个性化在线学习资源推荐研究热点与趋势——基于2011-2021年CNKI和WoS文献的可视化分析

马 华，李京泽，唐文胜，黄卓轩

（1.湖南师范大学 信息科学与工程学院，湖南 长沙 410081；2.腾讯云计算（长沙）有限责任公司，湖南 长沙 410221）

0 引言

近年来，互联网、移动通信、云计算、大数据和人工智能等技术的融合与迅猛发展，推动了全球教育方式的变革。2019 年2 月，中共中央、国务院印发《中国教育现代化2035》，明确了我国要加快信息化教育变革，实现规模化教育与“个性化培养”的有机结合。2020 年，在全球爆发的新冠疫情，客观上促进了在线学习的大规模普及［1］，并推动了公共学习平台（例如edX、Coursera、Udacity、中国大学MOOC、学习通、智学网、EduCoder 等）和各个教学单位自有网络教学系统的快速发展。目前，这些平台和系统已积累了包括慕课（MOOC）、开放式课程（Open Course Ware，OCW）、课件、试题、习题（或实验、实训）等在内的庞大学习资源。为不断提高自己的知识水平，学习者迫切希望从海量的各类学习资源中快速挑选出适合自己的个性化资源以有效完善自己的知识结构［2-3］。如何实现精准的个性化学习辅导，已成为当前在线学习研究面临的一个关键问题［4］。

在线学习大规模普及背景下，面对现已生成的海量且多模态的历史学习数据、丰富且异构化的学习资源，在学习者认知能力不确定性、学习兴趣变化性、学习偏好多样性等因素影响下，个性化在线学习资源推荐研究面临诸多挑战，已受到许多学者关注，他们的研究获得了政府和民间的多项资助。例如，中国国家自然科学基金委于2018年新设立了项目申请代码F0701（“教育信息科学与技术”），近4 年来已资助10 余项与学习资源个性化推荐相关的项目。美国兰德公司在比尔及梅琳达·盖茨基金会资助下进行了Observations and Guidance on Implementing Personalized Learning 项目研究［5］，美国奥斯汀佩伊州立大学的Degree Compass、普渡大学的Course Signals 和亚利桑那州立大学的eAdvisor 等项目，也都致力于提供大数据背景下的个性化学习推荐服务［6］。以上项目的实施，有效促进了个性化在线学习资源推荐研究的发展。

目前，个性化在线学习资源推荐研究已取得一定进展和成果［7］，但至今尚未见到对现有研究成果进行可视化分析的文献。本文采用文献计量法，使用CiteSpace［8］软件分析了中国知网（CNKI）和Web of Science（WoS）近十年的相关研究现状，总结了个性化在线学习资源推荐研究的热点和趋势，并指出了未来研究的主要方向，以期为相关研究者提供参考与启发。

1 研究方案

考虑到CNKI 和WoS 核心库是当前最主流和最权威的中、英文学术信息数据库，本文将以它们作为数据采集平台。统计主题由“个性化在线学习方式”和“学习资源类型”两部分组成，以CNKI 为例，其统计主题为“（个性化学习+在线学习+网络教学+移动学习+学习资源+习题+试题+慕课+MOOC+开放式课程+OCW+学习路径+教育资源+学习小组+课件+学习视频）*推荐”。根据数据统计分析可知，2010 年之前发表的与本主题相关的学术成果数量较少，故本文将发文年份设为2011-2021 年，即分析近十年的相关研究成果。此外，数据采集时可能导入一些与统计主题关联性较小学科的无效数据，例如CNKI 中的“高等教育”“成人教育与特殊教育”“外国语言文学”等学科有大量单纯涉及教学和文学理论的相关研究成果，WoS 中的“Engineering Electrical Electronic”“Telecommunications”等学科有大量单纯涉及信号处理和通信技术的研究。因此，本研究对学科和文献类型均进行筛选，然后在CNKI 和WoS 中分别得到1 652 条和1 363 条记录，简记为CNKI 源Ⅰ和WoS 源。为进一步聚焦高质量中文学术成果，本文专门从CNKI 源I 中筛除非北大核心、CSSCI 和CSCD 收录的期刊，得到1 148 条记录，记为CNKI 源Ⅱ。分析数据源中文献所属类别和学科情况如表1所示。

