谢浩然等｜人工智能赋能个性化学习：E-Learning推荐系统研究热点与展望
点击上方蓝色文字关注我们
基金项目：岭南大学学院研究基金“Facilitate Tree-Structured Topic Modeling via Nonparametric Neural Inference”（DB21A9）。
引用:谢浩然,陈协玲,郑国城,王富利(2022).人工智能赋能个性化学习：E-Learning推荐系统研究热点与展望[J].现代远程教育研究,34(3):15-23,57.
摘要：E-Learning领域的推荐系统在满足学习者个性化学习需求方面发挥着重要作用。近年来，国际上围绕E-Learning推荐系统开展的研究迅速增多。采用文献计量分析方法对该领域的研究进行系统分析，有助于为E-Learning推荐系统的高水平研究和高质量应用提供镜鉴。综括而言，当前国际E-Learning领域的推荐系统研究热点及其演变趋势集中体现在6个方面：一是融合多种技术优势的混合推荐日益受到重视且逐渐成为主流。二是伴随技术支持下群体学习的多元发展，个性化推荐由关注个体推荐逐步转向关注群体推荐。三是随着大规模开放在线课程的流行，个性化推荐逐步突破小规模而面向大规模学习者群体，重视通过对海量学习资源和过程数据的搜集和挖掘而提供个性化推荐。四是从心理学层面关注学习者情绪变化，并据此构建上下文推荐系统，通过优化调整推荐内容不断促进学习者高效完成学习任务。五是在推荐功能上更加强调学习模型构建，重视提升学习者的深层次认知能力和促进有效学习。六是在先进技术的支持上，个性化推荐系统强调引入深度学习技术，不断优化其表征能力、融合效率和推荐效果。
关键词：E-Learning；个性化推荐系统；个性化学习；人工智能；研究热点
随着互联网上学习资源的不断增多，E-Learning以其学习时空灵活、学习资源丰富等独特优势越来越受到研究人员的关注。然而，由于信息过载，学生通常难以自主选择最佳的学习材料来满足自身学习需求（Montaner et al.，2003）。推荐系统作为人工智能的一个重要应用，不同于返回匹配用户查询信息的搜索引擎或检索系统，可以根据学习者的学习特征、偏好与需求，有效地进行学习资源过滤，自动向学习者推荐个性化学习资源（Aguilar et al.，2017）。
由于对个性化学习和大数据可用性的需求不断增加，E-Learning领域推荐系统的研究受到研究者广泛而持续的关注。在E-Learning中，学习者在学习背景、知识水平和学习方式等方面具有差异性，因此向特定学习者推荐合适的学习资源就成为一个颇具挑战的问题。即便两个学习者的学业表现相似，但由于他们具备不同的学习特征，因而也需要不同的学习内容。因此，E-Learning推荐系统需要考虑学习者的具体需求，以为其提供个性化推荐服务与个性化学习体验。传统的推荐系统如协同过滤和基于内容的推荐系统，均未能在推荐过程中充分考虑学习者的学习特征，而是依据推荐内容评分向其推荐学习内容。这种学习资源推荐可以通过使用知识结构（例如本体）进行完善，将学习者特征进行个性化处理，从而使得推荐内容更好地匹配学习者的需求和特征（Tarus et al.，2018）。Verbert等（2012）也强调在推荐过程中要综合考虑学习者、教师及学习情境等信息。随着推荐系统研究的不断深入发展，E-Learning推荐系统已成为一个重要的研究领域，积累了很多有价值的研究成果（Manouselis et al.，2011）。
已有许多研究人员对E-Learning推荐系统领域的文献进行了综述研究。例如，Verbert等（2012）对技术增强学习环境中的上下文感知推荐系统的相关文献进行了时间、位置、活动、物理条件、资源和社会关系等维度的分析。Drachsler等（2015）将发表于2000年至2014年期间的82篇技术增强学习推荐系统文献划分为七大集群，并重点分析了集群三相关的 16 篇将教育知识作为推荐信息源的文献。Klašnja-Milićević等（2015）重点关注在E-Learning环境中设计推荐系统的要领与挑战，并提出了基于标记的推荐系统扩展模型。George等（2019）通过对发表在 2010 年至 2018 年期间的108篇论文进行综述，概述了基于本体的个性化E-Learning推荐系统所使用的本体方法和混合技术。Tarus等（2018）对36篇发表于 2005 年至 2014 年期间的基于本体的E-Learning推荐系统文献进行了综述，重点对系统使用的推荐技术、知识表示技术、本体类型、本体表示语言以及推荐的学习资源类型进行了分析。
通过对以往综述文章的梳理发现，大多数文献采用质性方法对小规模数据进行分析，很少从宏观视角对该研究领域进行解析。有鉴于此，本研究采用文献计量方法对国际范围内的E-Learning推荐系统的研究成果进行计量和可视化分析，呈现了该领域的研究热点及其变化趋势，有助于研究人员从整体上了解该领域的前沿趋势和发展方向，并为未来E-Learning个性化推荐研究的创新发展提供更广阔的视野。
文献计量方法能够有效客观地评价某一领域的研究成果。该方法被广泛应用于不同领域，包括教育人工智能和技术增强学习等（Chen et al.，2020；Chen et al.，2021）。因此，该方法也适用于分析E-Learning推荐系统的研究热点与发展趋势。
