周 聞，岑 崗

(浙江科技學(xué)院 a.機(jī)械與能源工程學(xué)院；b.信息與電子工程學(xué)院，杭州 310023)

隨著教育信息技術(shù)的發(fā)展，在線學(xué)習(xí)逐漸得到人們的關(guān)注。這種新的學(xué)習(xí)方式給傳統(tǒng)教學(xué)模式帶來了前所未有的沖擊，如2012年Udacity、Coursera等在線學(xué)習(xí)平臺的出現(xiàn)，獲得了廣大學(xué)生的一致好評。與傳統(tǒng)教學(xué)模式相比，在線學(xué)習(xí)平臺憑借其可隨時隨地學(xué)習(xí)、資源重復(fù)利用、投入資金較少、每個人都可享受高質(zhì)量課程資源等優(yōu)勢，成為教育領(lǐng)域的熱門研究主題[1]。但是在享受這些便利的同時，也面臨著信息過載等問題，越來越多的課程資源使得學(xué)生如何在學(xué)習(xí)平臺上選取適合自己的課程變得十分必要。因此，個性化推薦功能應(yīng)運而生，它能挖掘?qū)W生的需求或興趣，根據(jù)相關(guān)算法進(jìn)行有效推薦[2]。中國的個性化推薦技術(shù)在在線學(xué)習(xí)領(lǐng)域中的應(yīng)用起步較晚，發(fā)展速度較慢。就目前的研究來看，大部分在線學(xué)習(xí)平臺的個性化推薦功能的研究都是對推薦系統(tǒng)進(jìn)行總體設(shè)計或?qū)ζ脚_的資源推薦策略、學(xué)習(xí)路徑進(jìn)行研究，例如：張琳等[3-5]對學(xué)習(xí)資源的個性化推薦系統(tǒng)進(jìn)行設(shè)計研究，以提高學(xué)生的學(xué)習(xí)效率；錢研[6]對學(xué)習(xí)平臺的個性化學(xué)習(xí)資源推送策略進(jìn)行了研究，構(gòu)建了資源推送模型，為學(xué)生提供真正合適的課程；葉露[7]在學(xué)習(xí)平臺的個性化推薦與學(xué)習(xí)路徑規(guī)劃上進(jìn)行了研究，解決了學(xué)習(xí)資源的信息過載問題，對學(xué)生的學(xué)習(xí)規(guī)劃有指導(dǎo)意義。上述研究雖然在推薦的準(zhǔn)確性、多樣性和新穎性上有了一定的提升，但沒有從推薦功能的服務(wù)對象、用戶體驗角度來進(jìn)行設(shè)計，這就造成了許多問題：推薦的相關(guān)課程缺乏解釋，學(xué)生對學(xué)習(xí)平臺推薦的結(jié)果感到困惑，不知道推薦的依據(jù)是什么，尤其是對陌生領(lǐng)域的推薦內(nèi)容；推薦的課程相關(guān)性較低，不是學(xué)生想要學(xué)的課程；獲取推薦結(jié)果的速度跟不上請求速度，造成用戶體驗下降；出現(xiàn)了許多推薦結(jié)果不可解釋的現(xiàn)象[8]。針對這些問題，我們以車輛工程專業(yè)為例，提出構(gòu)建可解釋的個性化推薦在線學(xué)習(xí)平臺，利用多種推薦算法并行計算的方式來進(jìn)行混合推薦，對學(xué)生進(jìn)行課程的個性化推薦。以可解釋性為目標(biāo)，根據(jù)相應(yīng)的特征以完整的、語義連貫的句子模板生成解釋語句，為學(xué)生提供“推薦+解釋”的組合，從而優(yōu)化推薦效果和用戶體驗，提高了平臺的可信任度和透明度。

