基于情境的个性化学习云服务推荐模型研究

袁小艳

（四川文理学院 计算机学院，四川 达州 635000）

基于情境的个性化学习云服务推荐模型研究

袁小艳

（四川文理学院 计算机学院，四川 达州 635000）

云服务的发展引起了信息爆炸，导致个性化云服务推荐备受欢迎，学习云服务推荐也是如此。论文以探索云服务推荐为目标，在分析个性化学习者模型、个性化情境模型和服务模型的基础上，构建了个性化学习云服务推荐模型，引入了一种面向情境的基于SLOPE ONE的协同过滤推荐算法，通过计算服务的相异性来推荐云服务，并采用多种推荐手段推荐云服务。论文研究的目的是为了推进个性化云服务推荐技术的发展。

个性化；情境；云服务；推荐；模型

随着云计算的迅猛发展，学生学习的资源和方式越来越多，学生也越来越不满足于课堂上所学知识。如何让学生用最少的时间和精力，在海量的学习信息里找到满意的学习资源和学习方法，是一个急需解决的问题。个性化云服务是数据海洋的领航员［1］，在其基础上进行推荐便可解决上述问题，以提高学生的学习效率和学习兴趣。

在现在的网络学习环境中，大多都是被动地满足学生的学习需求，而不是主动地分析学生的个性化需求、感知学生的学习情境，并主动地提供适合每一位学生的学习资源、学习路径和学习方法［2］，实现这些功能的核心技术之一就是学生学习兴趣的提取和学习情境的感知。本文将学生的学习行为、学习风格、学习兴趣和学习情境融入到云服务推荐中，采用多种方式向学生推荐合适的学习服务，并对主要的模型进行了阐述。

1 个性化学习

个性化学习，顾名思义，就是学习要有每个人的特征、特性，而不是共性，它是以反映学生个性差异为基础［2］，以促进学生个性发展为目标的学习范式。每个学生都是与众不同的，有自己独特的天赋特性、偏好和天生优势，也有不同于别人的弱点。解决学生的学习问题，应该用个性化的方法去适应学习上的要求。构建个性化学习方案是帮助学生迅速提高学习效率和成果的一种有效工具。

个性化学习，承认学生间的个体差异，需要为学生量身定制不同于别人的学习策略、学习路径和学习方法，而不是给学生强制指定统一的学习材料、学习评价方法和学习指导。为了给学生更多的个性发展空间，应给予学生多样化的学习内容、弹性化的学习结构、多元化的学习评价方法和差异化的学习指导［2］，让学生在最大程度上自主控制自己的学习行为。

2 个性化学习者模型

学习者模型是个性化学习的重要内容，它表示学生所有的学习行为和知识，将学习者的学习特征、学习兴趣、学习目标、学习风格和学习态度模型化。学习者模型是学习者心理和生理的抽象，为个性化学习云服务推荐提供决策支持［1］。学习者的学习特征、学习兴趣等内容都从学生的网络学习行为中提取，可以直接提取，如注册时的兴趣信息，也可以间接提取，如从学生的浏览行为、消费记录、服务分享等提取出学习兴趣、学习风格等信息。个性化学习者模型的表示方法有多种，如基于向量空间模型方法、基于本体的表示方法、有向图的表示方法和高级学习者模型（ALM）表示方法，其中ALM表示法最全面，用语义和关键词的方法表示出了学习者的学习兴趣、知识水平和认知能力。

本文的个性化学习者模型以ALM模型为基准，进行了相应的优化，从基本信息、学习风格、知识水平、认知能力和学习基本情况等5个方面进行描述，表示为以下五元组。

定义1：PSM=（BI，LS，KI，CA，FS），其中BI是基本信息，LS是学习风格，KI是知识水平，CA是认知能力，FS是学习基本情况。

定义 2：BI=（ID，Name，Sex，PWD，IDNum，Language，Phone，Address，Post，School，EduBakg，Career），依次是ID、姓名、性别、密码、身份证号、语言、电话、地址、邮箱、学校、学历和专业。

定义3：LS=（LC，SW，ST，XC，RT，RO，RP，TT），依次是学习内容兴趣、学习方式兴趣、学习工具兴趣、学习策略兴趣、资源类型兴趣、资源组织方式兴趣、资源呈现方式兴趣、学习时间兴趣。

定义 4：LC=（＜lc1，v11＞，＜lc2，v12＞，…＜lci，v1i＞，…，＜lcn，v1n＞），lci是学生学习的第i个兴趣，v1i是其所占比例值。

定义5：SW=（＜sw1，v21＞，＜sw2，v22＞，…＜swi，v2i＞，…，＜swn，v2n＞），swi是学生喜欢的第i种学习方式，v2i是其所占比例值。

定义 6：ST=（＜st1，v31＞，＜st2，v32＞，…＜sti，v3i＞，…，＜stn，v3n＞），sti是学生喜欢的第 i种学习工具，v3i是其所占比例值。

