基于数据挖掘的在线学习平台个性化推荐系统设计论文

SCI论文（www.lunwensci.com）

　　摘 要 ：本文结合数据挖掘技术,设计并实现了一个个性化推荐系统。系统首先根据用户的学习行为以及动态特征进行分 析,并对每种特征设置一定的权重完成学习需求挖掘。然后将学习者的兴趣向量与学习资源特征向量的相似度进行匹配,判断 后列出最优推荐资源。结果显示,通过本文的个性化推荐系统进行在线学习之后,有 65% 的学生成绩提高了,且系统的精度 和召回率分别达到了 0.40 与 0.20.可以在一定程度上帮助用户进行个性化高效学习。

　　【Abstract】：In this paper, a personalized recommendation system is designed and implemented by combining data mining technology. The system first analyzes the user's learning behavior and dynamic features, and sets certain weights for each feature to complete the learning demand mining. Then it matches the similarity between the learner's interest vector and the learning resource feature vector, and lists the optimal recommended resources after judgment. The results show that 65% of the students' grades are improved after online learning through the personalized recommendation system in this paper. And the precision and recall of the system reached 0.40 and 0.20 respectively, which can help users to personalize and efficient learning to a certain extent.

　　【Key words】：data mining;personalized recommendation;learning behavior;dynamic features;online learning

　　0 引言

　　近年来, 移动互联网的飞速发展促进了各类在线学习 应用的出现,例如网易公开课,不仅给人们带来了大量的 教育内容,还吸引了大量的用户 [1]。然而,由于各类在线 课堂的出现,课程资源的数量急剧增加,导致许多人难以 找到合适的课堂内容 [2]。且由于技术发展的进步, 在线学 习平台已经具备了更强大的自我识别功能,可以根据用户 的需求、喜爱、兴趣等特点,实时地进行自我反馈,从而 满足用户的各种需求。此外,还需采用更加先进的交互式 体验, 让用户更加轻松愉悦 [3.4]。可见, 智能化和个性化 服务的不充分是在线学习系统使用效果不理想的根源。

　　岳佩等人基于深度学习为英语教学资源构建个性化 推荐系统,通过爬虫技术获取用户行为数据和英语教学资源数据,提取二者的特征并融合。利用深度学习模型 建立用户行为特征和英语教学资源特征之间的关联,实 现个性化推荐 [5]。王茹雪对在线学习平台个性化推荐系 统的设计与构建展开讨论,设计出基于教育大数据设计 学习资源个性化推荐系统,满足学习者学习需求,提高 学生学习满意度 [6]。孙滨等人将 Java 技术与深度学习 相结合,设计了思政资源个性化推荐系统,结合数据库 及课程资源管理模块完成系统软件设计 [7]。

　　本文通过运用先进的数据挖掘技术,创造出了一种 新的个性化推荐模型。针对学生学习行为以及动态特 征,为学生提供不同水平的课堂指导,从而实现个性化 学习。这种新的教育理念大大拓展了传统的课堂教育, 让学员可以随心所欲,从而获取最佳的学习体验。在实践教学中,通过系统性能与效用分析验证了个性化系统 的实用性。说明了数据挖掘技术为创新的课堂管理体 制、课堂评估体系等做出重要贡献,建立了一个能够持 续不断地进行学习的文化氛围。

　　1 数据挖掘的应用

　　1.1 学习需求挖掘

　　数据挖掘通过分析学习者的行为和个性特征,自动 发现学习需求。在没有足够的学习数据时,通过分析用 户注册信息来发现学生的潜在兴趣点,满足学习意愿 [8.9]。 利用每种特征f,来评估学习者对该知识点的兴趣程度 p(f,i),以便更好地掌握所学内容,如式(1)所示 ：

　　其中, N(i) 是用户都对某个知识点 i 感兴趣, U(f ) 是具有特征f 的用户集合。

　　根据用户的浏览量和浏览次数, 评估学习者对某个知 识点的关注度。为了确保准确的评估结果,应当根据每次 浏览学习材料的数量, 选择一个相应的浏览量作为衡量标 准,并使其与预期的浏览量保持一致,如式(2)所示 ：

