在线学习资源推荐综述

doi:10.11772/j.issn.1001-9081.2022091335

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (6): 1655-1663.DOI: 10.11772/j.issn.1001-9081.2022091335

• CCF第37届中国计算机应用大会 (CCF NCCA 2022) • 下一篇

在线学习资源推荐综述

董永峰¹^,²^,³, 王雅琮¹^,²^,³, 董瑶¹^,²^,³(), 邓亚晗¹^,²^,³

^1.河北工业大学人工智能与数据科学学院, 天津 300401
^2.河北省大数据计算重点实验室(河北工业大学), 天津 300401
^3.河北省数据驱动工业智能工程研究中心(河北工业大学), 天津 300401

收稿日期:2022-09-08 修回日期:2022-10-26 接受日期:2022-10-28 发布日期:2022-11-16 出版日期:2023-06-10
通讯作者: 董瑶
作者简介:董永峰（1977—），男，河北定州人，教授，博士，CCF会员，主要研究方向：人工智能、知识图谱
王雅琮（1998—），女，河北石家庄人，硕士研究生，CCF会员，主要研究方向：推荐系统、知识图谱
董瑶（1982—），女，河北唐山人，高级实验师，博士研究生，CCF会员，主要研究方向：知识图谱、数据挖掘；Email：dongyao@scse.hebut.edu.cn
邓亚晗（1997—），女，广东新会人，硕士研究生，CCF会员，主要研究方向：知识图谱、机器学习。
基金资助:
河北省高等学校科学技术研究项目(QN2021213);河北省高等教育教学改革研究与实践项目(2020GJJG027)

Survey of online learning resource recommendation

Yongfeng DONG¹^,²^,³, Yacong WANG¹^,²^,³, Yao DONG¹^,²^,³(), Yahan DENG¹^,²^,³

^1.School of Artificial Intelligence，Hebei University of Technology，Tianjin 300401，China
^2.Hebei Province Key Laboratory of Big Data Calculation （Hebei University of Technology），Tianjin 300401，China
^3.Hebei Engineering Research Center of Data?Driven Industrial Intelligent （Hebei University of Technology），Tianjin 300401，China

Received:2022-09-08 Revised:2022-10-26 Accepted:2022-10-28 Online:2022-11-16 Published:2023-06-10
Contact: Yao DONG
About author:DONG Yongfeng， born in 1977， Ph. D.， professor. His research interests include artificial intelligence， knowledge graph.
WANG Yacong， born in 1998， M. S. candidate. Her research interests include recommender system， knowledge graph.
DENG Yahan， born in 1997， M. S. candidate. Her research interests include knowledge graph， machine learning.
Supported by:
Science and Technology Research Project of Hebei Province Colleges and Universities(QN2021213);Hebei Higher Education Teaching Reform Research and Practice Project(2020GJJG027)

摘要/Abstract

摘要：

近年来越来越多的学校广泛使用网络在线授课，然而互联网中海量的学习资源令学习者难以抉择。因此，研究在线学习资源推荐并为学习者进行个性化推荐非常重要，这可以帮助学习者快速获取其所需的优质学习资源。针对在线学习资源推荐的研究现状，从以下5个方面进行分析总结。首先，总结了目前国内外在线教育平台在学习资源推荐方面的工作；其次，分析和探讨了以知识点习题、学习路径、学习视频和学习课程为学习资源推荐目标的4种算法；接着，分别从学习者和学习资源的角度出发，以具体的算法为例，详述了常用的基于学习者画像、基于学习者行为和基于学习资源本体的3种学习资源推荐算法；此外，总结了公开的在线学习资源数据集；最后，分析了学习资源推荐系统目前存在的问题和未来的发展方向。

关键词: 在线学习, 在线教育平台, 个性化推荐, 学习资源推荐, 智慧教育

Abstract:

In recent years， more and more schools tend to use online education widely. However， learners are hard to search for their needs from the massive learning resources in the Internet. Therefore， it is very important to research the online learning resource recommendation and perform personalized recommendations for learners， so as to help learners obtain the high-quality learning resources they need quickly. The research status of online learning resource recommendation was analyzed and summarized from the following five aspects. Firstly， the current work of domestic and international online education platforms in learning resource recommendation was summed up. Secondly， four types of algorithms were analyzed and discussed： using knowledge point exercises， learning paths， learning videos and learning courses as learning resource recommendation targets respectively. Thirdly， from the perspectives of learners and learning resources， using the specific algorithms as examples， three learning resource recommendation algorithms based on learners’ portraits， learners’ behaviors and learning resource ontologies were introduced in detail respectively. Moreover， the public online learning resource datasets were listed. Finally， the current challenges and future research directions were analyzed.

