B/S模式下自适应学习系统个性化推荐服务研究*

□ 赵学孔 徐晓东 龙世荣

随着计算机网络技术的发展和学习社会化、终身化的要求，基于B/S模式（Web客户端/服务器模式）的网络学习已成为现代远程学习的发展趋势，网络学习系统应运而生。但是，传统的网络学习系统通常以系统自身为中心，并没有充分考虑学习者的个性化需求，忽视了以“学习者为中心”的现代教学模式，产生了学习效率低、学习效果不明显等诸多问题。[1]

自适应学习系统亦称适应性学习系统，它是一种针对学习者的个体特征（年龄、性别、专业背景和认知水平等）动态提供个性化学习支持服务的系统。该系统主要通过个性化推荐机制来实现学习内容的有效筛选与重组，有效弥补了传统网络学习系统的不足。本文通过对学习者模型和领域知识模型及其关联规则进行构建，实现了基于B/S模式的个性化主动推荐机制，有效地提高了系统的推荐质量与效率。

一、相关研究进展

ALS最早是以智能教学系统和适应性超媒体系统的术语提出的，近年已成为e-Learning领域研究的热点。[2]当然，目前也有众多研究者从适应性学习系统、个性化学习系统、智能学习系统和学习推荐系统等视角进行了理论和实践研究，但就其研究内容分析，有许多与ALS理论或实践是相通的。关于ALS研究，国外介入该领域较早并相继取得较为丰富的理论或实践成果：①理论方面，Brusilovsky等人[3]首次提出适应性学习系统应该支持课程序列化、适应性导航、学生模型匹配技术等，且认为这些技术应该与Web有效结合起来形成网络课程；Cooper等人[4]从学习理论的角度指出有效的学习系统应能理解学习者的学习过程，因为学习过程与学习系统的设计是相关的；Castro等人[5]从数据挖掘的视角阐述了其在网络学习过程中的重要作用，为基于数据挖掘的e-Learning环境研究奠定了基础；Tang等人[6]采用聚类分析方法将学习者学习过程中具有相似访问网页序列和网页内容等信息进行分类，采用协同过滤技术来构建系统原型；Markellou等人[7]提出基于语义框架的适应性机制，认为利用语义规则可以为学习者推荐合适的资料。②实践成果方面，来自美国匹兹堡大学的Weber等人[8]提出了智能交互式学习系统ELM-ART和Knowledge Sea，其主要通过个性化导航机制、个人学习结果诊断等策略来实现系统适应性；美国知名教育软件公司高管Ferreira团队[9]开发了Knewton系统，该系统能不断了解学生学习特点并为其提供个性化学习资源；S.Shishehchi等人[10]通过分析学习者兴趣与学习资源特征间的语义关系，并利用本体建模技术实现了个性化的学习系统；荷兰爱因霍芬科技大学DeBra教授[11]从学习者的认知水平和访问状态两个层面构建了用户模型，并进一步开发了AHA开源系统；Owen博士[12]在AHA系统基础上进一步对学习内容进行元数据标记，建立了适应性规则引擎，从而提供了适应性学习系统框架ApeLS；还有一些高校针对特殊教学用途开发了适应性教学系统，如SCHOLAR、WHY和SOPHEI等[13]。与国外发达国家相比，国内对ALS研究起步较晚，但也形成了一些颇具代表性的成果：①理论方面，陈品德和李克东等人[14]于2002年提出适应性教育媒体系统的方法和技术，认为系统的适应性可以从学习内容的呈现方式和导航支持两方面来实现；余胜泉[15]认为适应性学习模式中诊断测评和学习策略是动态内容呈现的先导，指出系统适应性的实现应同时满足学习诊断、学习内容动态组织、学习策略三个关键环节；其他一些学者，如黄伯平等人[16]从各种模型构建和特性的角度对自适应学习系统参考模型进行了详细分析；张赛男在其硕士论文中提出[17]语义网环境下基于认知风格的学习者模型设计等。②实践成果方面，陈品德教授[18]主要从系统的内容呈现和导航支持两方面考虑适应性，并设计了A-Tutor原型系统。中科院张景中[19]院士针对中学数学几何图形抽象性特点，主持开发了智能教育系列软件“Z+Z智能教学系统”，可以方便教师快速绘制出各种几何图形，进而解决了几何教学难点问题；浙江大学陈晓钢等人“基于规则的自然语言形式语法”研制了“智能汉语教学系统”，通过语法知识库、语法推理机制和学生模型构建，具有一定的汉语语法分析功能，能对学习者进行纠错指导；中国台湾淡江大学信息工程和计算机科学系利用Agent技术研发了分布式智能学习系统MMU，能执行一些简单的智能交互[20]。

