基于“新财经”教育理念的课程推荐算法及其仿真

摘要：课程推荐算法能够帮助在线教育平台用户选择所要学习的财经类课程。然而，现有课程推荐算法均根据用户的偏好兴趣进行推荐，不利于用户构建完善的知识体系。为此，本文以“新财经”教育理念为指导，在已有研究基础上，提出了“新财经”课程推荐算法，并通过仿真实验，对比了“新财经”课程推荐算法与协同过滤推荐算法。结果表明，当用户希望构建完善的知识体系，并以此为学习目标时，“新财经”课程推荐算法具有更好的性能。

关键词：“新财经”;课程推荐算法;仿真分析

中图分类号：G642  文献标识码：A  论文编号：1674-2117（2021）24-0109-04

● 引言

当前，在线教育已经成为财经类院校学生学习相关课程的重要途径。学生可以通过中国大学MOOC、爱课程及雨课堂等在线教育平台学习相关课程，从而对课堂教学加以补充。然而，这些平台上所提供的课程涵盖多个学科，且数量繁多，这使得用户在选择课程时面临信息过载，难以做出合理选择的问题。为此，在线教育平台往往会提供课程推荐服务，向用户推荐其可能感兴趣的课程，引导用户选择合适的课程。

但值得注意的是，当前的在线教育平台所使用的课程推荐算法，其工作原理是通过用户的行为数据（用户学习过或浏览过哪些课程）分析用户的偏好，然后向用户推荐与其偏好相匹配的课程。这样的推荐方式，虽然可以较好地了解用户的兴趣偏好，使用户对所推荐的课程更感兴趣，但是对于当今的财经教育而言，此种推荐方式却亟待改进。

当今时代，由于大数据、物联网、区块链以及人工智能等技术的广泛应用，共享经济、平台经济等新模式、新业态大量涌现，对财经教育提出了新的要求，那就是培养知识全面的复合型人才。而现有的推荐算法是根据用户偏好推荐与之匹配的课程，这样做将会固化用户的兴趣偏好，使用户难以接触到其他领域的知识，不利于用户成为当今社会所需的复合型人才。

为了适应新时代对财经教育的要求，笔者所在院校提出了“新财经”教育理念：从财经知识、信息技术、职业素养、国际视野以及家国情怀这五个维度，全面梳理财经类课程体系，力图培养知识丰富、技能熟练、素養深厚的新型财经人才。本文的创新之处就是在现有课程推荐算法的基础上，以“新财经”教育理念为指导，针对在线教育平台，改进课程推荐算法。新的算法力图通过所推荐的课程，帮助用户实现符合时代要求的财经知识的合理建构。仿真实验结果表明，与传统的协同过滤推荐算法（Collaborative Filtering Recommendation，CFR）相比，本文所提出的基于“新财经”的课程推荐算法（简称为“新财经”课程推荐算法，Recommendation for Courses Basing on“New Finance”，RCBNF）具有更优越的性能，包括更高的正确率、查全率与精确率。

● 研究现状

教育界非常重视智能推荐算法的应用（Gonzalez-Manzano & de Fuentes，2019）[1]，在国内，以北京大学为代表的重点院校广泛应用课程推荐系统，以帮助学生选课（徐扬等，2017）。[2]为此，相关学者针对课程推荐算法进行了深入研究。

在众多推荐算法当中，协同过滤推荐算法（CFR）在业界的应用最为广泛，为此，Symeonidis & Malakoudis（2019）[3]等很多学者基于CFR研究课程推荐。随着人工智能技术的发展，学界尝试应用LSTM网络（王素琴和吴子锐，2019）[4]、最近邻算法（Esteban et al.，2020）[5]以及深度学习（李浩君 等，2019;Guan et al.，2019）[6，7]等人工智能技术创新推荐算法，以期提升推荐算法的性能。由于行为科学逐渐受到学界重视，以李浩等人（2020）[8]与Rawat et al.（2020）[9]为代表的部分学者希望能够准确刻画学习者的行为特征，进而改进课程推荐算法。此外，还有部分学者，如De Medio et al.（2020）[10]，对经典课程推荐算法加以改进，将其应用于新的技术平台，希望能够在新的技术平台上提升算法性能。

