優(yōu)質(zhì)教學(xué)資源推薦策略研究*

楊 卓，周魯東，李鳳岐，夏 鋒

（大連理工大學(xué) 軟件學(xué)院，遼寧 大連 116620）

一、教學(xué)資源推薦

隨著信息技術(shù)的不斷發(fā)展，網(wǎng)絡(luò)學(xué)習(xí)已經(jīng)成為當(dāng)代教育背景下學(xué)習(xí)的重要方式，而且許多地區(qū)和院校都建立了區(qū)域性的資源共享網(wǎng)絡(luò)，網(wǎng)絡(luò)資源十分豐富。然而在網(wǎng)絡(luò)為學(xué)習(xí)者提供學(xué)習(xí)便捷的同時也存在著一些需要解決的問題。比如在如此豐富的網(wǎng)絡(luò)資源中，學(xué)習(xí)者經(jīng)常迷失于大量的信息空間中，無法及時找到自己需要的資源。這種現(xiàn)象的存在，一方面使優(yōu)質(zhì)的資源得不到充分的利用；另一方面，浪費了用戶大量的時間，因此有必要實現(xiàn)高效的優(yōu)質(zhì)資源推薦策略，來幫助學(xué)習(xí)者更高效的找到其所需的資源信息，以提高學(xué)習(xí)的效率[1]。

資源推薦策略一般分為兩種：顯式的推薦和隱式的推薦。顯式的推薦指的是傳統(tǒng)意義上的資源檢索服務(wù)，根據(jù)用戶的請求，服務(wù)器被動響應(yīng)，為了使這種推薦更為高效，有時會輔以專家評價；與之相對的是隱式的推薦，隱式的推薦指的是根據(jù)用戶的歷史學(xué)習(xí)記錄，展開有針對性的個性化資源推薦。而個性化的資源推薦能夠最大程度的考慮學(xué)習(xí)者的個人喜好，學(xué)習(xí)習(xí)慣和學(xué)習(xí)需求，因而對用戶本身的學(xué)習(xí)顯得意義重大。當(dāng)前，我國的教育資源推薦發(fā)展緩慢，且尚未出現(xiàn)十分高效的優(yōu)質(zhì)資源推薦策略。然而在電子商務(wù)中，購物推薦發(fā)展比較迅速，比如Amazon、當(dāng)當(dāng)網(wǎng)的購物推薦，均能給我們帶來比較有效的，符合需求的商品推薦，這對我們研究針對優(yōu)質(zhì)教學(xué)資源的推薦策略有重要的指導(dǎo)意義，因此，我們可以借助鑒購物推薦的經(jīng)驗，展開對于優(yōu)質(zhì)教學(xué)資源推薦的研究[2]。

基于此，本文作者提出了結(jié)合Pearson相關(guān)性計算和標(biāo)簽的教學(xué)資源推薦策略，這種策略將傳統(tǒng)意義上的Pearson相關(guān)性計算進行“倒置”，即將Pearson相關(guān)性計算的對象進行轉(zhuǎn)換，即通過將用戶對資源的評價轉(zhuǎn)化成資源相關(guān)性分析的驅(qū)動因子而非資源的聚類，結(jié)合資源的標(biāo)簽，綜合獲得資源之間的相關(guān)性，并利用用戶的下載記錄來進行有針對性的個性化資源推薦[3]。

