基于在线学习的个性化学习路径推荐模式研究

李彬

摘要：随着互联网技术在高校教学领域的广泛应用，在线学习已经成为一种重要的学习途径，而在开展在线学习的过程中，个性化学习路径的推荐显得尤为重要。推荐算法是个性化学习路径推荐的核心所在，通过开展基于在线学习的个性化学习路径推荐模式的研究，能够进一步对个性化学习路径推荐的策略进行明确。本研究主要介绍了学习路径推荐算法，对个性化学习路径推荐算法应用策略进行了分析，总结了基于在线学习的个性化学习路径推荐模式实践运用，以期为相关研究提供参考意见。

关键词：在线学习;个性化学习;学习路径;推荐模式

中图分类号：TP393      文献标识码：A

文章编号：1009-3044（2021）18-0034-02

开放科学（资源服务）标识码（OSID）：

在数据挖掘技术飞速发展的过程中，智能化教学系统也获得了极大的发展和完善，探究个性化学习路径是当前热点研究问题，需要面向学习者推荐个性化学习路径。在开展在线学习的过程中，由于信息量较大，干扰学习者结合自身需求对学习资源进行针对性获取，所推荐的学习资源达不到学习者的实际需要，降低了学习效率。在此背景下，探究在线学习的个性化学习路径推荐模式具有非常重要的意义，通过对照研究多种算法的用途及优势，能够对个性化学习路径推荐系统进行构建，得出个性化学习路径推荐的策略，可以使个性化学习路径推荐的价值性得到充分的体现，改善在线学习效率。

1 学习路径推荐算法

基于知识、内容和协同过滤的推荐系统是当前应用作为广泛的推荐系统，在推荐实现算法层面上，可以将学习路径推荐算法划分成基于知识、数据挖掘以及智能优化三大算法。

1.1智能优化算法

应用智能优化算法求解问题的过程中，能够不断向优化方向进行移动，不存在最优解，应用范围较广，具有并行处理和全局优化性能的优势。粒子群算法、蚁群算法以及遗传算法是智能优化算法在学习路径推荐方面的主要运用。

其中粒子群算法主要是通过对鸟群觅食进行模拟的方式，形成的迭代优化算法，能够用于对烦琐组合优化问题进行处理[1]。POS算法的核心在于粒子同、群体信息的互换，对全局极限值gb、个体信息pb进行对比，从而不断对飞行速度、方向进行调控，在彼此引导下实现朝最优解区域的整体聚集。

蚁群算法建立在种群探寻最短路径的基础上，属于启发式探索算法，具有较强的通用性，通过正反馈原理自适应来对问题进行处理。在个体运动时，信息素会存在途径路径中，剩余个体能够参考信息素浓度对路线进行选取。

遗传算法在学习路径推荐领域中的应用主要在于，对学习路径内的染色体进行结构化编码处理，参考适应度函数F（x）对适应度值进行运算，并遵循自然选择理念，参考概率对种群进行选择，F（x）/ΣF（x）即为选择概率P[2]。该算法能够选择优化个体，并对个体进行变异、交叉处理，从而形成全新候选解群，对优化个体重复遗传操作进行明确，达到特定收敛指标即可。

1.2数据挖掘算法

在关联、分类、序列模式以及聚类等分析过程中，会运用到数据挖掘算法。该算法建立在海量数据的基础上，能够对有价值的信息进行挖掘，并对模型进行创建，结合模型能够有效预测数据发展趋势。将其应用到学习路径推荐领域中，主要会涉及Bayesian网络、AprioriAll算法以及人工神经网络三大算法。

其中，建立在概率推理、挖掘数据潜在联系前提下的Bayesian网络法，能够结合学生的特点对学生特征、学习资源的术语近似程度进行运算，借助Bayesian概率可以对学生类型发生概率、特点概率、学习选取概率分别进行运算，以此对学习资源库内合理的个性化学习资源进行最大概率的选取[3]。

运用AprioriAll算法来推荐学习路径时，应对群体学习行为数据进行统计、研究，借助规则分解的途径，将学习者行为序列转变为长度各异的序列模式，并对不同子序列的置信度、支持度进行运算，结合频繁项序列完成推荐任务。

