本体驱动的e-Learning知识资源个性化推荐研究*

赵 蔚，姜 强，王朋娇，王丽萍

(1.东北师范大学 计算机科学与信息技术学院，吉林 长春 130117；2.辽宁师范大学 计算机与信息技术学院，辽宁 大连 116029；3.吉林大学 教育技术中心，吉林 长春 130062)

本体驱动的e-Learning知识资源个性化推荐研究*

赵 蔚1，姜 强1，王朋娇2，王丽萍3

(1.东北师范大学 计算机科学与信息技术学院，吉林 长春 130117；2.辽宁师范大学 计算机与信息技术学院，辽宁 大连 116029；3.吉林大学 教育技术中心，吉林 长春 130062)

e-Learning重要特点就是能够根据学习者特性、需求，适应性呈现学习资源和学习路径，实现个性化学习，有效促进学习目标达成。为实现e-Learning知识资源个性化推荐，该文采用基于知识推荐技术，同时基于本体技术创建学习者知识和知识资源，在教学模式的指导下实现知识资源个性化推荐。实验结果表明：学生能够很好理解本体概念，愿意学习本体知识，同时认为本体驱动的知识资源个性化推荐很有用，能够满足个性化学习需求、激发学习者学习动机、增强网络自主学习能力及优化学习过程。本文研究的意义：一是基于学习者特征讨论了合适的推荐技术；二是设计了学习者知识和学习资源的通用本体；三是为知识资源个性化推荐设计了有效指导教学模式。

本体；个性化；e-Learning；基于知识推荐；知识资源

e-Learning实现了学习者自主学习方式，增强自主学习能力，真正体现“以学习者为中心”的学习，便于在远程学习中学到知识，增长才干，符合教育规律和学生身心发展规律。与此同时，e-Learning发展过程中也面临很多问题，比如学习资源异质、分布、海量、良莠不齐，导致学习者将面临前所未有的“学习迷航”和“认知过载”，如何从海量数据中发现与获取“学习者真正需要的知识”？再比如，学习者的个性、兴趣、需求千差万别，如何实现“将合适的知识以合适的粒度提供给合适的用户”？

为解决e-Learning中普遍存在的关键性难题，很多研究者围绕着个性化推荐学习做了大量的研究，已成为e-Learning中非常重要的研究领域，比如都柏林圣三一学院的Owen Conlan等人在2002年采用e-Learning标准开发的个性化教育系统APeLS[1]；意大利罗马大学的Sangineto在2008年基于Felder-Silverman学习风格模型开发的适应学习者风格显示课程内容的个性化e-Learning平台DIOGENE[2]；日本京都大学的Zhiwen和他的同事在2007年采用本体开发了一个用于情景学习的推荐系统[3]；西班牙卡斯提亚-拉曼彻大学的Manuel等人在2008年提出了在学习设计实践中能帮助教师的推荐系统[4]；上海交通大学申瑞民教授等人在2005年基于本体技术实现学习内容推荐，利用序列规则连接学习对象[5]；台湾国立成功大学的Tsai等人在2006年依据个人偏好和同伴兴趣推荐算法设计个性化自适应学习系统[6]；德国汉诺威大学的Henze等人在2004年设计了3个本体，如学习者本体、领域本体和观察本体，开发个性化推荐系统[7]。此外，还有一些系统如AIMS[8]、 LAOS[9]、OntAware[10]，Personal Reader[11]和 TANGRAM[12]等也都采用个性化推荐技术实现知识资源的适应性呈现。研究结果表明个性化推荐学习的实质是一种“信息找人”的服务模式[13]，主要考虑因素有学习者偏好、兴趣、学习能力、背景知识及学习行为等。个性化学习系统能够根据用户特性为其提供个性化过滤和呈现服务，推荐依据主要是学习者兴趣、偏好和知识背景等。这种个性化推荐系统无论对于教师还是学生都是非常有用的，其中对于学生而言，系统能够根据其学习目标、学习需求、学习偏好等信息提供最合适的学习资源和学习路径，有利提高学习质量，提高学习速度，优化学习过程；对于教师而言，系统能够将所设计的资源在最合适的时候传授给最合适的学生，能够实时自动监控个体，个性评价学生的学习信息[14]。

