摘要：隨著大數(shù)據(jù)、人工智能等新一代信息技術(shù)的迅速發(fā)展，智慧教育從理念模式向落地實(shí)踐的方向轉(zhuǎn)變，并逐步規(guī)模化發(fā)展。由于目前國內(nèi)在線教育平臺未能充分利用已有的海量學(xué)習(xí)者學(xué)習(xí)數(shù)據(jù)和學(xué)習(xí)資源數(shù)據(jù)，導(dǎo)致學(xué)習(xí)者無法充分了解自己的學(xué)習(xí)情況并對學(xué)習(xí)資源產(chǎn)生信息迷航。針對上述問題，文章提出一種基于學(xué)習(xí)者畫像的個性化習(xí)題資源推薦系統(tǒng)，利用學(xué)習(xí)者學(xué)習(xí)過程的數(shù)據(jù)并結(jié)合學(xué)習(xí)者畫像，為學(xué)習(xí)者提供個性化的習(xí)題資源推薦。該系統(tǒng)首先采用二次K-means聚類算法構(gòu)建學(xué)習(xí)者多維學(xué)習(xí)能力分?jǐn)?shù)，畫出學(xué)習(xí)者多維能力雷達(dá)圖，用以構(gòu)建學(xué)習(xí)者畫像；其次融合學(xué)習(xí)者多維能力分?jǐn)?shù)，采用多種推薦系統(tǒng)模型實(shí)現(xiàn)對學(xué)習(xí)者的個性化習(xí)題資源推薦；最后對學(xué)習(xí)者畫像和習(xí)題資源推薦進(jìn)行可視化展示。該研究為在線教育平臺充分利用海量學(xué)習(xí)數(shù)據(jù)提供了新思路。

關(guān)鍵詞：學(xué)習(xí)者畫像；習(xí)題資源推薦；可視化展示；在線教育；智慧教育

中圖分類號：TP311" " " " 文獻(xiàn)標(biāo)識碼：A" " " 文章編號：1674-0688（2024）06-0103-04

0 引言

2017年7月，國務(wù)院發(fā)布的《新一代人工智能發(fā)展規(guī)劃》中明確提出，推動人工智能在教學(xué)、管理、資源建設(shè)等方面的全流程應(yīng)用，促進(jìn)人才培養(yǎng)模式和教學(xué)方法改革，構(gòu)建新型教育體系［1］。在學(xué)術(shù)領(lǐng)域，“互聯(lián)網(wǎng)+教育”領(lǐng)域的學(xué)術(shù)研究共同體呼吁教學(xué)組織方式、學(xué)校形態(tài)、教育供給模式和在線教育新業(yè)態(tài)的發(fā)展和創(chuàng)新［2］。近年來，隨著互聯(lián)網(wǎng)的快速發(fā)展，在線教育平臺的用戶數(shù)據(jù)呈爆發(fā)式增長。目前，個性化推薦系統(tǒng)是解決學(xué)習(xí)者面臨“信息過載”問題的一種有效方法。為了實(shí)現(xiàn)智慧教育中對學(xué)習(xí)者學(xué)習(xí)能力評估精細(xì)化、智能化的目標(biāo)，以及幫助學(xué)習(xí)者解決學(xué)習(xí)過程中產(chǎn)生的認(rèn)知過載和定向障礙等問題，設(shè)計一套個性化習(xí)題資源推薦系統(tǒng)尤為迫切。

