移动互联网环境学习内容推荐研究

朱晓亮++王俊

摘 要 综述移动学习内容推荐关键技术，建议利用上下文情景与社交网络等信息构建移动云学习环境下内容推荐框架，以实现移动推荐结果的精确性和多样性之间的平衡。

关键词 移动学习；内容推荐；协同过滤；学习行为

中图分类号：G652 文献标识码：A

文章编号：1671-489X（2016）24-0001-05

A Review of Research on Content Recommendation based on Mobile Learning Environment//ZHU Xiaoliang， WANG Jun

Abstract This paper summarizes the key technologies of mobile learning content recommendation and proposes how to construct con-

tent recommendation framework for mobile cloud learning to achieve

the balance between accuracy and diversity of mobile recommenda-tion results based on information of context and social networks.

Key words mobile learning； content recommendation； collaborative filtering； learning behavior

1 前言

移動互联网的发展为教育信息化带来新的挑战。一方面，伴随着越来越多的学习资源自然分布在网络上，移动设备带来的便捷性使随时随地自主学习成为可能，参与移动学习社区正成为一种趋势；另一方面，移动设备的移动性、位置性、分布性等特性也明显加剧了信息过载问题[1-2]。

因此，在移动网络学习应用中有必要引入个性化学习推荐，为学习者提供更加便利的知识服务，帮助学习者更加有效地获取学习内容、提高学习效率[3]。

一般而言，推荐系统是在收集用户既往信息的基础上分析用户的兴趣爱好和行为习惯，从而将感兴趣的信息主动推荐给用户。然而，移动互联网环境下终端设备在自身资源、处理能力等方面的局限性使得适合传统互联网用户的推荐方法并不能直接应用到移动推荐中。移动推荐系统需要深入了解用户的需求并进行精准的信息推送，主要难点则在于大大减少用户与移动设备的复杂交互，并通过智能化方式理解用户意图来自动完成信息推送。这需要面临两大挑战[4]：一是如何从大规模异质移动数据中分析数据特点、总结学习者的行为模式；二是如何利用所发掘的数据特点和行为模式设计可靠的推荐策略。

针对上述挑战，一方面，移动推荐系统需要综合考虑移动性、位置性、分布性等特性信息[5]。其中，移动性考虑了用户移动性、设备移动性和无线连接性；位置性指移动推荐系统的应用场景较灵活且用户对推荐内容的位置往往具有明确要求；分布性指移动用户分散，需要分布式设计支持他们之间进行自治的数据交换并采用简洁算法完成推荐任务。由于上述特性，移动推荐有必要借助移动互联网环境下的时间、空间等与相关用户的行为密切相关的上下文信息来增强应用的效果。

另一方面，社交网络的出现已基本改变了互联网的组成方式，而移动互联网的发展也大大推动了移动学习社区扩散的过程。诸多学者已经证明随着对学习社区的投入程度和学习时间的增加，学习者学习意愿也不断增加[6-7]。因此，协作学习的相关信息将成为移动学习推荐的重要支撑之一。再者，结合移动网络的特性，推荐列表的多样性对用户感知系统有用性和易用性也有着积极和重要的影响[8]。

多样性主要包括个体多样性、总体多样性和时序多样性。其中，个体多样性主要从单个用户的角度考查系统能够找到用户喜欢的冷门项目的能力；总体多样性则主要强调针对不同用户的推荐应尽可能地不同；时序多样性主要指用户偏好会适应用户兴趣的动态进化或用户情境的变化而发生改变。因此，如何尽可能地利用好上下文情境和社交网络等信息，实现移动推荐结果的精确性和多样性之间的平衡，这是研究者需要关注的问题[8]。

本文将结合现有研究，对移动环境下数字化学习资源推荐技术开展综述与分析。文中第二节总结了相关技术，第三节对移动学习推荐系统进行了详细分析，第四节描述了一种移动云学习内容推荐框架，第五节对全文进行了总结。

2 相关研究

内容推荐技术 常用的内容推荐算法包括基于协同过滤的推荐算法、基于内容的推荐算法、基于关联规则的推荐算法与混合推荐算法等[3-5]。其中，基于协同过滤的推荐技术根据用户评分矩阵来计算用户之间的相似性，并通过相似用户的评分预测当前用户的未评分项的评分；基于内容的推荐则根据用户已知的信息挖掘当前用户的偏好来推荐其可能感兴趣的信息；基于知识的推荐则使用知识结构描述用户的行为和偏好来实现推荐；混合推荐系统则结合上述多种推荐技术的优点以获得更好的精度、性能和通用性[5]。