本研究选择 Web of Science、Education Resources Information Center和 Scopus作为文献数据库，这三个数据库也被广泛应用于教育相关领域的文献综述研究（Chen et al.，2022）。研究使用“personaliz* recommend*”和“personalis* recommend*”作为关键词进行目标文献搜索，经过机器筛选剔除重复数据后，得到1077篇文献数据。然后根据文献与E-Learning推荐系统领域的相关性进行人工筛选，最终获得418篇有效文献。
图1 展示了E-Learning推荐系统领域的年度发文量，可以看出，该领域发文量总体呈现上升趋势，特别是自2020 年以来呈现出快速增长态势。研究还根据发文年度和发文量提出了一个多项式回归估计方程：y＝0.1966x2－788.1398x＋789910.6，其拟合优度（R2）为84.16%，表明该模型能够有效拟合E-Learning推荐系统研究文献的年度发展趋势，并预测未来该领域的发文量。根据年度发文量分析结果可知，E-Learning推荐系统研究受到了学术界的极大关注，呈现出大有可为的发展态势。
研究采用词云分析对论文关键词进行识别与统计，并将关键词变化趋势进行可视化展示，以探究E-Learning推荐系统领域研究热点的演变情况。在所绘制的词云图中，文本标签代表论文关键词，其相对重要性由文本大小表示。由于标题和摘要通常能反映文章的主体内容，因此常被用于概念性综述分析（Zhong et al.，2016）。词云分析所使用的数据材料为每篇文章的标题和摘要。词云分析具体步骤如下：首先，使用自然语言处理工具包（Natural Language Toolkit，NLTK）对标题和摘要中的关键词进行提取。其次，为提高数据质量对文本进行了预处理，包括删除数字、标点、符号和停用词（例如，“me”“I”“or”“him”“a”和“they”），统一语义相同但表达不同的关键词（例如，“learning behaviour”和“learning behavior”；“online learning”和“online education”），将缩写词转换为全称（例如，将“AI”转换为“artificial intelligence”），以及将词语统一表示为单数和小写形式。最后，统计关键词频次，并采用R语言wordcloud包进行词云图绘制。
研究对 418篇文献的关键词进行整理并统计其频次，得出排名前10的高频关键词依次为Collaborative Filtering、Experimental Result、Learning Resource、Recommender System、Personalized Learning、E-Learning System、Recommendation Algorithm、Learning Style、Learning Process、Learning Path。图 2 展现了三个研究阶段（即2003—2010年、2011—2016年、2017—2022年）的高频关键词及其变化趋势。可以看出， 2011—2016年间比2003—2010年间增加的研究热点包括实验结果（Experimental Result）、个性化学习（Personalized Learning）、学习风格（Learning Style）、学习材料（Learning Material）、信息载荷（Information Overload）、学习对象（Learning Object）等。2017—2022年间比2011-2016年间新增的研究热点有大数据（Big Data）、混合推荐（Hybrid Recommendation）、神经网络（Neural Network）、人工智能（Artificial Intelligence）、在线学习（Online Learning）、冷启动（Cold Start）、深度学习（Deep Learning）、学习分析（Learning Analytics）、知识图（Knowledge Graph）、机器学习（Machine Learning）、社会信息学（Social Informatics）、增强学习（Reinforcement Learning）、自然语言处理（Natural Language Processing）、情感状态（Affective State）、认知模式（Cognitive Model）等。通过对高频关键词的比较和归纳，研究提炼出E-Learning个性化推荐系统研究领域的六大研究热点与发展趋势。
1.融合多种技术优势，混合推荐成为主流
推荐系统的基本模型主要包括基于内容的推荐、协同过滤推荐、基于本体的推荐、基于社交网络的推荐以及混合推荐（George et al.，2019）（见图3）。其中，基于内容的推荐系统涉及基于案例和属性的方法，可根据项目相似性进行新项目推荐。该类推荐系统的关键技术在于能否提取出有效的特征，然而传统的浅层模型依赖人工设计特征，因而其推荐有效性及可扩展性十分有限。协同过滤是基于用户先前购买的商品和品味相似性而进行的新商品推荐，但也遭遇到数据稀疏和冷启动的问题。同时，传统的协同过滤算法亦采用浅层模型因而无法学习到用户和项目的深层次特征。基于本体的推荐系统用于克服冷启动问题并提高推荐的个性化。基于社交网络的推荐系统的算法机制是基于社交网站上用户与好友之间的信任度而进行的推荐决策。随着数据获取技术的发展壮大，互联网中蕴含的丰富的用户行为及个性化需求信息的可获取性不断增强，融合多源异构辅助信息的混合推荐方法逐渐发展起来。混合推荐能够融合两种或多种推荐技术，在克服各自技术局限性的同时又能结合它们的独特优势来提高推荐效率和质量。例如，基于内容的推荐技术可以与协同过滤推荐技术相结合来处理冷启动问题。因此，混合推荐在E-Learning领域越来越受到重视，并逐渐发展为主流的推荐技术。
