电子学习内容推荐系统的分类与评价

制作和主办：Elsevier沙特国王大学学报E-learning环境下内容管理者的分类与评价Jeevaly JoyRumel，Renumol Vemballiveli Govinda Pillai印度喀拉拉邦科钦科技大学工程学院信息技术系阿提奇莱因福奥文章历史记录：2021年2月22日收到2021年5月28日修订2021年6月16日接受2021年7月2日在线提供保留字：电子学习内容推荐系统推荐技术学习管理系统文献综述A B S T R A C T电子学习推荐系统正变得越来越受欢迎，由于大量的学习材料在线和不断变化的教学法。在电子学习领域的内容推荐系统，帮助学习者建议适当的学习资源，根据他们的喜好和学习目标。本文介绍了一个文献综述的最近的研究进行的内容存储器在电子学习领域。本文所选的文献主要是关于个性化和自适应学习系统的研究为此，我们收集并分析了2015-2020年期间在该领域发表的一系列期刊论文。基于分析，我们对这些研究中使用的不同推荐技术、数据输入、算法、相似性度量和评价指标进行了分类。该文件还强调了推荐过程中的当前趋势以及所选研究的优缺点因此，它提供了对当前最先进技术的深入了解版权所有©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。内容1.介绍76712.现有的文献综述E-learning推荐系统76713.电子学习内容推荐系统7672的4.推荐技术和问题76724.1.推荐技术76724.2.建议问题76734.2.1.冷启动问题76734.2.2.评级稀疏问题76735.方法76736.关于电子学习内容推荐系统的出版物概述76747.结果与讨论76787.1.内容推荐的输入/属性7.2.建议办法76807.3.建议7681不同阶段使用的算法7.4.相似度76817.5.评价指标76818.未来研究方向9.结论7683*通讯作者。电子邮件 地址： jeeva. gmail.com（J. Joy）。沙特国王大学负责同行审查https://doi.org/10.1016/j.jksuci.2021.06.0091319-1578/©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comJ. Joy和R.V.G. Pillai沙特国王大学学报7671竞争利益声明参考文献76831. 介绍电子学习系统在本十年中经历了快速增长。大量高度异构且以各种媒体格式的电子学习资源已经被创建并包括在在线学习平台中（Chen等人，2014年）。这种信息过载导致了在电子学习环境中对个性化的需求（Mobasher，2007）。研究人员利用各种推荐技术来克服信息过载的问题，过滤掉不相关的学习资源，并提供更多的个性化内容给学习者。学习者有不同的个人需求、目标和偏好，这些都会影响他们的学习过程（Buder& Schwind，2012; Joy等人，2019年）的报告。同样，不同的学习者在学习者的背景知识、学习者的历史、能力水平、学习风格和学习活动方面也有不同的特点。因此，很难根据每个学习者的偏好向他们推荐学习资源。这类系统面临的主要挑战之一是，用户的兴趣、偏好和需求不是固定不变的，而是随着时间的推移而变化的。因此，电子学习环境中的内容RS的重点是基于学习者的特定要求和特征来提供针对 学 习 材 料 的 个 性 化 建 议 （ Essalmi 等 人 ， 2010 ，Dwivedi&Bharadwaj，2015）。本文回顾了不同的推荐方法，学习资源的e-learning域，并确定合并和现有的推荐模型的局限性。本次审查的主要目标是：1. 分析总结2015 - 2020年网络学习内容推荐的研究成果2. 识别推荐技术、用于推荐的输入/属性、每个推荐阶段使用的算法、相似性度量以及电子学习内容分类器中的评估指标。本文件的结构如下。第二是对其他研究者在电子学习内容推荐系统方面的研究成果进行综述第三介绍了电子学习内容推荐系统的系统框架。第4介绍了与内容RS相关的常见术语第5节解释了进行本文献综述所采用的方法，第6概述了作为本研究一部分的不同内容推荐模型。第7节介绍了对综述文章的详细分析，最后，第8提供了对未来研究方向的详细见解2. 现有的文献综述的电子学习推荐系统在过去的几年里，研究者们对网络学习推荐系统进行了大量的研究。