國內(nèi)許多研究團(tuán)隊(duì)正聚焦于學(xué)習(xí)者畫像的構(gòu)建方法和個性化學(xué)習(xí)資源推薦模型開展研究。謝雨婷等［3］基于主成分分析法提出九維綜合素質(zhì)評價指標(biāo)，并借助自組織映射神經(jīng)網(wǎng)絡(luò)（Self-Organizing Feature Map，SOM）構(gòu)建學(xué)生群體分類模型，完成對學(xué)生群體綜合素質(zhì)的評價。ZHOU等［4］基于MOOC（大型開放式網(wǎng)絡(luò)課程）學(xué)習(xí)平臺，將學(xué)習(xí)者學(xué)習(xí)過程中產(chǎn)生的6項(xiàng)數(shù)據(jù)通過K-means聚類分析劃分3個類別，再使用SPSS軟件將6維數(shù)據(jù)降至2維數(shù)據(jù)，即任務(wù)完成度和學(xué)習(xí)熱情度，以評估學(xué)習(xí)者的學(xué)習(xí)情況，并構(gòu)建3種學(xué)習(xí)者畫像：學(xué)習(xí)天才畫像、積極勤奮畫像、學(xué)習(xí)遲緩畫像。LI等［5］設(shè)計一種基于協(xié)同過濾算法的個性化在線教育平臺，通過對協(xié)同過濾算法進(jìn)行改進(jìn)，較大地提高了推薦的準(zhǔn)確性和效率。唐小燕等［6］提出采用兩個半自動編碼器模型從學(xué)生的學(xué)習(xí)行為特征和學(xué)習(xí)資源特征中提取學(xué)習(xí)者與學(xué)習(xí)資源的相關(guān)特征，再與矩陣分解結(jié)合，將學(xué)生和學(xué)習(xí)資源的交互記錄映射到隱式向量，用于推薦學(xué)習(xí)資源。

上述文獻(xiàn)對學(xué)習(xí)者進(jìn)行聚類分析，實(shí)現(xiàn)對學(xué)習(xí)者群體的分類評估，并且結(jié)合學(xué)習(xí)者學(xué)習(xí)過程數(shù)據(jù)，通過推薦算法為學(xué)習(xí)者推薦學(xué)習(xí)資源。在前人研究的基礎(chǔ)上，本文設(shè)計一款基于學(xué)習(xí)者畫像的個性化習(xí)題資源推薦系統(tǒng)，該系統(tǒng)首先通過二次K-means聚類算法對學(xué)習(xí)者學(xué)習(xí)過程數(shù)據(jù)進(jìn)行聚類評估，獲取3組不同的能力評分，其次根據(jù)學(xué)習(xí)者學(xué)習(xí)過程數(shù)據(jù)和能力評分，采用多種推薦模型為學(xué)習(xí)者推薦個性化的習(xí)題資源，最后將以上兩個部分的內(nèi)容進(jìn)行可視化展示。

1 系統(tǒng)總體設(shè)計

本系統(tǒng)包括學(xué)習(xí)者畫像構(gòu)建模型和個性化習(xí)題資源推薦模型兩大功能模塊。首先，系統(tǒng)使用二次K-means聚類算法對學(xué)習(xí)者學(xué)習(xí)過程數(shù)據(jù)進(jìn)行聚類評估，解決傳統(tǒng)學(xué)習(xí)者能力評估中類內(nèi)無法再次評估和評估數(shù)據(jù)類型單一的問題；其次，結(jié)合學(xué)習(xí)者學(xué)習(xí)過程數(shù)據(jù)和習(xí)題資源數(shù)據(jù)訓(xùn)練個性化推薦模型，為學(xué)習(xí)者推薦更具個性化的習(xí)題資源，以解決學(xué)習(xí)者學(xué)習(xí)過程中出現(xiàn)的認(rèn)知過載和定向障礙的問題。

本系統(tǒng)以某在線教育平臺提供的學(xué)習(xí)者學(xué)習(xí)過程數(shù)據(jù)和習(xí)題資源數(shù)據(jù)為基礎(chǔ)，構(gòu)建學(xué)習(xí)者多維學(xué)習(xí)能力雷達(dá)圖，為學(xué)習(xí)者提供個性化的習(xí)題資源推薦，并且展示推薦系統(tǒng)模型的各項(xiàng)評價指標(biāo)值。系統(tǒng)運(yùn)行流程圖見圖1。

