干部在線學(xué)習(xí)資源個(gè)性化推薦系統(tǒng)研究

何如珍

（陽(yáng)泉開(kāi)放大學(xué) 山西省陽(yáng)泉市 045000）

1 引言

隨著干部在線培訓(xùn)的不斷發(fā)展和創(chuàng)新，在線平臺(tái)上供參學(xué)干部選擇的學(xué)習(xí)資源累積的越來(lái)越多，并逐漸膨脹，各級(jí)、各類的參學(xué)干部在選擇平臺(tái)提供的資源時(shí)表現(xiàn)出多種多樣的興趣和需求。以好干部在線（山西干部在線學(xué)院）為例，2017-2018年不到一年的時(shí)間里，平臺(tái)上的學(xué)習(xí)資源已經(jīng)增加了約252 門(mén)課程，約504 學(xué)時(shí)，而且還將繼續(xù)增加。為了在海量的學(xué)習(xí)資源中尋找到滿足自身需求的、針對(duì)性強(qiáng)的學(xué)習(xí)資源，干部們耗費(fèi)了大量的時(shí)間和精力，卻不一定能得到滿意的結(jié)果。在現(xiàn)有平臺(tái)基礎(chǔ)上，借助大數(shù)據(jù)的思維重組，運(yùn)用數(shù)據(jù)挖掘技術(shù)和個(gè)性化推薦技術(shù)，探索適用于干部在線學(xué)習(xí)的學(xué)習(xí)資源個(gè)性化推薦機(jī)制，實(shí)現(xiàn)學(xué)習(xí)資源的推送，最終解決學(xué)員在選擇學(xué)習(xí)資源方面的困惑，一定會(huì)讓干部在線培訓(xùn)呈現(xiàn)出全新的面貌。

2 干部在線學(xué)習(xí)個(gè)性化推薦模型構(gòu)建

2.1 參學(xué)干部興趣建模

2.1.1 收集參學(xué)干部興趣

參學(xué)干部興趣是干部們?cè)陂L(zhǎng)期訪問(wèn)平臺(tái)和瀏覽資源過(guò)程中，對(duì)某一類型的學(xué)習(xí)資源產(chǎn)生的一段時(shí)間內(nèi)相對(duì)穩(wěn)定的需求?？梢酝ㄟ^(guò)以下兩種方式來(lái)收集參學(xué)干部興趣：

（1）直接收集：直接收集是指讓參學(xué)干部在首次進(jìn)入網(wǎng)站學(xué)習(xí)時(shí)注冊(cè)個(gè)人信息，自愿完成學(xué)習(xí)偏好相關(guān)測(cè)試，然后根據(jù)以上信息，分析出參學(xué)干部的興趣特征并構(gòu)建興趣模型，將其存儲(chǔ)在數(shù)據(jù)庫(kù)中。

直接收集方式簡(jiǎn)單、客觀，收集的信息也較為可靠。同時(shí)也有局限性，要求學(xué)員在剛進(jìn)入系統(tǒng)時(shí)就對(duì)自己的學(xué)習(xí)興趣有明確的認(rèn)知，并且愿意花時(shí)間和精力配合完成相關(guān)測(cè)試。

（2）間接收集：間接收集是指不需要學(xué)員自主提供個(gè)人信息，而是通過(guò)跟蹤和監(jiān)控學(xué)員的各種學(xué)習(xí)行為，包括歷史瀏覽記錄、收藏、下載、檢索、資源瀏覽次數(shù)等獲取參學(xué)干部興趣。

間接收集方式是系統(tǒng)在后臺(tái)自主、獨(dú)立完成，減少了人工成本，但是這種方式收集到的數(shù)據(jù)可能包含其他非相關(guān)性信息，導(dǎo)致收集到的學(xué)員興趣不夠精確。因此，文中采用兩種收集方法相結(jié)合的方式。