本节介绍了一些现有的审查Drachsler等人（2015）分析了2000年至2014年在技术增强学习（TEL）环境中实施的几个RS。作者将82名受试者按其特点和对电话录音研究的贡献分为7类，命令系统他们的工作分析了论文，重点是学术知识如何被用作推荐过程的信息源。这些研究利用规则，本体，概念图和语义关系的知识的明确描述。 （Klašnja-M ilic'evic'etal.， 201 5）进行了全面审查的RS在电子学习环境中，以确定在电子学习环境中设计推荐系统的基本要求和挑战。（Tarus等人，2018 b）对电子学习领域中基于本体的推荐系统进行了详细的审查。他们对各种研究中使用的不同推荐技术、本体类型和本体表示语言进行了深入分析。他们还确定了现有的基于本体的建议，在电子学习领域的各种学习资源的建议。在George和Lal（2019）进行的另一项研究中，详细分析了如何使用本体在电子学习RS中实现个性化。他们的评论还讨论了几种基于兴趣计算学习者相似性的技术。（Zhong等人，2019年）发表了一份基于电子学习推荐系统的五个评估方面的综述论文。它们是e-learning系统的度量，推荐算法的评价度量，推荐过滤技术，推荐过程的阶段，以及系统他们的分析表明，大多数e-learning系统将采用自适应机制作为主要的度量标准，准确性是推荐算法的重要评价指标 Khanal等人（2020）对电子学习RS中使用的不同推荐方法和机器学习算法进行了系统的文献综述。他们的研究重点是生成推荐技术的分类，RS中使用的机器学习技术和算法， 应用的方法，应用领域，数据集和验证/ 评估方法。Kulkarni等（2020）回顾了使用显式和隐式反馈的推荐系统的不同模型，以及已实施的设计推荐系统以增强学习的各种方法。Kilani等人（2018）对利用人工智能技术构建协作过滤RS的不同研究进行了详细审查。他们的研究包括RS使用各种人工智能技术，如模糊算法，遗传算法，神经网络算法和优化算法。（Srivastav和Kant，2019）对基于深度学习的电子学习RS进行了比较研究他们试图探索如何使用基于深度学习的技术来解决电子学习RS中的重大挑战，例如冷启动和稀疏性问题。上述关于e-learning推荐系统表明，基于传统的和混合的推荐技术已经发表了许多评论研究。这些评论主要分析了使用传统推荐技术的不同推荐模型，基于本体的策略，机器学习算法，基于深度学习的方法，以及在e-learning系统中不同推荐策略然而，我们无法找到评论的推荐系统，专注于电子学习内容推荐。在这篇综述中，我们试图通过整合最近在e-learning领域的内容推荐者的研究来J. Joy和R.V.G. Pillai沙特国王大学学报7672Fig. 1. 电子学习内容推荐系统框架（Joy等人， 2021年）。3. 用于电子学习内容推荐系统的系统框架一般而言，电子学习内容RS通过提供个性化服务来改进学习过程，从而为教育利益相关者提供支持（Vesin Budimac，2013）。涉及的两个主要利益相关者是学习者和教师。这种RS的设计目标是通过考虑学习者的教学方面来提供自适应的学习内容（Zhong等人，2019年）的报告。电子学习内容推荐系统的一般框架在图1中示出（Joy等人，2021年）。内容推荐的各个步骤是：1. 学习者和学习对象（LO）数据采集，用于对学习者和学习对象进行建模。2. 基于相似度计算、学习路径识别、LO映射规则等进行学习者分组。3. 基于不同的推荐策略（诸如协作策略、基于内容的策略、基于知识的策略和混合策略）生成前N个推荐。4. 基于目标学习者的预测推荐的RS性能评估学习者模型在电子学习系统的个性化中起着至关重要的作用（Jeevalent和Renumol，2021）。学习者档案是学习者数据的标准表示如果细节是直接从学习者那里收集的，那么这个配置文件被称为显式或静态配置文件。然而，如果通过观察学习者一个好的学习者配置文件可以毫不费力地调整为每个学习者根据他/她的喜好。任何可用于学习、教育或培训的数字或非数字实体都被定义为学习对象（LO）（Polsani，2003）。学习对象应该以标准化的格式保存，以便它们可以在电子学习系统中轻松存储、访问和检索LO被广泛使用和/或重复使用，作为创建电子学习内容的一种有意义和有效的方式，特别是在学习和课程管理系统中。学习资源的元数据注释由LO知识库提供，发挥了至关重要的作用，因为它们基本上传达机器可读的描述的LO。