融合文化和时间的学习资源推荐研究

高晓波+方献梅

摘要：大数据环境下，从海量学习资源中为学习者提供个性化的资源推荐服务可提高学习效率。考虑到不同区域的人具有不同的文化背景，人们对事物的喜好具有区域性，以及提供个性化推荐通常面临数据稀疏和冷启动的问题，提出使用因子分解机，综合考虑学习者的知识基础、兴趣、文化和时间因素，借助学习者所处区域的文化背景，选出与其有相同或相似文化背景的学习者，并结合学习者最佳学习时间及学习体系结构，以提高个性化学习资源推荐的质量。实验结果表明，该方法在一定程度上提高了推荐准确率。

关键词：学习资源；个性化学习；因子分解机

DOIDOI：10.11907/rjdk.171135

中图分类号：TP319

文献标识码：A 文章编号：1672-7800（2017）006-0063-03

0 引言

随着通信技术的发展和移动终端的普及，移动学习已成为现实。移动学习让学习者可以随时随地按需学习，实现个性化学习。如今网络上的学习资源越来越多，学习者在大量的信息空间中，很难找到所需要的、对自己有帮助的学习资源，而且网络上的教学资源水平参差不齐，学习者要花费大量时间和精力进行甄别选择，这无疑会降低学习者的学习效率，甚至影响学习者的学习兴趣。从海量学习资源中挖掘出用户感兴趣的学习资源并进行个性化推荐，有助于提高学习者的学习效率。

推荐系统通过挖掘用户与项目之间的二元关系，帮助用户从海量数据中便捷发现其感兴趣的对象并生成个性化推荐列表以满足其兴趣偏好[1]，主要应用于电子商务领域。但知识的构建过程有别于消费过程，学习资源推荐也就有别于商品推荐，课程学习具有其知识体系结构，遵循由易到难、循序渐进等固有的规律，因而学习推荐不能仅从学习者的偏好进行推荐，还需考虑各知识点的衔接顺序、学习者的学习背景，故学习资源推荐较网上购物推荐更为复杂。本文引入因子分解机，结合学习者的年龄、学习者所处位置、时间、学习资源属性等因素，实现向学习者在适当的时间、地点推荐适当的学习资源，并有效缓解数据稀疏问题，提高学习资源推荐的质量和效率。

1 文献综述

个性化推荐用于解决大数据环境下的信息过载问题。个性化推荐技术主要有基于内容的推荐、基于规则的推荐、协同过滤推荐和混合推荐。基于内容的推荐需要分析资源内容信息，根据资源内容与用户兴趣的相似性为用户提供推荐，性能较低、准确率不高。基于规则的推荐技术挖掘项目间的关联规则和用户间的关联规则并保存，然后通过保存的这些规则为当前用户提供推荐，随着事务的增加，规则的发现非常耗时。协同过滤推荐技术最早出现于Tapestry系统[2]，用于过滤邮件。协同过滤分为基于用户的协同过滤和基于项目的协同过滤，前者认为如果用户对一些项目的评分相似，则对其它项目的评分也相似；后者认为用户对不同项目的评分存在相似性，当需要估计用户对某个项目的评分时，可以使用用户对该项目的若干相似项目的评分来进行估计。协调过滤存在数据稀疏和冷启动问题。混合推荐就是综合两种或两种以上推荐技术，尽量利用不同推荐算法的优点并避免其缺点，来取得更好的推荐效果。高晓波等[3]将信任和因子分解机结合，进行商品推荐。

个性化推荐在教育领域的应用已引起不少研究者的关注。吴正洋等[4]利用协同过滤技术，依托学术社交网络平台，实现社交网络环境下基于本体的学习推荐，结果表明，使用推荐的学习者的学习专注度和持久度较高。李保强等[5]分析学习资源和知识本体的关联，以及用户与学习资源的关联，形成用户-学习资源-知识间的关联矩阵，使用混合协同过滤对学习者进行个性化推荐。丁永刚等[6]利用协同过滤算法，融入学习者之间的信任度，进行学习资源的推荐。鄂海红等[7]把时间上下文信息引入到协同过滤算法，将借阅时间作为推荐的上下文维度，实现基于图书借阅数据上的学生学习兴趣挖掘与推荐。杨丽娜等[8]从服务、情境、资源和技术4个维度分析影响用户偏好建立的因素，以提升泛在学习服务的个性化和智能化水平。