从推荐技术层面上来看，目前所采用的核心算法主要有K均值聚类算法、蚁群算法、Memetic算法、协同过滤算法和混合算法等，而常见的推荐模式包括协同过滤推荐、基于内容推荐、关联规则推荐以及混合推荐四种[21]。其中，协同过滤是推荐系统中应用最早和最为广泛的模式，主要利用目标用户和邻居用户群体的相似度值来确定目标用户适合的内容。目前，采用该模式的推荐系统有Amazon、CDNow和Mov⁃ieFinder等[22]；基于内容推荐是协同过滤技术的延续和发展。通过系统中用户与资源的匹配值和资源信息的相似性向目标用户推荐产品，许多商业电影网站都用到该技术[23]；混合推荐是为了挖掘各种推荐技术的优点而将多种推荐整合提出的新型推荐技术[24]。

ALS的实现主要涉及模型构建和个性化推荐机制两方面核心技术。前者是系统实现的基础，后者是动力。已有研究成果提供了宝贵的参考借鉴，但不难发现，目前关于ALS的研究仍处于探索阶段，国内外提出的许多理论或研究成果仍处于原型阶段，即使部分系统已初步实现适应性效果，其个性化推荐效果并不理想，还有许多不成熟的领域值得进一步探索。个性化推荐技术虽然应用较广，但主要集中在电子商务领域。究其原因主要有两方面：①建模不够系统全面，与规则脱离联系。自适应学习系统中学习者模型和领域知识模型的构建极为关键，要想获得精准的推荐效果，必须系统化、多维度地建模，并在此基础上合理建立关联规则。②现有推荐技术与适应性平台的整合不尽理想，需要将现有成熟的推荐算法整合到ALS中，并针对推荐过程优化推荐流程和算法。因此，本研究汲取前人经验，系统化地从学习风格和认知水平两个维度综合考虑学习者模型，将其与知识元对象特征进行多维度关联规则匹配，在此基础上探索优化的推荐算法，以提高系统个性化学习支持服务。

二、ALS个性化推荐原型实现

（一）系统架构与运行机制

根据个性化学习服务特点及其需求，ALS的适用用户角色应包括学习者和课程教师（兼管理员）。基于此，本文构建的系统主要划分为课程学习和课程管理两大模块。其中，课程学习是系统的核心模块。学习者需要经过用户建模、个性化内容推荐和内容预处理等一系列工作后，在学习工具及系统相关服务组件支持的基础上进行个性化学习；而课程教师或管理员可通过系统提供的各类课程管理功能组件对用户模型、学习记录、课程内容、教学策略、学习资源等进行统一设置管理。系统的总体架构如图1所示。

图1 ALS总体架构图

该系统的运行机制主要包括五个步骤：

第一步，学习者初次进入系统时，首先需要填写个人基本信息完成注册。之后，学习者在系统向导指引下设定自己的学习风格，也可选择性地完成一份测试学习者学习风格的问卷——Felder-Silverman学习风格量表（Index of Learning Styles，ILSs）[25]。然后，系统通过学习者建模组件将这些信息处理后存储在用户模型数据库中。

第二步，在学习过程中，系统记录器实时捕获学习者访问页面的序列、内容、访问时间等信息，并随时更新用户学习记录数据库。

第三步，课程教师根据学习目标和课程结构，通过管理组件定义知识元对象结构、教学策略、学习资源等，建立领域知识模型，并将这些信息存储在数据库中，为后续系统推荐服务提供数据支持。

