基于JavaEE的海量学习资源分析平台的设计与实现

孙滨 邱雪峰

摘要：当前学习资源规模较大，导致分析难度较大，分析结果可靠性较低，为此，提出基于JavaEE的海量学习资源分析平台设计与实现研究。将具有强大存储功能的SDBPNPZ-256G-XI存储器和稳定转换功能的523-FCE17A15AD290适配器作为平台的硬件环境，利用JavaEE从存在需求角度对资源进行二级化处理，根据待分析资源的相似性和参数跨度实现对其的分析。测试结果：设计平台对资源所属类别的分析结果准确率可以达到98.8%，对于资源属性的分析结果准确率可以达到96.15%。

关键词：JavaEE;学习资源;存在需求;二级化处理;相似性;参数跨度

中图分类号：TP311      文献标识码：A

文章编号：1009-3044（2022）19-0061-02

在当前的社会大环境下，对于资源的竞争越演越烈，不断寻求更加科学高效的资源管理机制也是提高资源应用价值的重要途径之一，而实现这一目标也离不开对资源的有效分析[1]。以往依赖经验的资源分析方式不仅对于资源深层特征的开发不具有积极作用，对分析结果维护的难度也相对较大，这就直接导致后期资源管理成本较高，周期较长，无法保证资源的应用效果[2-3]。基于此，本文提出基于JavaEE的海量学习资源分析平台设计与实现研究。分别从硬件和软件的角度对平台进行构架和设计，并通过试验测试验证了设计平台的实际应用效果。通过本文的研究，也期望为学习资源的分类管理、智能化推荐等工作的开展提供有价值帮助。

1 硬件设计

1.1 存储器

学习资源的规模较大，为此要求平台能够适应长期以及临时存储的需求。本文选择SanDisk公司生产的SDBPNPZ-256G-XI作为平台的存储装置[4]。存储器的SSD可以连续处理读写，测量平均最大功率可以达到至少10个命令/秒，每个命令的传输大小为128KB，读取间隔为1秒。在25°C下测量，可因输入电压和环境温度变化而变化。

1.2 连接装置

由于学习资源的来源不同，因此对学习资源的分析需要平台建立可靠的连接装置，本文选用Amphenol Commercial Products公司生产的523-FCE17A15AD290适配器作为平台的转换连接装置。组件本身具有优异振动和防潮性能，接线片与焊料型触点为不可拆卸连接方式，降低了人为因素造成的连接问题[5]。压接式连接器利用支持设备的应用程度实现对数据的转换和传输。采用坚固的铝外壳和外围密封，连接器满足所有适用的再租赁要求。但其与Mll-c-24308的连接要求并不适配，与其他超小型产品一起使用时不会造成平台运行负载异常问题。所用的电压数据均为交流（MMS），频率为60 Hz，在约25℃，50%的耐温性下测量，触点压降最大为2.67毫伏，每安培触点分离力为1至8盎司。正确接线和封装时，空气泄漏压差为30 psig;当振动超过试验时，最大为1立方英寸/小时。耐湿性超过MLL-STD-202A方法106的要求（根据MIL-C-24308）冲击超过了MIL-STD-202A方法213的要求，具有良好的应用性能。图1为结构拓扑图。

2 软件设计

2.1 基于JavaEE的资源约束指标

JavaEE可比较方便地实现数据库的储存，在安全性高的同时还可实现一次编写随处运行的特点。JavaEE技术还为企业开发者提供了一个良好的体系结构，该技术支持XML、JSP、EJB等。JavaEE是一种分布式多层次框架，其具有很多组件，JavaEE可以分为4层，其结构见下图2。

线性学习资源分析策略会致使虚拟机与物理服务器之间形成一种长期的绑定关系，导致针对单个属性的资源分析策略产生负载的不均衡的问题[6]。为此，本文利用JavaEE，首先从存在需求的角度对云端虚拟机内存中的学习资源进行基础判断。受云端接收访问请求数量以及频率的影响，虚拟机被部署在具有空闲CPU的物理服务器上时，学习资源是以被动的形式存在的。为此，本文借助JavaEE对资源请求与目标之间的匹配关系进行一致化处理，并将得到的结果存储到SDBPNPZ-256G-XI数据库中，当再次出现同类型请求时，将SDBPNPZ-256G-XI数据库中的资源作为优先调度内容，当其满足请求时，则将其作为深度学习的目标，并在平台中将其定位为该类问题的首要存在需求;当不满足请求时，则将其作为该类请求次要存在需求[7]。通过这样的方式，就可以形成以主次形式存在的资源分类模式，以每类资源内的中心数据作为基础，以满足请求该类达到50%的范围作为半径，对学习资源进行约束。以此为后续更多资源的分析工作提供基础。

2.2 学习资源分析

在上述基础上，平台在实现对众多学习资源的分析时，既要考虑分析的效率，又要兼顾分析的可靠性。因此，本文利用523-FCE17A15AD290建立起不同来源待分析资源与基础资源之间的连接关系[8]。以基础资源为判断基础，从相似性和参数跨度两个角度对资源进行分析。

