大學(xué)生思想政治教育資源個性化精準(zhǔn)推薦系統(tǒng)設(shè)計

林雨菲 姜參

摘要：

信息過載成為大學(xué)生思想政治教育資源選擇面臨的嚴(yán)重問題，個性化推薦系統(tǒng)是解決這個問題的工具。本文以系統(tǒng)業(yè)務(wù)流程模型為基礎(chǔ)，主要進(jìn)行了兩方面設(shè)計：一是構(gòu)建了個性化精準(zhǔn)推薦模型，通過計算評分偏差、預(yù)測用戶未評分資源的評分、尋找最近鄰居集和產(chǎn)生推薦資源等步驟完成了推薦算法設(shè)計;二是借鑒MVC的設(shè)計思想，設(shè)計了由用戶操作層、系統(tǒng)功能層、業(yè)務(wù)邏輯層和數(shù)據(jù)持久層等構(gòu)成構(gòu)架結(jié)構(gòu)，并對各層進(jìn)行了簡要說明。本文的研究解決了系統(tǒng)開發(fā)關(guān)鍵性的技術(shù)問題，為提高軟件開發(fā)效率和質(zhì)量奠定了基礎(chǔ)。

關(guān)鍵詞：

思想政治; 教育資源; 精準(zhǔn)推薦; 系統(tǒng)設(shè)計

中圖分類號： TP 311

文獻(xiàn)標(biāo)志碼： A

Design on Accurately Personalized Recommendation System for

College Students' Ideological and Political Education Resources

LIN Yufei1， JIANG Shen2

（1. College of Marxism; 2. School of Management， Bohai University， Jinzhou， Liaoning 121013， China）

Abstract：

Information overload has become a serious problem in the selection of ideological and political education resources for college students. Personalized recommendation system has become a tool to solve this problem. Based on the business process model of the system， this paper mainly designs two aspects： one is to build a personalized and accurate push model， and complete the design of the recommendation algorithm by calculating the score deviation， predicting the score of users' non rated resources， finding the nearest neighbor set and generating recommendation resources. Secondly， referring to the design idea of MVC， it designs the architecture structure which consists of user operation layer， system function layer， business logic layer and data persistence layer， and gives a brief description of each layer. The research results of this paper solve the key technical problems of system development， and lay a foundation for improving the efficiency and quality of software development.

Key words：

ideological and political; education resources; accurate recommendation; system design

0引言

互聯(lián)網(wǎng)為現(xiàn)代教育提供了諸多發(fā)展機遇，為大學(xué)生提供了一種思想政治教育的全新平臺，高等教育必須積極搶占互聯(lián)網(wǎng)這個思想政治教育主陣地，改善大學(xué)生思想政治教育環(huán)境，提高思想政治教育的實效性與影響力[1]。大學(xué)生是大眾傳媒的主要受眾，互聯(lián)網(wǎng)為大學(xué)生提供了充足的思想政治教育資源，延伸了思想政治教育時空，加快了思想政治教育現(xiàn)代化進(jìn)程[2]。但是，各種思潮的交融交鋒現(xiàn)象逐漸增多，思想政治教育的各類信息容易被大量的網(wǎng)絡(luò)資源所覆蓋，尤其是教育資源去中心化和碎片化趨勢明顯，信息過載成為目前大學(xué)生思想政治教育面臨的嚴(yán)重問題，教育資源獲取深受干擾，大量無關(guān)資源嚴(yán)重干擾了大學(xué)生對所需要思想政治教育資源的準(zhǔn)確選擇[3]，個性化推薦系統(tǒng)就成為解決這個問題的重要工具，通過挖掘大學(xué)生的需求或興趣，根據(jù)相關(guān)算法有效推薦[4]。本文基于軟件工程的思想展開研究，為大學(xué)生思想政治教育資源個性化精準(zhǔn)推薦系統(tǒng)開發(fā)提供完整的解決方案。

