盧 志 翔

(南寧學(xué)院信息工程學(xué)院， 南寧 530200)

?

網(wǎng)絡(luò)學(xué)習(xí)系統(tǒng)個性化實時推薦策略研究

盧 志 翔

(南寧學(xué)院信息工程學(xué)院， 南寧 530200)

摘要：網(wǎng)絡(luò)學(xué)習(xí)資源海量化在給學(xué)習(xí)用戶提供資源選擇多樣化和學(xué)習(xí)自主化的同時，也給用戶快速獲取個性資源提出了更高要求。在分析當前個性化推薦技術(shù)的基礎(chǔ)上，充分考慮學(xué)習(xí)的過程性和資源間的語義相關(guān)性，提出一種基于本體個性化的實時推薦模型和算法。主要從模型構(gòu)建、本體構(gòu)建、語義相關(guān)度和個性推薦算法等方面進行研究，設(shè)計了網(wǎng)絡(luò)學(xué)習(xí)系統(tǒng)中資源個性化推薦的基本框架和流程，為提高網(wǎng)絡(luò)學(xué)習(xí)效率提供全新的解決思路。

關(guān)鍵詞：個性化推薦； 實時推薦； 推薦策略

網(wǎng)絡(luò)技術(shù)的快速發(fā)展，網(wǎng)絡(luò)教學(xué)資源的海量化、多樣化，影響著傳統(tǒng)的教學(xué)模式和學(xué)習(xí)模式，為個性化學(xué)習(xí)需求提供了良好基礎(chǔ)。同時教育政策也提倡構(gòu)建網(wǎng)絡(luò)化教學(xué)體系，逐步實現(xiàn)個性化學(xué)習(xí)和移動學(xué)習(xí)[1]?！督逃畔⒒臧l(fā)展規(guī)劃(2011 — 2020年)》指出：個性化學(xué)習(xí)已成為信息時代教育發(fā)展的重要特征。2012年全國教育信息化工作電視電話會議上，國務(wù)院副總理劉延?xùn)|在會上明確提出5年內(nèi)構(gòu)建網(wǎng)絡(luò)化的教學(xué)體系，使學(xué)生學(xué)習(xí)方式由被動式向個性化學(xué)習(xí)、移動學(xué)習(xí)、泛在學(xué)習(xí)發(fā)展。

要實現(xiàn)網(wǎng)絡(luò)學(xué)習(xí)的個性化，既需要大量的學(xué)習(xí)資源滿足不同用戶的需要，更需要為不同用戶在海量資源中快速獲取適合自己學(xué)習(xí)的資源提供便捷，這是網(wǎng)絡(luò)學(xué)習(xí)系統(tǒng)中個性化推薦存在的急需解決的問題。因此，對網(wǎng)絡(luò)學(xué)習(xí)系統(tǒng)個性化實時推薦進行研究是十分必要的。

1個性化推薦研究現(xiàn)狀

個性化推薦研究是20世紀90年代由Resnick[2]首次提出，主要應(yīng)用于新聞協(xié)同過濾推薦研究。個性化推薦是根據(jù)用戶的興趣特點、個人信息、操作行為以及社會關(guān)系等信息，并分析用戶偏好，建立用戶模型，最終向用戶主動推薦用戶感興趣的信息。目前電子商務(wù)、新聞、娛樂等網(wǎng)絡(luò)系統(tǒng)中個性化推薦技術(shù)使用較為普遍，如淘寶商城、Amazon等都采用了個性化推薦技術(shù)，實時推薦相似的商品供用戶選擇，促進用戶購買商品從而達到營銷目的。目前使用的推薦技術(shù)主要有基于內(nèi)容過濾的推薦技術(shù)[2-3]、基于協(xié)同過濾的推薦技術(shù)[4]、基于關(guān)聯(lián)規(guī)則的推薦技術(shù)[5-7]和基于本體的推薦技術(shù)[8]。

1.1基于內(nèi)容過濾的推薦技術(shù)

