随着信息技术的发展，尤其是大数据与人工智能的应用，教育领域正经历一场深刻的变革。在线学习平台已经成为现代教育体系的重要组成部分，为学生提供了丰富的学习资源和灵活的学习方式
［1］。然而，传统的在线学习平台往往无法满足学生个性化学习需求，导致学习效果不佳。因此，如何实现学习内容的个性化推荐，帮助学生高效学习，成为在线教育平台面临的重要挑战
［2］。
在职业教育领域，尤其是高职院校的在线学习平台，学生群体的多样性、学习需求的差异性使得个性化推荐尤为重要。协同过滤推荐算法作为最经典的推荐算法之一，通过用户的历史行为数据进行推荐，已经被广泛应用于各类推荐系统
［3］。然而，传统的协同过滤算法仍然面临一些问题，如冷启动问题、稀疏性问题等，影响了其推荐精度和系统的效果
［4］。
当前，协同过滤推荐算法在教育领域取得了一定的成果，但仍存在一些不足，如该算法依赖于用户之间的相似度计算，在处理稀疏数据时，相似度计算易出现不准确的问题。研究者近年尝试通过引入新的优化算法来提升推荐系统的精度，非线性共轭梯度（Nonlinear Conjugate Gradient Method，NCG）算法便是其中一种有效的优化方法。NCG算法通过优化目标函数，能够有效解决协同过滤中的相似度计算问题，从而提高推荐系统的性能。然而，尽管已有部分研究应用了改进的协同过滤算法，但结合NCG算法的在线学习平台的个性化推荐仍然较少。
因此，笔者通过引入NCG算法对协同过滤推荐算法进行优化，旨在提升职业教育在线学习平台的推荐效果。
1 相关技术与理论基础
1.1 协同过滤推荐算法
基于用户的协同过滤可以计算用户之间的相似度，而基于物品的协同过滤则可以计算物品之间的相似度。这些相似度可以通过不同的度量方法进行计算，如皮尔逊相关系数、余弦相似度等。然而，协同过滤算法的效果受数据稀疏性、冷启动问题以及计算复杂度的影响。
为了改善这些问题，研究者提出了多种优化策略，如引入矩阵分解、深度学习等技术。笔者将结合NCG算法来进一步优化协同过滤模型，从而提高推荐精度。
1.2 NCG算法
NCG算法是一种优化算法，通常用于求解大规模的无约束优化问题。与传统的梯度下降法相比，NCG算法能够有效地避免局部最优解，并提高收敛速度。通过在协同过滤中引入NCG算法，可以优化用户之间的相似度计算，从而提高推荐系统的精度。该文的研究目标是基于传统协同过滤算法，通过引入NCG算法，优化协同过滤模型，提高职业教育在线学习平台的推荐精度和用户体验。具体创新点包括三方面。
（1） 结合NCG优化协同过滤，将NCG算法应用于协同过滤中的相似度计算，克服了传统算法在处理稀疏数据时的局限性。
（2） 个性化推荐系统的设计，在高职院校职业教育场景下，设计适应性强、精度高的个性化推荐系统，满足学生的个性化学习需求。
（3） 实验验证与对比分析，通过实验对比传统协同过滤算法与改进后的协同过滤算法（融合NCG）的性能，验证改进模型的有效性。
2 职业教育在线学习平台的数据特征与个性化需求
2.1 职业教育在线学习平台的数据特征
职业教育在线学习平台的数据特征涵盖了多维度的用户信息，包括用户的学习行为数据、课程资源数据，以及用户的反馈数据。学习行为数据指的是学生在平台上的所有交互行为，例如学习时长、学习进度、在线测试成绩、观看的视频时长等。这些数据不仅帮助平台了解学生的学习习惯和偏好，还能为后续的推荐系统提供重要依据。课程资源数据包括课程内容、课程难度、授课教师等信息，能帮助平台将不同学生与最适合的课程匹配。用户反馈数据则包括学生的课程评分、评论，以及通过平台互动产生的其他反馈信息，这些反馈帮助平台进一步优化课程内容和推荐策略。
在职业教育环境下，这些数据的多样性和复杂性对平台的运营提出了更高的要求，需要有效处理和挖掘用户需求，从而实现真正意义上的个性化服务
［5］。例如，学生的学习行为可以反映出他们的学习偏好与进度，课程资源数据则为平台提供了课程之间的关联性，而用户的反馈数据则有助于实时调整推荐策略，以提高推荐的准确性和学生的满意度。
2.2 职业教育在线学习平台的个性化需求
