利用学习者画像实现个性化课程推荐

王莉莉 郭威彤 杨鸿武

[摘   要] 在“互联网+”在线学习环境下，探索符合学习习惯和偏好的个性化推荐路径能够降低学习者学习的盲目性、提升学习者在线学习体验。文章提出了一种基于学习者画像的个性化课程推荐方法，首先，利用爬虫技术获得Bilibili网站30多万名学习者的数据，然后对学习者学习数据进行定量分析，尤其是在个性化特征最明显的情感表达方面，采用了基于注意力机制的双向长短时记忆网络进行情感分析，从而构建了包含学习者基本信息、行为和弹幕文本三个维度的学习者画像特征模型。在此基础上，利用深度神经网络建立了教学资源与学习者画像之间的关系模型，用该模型预测学习者新的学习需求。实验结果表明，当学习者登录后，输入要选择的课程，模型能够根据学习者画像推荐相似学习者学习过的课程，提供个性化课程推荐服务，且推荐评价指标也表明该模型能够提高推荐性能。

[关键词] 学习者画像; 深度神经网络; 个性化推荐; 非正式学习平台; 教育大数据挖掘

[中图分类号] G434            [文献标志码] A

[作者简介] 王莉莉（1994—），女，甘肃兰州人。博士研究生，主要从事学习者学情分析研究。E-mail：1335502737@qq.com。

一、引   言

在“互联网+”时代，大规模在线学习平台在为学习者带来便利的同时，也产生了“信息爆炸”等问题，导致学习者很可能迷失在浩瀚如烟的学习课程中，很难快速地从大量的学习课程中找到自己想要的课程。首先，大多数在线课程平台针对同一知识点提供了多个学习视频，给学习者带来选择困扰。其次，学习者在检索在线课程时，由于输入的检索关键词表达不准确，导致检索结果中的资源并不与学习者的需求相吻合。最后，现有的大多数面向课程的搜索引擎并不关注学习者个性化的需求，任何学习者输入相同的检索关键词总会返回相同的课程列表。因此，学习者希望搜索引擎能够根据自己的需要提供课程。这样能够节约学习者寻找所需资源的时间，搜索到的个性化课程对学习也有一定的针对性，能更好地提高学习效率。

二、利用学习者画像实现个性化课程推荐的

研究现状及问题

（一）学习者画像

资源信息推荐服务的重要方法是用户画像的刻画[1]。在教育领域，研究者借鉴用户画像的方法和思想，提出了学习者画像的概念，从学习者画像的构成要素、分析技术和可视化三个方面进行了研究。在学习者画像的构成要素方面，主要从学习动机、学习认知水平和学习风格进行研究。如Mahammed等研究发现，在英语学习方面女生比男生更有学习动力[2];刘三女牙团队通过分析SPOC论坛的话语数据，建议教师可对不同群体的认知目标、讨论内容和互动形式进行调适或指导，促进学习群体的互动、学习积极性及认知水平的提升[3];Jaswinder等通过研究兽医学学生的学习风格，发现有三分之一的学生具有明显的个人风格[4]。在学习者画像的分析技术方面，主要采用回归分析、聚类分析和预测分析等方法。张雪等追踪了慕课上中国学生学习一门国际全英文慕课的过程，采用聚类分析和LASSO回归分析方法揭示了非母语学生群体在线学习的类别差异性[5];Schroeder等使用k-means聚类算法分析学习迁移测试中聚类成员对参与者分数的影响程度[6];Piech等采用循环神经网络算法对学习者的认知水平进行信息预测[7]。在学习者画像可视化分析方面，多采用统计图绘制技术、文本可视化技术、关联关系可视化技术和人机交互技术等，还有研究将以上方法融合使用[8-9]，为学习者提供帮助，为教师提供教学建议。