1 可解釋個性化推薦學(xué)習(xí)平臺的總體設(shè)計

圖1 可解釋個性化推薦學(xué)習(xí)平臺整體框架

整個平臺的框架分為學(xué)生模塊、課程模塊、機(jī)構(gòu)模塊、推薦模塊和管理模塊5個子模塊，各個子模塊分別包括若干個功能模塊，具體如圖1所示。

2 平臺可解釋個性化推薦功能的算法

平臺的可解釋個性化推薦功能的核心是采用混合推薦方式，通過基于內(nèi)容的推薦算法、基于物品和基于用戶的協(xié)同過濾推薦算法、基于顯因子模型(explicit factor models)推薦算法[9]等4種推薦算法并行計算進(jìn)行推薦，并根據(jù)各自特征標(biāo)簽基于模板生成解釋語句，向?qū)W生解釋為何推薦相關(guān)課程。在不同的情況下，以不同的權(quán)值分別進(jìn)行個性化推薦課程。當(dāng)平臺起步的時候，學(xué)生數(shù)據(jù)不充足的情況下，會產(chǎn)生“冷啟動”?！袄鋯印敝饕?類：一是用戶“冷啟動”，當(dāng)平臺剛起步時，對新的學(xué)生用戶進(jìn)行個性化推薦；二是物品“冷啟動”，將新的課程推薦給可能對其感興趣的學(xué)生；三是系統(tǒng)“冷啟動”，在平臺學(xué)生用戶行為少且只有少數(shù)課程信息的情況下為其進(jìn)行個性化推薦。

針對用戶“冷啟動”，平臺設(shè)有熱門課程，將最熱門的課程推薦給學(xué)生，同時平臺基于內(nèi)容的推薦算法，通過提取學(xué)生注冊時自定義的標(biāo)簽及其選擇的感興趣主題，為學(xué)生推薦其可能感興趣的課程[10]。針對物品“冷啟動”，平臺在教師上傳課程時，通過對課程的標(biāo)簽分類進(jìn)行語義分析，得到可供教師選擇的課程主題，教師也可自定義設(shè)置課程的主題。通過這一方式完成對課程的初步分類，為后續(xù)推薦做好準(zhǔn)備。針對系統(tǒng)“冷啟動”，基于以上兩種“冷啟動”問題解決方案，平臺利用學(xué)生注冊時選擇的感興趣主題與學(xué)習(xí)課程標(biāo)簽進(jìn)行匹配來完成初步的推薦，以解決在學(xué)生用戶行為少，只有一部分課程信息時的推薦問題。

當(dāng)學(xué)生的行為記錄(如評論和評分等)超過一定量的時候，可以用基于物品的協(xié)同過濾推薦算法(ItemCF)和基于用戶的協(xié)同過濾推薦算法(UserCF)來進(jìn)行計算。根據(jù)學(xué)生喜歡的課程，采用ItemCF推薦與其所喜歡的課程相似的課程，采用UserCF找到與目標(biāo)學(xué)生有相同興趣的學(xué)生，將有相同興趣的學(xué)生所喜歡的課程推薦給目標(biāo)學(xué)生[11]。用顯因子模型對學(xué)生給予課程的評論及打分進(jìn)行短語級的情感分析，構(gòu)建相應(yīng)的情感詞典和矩陣，計算學(xué)生對每個特征的喜好程度來對課程進(jìn)行推薦，并根據(jù)各自的特征形成解釋語句，實現(xiàn)可解釋功能。

2.1 基于內(nèi)容的推薦算法

學(xué)生在注冊時，系統(tǒng)會讓他選擇自己感興趣的特征標(biāo)簽，學(xué)生的特征向量取所有標(biāo)簽的權(quán)重平均值，用P(Ci)表示學(xué)生的興趣特征，課程的特征向量用TF-IDF(詞頻-逆向文件頻率)方法來計算。假設(shè)N為課程的總數(shù)量，fT，ij=fij/max(fj)，fID,i=log(N/ni)。其中，fij為特征Ki在課程Cj中出現(xiàn)的次數(shù)，max(fj)為課程Cj中特征Ki出現(xiàn)的最大次數(shù)，ni為包含第i個特征的課程數(shù)量，fj為第j門課程的所有特征標(biāo)簽數(shù)量。因此，第i個特征在第j門課程中的TF-IDF權(quán)重Wij為fT,ij×fID,i，第j門課程的特征向量Fj={W1j，W2j，…，Wij}。

對學(xué)生興趣向量表和課程特征向量表進(jìn)行余弦相似度的計算，取值較高的課程資源信息推送給學(xué)生，相似度計算公式為

(1)

式(1)中：Wi為學(xué)生對課程第i個特征的喜好程度；Wj為第j門課程中包含該特征的程度(出現(xiàn)該特征的頻率)。

每個學(xué)生的操作都是獨立的，不依賴于其他學(xué)生的用戶行為，可以較好地解決部分“冷啟動”和稀疏性的問題。

2.2 基于用戶的協(xié)同過濾推薦算法

學(xué)生在使用平臺時會留下大量的顯性反饋行為數(shù)據(jù)和隱性反饋行為數(shù)據(jù)。顯性反饋行為即學(xué)生明確表示對課程喜好的行為，包括對課程的收藏操作、評分操作等；隱性反饋行為即不能明確反映學(xué)生喜好的行為，包括觀看時長、評論記錄等。平臺通過這些數(shù)據(jù)及學(xué)生和課程的標(biāo)簽，計算出學(xué)生之間的余弦相似度，在相似度的基礎(chǔ)上構(gòu)建學(xué)生與課程的關(guān)聯(lián)。

