王東升 王麗輝

【摘要】 個(gè)性化學(xué)習(xí)符合認(rèn)知發(fā)展規(guī)律，移動學(xué)習(xí)提供泛在學(xué)習(xí)環(huán)境，兩者的結(jié)合將有力地促進(jìn)英語教學(xué)。通過分析用戶信息和用戶學(xué)習(xí)行為建立偏好模型，在分析資源信息的基礎(chǔ)上，利用混合式推薦技術(shù)，實(shí)現(xiàn)個(gè)性化學(xué)習(xí)材料的主動推送，以構(gòu)建基于個(gè)性化推薦的移動英語學(xué)習(xí)平臺。

【關(guān)鍵詞】 個(gè)性化推薦 移動學(xué)習(xí) 混合式推薦

近年來，我國英語教學(xué)經(jīng)歷了一系列的改革，教學(xué)理念和教學(xué)方法都發(fā)生了巨大的變化，然而，大班教學(xué)的現(xiàn)狀卻始終未能改變。在大班條件下，有限的課堂時(shí)間使教師只能講授語言知識，而不能為學(xué)生提供充足的語料和運(yùn)用英語的機(jī)會，學(xué)生的學(xué)習(xí)需求無法得到滿足。移動技術(shù)的發(fā)展為解決這一問題提供了一個(gè)契機(jī)。利用移動設(shè)備，學(xué)生可以隨時(shí)隨地從網(wǎng)上獲取大量的學(xué)習(xí)資源。然而，網(wǎng)上海量的資源卻容易造成“網(wǎng)絡(luò)迷航”和注意力分散現(xiàn)象。在這種情勢下，個(gè)性化推薦技術(shù)應(yīng)運(yùn)而生。

一、個(gè)性化學(xué)習(xí)理論

個(gè)性化學(xué)習(xí)是指學(xué)習(xí)者可以自主制定學(xué)習(xí)計(jì)劃、選擇學(xué)習(xí)內(nèi)容，確定學(xué)習(xí)時(shí)間和學(xué)習(xí)地點(diǎn)的學(xué)習(xí)方式。個(gè)性化學(xué)習(xí)是在多元智能理論和元認(rèn)知理論的基礎(chǔ)上提出的。多元認(rèn)知理論認(rèn)為人的智力是多元的，學(xué)習(xí)者之間個(gè)體差異巨大，因此，教師應(yīng)了解并尊重個(gè)體間的差異。元認(rèn)知理論認(rèn)為每個(gè)學(xué)習(xí)者都有獨(dú)特的認(rèn)知風(fēng)格和認(rèn)知方式，因此，教師應(yīng)提供多樣化的學(xué)習(xí)資源，以滿足不同的認(rèn)知需求。個(gè)性化學(xué)習(xí)具有學(xué)習(xí)資源的多維性、學(xué)習(xí)價(jià)值追求的多重性、學(xué)習(xí)風(fēng)格的獨(dú)特性、學(xué)習(xí)過程的終身性和學(xué)習(xí)方式的自主性、合作性與探究性特征[1]。

二、個(gè)性化推薦

個(gè)性化推薦是指利用用戶以往的選擇或相似性關(guān)系發(fā)掘用戶潛在的興趣對象，通過過濾信息為用戶提供滿足個(gè)性化需求的產(chǎn)品。個(gè)性化推薦系統(tǒng)通常由3部分組成：用戶行為記錄模塊、用戶偏好模塊和推薦算法模塊。推薦算法主要包括基于內(nèi)容的推薦、協(xié)同過濾推薦、基于網(wǎng)絡(luò)結(jié)構(gòu)的推薦、基于知識的推薦、混合推薦等。

三、移動英語學(xué)習(xí)平臺設(shè)計(jì)

