教育資源個性化推薦方法研究與實現

李文欣，文勇軍，唐立軍

(1.長沙理工大學 物理與電子科學學院，湖南 長沙 410114；2.長沙理工大學 近地空間電磁環境監測與建模湖南省普通高校重點實驗室，湖南 長沙 410114)

0 引 言

近年來，國內外對個性化推薦技術研究越來越重視，個性化推薦技術廣泛應用于在社交網絡、電子商務等領域[1-2]。隨著網絡教育資源的爆發式增加，教育資源的查找效率越來越低，而教育資源的用戶數量越來越大，用戶需求迫切與教育資源利用率低的矛盾越來越突出，因此，教育資源的推薦方法研究和推薦系統的實現引起了國內外研究人員的高度重視[3-4]。文中利用大數據分析技術開展預測算法的研究，構建基于用戶和教育資源之間的預測模型，探討教育資源的推薦方法，設計并實現教育資源個性化推薦系統。

1 教育資源的推薦范圍與要求

1.1 教育資源推薦范圍

根據教育資源的更新頻率和權威性，文中選擇參考書、論文、教學資源(課件)和教育發展動態等四類關鍵資源為研究對象[5-6]，選定四個官方網站公開信息作為本課題研究的數據：選取“中國高校教材圖書館”作為參考書的數據來源，選取“中國知網”作為論文的數據來源，選取“高等教育資訊網”下的“中國高校課件下載中心”作為教學資源(課件)的數據來源，選取“中國教育新聞網”作為教育發展動態的數據來源。

1.2 教育資源推薦要求

一般的推薦系統必須將一定范圍內的資源全面、準確、實時地推薦給用戶，文中針對教育資源推薦主要考慮推薦覆蓋率、推薦準確率、推薦實時性的要求。

(1)推薦覆蓋率：推薦的教育資源信息必須涵蓋參考書、論文、教學資源(課件)和教育發展動態等資源類型。

(2)推薦準確率：推薦的教育資源信息必須符合用戶的特征屬性，即必須與用戶的實際需求相關聯，要求推薦準確率大于80%。

(3)推薦實時性：用戶自身特征值的改變，或教育資源的更新，系統能及時響應，自動調整用戶-教育資源模型參數，推薦出最新最適合用戶的教育資源信息。

2 預測推薦的原理和技術

2.1 預測推薦的原理

(1)矩陣分解模型(GMF)。

GMF模型[7]是一種在推薦領域中常用來降低維數的技術，將原始矩陣分解為兩個或多個矩陣的乘積，用來彌補稀疏矩陣的缺陷，因此可用于推導和完善用戶和教育資源特征值信息，能夠很好地處理用戶和教育資源中的線性關系，如圖1所示。為獲得用戶-教育資源稀疏矩陣中的未知預測值，將用戶特征值u和教育資源特征值r作為參數輸入到GMF模型中，形成用戶特征值矩陣pT和教育資源特征值矩陣q，將用戶特征值矩陣與教育資源特征值矩陣進行點乘運算pT*q，得到用戶-教育資源關系矩陣中Y12、Y21、Y23等預測值，表示為：

(1)

圖1 教育資源預測中GMF原理

(2)多層感知機模型(MLP)。

(2)

2.2 預測算法分析與模型

將NeuMF預測模型[9]引入教育資源推薦中，結合上面討論的線性GMF模型和非線性的MLP模型，處理用戶-教育資源間線性和非線性關系，得到教育資源預測值。

NeuMF教育資源推薦模型流程如圖2所示。

圖2 NeuMF教育資源推薦模型流程

在NeuMF教育資源推薦模型中，線性的用戶-教育資源預測值由GMF模型輸出，用yGMF表示；非線性的用戶-教育資源預測值由MLP模型輸出，用yMLP表示。由式3可知，Sigmoid函數在特征比較中權值更新準確，使用Sigmoid函數激勵yGMF和yMLP，得到式4表示的最終教育資源預測值。

(3)

(4)

2.3 相關技術

(1)爬蟲技術。

爬蟲技術[10]，是按照一定規則，自動抓取互聯網信息的程序或者腳本，功能上分為數據采集、處理和儲存三部分，可以很好地用于教育資源數據獲取。實現方法分為分布式爬蟲、Python爬蟲和Java爬蟲等。文中采用Java爬蟲技術實現教育資源的獲取。

教育資源爬蟲技術中，設定資源名稱、資源類型、資源更新時間等作為爬蟲標簽，提取數據庫中教育資源信息網站庫中的URL，作為爬蟲URL隊列，模擬用戶發送訪問請求，得到特定網頁源代碼。通過對網頁源代碼的解析，根據資源標簽找到標簽中的資源名稱、資源類型和資源更新時間等內容。內容依照教育資源信息表中的資源名稱、資源類型、資源來源等字段格式化，存入本地MySQL。

通過MySQL定時任務，每天自動啟動Java爬蟲操作，模擬用戶請求，對URL隊列中資源信息進行及時更新，保證教育資源信息爬蟲的時效性。同時利用定時任務，定期啟動自動刪除操作，刪除過期的資源數據，保證MySQL中教育資源讀取效率。