Table 1 Categories and disciplines of literatures表1 文献类别与学科

由表1 可知，CNKI 源Ⅰ、Ⅱ来源于计算机学科的文献比例明显高于WoS 源，其原因是CNKI 收录了大量硕士或博士学位论文，表1 中检索出来的900 篇学位论文中有753篇属于计算机学科，而WoS 中未包含学位论文的数据。个性化学习资源推荐属于跨学科研究范畴，教育学与教育心理学等为其提供理论指导，而计算机科学提供技术支撑。因不少文献发表于跨学科期刊，故表1 的学科分析中文献数据总和大于实际检索获得的总数。文中数据及筛选标准均已公布［9］。

2 研究基本状况

为了解近十年个性化在线学习资源推荐研究基本状况，使用CiteSpace 对现有研究发文量变化态势和高发文量权威期刊、发文机构和作者共现图谱等进行可视化分析。

2.1 发文量变化态势与权威期刊分析

文献发文量是衡量科学研究发展的重要指标，它反映科学知识量的变化及该领域的研究热度。3 个数据源在个性化学习推荐领域的发文量如图1所示。

Fig.1 Changing trend of publication number图1 发文量变化态势

由图1 可知，CNKI 源Ⅰ和CNKI 源Ⅱ的总发文量分别由2011 年的29 篇和26 篇增长到2021 年的246 篇和159篇，增长均超过5 倍。尤其是，2016-2017 年和2018-2019年期间的发文量增长迅速。本文认为这与人工智能与智慧教育在这些年的发展有密切关系，例如：2016 年，Alpha-Go 在人机大战中获胜，在全球掀起了人工智能研究的热潮；2017 年，国务院印发《新一代人工智能发展规划》，有力推动了智能教育的发展；2018 年，教育部发布《教育信息化2.0 行动计划》，吸引了越来越多的学者围绕“如何满足在线学习者的个性化学习需求”开展相关研究；2019 年，中共中央、国务院印发《中国教育现代化2035》，进一步加快了互联网、人工智能、大数据等现代技术与教育教学的深度融合。正是国家政策的大力支持和新兴技术的成功应用，使得近年来个性化在线学习资源推荐研究取得了较多成果，并将在未来持续受到更多关注。近十年，WoS 源的发文量同样稳定上升，特别是2015 年，增幅达到1 倍。CNKI和WoS 相关发文量总体上升，说明相关研究进入了一个相对稳定的发展时期。为进一步分析发文质量情况，从CNKI 和WoS 中选取本领域内发文量排名前五的权威中文期刊和英文期刊，如表2所示。

表2 中所有期刊均属于教育科学或计算机科学领域。CNKI 源Ⅰ、Ⅱ中发文量前五的中文期刊相同，排名前四的期刊均是教育学领域的CSSCI（Chinese Social Sciences Citation Index）来源期刊。其中，《中国电化教育》发文最多，共28 篇，该杂志主要关注面向全国中小学的教育信息化研究成果。《计算机学报》是中国计算机领域的权威期刊，也是EI（Engineering Index）来源期刊。从WoS 中挑选出来的期刊均为SCI（Science Citation Index）或SSCI（Social Sciences Citation Index）来源期刊，除第三和第五的期刊分别源自美国和荷兰外，另外3 本期刊均来自英国。其中，Computers &Education是计算机与教育科学交叉研究的SCI 和SSCI 来源期刊，主要关注数字技术在教学上的使用，其发表的文章侧重于对学习和教学的影响以及使用环境，一般不包含涉及软硬件实现的体系结构细节；Computers in Human Behavior聚焦研究计算机在心理学、精神病学和相关学科中的使用，以及计算机的使用对于个人、群体和社会的心理影响；IEEE Transactions on Learning Technologies是侧重学习技术及其应用研究的SCI 和SSCI 来源期刊；Expert Systems with Applications重点关注智能专家系统设计、开发、测试、实施和管理；Knowledge-based Systems专注于知识和其他人工智能技术系统研究。