本系統(tǒng)的整體架構(gòu)一共劃分為以下7個部分：基礎(chǔ)層、數(shù)據(jù)層、預(yù)處理層、支撐層、服務(wù)層、業(yè)務(wù)層、展示層。系統(tǒng)架構(gòu)設(shè)計圖見圖2。

（1）基礎(chǔ)層?；A(chǔ)層包括網(wǎng)絡(luò)、本地服務(wù)器、操作系統(tǒng)及中間件，為整個系統(tǒng)架構(gòu)提供軟、硬件支撐。

（2）數(shù)據(jù)層。數(shù)據(jù)層的功能主要是向業(yè)務(wù)層提供數(shù)據(jù)并保證數(shù)據(jù)的可靠性，當(dāng)業(yè)務(wù)層需要數(shù)據(jù)時，數(shù)據(jù)層負(fù)責(zé)從數(shù)據(jù)庫讀取數(shù)據(jù)后提供給業(yè)務(wù)層。數(shù)據(jù)層中的主要數(shù)據(jù)來源于某在線教育平臺提供的學(xué)習(xí)者學(xué)習(xí)信息和習(xí)題資源信息，數(shù)據(jù)脫敏后同步到系統(tǒng)的數(shù)據(jù)庫中，該部分?jǐn)?shù)據(jù)將作為系統(tǒng)前期個性化推薦系統(tǒng)計算模塊的數(shù)據(jù)支撐，系統(tǒng)后期支持教師和學(xué)習(xí)者上傳習(xí)題資源，用戶也可以使用。系統(tǒng)利用MySQL數(shù)據(jù)庫存儲習(xí)題資源信息、用戶數(shù)據(jù)和交互信息。

（3）預(yù)處理層。預(yù)處理層主要采用數(shù)據(jù)預(yù)處理功能對采集數(shù)據(jù)進(jìn)行清理，過濾掉空的習(xí)題資源，并且完成學(xué)習(xí)者學(xué)習(xí)行為數(shù)據(jù)的標(biāo)準(zhǔn)化，作為學(xué)習(xí)者畫像構(gòu)建和個性化推薦模型訓(xùn)練的數(shù)據(jù)支撐。

（4）支撐層。支撐層使用TensorFlow深度學(xué)習(xí)庫和Skearn機(jī)器學(xué)習(xí)庫為模型訓(xùn)練、評估及預(yù)測提供服務(wù)。使用Django框架為用戶信息管理、習(xí)題資源管理和搜索排序提供數(shù)據(jù)服務(wù)和功能支持。

（5）服務(wù)層。服務(wù)層分為三大模塊，分別是學(xué)習(xí)者畫像構(gòu)建模塊、推薦模塊、信息管理模塊，為業(yè)務(wù)層提供數(shù)據(jù)處理支持。

（6）業(yè)務(wù)層。業(yè)務(wù)層是整個系統(tǒng)的核心，業(yè)務(wù)層將產(chǎn)生的數(shù)據(jù)通過數(shù)據(jù)層保存到數(shù)據(jù)庫，業(yè)務(wù)層具有五大業(yè)務(wù)模塊，分別是學(xué)習(xí)者畫像構(gòu)建業(yè)務(wù)、習(xí)題資源業(yè)務(wù)、用戶管理業(yè)務(wù)、搜索業(yè)務(wù)、推薦業(yè)務(wù)，其中推薦業(yè)務(wù)模塊通過數(shù)據(jù)層提供的數(shù)據(jù)，使用融合了多頭自注意力機(jī)制的xDeepFM模型訓(xùn)練并計算得到用戶的推薦習(xí)題資源列表，結(jié)果經(jīng)業(yè)務(wù)層處理后提供給展示層，然后保存到數(shù)據(jù)庫。

