基于多重智能算法的個性化學習路徑推薦模型

摘要：基于多重智能算法的個性化學習路徑推薦能夠有效解決在線用戶學習迷途問題，從而實現(xiàn)對在線用戶學習進行動態(tài)指導(dǎo)和控制。該文以在線學習行為分析為基礎(chǔ)，依據(jù)推薦流程，建構(gòu)出個性化學習路徑推薦模型。在尊重學習用戶個體化差異前提下，引入人工神經(jīng)網(wǎng)絡(luò)分類和蟻群優(yōu)化路徑推薦等多重智能型算法。并且在個性化學習路徑推薦實現(xiàn)環(huán)節(jié)，采用協(xié)同過濾推薦和蟻群算法相結(jié)合，有效避免了協(xié)同過濾推薦的馬太效應(yīng)問題，以便降低不同學習用戶群的差距。

關(guān)鍵詞：個性化路徑推薦;人工神經(jīng)網(wǎng)絡(luò)算法;蟻群算法

中圖分類號：G434

文獻標識碼：A

一、引言

隨著信息技術(shù)的發(fā)展，在線學習平臺越來越趨向個性化、智能化、精準化服務(wù)。面對數(shù)據(jù)量大、專業(yè)性強、知識結(jié)構(gòu)復(fù)雜的學習資源，在線用戶的學習迷途問題尤為突出，因此在線用戶迫切需要個性化學習路徑推薦服務(wù)，來幫助他們及時準確地發(fā)現(xiàn)自己需要的知識信息。個性化學習路徑是在線用戶學習過程中根據(jù)自身的學習偏好、學習風格和學習水平以及環(huán)境因素所選擇的學習活動路線和知識序列[1]。實踐證明，個性化學習路徑推薦能夠?qū)崿F(xiàn)在線用戶學習行為動態(tài)指導(dǎo)和有效控制。

目前，國內(nèi)外對于個性化學習路徑推薦的研究紛紛迭起，通常采用建立用戶模型和推薦算法兩部分來實現(xiàn)學習路徑推薦。在用戶模型建立中，Madhour與Forte提出了根據(jù)學習者學習目標和學習屬性的相似性來建立學習群體模型[2]，而Chen等人提出了小組學習中學習成員特征建立模型[3]，Lawson根據(jù)學習者的學習計劃相似性建立學習者模型[4]，姜強等提出根據(jù)學習者知識目標建立用戶模型[5]。在學習路徑推薦規(guī)劃中，通常采用近鄰算法、協(xié)同過濾算法、基于內(nèi)容過濾的算法來實現(xiàn)個性化推薦[6]。雖然多種推薦技術(shù)結(jié)合使用能夠解決數(shù)據(jù)稀疏問題和冷啟動問題，但是這種典型的推薦技術(shù)只是提供給學習者單個的在線學習資源或是幾個連續(xù)的學習序列，而忽略了學習者在線學習的連續(xù)性和序列性。此外，只是淺表性地提供給學習用戶知識項目，難以挖掘出學習者的實際需求。

針對以上問題，本文建構(gòu)出一種基于多重智能算法的個性化學習路徑推薦模型。該模型按照推薦流程包含兩個階段，分別是建立相似學習用戶模型和實現(xiàn)個性化學習路徑推薦，并且在各階段分別采用了人工神經(jīng)網(wǎng)絡(luò)算法、蟻群算法等智能型算法?？紤]到不同在線用戶學習水平和學習風格的差異，首先利用人工神經(jīng)網(wǎng)絡(luò)算法對在線用戶的學習行為進行分析，建立具有相似學習特征的用戶模型;然后，根據(jù)相似用戶學習簽到數(shù)據(jù)區(qū)域，網(wǎng)格聚類學習路徑，獲得相似用戶學習路徑，進行協(xié)同過濾推薦。為了減少個體差異，采用蟻群算法彌補協(xié)同過濾推薦算法的不足。學習路徑是具有次序性和連續(xù)性的知識項目集合，因此在路徑推薦中進行了知識項目的關(guān)聯(lián)度計算。