（二）个性化课程推荐

目前，针对个性化课程推荐服务的研究主要处于理论层面探讨和小规模技术尝试阶段。在理论层面，主要通过提出智能化、人性化的支持服务模型，进而设计教育资源个性化推荐策略的实现路径[10]。在技术层面，通过常用的推荐算法进行课程推荐，主要包括基于内容的推荐算法[11]、基于关联规则的推荐算法[12]和基于协同过滤的推荐算法[13]。基于内容的推荐算法推荐结果直观，具有较好的可解释性，但是容易推荐已经看过的课程，而且很难根据新注册的学习者的需求进行推荐;基于关联规则的推荐算法优点是能够发现新的兴趣点，缺点是规则抽取难且耗时，个性化程度低;基于协同过滤的推荐算法目前应用较多，个性化和自动化程度高，但是推荐质量取决于历史数据，刚开始推荐时推薦质量差。

（三）基于学习者画像的个性化课程推荐

利用学习者画像构建学习资源个性化推荐的研究主要在理论层面上对学习者特征进行标签化，然后基于学习者画像探讨个性化教学和个性化推荐服务的应用[14-15]。在技术层面上，多侧重于学习者画像的构建，对于资源的个性化推荐较少[16]，且采用手动的数据分析方法。

通过梳理学习者画像和个性化推荐技术，本文发现：首先，利用学习者画像实现个性化课程推荐的研究大多停留在理论模型建构上，基本是以学习成绩为导向的正式学习者的画像构建，针对非正式学习平台学习者的画像关注较少。其次，对个性化推荐技术的研究相对较少，一方面多采用通用型推荐算法，该算法没有考虑学习者与学习资源之间的交互关系;另一方面，现有的推荐技术没有考虑学习者基本信息和学习者行为数据等多元化特征，缺乏个性化的推荐。最后，现有的研究缺乏学习者画像与个性化推荐路径相结合的技术实现。

三、构建学习者画像实现个性化课程推荐的模型

郑永和教授认为，目前产生了“数据驱动”的研究范式[17]，教育大数据正催生个性化推荐，通过人工智能算法发现学习者画像和个性化推荐之间的关联，从而辅助学习者减少“迷航”问题。因此，本研究从计算教育学的视角出发，结合深度神经网络，构建学习者画像实现个性化课程推荐，模型框架如图1所示。框架划分为三个阶段，每个阶段具有独立功能，且上个阶段的输出是下个阶段的输入。第一阶段是明确画像目标，收集学习者在非正式学习平台产生的学习者数据并进行清洗;第二阶段是学习者画像的构建，对学习者学情进行分析，建立学习者行为数据和画像目标之间的逻辑关系;第三阶段是个性化课程推荐，构建符合学习者画像和课程信息相融合的深度神经网络来深入挖掘教学资源个性化推荐服务的本质特征，实现非正式教育资源与学习者之间的精准匹配，为大数据背景下开展非正式教育资源个性化推荐服务提供参考。

（一）学习者学习数据的获取

学习者学习数据的获取，一方面通过数据发现模型，预测人类行为的概率性和趋势性，从而增强个性化课程推荐研究的预测功能;另一方面通过数据分析提升个性化课程推荐研究的科學性，使课程的推荐趋于客观化、形成性、全局化和智能化。因此，笔者采用爬虫技术从Bilibili 弹幕视频网站（简称“B站”）获取学习者在B站产生的各种行为数据。之所以选择B站，首先，该平台除了学习资源外，还包括各种娱乐视频，所以学习者很容易迷失在大量的信息中;其次，该平台的学习没有受到教师的督促，没有课程必须完成的压力，也没有课程结业证书等激励措施，学习者的学习动机纯粹来源于学习者本身，所以，学习者在该平台发表的听课感受、课程评价和对教学内容的吐槽等更容易表达学习者自己的感受，这样的数据更有利于实时分析在线课程的内容及学习者的真实反馈，能够更好地根据学习者的情感反应等实现教育资源的个性化推荐;最后，该网站最新财报显示[18]：2020年第三季度社区月均活跃者1.972亿，日均活跃者5330万，月均互动数达到52亿次，日均视频播放量达到13亿次，表明该网站已经积累了大量的学习者，具备学习者黏性和学习者忠诚度。