二、基于資源相關(guān)性的教學(xué)資源推薦

基于資源相關(guān)性的教學(xué)資源推薦機制：資源被上傳后，用戶可進行下載，該機制提供評價系統(tǒng)，供用戶對其瀏覽或下載后資源的優(yōu)良做出自己的主觀評價，資源的質(zhì)量優(yōu)劣由1～5的分值來量化：1分代表很差，以此遞增，5分代表很好，值得推薦。用戶可根據(jù)自己的體驗，對資源進行主觀的基于分值的量化，用戶對資源的評價將被儲存到數(shù)據(jù)庫中。經(jīng)過長時間的數(shù)據(jù)積累，特定類型和質(zhì)量的資源會具有相對固定的特征，從而呈現(xiàn)出資源之間質(zhì)量的差異性和資源類型之間的差異性，這樣就可以對相似的資源進行聚類。進行聚類的一種比較容易和直接的算法是歐幾里的距離評價，基本思想是：對于資源 A 和 B 的評分組成以下向量 VA(a1，a2，a3，…，am）和VB（b1，b2,b3，…，bn），其中，a 和 b 為資源的評分，篩選出同一用戶對資源A和B都進行了評價的向量：VA’（a1，a2，a3，…，ak）和 VB’（b1，b2，b3，…，bk），其中 ai和 bi為同一用戶對資源A和B的評分。ai-bi體現(xiàn)了用戶對于資源A和B相關(guān)性的主觀評價的差值，很顯然，當(dāng)兩個資源的相關(guān)性比較好的時候，距離較短，此差值比較小。計算：sqrt=√（ai－bi）2，可以得出資源相似性的估計值，sqrt越小，相似性越大。此算法比較容易計算，但存在缺陷，即當(dāng)某些用戶總是傾向于給出更高的評價時，會產(chǎn)生較大的偏差。因此，在用戶要求比較苛刻，或者需要更加精確的結(jié)果的時候，此方法并不適用[4]。

目前比較受認(rèn)可的是Pearson的相關(guān)度評價算法。Pearson的算法較為復(fù)雜，但是它在數(shù)據(jù)不是很規(guī)范時，相比歐幾里的距離評價算法能得到更好的結(jié)果，因此，在不是顯著增加計算負(fù)擔(dān)的時候，采用此算法是合適的。

本文還認(rèn)為用戶對自己上傳的資源應(yīng)有較深刻的認(rèn)識，因此基于資源相關(guān)性的資源推薦機制還設(shè)置了資源標(biāo)簽。資源在上傳時，提供資源標(biāo)簽，供上傳用戶對資源進行描述。該描述能夠從整體上定位資源的分類，會對資源的聚類結(jié)果產(chǎn)生影響。

綜合以上兩點，可以得出整體的相關(guān)性描述為——基于評分的相關(guān)性+基于標(biāo)簽的相關(guān)性，因此可進行如下的推薦：根據(jù)用戶對資源評分和資源本身的標(biāo)簽，綜合計算資源的相關(guān)性，如果用戶對某些資源比較感興趣，根據(jù)資源的相關(guān)性，推薦相似的資源。

1.資源評分部分

Pearson的基本思想是擬合，在本次應(yīng)用中，本文將原始Pearson算法中的計算對象“倒置”，將計算對象轉(zhuǎn)化成資源的相關(guān)性。首先在二維坐標(biāo)中，（ai，bi）代表一個點，通過對所有｛（ai，bi）｜ai∈VA，bi∈VB｝點進行線性的擬合，可以得出量化的擬合效果，如果擬合的效果比較好，表明資源A和B具有較好的相關(guān)性。由于這種擬合是基于用戶對資源的主觀感受計算出來的，因此這種相關(guān)性不僅體現(xiàn)在質(zhì)量，而且對資源的類型也有適當(dāng)?shù)捏w現(xiàn)。通過擬合的效果可以對資源進行分類。

具體計算步驟如下[5]：

（1）得到對特定資源A和B的用戶評分的向量VA（a1，a2，a3，…，am）和 VB（b1，b2，b3，…，bn）。

（2）過濾 VA和 VB，使 VA和 VB中包含的 ai和 bi為同一用戶的評價（i≤m，i≤n），這樣得到 VA’（a1，a2，a3，…，ak）和 VB’（b1，b2，b3，…，bk）。