然而，尽管在e-Learning中采用个性化推荐技术，可以实现学习需求和学习资源适合学习者“最近发展区”，但目前采用个性化推荐技术仍存在不足之处。通常采用的推荐技术有协同过滤技术，主要依据用户评价信息和学习历史信息推荐学习资源，根据不同用户对学习资源的评价信息，自动地将用户进行归类，然后将用户所感兴趣的信息推荐给同类他人，这种推荐技术不足之处是需要建立在大量的用户评价信息基础上而发生，所以容易产生“冷启动”问题。基于内容推荐是另一种常采用的推荐技术，实现机制是首先用户选择自己所喜爱的资源，然后将具有与此资源相似属性的其它资源推荐给该用户，这种推荐技术不足之处是推荐的多数资源都较相似，几乎毫无差别，不利于发现新资源，这种推荐技术的实现也须有大量信息为基础，所以也容易产生“冷启动”问题。由此可见，无论采用协同过滤技术或是基于内容推荐技术或是二者混合推荐技术去实现e-Learning中个性化知识推荐，都存在“冷启动”问题，这个缺陷极大地影响了学习资源推荐质量，出现了不能准确推荐学生喜欢的知识资源或推荐了学生不喜欢的知识资源，都会影响学生对网络学习的信心，严重可能导致学生直接辍学现象。因此，本研究将采用一种能解决上述推荐技术存在问题且比较实用推荐技术——基于知识推荐技术[15]，同时在本体驱动下根据本文提出的教学模式共同实现e-Learning中知识资源个性化推荐，实现根据学习者知识水平、学习偏好、学习风格及学习历史等适应性呈现学习内容，增强学习者学习信心，提高e-Learning学习质量，从而解决e-Learning中普遍存在的关键性难题。

一、基于知识推荐技术

表1显示了常见三种资源推荐技术，通过比较分析可知基于知识推荐是最适合e-Learning的推荐技术[16]。基于知识推荐依赖用户知识和领域知识，通过功能知识的推理能满足用户需求来产生推荐，它不依赖于用户对资源评分等关于用户偏好的历史数据，故其不存在“冷启动”方面的问题。此方法也不涉及数据稀疏性和知识专门化问题，始终能够给学习者带来新知识资源的惊喜。此外，基于知识推荐能够响应用户的即时需求，会因用户偏好发生变化而变化。

表1 常见推荐技术比较

在基于知识推荐的个性化e-Learning系统中，语义本体被广泛地应用于领域知识、用户知识的表达，利用本体方法呈现知识，不但能够很好实现知识的共享、重用和可操作性，还能让学习者更直观理解知识之间的关系，如呈现当前知识的先前知识、后续知识及相关知识（以《C程序设计》课程第五章选择结构程序设计为例，其知识本体结构如图1所示），更快速的建立知识体系，符合美国学者瑞格卢斯提出的宏策略思想，有利于提高学习效果。此外，利用本体知识还能够创造出机器更容易理解的资源描述，实现知识资源个性化和自适应性呈现。

图1 知识本体关系图

二、学习者知识和知识资源本体设计

基于知识推荐技术实现e-Learning知识资源个性化推荐的核心基础是学习者知识和学习知识资源，因此本研究将采用本体技术设计学习者知识和学习知识资源，不但能够很好实现知识资源共享、重用和可操作性，还能够创造出机器更容易理解的资源描述，实现知识资源个性化和自适应性呈现。