人工神经网络算法主要是结合行为数据，对人工神经网络模型进行构建，并对学习行为进行预测，在输入层中输入数据后，通过函数处理，能够在输出层对推荐学习路径进行获取。该算法可以对推荐路径、实际选取路径进行对照研究，并对网路节点权值进行调整，不断对模型进行健全。

1.3基于知识的推荐算法

在特定领域内，基于知识的推荐算法能借助相同知识表示方法对知识对象进行标注，可以对需求、推荐二者的联系进行阐释。

语义本体基础上的推理算法，可以基于本体构建软件protégé，语义描述所提取关键词、实体，对属性进行添加，完成结构化分类处理，还可以对语义概念范畴、不同概念的限制联系进行界定，对语义本体知识模型进行打造[4]。参考本体库推理规则，语义匹配后借助Jena推理机，完成推理，直观化的呈现最终推荐结果。

情景感知基础上的路径推荐，主要利用的是情境感知技术，发挥推荐系统CARS 的作用，能够对情境用户偏好模型进行研究，并参考实际情境对用户潜在偏好进行推荐。在对学习路径进行推荐时，情景感知推荐可以在研究学习者行为喜好的基础上，对多维评分效用模型进行构建。并依据现行加权、过滤法来有效过滤情境信息，重新排列推荐项目概率，使学习者获取评价最高评价的资源。

2个性化学习路径推荐算法应用策略

个性化学习路径推荐的领域适应性较强，主要涉及了三大个性化学习路径推荐算法，分别为：基于群体路径的推荐算法、基于学习模型的推荐算法、基于特征属性的推荐算法，不同算法各具优势。

2.1特征属性匹配策略

参考学习者喜好、特征属性，将学习者、学习资源进行有效连接的过程即为特征属性匹配，能够像学习者个性化的推荐具有近似属性的学习资源。特征属性匹配策略应保证目标项特点便于量化运算、提取，借助该算法能够对结合知识点关键词或难度系数同题库进行匹配的动态组卷生成系统DQGS、结合错答知识点、关键词来进行推荐的个性化在线学习系统PELS、結合学习资料属性匹配或学习者学习风格进行推荐的蚁群系统SACS/AACS分别进行构架，在系统内能够结合相应属性、特点进行个性化的推荐[5]。仿生智能优化算法包括粒子群算法、蚁群算法以及遗传算法，拥有模式化的操作流程、公式，在实际运用时需要结合问题来调整参数。

2.3基于学习模型的推荐策略

面向海量历史数据所构建的学习偏好模型，能够借助数据挖掘算法对学习者的行为数据进行处理，并划分挖掘数据的模式，找到内在规律，从而打造出学习偏好模型，对学习者选取的学习资料进行预测，进行个性化的推荐。基于学习模型推荐策略能够运算出概率，并划分数据类型，并没有设定详细的规则。参考行为特点规律来进行类型划分，同时分配权重是人工神经网络算法的主要特点，可以结合学习者的行为特点类型、权重，对学习行为、学习者二者的决策模型进行构建，对数据进行函数处理，对学习行为进行预测，分析实际选取路径同预测的差距，对节点权重进行修正，优化预测结果;而在对多代理学习推荐系统MAPLS进行研发时，需要运用人工神经网络算法，能够对教师推荐Java课程学习路径这个过程进行模拟，基于决策模型来推荐学习路径。

2.3基于序列频率的推荐策略

结合群体路径序列频率完成推荐任务是基于序列频率的推荐策略的本质。作为关键序列挖掘算法，AprioriAll算法可以诶记住关联序列规则，对学习序列频率进行整理，对子序列置信度、支持度进行运算，将关联序列作为标准来划分路径类型，最终推荐路径为拥有最强支持度的序列。

序列模式推荐系统SPR建立在协同过滤的前提下，对序列模式进行统计的过程中，借助精简策略能够使算法效率显著改善。将判断融入算法内，在子序列非频繁项序列的情况下，对父序列进行判断，能够借助Top-N思想对频繁项序列进行分析，能够实现个性化推荐[6]。群体学习路径系列下的推荐观念相对简便，要归纳研究行为序列，对关联序列路径进行明确，算法空间烦琐程度、问题规模二者呈正比关系。

