教育大數(shù)據(jù)下個(gè)性化資源推送服務(wù)框架設(shè)計(jì)

李寶+張東紅

【摘 要】

從學(xué)習(xí)者角度出發(fā)，立足于學(xué)習(xí)者個(gè)體的靜態(tài)數(shù)據(jù)和學(xué)習(xí)中產(chǎn)生的動(dòng)態(tài)學(xué)習(xí)行為數(shù)據(jù)，采用動(dòng)態(tài)數(shù)據(jù)為主、靜態(tài)數(shù)據(jù)為輔的獲取方式確立學(xué)習(xí)者特征模型。參照Hadoop中的數(shù)據(jù)處理技術(shù)，從數(shù)據(jù)收集層、數(shù)據(jù)存儲(chǔ)層、數(shù)據(jù)分析層和呈現(xiàn)層構(gòu)建學(xué)習(xí)者個(gè)性化學(xué)習(xí)資源推送框架。最后，結(jié)合個(gè)性化資源推送框架，對(duì)個(gè)性化資源推送服務(wù)的實(shí)現(xiàn)途徑進(jìn)行分析，提出基于資源最鄰近、基于相似用戶矩陣庫(kù)、基于特征匹配、基于學(xué)習(xí)者反饋和基于內(nèi)容等混合推薦方法實(shí)現(xiàn)個(gè)性化學(xué)習(xí)資源的推送，以期對(duì)個(gè)性化學(xué)習(xí)資源推送的研究提供指導(dǎo)。

【關(guān)鍵詞】 教育大數(shù)據(jù)；個(gè)性化學(xué)習(xí)；學(xué)習(xí)者特征；Hadoop；個(gè)性化資源推送

【中圖分類號(hào)】 G434 【文獻(xiàn)標(biāo)識(shí)碼】 B 【文章編號(hào)】 1009-458x（2017）09-0062-08

一、引言

隨著新興技術(shù)和媒體的快速發(fā)展及應(yīng)用，技術(shù)儼然已經(jīng)在教育信息化中扮演著重要的角色。近年來(lái)，教育大數(shù)據(jù)、學(xué)習(xí)分析、自適應(yīng)學(xué)習(xí)等概念出現(xiàn)，高等教育、繼續(xù)教育等學(xué)習(xí)方式在移動(dòng)學(xué)習(xí)、泛在學(xué)習(xí)等基礎(chǔ)上有了改變，逐步衍生出新型的學(xué)習(xí)方式——個(gè)性化學(xué)習(xí)?！?017年新媒體聯(lián)盟中國(guó)高等教育技術(shù)展望：地平線項(xiàng)目區(qū)域報(bào)告》中提到：個(gè)性化學(xué)習(xí)和教育大數(shù)據(jù)的管理問(wèn)題對(duì)于中國(guó)高等教育中影響教育技術(shù)應(yīng)用來(lái)說(shuō)是富有難度的挑戰(zhàn)（金慧， 等， 2017）。個(gè)性化學(xué)習(xí)指的是在學(xué)習(xí)中要滿足不同學(xué)習(xí)者的需求，其中自然要考慮不同學(xué)習(xí)者的個(gè)體差異。學(xué)習(xí)分析恰恰為獲取學(xué)習(xí)者個(gè)體差異提供了解決方案，學(xué)習(xí)分析主要是運(yùn)用學(xué)習(xí)者在學(xué)習(xí)過(guò)程中產(chǎn)生的教育數(shù)據(jù)及分析模型來(lái)發(fā)現(xiàn)信息和社會(huì)聯(lián)系并預(yù)測(cè)和建議學(xué)習(xí)的技術(shù)（Siemens， 2012）。因此，學(xué)習(xí)者個(gè)體特征的構(gòu)建是個(gè)性化學(xué)習(xí)的前提。個(gè)性化學(xué)習(xí)資源推送的實(shí)現(xiàn)需要依靠學(xué)習(xí)分析技術(shù)從海量的教育大數(shù)據(jù)中挖掘有價(jià)值的數(shù)據(jù)，從而分析出學(xué)習(xí)者的特征，為個(gè)性化資源推送提供依據(jù)。如何從教育大數(shù)據(jù)中分析或構(gòu)建出學(xué)習(xí)者特征，如何依據(jù)學(xué)習(xí)者特征進(jìn)行推送，已經(jīng)成為個(gè)性化學(xué)習(xí)資源推送領(lǐng)域的重要議題。

二、文獻(xiàn)回溯

從教育大數(shù)據(jù)的文獻(xiàn)整理發(fā)現(xiàn)，近年來(lái)教育大數(shù)據(jù)下的研究逐步傾向于學(xué)習(xí)分析、個(gè)性化學(xué)習(xí)、自適應(yīng)學(xué)習(xí)等。如楊現(xiàn)民（2016）提到，教育研究者已經(jīng)在探討大數(shù)據(jù)時(shí)代背景下教育模式的轉(zhuǎn)變、學(xué)習(xí)方式的變革等，甚至逐步開始探討學(xué)習(xí)分析、數(shù)據(jù)挖掘等；孫洪濤和鄭勤華（2016）通過(guò)教育領(lǐng)域大數(shù)據(jù)的構(gòu)成與特征分析，對(duì)教育大數(shù)據(jù)技術(shù)在國(guó)際范圍內(nèi)的典型案例實(shí)踐進(jìn)行探討，主要聚焦于適應(yīng)性教學(xué)、精準(zhǔn)管理支持等方面；裴瑩和付世秋（2017）通過(guò)整理國(guó)內(nèi)教育大數(shù)據(jù)的研究熱點(diǎn)，發(fā)現(xiàn)2015-2016年教學(xué)決策等問(wèn)題受到關(guān)注，要求教師能夠結(jié)合學(xué)習(xí)分析結(jié)果制定針對(duì)學(xué)習(xí)者的個(gè)性化教學(xué)路徑；賀超凱和吳蒙（2016）結(jié)合edX平臺(tái)上學(xué)習(xí)者學(xué)習(xí)分析行為記錄來(lái)歸納學(xué)習(xí)行為特征，結(jié)合學(xué)習(xí)行為分析結(jié)果來(lái)判定學(xué)習(xí)者是否可以完成學(xué)習(xí)任務(wù)及獲取證書。綜合教育大數(shù)據(jù)研究現(xiàn)狀來(lái)看，目前個(gè)性化學(xué)習(xí)是熱點(diǎn)問(wèn)題，但重點(diǎn)針對(duì)教育大數(shù)據(jù)下個(gè)性化學(xué)習(xí)資源推送服務(wù)的研究一直處于探索階段。