1.学习者知识本体

学习者知识是指学习者特征信息，包括个人信息、学习偏好、学习风格、学习成绩及学习能力等(如图2所示)，是e-Learning中知识资源个性化推荐服务的依据[17][18]。所有信息可以通过显性和隐性两种方法获取，比如采用所罗门学习风格量表显性调查得到学习者的初始学习风格，然后通过挖掘学习行为(如记录学习路径、学习资源类型、停留时间、浏览次数、练习次数等)动态更新学习风格[19]。

图2 学习者知识本体

从图2中可知，学习者是一个基础类，其中子类个人信息主要包括用于标识其身份特征的一些数据类型属性，如姓名、年龄、性别、电话等；子类学习成绩中有用于记录学习者成绩的数据属性，如学习主题、学习分数和日期等；子类学习能力代表着学习者在学习过程中的学习能力层次，主要采用概念累积计分法确定[20]，也可以采用项目反应理论和最大似然估计法确定[21][22]；子类偏好中有学习者在学习语言、文本颜色等倾向性偏好的数据属性；子类学习风格依据Felder-Silverman学习风格模型记录了学习者的学习风格类型，包括了四个维度，如活跃型/沉思型、感悟型/直觉型、视觉型/言语型和序列型/综合型。

2. 知识资源本体

知识资源本体描述领域知识的结构，包括概念和概念间的关系(如图3所示)，是e-Learning中知识资源个性化推荐服务的基础。

图3 知识资源本体

知识资源本体结构主要包括3个层级，分别为课程、章节和学习对象。课程类为第一个层级，通过元数据中的标题、关键词等数据属性描述课程特征；章节类为第二个层级，与课程类构成了多对一的映射关系；学习对象类为第三个层级，也是最为重要的类，与章节类构成了多对一的映射关系。在学习对象类中包括了两个子类，分别为交互式学习对象子类和被动式学习对象子类：交互式学习对象子类包括模拟、练习、活动和测试等对象，被动式学习对象子类包括实例、定义、解释和参考等对象，所有这些对象都可以使用元数据中的一些属性，如标题、关键词、难度系数、媒体类型、语义密度等描述。

三、知识资源个性化推荐的教学模式

e-Learning知识资源个性化推荐并非就是依据用户偏好、学习能力等信息，还要依赖有效的教学模式指导，一个好的教学模式，有利于提高网络学习质量。教学模式是指在一定教学思想指导下建立起来的教学活动结构框架和活动程序，通常情况下是由教师执行完成，然而由于推荐系统能够扮演教师的角色，能将所设计的资源在最合适的时候传授给最合适的学生，因此本文研究的教学模式将由知识资源个性化推荐系统执行完成，体现了一种与教师教育不同的教学方法，教学模式流程如图4所示。首先，学习者进入系统并确定本次学习目标，然后，系统会根据学习需求呈现学习主题，最后呈现与该主题相关的个性化知识资源。在知识资源个性化推荐过程中，主要依赖于四个分析过程：一是分析显示学习主题的先前知识，目的在于使学习者清楚为了顺利完成此次学习目标，需要学习的主题以及与该主题相关的先前知识。在知识资源本体设计中有个非常重要的对象属性“HasPrerequisite(先前知识)”，领域专家利用HasPrerequisite属性将所有的学习主题建立前后关联关系，这样便很容易显示出学习主题的先前知识；二是分析判定学习者知识背景，通常对初次登录系统的学习者进行判定，目的在于系统会根据学习者的知识背景筛选学习主题的先前知识，可将已经掌握的先前知识舍掉，判定方法采用项目反应理论和最大似然估计法确定，系统会自动将学习者知识背景记录到学习者知识本体当中，等学习者再次登录系统时，系统便会显示筛选后的先前知识；三是分析判定学习者的学习风格，目的在于系统能根据学习者的学习风格状态个性化呈现不同教学媒体类型资源和学习活动序列，判定方法主要采用两种方法实现，一种是通过所罗门学习风格量表初测学习风格，另一种是基于规则或利用贝叶斯网络方法挖掘学习行为模式为主的隐性方法更新学习风格，系统会自动将学习者的学习风格记录到学习者知识本体当中；四是分析判定学习者知识能力，目的在于判定学习者是否达到学习目标，同时也能判定学习者的知识能力层级。若没有达到学习目标，系统会根据学习者的知识能力层级向学习者推荐相应难度系数的知识资源重新学习，判定方法可以采用概念累积计分法，也可以采用项目反应理论和最大似然估计法确定，直至完成。