　　在公式 (2) 中, Fr(i,j) 代表的是访问知识点的时间 单位, Dur(i,j) 为访问频率。通过设定一个阈值 k,衡 量用户j 对某个知识点 i 的关注程度,从而确定学生是 否有兴趣去探索这个知识点。此外,还要给每个特征分 配一定的权重,计算出学习者的学习需求。

　　1.2 学习动态特征挖掘

　　动态特征被定义为一系列的信息,反映出学习者的 认知状态、主要学习内容、对学习资源的掌握程度、对 一些学习资源的评价信息等 [10]。这些信息会随着学习 者的学习行为而发生变化,并且不断地被更新。因此, 利用这些动态数据来深入分析和挖掘学习者的学习行为 显得尤为重要。如图 1 所示为学生动态数据标签体系, 主要通过数据采集层、数据分析层、表示层对学习者的 动态数据进行模拟。

　　学习过程是一个复杂而多变的过程,每个人的学习 行为都有所不同,这些行为可以反映出学生的兴趣和偏 好。因此,通过收集学生的学习行为数据,就可以更好 地了解学生们的需求,并根据这些信息来调整教师的教 育方式。具体算法描述如式(3)、式(4)所示 ：

　　其中, N(u) 代表的是感兴趣的知识点集合, S(j,k) 是与知识点j 的相似度集合, Wji 代表的是知识点之间的 相似度, rui 是用户对知识点 i 的兴趣。通过以上算法就 可以得到和学习者历史上感兴趣的知识点关联度高的知 识点列表。所挖掘出来的知识点可用于知识推荐。

　　1.3 学习资源挖掘

　　学习资源挖掘是通过将学习者的兴趣特征向量与学 习资源的特征向量进行对比,并且取出相似度。计算公 式如式(5)所示 ：

　　其中, wi R 是关键词 i 在学习资源 R 中的权重值, wi I为学习者兴趣 I 的权重值。在本文推荐系统中,既考虑 了学习者的学习兴趣,又考虑了学习者的学习风格,则 学习风格与资源风格相似度计算公式如式(6)所示 ：

　　其中, Sij,S 表示学习资源中学习风格第 i 维度第j 个 值, Lsij,L 表示学习者学习风格第 i 维度第j 个值。

　　通过比较学习者的学习风格和资源风格,将相似度 较高的学习资源按照降序排列,然后将其他资源按照相 似度递减的顺序进行推荐 [11.12]。

　　2 构建在线学习平台个性化推荐系统

　　2.1 系统推荐流程

　　通过数据挖掘技术,可以建立一个针对不同学习者的 学习资源推荐系统。收集用户的个人信息和课程信息, 引 导学生完成课前的学习测试,并根据学生的学习风格,提 供最合适的学习资源。通过研究用户的行为特征,分析学 生对资源的偏好,并计算出学生与其他人的相似度, 这样, 就可以根据用户的需求来推荐适合学生的学习资源。

　　2.2 推荐系统

　　个性化学习旨在通过深入了解学生的需求,并结合实际情况,量身定制最适合学生的学习策略和方法,以 帮助学生更好地实现自己的学习目标。针对初次接触该 平台的学生,采用问卷的方式收集学生的详细资料,以 便更好地分析学生的需求,最终确定学生所需要的特定 专业技能以及最佳的解决方案。通过数据挖掘技术,本 文构建了一个个性化的学习资源推荐系统,不仅可以帮 助学生更好地根据自身的兴趣爱好选择学习内容,而且 还能够有效地改进传统的教学模式和教学方法,从而实 现因材施教、按需学习的目的。同时也为学习者提供了 更多的选择,极大地提升了学习的质量和效果,并且通 过提供全面的学习指导,为其建立一个终身的学习环境。