定义7：XC=（＜xc1，v41＞，＜xc2，v42＞，…＜xci，v4i＞，…，＜xcn，v4n＞），xci是学生喜欢的第 i种学习策略，v4i是其所占比例值。

定义8：RT=（＜rt1，v51＞，＜rt2，v52＞，…＜rti，v5i＞，…，＜rtn，v5n＞），rti是学生喜欢的第i种资源类型，v5i是其所占比例值。

定义9：RO=（＜ro1，v61＞，＜ro2，v62＞，…＜roi，v6i＞，…，＜ron，v6n＞），roi是学生喜欢的第i种资源组织方式，v6i是其所占比例值。

定义10：RP=（＜rp1，v71＞，＜rp2，v72＞，…＜rpi，v7i＞，…，＜rpn，v7n＞），rpi是学生喜欢的第i种资源呈现方式，v7i是其所占比例值。

定义11：TT=（＜tt1，v81＞，＜tt2，v82＞，…＜tti，v8i＞，…，＜ttn，v8n＞），tti是学生喜欢的第i个学习时间段，v8i是其所占比例值。

定义12：KI=（＜lc1，l1＞，＜lc2，l2＞，…＜lci，li＞，…，＜lcn，ln＞），lci是第i种学习兴趣，li是其掌握程度，其值为0、1、2、3、4，分别代表未学习、了解、掌握、应用、熟悉。

定义 13：CA=（＜ca1，k1＞，＜ca2，k2＞，…＜cai，ki＞，…，＜ca8，k8＞），cai是第i种认知能力，分别是记忆、归纳、观察、分析、抽象、计算、想象和逻辑推理［2］，ki是其掌握程度，其值在 0-1之间。

定义14：FS=（Plan，Status，Time，Legacy），依次是学习计划、学习完成状态、学习总的时间、学习效果，均用语言描述。

3 个性化情境模型

情境是普适计算研究的热点［3］，它是指人、物或环境的状态信息，相同的学生在不同的情境下采用的服务也可能不尽相同［3-5］，所以推荐个性化学习服务不仅仅要考虑用户兴趣，还要考虑情境。现有的很多情境研究都加入了用户情境，但学习服务更侧重于学生的学习风格等信息，所以本文研究的情境不加入学生信息，只包含平台情境和网络情境［5］，表示为以下二元组。

定义 15：SitInfo=（PlatInfo，NetInfo），PlatInfo是平台情境信息，NetInfo是网络情境信息。

定义16：PlatInfo=（PlatID，Place，HDevice，SDevice，NDevice），依次是能平台的唯一标识ID，Place是位置，HDevice是硬件设备，SDevice是软件设备，NDevice是网络设备。

定义17：NetInfo=（Cyber，NWidth，NDelay，NSecurity），Cyber是联网方式，其值为3G、FixedLine、WireLess之一，NWidth是网络带宽，NDelay是网络延迟，NSecurity是网络安全性。

4 服务模型

随着WEB2.0的快速发展，高内聚、低耦合的服务越来越多，云服务也处处可见，如何描述服务是一个研究热点。本文的学习服务采用语义［4］的方式表示，如下所示：

定义18：SS=（FQOS，QOS），FQOS是服务功能，QOS是服务质量。

定义19：FQOS=（SType，SName，SFunction，SOpera，IOData，SNote），SType是服务类型，SName是服务名称，SFunction是服务功能，SOpera是服务操作名称，IOData是服务输入输出数据定义，SNote是服务注释信息。

定义20：QOS=（SPrice，STime，SAvaila，SSuccess，SSecurity，SEvaluate，Sinter，SAfter，SAddress）SPrice是服务价格，STime是服务响应时间，SAvaila是服务可用性，SSuccess是服务成功率，SSecurity是服务安全性，SEvaluate是服务评价平均值，Sinter是服务交互性，SAfter是售后服务，SAddress是服务位置。

5 个性化学习云服务推荐模型

随着云服务的广泛应用，以用户为引导、感性和理性共存的云服务市场已逐步形成［6］。如何让学生快速的在“过载的云服务”中找到功能性需求和非功能性需求并存的云服务，是本文需要研究的内容。本文在个性化学习者模型、个性化情境模型和服务模型的基础上，建立了一个个性化学习云服务推荐模型，具体如图1所示。

图1中将模型分为了3个层次，平台层、服务层和应用层。平台层主要使用Hadoop平台，采用云服务架构中的分布式文件系统HDFS存储各种信息，如学习者的个性化信息、各种情景信息、各种学习服务信息［7］，然后通过MapReduce计算出相应的个性化学习者模型、情景模型和学习服务模型。服务层在平台中的3个模型的基础上，采用多种推荐引擎进行推荐服务，如基于用户的推荐、基于服务的推荐、基于情境的推荐和基于语义相似度的推荐，并在此基础上提供推荐服务接口。应用层实现推荐服务的应用，有多种推荐服务，如学习内容推荐、学习方法推荐、学习路径推荐、智能答疑推荐、虚拟实验室推荐、协作学习小组推荐、人气服务推荐等多种推荐服务。