第四步，根据学习者当前的学习状态，通过提取模型特征及其关联规则动态对知识元对象、片段化学习资源进行匹配，形成学习内容片段序列，然后通过内容预处理组件重组这些片段序列，并在学习工具和系统相关服务组件的支持下供学习者个性化学习。

第五步，学习者每学完一个知识单元后，需要完成系统动态呈现的测试问题。之后，系统会通过学习者建模组件分析、处理学习者测评分数，并及时更新用户模型数据库，为提供进一步的个性化推荐服务提供参考依据。

（二）学习者模型

学习者模型（学习者的具体表征形式）在ALS系统中发挥基础和核心作用。学习者模型需要经过学习者建模组件实时采集、处理用户个性化信息来实现。本系统在IMS LIP（Learner Information Pack⁃age）建模标准基础上进行了扩展，主要从基本特征、学习风格和认知水平三个方面来构建学习者模型。其中，基本特征主要表征学习者的一些静态信息，如学号、姓名、性别、年龄、专业和学习经历等；学习风格和认知水平是学习者模型的关键，用于存储学习者动态信息，共同表征学习者状态。

为了表征学习者的学习风格，本研究基于Felder学习风格模型构建了学习者个性特征子模型。该模型由感知、输入、处理和理解四个维度构成，每个维度分别对应两种对立型风格类型（见表1）。学习者的学习风格类型可通过系统设定，或在注册时完成Felder-Silverman学习风格量表（ILSs）初始化而实现。在学习过程中，系统也会通过收集、分析学习者的学习记录来不断调整其学习风格。

表1 Felder-Silverman学习风格模型[26]

根据系统需要，本研究还对学习者的认知水平特征进行了表征。认知水平主要从“初级”“中级”和“高级”三个层次表征，隐含了学习者对当前知识的把握程度。由此通过“实体-抽象”的隐射过程，逐层建立起了学习者模型。

（三）领域知识模型

领域知识为学习者个性化学习提供数据来源，而领域知识模型是领域知识的结构化，其建模方式直接影响ALS的推荐效果。因此，建立领域知识模型要求有良好的知识结构体系，以便学习者建构学科知识的认知体系。通常情况下，领域知识可以表征课程、知识单元和知识点三种粒度。知识之间的关系包括前提、包含和并列关系；而每个知识单元或知识点都应包含难度、风格和学习任务等属性。根据领域知识内部以及领域知识之间的逻辑关系与逻辑层次，可以构建领域知识模型的一般结构，如图2所示[27]。

图2 领域知识模型图

其中，领域元素可以是课程层面的实体，知识实体以知识单元形式表征，知识单元由知识元对象（或知识点）集构成。实体关系记录了知识单元之间、知识单元和知识点之间、知识点之间的三种逻辑关系。领域知识对象的难度和风格特征描述，将与学习者个性特征匹配计算。学习任务记录了每个知识单元的测评考核题目，可以评价学习者对知识的掌握程度，为构建学习者模型提供参考。以上领域知识模型的存储主要涉及课程内容数据库、教学策略数据库和学习资源数据库。课程内容数据库记录了知识的描述性信息，主要包括知识点名称、内容描述、实体资源路径、习题序号等；教学策略数据库记录了知识之间的关系和知识难度系数等；学习资源数据库记录了知识点相关的资源名称、资源类型、资源描述和点评分值等信息。

（四）关联规则定义

以用户模型和领域知识模型为基础，ALS在推荐过程中，需要根据学习者当前的学习状态推荐合适的学习路径，并相应地呈现个性化知识对象或学习资源对象。其中，知识对象的有效推荐与用户模型的关联匹配值相关。以学习者与知识对象的学习风格、学习者的认知水平与知识对象的难易程度为例，定义关联匹配规则如下：

定义1学习者的学习风格（LStyle）：假定学习者在Felder学习风格的四个维度都存在值lsi(1≤i≤4)，则学习者的学习风格可表示为一个四元组：

其中，<Di,lsi>(1≤i≤4)表示学习者在Felder学习风格中某个维度的取值，Di表示风格取值类型（Di∈{“直觉型-感知型”“视觉型-言语型”“活跃型-反思型”和“全局型-序列型”}），lsi为模糊取值（lsi∈[0,1]），代表在学习风格Di维度的取值。

