基于标签的自助教育资源推荐算法研究

张艳红 谌颃

摘  要：文章首先分析了基于标签构建自主教育资源推荐算法的应用意义，从学习环境构建、学习资源完善以及信息检索速度提升三方面进行。其次重点论述在标签基础上构建自助教育资源推荐算法的有效措施，以及实现自助教育资源推荐的关键流程控制，可以作为教育资源推荐算法应用的理论参照。

关键词：标签;自助教育;推荐算法

中图分类号：TP393.09     文献标识码：A 文章编号：2096-4706（2019）12-0013-03

Abstract：Firstly，the paper analyses the application significance of label-based autonomous education resource recommendation algorithm，which includes the construction of learning environment，the improvement of learning resources and the improvement of information retrieval speed. Secondly，it focuses on the effective measures of constructing self-service education resource recommendation algorithm based on label，and the key process control of self-service education resource recommendation，which can be used as a theoretical reference for the application of education resource recommendation algorithm.

Keywords：label;self-help education;recommendation algorithm

1  自助教育資源推荐算法的应用意义

1.1  构建自主学习环境

在标签基础上所构建的自助教育资源推荐算法，能够帮助学生营造出自主学习环境。应用自助教育资源推荐算法，构建学习以及教育系统，学生登录到学习系统后，能够根据自身所检索的历史信息内容，在系统内自动评估，并根据学生的学习需求推荐所需要的学习资源。教育教学任务开展同样适合应用这一方法，不仅能够帮助提升教学计划开展效率，也能进一步强化学习过程中的资源共享能力，为学生各项综合学习任务开展营造出有利的基础环境。对于自助学习环境的构建以及营造，更能够充分体现出当前的学习需求，以及不同学习方法之间的融合性。用户信息是系统使用者在注册时提供的，获取对推荐系统推荐的资源有重大影响的用户基本信息，包括用户性别、用户专业、用户年龄、用户学历以及用户职业等信息。

1.2  丰富学习信息资源

自主学习过程中，需要大量信息资源作为依据来帮助分析解决问题。在标签基础上所构建的自助教学资源推荐系统，算法应用后能够基于网络环境自动获取相关学习信息，帮助丰富学生的各项信息资源。并通过不同教学方法之间的相互结合，使学生能够了解到多元化的学习途径。学生也能够根据自身学习中不足的部分进行选择，在自主学习的过程中，有针对性地强化个人能力。基于标签所开展的教育资源推荐，在信息资源共享能力方面，将会得到明显的进步提升。学习资源表中记录的信息包括资源的基本信息和资源的使用信息，这些信息作为推荐算法的一组输入标量，决定了该资源能够被推荐给合适的学习者。因此，资源信息表的每个字段须经过科学的设计，学习资源信息的对象模型需要不断地规范化、标准化，相关工作已经是很多标准化组织和学术组织的研究方向。

1.3  信息检索速度提升

基于标签所进行的信息检索在速度方面有明显提升，信息检索任务的开展，需要在有力的数据环境下进行。缩小检索范围能够有效提升检索速度，标签能够对信息检索过程中的关键词进行界定，在此基础上开展的各项信息检索任务并不会受到影响。速度提升后，并不会影响到信息检索的最终精准度，标签对于关键词的界定范围十分精准，在此基础上开展的各项检索任务，能够同时保障速度与质量。因此，基于标签构建教育资源推荐算法十分合理。在构建过程中也能实现不同区域之间的资源共享，尤其是资源检索系统基于网络环境运行，能够有效扩大信息资源的检索范围，从而进入更合理的检索状态中。

