碎片化学习资源信息表示及个性化推荐策略研究

杨韶华

摘要：如何在海量、冗余、离散的碎片化资源中准确快速地得到学习者最需要的资源是个性化资源推荐策略研究的主要内容。以《计算机组装与维护》课程的碎片化资源建设为例，在学习元模型理论的基础上，运用XML技术表示学习过程中产生的非结构化资源的动态数据结构，并构建了碎片化学习资源个性化推荐模型。运用艾宾浩斯遗忘曲线和形式背景理论，根据用户的学习路径、知识结构、学习频率等参数实现动态的学习伙伴和学习资源推荐。

关键词：碎片化资源;个性化推荐;XML;遗忘曲线

中图分类号：G642      文献标识码：A

文章编号：1009-3044（2019）16-0104-02

开放科学（资源服务）标识码（OSID）：

在大数据时代，人们利用零散的时间和手机等移动终端进行的学习称之为碎片化学习。而碎片化学习就要求学习资源的粒度要微小、媒体形式要便捷、信息内容要海量。但是，碎片化并且冗余的学习资源也带来一些认知障碍方面的问题。一是，学习者在没有掌握相应的知识体系之前，无法清晰明确地知道自己的学习路经是怎样的。二是，即便明确了学习路经，大量冗余的碎片化资源也增加了学习者在学习过程中辨别、筛选的工作量和难度。尤其是在专业知识学习方面，碎片化的资源会导致学习者难以自行构建科学的知识体系，而影响学习效果。要解决这些问题，让碎片学习效率得以提升就需要通过个性化推荐系统为用户进行及时、动态、科学的学习资源推荐。

1 研究背景

人们希望在各种获取资源的系统中得到的不是零散无须的资源链接，而是能够在适当的时间和地点获得适当的学习伙伴和精准的学习资源。因此，个性化资源推荐策略研究一直是学习资源建设中的热点问题。

在国外，已经有大量的个性化推荐的研究成果和项目。比如，卡内基梅隆大学的Brusilovsky开发的InterBook、艾恩德霍芬科技大学的Debra和Calvi等人开发的AHA！（Adaptive Hypermedia Archtecture）和东京大学山内佑平研究的学习策略导航器等。

在国内，北京师范大学的余胜泉教授泛提出了泛在学习环境下的学习资源信息模型——知识元模型。该模型有六个要素组成，分别是学习内容、生成性信息、KNS网络、格式信息、学习活动、语言描述。每个知识元既可以独立存在，也可以互相联通，构成个性化的知识网络，从而形成学习元库，为个性化知识推荐模型提供了信息依据，也是本文研究的理论基础。

在个性化推荐系统中，协同过滤技術应用最广泛。它主要是通过寻找某一用户的最相似邻居来进行信息推荐。比如，夏培勇提出运用信息熵来计算用户间的相似程度。这种方法对于电影、课外阅读物等资源的推荐是非常有效的。但是，学科知识不仅仅要考虑用户之间的相似程度，还需要考虑学科知识体系和学习者自身的知识结构。

2碎片资源的信息表示

碎片化的学习资源分为两种类型，结构化资源和非结构化资源。XML（Extensible Markup Language）是可扩展标记语言，主要应用于数据描述、不同平台的信息交换和共享等方面。其最主要的特点是允许用户自形定义标记，具有良好的开放性，可动态扩展地描述资源的数据结构。运用XML描述的数据，能够更加有利于搜索软件的搜索，也便于进行粒状更新。本文运用XML语言来表示结构化的资源信息和非结构化的资源信息，尤其对非结构化信息的数据模型的动态变化非常有利。

2.1 结构化资源的信息表示

结构化的碎片资源是资源创建者按照预先设计好的结构精心设计组织起来的学习资源。他们可以用层次化的组织结构描述出来，每个结构化的学习资源在知识体系中的位置明确、导航清晰，易于获取、存储和管理。

