摘 要 綜述移動學(xué)習(xí)內(nèi)容推薦關(guān)鍵技術(shù)，建議利用上下文情景與社交網(wǎng)絡(luò)等信息構(gòu)建移動云學(xué)習(xí)環(huán)境下內(nèi)容推薦框架，以實現(xiàn)移動推薦結(jié)果的精確性和多樣性之間的平衡。
　　關(guān)鍵詞 移動學(xué)習(xí)；內(nèi)容推薦；協(xié)同過濾；學(xué)習(xí)行為
　　中圖分類號：G652 文獻(xiàn)標(biāo)識碼：A
　　文章編號：1671-489X（2016）24-0001-05
　　A Review of Research on Content Recommendation based on Mobile Learning Environment//ZHU Xiaoliang， WANG Jun
　　Abstract This paper summarizes the key technologies of mobile learning content recommendation and proposes how to construct con-
　　tent recommendation framework for mobile cloud learning to achieve
　　the balance between accuracy and diversity of mobile recommenda-tion results based on information of context and social networks.
　　Key words mobile learning； content recommendation； collaborative filtering； learning behavior
　　1 前言
　　移動互聯(lián)網(wǎng)的發(fā)展為教育信息化帶來新的挑戰(zhàn)。一方面，伴隨著越來越多的學(xué)習(xí)資源自然分布在網(wǎng)絡(luò)上，移動設(shè)備帶來的便捷性使隨時隨地自主學(xué)習(xí)成為可能，參與移動學(xué)習(xí)社區(qū)正成為一種趨勢；另一方面，移動設(shè)備的移動性、位置性、分布性等特性也明顯加劇了信息過載問題[1-2]。
　　因此，在移動網(wǎng)絡(luò)學(xué)習(xí)應(yīng)用中有必要引入個性化學(xué)習(xí)推薦，為學(xué)習(xí)者提供更加便利的知識服務(wù)，幫助學(xué)習(xí)者更加有效地獲取學(xué)習(xí)內(nèi)容、提高學(xué)習(xí)效率[3]。
　　一般而言，推薦系統(tǒng)是在收集用戶既往信息的基礎(chǔ)上分析用戶的興趣愛好和行為習(xí)慣，從而將感興趣的信息主動推薦給用戶。然而，移動互聯(lián)網(wǎng)環(huán)境下終端設(shè)備在自身資源、處理能力等方面的局限性使得適合傳統(tǒng)互聯(lián)網(wǎng)用戶的推薦方法并不能直接應(yīng)用到移動推薦中。移動推薦系統(tǒng)需要深入了解用戶的需求并進(jìn)行精準(zhǔn)的信息推送，主要難點則在于大大減少用戶與移動設(shè)備的復(fù)雜交互，并通過智能化方式理解用戶意圖來自動完成信息推送。這需要面臨兩大挑戰(zhàn)[4]：一是如何從大規(guī)模異質(zhì)移動數(shù)據(jù)中分析數(shù)據(jù)特點、總結(jié)學(xué)習(xí)者的行為模式；二是如何利用所發(fā)掘的數(shù)據(jù)特點和行為模式設(shè)計可靠的推薦策略。
　　針對上述挑戰(zhàn)，一方面，移動推薦系統(tǒng)需要綜合考慮移動性、位置性、分布性等特性信息[5]。其中，移動性考慮了用戶移動性、設(shè)備移動性和無線連接性；位置性指移動推薦系統(tǒng)的應(yīng)用場景較靈活且用戶對推薦內(nèi)容的位置往往具有明確要求；分布性指移動用戶分散，需要分布式設(shè)計支持他們之間進(jìn)行自治的數(shù)據(jù)交換并采用簡潔算法完成推薦任務(wù)。由于上述特性，移動推薦有必要借助移動互聯(lián)網(wǎng)環(huán)境下的時間、空間等與相關(guān)用戶的行為密切相關(guān)的上下文信息來增強(qiáng)應(yīng)用的效果。