1業(yè)務(wù)流程設(shè)計

業(yè)務(wù)流程分析是以目前的管理模式為基礎(chǔ)，以業(yè)務(wù)流程圖為工具，按照具體業(yè)務(wù)的實際處理步驟，通過圖形的方式表達(dá)業(yè)務(wù)處理邏輯。隨著用戶需求越來越多樣化，業(yè)務(wù)流程模型可以通過配置來滿足用戶的多樣化需求[5]。業(yè)務(wù)流程模型是需求分析的重要工作，既是與用戶交流的工具，也是系統(tǒng)設(shè)計的基礎(chǔ)。大學(xué)生思想政治教育資源個性化精準(zhǔn)推薦系統(tǒng)包括學(xué)生、教師和管理員三類用戶，三類用戶分別與系統(tǒng)進(jìn)行交互，本文只給出了學(xué)生用戶和管理員用戶與系統(tǒng)交互的業(yè)務(wù)流程模型，如圖1所示[6]。教師用戶與系統(tǒng)交互的業(yè)務(wù)流程可參照圖1。

對于圖1所示的系統(tǒng)業(yè)務(wù)流程模型，簡要描述如下：學(xué)生用戶登錄系統(tǒng)，選擇資源類別后進(jìn)入導(dǎo)航頁面，選擇相應(yīng)

功能后導(dǎo)航到相應(yīng)頁面，顯示推薦資源，用戶可以學(xué)習(xí)瀏覽資源，也可以查詢資源或上傳資源，瀏覽資源后進(jìn)行資源評價，可以下載、收藏或推薦資源，系統(tǒng)保存相關(guān)數(shù)據(jù)，更新數(shù)據(jù)庫。管理員用戶登錄系統(tǒng)，選擇管理操作，可以對模型庫、知識庫和資源庫等進(jìn)行維護，也可以對資源進(jìn)行編輯修改，或者查詢資源的使用情況等。

2推薦算法設(shè)計

個性化推薦誕生于電子商務(wù)領(lǐng)域，向用戶提供個性化的信息服務(wù)和決策支持，用于解決互聯(lián)網(wǎng)時代的信息超載問題。目前已廣泛應(yīng)用于新聞媒體、網(wǎng)絡(luò)商城、教育教學(xué)、文化傳播、娛樂生活、視頻點播和決策支持等相關(guān)領(lǐng)域。教育資源個性化精準(zhǔn)推薦依賴于推薦算法，常見的個性化推薦算法包括基于協(xié)同過濾的推薦算法、基于內(nèi)容的推薦算法、基于效用的推薦算法、基于知識的推薦算法、基于關(guān)聯(lián)規(guī)則的推薦算法，以及綜合應(yīng)用以上兩種或兩種以上算法的混合推薦算法[7]?；趨f(xié)同過濾的推薦算法是在教育教學(xué)領(lǐng)域應(yīng)用最早、最經(jīng)典且最成熟的技術(shù)，具有不需要深厚的領(lǐng)域知識、能處理復(fù)雜的非結(jié)構(gòu)化對象、推薦個性化和自動化程度較高等優(yōu)點。基于協(xié)同過濾的推薦算法具體又分為三類：基于用戶的協(xié)同過濾推薦算法，主要考慮用戶和用戶之間的相似度;基于項目的協(xié)同過濾推薦算法，主要考慮項目和項目之間的相似度;基于模型的協(xié)同過濾推薦算法，主要運用機器學(xué)習(xí)的思想通過建模來解決問題。每類協(xié)同過濾推薦算法各有自己的優(yōu)缺點和適用范圍。大學(xué)生思想政治教育資源個性化精準(zhǔn)推薦更關(guān)注用戶之間的相似度，找出學(xué)生興趣相似的用戶群體，把評分相對較高并且目標(biāo)用戶沒有被推薦過的學(xué)習(xí)資源推薦給目標(biāo)用戶[8]，因此，本系統(tǒng)選擇基于用戶的協(xié)同過濾推薦算法，個性化精準(zhǔn)推薦模型，如圖2所示[9]。

對于圖2所示的個性化精準(zhǔn)推薦模型，學(xué)生提出學(xué)習(xí)請求后，系統(tǒng)從學(xué)生行為日志提出行為信息和從學(xué)習(xí)資源庫提取資源信息，輸入到學(xué)生行為模型和學(xué)習(xí)資源模型，依據(jù)最近鄰居集、學(xué)習(xí)生行為權(quán)重和協(xié)同過濾策略構(gòu)建的協(xié)同過濾引擎，產(chǎn)生在線推薦的學(xué)習(xí)資源，將音頻、視頻、文本、微課和課件等資源類型呈現(xiàn)在學(xué)生的客戶端供學(xué)生學(xué)習(xí)使用，學(xué)生學(xué)習(xí)過程中的行為信息記錄到學(xué)生行為日志中。個性化精準(zhǔn)推薦模型的關(guān)鍵是基于用戶的協(xié)同過濾推薦算法，參照相關(guān)文獻(xiàn)[1012]，構(gòu)建如下：

