个性化推荐技术及其在远程教育中的应用

孙励

摘要：近年来，远程教育随着信息技术的不断发展取得了巨大的进步，但由于发展时间尚短、资源建设尚不成熟，其与线下教育相似的传统教学模式已不能满足学习者需求。创建能够为学习者提供个性化的学习建议及精准的课程推荐、满足学习者个性化需求的新型教学模式成为远程教育发展的必然方向。本文介绍了个性化推荐技术，对其在远程教育领域的意义与应用场景进行了阐述。

关键词：现代远程教育 个性化推荐 个性化学习

计算机应用技术与网络技术的不断进步促进了以网络教育为主的现代远程教育的飞速发展，面向大众的大规模网络在线平台被不断开发出来。但是在远程教育网络课程平台上，如何从海量资源中选择适合自己的课程成为学习者面临的一大难题。随着在线网络课程平台应用范围的不断扩大，在各类学习系统与学习管理系统教育资源过载的情况下为学习者推荐符合其兴趣或学习目的的资源，从而提升学习者的学习效果、保证远程教育教学质量成为远程教育一个重要研究方向。目前的远程教育类网站中，学习者只能依据资源所属类别进行浏览或者通过特定目的搜索资源，但在学习者学习目的尚未明确、资源分类不够精确的情况下，盲目的浏览与简单的基于关键词搜索的模式难以充分有效地利用系统课程资源，造成资源本身及学习者个人精力的浪费，难以达到高效的学习。而个性化推荐技术能够很好地解决这类问题，通过分析学习者自身特征、学习模式特征及资源属性特征，提供个性化资源推荐与个性化学习支持服务。

一、个性化推荐技术及其意义

（一）个性化推荐简介

个性化推荐是互联网技术和现代电子商务发展的产物，是在信息过载和信息迷航的现实情况下，为用户提供有针对性可实时更新的信息与服务的技术。个性化推荐技术相关研究在信息科学、计算数学、统计物理学、认知科学等领域均受到了关注，推荐系统已应用于几乎所有大型电子商务网站及其他多个行业，推荐对象包括图书、影视、音乐、网页、文章、新闻等等，个性化服务对于提高系统服务质量、提升用户体验意义重大。

（二）个性化推荐技术

1.基于内容的推荐。基于内容的推荐技术（Content-based Recommendations）通过计算课程资源模型与用户兴趣模型的相似度进行信息过滤，将相似度较高的资源推荐给学习者。根据模型的不同可以分为基于向量空间模型的推荐、基于关键词分类的推荐、基于领域分类的推荐、基于潜在语义索引的推荐等等。缺点在于只能根据用户现有信息推荐相似资源，在用户模型发生改变时无法进行相应的更新。

2.基于协同过滤的推荐。协同过滤

（Collaborative Filtering Recommendations）包括基于用户（User-based）的协同过滤，基于项目（Item-based）的协同过滤，基于模型（Model-based）的协同过滤。基于用户的协同过滤考虑的是用户选择行为的相关性，根据相似用户的兴趣对目标用户进行推荐；基于项目的协同过滤假设能够引起用户兴趣的项目必定与其之前评分高的项目相似，通过计算项目之间的相似性代替用户之间的相似性；基于模型的协同过滤利用历史资料得到模型，并依此进行预测与推荐。

3.其他推荐技术。其他个性化推荐技术包括关联规则推荐、基于知识的推荐、基于效用的推荐等等。单独使用一种技术难以实现最佳效果，所以实际应用场景中采用的多是组合推荐（Hybrid Recommendation）技术，以达到提高资源推荐精准度、最优化推荐结果的目的。其中，内容推荐和协同过滤推荐的组合最为常见，这种组合方式可以很好地解决协同过滤技术的数据稀疏性问题。

（三）个性化推荐在远程教育中的意义

远程教育已渐渐向主流教育发展，其趋势是实现以网络教育方式为主、双向互动的自主学习模式。远程教育的特征在于：教师和学生分离，区别于面授教育；教育机构提供课程资源，区别于个别学习；采用多种教学媒体，实现双向交流；采用工业化形式的教育模式，即一个产品有大量用户。目前远程教育领域中Mooc等在线学习平台、在线课程平台尤其是公益性的平台，注重于课程资源的建设、实现了教学资源共享，但是对于所有学习者，它所呈现的学习内容、课程内容是一致的，难以适应不同类型、不同学习程度的学习者对于快速找到符合自身兴趣的学习资源的需求。学习者虽然可以自主选择学习内容，但是在数量庞杂、种类繁多的资源中，单靠平台提供的简单分类难以发现自己真正所需，系统本身缺乏个性化的学习支持服务、学习者难以实现个性化的学习方式，而个性化推荐技术可以解决这个问题。

二、个性化推荐技术在远程教育领域的应用场景

（一）个性化的学习推荐

通过提取学习者的个性特征和课程的属性特征实现个性化推荐，学习者特征包括年龄、职业、文化程度、兴趣爱好、学习动机等。课程特征包括课程难度、所属学科类别、使用学生类别等。提取学习者个性特征能够解决协同过滤的“冷启动”问题，通过推断学习者的学习风格及个人认知水平，无需依靠历史数据直接向用户进行资源推荐；提取资源自身的属性信息可以计算资源之间的关联度，同时通过分析网站用户日志，得到用户对于浏览过的资源的感兴趣程度，依据资源之间的相似度进行推荐；或者综合这两种特征，为学习者提供与其学习行为相似的用户学习过的资源。通过基于用户兴趣与资源属性的精准的资源推荐，构建个性化的推荐系统，为远程教育系统提供更良好的用户体验与个性化服务。

（二）个性化的教学辅助

社交网络会为用户推荐兴趣爱好相似的其他用户作为好友推荐，远程教育系统或网站同样可以通过分析用户行为，提取学习者学习偏好或者个性特征、对课程资源或者不同学习模式的适应程度，从而为用户推荐与其学习行为或者学习兴趣相似的用戶，提供互助学习的可能性。另外，个性化推荐中的相关技术也可以为学习者提供课程难度、与自身适应程度等相关信息，从而提出有效的学习建议，实现学习者有针对性计划性的定制化学习行为；同时依据这类信息可以为教师提供科学的教学建议，从而调整教学内容或教学方法、合理安排教学活动、实现个性化的教学辅导。

三、总结

远程教育的长远发展需要实现资源数量与远程教育系统服务质量的同步发展，将个性化推荐技术应用于远程教育领域，分析学习者和资源的属性特征，利用推荐算法实现个性化的资源推荐、提供个性化的教学辅助服务，有助于学习者实现从资源被动浏览者到主动参与者的转变，与系统进行交互，从而完成高效的个性化学习行为。相信随着信息技术的不断发展、个性化服务理念不断深入人心，个性化推荐技术将不断完善并在远程教育领域取得更为广泛的应用。

参考文献：

[1]丁琳.数据挖掘在远程教育个性化服务中的应用[J].电化教育研究，2002（9）.

[2]姜强，赵蔚.基于用户模型的个性化本体学习资源推荐研究[J].中国电化教育，2010（5）.

[3]曾春，邢春晓，周立柱.个性化服务技术综述[J].软件学报，2002（10）：1952-1961.

[4]张炜.教育信息共享系统中个性化推荐服务研究[D].西安：西安电子科技大学，2008.

[5]王秀平.数据挖掘技术及其在远程教学系统中的应用[D].上海：上海交通大学，2005.

（责编 张宇）