一旦收集了电子学习系统所需的联络处，就应创建适当的学习对象模型LO模型可以构造为以非标准化的方式或借助于可用的Meta数据标准，例如IEEE LOM（IEEE，2002）。一旦建立了学习者和学习对象模型，随后的步骤是识别相似的学习者和LO分组，以进行目标推荐。基于数据挖掘、机器学习和其他人工智能方法的不同技术被用于相似性计算。一旦该步骤完成，则基于常规或混合推荐策略进行目标预测。现有的RS集中在一个或多个步骤，这里提到的通过实施不同的技术，以提高个性化和适应元素的电子学习系统。4. 推荐技术和问题在这一小节中讨论了典型的推荐技术和电子学习内容推荐中的问题。4.1. 推荐技术推荐系统在电子学习中越来越流行，以解决学习者检索相关和有用的学习材料的问题。推荐系统根据推荐过程中使用的技术进行在本小节中，我们将简要介绍不同的推荐技术。Burke（2007）和Adomavicius and Tuzhilin（2005）区分了不同类别的推荐技术，包括协同过滤（CF）、基于内容（CB）、基于知识（KB）、基于人口统计（DB）、基于效用（UB）和混合推荐。先进的推荐技术包括上下文感知（CA）（Adomavicius和Tuzhilin，2011;Huang等人，2011）、基于信任感知（TA）（Deng等人， 2018），模糊（FB）（Senthilnayaki等人，2015），基于社交网络（SB）（He和Chu，2010），基于群体（GB）（Masthoff，2011）和基于本体（OB）的技术（Tarusetal.，2018年a、2018年b）。上述每种方法都有其优点和局限性。协作过滤：RS设计最流行的技术是CF方法，它使用学习者的反馈（ 评 分 历 史 ） 来 聚 类 相 似 的学 习 者 ， 并 提 出 相 关 的未 来 建 议（Bobadilla等人，2009; Kim等人，2016年）。潜在的假设是，如果 用 户 在 过 去 有 类 似 的 品 味 ， 他 们 在 未 来 也 会 有 类 似 的 品 味（Jannach等人， 2010年）。评级历史是衡量的关键属性J. Joy和R.V.G. Pillai沙特国王大学学报7673两个用户之间的相似性因此，CF背后的理论是基于评级历史计算用户之间的相似性。 尽管CF是最流行的推荐技术，但其主要缺点是新用户冷启动问题和评级稀疏问题（Ricci等人， 2011年）。基于内容的过滤：在基于内容的方法中，RS推荐与目标用户过去喜欢的内容特征相似的项目（Pazzani Billsus，2007）。该方法混合系统：混合系统是通过结合两种或多种推荐技术构建的（Burke，2007; Harrathi等人，2017年）。这些系统的发展，以克服个别方法的局限性，从而提高推荐性能。基于模糊的推荐系统：在FB推荐系统中，RS的设计基于模糊逻辑。模糊逻辑的引入有助于处理用户行为和项目特征中的不确定性，模糊性和不精确性（Jain和Gupta，2018）。上下文感知推荐系统：CA推荐系统通过使其适应用户的特定上下文情况来提供个性化服务（Adomavicius和Tuzhilin，2011）。上下文用于选择推荐引擎所需的某些数据集。上下文信息可以是与RS相关的任何信息，例如时间、位置和目标。信任感知推荐系统：在TA推荐系统中，RS不是计算用户相似度 ， 而 是 计 算 其 他 用 户 的 信 任 度 来 生 成 目 标 推 荐 （ Massa 和Avesani，2007）。TA系统在一定程度上解决了CF技术中存在的基于社交网络的推荐系统：SB推荐系统利用社交网络中可用的信息对于每个目标用户，SB基于这些数据形成子网络，并创建和提供合适的推荐。基于组的推荐系统：GB推荐系统专注于通过对个人偏好给予相等权重来向一组用户推荐项目（Garcia等人， 2012年）。GB中的一个关键问题是将个人偏好组合在一个组中，并形成反映组中所有用户品味的组配置文件。基于本体的推荐系统：这些是使用本体进行知识表示的基于知识的推荐系统（Tarus等人， 2017年）。本体是共享概念化的显式形式规范（Gruber，1993）.在电子学习推荐系统的背景下，ontology用 于 对 关 于 学 习 者 和 学 习 资 源 的 知 识 进 行 建 模 （ Fraihat 和Shamanyi，2015; Aeiad和Meziane，2019）。