2  基于标签的教育资源推荐算法

2.1  抽取数据

在标签基础上构建的教育资源推荐算法，首先需要进入抽离数据阶段，计算不同数据之间存在的余弦相似性关系，并对余弦的相似度进行对比分析。主要从三方面进行，一方面是针对算法分析对象;第二部分则是针对教育资源在学习类型方面的方向界定，能够充分了解教育资源的来源，以及在共享过程中所构建的学习基础;第三部分是用户操作过程中的教育资源类型。对以上三部分进行余弦相似度分析比较，并根据数据信息分析比较所得到的结果，形成函数计算集合。系统运行使用过程中所对应的函数集合能够快速完成数据分析，实现对标签数据的抽取。抽取数据是基于标签进行教育资源推荐的前提和基础，也是教育资源共享过程中不可缺少的部分。数据标签抽取后，需要根据函数运算结果由大到小依次排序，在教育资源推荐过程中，也严格按照由大到小的顺序来进行。函数运算结果越高，表示标签与推荐信息之间的相似度越大。基于用户属性分析判断函数对比预算，技能自动生成与用户喜好和需求相一致的标签，同时也能基于标签快速确定所需要推荐的教育资源。

2.2  计算最近邻居

计算最近邻居能够判断资源推荐的顺序以及范围，并根据标签界定范围，将教育学习资源整合起来，形成一个集合后将其推荐至学习者的操作界面中，判断最近领域首先需要产生推荐资源的范围。在所界定的范围内，对不同临近点资源之间的距离进行运算与对比，计算出最新的邻居后，在推荐过程中能够根据不同相似度选择最终的资源。同时在分析预算期间，也能通过计算最近邻居，形成标签关键词的界定范围。最近邻居的分析以及计算，在界定范围确定阶段，需要考虑是否在资源共享方面，能够形成与之匹配的关系，如果两个临近资源间隔非常近，但在所对应的标签关键词中，有明显差距，此时并不能认定两项标签之间存在联系，排除两者之间的邻居关系。界面层主要是提供用户与推荐系统交互的界面，方便用户向服务器端发送请求数据，主要由框架实现。服务器端通过协议，以数据传输格式向客户端传送数据。业务逻辑层主要进行核心逻辑处理，包括通用逻辑处理、业务逻辑处理和挖掘算法处理模块，由框架实现。

2.3  推荐资源

推荐资源是针对数据抽取以及邻居计算开展的，将用户所需要的学习资源，按照函数计算所得到的大小顺序依次推荐至使用端。为避免在服务器计算过程中发生数据资源推荐时间间隔过长或者推荐资源与教育需求不匹配的问题，在服务端数据库设计过程中，是以JSON资源包的形式传送至最终的推荐端口的。传送过程中确定对接端口，并设置核心代码。核心代码能够避免传输过程中，数据包之间的对接出现错误，也能在最终客户端对数据包进行解压。数据传输精准高效，可以顺利完成最终的教育资源推荐。在开发设计过程中，推荐教育资源会充分结合标签界定范围加以运算。这样最终得到的推荐结果，以及推荐过程中的资源对接方向不容易出现错误。推荐资源以及各项资源之间的整合，能够达到合理控制的效果，关于教学资源共享中存在的种种矛盾冲突，也将能够实现资源之间的协调与融合。

3  基于标签的自助教育资源推荐算法功能实现流程

3.1  用户身份登录

在标签基础上所构建的自助教育资源推荐算法，首先需要对用户身份进行登录验证。用户在初次进入自助教育资源共享系统中时需要完善基础信息，并创建用户登录身份。随后进入标签共享的资源推荐算法功能实现中。根据用户身份中所完善的基础信息，形成用户资源搜索对应的数据库，并能够对用户历史搜索资讯进行整合。根据历史搜索信息之间的记录整合，能够进一步判断最终资源搜索所确定的范围。用户身份登录，会直接联系到接下来的识别环节，识别后能够安全登录到系统中，并对系统中的各项资源充分查找利用。针对于用户身份登录环节的安全验证，为避免用户身份被盗用，以及违规操作系统的问题出现，在用户登录身份识别中，由用户进行自定义安全验证，用于账号安全防护，同时系统中也会设置安全验证环节，确保接入资源数据库的端口是安全的。根据PC以及移动通讯设备等不同接入形式，用户身份登錄中的安全验证，也会设置多种模式，用于提升最终的系统操作安全性，增强系统的控制整合能力。

