在线课程推荐系统综述

doi:10.3778/j.issn.1002-8331.2305-0162

摘要/摘要

摘要：在线教育的快速发展使得在线课程数量爆炸式增长，学习者很容易陷入“课程过载”带来的课程信息获取效率低下的问题，这推动了在线课程推荐系统的产生和发展。目前在线课程推荐系统已成为研究热点，并且在该领域中提出了大量方法，有必要对最新的研究进展进行系统的梳理分析。首先归纳总结在线课程推荐系统的基本框架和相关概念。然后重点对比分析现有在线课程推荐系统采用的各类核心推荐方法，其中包括基于关联规则挖掘、基于矩阵分解、基于概率模型、基于深度学习、基于智能优化、基于语义计算等类型的方法。最后介绍在线课程系统的各种评价指标和公开可用的数据集，并展望未来的发展方向。

摘要：网络教育的快速发展导致了在线课程数量的爆炸式增长，学习者很容易陷入“课程超载”导致的课程信息获取效率低下的境地，这推动了在线课程推荐系统的出现和发展。目前，在线课程推荐系统已经成为研究的热点，在这一领域已经提出了大量的方法，因此有必要系统地回顾和分析最新的研究进展。本文首先概述了在线课程推荐系统的基本框架和相关概念，然后重点比较分析了现有在线课程推荐中使用的各种核心推荐方法，包括基于关联规则挖掘、矩阵分解、概率模型、，深度学习、智能优化、语义计算等。最后，本文介绍了在线课程推荐系统和公共可用数据集的各种评价指标，并提出了未来的发展方向。

余鹏, 刘星雨, 程颢, 杨佳琦, 陈国华, 贺超波. 在线课程推荐系统综述[J] ●●●●。计算机工程与应用, 2023, 59(22): 1-14.