通过对相关文献的深入分析发现，最新的E-Learning混合推荐系统设计方法主要包括以下方面。Wan等（2019）在混合推荐中应用到了学习者影响模型（Learner Influence Model，LIM）、基于自组织（Self-Organization Based，SOB）和顺序模式挖掘（Sequential Pattern Mining，SPM）等方法。其中，LIM用以收集与学习者相关的信息；SOB用以分析主动学习者与目标学习者之间的关系；SPM用以确定学习内容推荐。Paradarami等（2017）使用具有协同过滤和基于内容特征的人工神经网络方法进行混合推荐，同时结合基于案例的规划来实现更加个性化的E-Learning路线推荐。Xiao等（2018）通过集成关联规则、基于内容的过滤和协同过滤的组合算法来进行个性化推荐，并在构建用户资源评级矩阵的基础上计算数据稀疏度，最后选择基于内容或评估的预测算法来计算推荐内容相似度，由此生成了K个最优推荐内容。Lakkah等（2017）综合本体和人工代理的方法进行混合推荐，并通过蚁群优化自适应地获取学习内容，进而识别出最佳学习路径。Shang等（2021）结合协同过滤算法和SPM技术，提出了一种改进的基于混合本体的在线学习资源推荐方法。其中，本体能够对知识进行有效表示，避免了冷启动和数据稀疏的问题。
此外，通过挖掘学习者的历史访问顺序来识别相似学习者的历史学习路径，有助于提供更符合学习活动规律的推荐内容。Murad等（2020）设计了一种基于规则的用户协同过滤的混合推荐系统。在该系统中，用户资料由学习成绩和上下文信息组成。用户协同过滤方法用于预测目标学习者在特定课程中的学习成效。再结合决策规则，就可用于向目标学习者推荐个性化学习资料。而且将在线课程入学测试评估作为初始上下文信息可以使该推荐系统自动向新生推荐学习内容。为减轻冷启动问题在自适应学习环境中的影响，Pliakos等（2019）提出了一个结合项目反应理论（Item Response Theory，IRT）与机器学习的混合推荐系统，通过将IRT与基于学习者辅助信息构建的分类和回归树相结合，就可实现对新学习者能力的估计与项目响应预测。从现有的E-Learning混合推荐研究可以看出，混合技术的使用有助于克服单一技术的局限性。协同过滤技术是混合系统中使用最广泛和最有效的技术之一。虽然聚类、基于规则的系统、神经网络等其他技术补充了协同过滤技术的不足，但更具前景的方向是将本体与协同过滤技术相结合使用。
2.拓展推荐范围，由个体推荐迈向群体推荐
传统的E-Learning个性化推荐系统多面向个体学习者，而教学实践中存在许多需要对一个群体进行推荐的情况，特别是协作学习小组。随着各种信息与通讯技术被不断引入教学过程，教育不再仅仅意味着从教师到学生的知识转移，而是意味着社区学习、小组合作、学习共享、知识构建等（Zhang et al.，2014），由此催生了协作教学等新的教学模式。在计算机支持的协作学习（Computer-Supported Collaborative Learning，CSCL）中，具有不同思维、感受和行为方式的学习小组成员共同努力解决同一问题或构建知识。与个体学习相似，个性化对于虚拟协作学习体验至关重要（Dascalu et al.，2014），个性化的协作推荐有助于提高学生的学习成效（Troussas et al.，2020）。因此，如何对学习群体进行个性化推荐，满足他们共同的学习需求，就成为促进E-Learning协作学习群体推荐系统发展的动力（Dascalu et al.，2015）。
最新的研究集中在根据共同兴趣和偏好向一组学习者推荐学习资料上。从技术层面来看，群体推荐方法包括个体推荐结果汇总法和个体评分汇总法。前者采用传统的个性化推荐方法，先对个体进行推荐，再将各人的推荐结果进行汇总；后者先将个人评分汇总为群体评分，再对群体进行推荐。此外，也有研究人员将群体看作一个整体，直接构建群体模型，再基于该模型进行群体推荐。Dwivedi等（2015）提出了一种整合学习者学习风格、知识水平的文件配置方案，旨在为学习群组生成一个公共资源列表。在CSCL中，与合适的合作者进行协作学习可以促进丰富高效的讨论从而获得更多知识（Lai et al.，2019），因此组队是一项关键任务。在传统教育中，向学生推荐合作者需要教师深入了解每个学习者的需求和偏好，从而组成同质学习者群体，以实现高效有益的合作。Cahyana等（2017）强调通过创建学习者群体来增强协作学习，同时保护每个学习者的学习风格。Troussas等（2020）强调通过推荐系统构建适宜的学习者群体，以实现有效的协作来促进更好的同伴互动、增强学习参与度，并提高学习成效。他们还将学习者的认知能力特征作为系统的输入以创建学习者特征向量，通过比较这些向量的相似程度向学习者提供个性化小组游戏合作者列表，供其根据游戏的难度级别从相应的推荐列表中选择同伴。Martín等（2009）结合个体和群体的特征信息向用户推荐符合其需求的个性化协作学习活动及学习工具。具体而言，就是利用协作学习系统中用户和组模型存储的有关用户和群体的稳定信息（如背景、学习方式）和动态信息（如学习行为过程数据、协作体验意见、特定时间的上下文信息），从基于描述适配能力和推荐标准规则两个方面为个体和群体推荐最合适的协作学习活动。
3.突破推荐规模，由小规模学习推荐转向大规模在线学习推荐