（7）展示層。展示層主要使用Web前端技術(shù)Django框架為用戶提供瀏覽、操作功能，以及為管理者提供用戶和數(shù)據(jù)管理。當(dāng)用戶打開瀏覽器訪問個性化習(xí)題資源推薦系統(tǒng)首頁時，用戶發(fā)出的請求將轉(zhuǎn)接到業(yè)務(wù)層，業(yè)務(wù)層通過計算，從數(shù)據(jù)層中的數(shù)據(jù)庫獲取推薦習(xí)題資源等數(shù)據(jù)后返回給展示層，展示層通過渲染前端UI（用戶界面）最終將數(shù)據(jù)呈現(xiàn)給用戶。該層采用的技術(shù)包括HTML5、CSS（層疊樣式表）、JavaScript等。

2 系統(tǒng)實(shí)現(xiàn)方式

2.1 學(xué)習(xí)者畫像構(gòu)建模型

學(xué)習(xí)者畫像構(gòu)建模型主要使用二次K-means聚類算法對學(xué)習(xí)者學(xué)習(xí)過程數(shù)據(jù)進(jìn)行聚類評估。本研究通過分析某在線教育平臺提供的反映學(xué)習(xí)者學(xué)習(xí)行為的數(shù)據(jù)集，結(jié)合前人的研究和教育學(xué)相關(guān)知識，構(gòu)建出學(xué)習(xí)者的能力評估分?jǐn)?shù)。首先從學(xué)生學(xué)習(xí)過程中抽取16個反映學(xué)習(xí)者學(xué)習(xí)情況的特征維度，將其進(jìn)行整合，構(gòu)建新的特征表示學(xué)生學(xué)習(xí)能力評估維度；其次通過實(shí)訓(xùn)題測評時長得分、實(shí)訓(xùn)題測評次數(shù)得分、作業(yè)成績、視頻觀看次數(shù)、實(shí)訓(xùn)題通過率、關(guān)卡通過率構(gòu)建知識技能分?jǐn)?shù)，測試完成率、簽到成績、測試打回次數(shù)、作業(yè)打回次數(shù)、視頻觀看率、作業(yè)完成率構(gòu)建學(xué)習(xí)態(tài)度分?jǐn)?shù)，以及討論次數(shù)、簽到次數(shù)、測驗(yàn)完成次數(shù)、作業(yè)完成次數(shù)構(gòu)建課程興趣分?jǐn)?shù)。

本系統(tǒng)首先采用第一次K-means聚類算法對學(xué)習(xí)者的學(xué)習(xí)行為特征進(jìn)行多維度聚類，對每個類別求平均分后進(jìn)行排序，以得到每位學(xué)習(xí)者的第一個能力評估得分；其次使用第二次K-means對每個類別進(jìn)行聚類，對獲得的每個新類別求平均分后排序，以得到每位學(xué)習(xí)者的第二個能力評估得分，第一次聚類得分乘以10再與第二次聚類得分相加，即得到學(xué)習(xí)者的能力評估分?jǐn)?shù)。K-means聚類算法步驟如下。

（1）隨機(jī)初始化簇的數(shù)目K和聚類中心，最大迭代數(shù)為N。

（2）根據(jù)公式（1）計算每個樣本到聚類中心之間的歐式距離d，將每個樣本合并到最近的聚類中心，使其成為該聚類中心的一個類。

（3）計算每個聚類中樣本的均值，更新聚類中心。

（4）重復(fù)“步驟（2）”和“步驟（3）”，直到聚類中心不再變化。

2.2 個性化習(xí)題資源推薦模型

個性化習(xí)題資源推薦模型主要使用學(xué)習(xí)者學(xué)習(xí)過程數(shù)據(jù)和習(xí)題資源數(shù)據(jù)訓(xùn)練多種推薦算法模型，得出多種推薦算法模型的評價指標(biāo)，將評價指標(biāo)最佳的推薦模型作為學(xué)習(xí)者習(xí)題資源推薦模型。