2.2 作者—机构共现图谱与高产机构分析

文献作者及发文机构代表着该领域的研究力量，对研究领域的研究者和研究机构进行分析可识别该领域一定时期内有较高影响力的研究群体。CNKI 和WoS 的核心作者—机构共现图谱分别如图2 和图3 所示。由CiteSpace 生成的图谱中，连线代表节点间存在共现关系，节点越大，其出现频次越高。图2 和图3 中隐藏了在该领域内发文少于3 篇的作者姓名，名字越大，代表其发文越多，依此识别出核心作者。

Table 2 Top five authoritative journals表2 发文量前五的权威期刊

Fig.2 Co-occurrence mapping of CNKI author-institution图2 基于CNKI的作者—机构共现图谱

Fig.3 Co-occurrence mapping of WoS author-institution图3 基于WoS的作者—机构共现图谱

图2 中，核心作者的合作并不多，而且多为一个机构的内部合作。例如，赵蔚和姜强同属东北师范大学；而李浩君、张征和张鹏威则同属浙江工业大学。但赵蔚等人与李浩君等人同为跨计算机与教育领域的研究者。通过点击CiteSpace 中的作者节点可查看其发文量和发文时间。其中，东北师范大学的赵蔚合作较多，共发表12 篇文献，集中在2011、2014、2015 这3 年，主要研究基于大数据和数据挖掘的推荐算法。

图3 中，核心作者多是跨机构合作。例如，Cardiff Univ的K Suomalainen 与Univ Helsinki 的E Barnes 有合作关系，Huazhong Univ Sci &Technol 的Zhou Pan 与Univ Florida 的Wu Dapeng 有合作关系。其中，Zhou Pan 共有6 篇文章，发表于2018 年和2019 年，主要研究大数据背景下用户的实时兴趣跟踪。此外，Aleksandra Klasnja-Milicevic 发表论文较多，共9 篇文献，主要研究基于标签、学习风格和知识水平的学习资源推荐。

为考察机构发文量，生成了CNKI和WoS的高产机构发文量表，发文量前十的高产机构如表3 所示。值得注意的是，CiteSpace将同一机构的不同部门视为不同的发文机构。

Table 3 Top ten high-yield institutions of documents issued表3 发文量前十的高产机构

表3 中“CNKI 源Ⅱ期刊机构”是统计发文于北大核心、CSSCI、CSCD 期刊的机构。由表3 可知，华中师范大学在发文量方面遥遥领先，发表了80 篇相关文献，大约是第二名北京邮电大学的2 倍。此外，电子科技大学发文量不少于33 篇。比较最早发文时间可发现，虽然东北师范大学和华东师范大学发文较早，但近十年总发文量不多。表3所列CNKI 机构多为师范类高校，缘于他们深耕教育领域，易于凝聚教育和计算机专业人才开展交叉研究并取得成果。此外，中国科学技术大学虽未进入表3，但该校与表3中的“安徽科大讯飞”存在合作关系，而且其以陈恩红、刘淇等人为代表的团队在个性化学习资源推荐研究领域取得诸多成果［4，10-12］。表3 列举的WoS 机构中，除排名第七、第九的机构源自中国和南非外，另外八所机构均来自美国或英国一流大学。同时，CNKI 中的国内发文机构合作较少，而WoS 中所列的发文机构间合作较多。作者及发文机构间的合作关系是互相影响的，因此相关领域的研究者和发文机构的合作都需要进一步加强。

