论文部分内容阅读
摘 要：海量的教育信息资源、丰富的平台工具增加了学习者甄选难度，带来“信息迷航”；个性化的资源推荐服务作为一种学习支持将最适合的资源推荐给最需要的学习者。为实现个性化资源的精准推送，有效提升资源推荐服务效果，剖析网络环境下学习者在学习过程不同阶段的资源需求，结合商业领域发展较成熟的三种个性化推荐技术，探讨面向学习过程不同阶段和情境的个性化资源推荐策略。
关键词：学习过程；个性化资源服务；推荐服务
中图分类号：G434 文献标志码：A 文章编号：1673-8454（2016）05-0029-05
一、问题的提出
以云计算、物联网、移动互联网为代表的新技术层出不穷，教育信息化建设因此获得良好的发展机遇。各类在线开放课程平台、在线教育社区、网络教学平台等推动网络学习空间不断延伸与发展，全球范围内的开放教育资源项目、我国的精品课程热潮、优质资源库共建共享方略等促进了网络教育资源持续丰富与增长。技术对教育产生正向推动作用的同时也带来挑战。一方面它为推进教育部的“三通两平台”建设提供了有力的技术支撑与环境支持；另一方面海量的教育资源、多样化的网络教学平台及应用为学习者提供丰富选择的同时加重其认知负荷，导致网络学习“迷航”。有学者认为技术传播缩小了数字鸿沟抑或增大了数字鸿沟 。[1]
为破解信息过载难题，研究人员和平台建设者借鉴商业领域个性化推荐思想，将推荐服务引入教育领域。它在一定程度上将用户从“信息迷航”的焦虑中解救出来，实现了“人找资源”的信息被动检索模式到“资源找人”的信息主动服务模式的转变，弥补了搜索系统的不足。然而，现有教育信息资源个性化推荐研究重点集中在系统设计研究、算法改进研究等层面，偏向从技术角度入手研究推荐服务而未从教育的视角来整合技术。一方面是学习者需求被忽略，学习过程是分阶段的，不同阶段学习者的潜在需求均不相同，而这些需求直接影响其知识建构过程，[2]故弄清学习者在网络学习过程中的动态需求是实现精准推送和有效服务的前提；另一方面是不同推荐系统对不同学习情境的适应性研究较少。推荐服务策略中推荐系统有多种选择，如基于内容的推荐系统、协同过滤推荐系统等，但它们各有优劣，适用的学习情境相异，需结合算法特点、资源特征和用户偏好综合考虑。
二、从学习过程视角分析学习者资源需求
1.学习过程相关理论
（1）奥苏伯尔的认知学习理论
奥苏泊尔认为要实现有意义的学习，前提条件之一就是学习材料必须具有潜在的逻辑意义，因此他提出了“先行组织者”策略和“逐步分化”、“综合贯通”两条原则。[3]奥苏泊尔认为，教学内容的呈现首先应该利用引导性材料为学习者架构新旧知识的桥梁，再按照从一般到个别的思路循序渐进分层次呈现教学材料，最后巩固新知，消除平行概念的矛盾与混淆，达到融会贯通的效果。在线学习是接受学习和发现学习的统一体，最终达到有意义学习的目的，因此，奥苏泊尔的认知学习理论对我们分析学习者在学习过程各阶段的资源需求并组织学习材料具有重要借鉴意义。
（2）布鲁姆的掌握学习理论
布鲁姆提出的掌握学习理论认为只要采取合适的方法并给予足够的时间，绝大多数学习者都能相同程度地掌握学习内容，因此学习应该是从“存在差异到消灭差异”的过程[4]。根据掌握学习理论，每个学习单元的教学实施阶段要经历“常规授课”、“揭示差错”、“矫正差错”的一般流程。而在线学习大多是基于资源的学习，在学习过程的不同阶段，学习者的资源需求各不相同，亟需相应的资源推荐服务来保障学习顺利推进。
虽然关于学习过程的观点各异，但国内外教育家普遍认为学习过程具备阶段性特征。随着学习过程的层层推进每个阶段知识加工程度深入，学习者认识分化，学习者之间的差异性也随之产生并逐步凸显。
2.学习过程不同阶段的资源需求层次
（1）面向大众学习者的普适性资源
客观、普遍的知识观追求的是“同一性”，普适性价值是学校教育需要考虑的维度之一。[5]根据建构主义理论，在线学习者对知识点的意义建构是建立在各类教学资源基础上的，因此在进入新的学习单元之前，为了达到教学目标，需要为学习者提供知识地图和基础性的教学资源。另外由于大众学习者在开始进入新的单元学习时候面临共同的学习任务，也决定他们的资源需求具有一定的共性。综上，普适性资源是学习过程中面向全体学生可供选择的全面性学习材料（如课件、教学视频、习题集、辅导材料等），它代表最易满足的浅层次需求，符合普适的价值观，也是最基本的学习支持。