基于內(nèi)容過濾的個性化推薦技術(shù)主要思想是根據(jù)用戶以往的瀏覽習(xí)慣和瀏覽內(nèi)容，提取用戶的興趣特征構(gòu)建用戶興趣模型。通過匹配資源屬性特征和用戶興趣的相似性來過濾信息，最后排序資源并推薦給用戶?；趦?nèi)容的個性化推薦系統(tǒng)一般通過加權(quán)方式計算用戶興趣特征權(quán)重，對于興趣單一的老用戶推薦的信息較為精確。國外著名的基于內(nèi)容過濾的推薦技術(shù)研究有麻省理工大學(xué)開發(fā)的個性化瀏覽輔助智能體Letizia[9]。

1.2基于協(xié)同過濾的推薦技術(shù)

協(xié)同過濾推薦是在電子商務(wù)系統(tǒng)中應(yīng)用最成熟的技術(shù)之一，其核心是采用最近鄰居技術(shù)(TOP-N推薦)，基本思想認為人與人之間的行為存在某種程度的相似性，也就是2個用戶，具有相同的瀏覽歷史，新瀏覽的資源可能相同。協(xié)同過濾就是根據(jù)目標用戶的興趣模型匹配其他不同用戶，計算出相似程度，再根據(jù)相似度最高的最近鄰用戶或用戶群的興趣資源，推薦給當前用戶。基于內(nèi)容過濾的推薦技術(shù)是根據(jù)用戶以往的興趣進行同類或相似資源推薦，而協(xié)同過濾技術(shù)是根據(jù)其他用戶的喜好產(chǎn)生推薦，前者推薦的資源是同類，后者推薦的資源是同類用戶的興趣資源，與資源內(nèi)容本身無關(guān)。常見 “最新10條新聞”、“點擊率最高10條新聞”是協(xié)同過濾推薦典型案例。國外基于協(xié)同過濾推薦技術(shù)研究的有斯坦福大學(xué)提出的基于內(nèi)容的協(xié)同推薦原型系統(tǒng)FAB[10]。

1.3基于關(guān)聯(lián)規(guī)則的推薦技術(shù)

關(guān)聯(lián)規(guī)則挖掘是數(shù)據(jù)挖掘領(lǐng)域中廣泛研究的挖掘技術(shù)，最早由Hammond等人提出并應(yīng)用于推薦系統(tǒng)[5]。關(guān)聯(lián)規(guī)則技術(shù)根據(jù)當前用戶的興趣信息，通過大量數(shù)據(jù)分析，分析數(shù)據(jù)中項集之間有趣的關(guān)聯(lián)或相互關(guān)系，按照規(guī)則的重要程度把信息排序展現(xiàn)給用戶。關(guān)聯(lián)規(guī)則推薦技術(shù)最大特點是可以離線模式下產(chǎn)生推薦模型，能滿足實時推薦的要求。

1.4基于本體的推薦技術(shù)

基于本體的推薦技術(shù)通過獲取用戶知識體系，根據(jù)不同的知識領(lǐng)域規(guī)則向用戶推薦相關(guān)知識，推薦的精確度主要依賴本體的知識表示。從哲學(xué)角度來說，本體(Ontology)指客觀存在的一個系統(tǒng)解釋。20世紀90年代本體概念引入人工智能來表示知識，定義為概念模型的明確規(guī)范說明，為人工智能下的本體提供一種可共享、可重用的知識描述方式。目前基于本體的個性化推薦研究有CNKI相似資源推薦功能，清華大學(xué)推出的混合推薦系統(tǒng)Open Bookmark等[11]。

從目前推薦技術(shù)(特別是電子商務(wù)信息個性化推薦)研究來看，個性化推薦已有了一定的發(fā)展。但這些技術(shù)應(yīng)用于網(wǎng)絡(luò)學(xué)習(xí)、資源個性化推薦卻突顯出很多不足：

(1)忽視學(xué)習(xí)的過程性。學(xué)習(xí)不同于網(wǎng)絡(luò)購物，它屬于一個完整的學(xué)習(xí)認知過程，包括學(xué)習(xí)課程內(nèi)容、學(xué)習(xí)活動、學(xué)習(xí)評價以及測試考試等各種活動?；趦?nèi)容過濾推薦、協(xié)同過濾推薦、關(guān)聯(lián)推薦等，只考慮資源相似或關(guān)聯(lián)，并沒有考慮學(xué)習(xí)活動狀態(tài)及學(xué)習(xí)效果。當用戶在線測試效果不佳時，推薦的資源應(yīng)能考慮到用戶認知水平。

