深度学习理论视角下的移动学习推荐系统的设计和研究

徐正巧, 赵德伟

摘 要：计算机技术和通信技术的迅猛发展，促使移动教学和深度学习在教育领域成为新的研究热点。首先阐明了深度学习的内涵和特征，并依此为理论基础，研究和探讨了深度学习在移动推荐系统中的应用，实现移动推荐系统的设计。

关键字：深度学习；移动学习；移动推荐系统

中图分类号：TP393 文献标识码：A 文章编号：2095-2163（2014）02-

Design and Research of Mobile Learning Recommender System Under the Perspective of Deep Learning

XU Zhengqiao， ZHAO Dewei

（Experimental Center ， China West Normal University， Nanchong Sichuan 637000， China）

Abstract： During the rapid development of computer technology and mobile communications technology， to promote teaching and learning in depth learning of the field of education to has become the new Hotspot. The text clarifies the meaning and characteristics of depth learning， and according to this theory， the paper studies and explores the depth learning in mobile recommender systems， to achieve design mobile recommender system.

Keywords： Deep Learning； Mobile Learning； Mobile Recommender System

0引 言

随着推荐技术的不断成熟和移动互联网的迅猛发展，各种移动智能设备在人们的日常生活中开始发挥重要作用，社会发展已经进入移动互联网和大数据时代，传统高等院校教育已经难以满足日益增长的个人学习需求。

移动通信技术的发展，智能设备的普及以及移动学习的推广，使人们通过移动设备和移动互联网络开展并实施移动教育已然成为现实。但是移动设备的屏幕小、处理能力差、输入能力差、无线网络的带宽也不够发达等因素，使移动教育出现了 “信息过载”问题，并且在很大程度上移动学习仍停留在一种初级水平，学习效果也并未获得显著提高。信息化的知识经济时代要求学习者能够进行更深层次的学习，进而深度理解和掌握知识体系。因此，本文在阐述深度学习的概念内涵以及主要特征的基础上，将深度学习理论应用到移动推荐系统，以期能逐步改善和推进现有的移动教育，为学习者提供一种行之有效的学习方式和方法，从而使学习效率及效果均能获得显著的提升。

1. 深度学习理论

1.1 深度学习的概念

深度学习（Deep Learning）已成为这一时代背景下一种重要而有效的学习方式和学习理念。深度学习最早是由美国学者Ference Marton和Roger Saljo 所提出，且国外已对其展开丰富研究 [1]，而国内对深度学习的研究起步较晚，并且目前仍然处于粗浅层次。

综合目前已有的关于深度学习的研究资料，深度学习与浅层学习（Serface Learning）相对的一种学习方式，通过强调知识的理解、关联、迁移、运用和解决问题的学习，有助于高阶思维的培养，并能使学生达到高层次目标。

深度学习是指在理解学习的基础上，学习者能够批判性地学习新的思想和事实，并将其融入原有的认知结构中，故而在众多思想间建立分析和联系，且能将已有的知识迁移到新的情境中做出决策，进而使问题获得圆满解决[2]。

1.2深度学习的特征

深度学习较浅层学习而言，在记忆方式，知识体系，学习投入程度，学习的理解程度和学习成果的应用等方面都存在着明显的差异，现将深度学习的特征分析总结如下：

（1） 深度学习注重新旧信息和多学科信息的整合；

（2） 深度学习提倡主动性、批判性和积极性的学习行为。深度学习要求学习者在真实社会情景和复杂技术环境中更加注重批判性地学习和反思，主动积极地建构个人知识体系，由此而促进全面学习目标的达成；

（3） 深度学习注重知识的迁移和应用。通过深度加工知识信息、深度理解复杂概念、深度掌握内在含义，将已经构建的知识体系有效迁移应用到真实情境中以解决复杂问题；

（4） 深度学习意味着问题解决。学习即是为了解决问题，深度学习要求学习者通过学习知识来解决实际存在的问题，从而获得深度学习的最佳效果。

2移动推荐系统的应用

移动推荐系统（Mobile Recommender System）利用移动网络环境在信息推荐方面的优势，通过获取和预测潜在移动用户偏好以实现不相关信息的过滤，并为移动用户提供满足其个性化需求的结果，迄今为止已逐渐成为缓解“移动信息过载”的有效手段，因此得到越来越多的关注[3]。而基于信息过滤的角度，目前的推荐算法主要分为以下几种： 协同过滤推荐，基于内容的推荐和混合推荐。

移动推荐由于其普适性和个性化的特征，使其在旅游，广告，娱乐及教育等多个领域均已具有良好的应用前景。

3 移动推荐系统设计

深度学习就是这样一种学习行为和方法，也就是学习者在学习过程中根据自身兴趣和爱好所进行的积极主动的批判性学习，并且在学习过程中伴随有不断的反思，更进一步将所有已学的本学科的旧知识和相关学科的知识整合在一起，以求得到对现实问题科学合理的解决。

