摘要：基于多重智能算法的個性化學(xué)習(xí)路徑推薦能夠有效解決在線用戶學(xué)習(xí)迷途問題，從而實現(xiàn)對在線用戶學(xué)習(xí)進行動態(tài)指導(dǎo)和控制。該文以在線學(xué)習(xí)行為分析為基礎(chǔ)，依據(jù)推薦流程，建構(gòu)出個性化學(xué)習(xí)路徑推薦模型。在尊重學(xué)習(xí)用戶個體化差異前提下，引入人工神經(jīng)網(wǎng)絡(luò)分類和蟻群優(yōu)化路徑推薦等多重智能型算法。并且在個性化學(xué)習(xí)路徑推薦實現(xiàn)環(huán)節(jié)，采用協(xié)同過濾推薦和蟻群算法相結(jié)合，有效避免了協(xié)同過濾推薦的馬太效應(yīng)問題，以便降低不同學(xué)習(xí)用戶群的差距。

關(guān)鍵詞：個性化路徑推薦;人工神經(jīng)網(wǎng)絡(luò)算法;蟻群算法

中圖分類號：G434

文獻標(biāo)識碼：A

一、引言

隨著信息技術(shù)的發(fā)展，在線學(xué)習(xí)平臺越來越趨向個性化、智能化、精準(zhǔn)化服務(wù)。面對數(shù)據(jù)量大、專業(yè)性強、知識結(jié)構(gòu)復(fù)雜的學(xué)習(xí)資源，在線用戶的學(xué)習(xí)迷途問題尤為突出，因此在線用戶迫切需要個性化學(xué)習(xí)路徑推薦服務(wù)，來幫助他們及時準(zhǔn)確地發(fā)現(xiàn)自己需要的知識信息。個性化學(xué)習(xí)路徑是在線用戶學(xué)習(xí)過程中根據(jù)自身的學(xué)習(xí)偏好、學(xué)習(xí)風(fēng)格和學(xué)習(xí)水平以及環(huán)境因素所選擇的學(xué)習(xí)活動路線和知識序列[1]。實踐證明，個性化學(xué)習(xí)路徑推薦能夠?qū)崿F(xiàn)在線用戶學(xué)習(xí)行為動態(tài)指導(dǎo)和有效控制。

目前，國內(nèi)外對于個性化學(xué)習(xí)路徑推薦的研究紛紛迭起，通常采用建立用戶模型和推薦算法兩部分來實現(xiàn)學(xué)習(xí)路徑推薦。在用戶模型建立中，Madhour與Forte提出了根據(jù)學(xué)習(xí)者學(xué)習(xí)目標(biāo)和學(xué)習(xí)屬性的相似性來建立學(xué)習(xí)群體模型[2]，而Chen等人提出了小組學(xué)習(xí)中學(xué)習(xí)成員特征建立模型[3]，Lawson根據(jù)學(xué)習(xí)者的學(xué)習(xí)計劃相似性建立學(xué)習(xí)者模型[4]，姜強等提出根據(jù)學(xué)習(xí)者知識目標(biāo)建立用戶模型[5]。在學(xué)習(xí)路徑推薦規(guī)劃中，通常采用近鄰算法、協(xié)同過濾算法、基于內(nèi)容過濾的算法來實現(xiàn)個性化推薦[6]。雖然多種推薦技術(shù)結(jié)合使用能夠解決數(shù)據(jù)稀疏問題和冷啟動問題，但是這種典型的推薦技術(shù)只是提供給學(xué)習(xí)者單個的在線學(xué)習(xí)資源或是幾個連續(xù)的學(xué)習(xí)序列，而忽略了學(xué)習(xí)者在線學(xué)習(xí)的連續(xù)性和序列性。此外，只是淺表性地提供給學(xué)習(xí)用戶知識項目，難以挖掘出學(xué)習(xí)者的實際需求。

