基于学分银行平台的个性化推荐应用研究

摘  要：学分银行平台是实现全民终身学习的信息化窗口。将电子商务中个性化推荐技术应用于学分银行平台，可实现精准定位，避免用户重复学习，帮助学习者培养学习个性。学分银行可利用混合推荐算法，同时运用用户行为数据和用户和学习成果内容特征，绘制个性化和多元化路径，综合基于内容的推荐算法和协同过滤算法优点，以达到良好的推荐效果。

关键词：学分银行;个性化推荐;混合推荐算法

中图分类号：G40-057      文献标识码：A 文章编号：2096-4706（2019）23-0106-03

Research on Personalized Recommendation Application

Based on Credit Bank Platform

ZHU Shanshan

（Jiangsu Open University，Credit Bank Management Center，Nanjing  210036，China）

Abstract：The credit bank platform is an information vehicle to realize the lifelong learning for all.It can realize precise positioning，avoid re-learning and help learners to develop learning personality for integrating personalized recommendation technology which is applied in e-commerce to credit bank platform.Credit bank can take full advantage of hybrid recommendation algorithm which combines user behavior data and content characteristics of learning outcomes，draws personalized and diversified paths，integrates the advantages of content based recommendation algorithm and collaborative filtering algorithm to achieve good recommendation effect.

Keywords：credit bank;personalized recommendation;hybrid recommendation algorithm

0  引  言

終身教育理念下，学分银行承载促进学历与非学历教育衔接互通、打破普通教育与职业教育的沟通壁垒的职能使命。2019年教育部等四部委联合印发的《关于在院校实施“学历证书+若干职业技能等级证书”制度试点方案》，明确指示要加快推进职业教育国家“学分银行”建设，建立职业教育个人学习账号。学分银行网络服务平台搭建于互联网环境上，涵盖各类教育机构，为社会成员开设个人账户，存储学习成果信息，建立终身学习成果档案。随着积累数据量的急剧增长，学习者从中获取有价值的信息面临着过载的问题。将电子商务企业中广泛应用的个性化推荐技术应用于学分银行信息系统，实现精准定位，有助于提升用户交互性体验，满足学习者个性化需求。

1  个性化推荐的发展历程

个性化推荐指电子商务网依据消费者浏览、搜索等数据或相似消费者行为推测目标用户的需求与偏好的服务[1]。国内外对于个性化推荐技术研究纷纷迭起。个性化推荐的概念由明尼苏达大学Resnick等于1994年首先提出。Bollacher基于文本内容的推荐，设计为用户推荐兴趣论文。王娜[2]等通过深度神经网络词分析用户播放行为，构建个性化推荐策略。亚马逊主导的产品推荐更是应用广泛，类似淘宝商品推荐、当当网书籍推荐、虾米音乐推荐、腾讯视频推荐都内嵌推荐系统。

个性化推荐理论主要发挥学习者自身主观能动性，其本质是汇聚不同个体特征重塑认知的过程。个性化推荐服务的实践给行业带来人流与营利增长的可能。一方面通过研究用户画像，满足不同层次需求，实现精准化推荐和个性化服务，发现潜在的用户，增加点击流和访问量;另一方面，个性化推荐系统帮助用户提高搜索速率，缩短搜索时间，降低搜索成本，提升用户满意度，增强用户对系统的粘性和忠诚度。智慧教育核心就是提供个性化和多元化的学习路径。

2  学分银行信息平台的运行现状

学分银行模拟借鉴银行功能特点，以学分为计量单位，建立终身学习信息管理平台，对学习者各个阶段的学习成果进行认证、积累与转换[3]。自教育部在2004年《关于在职业学校逐步推行学分制的若干意见》中首次提出“探索和建立职业学校学分积累与转换信息平台”以来，学分银行相关平台搭建探索方兴未艾。国家开放大学学分银行借助覆盖全国的认证服务体系，搭建学习者与教育资源“一网两库”服务平台，主要功能是建立账号、登记成果、认定成果、存储成果、转换成果。上海终身教育学分银行公共服务平台实现“一站式”搜索，实名开设学习者终身账号，便于存储记录各类学习成果，主要有认证功能、课程置换、双证融通、查询功能。浙江省终身教育学分银行着力构建覆盖全省的个人终身学习档案库，平台由门户网站、网上服务大厅、网上管理中心三大模块组成，统一打造终身学习大数据并深化数据分析应用。江苏省终身教育学分银行以信息平台为枢纽，探索不同类型学习成果之间的转换与衔接，为学习者提供实名注册服务、账户激活、学习成果认定、学习成果转换、查看并打印个人学习档案等服务功能。