定义2领域知识对象的风格（OStyle）：假定领域知识对象在Felder学习风格的四个维度都存在值osi(1≤i≤4)，则领域知识对象的风格表示为一个四元组：

其中， <Di,osi>(1≤i≤4)表示知识对象在Felder学习风格中某个维度的取值，Di表示风格类型（Di∈{“直觉型-感知型”“视觉型-言语型”“活跃型-反思型”和“全局型-序列型”}），osi的取值为-1或1。osi取值一般在课程资源创建时由教师予以设定。

定义3学习者的认知水平（CLevel）：设定CLevel={CL1,CL2,CL3}={1,2,3}用于表示学习者的三个认知水平，依次为“初级”“中级”和“高级”。CLevel主要是通过系统单元测验的形式获取学习者当前认知水平。

定义4领域知识对象的难易程度（OLevel）：设定OLevel={OL1,OL2,OL3}={1,2,3}用于表示领域知识对象的三个级别，依次为“容易”“普通”和“较难”。OLevel一般在课程资源创建时由教师设定。

由以上四个定义可得出如下推理结果：

推理1学习者和领域知识对象的风格匹配程度由LStyle和OStyle矩阵乘积的对角线上数值的和决定。

推理过程：将上述定义中的四元组表达式（1）和表达式（2）分别转化为4×1的列矩阵和1×4的行矩阵，则有：

其中，LOS是两个矩阵的乘积，是一个四阶矩阵。该矩阵对角线上数值求和，值越大代表学习者和领域知识对象的风格匹配程度越高。该值可通过表达式（4）求得：

其中，C为常量，其为 ils取值范围 （ils∈[0,1]）的中间值0.5。

推理2学习者认知水平和领域知识对象的难易程度匹配由CLevel和CLevel各层次的差决定。该值可通过表达式（5）求得：

其中，COLevel表示适合学习者当前认知水平的领域知识对象难度级别。若学习者当前认知水平高于领域知识难度级别，则以系统推荐的领域知识为准；反之，若学习者认知水平不高于领域知识难度级别，则以学习者当前的认知水平为准推荐学习内容。

综合上述对学习者和领域知识对象间的风格与认知水平匹配程度计算，可以得到领域知识对象匹配值，计算公式如下：

其中，LO表示学习者与领域知识对象的匹配程度，其值越大，代表匹配程度越高。A和B是可设定的权重参数，由课程教师（或专家）通过系统管理页面设定。

（五）推荐流程与算法

在推荐过程中，ALS分别从用户模型数据库和领域模型数据库中提取学习者与领域知识对象的特征信息，然后转换为分值矩阵形式，并通过关联规则计算其特征相似度值，最后根据计算的相似度值（该值越大，说明知识对象越适合学习者当前的需求）向学习者推荐适合其个性需求的知识对象集。在学习过程中，学习者往往需要在学完某个知识单元后进行测评，系统据其测评分值实时更新学习者认知水平参数。其具体的推荐流程如图3所示。

本研究采用的ALS系统核心推荐算法如下：

系统的输入项：用户注册信息、用户当前学习风格和认知水平、对象特征值矩阵和推荐知识对象数量的最大值N。

系统的输出项：推荐结果列表Top-N。

图3 ALS推荐流程

第一步，判断当前学习者是否为系统注册用户，如果返回结果为“True”则执行第二步；如果返回结果为“False”则直接跳至第六步。

第二步，从学习记录数据库提取学习者上一次学习过程中所遍历的知识点序列，按访问时间的先后顺序存储在循环队列Q1中。判断队尾元素的属性值（上一次学习的最后状态），若标记为“正在学习”或单元考核成绩小于60分（可由教师设定），则转至当前学习对象页面。否则进入第三步。