Key words: online learning, online education platform, personalized recommendation, learning resource recommendation, intelligent education

中图分类号:

TP391.3

董永峰, 王雅琮, 董瑶, 邓亚晗. 在线学习资源推荐综述[J]. 计算机应用, 2023, 43(6): 1655-1663.

Yongfeng DONG, Yacong WANG, Yao DONG, Yahan DENG. Survey of online learning resource recommendation[J]. Journal of Computer Applications, 2023, 43(6): 1655-1663.

图/表 3

参考文献 58

1	马新强，黄羿，蔡宗模. MOOC教育平台技术及运营模式探析［J］. 重庆高教研究， 2014， 2（1）： 5-9. 10.3969/j.issn.1673-8012.2014.01.002
	MA X Q， HUANG Y， CAI Z M. Analysis of MOOC education platform technology and business model［J］. Chongqing Higher Education Research， 2014， 2（1）： 5-9. 10.3969/j.issn.1673-8012.2014.01.002
2	WILLIAMS A E， AGUILAR-ROCA N M， TSAI M， et al. Assessment of learning gains associated with independent exam analysis in introductory biology［J］. Life Sciences Education， 2011， 10（4）： 346-356. 10.1187/cbe.11-03-0025
3	TSINAKOS A， KAZANIDIS I. Identification of conflicting questions in the PARES system［J］. International Review of Research in Open and Distance Learning， 2012， 13（3）： 297-313. 10.19173/irrodl.v13i3.1176
4	YU J， LI D M， HOU J J， et al. Similarity measure of test questions based on ontology and VSM［J］. The Open Automation and Control Systems Journal， 2014， 6： 262-267. 10.2174/1874444301406010262
5	LI Z Z， HU H Y， XIA Z P， et al. Exercise recommendation method based on machine learning［C］// Proceedings of the IEEE 21st International Conference on Advanced Learning Technologies. Piscataway： IEEE， 2021： 50-52. 10.1109/icalt52272.2021.00023
6	LIU Q， HUANG Z， HUANG Z Y， et al. Finding similar exercises in online education systems［C］// Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2018： 1821-1830. 10.1145/3219819.3219960
7	LEIGHTON J P， GIERL M J. Cognitive diagnostic assessment for education： theory and applications ［M］. Cambridge： Cambridge University Press， 2007：145-172. 10.1017/cbo9780511611186.001
8	HARVEY R J， HAMMER A L. Item response theory［J］. The Counseling Psychologist， 1999， 27（3）： 353-383. 10.1177/0011000099273004
9	OZAKI K. DINA models for multiple-choice items with few parameters： considering incorrect answers［J］. Applied Psychological Measurement， 2015， 39（6）： 431-447. 10.1177/0146621615574693
10	RESNICK P， IACOVOU N， SUCHAK M， et al. GroupLens： an open architecture for collaborative filtering of netnews［C］// Proceedings of the 1994 ACM Conference on Computer Supported Cooperative Work. New York： ACM， 1994： 175-186. 10.1145/192844.192905
11	朱天宇，黄振亚，陈恩红，等. 基于认知诊断的个性化试题推荐方法［J］. 计算机学报， 2017， 40（1）：176-191. 10.11897/SP.J.1016.2017.00176
	ZHU T Y， HUANG Z Y， CHEN E H， et al. Cognitive diagnosis based personalized question recommendation［J］. Chinese Journal of Computers， 2017， 40（1）： 176-191. 10.11897/SP.J.1016.2017.00176
12	蒋昌猛，冯筠，孙霞，等. 基于知识点层次图的个性化习题推荐算法［J］. 计算机工程与应用， 2018， 54（10）：229-235.
	JIANG C M， FENG J， SUN X， et al. Personalized exercises recommendation algorithm based on knowledge hierarchical graph， ReKGH［J］. Computer Engineering and Applications， 2018， 54（10）： 229-235.
13	ZHENG W， DU Q， FAN Y J， et al. A personalized programming exercise recommendation algorithm based on knowledge structure tree［J］. Journal of Intelligent and Fuzzy Systems， 2022， 42（3）： 2169-2180. 10.3233/jifs-211499
14	DURAND G， BELACEL N， LaPLANTE F. Graph theory based model for learning path recommendation［J］. Information Sciences， 2013， 251： 10-21. 10.1016/j.ins.2013.04.017
