在線學(xué)習(xí)個性化服務(wù)方案設(shè)計

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了在線學(xué)習(xí)個性化服務(wù)方案設(shè)計范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要:基于數(shù)據(jù)挖掘技術(shù)，在分析在線學(xué)習(xí)個性化服務(wù)的基礎(chǔ)上，以Hadoop為大數(shù)據(jù)分析平臺、MapReduce/Spark為計算框架設(shè)計了面向個性化服務(wù)的在線學(xué)數(shù)據(jù)挖掘解決方案。

關(guān)鍵詞:數(shù)據(jù)挖掘;在線學(xué)習(xí);個性化服務(wù);數(shù)據(jù)采集;數(shù)據(jù)建模

1概述

伴隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，教育及知識傳播方式也發(fā)生了根本變化。在線學(xué)習(xí)逐步興起，由于其不受時間、空間限制等特征，逐步被大家所接受。大數(shù)據(jù)時代的在線學(xué)習(xí)，也為個性化教學(xué)提供了機(jī)遇。在線學(xué)習(xí)者在學(xué)習(xí)的過程中會產(chǎn)生相應(yīng)的學(xué)習(xí)軌跡，例如，觀看學(xué)習(xí)視頻時間的長短、訪問的學(xué)習(xí)資源類型、對所學(xué)內(nèi)容的評價等一系列的相關(guān)數(shù)據(jù)。通過在線學(xué)習(xí)平臺或系統(tǒng)對這些數(shù)據(jù)進(jìn)行收集并采用合適算法對相關(guān)數(shù)據(jù)進(jìn)行降維處理，提取在線學(xué)習(xí)者相關(guān)特征，在大數(shù)據(jù)技術(shù)的基礎(chǔ)上對在線學(xué)習(xí)者進(jìn)行評價及預(yù)測，從而對在線學(xué)習(xí)者進(jìn)行個性化服務(wù)，進(jìn)一步提高在線學(xué)習(xí)質(zhì)量，進(jìn)而優(yōu)化學(xué)習(xí)過程、提高教學(xué)效果。［1］

2基于數(shù)據(jù)挖掘的在線學(xué)習(xí)個性化服務(wù)

2．1數(shù)據(jù)收集

用戶行為數(shù)據(jù)是用作許多個性化服務(wù)算法的數(shù)據(jù)源，因此必須收集在線學(xué)習(xí)者的學(xué)習(xí)日志數(shù)據(jù)。此外，還記錄用戶用來檢索和推薦引擎本身的數(shù)據(jù)，并進(jìn)一步優(yōu)化后續(xù)算法。［2］

2．2角色建模

角色建模包括用戶建模和學(xué)習(xí)資源建模。用戶建模和文檔建模具有本體建模方法和非本體建模方法，這兩種方法都可以在MAPRECECE/SPARK計算框架下高效實現(xiàn)。［3］模型可以由HBASE數(shù)據(jù)庫分發(fā)和檢索。推薦，檢索和推送算法基于建立的用戶模型和文檔模型以不同方式執(zhí)行計算，最終找到與用戶或輸入匹配的文檔。［4］

2．3數(shù)據(jù)特征選取

考慮到當(dāng)前在線學(xué)習(xí)平臺之間通常不形成社交網(wǎng)絡(luò)，可以選擇基于內(nèi)容和基于行為的特征。內(nèi)容功能涵蓋在線學(xué)習(xí)內(nèi)容的標(biāo)題和類別，用戶的背景和興趣等。用戶行為則涵蓋了他們?yōu)g覽了哪些學(xué)習(xí)資源。基于內(nèi)容和用戶行為的特征可以相互補(bǔ)充。