当与其他常规推荐系统相比时，OB推荐器不经历冷启动和评级稀疏性问题（Zhao等人，2015; Yang，2010）。这是因为OB推荐系统更多地依赖于领域知识，而传统的推荐系统更多地依赖于用户评级。这些优点使OB更适合电子学习领域。 OB建模器的缺点是本体的构建具有挑战性、昂贵且耗时（Tarus等人，2018年a、2018年b）。4.2. 推荐问题在传统的电子学习记录器系统中通常存在两个问题。他们正在评估稀疏性和冷启动概率，lems（乔治和拉尔，2019）。以下各小节将简要概述这些问题。4.2.1. 冷启动问题与电子学习环境中的RS相关联的最已知的问题之一是冷启动问题（Lam等人，2008;Natarajan等人，2020年a、2020年b）。通常，对于该问题存在两种分类：新物品冷启动问题和新用户冷启动问题（Safoury& Salah，2013，Lika等人，2014年）。前一个问题发生在向RS引入新项目时。新用户冷启动问题发生在新用户在系统中注册时（Son，2016）。当新用户成为系统的一部分时，系统没有关于用户先前选择的信息。但是，系统也有责任开始为新用户建议项目。否则，它将对RS的性能产生负面影响，用户可能会因为无法提供有意义的建议而停止使用该系统。在新用户冷启动条件下，挑战在于向新用户推荐项目而不知道他们先前的选择。4.2.2. 评级稀疏问题当与项目的数量相比时，可用的评级的数量较少时，评级稀疏性问题发生（Bag等人， 2019年）的报告。由于目标学习者的评分偏好没有重叠，RS很难计算邻域并推荐合适的项目由于稀疏性问题，推荐质量和精度显著降低。RS使用混合技术来通过结合其他学习者数据（诸如他们的偏好、行为和上下文）以及可用评级来克服这个问题（Tarus等人，2017; Xiao等人，2018年）。5. 方法本文综述了近年来在电子学习内容推荐领域的研究成果。重点是识别所使用的推荐技术、内容推荐的常见属性、不同的算法和评估技术。为了确定相关论文，我们考虑了2015年至2020年在Web of Science和Scopus数据库中发表的期刊论文。考虑到内容详细和严格的同行评审，仅选择期刊文章进行审查。用于识别论文的关键词是：“电子学习推荐系统”，“电子学习个性化”，“自适应电子学习”。检索后图二. 按出版年份分列的文章分布情况。J. Joy和R.V.G. Pillai沙特国王大学学报7674根据检索标准，作者通过每篇文章的标题、摘要、结论和关键词来预选与本综述相关的文章在第二轮评审中阅读了入选论文的全部内容，并对符合入选标准的文章进行了详细研究，以进一步分析。根据以下纳入标准选择文章提出内容推荐的推荐技术的文章。专注于自适应/个性化电子学习的文章。文章介绍了提议的推荐方法的详细架构/评估2015年至2020年在顶级期刊上发表的文章，考虑期刊的影响因子。排除标准为：未明确说明推荐技术或评价方法的文章推荐项目既不是学习资源也不是学习活动的文章。在会议/研讨会/讲习班记录中发表的文章。● 不是用英语写的文章。对初步检索到的约210篇文献应用上述纳入和排除标准，最终选择符合标准的48篇相关文献进行本研究的深入分析。2015年至2020年发表的研究论文分类如图所示。 二、从图中可以看出，2015年至2017年，与在线学习环境中的内容推荐相关的出版物数量逐渐增加，2018年至2020年，出版物数量大幅增长下一节概述了本研究所选文章。6. 电子学习内容推荐系统自适应或个性化的电子学习系统试图了解学习者的个人需求和偏好。内容RS采用不同的技术来实现这一目标。本节描述了最近研究中应用的消除策略及其优缺点。（Tarus等人， 2018a）提出了一种基于序列模式挖掘、上下文感知和CF算法的混合RS，用于在电子学习环境中推荐学习资源。建议的推荐策略使用广义序列模式（GSP）算法挖掘学习者日志，发现学习者的顺序访问模式一个协同过滤技术用于生成目标的建议，根据学习者他们的方法在稀疏的条件下表现得更好，在没有学习者评分的情况下使用上下文信息和顺序模式对于他们的模型，使用平均绝对误差（MAE ）度量实现在由Tarus 等人进行的另一项研究中，2017），作者通过在学习者和学习资源上实现领域本体，开发了一种用于内容推荐的混合推荐策略。他们将序列模式挖掘（SPM）技术与本体模型相结合，以识别学习者的历史序列模式。本体论领域知识被用来减轻冷启动问题在他们的模型。同样，稀疏性概率-通过使用学习者的访问模式来预测目标学习者在稀疏条件下的偏好LO，减轻了lem。