张沛露

(吉林建筑大学，吉林 长春130033)

1 概述

随着互联网海量信息的发展，我国的信息产业技术也随之迅猛增长，这为我国高校学生的培养模式提供了全新的服务方式，但学生很难再海量信息数据中，根据自身的需求，有针对性的选择需要的信息。在学生学习过程中，网络教学及浏览信息，学生的学习行为和过程能够及时记录保存下来，本文根据这些保存的信息，科学进行数据分析，研究学生的学习行为，帮助学生设计合理的教学课程学习体系，指定科学的教学策略，从而将其应用到学生的教学之中，从而帮助学生明确学习目标，使得课堂教学针对性更强，从而帮助提升教学质量和教学效果。

目前，对于高校学生的培养，大数据及智能技术的出现和飞速发展更是引起了教学理念、教学方式、学生培养模式的变革。一直以来高等学校的学生培养模式往往是在专业建设之初便确定下来，很少进行修改。即使进行修改，也很难针对学生特点进行个性化调整。高等学校教学过程中，存在诸多问题，例如学生无法理解而导致学习兴趣不足，或者教师即来即走的教学方式导致师生沟通不足，教师难以及时跟踪学生的学习状况等等，上述问题严重影响授课效果。过去以教师为中心的传统培养模式，已经难以调动学生的学习热情和学习的主动性。学生在校内学习过程中，在慕课、图书借阅、校内网站浏览等学习、生活过程中留有大量学习轨迹。利用学生的学习轨迹，通过分析学生的兴趣、偏好数据，使用智能推荐算法，获得具备个性化特点的课程体系，动态调整培养计划，完善高校人才培养机制成为亟待解决的问题。

2 推荐算法概述

个性化的推荐算法，可以在茫茫的海量信息数据中，帮助用户寻找到用户感兴趣的信息，及时主动推荐出用户的兴趣目标点，避免了用户寻找海量信息所导致的厌倦状态，极大提升信息的有效利用。

一个设计合理的推荐算法，能够充分挖掘出用户的偏好，主动向用户推荐出用户极大的需求信息。在推荐过程中，要求智能推荐系统在拥有一个有效推荐算法的基础上，同时能够及时采集用户的需求、进而分析用户的喜好，以及设置被推荐产品信息具备的合理属性。推荐算法通过设置的产品本身特有的属性，并且及时采集到用户的需求，对用户和产品做出一个匹配，将匹配程度进行排序，根据匹配程度做出最优的推荐方式，帮助用户获取有效信息（如图1）。

图1 推荐算法示意图

图1 为一个通用的推荐算法的示意图，推荐算法首先应该能够通过分析研究用户的历史行为信息，挖掘出用户的偏好信息，再将其所偏好的信息添加到用户模型中。使用用户模型和推荐对象模型，将用户信息和对象信息作为输入，进而推导出推荐结果。同时需要将推荐结果所产生的新的行为数据，计算用户的偏好分析，计入用户模型，从而根据历史数据，指导完成下一次的推荐过程。

2.1 协同过滤推荐算法

协同过滤推荐算法，即当系统为用户完成智能推荐使，推荐系统首先寻找与用户的需求喜好极大相似的用户，根据两个相似用户之兴趣内容的差集做出对应的推荐。这样的推荐方式，因为他们彼此之间存在着诸多相似的兴趣偏好，那么就可以推测他们同样必然相互对对方的内容感兴趣。

2.2 基于图结构的推荐算法

基于图结构的推荐算法，将协同过滤算法中用户-项目评分矩阵通过建立模型把用户-项目评分矩阵构造成二分图，图的节点分别表示用户和项目，图中的边来表示用户对对应项目的评价。

2.3 基于内容的推荐算法

基于内容的推荐方法，通过保存用户的历史信息，比如浏览的文档、文档主题内容、浏览的时间等，通过分析挖掘用户的上述历史信息，建立用户的偏好信息，再根据数据模型选取的相似度计算，得到待推荐的项目与用户偏好文档之间的相似度，最后再根据计算得到的相似度结果，将用户感兴趣的内容推荐给用户。

2.4 混合推荐算法

混合推荐算法，将上述三种推荐算法相结合，避免其本身所存在的缺点、取其优点而提出的。为的是能够彼此之间相互取长补短，通过综合各种算法的结果，推导出用户最满意的推荐结果。

3 基于学习轨迹的学生培养模式智能推荐算法

3.1 数据的采集与挖掘

采集学生校内外学习、生活过程中产生的海量的网络元数据，通过对使用智能推荐算法，形成学生学习兴趣、课程的智能推荐，学校根据智能推荐的结果和学生意愿，完成对学生学习课程体系的再设计，安排进行相应专业的学习，实现学生培养模式的创新。采集学生信息、图书信息和借阅信息等作为本推荐系统的数据源，通过应用智能分析技术，强化学生实践环节的差异化、人性化。

3.2 推荐算法的选择

基于兴趣爱好的推荐算法，采用基于物品的协同过滤算法（Item-based collaborative filtering，简称为ItemCF）。该算法的核心是：利用用户行为数据计算物品之间的相似度，根据用户的历史行为和物品相似度矩阵，进行个性化推荐。在预测用户兴趣爱好时，一定要考虑将用户近期的行为权重加大，用户推荐结果中加入时间有效性信息。基于学习轨迹的推荐算法的核心在于从学生在校内图书借阅历史、网络浏览历史等后台数据挖掘更加具备个性化、专业化的课程体系，使得学生培养更加具备针对性，提高学生培养质量。

ItemCF 算法主要包括两个步骤：

a.计算物品之间的相似度

用户的兴趣通常集中在某些方面，比如两个物品隶属于同一个兴趣列表，那么这两个物品可能就属于固定的几个领域，而两个物品若同属于很多用户的兴趣列表，那么他、它们就可能属于同一个领域，因而有很大的相似度。因此用下面公式计算物品之间的相似度：

其中,W(i,j)表示i，j 两个物品间的相似度；N(i)表示喜欢物品i 的用户集合，|N(i)|表示喜欢物品i 的用户的个数

b.计算用户U 对一个物品的兴趣

P(u,j)代表用户u 对物品j 的兴趣，S(j,k)代表物品j 相似的k个物品，N(u)表示用户产生行为的物品集合，r(u,i)表示用户u 对物品i 的评分。

3.3 ItemCF 的改进

a.考虑物品的热门程度

在物品相似度的计算过程中，活跃用户对物品相似度的贡献要大于不活跃用户，也可以考虑热门程度越高对计算物品相似度贡献也就越大。计算物品的相似度公式如下：

其中|N(u)|表示用户u 感兴趣的物品个数

b.时间上下文相关的ItemCF 算法

在计算物品相似度时，考虑时效性的影响也是重要内容。距离当前时间越近，用户喜欢的物品更有相似性，计算相似度公式如下：

近期行为相比之前行为更体现出用户当前的兴趣，此时，用户对物品的兴趣P(u,i)使用以下式计算

3.4 实验结果

实验中，以软件工程专业课程体系为例，应用上述推荐算法，改进更新课程体系，可以获得更加符合个性化特点的课程体系。

图2 推荐算法示意图

结束语

创新学生培养模式作为培养具备创新能力学生的关键因素，如何为学生提供更加个性化，具备更符合时代发展潮流的课程体系是创新培养模式的有益探索。利用先进的智能推荐算法，基于学生日常学习轨迹，获得更加合理的课程体系是解决上述为题的有效手段。考虑如何应用大数据技实现个性化推荐系统的完善，其在教育领域中的研究将会变得越来越重要。