基于E-learning的资源推送服务与关键策略研究

陶漪

（南通大学，江苏 南通 226019）

1 引言

随着互联网技术和应用在教育领域的普及，E-Learning已成为一种新颖的学习方式。如今，许多高校正在使用各种开源的教学平台或者是开发自己的网络教学平台，辅助大学教师的教学以及大学生的自主学习（如Moodle，Blackboard，Sakai等网络教学平台），它能够不受时空限制随时随地向学习者提供丰富且开放的学习资源，从而受到人们的普遍欢迎。

但在E-Learning快速发展的过程中，平台中的学习资源数量迅速膨胀，“海量资源”与学习者个性化需求之间的矛盾日益凸显。个性化推荐服务作为目前一种重要的解决“信息过载”问题和提供个性化服务的方案，逐渐被引入到网络学习资源建设中来。

2 基于E-learning的资源推送服务的基本方式

2.1 Top-N和最新资源推送服务

Top-N推荐是将网络资源平台上排行前N位的一些热门资源推荐给学习者；最新资源推荐可以将最新的学习资源实时地反馈给平台中所有的学习者，便于大家获得最新的学习资讯，进行选择学习。这种推送方式比较适用于通识资源、宣传教育、安全知识及其他热门资源的推广。

2.2 基于学习者特征的个性化推送服务

在网络学习平台中，根据年龄、学习背景、学习目标、学习兴趣等的不同，学习者对学习资源有个性化的需求。个性化推荐服务就是通过获取学习者的学习特征，构建出学习者的兴趣模型，分析学习者的学习偏好，将适合的资源主动地推送给学习者。同时，随着学习者特征发生变化，动态更新学习者兴趣模型，从而提高推荐的精准性。

2.3 基于“班级群”的人际网络推送服务

现实学校里的“班级”是将年龄、学科、文化程度相同的学生按规模组织起来的教育单位，在一个班级里，一般有几位学科老师与一群学生。在虚拟网络中，同样可以组建类似的教育单位，可以由真实的班集体组成，也可以是由一群有着大体相同的学科背景、学科基础、学习兴趣和学习需求的学习者所组成。同时，为这样的“班级群”配备一位学科老师，负责向群内的学习者推送优质的学习资源，成为这个圈内的“推送引擎”。而每位学习者同样可以成为资源的推送者。因为这样的“班级群”有着较高的同质性，他们推送的资源往往更精准和专业，更能满足群内学习者的需求。

基于E-learning的资源推送包含最新最热资源推送、学习者个性化推送和人际网络推送，使推送服务更全面、更专业、更精确。

3 基于E-learning的资源推送的关键策略研究

基于E-learning的资源推送策略由基于内容的推送和改进的协同过滤策略构成。

3.1 基于内容的推送策略

基于内容的推送策略是个性化推送研究早期广泛应用的一种技术，主要完成对文本信息类资源的推送。推送的原理为：首先，提取学习者的知识背景、学习行为、学习偏好等特征信息，构建学习者兴趣模型；其次，对系统中的资源内容进行特征的过滤和提取，形成特征向量；最后，将学习者的兴趣模型与所有资源的特征向量做出对比，获取两者之间的相似度，从而进行资源的推荐。

基于内容的推送策略主要针对项目之间的相似性，这一计算可以离线进行，因此推荐速度较快；可以解决新用户推荐问题。但是，这种策略也存在一些局限性：首先其推荐的资源是文本资源，对于多媒体资源难以进行特征提取；推荐的内容是基于与学习者学习兴趣（历史学习行为）的相似性，而对于学习者的潜在学习兴趣挖掘较弱；对于资源本身的质量无法做出预判。

3.2 协同过滤推送策略

协同过滤推送策略是个性化推送研究中被广泛认可和应用的一种技术，这种策略依赖于学习者对资源的评分，评分一部分来源于学习者的直接打分，一部分来源于对学习者学习行为的记录，并将这些数据加权转化成可计算的分数。

