个性化推荐系统在移动学习中的应用研究

王小军++王运++郝喆

摘 要：通过对移动学习特性和研究现状的分析，针对移动学习中的不足，利用移动学习模型（M-Learning Model）从三个层面六个要素对移动学习的过程进行描述，并结合BNF范式表示其内在联系。提出利用基于协同过滤的算法对移动学习资源进行个性化的推荐，并建立了移动学习中个性化推荐系统模型，通过对UB-CF、IB-CF、MB-CF三类协同过滤算法的分析和对推荐结果的过滤和排序，描述了该模型的工作流程。最后通过实验分析了移动学习中个性化推荐系统模型是有效的，可以提高移动学习的有效性。

关键词：移动学习；推荐系统；个性化：模型

中图分类号：TP311

文献标志码：A

文章编号：1673-8454（2015）23-0020-04

一、引言

移动学习（M-Learning）作为传统课堂E-Learning的发展和延续，是指学习者在自己需要学习的任何时间、任何地点通过移动设备和无线通信网络获取学习资源，与他人进行交流和协作，实现个人与社会知识建构的过程。从认知的角度来看，移动学习在内容与形式方面，与E-Learning没有本质区别，但是移动学习的移动性、个性化、自主性、非正式性的特点使其成为一种全新的学习技术与方式。

目前对移动学习的研究围绕移动学习装备、学习支持、学习服务三个层而展开，积累了多方面的研究成果。国内外教育机构和企业对移动学习进行了多方面的研究，如欧洲的E-learning项目；为了满足欧盟公民对信息交互与学习体验的需求，英国英格兰工艺大学Ultralab实验巾心有M-learning项目；为了解决社会教育问题，东京大学利用PDA在博物馆进行协作学习的系统，南京大学和日本松下通信工业公司以及SCC公司研发的多媒体移动教学网络系统CALUMET，2009年首都师范大学有基础教育移动视频课程点评平台。上述研究的曰的，都是在终身教育体系框架内，利用移动学习创造随时随地可学习的环境，整合学习者碎片化时间，丰富个人和社会教育的途径，完善公共学习服务体系。

但是移动学习过程中也存在以下问题。①移动学习资源数量大，选择困难。网络教学中已经建立大量的资源，资源的制作水平参差不齐，适用对象层次多样，移动学习者缺少足够的专业背景和准备时间对资源进行选择，降低了学习者的学习效率。②移动网络带宽的需求和资费不平衡。学习资源的呈现形式以图片和视频为主，移动学习对带宽需求大，但移动带宽的资费却很高。③支持移动学习硬件设备的屏幕相对PC要小很多，限制了移动学习应用平台内容的呈现。

为了解决上述问题，充分发挥移动学习的特征，可以在移动学习应用平台中采用个性化推荐技术，根据学习者的需求和兴趣，选择学习内容和资源，提供个性化的推荐服务，构建学习者的知识体系。

二、移动学习模型

移动学习模型（M-Learning Model）可表示为三个层次六个要素，分别为移动学习装备（终端、网络）、移动学习支持（平台、资源）、移动学习服务（内容、活动），如图1所示。

为了进一步描述M-Leaming Model三个层次六个要素之间的内在联系，可以采用如下BNF范式：

：=I

：：=（I

：：=（《Plat-form>|kResources》

：=I

其中移动学习装备系统层是移动学习模型的硬件基础，是面向用户展现移动学习服务的接口，其中终端包括任何用于学习的通用性终端设备，如智能手机、平板电脑、笔记本电脑、电子书包等，这些学习终端普遍具有网络易接入、资源易获取、硬件易扩展，支持实时互动的特征。网络是提供学习终端获得学习资源的途径，常用的接入方式包括有线网络、移动网络（CDMA、GPRS、GSM）、无线网络（WLAN、蓝牙）。