通過(guò)對(duì)個(gè)性化學(xué)習(xí)資源推送服務(wù)的文獻(xiàn)梳理，目前的研究主要集中于利用靜態(tài)數(shù)據(jù)、動(dòng)態(tài)數(shù)據(jù)或者靜態(tài)和動(dòng)態(tài)相結(jié)合的方式完成個(gè)性化學(xué)習(xí)資源推送。其中，利用靜態(tài)數(shù)據(jù)完成個(gè)性化資源推送服務(wù)的研究主要依靠調(diào)查學(xué)習(xí)者受教育程度、感知技術(shù)易用性、自我效能感等個(gè)體差異的數(shù)據(jù)或者利用學(xué)習(xí)風(fēng)格量表的測(cè)量來(lái)完成。如Rishi D. Ruttun（2012）重點(diǎn)從認(rèn)知差異、計(jì)算機(jī)領(lǐng)域知識(shí)與學(xué)習(xí)績(jī)效、導(dǎo)航與學(xué)習(xí)態(tài)度等考慮個(gè)體差異性；Raymond A. Noe（2013）從五大個(gè)體特征維度（隨和、責(zé)任、情緒穩(wěn)定、外向性、經(jīng)驗(yàn)開放）、自我效能感、熱情等考慮個(gè)體差異性；Uros Ocepek等（2013）通過(guò)學(xué)習(xí)者學(xué)習(xí)風(fēng)格的調(diào)查結(jié)果和學(xué)習(xí)資源的類型之間進(jìn)行匹配，依據(jù)不同學(xué)習(xí)風(fēng)格學(xué)習(xí)者對(duì)于資源的偏好來(lái)實(shí)現(xiàn)個(gè)性化資源推送。研究中利用動(dòng)態(tài)數(shù)據(jù)搜集完成個(gè)性化資源推送主要集中于根據(jù)學(xué)習(xí)者學(xué)習(xí)行為、學(xué)習(xí)偏好、學(xué)習(xí)習(xí)慣自動(dòng)調(diào)整以滿足學(xué)習(xí)者個(gè)性化學(xué)習(xí)的需求。如Xu Jia-Liang等（2012）在對(duì)傳統(tǒng)向量空間方法的基礎(chǔ)上進(jìn)行修改，采用遞歸算法獲取學(xué)習(xí)者的興趣；Wang Shu-Lin和 Wu Chun-Yi （2011）通過(guò)知識(shí)內(nèi)容規(guī)范、建立學(xué)習(xí)者檔案袋、學(xué)習(xí)行為監(jiān)測(cè)等建立自適應(yīng)泛在學(xué)習(xí)系統(tǒng)，應(yīng)用語(yǔ)義感知和協(xié)同過(guò)濾實(shí)現(xiàn)個(gè)性化資源推送；Sergio Gomez和Panagiotis Zervas（2014）利用語(yǔ)義感知系統(tǒng)UoLmP實(shí)現(xiàn)自適應(yīng)和個(gè)性化移動(dòng)學(xué)習(xí)；牟智佳和武法提（2016）提出通過(guò)個(gè)人信息、學(xué)業(yè)信息、關(guān)系信息、偏好信息、績(jī)效信息等構(gòu)建電子書包學(xué)習(xí)系統(tǒng)的學(xué)習(xí)者模型，以學(xué)習(xí)者模型作為資源推送的依據(jù)；Seo Young-Duk和 Kim Young-Gab（2017）通過(guò)給相似學(xué)習(xí)者推送同一主題或者利用數(shù)據(jù)分析將學(xué)習(xí)中利益相關(guān)的學(xué)習(xí)者進(jìn)行相互推送。近年來(lái)，研究者更加偏向于靜態(tài)數(shù)據(jù)和動(dòng)態(tài)數(shù)據(jù)相結(jié)合方式來(lái)實(shí)現(xiàn)個(gè)性化學(xué)習(xí)資源的推送。如吳青和羅儒國(guó)（2014）提出了在顯式獲取學(xué)習(xí)者學(xué)習(xí)風(fēng)格的基礎(chǔ)上，運(yùn)用J48算法挖掘?qū)W習(xí)者學(xué)習(xí)過(guò)程中的行為特征，建立學(xué)習(xí)者學(xué)習(xí)風(fēng)格模型；李寶和張文蘭（2015）通過(guò)Felder-Silverman量表等前測(cè)靜態(tài)數(shù)據(jù)和對(duì)學(xué)習(xí)者學(xué)習(xí)中的行為進(jìn)行挖掘分析相結(jié)合的方式構(gòu)建學(xué)習(xí)者特征模型，并采用協(xié)同過(guò)濾和相似度匹配實(shí)現(xiàn)個(gè)性化資源推送。

從三種實(shí)現(xiàn)個(gè)性化學(xué)習(xí)資源推送的方式來(lái)看，利用動(dòng)態(tài)數(shù)據(jù)構(gòu)建學(xué)習(xí)者特征模型的前提必須是有大量的學(xué)習(xí)行為發(fā)生，有了教育中的行為數(shù)據(jù)才可以分析出學(xué)生的個(gè)體特征。顯然，該方法對(duì)于剛進(jìn)入平臺(tái)的學(xué)習(xí)者不太容易實(shí)現(xiàn)，會(huì)產(chǎn)生“冷啟動(dòng)”的現(xiàn)象；而利用靜態(tài)數(shù)據(jù)的調(diào)查結(jié)果分析學(xué)習(xí)者特征，往往會(huì)由于問(wèn)卷填寫不準(zhǔn)確造成結(jié)果的模糊或不明晰，同樣無(wú)法有效地實(shí)現(xiàn)個(gè)性化資源推送。鑒于此，本研究立足于靜態(tài)數(shù)據(jù)和動(dòng)態(tài)數(shù)據(jù)相結(jié)合的方法來(lái)分析學(xué)習(xí)者特征，對(duì)剛剛進(jìn)入平臺(tái)學(xué)習(xí)的學(xué)習(xí)者，首先進(jìn)行學(xué)習(xí)風(fēng)格的調(diào)查，之后結(jié)合學(xué)習(xí)過(guò)程中的行為數(shù)據(jù)分析來(lái)構(gòu)建學(xué)習(xí)者特征模型，最后采用學(xué)習(xí)者特征和資源庫(kù)特征相互匹配的方法實(shí)現(xiàn)學(xué)習(xí)資源的個(gè)性化推送。