針對以上問題，本文建構(gòu)出一種基于多重智能算法的個性化學(xué)習(xí)路徑推薦模型。該模型按照推薦流程包含兩個階段，分別是建立相似學(xué)習(xí)用戶模型和實現(xiàn)個性化學(xué)習(xí)路徑推薦，并且在各階段分別采用了人工神經(jīng)網(wǎng)絡(luò)算法、蟻群算法等智能型算法?？紤]到不同在線用戶學(xué)習(xí)水平和學(xué)習(xí)風(fēng)格的差異，首先利用人工神經(jīng)網(wǎng)絡(luò)算法對在線用戶的學(xué)習(xí)行為進行分析，建立具有相似學(xué)習(xí)特征的用戶模型;然后，根據(jù)相似用戶學(xué)習(xí)簽到數(shù)據(jù)區(qū)域，網(wǎng)格聚類學(xué)習(xí)路徑，獲得相似用戶學(xué)習(xí)路徑，進行協(xié)同過濾推薦。為了減少個體差異，采用蟻群算法彌補協(xié)同過濾推薦算法的不足。學(xué)習(xí)路徑是具有次序性和連續(xù)性的知識項目集合，因此在路徑推薦中進行了知識項目的關(guān)聯(lián)度計算。

二、研究基礎(chǔ)

（一）在線學(xué)習(xí)行為分析

在線學(xué)習(xí)行為分析意旨通過對在線用戶學(xué)習(xí)行為數(shù)據(jù)的挖掘和分析，辨別學(xué)習(xí)者的認(rèn)知特征和偏好，為個性化學(xué)習(xí)的開展提供更科學(xué)的預(yù)測和干預(yù)[7]。

就在線學(xué)習(xí)環(huán)境而言，在線學(xué)習(xí)用戶會在學(xué)習(xí)平臺中留下種種“足跡”，如登錄學(xué)習(xí)平臺的時間與時長、不同學(xué)習(xí)模塊的訪問頻次與停留時長、學(xué)習(xí)任務(wù)的完成與測試成績、在線交互信息等。在線行為數(shù)據(jù)反映出了學(xué)習(xí)用戶的學(xué)習(xí)特征，它包含兩方面含義：一是學(xué)習(xí)成績數(shù)據(jù)反映了學(xué)習(xí)用戶的水平，二是學(xué)習(xí)行為動態(tài)數(shù)據(jù)反映了學(xué)習(xí)用戶認(rèn)知特征和信息交互特征。

何克抗教授曾指出“學(xué)習(xí)風(fēng)格由學(xué)習(xí)者特有的認(rèn)知、情感和生理行為構(gòu)成，它是反映學(xué)習(xí)者如何感知信息、如何與學(xué)習(xí)環(huán)境相互作用并對之做出反映的相對穩(wěn)定的學(xué)習(xí)方式”[8]。由此可見，網(wǎng)絡(luò)空間中的在線用戶的學(xué)習(xí)行為是其學(xué)習(xí)風(fēng)格的具體體現(xiàn)。

（二）學(xué)習(xí)風(fēng)格理論

國內(nèi)外的學(xué)者從多個角度對學(xué)習(xí)風(fēng)格進行描述和分類，F(xiàn)elder-Silverman學(xué)習(xí)風(fēng)格模型，因為其描述更為詳細(xì)和更適于做自適應(yīng)學(xué)習(xí)系統(tǒng)而被廣泛采用[9]。該模型將學(xué)習(xí)用戶的學(xué)習(xí)風(fēng)格設(shè)定為四個維度，每個維度的學(xué)習(xí)風(fēng)格對應(yīng)兩種偏好：信息加工（活躍型，沉思型）、感知f感悟型/直覺型）、輸入（視覺型/言語型）、理解（序列型/綜合型）[10]。在線用戶對學(xué)習(xí)材料不同呈現(xiàn)形式、不同內(nèi)容表現(xiàn)的偏好預(yù)示其不同的學(xué)習(xí)風(fēng)格。

（三）多重智能推薦算法

1.人工神經(jīng)網(wǎng)絡(luò)算法

人工神經(jīng)網(wǎng)絡(luò)ANN（Artificial Neural Network）算法是根據(jù)行為數(shù)據(jù)建立人工神經(jīng)網(wǎng)絡(luò)模型，對數(shù)據(jù)進行推斷和處理的一種智能技術(shù)[11]。數(shù)據(jù)從輸入層進入，經(jīng)過隱藏層函數(shù)處理，最后從輸出層輸出，實現(xiàn)對學(xué)習(xí)用戶學(xué)習(xí)行為的線性分類。假定每一神經(jīng)元對應(yīng)一種學(xué)習(xí)行為，人工神經(jīng)網(wǎng)絡(luò)是由大量的神經(jīng)元相互聯(lián)接而成，學(xué)習(xí)者的多種學(xué)習(xí)行為即構(gòu)成一個自適應(yīng)非線性的動態(tài)系統(tǒng)，利用人工神經(jīng)網(wǎng)絡(luò)算法，可以獲得學(xué)習(xí)用戶多種學(xué)習(xí)行為的分類。