（1） 獲取學(xué)生對教育資源的評分矩陣。學(xué)生對教育資源評分包括隱式評分和顯式評分兩種，隱式評分是系統(tǒng)對用戶數(shù)據(jù)進(jìn)行分析得到的評分，顯式評分是用戶直接打分得到的資源評分。隱式評分需要跟蹤目標(biāo)對象的下載、瀏覽和收藏等學(xué)習(xí)行為。系統(tǒng)建設(shè)初期使用顯式評分，運用較穩(wěn)定后采用二者結(jié)合

的方法。設(shè)有m個用戶和n種學(xué)習(xí)資源，矩陣Ri，j表示用戶i對資源j的評分，為了數(shù)據(jù)顯示清晰，m個用戶對n種學(xué)習(xí)資源評分形成的評分矩陣表示成二維表的形式，如表1所示。

（2） 解決數(shù)據(jù)稀疏性問題。隨著用戶數(shù)量和資源數(shù)量增加，資源評分矩陣成為高維度矩陣，評分矩陣會存在大量空值的數(shù)據(jù)，這就是數(shù)據(jù)稀疏性[13]。產(chǎn)生數(shù)據(jù)稀疏性的原

因來自于三個方面：一是用戶的學(xué)習(xí)行為信息很少，對資源的評分就會出現(xiàn)大量缺失;二是用戶雖然利用了學(xué)習(xí)資源，但未對資源進(jìn)行評分;三是在系統(tǒng)構(gòu)建初期，評分?jǐn)?shù)據(jù)存在大量的缺省值。數(shù)據(jù)稀疏性導(dǎo)致計算相似度時得到的結(jié)果過于片面或產(chǎn)生巨大偏差，影響推薦算法的精確性。解決數(shù)據(jù)稀疏性問題，就是提高評分矩陣數(shù)據(jù)的完整性。本系統(tǒng)利用Slope one算法，采用數(shù)據(jù)填充方式解決數(shù)據(jù)稀疏性問題，基本思想是根據(jù)用戶過去對資源的評分偏差來對未評分資源進(jìn)行推測評分，具體包括四個步驟：

第1步，計算評分偏差。用戶對資源i和資源j之間的評分偏差D（i，j），計算公式如式（1）。

上式中，Rui和Ruj分別表示用戶u對資源i和資源j的評分。N（i）和N（j）分別表示對資源i和資源j評過分的用戶，N（i）∩N（j）表示對資源i和資源j都評過分的用戶，|N（i）∩N（j）|表示對資源i和資源j都評過分的用戶數(shù)。

第2步，預(yù)測用戶未評分資源的評分。根據(jù)用戶對資源間的評分偏差和歷史評分進(jìn)行預(yù)測，計算公式如式（2）。

上式中，N（u）表示用戶u評過分的資源。

（3） 尋找最近鄰居集。鄰居就是與目標(biāo)用戶具有相似興趣愛好的其他用戶。尋找最近鄰居集就是使用相似性計算方法，計算出用戶之間的相似性，尋找與目標(biāo)用戶相似度高的用戶集合。相似性計算使用相關(guān)系數(shù)計算方法，相關(guān)系數(shù)絕對值越大相關(guān)性越強，相關(guān)系數(shù)越接近于0相關(guān)性越弱。相關(guān)系數(shù)計算方法很多，本系統(tǒng)選用Pearson相關(guān)系數(shù)計算法，很好地解決了用戶評分尺度差別的問題。用戶i和用戶j的相似度表示如式（3）。

上式中，k表示相似度最大的鄰居數(shù)量，Ii，j表示用戶i和用戶j對資源評分的交集，Ri，k和Rj，k分別表示用戶i和用戶j對第k個資源的評分，i和j分別表示用戶i和用戶j對所有資源評分的平均值。k值選取很重要，如果k值選取較小，可能遺漏與目標(biāo)用戶相似的用戶;如果k值選取較大，可能囊括與目標(biāo)用戶不太相似的用戶。

（4） 產(chǎn)生推薦資源。以最近鄰用戶的評分為依據(jù)，預(yù)測目標(biāo)用戶對未評過分資源的評分，向目標(biāo)用戶推薦評分靠前的N個資源。用戶u對未評過分資源i的評分預(yù)測，計算公式如式（4）。