（2）面向相似学生群的针对性资源
网络学习环境中，师生、生生之间处于时空分离状态，学习者虽面对同样的学习内容，接收相同的教育资源，但由于学习者个体差异的客观存在，学习进度、学习效果会产生差别。当前网络环境中传统的资源服务策略要么只关注学习者的共性，而忽略网络聚集效应下大规模、倾向于无差别的学习群体会逐渐分为兴趣一致和特征相似的“小众”，[6]要么过分关注单个学习者的个性化需求，而忽视相似学习者群体之间资源需求的一致性[7]。研究并利用网络教学平台中部分学生群体的相似特征，例如兴趣爱好、知识基础等，一方面可以为之提供有针对性、准确的学习资源，提高学习效率；另一方面能为其推荐相似学习伙伴，促进协作学习，加快学习社区的建立。这种针对性资源不仅是补偿性的，也可是拓展性的，关键在于挖掘需求对象的群体特征。
（3）面向特定学习者的专题性资源
一个完整的学习过程蕴含着对知识的掌握、应用与创新的过程。随着学习的不断深入，学习者个性化知识诉求愈加明显，个体发展成为关注重点。“自主、合作、探究”的学习理念也正是对全体共同发展和个体差异发展的诠释。学生个体在学习过程中顺利完成规定的学习目标并通过形成性测验后，会面临知识巩固、探索创新的新需求，这种需求在探究性学习和具体问题解决环节会更明显。专题性资源因其打破传统模式下单元知识点的学科界限，实现知识点的融会贯通和知识结构的重新构建，能较好满足特定学习者的复杂学习需求。它并非所有相关资源的直接堆砌，而是根据教师的结构化知识经验及学习者解决问题时所需知识点的相关程度，分析知识点间的层级关系，形成专题知识网络后将其汇聚整合，满足特定学习者的高层次需求。学习过程资源需求层次如图1所示。 三、个性化推荐服务系统概述
学习者资源需求分析是开展个性化服务的出发点，需求的满足是个性化服务的终点。从现有的网络学习环境来看，资源主要靠学习者自主搜索，但学习者面对庞杂的资源条目，加上自主学习的惰性，导致资源利用率低、学习效果不佳。而传统基于Push技术的推送服务往往给不同的人推送相同的资源，推送结果不够个性化、智能化，易造成信息轰炸，令人生厌。在商业领域，常需要将“对的产品推荐给对的消费者”，目前效果最佳的就是利用个性化推荐服务系统开展个性化信息服务，它以用户为中心，帮助其及时、准确完成信息获取，提供决策支持。根据系统中使用的主要算法，可分为协同过滤推荐系统、基于内容的推荐系统和基于关联规则的推荐系统。
1.协同过滤推荐系统
协同过滤推荐系统充分体现了“集体智慧”的思想，其关键在于挖掘相似用户群，即“最近邻”。主要通过用户行为选择的相关性来判断相似性，例如打分、收藏、下载等。其算法可进一步细分为基于用户的协同过滤和基于项目的协同过滤。基于用户的协同过滤系统核心思想是“最近邻”的用户群需求相似；基于项目的协同过滤核心思想是“最近邻”的物品群具有相似的客户。协同过滤推荐系统的优势在于能处理机器难以进行内容分析的流媒体资源，如音乐、视频等；一些评价类信息也可以转换为“隐信息”，弥补了内容分析的单一性和片面性；推荐结果可能覆盖用户的多个兴趣点，帮助用户发现潜在兴趣偏好。然而稀疏性和可扩展性等问题会影响系统使用效果。[8]
2.基于内容的推荐系统
基于内容的推荐系统核心思想是根据物品本身的内容属性为目标用户推荐相关产品，分别为用户与产品建立配置文件，利用TF-IDF等方法比较两者之间的相似度，进而开展推荐服务。其关键在于产品文本信息的获取与过滤，可以用决策树、神经网络和基于向量的表示方法等技术实现。目前，商业领域侧重使用基于内容过滤的推荐系统的案例不多，比较成功的是音乐电台潘多拉。由于不依赖其他用户的打分数据和其他隐性行为数据，基于内容的推荐系统可以弥补数据稀疏性问题。对于新加入的物品或者用户，它可以根据内容和用户配置文件进行推荐，不存在“冷启动”问题。但对于机器难以自动分析内容的物品，如音乐、电影等，基于内容的推荐系统无法发挥作用。且若纯粹采用基于内容的推荐系统，提供的内容只与用户兴趣点相关，会陷入“越推越窄”的困境。