随着在线和移动技术的快速发展，大规模开放在线课程（Massive Open Online Course，MOOC）吸引了大量来自不同国家、具有不同先验知识、背景和技能的学生。然而，由于缺乏个性化学习的保障机制，MOOC长期存在留存率低的问题。教育信息化的发展导致在线学习用户数量和学习资源爆炸式增长，学习者在学习过程中面临“信息过载”和“学习迷失”的困境（Fang et al.，2021），这严重影响了他们寻找合适学习材料的效率。同时，由于学习者群体庞大且极具多样性，教师很难向每个学习者提供个性化的推荐和学习干预，因此不可避免地会忽视学习者对特定知识的个性化需求。如何从海量学习资源中获取个性化、自适应的学习资源，及时捕捉并准确分析学习者的学习行为，实现对其学习过程的个性化指导，进而满足MOOC学习者对个性化学习体验的期望，已经成为大规模在线学习领域亟待解决的问题。
MOOC教学实践中，针对如何在开放和大规模的情境下支持个性化学习，越来越多的研究人员尝试引入智能推荐系统，根据学习者的需求和目标进行学习资源推荐。例如，Hajri等（2018）开发了一个基于MOOC的开放教育资源（Open Educational Resources，OER）推荐系统，可根据学习者的个人资料与学习记录动态地向其推荐开放教育资源。Yin等（2020）基于浏览历史、课程内容、人口统计和课程关系等信息，通过组合兴趣模型、人口统计模型和先修课程关系模型来进行个性化MOOC课程推荐。其中，人口统计模型能根据用户的人口统计信息对用户进行分类，从而避免冷启动问题；先修课程关系模型用于综合考虑课程之间的关系；兴趣模型是基于隐含狄利克雷分布（Latent Dirichlet Allocation，LDA）模型并利用用户的课程兴趣相似度而构建推荐决策。Ndiyae等（2019）运用学习分析、知识评估和跟踪分析技术，自动分析在知识测试期间学习者的反应并将其作为衡量知识水平的指标，并能根据学习者的学习背景、知识水平和学习轨迹自动为其推荐个性化学习资源（如课程、课程序列、视频、文档等）。Xiao等（2018）设计的个性化推荐系统则是运用关联规则、内容过滤和协同过滤等技术来实现向MOOC学习者推荐相关课程学习资源。Kim等（2021）提出的学习路径构建模型是基于学习者历史数据的动态键值记忆网络，利用知识追踪和深度强化学习对学习者知识进行建模，并通过Bloom分类法过滤生成最佳个性化学习路径。此外，González-Castro等（2021）还提出一个学习者会话代理的自适应学习模块，该模块使用IRT技术能根据学习者的知识水平动态调整问题难度，帮助学习者复习相关课程内容的关键概念。当学习者未能正确回答会话代理提出的问题时，系统模块会与所涉及的概念本体进行映射，从而为学习者提供指向相关MOOC视频片段的推荐链接。关于MOOC视频推荐的研究也积累了许多成果，例如Bhatt等（2018）开发的SeqSense推荐系统允许学习者访问他们感兴趣的MOOC视频；Zhao等（2018）设计的MOOCex推荐系统能根据学习者的喜好推荐来自不同MOOC平台的课程视频。
4.关注学生情绪变化并构建上下文推荐系统，实现动态优化内容推荐
虽然推荐系统能根据学习者的学习表现和行为进行内容推荐，但是学习者在学习过程中的情绪变化也会影响他们的学习表现和行为，因此推荐系统应考虑学习者的情绪状况，并根据情绪变化来调整推荐内容以适应学习者的需求和环境的特征，让他们更积极参与学习任务，收获个性化学习体验（Wang et al.，2014）。传统的E-Learning推荐系统鲜少考虑学习者的情绪（Mizgajski et al.，2019）。随着研究人员与教育工作者对情绪影响学习的深入了解，越来越多的自适应E-Learning推荐系统开始考虑学习者的情绪以改善其学习过程，以及智能地管理学习者情绪，调动情绪与学习行为的相互作用，以促进积极学习行为的发生和维持。例如，Leony等（2013）提出了一种云推荐系统，它能基于学习者从系统提供的预定义列表中自主选择的情绪状态，进行学习资源与学习活动推荐。
然而，收集学习者的情绪信息并不是一件容易的事。为此，研究人员开始关注基于上下文的E-Learning推荐系统，通过集成物理传感器以收集与学习者情绪相关的上下文信息数据，从而实现更为个性化的有效推荐。在E-Learning环境中已发展出不同的情绪识别方法，例如生命体征、语音识别、面部表情识别和手势识别等。其中一些方法由于昂贵的硬件设备需求而受到应用限制。然而，面部识别方法允许通过网络摄像头等非昂贵设备采集学习者情绪信息，因而受到广泛应用。例如，Bustos-López等（2020）提出的EduRecomSys推荐系统通过结合协同过滤与情绪检测技术，利用人脸识别技术确定用户情绪，并能根据多个平台用户的偏好或兴趣，向其推荐高质量的多来源教育资源，以保持他们的学习积极性。Santos等（2016）基于Arduino平台部署了一个具备情绪感知能力的智能上下文推荐系统，并借鉴Santos等（2011）提出的面向导师的建议建模方法，在感知学生情绪状态变化的基础上，为其提供交互式学习内容推荐。Cabada等（2018）结合推荐系统、数据挖掘、情绪识别与分析技术，为学习者提供了一个基于Web的个性化Java编程学习环境。其中，情绪识别器通过分析学习者的照片来识别其情绪状态（如沮丧、无聊、投入和兴奋）；文本情绪分析是根据学习者的意见态度来确定编程练习的质量；推荐系统则是根据当前学习者情绪及过往学习者对编程练习质量的意见态度来向当前学习者推荐新的编程练习。此外，Santos等（2014）研发的教学内容推荐系统能基于数据挖掘技术分析学习者的面部和身体运动，进而识别其在学习过程中的情绪状态（例如无聊、惊讶、困惑、失去动力等），由此调节推荐内容帮助其高效完成学习任务。