在上述研究中，协同过滤算法是移动学习推荐中的研究热点之一[5]。协同过滤算法主要分为基于内存的方法和基于模型的方法两类。基于内存的协同过滤推荐算法主要关注用户或项目之间的相似关系；基于用户的协同过滤推荐算法则关注用户的历史数据，如用户评分数据、浏览数据等，计算用户之间的相似度，核心思想是选择最相似的用户作为邻居，利用相似邻居的偏好进行预测。协同过滤推荐系统中需要解决的是普遍存在评分数据稀疏问题，即用户评价或查看的项目远远小于用户未评价或未查看的项目。

具体到移动推荐技术如何提高推荐准确度，需要结合信息过滤技术、决策支持技术来解决信息过载问题[5]。其核心是在移动数据稀疏的情况下更为精确地估算预测用户对未知信息的主观评分，如通过收集用户行为数据、建立偏好模型、根据用户的行为和偏好对不同用户的同类需求推荐选取个性化内容等[5]。然而，移动环境下的空间数据复杂性较高，并且用户的上下文信息更加模糊[9]。因此，社交网络协作学习的引入至关重要[10]。

协作学习是一个以学生为中心的学习的过程，包括学习任务和方法的实施与交流。协作学习的优势在于沟通、人际关系和社会合作、分享、关怀、开放、创新、管理、务实、责任、参与等。在移动学习中纳入协作学习，有利于提高学习效率和可持续性[11]。然而，如何实现移动学习相关社交活动数据的结构管理，是实现学习内容过滤的一个需要解决的关键问题[11]。结合处理上下文与社交化学习信息为移动学习内容推荐提供了较好的解决思路。

目前研究主要包括：利用地理上的接近来采用链路预测方法为用户推荐好友信息；根据上下文信息判断用户间的亲近程度，从而构建用户的社交网络；采用语义网的本体语言挖掘移动用户间隐含的社会关系；等等[2]。如胡勋（2014）等将项目的相似性、移动用户的相似性和移动用户的社会关系网络融合到推荐模型，构建基于启发式的方法，将项目相似性和移动用户信任关系与协同过滤算法融合，利用教育数据挖掘（Educational Data Mining，EMD）

方法实现融合项目特征的移动用户相似度计算，继而基于移动用户的相似网络和信任网络构建邻居集合并进行推荐[12]。

上述研究为所述问题的解决提供了借鉴。

网络学习行为分析 网络学习行为是指学习者在由现代信息技术所创设的、具有全新沟通机制与丰富资源的学习环境中开展的远程自主学习行为，行为的发生、发展以及变化由学习者自己控制[13]。主要行为包括：学习者借助网络提供的交流工具自主进行主题研讨和交流；学习过程中获取来自教师、学习支持系统等的支持和帮助；形式上可分为探索性学习、投入型学习、体验型学习、激励性学习、扩展性学习与有效性学习等几大类[13]。网络学习行为是用于数字化学习内容推荐的重要指标之一。

随着网络学习平台技术的不断完善，一些学者尝试构建网络学习行为模型，跟踪和分析网络学习者的操作行为。例如：文献[13]构建了一种以学习者为中心的學习行为分析模型，用来分析学习者的学习需要、学习兴趣和学习行为习惯；文献[14]提出构建用户学习需求清晰度模型；文献[15]尝试通过分析学习者的浏览行为，进而确定学习者的学习风格；文献[16-17]等借助网络学习者的学习需求、学习行为记录和个性特征等，探讨学习者的学习绩效评价方式。近年来随着社交网络的兴起，学者开展了学习社区行为分析等研究[18]。

大数据云计算——Hadoop Hadoop是仿照谷歌类似系统开发的云计算开源框架（Hadoop MapReduce/HBase/HDFS）

中的重要组成部分之一，它为数字化学习资源推荐的分布式操作奠定了基础。其中，HDFS为上层非结构化存储提供高性能、高并发服务；HBase负责提供结构化数据服务的分布式数据库；Hadoop MapReduce是一种并行计算的编程模型，用于作业调度，可将一个大作业拆分为多个小作业的框架（两者本质相同，仅规模不同），而用户需要做的只是决定拆成多少份以及定义作业本身，从而大大降低分布式系统的编程工作难度。