3.基于关联规则的推荐系统
基于关联规则的推荐系统核心思想是从大量数据中发掘项目间可能存在的关联关系，通过制定关联规则集进行目标项目推荐。目前已在电子商务领域的交叉及捆绑销售和零售业中得到广泛应用。与基于项目的协同过滤算法利用项目间的相似性进行推荐有所不同，关联规则类似于“因果关系”，即抓住两件看似毫不相干的商品间的相关性，例如：经典营销案例“啤酒与尿布”，关联规则“啤酒→尿布”，反之则不成立。[9]与前两种推荐系统相比，基于关联规则的推荐系统简单直接，推荐的结果通常是清晰有效的，转化率高。由于不需要提取内容信息，因此对资源类型没有限制，可以发掘用户潜在需求，而且，随着数据量的扩充，推荐精度逐渐提高。不过它的缺点在于：规则的提取、更新较难，耗时较多规则数量的增多带来管理难题。
四、面向学习过程的资源个性化推荐服务策略
1.资源个性化推荐服务策略设计
根据学习过程阶段性的特点及学习者认知结构层次化组织原则，分析得出在线学习者在不同阶段的需求基本演变过程是“基础性需求——针对性需求——提升性需求”，因此面向学习者的资源服务也相应呈递增性推进。这种学习支持服务贯穿整个学习过程，它根据当前的学习情境、学习对象采用不同的推荐策略。每个阶段的学习结束后，系统将测试诊断其知识掌握程度，以此决定下一阶段的推荐内容和策略，按逻辑分层次将学习资源呈现给学习者。整体的推荐策略流程如图2所示。
2.资源个性化推荐策略流程
学习者进入网络学习平台后，系统会根据其提供的年级、学科、学习进度等个人信息自动构建学习档案。一般来说，进入新的学习单元之前，学习者具有相似的需求，面对未知的学习内容，他们均需了解单元学习目标、知识图谱、学习重难点等基本信息。在选择进入某一特定单元学习后，学习者需充分接触与知识点相关的各类学习资源，比如课件、教学视频、课外推荐读物等，这类资源属于学习群体的共性需求，具有普适性的特征。此时，系统会利用基于内容的推荐算法将学习者文档与资源文档进行匹配，进而产生相关推荐。
学习者通过相关资源的学习，完成单元学习任务后会进入学习诊断环节。这一环节的目的是通过形成性检测了解学习者的知识掌握情况“揭示差错”，以便及时调整资源推荐服务策略，为学生提供更具针对性的个性化服务。测试题从当前知识点题库中随机抽取并根据学习者答题情况自动调整，此外学习者作业完成情况、论坛区发言情况等也是学习诊断的参考依据。从图2可以看到，学习诊断是判断学习过程走向的关键步骤。[10]一方面可以挖掘出知识水平相似的学生群，记录这些学生易错和易产生疑问的知识点，从而决定下一阶段的学习需求；另一方面从侧面反映学习资源的质量及资源推荐策略的效果，为资源及推荐策略的良性发展提供建设依据。
学习诊断不合格的学习者会进入“矫正差错”环节，这是布鲁姆掌握学习理论应用于教学实践的关键步骤，根据诊断结果提供学习处方，体现了个性化教育实质是基于诊断的教育思想。同时，依据诊断结果，可将学生按知识掌握程度进行聚类，此类学生往往有相同的资源需求。此时，系统会利用基于用户的协同过滤推荐算法推荐针对性的资源序列，并且按照学习者点击率、评论信息等隐性数据决定推荐次序。此外，学习者可以对推荐结果进行评价反馈，不满意可以通过双边互动重新推荐，满意则基于这些资源完成学习任务，再次进入“学习诊断”环节。
对于学习诊断结果合格的学习者，系统会主动询问“是否进入新的学习单元”。选择“是”的学习者，其学习档案自动更新，默认开始下一轮的单元学习。选择“否”的学习者，可以结束本阶段学习，也可以选择继续此单元的学习。此时，单元学习任务已经完成，一般性的学习目标也已达成，学习者潜在的深度学习需求开始凸显。系统需要提供一些专题性资源，为学习者打破线性学习框架，将零散、孤立的知识点融会贯通，完善知识结构。针对此情况，系统利用基于关联规则的推荐算法挖掘资源间的相关性，为学习者推荐资源序列。在此阶段，学习者也能对推荐结果评价反馈。 3.资源个性化推荐策略分析
在设计整体的推荐策略时，需根据每种系统的优劣确定其适用的学习情境，确保推荐策略实施的合理性与高效性。
（1）第一阶段：基于内容的推荐服务策略
