本书针对学习者在选择合适的学习资源时所面临的学习资源问题，利用深度学习技术分别对学习者模型、学习者的反馈信息、学习者的社交关系和学习资源的知识图谱等方面的内容进行建模研究。本书采用定量与定性的研究方式评估了所提出的学习资源适配模型，并实现和开发了学习资源适配服务平台，从理论和实证研究相结合的角度对学习资源适配技术进行了系统性的研究。本书图文并茂，既有详细的模型算法图，又有严谨的公式推导和实验验证，所构建的模型能够有效的提高学习资源适配的准确率，使学习者在进行在线学习过程中，获得更加个性化的学习体验，以此提高学习者的学习体验和学习效率，具有一定的理论研究价值和较高应用可行性。

学习资源适配 随着知识经济时代的到来，当前的学习模式受到了前所未有的冲击，各种新的学习模式如潮水般涌现。在所有学习模式中，最具冲击力的是随着网络技术发展而出现的网络化教学，又称在线教学。在线教育环境在抗击新冠肺炎疫情的过程当中取得了快速发展，为学习者学习以及获取知识发挥了重要的作用，直播课教学逐渐成为一种新的教学方式。然而，教育大数据的发展带来了信息冗余、教育资源质量参差不齐的问题。学习者在学习过程中面临“信息过载”和“信息迷航”问题。如何满足学习者个性化需求成为在线教育面临的重要挑战之一。学习者在选择教育资源时，不仅要面对从海量的教育资源中选择合适教育资源的难题，还要面对优质教育资源的选择和判别问题，这对当前学习者来说无疑是很困难的。如何在海量的学习资源中选择适合学习者的优质教育资源是一个亟待解决的问题。个性化的学习资源适配方法是一种高效快捷而具有长远发展前景的解决方案，可以根据学习者的偏好特性为其选择合适的优质教育资源。 因材施教 《国家中长期教育改革和发展规划纲要（2010-2020年）》提出注重因材施教，关注学生的不同特点和个性差异，发展每一个学生的优势潜能。促进学生的个性化学习既是教学实践的终极目标，也是教育理论研究的内在宗旨之一。学习资源适配服务为学生提供个性化的学习指导，提供合适的学习资源，满足学习者个性化的学习需求。 学习者在学习目标、学习路径、学习方法等方面的不同会导致其对教育资源的需求会有所不同，这使得作为供给侧的教育资源为学习者提供精准教学服务会变得异常复杂，系统必须引导学习者完成个性化学习过程。因此，在教育资源推荐中，如何挖掘学习者的特点，生成合适的学习者个性化学习路径，以及设计个性的教育资源推荐方法等，成为教育资源推荐领域迫切需要解决的难题。 精准服务 伴随着人工智能的蓬勃发展，知识共享与互联网教学的普及逐渐深入。个性化学习的理念被注入教育系统，如何有效利用技术手段实现精准的个性化学习服务，不仅是未来教育的主要方向，也是教育信息化发展的核心目标之一。针对当前教育领域所产生的海量数据，其中不仅包含教学者和学习者的数据信息，还容纳数以万计的学习资源数据。面对如此大量的资源信息，同时也带来教学过程的资源过载和资源迷航等困境。只有通过针对性地对教育领域的数据进行精确分析去帮助教学者实现个性化人才培养，并有效提高资源适配在教育领域的应用潜力。教育的本质即服务，根据学习者和教学者的切身需求去进行个性化推送，能够实现资源的有效利用和精准服务。 本书导读 本书主要分为三个部分。第一部分讲述了机器学习与学习资源适配的概念定义和发展背景，以及它在教育领域中的发展方向与技术挑战，落实到具体现实需求去把握全书的脉络和内容。第二部分从多种技术手段分别阐述了学习资源适配与推荐的方法，并详细介绍了书中所提到的五种模型的实现过程和评价体系与标准。第三部分分别从学习资源系统的开发实现和该领域应用前景出发去探讨个性化学习的服务内容、研究方法与应用场景。通过针对以上三部分的阅读，读者可以全面了解个性化学习与资源适配领域的研究发展脉络、核心方法和相关领域的研究状况，为读者今后的学术科研、教学实践以及学习资源适配系统的研发提供理论依据和技术支撑。 致谢 在编写过程中，张昭理教授提供了方向上的参考，我们的博士和硕士研究团队对相关资料进行了收集。对此，编者均表示诚挚的谢意。由于编者水平所限，书中难免还存在一些缺点和错误，期待广大读者对本书中存在的疏漏和不足之处提出批评指正。

第一部分 绪论 7 第1章 研究背景与意义 8 1.1 相关政策 8 1.2 国内外研究现状 10 1.3 学习资源适配挑战 13 1.4 学习系统中的资源适配 15 1.5 内容与结构安排 19 第2章 相关理论基础 24 2.1 概念界定 24 2.2 数学基础 25 2.3 资源适配中的教育学理论 27 2.4 资源适配评价标准 29 第二部分 关键技术 32 第3章 认知诊断模型 33 3.1 基础准备知识 33 3.2 引入流行模型的知识追踪 37 3.3 融入学习过程因素的知识追踪 42 3.4 研究趋势、展望 46 第4章 基于评分记录的学习资源适配方法 49 4.1 基础知识 49 4.2 基于卷积神经网络的内容推荐算法 52 4.3 基于隐式反馈嵌入的深度矩阵分解推荐系统 58 4.4 展望、趋势、建议 67 第5章 基于评论文本信息的个性化学习资源推荐 70 5.1 基础知识 70 5.2 基于评论表示学习和历史评分行为的置信度感知推荐模型 73 5.3 基于评论特征表示学习的高效深度矩阵分解方法 82 5.4 研究趋势 90 第6章 融入社交关系感知网络的学习资源适配 94 6.1 基础知识 94 6.2 基于学习者多视角的社交推荐方法 101 6.3 融合图卷积的复杂社交关系推荐算法 109 6.4 研究趋势 120 第7章 知识图谱与资源适配 124 7.1 基于多尺度动态卷积的知识图谱嵌入 124 7.2 基于异质图神经网络的少样本知识图谱推理模型 128 7.3 基于重构神经网络的知识图谱交互学习推理模型 134 7.4 基于知识图谱的学习资源适配 139 7.5 研究趋势 141 第三部分 应用与展望 145 第8章 学习资源适配系统开发与实现 146 8.1 国家教育资源公共服务平台 146 8.2 平台介绍 148 8.3 平台应用 149 第9章 总结与展望 152 9.1 总结 152 9.2 展望 153 9.3 应用 155