笔者利用Python语言，以视频网址为种子页，通过Chrom开发工具获取B站学习者的真实数据，利用正则表达式和LXML解析库进行网页解析，共采集B站25门课程中学习者的基本信息和各类行为日志（见表1和表2）。在数据导入过程中，由于数据量过大，存在异常值和缺失值，所以对数据进行了切分、清洗、补充和删除等操作。

（二）学习者画像的构建

学习者画像是对依据学习者的基本特征数据和学习行为数据抽象出的学习者特征打标签的过程，是对现实世界中学习者属性的描绘，基于数据构建的学习者画像可以帮助实现个性化课程的推荐，为教学利益相关者提供信息，但对于学习者画像的构建，不同研究者有不同的构建方式。武法提教授依据Edx平台学习者的个人特征、社交网络、情感状态和在线环境中学习者的体征分析构建了数字化环境下个性化行为分析模型[19]。牟智佳等依据《学习者模型规范 CELTS-11》将学习者学习信息分成不同层次以构建学习者画像[20]。陈海建等人从学习者的基本属性、学习风格偏好、学习者类型和知识点兴趣等方面来构建学习者画像[13]。学习者画像的构建均基于在线学习数据，一方面是学习者在学习平台注册的个人信息，另一方面是学习者与同伴、教师之间的交互信息，学习者交互行为的情感能够在一定程度上反映学习者的认知水平，会拉近学习者之间的距离，增加他们的社区归属感。因此，学习者画像的构建流程遵循大数据驱动的研究范式，将非正式学习平台可获取的学习者画像特征数据源作为信息素，根据在线学习者行为，在武法提教授提出的“目标—过程—结果”指导下，从知识水平、学习活动和交互能力三个维度出发，考虑数据采集的可行性，以及非正式平台与课程本身的特点，通过个性化学习分析理论来指导分析学习者知识水平、学习活动完成度和参与度，以监控学习活动过程。采用社会认知理论指导分析交互层次，以了解学生的最终学习结果和情感表达。从数据出发，首先，按照学习者基本信息和学习者行为信息得到这2个维度下的11项子维度，刻画学习者学习方式偏好和认知;其次，依据情感对交互的影响，得到情感分析维度下的3个子维度，精确分析学习者学习喜好、问题解决与学习者的情感，具体见表3，但是对于构建的初始学习者画像是否能够准确有效地支撑个性化课程推荐，本研究对初始刻画的三维学习者画像进行了子维度的分析。

1. 学习者基本信息分析

为了解学习者的基本情况，从学习者ID、学习者性别、是否为VIP、学习者等级、粉丝数与关注数等子维度统计分析，判断该维度是否适合构建学习者画像。

学习者ID：是学习者在B站中相对唯一的标识，相当于是一种“身份证”，当学习者登录系统后，系统会根据学习者ID推荐相关的课程，故认为该维度是必须存在的。

学习者性别：对采集数据中学习者的性别进行分析，发现男性学习者占42%，女性学习者占33%，且有25%的学习者不愿意透露自己的性别，可以看出性别具有差异性，有研究也表明性别对学习者具有影响[21]，因此，性别是学习者画像构建的一个重要因素。

是否为VIP：对学习者是否为VIP进行统计分析，发现不是VIP的人数达到了99.99%，只有个别学习者是VIP，所以，看出学习者大多不在意是否为VIP，故在构建学习者画像时可以忽略该维度。

学习者等级：反映的是会员在社区的活跃性，是评估学习者活跃度和黏性的一个重要属性。可通过登录、课程学习、投币、分享等方式获得等级提升，所以，学习者在社区内参与程度越高，学习者等级就越高。对学习者的等级进行了分析，等级为3的学习者有91371个，等级为4的有49725个，而等级为6的只有624个，通过统计得出学习者等级具有较大的差异性，不同等级的学习者观看课程的需求也会根据等级数有所不同，因此，学习者等级可以作为学习者画像的子维度。