三、教育大數(shù)據(jù)中學(xué)習(xí)者特征的構(gòu)建

在獲取學(xué)習(xí)者特征的過(guò)程中，主要采用動(dòng)態(tài)獲取數(shù)據(jù)分析為主、靜態(tài)獲取數(shù)據(jù)分析為輔的形式來(lái)構(gòu)建學(xué)習(xí)者個(gè)體特征。靜態(tài)數(shù)據(jù)獲取主要適用于沒有平臺(tái)學(xué)習(xí)經(jīng)歷的學(xué)習(xí)者，采用調(diào)查的結(jié)果作為參考依據(jù)；動(dòng)態(tài)數(shù)據(jù)獲取適合于有學(xué)習(xí)行為發(fā)生的學(xué)習(xí)者，只要有大量的學(xué)習(xí)行為數(shù)據(jù)，就可以進(jìn)行分析。

（一）靜態(tài)學(xué)習(xí)者特征的數(shù)據(jù)獲取方式

文獻(xiàn)研究中出現(xiàn)過(guò)的學(xué)習(xí)風(fēng)格量表較多，有Felder-Silverman學(xué)習(xí)風(fēng)格量表（信息加工、理解、輸入、感知四個(gè)維度）、Kolb的檢驗(yàn)學(xué)習(xí)風(fēng)格量表（聚斂型、發(fā)散型、通話型、順應(yīng)型四個(gè)維度）、Myers Briggs人格類型的學(xué)習(xí)風(fēng)格量表（水平維度、垂直維度、深度維度三個(gè)維度）、VARK量表（視覺型、聽覺型、讀寫型、動(dòng)覺型四類學(xué)習(xí)風(fēng)格）、格拉峽—里奇曼學(xué)習(xí)風(fēng)格量表、多元智能理論學(xué)習(xí)風(fēng)格量表和赫爾曼的大腦四象限分工及優(yōu)勢(shì)測(cè)定量表等。目前，研究中使用Felder-Silverman學(xué)習(xí)風(fēng)格量表的頻率較高。Felder-Silverman學(xué)習(xí)風(fēng)格量表按照信息加工、理解、輸入和感知四個(gè)維度進(jìn)行組織，每個(gè)維度都有11道題，由于每個(gè)維度劃分成兩種類型，所以每道題有a、b兩個(gè)選項(xiàng)內(nèi)容與之對(duì)應(yīng)。如圖1所示（李寶， 等， 2015），每種維度的取值可能是：11a、9a、7a、5a、3a、a、11b、9b、7b、5b、3b、b中的一種。其中，“a”和“b”表示學(xué)習(xí)風(fēng)格，“a”和“b”前系數(shù)表明程度，分值在1-3屬于學(xué)習(xí)偏好弱，5-7說(shuō)明學(xué)習(xí)偏好適中，9-11說(shuō)明學(xué)習(xí)偏好強(qiáng)烈。本研究進(jìn)行靜態(tài)數(shù)據(jù)的獲取主要利用該量表進(jìn)行，如果學(xué)習(xí)者之前沒有參加平臺(tái)任何課程的學(xué)習(xí)，注冊(cè)進(jìn)入平臺(tái)后需要先填寫該量表，根據(jù)調(diào)查結(jié)果初步建立學(xué)習(xí)者靜態(tài)的個(gè)體特征。

（二）動(dòng)態(tài)學(xué)習(xí)者特征的數(shù)據(jù)獲取方式

動(dòng)態(tài)學(xué)習(xí)者特征的數(shù)據(jù)獲取方式主要是從教育大數(shù)據(jù)中進(jìn)行挖掘和分析產(chǎn)生的。大數(shù)據(jù)是隨著信息化時(shí)代數(shù)據(jù)的擴(kuò)展和膨脹，從數(shù)據(jù)科學(xué)研究中誕生的一個(gè)研究前沿問(wèn)題，主要由海量交易數(shù)據(jù)、海量交互數(shù)據(jù)、海量數(shù)據(jù)處理三項(xiàng)技術(shù)趨勢(shì)匯聚而成（Philip Chen & Zhang， 2014）。學(xué)習(xí)平臺(tái)中的數(shù)據(jù)大多集中于海量交互數(shù)據(jù)，涉及學(xué)習(xí)者在課程學(xué)習(xí)平臺(tái)、討論社區(qū)、媒體數(shù)據(jù)資源交互、協(xié)作學(xué)習(xí)、虛擬聊天等產(chǎn)生的海量交互數(shù)據(jù)。在對(duì)這些海量的動(dòng)態(tài)交互數(shù)據(jù)進(jìn)行處理時(shí)，可以借鑒大數(shù)據(jù)中海量數(shù)據(jù)處理的技術(shù)，依靠數(shù)據(jù)密集型處理架構(gòu)，通過(guò)公共云等方式對(duì)數(shù)據(jù)進(jìn)行存儲(chǔ)，利用開源碼的Hadoop分布式文件系統(tǒng)對(duì)數(shù)據(jù)進(jìn)行分布處理（Kambatlaa， Kollias， Kumarc， & Gramaa， 2014），如圖2所示。

