文/王吉林

在互联网+时代，移动设备的广泛使用，极大地扩展了终身学习的范围，有效地促进了移动学习的发展。与此同时，伴随而来的资源过载、信息迷航等新问题，让个性化学习服务显得尤为重要。移动学习作为一种学习网络资源的重要方式，为个性化学习提供了更为便捷的条件和途径。这种随时、随地的个性化的学习模式，在个性化推荐技术的深入发展和促进下，既能够让学习者在更短的时间内，从繁杂的学习资源中高效地、精确地定位目标资源，减少时间和精力耗费，又满足学习者的个性化学习需求。因此，移动学习资源的个性化推荐模型研究，是当前研究的热点。本文在对当前较为常见的个性化推荐算法模型进行研究的基础上，提出了一个混合式的个性化资源推荐模型，希望为今后移动学习资源的个性化推荐提供模型构架方面的参考。

1 移动学习资源个性化推荐研究现状分析

近十年来，关于移动学习资源的个性化推荐的研究，主要集中在个性化推荐模型或模式的构建研究这一领域。作为研究热点，不少学者进行了相关研究，取得了一定的成果，现归类分析如下：

1.1 基于情境的移动学习资源个性化推荐

在移动学习中，学习情境是与学习者有关的一切属性的集合。由于与学习者和学习过程息息相关，因此，作为学习效果的重要影响因素之一，受到研究者的重视。

吴楠运用模糊聚类的方法对用户的情境进行聚类，构建用户集合，结合基于用户的协同过滤算法进行个性化推荐，设计了一种基于用户情境聚类的个性化推荐算法和基于情境感知的移动学习系统原型。经测试，在移动学习应用中具有一定的有效性。但是，没有排除无关情境因素，各个情境因素所占权重均按相同计算，且对学习资源的设置与存储和系统性能的评价研究不足。

于灏媛提出了基于情景感知的个性化学习资源推荐规则，在此基础上实现了基于学习者的学习风格和学习环境的移动学习资源个性化推荐系统。但是，存在学习情境信息的种类偏少，位置情境信息获取不足等问题。

1.2 基于社会化标签的移动学习资源个性化推荐

在移动学习中，社会化标签是一种分类方式，可以准确地标注学习者的兴趣、学习行为、学习记录和学习资源等信息。由于具有灵活、成本低、自生语义性强等优点，很适合被用在个性化推荐系统中。

赵艳，王亚民利用用户使用标签的频率和时间因素计算用户的标签偏好向量，获取相似邻居所收藏的资源，从而构建P2P 环境下基于社会化标签的个性化推荐模型。经验证，综合用户标签使用频率和时间因素的推荐效果有一定的优越性，但是，通过人工方式对标签进行处理，缺少了控制标签模糊性机制。

陈淼，唐章蔚提出了基于社会化标签思想的个性化资源推荐模型，设计了情境因素、用户特点因素、用户兴趣因素、用户目标因素和反馈更新因素这五个维度的学习资源个性化推荐模型。

1.3 基于本体论的移动学习资源个性化推荐

钟珞，薛庆吉，郑明珠，袁景凌提出了基于本体论的移动学习资源关系框架和个性化学习模型，并描述了移动学习中本体开发的基本流程和研究方案。

李小文,童莉莉,李荣禄对个性化学习支持服务进行深入系统的研究提出了PMKS——学习主体(Person)、移动工具(Mobile)、知识或者服务(Knowledge)和情境(Scene) 的移动学习理论框架。以“移动学习”教育部—国移动联合实验室为平台支撑，设计开发了“和教育”云平台。

此外，还有部分研究者提出了基于电子书包的移动资源个性化推荐模型、基于关联规则和聚类分析的移动资源个性化推荐模型、基于学习分析的移动资源个性化推荐模型。这些推荐模型，在一定程度上提高了学习资源的使用效率，促进了学习效果的提升。但是，在某些方面也都存在一些局限性。在信息过载的移动学习环境中，如何在最短的时间内，高效、精确地获取学习资源，最大限度地满足个性化需求，是需要不断探索的研究点。

2 移动学习资源个性化推荐模型

通过分析归纳前人的研究，并结合当前研究现状，本文构建了一种基于混合模式的移动学习个性化推荐模型，如图 1 所示。

该模型应用于移动端的混合环境下，分为基础层、模型层、算法层和应用层。

2.1 基础层

该模块主要负责收集与学习者相关的数据（学习者的基本信息、学习者的学习行为、学习资源的基本信息、日志记录以及反馈信息等），然后进行清洗、去重、规范化等处理，生成学习者的基本信息、学习风格、偏好信息、学习者行为信息和历史记录等数据库，供后续使用。

2.2 模型层

此模块主要是根据采集到的不同的数据信息，构建相应的模型，存在一定的可变性。主要包括：知识模型、学习资源特征模型、学习者学习风格模型、学习者关系模型、设备关系模型。其中，知识模型包括名称、关键词、描述、所属、所需时间、难度系数、关联等属性。学习资源特征模型由资源名、特点、描述、类型、结构、关联等组成。学习者学习风格模型，主要包括学习者的基本背景特征、兴趣爱好、认知状态、知识水平、学习目标、学习方式、学习习惯等。学习者关系模型，主要有习者偏好分和相似学习者偏好分组成。设备关系模型，主要包括名称、类型、操作系统、其他等属性。此模块各个模型的具体建构过程要依赖于收集到的数据，此处就不展开叙述。

图1：基于混合模式的移动学习资源个性化推荐模型

2.3 算法层

个性化推荐算法是个性化推荐的核心和关键，其推荐的结果，直接影响到推荐效果和学习者体验。目前主流的推荐方法有基于内容的推荐、协同过滤推荐、基于关联规则的推荐、基于社会化标签的推荐、基于情境感知的推荐和基于混合模式的推荐。移动学习资源的个性化推荐算法，就是将这些推荐算法应用到移动学习系统或平台中，给学习者推荐个性化的学习资源。本框架采用的是基于混合模式的推荐算法，基于情境感知的推荐，应用于学习风格模型相关的部分，基于内容的推荐算法应用于学习资源模型相关的部分，基于社会化标签的推荐算法应用于知识模型和评价反馈部分，基于协同过滤的推荐算法，应用于学习者模型的相关部分。基于关联规则的推荐算法，应用于学习者关系模型和设备关系模型相关的部分。

2.4 应用层

在移动学习设备中，呈现学习资源，设置推荐的模块。比如：线上推荐、线下推荐、基于热度推荐、基于分群推荐、基于偏好推荐等模块等，将推荐结果返回给学习者，学习者在学习过程中的日志信息和评价等信息会反馈给数据采集部分，然后更新各个模型以及相应的推荐算法，对推荐结果进行二次排序后再次发回给学习者，如此反复。

3 总结

本文在分析移动学习资源个性化推荐现状的基础上，给出了一种基于混合模式的移动学习资源个性化推荐模型，并对模型的各个模块进行简单说明。由于采集到的数据曾在差异，个性化推荐模型和算法有一定的可变性，因此，在模型层和算法层没有具体展开叙述，具有一定的局限性。随着信息技术的发展，智慧学习的和人工智能对个性化推荐算法提出了更高的要求，今后将慎重考虑推荐的影响因素及权重，进一步学习资源个性化推荐模型和算法，更加注重验证效果。