15	CHEN C M， PENG C J， SHIUE J Y. Ontology-based concept map for planning a personalized learning path［C］// Proceedings of the 2008 IEEE International Conference on Cybernetics and Intelligent Systems. Piscataway： IEEE， 2008： 1337-1342. 10.1109/iccis.2008.4670870
16	CHEN C M. Intelligent web-based learning system with personalized learning path guidance［J］. Computers and Education， 2008， 51（2）： 787-814. 10.1016/j.compedu.2007.08.004
17	DWIVEDI P， KANT V， BHARADWAJ K K. Learning path recommendation based on modified variable length genetic algorithm［J］. Education and Information Technologies， 2018， 23（2）： 819-836. 10.1007/s10639-017-9637-7
18	CHEN M Y， TONG M W， LIU C M， et al. Recommendation of learning path using an improved ACO based on novel coordinate system［C］// Proceedings of the 6th IIAI International Congress on Advanced Applied Informatics. Piscataway： IEEE， 2017： 747-753. 10.1109/iiai-aai.2017.90
19	BENDAHMANE M， FALAKI B EL， BENATTOU M. Individualized learning path through a services-oriented approach［M］// ROCHA Á， SERRHINI M， FELGUEIRAS C. Europe and MENA Cooperation Advances in Information and Communication Technologies， AISC 520. Cham： Springer， 2017： 95-102. 10.1007/978-3-319-46568-5_10
20	HSIEH T C， WANG T I. A mining-based approach on discovering courses pattern for constructing suitable learning path［J］. Expert Systems with Applications， 2010， 37（6）： 4156-4167. 10.1016/j.eswa.2009.11.007
21	HEITMANN B， HAYES C. Using linked data to build open collaborative recommender systems［EB/OL］. ［2022-05-24］.. 10.1201/b16859-5
22	YU X， REN X， SUN Y Z， et al. Personalized entity recommendation： a heterogeneous information network approach［C］// Proceedings of the 7th ACM International Conference on Web Search and Data Mining. New York： ACM， 2014： 283-292. 10.1145/2556195.2556259
23	CATHERINE R， COHEN W. Personalized recommendations using knowledge graphs： a probabilistic logic programming approach［C］// Proceedings of the 10th ACM Conference on Recommender Systems. New York： ACM， 2016： 325-332. 10.1145/2959100.2959131
24	HU B B， SHI C， ZHAO W X， et al. Leveraging meta-path based context for top-N recommendation with a neural co-attention model［C］// Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2018： 1531-1540. 10.1145/3219819.3219965
25	SUN Z， YANG J， ZHANG J， et al. Recurrent knowledge graph embedding for effective recommendation［C］// Proceedings of the 12th ACM Conference on Recommender Systems. New York： ACM， 2018： 297-305. 10.1145/3240323.3240361
26	SHI D Q， WANG T， XING H， et al. A learning path recommendation model based on a multidimensional knowledge graph framework for e-learning［J］. Knowledge-Based Systems， 2020， 195： No.105618. 10.1016/j.knosys.2020.105618
27	ZHOU J X， MA X Y， SHAN P P， et al. Learning path recommendation using lesson sequence and learning object based on course graph［C］// Proceedings of the 13th International Conference on Education Technology and Computers. New York： ACM， 2021： 7-12. 10.1145/3498765.3498767
28	陈汉福. 高校视频公开课点播平台智能推荐系统的设计与实现［D］.广州：华南理工大学， 2016：33-43.
	CHEN H F. Design and implementation of intelligent recommendation system of open class VOD platform［D］. Guangzhou： South China University of Technology， 2016： 33-43.
29	CHOI I Y， OH M G， KIM J K， et al. Collaborative filtering with facial expressions for online video recommendation［J］. International Journal of Information Management， 2016， 36（3）： 397-402. 10.1016/j.ijinfomgt.2016.01.005
