并将该项目的属性特征向量与其他项目进行相似度比对[3]。匹配到高相似度的项目并形成用户可能感兴趣的项目集合，最终按照相似度由高到低的顺序将项目集合推送给目标用户。

3 学习资源的智能推送模型设计

3.1 用户相似度分析设计

学生用户在参与线上学习过程中的行为特征与在线消费时的行为有明显的区别，其线上学习所关注的领域具有良好的稳定性，具体行为主要包括给出星级评分、课程讨论、收藏记录、资源下载等几个方面。因此在建模中，以用户行为统计的数量作为建模依据，并以一周的正常学习时间即5天为统计周期，提出用户的行为特征向量以公式(1)表示。

(1)

(2)

其中，Si为用户对课程i给出的星级评分；Supper与Slower是从已有的评分数据中所统计出的头部与底部数据的平均值，其统计规则是将评分由高到低排列后，获取前10%的评分数据的均值与后10%的评分数据的均值，用于控制由用户个体差异造成的评分数据偏差。若用户参与了课程内容讨论或课程资源下载的行为，表示用户对该课程的关注度高，给予最高权重。若用户仅执行了收藏课程的操作，则认为用户的关注度一般，基于Supper与Slower的均值来给予其平均权重。此外，考虑到用户在线学习的时效性，在对用户行为进行分析时必须考虑时间因素，公式(1)中的Tki用于表示行为的时间权重，以公式(3)表示。

(3)

其中，last(i)代表用户最后一次浏览课程i的时间；T代表当前系统时间；first(i)则代表用户第一次浏览课程i的时间。

3.2 课程相似度分析模型设计

在线学习资源的特点是其内涵被深度融入到以教学视频、学习资源为表现的课程内容中，其内容难以进行全面直观的描述。在本文中，以课程名称、关键词、课程概述作为权重来描述课程的特征，以公式(4)表示。

(4)

3.3 智能推送模型的构建

智能推送的过程是在分析用户行为数据的基础上建立了用户偏好模型，并基于用户偏好模型分析用户行为类别与课程类别之间的相关性。首先根据用户给出的课程综合评分值建立用户偏好集合，在智能推荐服务中，推荐课程资源与用户偏好的相关性主要通过对课程的相似度计算得到。

假设课程资源K对应的用户偏好集参数估计为Ik=(Ik1,Ik2,…Ikj…，Ikn),那么所有课程资源的偏好集参数估计为S=(I1,I2,…,Im，…IM)，然后计算偏好集和课程的相似性。本文采用的方法是余弦相似度计算方法。设置向量Im和In，然后计算两者之间的相似度以公式(5)表示。

(5)

根据偏好集和课程的相似度计算，可以对偏好集和课程的相似度进行排序，最后由在线课程资源平台按照排序顺序向用户推荐显示相似度高的课程资源。

4 结论

本文通过协同过滤算法对云平台中的用户相似度与课程相似度进行分析并基于计算结果构建了双维度的学习资源智能推送模型，根据不同学生用户前期积累的学习行为数据在云平台上的海量学习资源中自动发掘有效的信息并准确推送给相关的用户，充分满足学生的个性化在线学习需求，在提升自主学习效率的同时，也提高了对云平台中学习资源的有效利用率。