5.注重学习模型构建，促进学生认知发展
认知是指人类对客观事物的认识和获取知识的活动，是一种认知思维过程，包括知觉、注意、记忆、言语、思维、解决问题等。在E-Learning个性化推荐系统中，构建学习模型是其最关键的环节。目前，大多数学习模型获取维度与特征属性的方法单一，且计算复杂度低，因而其推荐的学习资源可能并不适应学习者的学习能力，从而导致学习者在学习过程中出现认知超载或迷失方向等问题（Fang et al.，2021）。传统的E-Learning推荐系统普遍关注知识习得和学业成绩，随着认知发展及认知能力训练对于学习者学习能力提高的作用逐渐受到重视，越来越多的研究人员开始关注利用计算机辅助技术来促进学习者认知能力的发展。
部分学者关注通过精准且个性化的认知训练项目推荐来提升学习者的认知思维能力。比如，Shen等（2021）提出了一种基于儿童偏好和评价的个性化认知训练项目推荐方法，通过K-Means聚类算法评估儿童的认知能力值并形成全面的认知水平图谱，再结合儿童偏好和评价值，利用协同过滤推荐有效生成最适合不同类型儿童的认知训练项目，从而提升其认知能力。Fang等（2021）通过对学习者在学习过程中的行为数据进行分析，提取出学习者认知能力、知识水平和学习偏好三个特征，利用本体构建学习者的偏好模型，并基于对知识之间语义关系的理解，发掘学习者的学习兴趣，从而实现个性化学习资源推荐。Islam等（2021）运用认知诊断和强化学习技术跟踪检测学习者的有效知识状态，并为其推荐最佳学习材料与教学路径，以期满足其学习目标，实现内在认知学习的改进，同时保持学习者控制和教学轨迹之间的平衡。Karaoğlan Yılmaz（2022）还研究了学习分析辅助的推荐和指导反馈对学习者元认知意识的作用。另有学者研究了视频游戏推荐以增强认知障碍患者的认知能力发展。例如，Banskota等（2020）向孤独症谱系障碍（Autism Spectrum Disorder，ASD）患者推荐的个性化游戏既具有增强ASD患者认知技能的内在价值，又能让他们保持参与感和愉悦感，从而提高他们的社交互动技能与认知能力。
6.引入深度学习技术，助力学习推荐不断优化
尽管混合推荐方法能够缓解数据稀疏和冷启动问题，但由于辅助信息的多模态、数据异构、大规模、数据稀疏和分布不均匀等特征，导致融合多源异构数据的混合推荐方法研究依然面临挑战（黄立威等，2018）。深度学习作为机器学习领域的前沿技术，具有自主学习和信息筛选能力。深度学习为推荐系统研究带来了新的机遇。一方面，深度学习可以通过深层次非线性网络结构，从样本中学习数据集的本质特征，从而获取用户和项目的深层次特征表示。另一方面，深度学习可以通过在多源异构数据中进行自动特征学习，将不同数据映射到同一隐空间，从而保证数据表征的一致性（Peng et al.，2017）。基于深度学习的推荐系统能将用户和项目相关数据作为模型输入，利用深度学习算法学习用户和项目的隐表示，并基于此利用传统推荐算法生成个性化推荐。基于深度学习的推荐系统的基本架构如图4所示，包括输入层、模型层与输出层。输入层的数据包括用户画像、项目内容数据以及用户生成内容等辅助数据。在模型层中，利用卷积神经网络、循环神经网络、生成对抗网络等深度学习模型学习数据集的本质特征，从而获取用户和项目的深层次特征表示。在输出层中，根据学习到的用户和项目特征表示，利用传统推荐算法生成项目的推荐列表。近年来，基于深度学习的E-Learning推荐系统研究受到越来越多研究人员的关注。例如，Xuan等（2021）基于深度神经网络开发的个性化学习资源推荐系统能根据学习者的学习历史和行为，预测并为其推荐所需的学习材料，进而帮助学习者有针对性地学习，完成学习任务，提高学习效率。Yang（2022）搭建的个性化推荐系统利用深度强化练习算法，基于对学习者学习交互数据的分析，在合适的时间向其推荐最合适的话题和资源，从而避免学习者进行人工查询，提高了其学习效率。Lu等（2021）还结合知识图谱和深度神经网络进行了学习行为检测与学习资源推荐，有助于学习者进行多维综合判断，同时能有效分析学习者的学习弱点，检测其真实学习状态，并提供个性化学习路径推荐。此外，Li等（2021）基于深度学习设计的课程推荐系统可以精细地提取学习者的行为与课程的属性及交互特征，帮助学习者找到喜欢的课程，解决信息过载和数据稀疏问题，实现比传统方法更优的特征信息提取性能。
随着教育领域对个性化学习和大数据可用性需求的不断增加，E-Learning推荐系统逐渐成为热门研究领域。研究通过对相关主题的文献进行系统梳理，为E-Learning推荐系统的高水平研究和高质量应用提供了借鉴。E-Learning推荐系统研究在国际范围内受到了广泛关注并呈现出良好的发展趋势。研究热点分析结果彰显出以下重要趋势：
第一，混合推荐技术由于具备多源异构数据融合、多种推荐技术融合的独特优势，能够有效地缓解传统推荐系统中数据稀疏和冷启动的问题，推动了基于混合推荐技术促进个性化学习的研究不断增多。
第二，在社区学习、协作学习、知识建构等新的学习范式下，对学习群体进行个性化推荐，满足他们共同的学习需求，促进了个性化教育群体推荐系统研究的发展。如何有效构建学习小组来增强协作学习，同时结合个体和群体的特征信息推荐既符合群体需求、也符合个人学习风格的个性化协作学习活动及资源，逐渐成为研究人员关注的焦点。