2.蟻群算法

蟻群算法（Ant Colony Optimization， ACO）是一種模擬螞蟻覓食尋找優(yōu)化路徑的概率型算法。是由意大利學(xué)者Dorigo M等人于20世紀(jì)90年代首次提出[12]。螞蟻在尋找食物的過程中釋放一種“信息素”，標(biāo)識自己走過的路徑，從洞穴到食物源有多條隨機軌跡，隨著螞蟻數(shù)量的增多，最短路徑上螞蟻留下的信息素濃度最高，通過一段時間的正反饋，蟻群可以尋找到最短達到食物源的路徑。

在充分考慮到學(xué)習(xí)者的個體特征與學(xué)習(xí)材料之間的關(guān)聯(lián)性前提下，筆者提出利用蟻群算法，迭代計算出概率型優(yōu)化學(xué)習(xí)路徑TopN-2，對協(xié)同過濾推薦路徑TopN-1進行補償性干預(yù)。

三、個性化學(xué)習(xí)路徑推薦模型框架

本文將在線學(xué)習(xí)行為分析和學(xué)習(xí)風(fēng)格理論引入到個性化學(xué)習(xí)路徑推薦系統(tǒng)中，挖掘在線用戶網(wǎng)絡(luò)日志數(shù)據(jù)，依據(jù)推薦流程，建構(gòu)出個性化學(xué)習(xí)路徑推薦模型。其中主要考慮3個問題：

第一個問題，如何根據(jù)在線學(xué)習(xí)行為與學(xué)習(xí)風(fēng)格理論建構(gòu)具有相似學(xué)習(xí)風(fēng)格和學(xué)習(xí)水平的用戶模型。

第二個問題，如何計算相似學(xué)習(xí)用戶的學(xué)習(xí)路徑，獲得協(xié)同過濾推薦。

第三個問題，如何優(yōu)化學(xué)習(xí)路徑進行個性化學(xué)習(xí)路徑推薦。

因此，個性化學(xué)習(xí)路徑推薦模型框架主要由兩部分構(gòu)成：相似學(xué)習(xí)用戶模塊和個性化學(xué)習(xí)路徑推薦模塊。相似學(xué)習(xí)用戶模塊是通過對學(xué)習(xí)用戶學(xué)習(xí)風(fēng)格和學(xué)習(xí)水平相似性計算獲得相似學(xué)習(xí)用戶模型。模型框架的另一個核心是個性化路徑推薦模塊，主要任務(wù)是依據(jù)相似學(xué)習(xí)用戶簽到學(xué)習(xí)模塊進行矢量映射、網(wǎng)格聚類與密度聚類，計算學(xué)習(xí)路徑獲得協(xié)同過濾推薦TopN-1，進一步通過蟻群算法獲得概率優(yōu)化推薦路徑TopN-2，有序合并推薦給學(xué)習(xí)用戶，如圖1所示。

（一）相似學(xué)習(xí)用戶模塊

學(xué)習(xí)行為預(yù)示著在線用戶學(xué)習(xí)風(fēng)格和學(xué)習(xí)水平的個體差異特征，是實現(xiàn)個性化推送的重要依據(jù)。因此，相似學(xué)習(xí)用戶模塊的建構(gòu)包含3個步驟：第一，在線用戶的學(xué)習(xí)行為量化;第二，學(xué)習(xí)風(fēng)格分類的預(yù)定閾值θ （Sjl）的判定與計算;第三，構(gòu)建相似學(xué)習(xí)用戶模型。

