文/汪永成（安徽医学高等专科学校）

一、引言

随着计算机软硬件技术的快速发展和网络带宽的大幅度提升，Web3D 技术成为计算机应用领域的重要发展方向。其由于综合了B/S 及3D 的技术特点，具有兼容性好、网络应用集成简单、交互性强、视觉效果形象逼真等优点，在教育教学、地理信息、建筑信息模型等很多领域得到一定应用。然而在网络延时较高、Web3D 资源较大、计算机性能较弱等场景下，Web3D应用存在着因3D 显示过慢导致用户体验差、预期的用户操作不及时响应等问题。为解决这类问题，学者们从Web3D 文件格式、网络环境、加载机制和渲染算法[1]等方面开展研究并提出解决方案，其中应用最广泛的是预加载技术。在不同应用领域中，Web3D 资源预加载时所采用的资源预测技术有所不同[2]，教育教学领域中最常用的是个性化推荐技术。个性化推荐技术是通过物品的内容信息，根据用户的历史偏好数据、个人兴趣、网络社交信息、所在环境等信息去判断用户目前最需要或者最感兴趣的内容（物品或服务）[3]，其目标是从海量信息数据中提取用户所需要的信息从而解决“信息超载”问题[4]。本文以Web3D 仿真教学系统为例，引入互联网中常见的个性化推荐技术作为Web3D 教学资源预加载时的推荐方法，以提高资源预测的准确率、提升用户体验。

二、 个性化推荐技术在教学资源预加载中的应用

1.基于个性化推荐技术的Web3D 仿真教学资源预加载机制

本文提出了基于个性化推荐技术的Web3D 仿真教学资源预加载机制（图1），原理是通过用户的注册信息、学习记录、历史行为特征等信息建立用户画像，并利用课程标准、Web3D 文件构建资源图谱，再基于用户画像和知识图谱提出新的混合推荐算法。当传输通道空闲时，用户本地浏览器自发进行资源预加载请求，服务器收到用户的请求后，通过混合算法预测出用户下一步可能需要的Web3D 教学资源，并将服务器上的资源提前传输到用户浏览器，以此来减少用户下一步由于等待Web3D 教学资源数据传输所带来的等待时间过长、显示卡顿等问题。

图1 基于个性化推荐技术的Web3D 教学资源预加载机制

2.教学资源个性化混合推荐算法

（1）用户画像的构建

在仿真教学系统中，针对不同的学习者建立用户画像以达到精准教学的目的是目前教育大数据中个性化推荐的重要研究内容。用户画像的构建首先需要采集学习信息的静态信息和动态信息。静态信息包括身份属性数据（姓名、年龄、性别、专业、班级等）、个体属性数据（科研方向、兴趣爱好等）、能力属性数据（专业技术能力、科研水平等），动态信息包括学习行为数据（学习时长、学习进度、学习方法偏好、学习专注度等）、团队行为数据（团队参与度、学习者的团队定位、领导水平等）。然后建立多维标签系统，将学生及学生群体的数据信息与其进行比较分析，基于典型的参考词汇系统构建用于用户画像处理过程所需要的标签词汇，再对标签词汇进行梳理、归纳和合并，形成多维标签系统，通过标签化系统的构建，实现学生及学生群体个性特征的形象化和具体化，为用户画像模型的构建提供参照基础。最后，利用相关数据挖掘方法对学生及学生群体进行聚类分析和关联分析，结合已建立的多维标签系统来建立学生用户画像库及学生群体用户画像库，从而实现用户画像的构建[5]。

（2）知识图谱的构建

知识图谱是一种典型的多边关系图，由节点（实体）和边（实体之间的关系）组成。本文要建的知识图谱属于仿真教学系统所在的学科知识领域，主要构建思路是首先根据课程标准或教学大纲构建层次化结构的知识树，然后挖掘每个Web3D 资源所对应的知识点以及知识点之间的横向和网状关系，清楚地描述知识点之间的关系，并根据知识关系来组织Web3D资源，确保每个Web3D 资源都有对应的知识点以及知识树下所有知识点都有对应的Web3D 资源。构建知识图谱常见的方法有两种，一种是信息技术手段，利用知识工程、机器学习等技术在资料中分析提取知识点之间的关系，这种方法构建速度快，缺点是提取不够准确、存在偏差；另一种是需要人工深度干预，主要依赖领域专家的经验，经过专家充分的讨论形成最终的知识体系，这种方法构建知识体系的过程相对较慢，但是更加精准和权威。在Web3D 仿真教学系统中，想对用户下一步需要加载的资源进行精准预测，需要对知识体系的准确性更高，而且仿真教学系统通常有相应的课程标准，知识结构比较清晰、资源数量较少，所以Web3D 仿真教学系统中知识图谱的构建采用第二种方法更合适。

（3）混合推荐算法

将基于用户画像的推荐算法与基于知识图谱的推荐算法进行融合，增强两者的互补性，形成一种新的混合推荐算法，可较好地提升推荐性能。先分别单独使用基于用户画像的推荐算法和基于知识图谱的推荐算法进行预测，再将两个算法的预测结果混合后进行推荐。考虑到在教学系统中，学习进度一致的学生通常对教学资源的需求有着较高的一致性，因此基于用户画像的推荐算法采用基于用户的协同过滤算法，而Web3D 仿真教学资源之间存在着较强的信息网络，因此基于知识图谱的推荐算法采用基于路径的推荐算法；新的混合推荐算法先设定推荐效果的评价标准，再对基于用户画像和基于知识图谱的两个算法推荐结果进行对比，选择评价较高的算法作为新的混合推荐算法的推荐结果，形成最终的推荐。

三、总结与展望

本文就目前Web3D 仿真教学系统中遇到的加载过慢等问题，运用互联网中常见的个性化推荐技术，首先提出基于个性化推荐技术的Web3D 教学资源预加载机制，然后以个性化推荐为导向，对仿真教学系统中的用户画像和知识图谱如何构建进行初步探讨，并结合现有推荐算法的优缺点，提出基于用户画像和知识图谱相融合的混合推荐算法，对Web3D 系统中资源加载过慢的问题提出了新的解决方案。

随着互联网、人工智能等技术的发展，基于Web3D 的仿真教学系统凭借其技术优势、理论与实践结合优势，个性化推荐算法将会越来越多地被应用于教育教学领域，是未来Web3D 仿真教学系统的一个重要技术发展方向。[本文系安徽医学高等专科学校校级教研课题 “基于WebGL 的三维可视化技术在神经解剖教学中的应用研究”（编号：2019ahyzjyxm0 24）的研究成果。 ]