3 移动学习推荐系统分析

数字化学习推荐系统通常是在已知学习行为特征进行智能感知基础上实现高质量学习资源推荐的智能软件系统，目的是协助学习者选择合适的课程、知识点关联的学习材料或学习活动等信息[20]。数字化学习推荐系统的基本要素包括事件、会话和推荐过程[19]。其中，事件是由用户执行的操作所引起的系统调用；一系列事件构成会话，如每点击一个超链接就生成一个新的事件会话；推荐过程是产生一组推荐所要执行的操作序列[19]。

数字化学习推荐系统的功能通常包括[20]：使用网络分析技术，收集学习者的配置文件并确定其个性化需求；收集学习目标的元数据与识别功能；获取相关的学习者与学习者匹配程度的知识学习目标，并采用一些先进的技术实现匹配的过程。数字化学习推荐系统大体可以分为两类：基于学习者兴趣的学习资源推荐系统和基于教学策略的学习资源推荐系统[20]。在此基础上，笔者总结了每一类不同策略的基本描述和案例，如表1所述。

由文献分析，基于情境感知理论的数字化学习形态正成为主流，在此基础上研制的协同过滤系统融合了多种推荐策略的优点。如文献[1]提出一种混合的推荐系统，为用户的学习过程推荐学习项目。该方法包括两个步骤：首先使用基于项目的协同过滤发现内容相关的项集；然后根据共同学习序列，应用项目集的序列模式挖掘进行过滤算法。文献[32]则提出一个模糊语言的推荐系统，以方便学习者访问对他们感兴趣的数字化学习资源，具体要求是满足学生的具体需求、促进并引导学生开展关联学习、改进教学过程；文献[33]提出一个上下文感知的建议框架，包括上下文感知的协同过滤与基于图的聚类技术和矩阵分解的上下文建模相结合的方法以及平均预测评级方法；文献[29]提出一种个性化的上下文感知学习系统以提高学习效率。

同时，基于云计算的推荐服务，可以依赖先进的人工智能机制，从用户所在的不同社交网络汇总数据，推断知识和兴趣，从而为移动学习注入新的动力[3-6] 。如文献[34]基于先进的以人工智能为基础的结构和算法，提出一种知识评估方法和相应的推荐系统。此外，组推荐技术也可以通过检测组用户并聚类，然后在最大可用数量限制条件下产生足够的推荐列表[35]。

4 移动云学习内容推荐框架

由上述文献分析，针对其特点，移动学习推荐系统将围绕基于情境感知理论与云计算开展工作。在文献[3]工作的基础上，笔者拓展其通用模型。模型采用SOA架构设计，可分为平台层、服务层、应用层（如图1所示）。其中，平台层负责实现教育云环境下分布式学习行为与学习偏好分析的计算；Hadoop作为分布式资源云推荐的基础架构，包括基于HDFS的存储优化与基于MapReduce的云计算功能。应用层负责学习推荐服务，包括用户推荐列表的呈现与个性化查询的输入接口。服务层实现学习推荐引擎与服务接口功能，服务接口包括推荐接口与查询接口。

服务层核心部分在于通过反馈系统从Hadoop基础架构获取行为感知、社交感知、语义感知信息的基础上运行协同过滤，完成基于情境感知的学习内容推荐引擎功能。学习者偏好分析与推荐算法是推荐系统的核心，学习者偏好分析通过对行为感知、社交感知、语义感知的综合信息分析构建数据模型，进而应用推荐算法实现个性化推荐目标。其中，行为感知目标是获取学习者既往应用学习资源过程中的个体学习行为特征；社交感知目标获取协作学习的共性特征；语义感知目标是获取虚拟学习环境中多粒度学习对象的语义特征。

实施中系统功能将分为服务端与移动应用程序两部分。服务器端收集用户上下文感知即学习行为、语义检测与社交学习参与信息，完成学习者偏好分析与协同推荐算法；移动应用程序则负责学习者行为信息的上传与推荐服务的终端呈现。具体实施按照以下步骤。

首先，语义感知子系统依据反馈系统构建一个共同的抽象的整体知识库，涵盖了对应领域知识的相关知识语义本体及关系。该子系统可借鉴基于先进的人工智能为基础的推荐算法[34]。

