基于逐次適應(yīng)蟻群優(yōu)化算法的個性化微學(xué)習(xí)推薦

趙 琴,陳 健,張月琴

(太原理工大學(xué) 計算機(jī)科學(xué)與技術(shù)學(xué)院,太原 030024)

0 概述

微學(xué)習(xí)是一種新的在線學(xué)習(xí)方式,首次出現(xiàn)于2005年[1]。與其他在線學(xué)習(xí)方式相比,微學(xué)習(xí)的最大區(qū)別,在于“微”特性?！拔ⅰ敝攸c(diǎn)體現(xiàn)在微學(xué)習(xí)中的學(xué)習(xí)單元相對較小,例如能在5 min～15 min內(nèi)完成視聽的視頻或音頻資料,以及圖片和文字資料,讓用戶可以在相對短暫的碎片時間內(nèi)完成學(xué)習(xí)。自2008年起,微學(xué)習(xí)開始受到我國學(xué)者的關(guān)注和研究,目前已取得了一定的研究成果[2]。

微學(xué)習(xí)主要有2個大的研究方向:理論研究和應(yīng)用研究。在理論研究方向上,目前微學(xué)習(xí)尚未建立完善的理論體系,研究范圍多基于移動學(xué)習(xí)或遠(yuǎn)程教育對微學(xué)習(xí)特性的探討[3-4];應(yīng)用研究多借助其他平臺來搭建微學(xué)習(xí)環(huán)境[5-8],進(jìn)而對微學(xué)習(xí)特性進(jìn)行相關(guān)研究,或者將一些經(jīng)典算法改進(jìn)后應(yīng)用到微學(xué)習(xí)中[6,9-10]。

隨著信息化時代的到來,知識更新周期急劇縮短,人類已跨入終身學(xué)習(xí)時代。人們出于工作和生活的需要,必須隨時隨地進(jìn)行學(xué)習(xí)。與此同時,現(xiàn)代生活也改變著人們的生活節(jié)奏,上下班路程的延長使人們在公交車上、在地鐵上擁有了更多的碎片時間。因此,研究如何利用這些碎片化時間來完成學(xué)習(xí)就尤為重要。

由于微學(xué)習(xí)的學(xué)習(xí)單元比其他在線學(xué)習(xí)方式的學(xué)習(xí)單元更短小精悍,對于同樣的學(xué)習(xí)內(nèi)容量來說,所需要的學(xué)習(xí)單元數(shù)量更多,學(xué)習(xí)單元間的關(guān)系也更為復(fù)雜。學(xué)習(xí)單元按照學(xué)習(xí)的先后順序排列到一起就構(gòu)成了學(xué)習(xí)路徑,因此在微學(xué)習(xí)中,學(xué)習(xí)路徑的組合就更為靈活復(fù)雜。由于存在個體差異,不同學(xué)習(xí)者適合不同的學(xué)習(xí)路徑。為學(xué)習(xí)者推薦適合的個性化學(xué)習(xí)路徑,可幫助其提高學(xué)習(xí)效率。

學(xué)習(xí)路徑推薦算法是實現(xiàn)個性化學(xué)習(xí)路徑推薦的關(guān)鍵[11]。其中,群智算法在解決學(xué)習(xí)路徑推薦問題中表現(xiàn)出良好的性能。文獻(xiàn)[12]提出一種學(xué)習(xí)對象關(guān)聯(lián)關(guān)系構(gòu)建方法,使用擴(kuò)展的蟻群算法,綜合考慮學(xué)習(xí)者群體對學(xué)習(xí)路徑的評價、目標(biāo)用戶在知識水平和學(xué)習(xí)風(fēng)格上的特征,為用戶推薦個性化學(xué)習(xí)路徑。文獻(xiàn)[13]使用學(xué)習(xí)內(nèi)容對學(xué)習(xí)路徑進(jìn)行構(gòu)建,使用蟻群算法,根據(jù)學(xué)習(xí)者知識水平、學(xué)習(xí)風(fēng)格匹配度和學(xué)習(xí)效果評價,為學(xué)習(xí)者推薦最適合的學(xué)習(xí)路徑[13]。在上述算法中,由于其學(xué)習(xí)形式的局限,其推薦粒度皆為整條學(xué)習(xí)路徑。微學(xué)習(xí)的出現(xiàn)使對學(xué)習(xí)路徑的調(diào)整可以在更小的粒度上進(jìn)行交互適應(yīng)的調(diào)整,學(xué)習(xí)者對知識內(nèi)容的選擇也更為靈活。如何利用微學(xué)習(xí)的特性,滿足學(xué)習(xí)者的個性化需求,為學(xué)習(xí)者推薦個性化的學(xué)習(xí)路徑,成為一個新的問題。