第三，在线和移动技术的快速发展促进了MOOC的发展，推荐系统的引入能帮助学习者从海量学习资源中获取个性化、自适应的学习资源，并能准确分析其学习行为以对其学习过程提供个性化指导，有效地支持了MOOC中的个性化学习。
第四，关注学习者在学习过程中的情绪变化，通过集成物理传感器以及人脸识别等情绪识别技术收集学习者的情绪信息，据此基于上下文的教育推荐系统能调整推荐内容以适应学习者的需求和环境特征，智能地管理学习者情绪，推动情绪与学习行为相互作用，进而不断促进学习者的认知发展与积极学习行为的发生。
第五，在推荐功能方面，当前研究更加关注推荐系统对学习者深度理解、高阶认知思维发展的作用，注重通过认知诊断和强化学习实现适应性知识提取，有助于优化个性化学习材料与教学路径推荐，增强教学的有效性，促进深度学习的发生，以及实现学习者内在认知的提升。
第六，推荐系统的支持技术将更加先进，人工智能尤其是深度学习的快速发展对推荐系统产生了重大影响，极大地提高了系统自主特征学习和深层次信息特征表征能力，改进了混合推荐系统对具有多模态、大规模、数据稀疏和分布不均匀等复杂特征的多源异构数据的融合效率，进而也优化了深层次特征信息提取性能，提升了个性化推荐效果。
参考文献：
[1]黄立威,江碧涛,吕守业等(2018).基于深度学习的推荐系统研究综述[J].计算机学报,41(7):1619-1647.
[2]Aguilar, J., Valdiviezo-Díaz, P., & Riofrio, G. (2017). A General Framework for Intelligent Recommender Systems[J]. Applied Computing and Informatics, 13(2):147-160.
[3]Banskota, A., & Ng, Y. K. (2020). Recommending Video Games to Adults with Autism Spectrum Disorder for Social-Skill Enhancement[C]// Proceedings of the 28th ACM Conference on User Modeling, Adaptation and Personalization. Genoa, Italy:14-22.
[4]Bhatt, C., Cooper, M., & Zhao, J. (2018). SeqSense: Video Recommendation Using Topic Sequence Mining[C]//International Conference on Multimedia Modeling. Springer, Cham:252-263.
[5]Bustos-López, M., Alor-Hernández, G., & Sánchez-Cervantes, J. L. et al. (2020). EduRecomSys: An Educational Resource Recommender System Based on Collaborative Filtering and Emotion Detection[J]. Interacting with Computers, 32(4):407-432.
[6]Cabada, R. Z., Estrada, M. L. B., & Hernández, F. G. et al. (2018). An Affective and Web 3.0-Based Learning Environment for a Programming Language[J]. Telematics and Informatics, 35(3):611-628.
[7]Cahyana, U., Paristiowati, M., & Savitri, D. A. et al. (2017). Developing and Application of Mobile Game Based Learning (M-GBL) for High School Students Performance in Chemistry[J]. Eurasia Journal of Mathematics, Science and Technology Education, 13(10):7037-7047.
[8]Chen, X., Zou, D., & Cheng, G. et al. (2020). Detecting Latent Topics and Trends in Educational Technologies Over Four Decades Using Structural Topic Modeling: A Retrospective of all Volumes of Computers & Education[J]. Computers & Education, 151:103855.
[9]Chen, X., Zou, D., & Su, F. (2021). Twenty-Five Years of Computer-Assisted Language Learning: A Topic Modeling Analysis[J]. Language Learning & Technology, 25(3):151-185.