1.在線用戶的學(xué)習(xí)行為量化

在線用戶的學(xué)習(xí)行為數(shù)據(jù)留存于網(wǎng)絡(luò)平臺日志中，這些學(xué)習(xí)行為數(shù)據(jù)是在線用戶個性化學(xué)習(xí)風(fēng)格的具體體現(xiàn)，通過對學(xué)習(xí)行為數(shù)據(jù)的人工神經(jīng)網(wǎng)絡(luò)算法分類可以建立不同學(xué)習(xí)特征用戶群。假定學(xué)習(xí)者所有學(xué)習(xí)行為的是一組輸入變量X={X1，X2，X3……Xm}，數(shù)據(jù)從輸入層進入，對其進行權(quán)重分析，其權(quán)重值與輸入變量一起作為輸入層數(shù)據(jù)，進入到隱藏層。在隱藏層中，激活函數(shù)g（z），其自變量為學(xué)習(xí)行為輸入變量x和權(quán)重w的線性組合s.1_∑WijlX，，其與隱藏層預(yù)定閾值θ（s.1）相比較，閾值也即特征值[13]。如果g（z）大于預(yù)定閾值θ（Sjl），g（z）為1，我們可以預(yù)測學(xué)習(xí)者具有某種學(xué)習(xí)風(fēng)格屬性，反之則g（z）為一1，我們可以預(yù)測學(xué)習(xí)者具有相對的學(xué)習(xí)風(fēng)格屬性，如圖2所示。

由公式（1）可知，學(xué)習(xí)風(fēng)格是由4個維度的一維數(shù)組構(gòu)成即Si={1/-1，1/-1，1/-1，1/-1）分別對應(yīng)學(xué)習(xí)風(fēng)格屬性={活躍型/沉思型，感覺型/直覺型，視覺型/言語型，綜合型/序列型}。

2.預(yù)定閾值θ （Sjl）的判定與計算

隱藏層由若干隱藏節(jié)點構(gòu)成，每個隱藏層節(jié)點具有不同的閾值θ，用來標(biāo)度不同學(xué)習(xí)行為所對應(yīng)學(xué)習(xí)風(fēng)格。預(yù)定閾值θ （Sjl）是對不同學(xué)習(xí)行為閾值θ的權(quán)重，是計算學(xué)習(xí)風(fēng)格分類的重要標(biāo)準(zhǔn)，如表1所示。

3.相似學(xué)習(xí)用戶模型的構(gòu)建

相似學(xué)習(xí)用戶是指同一認(rèn)識水平和相似學(xué)習(xí)風(fēng)格的用戶群。我們首先依據(jù)測試模塊中在線用戶的測試成績劃分出同一認(rèn)知水平學(xué)習(xí)用戶群，然后再計算該用戶群學(xué)習(xí)風(fēng)格相似度，一般采用改進的Prefix Span算法篩選出具有相似偏好的用戶簇。

其中，Simsty（u，v）表示計算用戶u和v之間學(xué)習(xí)風(fēng)格相似度，Iu∩lv表示用戶u和v共同訪問資源的集合[14]，參照上文Su（j）和S。（j）分別表示兩個用戶的學(xué)習(xí)風(fēng)格標(biāo)度值，θu（j）和θv（i）分別表示兩個用戶的學(xué)習(xí)風(fēng)格閾值。Prefix Span算法利用兩個用戶之間的協(xié)方差和標(biāo)準(zhǔn)差的商，測得兩個用戶間的線性相關(guān)性。如果商的值在一1到1之間，我們就認(rèn)為學(xué)習(xí)用戶u和v具有相似性。

（二）個性化學(xué)習(xí)路徑推薦模塊

個性化學(xué)習(xí)路徑推薦模塊主要任務(wù)是計算學(xué)習(xí)路徑，形成了學(xué)習(xí)路徑推薦列表。學(xué)習(xí)路徑的計算分兩部分，第一，依據(jù)相似學(xué)習(xí)用戶模型形成協(xié)同過濾推薦路徑TopN-1;第二，通過蟻群算法找到概率優(yōu)化路徑TopN-2，并進行關(guān)聯(lián)度計算形成個性化推薦路徑。

1.協(xié)同過濾推薦學(xué)習(xí)路徑TopN-1

協(xié)同過濾（Collaborative Filtering）推薦是一種最為經(jīng)典的推薦類型，通過計算相似用戶學(xué)習(xí)路徑，把共同選擇的知識項目推薦給相似用戶的一種算法。相似用戶學(xué)習(xí)路徑的實現(xiàn)是一個離線計算過程，依據(jù)相似學(xué)習(xí)用戶的簽到數(shù)據(jù)，利用LDA算法投影構(gòu)建區(qū)域圖，再運用網(wǎng)格聚類獲得相似學(xué)習(xí)用戶學(xué)習(xí)路徑。

