学习资源网络模型构建及资源推荐策略设计

阴桂梅 刘耀军

（太原师范学院 计算机科学与技术系，山西 太原 030012）

学习资源网络模型构建及资源推荐策略设计

阴桂梅 刘耀军

（太原师范学院 计算机科学与技术系，山西 太原 030012）

通过分析基于终身学习机制的个性化推荐系统与基于电子商务的个性化推荐系统的区别，确定基于终身学习机制的个性化推荐系统的关键问题就是如何为学习者获得想要具备的能力推荐满足他们个人需求、个人爱好以及目前已具备的知识结构的最佳学习路径.针对终身学习中正式学习和非正式学习不同的学习情况，构建了学习资源网络模型，在此基础上将基于本体的推荐技术和协同推荐技术相结合，为学习者的不同学习情况运用不同的推荐策略推荐最佳学习路径.最后通过实验对推荐结果进行分析，确定最优方案.

终身学习；个性化推荐系统；学习网络；推荐策略；情境感知

0 前言

目前市场上关于电子商务个性化推荐系统的研究较多，但是针对电子学习的推荐系统区别于普通的推荐系统.共同点就是用户通过网络或者移动设备搜索资源时面临同样的问题，那就是进入Web2.0时代，Web2.0技术是以共享为理念，这样允许用户可以随时随地添加、分享、评分或者调节信息，最终导致网络资源“爆炸式”地增长，以至于用户在检索自己所需要的资源时无法很快地确定哪些资源是对自己最有效的［1］.不同点就是基于电子商务的个性化推荐只需根据用户的相关行为推荐出所需要的产品，而所推荐的产品被用户选中后的效果得不到有效的跟踪［2］，也就无法及时得到帮助提高推荐效率的反馈意见（当然用户对产品的评价只是其中的一个方面）.而针对电子学习的推荐包括如下过程，根据学习者需要推荐学习节点（即学习内容）选择合适的推荐策略，进而确定学习路径.在这个过程中每一次推荐都会对下一推荐产生影响，因为下一推荐会根据学习者学习情况进行测试才能进一步决定下一推荐策略和内容，而这些过程都是以培养学习者最终获得的能力为驱动.

1 学习网络的构建

学习网络的设计是为满足不同层次的学习者完成终身学习而设计的.学习者一般分为正式学习和非正式学习两大类.正式学习的学习内容是由各个学校根据自己所培养学生的培养目标制定，具有规范的教学大纲和教学计划.非正式学习则不然，非正式学习指在正规学校教育之外的继续教育，在工作、生活、社交等非正式学习时间和地点接受新知识的学习方式［3］，是学习者根据自己在实际工作中所需要的能力而自行选择学习内容来学习.但是这两类学习并不是孤立的，因为参加正式学习的学生在完成学习工作后也可能选择进行非正式学习.正式学习既包括学生参加正规的学校学习，也包括参加远程教育学习.非正式学习者也可能根据需求选择进行正式学习.所以我们把构建的学习网络称为满足学习者终身学习的“学习网络”.学习网络支持泛在学习设施的访问，也就是既包括学习者在任意有条件的地方访问，如在家、在学校或者在单位，也包括使用手机、Ipad等移动设备的访问.

为了更加形象地描述学习网络，给出如下定义：

定义1 学习者的学习目标就是学习者最终要达到的能力层次Oi（如：硕士水平，博士水平等）.

定义2 一条学习路径定义为达到目标的一个计划，用学习网络中一系列活动节点子集来表示.Ri＝｛LRin，LRin＋1，LRin＋2，…，LRin＋j｝.

定义3 学习者的学习轨迹定义为学习者已经完成的学习活动节点的集合.Ti＝｛LRim，LRim＋1，LRim＋2，…，LRim＋j｝.

一般学习资源的组织如图1［4］所示，图中根节点可以是学习根据学习者的学习目标Oi选定的一条学习路径R i的出发点（可以是一个领域或者子领域），概念Ci为选定领域的一个子领域节点（如一门课程），LR为达到学习目标需要完成的学习资源的集合（即待推荐的资源，学习者的学习轨迹Ti是该集合的一个子集）.在推荐系统帮助学生完成一定的学习任务过程中，隐含的一个工作就是为学生推荐的最佳的学习路径.

现在学习者的学习资源主要来源是可以情境感知的任何泛在学习环境，多来源于移动设备或者网络.由网络资源形成学习网络的过程如图2所示，图中左边是任意选取具有相关内容的网页，右边是由网络资源形成的学习网络.学习网络包括一个个的学习活动，我们把它称为学习网络中的活动节点，一个活动节点所代表的意义很广泛.可以是针对特定领域的一门课程，或者学生参加的一次课或者会议，或者是已有的在线教学资源.

图1 学习资源的组织结构图

2 推荐策略设计及实验分析

2.1 推荐策略设计

根据正式学习者和非正式学习者的具体目标不同选择不同的推荐策略，但是在情境相似的情况下，对于两类不同层次的学习者可以采用同一种推荐策略.这样做到了既可以根据情况选择合适的推荐策略，也可以将不同的推荐策略结合（类似于混合推荐），最终目标是帮助用户推荐最好的下一学习目标或者学习路径.