二、研究基礎(chǔ)

（一）在線學習行為分析

在線學習行為分析意旨通過對在線用戶學習行為數(shù)據(jù)的挖掘和分析，辨別學習者的認知特征和偏好，為個性化學習的開展提供更科學的預(yù)測和干預(yù)[7]。

就在線學習環(huán)境而言，在線學習用戶會在學習平臺中留下種種“足跡”，如登錄學習平臺的時間與時長、不同學習模塊的訪問頻次與停留時長、學習任務(wù)的完成與測試成績、在線交互信息等。在線行為數(shù)據(jù)反映出了學習用戶的學習特征，它包含兩方面含義：一是學習成績數(shù)據(jù)反映了學習用戶的水平，二是學習行為動態(tài)數(shù)據(jù)反映了學習用戶認知特征和信息交互特征。

何克抗教授曾指出“學習風格由學習者特有的認知、情感和生理行為構(gòu)成，它是反映學習者如何感知信息、如何與學習環(huán)境相互作用并對之做出反映的相對穩(wěn)定的學習方式”[8]。由此可見，網(wǎng)絡(luò)空間中的在線用戶的學習行為是其學習風格的具體體現(xiàn)。

（二）學習風格理論

國內(nèi)外的學者從多個角度對學習風格進行描述和分類，F(xiàn)elder-Silverman學習風格模型，因為其描述更為詳細和更適于做自適應(yīng)學習系統(tǒng)而被廣泛采用[9]。該模型將學習用戶的學習風格設(shè)定為四個維度，每個維度的學習風格對應(yīng)兩種偏好：信息加工（活躍型，沉思型）、感知f感悟型/直覺型）、輸入（視覺型/言語型）、理解（序列型/綜合型）[10]。在線用戶對學習材料不同呈現(xiàn)形式、不同內(nèi)容表現(xiàn)的偏好預(yù)示其不同的學習風格。

（三）多重智能推薦算法

1.人工神經(jīng)網(wǎng)絡(luò)算法

人工神經(jīng)網(wǎng)絡(luò)ANN（Artificial Neural Network）算法是根據(jù)行為數(shù)據(jù)建立人工神經(jīng)網(wǎng)絡(luò)模型，對數(shù)據(jù)進行推斷和處理的一種智能技術(shù)[11]。數(shù)據(jù)從輸入層進入，經(jīng)過隱藏層函數(shù)處理，最后從輸出層輸出，實現(xiàn)對學習用戶學習行為的線性分類。假定每一神經(jīng)元對應(yīng)一種學習行為，人工神經(jīng)網(wǎng)絡(luò)是由大量的神經(jīng)元相互聯(lián)接而成，學習者的多種學習行為即構(gòu)成一個自適應(yīng)非線性的動態(tài)系統(tǒng)，利用人工神經(jīng)網(wǎng)絡(luò)算法，可以獲得學習用戶多種學習行為的分類。

2.蟻群算法

蟻群算法（Ant Colony Optimization， ACO）是一種模擬螞蟻覓食尋找優(yōu)化路徑的概率型算法。是由意大利學者Dorigo M等人于20世紀90年代首次提出[12]。螞蟻在尋找食物的過程中釋放一種“信息素”，標識自己走過的路徑，從洞穴到食物源有多條隨機軌跡，隨著螞蟻數(shù)量的增多，最短路徑上螞蟻留下的信息素濃度最高，通過一段時間的正反饋，蟻群可以尋找到最短達到食物源的路徑。

在充分考慮到學習者的個體特征與學習材料之間的關(guān)聯(lián)性前提下，筆者提出利用蟻群算法，迭代計算出概率型優(yōu)化學習路徑TopN-2，對協(xié)同過濾推薦路徑TopN-1進行補償性干預(yù)。

三、個性化學習路徑推薦模型框架

本文將在線學習行為分析和學習風格理論引入到個性化學習路徑推薦系統(tǒng)中，挖掘在線用戶網(wǎng)絡(luò)日志數(shù)據(jù)，依據(jù)推薦流程，建構(gòu)出個性化學習路徑推薦模型。其中主要考慮3個問題：