基于CiteSpace 分析各机构的发文者和文献如下：

（1）CNKI 机构中，东北师范大学的发文者主要是姜强、白雪和赵蔚3 人；华中师范大学的发文者主要是叶俊民、丁继红等人。姜强等［13］提出通过大数据分析，从学习环境、学习者、学习目标、学习方法4 个维度建立学习分析模型，以实现为个性化学习者提供合理有效的学习路径；赵蔚等［14］研究基于本体技术实现个性化学习资源推荐；叶俊民等［15］基于异构信息网络，以元路径的相似性度量为基础，结合知识转化概率和学习反馈信息，计算学习者与学习资源之间的语义相似度，并依据该相似度推荐学习资源。

（2）WoS 机构中，匹兹堡大学的相关研究者有Niu Zhendong 等［16］、伦敦大学有Karataev 等［17］。Zhendong等［16］将学习者的上下文和顺序访问模式合并到推荐系统中，提出一种结合上下文感知、顺序模式挖掘（Sequence Pattern Mining，SPM）和协同过滤（Collaborative Filtering，CF）算法的混合推荐方法。其中，上下文感知用于合并学习者的知识水平和学习目标等上下文信息；SPM 算法用于挖掘Web 日志并发现学习者的顺序访问模式；CF 根据情境化数据和学习者的知识计算预测并为目标学习者提供建议的顺序访问模式。Karataev 等［17］针对大多数电子学习系统未利用其用户能力创建高质量教育内容的现状，提出一种可支持用户以小节课程形式编写教育内容的社交学习框架，通过遵循自适应学习途径以及与其它社交网络中的同伴互动完成课程学习。

3 研究热点分析

为了解近十年个性化在线学习资源推荐研究热点，使用CiteSpace 对现有研究的关键词共现图谱及高频关键词、共被引文献聚类图谱等进行分析，并分析CNKI 现有研究所针对的学习资源类型。

3.1 关键词共现图谱分析

关键词反映文献的要点和主题内容，而频次标志关键词的重要程度，多篇文献中共同出现的高频次关键词可反映该研究领域某一时期的研究热点与核心内容。由CiteSpace 得到关键词共现图谱如图4 所示，高频关键词的词频统计如表4所示。

Fig.4 Co-occurrence map of keywords图4 关键词共现图谱

Table 4 Word frequency statistics of high frequency keywords表4 高频关键词的词频统计

由图4 和表4 可知，近年来个性化在线学习资源推荐研究所使用的主流技术包括“协同过滤”“深度学习”等，所涉及的常见学习资源包括“MOOC”“学习路径”等，所针对的应用场景主要有“在线学习”“higher education”等。

利用CiteSpace 中点击节点可单独显示与其相连的其他节点这一功能，结合图4 和表4 中的新兴技术（特指2015年及之后出现的高频关键词中所涉及的技术）可知，将协同过滤算法、数据挖掘等传统算法与深度学习、知识图谱、认知诊断等新兴算法相结合，是近十年来的主要研究热点。进一步分析如下：

（1）协同过滤。利用协同过滤算法［18］分析学习者的历史数据，以挖掘相似学习者或相似学习资源以进行推荐，能获得较理想的推荐效果［10］。其优势在于不需要像基于内容的推荐算法那样对资源进行复杂的特征提取与建模。针对在应用协同过滤算法时面临的新学习者或新学习资源的冷启动问题和数据稀疏问题，研究者将协同过滤与其他技术或辅助信息相结合。例如，吴云峰等［19］结合迁移学习与协同过滤对面向C 程序网络教学的试题资源进行个性化推荐；朱天宇等［11］提出一种基于认知诊断的协同过滤试题推荐方法等。这些研究有力地推进了协同过滤算法在个性化学习资源推荐中的实际应用。