移动学习支持应用层是平台和资源的载体，为服务层提供必要的服务。平台分为系统平台和应用平台，系统平台是通用类软件，主要包括Apple lOS、GoogleAndroid、Microsoft Mobile三大主流移动操作系统平台。应用平台为定制类软件，与具体的移动学习应用密切相关，其为学习者提供资源组织发布、内容分类管理、实时互动服务的学习支持服务，基于应用平台可以构建合适的学习模式，规划学习过程，促进学习者参与认知内化。

移动学习服务层提供学习内容和学习支撑服务。学习内容具有片段化、碎片化的特征，学习活动设计时，要根据学习内容的特点，既要体现移动技术的优势又要兼顾学习者的体验。

三、个性化推荐系统模型

移动学习支持应用层为了提高资源的高效使用，可以在移动学习平台中根据学习者的学习兴趣，实现学习内容的个性化推荐，移动学习中个性化推荐系统模型如图2所示。

在该个性化推荐系统模型中，学习者是指利川移动终端，移动互联网络参与移动学习平台进行学习的个体，学习时间具有碎片化、随意性的特征，学习内容的呈现要适应移动终端，网络带宽需要进行优化，满足学习者对网络资费的需求。用户行为库是利用学习平台记录学习者对资源的查询、浏览、观看、下载、收藏、评价等学习行为，其是分析用户偏好的重要依据.用户偏好记录了用户历史偏好、资源的标签记录集，以及用户对资源的评价分值，其是分析资源之间相似度的数据源，行为特征提取是对用户行为和用户偏好进行统计分析，提取用户行为特征，通过标准化、归一化转换处理后，建立学习者个人偏好模型，为移动学习中的个性化推荐提供依据。个性化推荐算法是进行移动学习个性化推荐的关键，主要包括UB-CF、IB-CF、TAG-CF三类算法，其中UB-CF算法通过用户之间相似性度量，发掘与目标用户兴趣偏好相近的用户，推荐相近用户喜欢的资源，IB-CF算法是利用个人偏好模型中目标用户喜好的资源，根据资源之间的相似性度量，发掘与目标用户喜好资源相类似的资源，推荐给用户。TAG-CF算法是根据个人偏好模型中目标用户常用的标签特征，通过标签相似性，找到包含标签特征的资源，形成推荐资源列表对个性化推荐算法形成的资源推荐结果，进行过滤和排名处理，将最终的推荐资源，呈现给移动学习者。

1.个性化推荐算法

个性化推荐算法是该模型的核心和关键，推荐结果的优劣直接关系到移动用户对推荐效果的体验、目前主流的推荐方法有基于内容的推荐、协调过滤推荐、用户产品二部图网络推荐、基于社会网络推荐、混合推荐基于内容的推荐方法，利用用户选择的对象，提取对象的内容特征，匹配用户兴趣偏好，其特征提取是对推荐对象的文本内容进行分析，其优点是简单直观，不需要领域知识，没有稀疏矩阵问题，缺点是对多媒体的特征提取还不成熟以及无法适用多语言描述的推荐对象，极大地限制了移动学习中用户的满意度。用户一产品二部图网络推荐方法，不用考虑用户和推荐对象的内容，把两者抽象为网络节点，通过用户和对象的连接关系，生成推荐对象，该方法优先考虑冷门产品的推荐优先级高于热门产品，但在移动学习中，冷门资源制作水平普遍较低，该思路不利于学习者自身的知识构建

协同过滤推荐利用用户的历史信息计算用户之间的相似性，利用与目标用户相似性较高的邻居埘其他产品的评价来预测目标用户对特定产品的喜好程度。该方法通过用户产品评价模型，引导了推荐系统的发展，根据推荐对象产生源的不同，可以分为基于用户的协同（User Based CoLlaborative Filtering，UB-CF）、基于推荐对象的协同（Item Based Collaborative Filtering，IB-CF）、基于模型的协同（Model Based Collaborative Filtering，MB-CF）三类。协同过滤方法能够分析文本、声音、视频等各类多媒体资源，不需要专业知识，能够以学习者为中心，对学习者潜在的兴趣进行推荐，满足个性化推荐系统中推荐算法的要求，但协同过滤方法也存在冷启动和稀疏性问题，以及历史数据影响推荐质量的问题。