30	SİNCAN O M， YILDIRIM Z. A new similarity coefficient for a collaborative filtering algorithm［J］. Communications Faculty of Science University of Ankara， 2017， 59（2）： 41-54. 10.1501/commua1-2_0000000103
31	DING J， WANG Y B， WANG Q， et al. Football video recommendation system with automatic rating based on user behavior［C］// Proceedings of the 10th International Congress on Image and Signal Processing， BioMedical Engineering and Informatics. Piscataway： IEEE， 2017： 1-5. 10.1109/cisp-bmei.2017.8301933
32	YU D， CHEN R Y， CHEN J. Video recommendation algorithm based on knowledge graph and collaborative filtering［J］. International Journal of Performability Engineering， 2020， 16（12）： 1933-1940.
33	熊玲. 基于标签的教学视频推荐系统的设计与实现［D］. 武汉：华中师范大学， 2015：37-43.
	XIONG L. The design and implementation of instructional videos recommendation system based on tag［D］. Wuhan： Central China Normal University， 2015： 37-43.
34	TSAI K H， CHIU T K， LEE M C， et al. A learning objects recommendation model based on the preference and ontological approaches［C］// Proceedings of the 6th IEEE International Conference on Advanced Learning Technologies. Piscataway： IEEE， 2006： 36-40.
35	CUI L Z， DONG L Y， FU X H， et al. A video recommendation algorithm based on the combination of video content and social network［J］. Concurrency and Computation： Practice and Experience， 2017， 29（14）： No.e3900. 10.1002/cpe.3900
36	LI Y， WANG H J， LIU H L， et al. A study on content-based video recommendation［C］// Proceedings of the 2017 IEEE International Conference on Image Processing. Piscataway： IEEE， 2017： 4581-4585. 10.1109/icip.2017.8297150
37	DELDJOO Y， ELAHI M， CREMONESI P， et al. Content-based video recommendation system based on stylistic visual features［J］. Journal on Data Semantics， 2016， 5（2）： 99-113. 10.1007/s13740-016-0060-9
38	LEE J， ABU-EL-HAIJA S. Large-scale content-only video recommendation［C］// Proceedings of the 2017 IEEE International Conference on Computer Vision Workshops. Piscataway： IEEE， 2017： 987-995. 10.1109/iccvw.2017.121
39	BHATT C A， COOPER M， ZHAO J. SeqSense： video recommendation using topic sequence mining［C］// Proceedings of the 2018 International Conference on Multimedia Modeling， LNCS 10705. Cham： Springer， 2018： 252-263.
40	TANG C L， LIAO J X， WANG H C， et al. ConceptGuide： supporting online video learning with concept map-based recommendation of learning path［C］// Proceedings of the Web Conference 2021. New York： ACM， 2021： 2757-2768. 10.1145/3442381.3449808
41	RAWAT B， DWIVEDI S K. An architecture for recommendation of courses in e-learning system［J］. International Journal of Information Technology and Computer Science， 2017， 9（4）： 39-47. 10.5815/ijitcs.2017.04.06
42	JUNG H， JANG Y， KIM S， et al. KPCR： knowledge graph enhanced personalized course recommendation［C］// Proceedings of the 2021 Australasian Joint Conference on Artificial Intelligence， LNCS 13151. Cham： Springer， 2022： 739-750.
43	李弘运. 基于微博的在线学习资源推荐平台核心功能设计与实现［D］. 北京：北京邮电大学， 2015：33-40.
	LI H Y. Design and implementation of core functions of online learning recommendation platform based on Weibo［D］. Beijing： Beijing University of Posts and Telecommunications， 2015： 33-40.
44	GULZAR Z， LEEMA A A， DEEPAK G. PCRS： personalized course recommender system based on hybrid approach［J］. Procedia Computer Science， 2018， 125： 518-524. 10.1016/j.procs.2017.12.067
45	贺超波，付志文，刘海，等. 基于兴趣社区的学习资源推荐模式设计［J］. 中国教育信息化， 2017（13）：51-54. 10.3969/j.issn.1673-8454.2017.07.014