（2）知识图谱。利用知识图谱构建涉及大量实体及其关系的信息网络，并以此为数据挖掘提供辅助信息，可提升推荐系统准确率。从组成要素看，图谱主要由节点和边组成，每个节点对应现实世界中的实体，每条边表示实体与实体之间的关系［20］。知识图谱不仅在个性化学习路径推荐研究中可发挥重要作用［21］，而且在论文推荐研究中也可有效解决数据稀疏问题［22］。但是，将知识图谱辅助解决冷启动问题时，仅适用于已稳定运行一段时间并积累了一定历史数据的在线学习平台中出现新的学习者或者学习资源的情况［10］。

（3）认知诊断。对学习者进行认知诊断（Cognitive Diagnosis）分析，可了解学习者的认知结构、知识点掌握状态，从而为个性化学习资源推荐提供重要决策基础。常见的认知诊断模型有项目反应理论（Item Response Theory，IRT）［23］、DINA 模型（Deterministic Inputs，Noisy “And” gate model）［24］，以及模糊认知诊断模型（Fuzzy Cognitive Diagnosis Framework，FuzzyCDF）［25］等。使用认知诊断模型可清晰了解学习者的学习状况，从而有助于更精准地进行学习资源的个性化推荐。例如，童名文等［26］结合认知诊断、领域模型和自适应模型向学习者不断推送适合的学习资源，以消除学习目标与当前学习成效之间的差值。针对现有认知诊断模型在客观题和主观题评分机制上的不足，为更全面掌握学习者的认知情况，一些改进的认知诊断模型［12，27］被提出。

3.2 学习资源类型分析

CNKI 提供了“结果中检索”功能，而WoS 未提供该功能，因此，本文仅筛选出CNKI 源Ⅰ、Ⅱ中文献明确针对的学习资源类型，主要包括MOOC、学习路径、习题或试题、课程或学习视频等，如表5所示。

Table 5 Types of learning resources表5 学习资源类型

以上“学习资源类型”相关的代表性研究包括：朱天宇等［11］基于学生对知识点的掌握程度进行试题推荐；蒋昌猛等［28］构建表征知识点层次关系的权重图，以实现习题推荐；刘敏等［29］从学习资源的内容、类型和学习资源推荐的时间、频次等方面建构一个可应用于MOOC 推荐的系统；通过分析在线学习行为；申云凤等［30］基于人工神经网络和蚁群优化算法，建构一种个性化学习路径推荐模型；周丽娟等［31］针对评分数据极度稀疏的情况，提出一种基于协同过滤的课程推荐方法；王素琴等［32］基于课程之间的时序性和紧密关系将课程分类后进行推荐。

3.3 共被引文献聚类图谱分析

共被引文献是指两篇（或多篇）论文同时被后来一篇或多篇论文所引证，被引量的多少可判断该文献引起同行反响的程度和质量水平的高低。为了解个性化学习资源推荐领域具有影响力的文献，如图5 所示，生成WoS 共被引文献的聚类图谱。由于CNKI 文献没有引文数据，故无法进行共被引文献聚类图谱分析。