首先，參學(xué)干部首次進(jìn)入系統(tǒng)時(shí)，利用注冊(cè)個(gè)人信息以及學(xué)習(xí)偏好測(cè)試所產(chǎn)生的數(shù)據(jù)，初始化參學(xué)干部興趣模型；在參學(xué)干部隨后的學(xué)習(xí)過(guò)程中，依據(jù)學(xué)員觀看次數(shù)、收藏、下載等學(xué)習(xí)行為，不斷修正和完善參學(xué)干部興趣模型。參學(xué)干部興趣模型初始化和修正過(guò)程如圖1 所示。

圖1 ：收集參學(xué)干部興趣

2.1.2 參學(xué)干部興趣模型表示

采用向量空間模型來(lái)表示參學(xué)干部興趣。首先，推薦系統(tǒng)自動(dòng)從干部注冊(cè)個(gè)人信息和偏好測(cè)試文檔中提取參學(xué)干部興趣關(guān)鍵詞（主要包含：政治理論、經(jīng)濟(jì)建設(shè)、生態(tài)文明、業(yè)務(wù)能力提升、行業(yè)政策、法規(guī)解讀、時(shí)事政治、人文素養(yǎng)、山西省情等），并為每個(gè)代表興趣的關(guān)鍵詞賦予不同的權(quán)重值。其次，根據(jù)向量空間模型將參學(xué)干部興趣表示為{(K,W),(K,W),…, (K,W)}，其中，K代表參學(xué)干部興趣的第n 個(gè)關(guān)鍵詞，W為參學(xué)干部對(duì)K所代表的這一類型資源的興趣值。{K,K,…,K}既可以是所有關(guān)鍵詞集，也可以是子集。具體表述如下：

其中，I表示參學(xué)干部興趣的關(guān)鍵詞，W表示關(guān)鍵詞的權(quán)重，權(quán)重越大，說(shuō)明參學(xué)干部對(duì)該關(guān)鍵詞相關(guān)的資源越感興趣。

2.1.3 參學(xué)干部興趣模型修正

分析參學(xué)干部對(duì)學(xué)習(xí)資源的瀏覽次數(shù)、瀏覽類別、瀏覽時(shí)間、收藏、分享等學(xué)習(xí)行為和數(shù)據(jù)，實(shí)時(shí)、精確地捕捉參學(xué)干部的興趣變化并及時(shí)調(diào)整興趣模型，確保構(gòu)建的參學(xué)干部興趣模型與參學(xué)干部對(duì)學(xué)習(xí)資源的實(shí)際需求最接近。

2.2 學(xué)習(xí)資源建模

2.2.1 學(xué)習(xí)資源說(shuō)明

學(xué)習(xí)資源是干部在線培訓(xùn)中最關(guān)鍵的一部分內(nèi)容。資源種類越多，內(nèi)容越豐富，干部們參加學(xué)習(xí)和培訓(xùn)的自主性就越高。此外，學(xué)習(xí)資源在提升干部自身能力和素質(zhì)，逐漸形成良好的參學(xué)理念等方面具有至關(guān)重要的作用。

通過(guò)分析、整合“山西干部在線學(xué)院”和“陽(yáng)泉干部在線學(xué)習(xí)中心”兩個(gè)平臺(tái)的學(xué)習(xí)資源，我們可以從兩個(gè)維度來(lái)介紹、說(shuō)明資源的類別。從“學(xué)習(xí)資源呈現(xiàn)形式”這個(gè)維度來(lái)說(shuō)，主要包括文檔、圖像、圖文結(jié)合、音頻、視頻、動(dòng)畫(huà)6 大類；從“學(xué)習(xí)資源具體內(nèi)容” 這個(gè)維度，可以把學(xué)習(xí)資源分為政治理論、經(jīng)濟(jì)建設(shè)、生態(tài)文明、業(yè)務(wù)能力提升、行業(yè)政策、法規(guī)解讀、時(shí)事政治（習(xí)近平總書(shū)記系列講話以及治國(guó)理政相關(guān)資源）、人文素養(yǎng)、山西省情9 大類。