网络学习环境中的学科资源能够生成结构化、半结构化和非结构化等多种类型的数据。[11]但教育信息资源知识点逻辑清晰、目标用户特征明显、专业针对性强，每种素材都有完整的内容描述，这均为基于内容的个性化推荐策略的实现提供可能性。另外，由于普适性资源的推荐对象是刚进入新单元学习的大众学习者，此时学习者具有相同的资源诉求，因此主要考虑资源与学习者的匹配策略，即采用基于内容的推荐系统。基于内容的推荐系统不依赖其他学习者的数据，恰能解决新用户和新学习单元的加入而导致的“冷启动”问题，直接依据学习者与资源之间的映射关系进行资源匹配。它虽无法为学习者提供非同质资源，但能够保证推荐资源的全面准确，因此适合于推送基础性、普适性的资源。实现过程分为三个阶段：资源表征、学习者需求构建、资源与学习者的匹配。首先是抽取资源的内容属性进行加权后用具体的向量来表示，然后根据学习者档案分析出学习者的资源需求并构建用户文档，最后比较资源内容向量与学习者文档的相关度，相关度最高的即为符合要求的普适性资源。
（2）第二阶段：基于用户的协同过滤推荐服务策略
针对性资源推荐服务发生在学习诊断后，更贴近学习者的实际情况，它的推荐对象为相似学生群。与上一阶段基于内容的推荐方式不同，此阶段重在建立学习者与学习者的关联，并利用这种关联特性建立资源与学生群的匹配关系，实现为相似学习者推荐相同的资源，这与协同过滤推荐思路吻合。因此，该学习情境下可以选择基于用户的协同过滤推荐策略，充分利用学生群体行为规律发挥集体智慧，考虑资源受欢迎程度，保证较高的推荐精度，且可使相似学生群在共享学习资源的同时开展协作学习。网络学习环境中学习者与资源间的交互行为和评分数据都可成为数据源，不会产生矩阵稀疏。它的实现过程首先是对学习者的测验诊断结果、历史行为如对资源的点击、下载等情况进行分析；然后通过Pearson相关系数等方法计算学习者之间的相似度，将相似学习者归类；最后根据相似学习者对资源的适用性评价情况将符合当前相似学生群需求的针对性资源汇聚整合，并将这些针对性资源推荐给目标群体。
（3）第三阶段：基于关联规则的推荐服务策略
专题性资源推荐服务发生在完成基本学习任务后，旨在促进学习者知识点融会贯通、单元内容深层掌握，它满足特定学习者的需求。本阶段的推荐服务重在建立资源与资源的关联，根据相关性强弱和因果关系将符合条件的资源推荐给学习者，实现为不同的学习者提供不同的资源服务。基于内容的推荐系统侧重于挖掘资源与学习者之间的匹配关系，基于用户的协同过滤推荐系统侧重于挖掘学习者与学习之间的相似性，而基于关联规则的推荐系统恰好可以通过关联挖掘技术发现资源背后可能存在的相关性，来形成专题性资源的汇聚与整合。它的实现过程首先是制定一系列相关的规则集，这些规则必须通过手动人为制定，主要依据学科知识点逻辑关系、教师经验，分析不同学习者学习路径，然后根据设定好的规则计算专题里学习资源间的相关性，最后将资源按照相关性强弱生成推荐序列。相较于商业领域产品规则难以抽取的问题，在教育领域，由于知识点间本身具有严密的逻辑结构，关联规则易于抽取。[12]
五、总结与展望
在网络学习空间迅猛发展、教育信息资源建设方兴未艾的背景下，为学习者提供个性化的资源推荐服务能够有效缓解信息素养差异带来的“知识沟”，从而在一定程度上促进教育公平。为发挥个性化推荐服务在网络学习过程中的有效作用，从技术角度转向学习者角度来设计推荐服务策略是关键，立足于服务需求设计服务策略，从而有效提升推荐服务效果。本文依据布鲁姆的“掌握学习理论”，分析学习者在不同学习过程中的资源需求，剖析比较目前商业领域应用较成熟的三种推荐系统，设计面向学习过程的个性化资源推荐策略。即有效整合向大众学习者推荐普适性资源的“基于内容的推荐系统”，为相似学生群推荐针对性资源的“协同过滤的推荐系统”，为特定学习者推荐专题性资源的“基于关联规则的推荐系统”三种推荐方式，为学习者提供面向完整学习过程的个性化服务，缓解信息过载、资源迷航等问题，切实提升网络学习的质量与效果。
参考文献：