粉丝数与关注数：学习者粉丝数是指其他学习者关注该学习者的人数，代表了学习者的权威性;关注数是学习者所关注的人，代表学习者的兴趣广度。据统计，粉丝数均值为46.56，关注数均值为53.33，可以看出学习者并不是一些意见领袖。粉丝数标准差为897.12，极大值为78291;关注数标准差为897.12，极大值为1896，极小值均为0，可以得出学习者之间在权威性和兴趣广度之间差异性较大，所以，对于不同学习者，需要推荐不同质量和内容的教学资源，因此，粉丝数与关注数可作为构建学习者画像的一个重要维度。

2. 学习者行为分析

为了解学习者在弹幕发送时的行为，笔者对学习者在发送弹幕时的行为进行了详细的分析，以期找出数据之间的关联性，深层次地挖掘数据含义，为学习者画像提供数据支撑。

弹幕颜色分布：将获得的数据表中的八进制颜色代码经过十六进制转码后发现，共产生了20种颜色，其中，97.80%的学习者发送弹幕的字体颜色均为默认色。由此可以说明，学习者并不像普通弹幕视频的观看者更注重字体颜色，而是更注重学习内容，所以，弹幕颜色不作为学习者画像的子维度。

弹幕模式分布：目前B站有滚动弹幕、顶端弹幕、底端弹幕和使用代码操作的高级弹幕。统计发现，96.80%的学习者选择默认模式，没有高级弹幕的发送者，该维度不作为学习者画像的子维度。

字体大小分布：通过分析学习者弹幕字體的选择，发现使用默认字体25号字体的学习者占到99.96%，而使用18号字体的学习者仅有0.04%，说明弹幕字体的大小不能用作区分学习者的特征，故不考虑该维度来进行画像构建。

时间序列分析：弹幕参数中包含自然时间维度和视频时间维度两个参数，由于自然时间的一致性，本文通过自然时间来考察弹幕行为的时间分布。从图2（a）中学习者发送弹幕数量的日分布情况可知，弹幕交互行为存在较大的波动性，不同学习者有不同的学习时间习惯，可以根据学习者的作息时间提供不同类型的课程。从图2（b）中可得出，每天弹幕发送量的波动趋势呈一致性和周期性，可以通过相似学习者的学习习惯为新的学习者推送相似检索的课程内容，因此，时间序列是学习者画像的一个重要维度。

弹幕的数量：随机抽取一门“概率论与数理统计”课程，该课程中共有173342条弹幕，50982个独立ID，经过统计人均发送弹幕的数量约为3.4条，发送一条弹幕的学习者占总体的54%，发送3条的占6%，发送10条以上的占7%，学习者有自己的表达习惯，可以根据学习者发送弹幕的习惯构建学习者画像，推荐不同弹幕数量的视频。

3. 弹幕文本分析

弹幕表达多为口语化的琐碎文字，在键盘上易编辑操作，且采用缩略形式，语义简洁，但是用词混杂，在表达上充满幽默和活力，笔者对弹幕文本子维度进行了分析。

弹幕的字数：对弹幕文字长度进行统计，其中，字数在10以内的弹幕数量有231428，占总体弹幕数量的70.46%，字数在50字以上的占比0.38%，可以看出弹幕文本以短小精悍为主基调，但是也有学习者发比较长的字符串来表达自己更深层的见解与讨论，所以，根据学习者发表弹幕文本字数的多少将学习者进行划分，匹配不同的弹幕课程，加深学习者的交互，因此，弹幕字数的分布可作为构建学习者画像的一个子维度。

字符的类型：对弹幕字符类型进行统计，发现弹幕文本中有249300个特殊字符，136782个中文字符，120666个英文字符，表明弹幕文字的表达方式能够体现出不同学习者的不同表达习惯。通过该习惯，可以推荐同一类型表达方式较多的视频，进一步促进生生交流，让学生有临场感，因此，该特征可作为构建学习者画像的一个子维度。