在Hadoop中主要由分布式文件系統(tǒng)（Hadoop Distributed File System， HDFS）和MapReduce引擎兩部分組成。HDFS在底層，主要存儲(chǔ)Hadoop集群中所有存儲(chǔ)節(jié)點(diǎn)上的文件；MapReduce在HDFS的上層，利用MapReduce數(shù)據(jù)處理框架對(duì)數(shù)據(jù)進(jìn)行分析，該框架同樣適合于針對(duì)學(xué)習(xí)者的個(gè)性化學(xué)習(xí)過(guò)程。最底層的應(yīng)用數(shù)據(jù)、數(shù)據(jù)庫(kù)、行為日志、其他數(shù)據(jù)源都可以看成學(xué)習(xí)者學(xué)習(xí)過(guò)程的數(shù)據(jù)。其中，其他數(shù)據(jù)源可以從學(xué)習(xí)者參與任何平臺(tái)課程學(xué)習(xí)中去獲??；針對(duì)底層的數(shù)據(jù)在數(shù)據(jù)集成層以元數(shù)據(jù)的形式集成，或者將某個(gè)學(xué)習(xí)者參與其他平臺(tái)學(xué)習(xí)中產(chǎn)生的一些數(shù)據(jù)直接利用Sqoop工具導(dǎo)入到數(shù)據(jù)集成層，數(shù)據(jù)集成層主要是采集與學(xué)習(xí)者學(xué)習(xí)有關(guān)的數(shù)據(jù)；在文件存儲(chǔ)層，采用主從架構(gòu)，分布式文件系統(tǒng)HDFS由一個(gè)NameNode和若干個(gè)DataNode組成。DateNode管理存儲(chǔ)文件的Block，數(shù)據(jù)在文件存儲(chǔ)層會(huì)將一個(gè)數(shù)據(jù)文件分成多個(gè)Block，一般的存儲(chǔ)大小為64M或者128M；數(shù)據(jù)存儲(chǔ)層主要是進(jìn)行分布式列存儲(chǔ)的HBase數(shù)據(jù)庫(kù)設(shè)計(jì)，HBase其實(shí)也是Hadoop系統(tǒng)中用于海量結(jié)構(gòu)化數(shù)據(jù)存儲(chǔ)，可以根據(jù)學(xué)習(xí)者過(guò)程數(shù)據(jù)的利用方式設(shè)計(jì)數(shù)據(jù)庫(kù)存儲(chǔ)方式；數(shù)據(jù)存儲(chǔ)后，在編輯模型層主要利用MapReduce進(jìn)行數(shù)據(jù)預(yù)處理，將學(xué)習(xí)過(guò)程的數(shù)據(jù)處理分為Map和Reduce兩個(gè)階段。Map階段，程序處理大量的數(shù)據(jù)從而得到一系列的學(xué)習(xí)行為數(shù)據(jù)的關(guān)鍵字Key和對(duì)應(yīng)的值Value，一個(gè)關(guān)鍵字名稱與一個(gè)值相對(duì)應(yīng)；Reduce階段，將得到的所有關(guān)鍵字和對(duì)應(yīng)的值進(jìn)行聚合運(yùn)算，同一關(guān)鍵字Key對(duì)應(yīng)的所有Value聚合到一塊。這種方法可以利用關(guān)鍵字Key將同類學(xué)習(xí)者、同類知識(shí)點(diǎn)單元等對(duì)應(yīng)學(xué)習(xí)過(guò)程的數(shù)據(jù)屬性值聚集到一起，聚集起來(lái)的學(xué)習(xí)過(guò)程動(dòng)態(tài)數(shù)據(jù)在數(shù)據(jù)分析層進(jìn)行清理、轉(zhuǎn)換、遷移、分析后，可以構(gòu)建出學(xué)習(xí)者的特征或者產(chǎn)生學(xué)習(xí)者學(xué)習(xí)行為分析數(shù)據(jù)。

（三）學(xué)習(xí)者特征的確立

在建立學(xué)習(xí)者特征模型之前需要判斷學(xué)習(xí)者是否首次進(jìn)入平臺(tái)學(xué)習(xí)，如果是，采用靜態(tài)數(shù)據(jù)獲取的方式建立學(xué)習(xí)者特征模型；如果不是，需要結(jié)合首次進(jìn)入獲取的靜態(tài)數(shù)據(jù)和學(xué)習(xí)行為發(fā)生后獲取的動(dòng)態(tài)數(shù)據(jù)進(jìn)行對(duì)比，確認(rèn)學(xué)習(xí)者模型。學(xué)習(xí)者模型分析中需要利用數(shù)據(jù)存儲(chǔ)層存儲(chǔ)的數(shù)據(jù)，然后在分析層對(duì)學(xué)習(xí)者的個(gè)體特征、學(xué)習(xí)狀態(tài)、偏好類型、學(xué)習(xí)路徑、交互關(guān)系等進(jìn)行分析，建立學(xué)習(xí)者狀態(tài)數(shù)據(jù)庫(kù)、網(wǎng)絡(luò)交互關(guān)系庫(kù)和特征模型庫(kù)。同時(shí)，還需要考慮是否存在某一方面具有相似特征的學(xué)習(xí)者，利用Mojtaba Salehi（2001）等提出的Pearson相關(guān)分析方法分析學(xué)習(xí)者之間是否具有相似性，計(jì)算公式如下：

式中Pan、Pbn表示學(xué)習(xí)者所處某個(gè)狀態(tài)的特征值，[Pa]、[Pb]表示a學(xué)習(xí)者和b學(xué)習(xí)者特征的均值。

相似用戶特征庫(kù)的建立一方面確立了學(xué)習(xí)者特征，另一方面將同一特征的學(xué)習(xí)者聚集到群庫(kù)中，在進(jìn)行個(gè)性化資源推送時(shí)，可以將其看成同一類學(xué)習(xí)群體，考慮基于學(xué)習(xí)者群體或相似用戶特征庫(kù)的推薦。數(shù)據(jù)分析層將相似用戶特征庫(kù)連同學(xué)習(xí)者狀態(tài)數(shù)據(jù)庫(kù)、交互網(wǎng)絡(luò)數(shù)據(jù)庫(kù)和特征庫(kù)一起存放在MySQL集群中，為個(gè)性化資源推薦提供依據(jù)。

四、個(gè)性化資源推送服務(wù)框架

在分析和構(gòu)建了學(xué)習(xí)者特征模型之后，為了進(jìn)一步有效地實(shí)現(xiàn)教育大數(shù)據(jù)中學(xué)習(xí)者個(gè)性化學(xué)習(xí)資源推送的目標(biāo)，基于學(xué)習(xí)者特征模型構(gòu)建了基于教育大數(shù)據(jù)中學(xué)習(xí)者個(gè)性化學(xué)習(xí)資源推送框架。框架的構(gòu)建參照Hadoop中MapReduce數(shù)據(jù)處理框架進(jìn)行設(shè)計(jì)，主要包括數(shù)據(jù)收集層、數(shù)據(jù)處理層、數(shù)據(jù)分析層和呈現(xiàn)層四個(gè)方面（如圖3所示）。

（一）數(shù)據(jù)收集層

數(shù)據(jù)收集層主要收集學(xué)習(xí)者的靜態(tài)數(shù)據(jù)和動(dòng)態(tài)學(xué)習(xí)行為數(shù)據(jù)。學(xué)習(xí)者進(jìn)入平臺(tái)學(xué)習(xí)某一課程時(shí)，首先利用Sqoop工具導(dǎo)入學(xué)習(xí)者在平臺(tái)之前學(xué)習(xí)其他課程產(chǎn)生的行為數(shù)據(jù)并將其放在數(shù)據(jù)收集層，同時(shí)采用Flume收集學(xué)習(xí)者學(xué)習(xí)風(fēng)格量表的調(diào)查數(shù)據(jù)、學(xué)習(xí)平臺(tái)的日志數(shù)據(jù)、搜索引擎的記錄、學(xué)習(xí)內(nèi)容和學(xué)習(xí)討論等學(xué)習(xí)行為、共享信息的記錄、瀏覽學(xué)習(xí)內(nèi)容的日志記錄、消息評(píng)論等學(xué)習(xí)行為數(shù)據(jù)。Flume本身就是一個(gè)分布式和高可用的海量日志聚合系統(tǒng)，支持在系統(tǒng)中定制各類數(shù)據(jù)的發(fā)送方，主要用于采集數(shù)據(jù)。因此，使用Flume在數(shù)據(jù)收集層中可以將學(xué)習(xí)者參與平臺(tái)學(xué)習(xí)產(chǎn)生的各類數(shù)據(jù)聚合到系統(tǒng)當(dāng)中，解決了海量數(shù)據(jù)收集的問(wèn)題。利用Flume收集到的所有數(shù)據(jù)最終分解成多個(gè)Block文件，并將其存入HDFS分布式存儲(chǔ)系統(tǒng)。