（1）相似學(xué)習(xí)用戶簽到數(shù)據(jù)分類

學(xué)習(xí)路徑是學(xué)習(xí)內(nèi)容或?qū)W習(xí)活動的序列，是學(xué)習(xí)步驟的呈現(xiàn)或指引，體現(xiàn)學(xué)習(xí)過程的動態(tài)信息。簽到數(shù)據(jù)不僅體現(xiàn)了學(xué)習(xí)用戶在線學(xué)習(xí)的內(nèi)容語義信息，其呈現(xiàn)的先后次序更體現(xiàn)了簽到數(shù)據(jù)的時序性。因此，學(xué)習(xí)路徑是一串按照時間順序排列的瀏覽知識項目數(shù)據(jù)。我們把知識項目簽到數(shù)據(jù)dji可以用時序數(shù)據(jù)dji.s、語義數(shù)據(jù)dji.c和軌跡數(shù)據(jù)dji.r三個維度來表征。對于時序數(shù)據(jù)dji.s我們可以通過網(wǎng)格聚類，網(wǎng)格的劃分采用橫坐標(biāo)體現(xiàn)數(shù)據(jù)的位置序列，縱坐標(biāo)體現(xiàn)數(shù)據(jù)的次序。語義數(shù)據(jù)dji.c通過文本語義挖掘計算出主題概率分布，而軌跡數(shù)據(jù)dji.r是建立區(qū)域?qū)ぢ返幕A(chǔ)。

（2）相似學(xué)習(xí)用戶學(xué)習(xí)路徑的獲得

首先，對學(xué)習(xí)模塊簽到數(shù)據(jù)按照語義數(shù)據(jù)dji.c分類，進行文本語義挖掘，利用LDA算法，投影到二維空間中，形成主題概率區(qū)域圖，如圖3（a）所示。

其次，以時序數(shù)據(jù)dji.s的位置信息作為橫軸，次序作為縱軸對學(xué)習(xí)模塊簽到數(shù)據(jù)進行網(wǎng)格劃分，通過網(wǎng)格聚類算法對概率主題分布區(qū)域和簽到數(shù)量的密度進行聚類，獲得最頻繁到達的幾塊核心，如圖3（b）所示。

最后，將核心區(qū)域間、高密網(wǎng)格間的軌跡數(shù)據(jù)dji.r全部找出來，并按照有向圖的鄰接表形式存儲來，建立學(xué)習(xí)路徑，如圖3（c）所示。

2.基于蟻群算法的學(xué)習(xí)路徑優(yōu)化推薦

蟻群算法參數(shù)與個性化在線學(xué)習(xí)特征的對應(yīng)關(guān)系，是將蟻群算法用于個性化學(xué)習(xí)路徑推薦的前提。信息素和啟發(fā)信息作為蟻群算法中最重要參數(shù)，其數(shù)值確定方式?jīng)Q定著最終推薦結(jié)果。

（1）信息素濃度τ ij（t）

螞蟻通過蟻群在路徑上留下的信息素濃度來判斷食物的來源，而學(xué)習(xí)平臺中的信息素濃度τ ij（t）可以看成是學(xué)習(xí)用戶簽到密度，即知識點t，知識項目i到知識項目i的簽到密度。 （2）啟發(fā)信息ηij（t） 表示從知識項目i轉(zhuǎn)移到知識項目j期望程度。allowedk待選知識項目，初始時刻allowedk中有n-l個知識項目，即排除掉學(xué)習(xí)用戶一開使所在的知識項目，隨著時間的推移，待選知識項目越來越少，直到為空，表示遍歷完所有知識項目。

（3）優(yōu)化路徑概率推薦

蟻群算法的概率選擇是推薦算法的核心內(nèi)容，知識項目的選擇概率為：

Pki.j（t）：知識點t，學(xué)習(xí)用戶k從知識項目i向知識項目j轉(zhuǎn)移的概率。信息素因子a為信息素濃度指數(shù)，啟發(fā)函數(shù)因子B為啟發(fā)函數(shù)指數(shù)，這兩個參數(shù)分別決定了簽到密度與轉(zhuǎn)移期望對于學(xué)習(xí)用戶k從知識項目i轉(zhuǎn)移到知識項目i的可能性重要程度。

四、個性化學(xué)習(xí)路徑推薦的實現(xiàn)