(2)個性化推薦技術。

基于用戶-項目特征匹配的個性化推薦技術是一種用戶和項目矩陣分解的技術[11-13]，其推薦模式可以直接應用到教育資源推薦。結合教育資源推薦的原理和方法，可以得到教育資源推薦中用戶-項目特征匹配推薦模式，教育資源中個性化推薦技術為提取用戶ID、專業領域、學習興趣、行為等特征值u和教育資源ID、資源名稱、資源類型等特征值r，作為模型參數，形成用戶特征值矩陣pT和教育資源特征值矩陣q，經過內積、求導等反復運算，ReLU函數激活，得到預測值。選取大于預定值K的預測值，根據預測值優先級得到最終的推薦教育資源。

3 系統設計與結果分析

3.1 系統架構

采用網絡爬蟲技術和基于NeuMF模型的特征匹配技術，設計實現教育資源個性化推薦系統。系統使用開源的Java語言開發設計，采用Liger UI框架，結合JavaScript和CSS技術，對系統的前端頁面進行設計。后臺采用SSM框架，Spring中實現業務對象管理，Spring MVC中的View層和Controller層響應用戶請求，Mybatis中的Dao層作為數據對象的持久化引擎，封裝數據庫中用戶和教育資源數據[14]。數據存儲采用關系型數據庫MySQL，其查找速率快和靈活性高等優勢為系統性能提供保障。

3.2 系統實現

教育資源個性化推薦系統包含教育資源獲取、教育資源信息、推薦資源信息、個人教育資源、學科信息管理等10個模塊，下面主要介紹教育資源獲取模塊和教育資源推薦模塊的實現。

1)教育資源獲取模塊的實現。

采用爬蟲技術中的Java爬蟲技術，在特定URL頁面，獲取需要的教育資源信息。將爬蟲獲取的數據格式化后存入到本地MySQL數據庫。

在特定的教育資源網站中，包含眾多公開的教育資源信息，首先要分析其教育資源信息發布頁面的源代碼，找出教育資源相關信息點位置及內容標簽結構，確定正則表達式或標簽選擇器作為爬取規則，再利用Java語言編寫爬蟲程序，獲取教育資源信息的標題、作者、分類屬性、鏈接地址等大數據信息[15-16]。將獲取的數據格式化后存入到本地MySQL數據庫。實現步驟如下：

(1)以HTTP Web Request為基類，創建DAL操作類Request Helper；

(2)通過Request Helper，創建實體Request；

(3)在Request中構造請求HTML，以Post方法提交給Remote server；

(4)獲得server 302響應后，Data flow合并寫入Document；

(5)調用專用文件操作類，逐條讀取文件；

(6)調用DAL，寫入MySQL。

2)教育資源推薦模塊的實現。

系統從本地MySQL數據庫中提取數據，將用戶特征值u和教育資源特征值r進行特征匹配，建立用戶-教育資源特征匹配模型進行分析預測，得到用戶-教育資源間的預測值，然后將預測值高于預定值K的教育資源信息推薦給Web用戶，完成教育資源信息推薦。

推薦流程如圖3所示。

圖3 推薦流程

3.3 系統測試及結果分析

教育資源個性化推薦系統設計完成后，通過實驗室模擬的方式對系統進行實驗測試，包括功能測試和性能測試。測試環境為：硬件平臺為Dell Inspiron 3420筆記本；操作系統為正版Windows7 64位；處理器為Intel(R) Core(TM) i5-3210M；內存(RAM)為8 G；數據庫為MySQL 5.7。

(1)功能測試。

測試方法：通過模擬系統用戶操作，登錄教育資源個性化推薦系統后，對各個一級模塊和二級模塊功能進行操作測試。

系統功能測試結果見表1。

表1 系統功能測試

表1表明，系統一級模塊和二級模塊等所有功能測試結果均已通過，操作正常，能夠正常工作。

(2)性能測試。

測試方法：推薦性能測試，模擬100個特征信息互不相同的用戶，通過讀取MySQL數據庫中1 000份教育資源信息，即參考書、論文、教學資源(課件)和教育發展動態各250份，對系統進行預測性能測試。實時性測試，在原基礎上改變用戶學科信息、學習興趣、行為等特征值，得到改變后用戶特征值的更新結果；改變教育資源，得到更新的教育資源特征值。在相同環境下對系統推薦性能重新測試，啟動10次系統，查看推薦的教育資源更新情況。

測試結果見表2和表3。

表2 改變前的推薦結果

由表2可知，系統推薦信息涵蓋參考書、論文、教學資源(課件)和教育發展動態等資源類型，推薦準確率均大于80%，且能推薦最新資源，系統預測推薦性能良好。

表3 改變后的推薦結果

由表3可知，在改變用戶特征值和更新教育資源后，系統能夠得到新的推薦教育資源，推薦準確率沒有太大波動，且在推薦中包含最新的教育資源，可見系統推薦性能較好，能夠及時響應用戶-教育資源間的特征改變，達到教育資源推薦要求。

4 結束語

將社交網絡、電子商務等領域中應用廣泛的個性化技術引入到教育資源推薦中，通過對教育資源用戶-項目的特征匹配模型研究，構建了基于用戶和教育資源之間的預測模型，得到了教育資源的個性化推薦方法，設計并實現了教育資源個性化推薦系統。從測試結果來看，該教育資源個性化推薦方法實時性強、覆蓋率大，推薦效果好，可以推廣應用到教育資源推薦領域。