弹幕情感表达：弹幕文本数据所表达的情感趋势和观点对课程的选择更具有参考性，更能满足对情节内容的视频检索需求，对于课程的选择具有一定意义。因此，笔者对弹幕文本表达的情感进行了分析。由于缺乏成熟开源的弹幕情感分析方法，因此，笔者针对弹幕文本的情感分析提出了一种基于双向长短时记忆网络加注意力机制（Bi-directional Long Short-Term Memory and Attention Mechanism，BiLSTM_AM）的弹幕文本情感分析方法，从弹幕文本中判断学生的情感，从而进行课程的推荐。该模型首先通过BiLSTM层从评论中提取文本特征。其次，使用注意力机制（Attention Mechanism，AM）层来计算网络的权值。最后，引入线性输入层和Softmax层进行非线性操作，以获得学生对课程的情感状态。模型结构如图3所示，包含预处理层、输入层、隐含层和输出层。预处理层主要是对弹幕评论进行分词，根据停用词表去除低频词，该词表中包含了本实验B站弹幕分析中需要剔除的非关键词，共计2192个词条。输入层使用Word2vec工具包的Skip-gram模型，将得到的词列表转换为词向量矩阵，然后将词向量矩阵输入隐含层BiLSTM模型中，在这一层中，我们采用了AM进行权重计算，权重表示重要数据被选择的程度，权重越大，表明情感维度越高。最后在输出层通过Softmax层进行情感预测。实验结果表明，该神经网络模型在数据集上的准确率为90.28%，损失值为0.23，时间代价为2469秒，验证了BiLSTM_AM模型的有效性。

用该方法分析了所采集的328436条弹幕文本所表达的情感，其中，积极情感占51.22%，消极情感占37.12%，还有11.66%的弹幕文本表达的情感为中性，情感表达能够比较明显地反映对一门课程的喜爱程度，因此，该特征可作为构建学习者画像的一个重要子维度。

针对以上数据的分析，遵循“按需设计且不做无限细化”的构建原则，得出在学习者维度下需要的子维度为学习者ID、学习者性别、学习者等级以及粉丝数和关注数，对于学习者是否为VIP可以忽略。在行为维度需要关注的子维度是时间序列分布和弹幕数量与学习者之间的关系，可省略弹幕颜色分布、弹幕模式分布和字体大小分布等子维度。在弹幕文本维度，需要关注的子维度是弹幕的字数、字符的类型和弹幕情感表达。通过对学习者画像的研究，可以把学习者群体标签化，以便能更好地识别不同学习者，为个性化推荐提供支持服务。

四、利用学习者画像实现个性化课程推荐

笔者在实验环境中实现了基于学习者画像的个性化课程推荐，包括学习者画像的标签化处理、深度神经网络模型的构建和简单的评测过程，实验结果验证了基于学习者画像的个性化课程推荐的可行性。

（一）深度神经网络模型的构建

构建好学习者画像后，通过梳理现有的个性化推荐算法，发现神经网络具有强大的非线性拟合力、强特征提取力、高维数据处理力和强容错率，因此，采用深度神经网络进行课程推荐，结构流程如图4所示。

在数据输入模型之前，需要对学习者画像进行标签化处理。将学习者画像中的学习者ID、学习者性别、学习者等级、粉丝数、关注数、时间序列分布、弹幕数量、弹幕的字数、字符的类型和弹幕情感表达等维度分别进行数字化表示，弹幕内容用词向量进行表示。要实现个性化课程推荐，还需要将获得的在线课程表中的课程ID、课程名称、课程上线时间、课程类型和课程简介进行标签化处理，其中，课程ID、课程上线时间、课程类型通过数据字典转化为数字，课程名称和课程简介转化为向量。