学分银行搭建的数字化、网络化的信息平台是学分银行业务办理的重要载体。通过对多个学分银行信息平台进行研究，发现主要业务模块大体相同。学分银行核心功能学习成果的认证、转换、存储依靠学分银行信息平台完成[4]。实现学分银行的可持续发展，要不断优化学分银行信息平台功能，以便捷用户的服务思维改进平台框架，满足用户灵活变化需求，使学习者与学分银行信息平台产生粘性。

3  学分银行平台的个性化推荐应用分析

学分银行平台是实现全民终身学习的信息化窗口。将用户个性化需求为导向加入学分银行平台信息化管理，向用户推荐差异性学习成果、不同教育资源、人性化服务是当前泛化式教育情况下学习精细化诉求的体现。通过学分银行构建的个性化路径，避免用户重复学习，汇聚各类优质教育资源，推进优质资源共享。基于此，学分银行平台个性化推荐框架如图1所示，包含客户端、用户层、数据层和业务层。

3.1  客户端

主要是指学分银行平台上与用户实际交互操作的界面，是平台与系统信息交换的媒介，一般有Web端、APP端、第三方（QQ、微信、微博类）等。学分银行平台的操作界面是吸引用户注册使用的第一步。提升个性化用户体验需设置新手指引，做到界面美化、功能完善、数据交接顺畅、安装简便等。

3.2  用户层

该层主要提供用户操作接口服务。用户需在学分银行平台注册登录，推荐系统识别用户登录状态下，才能实时监控获取与分析数据，为用户提供个性化推荐服务。此外，用户操作接口服务包括关键词搜索、在线浏览、学习成果积累、学习成果转换等。

3.3  数据层

数据层是个性化推荐的基础。通过训练集建立用户与推荐对象的联系，通过特征集区分用户之间的差异。

3.3.1  用户模块

学分银行平台在用户使用过程中不断积累汇总各类数据。推荐系统需建立用户模型获取用户动态变化的偏好，对用户信息特征进行分类，帮助系统理解用户的需求。模型输入数据主要有用户注册基本信息，比如姓名、性别、年龄、专业、学历等;用户行为信息，比如关键词查询、浏览记录、翻页拖动、学习成果认证等;用户反馈信息，比如点赞评论、分享推荐、收藏保存等。获取模型输入数据的方式也有多种形式，显式获取用户标注或评论的浏览内容感兴趣程度，观察用户日志，隐性跟踪用户行为，避免用户操作反感负担，通过动作交互推断用户兴趣偏好。建立用户群组的综合模型，考虑结构化、颗粒度等标准，运用多维属性描述建立用户模型，用监控器将日志信息预处理转化成序列模式，从而提高系统个性化推荐的准确度。

3.3.2  推薦对象模块

推荐对象的选择影响系统推荐质量。不同用途对应的推荐对象各不相同。通过学分银行平台推荐对象建模，统一管理和归类资源，描述推荐对象特征制成训练集，用以表示用户兴趣偏好。推荐对象包括各类学习成果积累情况，比如学习课程、获奖证书、课外培训等;学习成果转换情况，比如学习成果名录、转换规则、已认证的学习成果等;公司招聘岗位情况，比如所需专业、证书、技能等。运用逻辑回归算法、聚类算法、决策树算法等方法对推荐对象描述进行归类，可以将同类属性资源推荐给对该类文档感兴趣的用户。