設(shè)計(jì)移動英語學(xué)習(xí)平臺是為了滿足學(xué)習(xí)者個(gè)性化的學(xué)習(xí)需求，因此首先要分析用戶的特點(diǎn)和用戶的偏好以及用戶間的相似關(guān)系。其次要對學(xué)習(xí)資源進(jìn)行分析，包括資源的類型、特征、屬性等。在此基礎(chǔ)上利用混合式推薦，為學(xué)習(xí)者提供需要的學(xué)習(xí)材料。

3.1 平臺總體結(jié)構(gòu)

個(gè)性化移動英語學(xué)習(xí)平臺主要由服務(wù)器和移動終端兩部分組成。服務(wù)器端包括web服務(wù)器和數(shù)據(jù)庫服務(wù)器。數(shù)據(jù)庫服務(wù)器用于存儲用戶信息和學(xué)習(xí)資源，Web服務(wù)器用于上傳資源和修改數(shù)據(jù)庫。移動終端是指接入互聯(lián)網(wǎng)，可以向Web服務(wù)器提出學(xué)習(xí)請求或接收資源的智能手機(jī)、平板電腦等設(shè)備。個(gè)性化移動英語學(xué)習(xí)平臺架構(gòu)分為三層：數(shù)據(jù)層、業(yè)務(wù)層和表現(xiàn)層。具體如下圖所示：

數(shù)據(jù)層采集、存儲學(xué)習(xí)者的基本信息和學(xué)習(xí)行為信息以及學(xué)習(xí)資源信息，并通過預(yù)加工為業(yè)務(wù)層提供信息。業(yè)務(wù)層是整個(gè)平臺最核心的一層，通過數(shù)據(jù)挖掘和數(shù)據(jù)分析，對數(shù)據(jù)層傳遞來的信息進(jìn)行過濾、分析、加工、建模以建立用戶偏好模型。應(yīng)用層接受用戶偏好模型，并為學(xué)習(xí)者推薦個(gè)性化的學(xué)習(xí)內(nèi)容。

3.2用戶偏好模塊

要建立用戶偏好模型首先要采集和整理用戶信息。用戶信息包括基本信息和學(xué)習(xí)行為信息?；拘畔⑹侵赣脩粼谧詴r(shí)填寫的個(gè)人信息，學(xué)習(xí)行為信息是通過用戶的各種學(xué)習(xí)行為采集的信息，如點(diǎn)擊、瀏覽、搜索、下載、收藏、分享、評價(jià)等行為數(shù)據(jù)。服務(wù)器端對用戶信息進(jìn)行數(shù)據(jù)分析和建模。對于新用戶基本信息的簡單處理可采用決策樹算法。該算法不需要了解用戶背景知識，只需要對用戶進(jìn)行分類就可以初步預(yù)測用戶對學(xué)習(xí)材料的態(tài)度。例如，兒童可能對英語兒歌感興趣，高中生可能對語法知識感興趣。利用決策樹進(jìn)行數(shù)據(jù)分類首先需用一組訓(xùn)練數(shù)據(jù)集來訓(xùn)練分類器，然后用已建好的分類器對真實(shí)用戶數(shù)據(jù)進(jìn)行分類。在對用戶基本信息簡單處理后，通過對用戶的學(xué)習(xí)行為數(shù)據(jù)的分析，來建立用戶偏好模型。具體方法是用關(guān)鍵詞和相應(yīng)的權(quán)值來表示偏好，對關(guān)鍵詞權(quán)值的計(jì)算有多種方法，其中TF-IDF（詞頻-逆文檔頻率）算法簡單且容易實(shí)現(xiàn)。