[1]Plesch C.， Kaendler C.， Rummel N.，et al. Identifying Areas of Tension in the field of technology-enhanced learning： Results of an international Delphi study[J]. Computers
关键词：学习过程；个性化资源服务；推荐服务
中图分类号：G434 文献标志码：A 文章编号：1673-8454（2016）05-0029-05
一、问题的提出
以云计算、物联网、移动互联网为代表的新技术层出不穷，教育信息化建设因此获得良好的发展机遇。各类在线开放课程平台、在线教育社区、网络教学平台等推动网络学习空间不断延伸与发展，全球范围内的开放教育资源项目、我国的精品课程热潮、优质资源库共建共享方略等促进了网络教育资源持续丰富与增长。技术对教育产生正向推动作用的同时也带来挑战。一方面它为推进教育部的“三通两平台”建设提供了有力的技术支撑与环境支持；另一方面海量的教育资源、多样化的网络教学平台及应用为学习者提供丰富选择的同时加重其认知负荷，导致网络学习“迷航”。有学者认为技术传播缩小了数字鸿沟抑或增大了数字鸿沟 。[1]
为破解信息过载难题，研究人员和平台建设者借鉴商业领域个性化推荐思想，将推荐服务引入教育领域。它在一定程度上将用户从“信息迷航”的焦虑中解救出来，实现了“人找资源”的信息被动检索模式到“资源找人”的信息主动服务模式的转变，弥补了搜索系统的不足。然而，现有教育信息资源个性化推荐研究重点集中在系统设计研究、算法改进研究等层面，偏向从技术角度入手研究推荐服务而未从教育的视角来整合技术。一方面是学习者需求被忽略，学习过程是分阶段的，不同阶段学习者的潜在需求均不相同，而这些需求直接影响其知识建构过程，[2]故弄清学习者在网络学习过程中的动态需求是实现精准推送和有效服务的前提；另一方面是不同推荐系统对不同学习情境的适应性研究较少。推荐服务策略中推荐系统有多种选择，如基于内容的推荐系统、协同过滤推荐系统等，但它们各有优劣，适用的学习情境相异，需结合算法特点、资源特征和用户偏好综合考虑。
二、从学习过程视角分析学习者资源需求
1.学习过程相关理论
（1）奥苏伯尔的认知学习理论
奥苏泊尔认为要实现有意义的学习，前提条件之一就是学习材料必须具有潜在的逻辑意义，因此他提出了“先行组织者”策略和“逐步分化”、“综合贯通”两条原则。[3]奥苏泊尔认为，教学内容的呈现首先应该利用引导性材料为学习者架构新旧知识的桥梁，再按照从一般到个别的思路循序渐进分层次呈现教学材料，最后巩固新知，消除平行概念的矛盾与混淆，达到融会贯通的效果。在线学习是接受学习和发现学习的统一体，最终达到有意义学习的目的，因此，奥苏泊尔的认知学习理论对我们分析学习者在学习过程各阶段的资源需求并组织学习材料具有重要借鉴意义。
（2）布鲁姆的掌握学习理论
布鲁姆提出的掌握学习理论认为只要采取合适的方法并给予足够的时间，绝大多数学习者都能相同程度地掌握学习内容，因此学习应该是从“存在差异到消灭差异”的过程[4]。根据掌握学习理论，每个学习单元的教学实施阶段要经历“常规授课”、“揭示差错”、“矫正差错”的一般流程。而在线学习大多是基于资源的学习，在学习过程的不同阶段，学习者的资源需求各不相同，亟需相应的资源推荐服务来保障学习顺利推进。
虽然关于学习过程的观点各异，但国内外教育家普遍认为学习过程具备阶段性特征。随着学习过程的层层推进每个阶段知识加工程度深入，学习者认识分化，学习者之间的差异性也随之产生并逐步凸显。
2.学习过程不同阶段的资源需求层次
（1）面向大众学习者的普适性资源
客观、普遍的知识观追求的是“同一性”，普适性价值是学校教育需要考虑的维度之一。[5]根据建构主义理论，在线学习者对知识点的意义建构是建立在各类教学资源基础上的，因此在进入新的学习单元之前，为了达到教学目标，需要为学习者提供知识地图和基础性的教学资源。另外由于大众学习者在开始进入新的单元学习时候面临共同的学习任务，也决定他们的资源需求具有一定的共性。综上，普适性资源是学习过程中面向全体学生可供选择的全面性学习材料（如课件、教学视频、习题集、辅导材料等），它代表最易满足的浅层次需求，符合普适的价值观，也是最基本的学习支持。
（2）面向相似学生群的针对性资源