图4 知识资源个性化推荐的教学模式流程图

四、本体驱动的知识资源个性化推荐学习效果评价

本实验以辽宁师范大学2009级教育技术学和计算机专业合计60名学习者作为研究对象，在研发的面向“服务”的自适应学习系统(SOALS，Service-Oriented Adaptive Learning System)[23]中进行C语言的学习，对基于本体驱动，采用知识推荐技术实现学习资源个性化呈现的学习效果进行评价。本文主要通过收集和分析两类数据实施学习效果评价：一类是问卷调查数据，另一类测试数据，如期中测试、期末测试、作业及课堂测验等。表2显示了学生调查问卷反馈结果(实际发放调查问卷60份，回收58份，有效回收率为96.7%)。

表2 本体驱动的知识资源个性化推荐学习效果评价的问卷反馈结果

表2中，前3个问题是调查学生对采用本体方法呈现知识认可度的反馈结果，结果显示学生给予了很高的评价，77.6%的学生很同意基于本体的知识可视化有利于提高学习效果，96.5%的学生同意利用本体方法呈现知识利于发现关联知识，提高资源检索正确性，86.2%的学生同意利用本体方面描述学习者信息提高个性化学习效率，这些数据信息表明学生能够很好理解本体概念，愿意学习本体知识。表中后3个问题是调查学生对知识资源个性化推荐认可度的反馈结果，结果显示86.2%的学生很喜欢即可以自己定制学习内容、学习路径，又可以按着系统推荐资源、路径进行学习，89.7%的学生同意个性化学习服务支持系统中学习有利于提高学习动机，93.1%的学生愿意在个性化学习服务支持系统中学习。可见，通过问卷调查得出学生认为本体驱动的知识资源个性化推荐很有用，能够激发学习者学习动机，增强网络自主学习能力，有效改善网络学习质量。

图5显示了在自适应学习系统中应用本体技术前后的学习能力结果，测评数据来自学生的期中测试、期末测试、作业及课堂测验等，然后采用项目反应理论和最大似然估计法确定。本文通过六方面对比分析学习能力：

(1)LO1：学习对象基本概念理解能力；(2)LO2:学习对象概念语义关系理解能力；(3)LO3：问题理解与解决能力；(4)LO4：知识结构识别能力；(5)LO5：知识呈现与分享能力；(6)LO6：批判思维能力。

通过图5显示结果可以看出在自适应学习系统中，LO1至LO5学习能力应用本体技术要高于非本体技术，而对于LO6，应用本体技术与非本体技术，学生的批判思维能力差别不大。总之，无论通过问卷调查或是通过分析学生的测试数据都充分肯定了本体驱动的知识资源个性化推荐较好的学习效果。

