张 颖 敏

(广州民航职业技术学院民航经营管理学院， 广州 510403)

在个性化学习方面，学习者可通过线上碎片化的学习方式随时随地选择自己感兴趣的学习内容。然而，在移动互联网背景下信息资源爆炸性增长，学习者难以从海量的碎片化信息中快速找到所需资源。随着网络碎片化信息的巨量涌现，碎片化学习的弊端日益凸显。过量的碎片化学习会对学习者的感知、注意、记忆和思维等认知过程造成“障碍”，从而影响学习效果[1]。因此，需要发展个性化学习资源推荐，实现对信息的实时精准推荐，以助于提升学习者的碎片化信息学习效率。

个性化学习资源推荐是在线学习系统面临的一项重要挑战。个性化主动推荐技术主要包括基于关联规则算法(AR)、基于推荐内容(CB)以及基于协同过滤(CF)的推荐方法[2]。协同过滤算法不需要考虑被推荐项目的内容，推荐形式多样化，可实现潜在兴趣发现与推荐[3]，因此得到了广泛的研究与应用。但由于个性化推荐的理念及其技术的实现存在局限性，目前基于协同过滤的传统推荐算法受冷启动问题的影响，资源推荐的精度受限，难以满足学习者的个性化学习需求。另外，学习情境呈动态变化，因而整个学习路径上的推荐精准度也很难得以保证。本次研究将探讨面向动态学习情境的学习者画像方法，通过建立学习者画像进行学习情境的匹配与实现个性化学习资源的精准推荐。

1 个性化学习资源推荐系统框架

1.1 概念模型

领域本体被广泛应用于知识建模中[4-5]，以机器可读的方式描述领域内的概念、属性、关系，通过本体语义的识别来实现机器对结构化、半结构化、非结构化数据的“理解”。……