网络学习环境中，师生、生生之间处于时空分离状态，学习者虽面对同样的学习内容，接收相同的教育资源，但由于学习者个体差异的客观存在，学习进度、学习效果会产生差别。当前网络环境中传统的资源服务策略要么只关注学习者的共性，而忽略网络聚集效应下大规模、倾向于无差别的学习群体会逐渐分为兴趣一致和特征相似的“小众”，[6]要么过分关注单个学习者的个性化需求，而忽视相似学习者群体之间资源需求的一致性[7]。研究并利用网络教学平台中部分学生群体的相似特征，例如兴趣爱好、知识基础等，一方面可以为之提供有针对性、准确的学习资源，提高学习效率；另一方面能为其推荐相似学习伙伴，促进协作学习，加快学习社区的建立。这种针对性资源不仅是补偿性的，也可是拓展性的，关键在于挖掘需求对象的群体特征。
（3）面向特定学习者的专题性资源
一个完整的学习过程蕴含着对知识的掌握、应用与创新的过程。随着学习的不断深入，学习者个性化知识诉求愈加明显，个体发展成为关注重点。“自主、合作、探究”的学习理念也正是对全体共同发展和个体差异发展的诠释。学生个体在学习过程中顺利完成规定的学习目标并通过形成性测验后，会面临知识巩固、探索创新的新需求，这种需求在探究性学习和具体问题解决环节会更明显。专题性资源因其打破传统模式下单元知识点的学科界限，实现知识点的融会贯通和知识结构的重新构建，能较好满足特定学习者的复杂学习需求。它并非所有相关资源的直接堆砌，而是根据教师的结构化知识经验及学习者解决问题时所需知识点的相关程度，分析知识点间的层级关系，形成专题知识网络后将其汇聚整合，满足特定学习者的高层次需求。学习过程资源需求层次如图1所示。 三、个性化推荐服务系统概述
学习者资源需求分析是开展个性化服务的出发点，需求的满足是个性化服务的终点。从现有的网络学习环境来看，资源主要靠学习者自主搜索，但学习者面对庞杂的资源条目，加上自主学习的惰性，导致资源利用率低、学习效果不佳。而传统基于Push技术的推送服务往往给不同的人推送相同的资源，推送结果不够个性化、智能化，易造成信息轰炸，令人生厌。在商业领域，常需要将“对的产品推荐给对的消费者”，目前效果最佳的就是利用个性化推荐服务系统开展个性化信息服务，它以用户为中心，帮助其及时、准确完成信息获取，提供决策支持。根据系统中使用的主要算法，可分为协同过滤推荐系统、基于内容的推荐系统和基于关联规则的推荐系统。
1.协同过滤推荐系统
协同过滤推荐系统充分体现了“集体智慧”的思想，其关键在于挖掘相似用户群，即“最近邻”。主要通过用户行为选择的相关性来判断相似性，例如打分、收藏、下载等。其算法可进一步细分为基于用户的协同过滤和基于项目的协同过滤。基于用户的协同过滤系统核心思想是“最近邻”的用户群需求相似；基于项目的协同过滤核心思想是“最近邻”的物品群具有相似的客户。协同过滤推荐系统的优势在于能处理机器难以进行内容分析的流媒体资源，如音乐、视频等；一些评价类信息也可以转换为“隐信息”，弥补了内容分析的单一性和片面性；推荐结果可能覆盖用户的多个兴趣点，帮助用户发现潜在兴趣偏好。然而稀疏性和可扩展性等问题会影响系统使用效果。[8]
2.基于内容的推荐系统
基于内容的推荐系统核心思想是根据物品本身的内容属性为目标用户推荐相关产品，分别为用户与产品建立配置文件，利用TF-IDF等方法比较两者之间的相似度，进而开展推荐服务。其关键在于产品文本信息的获取与过滤，可以用决策树、神经网络和基于向量的表示方法等技术实现。目前，商业领域侧重使用基于内容过滤的推荐系统的案例不多，比较成功的是音乐电台潘多拉。由于不依赖其他用户的打分数据和其他隐性行为数据，基于内容的推荐系统可以弥补数据稀疏性问题。对于新加入的物品或者用户，它可以根据内容和用户配置文件进行推荐，不存在“冷启动”问题。但对于机器难以自动分析内容的物品，如音乐、电影等，基于内容的推荐系统无法发挥作用。且若纯粹采用基于内容的推荐系统，提供的内容只与用户兴趣点相关，会陷入“越推越窄”的困境。
3.基于关联规则的推荐系统