（二）數(shù)據(jù)處理層

數(shù)據(jù)處理層對(duì)數(shù)據(jù)收集層采集并存儲(chǔ)的海量數(shù)據(jù)進(jìn)行處理，包括對(duì)數(shù)據(jù)進(jìn)行關(guān)鍵詞提取、分類、聚類、去重和協(xié)同過(guò)濾等過(guò)程。關(guān)鍵詞提取主要針對(duì)學(xué)習(xí)行為中隱含學(xué)習(xí)者特征的數(shù)據(jù)進(jìn)行關(guān)鍵字段的提取，關(guān)鍵詞提取之后的數(shù)據(jù)字段需要依據(jù)特征標(biāo)記進(jìn)行分類，分類過(guò)程中如果出現(xiàn)相似特征的數(shù)據(jù)需要聚集在一塊。例如，對(duì)同一學(xué)習(xí)者的特征數(shù)據(jù)或具有相同特征數(shù)據(jù)的學(xué)習(xí)者集群等，都可以考慮將其聚集起來(lái)；聚集起來(lái)的數(shù)據(jù)特征庫(kù)需要進(jìn)行去重，完成數(shù)據(jù)的清理工作，方便數(shù)據(jù)從數(shù)據(jù)倉(cāng)庫(kù)中的調(diào)用和節(jié)省數(shù)據(jù)存儲(chǔ)占用的空間；去重或清理后的數(shù)據(jù)，需要采用協(xié)同過(guò)濾的方法將某些特征學(xué)習(xí)者感興趣的資源聚集起來(lái)，主要是為分析層和個(gè)性化推薦的實(shí)現(xiàn)提供便利。整個(gè)數(shù)據(jù)處理層的所有數(shù)據(jù)在MySQL數(shù)據(jù)庫(kù)集群作為中間結(jié)果進(jìn)行存儲(chǔ)，數(shù)據(jù)在處理層進(jìn)行清洗和過(guò)濾后，就可以進(jìn)入到數(shù)據(jù)分析層。

（三）數(shù)據(jù)分析層

數(shù)據(jù)分析層重點(diǎn)對(duì)學(xué)習(xí)者學(xué)習(xí)偏好的類型特征進(jìn)行分析，同時(shí)也會(huì)結(jié)合前期問(wèn)卷調(diào)查的結(jié)果構(gòu)建學(xué)習(xí)者特征模型。數(shù)據(jù)分析層還需要完成學(xué)習(xí)者學(xué)習(xí)所處狀態(tài)、學(xué)習(xí)互動(dòng)水平、學(xué)業(yè)完成水平、學(xué)習(xí)路徑特征的分析，最后在該階段需要建立學(xué)習(xí)者特征模型庫(kù)、學(xué)習(xí)者學(xué)習(xí)所處狀態(tài)記錄的數(shù)據(jù)庫(kù)、相似用戶矩陣庫(kù)、交互網(wǎng)路關(guān)系庫(kù)。其中，學(xué)習(xí)者特征模型庫(kù)重點(diǎn)記錄學(xué)習(xí)者學(xué)習(xí)偏好或?qū)W習(xí)風(fēng)格等；學(xué)習(xí)者狀態(tài)數(shù)據(jù)庫(kù)主要記錄學(xué)習(xí)者目前所處學(xué)習(xí)的位置以及完成學(xué)業(yè)情況等；相似用戶矩陣庫(kù)針對(duì)學(xué)習(xí)者特征、學(xué)習(xí)狀態(tài)等比較類似學(xué)習(xí)者群集而成；交互網(wǎng)絡(luò)關(guān)系庫(kù)主要記錄學(xué)習(xí)者之間交互討論的學(xué)習(xí)社會(huì)網(wǎng)絡(luò)關(guān)系，重點(diǎn)關(guān)注學(xué)習(xí)者與哪些學(xué)習(xí)者、學(xué)習(xí)內(nèi)容等發(fā)生學(xué)習(xí)的交集行為。數(shù)據(jù)分析層產(chǎn)生的模型庫(kù)、數(shù)據(jù)庫(kù)、矩陣庫(kù)、關(guān)系庫(kù)等數(shù)據(jù)并存在MySQL數(shù)據(jù)庫(kù)中。

（四）呈現(xiàn)層

信息呈現(xiàn)層則依據(jù)獲取分析層得出學(xué)習(xí)者模型的結(jié)果，推送符合學(xué)習(xí)者的個(gè)性化學(xué)習(xí)資源并展示在客戶端，即將個(gè)性化資源呈現(xiàn)給學(xué)習(xí)者之前呈現(xiàn)層需要完成學(xué)習(xí)者數(shù)據(jù)特征與數(shù)據(jù)庫(kù)數(shù)據(jù)特征的相似度匹配。匹配需要將分析層分析的數(shù)據(jù)和數(shù)據(jù)倉(cāng)庫(kù)中資源特征庫(kù)、知識(shí)模型庫(kù)、學(xué)習(xí)路徑集群進(jìn)行相似度計(jì)算。其中，學(xué)習(xí)路徑集群是將學(xué)習(xí)者學(xué)習(xí)中可能產(chǎn)生的學(xué)習(xí)路徑匯總而成，不同的學(xué)習(xí)路徑有不同的標(biāo)記方式。在匹配的過(guò)程中產(chǎn)生相似學(xué)習(xí)者并建立用戶關(guān)聯(lián)模型庫(kù)，最后達(dá)到學(xué)習(xí)者與學(xué)習(xí)資源、學(xué)習(xí)狀態(tài)、學(xué)習(xí)路徑、知識(shí)點(diǎn)內(nèi)容等有效的匹配。匹配過(guò)程的實(shí)現(xiàn)其實(shí)就是完成個(gè)性化資源的推薦，如圖3中推送機(jī)制所示，主要依靠基于資源推薦、基于相似用戶矩陣推薦、基于特征推薦、基于學(xué)習(xí)者反饋推薦和基于內(nèi)容的推薦等實(shí)現(xiàn)途徑。匹配完成后，需要系統(tǒng)平臺(tái)結(jié)合匹配結(jié)果相似度最大的資源推送給相應(yīng)的學(xué)習(xí)者，完成資源在呈現(xiàn)層的展示，滿足在呈現(xiàn)層符合學(xué)習(xí)者的個(gè)性化學(xué)習(xí)需求。