　　另一方面，社交網(wǎng)絡(luò)的出現(xiàn)已基本改變了互聯(lián)網(wǎng)的組成方式，而移動互聯(lián)網(wǎng)的發(fā)展也大大推動了移動學(xué)習(xí)社區(qū)擴(kuò)散的過程。諸多學(xué)者已經(jīng)證明隨著對學(xué)習(xí)社區(qū)的投入程度和學(xué)習(xí)時間的增加，學(xué)習(xí)者學(xué)習(xí)意愿也不斷增加[6-7]。因此，協(xié)作學(xué)習(xí)的相關(guān)信息將成為移動學(xué)習(xí)推薦的重要支撐之一。再者，結(jié)合移動網(wǎng)絡(luò)的特性，推薦列表的多樣性對用戶感知系統(tǒng)有用性和易用性也有著積極和重要的影響[8]。
　　多樣性主要包括個體多樣性、總體多樣性和時序多樣性。其中，個體多樣性主要從單個用戶的角度考查系統(tǒng)能夠找到用戶喜歡的冷門項目的能力；總體多樣性則主要強(qiáng)調(diào)針對不同用戶的推薦應(yīng)盡可能地不同；時序多樣性主要指用戶偏好會適應(yīng)用戶興趣的動態(tài)進(jìn)化或用戶情境的變化而發(fā)生改變。因此，如何盡可能地利用好上下文情境和社交網(wǎng)絡(luò)等信息，實現(xiàn)移動推薦結(jié)果的精確性和多樣性之間的平衡，這是研究者需要關(guān)注的問題[8]。
　　本文將結(jié)合現(xiàn)有研究，對移動環(huán)境下數(shù)字化學(xué)習(xí)資源推薦技術(shù)開展綜述與分析。文中第二節(jié)總結(jié)了相關(guān)技術(shù)，第三節(jié)對移動學(xué)習(xí)推薦系統(tǒng)進(jìn)行了詳細(xì)分析，第四節(jié)描述了一種移動云學(xué)習(xí)內(nèi)容推薦框架，第五節(jié)對全文進(jìn)行了總結(jié)。
　　2 相關(guān)研究
　　內(nèi)容推薦技術(shù) 常用的內(nèi)容推薦算法包括基于協(xié)同過濾的推薦算法、基于內(nèi)容的推薦算法、基于關(guān)聯(lián)規(guī)則的推薦算法與混合推薦算法等[3-5]。其中，基于協(xié)同過濾的推薦技術(shù)根據(jù)用戶評分矩陣來計算用戶之間的相似性，并通過相似用戶的評分預(yù)測當(dāng)前用戶的未評分項的評分；基于內(nèi)容的推薦則根據(jù)用戶已知的信息挖掘當(dāng)前用戶的偏好來推薦其可能感興趣的信息；基于知識的推薦則使用知識結(jié)構(gòu)描述用戶的行為和偏好來實現(xiàn)推薦；混合推薦系統(tǒng)則結(jié)合上述多種推薦技術(shù)的優(yōu)點以獲得更好的精度、性能和通用性[5]。
　　在上述研究中，協(xié)同過濾算法是移動學(xué)習(xí)推薦中的研究熱點之一[5]。協(xié)同過濾算法主要分為基于內(nèi)存的方法和基于模型的方法兩類�；�于內(nèi)存的協(xié)同過濾推薦算法主要關(guān)注用戶或項目之間的相似關(guān)系；基于用戶的協(xié)同過濾推薦算法則關(guān)注用戶的歷史數(shù)據(jù)，如用戶評分?jǐn)?shù)據(jù)、瀏覽數(shù)據(jù)等，計算用戶之間的相似度，核心思想是選擇最相似的用戶作為鄰居，利用相似鄰居的偏好進(jìn)行預(yù)測。協(xié)同過濾推薦系統(tǒng)中需要解決的是普遍存在評分?jǐn)?shù)據(jù)稀疏問題，即用戶評價或查看的項目遠(yuǎn)遠(yuǎn)小于用戶未評價或未查看的項目。
　　具體到移動推薦技術(shù)如何提高推薦準(zhǔn)確度，需要結(jié)合信息過濾技術(shù)、決策支持技術(shù)來解決信息過載問題[5]。其核心是在移動數(shù)據(jù)稀疏的情況下更為精確地估算預(yù)測用戶對未知信息的主觀評分，如通過收集用戶行為數(shù)據(jù)、建立偏好模型、根據(jù)用戶的行為和偏好對不同用戶的同類需求推薦選取個性化內(nèi)容等[5]。然而，移動環(huán)境下的空間數(shù)據(jù)復(fù)雜性較高，并且用戶的上下文信息更加模糊[9]。因此，社交網(wǎng)絡(luò)協(xié)作學(xué)習(xí)的引入至關(guān)重要[10]。

相關(guān)熱詞搜索：互聯(lián)網(wǎng) 環(huán)境 內(nèi)容 推薦 研究