1)選取與目標(biāo)學(xué)生u最接近的N個學(xué)生(用下標(biāo)v表示N個學(xué)生中的某個學(xué)生)；

2)根據(jù)N個學(xué)生對課程i的不同行為(觀看時長、評分、收藏、評論等)，確定N個學(xué)生與課程i的關(guān)聯(lián)度rv i；

3)確定目標(biāo)學(xué)生u與N個其他學(xué)生的不同相似度mu v；

4)計算目標(biāo)學(xué)生u與課程i的推薦度

(2)

5)將推薦度高的課程推薦給學(xué)生，并生成“學(xué)過該課程的學(xué)生也喜歡此課程”的解釋語句，實現(xiàn)可解釋功能。

2.3 基于物品的協(xié)同過濾推薦算法

若兩門課程同時被多名學(xué)生喜歡(對課程有過收藏操作、積極評論、高評分等行為)，則它們之間有一定的相似性；同時喜歡它們的學(xué)生越多，則它們之間的相似性越高。M(i)表示喜歡課程i的學(xué)生數(shù)量，M(j)表示喜歡課程j的學(xué)生數(shù)量，M(i)∩M(j)表示同時喜歡課程i和課程j的學(xué)生數(shù)量，因此課程之間相似度

(3)

平臺通過課程之間的相似度及學(xué)生的歷史行為為學(xué)生生成推薦列表。課程j對學(xué)生u的推薦度

(4)

式(4)中：i為某學(xué)生喜歡的某一課程；j為某集合中的某一課程；N(u)為學(xué)生喜歡的課程集合；S(i,k)為與課程i最相似的k門課程的集合；wji為課程j和課程i的相似度；rui為學(xué)生u對課程i的喜歡程度，學(xué)生u對課程i的收藏操作或觀看該課程的時間越長，則表示學(xué)生u對課程i的喜歡程度越高。

之后，將推薦度高的課程推薦給學(xué)生，并生成“此課程與某課程推薦度為多少”的解釋語句，以實現(xiàn)可解釋功能。

2.4 基于顯因子模型的推薦算法

圖2 基于顯因子模型的推薦算法的可解釋推薦步驟

顯因子模型方法從用戶文本評論當(dāng)中提取顯式的物品特征，并將矩陣分解中的每個潛在維度與特定的顯式特征進(jìn)行對齊，使分解或預(yù)測過程能夠被跟蹤，為推薦提供顯式的解釋，有助于提高推薦系統(tǒng)的可信度[2]。將該方法運用到在線學(xué)習(xí)平臺上同樣適用。隨著平臺的運用，會有越來越多的學(xué)生行為數(shù)據(jù)如學(xué)生對課程的評分和評論在積累，這些信息用于更全面地評估學(xué)生的偏好非常有價值，可以用來提供更細(xì)致更可靠的推薦解釋，以說服學(xué)生或幫助學(xué)生選擇更適合的課程。學(xué)生的文本評論中包含了關(guān)于學(xué)生對學(xué)習(xí)課程特征的情感、態(tài)度和偏好的豐富信息，從評論中提取明確的課程特征和相應(yīng)的學(xué)生意見，不僅有助于了解學(xué)生的不同偏好，做出更好的推薦，還有助于了解為什么推薦某一特定的課程，做出更直觀的解釋。基于顯因子模型形成可解釋推薦的步驟如圖2所示。

2.4.1 構(gòu)建情感詞典

圖3 情感詞典的構(gòu)建

從學(xué)生文本評論語料庫中抽取評論的特征詞，如講課、深度、邏輯思維等，并抽取對這些特征的意見詞，如很棒、很好、清晰、通俗易懂等，得到特征-意見詞對。對詞對進(jìn)行短語級情感分析，判斷學(xué)生的情感是肯定或否定并進(jìn)行標(biāo)記。如果這些詞對是積極的情感，則用+1表示；反之則用-1表示。其中每個條目都是一個(F，O，S)三元組，類似(講解，清晰易懂，+1)、(回答問題，細(xì)致耐心，+1)等，其中F是特征詞或短語，代表課程的特征，O是意見詞，代表學(xué)生對特征的表達(dá)意見，S是意見詞在評論中的情緒，可以是積極的，也可以是消極的。情感詞典的構(gòu)建如圖3所示。

