基于多特征融合的民办高校教学服务推荐策略研究

郑苏生 李铭 姚磊岳

摘  要：个性化服务推荐一直是人工智能领域重点研究方向之一。对高校而言，如何通过对教育大数据的分析，建立起一套科学的、行之有效的、针对个体学生的差异化教学服务推荐方案，是提升高等教育教学质量、实现差异化教学的重要研究内容。本文以江西科技学院所积累的大量教学过程数据为基础，将学生学习过程抽象为多维数据标签，利用既有深度学习网络，设计了一套以教学服务差异化推荐为主要目的的多特征融合服务推荐策略网络模型。

关键词：服务推荐;教学资源管理;深度学习;人工智能

中图分类号：TP391.41      文献标识码：A 文章编号：2096-4706（2019）24-0118-03

Abstract：Personalized service recommendation has been a hot research point of artificial intelligence. For colleges and universities，how to establish a set of scientific，effective and individualized teaching service recommendation scheme based on the analysis of education big data is an important research content to improve the teaching quality of higher education and realize differentiated teaching. Based on a large number of teaching process data accumulated by Jiangxi University of Technology，this paper abstracts students’learning process into multi-dimensional data labels，and designs a set of multi-feature fusion service recommendation strategy network model with the main purpose of teaching service differential recommendation by using the existing deep learning network.

Keywords：service recommendation;educational resource management;deep learning;artificial intelligence

0  引  言

中国教育科学研究院院长田慧生指出，大数据及其技术为认识和探索教育规律提供了前所未有的手段，对改变教与学的方式提供了强有力的支持，对教育研究、教育决策科学化水平的提升奠定了基础，并将全方位改变人们的工作方式、思维方式与生活方式[1]。高等教育大数据的服务价值体现在聚焦、诊断、服务于“人”的学习全过程，以促进每个学习者的学习效率。越来越多的高校借助新的信息技术，将提升学习者的能力与潜力、改善学习者的学习模式作为教育导向。可以预期：一个属于教育的大数据时代即将到来，它不仅影响学校内部治理的改革，而且会驱动整个教育领域的变革。然而，从整体上看，大数据及人工智能技术在教育决策、教学过程中的运用还处于摸索和起步阶段。一方面是由于教育管理本身的复杂性制约着人工智能技术在高等教育管理中的运用;另一方面是由于高等教育“低频高值（即：發生频率低，包含价值高，如：专业选择、导师选择等）”的特点，大大增加了技术应用的难度。

鉴于上述背景，本文以江西科技学院为例，从其内部所积累的大量教学过程数据以及市场就业需求相关数据出发，探索并找到其关键点和核心，抽取特征并构建特征矩阵，结合既有深度学习网络，为教学资源的合理、优化配置设计了一套智能配置推荐网络模型。

1  本文方法及实现

基于统计学的推荐策略往往是寻找或建立特征模型，并设定阈值进行分类。而阈值的设定与选取往往依靠人工判断，虽然通过严格和复杂的实验可以基本确定阈值，但其工作量大且繁复。同时，由于受限于教育过程“低频”的特点，服务参照点少、服务信息容易被丢失，“低频”服务推荐并不准确。而对于深度学习而言，目前主流的“端到端”做法在输入端没有经过任何处理，导致深度学习框架的训练对硬件性能依赖极大。同时，为了提高预测准确率，框架往往向着“深、更深”的方向扩展，对算力要求巨大。本文研究拟融合经典服务推荐特征，并通过插值算法构建特征矩阵，结合深度学习技术实现“低频高值”服务的精确推荐。

1.1  主要研究问题

教育资源配置中，“低频高值”服务存在数据少、推荐精准度低、特征选取复杂、参数调整困难等问题。为实现可拓展的、普适性的、准确率较高的“低频高值”服务推荐模型，本文在研究过程中将服务推荐、服务计算领域的多种技术进行融合、改进，并主要解决以下关键问题。

1.1.1  经典特征改进

除浅层特征外，绝大部分经典手工特征已包含时序信息。在建模过程中，为使其与浅层特征共同构建多维特征矩阵，在必要情况下，需要将经典手工特征中的时域信息暂时剥离，并保证其特征的有效性。

1.1.2  多维特征矩阵构建

从理论上来说，特征越多对一个事物的描述则越为准确。所以，将浅层特征与手工特征融合，并构建多维特征矩阵是网络模型成功的关键。然而，手工特征往往在设计过程中已包含浅层特征的全部或部分信息，如果不加区别地简单构建特征矩阵，则有可能导致某一特征权重过大，从而导致服务推荐失准。故如何提取表征性强且权重合理的特征构建矩阵，是影响网络模型结果的关键所在。

1.1.3  基于教学管理过程中“低频高值”服务推荐的深度学习网络设计

根据服务的收、授双方特点，分别利用卷积神经网络（CNN）与循环神经网络（RNN）构建基本预测模型，并在Softmax层设计融合策略，最终确定全连接层的一维参数向量，为准确分类提供保障。