作者提出的两个模型都利用CF和SPM技术来生成目标推荐。建议的混合模型实现了0.65的预测精度与MAE措施。Nafea等人（2019）开发了一种电子学习RS，用于基于FelderSilverman 学 习 风 格 模 型 （ FSLSM ） （ Felder 和 Silverman ，1988）推荐课程学习对象在他们的推荐框架中，k-means聚类算法被应用于通过有效的学习者分组来提高推荐精度和计算效率。他们的模型在推荐过程中使用学习者属性有效地处理了冷启动和评级稀疏问题所提出的模型的预测精度的MAE和RMSE（均方根误差）方面进行衡量。MAE和RMSE的值分别为0.6和0.85他们的研究在另一项研究中，Nafea et al. （2018）基于混合推荐策略设计了电子学习RS架构。根据适应性学习者特征和教学策略对学习目标进行排序使用IEEE LOM标准对LO进行注释，并使用FSLSM学习风格模型对学习者进行建模。作者在两项研究中采用了由CF和CB技术组成的混合推荐方法在Christudas et al. （2018），遗传算法用于调整关于学习者的FSLSM学习风格、知识水平和互动水平的LO的兼容性水平。初步的建议是围绕建立在FSLSM的学习者模型。 随后，使用兼容遗传算法（CGA）来调整这些参数。当现有的学习者以新的登录会话进入学习系统时，应用CGA进行优化所提出的方法进行了评估，通过进行不同的实验，以收集学习者的分数。作者还将CGA与标准遗传算法进行了比较研究，得到了较好的结果。由于所提出的模型是基于遗传算法，性能是通过计算适应度值来衡量的。当搜索空间中学习对象的个数为50时，该算法的该研究的缺点是，该系统不处理冷启动和额定稀疏问题。Imran等人（2016）引入了一种RS，即PLORS，可以集成到LMS中，以在课程中推荐LO它们的推荐机制使用邻域算法和关联规则挖掘来发现LO之间的关联。推荐模型在寻找相似学习者方面有所不同大多数传统的RS使用历史评级来找到相同的学习者。相比之下，PLORS使用其他学习者属性，如学习风格，先验知识，专业知识水平和性能分组高度相似的学习者。同样，联络处的有用性是根据学习者的导航历史计算的，而不是根据对联络处的评分计算的。这项研究Bourkoukou等人（ 2017）提出了 另一种 混合推荐-结合CF和SPM的数据模型，对电子学习系统中最合适的LO进行排序他们的动态学习者配置文件是使用学习者他们引入了一个新的评分函数，通过提取学习者的反馈和偏好，在现有的博客文件的学习对象的权重GSP算法在使用CF技术获得的学习器-LO预测器矩阵作者实验了所提出●●●●●●●J. Joy和R.V.G. Pillai沙特国王大学学报7675模型与外部数据集和不同的相似性措施，如皮尔逊相关性，余弦相似性，欧几里德相似性，和Tanimoto-Jaccard措施。所提出的模型达到了0.45的预测精度与余弦相似性的MAE措施。即使所提出的模型可以提高预测的性能，基于CF的模型是脆弱的冷启动和数据稀疏性问题。在Bourkoukou等人（2016）进行的另一项研究中，作者引入了一个智能推荐模块，以动态更新学习者配置文件，考虑学习者与学习管理系统的交互。该模型使用K-NN分类器进行学习者分类，并使用CF技术为目标学 习 者 生 成 未 来 预 测 。 该 模 型 的 预 测 精 度 为 0.6 与 MAE 措 施 。Bourkoukou和El Bachari（2016）提出了一个使用CF过滤技术的LO推荐系统，该系统专注于学习者对LO给出的显式和隐式评分。在他们的推荐方法中，冷启动推荐使用FSLSM学习风格生成。采用CF方法进一步使用k-means和KNN算法来改进目标推荐。使用MAE测量，该模型获得的最高预测精度为0.58。Wan和Niu（2018）提出了一种推荐方法基于LO的自组织，提高内容发布者的自适应能力。他们将以学习者为导向的CB方法与以LO为导向的推荐机制相结合。推荐引擎基于这些显性和隐性的学习者需求和偏好，推荐是利用学习者的自组织行为产生的所提出的推荐方法的性能进行了比较，对遗传算法，马尔可夫链的方法，也与传统的教学方法。所提出的算法达到了最高的适应值0.73。该模型在适应性、个性化和LO利用率方面也给出了更好的结果。