2 影响因素分析

2.1 文化差异

地域文化指各地方的风俗习惯、生活方式、文化形态、宗教信仰等，有研究表明，不同地域的文化对人们的行为有着一定影响，同一区域的人有着相同或相似的行为模式和思维模式，不同地域的人有着不同的行为模式和思维模式。例如，地域差异对饮食文化有着很大影响，不同地域的人有着各自不同的生活方式和饮食习惯。我国东部主食以米面为主；西部以肉类和奶制品为主，米面为辅；南方以米饭为主；北方人以面食为主。此外，还有“东辣西酸、南甜北咸”的说法。地域文化具有地域穩定性、传承性等特点。文化对用户行为、兴趣等有一定的影响，形式化表示为C={c1，c2，…，cn}，其中n是维数，ci（1≤i≤n）分别表示用户所处地域、用户的宗教信仰、用户所受教育程度等文化属性。

2.2 时间

（1）用户最佳学习时间。“世界上没有两个人的个人生物钟是一样的”，每个人的最佳学习时间也存在一定差异。每个人都有自己的学习兴趣和学习方式，学习者的兴趣偏好在不同的时间段也不尽相同，比如有的人早上记忆力好，喜欢背英语单词，下午理解力好，喜欢学习数学、物理等，晚上喜欢复习或预习功课。在适宜的时间推荐适宜的学习资源将提高学习者的学习效率。

（2）学习资源的时间属性。专业学习具有连贯性，任何一个知识点都是整个知识体系中的一环，它与前面的旧知识紧紧相联，又与后面的新知识相互衔接。因此，推荐学习资源时要注意新、旧知识的连贯性以及学习者已有的基础。推荐合适的学习资源，可大大提升学习效果，进而激发学习者的学习兴趣。学完一个知识点后可以给学习者推荐相关练习，通过练习既可让学习者巩固所学知识，又能提高学习者分析问题、解决问题的能力，还能发展学习者的思维。

3 因子分解机

3.1 因子分解模型

4 实验结果与分析

4.1 实验数据集

本实验使用Book-Crossing数据集，数据集包含278 858个用户对271 379本书的评分，有显式和隐式评分，显式评分值为1～10分，表示用户对书籍的满意程度。

4.2 实验结果

本实验采用准确率（Precision）、召回率（Recall）和综合评价指标（F1-Measure）作为识别推荐精确性的标准。为测试本文方法的精确性，将其与标准协同过滤推荐方法（Collaborative Filtering，CF）进行对比实验，实验结果如图2所示。

4.3 运行时间

试验中比较CF和FM对训练集一次完整迭代的运行时间，取m=4。为了显示随因子分解维度k的增加，运行时间的增长，对两种模型取k∈{1，2，4，8，16，32，64，128}，结果如图3所示。

5 结语

移动学习资源的个性化推荐可提高学习者的学习效率。本文针对传统协同过滤中存在的冷启动和数据稀疏等问题，提出使用因子分解机，综合考虑用户之间的文化差异，考虑学习知识间的连贯性，并与传统协同过滤推荐方法进行比较，验证了本文所提算法的可行性。

参考文獻：

[1]黄震华，张佳雯，田春岐，等.基于排序学习的推荐算法研究综述[J].软件学报，2016，27（3）：691-713.

[2]GOLDBERG D，NICHOLS D，OKI B M，et al.Using collaborative filtering to weave an information tapestry[J].Communications of the ACM，1992，35（12）：61-70.

[3]高晓波.基于因子分解机的信任感知商品推荐[J].山东大学学报：理学版，2016，51（1）：89-94.

[4]吴正洋.社交网络下学习推荐研究与实践[J].中国电化教育，2016（3）：75-81.

[5]李保强，吴笛.基于知识关联的学习资源混合协同过滤推荐研究[J].电化教育研究，2016（6）：77-83.

[6]丁永刚.融合学习者社交网络的协同过滤学习资源推荐[J].现代教育技术，2016（2）：108-114.

[7]鄂海红.结合时间上下文挖掘学习兴趣的协同过滤推荐算法[J].北京邮电大学学报， 2014（6）：49-53.

[8]杨丽娜.面向泛在学习智能推荐的用户偏好影响因素实证研究[J].现代教育技术，2016（10）：44-51.

[9]RENDLE S.Factorization machines[C].New York：The 10th IEEE International Conference on Data Mining，2010：995-1000.

（责任编辑：孙 娟）