2．4算法選取

從準(zhǔn)確性，效率和穩(wěn)定性的角度簡要分析基于產(chǎn)品和基于用戶的協(xié)同過濾推薦算法這兩種方法在在線學(xué)習(xí)個性化服務(wù)中的適用性。［5］(1)準(zhǔn)確性:推薦系統(tǒng)的準(zhǔn)確性在很大程度上取決于用戶數(shù)量與系統(tǒng)中項目數(shù)量之間的比率。在線學(xué)習(xí)用戶包括學(xué)生，教師，社會人員等。每種類型的用戶都可以細(xì)分。基于用戶的協(xié)同過濾可以使在線學(xué)習(xí)個性化建議更加準(zhǔn)確。(2)高效性:盡可能提高挖掘效率。當(dāng)用戶數(shù)遠(yuǎn)遠(yuǎn)大于項目數(shù)時，項目的相似度計算消耗的資源遠(yuǎn)遠(yuǎn)少于用戶的相似度計算，因此基于項目的協(xié)同過濾更有效。(3)穩(wěn)定性:在線學(xué)習(xí)資源和在線學(xué)習(xí)用戶不斷變化。對于在線學(xué)習(xí)，一方面，新生每天進(jìn)入在線學(xué)習(xí)平臺，在線學(xué)習(xí)者每天都會有結(jié)業(yè)學(xué)生。學(xué)生用戶很不穩(wěn)定;另一方面，在線學(xué)習(xí)平臺每天都會有新的學(xué)習(xí)資源建立，學(xué)習(xí)資源內(nèi)容的更新和升級。從穩(wěn)定性的角度來看，基于用戶和基于項目的方法難以區(qū)分。

3基于數(shù)據(jù)挖掘的在線學(xué)習(xí)個性化服務(wù)方案設(shè)計

3．1在線學(xué)數(shù)據(jù)支撐環(huán)境

在目前常使用的云計算設(shè)施中，HADOOP由于其快速及可靠性為在線學(xué)習(xí)用戶提供了一個大數(shù)據(jù)分析及處理平臺。

3．2基于數(shù)據(jù)挖掘的在線學(xué)習(xí)個性化服務(wù)方案

基于以上分析，本文將HADOOP設(shè)計為大數(shù)據(jù)分析平臺，將MAPREDUCE/SPARK設(shè)計為計算框架，為個性化服務(wù)設(shè)計在線學(xué)數(shù)據(jù)挖掘解決方案。4結(jié)語本文在數(shù)據(jù)挖掘技術(shù)的基礎(chǔ)上，結(jié)合在線學(xué)習(xí)特點，對在線學(xué)習(xí)個性化服務(wù)進(jìn)行分析研究，從數(shù)據(jù)收集、數(shù)據(jù)建模、數(shù)據(jù)特征選擇、算法選擇四方面對在線學(xué)習(xí)個性化服務(wù)進(jìn)行方案設(shè)計，從而進(jìn)一步提高在線學(xué)習(xí)的學(xué)習(xí)質(zhì)量，為個性化教學(xué)提供一種新的方法。

參考文獻(xiàn):

［1］趙慧瓊，姜強(qiáng)，趙蔚，李勇帆，趙艷．基于大數(shù)據(jù)學(xué)習(xí)分析的在線學(xué)習(xí)績效預(yù)警因素及干預(yù)對策的實證研究［J］．電化教育研究，2017，38(01):62-69．

［2］宋遠(yuǎn)方，馮紹雯，宋立豐．互聯(lián)網(wǎng)平臺大數(shù)據(jù)收集的瓶頸與區(qū)塊鏈理念下的新發(fā)展路徑探索［J］．管理現(xiàn)代化，2018，38(03):27-30．

［3］高學(xué)偉，付忠廣，孫力，張剛．基于HADOOP分布式支持向量機(jī)球磨機(jī)大數(shù)據(jù)建模［J］．河北大學(xué)學(xué)報(自然科學(xué)版)，2017，37(03):309-315．

［4］柳益君，何勝，馮新翎，等．大數(shù)據(jù)挖掘在高校圖書館個性化服務(wù)中應(yīng)用研究［J］．圖書館工作與研究，2017，(5):23-29．

［5］王茜，鄧偉偉，喻繼軍．一種考慮群成員接受度及相似度的群體推薦算法［J］．計算機(jī)應(yīng)用研究，2017，34(11):3285-3290+3298．

作者:郭飛雁 單位:湖南電氣職業(yè)技術(shù)學(xué)院經(jīng)濟(jì)管理學(xué)院