第一個問題，如何根據(jù)在線學習行為與學習風格理論建構(gòu)具有相似學習風格和學習水平的用戶模型。

第二個問題，如何計算相似學習用戶的學習路徑，獲得協(xié)同過濾推薦。

第三個問題，如何優(yōu)化學習路徑進行個性化學習路徑推薦。

因此，個性化學習路徑推薦模型框架主要由兩部分構(gòu)成：相似學習用戶模塊和個性化學習路徑推薦模塊。相似學習用戶模塊是通過對學習用戶學習風格和學習水平相似性計算獲得相似學習用戶模型。模型框架的另一個核心是個性化路徑推薦模塊，主要任務(wù)是依據(jù)相似學習用戶簽到學習模塊進行矢量映射、網(wǎng)格聚類與密度聚類，計算學習路徑獲得協(xié)同過濾推薦TopN-1，進一步通過蟻群算法獲得概率優(yōu)化推薦路徑TopN-2，有序合并推薦給學習用戶，如圖1所示。

（一）相似學習用戶模塊

學習行為預(yù)示著在線用戶學習風格和學習水平的個體差異特征，是實現(xiàn)個性化推送的重要依據(jù)。因此，相似學習用戶模塊的建構(gòu)包含3個步驟：第一，在線用戶的學習行為量化;第二，學習風格分類的預(yù)定閾值θ （Sjl）的判定與計算;第三，構(gòu)建相似學習用戶模型。

1.在線用戶的學習行為量化

在線用戶的學習行為數(shù)據(jù)留存于網(wǎng)絡(luò)平臺日志中，這些學習行為數(shù)據(jù)是在線用戶個性化學習風格的具體體現(xiàn)，通過對學習行為數(shù)據(jù)的人工神經(jīng)網(wǎng)絡(luò)算法分類可以建立不同學習特征用戶群。假定學習者所有學習行為的是一組輸入變量X={X1，X2，X3……Xm}，數(shù)據(jù)從輸入層進入，對其進行權(quán)重分析，其權(quán)重值與輸入變量一起作為輸入層數(shù)據(jù)，進入到隱藏層。在隱藏層中，激活函數(shù)g（z），其自變量為學習行為輸入變量x和權(quán)重w的線性組合s.1_∑WijlX，，其與隱藏層預(yù)定閾值θ（s.1）相比較，閾值也即特征值[13]。如果g（z）大于預(yù)定閾值θ（Sjl），g（z）為1，我們可以預(yù)測學習者具有某種學習風格屬性，反之則g（z）為一1，我們可以預(yù)測學習者具有相對的學習風格屬性，如圖2所示。

由公式（1）可知，學習風格是由4個維度的一維數(shù)組構(gòu)成即Si={1/-1，1/-1，1/-1，1/-1）分別對應(yīng)學習風格屬性={活躍型/沉思型，感覺型/直覺型，視覺型/言語型，綜合型/序列型}。

2.預(yù)定閾值θ （Sjl）的判定與計算

隱藏層由若干隱藏節(jié)點構(gòu)成，每個隱藏層節(jié)點具有不同的閾值θ，用來標度不同學習行為所對應(yīng)學習風格。預(yù)定閾值θ （Sjl）是對不同學習行為閾值θ的權(quán)重，是計算學習風格分類的重要標準，如表1所示。

3.相似學習用戶模型的構(gòu)建

相似學習用戶是指同一認識水平和相似學習風格的用戶群。我們首先依據(jù)測試模塊中在線用戶的測試成績劃分出同一認知水平學習用戶群，然后再計算該用戶群學習風格相似度，一般采用改進的Prefix Span算法篩選出具有相似偏好的用戶簇。