2.2.2 學(xué)習(xí)資源模型表示

同樣采用向量空間模型表示學(xué)習(xí)資源。學(xué)習(xí)資源模型定義如下：

其中，m 代表學(xué)習(xí)資源搜索的維度，R表示對(duì)學(xué)習(xí)資源的屬性、特征等信息進(jìn)行說(shuō)明的關(guān)鍵詞，W為關(guān)鍵詞的權(quán)重，表示R能代表學(xué)習(xí)資源R 的程度。權(quán)重越大，說(shuō)明該學(xué)習(xí)資源的關(guān)鍵詞比權(quán)重小的關(guān)鍵詞更能代表該資源。

從標(biāo)題、作者、學(xué)習(xí)資源說(shuō)明和資源內(nèi)容四個(gè)方面提取學(xué)習(xí)資源關(guān)鍵詞。權(quán)重設(shè)計(jì)如下：

標(biāo)題>作者=學(xué)習(xí)資源說(shuō)明=資源內(nèi)容

其中，前三個(gè)關(guān)鍵詞是由平臺(tái)管理與服務(wù)人員上傳學(xué)習(xí)資源時(shí)所填寫(xiě)，第四個(gè)關(guān)鍵詞則是系統(tǒng)從學(xué)習(xí)資源中自動(dòng)獲取的。

推薦系統(tǒng)在獲取到參學(xué)干部興趣之后，按照學(xué)習(xí)資源關(guān)鍵詞的權(quán)重由大到小依次查詢學(xué)習(xí)資源，最后將相關(guān)度高的學(xué)習(xí)資源推薦給學(xué)員。

2.3 參學(xué)干部興趣模型和學(xué)習(xí)資源模型匹配

干部興趣模型可以用向量I={(I,W), (I,W),…, (I,W)}描述， 學(xué)習(xí)資源模型可以用R={(R,W), (R,W),…,(R,W)} 描述；假設(shè)D為 I出現(xiàn)在R中的頻度，其中，j=1,2,3,......,m。那么，參學(xué)干部興趣模型和學(xué)習(xí)資源模型的匹配程度，即相關(guān)度d 可以表示如下：

利用公式（3）計(jì)算得到d>0 的所有學(xué)習(xí)資源的集合，由大到小排序，最后將與參學(xué)干部興趣相關(guān)度最大的學(xué)習(xí)資源推薦給學(xué)員。

2.4 基于用戶的協(xié)同過(guò)濾推薦算法

2.4.1 干部興趣建模

運(yùn)用協(xié)同過(guò)濾推薦技術(shù)構(gòu)建參學(xué)干部興趣模型的數(shù)據(jù)基礎(chǔ)來(lái)自于學(xué)員對(duì)學(xué)習(xí)資源的評(píng)分?jǐn)?shù)據(jù)。但是現(xiàn)有的兩個(gè)干部在線學(xué)習(xí)平臺(tái)數(shù)據(jù)庫(kù)中沒(méi)有參學(xué)干部對(duì)學(xué)習(xí)資源的評(píng)分?jǐn)?shù)據(jù)，只有學(xué)員訪問(wèn)過(guò)的學(xué)習(xí)資源記錄。因此，本文研究過(guò)程中使用學(xué)員瀏覽或觀看某個(gè)學(xué)習(xí)資源的次數(shù)作為其對(duì)學(xué)習(xí)資源的評(píng)分。推薦系統(tǒng)基于這些數(shù)據(jù)構(gòu)建參學(xué)干部興趣模型。

本文將使用學(xué)員瀏覽或觀看某個(gè)學(xué)習(xí)資源的次數(shù)作為其對(duì)學(xué)習(xí)資源的評(píng)分。采用基于用戶-項(xiàng)目評(píng)價(jià)矩陣表示法來(lái)描述參學(xué)干部興趣模型。假設(shè)進(jìn)入平臺(tái)學(xué)習(xí)的學(xué)員集合User={u,u,…, u}，學(xué)習(xí)資源集合Resource={r,r,…, r}，其中u代表某位參學(xué)干部，r代表某個(gè)學(xué)習(xí)資源。使用學(xué)員瀏覽或觀看同一個(gè)學(xué)習(xí)資源的次數(shù)表示其對(duì)該學(xué)習(xí)資源的興趣值，然后通過(guò)一個(gè)評(píng)價(jià)函數(shù)，得到對(duì)應(yīng)的興趣值S。參學(xué)干部-學(xué)習(xí)資源評(píng)分矩陣如表1 所示。