　　3 个性化推荐系统实践分析

　　3.1 系统性能测试

　　系统进行了个性化学习资源推荐测试,设置了不同 的推荐数量 20、40、60、80、100. 测试结果如表 1 所 示。从精确率和召回率来看,系统表现良好,尤其在推 荐数量为 60 时, 精度和查全率均达到了 0.40 和 0.20. 而平均绝对误差值显示系统误差较小,且随着相似性学 习资源数量的增加,评分的稀疏性降低,误差逐渐减 小,这表明系统在个性化学习资源推荐方面取得了良好 的效果。通过表 1 测试结果,说明应用数据挖掘技术, 可以为具备特定学习目标的人群量身定制个性化的学习 建议,大大提升学习成果,特别是对那些拥有较少的空 闲时间和资源的学生来说,可以极大地减少学生在网络 上的消耗,从而获得最佳的学习体验。

　　3.2 系统效用分析

　　本文选取某高校进行实践检测,选取了 200 名学生 分为对照组,通过自由的浏览模式进行在线学习 ;另选 取 200 名学生为实验组,利用个性化推荐的学习路径 进行教学实践。如表 2 所示为学习效果对比结果,在对 照组中,学生通过自有浏览的形式进行自主学习,则成 绩提高人数占据 32%,成绩倒退的人数却达到了 52%, 说明该学习模式并不理想 ;而实验组的同学根据个性 化推荐系统进行在线学习,有 65% 的学生成绩提高了, 说明个性化学习策略能够满足实际需要,可以有效改进 用户的学习体验和效率。

　　4 结论

　　本文以在线学习平台个性化推荐系统的设计为研究 目标,利用数据挖掘技术提供给用户所感兴趣或有价值 的教学资源,并在实践分析中对个性化推荐系统进行检 测。结论如下 ：(1)在系统性能检测中,系统的精度和 查全率在学习资源的推荐数量为 60 时,效果最好,分 别达到了 0.40 与 0.20 ;(2)在系统效用分析中,实验组 有 65% 的学生成绩提高了,说明个性化学习策略能够满 足实际需要,且能够有效改进用户的学习体验和效率。

　　参考文献

　　[1] 王小飞,陈永展,王强,等.面向大规模数据的SVDD在线学习 算法[J].测控技术,2023.42(8):1-6.
　　[2] 钟亚妹.线上教学学生学习行为与成效的大数据分析研究 [J].无线互联科技,2021.18(15):126-127.
　　[3] 姚培娟,张亚娟,付辉,等.基于大数据的计算机科学与技术课 程线上教学系统设计[J].信息与电脑,2022.34(14):130-132.
　　[4] 董庆超.基于大数据的思政课程线上教学资源推荐系统设计 [J].信息与电脑,2022.34(19):13-15.
　　[5] 岳佩,张浩.基于深度学习的英语教学资源个性化推荐系统 [J].信息技术,2023.47(6):149-153.
　　[6] 王茹雪.在线学习平台个性化推荐系统设计研究[J].电脑知 识与技术(学术版),2022.18(32):41-43.
　　[7] 孙滨,程艳艳.基于深度学习的Java课程思政资源个性化推 荐系统研究[J].信息与电脑,2023.35(6):17-19.
　　[8] 王仡捷.基于数据挖掘的课程推荐系统设计研究[J].电脑知 识与技术(学术版),2023.19(14):54-56.
　　[9] 张希平,姜华.基于数据挖掘的高校图书馆图书推荐系统探 究[J].信息记录材料,2021.22(10):241-242.
　　[10] 马晓,曲建华,徐慧敏.交互视角下网络学习行为特征挖掘 [J].山东师范大学学报(自然科学版),2021.36(3):282-290.
　　[11] 牛秋月,赵营颖.融合多源数据的大学生线上学习行为特征 分析[J].科技资讯,2023.21(13):169-173.
　　[12] 魏铭,徐洪胜,唐海,等.基于数据挖掘的在线学习行为特征 分析[J].绵阳师范学院学报,2023.42(8):97-104.
 
 
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！

文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/74601.html