[10]Chen, X., Zou, D., & Xie, H. et al. (2022). Two Decades of Artificial Intelligence in Education: Contributors, Collaborations, Research Topics, Challenges, and Future Directions[J]. Journal of Educational Technology & Society, 25(1).
[11]Dascalu, M. I., Bodea, C. N., & Lytras, M. et al. (2014). Improving E-Learning Communities Through Optimal Composition of Multidisciplinary Learning Groups[J]. Computers in Human Behavior, 30:362-371.
[12]Dascalu, M. I., Bodea, C. N., & Moldoveanu, A. et al. (2015). A Recommender Agent Based on Learning Styles for Better Virtual Collaborative Learning Experiences[J]. Computers in Human Behavior, 45:243-253.
[13]Drachsler, H., Verbert, K., & Santos, O. C. et al. (2015). Panorama of Recommender Systems to Support Learning[M]// Recommender Systems Handbook. Springer, Boston, MA:421-451.
[14]Dwivedi, P., & Bharadwaj, K. K. (2015). E-Learning Recommender System for a Group of Learners Based on the Unified Learner Profile Approach[J]. Expert Systems, 32(2):264-276.
[15]Fang, C., & Lu, Q. (2021). Personalized Recommendation Model of High-Quality Education Resources for College Students Based on Data Mining[J]. Complexity, 2021:9935973.
[16]George, G., & Lal, A. M. (2019). Review of Ontology-Based Recommender Systems in E-Learning[J]. Computers & Education, 142:103642.
[17]González-Castro, N., Muñoz-Merino, P. J., & Alario-Hoyos, C. et al. (2021). Adaptive Learning Module for a Conversational Agent to Support MOOC Learners[J]. Australasian Journal of Educational Technology, 37(2):24-44.
[18]Hajri, H., Bourda, Y., & Popineau, F. (2018). Personalized Recommendation of Open Educational Resources in MOOCs[C]// International Conference on Computer Supported Education. Springer, Cham:166-190.
[19]Islam, M. Z., Ali, R., & Haider, A. et al. (2021). PAKES: A Reinforcement Learning-Based Personalized Adaptability Knowledge Extraction Strategy for Adaptive Learning Systems[J]. IEEE Access, 9:155123-155137.
[20]Karaoğlan Yılmaz, F. G. (2022). The Effect of Learning Analytics Assisted Recommendations and Guidance Feedback on Students’ Metacognitive Awareness and Academic Achievements[J]. Journal of Computing in Higher Education:1-20.
[21]Kim, S., Kim, W., & Kim, H. (2021). Learning Path Construction Using Reinforcement Learning and Bloom’s Taxonomy[C]// Proceedings of the International Conference on Intelligent Tutoring Systems. Springer, Cham:267-278.
[22]Klašnja-Milićević, A., Ivanović, M., & Nanopoulos, A. (2015). Recommender Systems in E-Learning Environments: A Survey of the State-of-the-Art and Possible Extensions[J]. Artificial Intelligence Review, 44(4):571-604.
[23]Lai, C. H., Lin, H. W., & Lin, R. M. et al. (2019). Effect of Peer Interaction Among Online Learning Community on Learning Engagement and Achievement[J]. International Journal of Distance Education Technologies, 17(1):66-77.
[24]Lakkah, S. E., Alimam, M. A., & Seghiouer, H. (2017). Adaptive E-Learning System Based on Learning Style and Ant Colony Optimization[C]// 2017 Intelligent Systems and Computer Vision (ISCV). IEEE Computer Society.
[25]Leony, D., Gélvez, H. A. P., & Muñoz-Merino, P. J. et al. (2013). A Generic Architecture for Emotion-Based Recommender Systems in Cloud Learning Environments[J]. Journal of Universal Computer Science, 19(14):2075-2092.
[26]Li, Q., & Kim, J. (2021). A Deep Learning-Based Course Recommender System for Sustainable Development in Education[J]. Applied Sciences, 11(19):8993.
[27]Lu, T., Shen, X., & Liu, H. et al. (2021). A Framework of AI-Based Intelligent Adaptive Tutoring System[C]// 2021 16th International Conference on Computer Science & Education (ICCSE). IEEE, Lancaster, United Kingdom:726-731.
[28]Manouselis, N., Drachsler, H., & Vuorikari, R. et al. (2011). Recommender Systems in Technology Enhanced Learning[M]// Kantor, P. B., Ricci, F., & Rokach, L. et al. (Eds.). Recommender Systems Handbook. Springer, Boston, MA:387-415.
[29]Martín, E., & Carro, R. M. (2009). Supporting the Development of Mobile Adaptive Learning Environments: A Case Study[J]. IEEE Transactions on Learning Technologies, 2(1):23-36.
[30]Mizgajski, J., & Morzy, M. (2019). Affective Recommender Systems in Online News Industry: How Emotions Influence Reading Choices[J]. User Modeling and User-Adapted Interaction, 29(2):345-379.
[31]Montaner, M., López, B., & De La Rosa, J. L. (2003). A Taxonomy of Recommender Agents on the Internet[J]. Artificial Intelligence Review, 19(4):285-330.