对学习者画像和课程信息进行标签化处理后，在图4学习者特征提取模块中，首先，在输入层输入构建的学习者画像标签;其次，通过嵌入层将学习者画像标签特征属性矩阵分别转成向量矩阵以实现数字化，接着，将嵌入层产生的向量矩阵分别送入隐含层，在该层对学习者画像的信息做相应加权处理;最后，将处理后的隱含层矩阵合并送入输出层， 生成聚合的学习者个性化特征。在图4所示的课程特征提取模块中，首先，在输入层输入课程标签特征，产生课程基本信息特征;其次，对其做卷积处理，初始化卷积核的参数和偏置参数，指定卷积的大小和步长;然后，将卷积后的向量矩阵数据输入池化层以获得课程的全连接矩阵，此处池化层选用最大池化，激活函数选用ReLU函数;最后，通过全连接层输出学习课程特征。在图4所示的特征融合模块中，对学习者特征提取模块提取的学习者个性化特征和课程特征模块提取的学习课程特征进行特征加权计算，获得个性化课程推荐的预测评分，如公式（1）所示：

Pinference=∑∑（w0×A+w1×B）+b（1）

其中，Pinference表示预测评分，A为学习者特征，B为课程特征，b为偏差，考虑到预测评分中学习者特征与学习视频特征所占比例可能存在不平衡性，为A，B设置权重w0，w1。实验中，w0，w1，b的值分别为1、1、0。

（二）基于学习者画像的个性化课程推荐评估

当上述深度神经网络模型通过计算机训练后，获得训练好的模型，进行实验室测试，结果如图5所示。首先，以学习者的ID和选择的课程ID作为初始输入，根据学习者在线活动的学习画像，提取学习者的学习行为后，系统自动对比已有的相似学习者的学习经历，根据已有课程，自动计算相关性，依次从高到低进行推荐，也可以手动设置每次推荐前多少个课程，从而实现个性化的推荐。

其次，对推荐结果进行客观评价，使用推荐系统中常用的两个评价指标，即命中率（Hit Ratio，HR）和归一化折损累积增益（Normalize Discount Cumulative Gain，NDCG）来衡量课程推荐的性能，表达式分别如式（2）和式（3）所示：

其中，p表示某一课程，TK表示推荐的课程列表，

|t|表示测试集中课程数量，reli表示i位置推荐课程的相关性，|REL|为课程相关度的个数，K表示向用户推荐预测概率最大的前K门课程。HR，NDCG的值越大，说明推荐的效果越好。

当K等于N时，表示向学习者推荐概率最大的前N门课程。本文计算HR5、NDCG5和HR10、NDCG10的值分别为0.487、0.345和0.651、0.431，可以看出当K值越大，推荐的课程数量就越多，包含学习者喜欢的课程的概率就越大。通过与已有的不添加学习者画像的深度神经网络的课程推荐[22]结果相比较，当K为10时，该文献中HR10和NDCG10分别为0.572和0.354，也可以说明我们提出的利用学习者画像的个性化课程推荐研究能够有效提高课程推荐的命中率。

最后，选取了30名志愿者对模型进行了主观评测，每位志愿者登录系统后输入想要检索的课程，从非常符合、符合、一般符合、不符合和非常不符合五个选项中选择模型推荐结果是否符合自己的需求。笔者统计得出，30%的人认为推荐课程非常符合自己的需求;50%的人认为符合自己的需求;20%的人认为不符合，没有人认为推荐的课程非常不符合自己的需求。说明笔者提出的方法能够实现个性化课程推荐，同时通过动态更新学习者画像和课程信息，能够使深度神经网络不断识别出学习者新的学习需求，从而推荐新的个性化课程资源。

五、结   语

本文结合人工智能技术，利用学习者画像实现了个性化课程推荐服务，从模型的测试、客观评测和主观评测三个方面说明了利用学习者画像实现个性化课程推荐服务的可行性。但依然存在以下不足：首先，学习者画像指标的确立需要进一步细化完善;其次，神经网络的超参数需要进一步计算，同时要提高主观评测的有效性。未来将进一步改进个性化课程推荐服务，使其能够应用到B站课程推荐中，减少学习者“迷航”问题。

[参考文献]

[1] 刘海鸥，孙晶晶，苏妍嫄.国内外用户画像研究综述[J].情报理论与实践，2018，41（11）：155-160.