Fig.5 Clustering map of WoS co-cited articles图5 WoS共被引文献聚类图谱

图5 是CiteSpace 根据共被引文献的关键词聚类生成，带“#”字符的内容是聚类名称，无“#”字符的内容则是共被引次数较高文献的作者及发表年份。可以发现，共被引文献多涉及“MOOC”学习资源，以“学生”为中心，重视学生的“学习风格”，以及对其历史数据的挖掘。此外，还识别出了被引频次前十的文献［33-42］，它们主要围绕“学习者模型”和“学习资源特征”两个主题。其中，文献［33］较早提出了基于学习风格的推荐系统；通过挖掘学习者在网络环境中共同的历史学习序列，文献［34］研究如何针对学习者当前学习过程进行学习资源推荐；文献［35］设计一种基于个性化推荐的移动语言学习方法，并基于该方法开发移动学习系统，通过提供阅读材料推荐机制，引导学生阅读符合自己喜好和知识水平的文章；文献［36］综述了推荐系统以及协同过滤方法，解释它们的演变，并为这些系统提供一个原始分类；文献［37］通过开发基于决策树和数据挖掘技术的个性化创造力学习系统，为优化创造力表现提供了个性化学习路径；文献［38］对推荐系统的应用开发进行了分类，并总结了每个类别中使用的相关推荐技术；基于词汇的技术和机器学习技术，文献［39］设计了一种在Facebook 中进行情感分析的新方法，以支持个性化学习；文献［40］综述了学习风格和适应性学习系统的整合现状，及其问题；文献［41］分析了基于学习者上下文信息的推荐系统，并提出一个上下文框架，用于识别推荐系统相关上下文维度；基于应用上下文感知技术和推荐算法，文献［42］开发一个学习系统，帮助终身学习学习者以上下文感知的方式实现个性化学习目标，提高学习者学习效率。

“个性化学习资源推荐”问题的本质是“如何为学习者从海量数据中找到适合自己的学习资源”，而准确评估学习者和不同类型学习资源之间的特征匹配度，对于解决该问题具有关键意义。因此，结合新兴技术和算法，研究具体应用场景下学习者和学习资源的特征建模，仍是未来的重要工作之一。

4 研究趋势分析

2020 年的新冠疫情促进了在线学习的大规模普及，在此背景下，面向在线学习的个性化学习资源推荐吸引了越来越多研究者的关注。进一步推动个性化学习资源推荐研究，对于实现教育信息化、培养高素质人才的目标有着重要的现实意义。通过梳理十年来的相关文献可发现，当前个性化在线学习资源推荐的研究在结合迁移学习、碎片化资源整合及动态推荐等3个方面呈现出明显发展趋势。

（1）结合迁移学习的研究趋势。迁移学习是用已获得的知识对不同但相关领域的问题进行求解的一种机器学习方法。域适应是将迁移学习运用到个性化学习资源推荐过程中最常见的问题之一，主要指域不同但任务相同，且源域数据有标签，目标域数据没有标签或者只有很少数据有标签。微调则是迁移学习中的一种常见方法，其根据实际情况更新模型中的不同部分。例如，柴玉梅等［43］提出一种基于双注意力机制和迁移学习的跨领域推荐模型，该模型通过卷积神经网络对文本建模，然后引入迁移学习，同时提取领域特有的特征和领域间的共享特征进行不同领域之间的联合建模，以实现在缓解数据稀疏问题和用户冷启动问题方面的优势。

实际上，很多跨专业甚至跨学科的学习拥有类似规律，因此可以利用迁移学习解决个性化学习资源推荐时所遇到的冷启动问题，提升推荐结果的准确性和多样性。学习者在学习多门课程时，这些课程间可能存在一定关联。如何充分挖掘相关专业、课程之间的潜在关系，进行迁移学习分析，对于改进推荐效果具有重要作用。

（2）考虑碎片化资源整合的研究趋势。当前，在线学习平台中的学习资源具有微型化特点，以致资源呈现不断碎片化的趋势。由于学生的分析总结能力有限，即使学生有持续学习的习惯，但他们在碎片化知识学习时也难以构建属于自己的知识体系和逻辑框架，更无法挖掘自身和碎片化资源之间的潜在关系。此外，如何组织跨学科知识或者交叉学科知识，也是碎片化资源整合研究的重点之一。

利用知识图谱帮助建构碎片化知识间的关系、区分不同知识点的重要程度、对碎片化知识进行查漏补缺，是当前研究的一个理想思路。研究者可借助知识图谱串联跨专业、跨学科的知识点，有效组织知识点的逻辑框架与体系，为个性化学习资源推荐提供理想的数据结构［44］。例如，慕课平台Khan Academy 利用知识图谱整合碎片化知识、重构知识间的关联［45］；Shi 等［46］提出学习对象之间的6种主要语义关系，用以构建多维知识图谱，从而推荐学习路径；王亮等［47］利用MOOC 课程中的微视频、测验作业、讨论记录等多种微资源，构建包含知识实体及其关联关系的多模态知识图谱。

