文/汤怀

在大学校园，通常学生利用在线学习资源的模式为：不管学生测试成绩结果如何，学习资源平台给学生的学习内容都是一致的，这对学习基础薄弱的学生，将会被打击学习的自信心和学习动力，而基础较好的学生又无法得到更加丰富的资源，无法促进对学科的深入学习。随着互联网技术在教育领域应用的深入，学习者的学习方式有很多改变。从老师面对面解惑答疑到上网搜索资料进行在线学习，互联网+教育为学习者提供了多样化的学习途径。不断快速增长的学习资源(包括线上线下资源)，让学习者面临着“信息过载”和“信息迷航”的困惑。面对海量的学习资源，如何在有限的时间内，挖掘和推荐出与学习者自身匹配的学习资源，是教育信息化领域面临的一种挑战。教学资源推荐系统是近年来国内外的研究热点，在国内，学习资源的推荐系统也有相关的研究，例如：沈阳师范大学的郑清雅发表的《云计算环境下基于学习风格的教学资源推荐系统设计与实现》文章中，提出基于物品的协同过滤的推荐算法，将风格类似的学习者分组而进行资源推荐；云南大学的王晓康发表的《移动环境下的个性化学习资源推荐策略研究》文章中，提出学习者移动情景特征和资源特征的关联度，采用协同过滤算法进行推荐。基于学习风格的推荐系统，需要能够采集到大量的用户信息，若自动采集会造成千篇一律无法实现个性化，而让用户主观提供，采集的样本数据又而基于评分系统的学习者模型将学习资源进行评分；而协同过滤推荐主要需要大量的社会化标签，而采集在校学生在学习方面的数据较少。然而在校学生采用测试的方式检测学生学习成果是最多的，并产生大量的测试评分数据，以提升学习者的学习效率为目标，采用逻辑回归模型不断迭代，应用测试结果对学生的学习情况进行多次二分类，根据分类结果进行学习资源主动推荐，以提高学习者测验分数的期望值为目标，从而构建个性化的学习资源推荐系统。

1 基于评分系统的学习者模型

在使用协同过滤推荐算法构建学习者模型时，主要根据学习者的社会化标签、学习风格、认知水平等因素进行推荐，这类推荐主要应用在广泛互联网中的学习资源平台。而对于校园内部的学习资源推荐，主要建立在学习者差异化的情况下进行自主学习的方式，将可以更好利用学习者在学习平台保存的历史数据来客观显现评分。构建更具个性化的学习者模型，需要对学习者赋予初始化数据、对产生变换的数据进行及时变更，将学习风格、学习行为、测试结果、自我评价等方面进行评分而不断迭代，从而不断刷新推荐结果，建立基于大数据的个性化学习者模式，不断干预和改进学生学习路径。例如，一位学生某门课程考试成绩不及格，此时应该推荐该学科较为基础的学习资源；而当一位学生在某门课程考试成绩达到优秀时，应该对应推荐进级的学习资源，从而实现个性化和差异化、个性化学习路径生成的学习资源推荐系统，基于评分系统的学习者模型示例如图1所示。

图1：基于评分系统的学习者模型

2 学习资源建模

多数的学习资源都是建立在学习者的需求上，并作为学习者学习和交流的媒介，系统中的学习资源之间是离散的，在大数据视阈下，需要对学习资源进行统一管理和归类，进行学习资源属性、效能、类型的大数据分析。在统一化的学习资源推荐中，学习者接收到的资源都是统一的。而个性化学习资源平台以学习者为中心，需要重新对学习资源进行建模，通过社会化标签实现学习者与学习资源建立起联系。例如，学习者通过测试成绩，系统除了可以推断对哪些学习资源有需求，对哪些知识点有欠缺，同时根据测试题目的水平，产生一个资源评分，即需求评分，从而构建评分矩阵，累计到该用户的学习资源评分中，再形成邻居矩阵，产生相似性邻居时，能够产生更精确的数据，推荐更符合目标用户需求的学习资源。例如用户U 在学习完资源X 后，进行了评分，给予该资源10 分，并浏览和分享了该资源，产生隐性评分 5 分，总分15 分。假如学习者在自我测试中，做错了层次较难的测试题，此测试题设置的社会化标签匹配学习资源X,故用户U 对资源X 的实际评分为 15+5*0.9=19.5。 在个性化学习资源推荐模块中，根据学习资源特征以及与测试题社会化标签的对应关系，形成个性化学习资源推荐学习资源模型。