3.4  业务层

该层主要通过监控器实时采集用户行为数据，接收用户提交请求，使用推荐模块可视化展示推荐对象。推荐算法模块是整个推荐系统的核心，决定了推荐系统性能。

3.4.1  基于内容的推荐算法

基于内容的推荐算法主要运用于信息检索方法中。根据学分银行平台上用户自身搜索、浏览情况的权重相似度匹配，推荐类似的学习成果信息。例如，根据用户所属专业、已修课程、获取证书等推荐符合学习成果转换规则、匹配的招聘公司、可学习的课程等信息。基于内容的推荐算法中[5]，设定用户特征抽取重要性权值，用户对象是定义：

f（i，s）=（ws1，ws2，…，wst）

其中，wst表示第t个特征抽取在用户s的重要度。

f（u，c）=（wc1，wc2，…，wct）

其中，wct表示训练集用户对象对c的偏好程度。

推荐对象的评分函数score（f（u，c），f（i，s））=cos（f（u，c），f（i，s））

计算得到的值对象排序，将前列的目标视为推荐对象。该算法推荐结果直观易懂，结果符合用户的爱好。但类型单一、缺乏多样性，推荐有重复性。新用户无存储信息，不能进行推荐。用户模型和描述依赖于内容，如果内容特征不易提取、难以解析，推荐效果不好。

3.4.2  基于协同过滤的推荐算法

协同过滤算法通过收集用户行为数据对用户聚类，推荐同一类用户的学习成果信息或依赖群属性进行相似度推荐。通过算法形成个性化服务路径，在浏览器终端或者用户账户呈现推荐对象。

余弦相似度是最普遍的计算向量相似度的方法，该算法主要利用两个向量在空间中存在的夹角来判断相似度。得出的余弦值是衡量两个推荐对象方向上的相似程度，计算方程：

T（x，y）=

该算法能处理复杂非结构对象，挖掘新推荐兴趣，自动化程度高。但新用户有冷启动问题，当新用户行为记录较少时，推荐捉襟见肘，无法对其进行推荐。有流行性偏见，新课程或证书信息加入，因未进行分值预测，不能推荐，推荐依赖于历史数据集，可扩展性差。

3.4.3  混合推荐算法

不同的推荐技术存在各自的优势和缺点，为了获得良好的推荐效果，可以将独立推荐算法进行合理融合。学分银行平台可利用混合推荐算法同时运用用户行为数据和用户和学习成果内容特征，综合基于内容的推荐算法和协同过滤算法优点，取长补短。基于内容的算法难以提取特征，可利用协同过滤算法进行数据预处理，而协同过滤算法中用户和课程等信息忽视联系关系，可用基于内容算法进行补充。常用的混合算法有加权、特征组合和级联等，模型随着用户变化，通过预测模型反馈学习，构成用户画像的动态变化。建模时设计需充分考虑模块的灵活易用性、可修正反馈情况，但推荐准确度的提高相应增加了计算复杂度，对系统运行要求提高。

4  结  论

学分银行提供的个性化推荐服务就是以“用户为中心”的服务，帮助学习者培养学习个性，有针对性地使不同路径获得的学习成果得到高效转换，降低学习和成才成本，减少人力资源开发的社会成本，促进社会多样化发展。个性化推荐系统综合分析课程、证书等学习成果等数据信息，可结合大数据挖掘技术为用人单位、政府提供优质应聘人员和决策建议，从而推动学习型社会构建。

参考文献：

[1] 孙雨生，张晨，任洁，等.国内电子商务个性化推荐研究进展：核心技术 [J].现代情报，2017，37（4）：151-157.

[2] 王娜.视频中人体行为预测的方法研究 [D].长沙：湖南大学，2016.

[3] 余燕芳，韩世梅.学分银行平台的知识汇聚与个性化推荐系统应用研究 [J].中国远程教育，2017（3）：45-51.

[4] 邵文莎.学分制改革背景下的区域学分银行建设研究 [J].天津电大学报，2018，22（4）：38-41.

[5] 王刚，郭雪梅.社交网络环境下基于用户行为分析的个性化推荐服务研究 [J].情报理论与实践，2018，41（8）：102-107.

作者简介：祝珊珊（1989-），女，汉族，浙江江山人，研究实习员，工学硕士，研究方向：教育管理、计算机应用技术。