基于以上研究,本文利用蟻群算法反饋性,提出一種通過學(xué)習(xí)者與系統(tǒng)的互動實現(xiàn)的信息素濃度逐次適應(yīng)調(diào)整的蟻群算法。該算法通過在微學(xué)習(xí)過程中捕捉學(xué)習(xí)者的特征和學(xué)習(xí)狀態(tài)的變化,逐次調(diào)整學(xué)習(xí)路徑推薦策略,為學(xué)習(xí)者推薦個性化的學(xué)習(xí)路徑。

1 相關(guān)技術(shù)及基本概念

1.1 蟻群算法

蟻群算法是一種經(jīng)典的群智算法,具有高度并行性、正反饋性、協(xié)同性等優(yōu)點(diǎn),在智能搜索和全局優(yōu)化方面體現(xiàn)出良好的性能[14]。在解決路徑問題中,也表現(xiàn)出良好的求解效率和尋優(yōu)效果[15]。

在蟻群算法解決旅行商問題(Travelling Salesman Problem,TSP)的過程中,可以領(lǐng)會到蟻群算法的基本思想。

TSP問題即尋找經(jīng)過N個城市,每個城市只經(jīng)過一次,最后回到起點(diǎn)的最短路徑。使用蟻群算法解決TSP問題的具體流程如下:

1)初始化算法中的各個參數(shù)。

2)判斷螞蟻訪問狀態(tài):若螞蟻一個城市的都未訪問,將螞蟻隨機(jī)放置在N個城市之一;否則,根據(jù)式(1)選擇下一個城市。

3)根據(jù)式(2)更新信息素濃度。

4)判斷是否滿足條件(達(dá)到最大迭代次數(shù)),記錄當(dāng)前最優(yōu)解,若未達(dá)到,迭代次數(shù)加1,轉(zhuǎn)到步驟2);若已達(dá)到,轉(zhuǎn)到步驟5)。

5)輸出最優(yōu)解。

上述流程中涉及到的公式如下:

螞蟻根據(jù)式(1)對下一個城市進(jìn)行選擇:

(1)

由式(1)可以得知,城市i與城市j之間的距離越近,信息素濃度越高,螞蟻k選擇路徑城市i到城市j的概率就越大。

假設(shè)從時間t到(t+1)有m個螞蟻通過路段i→j,對信息素濃度進(jìn)行更新:

(2)

1.2 基本概念

本文算法基于基本蟻群算法,結(jié)合微學(xué)習(xí)的特征,為學(xué)習(xí)者提供個性化的學(xué)習(xí)路徑,以下是算法中涉及到的基本概念。

1.2.1 與學(xué)習(xí)單元相關(guān)的概念

學(xué)習(xí)單元是知識的主要載體,其中包含豐富的知識。在對學(xué)習(xí)單元特征的選取上,采用知識領(lǐng)域、知識水平等屬性對其進(jìn)行描述。

1)學(xué)習(xí)單元知識領(lǐng)域

學(xué)習(xí)單元中包含的知識屬于相應(yīng)的知識領(lǐng)域,知識領(lǐng)域是學(xué)習(xí)單元最重要的一個屬性。假設(shè)共有n個知識領(lǐng)域,使用向量A={a1,a2,…,an}表示學(xué)習(xí)單元所屬的知識領(lǐng)域。其中ai∈(0,1),若ai=1,代表學(xué)習(xí)單元屬于知識領(lǐng)域i;否則,不屬于學(xué)習(xí)領(lǐng)域i。

2)學(xué)習(xí)單元知識水平

知識單元中知識的難易水平是學(xué)習(xí)單元一個重要的屬性,用Ci(Ci∈0,1,2)來表示學(xué)習(xí)單元在知識領(lǐng)域i的知識水平。若Ci=0,代表學(xué)習(xí)單元知識水平為初級;若Ci=1,代表學(xué)習(xí)單元知識水平為中級;若Ci=2,代表學(xué)習(xí)單元知識水平為高級。