（一）個性化學(xué)習(xí)路徑推薦策略

考慮到協(xié)同過濾推薦的馬太效應(yīng)，在協(xié)同過濾推薦產(chǎn)生TopN-I基礎(chǔ)上，通過蟻群算法迭代計算產(chǎn)生個性化推薦TopN-2。TopN-1與TopN-2中的知識項目具有無序性的弱點，因此對其進行表征關(guān)聯(lián)度計算，形成個性化學(xué)習(xí)路徑推薦。

定義1知識項目表征關(guān)聯(lián)度Q。設(shè)學(xué)習(xí)平臺中N個學(xué)習(xí)模塊，每個學(xué)習(xí)模塊含有的知識項目M={K1，K2……KI，KJ），那么推薦項目Ki與所選知識

Q=Rele（Ki）= ∑=SEVk sim（Ki，S）

（4）項目的表征關(guān)聯(lián)度為：

Vk表示歷史學(xué)習(xí)知識項目集，sim（）是相似性函數(shù)。

（二）學(xué)習(xí)路徑推薦算法描述

背景：某知識點t的知識項目M={Ki，K2-KI，KI），已獲得相似學(xué)習(xí)用戶的學(xué)習(xí)路徑TopN-I。

輸入：用戶的學(xué)習(xí)風(fēng)格和認(rèn)知水平

算法實現(xiàn)過程：

（1）M.={

（2）While M。

（3）m=getchar（tj）

（4）1f is empty（m）==TRUE Then

（5） i=i+1

（6）else;（1）一（6）找到學(xué)習(xí)用戶未選知識項目

（7）{Pki.j（t）lm∈Mn，add to Mn0）， i=i+l

（8）End if

（9）End while;（7）一（9）計算未選知識項目優(yōu)化路徑概率，直到未選知識項目結(jié)束，獲得TopN-2。

（10）根據(jù)表征度公式，輸出個性化推薦路徑;

下一知識點t，;

Go to step（2）

Mn={）表示當(dāng)前某個知識點t，候選知識項目的集合。Mn中知識項目的個數(shù)從i到j(luò)，從i=l開始尋找知識項目，判定其是否沒有被學(xué)習(xí)用戶選中，直到I=J把所有未被學(xué)習(xí)用戶選中的知識項目找到，放入到m中，形成新的知識項目集合，即用公式m=getchar（tj）表示。Pki.j（t）lm∈Mn表示計算未被選中的知識項目的優(yōu)化概率，并通過addto Mn（）命令插入到當(dāng)前候選集合Mn中，根據(jù)表征度公式，排序生成個性化推薦路徑TopN-2。

（三）分析討論

協(xié)同過濾推薦是在同一認(rèn)知水平學(xué)習(xí)用戶中獲得相應(yīng)的推薦知識項目，因此馬太效應(yīng)顯著即認(rèn)知水平高的用戶越來越高，認(rèn)知水平低的用戶越來越低，協(xié)同過濾推薦更適用于認(rèn)知水平高的群體。

蟻群算法推薦能夠降低個體差異，計算出與學(xué)習(xí)用戶個體特征相關(guān)的知識項目最大概率推薦。假定知識項目M={K1，K2...K10，K11），學(xué)習(xí)用戶a的學(xué)習(xí)路徑為fKi，K3，K6，Kg），獲得的協(xié)同過濾推薦TopN-1：{K8，K9，K10），獲得蟻群推薦為TopN-2{K7 85%），根據(jù)知識項目表征相似度計算可獲得{K1，K3，K6，K7，K5，K9，K10）。

五、實驗研究

（一）實驗方案

考慮到個性化學(xué)習(xí)路徑推薦的特點和當(dāng)前研究現(xiàn)狀，本文以本課程組采用JSP+MySQL技術(shù)搭建的“大學(xué)計算機基礎(chǔ)”學(xué)習(xí)平臺為實驗對象，對建構(gòu)的個性化學(xué)習(xí)路徑推薦模型進行實驗效果分析。

1.實驗背景

“大學(xué)計算機基礎(chǔ)”網(wǎng)絡(luò)學(xué)習(xí)平臺由四大模塊，分別為學(xué)習(xí)導(dǎo)航、學(xué)習(xí)資源、問題的解決與探究、學(xué)習(xí)的交互模塊構(gòu)成。模塊中的知識項目按知識點章節(jié)進行分類。其中，資源導(dǎo)航模塊由學(xué)習(xí)目標(biāo)、知識樹、重點難點構(gòu)成;學(xué)習(xí)資源模塊由視頻、電子課件、文本教材構(gòu)成;問題的解決與探究模塊由例題解析、練習(xí)、測驗構(gòu)成;學(xué)習(xí)交互模塊由討論區(qū)構(gòu)成。