其中，Simsty（u，v）表示計算用戶u和v之間學習風格相似度，Iu∩lv表示用戶u和v共同訪問資源的集合[14]，參照上文Su（j）和S。（j）分別表示兩個用戶的學習風格標度值，θu（j）和θv（i）分別表示兩個用戶的學習風格閾值。Prefix Span算法利用兩個用戶之間的協(xié)方差和標準差的商，測得兩個用戶間的線性相關(guān)性。如果商的值在一1到1之間，我們就認為學習用戶u和v具有相似性。

（二）個性化學習路徑推薦模塊

個性化學習路徑推薦模塊主要任務(wù)是計算學習路徑，形成了學習路徑推薦列表。學習路徑的計算分兩部分，第一，依據(jù)相似學習用戶模型形成協(xié)同過濾推薦路徑TopN-1;第二，通過蟻群算法找到概率優(yōu)化路徑TopN-2，并進行關(guān)聯(lián)度計算形成個性化推薦路徑。

1.協(xié)同過濾推薦學習路徑TopN-1

協(xié)同過濾（Collaborative Filtering）推薦是一種最為經(jīng)典的推薦類型，通過計算相似用戶學習路徑，把共同選擇的知識項目推薦給相似用戶的一種算法。相似用戶學習路徑的實現(xiàn)是一個離線計算過程，依據(jù)相似學習用戶的簽到數(shù)據(jù)，利用LDA算法投影構(gòu)建區(qū)域圖，再運用網(wǎng)格聚類獲得相似學習用戶學習路徑。

（1）相似學習用戶簽到數(shù)據(jù)分類

學習路徑是學習內(nèi)容或?qū)W習活動的序列，是學習步驟的呈現(xiàn)或指引，體現(xiàn)學習過程的動態(tài)信息。簽到數(shù)據(jù)不僅體現(xiàn)了學習用戶在線學習的內(nèi)容語義信息，其呈現(xiàn)的先后次序更體現(xiàn)了簽到數(shù)據(jù)的時序性。因此，學習路徑是一串按照時間順序排列的瀏覽知識項目數(shù)據(jù)。我們把知識項目簽到數(shù)據(jù)dji可以用時序數(shù)據(jù)dji.s、語義數(shù)據(jù)dji.c和軌跡數(shù)據(jù)dji.r三個維度來表征。對于時序數(shù)據(jù)dji.s我們可以通過網(wǎng)格聚類，網(wǎng)格的劃分采用橫坐標體現(xiàn)數(shù)據(jù)的位置序列，縱坐標體現(xiàn)數(shù)據(jù)的次序。語義數(shù)據(jù)dji.c通過文本語義挖掘計算出主題概率分布，而軌跡數(shù)據(jù)dji.r是建立區(qū)域?qū)ぢ返幕A(chǔ)。

（2）相似學習用戶學習路徑的獲得

首先，對學習模塊簽到數(shù)據(jù)按照語義數(shù)據(jù)dji.c分類，進行文本語義挖掘，利用LDA算法，投影到二維空間中，形成主題概率區(qū)域圖，如圖3（a）所示。

其次，以時序數(shù)據(jù)dji.s的位置信息作為橫軸，次序作為縱軸對學習模塊簽到數(shù)據(jù)進行網(wǎng)格劃分，通過網(wǎng)格聚類算法對概率主題分布區(qū)域和簽到數(shù)量的密度進行聚類，獲得最頻繁到達的幾塊核心，如圖3（b）所示。

最后，將核心區(qū)域間、高密網(wǎng)格間的軌跡數(shù)據(jù)dji.r全部找出來，并按照有向圖的鄰接表形式存儲來，建立學習路徑，如圖3（c）所示。

2.基于蟻群算法的學習路徑優(yōu)化推薦

蟻群算法參數(shù)與個性化在線學習特征的對應(yīng)關(guān)系，是將蟻群算法用于個性化學習路徑推薦的前提。信息素和啟發(fā)信息作為蟻群算法中最重要參數(shù)，其數(shù)值確定方式?jīng)Q定著最終推薦結(jié)果。