1.2.2 與學(xué)習(xí)者相關(guān)的概念

學(xué)習(xí)者是學(xué)習(xí)的主體,由于知識水平、興趣愛好、學(xué)習(xí)習(xí)慣等因素之間的差異,在學(xué)習(xí)單元的選擇上具有很大的不同。在對學(xué)習(xí)者的屬性描述上,本文采用知識領(lǐng)域、知識水平、學(xué)習(xí)目標(biāo)、學(xué)習(xí)狀態(tài)等屬性來對學(xué)習(xí)者的特征進(jìn)行描述。

1)學(xué)習(xí)者知識領(lǐng)域

該屬性用來表示學(xué)習(xí)者計劃學(xué)習(xí)的知識領(lǐng)域,使用R={r1,r2,…,rn}表示。其中ri∈(0,1),若ri=1,代表學(xué)習(xí)者愿意學(xué)習(xí)了解知識領(lǐng)域i;否則,對該學(xué)習(xí)領(lǐng)域i不感興趣。

2)學(xué)習(xí)者知識水平

學(xué)習(xí)者的知識水平是針對學(xué)習(xí)者感興趣的知識領(lǐng)域而言的,同一學(xué)習(xí)者在不同的知識領(lǐng)域內(nèi)學(xué)習(xí)水平可以不同。使用di(di∈(0,1,2))來表示在知識領(lǐng)域i中的知識水平,若di=0,學(xué)習(xí)者對于知識領(lǐng)域i中知識的了解幾乎為零;若di=1,學(xué)習(xí)者對于知識領(lǐng)域i內(nèi)的知識有一定的了解;若di=2,學(xué)習(xí)者對于知識領(lǐng)域i中的知識有熟悉的了解。

3)學(xué)習(xí)者學(xué)習(xí)目標(biāo)

學(xué)習(xí)目標(biāo)是依據(jù)學(xué)習(xí)者當(dāng)前進(jìn)行學(xué)習(xí)的知識領(lǐng)域?qū)?yīng)的知識水平設(shè)定的,為不同學(xué)習(xí)水平的學(xué)習(xí)者,設(shè)定不同的學(xué)習(xí)目標(biāo)。若當(dāng)前學(xué)習(xí)目標(biāo)達(dá)到,表明當(dāng)前學(xué)習(xí)過程結(jié)束,此時完成一條完整的學(xué)習(xí)路徑的學(xué)習(xí)。

4)學(xué)習(xí)者學(xué)習(xí)狀態(tài)

學(xué)習(xí)狀態(tài)是描述學(xué)習(xí)者對當(dāng)前學(xué)習(xí)路徑中的學(xué)習(xí)單元適應(yīng)度的一個重要屬性,同時也是后續(xù)學(xué)習(xí)單元推薦策略選擇的重要依據(jù)。根據(jù)學(xué)習(xí)者對于當(dāng)前學(xué)習(xí)路徑中學(xué)習(xí)單元的整體掌握情況,將學(xué)習(xí)狀態(tài)分為3種狀態(tài):初始態(tài),調(diào)整態(tài),變更態(tài)。其描述如下。

1)初始態(tài):學(xué)習(xí)者首次進(jìn)行學(xué)習(xí)或者開始一條新的學(xué)習(xí)路徑。

2)適應(yīng)態(tài):當(dāng)前學(xué)習(xí)路徑比較適合學(xué)習(xí)者,根據(jù)已知的表征學(xué)習(xí)情況的調(diào)整因子對學(xué)習(xí)單元推薦策略進(jìn)行調(diào)整。

3)變更態(tài):學(xué)習(xí)者不適合當(dāng)前學(xué)習(xí)路徑,說明前期對于學(xué)習(xí)者在該學(xué)習(xí)領(lǐng)域中的知識水平判斷存在一定的誤差或者學(xué)習(xí)者在學(xué)習(xí)的過程中知識水平發(fā)生了變化。

1.2.3 學(xué)習(xí)路徑

學(xué)習(xí)路徑是學(xué)習(xí)單元按照學(xué)習(xí)時間先后順序排列而成的一組序列。按照其形成過程,學(xué)習(xí)路徑可以分為初始化學(xué)習(xí)路徑和個性化學(xué)習(xí)路徑。

初始化學(xué)習(xí)路徑是學(xué)習(xí)單元提供者根據(jù)對學(xué)習(xí)單元知識組成結(jié)構(gòu)的了解,為學(xué)習(xí)者提供的一條學(xué)習(xí)路徑。該條學(xué)習(xí)路徑對于每個學(xué)習(xí)者都一樣,不具有個性化。而且由于局限性,每條學(xué)習(xí)路徑中所有學(xué)習(xí)單元都屬于同一個學(xué)習(xí)單元提供者。學(xué)習(xí)單元提供者對于學(xué)習(xí)單元中的知識很熟悉,初始化學(xué)習(xí)路徑具有很高的參考價值。

