基于深度学习的个性化学习推荐机制研究

摘要：随着教育信息化、个性化和智能化的发展，让机器读懂学生挖掘其背后隐性特征，实现自适应学习和个性化发展是目前研究面临的重要问题。基于此，文章提出了一种基于深度学习的自适应个性化学习推荐模型。首先，所构建的学习者模型通过分析学生的显性和隐性特征，揭示其深层次的语义关联；其次，设计综合性的教育知识图谱，旨在通过语义表示法精确地描述和组织教育领域的知识结构；最后，通过融合知识图谱与卷积神经网络技术，开发了一种自适应个性化学习推荐机制。该算法能够根据学生的个人特点和学习需求，进行规则和语义层面的智能匹配，实现个性化的学习资源推荐。

关键词：在线学习；知识图谱；个性化学习；推荐系统

中图分类号：TP311文献标志码：A

0 引言

近年来，随着互联网技术的发展，大规模在线教育资源平台受到了学者、研究人员的广泛关注。在线教育资源平台中的海量学习资源让用户面临“信息过载”的新挑战。在线教育作为教育信息化发展的新远景是一种个性化学习的服务，资源建设中个性化资源的推送服务成为实现个性化学习的重要前提。因此，对不同学习者推送适合其学习的不同学习资源恰恰是教育研究个性化学习服务的本质。

许多学者进行了深入探索，结合系统的交互特征，提出了不同的推荐算法［1］。章琪等［2］提出了基于图注意力的神经协同过滤社会推荐模型，该模型基于学习者-学习资源交互图和社交网络图，通过多头注意力机制多角度地学习用户和资源的潜在因子。张壮壮［3］提出了一种基于加权相似度的协同过滤推荐算法，通过度量学习者（资源）之间的相似性来选择邻居，再根据邻居的兴趣生成推荐，因此所选邻居的质量将决定系统推荐结果的质量。吴正洋等［4］从学习推荐通用框架、学习推荐对象建模、学习推荐算法、学习推荐评价4个方面梳理和解读推荐系统的总体设计思路，不能脱离学习活动的规律。

综上所述，本文基于在线学习平台进行研究，主要对学生行为特征和学习资源进行研究分析，并在此基础上扩展学生行为轨迹。通过平台获取大量学生学习动态数据和视频图片数据，利用大数据、人工智能等技术，挖掘、分析学生的学习行为，研究其行为特征轨迹，从而对学生进行学习分析，这对现在的信息技术与教育教学深度融合问题研究有着极为重要的研究价值。

1 构建自适应个性化学习资源推荐模型的目标

本文旨在通过识别在线学习者的行为特征和兴趣，提供个性化反馈和资源推荐，以提升学习效率。主要确立了如下3个方面的研究目标。

1.1 建立基于在线学习环境中显性和隐性的学习者特征模型

本文以学习者的学习兴趣为核心，通过分析学习者的学习行为、学习偏好、学习成就等多方面的数据，构建了一个全面、动态的学习者特征模型。该模型不仅关注学习者的知识水平和认知能力，还充分考虑学习者的偏好和动机因素，以更准确地描述学习者的个性特征和需求。

1.2 创建领域（教育）知识图谱模型

该模型基于教育领域的大量数据和知识资源，通过数据清洗、实体识别、关系抽取等步骤，构建一个结构化的知识网络。该网络包含教育领域中的各种概念、实体以及相关关系，能够清晰地展示教育领域的知识结构和语义关联，实现对教育领域知识的全面覆盖和深度挖掘，为教育工作者、学习者和管理者提供更加准确、全面和个性化的知识服务。

1.3 基于深度学习的自适应学习推荐模型

该模型旨在通过分析学习者的学习行为，为学习者提供个性化的学习资源和学习路径，以促进学习者的学习效果和兴趣发展。依据学习者的掌握程度和兴趣偏好，智能模型能够灵活调整教学内容与方法，从而精准满足个性化的学习需求。

2 自适应个性化学习资源推荐模型的设计与实现

2.1 学习者理论模型构建

本文将学习者的特征划分为2个主要类别：显性特征与隐性特征。如图1所示。

显性特征涵盖了个人的基础信息和相对稳定的个人特征，主要包括学习者的基本信息、认知能力、知识水平等。在这些特征中，学习者的基本信息能够在系统注册阶段通过填写的资料来收集，而认知能力、知识水平和学习风格则可以通过量表和测试来确定学习者的初始状态模型。认知能力反映了个体对认知过程的自我监控和调控技能，涵盖了观察力、抽象思维、归纳推理、记忆力、分析力、信息提取能力和想象力等要素。知识水平主要反映了学习者对特定知识的掌握情况，依据布鲁姆的认知领域目标分类，可划分为记忆、理解、应用、分析、综合和评价6个层次。

隐性特征主要指从学习者与智慧环境双交互过程中产生的大量行为数据进行表征、提炼、推理、演绎来的个体特征，是动态跟踪迭代的结果。将学习者线上学习表现通过多维度准确细致地呈现出来，隐性特征包含学生视线、头部姿态、人体姿态、表情、语音、脑电、手势等。隐性特征与显性特征既相互验证，又相互修正，共同作用于学习者模型。一个完整的学习者模型可以准确地分析学习者对资源的需求，便于个性化推荐。

