第6期 刘芳，等：融入学习者模型在线学习资源协同过滤推荐方法 ·1123· 准确率、召回率和F,值，将时间参数0、动态特征 ■基于协同过滤的推荐 0.8 ■融合学习者静态特征的推荐 融合参数B调到最优值，最终在=0.2，=0.7时， 06 口融合学习者动态特征的推荐 推荐结果最准确。 0.4 ■基于协同过滤的推荐 0.2 ▣融合学习者静态兴趣偏好特征的推荐 0.7 「▣融合学习者静态学习风格特征的推荐 0.6 5 10 1520253035 0.5 学习资源推荐个数 0.4 图5不同推荐方法的准确率比较 0.3 0.2 Fig.5 Accuracy comparison of different recommended 0.1 methods 0 5 10 15202530 35 学习资源推荐个数 ■基于协同过滤的推荐 (a)准确率比较 0.8口融合学习者静态特征的推荐 ·基于协同过滤的推荐 解0.6 口融合学习者动态特征的推荐 ▣融合学习者静态兴趣偏好特征的推荐 黑04 0.7「▣融合学习者静态学习风格特征的推荐 0.5 5 101520253035 0.4 学习资源推荐个数 0.2 图6不同推荐方法的召回率比较 0.1 Fig.6 Recall rate comparison of different recommended methods 1015 2025 30 35 学习资源推荐个数 (b)召回率比较 基于协同过滤的推荐 融合 学习者静态特征的推荐 0.6 口融合学习者动态特征的推荐 ·基于协同过滤的推荐 ▣融合学习者静态兴趣偏好特征的推荐 4 0.50 「▣融合学习者静态学习风格特征的推荐 0.40 0.30 101520253035 0.20 学习资源推荐个数 0.10 图7不同推荐方法F值比较 10 15 202530 Fig.7 F value comparison of different recommended 35 学习资源推荐个数 methods (c)F值比较值 通过综合对比分析，得出结论：动态特征方 图3融合学习者各项静态特征的推荐性能 面，融合行为特征和时间特征的动态兴趣偏好特 Fig.3 Recommended performance of integrating learners' 征对最后推荐结果影响相对较大；静态特征方 various static characteristics 面，学习者的兴趣偏好特征要比学习者学习风格 0.8 特征影响大。整体上，融合学习者动态特征的推 0.6 荐性能优于融合学习者静态特征的推荐和基于协 同过滤的推荐。 0.2 -准确率--召回率一·F 4结束语 0.1 0.3 0.5 0.70.9 图4静态特征融合参数选择比较 目前在线教育学习平台中存在海量学习资 Fig.4 Static feature fusion parameter selection comparison 源，然而提供的服务个性化程度却不高，针对在 3)综合对比分析 线学习过程中的“信息迷航”问题，本文以在线学 综合对比分析基于协同过滤的推荐、融合学 习平台中的学习资源数据和学习者数据为采集层 习者静态特征的推荐和融合学习者动态特征的推 的基础数据，通过数据分析和挖掘，构建了多维 荐，从准确率、召回率和F,值3个角度进行分析， 度的个性化学习者模型。该学习者模型包括学习 实验数据如图5~7所示。 者静态特征和学习者动态特征，静态特征包括学准确率、召回率和 F1 值，将时间参数 θ、动态特征 融合参数 β 调到最优值，最终在 θ=0.2，β=0.7 时， 推荐结果最准确。 0.7 0.6 0.5 0.4 准确率 0.3 0.2 0.1 0 5 10 15 学习资源推荐个数 (a) 准确率比较 20 25 30 35 基于协同过滤的推荐 融合学习者静态兴趣偏好特征的推荐 融合学习者静态学习风格特征的推荐 0.7 0.6 0.5 0.4 召回率 0.3 0.2 0.1 0 5 10 15 学习资源推荐个数 (b) 召回率比较 20 25 30 35 基于协同过滤的推荐 融合学习者静态兴趣偏好特征的推荐 融合学习者静态学习风格特征的推荐 0.40 0.50 0.30 0.20 F1 0.10 0 5 10 15 学习资源推荐个数 (c) F1 值比较值 20 25 30 35 基于协同过滤的推荐 融合学习者静态兴趣偏好特征的推荐 融合学习者静态学习风格特征的推荐 图 3 融合学习者各项静态特征的推荐性能 Fig. 3 Recommended performance of integrating learners’ various static characteristics 0.8 0.6 0.4 性能 0.2 0 0.1 0.3 0.5 0.7 0.9 准确率 召回率 F1 图 4 静态特征融合参数选择比较 Fig. 4 Static feature fusion parameter selection comparison 3）综合对比分析 综合对比分析基于协同过滤的推荐、融合学 习者静态特征的推荐和融合学习者动态特征的推 荐，从准确率、召回率和 F1 值 3 个角度进行分析， 实验数据如图 5~7 所示。 0.8 0.6 0.4 准确率 0.2 0 5 10 15 学习资源推荐个数 20 25 30 35 基于协同过滤的推荐 融合学习者静态特征的推荐 融合学习者动态特征的推荐 图 5 不同推荐方法的准确率比较 Fig. 5 Accuracy comparison of different recommended methods 基于协同过滤的推荐 融合学习者静态特征的推荐 融合学习者动态特征的推荐 0.8 0.6 0.4 召回率 0.2 0 5 10 15 学习资源推荐个数 20 25 30 35 图 6 不同推荐方法的召回率比较 Fig. 6 Recall rate comparison of different recommended methods 0 0.2 0.4 0.6 5 10 15 20 25 30 35 F1 学习资源推荐个数 基于协同过滤的推荐 融合学习者静态特征的推荐 融合学习者动态特征的推荐 图 7 不同推荐方法 F1 值比较 Fig. 7 F1 value comparison of different recommended methods 通过综合对比分析，得出结论：动态特征方 面，融合行为特征和时间特征的动态兴趣偏好特 征对最后推荐结果影响相对较大；静态特征方 面，学习者的兴趣偏好特征要比学习者学习风格 特征影响大。整体上，融合学习者动态特征的推 荐性能优于融合学习者静态特征的推荐和基于协 同过滤的推荐。 4 结束语 目前在线教育学习平台中存在海量学习资 源，然而提供的服务个性化程度却不高，针对在 线学习过程中的“信息迷航”问题，本文以在线学 习平台中的学习资源数据和学习者数据为采集层 的基础数据，通过数据分析和挖掘，构建了多维 度的个性化学习者模型。该学习者模型包括学习 者静态特征和学习者动态特征，静态特征包括学 第 6 期 刘芳，等：融入学习者模型在线学习资源协同过滤推荐方法 ·1123·