图1 个性化学习云服务推荐模型Fig.1 Personalized learning cloud service recommendation model

此模型推荐引擎中的推荐算法不再仅仅限于服务功能需求，现在还需要提高到服务质量（QOS）需求层面。为了解决这个问题，现有的研究均将协同过滤方法引入到推荐系统中，但现有的协同过滤推荐算法均计算的相似性，计算的复杂度过高。本文引入一种面向情境的基于SLOPE ONE［8］的协同过滤推荐算法，用于计算服务的相异性，具体步骤如下：

步骤1使用学习服务的学生提交云服务请求。

步骤2根据学生的个性化学习模型，使用云服务发现机制，在大量的云服务模型中筛选出满足学生需求的候选服务群。

步骤3通过MapReduce提取出学生个性化情境模型。

步骤4计算3维推荐空间的训练数据的相异性，找到相异性服务。

定义21：三维推荐空间TD的3个维度分别是用户U、位置P和服务M，q（u，p，m）是用户u使用位置p的服务s的QOS属性值，如果用户u没有使用过位置p的服务m，则q（u，p，m）=0。三维推荐空间如图2所示。

定义22：服务m和服务n*空间的相异性计算公式如下：

其中|U（m）∩U（n*）|表示调用了服务m和服务n*空间的用户数量，gu，m是用户u调用服务m的QOS属性值，gu，n*是用户u调用服务n*空间的QOS属性值。

图2 三维推荐空间Fig.2 Three-dimensional recommended space

步骤5计算用户u调用服务m的预测QOS属性值，公式如下：

其中，gu*是用户u*空间所有评过分的服务评分平均值，|Gu*|是用户u*空间除去服务m的所有评分数目。

步骤6根据预测值向学生推荐最优的k个候选学习云服务。

6 结束语

云服务作为云计算环境下建立分布式系统的流行技术之一，而备受关注，它的成功给广大的技术人员和研究人员带来了全新的挑战，其中学习云服务的推荐更是备受学生和教师的关注。在“数据过盛”［8］和“知识匮乏”的矛盾下，加大了学生及时获取有用学习服务的难度，云服务推荐技能解决这一难题。本文将学生的个性化学习习惯、情境等带入了云服务推荐技术，并构建了一个个性化学习云服务推荐模型，使用服务的相异性计算进行推荐，但此模型还不成熟，情境的使用还不全面。在后续的研究工作中还需要进一步将情境引入云服务推荐进行研究，为云服务推荐应用奠定一定的基础。

［1］姜有辉.个性化学习服务模型研究［D］.天津：天津师范大学，2006.

［2］王吉林.基于定制服务的个性化学习系统的设计与实现［D］.武汉：华中师范大学，2014.

［3］古凌岚.基于情境的Web服务推荐方法 ［J］.计算机工程与设计，2014，35（3）:1115-1121.

［4］杨岳明，陈立潮，谢斌红，等.基于用户情境聚类的Web服务发现方法研究 ［J］.计算机工程与设计，2012，33（4）: 1442-1446.

［5］佘其平.基于用户情境的服务组合推荐方法研究［D］.武汉：武汉理工大学.2012.

［6］刘平峰，张慧，章佩露.面向用户均衡需求的Web服务资源智能推荐方法［J］.计算机应用研究，2012（9）:3224-3228.

［7］王萍，刘玲.基于PaaS云模式的学习推荐系统研究［J］.中国教育信息化，2013（3）:79-81.

［8］谢琪.基于协同过滤与QoS的个性化Web服务推荐研究［D］.重庆：重庆大学，2012.

The cloud service recommendation model of personalized learning based on situation

YUAN Xiao-yan
（College of Computer，Sichuan University of Arts and Science，Dazhou 635000，China）

The development of cloud service caused the information explosion，so the personalized recommendation of cloud services has been very popular，the same of the cloud services recommend of learning.Thesis to explore cloud services recommendation as the goal，constructs the individualized learning cloud service recommendation modelbased on the analysis of individual learners model，personalized situation model and service model，introduces analgorithm of collaborative filtering recommendation based on SLOPE ONE to face situation，to recommend cloud services through computing the opposite sex of services，and adopt a variety of methods to recommend cloud services.The purpose of the thesis is to promote the development of personalized cloud service recommendation technology.

personalized；situation；cloud services；recommendation；model

TN-9

A

1674－6236（2016）04-0039-03

2015-04-27 稿件编号：201504289

四川省教育厅一般项目（15ZB0318）；四川文理学院一般项目（2014Z012Y）

袁小艳（1982—），女，重庆永川人，硕士，讲师。研究方向：软件技术及开发、云服务、知识工程。