個性化的學(xué)習(xí)路徑,是在初始化學(xué)習(xí)路徑的基礎(chǔ)上,根據(jù)學(xué)習(xí)者在學(xué)習(xí)過程中自身學(xué)習(xí)狀態(tài)的變化、學(xué)習(xí)的歷史記錄,在學(xué)習(xí)過程中動態(tài)形成的一條學(xué)習(xí)路徑,其能夠滿足學(xué)習(xí)者個性化的學(xué)習(xí)需求。

2 信息素逐次適應(yīng)調(diào)整的蟻群算法

本文提出一種對信息素濃度進(jìn)行逐次適應(yīng)調(diào)整的蟻群算法,并以此對微學(xué)習(xí)中的學(xué)習(xí)者推薦學(xué)習(xí)路徑。利用蟻群算法的反饋性和自學(xué)習(xí)性,通過互動監(jiān)測學(xué)習(xí)者的學(xué)習(xí)狀態(tài),逐次調(diào)整學(xué)習(xí)路徑推薦策略,為學(xué)習(xí)者推薦個性化學(xué)習(xí)路徑。

本文提出的適應(yīng)逐次調(diào)整蟻群算法將微學(xué)習(xí)特性與蟻群算法結(jié)合,為學(xué)習(xí)者推薦個性化學(xué)習(xí)路徑。算法步驟如下。

算法信息素逐次適應(yīng)調(diào)整算法

輸入學(xué)習(xí)單元基本信息數(shù)據(jù),學(xué)習(xí)者基本信息數(shù)據(jù)

輸出推薦學(xué)習(xí)單元編號

1.init:啟發(fā)信息因子α,信息素濃度因子β,信息素?fù)]發(fā)濃度ρ,初始化信息素濃度τij;

2.set:學(xué)習(xí)者學(xué)習(xí)領(lǐng)域i,學(xué)習(xí)者知識水平d,學(xué)習(xí)狀態(tài)信息t;

3.switch(t)

case 1:t=初始態(tài),推薦策略1(式(7));

case 2:t=適應(yīng)態(tài),推薦策略2(式(8));

case 3:t=變更態(tài),推薦策略3(式(9));

4.output:學(xué)習(xí)單元編號;

5.update:局部信息素濃度(式(4));

6.update學(xué)習(xí)狀態(tài) t;

7.if (達(dá)成學(xué)習(xí)目標(biāo))

update全局信息濃度(式(5));

else goto 3

結(jié)束處理

本文算法的系統(tǒng)結(jié)構(gòu)如圖1所示,主要由用戶信息更新模塊、信息素濃度更新模塊、參考學(xué)習(xí)組抽出模塊、推薦模塊等4個模塊組成。

圖1 逐次適應(yīng)微學(xué)習(xí)路徑推薦的系統(tǒng)結(jié)構(gòu)

2.1 用戶信息更新模塊

該模塊完成的工作主要有:1)對首次進(jìn)行學(xué)習(xí)的學(xué)習(xí)者,將其學(xué)習(xí)狀態(tài)設(shè)立為初始態(tài),同時還需要確定其知識領(lǐng)域和知識水平;2)根據(jù)當(dāng)前學(xué)習(xí)情況更新學(xué)習(xí)者的學(xué)習(xí)狀態(tài)。學(xué)習(xí)狀態(tài)是本文算法的核心部分,主要通過測驗成績來判斷當(dāng)前學(xué)習(xí)者的學(xué)習(xí)狀態(tài);3)根據(jù)學(xué)習(xí)者的基本信息及學(xué)習(xí)記錄,判斷學(xué)習(xí)者是否達(dá)成學(xué)習(xí)目標(biāo)。