UB-CF是依据相邻用户的兴趣偏好进行推荐的，首先找到与目标用户偏好相似的相邻用户，然后根据目标用户对推荐对象的评分，预测推荐用户对推荐对象的评分，最后根据预测评分生成推荐对象列表，列表过滤后，返回给推荐用户。相邻用户的相似性度量采用余弦相似性和相关相似性，其表达式如下所示：

其中Ric表示用户i对推荐对象c的评分，Ri表示用户i的平均评分。

IB-CF是目前业界用得最多的基础算法，基本思路是给目标用户推荐那些与他们之前喜好的物品相似的物品，首先计算物品之间的相似度，然后根据物品与目标用户喜好物品的相似度以及目标用户的历史行为，生成最终的推荐列表。物品之间的相似度和用户对物品兴趣度的表达式如下：

其中wij表示物品i，j的相似度，N（i）表示喜欢i物品的用户数。

其中N（u）表示用户u喜好的物品的集合，s（i，k）表示与物品i最相似的k个物品的集合，rui表示用户u对物品i的兴趣度。

MB-CF是根据目标用户对现有对象的评分，建立用户模型，从而对潜在的推荐对象进行评测打分。标签（TAG）是一种无层次结构，用来描述推荐对象语义的关键词，tag中包含了很多用户的兴趣信息和重要的用户行为，可以利用标签提高个性化推荐的质量，提高推荐的多样性和可解释性。基于标签的推荐方法（TAG-CF）是MB-CF中的典型方法。TAG-CF预测用户推荐对象的方法是在TF-IDF算法的基础上进行的，表示为：

2.推荐对象过滤和排序

通过个性化推荐算法得到学习者初步的资源推荐列表，还需对推荐列表进行过滤，过滤的内容主要包括，用户已经发生过学习行为的资源，提高推荐的新颖度。同时还要根据用户约束条件过滤掉不满足学习者条件的资源，如资源学习阶段与学习者不符，资源的专业分类与学习者存在较大差异等，以及需要过滤掉推荐列表中用户评价较低的资源，保证推荐资源的质量。

为了获得更好的用户满意度，需要对过滤后的结果进行排序处理。推荐的目标是提高用户的点击率，可以根据用户行为库中的反馈记录，从上下文和搜索记录中预测用户对推荐对象感兴趣的程度，根据此预测进行最终的推荐对象排序。

四、实验分析

为了验证移动学习中个性化推荐系统模型的有效性，构建了如图3所示的实验环境，在该环境中，硬件资源平台采用一台通用的X86服务器提供计算、存储和网络服务，移动学习者安装Android、IOS的移动端APP软件，通过无线WIAN接入移动网络，访问移动学习平台，其中个性化推荐系统也是作为学习平台的附件模块，基于三种协同过滤方式给学习者提供个性化的学习资源推荐服务。

在实验环境中，针对115名学员、50门课程、1480个学习资源，个性化推荐算法可以获得18.34%的准确率、51.45%的召回率。该结果可以满足移动学习中，对学习者学习资源的个性化推荐需求。

五、总结

本文通过对移动学习特性和研究现状的分析，针对移动学习中的不足，利用学习模型（M-Leaming Model）从三个层面六个要素对移动学习的过程进行描述，并结合BNF范式表示其内在联系。提出利用基于协同过滤的算法对移动学习资源进行个性化的推荐，并建立了移动学习中个性化推荐系统模型，通过对UB-CF、IB-CF、MB-CF三类协同过滤算法的分析和对推荐结果的过滤和排序，描述了该模型的工作流程。最后通过实验分析了移动学习中个性化推荐系统模型是有效的，根据推荐的准确率和召回率两个指标，可以发现个性化推荐系统可增强移动学习的有效性。