其次，社交感知子系统则根据课程主题组或者论坛参与情况并辅助于K-近邻算法确定群组关系，同时构建具备群组特性的行为隐性反馈信息。

最后，借鉴文献[36]改进的行为感知子系统通过反馈系统获取用户交互信息，并结合社交化学习类隐性信息构建隐式反馈数据库，进而通过显式映射实现显式反馈，再进行数据库信息比对，完成数据推荐（如图2所示）。

上述步骤中，行为感知是协同推荐的关键技术。首先，引入Edward Rolando定义的移动电子书浏览用户行为评价对象（如表2所示），并采用用户交互行为转化算法来确定用户行为Ai（i=1，...，11）的分值[36]。

其次，在Ai分值确定的基础上，实现隐性评价的显式映射。Edward Rolando定义评价矩阵向量u（i，j）表示第i个用户对第j个内容的评分，则[36]：

若已评价则取值A1为显式评分，反之取值S为隐性评分，其获取方法如下[36]：

式中Pk为对除去A1外的Ak用户行为的权重，且 0≤Pk≤1，（3）。

N表示完成的行为的总次数：

Pr是A2...An的中第i个用户在第j个内容不执行的动作重新分配的Pk权重：

其中，Q（Ak）即未评价时给予固定的P值：

5 总结

由于移动终端的特殊性，移动云学习中的“知识迷航”有加剧趋势，而内容推荐技术为之提供了一条便捷之路。简而言之，教育目标的准确性与推荐技术的模糊性存在天然的矛盾，为了改善移动学习内容推荐的效果，需要另辟蹊径。通常，用户行为数据体现了用户学习的情境与社交特征，是移动云学习过程控制的关键要素之一。通过内容推荐技术与云计算技术相结合构建社交学习情境，是未来移动学习的发展方向之一。考虑到移动学习环境加剧了用户行为数据的稀疏性，引入上下文行为、语义与社交网络信息是发掘情境学习特征的关键。因此，基于行为感知、社交感知、语义感知，以协同过滤算法为核心的内容推荐方案具有一定的研究价值，其优势在于在提高推荐精度的前提下最大限度地增强推荐的多样性。

在后续工作中，笔者将围绕华中师范大学“StarC云课堂”展开实证研究，从而探索协同推荐的权重设置策略以及有效降低推荐运算复杂度的便捷机制。

参考文献

[1]Chen W， et al. A hybrid recommendation algorithm adapted

in e-learning environments[J].World Wide Web，2014，17（2）：

271-284.

[2]朱煦，陈志奎，凌若川.一种移动上下文感知的好友推荐方法[J].小型微型计算机系统，2015，36（4）：744-748.

[3]王萍，刘玲.基于PaaS云模式的学习推荐系统研究[J].中国教育信息化，2013（3）：78-81.

[4]桑基韬，梅涛.移动环境中基于情景的个性化推荐[EB/

OL].[2013-07-08].http：//www.ccf.org.cn/sites/ccf/nry.jsp？con

tentId=2746457350432.

[5]刘嘉，都兴中，陈振宇，等.移动推荐研究综述[J].情报科学，2012（10）.

[6]Stantchev V， Prieto-González L， Tamm G. Cloud computing service for knowledge assessment and studies recommendation in crowdsourcing and collaborative learning environments based

on social network analysis[J].Computers in Human Behavior，

2015（51）：762-770.

[7]Chao H C， et al. A M-Learning Content Recommendation Service by Exploiting Mobile Social Interactions[J].TLT，2014，

7（3）：221-230.

[8]安维，刘启华，张李义.个性化推荐系统的多样性研究进展[J].图书情报工作，2013，57（20）：127-135.

[9]宋樂怡，熊辉，张蓉.下一代移动推荐系统[J].华东师范大学学报：自然科学版，2013（3）：37-45.

[10]Santos O C， Boticario J G. User-centred design and educa-

tional data mining support during the recommendations elicita-tion process in social online learning environments[J].Expert Systems，2015，32（2）：293-311.

[11]Asabere N Y. Review of Recommender Systems for Learners

in Mobile Social/Collaborative Learning[J].ICT Journal，2012，

2（5）：429-431.