通过梳理现有相关文献可知现有课程推荐算法的基本原理是先挖掘学习者的兴趣偏好，然后推荐符合这些兴趣偏好的课程。然而，这样会固化学习者的兴趣偏好，使之疏离于那些与其兴趣偏好不匹配但却非常重要的课程，从而导致学习者难以构建完善的知识体系。

● 融入“新财经”理念的课程推荐算法

现有的课程推荐算法重视学习者的兴趣偏好，但却不利于学习者的知识建构。为了解决这一问题，本节将“新财经”教育理念融入成熟的协同过滤推荐算法，构建了基于“新财经”的课程推荐算法RCBNF，力图使所推荐的课程有助于学习者建构知识体系。

1.“新财经”教育理念

“新财经”是笔者所在学校在“新文科”教育理念的基础上，面向新时代财经人才需求所提出的财经教育指导思想，认为财经教育应涵盖以下五个维度，而“新财经”教育的核心理念就在于通过这五个维度的课程，使学生建构完整的财经知识体系。

（1）财经知识，即“经济学、管理学等财经知识课程。

（2）信息技术，即大数据、物联网、区块链、人工智能与5G等前沿的信息技术课程。

（3）职业素养，即职业技能培训等相关课程。

（4）国际视野，即国际交流所需的语言、文化等相关课程。

（5）家国情怀，即思想道德、形势政策等相关课程。

2.“新财经”理念下的课程推荐算法

在“新财经”教育理念的启发下，笔者认为，财经教育相关课程与财经知识、信息技术、职业素养、国际视野以及家国情怀这五个维度均存在不同程度的关联。例如，商业数据分析这门课程，与财经知识和信息技术维度密切相关，而且数据分析能力是当前很多用人单位所重视的，所以，该课程也有助于培养学生的职业素养;与此同时，学习商业数据分析还可以帮助学生了解国际经济形势，理解新时代下的中国经济发展路径，从而扩展国际视野，培养家国情怀。因此，在RCBNF算法中，将每门课程定义为一个向量，记作，由五个维度共同刻画，见式（1），其中， =1，2，3，4，5，分别代表财经知识、信息技术、职业素养、国际视野以及家国情怀。

（1）

通过向量定义课程之后，就可以计算课程之间的相似度。RCBNF算法采用相似度公式计算课程与之间相似度，见下页式（2）。计算课程之间的相似度后，就需要对备选课程进行排序，从而选择所要推荐的课程。现有的课程推荐算法（如CFR算法）的原理是推荐那些与用户已学课程相似度最大的课程，然而，这却不利于用户建构完善的知识体系。仍以商业数据分析课程为例，该课程侧重于财经知识、信息技术与职业素养这三个维度，与国际视野和家国情怀这两个维度的关联程度较小，所以当用户已经学过商业数据分析之后，需要向用户推荐与国际视野和家国情怀这两个维度更为相关的课程，从而使所推荐的课程与用户已学课程共同构成完善的知识体系。因此，与现有推荐算法相区别的是，RCBNF算法所要推荐的课程是与用户所需课程相似度最小的个课程。

（2）

● 算法仿真与分析

提出RCBNF算法之后，还需要将该算法与现有课程推荐算法进行比较分析，从而检验RCBNF算法的性能。为此，笔者根据现实中的课程学习与选课行为数据进行仿真实验，对比RCBNF算法与CFR算法的性能。

1.仿真实验

由于RCBNF算法尚未应用于在线教育平台，因此，可通过离线实验评估算法的性能，基本思想是：将河北经贸大学“新财经”数字经济实验班教学计划当中所列的课程作为课程数据进行仿真分析;将所有的必修课作为已学课程，将选修课程作为备选的推荐课程，分别通过RCBNF算法与CFR算法，计算应将哪些选修课推荐给学生。仿真实验的具体步骤是：