协同过滤推送策略基于这样的假设：“若是与我兴趣喜好相似度较高的人喜欢一样东西，那我应该也会喜欢这样东西”。首先，找出这些“兴趣喜好相似度较高的人”，即“邻居”，通过目标学习者与其他学习者共同打分的资源集合，计算出两者之间的相似性，筛选出兴趣相似性高的邻居集合；然后根据邻居集合对资源的评分，来预测学习者资源的评分，从而完成推荐过程。

由此可见，协同过滤推送策略可以对音频、视频等非结构化的多媒体学习资源进行推送；可以挖掘学习者的潜在学习兴趣；推荐的个性化、自动化程度更高。但是，这种技术对于新用户和数据稀疏的问题上处理受限。

3.3 改进的协同过滤推送策略

在实际使用中，学习者对资源的评分可能会比较少，这样会引起矩阵中评分数据的稀少，降低系统的推荐效果。

目前解决数据稀疏的问题一般有以下几种方法：（1）数据填充：在筛选邻居集之前，首先对初始的学习者—资源评分矩阵进行补充，从而降低其稀疏性；（2）聚类技术：根据学习者的学习兴趣对其进行聚类，然后分别在各聚类内部计算相似性，产生推荐资源集；（3）矩阵分解:对原始评分矩阵进行分解，从而降低评分矩阵维数，提高推荐精确度。

4 基于E-learning的资源推送系统构建

4.1 资源共享平台

E-learning学习平台，可以跨越时间和空间的限制，完成异步学习。在网络学习环境中，汇集了大量数据、教学视频、档案资料、程序、教学软件等教学资源，形成了一个高度综合集成的资源库。资源的共享和可控是资源推送的基础，因此网络教学资源必须遵循统一的标准和规范，设计标准化的采集和存储方案。

4.2 学习者特征存储数据库

有关学生的学习行为数据主要来源于学校E-Learning学习平台（如英语在线平台、Blackboard平台等）中留下的学习数据、行为数据、考试成绩数据等，具体包括学生在线学习的登录时长、学习偏好、课程安排、每个学生的先前知识与课程进展、测验成绩等情况。这些数据将被收集在服务器模块中形成学生模型数据库，为数据的深度挖掘与个性化学习资源推送服务提供可靠的保障。

4.3 资源推荐系统

将收集到的学习者数据进行处理，使其可计算化；使用合适的推荐算法，寻找与目标用户相似的用户，建立相似用户的数据集，釆用相似度进行循环计算，得出项目之间的评分差异性，存入评分差异数据库；依据推荐算法得到的结果进行目标用户对于资源的预测评分，对资源进行过滤，实现推荐过程。

4.4 资源推送显示

将过滤后的学习资源推送至服务器端，再由服务器端推送在客户端供学习者学习。

5 结语

通过基于E-learning的资源推送服务，可以帮助学习者避免知识迷航问题。根据学习者的特征，推荐优质并合适的学习资源，可以在一定程度上引导学生的自主学习。个性化网络学习平台在发展学生个性化学习的同时让丰富的网络资源得到更加充分的利用，可以使学习者处在一个自我发现、自由选择的环境中，进而激发起学习者的学习兴趣。

[1]张琳．基于网络学习平台的个性化资源推送策略[J]．信息通信，2017（4）：280-281．

[2]赵晓声．数字教育资源主动推送服务机制研究[J]．现代教育技术，2017，27（5）：95-101．

[3]程芳．一种有效缓解数据稀疏问题的协同过滤推荐算法[J]．现代情报，2016，36（3）：76-79．

[4]陶漪．基于E⁃Learning的数据挖掘系统的改进设计与实现[J]．现代电子技术，2017，40（2）：133-136．

[5]唐国菊．网络学习资源个性化推荐系统的设计与开发[D]．西安：陕西师范大学，2012：17-18．

[6]马佳佳．教育信息资源个性化推送服务中的学习者模型分析研究[D]．武汉：华中师范大学，2016：20-21．

[7]王平．基于协同过滤算法的新闻的个性化推送系统的设计与实现[D]．长沙：湖南大学，2016：18-21．

[8]李宝．智慧教育环境下学习资源推送服务模型的构建[J]．远程教育杂志，2015（3）：41-48．