第三步，调用关联规则对学习者和知识对象特征值匹配，按照匹配值的大小从领域知识库中提取最适合当前学习者的新知识点内容K1。若关联匹配值小于0.5，则自动退出查询。

第四步，以K1知识点为头指针，按照知识点间关联度大小进行广度优先遍历或深度优先遍历，并将遍历结果存储在循环队列Q2中。

第五步，判断队列Q1是否为空，若不为空，读取队列Q1中的对象，若该对象在Q2中存在（说明该知识点学习过），且学习者的标记状态为“已通过考核”，则指针后移；否则，将该知识点对象列入学习者的路径L中，准备学习。若Q1为空，转至第三步。

第六步，若L不为空，系统按照推荐学习对象列表将前N个依次以合适的方式呈现给学习者，否则随机按照知识点难易程度输出知识点对象。

（六）系统实现

经过前期的需求分析与详细设计，我们初步开发了ALS系统原型。本系统采用了B/S架构和MVC模式开发，开发环境为Eclipse+JDK+Tomcat+SQL Server 2008，开发语言主要有Java、Xml、C、Ja⁃vascript和T-SQL等。以C程序设计课程为例对系统进行了测试：学习者登录该系统后，系统会根据学习者当前的学习风格、认知水平和学习记录呈现个性化内容，并实时推荐相关的学习资源供参考。由于学习者间界面偏好、学习风格和认知水平的差异性，每位学习者所看到的学习界面与学习内容也具有差异性。图4展示了学习者张三登录系统后呈现的个性化学习界面。

图4 ALS系统界面

由图4可以看出，该系统的学习界面主要由上栏、左栏、中间栏和右栏四部分构成。上栏用于显示系统的功能导航菜单，包括课程简介、学习空间、推荐资源、在线解答和学生作品等，点击这些按钮可进入具体的内容页面；左栏以板块形式列出了当前的个性化学习信息，包括学习者的登录状态（点击“学习管理”可修改学习风格、提交作业等）、学习记录和系统推荐的知识点；中间栏包括四个子菜单，分别显示当前学习目标、知识点结构、知识内容（能够以文字、图片、PPT和视频等多种形式呈现）和拓展知识；右栏包含课程公告、学习日历和学习工具等。

三、实验及结果分析

为了检测系统是否能按预期效果向学习者推荐个性化资源，从而在一定程度上改善学习效果，设计并实施了相关实验。

（一）实验设计

考虑到实验数据及其效果的可比性，本实验采用等组实验方法。具体思路为：①将选取的实验对象等分为对照组（标为S1组）和实验组（标为S2组）。其中，S1组学生为ALS系统非注册用户，没有向系统提供任何个人信息，系统不能为他们推荐任何个性化学习资源；S2组为ALS系统注册用户，在注册时向系统提供了个人基本信息，并设定了自己的学习风格，系统能为他们推荐个性化学习资源。 ②让S1组和S2组学生在给定的同一时间段内，在ALS系统中学习《C程序设计》同一章节知识内容，学完后即在线测验。③根据系统中记录的学习者学习所用时长和测验成绩两个维度对学习效果进行综合评价。④实验干扰因素为ALS推荐的个性化学习资源。⑤由于两组学习者在学习过程中ALS系统仅向S2组学习者推荐个性化学习资源，因此假设：经过相同时间段的学习，S2组学习效果略好于S1组（S2组平均用时较少且平均成绩偏高）。

（二）实验对象

实验对象为我校本科二年级计算机教育专业随机抽选的30名学生。为了尽量减少实验过程中因两组实验对象认知水平不一而产生的非实验因素，采用“机械+单纯”混合随机抽样的办法选取样本。具体做法为：①将本科二年级计算机教育专业两个班的学生（共计86人）按照其入学成绩在Excel电子表格中升序排名，然后采用机械随机抽样的方式从第一位学生开始每隔两位抽选一位学生（间距k=N/n=86/30），直至抽选够30位学生为止。②将抽选出的30名学生随机打乱，采用单纯随机抽样方法（可借用随机数目表）选取15名学生作为对照组（S1组），剩下的15名学生则为实验组（S2组）。