3 基于逻辑回归模型的应用

回归指的是在二维空间中有一些数据点，用一条直线来拟合这些数据点经过的路径。而逻辑回归（Logistic Regression）是一个分类模型，需要在样本进入模型之后给出分类标签。所以逻辑回归对于回归得到的数值会进行一个处理，使之变成0 和1 这样的标签。这个梳理就是将得到的数值输入到一个函数中，这个函数就是单位阶跃sigmoid 函数。在学习资源推荐系统中，预测的过程实质就是一个二分类的问题，主要就是判定一个学习资源对学习者学习某个知识的作用，是有用还是没有。而这个过程是一个伯努利函数，整个过程是一个伯努利分布：

而在逻辑回归中主要是在线性回归的基础上利用了一个逻辑函数sigmoid 阶跃函数，当输入为0的时候，值为0.5，而输入＞0的部分，很快便逼近于1，输入＜ 0 的部分，很快便逼近于0。其工作流程首先对数据进行一个拟合，不管是二维空间里 y = k * x + b 这样的直线，还是三维空间里y = a1 * x1 + b2 * x2 + c 的平面，或是更高维度需要学习更多的参数。像y = k * x + b 中的k、b，像三维空间里平面 y = a1 * x1 + b2 * x2 + c 这里面的a1、b2、c 这样的参数都是需要学习的。学习完这些参数之后，也就得到了模型。得到模型之后，用参数与输入的特征进行相乘，同时将得到的数值放入单位阶跃函数中得到类别。

4 个性化学习资源推荐系统

随着信息技术和互联网技术的发展，人们从信息匮乏时代步入了信息过载时代，在这种时代背景下，人们越来越难从大量的信息中找到自身感兴趣的信息，信息也越来越难展示给可能对它感兴趣的用户，而推荐系统的任务就是连接用户和信息，创造价值。推荐系统主要用来预测使用者对于他们还没有见到或了解的事物的喜好。由于网络信息的复杂性和动态性，推荐系统成为解决信息过载问题的有效途径。作为一种信息过滤系统，推荐系统具有以下两个最显著的特性：

（1）主动化。从用户角度考虑，门户网站和搜索引擎都是解决信息过载的有效方式，但它们都需要用户提供明确需求，当用户无法准确描述自己的需求时，这两种方式就无法为用户提供精确的服务。而推荐系统不需要用户提供明确的需求，而是通过分析用户和物品的数据，对用户和物品进行建模，从而主动为用户推荐他们感兴趣的信息。

（2）个性化。推荐系统能够更好的发掘长尾信息，即将修改化信息推荐给用户。热门信息通常代表绝大多数用户的兴趣，而冷门信息代表小部分用户的个性化需求，在大数据火热的时代，发掘个性化信息是推荐系统的重要研究方向。校园个性化学习资源推荐系统是一个应用于校园内部的教学资源的分布式资源管理与推荐系统，主要包括用户管理、资源管理、教学效果检测管理、教学资源推荐等模块，构建个性化推荐模型主要是根据不断迭代更新的测试评分数据，应用逻辑回归模型，将对知识点的掌握情况将测试者进行二分类，而知识点事先进行逻辑分类，并根据测试者的测试结果，再次进行分类，同时依据个人特殊值标签进行智能化的预测结果，将学习资源分类预测结果推荐给用户。以用户使用推荐的学习资源后进行测试的评分结果作为输入，系统对推荐的内容与学习完后的测试结果进行大数据分析，给推荐结果进行评分，并结合用户的评价进行推荐效果的综合检测。

5 结束语

在大数据时代背景下，建立个性化的学习资源推荐系统，全过程采集学习者评分测试等特征数据，基于评分系统的学习者模型，动态分析学习者学习行为及各类评分数据，全面评价学习者学习结果，构建学习资源系统，采用逻辑回归模型不断迭代对学习者及学习资源进行多次二分类，解决数据离散问题，根据分类结果进行学习资源主动推荐，以提升学习者测验分数的期望值为目标，构建个性化的学习资源推荐系统。