上式中，Cu表示相似用戶的集合，S（u，n）表示用戶u和用戶n的相似度，Rn，i表示用戶n對資源i的評分，n表示用戶n對資源的評分平均值。

3系統(tǒng)架構(gòu)設(shè)計

MVC是一種軟件設(shè)計典范，將業(yè)務(wù)邏輯、數(shù)據(jù)存儲和界面顯示分離的方式組織代碼，降低了耦合性，提高了內(nèi)聚性。當(dāng)顯示界面修改時，不需要修改業(yè)務(wù)邏輯，提高了系統(tǒng)的可維護性。為了將大學(xué)生思想政治教育資源個性化精準(zhǔn)推薦系統(tǒng)設(shè)計成為以人為本的學(xué)生服務(wù)平臺和靈活自主的信息傳播平臺，借鑒MVC的設(shè)計思想，在傳統(tǒng)三層結(jié)構(gòu)的基礎(chǔ)之上，將系統(tǒng)功能層從業(yè)務(wù)邏輯層中分離出來，業(yè)務(wù)邏輯層為系統(tǒng)功能層提供支持。由此設(shè)計了由用戶操作層、系統(tǒng)功能層、業(yè)務(wù)邏輯層和數(shù)據(jù)持久層等構(gòu)成的四層構(gòu)架，如圖3所示。

對于圖3所示的系統(tǒng)總體架構(gòu)中各個邏輯層簡要說明如下：用戶操作層，系統(tǒng)為用戶提供固定服務(wù)和移動服務(wù)，用戶通過智能手機、臺式電腦、筆記本電腦和平板電腦，以及其他用戶終端訪問Web服務(wù)器，Web服務(wù)器為用戶提供思想政治教育資源的網(wǎng)上瀏覽服務(wù)和在線學(xué)習(xí)服務(wù)。系統(tǒng)功能層[1415]，按照學(xué)生、教師和管理員等三類角色劃分功能。系統(tǒng)功能層從業(yè)務(wù)邏輯層分離出來，為用戶提供各種操作功能。應(yīng)用服務(wù)器提供了訪問業(yè)務(wù)邏輯的途徑，實現(xiàn)了各種業(yè)務(wù)邏輯和應(yīng)用實現(xiàn)的集成。業(yè)務(wù)邏輯層，作為系統(tǒng)架構(gòu)體現(xiàn)核心價值的部分，關(guān)注業(yè)務(wù)規(guī)則制定和業(yè)務(wù)流程實現(xiàn)，有利于系統(tǒng)的開發(fā)、維護、部署和擴展。本系統(tǒng)業(yè)務(wù)邏輯層由基本信息處理、資源推薦處理、用戶學(xué)習(xí)支持、輔助推薦決策、用戶評價處理和系統(tǒng)維護處理等業(yè)務(wù)邏輯組件構(gòu)成，為系統(tǒng)功能層提供訪問接口。數(shù)據(jù)持久層，持久化是將程序數(shù)據(jù)在持久狀態(tài)和瞬時狀態(tài)間轉(zhuǎn)換的機制，系統(tǒng)提供的統(tǒng)一數(shù)據(jù)操作接口實現(xiàn)與關(guān)系數(shù)據(jù)庫直接交互，通過對象關(guān)系映射機制提供對關(guān)系數(shù)據(jù)庫表中數(shù)據(jù)的增加、修改、刪除和查詢等操作，并將執(zhí)行結(jié)果返回到業(yè)務(wù)邏輯層。

4總結(jié)

隨著信息技術(shù)蓬勃發(fā)展，互聯(lián)網(wǎng)不受時間和空間限制，能夠共享豐富優(yōu)質(zhì)的教育資源，逐漸成為大學(xué)生思想政治教育的新路徑。但是，知識更新頻率提速，網(wǎng)絡(luò)教育資源眾多，傳統(tǒng)的學(xué)習(xí)資源查詢搜索方式已經(jīng)不能滿足需要，信息過載使大學(xué)生迷失方向。設(shè)計開發(fā)思想政治教育資源個性化精準(zhǔn)推薦系統(tǒng)，從海量的網(wǎng)絡(luò)資源中分辨出滿足大學(xué)生個性化需要的資源，獲得最佳的學(xué)習(xí)途徑和思想政治教育效果。本文進(jìn)行了業(yè)務(wù)流程、推薦算法和系統(tǒng)架構(gòu)等方面的設(shè)計，解決了系統(tǒng)開發(fā)關(guān)鍵性的技術(shù)問題，為提高軟件開發(fā)效率和質(zhì)量奠定了基礎(chǔ)。但是，基于用戶的協(xié)同過濾算法存在數(shù)據(jù)稀疏性和冷啟動兩個問題，本文解決了數(shù)據(jù)稀疏性問題，如何解決冷啟動問題并未涉及。因此，還需要進(jìn)一步運用數(shù)據(jù)挖掘技術(shù)，有效緩解冷啟動問題帶來的影響。在開發(fā)和應(yīng)用過程中，也需要深入挖掘?qū)W習(xí)者特征和學(xué)習(xí)行為數(shù)據(jù)，提高資源推薦的精準(zhǔn)性和智能化水平。

