基于个性化推荐的移动英语学习平台设计

王东升 王丽辉

【摘要】 个性化学习符合认知发展规律，移动学习提供泛在学习环境，两者的结合将有力地促进英语教学。通过分析用户信息和用户学习行为建立偏好模型，在分析资源信息的基础上，利用混合式推荐技术，实现个性化学习材料的主动推送，以构建基于个性化推荐的移动英语学习平台。

【关键词】 个性化推荐 移动学习 混合式推荐

近年来，我国英语教学经历了一系列的改革，教学理念和教学方法都发生了巨大的变化，然而，大班教学的现状却始终未能改变。在大班条件下，有限的课堂时间使教师只能讲授语言知识，而不能为学生提供充足的语料和运用英语的机会，学生的学习需求无法得到满足。移动技术的发展为解决这一问题提供了一个契机。利用移动设备，学生可以随时随地从网上获取大量的学习资源。然而，网上海量的资源却容易造成“网络迷航”和注意力分散现象。在这种情势下，个性化推荐技术应运而生。

一、个性化学习理论

个性化学习是指学习者可以自主制定学习计划、选择学习内容，确定学习时间和学习地点的学习方式。个性化学习是在多元智能理论和元认知理论的基础上提出的。多元认知理论认为人的智力是多元的，学习者之间个体差异巨大，因此，教师应了解并尊重个体间的差异。元认知理论认为每个学习者都有独特的认知风格和认知方式，因此，教师应提供多样化的学习资源，以满足不同的认知需求。个性化学习具有学习资源的多维性、学习价值追求的多重性、学习风格的独特性、学习过程的终身性和学习方式的自主性、合作性与探究性特征[1]。

二、个性化推荐

个性化推荐是指利用用户以往的选择或相似性关系发掘用户潜在的兴趣对象，通过过滤信息为用户提供满足个性化需求的产品。个性化推荐系统通常由3部分组成：用户行为记录模块、用户偏好模块和推荐算法模块。推荐算法主要包括基于内容的推荐、协同过滤推荐、基于网络结构的推荐、基于知识的推荐、混合推荐等。

三、移动英语学习平台设计

设计移动英语学习平台是为了满足学习者个性化的学习需求，因此首先要分析用户的特点和用户的偏好以及用户间的相似关系。其次要对学习资源进行分析，包括资源的类型、特征、属性等。在此基础上利用混合式推荐，为学习者提供需要的学习材料。

3.1 平台总体结构

个性化移动英语学习平台主要由服务器和移动终端两部分组成。服务器端包括web服务器和数据库服务器。数据库服务器用于存储用户信息和学习资源，Web服务器用于上传资源和修改数据库。移动终端是指接入互联网，可以向Web服务器提出学习请求或接收资源的智能手机、平板电脑等设备。个性化移动英语学习平台架构分为三层：数据层、业务层和表现层。具体如下图所示：

数据层采集、存储学习者的基本信息和学习行为信息以及学习资源信息，并通过预加工为业务层提供信息。业务层是整个平台最核心的一层，通过数据挖掘和数据分析，对数据层传递来的信息进行过滤、分析、加工、建模以建立用户偏好模型。应用层接受用户偏好模型，并为学习者推荐个性化的学习内容。

3.2用户偏好模块

要建立用户偏好模型首先要采集和整理用户信息。用户信息包括基本信息和学习行为信息。基本信息是指用户在注册时填写的个人信息，学习行为信息是通过用户的各种学习行为采集的信息，如点击、浏览、搜索、下载、收藏、分享、评价等行为数据。服务器端对用户信息进行数据分析和建模。对于新用户基本信息的简单处理可采用决策树算法。该算法不需要了解用户背景知识，只需要对用户进行分类就可以初步预测用户对学习材料的态度。例如，儿童可能对英语儿歌感兴趣，高中生可能对语法知识感兴趣。利用决策树进行数据分类首先需用一组训练数据集来训练分类器，然后用已建好的分类器对真实用户数据进行分类。在对用户基本信息简单处理后，通过对用户的学习行为数据的分析，来建立用户偏好模型。具体方法是用关键词和相应的权值来表示偏好，对关键词权值的计算有多种方法，其中TF-IDF（词频-逆文档频率）算法简单且容易实现。

3. 3学习资源分析模块

听、说、读、写、译是英语基本技能，其中说、写属于输出性技能，听、读属于输入性技能，译则是各种技能实现的基础。为学生提供个性化推荐，主要是推荐输入性的语言材料，即听力材料和阅读材料，同时为了提高写作能力，教师也可为学生提供作文的范文。在为学生提供阅读材料和作文范文前，教师首先要了解材料中词汇的难度。词汇的难度取决于词汇的长度、音节数和使用频率。Chin-Ming Chen总结了词汇难度公式[2]：

bj =（ Lj×0.7+Pj×0.3） ×Gj

其中， bj表示第j个词汇的难度， Lj表示第j个词汇的长度系数， Pj表示第j个词汇的音节长度系数， Gj表示根据词频确定的第j个词汇的难度系数。

词汇的难度对文章难度有影响，文章的类别、主题对文章的难度也有影响。最常用的文本表示方法是向量空间模型。在向量空间模型中，每个特征项对分类有不同的贡献，因此需要进行权重计算。为了使用户描述文件和学习资源描述文件的表达方式一致，对学习资源文件也采用TF-IDF算法来计算。

同样，在向学生推荐写作范文时，也需要了解文档的相似度，也可采用TF-IDF算法来进行相似度判断[3]。为学习者提供听力材料的过程较为复杂，由于计算机不具备人脑的智能，因此难以分析音、视频材料的难度和主题。因此需要教师为听力材料标注难度、主题、类型等，系统在结合用户学习需求的基础上为用户提供个性化的听力材料。

3.4个性化推荐模块

由于移动终端数据存储、处理能力有限，因此本平台的个性化推荐模块在服务器端实现。推荐算法选择基于内容的推荐算法。该算法对用户和学习资料分别建立配置文件，通过分析用户浏览的内容，建立用户的配置文件，通过比较用户与学习资料的相似度，向用户推荐与其最匹配的学习资料。基于内容的推荐可以处理冷启动问题，而且本平台的学习资料多为文本资料，多媒体资料经过标识，已便于计算机识别和处理，因此基于内容的推荐算法更为适用。

本文将个性化推荐技术应用于移动英语学习中。通过对学习者基本信息和学习行为信息的采集和处理，建立用户偏好模型，通过对学习资料的分析建立学习资料模型，运用基于内容的推荐算法将用户信息与学习资料信息相匹配，并将最匹配的材料发送至用户的移动设备上。本平台节约了学习者大量的资料搜索和选择时间，缓解了“网络迷航”状况，提高了英语学习效率。

参 考 文 献

[1]李广，姜英杰.个性化学习的理论建构与特征分析[J].东北师大学报（哲学社会科学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，叶艳，包西林，吴敏.基于主题模型的英语写作批阅系统个性化推荐模块设计与实现[J].科技和产业，2013（6）：151-155