（3）如果統(tǒng)計的結(jié)果k為0，則當(dāng)前沒有用戶對這兩個資源都進行了評價，暫時無法得出資源的相關(guān)性，默認(rèn)返回0。否則進入第4步。

（7）計算皮爾遜相關(guān)性：

如果den=0，則說明資源的相關(guān)性為0，返回0

否則，r1=(num/den)

返回r1。

r1即為基于評分的資源相關(guān)性的計算值。

2.資源標(biāo)簽部分

資源在上傳時，本推薦機制要求用戶提供資源描述的關(guān)鍵字，即標(biāo)簽，關(guān)鍵字的描述能夠從整體上定位資源的分類，并對資源的聚類結(jié)果產(chǎn)生影響，基于標(biāo)簽的相關(guān)性的具體算法如下：

（1）得到對特定資源 A 和 B 的標(biāo)簽 TA（ta1，ta2，…，tam）和 TB（tb1，tb2，…，tbn）。

（2）比較 tai和 tbi，其中 0≤i≤m，0≤j≤n。獲得 ta和 tb相等的個數(shù)，賦值給count。

（3）獲得 max=max（m，n）。

（4）規(guī)定 r2＝（count／max）。

r2即為基于標(biāo)簽的資源相關(guān)性的計算值。

最后對結(jié)果進行歸一化處理：

綜合相關(guān)性：r=α*r1+(1-α)*r2，0≤α≤1。 α 的值根據(jù)具體環(huán)境和推薦效果進行調(diào)整。

3.優(yōu)質(zhì)資源推薦

最后考慮用戶最近的下載情況，當(dāng)用戶下載了某一資源時，本機制將從資源的相關(guān)性表中選擇與用戶所下載的資源相關(guān)性最高的資源，更新到用戶的資源推薦列表中并顯示出來。

需要特別注意的問題——

更新策略：在資源比較多的情況下，鑒于每兩個資源之間都需要進行計算，計算量較大，故此選擇合適的時間點進行以上過程以更新數(shù)據(jù)顯得尤為重要。例如：可采用數(shù)據(jù)庫中的在某一具體時間觸發(fā)的Job的機制，在某一特定的，用戶在線量較少的時間點觸發(fā)計算過程，以進行數(shù)據(jù)更新。

新用戶的資源推薦：由于新添加的用戶并未下載任何資源，故此以上過程對于新用戶無效。這種情況下需要根據(jù)歷史的統(tǒng)計信息，為用戶推薦下載量最高的資源，或者是用戶質(zhì)量評價最高的資源[6]。

資源的特殊性：當(dāng)用戶下載某一資源，且在此資源與其他的資源均相關(guān)性不高的情況下（設(shè)定某一閾值），本推薦機制向用戶推薦的是下載量最高的資源，或者是用戶質(zhì)量評價最高的資源。

三、本推薦策略優(yōu)點

1.計算的實用性

假設(shè)本文作者所提出的優(yōu)質(zhì)資源推薦策略應(yīng)用系統(tǒng)擁有N個資源，則進行基于評分的相關(guān)性計算需要進行N*(N-1)次，而且本機制采用在特定時間進行計算的方式，故此計算負(fù)擔(dān)不是很重。而基于標(biāo)簽的相關(guān)性計算更為便捷，資源的標(biāo)簽是描述資源的關(guān)鍵字，有嚴(yán)格的長度限制。加入標(biāo)簽的額平均長度是M（一般不超過5），在擁有N個資源的系統(tǒng)中，需要關(guān)鍵字之間的比較次數(shù)是N*M2。因此，以上本推薦機制所采用的資源相關(guān)性算法，在計算上具有很高的實用性。

2.個性化的推薦

以上所闡述的過程經(jīng)過計算所得到的是資源的相關(guān)性，以往，用戶在進行資源的搜索時，很少能夠在一次搜索的結(jié)果下得到其所需要的資源。而在本推薦機制下，用戶根據(jù)其他用戶下載的歷史記錄，被推薦與下載結(jié)果最為相近的資源，在一定程度上滿足了用戶的資源需求。