2.4.2 構(gòu)建矩陣

需要構(gòu)建3個矩陣，第一個是學(xué)生評分矩陣A，表示學(xué)生對課程的直接評分，取值范圍為1～5，沒評分的記為0。第二個是學(xué)生-特征關(guān)注矩陣X，表示學(xué)生對課程特征的喜好程度，從第一步構(gòu)建的情感詞典中將所有學(xué)生評論的顯式特征組成特征詞集合F={F1,F2,…,Fr}，設(shè)學(xué)生的集合為u={u1,u2,…,um}，然后提取學(xué)生i的所有評論三元組，找到學(xué)生ui與課程特征Fj的關(guān)系，用tij表示學(xué)生i對特征Fj提到的次數(shù)，將學(xué)生-特征關(guān)注矩陣中的每個元素定義為

(5)

式(5)中：N為學(xué)生評分的最高分?jǐn)?shù)(設(shè)置為5)。通過構(gòu)造sigmoid函數(shù)將tij縮放到與學(xué)生評分矩陣A相同的范圍[1,N]。第三個是課程-特征質(zhì)量矩陣Y，表示某一課程的所有評論包含特征的質(zhì)量。設(shè)課程的集合為C={C1,C2,…,Cn}，將所有的課程評論三元組組成集合P={P1,P2,…,Pz}，其中Pi為課程i的所有評論三元組。將課程i對特征Fj的包含質(zhì)量矩陣元素定義為

(6)

式(6)中：Pij為Pi包含特征Fj的次數(shù)；sij為Pij次提及的特征Fj的情感均值。

2.4.3 估計矩陣缺失值

估計矩陣A、X、Y的缺失值，矩陣X、Y中的非零數(shù)值表示已有的學(xué)生或課程與顯式特征之間的關(guān)系，而0則表示尚未清楚的缺失值。為了估計這些缺失值，利用二次損失函數(shù)來最小化估計值與真實值之間的差距。X、Y的最優(yōu)化損失函數(shù)為

(7)

式(7)中：U1為學(xué)生的顯式特征矩陣；U2為課程的顯式特征矩陣；V為所有顯式特征集合向量；λx和λy為正則化系數(shù)；F為損失函數(shù)的范數(shù)。

同理，學(xué)生評分矩陣A的缺失值也會用到顯式特征，考慮到學(xué)生對課程評分時還會考慮其他一些潛在的特征，所以也引入了隱式特征來對缺失值進(jìn)行調(diào)整。A的最優(yōu)化損失函數(shù)為

(8)

式(8)中：P為學(xué)生的顯式和隱式特征矩陣的建模；Q為課程的顯式和隱式特征矩陣的建模。

2.4.4 計算矩陣聯(lián)系程度

圖4 學(xué)生與課程的特征向量矩陣相乘

然后計算第i個學(xué)生對第j門課程的評分

(9)

式(9)中：0≤α≤1，α是用來控制基于特征計算出來的學(xué)生-課程評分矩陣與學(xué)生對課程直接評分矩陣之間權(quán)衡的比例，具體的值由試驗確定。

2.4.5 生成解釋推薦理由

選擇打分最高的前幾門課程推薦給學(xué)生，并根據(jù)特征形成推薦語句向?qū)W生解釋推薦理由。推薦語句以完整的語義連貫的句子模板來構(gòu)造，如“你可能對某特征很感興趣，而這門課程在這方面表現(xiàn)良好”，根據(jù)個性化算法選擇特征來構(gòu)建解釋語句可以提高推薦系統(tǒng)的說服力。

3 結(jié) 語

可解釋個性化推薦在線學(xué)習(xí)平臺是教育信息化的必然產(chǎn)物，構(gòu)建可解釋個性化推薦在線學(xué)習(xí)平臺，能夠?qū)W(xué)生的學(xué)習(xí)過程起到一定的推動作用。本平臺結(jié)合推薦算法，采用混合推薦方式并行計算，對課程進(jìn)行個性化推薦并根據(jù)相應(yīng)特征生成解釋語句向?qū)W生解釋推薦理由，從而可以使學(xué)生更好地選擇合適的課程，提高學(xué)生的學(xué)習(xí)效率，改善學(xué)習(xí)平臺的推薦效果和用戶體驗，提高平臺的可信度和透明度。需要說明的是，本平臺還有較大的改進(jìn)空間，比如引入更多的特征，或捕獲課程的特征之間更復(fù)雜的聯(lián)系，而不是單一的特征-意見詞對；還可以采用深度學(xué)習(xí)模型，進(jìn)行短語級的情感分析，甚至句子級別的分析，來提高推薦的效果。