基于用户兴趣模型及能力评估模型的个性化推荐方法研究

阮怀伟吴晓璇 陈艳平

1 引言

随着互联网规模的不断扩大，网络资源迅猛增长，人类社会已进入一个信息爆炸的时代。同时，用户的社会化标注行为进一步推动着信息的增长。然而，由于用户兴趣、表达方式等方面的差异，促使社会化标签质量参差不齐，信息超载和信息迷航俨然成为学术界和产业界亟待解决的问题[1]。推荐算法通过对用户的行为属性进行分析，挖掘用户的兴趣，从而为用户精确推荐物品或信息[2]。个性化推荐方法是利用用户预先提供的数据[3]或利用数据挖掘[4]等技术挖掘用户潜在的兴趣资源进行推荐。

随着Internet的迅速发展和全球对终身教育的需求，以异步教育方式为主要特征的基于Web的在线学习已成为Internet上的一种重要应用[5-7]。基于在线学习的个性化学习受到越来越多研究者的关注。目前在线学习的应用还存在一些缺点，其中利用动态、异构环境下的分布学习资源进行个性化学习是困扰已久的关键问题，表现在学习过程中缺乏指导，学习资源重用率低，不能以学习者为中心来推送符合学习规律的学习资源。

本文以在线学习为应用背景，基于用户的基本信息和兴趣偏好构建用户兴趣模型，通过用户对知识的掌握程度构建学习能力评估模型，再基于用户兴趣模型和学习能力评估模型进行个性化推荐，通过个性化学习系统推送包括文本、图片、视频、试题等经过语义标引过的学习资源。其中，试题资源还可用于在线测试，以便检验用户的学习效果，同时将测试结果反馈给学习系统，用以不断修订用户兴趣模型及学习能力评估模型，不断优化个性化学习系统的精确性，使得用户通过在线学习获得更好的学习体验和知识积累。

2 用户兴趣模型构建

在线学习背景下，用户兴趣主要由隐性信息和显性信息组成。显性信息包括用户注册时获取的基本信息，如用户的年级、性别、偏好等；隐形信息由用户在学习过程中的系统记录抽取而来，能够反映用户的当前状态，在实际应用中更为有效。单一的信息都不足以体现用户的真实兴趣，无用的信息也会大大增加建模的复杂度和计算成本，因此如何将两者结合，提取出用户真正的兴趣点是用户兴趣信息提取的一个关键问题[8]。本文建立的用户兴趣模型主要从两个方面构建：子知识点及学科。

2.1 子知识点的兴趣模型

在学习资源推荐中，认为用户兴趣与用户对知识点的掌握程度密切相关，也就是说掌握越好的知识点对应的兴趣度就低，而掌握差的知识点，兴趣度就高。知识点兴趣度用知识点的权值来描述。在初始阶段，知识点的权值均设为1，随着用户学习行为的推进，采用隐式计算方法获取并动态修改知识点的权值。

每个知识点的权值wj可以由三个部分：①知识点掌握程度；②用户学习行为；③知识点频率；计算获得，如公式（1）：

（1）wknowledgej的数学计算如公式（2）：

其中，totalscorej表示所有包含该知识点的题目数量；currentscorej表示答对的题目数量。

（2）wlearningj的数学计算如公式（3）：

其中，learnj表示用户学习的该知识点的资料数量，total_learn表示已学资料的总数，比重越大，则说明用户对该知识点越感兴趣。

（3）wfrequencyj的数学计算如公式（4）：

其中，accessj表示资源库中用户阅览的包含该知识点的资料数量，databasej表示数据库中包含该知识点的资料数量。

在上述计算知识点的权值过程中，不排除下述极端情况：

（1）兴趣度最低

兴趣度最低表示学生没有学习任何教学资源就可以测试通过，表示学生已经掌握了该知识点。

（2）兴趣度最高

兴趣度最高表示学生已经学完了所有该知识点的教学资源，但还是未能通过测试，表示学生还得接着学习该知识点。

（3）兴趣度变化

随着学生学习资源数的增加，兴趣点会逐步分散，之前学过的知识点兴趣度会逐渐减少，后学的知识点兴趣度会逐渐增加。

上述用户兴趣模型是通过计算知识点的权值确定用户的兴趣度，此模型符合用户的学习行为和学习习惯，具有一定的理论和现实依据，可以作为个性化推荐的重要依据。

2.2 学科兴趣模型

在定义知识点兴趣模型的基础上，学科i的兴趣度Wi用学科下所有一级知识点的权值的加权和来计算。其中，知识点的权重由领域专家标注，重点知识点权重大，非重点权重小。

其中，αj为归一化后的权重；wj表示第j个一级知识点的兴趣度权值。一级知识点的兴趣度权值wj由一级知识点本身和它所包含的子知识点的兴趣度来确定，其计算如公式（6）：

其中，βk为归一化后的权重；wjk表示第j个一级知识点包含的所有子知识点的兴趣度权值。wj0β0为第j个一级知识点本身的兴趣度。将（5）式、（6）式合并可以获得公式（7）：

3 学习能力评估模型构建

用户的学习能力评估由用户在使用系统的过程记录抽取分析而得，能够反映用户对各知识点的掌握程度。在学习能力评估模型中，设定用户能力等同于用户对知识点的掌握程度。掌握程度与用户学习资源数、测试分值呈正比。因此每个知识点的掌握程度pj可通过两部分：①测试结果；②用户学习行为计算获得。其计算公式如下式（8）：

其中，totalscorej表示所有包含该知识点的题目数量，currentscorej表示答对的题目数量。

其中，accessj表示资源库中用户阅览的包含该知识点的资料数量，databasej表示数据库中包含该知识点的资料数量。

（3）θ的数学计算如公式（11）：

其中，k表示总资料数量阈值，总资源数越多，则学习行为对能力的影响越大，当达到阈值时影响最大，θ=1。

4 基于用户兴趣模型及学习能力评估模型的个性化推荐方法

构建了基于用户兴趣模型及学习能力评估模型后，需要运用模型为用户提供个性化信息服务，即将用户与资源进行匹配。针对特定的用户，首先根据本体推理获得相关知识点，计算该用户对相应知识点的兴趣程度，按照从大到小的排序顺序将知识点所属资源推荐给用户，实现个性化推荐的目的。在获得学习的基础上，通过用户的使用记录，计算用户对各知识点的掌握程度，在个性化推荐中起到辅助作用。

实现个性化推荐服务，大体流程分为四个阶段：相似用户发现、资源集的确定、资源特征表示和模型匹配运算。该流程的总体框架如图1所示。

在在线学习应用背景下，结合学习能力评估模型，以协同过滤算法为根据，构建个性化学习系统总体框架如图2所示。

5 结束语

本文以在线学习为应用背景，通过上述研究，解决了个性化推荐方法中存在的部分问题，如在线学习过程中，如何刻画用户的兴趣；如何量化用户的学习能力；用标签来描述用户兴趣，不受内容提取技术的限制等问题。虽然对个性化推荐方法中存在问题进行了深入研究，然而由于个性化信息服务系统的复杂性及研究时间、研究条件的限制等原因，还存在以下问题，值得今后继续深入研究：多用户兴趣模型的构建、半结构化数据的稀疏性问题、推荐算法的可扩展性问题、推荐算法的精度等问题。

图1 基于用户兴趣模型的个性化信息服务流程

图2 基于用户兴趣模型及学习能力评估模型的个性化学习系统