Wan和Niu（2016）进行的另一项研究试验了基于混合概念映射和免疫算法（IA）的面向学习者的混合概念映射被用来建立学习者和学习对象之间的关联利用关联规则挖掘技术从学习者-学习对象事务集中挖掘映射规则基于学习者当前的学习目标，采用整数编码的改进免疫算法表示所有可能的与其他基于内容的推荐策略和传统的教学方法相比，该方法在计算性能和学习者情感评价方面具有很好的应用前景使用IA模型获得的最高适应值为0.71. Wan和Niu（2019）提出了另一种混合型的神经网络-基于学习者影响力传播的教学方法他们的推荐模型使用学习者影响模型（LIM）来计算学习者对他人的影响。影响传播是指学习者可以向主动学习者移动通过结合基于自组织的推荐方法和序列模式挖掘来推荐LO。Rahman和Abdullah（2018）提出了一种基于个性化组的推荐方法，用于在网络搜索中提供学习内容。RS被开发为Google搜索引擎和机构登录门户之间的网关该系统维护自适应学习者配置文件，以了解每个学习者的能力和不同的学习目标学习者作者实现了一种分组算法，用于提供个性化的学习伙伴，通过搜索引擎。该算法用于根据学习者的偏好和相似性对搜索结果进行重新排序和优先级排序学生的接受所提出的算法计算通过测量的有用性和易用性的LO。Dwivedi和Bharadwaj（2015）引入了一个推荐模型，通过合并不同学习者的个人偏好来向一组学习者推荐学习资源他们的模型包括一个统一的学习者档案（ULP）的合并计划，利用知识水平，学习风格，和学习者学习风格和知识水平的多样性是小组推荐的重要关注点作者采用了遗传算法（GA）为基础的方法合并个人学习者同样，知识水平的综合使用一个简单的平均技术。实验结果表明，该推荐策略的MAE（0.75）、准确率（0.72）和召回率（0.89）优于其他经典的推荐策略。Albatayneh等人（2018）介绍了一种推荐架构，用于推荐包含不同学习主题、文章、答案或任何可被视为学习材料的有用文本形式信息的帖子消息。该模型使用向量空间模型来表示m维向量空间中的帖子消息。利用潜在语义分析对帖子信息进行特征化，提高了过滤质量。通过整合潜在语义和学习者的负面评价建立学习者档案。作者进行了一项比较研究，基准与其他类似的电子学习内容推荐系统，不利用基于语义的分析和负面评级的建议系统在推荐准确性和学习者的表现方面，他们的该模型实现了最高的推荐准确率为0.26与MAE措施。 在Dwivedi等人进行的一项研究中，（2018），作者提出了一种个性化的RS来推荐一系列称为学习路径的学习材料。所推荐的学习序列与学习者的学习风格和知识水平等偏好相匹配。个性化学习路径推荐框架是使用可变长度遗传算法开发的根据学习者偏好的可变长度的学习路径是这个框架的主要优点。该模型的性能是基于学习者的前测知识到后测知识进行评价（Dorça等人，2016）提出了一种基于学习风格的个性化方法。使用FSLSM学习风格模型和IEEE LOM标准定义学生模型来建模学习对象。开发了一个基于规则的专家系统，根据学生的学习风格对学习目标进行根据其与特定学生概况的相关性进行的LO排名是这项工作的重要贡献。该研究缺乏系统的详细实验与众所周知的指标和用户满意度水平。Fraihat和Shamanet（2015）提出了一个语义推荐-dation算法为学习者提供个性化和相关的电子学习内容。该算法利用学习者的需求和LO之间的额外和内部语义关系。使用语义索引服务，根据每个LO代表的概念对LO进行分类。使用领域本体更好地开发了LO的语义内容。使用最短路径算法计算LO概念之间的相似度。基于概念之间的相似性，选择最具代表性的概念。然后，根据学习者的需求（以请求查询的形式表示），利用语义关系对查询关键词进行扩展，为学习者推荐合适的学习对象。Benhamdi等人（2017）开发了一种个性化方法（NPR-eL），可以集成到一学习环境到提供个性化学习J. Joy和R.V.G. Pillai沙特国王大学学报7676材料. 在他们的系统中，使用称为IMS学习设计（IMSLD）的教育建模语言（学习内容的语义信息模型）创建学习场景通过问卷调查获得学习者的知识偏好，通过前测计算出知识水平。作者根据学习者的兴趣、先验知识、在不同测试上花费的时间和记忆能力在学习者之间实现了多维相似性。在将学习者分配到适当的组之后，通过计算目标学习者和学习材料之间的分类相似性来进行预测实验结果表明，在推荐方法中引入记忆容量因子可以显著提高学习性能。该模型实现了0.8的准确率值和最高召回值为1。