3.2  兴趣风格测量

针对用户的学习资源获取风格进行判断，在此基础上开展的各项综合判断内容，既能够达到预期的防控效果，也能够根据所得到的兴趣风格测量结果，进入到资源推荐阶段中。兴趣风格测量，需要根据标签界定的关键词范围进行分析。教育系统的使用者日常搜索的各类资源在最终整合过程中，能够根据搜索的类型进行兴趣划分，形成属于教育系统用户专属的兴趣标签。根据兴趣标签开奖的各类风格构建，也就能够进入最终的合理状态中。兴趣风格测量可以作为标签评估环节来进行构建，实现最终的资源推荐算法功能，所推荐的资源符合用户的兴趣风格，才能发挥切实作用。在构建资源风格推荐系统过程中，能够进入中间的兴趣评估环节，根据得到的各项评估结果，实现资源之间的高效共享，实现真正符合用户兴趣的资源推荐，这样所推荐的资源在使用中也将能够更好地实现功能。

3.3  学习资源推荐

学习资源推荐是实现基于标签自助教学系统的最终阶段，学习资源推荐是否成功，主要来源于对资源有效性的评估。使用者是否能够根据所推荐的资源获得自身所需要的知识信息，在学习资源推荐以及共享阶段，可以充分利用现有的标签进行关键词拓展。标签只是针对用户写好风格分析后，所生成的搜索范围，但在最终的标签评定阶段，还需要考虑标签的有效性，并根据标签界定的范围对关键词做进一步补充，实现对学习资源更精准的定位。学习资源推荐与最终教育资源整合过程中所存在的问题，还需要加强综合评判，实现资源共享过程中的有效利用。学习资源推荐还需要体现出时效性，能够根据标签中界定的范围，进行合理控制，体现出学习资源推荐的时效性。在使用资源推荐系统的过程中，能够有效界定资源的整合范围，并判断在整合过程中需要继续持续推展的内容，从而形成更合理的现场经营理念。

4  结  论

在标签基础上构建的资源检索系统，能够进一步强化最终的信息资源整合能力，为学习资源推荐创造基础。基于信息时代现代远程教育的发展，网络教育质量成为社会各界关注的焦点，教育资源成为影响网络教育质量的关键。网络上海量的学习资源一方面给学习者带来了巨大的学习机会，另一方面也增加了学习者选择适合自己学习资源的难度。本文结合学习者个性特征和学习者学习风格，对协同推荐算法进行研究，设计并开发出基于移动设备的个性化教育资源推荐系统，旨在为学习者提供个性化的学习资源，从而为学习者节省大量的时间，有效提高了学习效率。

参考文献：

[1] 冯亚丽，于瑞芳，孙龙安，等.远程培训中个性化学习资源推荐算法 [J].计算机系统应用，2017，26（8）：212-216.

[2] 朱东郡，李敬兆，谭大禹，等.基于标签聚类和兴趣划分的协同过滤推荐算法 [J].计算机工程，2017，43（11）：146-151+160.

[3] 叶婷，曹杰.基于网络分割聚类的标签语义规范化推荐算法 [J].计算机应用与软件，2017，34（11）：64-69.

[4] 曹玉琳，李文立，郑东霞.融合社会标签的联合概率矩阵分解推荐算法 [J].信息与控制，2017，46（4）：400-407.

作者简介：张艳红（1978-），女，汉族，吉林榆树人，高级工程

师，硕士，研究方向：推荐系统、高等教育教学;谌颃（1980.09-），男，汉族，湖南怀化人，副教授，高级工程师，硕士，研究方向：大数据技术、图像识别、数据挖掘和个性化推荐技术。