五、個(gè)性化資源推送的實(shí)現(xiàn)途徑

在個(gè)性化資源推送框架中提到的基于資源推薦、基于相似用戶矩陣推薦、基于特征推薦、基于學(xué)習(xí)者反饋推薦和基于內(nèi)容的推薦等途徑，其具體推薦的過(guò)程還需要進(jìn)一步對(duì)實(shí)現(xiàn)過(guò)程和算法進(jìn)行研究。個(gè)性化資源推送實(shí)現(xiàn)的過(guò)程主要依靠?jī)蓚€(gè)步驟：第一步，對(duì)知識(shí)點(diǎn)內(nèi)容進(jìn)行資源特征標(biāo)記，存儲(chǔ)在資源特征庫(kù)中；第二步，結(jié)合學(xué)習(xí)者特征與資源庫(kù)的資源特征，考慮個(gè)性化學(xué)習(xí)資源如何推送給相應(yīng)的學(xué)習(xí)者。

（一）學(xué)習(xí)資源的特征標(biāo)記

知識(shí)內(nèi)容的規(guī)范采用Han和Fu（1994）提出的利用節(jié)點(diǎn)樹的形式將知識(shí)點(diǎn)進(jìn)行歸類，每個(gè)知識(shí)點(diǎn)都有父節(jié)點(diǎn)，采用向量的矢量坐標(biāo)標(biāo)記知識(shí)點(diǎn)位置。如圖4所示，樹節(jié)點(diǎn)中每一個(gè)位置都有其相應(yīng)的坐標(biāo)。在知識(shí)樹節(jié)點(diǎn)劃分的過(guò)程中，首先按照知識(shí)點(diǎn)單元進(jìn)行劃分，每一個(gè)知識(shí)單元就是一個(gè)主節(jié)點(diǎn)，然后，在主節(jié)點(diǎn)中每一個(gè)節(jié)點(diǎn)按照學(xué)習(xí)的感知階段、遷移階段、創(chuàng)新階段等不同狀態(tài)的學(xué)習(xí)目標(biāo)劃分學(xué)習(xí)知識(shí)內(nèi)容。因?yàn)椴煌A段，同一知識(shí)點(diǎn)可以依據(jù)學(xué)習(xí)目標(biāo)劃分成不同學(xué)習(xí)狀態(tài)，比如針對(duì)同一知識(shí)內(nèi)容的學(xué)習(xí)卻有概念掌握、交流討論、學(xué)習(xí)遷移、學(xué)習(xí)創(chuàng)新等不同的階段，而且各階段的學(xué)習(xí)要求和目標(biāo)會(huì)有所差異。最后，結(jié)合不同學(xué)習(xí)狀態(tài)下知識(shí)點(diǎn)內(nèi)容又劃分不同的內(nèi)容呈現(xiàn)方式，包括文本、圖片、課件、視頻、音頻、作品等不同呈現(xiàn)類型。

從圖中可以看出，整個(gè)樹狀圖的根節(jié)點(diǎn)是具體的知識(shí)點(diǎn)，剩下樹狀圖中的每一個(gè)節(jié)點(diǎn)都是圍繞根節(jié)點(diǎn)展開的一系列學(xué)習(xí)活動(dòng)設(shè)計(jì)或者知識(shí)內(nèi)容的細(xì)化和延伸。

（二）個(gè)性化學(xué)習(xí)資源推送的實(shí)現(xiàn)

1. 基于資源最鄰近的學(xué)習(xí)資源推薦

2. 基于相似用戶矩陣庫(kù)的資源推薦

在學(xué)習(xí)者模型構(gòu)建中已建立相似用戶矩陣庫(kù)或相似用戶特征庫(kù)，在進(jìn)行推送的過(guò)程中，可以參考類似學(xué)習(xí)者參與的討論主題、瀏覽的學(xué)習(xí)資源、學(xué)習(xí)的路徑選擇等情況，將其推送給相似學(xué)習(xí)者集群中其他的學(xué)習(xí)者，并建立用戶關(guān)聯(lián)模型庫(kù)，方便后續(xù)的推送。同時(shí)，資源特征庫(kù)中存儲(chǔ)了學(xué)習(xí)路徑集群，具備海量學(xué)習(xí)者可能采用的學(xué)習(xí)路徑。在相似用戶矩陣庫(kù)中，如果有某個(gè)學(xué)習(xí)者的特征和已經(jīng)完成該內(nèi)容學(xué)習(xí)的學(xué)習(xí)者表現(xiàn)出較高相似度，則可以按照已完成內(nèi)容學(xué)習(xí)的學(xué)習(xí)者所經(jīng)歷的學(xué)習(xí)路徑作為參考，完成個(gè)性化資源的推送服務(wù)或活動(dòng)引導(dǎo)。

3. 基于特征匹配的資源推薦

基于特征匹配的資源推薦主要是考慮學(xué)習(xí)者特征與資源特征之間的相似度來(lái)實(shí)現(xiàn)推送的，資源特征與學(xué)習(xí)者特征相似度越高，優(yōu)先選擇推送該資源的概率就越大。進(jìn)行相似度匹配的過(guò)程可以參考學(xué)習(xí)者之間相似度計(jì)算的方法，但是除了該方法之外，在進(jìn)行相似度匹配時(shí)還可以利用歐式距離計(jì)算其相似度的大小。假設(shè)在將學(xué)習(xí)狀態(tài)、學(xué)習(xí)者特征、知識(shí)庫(kù)特征分別放在三維的坐標(biāo)中，那么對(duì)于其中某一個(gè)具備學(xué)習(xí)者特征Lm的學(xué)習(xí)者來(lái)說(shuō)，在資源特征庫(kù)要找出和其相似度最大的資源Cn，就得在三維坐標(biāo)中計(jì)算學(xué)習(xí)者特征Lm和資源特征Cn兩點(diǎn)之間的歐式距離 ，如果滿足相似度Sim=1/[1+Dist（Lm，Cn）]的值最大，即是保證Dist（Lm，Cn）最短，學(xué)習(xí)者特征與資源庫(kù)特征的相似度越高。這是因?yàn)橘Y源庫(kù)中的資源特征是按照分叉樹的向量方式標(biāo)記的，同類知識(shí)點(diǎn)資源的呈現(xiàn)方式也會(huì)存在差異，所以計(jì)算出的距離值也會(huì)有所不同，只需要找出最短適合的歐氏距離就可以實(shí)現(xiàn)特征的匹配。