1.2  解决方案及模型构建

如图1所示，本文所设计网络框架将主要分为四步：首先，将教育过程中的纷杂的数据进行人工抽象并结构化为多维数组，比如：学生兴趣爱好、专业、层次（本科、专科）、课程成绩、教学资源投入（生均经费、生均图书、教师配比）等;其次，利用既往已经积累的大数据，构建时间维度的特征举证，并通过RNN网络进行训练并提炼RNN深度特征;再次，通过教育教学先验知识，根据高等教育教学“投入-产出”比模型，构建CNN网络，得到CNN深度特征;最后，融合深度特征，进行资源分配策略推荐。

该网络模型的主要创新在于：

（1）改变“端到端”的简单做法，通过输入端的前期建模提取“语义级”参数。传统“端到端”做法虽然能够在最大程度上保留预测对象的信息特征，但会导致深度学习网络越来越“深”，导致框架训练、参数调优工作越来越繁杂。对前端语义级参数的提取不仅将大大降低深度学习网络的训练、预测时间，而且可将无效的“杂音”参数提取出，从而提高算法的准确性。

（2）通过基于上下文的插值算法增加“低频交易”特征值，定义时间维度变长的特征矩阵。对于“低频高值”的服务推荐，影响准确率最大的因素在于其“低频”特点，往往非常有限的交易变化在算法运行过程中会被不断弱化，甚至被程序忽略。本文设计的网络模型结合上下文信息，实现低频交易之间特征值的最大拟合，将预测无效的阶跃信息转化为趋势可寻的线性信息。

（3）构建针对服务推荐的多层异构深度网络框架。本文根据服务的收、授特点，分别利用CNN网络与RNN网络构建基本预测模型，并在最终预测之前进行参数融合，最终实现了服务推荐的准确预测。

1.3  网络模型技术可行性分析

1.3.1  手工特征的有效选取与特征矩阵的构建

基于服务推荐的多种经典特征已在不同应用领域达到了较好效果。同时，本文收集的样本数据能够为浅层特征选择提供良好基础，使基本建模数据源有保障。

1.3.2  服务推荐模型设计

本文拟采用的深度学习技术，属于预测分类的手段，在结合前期工作成果后，能够利用硬件算力减少人为阈值判断与设定工作量，成果可期，技术选型可行。

1.3.3  异构深度学习网络融合

深度学习技术在行为预测、趋势预测中已取得了良好应用效果。为提高预测准确率，对不同目标对象建立不同的网络框架，并在最终预测之前进行融合是行之有效的方法，且已经在车流分析、人群聚集分析等场景得到验证。本文研究内容本质上也可归纳为固定特征在时序纬度的预测与分类，在算法设计上可以借鉴相关领域的成功经验。理论可行，有待研究验证。

2  结  论

本文的研究内容为服务计算、服务推荐、信息管理领域前沿内容，成果能够实现“低频”交易服务的精准推荐。特别是基于上下文的差值以及多维特征矩阵的构建，将实现深度学习框架输入端参数數量级的有效下降，大大提高框架的训练速度，减轻深度框架的重量。本文所提网络模型技术可行，可实现基于统计学模式识别方法与基于深度学习模式识别方法的融合与统一。在后续理论研究方面，将针对此问题开展深入研究，并通过仿真实验、试点使用验证效果。

参考文献：

[1] 孟祥武，刘树栋，张玉洁，等.社会化推荐系统研究 [J].软件学报，2015，26（6）：1356-1372.

[2] 王海艳，杨文彬，王随昌，等.基于可信联盟的服务推荐方法 [J].计算机学报，2014，37（2）：301-311.

[3] 朱强，孙玉强.一种基于信任度的协同过滤推荐方法 [J].清华大学学报（自然科学版），2014，54（3）：360-365.

[4] 胡勋，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，2014，25（8）：1817-1830.

[5] 周超，李博.一种基于用户信任网络的推荐方法 [J].北京邮电大学学报，2014，37（4）：98-102.

[6] 邹本友，李翠平，谭力文，等.基于用户信任和张量分解的社会网络推荐 [J].软件学报，2014，25（12）：2852-2864.

[7] 李美子，黄震华，向阳，等.社交网络中基于信任评估的推荐控制模型 [J].同济大学学报（自然科学版），2014，42（7）：1117-1122.

[8] 张波，向阳，黄震华.一种社交网络中的个体间推荐信任度计算方法 [J].南京航空航天大学学报，2013，45（4）：563-569.

作者简介：郑苏生（1978.01-），男，汉族，江西抚州人，讲师，研究生，研究方向：工商管理;李铭（1985.07-），男，汉族，江西抚州人，助教，本科，研究方向：计算机网络;姚磊岳（1982.07-），男，汉族，江西南昌人，教授，研究生，研究方向：大数据挖掘与人工智能。