移动学习环境下的个性化资源推荐模型研究*

（渤海大学教育与体育学院，辽宁锦州121000）

移动学习环境下的个性化资源推荐模型研究*

☆ 陈 淼 唐章蔚

（渤海大学教育与体育学院，辽宁锦州121000）

利用移动设备进行学习逐渐成为人们日常重要的学习方式和途径，本文为解决资源过多不易筛选等信息过载问题，结合分析移动学习环境的特点和学习资源推荐的现状，比较了当下常见的几种个性化推荐的算法，提出了基于社会化标签思想的个性化资源推荐模型。为满足学习者的实际需求设计了情境因素、用户特点因素、用户兴趣因素、用户目标因素和反馈更新因素这五个维度的学习资源个性化推荐模型。

移动学习；个性化；学习资源推荐；模型

引言

手机等移动设备的普及使得随时随地的学习成为可能，但如何快速准确地检索、定位自己所需的资源是学习者在学习过程中面临的困难。个性化学习资源推荐关注学习者个体的特征与偏好，匹配学习者具体的学习情境，将合适的学习资源推送给学习者。以往的推荐系统不能结合用户情境信息因素，不能够个性化地满足用户的需求，于是基于情境感知的个性化推荐显得尤为重要。此外，满足学习者需求的个性化学习资源是受多因素共同影响的，用户本身的特点兴趣、学习的目标以及对学习资源的反馈等都是重要的影响因素。

一、个性化资源推荐现状分析

国外首次实现推荐功能的是1992年构建的邮件过滤系统，该系统是基于协同过滤算法完成的，用于解决公司的资讯过载问题。1997年，人们正式提出推荐系统的概念，但此时的推荐系统还只用于电子商务领域。此后推荐系统的研究迅速展开，逐步扩展到决策支持系统方面，随着大众需求的提高，用户希望出现个性化的推荐，个性化推荐成为研究者关注的热点。在教育领域内，由于近年来网上学习资源的增多导致了信息过载等问题，使学习资源的个性化推荐成为学者研究的焦点，研究成果包括基于用户行为兴趣偏爱的推荐和基于情境的个性化推荐等。

（一）基于情境的资源推荐

结合情境的推荐能够更加个性化地服务于大众。将情境感知结合到人体健康、医疗等应用软件，使用户获取的信息更加符合实际情境。在教育领域内,Yau[1]研究了移动学习环境下地理位置、网络状况以及学习时间等因素对个性化移动学习的影响，为移动学习环境下的资源推送提供了大量的经验。根据不同的情境特点推送给用户不同的资源信息，这对于推送的个性化有很好的促进作用。

（二）基于学习者个人相关兴趣的推荐

为实现对用户推荐信息的个性化，学者们往往会考虑用户的兴趣偏好以及其他一些细节上的属性信息从而实现对用户的个性化信息推荐。2012年，孙歆[2]等结合协同过滤算法以学习过程中用户学习行为和在线学习资源的特点为基础，设计了基于协同过滤技术的在线学习资源个性化推荐模型。2015年，查英华[3]等人从高职学生的学习兴趣特征方面考虑，建立了学生与学习资源之间的二元关系，使学生的学习易于迁移和扩展，实现了个性化的推送。以上学者从用户的个人行为偏爱等角度去提升资源推送的个性化，使用户获取到基于兴趣属性的学习资源。

（三）考虑学习者特点的推荐

牟智佳[4]等以学习者模型为分析对象，以个性化推荐系统为技术支持，设计了基于学习者模型的个性化学习资源推荐框架。以上总结了国内外学者关于个性化资源推荐在基于情境信息、学习者用户行为兴趣爱好和学习者特点等方面的推荐研究。研究者解决了基于个性化推荐的不同内容的研究问题，并给出了自己的设计方案和思想。但关于学习资源的个性化推荐的具体细节介绍还不够全面，例如：没有考虑学习者的学习目标和用户反馈等内容，更没有关于学习情境、学习者行为兴趣、学习者特点、学习目标和用户反馈相结合的个性化推荐。

二、移动学习的优势和个性化推荐的需求

（一）移动学习的优点

移动学习的优点：学习场景的可变换性、学习时间的碎片化和学习内容的多样化。移动学习的一个非常突出的优点就是学习场景的可变换性，即学习者可以在不同场景、不受地理位置的限制进行学习；人们进行移动学习时可以不受时间的限制、利用空闲时间进行碎片化学习，学习者对于学习的时间控制度是相对自由的，碎片化的学习有利于学习者对知识的掌握和理解；学习内容的多样化，网上的学习资源的种类繁多、呈现形式趋向于多样化，使学习者能够有更多的选择去接触更多的教育资源。