參考文獻(xiàn)

[1]

閆廣新. 移動互聯(lián)網(wǎng)時代高校思想政治教育平臺系統(tǒng)構(gòu)建[J]. 鞍山師范學(xué)院學(xué)報， 2018， 20（5）： 99101.

[2]張宏達(dá). 論網(wǎng)絡(luò)思想政治教育資源的整合[J]. 學(xué)校黨建與思想教育， 2019， 37（14）： 6061.

[3]陳志勇. 信息過載環(huán)境下高校思想政治教育創(chuàng)新[J]. 思想理論教育導(dǎo)刊， 2018， 25（9）： 124127.

[4]周聞， 岑崗. 可解釋個性化推薦學(xué)習(xí)平臺的構(gòu)建與算法研究[J]. 浙江科技學(xué)院學(xué)報， 2020， 32（1）： 7580.

[5]應(yīng)麗， 方賢文， 王麗麗. 基于業(yè)務(wù)能力的可配置業(yè)務(wù)流程模型變化域分析[J]. 計算機科學(xué)， 2019， 47（10）， 322328.

[6]趙建龍. 基于協(xié)同過濾推薦技術(shù)的學(xué)習(xí)資源個性化推薦系統(tǒng)研究[D]. 杭州：浙江工業(yè)大學(xué)， 2011.

[7]張宇航， 姚文娟， 姜姍. 個性化推薦系統(tǒng)綜述[J]. 價值工程， 2020， 39（2）： 287292.

[8]劉雙雙. 基于協(xié)同過濾推薦技術(shù)在就業(yè)推薦系統(tǒng)的應(yīng)用研究[J]. 現(xiàn)代計算機， 2019， 36（32）： 7375.

[9]孫歆， 王永固， 邱飛岳. 基于協(xié)同過濾技術(shù)的在線學(xué)習(xí)資源個性化推薦系統(tǒng)研究[J]. 中國遠(yuǎn)程教育， 2012， 32（8）： 7882.

[10]Lee W P， Ma C Y. Enhancing collaborative recommendation performance by combing user preference and trust distrust propagation in social networks[J]. Knowledge Based Systems， 2016， 106（1）： 125134.

[11]Wang C D， Deng Z H， Lai J H， et al. Serendipitous recommendation in ecommerce using innovatorbased collaborative filtering[J]. IEEE Trans. on Cybernetics， 2019， 49（7）： 26782692.

[12]Wang Z Q， Liang J Y， Li R， et al. An approach to coldstart link prediction： Establishing connections between nontopological and topological information[J]. IEEE Transactions on Knowledge and Data Engineering， 2016， 28（11）： 28572870.

[13]李曉瑜. 協(xié)同過濾推薦算法研究[J]. 計算機與數(shù)字工程， 2019， 47（9）： 21182122.

[14]胡婷. 基于協(xié)同推薦的英語教學(xué)資源管理系統(tǒng)設(shè)計[J]. 自動化技術(shù)與應(yīng)用， 2019， 38（9）： 158161.

[15]劉博. 以視頻點播（VOD）為載體的高校思想政治教育網(wǎng)絡(luò)系統(tǒng)構(gòu)建與實踐[J]. 自動化技術(shù)與應(yīng)用， 2019， 38（10）： 166169.

（收稿日期： 2020.04.27）

基金項目：

2017年遼寧省教育廳基本科研項目（WQ2017010）。

作者簡介：

林雨菲（1981），女，碩士，講師，研究方向：思想政治教育。

姜參（1979），男，碩士，副教授，研究方向：電子商務(wù)軟件開發(fā)。

文章編號：1007757X（2020）08005504