表1 ：參學(xué)干部-學(xué)習(xí)資源評(píng)分矩陣

其中，n 為參學(xué)干部人數(shù)，m 為學(xué)習(xí)資源數(shù)目，S代表第i 個(gè)參學(xué)干部對(duì)第j 個(gè)學(xué)習(xí)資源的興趣值。設(shè)定參學(xué)干部對(duì)學(xué)習(xí)資源的興趣值為從1 到5 的整數(shù)，共5 個(gè)等級(jí)，即S∈{1,2,3,4,5}，興趣值越大，說(shuō)明干部對(duì)該學(xué)習(xí)資源越滿意。評(píng)分矩陣中有些元素是空值，表示學(xué)員一直未對(duì)該學(xué)習(xí)資源表現(xiàn)出喜歡與否，這就需要根據(jù)相似學(xué)員的喜好來(lái)預(yù)測(cè)該學(xué)員對(duì)學(xué)習(xí)資源的興趣值。

2.4.2 搜索相似學(xué)員

搜索相似學(xué)員，就是尋找和目標(biāo)學(xué)員具有相似興趣愛(ài)好的其他的一群學(xué)員，也是利用協(xié)同過(guò)濾推薦算法實(shí)現(xiàn)個(gè)性化學(xué)習(xí)資源推薦的最關(guān)鍵，也是最核心的一部分。首先需要確定需要尋找相似用戶的數(shù)量，然后計(jì)算目標(biāo)學(xué)員和其他學(xué)員之間的相似度，最后根據(jù)相似度由高到低選取確定數(shù)量的相似學(xué)員，構(gòu)成相似學(xué)員集合U={u,u,…, u}，u?U。

（1）通過(guò)查找相關(guān)文獻(xiàn)資料，研究各類實(shí)驗(yàn)數(shù)據(jù)，結(jié)果證明：一般情況下，選取相似用戶數(shù)量控制在20-50 個(gè)之間是最合理的，推薦質(zhì)量也是最優(yōu)的。

（2）計(jì)算目標(biāo)學(xué)員和其他學(xué)員之間的相似度，常用的主要有三種計(jì)算方法：皮爾遜相關(guān)系數(shù)、余弦相似度、調(diào)整的余弦相似度。為了保證最后產(chǎn)生的推薦結(jié)果最貼近學(xué)員的興趣和偏好，本文中將采用調(diào)整的余弦相似度來(lái)進(jìn)行目標(biāo)學(xué)員和其他學(xué)員之間的相似度計(jì)算。

通過(guò)以上公式計(jì)算出目標(biāo)學(xué)員和其他每位學(xué)員的相似度，然后依據(jù)相似度由高到低選取確定數(shù)量的相似學(xué)員用來(lái)預(yù)測(cè)目標(biāo)學(xué)員對(duì)某個(gè)資源的興趣值。

（3）產(chǎn)生推薦結(jié)果。利用相似學(xué)員集合 U={u, u, u,…,u}（u?U）以及相似學(xué)員對(duì)學(xué)習(xí)資源的興趣值，預(yù)測(cè)出目標(biāo)學(xué)員對(duì)未瀏覽資源的興趣值，然后按照興趣值的大小選擇相應(yīng)資源，形成推薦列表。

目標(biāo)學(xué)員u對(duì)未瀏覽資源r 的預(yù)測(cè)興趣值S可以通過(guò)如下公式得出：

我們可以通過(guò)公式（5）計(jì)算來(lái)預(yù)測(cè)目標(biāo)學(xué)員對(duì)每一個(gè)沒(méi)有瀏覽過(guò)的學(xué)習(xí)資源的興趣程度，并將其用數(shù)值表示出來(lái)。對(duì)每一個(gè)有了預(yù)測(cè)結(jié)果的資源按照興趣值從大到小依次排序，最后將列表中興趣值較大的學(xué)習(xí)資源提供給學(xué)員。