	HE C B， FU Z W， LIU H， et al. Design of learning resource recommendation model based on interest community［J］. The Chinese Journal of ICT in Education， 2017（13）： 51-54. 10.3969/j.issn.1673-8454.2017.07.014
46	YIN S J， YANG K L， WANG H Z. A MOOC courses recommendation system based on learning behaviours［C］// Proceedings of the 2020 ACM Turing Celebration Conference — China. New York： ACM， 2020： 133-137. 10.1145/3393527.3393550
47	陈海建，戴永辉，韩冬梅，等. 开放式教学下的学习者画像及个性化教学探讨［J］. 开放教育研究， 2017， 23（3）： 105-112.
	CHEN H J， DAI Y H， HAN D M， et al. Learner’s portrait and individualized teaching in open education［J］. Open Education Research， 2017， 23（3）： 105-112.
48	王晓芳，贾宗维. 基于K-means的MOOC学习行为分析及用户画像研究［J］. 中国教育信息化， 2019（1）： 43-46. 10.3969/j.issn.1673-8454.2019.01.011
	WANG X F， JIA Z W. MOOC learning behavior analysis and user portrait research based on K-means［J］. The Chinese Journal of ICT in Education， 2019（1）： 43-46. 10.3969/j.issn.1673-8454.2019.01.011
49	王莉莉，郭威彤，杨鸿武. 利用学习者画像实现个性化课程推荐［J］. 电化教育研究， 2021， 42（12）：55-62.
	WANG L L， GUO W T， YANG H W. Study on realizing personalized course recommendation by using learner portraits［J］. e-Education Research， 2021， 42（12）： 55-62.
50	葛迪，吴彦文，刘三.低成本自进化的学习者画像模型研究［J/OL］. 计算机工程与应用（2022-06-08）［2022-10-05］.. 10.3778/j.issn.1002-8331.2202-0240
	GE D， WU Y W， LIU S Y. A low cost self evolving learner portrait model［J/OL］. Computer Engineering and Applications （2022-06-08）［2022-10-05］.. 10.3778/j.issn.1002-8331.2202-0240
51	桂忠艳，张艳明，李巍巍. 基于行为序列分析的学习资源推荐算法研究［J］. 计算机应用研究， 2020， 37（7）：1979-1982.
	GUI Z Y， ZHANG Y M， LI W W. Research on learning resource recommendation algorithm based on behavior sequence analysis［J］. Application Research of Computers， 2020， 37（7）： 1979-1982.
52	卢春华，杨辉，李云鹏. 一种基于本体和循环神经网络的在线学习资源推荐技术［J］. 情报理论与实践， 2019， 42（12）：150-155， 138.
	LU C H， YANG H， LI Y P. Recommending learning resources via ontology and recurrent neural networks［J］. Information Studies： Theory and Application， 2019， 42（12）： 150-155， 138.
53	王萍. 基于edX开放数据的学习者学习分析［J］. 现代教育技术， 2015， 25（4）：86-93. 10.3969/j.issn.1009-8097.2015.04.013
	WANG P. Learning analysis of learners based on edX open data［J］. Modern Educational Technology， 2015， 25（4）： 86-93. 10.3969/j.issn.1009-8097.2015.04.013
54	胡红梅，宗阳. 基于Canvas Network开放数据集的MOOC学习分析［J］. 开放学习研究， 2017（1）：59-66. 10.3969/j.issn.1008-7648.2017.01.006
	HU H M， ZONG Y. MOOC learning analysis based on Canvas Network open data set［J］. Journal of Open Learning， 2017（1）： 59-66. 10.3969/j.issn.1008-7648.2017.01.006
55	王萍.基于edX开放数据的学习者学习分析［J］. 现代教育技术，2015，25（4）：86-93. 10.3969/j.issn.1009-8097.2015.04.013
	WANG P. Learning analysis of learners based on edX open data［J］. Modern Educational Technology， 2015， 25（4）：86-93. 10.3969/j.issn.1009-8097.2015.04.013
56	石琬若，牛晓杰，郑勤华. 以活动为中心的在线课程学习结果影响因素实证研究——以英国开放大学学习分析数据集（OULAD）为例［J］. 开放学习研究， 2018， 23（6）：10-18.
	SHI W R， NIU X J， ZHENG Q H. Empirical study on the influencing factors of activity-centered online courses learning outcomes： take OULAD as an example［J］. Journal of Open Learning， 2018， 23（6）： 10-18.
57	YU J F， LUO G， XIAO T， et al. MOOCCube： a large-scale data repository for NLP applications in MOOCs ［C］// Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics. Stroudsburg， PA： ACL， 2020： 3135-3142. 10.18653/v1/2020.acl-main.285
58	LIU K J， ZHAO X， TANG J Y， et al. MOOPer： a large-scale dataset of practice-oriented online learning ［C］// Proceedings of the 2021 China Conference on Knowledge Graph and Semantic Computing， CCIS 1466. Singapore： Springer， 2021： 281-287.

