在线学习系统中的深度学习推荐算法分析

陈曦

摘要：近年来，我国信息技术高速发展，智能手机几乎普及到了每一个人，人们的生活、工作方式发生了巨大的变化，已经进入到了互联网时代。在这个背景下，在线学习系统已经成为许多人获取知识的重要途径，互联网技术与教育相结合已经是必然趨势，本文对在线学习系统中的深入学习推荐算法进行了讨论。

关键词：互联网技术;在线学习系统;深度学习

中图分类号：TP391.3 文献标识码：A 文章编号：1672-9129（2020）09-0162-02

引言：传统教育模式存在同质化严重、个性化不足等问题，无法发挥每个学生的特长。在互联网背景下，传统的教育模式迎来了改变，互联网技术极大丰富了教学手段和教学资源，通过深度学习推荐算法，能够建立个性化、智能化的在线学习系统。因此对在线学习系统中的深度学习推荐算法进行深入分析与研究，具有重要意义。

1 在线学习系统中深度学习推进算法的重要性

在互联网高度发展的背景下，在线学习的模式受到越来越多的关注，在线学习没有空间与时间的限制，可以提供大量的教学资源，学习者可以利用多媒体资源进行自主学习，学习方式更加灵活。同时。学习者还能通过网络社区与其他学习者进行交流和探讨，能加深学生对知识的理解，培养学生的自主学习能力。目前，在线学习系统逐渐被应用在教育工作的各个方面，已经成为了教育系统中的重要组成部分。

大部分在线学习系统都是以平台为核心，平台上的教学资源众多，且存在同质化现象。学生在学习之前，首先需要一定时间来寻找有用、适合自己的教学资源，降低了学习效率和学习体验。深度学习推荐算法有效解决了这个难题，深度学习推荐算法可以收集并分析每个学习者的历史行为数据和兴趣偏好，构建全面的数据学习模型，自动为学生推荐其需要或感兴趣的教育资源，能够为学生提供个性化、智能化的服务。将深度学习推荐算法应用到在线学习系统中，将原本的搜索模式改变成了智能服务模式，极大的提高了学习者的学习效率和学习体验。

2 在线学习系统中深度学习推荐算法的分析

2.1协同过滤算法。协同过滤算法是当前在线学习系统中最为常用的智能推荐算法，通过用户群中间的协同智慧进行判断与筛选，协同过滤算法有基于近邻和基于模型两种实现方式。基于近邻的协同过滤算法的主要原理是在系统中寻找出与目标用户有着相似历史行为的其他用户，再将这些用户搜索、观看的内容，推荐给目标客户。比如Altered Vista System就是早期的教育资源推荐系统，通过分析学习者历史行为间的重叠信息，结合过滤算法给学习者进行推荐[1]。基于模型的协同过滤算法通过分析学习者的浏览记录、浏览时间、浏览内容、搜索内容等相关数据，结合资源关键词匹配技术，为学习者建立完整的模型，并根据模型推荐学习者可能感兴趣的教学内容。比如活动序列的动态推荐系统，就是应用这种基于模型的协同过滤算法。该算法还可以应用到音乐、新闻、电影等资源上，经常会推荐一些用户喜欢的冷门资源，为用户带来惊喜。但是协同过滤算法存在冷启动问题，即用户与各种资源进行的互动较少时，这种算法会受到巨大的影响，甚至失去作用。

2.2基于内容的推荐算法。基于内容的推荐算法是比较传统的推荐算法，通过分析用户的历史记录，总结用户过去喜欢的对象，并为用户推荐相似的内容。基于内容的推荐算法需要对推荐内容和用户分别建立特征模型。内容建模是通过提取推荐内容的特点、标签等特征，来表示这个内容。用户建模是通过总结、分析用户不喜欢和喜欢的内容，构建用户喜好特征，建立相应的集合。通过算法比较和搭配，为用户推荐相关度最高的内容。在基于内容的推荐算法中，智能推荐效果主要是由内容模型的质量决定的，内容的种类繁多包括文字、音乐、电影、图文等，寻常方法很难对内容进行特征提取，一般内容建模都是由人工完成的，通过人来对内容进行分类。在线学习系统中，经常会应用到基于内容的推荐算法，因为教育资源涉及学科众多，且知识的侧重点不同，需要人工建立集合，同时也有助于提高学习者的学习广度，让学生在专研某一领域、某一问题时，能看到更多相关的知识。北京师范大学建立的“学习元”平台，应用的就是基于内容的推荐算法，从学习者兴趣、偏好、知识掌握程度建立特征模型，同时对图像、视频、图文等学习资源进行语义描述，根据学科和年级进行分类、建立特征模型，并在“学习元”平台上将两者进行匹配[2]。基于内容的推荐算法对用户的行为数据依赖程度较低，因此并不会受到冷启动问题所影响，并且提供的资源也更为准确。但缺点的是基于内容的推荐算法需要大量具有专业知识的人士来建立特征集合，且过程复杂，不适合大面积的应用。

2.3混合推荐算法。近年来，在信息技术的基础上，大数据计算和云计算技术也有巨大的发展与突破，将这两项技术应用在推荐算法中，极大的提高了算法的运算能力，同时也为混合推荐算法打下了基础。由于协同过滤算法和基于内容的推荐算法都有着其优点和缺点，所以将两种推荐算法混合使用，能达到最好的推荐效果，同时也能适用于各个阶段的使用者。比如虚拟社区的文献推荐，就融合了两种推荐算法，设计了显性和隐性知识的推荐程序，既能为刚刚使用该虚拟社区的研究者推荐所需要的论文，也能为长时间使用的研究者提供个性化推荐。

结论：随着互联网高速发展和智能手机的普及，在线教育越来越受到人们的重视，能够有效弥补传统教育形式单一的缺点。深度学习推荐算法是在线学习系统的核心，主要有协同过滤算法、内容推荐法和混合推荐法几种，合理应用这些算法，能够为学习者提供更加优质的学习服务。

参考文献：

[1]沈筱譞. 在线学习系统中的深度学习推荐算法研究[D].华中师范大学，2017.

[2]杨新新. 社会媒体中基于深度学习的推荐算法研究[D].山东师范大学，2020.