线上学习系统个性化课程推荐模型算法设计

钟亚妹

摘要：文章结合某线上学习系统的实现与测试，对该系统的总体设计展开分析。同时简单阐述该系统建立期间基于用户、基于项目的协同过滤推荐算法设计，提出系统开发阶段中Spring Boot和Mybatis的框架设计要点，旨在优化线上学习系统推荐功能，满足用户个性化课程推荐需求。

关键词：线上学习;系统;个性化;课程推荐;模型算法

中图分类号：TP311     文献标识码：A

文章编号：1009-3044（2021）25-0130-02

线上学习系统是近年来教育信息化建设中的重要产物，个性化课程推荐模型算法是该系统开发中的核心内容，可为用户提供个性化课程推荐需求，使用户更为高效的获取课程信息，完成自身学习任务，增强用户在线上学习时的体验感。但是在设计个性化课程推荐算法时，技术人员仍需合理构建算法模型，加强算法应用中的测试工作。

1 系统实现与测试

不同学习主体，其所需学习课程有着较大差异性，基于个性化课程推荐的线上学习系统，其基本概念是利用模型算法，记录、分析用户行为数据，自动生成兴趣模型，随后根据模型为用户推荐个性化服务。线上学习系统个性化课程推荐模型的实现，可有效节约不同用户浏览时间，优化用户学习体验[1]。具体来说，本文所设计的线上学习系统，其编程语言为 Java，可在 MyEclipse开发、测试该系统。系统结构设计中，Tomcat为Web服务器，框架结构为J2EE，如图1所示。

如图1所示，该线上学习系统中，用户可在B/S模式作用下，利用视图层与界面内的WEB浏览器交互，获取该浏览器客户端信息，完成注册、登录、浏览等工作。控制层具有使功能界面跳转的作用，用户登录成功后，系统会在密码输送后自动进入HTTP请求状态中，判定用户线上课程学习需求，相应用户的HTTP请求[2]。测试线上学习系统时，相关人员可模拟用户将“学习请求”发送到控制层，使其与数据层、“个性化推荐模型层”交互后，响应用户请求，而用户所提交的请求，在系统内可通过代码的方式，准确的推荐对应的课程资源。例如在上述系统中，模型在获取用户信息后，描述可推荐课程资源时，可输入以下代码：

INSERT label （label label ）{

String sq1=select *from label where name=？

String [] paras={label. Get name（）}

ARRAY list al=new SQlhelper（）

......获取成功

掌握用户基本信息后，系统可针对性的为用户推荐个性化课程，按照用户的资源群请求、浏览记录，自动运行推荐模型，搜索数据层，在数据库内寻找Top-N个可推荐的课程资源，将其显示在用户浏览界面中[3]。

2 总体设计

个性化推荐模型算法中，其主要支撑的模块有推荐模块、用户兴趣模块、推荐对象。设计线上学习系统时，相关人员可在建设课程资源库的基础上，按照用户兴趣推荐算法将用户所需个性化课程模型化，并借助该算法过滤课程资源，推荐用户该兴趣的个性化课程，具体推荐模型设计思路如图2所示。

上述图片中，线上学习系统个性化课程推荐模型算法的主要作用是获取、分析用户兴趣，随后为用户筛选课程资源，应用课程推荐算法，构建足够准确的推荐模型。在设计、建立用户信息模型算法时，设计人员需保障模型内数据分析的准确性，同时按照用户特征属性，描述用户所需的课程资源，针对性的为用户提供个性化课程推荐服务[4]。

3 算法设计

本文基于线上学习系统功能需求，所进行的个性化课程推荐算法，主要是从课程内容、用户角度、算法项目本身构建的，具体设计方案如下：

3.1 个性化内容推荐算法

设计以个性化课程推荐内容为核心的算法时，基本步骤为：第一，构建用户特征向量、课程资源向量、用户特征计算向量，同步分析三者的匹配度。其中系统内项目会呈现出非结构化、结构化特点，在设计推荐模型算法时，需重点测定模型内各特征向量，且用文本信息表示相关向量[5]。第二，基于用户特征向量，采集用户兴趣信息，运用Rocchio算法、KNN算法建立该模型。在此期间，设计人员可将用户信息视为登录向量，待用户完成登录任务后，利用算法公式，获取用户特征向量，具体公式为：[wu=β·1Irjwjw-r·1Inrwk∈inrwk]。其中wj可表示算法模型中item j属性，Inr、Ir为用户兴趣集合，而β、r为算法模型中用户喜欢、不喜欢的反馈权重。第三，根据用户历史浏览信息，充分评估内容特征向量，测试各向量匹配程度。确定各算法模型数据后，完成个性化课程推荐模型算法设计。第四，应用协同过滤技术，将模型参数集中在推荐对象个性化信息评价中，随后根据Rocchio算法中的wj的变化，实时更新用户需求反馈，提供个性化课程推荐服务。

3.2 个性化的用户推荐算法

在基于用户设计个性化课程推荐算法时，可借助KNN算法，采用向量运算的方式，选取K值，评估与用户浏览信息较为相似的课程资源[6]。该算法设计的基本原理，是结合不同用于浏览信息的相似度，利用python解析用户相关文本信息，完成个性化课程资源推荐工作。在此期间，设计人员可通过交叉验证的方式，模拟课程推荐期间模型参数的变化，记录KNN算法应用中不同设计方案的实际效果，完成线上学习系统课程推荐设置。

3.3 个性化项目推荐算法

个性化项目推荐算法，是从用户、内容角度逐渐过渡至项目算法，其算法设计原理同样为分析模型中各用户参数的相似性。具体模型构建过程中，是按照Naive Bayes算法，对系统数据库内文本、视频资源实施分类，并借助NB代碼，分析用户个性化课程推荐中的profile learning问题，设计用户感兴趣、不感兴趣的item。确定数据库item类别后，选取属性独立、概率相同的数值，对用户历史信息进行时数据训练，分析不同用户对某课程项目的喜好的相似性[7]。例如1号用户感兴趣的项目可分为A～C，2号用户喜欢C项目和A项目，该算法可感知某课程项目喜欢的用户数量为2个，以此类推，确定最终的算法模型设计方案，建立线上学习期间个性化课程、用户向量的评分矩阵，积累相似项目群，评估用户对课程资源的喜爱程度，完成排序后，使其进入候选推荐版块，用户发出浏览请求后，将其推荐给用户。