3.推薦的實時性

如果想要比較及時的根據(jù)用戶需求的改變進行更加準(zhǔn)確的推薦，可以調(diào)整以上算法對資源更新的計算頻率，以達到資源的實時推薦，從而達到動態(tài)的個性化推薦。

4.資源推薦的準(zhǔn)確性

本文所提出的資源推薦策略是需要進行自我學(xué)習(xí)的，即經(jīng)過對歷史數(shù)據(jù)的處理和過濾，通過以上方式得到推薦的資源屬于經(jīng)過過濾的優(yōu)質(zhì)資源，隨著歷史數(shù)據(jù)的不斷積累，資源推薦的準(zhǔn)確性將會越來越高。

四、優(yōu)質(zhì)資源推薦策略的應(yīng)用

本文作者在Talent教學(xué)管理系統(tǒng)中部署了該優(yōu)質(zhì)資源推薦策略，當(dāng)用戶下載某一資源時，系統(tǒng)會自動將與被下載資源相關(guān)性較強的資源推薦給用戶，以試圖減少用戶的資源搜索時間，提高優(yōu)質(zhì)資源的利用率。系統(tǒng)實現(xiàn)效果如圖1所示。

圖1 系統(tǒng)實現(xiàn)效果圖

五、結(jié)語

信息技術(shù)高速發(fā)展，網(wǎng)絡(luò)學(xué)習(xí)已成為當(dāng)代教育背景下學(xué)習(xí)的重要方式之一，而且許多地區(qū)或者院校都建立了區(qū)域性的資源共享網(wǎng)絡(luò)，網(wǎng)絡(luò)資源十分豐富。然而在資源紛繁復(fù)雜的情況下，用戶很難在短時間內(nèi)尋找到自己真正需要的資源，因此，優(yōu)質(zhì)教學(xué)資源的推薦成為網(wǎng)絡(luò)學(xué)習(xí)應(yīng)用中的一個重要環(huán)節(jié)。

本文提出了基于Pearson相關(guān)度和標(biāo)簽相結(jié)合的優(yōu)質(zhì)資源推薦策略，它根據(jù)用戶本身特點，提供個性化的優(yōu)質(zhì)教學(xué)資源推薦。本文作者將其部署到Talent教學(xué)資源管理系統(tǒng)中，進行了實際檢驗，結(jié)果表明，本策略比較好的實現(xiàn)了優(yōu)質(zhì)教學(xué)資源的推薦。一方面使得優(yōu)質(zhì)的教學(xué)資源得到充分的利用；另一方面，節(jié)約了用戶的時間，提高了學(xué)習(xí)效率，說明此策略具有較好的實用性。隨著科技的不斷發(fā)展，智能化成為時代發(fā)展的方向，我們有理由相信，未來的網(wǎng)絡(luò)學(xué)習(xí)將會更加智能、高效。

[1]荊永君,李兆君,李昕.基礎(chǔ)教育資源網(wǎng)中個性化資源推薦服務(wù)研究[J].中國電化教育,2009(8):102-105.

[2]G.Linden,B.Smith and J.York.Amazon.com Recommendations:Item-to-item Collaborative Filtering[J],IEEE Internet Computing,2003(7):76–80.

[3]楊焱,孫鐵利,邱春艷.個性化推薦技術(shù)的研究[J].信息工程大學(xué)學(xué)報,2005(6):84-87.

[4]Toby Segaran.Programming Collective Intelligence:Building Smart Web 2.0 Applications[M]. O'Reilly Media,2007.

[5]項亮.推薦系統(tǒng)實踐[M].人民教育出版社,2012.

[6]王永固,邱飛岳,趙建龍,劉暉.基于協(xié)同過濾技術(shù)的學(xué)習(xí)資源個性化推薦研究[J].遠程教育雜志,2011(3).