本系統(tǒng)采用的數(shù)據(jù)集由學(xué)習(xí)者特征信息表、習(xí)題特征信息表和學(xué)習(xí)者對習(xí)題提出問題的交互記錄3個部分組成，包含34 832名學(xué)習(xí)者、7 734道習(xí)題和34 832條交互記錄。學(xué)習(xí)者特征為學(xué)生的性別、教育背景和本文“2.1”小節(jié)中構(gòu)建的16個學(xué)習(xí)者畫像特征，其中包括作業(yè)成績、測驗(yàn)成績、知識技能分?jǐn)?shù)、學(xué)習(xí)態(tài)度分?jǐn)?shù)和課程興趣分?jǐn)?shù)等。習(xí)題特征為習(xí)題ID、習(xí)題所屬章節(jié)ID、學(xué)生對習(xí)題的難度評價分?jǐn)?shù)、學(xué)習(xí)人數(shù)、包含的題目數(shù)量等。習(xí)題資源均為計算機(jī)編程類習(xí)題，包括但不限于C語言、Java語言、數(shù)據(jù)結(jié)構(gòu)、人工智能算法與設(shè)計等課程。系統(tǒng)將上述數(shù)據(jù)集輸入推薦算法模型中，訓(xùn)練多個推薦算法模型，推薦算法模型包括因子分解機(jī)算法、DSSM（Deep Structured Semantic Model）雙塔模型、YouTube DNN（Deep Neural Networks for YouTube Recommendations）模型、PNN（Product-based Neural Network）模型、xDeepFM模型、融合自注意力機(jī)制的xDeepFM模型（SA-xDee?pFM）、融合多頭自注意力的xDeepFM模型（MHAS-xDeepFM）。計算上述推薦算法和模型的評價指標(biāo)，最終選擇評價指標(biāo)最佳的模型作為個性化習(xí)題資源推薦模型，為學(xué)習(xí)者推薦習(xí)題資源。

2.3 可視化頁面展示

系統(tǒng)通過將前期某在線教育平臺提供的數(shù)據(jù)集上傳至數(shù)據(jù)庫，采用學(xué)習(xí)者畫像構(gòu)建方法畫出學(xué)習(xí)者多維學(xué)習(xí)能力雷達(dá)圖，并將此類數(shù)據(jù)展示在系統(tǒng)上。系統(tǒng)可對數(shù)據(jù)進(jìn)行預(yù)處理和聚類分析，主要包括數(shù)據(jù)清洗、數(shù)據(jù)標(biāo)準(zhǔn)化、特征提取、K-means聚類等。對數(shù)據(jù)進(jìn)行聚類分析，畫出學(xué)習(xí)者能力評估分?jǐn)?shù)雷達(dá)圖（見圖3），以便更好地將學(xué)習(xí)過程數(shù)據(jù)展示給學(xué)習(xí)者。

系統(tǒng)構(gòu)建學(xué)習(xí)者畫像后，采用個性化習(xí)題資源推薦模型，為學(xué)習(xí)者提供習(xí)題資源推薦。推薦模型對全量數(shù)據(jù)集進(jìn)行推薦召回，得到召回列表，再將召回列表中的習(xí)題展示在學(xué)習(xí)者的推薦頁面中（見圖4）。

3 系統(tǒng)運(yùn)行結(jié)果及分析

系統(tǒng)由學(xué)習(xí)者畫像構(gòu)建模型和個性化習(xí)題資源推薦模型兩大功能模塊組成，學(xué)習(xí)者畫像構(gòu)建模型對學(xué)習(xí)者多維學(xué)習(xí)能力進(jìn)行聚類評估，畫出學(xué)習(xí)者多維能力雷達(dá)圖；個性化習(xí)題資源推薦模型采用多個推薦模型進(jìn)行實(shí)驗(yàn)，然后對比評價指標(biāo)，并采用評價指標(biāo)最佳的推薦模型為學(xué)習(xí)者提供個性化的習(xí)題資源。推薦模型準(zhǔn)確率對比頁面見圖5。

系統(tǒng)采用目前業(yè)界廣泛認(rèn)可的聚類算法和人工智能推薦模型，旨在實(shí)現(xiàn)學(xué)習(xí)者畫像和習(xí)題資源推薦功能。通過使用通用接口進(jìn)行定義，可以提高模型的魯棒性和可擴(kuò)展性，從而便于新模型的開發(fā)和導(dǎo)入。