图1为结构化资源的数据结构，将《计算机组装与维护》课程资源分为项目-任务-资源三级。每个资源归属于某个知识点或技能点。所有的知识点和技能之间通过组织关系、依赖关系、兄弟关系、平行关系等关系形成网状的知识结构，从而将课程碎片化资源的知识内容和知识结构表达出来。

2.2 非结构化资源的信息表示

而非结构化的碎片资源是在学习者使用过程中产生的过程化资源。对于非结构化的碎片资源，学习者既是资源的使用者，也是资源的创作者、分享者和传播者。这些资源的来源、结构不确定的，资源间的关系是非线性的、网状的，资源内容也是动态变化的、不稳定的。

在个性化学习资源推荐过程中，首先应当明确学习者的兴趣和需求、建立结构化的学习资源及其结构。其次要掌握其学习路径。在跟踪学习路径的过程中，所涉及的资源既有事先建立的结构化资源，也有随着学习过程产生的非结构化的资源，这就需要设计一种合适的信息表达方式能够随时动态的更新学习元库。

图2为非结构化资源的数据结构，针对每一个资源设计设计用于存储过程化资源的结构。图1中的资源节点是学习内容与过程化资源的结合点。过程化资源的结构可根据产生的资源情况不断调整。

3 个性化碎片资源推荐模型构建

在碎片化资源中，学习者不仅仅需要获得所需要的学习资源，更希望得到适合个人需求的个性化学习方案，就像有专业老师进行的学习路径指导一样。个性化的学习过程是“以学习者为中心”的，是根据学习者的已有知识结构、学习进度、兴趣特征、学习习惯等因素进行知识学习和知识固化的过程。因此。个性化学习推荐策略既要推荐科学且符合学习者习惯的学习资源，又要促进学习者与内容以及学习者之间的互动。因此，本研究将个性化推荐模型分为两个方面的推荐，分别是学习伙伴推荐和资源推荐。

3.1 个性化的学习伙伴推荐

人类学习的过程不单纯是的资源的阅读。学习其实是在一定的社会背景下，在他人的帮助下，通过参与互动等方式不断构建的过程。在这一个过程中会产生众多的过程数据，比如在学习过程中对资源的标注、分享、收藏，对其他学习者的关注等等，这些数据形成了每个学习者的个人学习空间。如果将这些个人学习空间联通，就可以为学习者提供资源本身以外的信息，从而发挥推荐系统的社交属性。

传统协同过滤算法通过寻找相似用户来预测目标用户可能的兴趣点，这类算法对于电影、课外读物等没有特定的先后关联关系的资源推荐是非常有效的。在学习系统中，基于用户相似度的协同过滤算法，不仅仅可以用于资源的推荐，还可以用于学习伙伴的推荐。

3.2 个性化的学习资源推荐

在学习伙伴推荐的基础上，根据学习伙伴的兴趣推荐、学习者自身的知识结构、学习资源知识结构等获取推荐资源知识元候选集。并对候选集进行聚类和筛选，同时结合艾宾浩斯遗忘曲线对候选数据进行修正。从而得到最终推荐的资源集合。

学习伙伴个性化推荐分为四个步骤：首先确定目标学习者的学习现状，也就是根据学习者最近一次学习资源的信息确定学习者在资源组织图中的位置。接着，运用考虑时间因素的协同过滤算法获取学习伙伴推荐集。第三步，通过学习伙伴推荐集获取的相似用户兴趣资源和根据学习者现有知识背景构建的学习资源共同产生资源后候选集。第四步，对候选集中资源进行聚类和筛选，对筛选结果运用艾宾浩斯遗忘曲线理论进行修正，获得最终的学习资源推荐集。

4 结论

个性化学习推荐系统考虑了学习过程中的社交属性，运用XML技术将学习过程中产生的非结构化的资源表示出来，构建每个学习者的个人学习空间。并且运用基于时间属性的协同过滤算法将有相似度的学习者的个人学习空间联通起来，使得个性化推荐系统不仅仅为用户推荐的是学习资源，还为其提供合适的学习同伴，使得学习者运用移动终端的学习过程更加接近于社会化的学习过程，从而提高碎片化学习的效果。

【通联编辑：光文玲】