3. 3學(xué)習(xí)資源分析模塊

聽、說、讀、寫、譯是英語基本技能，其中說、寫屬于輸出性技能，聽、讀屬于輸入性技能，譯則是各種技能實(shí)現(xiàn)的基礎(chǔ)。為學(xué)生提供個(gè)性化推薦，主要是推薦輸入性的語言材料，即聽力材料和閱讀材料，同時(shí)為了提高寫作能力，教師也可為學(xué)生提供作文的范文。在為學(xué)生提供閱讀材料和作文范文前，教師首先要了解材料中詞匯的難度。詞匯的難度取決于詞匯的長度、音節(jié)數(shù)和使用頻率。Chin-Ming Chen總結(jié)了詞匯難度公式[2]：

bj =（ Lj×0.7+Pj×0.3） ×Gj

其中， bj表示第j個(gè)詞匯的難度， Lj表示第j個(gè)詞匯的長度系數(shù)， Pj表示第j個(gè)詞匯的音節(jié)長度系數(shù)， Gj表示根據(jù)詞頻確定的第j個(gè)詞匯的難度系數(shù)。

詞匯的難度對文章難度有影響，文章的類別、主題對文章的難度也有影響。最常用的文本表示方法是向量空間模型。在向量空間模型中，每個(gè)特征項(xiàng)對分類有不同的貢獻(xiàn)，因此需要進(jìn)行權(quán)重計(jì)算。為了使用戶描述文件和學(xué)習(xí)資源描述文件的表達(dá)方式一致，對學(xué)習(xí)資源文件也采用TF-IDF算法來計(jì)算。

同樣，在向?qū)W生推薦寫作范文時(shí)，也需要了解文檔的相似度，也可采用TF-IDF算法來進(jìn)行相似度判斷[3]。為學(xué)習(xí)者提供聽力材料的過程較為復(fù)雜，由于計(jì)算機(jī)不具備人腦的智能，因此難以分析音、視頻材料的難度和主題。因此需要教師為聽力材料標(biāo)注難度、主題、類型等，系統(tǒng)在結(jié)合用戶學(xué)習(xí)需求的基礎(chǔ)上為用戶提供個(gè)性化的聽力材料。

3.4個(gè)性化推薦模塊

由于移動終端數(shù)據(jù)存儲、處理能力有限，因此本平臺的個(gè)性化推薦模塊在服務(wù)器端實(shí)現(xiàn)。推薦算法選擇基于內(nèi)容的推薦算法。該算法對用戶和學(xué)習(xí)資料分別建立配置文件，通過分析用戶瀏覽的內(nèi)容，建立用戶的配置文件，通過比較用戶與學(xué)習(xí)資料的相似度，向用戶推薦與其最匹配的學(xué)習(xí)資料。基于內(nèi)容的推薦可以處理冷啟動問題，而且本平臺的學(xué)習(xí)資料多為文本資料，多媒體資料經(jīng)過標(biāo)識，已便于計(jì)算機(jī)識別和處理，因此基于內(nèi)容的推薦算法更為適用。

本文將個(gè)性化推薦技術(shù)應(yīng)用于移動英語學(xué)習(xí)中。通過對學(xué)習(xí)者基本信息和學(xué)習(xí)行為信息的采集和處理，建立用戶偏好模型，通過對學(xué)習(xí)資料的分析建立學(xué)習(xí)資料模型，運(yùn)用基于內(nèi)容的推薦算法將用戶信息與學(xué)習(xí)資料信息相匹配，并將最匹配的材料發(fā)送至用戶的移動設(shè)備上。本平臺節(jié)約了學(xué)習(xí)者大量的資料搜索和選擇時(shí)間，緩解了“網(wǎng)絡(luò)迷航”狀況，提高了英語學(xué)習(xí)效率。

參 考 文 獻(xiàn)

[1]李廣，姜英杰.個(gè)性化學(xué)習(xí)的理論建構(gòu)與特征分析[J].東北師大學(xué)報(bào)（哲學(xué)社會科學(xué)2005，（3）：152

[2] Chih-Ming Chen， Ching-Ju Chung. Personalized mobile English vocabulary learning system based on item response theory and learning memory cycle[J].Computers &Education，2008（51）：624-645.

[3]葛昊，葉艷，包西林，吳敏.基于主題模型的英語寫作批閱系統(tǒng)個(gè)性化推薦模塊設(shè)計(jì)與實(shí)現(xiàn)[J].科技和產(chǎn)業(yè)，2013（6）：151-155