于鹏、刘兴宇、程昊、杨家琦、陈国华、何朝波。网上课程推荐系统综述[J]。计算机工程与应用，2023,59（22）：1-14。

参考文献

[1] 全国信息技术标准化技术委员会.信息技术学习、教育和培训在线课程：GB/T 36642-2018【S】。北京：中国标准出版社，2018
国家信息技术标准化技术委员会。IT学习、教育和培训在线课程：GB/T 36642-2018[S]。北京：中国标准出版社，2018。
[2] 邱霞。基于MOOC+SPOC的高职英语混合教学模式[J]。无线通信和移动计算，2022.DOI:10.1155/2022/9320161。
[3] CNNIC.第50章次中国互联网络发展状况统计报告[R] ●●●●。北京：中国互联网络信息中心，2022
中国互联网络信息中心。第50次中国互联网发展状况统计报告[R]。北京：中国互联网络信息中心，2022年。
[4] 中国政府网.教育部关于印发《教育信息化2.0行动计划》的通知[EB/OL]。（2018-04-13）[2023-04-27]http://www.gov.cn/zhengce/zhengceku/2018-12/31/content_5443362.htm。
中国政府网。教育部关于印发教育信息化2.0行动计划的通知[EB/OL]。（2018-04-13）[2023-04-27]http://www.gov.cn/zhengce/zhengceku/2018-12/31/content_5443362.htm。
[5] 中国政府网.“十四五”国家信息化规划[EB/OL]。（2021-12-28）[2023-04-27]http://www.gov.cn/xinwen/2021-12/28/content_5664873.htm。
中国政府网。国家信息化第十四个五年计划[EB/OL]。（2021-12-28）【2023-04-27】http://www.gov.cn/xinwen/021-12/28/content_5664873.htm。
[6] 中国政府网.教育部办公厅关于实施一流本科专业建设“双万计划”的通知[EB/OL]。（2019-04-04）[2023-04-27]http://www.moe.gov.cn/srcsite/A08/s7056/201904/t20190409_377216.html。
中国政府网站。教育部办公厅关于实施一流本科专业建设“双亿计划”的通知[EB/OL]。（2019-04-04）[2023-04-27]http://www.moe.gov.cn/srcsite/A08/s7056/201904/t20190409377216.html。
[7] 胡园园，姜文君，任德盛，等.一种结合用户适合度和课程搭配度的在线课程推荐方法[J] ●●●●。计算机研究与发展，2022，59（11）：2520-2533.
HU Y Y，JIANG W J，REN D S，et al.一种结合用户适合性和课程匹配度的在线课程推荐方法[J]。计算机研究与开发，2022,59（11）：2520-2533。
[8] 王磊.基于spark架构的音乐MOOC资源协同过滤推荐[J]。计算智能与神经科学，2022.DOI:10.1155/2022/2117081。
[9] 王仕，李毅。MOOC中基于异质图神经网络的学习偏好推荐[C]//《2021年第四届人工智能与模式识别国际会议论文集》，2021:629-635。
[10] 张H，沈X，YI B，等。KGAN:面向慕课课程推荐的知识分组聚合网络[J]。专家系统与应用，2023211:18344。
[11] 龚J，王C，赵Z，等.MOOCs中概念推荐元路径图的自动生成[J]。电子学，2021,10（14）：1671。
[12] 卢J.在线课程推荐技术调查[J]。应用科学开放期刊，2022,12（1）：134-154。
[13] 乌尔达内塔·蓬特·M·C，门德斯·佐里拉A，奥莱戈迪亚·鲁伊兹I.教育推荐体系：系统评价[J]。电子学，2021,10（14）：1611。
[14] TANG S.基于Apriori分类的远程教育课程个性化准确推荐算法[C]//《2022年全球可靠性、预测和健康管理学报》，2022:1-7。
[15] 刘杰，吴杰，杨毅，等.Apriori算法在大学专业选修课数据挖掘中的应用[C]//2022年第四届国际教育计算机科学与技术会议论文集，2022:1-5。
[16] FAUZAN F，NURJANAH D，RISMALA R.Apriori课程推荐系统关联规则[J]。印尼计算机杂志，2020,5（2）：1-16。
[17] 张浩，黄涛，吕Z，等。MCRS：面向MOOCs的课程推荐系统[J]。多媒体工具和应用，2018,77:7051-7069。
[18] MALHOTRA I，CHANDRA P，LAVANYA R.使用基于域的聚类知识和矩阵分解的课程推荐[C]//2022年第9届全球可持续发展计算国际会议论文集，2022:12-18。
[19] SYMEONIDIS P，MALAKOUDIS D。带侧边信息的多模态矩阵分解在推荐大规模开放在线课程中的应用[J]。专家系统与应用，2019118:261-271。
[20] 郭涛，温毅，王峰，等.基于广义矩阵分解和长短期记忆模型的学习资源推荐[C]//2019 IEEE云计算技术与科学国际会议论文集，2019:217-222。
[21]李杰，常C，杨Z，等.基于云模型融合最近邻用户影响的课程推荐系统概率矩阵分解算法[C]//第四届以人为中心计算国际会议论文集。查姆：施普林格，2018:488-496。
[22]LAN A S，SPENCER J C，CHEN Z，et al.MOOC论坛个性化线程推荐[C]//2018年欧洲数据库机器学习和知识发现会议论文集，都柏林，2018年9月10日至14日：725-740。
[23]MORISE H，OYAMA S，KURIHARA M.贝叶斯概率张量因式分解与多标准评估数据的推荐和评级聚合[J]。专家系统与应用，2019131:1-8。
[24]ALAOUI H H，HACHEM E，ZITI C.现代概率模型：在电子学习中过滤海量数据[J]。伊拉克科学杂志，2021（S）：52-58。
