基于大数据的网络教育方向选取方法研究-玫瑰花片大全大
杨桢 从传锋
摘 要： 针对传统网络教育方向选取方法在向用户推荐网络教育方向中存在选取方法不准确，用户满意度低的问题，提出基于大数据的网络教育方向选取方法。采用基于本体树的个性化网络教育方向推荐算法构建学生特征行为概念本体树和网络教育资源特征概念本体树，对不同网络教育资源本体树的关联度进行计算。给出算法流程模型图，该算法实现过程中将网络教育资源的特征概念与数据库中的网络教育资源进行相似度匹配，实现学生用户对网络教育资源的个性化选择，将学生用户偏好相似度运用到网络教育方向选取过程中，有利于实现网络教育方向的个性化选取。实验结果说明，所提方法可为用户选取正确的网络教育方向，具有较高的准确率和召回率，用户满意度高。
关键词： 大数据； 网络教育； 方向选取； 特征概念； 本体树； 相似度
中图分类号： TN911?34； TP391 文献标识码： A 文章编号： 1004?373X（2018）15?0087?05
Research on network education direction selection method based on big data
YANG Zhen， CONG Chuanfeng
（Foreign Trade and Business College of Chongqing Normal University， Chongqing 401520， China）
Abstract： The traditional network education direction selection method is inaccurate to recommend the network education direction for users， and has low user satisfaction. Therefore， a network education direction selection method based on big data is put forward. The personalized network education direction recommendation algorithm based on ontology tree is adopted in the method to construct the ontology trees of students behavior concept and network education resources characteristic concept， and calculate the correlation degree of different network education resource ontology trees. The diagram of algorithm flow model is given. The similarity matching is performed for the characteristic concept of network education resources and network education resources in database in the process of algorithm implementation to realize the personalized selection of student user for network education resources. The preference similarity of student user applied to the selection process of the network education direction is conducive to the realization of personalized selection of the network education direction. The experimental results show that the proposed method can select the correct network education direction for users， and has high accuracy and recall rate， and high user satisfaction.
Keywords： big data； network education； direction selection； feature concept； ontology tree； similarity
0 引 言
