基于“新財經”教育理念的課程推薦算法及其仿真

摘要：課程推薦算法能夠幫助在線教育平臺用戶選擇所要學習的財經類課程。然而，現(xiàn)有課程推薦算法均根據(jù)用戶的偏好興趣進行推薦，不利于用戶構建完善的知識體系。為此，本文以“新財經”教育理念為指導，在已有研究基礎上，提出了“新財經”課程推薦算法，并通過仿真實驗，對比了“新財經”課程推薦算法與協(xié)同過濾推薦算法。結果表明，當用戶希望構建完善的知識體系，并以此為學習目標時，“新財經”課程推薦算法具有更好的性能。

關鍵詞：“新財經”;課程推薦算法;仿真分析

中圖分類號：G642? 文獻標識碼：A? 論文編號：1674-2117（2021）24-0109-04

● 引言

當前，在線教育已經成為財經類院校學生學習相關課程的重要途徑。學生可以通過中國大學MOOC、愛課程及雨課堂等在線教育平臺學習相關課程，從而對課堂教學加以補充。然而，這些平臺上所提供的課程涵蓋多個學科，且數(shù)量繁多，這使得用戶在選擇課程時面臨信息過載，難以做出合理選擇的問題。為此，在線教育平臺往往會提供課程推薦服務，向用戶推薦其可能感興趣的課程，引導用戶選擇合適的課程。

但值得注意的是，當前的在線教育平臺所使用的課程推薦算法，其工作原理是通過用戶的行為數(shù)據(jù)（用戶學習過或瀏覽過哪些課程）分析用戶的偏好，然后向用戶推薦與其偏好相匹配的課程。這樣的推薦方式，雖然可以較好地了解用戶的興趣偏好，使用戶對所推薦的課程更感興趣，但是對于當今的財經教育而言，此種推薦方式卻亟待改進。

當今時代，由于大數(shù)據(jù)、物聯(lián)網(wǎng)、區(qū)塊鏈以及人工智能等技術的廣泛應用，共享經濟、平臺經濟等新模式、新業(yè)態(tài)大量涌現(xiàn)，對財經教育提出了新的要求，那就是培養(yǎng)知識全面的復合型人才。而現(xiàn)有的推薦算法是根據(jù)用戶偏好推薦與之匹配的課程，這樣做將會固化用戶的興趣偏好，使用戶難以接觸到其他領域的知識，不利于用戶成為當今社會所需的復合型人才。

為了適應新時代對財經教育的要求，筆者所在院校提出了“新財經”教育理念：從財經知識、信息技術、職業(yè)素養(yǎng)、國際視野以及家國情懷這五個維度，全面梳理財經類課程體系，力圖培養(yǎng)知識豐富、技能熟練、素養(yǎng)深厚的新型財經人才。本文的創(chuàng)新之處就是在現(xiàn)有課程推薦算法的基礎上，以“新財經”教育理念為指導，針對在線教育平臺，改進課程推薦算法。新的算法力圖通過所推薦的課程，幫助用戶實現(xiàn)符合時代要求的財經知識的合理建構。仿真實驗結果表明，與傳統(tǒng)的協(xié)同過濾推薦算法（Collaborative Filtering Recommendation，CFR）相比，本文所提出的基于“新財經”的課程推薦算法（簡稱為“新財經”課程推薦算法，Recommendation for Courses Basing on“New Finance”，RCBNF）具有更優(yōu)越的性能，包括更高的正確率、查全率與精確率。

● 研究現(xiàn)狀

教育界非常重視智能推薦算法的應用（Gonzalez-Manzano & de Fuentes，2019）[1]，在國內，以北京大學為代表的重點院校廣泛應用課程推薦系統(tǒng)，以幫助學生選課（徐揚等，2017）。[2]為此，相關學者針對課程推薦算法進行了深入研究。

在眾多推薦算法當中，協(xié)同過濾推薦算法（CFR）在業(yè)界的應用最為廣泛，為此，Symeonidis & Malakoudis（2019）[3]等很多學者基于CFR研究課程推薦。隨著人工智能技術的發(fā)展，學界嘗試應用LSTM網(wǎng)絡（王素琴和吳子銳，2019）[4]、最近鄰算法（Esteban et al.，2020）[5]以及深度學習（李浩君 等，2019;Guan et al.，2019）[6，7]等人工智能技術創(chuàng)新推薦算法，以期提升推薦算法的性能。由于行為科學逐漸受到學界重視，以李浩等人（2020）[8]與Rawat et al.（2020）[9]為代表的部分學者希望能夠準確刻畫學習者的行為特征，進而改進課程推薦算法。此外，還有部分學者，如De Medio et al.（2020）[10]，對經典課程推薦算法加以改進，將其應用于新的技術平臺，希望能夠在新的技術平臺上提升算法性能。