3 基于在线学习的个性化学习路径推荐模式实践运用

3.1合理配置资源，改善资源运用效率

近年来国内远程在线教育发展势头迅猛，为了实现持续发展就需要对有效开发、优化配置学习资源。因为网络资源不仅类型较多、总量较大，而且质量相差较大。个性化学习路径推荐即筛选、融合学习资源，向学习者提供校本课程资源、网络资源，便于学习者结合自身需求个性化的运用和选取资源。个性化学习路径推荐模式能够对质量高的资源进行有效整合，并实现优化配置学习资源，能够使资源效用得到最大限度的发挥。同时，学习者借助优质资源能够更好地开展个性化学习活动，可以显著改善学习成绩，无需耗时去进行搜集、整理。

3.2推动学习者的个性化学习，提升学习效率

在线学习的最大优势就是支持个性化学习，使学习者能够获取充足学习资源，在全新学习模式下提高学习水平。个性化学习路径推荐系统不仅具有较强的交互性，而且拥有丰富资源，完全满足了学习者的个性化学习需求。该系统能够参考学习者的行为数据、个反馈信息，对其学习需要、偏好进行研究，进而对针对性的学习方案、内容进行设定，将个性化学习路径推荐给学习者，確保学习路径同学习者认知能力相统一，帮助学习者明确学习方向，构建出系统化的知识框架体系。学习者在开展学习活动的过程中，依据个性化学习路径推荐系统，可以对学习目标进行自主设定，结合知识结构对具体学习内容、计划进行选取，能够使学生的学习能力、学习水平得到全面提升。同时该系统还支持学习者开展分享和沟通活动，在协作讨论和学习过程中，让学习者牢固掌握知识，提升综合能力。

3.3提供学习分析的依据

学习分析主要为，借助学习分析技术，广泛对学习者数据进行搜集、研究，科学预测、评价学习者的学术表现，了解学习者在学习过程中存在的问题。基于在线学习的个性化学习路径推荐系统可以对学习者的学习状况、进程进行实时性的跟踪，并对学习内容、时间、进入系统的频率、成绩等各方面信息进行有效的记录，在整体性研究行为数据的基础上，向教学者进行信息反馈。这样教学者就能够对教学工作、策略进行优化调整，提高教学的针对性和效率。系统管理者也能够参考数据信息，对学习资源进行进一步的筛选，对获取几率小的学习资源进行删除处理，为学习者创造良好的学习空间，将优质、个性化的学习服务提供给学习者。

4 结语

综上所述，学习路径推荐算法、知识模型以及学生模型是构成个性化学习路径推荐系统的主要构成模块，知识模型和学生模型能够借助推荐算法有效连接起来，个性化推荐的效果同推荐算法直接相关。通过开展基于在线学习的个性化学习路径推荐模式研究，在学习路径推荐和算法性能方面，对照研究学习路径推荐算法，能够了解不同算法的优缺点，对优化的个性化学习路径推荐系统进行构建，进而充分发挥路径推荐方面各算法的应用价值。

参考文献：

[1]姜强，赵蔚，王朋娇，等.基于大数据的个性化自适应在线学习分析模型及实现[J].中国电化教育，2015（1）：85-92.

[2] 赵学孔，徐晓东，龙世荣.协同推荐：一种个性化学习路径生成的新视角[J].中国远程教育，2017（5）：24-34.

[3] 崔萌，穆肃，黄晓地.基于过程数据及分析的在线学习路径研究：规律与规划[J].开放教育研究，2020，26（3）：58-70.

[4] 姜强，赵蔚，李松，等.大数据背景下的精准个性化学习路径挖掘研究——基于AprioriAll的群体行为分析[J].电化教育研究，2018，39（2）：45-52.

[5] 申云凤.基于多重智能算法的个性化学习路径推荐模型[J].中国电化教育，2019（11）：66-72.

[6] 卢文辉.AI+5G视域下智适应学习平台的内涵、功能与实现路径——基于智能化无缝式学习环境理念的构建[J].远程教育杂志，2019，37（3）：38-46.

【通联编辑：光文玲】