4. 基于學(xué)習(xí)者反饋的資源推薦

在個(gè)性化資源推送的過(guò)程中，當(dāng)系統(tǒng)將符合學(xué)習(xí)者特征的資源推送給學(xué)習(xí)者之后，推送的資源對(duì)于學(xué)習(xí)者來(lái)說(shuō)是否有效還值得檢驗(yàn)。基于學(xué)習(xí)者數(shù)據(jù)反饋是一種有效調(diào)整個(gè)性化資源推送的途徑。Wang Shu-Lin等（2011）采用公式[Pic=Pic×β]（其中β≤1）來(lái)計(jì)算學(xué)習(xí)者對(duì)于推薦資源的偏好程度。式中[Pic]表示學(xué)習(xí)者反饋后推薦的概率值，可以將其稱為后驗(yàn)推薦概率；[Pic]表示系統(tǒng)一開始結(jié)合學(xué)習(xí)者特征預(yù)測(cè)的最大推薦概率，可以將其稱為先前推薦概率；β表示學(xué)習(xí)者對(duì)于推薦資源清單中的資源進(jìn)行點(diǎn)擊、參與等的使用或喜歡程度，由于推薦過(guò)程中可能存在知識(shí)點(diǎn)內(nèi)容或教學(xué)設(shè)計(jì)方式不符合學(xué)習(xí)者的個(gè)體特征，造成部分推薦資源清單上的資源未訪問(wèn)或者學(xué)習(xí)者不感興趣。β的值是用學(xué)習(xí)者對(duì)推薦資源感興趣的清單數(shù)量除以實(shí)際推薦給學(xué)習(xí)者資源的清單數(shù)量，如果學(xué)習(xí)者對(duì)于推薦資源清單上所有資源感興趣，那么[Pic]和[Pic]的值相等。除此之外，[Pic]就小于[Pic]，如果出現(xiàn)這種情況就需要系統(tǒng)在后續(xù)推薦中進(jìn)行調(diào)整。

5. 基于內(nèi)容的資源推薦

基于內(nèi)容的推薦系統(tǒng)主要根據(jù)學(xué)習(xí)者歷史評(píng)價(jià)資源數(shù)據(jù)構(gòu)造學(xué)習(xí)者偏好資源，然后計(jì)算資源庫(kù)特征與學(xué)習(xí)者偏好資源的相似度，將相似度最大的資源推送給學(xué)習(xí)者。該類推薦方法首先應(yīng)該完成學(xué)習(xí)者之前對(duì)資源的評(píng)論或者感興趣的程度，主要獲取學(xué)習(xí)者學(xué)習(xí)行為數(shù)據(jù)或者訪問(wèn)資源的頻率、點(diǎn)擊率等數(shù)據(jù)，確定學(xué)習(xí)者的偏好資源。假設(shè)資源庫(kù)資源特征用向量[Rj=（R1j ，R2j，…，Rkj）]表示、學(xué)習(xí)者偏好資源特征用向量[Pi=（P1i，P2i，…，Pki）]表示，其中K表示關(guān)鍵詞的個(gè)數(shù)。

在推送過(guò)程中主要采用余弦相似度方法計(jì)算學(xué)習(xí)者偏好資源與資源庫(kù)資源相似度的值，計(jì)算公式為：

其中，K值為關(guān)鍵詞的個(gè)數(shù)，Wmj表示特征詞在資源Rj中的重要程度（權(quán)值），Wmj計(jì)算方法使用TF-IDF公式，具體公式可以參照余正濤和高盛祥（2004）的研究。

在實(shí)際應(yīng)用過(guò)程中，以上五種個(gè)性化資源推送實(shí)現(xiàn)的方法可以考慮在不同的階段使用不同的最佳推薦方法。如果是一個(gè)初次進(jìn)入平臺(tái)學(xué)習(xí)的學(xué)習(xí)者，可以使用基于資源最鄰近的學(xué)習(xí)資源推薦方法和基于內(nèi)容的資源推薦方法。首次進(jìn)入平臺(tái)學(xué)習(xí)的學(xué)習(xí)者，因?yàn)榻逃髷?shù)據(jù)中的“數(shù)據(jù)”處于“冷啟動(dòng)”狀態(tài)，缺乏具體的動(dòng)態(tài)學(xué)習(xí)行為數(shù)據(jù)，只能依靠學(xué)習(xí)者點(diǎn)擊和瀏覽的資源分析出資源的特征，然后按照資源庫(kù)中資源之間的特征匹配找出和學(xué)習(xí)者瀏覽資源特征最鄰近的資源推送給學(xué)習(xí)者。另外，在推送過(guò)程中，可以依照前期學(xué)習(xí)風(fēng)格量表的調(diào)查分析學(xué)習(xí)者特征，依據(jù)不同學(xué)習(xí)風(fēng)格特征的學(xué)習(xí)者對(duì)于資源的偏好完成資源類型的個(gè)性化推薦，即基于內(nèi)容的資源推薦。顯然，采用基于資源最鄰近和基于內(nèi)容的資源推薦在實(shí)際個(gè)性化資源推薦服務(wù)的應(yīng)用中處于初級(jí)階段。后期學(xué)習(xí)中，學(xué)習(xí)者學(xué)習(xí)行為的數(shù)據(jù)產(chǎn)生后，就可以結(jié)合應(yīng)用基于相似用戶矩陣庫(kù)的資源推薦方法和基于特征匹配的資源推薦方法。整個(gè)資源推薦過(guò)程需要參照教育大數(shù)據(jù)下個(gè)性化資源推薦的框架，重點(diǎn)從數(shù)據(jù)收集層、數(shù)據(jù)處理層、數(shù)據(jù)分析層完成學(xué)習(xí)者特征的挖掘和構(gòu)建。雖然采用了多種推薦方法的分階段和聯(lián)合使用，但是有效的個(gè)性化資源推送必須達(dá)到個(gè)性化的效果，即學(xué)習(xí)者主體要滿意。因此，在最后階段可以考慮基于學(xué)習(xí)者反饋資源推薦方法的使用，通過(guò)推送資源的清單和學(xué)習(xí)者實(shí)際訪問(wèn)資源的清單對(duì)比，進(jìn)而在后續(xù)推薦過(guò)程中進(jìn)行修改和調(diào)整，完善個(gè)性化資源推薦的實(shí)現(xiàn)途徑。