隨着科学技术的发展，互联网和教育也在逐渐互相融合，网络教育已成为社会进步的发展趋势。将大数据技术运用到网络教育中能逐步完善教育体系改革[1]，革新传统教育在教学中存在时间及空间局限的问题，运用大数据技术处理海量的教学资源，对相关资源进行整合可提高网络教育资源的利用效率。传统平均值的网络教育方向选取方法存在选取结果用户满意度低、选取方法不当的问题，本文提出基于大数据的网络教育方向选取方法，实现用户对网络教育方向的精确选取。
1 基于大数据的网络教育方向选取方法
本文基于大数据的网络教育方向选取方法，采用基于本体树的个性化网络教育方向推荐算法，实现网络教育方向的准确选取。本文方法利用本体树对学生用户和网络教育资源采取本体描述，得到学生行为概念和网络教育资源特征概念本体树，将数据挖掘算法运用其中，将用户需要的内容推送给用户，实现网络教育方向的个性化推荐。分别对学生用户和网络教育资源进行本体树构建，可以得到用户对网络教育资源的选择结果，再根据学生用户对网络教育资源的需求将与其相类似的网络教育资源推荐给学生用户。同样的网络教育资源特征概念本体树也会寻找网络资源间的联系[2]，方便学生对网络教育方向进行选择。
1.1 构建学生特征行为概念本体树
在大数据环境下，学生用户在对网络教育资源A进行搜索时，学生特征行为概念本体树会将与网络教育资源A相关的教学资源推荐给学生用户，根据学生用户的学习方式和学习时间推送适当的网络教育资源。本文采用OWL本体构建方法构建学生特征行为概念本体树对学生学习的特征进行描述[3]，并对学生行为本体树的相似度进行计算。图1为学生特征行为概念本体树。
1.2 构建网络教育资源特征概念本体树
网络教育资源可以采用网络教育资源特征概念本体树描述，网络教育资源特征对应概念本体树相应的特征概念节点[4]。本文采用OWL本体树构建方法对网络教育资源本体树进行构建，将每一种网络教育资源都描述成网络资源教育本体树，对不同网络教育资源本体树的关联度进行计算。图2为网络教育资源特征概念本体树。
1.3 网络教育方向选取方法流程模型设计和实现
1.3.1 方法流程模型图
学生用户对网络教学资源A进行搜索时，可以采用网络教育资源特征概念本体树将网络教育资源的特征概念与数据库中的网络教育资源进行相似度匹配[5]，将匹配结果从大到小进行排列构成网络教育资源列表，用于学生用户选取适合自己的网络教育方向，根据自己学习行为寻找适合的网络教育资源类型，最后将网络教育资源列表和适合学生的网络教育资源方向推荐给用户，实现学生用户对网络教育资源的个性化选择[6]。图3为算法流程模型图。
1.3.2 方法实现
1） 计算特征概念节点相似度
[S=S1，S2，…，Sn]表示所有特征概念节点集合，特征概念节点个数为[n]，特征概念节点[Si]和[Sj]之间的相似度用[L（Si，Sj）]表示，本文对特征概念节点相似度的计算公式如下：
[L（Si，Sj）=Distance（Si，Sj）+α?α?d（Si）+d（Sj）CE（Si，Sj）×2?Dep?maxd（Si）-d（Sj）] （1）
式中：[Distance（Si，Sj）]为特征概念节点[Si]和[Sj]间的最短距离和；特征概念节点[Si]和[Sj]在本体树中的位置用[d（Si）+d（Sj）]表示；最短路径的条数用[CE（Si，Sj）]表示；[α]为常数，可取任意值。
利用式（1）能够得到本体树特征概念节点的相似度。学生用户对网络教育资源的需求和网络教育资源方向都在不断地更新和完善，取任意的用户需求和网络教育资源对其进行相似度计算，[Ri=a1，a2，…，an]和[Rj=b1，b2，…，bn]为任意网络资源特征集合，则[Ri]和[Rj]的相似度计算过程为：
[Sim（Ri，Rj）=αL（a1，b1）+βL（a2，b2）+…+γL（an，bn）] （2）
式中的[L（a1，b1）]通過式（1）计算得出，[α]和[β]均为与特征概念节点相对应的相似度计算权重。
2） 算法描述
输入：待搜索网络教学资源A
输出：个性化的网络教育方向
步骤1：学生用户对需要搜索的网络学习资源A进行分析，并对学生用户特征节点概念本体树实施构建，建立学生特征行为概念本体树。
步骤2：将搜索的网络教育资源A的特征概念节点与网络教育资源数据库实施相似度匹配。
步骤3：将相似度输出结果进行相似度大小排列，并根据学生用户的学习习惯，输出学生用户对网络教育资源可接受的难易度。
步骤4：对学生用户可接受的网络教育资源进行筛选，确定最终输出结果。
步骤5：将确定的网络教育方向推荐给学生用户，并根据学生用户的满意度结果对网络教育方向的推荐结果进行修改。
1.4 网络教育方向选取实现
将学生用户的偏好相似度用于基于大数据的网络教育选取过程中，有利于实现网络教育方向的个性化推荐。将每位学生用户的偏好矩阵EQ视为[n]维向量，通过计算[n]维向量中余弦夹角的方法，得到学生用户对本文基于大数据的网络教育方向选取方法的偏好相似度[7]。学生用户[ui]和[uj]的偏好向量分别为[ui=（eqi1，eqi2，…，eqin）]和[uj=（eqj1，eqj2，…，eqjn）]，对学生用户的偏好相似度计算公式为：