4 結(jié)語

在線教育平臺的用戶數(shù)據(jù)和學(xué)習(xí)資源數(shù)據(jù)快速增長，當(dāng)前主流的在線教育平臺存在兩大挑戰(zhàn)：一是在線教育平臺只提供各種學(xué)習(xí)資源給學(xué)習(xí)者，缺少對學(xué)習(xí)者的深入評估，無法根據(jù)學(xué)習(xí)者的學(xué)習(xí)過程推薦學(xué)習(xí)資源；二是學(xué)習(xí)者學(xué)習(xí)過程中產(chǎn)生的數(shù)據(jù)過多且存在不同的評價維度，由于缺少有效的個性化推薦方法，所以平臺無法準(zhǔn)確地根據(jù)學(xué)習(xí)者的需求為學(xué)習(xí)者提供個性化的推薦。針對上述問題，本文通過某在線教育平臺提供的原始數(shù)據(jù)集，研究學(xué)習(xí)者畫像的構(gòu)建方法和個性化習(xí)題資源推薦模型，實(shí)現(xiàn)了學(xué)習(xí)者多維學(xué)習(xí)能力評估功能和個性化習(xí)題資源推薦功能。該系統(tǒng)采用的是聚類算法和多種推薦算法模型實(shí)現(xiàn)這兩大功能，具有良好的魯棒性和可擴(kuò)展性，未來可加入新的算法模型進(jìn)行二次開發(fā)設(shè)計。

5 參考文獻(xiàn)

［1］曹培杰.智慧教育：人工智能時代的教育變革［J］.教育研究，2018，39（8）：121-128.

［2］陳麗，徐亞倩.“互聯(lián)網(wǎng)+教育”研究的十大學(xué)術(shù)新命題［J］.電化教育研究，2021，42（11）：5-12.

［3］謝雨婷，代秀云，黃先莉，等.基于學(xué)生成績的學(xué)生綜合素質(zhì)量化評價研究［J］.高等理科教育，2021（1）：115-123.

［4］ZHOU Y，F(xiàn)AN H D.Research on construction of learner portrait based on learning analytics technology［C］//International Conference on Artificial Intelligence and Industrial Design（AIID 2022）.SPIE，2023，12612：223-227.

［5］LI J，YE Z.Course recommendations in online education based on collaborative filtering recommendation algorithm［J］.Complexity，2020：1-10.

［6］唐小燕，李斌，張承江，等.基于半自動編碼器的學(xué)習(xí)資源推薦［J］.揚(yáng)州大學(xué)學(xué)報（自然科學(xué)版），2023，26（1）：74-78.

*湖南省重點(diǎn)實(shí)驗(yàn)室項(xiàng)目“基礎(chǔ)教育信息化技術(shù)”（2015TP1017）；教育部產(chǎn)學(xué)合作協(xié)同育人項(xiàng)目“工業(yè)互聯(lián)網(wǎng)人才培養(yǎng)的新工科專業(yè)建設(shè)”（230804978265939）。

【作者簡介】曾榮科，男，湖南常德人，在讀碩士研究生，研究方向：自然語言處理、推薦系統(tǒng)；李倩倩，女，河南虞城人，碩士，講師，研究方向：大數(shù)據(jù)分析；周文健，男，湖南衡陽人，在讀本科，研究方向：大數(shù)據(jù)分析；李璐瑤，女，河南新鄉(xiāng)人，在讀碩士研究生，研究方向：推薦系統(tǒng)；李睿，男，湖南郴州人，在讀碩士研究生，研究方向：大數(shù)據(jù)分析。

【引用本文】曾榮科，李倩倩，周文健，等.基于學(xué)習(xí)者畫像的個性化習(xí)題資源推薦系統(tǒng)設(shè)計與實(shí)現(xiàn)［J］.企業(yè)科技與發(fā)展，2024（6）：103-106.