基于慕课学习者行为分析的资源推荐系统研究与实现开题报告

网络技术的飞速发展、智能电子设备的普及以及大数据时代的到来，科学技术影响人们的各个方面，同时也为在线学习奠定了硬件基础。

在线教育是指通过利用网络平台进行授课的新型教学活动。又称为“远程教育”或

“在线学习”。当代生活中计算机和网络技术的发展，彻底改变了人们的生活、学习，出现了一种跨时空的生活方式，在这种方式的推动下人们获取知识的途径发生了翻天覆地的变化。教学活动的开展不单单存在于课堂上，网络视频、电子教材等新型学习资源成为学习者学习的重要方式，学习者学习的路径越来越灵活。 20 世纪 90 年代，线上教育进入发展的高峰期。20 世纪 90 年代末的在线教育是以网络为介质的远程教育平台。作为新兴产业的在线教育，诞生之初主要以录播的形式传送到教育平台，由于在线教育的方便、快捷，很快引起了青年教育者的兴趣，但是因为当时规模小、硬件设备缺乏导致受众面较小。随着人工智能、大数据和网络技术的发展，近几年在线教育不单单的局限于录播的形式，直播加录播能更好的满足学习者的需求，可以使学习者和教授者实时交互，直播加录播的兴起带动了在线教育行业的重新洗牌，所开发的课程也越来越多，不仅仅局限于中小学课程，越来越多的专业技术课程和大学课程也陆续参与其中，参与教授课程的教师团队更加优秀，现阶段的在线教育教师更专业、用户花费成本更低，最重要的是通过在线教育每个人都享有接触优质教育资源的机会，教育资源可以得到充分的利用。近几年最火的在线教育网站是慕课网，慕课网的教育资源均来自各个名牌大学，通过慕课网任何人都有机会学习名校课程。有关调查报告显示，截止 2018 年底，在线教育的学习者规模达到 1.55 亿人，在线教育的市场规模达到 2517.6 亿元。根据某机构数据预测到 2020 年在线学习用户将会达到 2.96 亿，市场规模有望突破 4000 亿[1]。在线教育资源的大量涌现，给学生提供了更多的学习资源，同时也出现了教育资源“信息过载”的现象，为了缓解这一现象，研究者结合计算机技术将智能推荐技术引入到教育领域，提出对教育资源进行个性化推荐。国内目前将教育资源与个性化推荐融合的有中国大学 MOOC、网易云课堂、腾讯云课堂等，以上学习平台都会根据使用者的历史学习信息推荐给用户其感兴趣的课程，大大的减少使用者寻找课程的时间，解决了教育资源“信息过载”的问题。个性化推荐技术在用户层面，可以将学习者感兴趣的内容主动地推送给目标用户，极大程度节省了学习者宝贵的时间，进一步促进每个学习者的个性化发展和需求，缩小地区间教育的差距。在教育资源层面，个性化教育资源主动服务可以使得教育资源最大程度的展现到学习者面前，提高冷门教育资源的出现频率，使所有教育资源得到充分、平衡的利用。

本课题的研究方法主要利用现有已经成熟的协同过滤算法，在相关领域已有的结果之上，完善个性化推荐系统。推荐系统将从学生和课程两个方面进行分析推荐，使得该推荐系统更加的个性和精准。

设计初期主要是先要完成需求分析。主要任务是阐明为什么要进行学习资源推荐和选用哪种方法实现数据驱动的学习资源推荐系统两大问题。首先，从国内外的相关研究着手，梳理教育大数据时代背景下学习资源推荐和自适应学习的研究现状，总结目前我国现有研究存在的不足。提出借助教育大数据的技术优势来驱动学习资源推荐服务的进一步发展，让教育从“靠经验说话”转向“靠证据说话”。同时，分析对比了各种不同算法的实现原理和具体特征， 实现学习资源的个性化和精准化推荐。最后，分析和借鉴了目前国内现有的资源推荐平台，总结了学习资源推荐服务的功能需求。

之后，在学习资源推荐系统的设计过程中，从系统架构、系统功能、推荐算法、课程学习资源、资源推荐流程等方面进行设计。系统架构设计主要为了规范开发过程并搭建实现学习资源推荐系统的核心架构；功能设计目的在于满足使用者对学习资源推荐服务的功能需求；推荐算法设计是为了合理地配置推荐算法，避免传统推荐方法带来的例如“信息茧房”、“信息孤岛”等负面影响，实现学习资源的精准推荐，从而有效地消除提高学习者获取个性化学习资源的效率和准确性。

最后，根据已经构建完成的系统原型进行推荐系统程序的开发工作。实现资源推荐系统中的“课程学习模块”、“资源精准推荐模块”、“用户个人中心模块”核心功能。通过为学习者提供精准学习资源推送服务，以助力学习者的个性化自适应学习。

[1]李斌. 数据驱动的学习资源精准推荐系统设计与实现[D].浙江师范大学,2020.[2]徐福江.基于云平台的慕课资源协同过滤推荐算法[J].微型电脑应用,2020,36(05):37-39.[3]彭利园. 基于在线学习平台的资源画像及推荐研究[D].华中师范大学,2020.[4]沈凯旋. 教学资源个性化推荐系统的设计和实现[D].河北科技大学,2019.[5]夏文菁. 在线协作学习资源推荐系统的设计、开发与应用研究[D].浙江大学,2019.[6]陈佳艳. 基于学习行为特征的学习资源个性化推荐研究[D].南京邮电大学,2018.[7]门瑞,杨芳萍.基于知识图谱及案例推理的MOOC资源推荐算法研究[J].陇东学院学报,2018,29(01):10-13.[8]海本斋,解瑞云,赵欣颖.移动环境下微课资源推荐技术研究[J].福建电脑,2016,32(06):63-64.[9] Hendrik Drachsler, L.Rutledge, P.van Rosmalen, etal. ReMashed - AnUsability Study of a Recommender System for Mash-Ups for Learning[J].International Journal of Emerging Technologies in Learning,2010,5(SI1):7-11.

[10] Katuk,Norliza,Ryu,Hokyoung.Does a Longer Usage Mean FlowExperience? An Evaluation of Learning Experience with Curriculum SequencingSystems (CSS)[C]// Sixth IEEE International Symposium on Electronic Design.IEEE, 2011:13-18.

[11] Noppamas Pukkhem. LORecommend Net: An Ontology-BasedRepresentation of Learning Object Recommendation[J].2014:293-303.