Downloads
Download
基于联邦学习的个性化学习资源推荐系统研究. (2025). 教育学刊, 3(12), 74-81. https://doi.org/10.62836/jer.v3n12.0912
Copyright (c) 2025 韩姣, 付瑞, 孙昊, 李碧锦, 张玉涛
This work is licensed under a Creative Commons Attribution 4.0 International License.
基于联邦学习的个性化学习资源推荐系统研究
韩姣，付瑞*，孙昊，李碧锦，张玉涛
潍坊科技学院信息科学与工程学院，山东潍坊
摘要：智能时代，开展学生个性化学习资源推荐需要多平台、多模态的学习数据协同。然而，数据孤岛、隐私合规与冷启动等问题并存，成为该类系统落地的关键障碍。联邦学习作为“数据不动、模型协同”的新型范式，具备不共享原始数据而实现跨域建模的优势，可在保障隐私的同时提升推荐效能。基于联邦学习的核心思路，本文构建了面向教育场景的“云—端”个性化学习资源推荐系统实现架构：云侧负责安全聚合与参数分发，端侧部署轻量化个性化模块以兼顾全局共享与本地适配。为推动该技术的教学落地，本文围绕横向联邦学习、纵向联邦学习与联邦迁移学习三类典型情境，系统阐述数据组织方式与训练流程，给出学校教务平台、在线课堂与数字图书馆等多方协同的实现路径。研究为在隐私保护前提下实现跨平台资源共享与冷启动缓解提供了可行方案，为个性化教育服务的推广应用与可持续发展提供参考。
参考文献
[1] Wang L. Collaborative filtering recommendation of music MOOC resources based on spark architectu re[J]. Computational Intelligence and Neuroscience, 2- 022, 2022(1): 2117081.
[2] Zhai X, Wang Y, Liang L, et al. Personalized e-learning resource recommendation using multimodal-enhanced collaborative filtering[J]. Knowledge-Based Systems, 2025: 113605.
[3] 武杲昊, 王霞, 郝国生, 等. 融合知识图谱与高阶信息聚合机制的推荐模型[J]. Journal of Computer Engineering & Applications, 2025, 61(19).
[4] 彭梓航, 张全贵, 金海波, 等. 基于时间块动态图神经网络的序列推荐方法[J]. Application Research of Computers/ Jisuanji Yingyong Yanjiu, 2025, 42(8).
[5] McMahan B, Moore E, Ramage D, et al. Communication- efficient learning of deep networks from decentralized data[C]//Artificial intelligence and statistics. PMLR, 2017: 1273-1282.
[6] 张畅, 李卫. 面向医疗健康领域的联邦学习综述: 应用, 挑战及未来发展方向[J]. 工程科学学报, 2025, 47(9): 1825-1840.
[7] Byrd D, Polychroniadou A. Differentially private secure multi-party computation for federated learning in financial applications[C]//Proceedings of the first ACM international conference on AI in finance. 2020: 1-9.
[8] Nguyen D C, Ding M, Pathirana P N, et al. Federated learning for internet of things: A comprehensive survey[J]. IEEE communications surveys & tutorials, 2021, 23(3): 1622-1658.
[9] 余胜泉, 李晓庆. 区域性教育大数据总体架构与应用模型[J]. 中国电化教育, 2019, 1: 18-27.
[10] 刘生昊,吴国洋,邓贤君,张雨,鲁宏伟,何媛媛,杨天若.推荐系统与隐私保护研究综述[J].华中科技大学学报（自然科学版）,2023,51(2):1-9.
[11] 张建楠.国内个性化学习研究热点及趋势分析——基于CiteSpace 可视化分析[J]. Advances in Education, 2025, 15: 434.
[12] 付文博,尹立杰.个性化推荐系统冷启动问题研究综述[J].新一代信息技术,2020,3(24):35-40.
[13] Yang Q, Liu Y, Chen T, et al. Federated machine learning: Concept and applications[J]. ACM Transactions on Intelligent Systems and Technology (TIST), 2019, 10(2): 1-19.
[2] Zhai X, Wang Y, Liang L, et al. Personalized e-learning resource recommendation using multimodal-enhanced collaborative filtering[J]. Knowledge-Based Systems, 2025: 113605.
[3] 武杲昊, 王霞, 郝国生, 等. 融合知识图谱与高阶信息聚合机制的推荐模型[J]. Journal of Computer Engineering & Applications, 2025, 61(19).
[4] 彭梓航, 张全贵, 金海波, 等. 基于时间块动态图神经网络的序列推荐方法[J]. Application Research of Computers/ Jisuanji Yingyong Yanjiu, 2025, 42(8).
[5] McMahan B, Moore E, Ramage D, et al. Communication- efficient learning of deep networks from decentralized data[C]//Artificial intelligence and statistics. PMLR, 2017: 1273-1282.
[6] 张畅, 李卫. 面向医疗健康领域的联邦学习综述: 应用, 挑战及未来发展方向[J]. 工程科学学报, 2025, 47(9): 1825-1840.
[7] Byrd D, Polychroniadou A. Differentially private secure multi-party computation for federated learning in financial applications[C]//Proceedings of the first ACM international conference on AI in finance. 2020: 1-9.
[8] Nguyen D C, Ding M, Pathirana P N, et al. Federated learning for internet of things: A comprehensive survey[J]. IEEE communications surveys & tutorials, 2021, 23(3): 1622-1658.
[9] 余胜泉, 李晓庆. 区域性教育大数据总体架构与应用模型[J]. 中国电化教育, 2019, 1: 18-27.
[10] 刘生昊,吴国洋,邓贤君,张雨,鲁宏伟,何媛媛,杨天若.推荐系统与隐私保护研究综述[J].华中科技大学学报（自然科学版）,2023,51(2):1-9.
[11] 张建楠.国内个性化学习研究热点及趋势分析——基于CiteSpace 可视化分析[J]. Advances in Education, 2025, 15: 434.
[12] 付文博,尹立杰.个性化推荐系统冷启动问题研究综述[J].新一代信息技术,2020,3(24):35-40.
[13] Yang Q, Liu Y, Chen T, et al. Federated machine learning: Concept and applications[J]. ACM Transactions on Intelligent Systems and Technology (TIST), 2019, 10(2): 1-19.