[25]MA K.基于深度学习算法的篮球教学网络课程资源推荐方法研究[J]。移动信息系统，2021.DOI:10.1155/2021/3256135。
[26]CHANAA A.使用特征交互和因子分解机器（FM）分析上下文软件推荐系统（CARS）中学习者的情感和认知特征[J]。沙特国王大学学报-计算机和信息科学，2022,34（8）：4796-4809。
[27]YUHANA U L，DJUNAIDY A，PURNOMO M H。基于卷积神经网络自适应学习系统中难度水平的文本分类开发[C]//2021年国际电子学术研讨会论文集，2021:238-243。
[28]EZALDEEN H，MISRA R，BISOY S K，et al.一种集成自适应剖析和情感分析的混合电子学习推荐[J]。《网络语义杂志》，2022,72:100700。
[29]盛德，袁杰，谢强，等.MOOCRec:MOOC中基于注意元路径的top-K推荐模型[C]//第十三届知识科学、工程与管理国际会议论文集，杭州，8月28-302020:280-288。
[30]WANG J，XIE H，AU O T S等。基于注意力的CNN为MOOC学习者提供个性化课程推荐[C]//2020年国际教育技术研讨会论文集，2020:180-184。
[31]ZHU Q.基于双层注意机制的网络课程推荐系统[J]。科学规划，2021.DOI:10.1155/2021/3256135。
[32]李强.从人机交互的角度研究英语专业翻译课程体系的构建[J]。多媒体进展，2022.DOI:10.1155/2022/5902199。
[33]HUANG W，CHU H.基于图卷积网络的学生课程选择推荐系统研究[C]//2021年第二届国际信息科学与教育大会论文集，2021:432-436。
[34]周X，林D，刘毅，等.推荐的层精化图卷积网络[J].arXiv:2207。
11088，2022.
[35]王杰，谢赫，王福林，等.基于图神经网络的MOOCs个性化推荐[J]。计算机与教育：人工智能，2021,2:100010。
[36]王X，马伟，郭力，等.基于超边缘的图形神经网络在MOOC课程推荐中的应用[J]。信息处理与管理，2022,59（3）：102938。
[37]CHEN W，MA W，JIANG Y，et al.GADN:基于GCN的课程推荐关注衰减网络[C]//第十五届知识科学、工程与管理国际会议论文集，新加坡，8月6-82022.Cham:Springer，2022:529-541。
[38] 吕晓琦，纪科，陈贞翔，等.结合注意力与循环神经网络的专家推荐算法[J] ●●●●。计算机科学与探索，2022，16（9）：2068-2077.
LYU X Q，JI K，CHEN Z X，等.结合注意和递归神经网络的专家推荐算法[J]。计算机科学与技术前沿杂志，2022,16（9）：2068-2077。
[39]张强，李毅，张刚，等.基于递归神经网络的序贯E-learning推荐系统框架与原型[C]//第十四届国际FLINS计算与机器人人工智能技术发展会议论文集，2020:488-495。
[40]李聪，周慧。通过将智能分析集成到MOOC中，并应用于可持续发展教育，提高大规模在线学习的效率[J]。可持续发展，2018,10（2）：468。
[41]SAITO T，WATANOBE Y.基于神经网络的程序设计教育学习路径推荐系统[J]。国际远程教育技术杂志，2020,18（1）：36-64。
[42]赵A，马云.基于深度学习的高等教育大数据推荐研究[J]。科学规划，2022.DOI:10.1155/2022/5448442。
[43]GOMEDE E，DE BARROS R M，DE SOUZA MENDES L.自适应电子学习推荐系统的深度自动编码器[J]。计算机与教育：人工智能，2021,2:100009。
[44]王C，朱H，朱C，等.具有职业发展意识的个性化员工培训课程推荐[C]//2020年网络会议论文集，2020:1648-1659。
[45]MAWANE J，NAJI A，RAMDANI M.电子学习推荐中Kohonen地图最优配置的聚类有效性[J]。印尼电气工程与计算机科学杂志，2022,26:482-492。
[46]MAWANE J，NAJI A，RAMDANI M.E-learning platforms的无监督深度协同过滤推荐系统[C]//第三届智能应用和数据分析国际会议论文集，马拉喀什，6月25-262020:146-161。
[47]TAN J，CHANG L，LIU T，et al.基于课程相关性的MOOC课程推荐注意自动编码器[C]//《2020年网络支持分布式计算与知识发现国际会议论文集》，2020:190-196。
[48]沈德，江姿.基于自动编码器的在线教学课程推荐[J]。工程中的数学问题，2022.DOI:10.1155/2022/8549563。
[49]LEFRANC A，JOYNER D A.SAGA:课程优化[C]//第七届ACM会议论文集学习@规模，2020：317-320.
[50]GUNAWAN A，WIDJAJA A T，LEE R K W，et al.个性化课程序列推荐问题的元启发式方法[C]//第13届自动排课实践与理论国际会议论文集，2021。
[51]HSSINA B，ERRITALI M.自适应学习系统中基于遗传算法的个性化教学目标[J]。《Procedia Computer Science》，2019151:1152-1157。
[52]AL-TWIJRI M I，LUNA J M，HERRERA F，等.基于序列的课程推荐：新兴序列模式的进化搜索[J]。认知计算，2022,14（4）：1474-1495。
[53]程B，张毅，石D.基于本体论的个性化学习路径推荐课程学习[C]//2018年第九届医学与教育信息技术国际会议论文集，2018:531-535。
[54]EL AISSAOUI O，OUGHDIR L.一种基于学习风格的本体匹配，以增强学习资源推荐[C]//2020年第一届应用科学、工程和技术创新研究国际会议论文集，2020:1-7。