[12]胡勛，孟祥武，张玉洁，等.一种融合项目特征和移动用户信任关系的推荐算法[J].软件学报，2014（8）：1817-1830.

[13]丁旭. E-Learning平台上基于学习行为分析的个性化教学系统的研究与实现[D].沈阳：东北大学，2008.

[14]Sun L， Ousmanou K， Williams S. Articulation of Learners

Requirements for Personalised Instructional Design in E-Learning

Services[J].Lecture Notes In Computer Science，2004，3143：

424-431.

[15]Lo J， Shu P. Identification of learning styles online by ob-

serving learnersbrowsing behaviors through a neural network

[J].British Journal of Educational Technology，2005，33（1）：

43-55.

[16]解冬青.网络学习的个性化评价系统的研究与设计[D].上海：华东师范大学，2011.

[17]Lee W， Shih B， Tu L. The application of KANOs model for improving Web-based learning Performance[C]//Proceedings of the 32nd IEEE Frontiers in Education Conference. New York，

2002：27-32.

[18]李丹立.E-learning中基于聚类算法的多维度学习社区的研究[D].上海：上海交通大学，2011.

[19]Anandakumar K， Rathipriya K， Bharathi A. A Survey on

Methodologies for Personalized E-learning Recommender Sys-

tems[J].International Journal of Innovative Research in Com-

puter and Communication Engineering，2014，2（6）：4733-4738.

[20]Lu J， et al. Recommender system application developments： A survey[J].Decision Support Systems，2015（74）：12-32.

[21]Kristensen T， Dyngeland M. Design and Development of a Multi-Agent E-Learning System[J].International Journal of Agent Technologies and Systems，2015，7（2）：19-74.

[22]Nú?ez-Valdéz E R， et al. Creating recommendations on electronic books： A collaborative learning implicit approach[J].Computers in Human Behavior，2015（51）：1320-1330.

[23]Capuano N， et al. Elicitation of latent learning needs through

learning goals recommendation[J].Computers in Human Beha-vior，2014，30（1）：663-673.

[25]Farzan R， Brusilovsky P. Social navigation support in a course recommendation system[J].Adaptive Hypermedia and Adaptive Web-based Systems，2006：91-100.

[26]Cobos C， et al. A hybrid system of pedagogical pattern re-

commendations based on singular value decomposition and va-

riable data attributes[J].Information Processing & Management，

2013（49）：607-625.

[27]Santos O C， Boticario J G， Pérez-Marín D. Extending web-

based educational systems with personalised support through user

centered designed recommendations along the e-learning life

cycle[J].Science of Computer Programming，2014（88）：92-109.

[28]Rodríguez P， Duque N， Ovalle D A. Multi-agent system for Knowledge-based recommendation of Learning Objects[J].Advances in Distributed Computing and Artificial Intelligence Journal，2015，4（1）：80-89.

[29]Akbari F， Taghiyareh F. E-SoRS： A personalized and social recommender service for E-learning environments[C]//In pro-ceedings of 8th National and 5th International Conference on e-

Learning and e-Teaching（ICeLeT）.2014：1-12.

[30]Liu L， Koutrika G， Wu S. Learning Assistant： A novel learning resource recommendation system[C]//In proceedings of ICDE.2015：1424-1427.

[31]Zapata A， et al. Evaluation and selection of group recom-mendation strategies for collaborative searching of learning ob-

jects[J].International Journal of Human-Computer Studies，

2014（76）：22-39.

[32]Porcel C， et al. A Learning Web Platform Based on a Fuzzy

Linguistic Recommender System to Help Students to Learn Re-

commendation Techniques[C]//Springer International Publishing.

2015.

[33]Do P， et al. A Context-Aware Recommendation Framework

in E-Learning Environment[C]//In proceedings of FDSE.2015：

272-284.

[34]Stantchev V， Prieto-González L， Tamm G. Cloud computing

service for knowledge assessment and studies recommendation in crowdsourcing and collaborative learning environments based

on social network analysis[J].Computers in Human Behavior，

2015（51）：762-770.

[35]Boratto L， Carta S. ART： group recommendation approa-ches for automatically detected groups[J].Int. J. Machine Lear-ning & Cybernetics，2015，6（6）：953-980.

[36]Nú?ez-Valdéz E R， et al. Creating recommendations on electronic books： A collaborative learning implicit approach[J].Computers in Human Behavior，2015（51）：1320-1330.