圖2 學(xué)習(xí)者知識水平判定流程

對于已經(jīng)學(xué)習(xí)過數(shù)次的學(xué)習(xí)者,本模塊的主要任務(wù)是根據(jù)其用戶信息以及學(xué)習(xí)記錄判斷其是否達(dá)成學(xué)習(xí)目標(biāo)。如果學(xué)習(xí)目標(biāo)已經(jīng)達(dá)成,結(jié)束當(dāng)前學(xué)習(xí)路徑,將整條學(xué)習(xí)路徑記錄放入學(xué)習(xí)路徑集合中,存入用戶信息庫中。該數(shù)據(jù)將被信息素濃度更新模塊用于對學(xué)習(xí)路徑上的信息素濃度進(jìn)行全局更新,同時用戶信息更新模塊則將當(dāng)前學(xué)習(xí)者的學(xué)習(xí)狀態(tài)更新為初始態(tài)。如果學(xué)習(xí)目標(biāo)未達(dá)成,用戶信息更新模塊將根據(jù)學(xué)習(xí)者的用戶信息以及學(xué)習(xí)記錄來判斷當(dāng)前學(xué)習(xí)狀態(tài)。

(3)

根據(jù)學(xué)習(xí)者的用戶信息以及學(xué)習(xí)記錄可判斷學(xué)習(xí)者是否達(dá)成學(xué)習(xí)目標(biāo)。學(xué)習(xí)者的學(xué)習(xí)目標(biāo)是否達(dá)成是根據(jù)學(xué)習(xí)者的學(xué)習(xí)狀態(tài)進(jìn)行判定的。若學(xué)習(xí)者連續(xù)Θ次學(xué)習(xí)狀態(tài)為適應(yīng)態(tài),則可以認(rèn)為學(xué)習(xí)目標(biāo)已經(jīng)達(dá)成,其中Θ的數(shù)值取決于其該條學(xué)習(xí)路徑參照學(xué)習(xí)路徑中的學(xué)習(xí)單元個數(shù)。

2.2 信息素濃度更新模塊

本模塊主要負(fù)責(zé)對信息素濃度進(jìn)行局部和全局更新。學(xué)習(xí)者完成當(dāng)前學(xué)習(xí)單元的學(xué)習(xí)后,根據(jù)學(xué)習(xí)單元包含的知識組成,為學(xué)習(xí)者提供對應(yīng)的測試題。根據(jù)測試成績和學(xué)習(xí)者掌握該學(xué)習(xí)單元的情況,進(jìn)行信息素局部更新。

信息素濃度是蟻群算法中進(jìn)行反饋性調(diào)節(jié)的重要因素,也是蟻群算法中最重要的一個屬性。路徑上的信息素濃度越高,選擇該條路徑的概率就越大;反之,越小。測試成績作為表征學(xué)習(xí)者在學(xué)習(xí)路徑上學(xué)習(xí)情況的重要特性,在本文算法中用來對信息素濃度進(jìn)行局部更新。

(4)

其中,τij(t)代表t時刻學(xué)習(xí)單元Li到學(xué)習(xí)單元Lj上的信息素濃度,τij(t+1)代表t+1時刻學(xué)習(xí)單元Li到學(xué)習(xí)單元Lj上的信息素濃度,ρ代表信息素的揮發(fā)系數(shù)。

學(xué)習(xí)者完成某條學(xué)習(xí)路徑的學(xué)習(xí)后,根據(jù)學(xué)習(xí)者的測試結(jié)果對該條路徑上的信息素進(jìn)行全局更新。當(dāng)某個學(xué)習(xí)者Sk完成學(xué)習(xí)路徑J的學(xué)習(xí)后,信息素濃度按照式(5)進(jìn)行全局更新。

τij(t+1)=

(5)

其中,τij(t)代表t時刻學(xué)習(xí)單元Li到學(xué)習(xí)單元Lj上的信息素濃度,τij(t+1)代表t+1時刻學(xué)習(xí)單元Li到學(xué)習(xí)單元Lj上的信息素濃度,ρ代表信息素的揮發(fā)系數(shù)。

2.3 參考學(xué)習(xí)組的抽出模塊

學(xué)習(xí)者的參考學(xué)習(xí)組由學(xué)習(xí)者之間的相似度確定。其中,學(xué)習(xí)相似度由以下2個方面決定:學(xué)習(xí)者的基本信息和學(xué)習(xí)記錄。表征學(xué)習(xí)者Sk和St之間相似度的相關(guān)系數(shù)Fkt由式(6)確定。

(6)

根據(jù)上述公式,相似度較高的學(xué)習(xí)者將選取作為目標(biāo)學(xué)習(xí)者的參考學(xué)習(xí)組,為學(xué)習(xí)狀態(tài)為初始態(tài)的學(xué)習(xí)者提供主要的推薦依據(jù),用于確定學(xué)習(xí)路徑中的第1個學(xué)習(xí)單元。同時,參考學(xué)習(xí)組的學(xué)習(xí)記錄將用于調(diào)整目標(biāo)學(xué)習(xí)者學(xué)習(xí)路徑中的局部信息素濃度,幫助目標(biāo)學(xué)習(xí)者提高和改善學(xué)習(xí)效率。

