基于大数据的3D 虚拟学习环境个性化推荐系统的研究

唐晓凤

（永州职业技术学院，永州 425000）

1 大数据与推荐系统

随着网络环境下在线教育的不断发展，在线教育大数据不断产生。教育大数据具备大数据的显著特征，包括数据规模巨大、数据流转高速、数据类型多样化、数据价值密度低以及数据真实性五大特征。网络环境下的在线教育留下学习者大量的学习痕迹，大量的教育大数据给在线教育的快速发展提供了参考。但教育大数据的产生也带来诸多问题，包括数据规模巨大带来的数据实时性问题、数据流转高速带来的系统稳定可靠的问题、数据类型多样化带来的推荐引擎的问题、数据价值密度低带来的数据稀疏性问题、数据真实性带来的数据真伪的问题等。从教育大数据存在的问题出发，解决教育大数据信息过载问题，其主要的方法有搜索引擎和推荐系统。搜索引擎学习者在寻找所需学习资源时与计算机进行交互的一种行为[1]，适用于对学习资源有明确需求的学习者，学习者可通过搜索引擎来获取自己所需的学习资源。推荐系统通常称个性化推荐系统，是根绝学习者的兴趣爱好向学习者推荐符合学习者需求的学习资源，适用于对学习资源并没有明确需求的学习者，系统可通过学习者的历史行为为学习者主动推荐学习资源[2]。为发展智慧课堂，实现个性化教学，个性化推荐系统已广泛应用于在线课程，个性化推荐系统的研究已成为研究重点。

2 个性化推荐系统算法

个性化推荐系统是互联网技术发展的产物，其主要目的是为使用者发现感兴趣、有价值的资源，广泛应用于电子商务、生活娱乐及学习等各个方面。达观数据[3]显示个性化推荐系统广泛应用于电商亚马逊、YouTube、Linkedin、淘宝等，为电商创造高利润、高收入。个性化推荐系统的使用可以方便用户筛选信息，为用户提供参考意见等。

个性化推荐系统算法种类繁多，应用于在线课程的个性推荐系统算法主要有基于内容的推荐算法、基于协同过滤的推荐算法和基于SVD 的推荐算法等。基于内容的推荐算法[4]是以学习资源的描述信息以及特征为基础，以聚类分析等方法为技术，结合用户的使用行为数据，为用户推荐用户感兴趣的学习资源；基于协同过滤的推荐算法[5]以群体学习行为未基础，比较学习者之间的相似度再为学习者推荐；基于SVD 的推荐算法主要以学习者的评价为基础，为用户进行推荐。为实现3D 虚拟学习环境学习者个性化推荐，将基于内容、协同过滤和SVD 推荐算法进行综合，采用混合推荐技术，以期为学习者推荐有效的学习资源。

3 基于大数据的3D 虚拟学习环境个性化推荐系统的设计

3.1 基于大数据的3D 虚拟学习环境个性化推荐系统特点

3D 虚拟学习环境是利用计算机模拟现实进行学习，因其具备情境性、体验性和沉浸性的特征而深受高职学生的喜爱，特别在实训实验课程上。3D 虚拟学习环境中的学习资源除文本、评价以外，产生的大部分数据都来源于学生的模拟操作。其特征的提取难度远远大于文本，推荐难度也加大。因此基于大数据的3D 虚拟学习环境个性化推荐系统算法需采用基于内容、协同过滤和SVD 混合推荐算法。

3.2 基于大数据的3D 虚拟学习环境个性化推荐系统总体设计

基于大数据的3D 虚拟学习环境个性化推荐系统包括基础平台层、数据和用户建模层、推荐引擎组层以及用户交互界面层，如图1所示。其中基础平台层主要包括数据存储、数据运算以及数据传输平台。建模层包括数据建模和用户建模，数据建模主要是对3D 虚拟学习环境下学习资源数据进行收集、表示和建模等；用户建模是对3D 虚拟学习环境下学习者的基本特征以及学习的学习痕迹数据进行收集、分析和建模等。推荐引擎组主要采用基于内容、协同过滤和SVD 推荐算法等混合推荐，其中基于内容的推荐算法主要以学习者以往的学习数据为基础，推荐学习者喜欢的教学资源；基于协同过滤推荐算法主要以以往学习者的学习行为为基础，以群体行为为参照对象，推荐群体喜爱的学习资源而学习者未学习的资源给学习者。基于SVD 的矩阵分解推荐算法以学习者的评价信息为基础，为学习者寻找喜爱的学习资源并为学习者推荐学习资源。

图1 基于大数据的3D虚拟学习环境个性化推荐系统总体架构

4 结束语

基于3D 虚拟学习环境下学习者的学习行为，利用学习行为产生的海量3D 虚拟学习环境下的大数据，为学习者推荐有效的学习资源，提高学习资源推荐的精准度，提升3D 虚拟学习环境下学习资源使用的活跃度，实现个性化教学。