随着在线教育的普及，学生的个性化学习需求日益显现。每位学生的学习背景、兴趣爱好、学习节奏和能力水平各不相同，传统的一刀切式推荐策略已经无法满足这一日益多样化的需求
［6］。因此，个性化推荐算法应运而生，通过深度挖掘学生的历史行为数据、反馈数据及其学习需求，从而为每位学生提供量身定制的学习资源。
个性化推荐能够帮助学生快速找到适合自己学习需求的课程和资源。例如，对于初学者，平台可能推荐一些基础课程，而对于进阶学习者，则可以推荐一些更具挑战性的内容。此外，个性化推荐还能够根据学生的学习进度和偏好调整推荐策略，使得推荐内容更加贴合学生当前的学习状态。通过这种方式，个性化推荐不仅能够提高学生的学习效率，还能增强学生对平台的黏性，提高他们的长期活跃度和满意度。
因此，职业教育平台的个性化需求不仅体现在个体学生的课程推荐上，还体现在对课程内容和学习资源的精细化管理上，要求平台能根据不断变化的学生需求进行动态调整。
3 职业教育在线学习平台系统设计
3.1 系统架构设计与功能模块的划分
职业教育在线学习平台的系统架构设计应注重可扩展性、灵活性和高效性，以便满足不同学生的个性化需求，同时确保平台的稳定运行。系统整体架构可以采用分层设计，如
图1所示，主要包括以下4层。
（1） 数据层负责存储和管理所有的用户数据、课程资源数据、学习行为数据和用户反馈数据。数据层采用数据库系统进行管理，支持海量数据的存储和快速查询。常见的技术包括关系型数据库和非关系型数据库，以适应平台对结构化和非结构化数据的需求。
（2） 应用层负责平台的核心功能和业务逻辑的处理，包括用户认证与权限管理、课程推荐、学习进度追踪、学生评价等。该层通常使用Web服务器（如Nginx、Apache）和应用框架（如Django、Flask）实现平台的功能模块。
（3） 推荐层主要负责实现个性化推荐服务。该层通过算法（如协同过滤、NCG算法等）对学生的历史学习数据进行分析，实时为学生提供个性化的课程推荐。推荐模块的实现需要接入数据层的数据，并结合平台的业务需求进行实时更新和优化。
（4） 表现层负责用户交互界面，包括学生、教师和管理员的操作界面。通过用户友好的界面，学生可以查看推荐课程、反馈学习情况；教师可以管理课程和评价，管理员可以维护系统。表现层通常基于前端技术栈进行开发，使用响应式设计来适配不同设备。
主要功能模块包括以下5个。
（1） 用户模块：负责学生信息管理、学习进度跟踪、成绩记录等功能。
（2） 课程推荐模块：根据学生的兴趣和学习行为，实时生成个性化的课程推荐。
（3） 资源管理模块：管理课程、教学资料和资源的上传、更新、删除等功能。
（4） 反馈与评价模块：学生可以对课程进行评分与评价，系统根据反馈优化推荐策略。
（5） 数据分析模块：对学生学习行为和课程资源的使用情况进行统计与分析，为改进推荐算法提供依据。
3.2 推荐模块与NCG算法的集成方案
在推荐模块中，采用融合NCG算法的协同过滤模型，优化推荐效果
［7］。传统的协同过滤推荐方法基于用户—物品矩阵计算用户之间或物品之间的相似度，而NCG算法通过优化相似度矩阵，能够在更高维度上捕捉学生和课程之间的复杂关系，从而提供更准确的推荐
［8］。整体方案流程如
图2所示。
（1） 收集用户的学习行为数据，包括课程浏览、学习时长、测验成绩等；同时，搜集课程的相关数据（包括课程内容、难度、标签等）作为输入参数，供推荐系统使用。
（2） 基于用户行为数据，使用传统的协同过滤方法计算学生与课程之间的相似度。然而，这种方法可能存在准确性较低的问题，因此需要引入NCG算法优化相似度矩阵。NCG算法通过迭代优化的方式，不仅优化了相似度计算的精度，还减少了计算复杂度。
（3） 利用优化后的相似度矩阵，通过协同过滤算法为每个学生推荐最合适的课程。在这一阶段，系统会不断根据学生的反馈数据（如评分、点击、学习时间等）更新推荐模型。
（4） 基于优化后的模型，生成每个学生个性化的学习资源推荐列表。推荐的准确性通过实时更新和学生反馈不断得到提升。
（5） 系统将推荐模块与NCG优化模型无缝集成，形成完整的推荐引擎，能够实时为学生推荐最合适的课程资源。该模块通过API与其他平台功能（如用户模块、数据分析模块）对接，确保数据的实时更新和推荐的精准性。