此外，通过访谈所有实验对象，了解到他们都已掌握基本的计算机操作技能，但都没有接触过C程序设计课程。由此，可以假设所选取的两组学生认知水平相当，基本符合实验要求。

（三）实验内容

实验内容一方面检测学习者从进入系统开始学习到学习结束的整个学习所用时长，另一方面检测学习者测验考试得到的成绩。学习内容选取《C程序设计》第二章节“数据类型、运算符和表达式”，涉及的知识点范围广、难度适中、拓展资源丰富、试题类型多，适宜作为学习内容。实验前，将本章节所有知识点都做成具有关联性的、碎片化的微资源（包括PPT、Word和图片等各种媒体形式），然后按照教材目录结构上传到ALS系统中。同时，针对本章节内容设计一份测试题，题目类型为50个单选题（难度适中），供学习者学习结束后在线检测自己的学习情况。

（四）实验实施

整个实验过程为：①实验前，老师首先用几分钟时间向大家介绍本实验目的与意义、过程与规则、平台使用方法等，并督促所有学生认真学习、认真答题。② 组织S1组和S2组学生同时在给定的100分钟有效时间内学习（超过100分钟系统自动跳转至测试页面，测验时间为50分钟），其中S2组学生学习前须实名登录。当学生单击“开始学习”按钮时，系统进入学习主页面，计时开始；当单击“开始测试”按钮或学习时长超过实验规定的100分钟时，学生学习时段计时结束，进入测试页面，测试计时开始；当单击“提交试卷”按钮或测试时长超过实验规定的50分钟时，在线测试结束，系统自动将当前成绩作为学生最终的成绩。③实验结束，老师通过ALS系统采集每位学员的学习用时和考试成绩信息，以此作为数据分析的依据。

（五）实验结果与结论

通过以上等组实验，将回收得到的每位学生的学习用时和学习成绩信息分别录入Excel中，并借助Excel从时间和成绩两个维度对数据的分布情况进行分析，分析结果见图5和图6。

图5 S1的时间-成绩分布散点图

图6 S2组的时间-成绩分布散点图

比较图5和图6可以初步发现：S1组的学生所用时间跨度较大，学习成绩会随着学习时间的增加而提高，大致呈正比关系；S2组的学生成绩和所用时间大部分都比较集中，时间和成绩维度大致处于（65,85）和（70,83）之间。为了进一步分析两组之间的差异性，采用数据分析工具SPSS做了独立样本t检验分析，分析结果见表2。由表2可以看出，两组学生所用平均时间都为70多分钟，但S1组的标准差略高于S2组（11.898>8.043），说明S1组学生学习时间分离度较大。对于学习成绩而言，两组学生的成绩都处于中等偏上，但S1组学生的成绩略逊于S2组（76.07<79.20， 6.850>5.925） 。 结 合 t值 和Sig.(2-tailed)值可进一步发现，时间t=1.510，Sig=P=0.142>0.05，说明两组学生学习时间差异不是特别显著；成绩t=-2.082，Sig=P=0.047<0.05，说明两组学生学习成绩存在显著性差异。

表2 S1与S2组t检验结果

通过对照组和实验组检验结果对比分析，可以发现实验组（S2组）学生所用平均时长小于对照组（S1组），且实验组（S2组）学生考试平均成绩略高于对照组（S1组）。由此可以得出如下结论：①本实验假设成立，即经过相同时间段的学习，实验组学习平均用时较少，学习效果略好于对照组。②进一步说明本研究成果ALS能向学习者推荐个性化学习资源，进而在一定程度上能够帮助学生学习，促进其知识建构，改善其学习效率和学习效果。

四、结束语

在建构主义“以学习者为中心”的教育模式引领下，本文提出了一种基于B/S模式的自适应学习系统推荐模型。该系统以课程学习为背景、以用户个性化学习需求为导向进行设计，基本能满足学习者和教师用户日常学习使用。为了有效提高ALS个性化推荐服务质量，在对ALS总体架构分析与优化的基础上，构建了学习者模型和领域知识模型，并对其关联规则进行了描述，实现了个性化主动推荐系统模型。最后，本研究设计了一系列实验，分别从学习时间和学习成绩两个维度验证系统的有效性。实验结果表明，该系统能够较好地促进学习者知识构建，进而有效改善学习效率和学习效果。

当然，由于研究的诸多局限，本研究还存在一定的不足之处，如ALS推荐机制的效率问题、用户模型与领域知识模型的优化匹配问题等，需要在这些方面进行深入研究。

[1]刘丽萍，魏书敏.个性化网络学习支持系统的研究[J].中国教育信息化，2010，（23）：47-51.