(2)忽視資源間的語義相關(guān)性。目前很多推薦系統(tǒng)都能做到相似資源的推薦，但忽略資源間的語義相關(guān)性，如語義包含、等價、上下位概念等。

本次研究提出的推薦模型，考慮學(xué)習(xí)的過程性和資源間的語義相關(guān)性，根據(jù)學(xué)習(xí)過程實時篩選推薦學(xué)習(xí)資源，從而保證推薦資源的質(zhì)量。

2個性化實時推薦策略

2.1個性化推薦設(shè)計思想

目前成熟的個性推薦技術(shù)比較適合于電子商務(wù)系統(tǒng)。用戶的興趣愛好是不斷發(fā)生變化的，課程學(xué)習(xí)是循序漸進的，如果只重視用戶長期興趣模型的建立，推薦的結(jié)果往往是偏向舊知識，新知識、上下關(guān)聯(lián)的知識則得不到推薦。為提高目前網(wǎng)絡(luò)學(xué)習(xí)系統(tǒng)個性化推薦的精準度，提高用戶學(xué)習(xí)的效率，根據(jù)知識的認知規(guī)律，提出網(wǎng)絡(luò)學(xué)習(xí)系統(tǒng)個性化實時推薦框架，模塊體系結(jié)構(gòu)如圖1所示。

圖1　網(wǎng)絡(luò)學(xué)習(xí)系統(tǒng)個性化推薦模型

實現(xiàn)的主要模塊有學(xué)習(xí)任務(wù)診斷模塊、學(xué)習(xí)模塊、測試與評價模塊、數(shù)據(jù)挖掘模塊和個性化推薦模塊。

(1)學(xué)習(xí)任務(wù)診斷模塊。用戶登錄后讀取數(shù)據(jù)庫中的學(xué)習(xí)任務(wù)記錄，恢復(fù)上次任務(wù)學(xué)習(xí)狀態(tài)。推薦的學(xué)習(xí)資源根據(jù)任務(wù)狀態(tài)節(jié)點的資源及相關(guān)資源提供。

(2)學(xué)習(xí)模塊。從學(xué)習(xí)任務(wù)模塊或課程資源庫中選取學(xué)習(xí)資源，用戶訪問資源的詳細頁，同時記錄學(xué)習(xí)狀態(tài)和進度。推薦模塊根據(jù)用戶即時學(xué)習(xí)狀態(tài)，在線計算資源間的相關(guān)度，推薦與本次學(xué)習(xí)內(nèi)容最相關(guān)的資源，包括知識點的上下位、概念以及測試資源庫相關(guān)資源。

(3)測試與評價模塊。該模塊主要是課程配套的練習(xí)、相關(guān)測試資源的考試。該系統(tǒng)根據(jù)用戶的答題情況作出相應(yīng)的評價，記錄學(xué)習(xí)者對學(xué)習(xí)效果的自我評價，并記錄用戶測試的狀態(tài)和結(jié)果。評價結(jié)果體現(xiàn)用戶對知識的認知和掌握程度，體現(xiàn)學(xué)習(xí)的質(zhì)量，而學(xué)習(xí)質(zhì)量影響到推薦結(jié)果的精確度。學(xué)習(xí)質(zhì)量較高則推薦資源傾向于關(guān)聯(lián)的新知識，學(xué)習(xí)質(zhì)量較低則推薦的資源傾向于關(guān)聯(lián)的舊知識。

(4)數(shù)據(jù)挖掘模塊。該模塊根據(jù)當前用戶行為狀態(tài)，從數(shù)據(jù)庫中提取用戶學(xué)習(xí)記錄信息，根據(jù)本體中定義的語義相關(guān)為用戶在課程資源庫中查詢相關(guān)資源并建立用戶模型，為個性化推薦模塊提供興趣集。本模塊分為離線數(shù)據(jù)挖掘和在線實時數(shù)據(jù)挖掘。各資源語義間的相關(guān)度通過離線計算，主要是提高系統(tǒng)的計算效率。實時推薦度通過在線實時計算，確保推薦的資源是目前學(xué)習(xí)狀態(tài)最相關(guān)的資源。