通過梳理現(xiàn)有相關文獻可知現(xiàn)有課程推薦算法的基本原理是先挖掘學習者的興趣偏好，然后推薦符合這些興趣偏好的課程。然而，這樣會固化學習者的興趣偏好，使之疏離于那些與其興趣偏好不匹配但卻非常重要的課程，從而導致學習者難以構建完善的知識體系。

● 融入“新財經”理念的課程推薦算法

現(xiàn)有的課程推薦算法重視學習者的興趣偏好，但卻不利于學習者的知識建構。為了解決這一問題，本節(jié)將“新財經”教育理念融入成熟的協(xié)同過濾推薦算法，構建了基于“新財經”的課程推薦算法RCBNF，力圖使所推薦的課程有助于學習者建構知識體系。

1.“新財經”教育理念

“新財經”是筆者所在學校在“新文科”教育理念的基礎上，面向新時代財經人才需求所提出的財經教育指導思想，認為財經教育應涵蓋以下五個維度，而“新財經”教育的核心理念就在于通過這五個維度的課程，使學生建構完整的財經知識體系。

（1）財經知識，即“經濟學、管理學等財經知識課程。

（2）信息技術，即大數(shù)據(jù)、物聯(lián)網(wǎng)、區(qū)塊鏈、人工智能與5G等前沿的信息技術課程。

（3）職業(yè)素養(yǎng)，即職業(yè)技能培訓等相關課程。

（4）國際視野，即國際交流所需的語言、文化等相關課程。

（5）家國情懷，即思想道德、形勢政策等相關課程。

2.“新財經”理念下的課程推薦算法

在“新財經”教育理念的啟發(fā)下，筆者認為，財經教育相關課程與財經知識、信息技術、職業(yè)素養(yǎng)、國際視野以及家國情懷這五個維度均存在不同程度的關聯(lián)。例如，商業(yè)數(shù)據(jù)分析這門課程，與財經知識和信息技術維度密切相關，而且數(shù)據(jù)分析能力是當前很多用人單位所重視的，所以，該課程也有助于培養(yǎng)學生的職業(yè)素養(yǎng);與此同時，學習商業(yè)數(shù)據(jù)分析還可以幫助學生了解國際經濟形勢，理解新時代下的中國經濟發(fā)展路徑，從而擴展國際視野，培養(yǎng)家國情懷。因此，在RCBNF算法中，將每門課程定義為一個向量，記作，由五個維度共同刻畫，見式（1），其中， =1，2，3，4，5，分別代表財經知識、信息技術、職業(yè)素養(yǎng)、國際視野以及家國情懷。

（1）

通過向量定義課程之后，就可以計算課程之間的相似度。RCBNF算法采用相似度公式計算課程與之間相似度，見下頁式（2）。計算課程之間的相似度后，就需要對備選課程進行排序，從而選擇所要推薦的課程。現(xiàn)有的課程推薦算法（如CFR算法）的原理是推薦那些與用戶已學課程相似度最大的課程，然而，這卻不利于用戶建構完善的知識體系。仍以商業(yè)數(shù)據(jù)分析課程為例，該課程側重于財經知識、信息技術與職業(yè)素養(yǎng)這三個維度，與國際視野和家國情懷這兩個維度的關聯(lián)程度較小，所以當用戶已經學過商業(yè)數(shù)據(jù)分析之后，需要向用戶推薦與國際視野和家國情懷這兩個維度更為相關的課程，從而使所推薦的課程與用戶已學課程共同構成完善的知識體系。因此，與現(xiàn)有推薦算法相區(qū)別的是，RCBNF算法所要推薦的課程是與用戶所需課程相似度最小的個課程。

（2）

● 算法仿真與分析

提出RCBNF算法之后，還需要將該算法與現(xiàn)有課程推薦算法進行比較分析，從而檢驗RCBNF算法的性能。為此，筆者根據(jù)現(xiàn)實中的課程學習與選課行為數(shù)據(jù)進行仿真實驗，對比RCBNF算法與CFR算法的性能。

1.仿真實驗

由于RCBNF算法尚未應用于在線教育平臺，因此，可通過離線實驗評估算法的性能，基本思想是：將河北經貿大學“新財經”數(shù)字經濟實驗班教學計劃當中所列的課程作為課程數(shù)據(jù)進行仿真分析;將所有的必修課作為已學課程，將選修課程作為備選的推薦課程，分別通過RCBNF算法與CFR算法，計算應將哪些選修課推薦給學生。仿真實驗的具體步驟是：