（二）移动学习个性化资源推荐的需求

移动学习逐渐成为人们日常学习的一种方式，与传统的教室学习不同，这种学习方式使学习者有着不一样的学习体验，学习者对于系统推荐的学习资源也有了新的实际需求。

1.学习资源推荐的内容

吸引用户阅读兴趣的内容具有多样化、有针对性和实时性强等特点。被推荐的学习资源内容的多样化可以激发他们的学习兴趣，使学习者对推荐的学习资源有新鲜感。在实际学习中，一部分用户是具有明确的学习目标的，针对用户想要达到的学习目标进行个性化推荐，能提高用户对推荐资源的学习使用率。内容的实时性表现在推荐系统依据用户的反馈评价筛选出最新的学习资源。

2.学习资源推荐的情境

在移动学习环境下，用户对学习资源的需求随情境而改变。个性化的推送方式考虑到每一位学习者的实际地理情境和时间情境，从而筛选出最适合当前情境的学习资源。结合了情境信息而推送的学习资源更加容易被学习者所接受。在不同的环境里，声音和明暗程度等对学习者的学习有一定的影响，推送的学习资源应从优先适合这些环境的资源中去筛选。

3.资源推荐的形式

个性化学习资源的推荐形式是非常重要的，学习资源本身可以是多形式的，例如：文本、图片、视频等格式。学习者的学习兴趣和接受理解的水平不同，所以，依据用户的偏向性选择资源的推荐形式更能提高用户对推荐资源的学习兴趣。

三、移动学习中的个性化推荐模型

（一）当下常见的个性化资源推荐算法

1.协同过滤算法

该算法的基本原理是：根据学习者的学习记录形成学习者用户模型，然后利用相似性度量方法计算学习者用户或学习资源之间的相似度。常用的相似度量方法有：余弦相似度和皮尔森相关系数等。找出与该用户或学习资源相似度高的新用户或学习资源，形成“邻居”，然后对这些“邻居”进行评分高反馈好的资源推送。该算法的缺点是冷启动问题和稀疏问题。

2.基于内容的推荐算法

该推荐算法主要是利用用户选择对象的内容特征，匹配用户兴趣偏好，其特征提取是对推荐对象的文本内容进行分析[5]。其优点是它不需要其它用户的数据，没有冷启动问题和稀疏问题，并且简单直观，不需要领域知识。缺点是基于内容的用户资料是需要有用户的历史数据来支撑计算的，对多媒体的特征提取还不成熟以及无法适用多语言描述的推荐对象。

3.关联规则的推荐

基于关联规则的推荐技术是先由管理员定制出相关的规则条目，然后依据定制的规则度量项目间的相互关联性，最后将关联密切的项目推送给用户[6]。优点是可以应用于所有领域，具有通用性。缺点是新录入系统的学习资源由于缺乏支持度而不会被推送，且随着规则的数量增多，系统将会越来越难以管理。

4.基于社会化标签的个性化推荐

基于社会化标签的个性化推荐原理是通过对用户以往浏览的各类资源所拥有的标签进行综合分析，寻找推算出用户所喜欢的目标标签，然后把持有相关目标标签的学习资源推荐给学习用户，从而实现个性化推荐。用户在标注资源时所使用的标签既反映了用户自身的兴趣，又反映了资源的特点。缺点是难于精准地对学习资源进行标签划分。

（二）个性化推荐模型应用的算法

本模型采用的是基于社会化标签的思想，将推荐的影响因素归纳为标签，分别为情境因素、用户特点因素、用户兴趣因素、用户目标因素和反馈因素。将网络上的学习资源比作N维欧几里得空间中的向量，向量的维度可以为n维，每一维度代表学习资源的一个标签特征，在本模型中将n=5，即情境、用户特征、用户兴趣、用户目标和反馈5个标签特征，每一个标签拥有自己的子标签，它们的数值代表该特征标签影响推荐效果的大小权重。每一个学习资源相对应的每一个用户都有一个自己的社会化标签集合。依据各因素的权重综合计算出学习资源的推送优先级（如图1）。

图1 个性化推荐流程图

（三）个性化推荐模型

在该模型中，系统结合学习者的学习情境模块、学习者特点模块、学习者兴趣模块、学习者的学习目标模块和反馈更新模块以及个性化推送内容模块的属性权值筛选出个性化的学习资源，从而实现个性化学习资源的推送（如图2）。

图2 个性化学习资源推送模型图

1.学习情境模块

该模块主要用于管理学习者的地理位置信息情境和学习时间情境。地理位置信息情境按照外界干扰因素程度来划分，考虑到声音嘈杂度、光线亮度，将其分为高、中、低三个干扰程度。学习时间情境分为早上、白天、晚上，分类出适合的文本、图片、音频和视频的学习资源属性。根据不同的学习情境计算出适合用户的学习属性。