(5)個性化推薦模塊。推薦模塊根據(jù)數(shù)據(jù)挖掘模塊分析產(chǎn)生的數(shù)據(jù)集進行實時計算，并根據(jù)用戶的學(xué)習(xí)狀態(tài)實時篩選數(shù)據(jù)并排序，生成個性推薦結(jié)果集，從而完成個性化實時推薦。

從圖1可以看到，先記錄用戶的學(xué)習(xí)行為，再根據(jù)相關(guān)數(shù)據(jù)挖掘方法進行興趣特征提取，產(chǎn)生用戶興趣數(shù)據(jù)集，最后結(jié)合用戶學(xué)習(xí)現(xiàn)狀得到推薦結(jié)果，推薦過程運用到文本特征提取技術(shù)、機器學(xué)習(xí)技術(shù)等。

2.2個性化推薦策略

目前常用的推薦技術(shù)主要有基于內(nèi)容過濾的推薦技術(shù)、基于協(xié)同過濾的推薦技術(shù)和基于關(guān)聯(lián)規(guī)則的推薦技術(shù)，這3種推薦技術(shù)對語義信息的理解較差，難以滿足用戶對知識的需求。本次研究提出的個性化推薦系統(tǒng)考慮整個學(xué)習(xí)流程，為提供高效的個性化學(xué)習(xí)服務(wù)，技術(shù)上選擇基于本體的推薦技術(shù)，考慮學(xué)習(xí)資源間的語義相關(guān)性，實時監(jiān)控用戶學(xué)習(xí)狀態(tài)并對資源推薦候選集進行篩選，保證推薦資源的質(zhì)量和效率。其中主要涉及的關(guān)鍵技術(shù)有本體構(gòu)建、語義相關(guān)度以及個性推薦算法。

(1)本體構(gòu)建。本體構(gòu)建是在特定領(lǐng)域內(nèi)對概念之間的關(guān)系進行形式化組織的過程。本體構(gòu)建方法有手工構(gòu)建和自動化構(gòu)建，需要領(lǐng)域?qū)＜一驅(qū)W者遵循一定的規(guī)范和要求，才能準確、真實地反映現(xiàn)實世界。目前本體構(gòu)建主要是手動構(gòu)建，比較著名的本體構(gòu)建方法是斯坦福大學(xué)開發(fā)的“七步法”[12]。具體步驟：確定領(lǐng)域本體范疇、考查復(fù)用已存在的本體、確定本體專業(yè)術(shù)語、定義類和類間層次體系、定義類屬性、定義屬性相關(guān)約束、創(chuàng)建類實例。本體已經(jīng)成為世界所認可的知識表示手段。在實際構(gòu)建中，我們需要構(gòu)建兩類本體：課程資源本體和用戶知識本體。課程資源本體描述了各種學(xué)習(xí)資源之間的內(nèi)在聯(lián)系，并形成一定的層次結(jié)構(gòu)，包括課程概念本體和其它學(xué)習(xí)材料本體。用戶知識本體主要描述該用戶的學(xué)習(xí)任務(wù)結(jié)構(gòu)、學(xué)習(xí)偏好等知識。

(2)語義相關(guān)度。語義相關(guān)度主要是衡量知識概念之間關(guān)聯(lián)的緊密程度，概念還很模糊，沒有比較客觀的標準可以衡量。目前中文語義相關(guān)度計算研究較少，很多都以相似度計算為研究擴展，普遍認為相似度越高相關(guān)度也越高。語義相關(guān)度常用計算方法大致分為2類:基于語義詞典的語義相關(guān)度計算方法和基于大規(guī)模語料庫的語義相關(guān)度計算方法?，F(xiàn)有的語義資源有WordNet、知網(wǎng)、同義詞詞林、維基百科,百度百科、互動百科等。其中知網(wǎng)是最具研究代表性的中文語義詞典資源。課程資源的本體結(jié)構(gòu)是層次關(guān)系和上下位關(guān)系，所以筆者采用語義距離度量的方式計算語義相關(guān)度。在知網(wǎng)中語義的基本單位是義原，可以通過計算義原相關(guān)度和義原關(guān)聯(lián)度來計算詞語語義相關(guān)度。義原相關(guān)度(H)計算公式[13]為：