2.4 推薦模塊

本模塊是系統(tǒng)的核心部分,根據(jù)學(xué)習(xí)者的學(xué)習(xí)狀態(tài),調(diào)整學(xué)習(xí)單元的推薦策略和學(xué)習(xí)路徑,其調(diào)整策略描述如下。

1)初始態(tài)

如果學(xué)習(xí)者So當(dāng)前學(xué)習(xí)狀態(tài)為初始態(tài),由目標(biāo)學(xué)習(xí)者的參考學(xué)習(xí)組信息,根據(jù)式(7)為學(xué)習(xí)者推薦學(xué)習(xí)單元。

(7)

其中,poi代表學(xué)習(xí)單元Li與學(xué)習(xí)者So的相似度,Sr屬于學(xué)習(xí)者So的參考學(xué)習(xí)組,λor代表學(xué)習(xí)者So與學(xué)習(xí)者Sr的相似度,θri代表學(xué)習(xí)者Sr與學(xué)習(xí)單元Li的相似度,學(xué)習(xí)者Sr為學(xué)習(xí)過學(xué)習(xí)單元Li的學(xué)習(xí)者。若學(xué)習(xí)單元Li與學(xué)習(xí)者So相似度poi最大,則為學(xué)習(xí)者So推薦學(xué)習(xí)單元Li。

2)適應(yīng)態(tài)

如果學(xué)習(xí)者So當(dāng)前學(xué)習(xí)狀態(tài)為適應(yīng)態(tài),調(diào)整因子為ε,前一個學(xué)習(xí)單元為Li,根據(jù)式(8)為學(xué)習(xí)者推薦學(xué)習(xí)單元。

(8)

3)變更態(tài)

如果學(xué)習(xí)者So當(dāng)前學(xué)習(xí)狀態(tài)為變更態(tài),前一個學(xué)習(xí)單元為Li,根據(jù)式(9)為學(xué)習(xí)者推薦學(xué)習(xí)單元。

(9)

3 實驗設(shè)計與結(jié)果分析

為進(jìn)一步驗證本文提出的算法可以在微學(xué)習(xí)環(huán)境中為學(xué)習(xí)者提供個性化的學(xué)習(xí)路徑,提高學(xué)習(xí)效率,設(shè)計實驗對算法進(jìn)行驗證。

3.1 實驗設(shè)計

3.1.1 學(xué)習(xí)單元和學(xué)習(xí)者的確定

為滿足微學(xué)習(xí)對于學(xué)習(xí)單元時間長度的要求,從網(wǎng)上下載篩選符合要求的學(xué)習(xí)資源,保證每個學(xué)習(xí)單元都可以在15 min內(nèi)學(xué)習(xí)完成。同時選取學(xué)習(xí)單元數(shù)量適中的初始化學(xué)習(xí)路徑,每個課程中包含的學(xué)習(xí)單元數(shù)量為8個～12個。

經(jīng)過篩選整理,共得到167個計算機(jī)應(yīng)用技術(shù)相關(guān)的學(xué)習(xí)課程,包含1 685個學(xué)習(xí)單元,將其劃分為4個學(xué)習(xí)領(lǐng)域:前端開發(fā),后端開發(fā),移動開發(fā)和數(shù)據(jù)處理。根據(jù)學(xué)習(xí)課程的知識內(nèi)容難度,標(biāo)記其知識水平。整理完成后,得到知識領(lǐng)域和知識水平標(biāo)記完成的167條初始化學(xué)習(xí)路徑,其基本信息分布如表1所示。

表1 學(xué)習(xí)單元基本信息

在學(xué)習(xí)者選取上,共選用80名學(xué)習(xí)者用于實驗。為驗證改進(jìn)蟻群算法可以切實提高學(xué)習(xí)者的學(xué)習(xí)效率,將80名學(xué)習(xí)者分為2組,一組為實驗組,另一組為對比組,每組為40名學(xué)習(xí)者。2組學(xué)習(xí)者40人同時參與,每人學(xué)習(xí)若干學(xué)習(xí)單元。為提高實驗結(jié)果的可信度與準(zhǔn)確性,對80名學(xué)習(xí)者的基本信息進(jìn)行前期調(diào)查統(tǒng)計,確保2組學(xué)習(xí)者在初始階段,知識領(lǐng)域和對應(yīng)的知識水平分布情況差異性較小。學(xué)習(xí)者初始基本信息分布情況如表2所示。