[rsij=cos（ui，uj）ui×ujui×uj=k=1neqikeqjkk=1neq2ikk=1neq2jk] （3）
利用式（3）计算学生用户对网络教育方向选取的偏好相似度 [8]，得到学生用户偏好相似度系数RS，是对角线为1的对称矩阵。
[RS=1rs12…rs1nrs211…rs2n????rsk1rsk2…1] （4）
假设每个网络教育方向都有几个学生用户对其进行评价反馈[9]，将第[d]个学生用户对第[i]个网络教育方向的第[j]个网络教育资源的评价记作[Qdij]，已知学生用户的偏好相似度为[EQt（eqt1，eqt2，…，eqti）]，采用式（3）计算当前学生用户的偏好相似度与[k]个学生用户的偏好相似度[RSt（rst1，rst2，…，rsti）]，记作：
[SUM1=i=1neqti， SUM2=i=1krsti] （5）
第[i]个网络教育方向的偏好相似度的总和为：
[Qti=d=1krskdSUM2j=1neqtjSUM1Qdij] （6）
先按照学生用户的偏好相似度计算公式对网络教育方向进行偏好相似度求值，得到学生用户偏好相似度系数RS，相似度高的评价结果具有较高的参考价值。通过式（6）可以得出所有网络教育方向的偏好相似度的总和[10]，记作[Ft=（Qt1，Qt2，…，Qtm）]，该结果反映了学生用户对网络教育方向偏爱的个性化数值，针对学生用户的网络教育方向推荐列表，向其进行专属的个性化网络教育方向推荐。
2 实验结果与分析
2.1 用户使用情况调查
实验为了检测不同用户对网络教育方向选取方法推荐的网络教育资源的主观感受，通过用户满意度调查问卷评估不同方法的用户满意度情况。调查问卷中包括四种情况：
情况1：推荐的网络教育资源都非常符合我的兴趣，是我想找的；
情况2：推荐的网络教育资源大部分满足我的兴趣；
情况3：推荐的教育资源很多不满足我的兴趣；
情况4：不知道为什么会推荐这些资源给我，我不感兴趣。
实验随机选择某大学的100名学生，发放100份调查问卷，回收100份调查问卷，统计学生对本文方法以及传统平均值网络教育方向选取方法推荐的各项情况的勾选次数，结果用图4描述。
分析图4可得，用户对本文方法的情况1和情况2的勾选次数更多，说明本文方法推荐给用户的网络教育资源更满足用户的兴趣度；用户对传统平均值选取方法的情况3和情况4的勾选次数更多，说明传统平均值选取方法推荐给用户的网络教育资源无法满足用户的兴趣度。相对于传统平均值选取方法，本文方法推荐结果具有更好的效果。
2.2 不同资源数量对准确率和召回率的干扰
实验通过准确率检测本文基于大数据网络教育方向选取方法的预测用户行为的查准率，通过离线实验得到方法的准确率，同时实施定量运算。将为用戶选取的网络教育资源基于用户是否感兴趣以及方法是否为该用户实施准确选取进行分析，能够划分成图5描述的4种状态。
图5中范围[R1]是用户感兴趣同时方法为其推荐的，[R2]是用户不感兴趣但方法为其推荐的，[R3]是用户感兴趣但方法没有选取的，[R4]是用户不感兴趣但方法没有选取的。准确率是选取列表中用户感兴趣的教育资源占据为其选取的教育资源的比例，也就是图5的上端，网络教育资源选取的准确率为：
[Precision=R1R1+R2] （7）
召回率是评估选取方法预测用户行为的查全率，其用于描述方法为用户推荐出的网络教育资源占数据库内全部用户可能感兴趣教育资源的比重，是图5中的左半部分，网络教育方向选取方法选取结果的召回率为：
[Recall=R1R1+R3] （8）
实验采用的数据集来自于某大学英语、化学、物理、数学和计算机的网络教育资源库，面向每种网络资源随机选择50位用户，分别采用准确率运算公式以及召回率运算公式，运算本文方法以及传统平均值选取方法下50位用户在不同类型教育资源下的平均准确率和平均召回率，结果分别用表1，表2描述。
对比分析表1和表2能够看出，本文方法对不同类型教育资源选取的准确率以及召回率都高于传统平均值选取方法，说明本文方法能够向用户推荐出高质量的网络教育资源，提高网络教育方向选取的准确度和稳定度。
2.3 选取满意度检测
用户的满意度是评估网络教育方向选取方法是否满足用户需求的关键参数。实验分别采用本文方法和传统平均值选取方法为用户实施网络教育方向选取服务，基于用户对选取结果满意度的评估，从两个方面实施分析： 各网络教育方向选取服务用户对请求过的4门网络教育课程的教育服务满意度平均值如图6a）所示；每门课程教育服务的全部用户满意度平均值如图6b）所示。
对比分析图6a）和图6b）可得，无论是用户请求过的全部网络教育方向选取服务的满意度均值，还是每门课程网络教育服务的满意度均值，采用本文方法的用户满意度都高于平均值选取方法。
3 结 论
本文提出基于大数据的网络教育方向选取方法。实验结果表明，相比传统的平均值选取方法，本文方法提高了用户对选取结果的满意度，增强了网络教育资源的应用价值。
参考文献
[1] 彭飞霞.MOOC时代远程教育品牌营销与扩散：兼论教育大数据的调节作用[J].成人教育，2016，36（3）：41?46.