H(p1,p2)=β(d+β)

(1)

式中：p1,p2— 義原；

d— 義原距離；

β — 調(diào)節(jié)參數(shù)。

知網(wǎng)中詞語(S)由多個義原描述，并將多個義原線性疊加得到詞語的相關(guān)度。詞語義原包含基本義原H1(S1,S2)、輔助義原H2(S1,S2)、關(guān)系義原H3(S1,S2)和符號義原H4(S1,S2)。則詞語S1,S2的義原相關(guān)度為：

(2)

式中γi(1≤i≤4)為調(diào)節(jié)參數(shù)，且有γ1+γ2+γ3+γ4=1,γ1≥γ2≥γ3≥γ4，表明基本義原為義原主要特征描述，其他義原對詞語整體的影響依次遞減。

義原關(guān)聯(lián)度(A)描述義原的上下位關(guān)系及層次關(guān)系，計算公式為：

(3)

式中D為橫向關(guān)聯(lián)深度，即義原向上第幾層的解釋影響；d(pi,pj)表示義原pi在pj中出現(xiàn)的向上數(shù)的層數(shù)。從式(3)可看出層次越高的父節(jié)點的解釋義原對該義原的影響越小。

綜上所述，詞語W1,W2語義相關(guān)度記為R(W1,W2)，則計算公式為：

(4)

式中λ為調(diào)節(jié)參數(shù)，且λ1+λ2=1。

(3)個性推薦算法設(shè)計。本次研究的個性推薦算法推薦的準確度依賴本體的知識表示，而不是使用相似用戶的興趣作為推薦的主要依據(jù)。為提高系統(tǒng)的推薦效率，資源的語義相關(guān)度通過離線計算，為用戶推薦資源時采用實時計算推薦度排序算法，確保推薦的資源與當前用戶學(xué)習(xí)狀態(tài)最相關(guān)。同時，系統(tǒng)對用戶的學(xué)習(xí)行為進行更新，為下一次推薦作參考，起到更新推薦結(jié)果的作用。個性化推薦算法設(shè)計如圖2所示。

圖2　個性化推薦算法示意圖

資源間的語義相關(guān)度通過離線計算，個性化推薦模塊采用實時計算方案。在推薦資源的過程中，考慮用戶以往學(xué)習(xí)的質(zhì)量來提高推薦的精度。用戶以往學(xué)習(xí)記錄中只查看學(xué)習(xí)資源，還不做相關(guān)測試資源，這時應(yīng)該推薦相關(guān)的測試資源給用戶；如果用戶以往學(xué)習(xí)記錄中的測試記錄值過低，則應(yīng)推薦用戶查看過的資源、同類資源及相關(guān)測試資源；如果用戶以往學(xué)習(xí)記錄中測試記錄值較高，認為用戶學(xué)習(xí)質(zhì)量較高，根據(jù)知識認知過程和概念的上下位關(guān)系推薦新的資源給用戶。在實際應(yīng)用中我們引入κ(0≤κ≤1)表示學(xué)習(xí)質(zhì)量，設(shè)定κ0、κ1為2個臨界點。當κ<κ0時，提高Setemp(N,RS)中用戶歷史資源的語義相關(guān)度；當κ0<κ<κ1，提高Setemp(N,RS)中用戶學(xué)習(xí)記錄點的資源及相關(guān)測試資源的語義相關(guān)度；當κ1<κ，提高Setemp(N,RS)中用戶未查看過資源的語義相關(guān)度。實時推薦算法偽代碼如下所述。