（1）信息素濃度τ ij（t）

螞蟻通過蟻群在路徑上留下的信息素濃度來判斷食物的來源，而學習平臺中的信息素濃度τ ij（t）可以看成是學習用戶簽到密度，即知識點t，知識項目i到知識項目i的簽到密度。 （2）啟發(fā)信息ηij（t） 表示從知識項目i轉(zhuǎn)移到知識項目j期望程度。allowedk待選知識項目，初始時刻allowedk中有n-l個知識項目，即排除掉學習用戶一開使所在的知識項目，隨著時間的推移，待選知識項目越來越少，直到為空，表示遍歷完所有知識項目。

（3）優(yōu)化路徑概率推薦

蟻群算法的概率選擇是推薦算法的核心內(nèi)容，知識項目的選擇概率為：

Pki.j（t）：知識點t，學習用戶k從知識項目i向知識項目j轉(zhuǎn)移的概率。信息素因子a為信息素濃度指數(shù)，啟發(fā)函數(shù)因子B為啟發(fā)函數(shù)指數(shù)，這兩個參數(shù)分別決定了簽到密度與轉(zhuǎn)移期望對于學習用戶k從知識項目i轉(zhuǎn)移到知識項目i的可能性重要程度。

四、個性化學習路徑推薦的實現(xiàn)

（一）個性化學習路徑推薦策略

考慮到協(xié)同過濾推薦的馬太效應(yīng)，在協(xié)同過濾推薦產(chǎn)生TopN-I基礎(chǔ)上，通過蟻群算法迭代計算產(chǎn)生個性化推薦TopN-2。TopN-1與TopN-2中的知識項目具有無序性的弱點，因此對其進行表征關(guān)聯(lián)度計算，形成個性化學習路徑推薦。

定義1知識項目表征關(guān)聯(lián)度Q。設(shè)學習平臺中N個學習模塊，每個學習模塊含有的知識項目M={K1，K2……KI，KJ），那么推薦項目Ki與所選知識

Q=Rele（Ki）= ∑=SEVk sim（Ki，S）

（4）項目的表征關(guān)聯(lián)度為：

Vk表示歷史學習知識項目集，sim（）是相似性函數(shù)。

（二）學習路徑推薦算法描述

背景：某知識點t的知識項目M={Ki，K2-KI，KI），已獲得相似學習用戶的學習路徑TopN-I。

輸入：用戶的學習風格和認知水平

算法實現(xiàn)過程：

（1）M.={

（2）While M。

（3）m=getchar（tj）

（4）1f is empty（m）==TRUE Then

（5） i=i+1

（6）else;（1）一（6）找到學習用戶未選知識項目

（7）{Pki.j（t）lm∈Mn，add to Mn0）， i=i+l

（8）End if

（9）End while;（7）一（9）計算未選知識項目優(yōu)化路徑概率，直到未選知識項目結(jié)束，獲得TopN-2。

（10）根據(jù)表征度公式，輸出個性化推薦路徑;

下一知識點t，;

Go to step（2）

Mn={）表示當前某個知識點t，候選知識項目的集合。Mn中知識項目的個數(shù)從i到j(luò)，從i=l開始尋找知識項目，判定其是否沒有被學習用戶選中，直到I=J把所有未被學習用戶選中的知識項目找到，放入到m中，形成新的知識項目集合，即用公式m=getchar（tj）表示。Pki.j（t）lm∈Mn表示計算未被選中的知識項目的優(yōu)化概率，并通過addto Mn（）命令插入到當前候選集合Mn中，根據(jù)表征度公式，排序生成個性化推薦路徑TopN-2。

（三）分析討論

協(xié)同過濾推薦是在同一認知水平學習用戶中獲得相應(yīng)的推薦知識項目，因此馬太效應(yīng)顯著即認知水平高的用戶越來越高，認知水平低的用戶越來越低，協(xié)同過濾推薦更適用于認知水平高的群體。

