- 1、本文档共6页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
基于用户画像的在线学习资源个性化推荐服务研究
一、前言
如何利用信息技术提供个性化学习环境及服务已成为当前教育研究者关注的焦点。近年来,随着人工智能大数据等技术的逐渐成熟,越来越多的教育研究者将研究重点定位到利用在线学习平台上的大量学习行为数据进行分析,实现个性化教学。用户画像也随着信息技术的发展兴起,通过多维度数字化标签抽象用户个人信息数字化特征,准确解析用户需求及预测用户变化趋势,现已用于个性化服务推荐、精准营销等方面。用户画像十分契合在线学习用户精准、个性化服务需求。
用户画像是一个综合的研究领域,通过数字标签体系对用户特征进行描述,预测用户未来需求或变化方向,从而为用户提供个性化推荐信息。随着大数据技术的发展,人们通过用户画像将用户数据转化为商业价值,众多行业引入了用户画像的理念,实现对核心用户价值的挖掘,开展产品的精准营销和个性化服务。其中,图书馆领域的研究成果最为广泛,对讲座信息推荐[1]、科研推送服务[2][3][4]、专利推送[5]、资源推荐[6]等主题开展用户画像的应用进行了探讨。
目前,基于用户画像的个性化推荐服务国内研究并不多见。有学者从个性化推荐过程的用户建模、推荐对象建模和推荐策略三个模块对现有学术资源个性化推荐进行了探讨[7];也有学者将用户画像技术引入图书的个性化推荐中[8];也有学者针对旅游情境化推荐服务问题,提出了一个基于用户画像的景点推荐模型并进行了实证研究[9];还有学者提出从单用户和多用户角度基于用户画像技术推荐图书馆资源,为大数据环境下面向用户的图书馆资源精准推荐提供参考[10]。基于用户画像的在线学习个性化推荐服务相关研究暂时处于空白。
国外学者主要从用户画像定义及用户画像实践应用方面进行研究。S.Gauch,M.Speretta等也将用户画像视为一种集合[11]。Guimaraes等将用户画像的构成要素归纳为:用户的基本素养、学历层次、社会关系[12]。在实践应用方面国外学者将用户画像较多地应用于图书馆的用户体验改善研究中。如Z.Holt以高校图书馆为例,阐述研究了用户画像的构建及应需而变的发展变化过程[13]。M.Otterlo以图书馆的业务服务为例,借助市场细分方法绘制用户画像,并以可视化展示的方式提供给馆员实现相应图书馆服务的优化[14]。
通过国内外研究现状得出,国内外对基于用户画像技术的资源个性化推荐的方法及模式研究较少,且大部分研究集中在图书馆方面,尚无文献对基于用户画像的在线学习资源个性化推荐服务展开系统论述。
二、在线学习用户画像的构建
基于用户画像技术的在线学习用户画像构建过程主要有在线学习用户数据采集、在线学习用户数据处理、在线学习用户画像构建。通过各类在线学习平台数据的采集,采用非结构化标签关键词处理相关数据,得出在线学习用户属性值的特征标志,形成在线学习用户标签体系。基于用户标签体系,采用非结构化关键词法对在线学习用户进行画像构建,最终形成在线学习用户画像[15]。
(一)在线学习用户数据采集
在线学习用户数据采集主要采用系统日志法。在线学习平台中日志文件数据由在线学习平台系统产生,记录了用户在登录平台过程中所产生的所有活动数据,比如用户的访问轨迹、用户与系统互动数据、用户学习时长等。许多在线学习平台都有自己的数据采集工具用于系统日志数据采集,这些工具采用分布式架构,能满足每秒数百MB的日志数据采集和传输需求。
在线学习用户数据主要来源于各个在线学习平台,数据类型主要分为两种:一种为静态信息,即一段时间内不会发生变化、相对稳定的数据;另一种则为动态信息,即随着时间的变化而发生变化。静态信息的组成主要为用户基本属性数据,例如性别、年龄、学历、专业及研究领域、地区等。动态信息的组成主要为用户学习资源偏好、用户平台互动、用户访问记录等。动态信息也是用户画像实时更新的主要数据来源。在线学习用户数据来源如表1所示。
(二)在线学习用户数据处理
通过在线学习平台所收集的数据主要有三种类型:结构化数据,例如用户会话相关数据中访问时间、登录次数等;半结构化数据,例如用户会话相关数据中性别、年龄等;非结构化数据,例如用户学习互动过程是对学习资源的评论、分享、情感态度等。结构化数据清洗简单,只需要通过简单挖掘便可形成标签。半结构化数据和结构化数据则需要大量的时间进行清洗和标准化处理,从而减少缺失项、数据冗余、数据异常、数据噪声等问题。
将用户属性的所有标志综合起来,形成在线学习用户标签体系。其中用户基本属性数据主要对应人群属性标签,用户学习资源偏好属性数据主要对应资源选择偏好标签,用户学习互动属性数据主要对应操作偏好、活跃度等标签。在线学习用户数据与标签对应主要如表2所示。
科学合理的标签是个性化资源推荐成功的重要因素。在线学习用户标签体系构建时需要注意标签粒度大
您可能关注的文档
- “读思达”教学法在高中信息技术教学中的应用.docx
- “互联网+”背景下的小学数学个性化学习研究.docx
- “互联网+”时代微课在初中语文教学中的应用策略研究.docx
- “互联网+”助力小学道德与法治智慧活动课堂教学.docx
- “互联网+教育”背景下小学数学运用多媒体教学的策略.docx
- ChatGPT对中小学开设人工智能课程的启示.docx
- STEM教育理念下的高中Arduino机器人教学设计研究.docx
- 层次递进式项目化教学实践研究.docx
- 多媒体促进小学数学课堂提问的有效性探讨.docx
- 高中人工智能探究式教学模式研究.docx
- 四川省德阳市罗江中学2025届高三考前热身化学试卷含解析.doc
- 山东省枣庄现代实验学校2025届高三下学期第五次调研考试化学试题含解析.doc
- 吉林省长春市十一高中等九校教育联盟2025届高三一诊考试生物试卷含解析.doc
- 2025届江苏省盐城市伍佑中学高考仿真模拟化学试卷含解析.doc
- 2025届广西贺州中学高考冲刺押题(最后一卷)生物试卷含解析.doc
- 安徽省池州市贵池区2025届高三第一次模拟考试生物试卷含解析.doc
- 宁夏银川一中2025届高三(最后冲刺)化学试卷含解析.doc
- 广东省广州市增城区四校联考2025届高考压轴卷化学试卷含解析.doc
- 2025届邯郸市第一中学高考生物必刷试卷含解析.doc
- 2025届安徽省安庆市石化第一中学高考仿真卷化学试卷含解析.doc
文档评论(0)