輸入：用戶學(xué)習(xí)狀態(tài)P；

輸出：Top-N推薦資源集；

BEGIN

① 處理P，確定學(xué)習(xí)記錄節(jié)點，提取節(jié)點資源N，處理N使之符合規(guī)范；

② N本體語義概念擴展；

③ 根據(jù)公式(4)，對P概念集與資源庫RS求交集得Setemp(N,RS)；

④ 根據(jù)學(xué)習(xí)質(zhì)量記錄，對待推薦集Setemp(N,RS)中的語義相關(guān)度進行修正，得Setemp(N,RS)；

⑤ 根據(jù)語義相關(guān)度值對Setemp(N,RS)進行大小排序，提取Top-N條推薦資源集，完成推薦。

END

3結(jié)語

網(wǎng)絡(luò)資源良好的呈現(xiàn)方式和推送策略是提高網(wǎng)絡(luò)學(xué)習(xí)效率的有效途徑。個性化實時推薦對網(wǎng)絡(luò)自主學(xué)習(xí)的人性化、時效性起到了十分重要的作用。本次研究從學(xué)習(xí)的過程性和資源間語義相關(guān)性的角度，研究了個性化推薦模型。論述了網(wǎng)絡(luò)學(xué)習(xí)系統(tǒng)中資源個性化推薦的基本框架和流程，為提高網(wǎng)絡(luò)學(xué)習(xí)效率提供全新的解決思路。

參考文獻

[1] Joachims T. Web Watcher: A Tour Guide for the World Wide Web[C]Proceedings of 15thInternational Joini Conference on Artificial Intelligence(IJCAI-97). Nogoya: [s.n.], 1997.

[2] Resnick P. Grouplens: An Open Architecture for Collaborative Filtering of NetNews[C]Proceedings of CSCW 94. Chaple Hill: NC, 1994:175-186.

[3] 王巧榮.個性化服務(wù)中的用戶建模技術(shù)[J].小型微型計算機系統(tǒng),2011,32(1):83-86.

[4] Hofmann T. Latent Semantic Models for Collaborative Filtering[J].ACM Transactions on Information Systems,2004,22(1):213-238.

[5] Fu X B, Budzik J, Hammond J K. Mining Navigation History for Recommendation[C]Proceedings of the 2000 International Conference on Intelligent User Interfaces. New York: ACM Press, 2000:106-112.

[6] 丁振國.基于關(guān)聯(lián)規(guī)則的個性化推薦系統(tǒng)[J].計算機集成制造系統(tǒng),2003,9(10):891-893.

[7] 李杰.面向個性化推薦的強關(guān)聯(lián)規(guī)則挖掘[J].系統(tǒng)工程理論與實踐,2009,29(8):144-152.

[8] 黃海江,楊貫中.基于本體的學(xué)習(xí)內(nèi)容個性化推薦[J].科學(xué)技術(shù)與工程，2007,7(14):3394-3398.

[9] Henry L. Letizia an Agent that Assists Web Browsing[C]Proceedings of the International Joint Conference on Artificial Intelligence. Montreal: [s.n.],1995: 97-102.

[10] Balabanovi C M,Shoham Y. Fab: Content-Based,Collaborative Recommnendation[J]. Communications of the ACM, 1997, 40(3):66-72.

[11] 馮翱,劉斌,盧增祥,等.Open Bookmark：基于Agent的信息過濾系統(tǒng)[J].清華大學(xué)學(xué)報(自然科學(xué)版),2001(3):85-88.

[12] 李景,孟連生.構(gòu)建知識本體方法體系的比較研究[J].現(xiàn)代圖書情報技術(shù),2004(7):17-22.

[13] 許云,樊孝忠,張鋒.基于知網(wǎng)的語義相關(guān)度計算[J].北京理工大學(xué)學(xué)報,2005,25(5):411-414.

Research on the Real-time Recommending

Strategies for Personalized Online Study

LUZhixiang

(Information Engineering College of Nanning University, Nanning 530200, China)

Abstract:The unlimited resource online provide users with various options and initialed study, but it also requires users to speed up acquirement of personal resource. This article produces a real-time recommending model and computing based on the analysis of current personal recommend technologies as well as consideration of study progression and semantic relevance. The article also discussed model construction, learner construction, semantic relevance and computing and designed a framework and process for personalized recommending for optimum result to offer a solution promoting the efficiency of online study, in hope of contributing to the personalized online study research.

Key words:personalized recommendation; real-time recommendation; recommendation strategy

文獻標識碼：A

文章編號：1673-1980(2015)03-0080-05

中圖分類號：TP311

作者簡介：盧志翔(1980 — )，男，廣西南寧人, 碩士，講師，研究方向為計算機應(yīng)用、智能算法。

基金項目：廣西教育科學(xué)“十二五”規(guī)劃2013年度課題(2013C121)；南寧學(xué)院2014年度科研項目(2014XJ06)

收稿日期：2014-12-02