所在区域	平台名称	课程数	平台功能	网址
国外	Udacity	数百门课程	课程推荐	http：//www.udacity.com/
	Coursera	超3 000门课程	课程推荐，学位推荐，学习者评价收集	http：//www.coursera.org
	edX	超3 000门课程	课程推荐，学位推荐	http：//www.edx.org
	可汗学院（Khan Academy）	超2 000个教学片段	系统收集学习者习题记录，教师量身定制教学	https：//www.khanacademy.org
国内	学堂在线	超5 000门优质课程	课程推荐，习题交互收集分析	https：//www.xuetangx.com
	中国大学MOOC	数千门课程，包含超1 000门的国家精品课程	课程推荐，学习者评价收集	https：//www.icourse163.org/
	网易云课堂	超10 000门课程	课程推荐	https：//study.163.com/
	雨课堂	不限	收集分析学生课上数据、习题数据	https：//www.yuketang.cn/
	科大讯飞	不限	知识点推荐，学习路径推荐	https：//www.iflytek.com/

所在区域	平台名称	课程数	平台功能	网址
国外	Udacity	数百门课程	课程推荐	http：//www.udacity.com/
	Coursera	超3 000门课程	课程推荐，学位推荐，学习者评价收集	http：//www.coursera.org
	edX	超3 000门课程	课程推荐，学位推荐	http：//www.edx.org
	可汗学院（Khan Academy）	超2 000个教学片段	系统收集学习者习题记录，教师量身定制教学	https：//www.khanacademy.org
国内	学堂在线	超5 000门优质课程	课程推荐，习题交互收集分析	https：//www.xuetangx.com
	中国大学MOOC	数千门课程，包含超1 000门的国家精品课程	课程推荐，学习者评价收集	https：//www.icourse163.org/
	网易云课堂	超10 000门课程	课程推荐	https：//study.163.com/
	雨课堂	不限	收集分析学生课上数据、习题数据	https：//www.yuketang.cn/
	科大讯飞	不限	知识点推荐，学习路径推荐	https：//www.iflytek.com/

数据集名称	类型	数据集内容	研究方向
edX教育数据集^［53］	文本	290门在线课程、25万份证书、450万名参与者的数据	学习者行为分析、特征分析等
Canvas Network开放数据集^［54］	文本	325 199条学习者与238门课程的课程行为记录相关信息	学习者类型分析、交互分析、课程推荐等
HarvardX Person-Course Academic 数据集^［55］	文本	哈佛大学2013学年的课程与338 224名学习者行为数据	学习者行为分析、课程推荐等
OULAD英国开放大学数据集^［56］	文本	英国开放大学7门课程的32 593位匿名学生行为数据	学习者行为分析、课程推荐、学生成绩预测等
MOOCCube教育数据仓库^［57］	概念图、文本	学堂在线上706门课程、38 181个视频、 114 563个概念和199 199名真实用户的交互数据	学习资源推荐、课程概念提取、慕课问答预测等
MOOPer数据集^［58］	知识图谱、文本	头歌平台上46 743名用户与600门课程、 1 360个习题、4 550个挑战的交互数据	课程推荐、知识追踪、学习行为分析等