2.学习者特点模块

该模块用于建立存储风格迥异的学习者模型，从学习者的年龄、性别、受教育水平、学习内容4个属性来建立学习者的个人模型，将新的学习者与之前学习者模型进行相似性比较，然后选择重叠性高的学习者模型资源进行优先推送。

3.学习者兴趣模块

该模块用于搜集学习者用户的兴趣，通过存储学习者的浏览记录和学习资源的标签，搜集记录学习者感兴趣的和不感兴趣的内容，能够直观地体现出学习者的学习需要，为个性化资源推荐模型提供了丰富的信息支撑。

4.学习目标模块

该模块用于存储学习者的学习目标，信息的收集途径为用户的标签选择。

5.反馈更新模块

该模块用于存储用户的反馈和评价信息，使系统实时地对用户的兴趣习惯等进行更新。

6.个性化推送内容模块

在该模块中，系统结合学习者的学习情境模块、学习者管理模块、学习者兴趣模块、学习者的学习目标模块和反馈更新模块的属性权值筛选出个性化的学习资源。

学习资源推送流程分为数据收集、信息筛选、个性化推送和反馈四个阶段。

首先，进行数据收集阶段。该阶段的目的是收集学习者用户的个人资料，旨在通过这些信息来了解用户的需求，并将这些信息划分到学习情境模块、学习者特点模块、学习者兴趣模块和学习者目标模块。通过新用户的注册信息，或通过第三方软件账号的登录来获权知道新用户的个人信息。然后是信息筛选阶段。该阶段是系统根据数据收集阶段得到的用户需求倾向筛选网络资源的过程，综合经过反馈模块更新后的学习者特点模块、学习者兴趣模块、学习者目标模块和学习者情境模块得到的信息来完成筛选过程。在众多资源中筛选出适合学习者的学习资源，然后通过GPS定位、手机的型号特点和网络类型等获知情境信息。其次，是个性化推送阶段。该阶段是个性化推荐系统向每一位学习者用户推送个性化学习资源的阶段。经过信息筛选阶段，个性化推荐系统向每一位学习者推送符合学习者个人需求的学习资源，然后把学习资源发送到学习者用户的应用界面上。最后，反馈更新阶段。该阶段是根据用户的行为轨迹变化和用户的评价来收集每一位用户的最新进展信息，并将其反馈到最开始的收集资源阶段。

（四）个性化推荐模型的优点

个性化的学习资源推荐模型是基于学习情境、学习者特点、学习者兴趣爱好、学习目标和反馈更新5个维度来考虑的个性化资源推荐模型。依据用户实际应用中所遇到的实际情况而推出适合学习者的学习资源。综合考虑了学习者的情境信息、学习者的特点、学习者的兴趣爱好、学习者特点和用户的个人反馈等维度，更加综合全面地给学习者推荐用户喜欢的学习资源。

四、有待进一步研究的问题

本文对移动学习环境下学习资源的个性化推送模型进行了具体的阐述，提出了适用于不同情境下的个性化资源推送模型。在教育学习方面，个性化资源推荐能够帮助学习者更快地选择自己有效的信息资源，但关于该学习资源的个性化推荐的相关研究还有待继续深入，如用户信息的安全性问题、如何推荐真正适合用户的资源信息和基础学习资源数据库的建设问题。

[1]Jane Yin-Kim Yau,Mike Joy.A Context-Aware Personalised M-learning Application Based on M-learning Preferences[J].InternationalJournalofMobileLearning and Organisation,2011,(01):1-14.

[2]孙歆,王永固,邱飞岳.基于协同过滤技术的在线学习资源个性化推荐系统研究[J].中国远程教育,2012,(08):78-82.

[3]查英华,朱其慎.基于个性化推荐的移动学习模式探究——以高职学生为例[J].职教论坛,2015,(23):57-60.

[4]牟智佳,武法提.电子书包中基于学习者模型的个性化学习资源推荐研究[J].电化教育研究,2015,(01):69-76.

[6]王永固,邱飞岳,赵建龙,刘晖.基于协同过滤技术的学习资源个性化推荐研究[J].远程教育杂志,2011,(03):66-71.

G434

A

1671-7503（2016）23-0069-04

本文系2016年教育部人文社会科学研究青年项目“移动图书馆促进返乡农民工职业发展的研究与实践”（项目编号:16YJC870015）和2014年辽宁省教育科学规划项目“农村教师区域性微型移动教研实践研究”（项目编号：JG14CB009）研究成果之一。

闫长松]