图5 应用本体技术前后的学习能力结果

五、结论

本文通过比较分析e-Learning领域中的三种常见知识资源推荐技术，证明了基于知识推荐是最适合e-Learning的学习领域。然而，若要实现基于知识推荐，就需要创建学习者知识和学习知识资源，本文则采用本体技术去实现，不但有利于实现知识的共享、重用、可操作性及建立知识之间的关联关系，而且还利于实现知识资源个性化和自适应性呈现。知识资源个性化推荐并非就是依据用户偏好、学习能力等信息，还要依赖有效的教学模式指导，一个好的教学模式，有利于提高网络学习质量，因此本文提出了知识资源个性化推荐的教学模式。在教学模式中，主要完成了判定学习者背景知识，呈现先前知识，同时根据背景知识移去已掌握的先前知识，判定学习者的学习风格及分析判定学习者知识能力等功能。整个知识资源推荐呈现过程通过语义本体查询语言SPARQL实现，可在Protégé软件中进行调试执行。文章最后阐述了本体驱动的知识资源个性化推荐学习效果评价，通过问卷调查得出学生能够很好理解本体概念，愿意学习本体知识，同时认为本体驱动的知识资源个性化推荐很有用，能够满足个性化学习需求、激发学习者学习动机、增强网络自主学习能力及优化学习过程；通过学生的期中测试、期末测试、作业及课堂测验等测评数据得出学生对采用本体方法实现的知识资源个性化推荐分别在学习对象基本概念理解能力、学习对象概念语义关系理解能力、题理解与解决能力、知识结构识别能力以及知识呈现与分享能力等方面均有显著性提高。

[1] Conlan, O., Wade, V., Bruen, C., and Gargan1, M. Multi-Model,Metadata Driven Approach to Adaptive Hypermedia Services for Personalized e-Learning[A].Paul De Bra.The Second International Conference on Adaptive Hypermedia and Adaptive Web-Based Systems[C].London: Springer-Verlag, 2002.100-111.

[2] Sangineto, E.An Adaptive E-Learning Platform for Personalized Course Generation [A].Claus Pahl. Architecture Solutions for e-Learning Systems[C].USA:IGI Global,2008.262-281.

[3] Yu,Z.,Y.Nakamura,etal.Ontology-based semantic recommendation for context-aware e-Learning[A].Patterson.4th Int'l.Conf.Ubiquitous Intelligence and Computing[C].Hong Kong：Springer-Verlag,2007.898-907.

[4] Prieto,M.,V.Menéndez,et al.A recommender system architecture for instructional engineering[A]. Manuel E. Prieto.Emerging Technologies and Information Systems for the Knowledge Society[C].Athens:Springer-Verlag,2008.314-321.

[5] Shen, L.and R.Shen. Ontology-based learning content recommendation[J].International Journal of Continuing Engineering Education and Life Long Learning,2005,15(3):308-317.

[6] Tsai, K., T. Chiu, et al..A learning objects recommendation model based on the preference and ontological approaches[A].Kinshuk.ICALT '06 Proceedings of the Sixth IEEE International Conference on Advanced Learning Technologies[C].Kerkrade:IEEE,2006.36-40.

[7] Henze, N., P. Dolog, et al. Reasoning and ontologies for personalized e-Learning in the semantic web[J].Educational Technology &Society,2004,7(4):82-97.

[8] Aroyo, L., Dicheva, D.: AIMS: Learning and Teaching Support for WWW-based Education[J].Int. J. for Continuous Eng. Education and Life-long Learning,2001,11(1/2):152-164 .

[9] Cristea, A., De Mooij, A.: LAOS: Layered WWW AHS Authoring Model and its corresponding Algebraic Operators[A].Gusztáv Hencsey.Proceedings of WWW 2003[C].Budapest: Springer-Verlag,2003.31-41.

[10] Holohan, E., Melia, M., McMullen, D., Pahl, C.: Adaptive E-Learning Content Generation based on Semantic Web Technology[A]. Ahmad.Application of Semantic Web Technology for E-Learning[C].Amsterdam:Springer-Verlag,2005.29-36.

[11] Henze, N.: Personal Readers: Personalized Learning Object Readers for the Semantic Web[A].Bert Bredeweg. International Conference on Artificial Intelligence in Education [C]. Amsterdam: Springer-Verlag,2005.15-22.

[12] Jovanovic, J., Gasevic, D., Devedzic, V.: TANGRAM for Personalized Learning Using the Semantic Web Technologies[J].Journal of Emerging Technologies in Web Intelligence,2009,1(1):6-21.