数据集名称	类型	数据集内容	研究方向
edX教育数据集^［53］	文本	290门在线课程、25万份证书、450万名参与者的数据	学习者行为分析、特征分析等
Canvas Network开放数据集^［54］	文本	325 199条学习者与238门课程的课程行为记录相关信息	学习者类型分析、交互分析、课程推荐等
HarvardX Person-Course Academic 数据集^［55］	文本	哈佛大学2013学年的课程与338 224名学习者行为数据	学习者行为分析、课程推荐等
OULAD英国开放大学数据集^［56］	文本	英国开放大学7门课程的32 593位匿名学生行为数据	学习者行为分析、课程推荐、学生成绩预测等
MOOCCube教育数据仓库^［57］	概念图、文本	学堂在线上706门课程、38 181个视频、 114 563个概念和199 199名真实用户的交互数据	学习资源推荐、课程概念提取、慕课问答预测等
MOOPer数据集^［58］	知识图谱、文本	头歌平台上46 743名用户与600门课程、 1 360个习题、4 550个挑战的交互数据	课程推荐、知识追踪、学习行为分析等

[1]	刘清华, 廖士中. 基于随机素描方法的在线核回归[J]. 《计算机应用》唯一官方网站, 2022, 42(3): 676-682.
[2]	韩佳良, 韩宇栋, 刘譞哲, 赵耀帅, 冯迪. 基于云‒端融合的个性化推荐服务系统[J]. 《计算机应用》唯一官方网站, 2022, 42(11): 3506-3512.
[3]	樊海玮, 张锐驰, 安毅生, 秦佳杰. 融合知识图谱邻居双端的在线学习资源推荐算法[J]. 《计算机应用》唯一官方网站, 2022, 42(10): 3054-3059.
[4]	刘欢, 李晓戈, 胡立坤, 胡飞雄, 王鹏华. 基于知识图谱驱动的图神经网络推荐模型[J]. 计算机应用, 2021, 41(7): 1865-1870.
[5]	郭一村, 陈华辉. 在线哈希算法研究综述[J]. 《计算机应用》唯一官方网站, 2021, 41(4): 1106-1112.
[6]	孙鹤立, 徐统, 何亮, 贾晓琳. 融合用户历史行为与社交关系的个性化社交事件推荐方法[J]. 计算机应用, 2021, 41(2): 324-329.
[7]	邓凯, 黄佳进, 秦进. 基于物品的统一推荐模型[J]. 《计算机应用》唯一官方网站, 2020, 40(2): 530-534.
[8]	吴婉婷, 朱燕, 黄定江. 在线投资组合选择的半指数梯度策略及实证分析[J]. 计算机应用, 2019, 39(8): 2462-2467.
[9]	郁顺昌, 黄定江. 基于自回归移动平均反转的在线投资组合选择[J]. 计算机应用, 2018, 38(5): 1505-1511.
[10]	孙丽梅, 李悦, Ejike Ifeanyi Michael, 曹科研. 简化的Slope One在线评分预测算法[J]. 计算机应用, 2018, 38(2): 497-502.
[11]	冯勇, 韩晓龙, 付陈平, 王嵘冰, 徐红艳. 集成用户信任度和品牌认可度的商品推荐方法[J]. 计算机应用, 2018, 38(10): 2886-2891.
[12]	高庆吉, 霍璐, 牛国臣. 基于改进霍夫森林框架的多目标跟踪算法[J]. 计算机应用, 2016, 36(8): 2311-2315.
[13]	胡伟健, 滕飞, 李灵芳, 王欢. 适应用户兴趣变化的改进型协同过滤算法[J]. 计算机应用, 2016, 36(8): 2087-2091.
[14]	梁俊杰, 甘文婷, 余敦辉. 基于位置编码索引树的个性化推荐算法[J]. 计算机应用, 2016, 36(2): 419-423.
[15]	王付强, 彭甫镕, 丁小焕, 陆建峰. 基于位置的非对称相似性度量的协同过滤推荐算法[J]. 计算机应用, 2016, 36(1): 171-174.

在线学习资源推荐综述

Survey of online learning resource recommendation

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 3

参考文献 58

相关文章 15

编辑推荐

Metrics