图2 网络资源形成学习网络

正式学习因为有学校制定的教学计划，所以我们可以运用本体和社会语义网来表示领域知识，也就是更适合选择基于本体或者元数据的推荐技术.非正式学习相对来说学习对象属于非结构性的，因为非正式学习没有相应的学位认证，所以可以学习任何可以满足达到学习目标的学习对象，也就是如图2所示的学习网络中的学习元.在学习过程中，如果有来自以前学习者对于目标学习节点的评价，则选择协同过滤技术中基于用户或者基于项目的协同推荐技术效果更佳.但是如果出现正式学习中没有提前建立好的学习本体或者非正式学习中目标学习节点没有来自以前学习者的评价信息时，选择混合推荐技术可以获得较好的推荐效果，但还是需要用户配置信息的.推荐策略工作流程图如图3所示.

2.2 实验方法

2.2.1 实验流程设计

为了验证推荐策略对不同情境的学习者学习效果的影响，我们设计如下实验.首先我们将学习网络中的活动节点设置为一门课程Ri，然后选择将一门课程分成十个学习单元，即子活动节点LRin（还有下一级子活动节点，即课程中的每个知识点），每个子节点为两个小时的学习，并且每学完一个单元有一个测试，测试成绩达到60分以上则表示完成该节点的学习，然后根据当前情境由推荐策略推荐下一节点进行学习.并且将该活动节点记录到学习者轨迹向量Ti中，以便为下一分析中用到的转换矩阵提供数据.

图3 推荐策略流程图

我们选择132个学生作为实验对象，任意均分成两组，其中一组是使用推荐策略的组，称为测试组，另一组采用传统方法学习（由课程老师提前安排好学习内容顺序），称为训练组.对于学习者的要求之一是如果对推荐的下一学习节点很满意则给出相应的反馈信息，另一个要求就是在五个月内完成学习.达到要求者可以获得奖励平时成绩30%的分（因为考虑到有部分同学可能不愿意或者无法按时完成实验，以此作为激励）.2.2.2 实验数据分析

经过对五个月的实验数据整理，每个月每个组完成学习节点的情况如图4所示，从图4中可以看到在第一个月时训练组进度稍快，但差别不是很大，第二个月以后一直是测试组领先，特别注意的是最后一个训练组的坡度很陡，说明如果没有外力推动很多人有可能到最后完成不了任务.在实验过程中对于推荐技术的使用情况的统计如图5所示.在学习初，运用基于本体的推荐技术很好地解决了推荐系统中的“冷启动”［5］问题，随着实验的进行两种推荐技术的使用逐渐持平，体现多种推荐技术混合使用的优势.

3 结论

从实验我们可以得到以下结论，设计和选用有效的推荐策略可以帮助学习者在很短的时间获得很好的学习效果.存在的问题就是本体的适应性，而这需要领域专家参与，单靠学习者无法实现.下一步要做的工作就是提高学习网络中信息的分类和聚类性，可以运用协同评分和标签机制来解决.

［1］Ahn J H.A new similarity measure for collaborative filtering to alleviate the new user old-starting problem［J］.Information Science，2008，178（1）：28-69

［2］余胜泉，毛 芳.非正式学习——e－Learning研究与实践的新领域［J］.电化教育研究，2005（10）：18-23

［3］郁 雪.基于协同过滤技术的推荐方法研究［D］.天津：天津大学，2009：27-28

［4］张 驰，陈 刚，王慧敏.基于混合推荐技术的推荐模型［J］.计算机工程，2010，36（22）：258-253

［5］谢 芳，王 波.基于关联规则个性化推荐的改进算法［J］.计算机应用，2006，26（s2）：149-151

Learning Resource Network Model and Recommended Strategy Analysis

Yin Guimei Liu Yaojun
（Computer Science and Technology Department of TaiYuan Normal University，Taiyuan 030012，China）

By analyzing the difference of personal recommendation systems between lifelong learning mechanism and electronic commerce，the key question of personalized recommendation system based on life－long learning mechanism is settled，which is how to recommend the best learning path to meet the learners′individual needs，personal preferences and knowledge structure，which can help them obtain the desired capability.For lifelong learning，formal learning and informal learning are two different learning situations，learning resource network model was constructed，on this basis，ontology－based recommendation technology and collaborative recommendation technology are combined to recommend the best learning path by applying different learning recommended strategies when learners are in different situations.Finally，experimental results are analyzed on the recommendation to determine the optimal program.

lifelong learning；personalized recommendation system；learning network；recommended strategy；situation cognition

王映苗】

1672-2027（2012）01-0091-04

TP181

A

2011-07-08

山西省重点学科专项基金；太原师范学院2011年校级教改项目（JG 201017）.

阴桂梅（1975-），女，山西文水人，硕士，太原师范学院计算机系讲师，主要从事软件工程建模、人工智能、机器学习的研究.

book=94,ebook=230