Klašnja-M ilic'evic'etal. （2018a）提出了一种基于标签的RS，以促进个性化的学习内容。标签可以用来了解学习者的进度，分析他们对学习材料的学习者模型是基于学习者的个人、表现和学习历史信息建立的聚类技术被用来组学习者具有相似的兴趣，根据他们的学习风格。使用AprioriAll算法识别学习模式一旦学习者被分组，通过确定它们使用的一组标签来创建初始张量之后，通过划分和减少初始张量来计算因子化张量。最后，系统提供了一个列表的前N个标签对应于目标学习者该模型成功地改善了执行时间和内存条件，而不影响推荐的质量。在另一项研究中，Klašnja-Mil ic'evic'etal. （2018b）在在线辅导系统中实现了协作标记技术。他们的混合方法结合了社会标记和序列模式挖掘来推荐学习资源。他们利用最受欢迎的标签网络算法，使用户之间的三维相关性标签项目。除此之外，使用SPM从学习者与电子学习系统的交互中计算最佳他们研究的缺点是标签的手动分类。PariserumPerumal et al. （2019）提出了一个RS，使用频繁的模式挖掘和模糊逻辑提供合适的学习内容给用户。在他们的研究中，用户兴趣的变化被考虑在内，同时产生重复的学习模式。不同的模糊相似度值被应用于两个用户属性的各种组合，电子学习门户点击相似度和领域知识，以改进频繁学习模式。基于这些数据，模糊规则被用来分类的学习材料。目标学习者的当前访问模式是RS的输入，因此该系统不适合冷启动学习。所提出的模型的性能进行测量的精度和召回。精确率和召回率分别为0.65和0.73。Senthilnayaki等人（2015）开发了一种模糊领域本体提取方法，用于向一组学生推荐合适的学习材料。根据学习者的学习行为，为一组学习者聚类出大量的学习文档。学习者的行为使用学习风格来计算。一个k-means聚类技术是用来聚类文件的基础上，他们的相似性。首先利用Jaccard相似度和余弦相似度计算文档的本体相似度，然后利用模糊规则对文档进行分类。此外，本体抽取算法被用来自动生成概念图，以了解学习者在网络学习过程中的知识模式。随后，将这些概念图与学生在评估步骤中绘制的思维导图进行比较。即使所提出的模型给出了更有效的内容分类结果，推荐模型的准确性和计算效率没有使用标准化的评价指标进行比较。（Bouihi和Bahaj，2019年）提出了一种基于语义网络的内容推荐RS的该体系结构的语义层包含两个子系统：1.基于本体的子系统，存储可共享和可重用的领域知识，以建模学习内容和上下文2。语义网规则语言（SWRL）规则子系统用于基于学习对象他们利用四组规则来过滤不同上下文中的内容：学习历史规则（LHR），学习性能规则（LPR），学习社交网络规则（LSNR）和学习路径规则（PR）。学习对象加权算法基于上述规则集将权重分配给相关LO。Bhaskaran和Santhi（2019）引入了一种混合RS，该RS考虑了学习者在他们的模型中，使用k-means和萤火虫算法基于学习风格属性对学习者进行聚类使用AprioriAll算法分析学习者的该模型突出了用户的信任值纳入获得授权的学习者，使用基于信任的加权平均测量实验结果表明，基于信任的混合模型优于简单的混合模型。该模型使用 k-means 和 萤火 虫聚 类算 法获 得 了 0.93 的 准确 性 Deng et al.（2018）提出了一种信任感知神经协作过滤模型，通过利用内容属性、学习者评分和社会信任信息等多源数据来推荐学习资源。该模型结合深度神经网络（DNN）和协作主题回归（CTR）模型，通过将学习者评分与内容特征相结合来增强CF技术之后，通过将社会信任信息加入到评分预测中，该模型可以平衡学习者此外，该模型可以解决冷启动问题，包括社会信任信息的推荐过程中。用MAE和RMSE检验了模型的预测精度MAE和RMSE的最佳值分别为0.54和0.68Xiao等（2018）利用关联规则的组合，基于内容的过滤技术与协同过滤技术，为个人学习者建议个性化的学习材料推荐方法考虑学习者该研究提出了处理项目冷启动问题的方法Ouf et al.（2017）提出了一个基于本体的推荐框架，用于在电子学习系统中推荐学习它们的领域本体由学习者模型本体、学习对象本体、学习活动本体和教学方法本体4部分组成，以支持知识的重用和共享SWRL用于个性化LO建议。该框架可以通过本体推理和本体实例进一步完善。