[2] MAHAMMED A， RAWIAN R M. English learning motivation of first-year students in universiti sultan zainal abidin（unisza）[J]. Asian Tefl journal of language teaching and applied lingus， 2018， 1（1）： 79-90.

[3] 刘智，杨重阳，刘三女牙.SPOC学习者认知行为及序列模式的差异性分析[J].开放教育研究，2019，25（2）：44-52.

[4] JASWINDER S， NIRMAL S， VERMA HK. A scoping study on learning style， gender and academic performance of veterinary students of punjab， india[J]. Indian journal of extension education. 2020，56（1）：70-76.

[5] 张雪，檀悦颖，罗恒.在线学习非母语学习者群体研究：类别画像与行为特征分析[J].现代远距离教育，2019（1）：18-26.

[6] SCHROEDER N L， FAN Y， TANVI B， et al. The influence of learners' perceptions of virtual humans on learning transfer[J]. Computers and education， 2018，126（11）：170-182.

[7] PIECH C， SPENCER J， HUANG J， et al. Deep knowledge tracing[J]. Computer science， 2015， 3（3）： 19-23.

[8] ZHANG J H， ZHANG Y X， ZOU Q， HUANG S. What learning analytics tells us： group behavior analysis and individual learning diagnosis based on long-term and large-scale data[J]. Educational technology and society，2018（1）：245-258.

[9] 肖君，乔惠，李雪娇.基于xAPI的在线学习者画像的构建与实证研究[J].中国电化教育，2019，384（1）：128-134.

[10] 余胜泉，陈敏.泛在学习资源建设的特征与趋势——以学习元资源模型为例[J].现代远程教育研究，2011（6）：14-22.

[11] LI Y， SHAO Z， WANG X， et al. A concept map-based learning paths automatic generation algorithm for adaptive learning systems[J]. Quality control， transactions， 2019（7）：245-255.

[12] WANG P， WOLFRAM D， ZHANG J， et al. Mining web search behaviors： strategies and techniques for data modeling and analysis[J]. Proceedings of the american society for information science and technology， 2010， 44（1）：1-8.

[13] 陈海建，戴永辉，韩冬梅，冯彦杰，黄河笑.开放式教学下的学习者画像及个性化教学探讨[J].开放教育研究，2017，23（3）：105-112.

[14] 牟智佳，李雨婷，商俊超.教育大数据环境下基于学习画像的个性化學习路径设计研究[J].中国教育信息化，2019（11）：55-59，65.

[15] 唐烨伟，茹丽娜，范佳荣.基于学习者画像建模的个性化学习路径规划研究[J].电化教育研究，2019，40（10）：53-60.

[16] 师亚飞，彭红超，童名文.基于学习画像的精准个性化学习路径生成性推荐策略研究[J].中国电化教育，2019，388（5）：84-91.

[17] 王晶莹，杨伊，郑永和.从大数据到计算教育学：概念，动因和出路[J].中国电化教育，2020（1）：85-92.

[18] 尹子璇.B站发布三季度财报：单月活跃用户破2亿，营收32.3亿元再创新高[EB/OL].[2021-08-01].https：//new.qq.com/omn/20201119/20201119A0391J00.html，2020-11-19.

[19] 武法提，牟智佳.基于学习者个性行为分析的学习结果预测框架设计研究[J].中国电化教育，2016（1）：41-48.

[20] 牟智佳，武法提.电子书包中基于学习者模型的个性化学习资源推荐研究[J].电化教育研究，2015，36（1）：69-76.

[21] 张成龙，李丽娇，李建凤.基于MOOCs的混合式学习适应性影响因素研究——以Y高校的实践为例[J].中国电化教育，2017（4）：60-66.

[22] 卜祥鹏.基于GRU和课程关联关系的推荐模型[J].软件，2020，41（6）：137-142.