基于关联规则的推荐系统核心思想是从大量数据中发掘项目间可能存在的关联关系，通过制定关联规则集进行目标项目推荐。目前已在电子商务领域的交叉及捆绑销售和零售业中得到广泛应用。与基于项目的协同过滤算法利用项目间的相似性进行推荐有所不同，关联规则类似于“因果关系”，即抓住两件看似毫不相干的商品间的相关性，例如：经典营销案例“啤酒与尿布”，关联规则“啤酒→尿布”，反之则不成立。[9]与前两种推荐系统相比，基于关联规则的推荐系统简单直接，推荐的结果通常是清晰有效的，转化率高。由于不需要提取内容信息，因此对资源类型没有限制，可以发掘用户潜在需求，而且，随着数据量的扩充，推荐精度逐渐提高。不过它的缺点在于：规则的提取、更新较难，耗时较多规则数量的增多带来管理难题。
四、面向学习过程的资源个性化推荐服务策略
1.资源个性化推荐服务策略设计
根据学习过程阶段性的特点及学习者认知结构层次化组织原则，分析得出在线学习者在不同阶段的需求基本演变过程是“基础性需求——针对性需求——提升性需求”，因此面向学习者的资源服务也相应呈递增性推进。这种学习支持服务贯穿整个学习过程，它根据当前的学习情境、学习对象采用不同的推荐策略。每个阶段的学习结束后，系统将测试诊断其知识掌握程度，以此决定下一阶段的推荐内容和策略，按逻辑分层次将学习资源呈现给学习者。整体的推荐策略流程如图2所示。
2.资源个性化推荐策略流程
学习者进入网络学习平台后，系统会根据其提供的年级、学科、学习进度等个人信息自动构建学习档案。一般来说，进入新的学习单元之前，学习者具有相似的需求，面对未知的学习内容，他们均需了解单元学习目标、知识图谱、学习重难点等基本信息。在选择进入某一特定单元学习后，学习者需充分接触与知识点相关的各类学习资源，比如课件、教学视频、课外推荐读物等，这类资源属于学习群体的共性需求，具有普适性的特征。此时，系统会利用基于内容的推荐算法将学习者文档与资源文档进行匹配，进而产生相关推荐。
学习者通过相关资源的学习，完成单元学习任务后会进入学习诊断环节。这一环节的目的是通过形成性检测了解学习者的知识掌握情况“揭示差错”，以便及时调整资源推荐服务策略，为学生提供更具针对性的个性化服务。测试题从当前知识点题库中随机抽取并根据学习者答题情况自动调整，此外学习者作业完成情况、论坛区发言情况等也是学习诊断的参考依据。从图2可以看到，学习诊断是判断学习过程走向的关键步骤。[10]一方面可以挖掘出知识水平相似的学生群，记录这些学生易错和易产生疑问的知识点，从而决定下一阶段的学习需求；另一方面从侧面反映学习资源的质量及资源推荐策略的效果，为资源及推荐策略的良性发展提供建设依据。
学习诊断不合格的学习者会进入“矫正差错”环节，这是布鲁姆掌握学习理论应用于教学实践的关键步骤，根据诊断结果提供学习处方，体现了个性化教育实质是基于诊断的教育思想。同时，依据诊断结果，可将学生按知识掌握程度进行聚类，此类学生往往有相同的资源需求。此时，系统会利用基于用户的协同过滤推荐算法推荐针对性的资源序列，并且按照学习者点击率、评论信息等隐性数据决定推荐次序。此外，学习者可以对推荐结果进行评价反馈，不满意可以通过双边互动重新推荐，满意则基于这些资源完成学习任务，再次进入“学习诊断”环节。
对于学习诊断结果合格的学习者，系统会主动询问“是否进入新的学习单元”。选择“是”的学习者，其学习档案自动更新，默认开始下一轮的单元学习。选择“否”的学习者，可以结束本阶段学习，也可以选择继续此单元的学习。此时，单元学习任务已经完成，一般性的学习目标也已达成，学习者潜在的深度学习需求开始凸显。系统需要提供一些专题性资源，为学习者打破线性学习框架，将零散、孤立的知识点融会贯通，完善知识结构。针对此情况，系统利用基于关联规则的推荐算法挖掘资源间的相关性，为学习者推荐资源序列。在此阶段，学习者也能对推荐结果评价反馈。 3.资源个性化推荐策略分析
在设计整体的推荐策略时，需根据每种系统的优劣确定其适用的学习情境，确保推荐策略实施的合理性与高效性。
（1）第一阶段：基于内容的推荐服务策略