Labib等人（2017年）介绍了学习者目的是将不同的学习风格维度与学习者的特征相关联，从语义上寻找合适的学习内容。作为研究的一部分，学习对象创作工具（LOAT）的开发，以帮助教师与LO创作过程。Segal等人（2019）提出了一种名为EduRank的算法，用于为学生个性化学习内容他们的方法将CF技术与社会选择理论相结合EduRank根据相似学习者在一组标准问题上的表现对他们进行排名介绍了社会选择理论J. Joy和R.V.G. Pillai沙特国王大学学报7677来汇总学习者的偏好（投票），以计算每个问题的排名分数。一个先验分数被附加到每个问题，以解决冷启动问题，并与学生的相似性分数相结合。该模型的性能是使用两个排名评分指标，NDPM（归一化的基于距离的性能指标）和AP等级相关性。Sarwar等人（2019）提出了一种语义电子学习系统，根据学习者的认知能力和其他特征提供自适应学习内容。学习者档案是根据学生的能力倾向/预试/CGPA分数，并根据他们的学习风格、基本资格和专业经验以及年龄积累的。在此之后，使用基于案例的推理（CBR）和人工神经网络（ANN）相结合的混合方法进行分类。该模型包含学习者本体和课程本体，前者用于存储学习者概念，后者用于表示学习内容的领域。实现了基于规则的推荐引擎，根据学习者分类提供学习内容。该系统的性能进行评估的基础上获得的不同考试的学生成绩Vanitha 和 Krishnan （ 2019 ） 提 出 了 一 种 基 于 蚁 群 优 化（ACO）算法的LO推荐模型在人工蚂蚁模型中，使用节点表示LO，并将蚂蚁建模为学习者。他们的学习者模型由学习者的学习目标、情感状态、认知能力和学习成绩使用三个属性对LO进行建模：内容的难度级别、时间（完成LO所需的时间）和先决条件（需要完成之前的学习材料才能参加LO）。一旦使用k均值聚类技术对相似的学习器进行分组，则使用ACO算法来传递在每个节点（LO）处，计算信息素值（基于评估活动）和启发式信息（基于在LO上花费的时间）以找到表示LO的下一个最佳节点该模型的性能进行了评估，使用学生在前测和后测中获得的分数这项研究Saleena和Srivatsa（2015）介绍了一种自适应电子学习系统，该系统通过使用相似性度量比较多个系统中的概念来提供学习内容。他们的方法使用两个本体，并且使用概念相似性度量来计算来自这些本体的相关概念。通过积累特定于学习主题的文档来构建模糊领域本体，而专家则为特定领域构建领域专家本体。所提出的方法定义了一个概念的相似性度量在这两个本体的概念。基于特征集和邻域集计算学习概念之间的跨本体相似度，并基于相似度得分检索学习文档。所提出的模型获得的相似性度量的最大值是0.89.该系统的缺点是它只处理文件类型的学习材料。Aeiad和Meziane（2019）描述了一种个性化的电子学习系统他们的学习者模型是基于学习者属性学习风格（VARK-视觉，听觉，阅读/写作，动觉）和背景知识建立的。Google API集成到电子学习系统中，以从Web检索学习资源。本体被用来分层存储学习概念，以及它们之间的语义关系。使用Dice系数计算学习概念和Web资源之间的相似性。一旦检索到的LO，他们根据IEEE/ACM课程和布鲁姆在这一阶段，自然语言处理技术被用来验证内容对学习成果。 他们的模型有助于成功地满足学习成果，如使用、熟悉和评估。Kolekar 等 人 （ 2019 ） 提 出 了 一 种 自 适 应 电 子 学 习 系 统（AES），为在线课程学习者提供定制的学习资源和界面。在线电子学习门户中的LO是基于学习者的FSLSM学习风格维度定义的通过对学习路径的分析动态地捕获学习风格，并定义一组规则来生成基于学习风格的该模型还构建了概念图，为每个学习者提供学习路径。在不同的学习者群体中，使用统计方法（Wilcoxon和配对tZhang et al.（2019）通过深入挖掘学习者与内容特征之间的关系，提出了一种LO推荐模型（MOOCRC）。该方法采用深度信念网络（DBN）分类模型来检测和提取MOOC环境中的学习者特征。推荐问题被认为是一个基于多维属性特征（用户、内容和行为特征）的分类预测问题。该模型在该数据集中使用RMSE评估预测模型Riyahi和Sohrabi（2020）提出了一种使用CF的混合RSCB和标记技术的在线讨论组，以支持协作学习。在CF阶段中，与活跃用户最相似的用户通过用户给出的隐式评级来识别。类似地，在CB阶段，使用词汇数据库中可用