关于相似性的判断，主要包括执行时间、传输时间、内容表述方式、关键词几个方面。结合层次分析法，将每项指标的相似性分别由两部分组成，分别是与首要存在需求资源的相似度以及與次要存在需求资源的相似度。其中，最终相似度的结果是以执行时间、传输时间、内容表述方式、关键词的实际值与权重值的乘积之和决定的[9-10]。在赋权阶段，本文结合学习资源分类要素的组成，构建的赋值结果分别为0.1，0.1，0.4，0.4。同时，为了适应不同二级化处理结果，本文对相似度结果的判断结果划分标准设计如表1所示。

当相似度满足表1的标准时，则对其的分析结果即为对应的对比类别。对于参数跨度的计算，只要是针对相似度分析结果不明确的资源而言的。当待分析的学习资源与虚拟机中学习资源在需求特性并未形成明确的相似关系时，平台以参数跨度最小长度原则实现对资源的分析。对此，首先采用K-均值聚类算法将不同资源状态下的关键词进行聚类，以簇边界作为不同类别的分割点，以此得到待分析资源与每个平台基础资源之间的跨度关系，将跨度最小的类别作为最终的分析结果。通过这样的方式，实现对海量学习资源的准确分析。

3 应用测试

3.1 测试数据准备

为了提高测试结果的可靠性，实验采用的数据来自某初中教学辅导应用程序，其中包含初中阶段所有学科的学习资源。系统采用[MyEclipse7.0]结合[Deamweaver8]开发。[Web]服务器的操作系统为[Windows  ][Server2003]企业版，用[Tomcat6.0]作为JavaEE运行环境和对外提供[Web]服务，用[Windows] [Server2003] 结合[MySQL5.0]作为数据库服务。本文采用随机选择的方式在数据库中抽取1000条学习资源作为测试数据。以此为基础，定义不同学科特征中心为分类标准。得到实验数据的具体构成如表2所示。

3.2 测试结果与分析

将上述数据输入到平台中，按照分析结果将其对应到不同的学科中，计算其分析结果的可靠性，其结果如表3所示。

从表3中可以看出，本文设计平台对学习资源的分析结果具有较高准确度，在1000条测试数据中，错误率仅为1.2%。表明设计平台可以实现对资源特征的有效判断，分析结果具有较高的可靠性。

为了进一步分析平台对资源的精细化分析效果，对英语资源中的数据进行具体的类别分析，分别将其划分为单词学习资源、语法学习资源、口语学习资源、写作学习资源，最终得到的结果如表4所示。

从表4可以看出，平台对于学习资源的精细化分析同样具有较高的准确度，仅在单词学习资源和语法学习资源的分析上出现了1次混淆。这是因为本文设计平台对资源的分析是分层次逐级进行的，分析结果的自监督能力更强。

4 结束语

学习资源的丰富为自主、全面学习提供了极大的便利，但与此同时，如何在海量信息中快速提取出满足用户使用需求的资源，如何实现对目标资源的快速定位都离不开对学习资源属性特征的正确判断。为此，本文从学习资源的角度出发，以其自身的属性特征为分析对象，为资源的高效利用提供了可靠基础。

参考文献：

[1] 王博.以良好干预为目的的在线学习行为分析系统构建研究[J].电子世界，2021（2）：98-99，102.

[2] 孫飞鹏，于淼，汤京淑.基于知识图谱的汉语词汇学习资源推荐研究——以HSK三级词汇为例[J].现代教育技术，2021，31（1）：76-82.

[3] 郭学品，韦小妹.混合式教学模式下大学计算机公共课学习资源评价探讨[J].创新创业理论研究与实践，2021，4（3）：25-26，32.

[4] 李乡儒，梁惠雯，冯隽怡，等.在线教育平台中个性化学习资源推荐系统设计[J].计算机技术与发展，2021，31（2）：143-149.

[5] 谢盼.面向终身学习教育的智能学习平台的设计与实现[J].吉林广播电视大学学报，2020（12）：61-63.

[6] 刘权纬，王兴辉，蒋红星.中小学教师混合研修中生成性学习资源使用意向影响因素研究[J].现代远距离教育，2020（6）：24-34.

[7] 邱春红.大数据环境下面向社会招生人员学习资源采集与智能推送策略研究[J].工业控制计算机，2021，34（4）：129-130，139.

[8] 覃忠台，张明军.基于协同过滤算法的学习资源推荐模型研究[J].计算机技术与发展，2021，31（9）：31-35.

[9] 吴晨旭，王笑斌，段凯歌.基于JavaEE的大学生创新创业项目管理平台的设计与实现[J].物联网技术，2021，11（9）：87-88，91.

[10] 李海峰，王炜.在线学习社区的知识共享质量影响因素：以学习者书评质量分析为例[J].现代远距离教育，2021（5）：12-23.

收稿日期：2021-12-05

基金项目：2021年河南省大学生创新创业训练计划项目（项目编号：S202112747005）;2020年度河南省新工科研究与实践支持项目（编号：2020JGLX090）;河南省教育厅高等学校重点科研资助项目（项目编号：22B520040）;河南省教育厅高校青年骨干教师培养资助项目（项目编号：2019GGJS279）;2021年教育部高等教育司产学合作协同育人资助项目（项目编号：202102633007）

作者简介：孙滨（1983—），男，河南遂平人，副教授，硕士，研究方向为机器学习与教育大数据。