基于微信小程序的竞赛学习平台设计

沈哲颖，吴彦文，刘金金，钟诚，龚雪武

摘要：针对大学生在各学科竞赛赛前准备中所遇到难以找寻匹配队友、疲于题海战术、缺乏实战经验和学习资源“信息孤岛”现象等问题，设计构建基于微信小程序的竞赛学习平台，主要适用于大学生学科竞赛学习和组队。该平台主要采用JavaScript、WXML、JSON、WXSS等技术，利用“微信开发者工具”和“腾讯云”平台完成前端代码的编写和数据库的搭建，并辅以个性化推荐算法。竞赛学习平台旨在通过多元化和个性化的功能提升大学生学科竞赛学习的趣味性、互动性和有效性，协助学生用户竞赛技能提升的同时激发更多大学生参与竞赛的积极性。

关键词：微信小程序;学科竞赛;组队;竞赛学习;个性化推荐

中图分类号：TP311      文献标识码：A

文章编号：1009-3044（2021）21-0087-04

开放科学（资源服务）标识码（OSID）：

1 背景

如何在团队竞赛中找寻匹配的队友以及如何提升竞赛学习的效率和成效已然成为许多大学生参与竞赛面临的共同难题。近年来，参加各类学科竞赛已经成为大学生培养学习兴趣、锻炼实践能力以及提升专业技能的一个不可或缺的方式。目前，塞氪网、竞赛网等诸多平台提供了各类竞赛的报名渠道和信息，供学生参考和选择。但是，许多学生在参与竞赛往往因缺乏专业的指导、缺少适合的竞赛学习资源、难以找寻匹配队友困境等问题而放弃参赛;此外，在竞赛学习过程中，他们也易受疲于题海战术、无法坚持学习计划、缺乏竞赛实战经验等问题的影响而导致竞赛成绩不佳。

基于此，提出构建一个基于微信小程序的竞赛学习平台，为学生用户提供个性化学习资源推荐、队友匹配推荐、竞赛学习成长计划等功能，让其更好地利用碎片化时间学习[1]，提升竞赛学习的有效性和自身综合能力，提高在竞赛中的竞争力。

2 基于微信小程序的竞赛学习平台设计和构建

2.1 平台的总体设计

微信小程序不占内存、操作简单、无需下载和安装就能在手机端使用等特点[2]，让其自推出后就广受人们青睐。而微信作为人们日常社交的常用应用，拥有广大的用户基数，这利于以微信为基础的小程序应用的迅速推广。綜合微信小程序的便捷性且易推广等优点，本设计选择以微信小程序为基础搭建竞赛学习平台。竞赛学习平台主要采用Javascript、wxml、json，wxss以及云平台等技术[3]搭建，展示层包括首页、授权注册界面、学习规划界面、搜索队友界面等，交互端通过授权微信号等信息进行登录，平台也会同步用户相关信息。此外，本平台接口端采用了原生API接口、url途径以及根据平台功能自定义API接口，个性化推荐算法采用KNN模型和权重训练算法以及基于机器学习的分类模型与基于皮尔森系数的协同过滤算法，同时本设计还利用腾讯云平台搭建MySQL数据库[4]，存储信息。系统结构总体框架如图1所示。

2.2 平台的具体设计

2.2.1 软件平台功能介绍

本文所设计的竞赛平台软件部分主要分成学生用户管理、教师用户管理、学习规划、队友速配、经验交流、名师导学、学习资源七个板块。各板块具体功能：1）学生用户管理板块，负责对学生个人信息进行管理并记录学生学习情况;2）教师用户管理板块，帮助教师进行个人信息管理与发布任务管理;3）学习资源提供板块，为用户提供模拟真题、教学视频并精选相关的笔记;4）经验交流板块，允许用户进行交流讨论，互帮互助，用户也能在板块的提问区发布问题;5）队友速配板块，依据用户完成的调查问卷，为其寻找性格相合、能力互补的队友进行推荐;6）学习规划板块，提供制定学习计划，并进行提醒督促的功能;7）名师导学板块，主要提供平台供名师对用户疑惑的问题进行答疑和指导，同时提供用户进行作业练习的功能。软件功能结构如图2所示。

2.2.2 API接口端

微信小程序开发平台为开发者提供了很多原生API接口，可以实现获取用户信息、数据分析、支付、订阅消息等功能。且大多数API接口以wx开头，都可接受一个object作为参数。在用户信息功能页面获取用户授权后，便可调用其接口实现相对应功能，否则则返回fail。本平台在调用许多原生API接口的同时还根据平台功能，自定义其他API接口。此外，本平台在实现学习资源存储时还直接利用url途径打开学习资源列表中的具体资源，将资源链接赋值给src变量当点击的时候就可直接找到页面路径打开相应页面。

2.2.3 数据库的搭建

本平台采用了ORM数据库框架，利用腾讯云平台搭建MySQL数据库。与SQLsever数据库相比，MySQL数据库具有开放源码、简便易用、运行速度快的特点，更适合中小型平台的开发和搭建。在此基础上，平台还完成了sever的配置，并用sharding技术[5]对数据库进行了拓展。

2.2.4 个性化推荐算法的运用

1）个性化推荐学习资源

本平台根据用户填写的信息、以往的学习资源、搜索记录以及用户好友的学习资料，为用户推荐可能感兴趣的技能学习或者竞赛学习资料。个性化推荐学习资源算法实现具体流程如图3所示。

本设计采用KNN模型算法与权重训练可以很好地实现对学习资源的推荐，同时解决冷启动的问题。KNN模型的基本原理是根据预先定义的相似度为i的某个样本寻找最近的k个样本，假如k个样本大都属于某一个类别j，那么判定样本i属于j类别。并且根据k个样本与样本i的相似度不同，赋予不同的权重，用k个样本的加权平均来预估i样本[6]。在个性化学习资源推荐，本文可以根据用户的个人信息以及其好友信息特征，赋予不同方面以不同权重，计算出相似度，然后根据相似度来进行资源推荐，其中不同方面的权重可以根据用户的个人浏览记录、下载记录等来更改。在面临冷启动问题的时候，因为在用户注册时已经采集个人信息、技能和参赛经历，可以根据用户的特征来定义相似度。