摘 要 综述移动学习内容推荐关键技术，建议利用上下文情景与社交网络等信息构建移动云学习环境下内容推荐框架，以实现移动推荐结果的精确性和多样性之间的平衡。
关键词 移动学习；内容推荐；协同过滤；学习行为
中图分类号：G652 文献标识码：A
文章编号：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
移動互联网的发展为教育信息化带来新的挑战。一方面，伴随着越来越多的学习资源自然分布在网络上，移动设备带来的便捷性使随时随地自主学习成为可能，参与移动学习社区正成为一种趋势；另一方面，移动设备的移动性、位置性、分布性等特性也明显加剧了信息过载问题[1-2]。
因此，在移动网络学习应用中有必要引入个性化学习推荐，为学习者提供更加便利的知识服务，帮助学习者更加有效地获取学习内容、提高学习效率[3]。
一般而言，推荐系统是在收集用户既往信息的基础上分析用户的兴趣爱好和行为习惯，从而将感兴趣的信息主动推荐给用户。然而，移动互联网环境下终端设备在自身资源、处理能力等方面的局限性使得适合传统互联网用户的推荐方法并不能直接应用到移动推荐中。移动推荐系统需要深入了解用户的需求并进行精准的信息推送，主要难点则在于大大减少用户与移动设备的复杂交互，并通过智能化方式理解用户意图来自动完成信息推送。这需要面临两大挑战[4]：一是如何从大规模异质移动数据中分析数据特点、总结学习者的行为模式；二是如何利用所发掘的数据特点和行为模式设计可靠的推荐策略。
针对上述挑战，一方面，移动推荐系统需要综合考虑移动性、位置性、分布性等特性信息[5]。其中，移动性考虑了用户移动性、设备移动性和无线连接性；位置性指移动推荐系统的应用场景较灵活且用户对推荐内容的位置往往具有明确要求；分布性指移动用户分散，需要分布式设计支持他们之间进行自治的数据交换并采用简洁算法完成推荐任务。由于上述特性，移动推荐有必要借助移动互联网环境下的时间、空间等与相关用户的行为密切相关的上下文信息来增强应用的效果。
另一方面，社交网络的出现已基本改变了互联网的组成方式，而移动互联网的发展也大大推动了移动学习社区扩散的过程。诸多学者已经证明随着对学习社区的投入程度和学习时间的增加，学习者学习意愿也不断增加[6-7]。因此，协作学习的相关信息将成为移动学习推荐的重要支撑之一。再者，结合移动网络的特性，推荐列表的多样性对用户感知系统有用性和易用性也有着积极和重要的影响[8]。
多样性主要包括个体多样性、总体多样性和时序多样性。其中，个体多样性主要从单个用户的角度考查系统能够找到用户喜欢的冷门项目的能力；总体多样性则主要强调针对不同用户的推荐应尽可能地不同；时序多样性主要指用户偏好会适应用户兴趣的动态进化或用户情境的变化而发生改变。因此，如何尽可能地利用好上下文情境和社交网络等信息，实现移动推荐结果的精确性和多样性之间的平衡，这是研究者需要关注的问题[8]。
本文将结合现有研究，对移动环境下数字化学习资源推荐技术开展综述与分析。文中第二节总结了相关技术，第三节对移动学习推荐系统进行了详细分析，第四节描述了一种移动云学习内容推荐框架，第五节对全文进行了总结。
2 相关研究
内容推荐技术 常用的内容推荐算法包括基于协同过滤的推荐算法、基于内容的推荐算法、基于关联规则的推荐算法与混合推荐算法等[3-5]。其中，基于协同过滤的推荐技术根据用户评分矩阵来计算用户之间的相似性，并通过相似用户的评分预测当前用户的未评分项的评分；基于内容的推荐则根据用户已知的信息挖掘当前用户的偏好来推荐其可能感兴趣的信息；基于知识的推荐则使用知识结构描述用户的行为和偏好来实现推荐；混合推荐系统则结合上述多种推荐技术的优点以获得更好的精度、性能和通用性[5]。
在上述研究中，协同过滤算法是移动学习推荐中的研究热点之一[5]。协同过滤算法主要分为基于内存的方法和基于模型的方法两类。基于内存的协同过滤推荐算法主要关注用户或项目之间的相似关系；基于用户的协同过滤推荐算法则关注用户的历史数据，如用户评分数据、浏览数据等，计算用户之间的相似度，核心思想是选择最相似的用户作为邻居，利用相似邻居的偏好进行预测。协同过滤推荐系统中需要解决的是普遍存在评分数据稀疏问题，即用户评价或查看的项目远远小于用户未评价或未查看的项目。
具体到移动推荐技术如何提高推荐准确度，需要结合信息过滤技术、决策支持技术来解决信息过载问题[5]。其核心是在移动数据稀疏的情况下更为精确地估算预测用户对未知信息的主观评分，如通过收集用户行为数据、建立偏好模型、根据用户的行为和偏好对不同用户的同类需求推荐选取个性化内容等[5]。然而，移动环境下的空间数据复杂性较高，并且用户的上下文信息更加模糊[9]。因此，社交网络协作学习的引入至关重要[10]。