网络学习环境中的学科资源能够生成结构化、半结构化和非结构化等多种类型的数据。[11]但教育信息资源知识点逻辑清晰、目标用户特征明显、专业针对性强，每种素材都有完整的内容描述，这均为基于内容的个性化推荐策略的实现提供可能性。另外，由于普适性资源的推荐对象是刚进入新单元学习的大众学习者，此时学习者具有相同的资源诉求，因此主要考虑资源与学习者的匹配策略，即采用基于内容的推荐系统。基于内容的推荐系统不依赖其他学习者的数据，恰能解决新用户和新学习单元的加入而导致的“冷启动”问题，直接依据学习者与资源之间的映射关系进行资源匹配。它虽无法为学习者提供非同质资源，但能够保证推荐资源的全面准确，因此适合于推送基础性、普适性的资源。实现过程分为三个阶段：资源表征、学习者需求构建、资源与学习者的匹配。首先是抽取资源的内容属性进行加权后用具体的向量来表示，然后根据学习者档案分析出学习者的资源需求并构建用户文档，最后比较资源内容向量与学习者文档的相关度，相关度最高的即为符合要求的普适性资源。
（2）第二阶段：基于用户的协同过滤推荐服务策略
针对性资源推荐服务发生在学习诊断后，更贴近学习者的实际情况，它的推荐对象为相似学生群。与上一阶段基于内容的推荐方式不同，此阶段重在建立学习者与学习者的关联，并利用这种关联特性建立资源与学生群的匹配关系，实现为相似学习者推荐相同的资源，这与协同过滤推荐思路吻合。因此，该学习情境下可以选择基于用户的协同过滤推荐策略，充分利用学生群体行为规律发挥集体智慧，考虑资源受欢迎程度，保证较高的推荐精度，且可使相似学生群在共享学习资源的同时开展协作学习。网络学习环境中学习者与资源间的交互行为和评分数据都可成为数据源，不会产生矩阵稀疏。它的实现过程首先是对学习者的测验诊断结果、历史行为如对资源的点击、下载等情况进行分析；然后通过Pearson相关系数等方法计算学习者之间的相似度，将相似学习者归类；最后根据相似学习者对资源的适用性评价情况将符合当前相似学生群需求的针对性资源汇聚整合，并将这些针对性资源推荐给目标群体。
（3）第三阶段：基于关联规则的推荐服务策略
专题性资源推荐服务发生在完成基本学习任务后，旨在促进学习者知识点融会贯通、单元内容深层掌握，它满足特定学习者的需求。本阶段的推荐服务重在建立资源与资源的关联，根据相关性强弱和因果关系将符合条件的资源推荐给学习者，实现为不同的学习者提供不同的资源服务。基于内容的推荐系统侧重于挖掘资源与学习者之间的匹配关系，基于用户的协同过滤推荐系统侧重于挖掘学习者与学习之间的相似性，而基于关联规则的推荐系统恰好可以通过关联挖掘技术发现资源背后可能存在的相关性，来形成专题性资源的汇聚与整合。它的实现过程首先是制定一系列相关的规则集，这些规则必须通过手动人为制定，主要依据学科知识点逻辑关系、教师经验，分析不同学习者学习路径，然后根据设定好的规则计算专题里学习资源间的相关性，最后将资源按照相关性强弱生成推荐序列。相较于商业领域产品规则难以抽取的问题，在教育领域，由于知识点间本身具有严密的逻辑结构，关联规则易于抽取。[12]
五、总结与展望
在网络学习空间迅猛发展、教育信息资源建设方兴未艾的背景下，为学习者提供个性化的资源推荐服务能够有效缓解信息素养差异带来的“知识沟”，从而在一定程度上促进教育公平。为发挥个性化推荐服务在网络学习过程中的有效作用，从技术角度转向学习者角度来设计推荐服务策略是关键，立足于服务需求设计服务策略，从而有效提升推荐服务效果。本文依据布鲁姆的“掌握学习理论”，分析学习者在不同学习过程中的资源需求，剖析比较目前商业领域应用较成熟的三种推荐系统，设计面向学习过程的个性化资源推荐策略。即有效整合向大众学习者推荐普适性资源的“基于内容的推荐系统”，为相似学生群推荐针对性资源的“协同过滤的推荐系统”，为特定学习者推荐专题性资源的“基于关联规则的推荐系统”三种推荐方式，为学习者提供面向完整学习过程的个性化服务，缓解信息过载、资源迷航等问题，切实提升网络学习的质量与效果。
参考文献：
[1]Plesch C.， Kaendler C.， Rummel N.，et al. Identifying Areas of Tension in the field of technology-enhanced learning： Results of an international Delphi study[J]. Computers