2.知識項目映射

為了提高系統(tǒng)對學(xué)習(xí)用戶訪問路徑的提取與程序編寫，需要對原日志數(shù)據(jù)做進一步優(yōu)化處理，首先對學(xué)習(xí)模塊下的知識項目重新進行了定義，如表2所示。

（二）實驗數(shù)據(jù)的采集

本文采用網(wǎng)頁數(shù)據(jù)采集器一八爪魚采集器在網(wǎng)絡(luò)平臺日志中抓取了50名學(xué)習(xí)用戶的學(xué)習(xí)數(shù)據(jù)信息?？紤]到學(xué)習(xí)內(nèi)容對用戶選擇學(xué)習(xí)模塊范圍的限制性，本實驗選擇學(xué)習(xí)模塊分布全面的“第四章Word應(yīng)用”作為實驗采集區(qū)域。獲得學(xué)習(xí)用戶節(jié)點訪問量、學(xué)習(xí)路徑以及測試成績。其中學(xué)習(xí)用戶節(jié)點訪問量，是指學(xué)習(xí)用戶對每一知識項目節(jié)點的點擊量與時長，如下頁表3所示。

（三）實驗數(shù)據(jù)處理

依據(jù)相似學(xué)習(xí)用戶模型建立方法，對50名學(xué)習(xí)用戶建立了8組相似用戶群，并計算出協(xié)同過濾推薦TopN-1。根據(jù)蟻群算法對參數(shù)進行初始化計算，主要包括用戶與學(xué)習(xí)風(fēng)格相似度值C.、學(xué)習(xí)用戶認(rèn)知水平與學(xué)習(xí)材料難度d;所獲得的啟發(fā)信息值ηi，j，以及學(xué)習(xí)用戶評價優(yōu)化信息值τ ijnew，α信息素因子，β啟發(fā)函數(shù)因子，如下：ηij=0.4 τ，inew=0.4α=3 β =4.5計算獲得最大概率化知識項目推薦TopN-2，TopN-I與TopN-2有序合并后，獲得個性化推薦路徑，如表4所示。

（四）實驗評價指標(biāo)

從個性化學(xué)習(xí)路徑推薦的目標(biāo)需求出發(fā)，我們引入學(xué)習(xí)效率和學(xué)習(xí)迷航導(dǎo)控有效性2個性能指標(biāo)。學(xué)習(xí)效率表示用戶在連續(xù)使用一段時間個性化學(xué)習(xí)路徑推薦后，學(xué)習(xí)成績的提高比率。學(xué)習(xí)迷航導(dǎo)控有效性，是學(xué)習(xí)用戶運用了個性化學(xué)習(xí)路徑推薦程序后與以往相比，知識項目簽到增加比率來度量，知識項目簽到濃度越高，學(xué)生在線學(xué)習(xí)過程中學(xué)習(xí)迷途問題獲得解決的程度越高。

為此，首先引入一個知識量的定義。

定義2：一個在線學(xué)習(xí)平臺是由多個知識節(jié)組成的網(wǎng)絡(luò)系統(tǒng)，每個知識節(jié)點由n個知識項目構(gòu)成。知識節(jié)點與知識項目構(gòu)成了知識量，記作KI.其中，對于某一知識點t學(xué)生已簽到的知識項目構(gòu)成的知識量為KI（t），學(xué)習(xí)用戶采用的個性化推薦知識項目構(gòu)成的知識量為KI（t，s）。因此，迷途導(dǎo)控有效性可以記作：

（五）實驗結(jié)果分析

在8組相似用戶群中各隨機抽取5名學(xué)習(xí)用戶，進行個性化學(xué)習(xí)路徑推薦，分別獲得個性化學(xué)習(xí)路徑推薦迷途導(dǎo)控率（如表5所示），個性化學(xué)習(xí)路徑推薦前后知識項目簽到密度對比（如圖4和下頁圖5所示），以及個性化學(xué)習(xí)路徑推薦后成績發(fā)展趨勢（如下頁圖6所示1。