[32]Murad, D. F., Heryadi, Y., & Isa, S. M. et al. (2020). Personalization of Study Material Based on Predicted Final Grades Using Multi-Criteria User-Collaborative Filtering Recommender System[J]. Education and Information Technologies, 25(6):5655-5668.
[33]Ndiyae, N. M., Chaabi, Y., & Lekdioui, K. et al. (2019). Recommending System for Digital Educational Resources Based on Learning Analysis[C]// Proceedings of the New Challenges in Data Sciences: Acts of the Second Conference of the Moroccan Classification Society. Association for Computing Machinery, New York, NY:1-6.
[34]Paradarami, T. K., Bastian, N. D., & Wightman, J. L. (2017). A Hybrid Recommender System Using Artificial Neural Networks[J]. Expert Systems with Applications, 83:300-313.
[35]Peng, Y., Zhu, W., & Zhao, Y. et al. (2017). Cross-Media Analysis and Reasoning: Advances and Directions[J]. Frontiers of Information Technology & Electronic Engineering, 18(1):44-57.
[36]Pliakos, K., Joo, S. H., & Park, J. Y. et al. (2019). Integrating Machine Learning into Item Response Theory for Addressing the Cold Start Problem in Adaptive Learning Systems[J]. Computers & Education, 137:91-103.
[37]Santos, O. C., & Boticario, J. G. (2011). TORMES Methodology to Elicit Educational Oriented Recommendations[C]// International Conference on Artificial Intelligence in Education. Springer, Berlin, Heidelberg:541-543.
[38]Santos, O. C., Saneiro, M., & Boticario, J. G. et al. (2016). Toward Interactive Context-Aware Affective Educational Recommendations in Computer-Assisted Language Learning[J]. New Review of Hypermedia and Multimedia, 22(1-2):27-57.
[39]Santos, O. C., Saneiro, M., & Salmeron-Majadas, S. et al. (2014). A Methodological Approach to Eliciting Affective Educational Recommendations[C]// 2014 IEEE 14th International Conference on Advanced Learning Technologies. Athens, Greece:529-533.
[40]Shang, S. S., Gao, M. J., & Luo, L. J. (2021). An Improved Hybrid Ontology-Based Approach for Online Learning Resource Recommendations[J]. Educational Technology Research and Development, 69(5):2637-2661.
[41]Shen, X., & Xu, C. (2021). Research on Children’s Cognitive Development for Learning Disabilities Using Recommendation Method[J]. Concurrency and Computation: Practice and Experience, 33(9):e6097.
[42]Tarus, J. K., Niu, Z., & Mustafa, G. (2018). Knowledge-Based Recommendation: A Review of Ontology-Based Recommender Systems for E-Learning[J]. Artificial Intelligence Review, 50(1):21-48.
[43]Troussas, C., Krouska, A., & Sgouropoulou, C. (2020). Collaboration and Fuzzy-Modeled Personalization for Mobile Game-Based Learning in Higher Education[J]. Computers & Education, 144:103698.
[44]Verbert, K., Manouselis, N., & Ochoa, X. et al. (2012). Context-Aware Recommender Systems for Learning: A Survey and Future Challenges[J]. IEEE Transactions on Learning Technologies, 5(4):318-335.
[45]Wan, S., & Niu, Z. (2019). A Hybrid E-Learning Recommendation Approach Based on Learners’ Influence Propagation[J]. IEEE Transactions on Knowledge and Data Engineering, 32(5):827-840.
[46]Wang, M. T., & Fredricks, J. A. (2014). The Reciprocal Links Between School Engagement, Youth Problem Behaviors, and School Dropout During Adolescence[J]. Child Development, 85(2):722-737.
[47]Xiao, J., Wang, M., & Jiang, B. et al. (2018). A Personalized Recommendation System with Combinational Algorithm for Online Learning[J]. Journal of Ambient Intelligence and Humanized Computing, 9(3):667-677.
[48]Xuan, D., Zhu, D., & Xu, W. (2021). The Teaching Pattern of Law Majors Using Artificial Intelligence and Deep Neural Network Under Educational Psychology[J]. Frontiers in Psychology, 12:711520.
[49]Yang, Z. (2022). Data Analysis and Personalized Recommendation of Western Music History Information Using Deep Learning Under Internet of Things[J]. PLoS One, 17(1):e0262697.
[50]Yin, S., Yang, K., & Wang, H. (2020). A MOOC Courses Recommendation System Based on Learning Behaviours[C]//Proceedings of the ACM Turing Celebration Conference-China.Hefei, China:133-137.
[51]Zhang, X., De Pablos, P. O., & Xu, Q. (2014). Culture Effects on the Knowledge Sharing in Multi-National Virtual Classes: A Mixed Method[J]. Computers in Human Behavior, 31:491-498.
[52]Zhao, J., Bhatt, C., & Cooper, M. et al. (2018). Flexible Learning with Semantic Visual Exploration and Sequence-Based
Recommendation of MOOC Videos[C]// Proceedings of the 2018 CHI Conference on Human Factors in Computing Systems. Montreal, QC:1-13.
[53]Zhong, S., Geng, Y., & Liu, W. et al. (2016). A Bibliometric Review on Natural Resource Accounting During 1995—2014[J]. Journal of Cleaner Production, 139:122-132.
欢迎转载，开白请联系18980806833（微信号）