场景化学习下基于智能集成机制的知识资源推荐方法研究

Scene learning unifies learning and working, and plays a key role in enhancing enterprise innovation capabilities, accelerating industrial transformation, and strengthening enterprise competitive advantage. Personalized knowledge resource recommendation can solve the problems of information overload, unclear learning goals, and low learning efficiency. In the workplace learning environment, traditional knowledge resource recommendation methods face the challenges of heterogeneity of multi-source user data, dynamic and complex user scenarios, and delay of implicit user feedback. Therefore, this research project leverages the “model formulation-algorithm design-algorithm evaluation” research approach, and proposes a new intelligent ensemble based knowledge resource recommendation method. Firstly, this project considers different user levels including individual level and team level, and constructs a multi-dimensional and multi-level user model based on topic model. Secondly, by integrating the theory of ensemble learning and swarm intelligence, this project designs an intelligent ensemble mechanism and proposes a novel knowledge recommendation algorithm. Thirdly, a user model updating mechanism is designed and the performance of knowledge recommendation algorithm is evaluated. This project not only extends the design theory of intelligent recommendation system, but also provides new insights for building an intelligent learning environment. Moreover, this project provides important theoretical reference for enterprises to implement the scene learning strategy.

场景化学习强调学习活动与工作场景统一，对于企业提升创新能力、加速改革升级、增强竞争优势十分关键。个性化知识资源推荐可以解决用户面临的信息超载、目标模糊、学习低效等问题。场景化学习环境中，传统知识资源推荐方法面临着用户数据多源异构、用户场景复杂多变、用户反馈隐式延时的挑战。因此，本项目依照“模型构建-算法设计-算法评估”的研究路线，拟设计基于新型智能集成机制的知识资源推荐方法。具体包括：（1）模型构建：考虑个人和团队不同用户层次，基于主题模型构建多维度多层次的集成用户学习模型；（2）算法设计：融合集成学习与群体智能思想，设计智能集成机制，提出具有适应能力的知识资源推荐算法；（3）算法评估：设计基于用户反馈的用户模型更新策略，对算法性能进行应用测试和分析。该研究不仅丰富了推荐系统设计理论，而且为构建智慧化学习环境提供了新思路，为企业落实场景化学习战略提供理论依据，具有重要的科学意义和应用价值。

个性化知识资源推荐可以解决用户面临的信息超载、目标模糊、决策低效等问题。场景化学习环境中，传统知识资源推荐方法面临着用户数据多源异构、用户场景复杂多变、用户反馈隐式延时的挑战。本项目以设计新型智能推荐系统为目标，依照“模型构建-算法设计-算法评估”的研究路线，开展了三阶段的研究工作，具体包括：（1）用户平台行为建模分析，对教育平台学习者的心理动机、技术相关特征、行为数据进行深层关联的分析，发现用户决策机制与行为规律；（2）设计多目标推荐系统框架，对群体智能优化算法进行设计创新，提升优化算法搜索效率与收敛能力，建立新型基于群体智能优化算法的推荐模型，提升了推荐系统多个维度（准确性、多样性、新颖性、用户倾向）上的综合性能；（3）开展对照试验，基于企业学习场景和科技论文推荐场景，对算法进行应用测试及评估，验证了其性能的优越性，分析了推荐系统使用对用户态度及行为的影响。本课题研究拓展了用户在线学习行为分析理论，提出了新的多目标推荐系统构建方向，为动态场景中的推荐问题提供了解决方案，具有重要的科学意义和应用价值。