PENG Feixia. Brand marketing and diffusion of distance education in the MOOC era： on the adjusting function of macro educational data adult [J]. Education， 2016， 36（3）： 41?46.
[2] 邓莉琼，肖秋根，李中宁，等.基于大数据分析的计算机网络课程自适应学习系统构建[J].计算机工程与科学，2016，38（z1）：276?280.
DENG Liqiong， XIAO Qiugen， LI Zhongning， et al. Construction of an adaptive learning system of computer network course based on big data analysis [J]. Computer engineering and science， 2016， 38（S1）： 276?280.
[3] 赵梦龙，唐郑熠，万良，等.大数据分析中基于MapReduce的空间权重创建方法研究[J].计算机应用研究，2016，33（7）：2068?2070.
ZHAO Menglong， TANG Zhengyi， WAN Liang， et al. Research on construction method of spatial weights based on MapReduce in analysis of big data [J]. Application research of computers， 2016， 33（7）： 2068?2070.
[4] 黄丽霞，蒋永福，傅荣贤.基于新建构主义的高校信息素质教育模式研究[J].图书情报工作，2014，58（7）：35?39.
HUANG Lixia， JIANG Yongfu， FU Rongxian. Research on college information literacy education model based on new constructivism learning theory [J]. Library and information service， 2014， 58（7）： 35?39.
[5] 张长海.基于批判性思维和创造力的我国大学生信息素养教育模式研究[J].中国图书馆学报，2016，42（4）：102?116.
ZHANG Changhai. An information literacy education model of undergraduates in China based on critical thinking and creativity [J]. Journal of library science in China， 2016， 42（4）： 102?116.
[6] 李青，任一姝.教师数据素养能力模型及发展策略研究[J].开放教育研究，2016，22（6）：65?73.
LI Qing， REN Yishu. Research on teacher data literacy competency model and development strategy in smart education [J]. Education research， 2016， 22（6）： 65?73.
[7] 陈琦，邓娜.青少年本土优秀传统文化教育模式探究：以绍兴市为例[J].图书馆论坛，2014，34（4）：49?53.
CHEN Qi， DENG Na. Exploration on the educational pattern of local fine traditional culture for teenagers： taking Shaoxing City as an example [J]. Library tribune， 2014， 34（4）： 49?53.
[8] 唐涛.基于大数据的网络舆情分析方法研究[J].现代情报，2014，34（3）：3?6.
TANG Tao. Research on method of Internet public opinion analysis based on big data [J]. Modern information， 2014， 34（3）： 3?6.
[9] 艾小平，董泽芳.“四元多维”教师教育模式的理论建构与运行策略[J].教育科学，2014，30（1）：43?49.
AI Xiaoping， DONG Zefang. The theory construction and the operation strategy on "quaternary subjects and multi?dimensional" model of teachers′ education [J]. Education science， 2014， 30（1）： 43?49.
[10] 冯登国，张敏，李昊.大数据安全与隐私保护[J].计算机学报，2014，37（1）：246?258.
FENG Dengguo， ZHANG Min， LI Hao. Big data security and privacy protection [J]. Chinese journal of computers， 2014， 37（1）： 246?258.