蟻群算法推薦能夠降低個體差異，計算出與學習用戶個體特征相關(guān)的知識項目最大概率推薦。假定知識項目M={K1，K2...K10，K11），學習用戶a的學習路徑為fKi，K3，K6，Kg），獲得的協(xié)同過濾推薦TopN-1：{K8，K9，K10），獲得蟻群推薦為TopN-2{K7 85%），根據(jù)知識項目表征相似度計算可獲得{K1，K3，K6，K7，K5，K9，K10）。

五、實驗研究

（一）實驗方案

考慮到個性化學習路徑推薦的特點和當前研究現(xiàn)狀，本文以本課程組采用JSP+MySQL技術(shù)搭建的“大學計算機基礎(chǔ)”學習平臺為實驗對象，對建構(gòu)的個性化學習路徑推薦模型進行實驗效果分析。

1.實驗背景

“大學計算機基礎(chǔ)”網(wǎng)絡(luò)學習平臺由四大模塊，分別為學習導(dǎo)航、學習資源、問題的解決與探究、學習的交互模塊構(gòu)成。模塊中的知識項目按知識點章節(jié)進行分類。其中，資源導(dǎo)航模塊由學習目標、知識樹、重點難點構(gòu)成;學習資源模塊由視頻、電子課件、文本教材構(gòu)成;問題的解決與探究模塊由例題解析、練習、測驗構(gòu)成;學習交互模塊由討論區(qū)構(gòu)成。

2.知識項目映射

為了提高系統(tǒng)對學習用戶訪問路徑的提取與程序編寫，需要對原日志數(shù)據(jù)做進一步優(yōu)化處理，首先對學習模塊下的知識項目重新進行了定義，如表2所示。

（二）實驗數(shù)據(jù)的采集

本文采用網(wǎng)頁數(shù)據(jù)采集器一八爪魚采集器在網(wǎng)絡(luò)平臺日志中抓取了50名學習用戶的學習數(shù)據(jù)信息?？紤]到學習內(nèi)容對用戶選擇學習模塊范圍的限制性，本實驗選擇學習模塊分布全面的“第四章Word應(yīng)用”作為實驗采集區(qū)域。獲得學習用戶節(jié)點訪問量、學習路徑以及測試成績。其中學習用戶節(jié)點訪問量，是指學習用戶對每一知識項目節(jié)點的點擊量與時長，如下頁表3所示。

（三）實驗數(shù)據(jù)處理

依據(jù)相似學習用戶模型建立方法，對50名學習用戶建立了8組相似用戶群，并計算出協(xié)同過濾推薦TopN-1。根據(jù)蟻群算法對參數(shù)進行初始化計算，主要包括用戶與學習風格相似度值C.、學習用戶認知水平與學習材料難度d;所獲得的啟發(fā)信息值ηi，j，以及學習用戶評價優(yōu)化信息值τ ijnew，α信息素因子，β啟發(fā)函數(shù)因子，如下：ηij=0.4 τ，inew=0.4α=3 β =4.5計算獲得最大概率化知識項目推薦TopN-2，TopN-I與TopN-2有序合并后，獲得個性化推薦路徑，如表4所示。

（四）實驗評價指標

從個性化學習路徑推薦的目標需求出發(fā)，我們引入學習效率和學習迷航導(dǎo)控有效性2個性能指標。學習效率表示用戶在連續(xù)使用一段時間個性化學習路徑推薦后，學習成績的提高比率。學習迷航導(dǎo)控有效性，是學習用戶運用了個性化學習路徑推薦程序后與以往相比，知識項目簽到增加比率來度量，知識項目簽到濃度越高，學生在線學習過程中學習迷途問題獲得解決的程度越高。

為此，首先引入一個知識量的定義。

定義2：一個在線學習平臺是由多個知識節(jié)組成的網(wǎng)絡(luò)系統(tǒng)，每個知識節(jié)點由n個知識項目構(gòu)成。知識節(jié)點與知識項目構(gòu)成了知識量，記作KI.其中，對于某一知識點t學生已簽到的知識項目構(gòu)成的知識量為KI（t），學習用戶采用的個性化推薦知識項目構(gòu)成的知識量為KI（t，s）。因此，迷途導(dǎo)控有效性可以記作：