[2]牟连佳.网络化学习系统的适应性研究[J].电化教育研究，2009，（5）：48-53.

[3]Brusilovsky,P.(2001)Adaptive hypermedia.User Modeling and User Adapted Interaction,Ten Year Anniversary Issue(Aifred Kobsa,ed.)11(1/2),87-110.

[4]Cooper,P.A.Paradigm shifts in designed instruction:From behavior⁃ism to cognitivism to constructivism.Educational Technology,1999:12-19.

[5]CastroF.,VellidoA.,NebotA.,MugieaF.:Applying Data Mining Tech⁃niques to E-learning Problems[J].Studies in Computational Intelli⁃gence.2007(62):183-221.

[6]TangC.,Yin H.,LiT.,LauR.,LiQ.,&Kilis D.:Personalized courseware construction based on web data mining[C].In Proceedings of the first international conference on web information systems engineering,2000:204-211.

[7]MarkellouP.,Mousourouli I.,Spiros S.,&Tsakalidis A.:Using seman⁃tic web mining technologies for personalized e-leaming experiences[C].In Proceedings of the web-basededucation.2005:461-826.

[8]Weber G,Brusilovsky P.ELM-ART:an adaptive versatile system for Web-based instruction[J].International Journal of Artificial Intelli⁃gence in Education,2001:351-384.

[9] Ferreira,J.Knewton—Adaptive Learning Platform ［EB/OL］.［2013-01-05］.http://www.Knewton.Com,2008.

[10]S.Shishehchi,S.Y.Banihashem,et al.A Proposed Semantic Recom⁃mendation System for E-Learning:A Rule and Ontology Based E-Learning Recommendation System[A].Proc.of Int'l Sym.in Infor⁃mation Technology[C].IEEE CS,2010:1-5.

[11]DeBra.AHA![EB/OL].http://aha.win.tue.nl/,2007.

[12]Owen C.The Multi-Model,Metadata Driven Approach to Person⁃alised eLearning Services[D].Dublin:University of Dublin,Trinity College,2008.

[13]柏宏权.适应性教学系统中个性化教学策略研究[D].南京师范大学，博士学位论文，2006.

[14][18]陈品德，李克东.适应性教育超媒体系统——模型、方法与技术[J].现代教育技术，2002，（1）：11-16.

[15]余胜泉.适应性学习——远程教育发展的趋势[J].开放教育研究，2000，（3）：12-15.

[16]黄伯平，赵蔚.自适应学习系统参考模型比较分析研究[J].中国电化教育，2009，（8）：97-101.

[17]张赛男.基于语义网的自适应学习系统中学生认知风格模型的设计[D].东北师范大学，硕士学位论文，2007.

[19]陈天云，张剑平.智能教学系统（ITS）的研究现状及其在中国的发展[J].中国电化教育，2007，（2）：95-99.

[20]莫赞，冯珊，唐超.智能教学系统的发展与前瞻[J].计算机工程与应用，2002，38（6）：6-7.

[21]周张兰.基于协同过滤的个性化推荐算法研究[D].武汉：华中师范大学，2009.

[22]陈雅茜，刘韬.推荐系统及其相关技术研究[J].西南民族大学学报，2014，（3）：439-443.

[23][24]刘建国，周涛.个性化推荐系统的研究进展[J].自然科学进展，2009，（19）：1-15.

[25][26]Felder,R.M&Silverman,L.K.Learning and Teaching Styles in Engineering Education[J].Journal of Engineering Education,1988,78(7):674-681.

[27]陈仕品.适应性学习支持系统的学生模型研究[D].西南大学，博士学位论文，2009.