在移动学习推荐系统中，用户主要以自由学习者为主，其学习的时间不定，且学习的地点也是移动的，而学习的工具则主要是以移动设备（平板电脑、智能手机）为主，同时借助在线学习平台来实现课堂内外学习的一体化和学习资源的共享，由此即可达到提高学习效率和促进深度学习的目标。

移动学习推荐系统包括两大模块：移动学习模块和移动推荐模块，两个部分及其内部子模块各有分工并相互协作，共同为移动学习者量身打造学习平台。移动学习推荐系统的总体结构图如1所示。

由图1可见，对移动学习推荐系统总体结构中的各分立子模块的功能分析如下。

（1）移动资料模块。对于学习者而言，移动学习系统无论在学习时间还是学习空间上都具有一定的随意性，开发者在设计学习资料的同时，要考虑到学习者使用的设备是移动，便携，以及小容量的特点，因而设计时要尽量遵循小模块化、多元性的原则[4]。比如更多使用简短的听力视频，而要减少文字性的资料，并且内容编排要易于吸引注意力。在移动互联网环境下，不仅学习者是移动的，学习设备、学习地点也是移动的，因此，学习者很难集中精力学习。针对这一特点，在建立学习模块时可以通过玩游戏，听音乐，看视频的方式进行实现以及完成，如此即可提高学习者的学习积极性和主动性。

（2）移动测试模块。通过调用后台试题库，根据移动学习者的学习进度，可实现学习者的不确定性随时主动测验，完成整个系统对学习者近段学习效果和知识掌握情况的跟踪评定。

（3）虚拟交互模块。实现基于语音、视频、文字等信息的功能，为移动学习者提供方便快捷的问题讨论和信息共享，因而具备了在线虚拟合作功能[5]。

（4）监控跟踪模块。实现对移动学习者的学习环境、学习时间、学习阶段和学习要求的实时感知功能，并给予学习者以学习提示，将学习资源主动推送给移动中的学习者。

（5）移动推荐模块。主要由数据采集、数据处理、统计挖掘、推荐生成模块四个部分组成。该模块主要是为移动学习者量身定做合适的学习环境，借此激发学生的积极情绪。同时，为了使学习者能够进行深度学习还必须营造良好的学习氛围和安静、无扰的学习环境，使学生能够全身心地投入到学习中去。

（6）数据采集模块。从用户数据库及用户所处上下文环境等信息着手，跟踪移动学习者的学习时间、学习环境、学习行为、学习过程、访问过的网站和阅览过的相关内容等，再利用关联规则和序列模式挖掘技术对学习者的行为和兴趣爱好进行采集。

（7）数据处理模块。对采集的数据进行处理，生成并不断更新用户信息数据库和用户数据库。

（8）统计挖掘模块。 通过数据库计算用户信息相似度和用户兴趣相似度，以方便系统能够对不同的学习者推送其可能感兴趣的学习资源，提供更有针对性的学习建议和个性化推荐。

（9）推荐生成模块。用户在不同的上下文环境下的个性化需求不尽相同，将上下文信息充分融入移动推荐系统，才能更好地生成移动推荐结果。再将用户行为、上下文信息、社会化网络等多源信息进行有效的融合，即可进一步提高移动推荐系统的精确度。

4结束语

只有在充分、准确地提取和预测移动学习用户在移动网络环境下对各种类型移动学习内容的偏好后， 移动学习推荐系统才能有效地生成移动推荐[6]。笔者在设计移动学习推荐系统时主要利用移动上下文推荐、移动社会推荐和多资源融合推荐技术对学习者开展深度学习的学习环境、学习内容、学习方式和学习资料进行更加有效的、且较为准确的推荐。

参考文献：

[1]Eric Jensen Le Ann Nickelsen.深度学习的7种有力策略[M].温暖，译.上海：华东师范大学出版社，2010.

[2]张浩，吴秀娟.深度学习的内涵及认知理论基础探析[J].中国电化教育，2012，（10）：7-11.

[3]宋乐怡，熊辉，张蓉.下一代移动推荐系统[J].华东师范大学学报，2013，（5）：38-45.

[4]陈意.基于移动学习的深度学习研究[J].江苏广播电视大学学报，2011，1（22）：24-26.

[5]吴怀广，赵家明.基于物联网技术的移动学习模型研究[J].中国电力教育，2013， （13）： 223-224.

[6]孟祥武，胡勋，王立才，等.移动推荐系统及其应用[J].软件学报，2013，24（1）： 91-108.