（五）實驗結(jié)果分析

在8組相似用戶群中各隨機抽取5名學習用戶，進行個性化學習路徑推薦，分別獲得個性化學習路徑推薦迷途導(dǎo)控率（如表5所示），個性化學習路徑推薦前后知識項目簽到密度對比（如圖4和下頁圖5所示），以及個性化學習路徑推薦后成績發(fā)展趨勢（如下頁圖6所示1。

由數(shù)據(jù)可知，通過個性化學習路徑推薦，對學習用戶學習迷途都具有一定的導(dǎo)控性，表現(xiàn)為推薦后學習用戶的簽到密度明顯高于推薦前學習用戶簽到密度。獲得路徑推薦后，學習用戶成績都有所提高，特別是對于成績?yōu)?0-70及70-80的學習用戶，其成績提高顯著。

六、結(jié)語

信息技術(shù)的發(fā)展，學習分析與教育的深度融合使得學習平臺越來越趨向于精準化和個性化的服務(wù)。本文在網(wǎng)絡(luò)學習行為分析基礎(chǔ)上，充分尊重學習用戶學習風格、學習水平個體化差異，利用人工神經(jīng)網(wǎng)絡(luò)及蟻群概率推薦等多重智能算法為用戶開展個性化學習路徑推薦。在蟻群推薦過程中充分運用群體對學習路徑的評價信息、學習用戶簽到信息以及學習材料的表征信息，對學生的知識建構(gòu)與學習能力進行評估，使得學習路徑生成更加精準化、個性化，彌補個體差異，進而提高學習效率和學習質(zhì)量，為教學的智慧性發(fā)展提供幫助。

參考文獻：

[1]師亞飛，彭紅超等.基于學習畫像的精準個性化學習路徑生成性推薦策略研究[J]中國電化教育，2019，（5）：84-91.

[2] Felder R.M.&Spurlin J.Applications. Reliability and Validity of the Index of Learning Styles[J].lnternational Journal of EngineeringEducation.20057（21）：103-112.

[3] Chen C M.lntelligent Web-Based Learning System With PersonalizedLearning Path

Guidance[J].Compute Education，2008.5 1（2）：787-8 14.

[4] Lawson C，Beer Cetal Identification of' at Risk' Students UsingLeaming Analytics：The Ethical Dilemmas of Intervention Strategiesin a Higher Education Institution[J].Educational Technology Researchand Development.2016.64（5）：957-968.

[5][10]姜強，趙蔚等.基于網(wǎng)絡(luò)學習行為模式挖掘的用戶學習風格模型建構(gòu)研究[J].電化教育研究，2012，（5）：55-60.

[6]張志威.個性化推薦算法研究綜述[J].信息與電腦，2018.（7）：27-29.

[7]趙蔚，李士平.基于學習分析的自我調(diào)節(jié)學習路徑挖掘與反饋研究[J].中國電化教育，20187（10）：15-21.

[8]趙曉航.自適應(yīng)學習系統(tǒng)中學習風格模型的研究[D].長春：東北師范大學，2010.

[9]姜強，趙蔚.基于Felder-Silverman量表用戶學習風格模型的修正研究[J]現(xiàn)代遠距離教育，2010，（1）：62-66.

[11] Nan Y，Mu L基于神經(jīng)網(wǎng)絡(luò)的統(tǒng)計機器翻譯的預(yù)調(diào)序模型[J].中文信息學報，2016，30（3）：103-110.

[12]沈顯君.自適應(yīng)粒子群優(yōu)化算法及其應(yīng)用[M].北京：清華大學出版社.2015.

[13]張龍飛.基于用戶頻繁訪問路徑的個性化服務(wù)推薦研究[J]科技咨訊，2016，（9）：159-161.

[14]趙程玲，陳智慧等.適應(yīng)性學習路徑推薦算法及應(yīng)用研究[J].中國電化教育，2015，（8）：2-6.

作者簡介：

申云鳳：副教授，碩士，研究方向為教育技術(shù) （ 377345770@qq.com）。