六、結(jié)語(yǔ)

教育大數(shù)據(jù)中個(gè)性化學(xué)習(xí)資源推送是學(xué)習(xí)者個(gè)性化學(xué)習(xí)環(huán)境下重要的學(xué)習(xí)支持服務(wù)環(huán)節(jié)，正是出現(xiàn)了個(gè)性化學(xué)習(xí)資源推送服務(wù)機(jī)制，個(gè)性化學(xué)習(xí)才能做到真正意義上的“自適應(yīng)”和“個(gè)性化”。本研究首先結(jié)合Hadoop中MapReduce數(shù)據(jù)處理框架為參照分析學(xué)習(xí)者個(gè)體特征，重點(diǎn)從數(shù)據(jù)收集層、數(shù)據(jù)存儲(chǔ)層、數(shù)據(jù)分析層和呈現(xiàn)層構(gòu)建出學(xué)習(xí)者個(gè)性化學(xué)習(xí)資源推送框架，并對(duì)推送服務(wù)的實(shí)現(xiàn)途徑進(jìn)行分析，從五種推薦方法的實(shí)現(xiàn)過(guò)程及算法分析個(gè)性化資源推送的機(jī)制。本研究的不足之處是在資源推薦實(shí)現(xiàn)方面缺乏具體的實(shí)例分析，這也是下一步研究的方向，需要針對(duì)個(gè)性化學(xué)習(xí)資源推送服務(wù)進(jìn)行實(shí)踐研究，逐步完善和修正個(gè)性化學(xué)習(xí)資源推送框架和實(shí)現(xiàn)途徑。

[參考文獻(xiàn)]

賀超凱，吳蒙. 2016. edX平臺(tái)教育大數(shù)據(jù)的學(xué)習(xí)行為分析與預(yù)測(cè)[J].中國(guó)遠(yuǎn)程教育（6）：54-59.

金慧，胡盈瀅，宋蕾. 2017. 技術(shù)促進(jìn)教育創(chuàng)新——新媒體聯(lián)盟《地平線報(bào)告》（2017高等教育版）解讀[J]. 遠(yuǎn)程教育雜志（02）：3-8.

李寶，張文蘭. 2015. 智慧教育環(huán)境下學(xué)習(xí)資源推送服務(wù)模型的構(gòu)建[J]. 遠(yuǎn)程教育雜志（3）：41-47.

牟智佳. 2014. 電子書包中基于教育大數(shù)據(jù)的個(gè)性化學(xué)習(xí)評(píng)價(jià)模型與系統(tǒng)設(shè)計(jì)[J]. 遠(yuǎn)程教育雜志（5）：90-96.

裴瑩，付世秋，吳峰. 2017. 我國(guó)教育大數(shù)據(jù)研究熱點(diǎn)及存在問(wèn)題的可視化分析[J]. 中國(guó)遠(yuǎn)程教育（5）：1-8.

孫洪濤，鄭勤華. 2016. 教育大數(shù)據(jù)的核心技術(shù)、應(yīng)用現(xiàn)狀與發(fā)展趨勢(shì)[J]. 遠(yuǎn)程教育雜志（5）：41-49.

吳青，羅儒國(guó). 2014. 基于網(wǎng)絡(luò)學(xué)習(xí)行為的學(xué)習(xí)風(fēng)格挖掘[J]. 現(xiàn)代遠(yuǎn)距離教育（1）：54-62.

楊現(xiàn)民，唐斯斯，李冀紅. 2016. 發(fā)展教育大數(shù)據(jù)：內(nèi)涵、價(jià)值和挑戰(zhàn)[J]. 現(xiàn)代遠(yuǎn)程教育研究（1）：50-61.

余正濤，高盛祥，紀(jì)鵬程. 2004. RDAQAS中問(wèn)句相似度計(jì)算方法研究[J]. 昆明理工大學(xué)學(xué)報(bào)（理工版）（2）：40-44，71.

Han， J.， & Fu， Y. 1994. Mining multiple-level association rules in large databases. IEEE Transactions on Knowledge and Data Engineering，11（5）：798-804.

Jia-Liang Xu， & Jiao Guo. 2013. Study of Personalized Service About WAP Based on Recursive Learning. 2012 International Conference on Information Technology and Management Science （ICITMS 2012）Proceedings，443-449.

Kambatlaa， K.， Kollias， G.， Kumarc， V.， & Gramaa， A. 2014. Trends in big data analytics. Journal of Parallel and Distributed Computing， 74（7）：2561-2573.

Noe， R. A.， Tews， M. J.， & Marand， A. D. 2013. Individual differences and informal learning in the workplace. Journal of Vocational Behavior， 83（3）： 327-335.

Ocepek， U.， Bosnic， Z.， Serbec， I. N.， & Rugelj， J. 2013. Exploring the relation between learning style models and preferred multimedia types. Computers & Education， 69（11）： 343-355.

Philip Chen， C. L.， & Chun-Yang， Zhang. 2014. Data -intensive applications，challenges， techniques and technologies： A survey on Big Data.Information Sciences， 275：314-317.

Rishi， D.， & Ruttun， R. D. 2012. Macredie. The effects of individual differences and visual instructional aids on disorientation， learning performance and attitudes in a Hypermedia Learning System. Computers in Human Behavior， 28（4）： 2182-2198.

Sarwar， B. M.， Karypis， G.， Konstan， J. A.， & Riedl， J. T. 2001. Item based collaborative filteringrecommendation algorithms. In Proceedings of the 10th international world wide web conference of ACM， 285-295.

Gomez， S.， Zervas， P.， Sampson， D. G.， & Fabregat， R. 2014. Context-aware adaptive and personalized mobile learning delivery supported by UoLmP. Journal of King Saud University-Computer and Information Sciences， 26（1）： 47-61.

Shu-Lin Wang， & Chun-Yi Wu. 2011. Application of context-aware and personalized recommendation to implement an adaptive ubiquitous learning system. Expert Systems with Applications，38（9）：10831–10838.

Siemens， G.， & Baker， R. S. J. D. 2012. Learning Analytics and Educational Data Mining： Towards Communication and Collaboration. In B. S. Simon. Proceedings of the SecondInternational Conference on Learning Analytics & Knowledge. New York： ACM， 252-254.

Young-Duk Seo， Young-Gab Kim， Euijong Lee， Doo-Kwon Baik.2017.Personalized recommender system based on friendship strength in social network services. Expert Systems With Applications， 69：135-148.

責(zé)任編輯 韓世梅