以上三個(gè)步驟全部完成之后，使用基于用戶的協(xié)同過(guò)濾推薦技術(shù)向?qū)W員推薦他們的潛在興趣資源的全部流程也就結(jié)束了，最終形成的高質(zhì)量的推薦結(jié)果，滿足了參加干部在線培訓(xùn)的每位學(xué)員的個(gè)性化需求。

3 學(xué)習(xí)資源個(gè)性化推薦模型體系結(jié)構(gòu)

干部在線學(xué)習(xí)資源個(gè)性化推薦模型體系結(jié)構(gòu)如圖2 所示。

圖2 ：干部在線個(gè)性化學(xué)習(xí)資源推薦模型體系結(jié)構(gòu)

4 個(gè)性化推薦工作流程

4.1 參學(xué)干部注冊(cè)

干部在線學(xué)習(xí)平臺(tái)自動(dòng)分析數(shù)據(jù)庫(kù)中存入的參學(xué)干部個(gè)人注冊(cè)信息，根據(jù)這些信息提取出干部的學(xué)習(xí)興趣，建立起參學(xué)干部興趣初始化模型。

4.2 學(xué)習(xí)行為分析

依據(jù)學(xué)員在平臺(tái)上的點(diǎn)擊、收藏、分享和瀏覽觀看多次四種行為分析學(xué)員的學(xué)習(xí)興趣。

4.3 數(shù)據(jù)挖掘

通過(guò)挖掘?qū)W員的學(xué)習(xí)行為數(shù)據(jù)，預(yù)先設(shè)定學(xué)員的興趣偏好權(quán)重的大小，如果發(fā)現(xiàn)學(xué)員興趣偏好發(fā)生轉(zhuǎn)變，需要?jiǎng)討B(tài)調(diào)整參學(xué)干部興趣模型，將新收集的興趣關(guān)鍵詞權(quán)重增大，將原來(lái)的關(guān)鍵詞權(quán)重減小，直至權(quán)重減小到0，最后從參學(xué)干部興趣模型中將其刪除。權(quán)重的大小排序如表2 所示。

表2 ：學(xué)員興趣偏好權(quán)重大小排序

4.4 產(chǎn)生推薦結(jié)果

通過(guò)計(jì)算經(jīng)過(guò)調(diào)整后的參學(xué)干部興趣模型和學(xué)習(xí)資源模型的匹配程度，即相關(guān)度d，將相關(guān)度較大的學(xué)習(xí)資源推送給該學(xué)員；依據(jù)學(xué)員對(duì)學(xué)習(xí)資源的評(píng)分，即瀏覽觀看次數(shù)，計(jì)算目標(biāo)學(xué)員和其他學(xué)員之間的相似度，找出相似度較大的20-50 個(gè)相似學(xué)員。兩種推薦結(jié)果混合排序，呈現(xiàn)給學(xué)員。

4.5 更新推薦結(jié)果

學(xué)員再一次登錄到干部在線學(xué)習(xí)平臺(tái)學(xué)習(xí)的時(shí)候，呈現(xiàn)在學(xué)員面前的就是根據(jù)學(xué)員興趣個(gè)性化推薦的學(xué)習(xí)資源，平臺(tái)會(huì)繼續(xù)跟蹤、記錄學(xué)員的學(xué)習(xí)行為，并據(jù)此判定學(xué)員的滿意度，最后更新推薦結(jié)果。

干部在線學(xué)習(xí)資源個(gè)性化推薦工作過(guò)程如圖3 所示。

圖3 ：學(xué)習(xí)資源個(gè)性化推薦工作過(guò)程

5 結(jié)語(yǔ)

通過(guò)前期學(xué)習(xí)、資料收集和仔細(xì)鉆研，文中提出的利用基于Web 使用挖掘的推薦技術(shù)和基于用戶的協(xié)同過(guò)濾推薦技術(shù)相結(jié)合的推薦方法有效地提高了干部在線學(xué)習(xí)質(zhì)量，研究工作取得了突破性進(jìn)展。但在整個(gè)研究過(guò)程中還存在很多不足之處，如學(xué)員信息的隱私保護(hù)問(wèn)題、資源庫(kù)的完善等，還需要進(jìn)行后續(xù)研究。