Step1：评估关联度。应用“德尔菲法”为每门课程与每个维度的关联度评分，取值范围是0～1，从而将每个课程定义为一个五维向量。

Step2：计算相似度并排序。将所有课程都定义为五维向量之后，根据式（2），计算每门选修课与每门必修课之间的相似度，每门选修课与所有必修课的相似度之和即为该选修课与已学课程的相似度。将每门选修课与已学课程的相似度进行排序，根据RCBNF算法（或CFR算法），相似度最小（或最大）的个选修课即为所要推荐的课程。

Step3：问卷调研。通过问卷调研，请学生以构建完善知识体系为目标，选择希望学习的选修课，进而统计学生选择了哪些课程，然后将统计数据与RCBNF算法以及CFR算法所推荐课程进行对比，计算两种算法的准确率、查全率和精确率，从而对比两种算法的性能。

2.与CFR算法的对比分析

将RCBNF算法以及CFR算法所推荐的课程与调研问卷当中所统计的学生希望选修的课程进修对比，从而计算两种算法的正确率、查全率和精确率，分别如图1、图2与图3所示。

首先对比两种算法的正确率与查全率。根据图1和图2可知，随着推荐课程数量的递增，RCBNF算法的正确率与查全率都有迅速的提升，然而CFR算法却需要在推荐课程数量较多的时候（在仿真实验当中，≥8），正确率与查全率才会有较为明显的提升。再对比两种算法的精确率。由图3可知，随着推荐课程数量的递增，CFR算法的精确率明显下降，而RCBNF算法却能保持较高的推荐精确率。此外，根据算法性能对比图可知，随着推荐课程数量的递增，RCBNF算法的正确率、查全率和精确率均不低于CFR算法，且推荐课程数量越多，RCBNF算法在性能方面的优势越明显。由此可见，RCBNF算法优于CFR算法。

● 结论

本文根据“新财经”教育理念，在现有的课程推荐算法的基础上加以创新，提出了能够帮助学生构建更为完善的知识体系的“新财经”课程推荐算法，并且将该算法与传统的协同过滤推荐算法进行对比，从而论证了“新财经”课程推荐算法具有更好的性能。

参考文献：

[1]González-Manzano L，de Fuentes J M.Design recommendations for online cybersecurity courses[J].Computers & Security，2019 （80）：238-256.

[2]徐揚，步一，贺易之，等.信息资源建设视阈下高校课程定制与课程推荐初探[J].现代情报，2017，37（03）：57-61+125.

[3]Symeonidis P，Malakoudis D.Multi-modal matrix factorization with side information for recommending massive open online courses [J].Expert Systems with Applications，2019（118）：261-271.

[4]王素琴，吴子锐.利用LSTM网络和课程关联分类的推荐模型[J].计算机科学与探索，2019，13（08）：1380-1389.

[5]Esteban A，Zafra A & Romero C. Helping university students to choose elective courses by using a hybrid multi-criteria recommendation system with genetic optimization[J].Knowledge-Based Systems，2020（194）：105.

[6]Guan Y，Wei Q & Chen G.Deep learning based personalized recommendation with multi-view information integration[J].Decision Support Systems， 2019（118）：58-69.

[7]李浩君，张征，郭海东，等.深度学习视角下的个性化学习资源推荐方法[J].现代远程教育研究，2019，31（04）：94-103.

[8]李浩，余雪，杜旭，等.基于学习者时空特征的移动学习资源推荐模型研究[J].现代教育技术，2020，30（10）：13-19.

[9]Rawat B，Samriya J K，Pandey N，ect. Enriching‘user item rating matrix’with resource description framework for improving the accuracy of recommendation in E-learning environment[J].Materials Today：Proceedings， 2020， doi.org/10.1016/j.matpr.2020.09.701.

[10] De Medio C，Limongelli C，Sciarrone F，ect.MoodleREC：A recommendation system for creating courses using the moodle e-learning platform[J].Computers in Human Behavior， 2020（104）：106.

作者简介：李伟，男，河北经贸大学商学院副教授，研究方向为电子商务、信息管理。

基金项目：河北省高等教育学会“十四五”规划课题（项目编号：GJXH2021-072）。