2.2 构建学习资源模型——领域（教育）知识图谱

以知识图谱作为发现海量数据的手段是非常必要的。一方面，知识图谱将知识发现作为核心；另一方面，知识图谱是本研究真正理解学生需求的基础，能给出准确的教育资源推送。本研究引入知识图谱构建的领域知识图谱模型如图2所示。将领域知识元素界定为学科本体和学习资源，学科本体进一步由学科中的关键实体及其相互关系组成，而学习资源涵盖了视频、微课程、教学方案、学习案例、幻灯片等多种教学材料。以物理学科为例，常见的实体类型包括基本概念、定理（公式、公理）、科学思想、能力培养、科学素养、研究方法和具体知识点等。

教育知识图谱的构建过程如下。一是，构建教育知识图谱模型的重点在于教育知识图谱的数据结构化，实现对客观教育资源的知识映射，得到DataLevel数据层。二是，研发人员须自底向上构建SchemaLevel模型层，其本质是构建本体，包含概念、属性、关系、定义域、值域等。模型层要做到知识提炼、满足查询。添加Rules规则、Axioms原理，表达更复杂的约束。三是，通过机器学习训练或者人工过滤的方法，研究人员检测其不一致性。四是，研究人员进行推理、排序以及相关模式的挖掘。五是，研究人员对互联网进行抽取，得到更多半结构化及非结构化的数据，包括大量相关的教育行为事件，对系统进行拓展。

2.3 基于深度学习的个性化学习推荐模型

本研究以提升“学习投入度、知识掌握能力、情感学习体验、沟通协作技巧、主观能动性”为核心目标，设计了开放式智能代理（Agent）、反馈结果可视化工具、情感计算引擎以及环境适应引擎4大支持系统，旨在辅助和引导学习者进行感知反馈、管理反馈流程、加强反思性评价、维持学习动力以及情感处理，从而实现学习者与智能学习平台之间的有效双向互动。在该模型中，交互层面起到至关重要的作用，不仅连接了学习者与在线学习平台，而且体现了学习者与在线学习平台之间的双向反馈机制。这一机制包括“自适应模块—适应性推荐—学习者”的单向推荐流程以及“自适应模块—支架层—学习者”的双向调节过程。双向调节主要通过支架层来实现，该层综合运用了语言、文字、图像、情感以及自我感知等多种交互方式。通过运用多模态交互技术和虚拟现实技术，支架层极大地促进了学习者对反馈内容的深入理解与有效响应。个性化学习推荐模型如图3所示。

通过该模型，学习者的学习由认知过程进一步扩大为兴趣过程，从而构建更加准确且有建设性的评价与反馈机制；该模型旨在提升学习成效，致力于协助学习者清晰地洞察自身学习现状，以便及时进行学习策略的调整与学习计划的优化，从而实现个性化学习。

3 结语

本文通过在线学习平台获取在线学习视频资源和学习者行为数据，通过对学习者的显性和隐性特征进行分析得到不同的学习情况，从而为学习者进行学习推荐和干预，如邮件提醒、屏幕弹窗、手环震动、访谈、心理评估等。所提方法结合学习内容、学习者的日志数据、人机互动数据，深入挖掘影响学习成效的关键因素；利用深度学习技术，建立自适应推荐模型，实现动态反馈和干预优化，帮助学习者实时监控学习进度，并根据反馈调整学习策略。这种方法不仅提高了学习的个性化程度，还为学习者提供了更为科学和有效的学习支持。

参考文献

［1］RATHOD V N，GOUDAR R H，KULKARNI A，et al. A survey on E-learning recommendation systems for autistic people［J］. IEEE Access，2024（12）：11723-11732.

［2］章琪，于双元，尹鸿峰，等.基于图注意力的神经协同过滤社会推荐算法［J］.计算机科学，2023（2）：115-122.

［3］张壮壮.基于加权相似度的协同过滤推荐算法研究［D］.南京：南京信息工程大学，2022.

［4］吴正洋，汤庸，刘海.个性化学习推荐研究综述［J］.计算机科学与探索，2022（1）：21-40.

Research on personalized learning recommendation mechanism based on deep learning

Abstract： With the development of informatization， personalization and intelligence in education， it is an important issue for research to let machines read and understand students to explore the hidden features behind them to achieve adaptive learning and personalized development. This paper proposes an adaptive personalized learning recommendation model based on deep learning. Firstly， a learner model is constructed to reveal the deep semantic associations of students by analyzing their explicit and implicit features. Secondly， a comprehensive educational knowledge graph is designed， aiming to accurately describe and organize the knowledge structure of the educational domain through semantic representation. Finally， by fusing the knowledge graph with convolutional neural network technology， an adaptive personalized learning recommendation mechanism is developed. An adaptive personalized learning recommendation mechanism is developed， which is an algorithm capable of intelligently matching at the rule and semantic levels according to students’ personal characteristics and learning needs to achieve personalized learning resource recommendation.

Key words： online learning; knowledge graph; personalized learning; recommender systems