为使学生更有效地学习碎片化知识，研究者在建立知识图谱时应在明确知识图谱的知识原点后，再进行图谱知识延伸。如何充分挖掘知识点间的关联关系是研究重点，确定了知识点间的内在联系，才能知道知识点的相对难易程度，避免学生在学习基础知识前“异常地”先接触到较深入的知识。

（3）基于动态推荐技术的研究趋势。现有研究中大多数推荐系统都是静态，使用某一时间片上、时效性明显的数据。但是，学习者对知识的记忆和理解程度往往会随着时间的推移而衰减。因此，利用遗忘曲线，对人的记忆力衰减模型进行分析，在此基础之上，结合学习者的时序测试数据，动态分析学习者的知识点掌握程度，继而进行试题等学习资源推荐，是一种可行思路。如何基于实时的反馈数据并结合原有信息动态优化个性化学习资源的推荐算法，是未来研究趋势之一。例如，通过深度学习算法建构基于内容的学习者模型，可根据时序数据及时有效地更新模型［48］，也可以融合近几年来被提出的增量图嵌入方法［49］，以适应实时性要求，降低数据训练的时间成本。

5 未来研究方向

目前，个性化学习资源推荐研究尚存在不少亟待解决的问题，需作进一步研究，主要包括：

（1）通过对学习者的认知能力进行更全面和客观的诊断，进一步完善现有的学习资源推荐机制并提高推荐准确率。除需要分析教育心理学已发现的“猜测”和“粗心”等因素［19］对认知诊断结果产生的影响外，学习者在知识点的理解深度和运用水平的灵活性上往往表现出不稳定性，需要引入更有效的模糊数学理论来刻画学生对知识点掌握程度的变化规律和特征。在当前学科交叉和知识融合的人才培养趋势下，不同知识点，甚至不同学科的知识点间可能互相影响，这更给综合诊断学习者的认知能力带来了新的挑战。并且，随着时间的推移，学习者对于旧知识点的掌握和熟悉程度会有所下降［48］。此外，知识点的准确划分是了解学习者知识掌握情况的基础，准确拓展和完善知识点结构，对个性化学习资源推荐研究具有重要意义。

（2）主流在线学习平台已积累了庞大、异构和多样化的学习资源，除试题、课程、文献等常见学习资源外，还包括学习小组、学习路径等资源，它们从不同侧面对学习者的学习效果产生显式或隐式影响。如何在约简高维特征和提高海量数据计算效率的基础上，进行多种学习资源的综合推荐是研究者需要关注的方向。同时，针对频繁出现的冷启动和数据稀疏问题，如何应用知识图谱和图嵌入算法等进行海量数据下的高效推荐优化，从而为学习者提供令人满意的推荐结果，也是当前面临的重要挑战。

（3）强化研究过程中的跨学科、跨机构合作。研究者和研究机构间进行合作有助于健全研究体系，形成一致性、系统性的研究结论和成果。因此，个性化学习资源推荐研究的跨学科团队合作、突破单一领域思想的约束，以及进一步推进不同学科研究者和研究机构间的合作，对于深入和扩展现有研究、完善研究体系具有重要意义。

6 结语

近年来，在线学习已大规模普及并快速发展。针对海量且异构化的学习资源，结合学习者的认知能力、学习兴趣和学习偏好等特点进行的个性化在线学习资源推荐研究，已取得一定进展和成果。但是，至今尚未有个性化在线学习资源推荐研究现状的综述或可视化分析文献。本文利用CiteSpace 对相关研究进行计量学分析，概述了当前研究状况，归纳了学习资源推荐研究的当前热点和未来趋势，指出了已有研究的不足和未来方向，可为个性化在线学习资源推荐研究提供有价值的参考与启发。