[13] Olga C. Santos, Jesus G. Boticario. Users’ experience with a recommender system in an open source standard-based learning management system[A].Santos, O.C. and Boticario, J.G.HCI and Usability for Education and Work[C].Graz:Springer-Verlag,2008.185-204.

[14] 潘伟.基于协同过滤技术的个性化课程推荐系统研究[J].现代情报,2009,29,(5):193-196.

[15] Burke, R..Knowledge-based recommender systems[J].Encyclopedia of Library and Information Sciences,2000,69(32):175-186.

[16] Saman Shishehchi, Seyed Yashar Banihashem. Ontological Approach in Knowledge Based Recommender System to Develop the Quality of e-Learning System[J].Australian Journal of Basic and Applied Sciences,2012,6(2):115-123.

[17] 姜强，赵蔚，王续迪.自适应学习系统中用户模型和知识模型本体参考规范的设计[J].现代远距离教育,2011,(1):61-65.

[18]IEEE Learning Technology Standards Committee.PAPI: Public and Private Information [DB/OL].http://metadata-standards.org/Document-library/Meeting-reports/SC32WG2/2002-05-Seoul/WG2-SEL-042_SC36N0175_papi_learner_core_features.pdf,2002-02-02.

[19] 姜强,赵蔚.基于Felder-Silverman量表用户学习风格模型的修正研究[J].现代远距离教育,2010,(1):62-66.

[20] 姜强,赵蔚.基于用户模型的个性化本体学习资源推荐研究[J].中国电化教育,2010,(5):106-111.

[21] Frank B. Baker. The Basics of Item Response Theory[M].America:ERIC Clearinghouse on Assessment and Evaluation,2001.

[22] Chih-Ming Chen,etc. Personalized e-Learning system using Item Response Theory[J]. Computers & Education,2005,(44):237-255.

[23] 姜强,赵蔚.面向“服务”视角的自适应学习系统设计与实现[J].中国电化教育,2011,(2):119-124.

赵蔚：教授，博士生导师，研究方向为个性化自适应学习(zhaow577@nenu.edu.cn)。

姜强：副教授，硕士生导师，研究方向为个性化自适应学习(jiangqiang@nenu.edu.cn)。

王朋娇：教授，硕士生导师，研究方向为信息化教育(wangpengjiao@sina.com)。

王丽萍：在读博士，研究方向为远程教育(531628607@qq.com)。

2014年9月25日

责任编辑：宋灵青

Ontology-driven Personalized Recommendation of Knowledge Resource in e-Learning

Zhao Wei1, Jiang Qiang1, Wang Pengjiao2, Wang Liping3
(1. School of Computer Science and Information Technology, Northeast Normal University, Changchun Jilin 130117;2. School of Computer and Information Technology, Liaoning Normal University, Dalian Liaoning 116029; 3. Education Technology Center, Jilin University, Changchun Jilin 130062)

According to learner characteristics and requirements, adaptive learning resources and learning path may enhance individual learning in e-Learning. Knowledge based recommender technique and ontological approach are used in this paper for the personal knowledge resources push. The results show that students can understand ontology and think that ontology-driven personalized recommendation of knowledge resource which may satisfy individual learning requirements, stimulate learning motivations, promote learner autonomy and optimize study process is very useful. The first significant property of this study is discussing the appropriate recommendation technology based on learner characteristics. The second property is designing the common ontology of the learner and knowledge resources. The third property is building the effective teaching mode for knowledge resource personalized recommendation.

Ontology; Individuation; e-Learning; Knowledge Based Recommender Technique; Knowledge Resource

G434

A

1006—9860(2015)05—0084—06

* 本文系教育部人文社会科学研究规划基金项目“基于知识图谱的开放学习资源自主聚合研究”(项目编号：14YJA880103）、全国教育科学“十二五”规划教育部重点课题“可视化技术支持下学科知识自主学习模型研究”(项目编号：DCA130224)、“中央高校基本科研业务费专项资金”阶段性成果。