表2 學(xué)習(xí)者基本信息

3.1.2 算法參數(shù)的確定

蟻群算法參數(shù)值的選取對于實驗結(jié)果有非常重要的影響。采用改進(jìn)蟻群算法來實現(xiàn)微學(xué)習(xí)中的學(xué)習(xí)路徑推薦,如何設(shè)置各個參數(shù)值,確定合理的學(xué)習(xí)單元以及學(xué)習(xí)者數(shù)量,以更好地實現(xiàn)學(xué)習(xí)路徑推薦是首先要進(jìn)行的工作。

在Matlab環(huán)境下,使用程序模擬學(xué)習(xí)者的學(xué)習(xí)過程,研究啟發(fā)信息因子、信息素濃度因子、信息素濃度揮發(fā)因子、迭代次數(shù)、學(xué)習(xí)單元數(shù)量以及學(xué)習(xí)者數(shù)量等參數(shù)對于結(jié)果的影響。通過多次實驗,分析研究信息素濃度分布變化過程,綜合考慮算法的時間復(fù)雜度,最終確定了算法的基本參數(shù)。其中,啟發(fā)信息因子α取值為1.4,信息素濃度的因子β的取值為1.1,信息素?fù)]發(fā)濃度ρ取值為0.7,迭代次數(shù)取值為150。

3.1.3 對比實驗

準(zhǔn)備工作完成后,使用JSP+MySQL創(chuàng)建微學(xué)習(xí)環(huán)境。實驗分為2個組:實驗組和對比組。對比組中的學(xué)習(xí)者按照初始化路徑學(xué)習(xí),實驗組的學(xué)習(xí)者按照改進(jìn)蟻群算法推薦的學(xué)習(xí)路徑學(xué)習(xí),最終比較測試成績。

3.2 實驗結(jié)果分析

通過實驗,得到了2組學(xué)習(xí)者的測試成績。圖3顯示了實驗組和對比組分別在前端開發(fā)、后端開發(fā)、移動開發(fā)、數(shù)據(jù)處理4個學(xué)習(xí)領(lǐng)域,平均測試成績隨著學(xué)習(xí)單元數(shù)量增加的變化情況。其中,A01、B01分別代表實驗組和對比組在前端開發(fā)領(lǐng)域,A02、B02分別代表實驗組和對比組在后端開發(fā)領(lǐng)域,A03、B03分別代表實驗組和對比組在移動開發(fā)領(lǐng)域,A04、B04分別代表實驗組和對比組在數(shù)據(jù)處理領(lǐng)域。

圖3 學(xué)習(xí)單元個數(shù)與平均測試成績的關(guān)系

由實驗結(jié)果可以得出,實驗組的學(xué)習(xí)者在學(xué)習(xí)相同數(shù)量的學(xué)習(xí)單元后,得到的平均測試成績明顯較高,由此可以推斷本文提出的算法可以提高學(xué)習(xí)者在微學(xué)習(xí)環(huán)境下的學(xué)習(xí)效率。

由圖3可以推出:學(xué)習(xí)者的測試成績普遍得到了提高,平均測試成績隨學(xué)習(xí)單元數(shù)目呈線性增長;在學(xué)習(xí)初期,實驗組和對比組成績增長幅度相差不大;在學(xué)習(xí)中期,實驗組的學(xué)習(xí)者的測試成績增幅明顯優(yōu)于對比組;在學(xué)習(xí)后期,對比組仍保持一定的增幅,實驗組平均測試成績增幅較之前明顯放緩。

對于實驗結(jié)果分析如下:

1)在學(xué)習(xí)初期,實驗組中學(xué)習(xí)路徑的信息素濃度較低,選擇多數(shù)取決于學(xué)習(xí)單元的屬性,實驗組與對比組的相差較小;在學(xué)習(xí)中后期,信息素逐漸累積,實驗組中的優(yōu)勢逐漸顯示出來。