通过上述集成方案，平台能够提供更加精确和个性化的学习推荐，提高学生的学习效率与满意度，从而在职业教育中发挥更大的作用。
4 实验设计与结果分析
4.1 数据集说明与预处理方法
下面进行系统个性化推荐模块的设计，推荐系统使用的是EdNet数据集进行模拟。该数据集由Riiid公司开发，专为在线教育、推荐系统、个性化学习路径以及知识追踪等领域设计。数据集包含大量学生行为数据，记录了学生在平台上的学习活动。EdNet数据集包含78 439个CSV文件，每个文件约有1 000条数据，这些文件记录了每个学生的行为信息，每个文件对应一个学生。文件结构包括以下字段：timestamp（记录学生进行某项学习活动的时间戳，单位为ms）、solving_id（学生解决的任务或问题的唯一标识符）、question_id（学生回答的题目或问题的ID，通常与平台上的问题或练习相关联）、user_answer（学生对问题的回答，可能是选择题的选项如a，b，c，d）、elapsed_time（学生回答该问题所花费的时间，通常以ms为单位）。其中，timestamp表示学生进行某个操作或提交答卷的时间，能够帮助分析学习活动的时间分布以及学习行为的时序；solving_id用于标识学生在平台上每个学习活动的唯一标识符，可以追踪学生参与的具体学习任务；question_id显示学生所解答的具体问题，帮助分析问题的难易程度以及学生在不同问题上的表现；user_answer反映学生的知识掌握情况、理解错误类型，为进一步的个性化推荐提供依据；elapsed_time记录每个学习活动所花费的时间，有助于分析学生的解题速度或学习效率。为确保数据的准确性，我们进行了数据清洗，清理了缺失数据和无效记录。随后，构建了用户—物品矩阵，其中行表示学生，列表示题目或课程，矩阵中的值表示学生对课程的评分或交互反馈。此外，通过时间戳字段分析学生的学习活动时序，识别学生的学习模式。最后，为了评估推荐模型的性能，我们将数据集随机划分为训练集（80%）和测试集（20%），确保了数据的清洗与处理能够为推荐算法提供高质量的输入。
4.2 性能指标与对比方法
为了验证优化后的协同过滤模型的效果，我们对比了传统协同过滤和改进后的协同过滤模型。
（1） 传统协同过滤：该方法基于用户之间的相似度进行推荐，计算用户—物品矩阵中的相似度并依此生成推荐。然而，传统方法未对相似度矩阵进行任何优化，可能会受到噪声和不准确相似度的影响，从而降低推荐精度。
（2） 改进后的协同过滤：在该方法中，我们引入了NCG算法，对用户—物品相似度矩阵进行优化。通过迭代优化相似度计算，NCG算法能够更准确地捕捉用户之间的复杂关系，从而提升推荐的精准度。
根据优化后的模型进行实验，结果表明系统在推荐精度方面表现优秀，平均绝对误差（MAE）为0.005 96，均方根误差（RMSE）为0.093 79，说明平台推荐的课程与学生需求之间的误差极小，推荐内容高度匹配学生的兴趣和学习进度。上述结果表明，通过系统设计和优化，平台能够显著提升推荐效果，满足学生的个性化学习需求，提供高质量的学习体验。
5 结语
设计并实现了一个基于NCG算法的职业教育平台个性化推荐系统，旨在为学生提供精准、高效的学习资源推荐。系统采用分层架构，整合了数据层、应用层、推荐层和表现层，确保了平台的高效性与灵活性。在数据存储与管理方面，平台利用多种数据库技术支持海量数据的快速查询；在核心功能模块上，涵盖了用户认证、课程推荐、学习进度跟踪等，确保了平台运行的稳定性和扩展性。推荐层则通过优化相似度计算方法，提供个性化课程推荐。表现层则通过直观、友好的界面设计，保障了用户的操作便捷性。整个系统在技术实现上具有创新性，同时在实际应用中展现了强大的可扩展性，为职业教育平台提供了高效且精准的个性化推荐解决方案。
2022年福建省职业教育研究中心课题“基于大数据的电商用户行为分析预测研究”(GB2022019)
2023年新一代信息技术创新项目“基于大数据的电商用户行为分析预测研究”(2023IT013)
京公网安备11010202008535号
PDF
(458KB)