Step1：評估關聯(lián)度。應用“德爾菲法”為每門課程與每個維度的關聯(lián)度評分，取值范圍是0～1，從而將每個課程定義為一個五維向量。

Step2：計算相似度并排序。將所有課程都定義為五維向量之后，根據(jù)式（2），計算每門選修課與每門必修課之間的相似度，每門選修課與所有必修課的相似度之和即為該選修課與已學課程的相似度。將每門選修課與已學課程的相似度進行排序，根據(jù)RCBNF算法（或CFR算法），相似度最小（或最大）的個選修課即為所要推薦的課程。

Step3：問卷調研。通過問卷調研，請學生以構建完善知識體系為目標，選擇希望學習的選修課，進而統(tǒng)計學生選擇了哪些課程，然后將統(tǒng)計數(shù)據(jù)與RCBNF算法以及CFR算法所推薦課程進行對比，計算兩種算法的準確率、查全率和精確率，從而對比兩種算法的性能。

2.與CFR算法的對比分析

將RCBNF算法以及CFR算法所推薦的課程與調研問卷當中所統(tǒng)計的學生希望選修的課程進修對比，從而計算兩種算法的正確率、查全率和精確率，分別如圖1、圖2與圖3所示。

首先對比兩種算法的正確率與查全率。根據(jù)圖1和圖2可知，隨著推薦課程數(shù)量的遞增，RCBNF算法的正確率與查全率都有迅速的提升，然而CFR算法卻需要在推薦課程數(shù)量較多的時候（在仿真實驗當中，≥8），正確率與查全率才會有較為明顯的提升。再對比兩種算法的精確率。由圖3可知，隨著推薦課程數(shù)量的遞增，CFR算法的精確率明顯下降，而RCBNF算法卻能保持較高的推薦精確率。此外，根據(jù)算法性能對比圖可知，隨著推薦課程數(shù)量的遞增，RCBNF算法的正確率、查全率和精確率均不低于CFR算法，且推薦課程數(shù)量越多，RCBNF算法在性能方面的優(yōu)勢越明顯。由此可見，RCBNF算法優(yōu)于CFR算法。

● 結論

本文根據(jù)“新財經”教育理念，在現(xiàn)有的課程推薦算法的基礎上加以創(chuàng)新，提出了能夠幫助學生構建更為完善的知識體系的“新財經”課程推薦算法，并且將該算法與傳統(tǒng)的協(xié)同過濾推薦算法進行對比，從而論證了“新財經”課程推薦算法具有更好的性能。

參考文獻：

[1]González-Manzano L，de Fuentes J M.Design recommendations for online cybersecurity courses[J].Computers & Security，2019 （80）：238-256.

[2]徐揚，步一，賀易之，等.信息資源建設視閾下高校課程定制與課程推薦初探[J].現(xiàn)代情報，2017，37（03）：57-61+125.

[3]Symeonidis P，Malakoudis D.Multi-modal matrix factorization with side information for recommending massive open online courses [J].Expert Systems with Applications，2019（118）：261-271.

[4]王素琴，吳子銳.利用LSTM網(wǎng)絡和課程關聯(lián)分類的推薦模型[J].計算機科學與探索，2019，13（08）：1380-1389.

[5]Esteban A，Zafra A & Romero C. Helping university students to choose elective courses by using a hybrid multi-criteria recommendation system with genetic optimization[J].Knowledge-Based Systems，2020（194）：105.

[6]Guan Y，Wei Q & Chen G.Deep learning based personalized recommendation with multi-view information integration[J].Decision Support Systems， 2019（118）：58-69.

[7]李浩君，張征，郭海東，等.深度學習視角下的個性化學習資源推薦方法[J].現(xiàn)代遠程教育研究，2019，31（04）：94-103.

[8]李浩，余雪，杜旭，等.基于學習者時空特征的移動學習資源推薦模型研究[J].現(xiàn)代教育技術，2020，30（10）：13-19.

[9]Rawat B，Samriya J K，Pandey N，ect. Enriching‘user item rating matrix’with resource description framework for improving the accuracy of recommendation in E-learning environment[J].Materials Today：Proceedings， 2020， doi.org/10.1016/j.matpr.2020.09.701.

[10] De Medio C，Limongelli C，Sciarrone F，ect.MoodleREC：A recommendation system for creating courses using the moodle e-learning platform[J].Computers in Human Behavior， 2020（104）：106.

作者簡介：李偉，男，河北經貿大學商學院副教授，研究方向為電子商務、信息管理。

基金項目：河北省高等教育學會“十四五”規(guī)劃課題（項目編號：GJXH2021-072）。