2)實驗組測試成績增幅在后期明顯放緩,經(jīng)過對信息素濃度的分析,推測此時算法可能陷入局部最優(yōu)。

3)在圖3中,縱坐標(biāo)代表的是平均測試成績,表示測試成績的總體趨勢。對學(xué)習(xí)者測試成績分布情況進(jìn)行分析,發(fā)現(xiàn)部分處于變更態(tài)學(xué)習(xí)者的測試成績特別高或者測試成績特別低,其對于平均測試成績有所影響,但是對測試成績總體的趨勢影響并不大。

4 結(jié)束語

本文提出了一種基于信息素濃度逐次適應(yīng)調(diào)整的蟻群算法,用于實現(xiàn)微學(xué)習(xí)中的個性化學(xué)習(xí)路徑推薦。實驗結(jié)果表明,該算法可以優(yōu)化微學(xué)習(xí)路徑,有效提高學(xué)習(xí)效率。但該算法仍需進(jìn)一步提高和改進(jìn)。今后的工作將考慮將蟻群算法中參數(shù)自適應(yīng)理論引入該算法中來改善局部最優(yōu)問題。對于蟻群算法應(yīng)用領(lǐng)域的參數(shù)設(shè)置,目前尚無成熟的理論。對于本文所涉及到的參數(shù)設(shè)置,下一步考慮使用組合優(yōu)化算法進(jìn)行參數(shù)選擇;對于本文算法的時間復(fù)雜度和空間復(fù)雜度的討論需要完善,目前蟻群算法此方面的相關(guān)研究較少,需要進(jìn)一步研究分析。

[1] HUG T,LINDNER M,BRUCK P A.Microlearning:Emerging Concepts,Practices and Technologies After e-Learning[J].Proceedings of Microlearning,2005(5):45-53.

[2] 張振虹,楊慶英,韓 智.微學(xué)習(xí)研究:現(xiàn)狀與未來[J].中國電化教育,2013(11):12-20.

[3] 王佑鎂,祝智庭.從聯(lián)結(jié)主義到聯(lián)通主義,學(xué)習(xí)理論的新取向[J].中國電化教育,2006(3):5-8.

[4] BAUMGARTNER P.Educational Dimensions of Micro-learning-towards a Taxonomy for Microlearning[M].Innsbruck,Austria:Innsbruck University Press,2013.

[5] KOVACHEV D,CAO Y,KLAMMA R,et al.Learn-as-You-Go:New Ways of Cloud-based Micro-learning for the Mobile Web[C]//Proceedings of International Con-ference on Web-based Learning.Berlin,Germany:Springer,2011:51-61.

[6] BRUCK P A,MOTIWALLA L,FOERSTER F.Mobile Learn-ing with Micro-content:A Framework and Evaluation[C]//Proceedings of the 25th Bled Conference.Berlin,Germany:Springer,2012:17-20.

[7] GU X,GU F,LAFFEY J M.Designing a Mobile System for Lifelong Learning on the Move[J].Journal of Computer Assisted Learning,2011,27(3):204-215.

[8] 陶璐琳.基于智能手機(jī)的微學(xué)習(xí)設(shè)計研究[D].武漢:華中師范大學(xué),2012.

[9] 史致遠(yuǎn),朱明放.微學(xué)習(xí)環(huán)境下基于語義的MASHUP架構(gòu)優(yōu)化[J].江蘇大學(xué)學(xué)報(自然科學(xué)版),2010,31(3):339-342.

[10] CHEN Jian,ZHANG Yueqin,SUN Jingyu,et al.Personalized Micro-learning Support Based on Process Mining[C]//Proceedings of International Conference on Information Technology in Medicine & Education.Washington D.C.,USA:IEEE Press,2016:511-515.

[11] 趙呈領(lǐng),陳智慧,黃志芳.適應(yīng)性學(xué)習(xí)路徑推薦算法及應(yīng)用研究[J].中國電化教育,2015(8):85-91.

[12] CHEN Chih-Ming.Intelligent Web-based Learning System with Personalized Learning Path Guidance[J].Computers and Education,2008,51(2):787-814.

[13] 張 松.學(xué)習(xí)內(nèi)容管理系統(tǒng)及其個性化推薦技術(shù)研究與實現(xiàn)[D].沈陽:東北大學(xué),2013.

[14] 費(fèi) 騰,張立毅,孫云山.基于DNA-蟻群算法的車輛路徑優(yōu)化問題求解[J].計算機(jī)工程,2014,40(12):205-208.

[15] 張 瀟,王江晴.混合蟻群算法在車輛路徑問題中的應(yīng)用[J].計算機(jī)工程,2011,37(24):190-192.