[55]刁X，曾强，段赫，等.基于课程本体和认知能力的个性化学习资源推荐[J]。计算机杂志，2021,32（2）：149-163。
[56] 赵晔辉，柳林，王海龙，等.知识图谱推荐系统研究综述[J] ●●●●。计算机科学与探索，2023，17（4）：771-791.
赵玉华，刘磊，王海丽，等。知识图推荐系统研究综述[J]。计算机科学与技术前沿杂志，2023,17（4）：771-791。
[57]周杰，姜刚，杜伟，等.基于时间感知变压器和知识图的时间学习兴趣分析，用于在线课程推荐[J]。电子商务研究，2022.DOI:10.1007/s10660-022-09541-z。
[58]吴华，孟福杰。基于知识图的个性化课程推荐应用研究[C]//第九届EAI移动无线中间件、操作系统和应用国际会议论文集，呼和浩特，2020年7月11日：19-30。
[59]杨S，蔡X.双边知识图增强的在线课程推荐[J]。信息系统，2022107:102000。
[60]徐刚，贾刚，石磊，等.融合知识图和协同过滤的个性化课程推荐系统[J]。计算智能与神经科学，2021.DOI:10.1155/2021/9590502。
[61]王X，博D，石C，等.异构图嵌入研究综述：方法、技术、应用和来源[J]。IEEE大数据汇刊，2023,9（2）：415-436。
[62]王T，MA F，王Y，等.异构信息增强了大规模开放在线课程中的先决条件学习[C]//《2022年IEEE数据挖掘国际会议论文集》，2022:1203-1208。
[63]王赫，周克，赵X，等.面向top-N推荐的异质子图变换器课程预训练[J]。ACM信息系统汇刊，2023,41（1）：1-28。
[64]BRUUN S B，LESNIAK K，BIASINI M，et al.稀疏和异构用户交互的基于图形的推荐[J].arXiv:2301.110092023。
[65]王S，吴伟，张勇.基于异构信息网络的海洋石油资源推荐[C]//2022年自然计算、模糊系统和知识发现国际会议论文集。查姆：施普林格，2023:1219-1227。
[66]WANG X，JIA L，GUO L，et al.面向MOOC知识概念推荐的多视角异构信息网络[J]。应用情报，2023,53（10）：11951-11965。
[67]盛德，袁杰，谢强，等.基于注意力协作扩展矩阵分解的MOOC课程服务异质视图模型[J]。《未来一代计算机系统》，2022126:211-224。
[68] 班启敏，吴雯，胡文心，等.基于学习者知识和性格的个性化课程推荐[J] ●●●●。华东师范大学学报（自然科学版），2022（6）：87-101.
BAN Q M，WU W，HU W X，等.基于学习者知识和个性的个性化课程推荐[J]。华东师范大学学报（自然科学版），2022（6）：87-101。
[69]ESTEBAN A，ZAFRA A，ROMERO C.通过使用具有遗传优化的混合多标准推荐系统帮助大学生选择选修课[J]。基于知识的系统，2020194:105385。
[70]龚杰，万毅，刘毅，等.异构信息网络中增强的MOOCs概念推荐[J].arXiv:2203.110112022。
[71]SHANI G，GUNAWARDANA A.评估推荐系统[M]//推荐系统手册。波士顿：斯普林格出版社，2011:257-297。
[72]HO A、REICH J、NESTERKO S等人。HarvardX和MITx：开放在线课程的第一年，2012年秋季至2013年夏季[R]。哈佛大学研究委员会，麻省理工学院，2014年。
[73] 胡红梅，宗阳.基于Canvas Network发布（MOOC）回报分析[J]。开放学习研究，2017（1）：59-66.
胡海明，宗毅.基于Canvas Network开放数据集的MOOC学习分析[J]。开放式学习研究，2017（1）：59-66。
[74] 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）参见[J]。开放学习研究，2018，23（6）：10-18.
SHI W R，NIU X J，ZHENG Q H。影响以活动为中心的在线课程学习结果因素的实证研究——以英国开放大学学习分析数据集（OULAD）为例[J]。开放式学习研究，2018,23（6）：10-18。
[75]俞J，LUO G，XIAO T，et al.MOOCCube:MOOCs中NLP应用的大规模数据存储库[C]//计算语言学协会第58届年会论文集，2020:3135-3142。
[76]刘凯，赵X，唐杰，等.MOOPer:一个面向实践的大规模在线学习数据集[C]//第六届中国知识图与语义计算会议论文集：知识图赋予新基础设施建设以力量，广州，11月4-72021。新加坡：Springer，2021:281-287。
[77]GEDIKLI F，JANNACH D，GE M。我该怎么解释？推荐系统不同解释类型的比较[J]。国际人类计算机研究杂志，2014,72（4）：367-382。
[78]徐S，JI J，LI Y，等.推荐的因果推理：基础、方法和应用[J].arXiv:2301.040162023。
[79]王伟，林X，冯F，等.基于分布外推荐的因果表征学习[C]//2022年ACM网络会议论文集，2022:3562-3571。
[80]张C，谢Y，白H，等。关于联合学习的调查[J]。基于知识的系统，2021216:106775。
[81]JIE Z，CHEN S，LAI J，等.基于历史参数聚类的个性化联邦推荐系统[J]。《环境智能与人性化计算杂志》，2023,14:10555-10565。
[82]WIERING MA，VAN OTTERLO M.强化学习[J]。适应、学习与优化，2012,12（3）：729。
[83]张J，郝B，陈B，等.面向MOOCs课程推荐的分层强化学习[C]//第33届AAAI人工智能会议论文集，2019:435-442。
[84]王伟，林X，冯F，等.生成性推荐：走向下一代推荐范式[J].arXiv:2304.035162023。
[85]LE-KHAC P H，HEALY G，SMEATON A F.对比表征学习：框架与综述[J]。IEEE接入，2020,8:193907-193934。