由數(shù)據(jù)可知，通過個性化學(xué)習(xí)路徑推薦，對學(xué)習(xí)用戶學(xué)習(xí)迷途都具有一定的導(dǎo)控性，表現(xiàn)為推薦后學(xué)習(xí)用戶的簽到密度明顯高于推薦前學(xué)習(xí)用戶簽到密度。獲得路徑推薦后，學(xué)習(xí)用戶成績都有所提高，特別是對于成績?yōu)?0-70及70-80的學(xué)習(xí)用戶，其成績提高顯著。

六、結(jié)語

信息技術(shù)的發(fā)展，學(xué)習(xí)分析與教育的深度融合使得學(xué)習(xí)平臺越來越趨向于精準(zhǔn)化和個性化的服務(wù)。本文在網(wǎng)絡(luò)學(xué)習(xí)行為分析基礎(chǔ)上，充分尊重學(xué)習(xí)用戶學(xué)習(xí)風(fēng)格、學(xué)習(xí)水平個體化差異，利用人工神經(jīng)網(wǎng)絡(luò)及蟻群概率推薦等多重智能算法為用戶開展個性化學(xué)習(xí)路徑推薦。在蟻群推薦過程中充分運用群體對學(xué)習(xí)路徑的評價信息、學(xué)習(xí)用戶簽到信息以及學(xué)習(xí)材料的表征信息，對學(xué)生的知識建構(gòu)與學(xué)習(xí)能力進行評估，使得學(xué)習(xí)路徑生成更加精準(zhǔn)化、個性化，彌補個體差異，進而提高學(xué)習(xí)效率和學(xué)習(xí)質(zhì)量，為教學(xué)的智慧性發(fā)展提供幫助。

參考文獻：

[1]師亞飛，彭紅超等.基于學(xué)習(xí)畫像的精準(zhǔn)個性化學(xué)習(xí)路徑生成性推薦策略研究[J]中國電化教育，2019，（5）：84-91.

[2] Felder R.M.&Spurlin J.Applications. Reliability and Validity of the Index of Learning Styles[J].lnternational Journal of EngineeringEducation.20057（21）：103-112.

[3] Chen C M.lntelligent Web-Based Learning System With PersonalizedLearning Path

Guidance[J].Compute Education，2008.5 1（2）：787-8 14.

[4] Lawson C，Beer Cetal Identification of' at Risk' Students UsingLeaming Analytics：The Ethical Dilemmas of Intervention Strategiesin a Higher Education Institution[J].Educational Technology Researchand Development.2016.64（5）：957-968.

[5][10]姜強，趙蔚等.基于網(wǎng)絡(luò)學(xué)習(xí)行為模式挖掘的用戶學(xué)習(xí)風(fēng)格模型建構(gòu)研究[J].電化教育研究，2012，（5）：55-60.

[6]張志威.個性化推薦算法研究綜述[J].信息與電腦，2018.（7）：27-29.

[7]趙蔚，李士平.基于學(xué)習(xí)分析的自我調(diào)節(jié)學(xué)習(xí)路徑挖掘與反饋研究[J].中國電化教育，20187（10）：15-21.

[8]趙曉航.自適應(yīng)學(xué)習(xí)系統(tǒng)中學(xué)習(xí)風(fēng)格模型的研究[D].長春：東北師范大學(xué)，2010.

[9]姜強，趙蔚.基于Felder-Silverman量表用戶學(xué)習(xí)風(fēng)格模型的修正研究[J]現(xiàn)代遠(yuǎn)距離教育，2010，（1）：62-66.

[11] Nan Y，Mu L基于神經(jīng)網(wǎng)絡(luò)的統(tǒng)計機器翻譯的預(yù)調(diào)序模型[J].中文信息學(xué)報，2016，30（3）：103-110.

[12]沈顯君.自適應(yīng)粒子群優(yōu)化算法及其應(yīng)用[M].北京：清華大學(xué)出版社.2015.

[13]張龍飛.基于用戶頻繁訪問路徑的個性化服務(wù)推薦研究[J]科技咨訊，2016，（9）：159-161.

[14]趙程玲，陳智慧等.適應(yīng)性學(xué)習(xí)路徑推薦算法及應(yīng)用研究[J].中國電化教育，2015，（8）：2-6.

作者簡介：

申云鳳：副教授，碩士，研究方向為教育技術(shù) （ 377345770@qq.com）。