面向用戶個性需求的教育資源混合式推薦模型

趙學孔 龍世榮

[摘 要]以用戶個性需求為導向構建Web環境下智能學習系統是現代遠程教育與智慧教育領域研究的熱點，也是E-learning的未來發展趨勢。推薦技術是智能學習系統的“智慧”所在，其根據學習者差異性特征屬性“分析—判斷—理解”個性化需求并以此精準推薦合適的學習資源。基于內容和協同過濾的混合式推薦可解決單類型推薦所引起的冷啟動、非結構化內容推薦等諸多短板問題，進而有效提高推薦資源的效率與質量。該研究在分析領域相關研究現狀的基礎上，提出了Web環境下智能學習系統中基于內容和協同過濾的教育資源混合式推薦模型構建方案，著重對其架構設計、對象建模與推薦算法進行詳細論述。

[關鍵詞]智慧教育;智能學習系統;模型構建;混合式推薦;推薦算法

[中圖分類號] G64 [文獻標識碼] A [文章編號] 2095-3437（2019）09-0014-03

當前互聯網信息技術的迅猛發展悄然改變著人們的生活習慣、工作方式、交流途徑以及認知思維模式等，傳統的教學模式愈加暴露出其時效性、針對性不強等弊端。物聯網、大數據、云計算技術的成熟以及各種智能終端的涌現，為推崇具有“數字化、網絡化、智能化、多媒體化”典型特征的智慧教育帶來了契機。智能學習系統作為智慧教育領域的分支，因其遵循學生的個體差異性發展規律，在具備開放、共享、交互、協作等特征的同時又體現了因材施教、以學習者為中心等諸多現代教學理念，備受國內外眾多研究者關注。然而，當前智能學習系統的推薦效果并不理想，其智能化推薦技術仍有待探索優化，其研究意義深遠。

一、本領域相關研究進展

智能學習系統，又名適應性學習系統、智慧學習系統等，是近年來現代遠程教育與智慧教育領域研究的熱點。該系統針對學習者的個體差異性特征屬性，通過在智能化推薦技術“分析—判斷—理解”個性化需求的基礎上實現學習資源的有效篩選與重組，進而動態提供適合當前學習者的個性化學習資源。為了探索與構建具有“智慧”機能的智能學習系統，國內外眾多研究者在該領域進行了大量的理論與實踐研究，并從不同視角提出了智能化推薦技術解決方案。Thorat等人[1]對基于內容推薦和協同過濾推薦進行了比較分析，并通過獲取學習者的學習反饋信息提出智能學習系統推薦模型;Wang等人[2]利用學習者的特征模型與課程內容標簽匹配實現了個性化推薦功能。北京師范大學余勝泉教授通過對用戶的學習偏好和領域知識進行建模，提出了具備個性化內容推薦的“學習元”平臺構建方案[3];臺灣淡江大學利用Agent分布式代理技術開發了智能學習系統MMU[4];楊麗娜等[4]嘗試利用多角色Agent合作框架解決智能學習系統個性化資源推薦問題;王永固等[5]提出了基于協同過濾技術的學習資源個性化推薦方法。

國內外研究者主要從推薦技術、系統建模、Agent代理等視角研究并提出了智能學習系統個性化推薦方案。在對系統建模過程中，學習者的學習偏好、認知水平、學習記錄等特征屬性是較多研究者切入的視角。應該說，當前的智能學習系統領域研究尚處于“百家爭鳴”階段，其智能化推薦技術與推薦效果仍有待優化。因此，本研究擬在對Web環境下學習者與領域教育資源建模基礎上，嘗試構建基于內容和協同過濾的混合式推薦模型，進而有效提高資源推薦的效率與質量。

二、ILS教育資源混合式推薦模型構建方案

智能學習系統（Intelligent Learning System，簡稱ILS）作為一種支持學習者個性化學習服務的有效解決方案，其實質在于根據學習者認知過程中的個性學習需求推薦合適的教育資源。ILS實現的關鍵在于探索其“智慧”機能，即對學習者個性化需求的理解以及對教育資源的匹配推薦。下文將從ILS的架構設計、對象建模以及推薦技術與算法三個維度切入，探索教育資源混合式推薦模型構建方案。

（一）架構設計

從ILS視角來看，網絡個性化學習支持服務主要體現于兩方面：一是對學習者個性化需求的分析、判斷與理解，二是對匹配學習者個性需求的教育資源進行精準化推薦。其中，ILS對學習者個性化需求的判定依據主要涉及用戶的特征屬性信息，如學習風格、學習偏好、認知水平等;而對教育資源進行精準化推薦主要是基于相關推薦技術。基于此，本文所構建的ILS總體架構設計如圖1所示。圖中的學習風格測量用于判定學習者的學習風格類型;學習單元測評主要借助單元習題測試來診斷學習者當前的認知水平;學習行為記錄器可以實時采集學習者的學習行為日志;推薦機制作為ILS的核心部件，在對用戶模型以及資源模型提取分析的基礎上通過相關推薦算法完成資源的精準化推薦;系統數據庫主要包括用戶模型、學習記錄、教育資源以及學習策略等數據庫，其中的用戶模型數據庫存儲用戶的特征信息，學習記錄數據庫存儲用戶的學習行為日志信息，教育資源數據庫存儲各類資源的實體信息，學習策略數據庫存儲教育資源對象間的關聯性信息（如章節項關系、單元項的前驅后繼關系等）。

如圖1所示，ILS的工作機理如下：（1）資源管理者（教師）通過資源管理功能組件上傳、更新與設置相關的教育資源，包括對資源學習策略進行設置。（2）學習者首次登錄系統，需要注冊完善個人基本信息，并在系統指導下設置初始化學習風格類型。（3）學習過程中，系統通過推薦機制的相關程序算法動態獲取與分析學習者當前的學習需求并以此篩選合適的教育資源序列，然后在預處理組件的加工處理下將最優教育資源推薦給目標用戶;學習者則在相關學習工具支持下并借助Web瀏覽器進行個性化學習，而其學習路徑日志會被學習行為記錄器實時采集與存儲。（4）學習者每學完一個知識單元即可在線測試，其測試結果可作為判定學習者階段性認知水平的參考依據，為更新完善用戶模型提供數據基礎。

（二）對象建模

與傳統數字化學習環境E-learning相比，ILS更重視對用戶以及教育資源特征屬性的結構化描述與存儲。可以說，用戶是ILS智慧推薦的邏輯起點與推薦目標，教育資源是ILS的數據源與推薦對象，二者是ILS實現“智慧”機能的基礎。因此，ILS中對用戶以及教育資源的建模尤為關鍵，其直接影響教育資源推薦的精準度。

1.學習者用戶建模

學習者用戶模型，即對學習者特征屬性的建模表征。ILS中學習者的用戶特征屬性是復雜多樣的，它既包含姓名、性別、年級、學科、專業等靜態的特征信息，也包含學習風格、學習偏好、認知水平等動態的特征信息。對于靜態的特征屬性，通過直接調用相關的二維表數據即可獲知;而對于動態的特征屬性，由于隨著用戶學習成長其特征數據也會不斷更新，因此需要借助算法來綜合分析用戶的學習日志、測驗成績等記錄信息才可獲知。可見，為了能真實全面地反映用戶當前的特征狀態，建模時需要從多個維度考慮，具體表征方法如下：

LearnerModel=（BasicInformation，LearningStyle，CognitiveLevel，LearningRecords）

其中，BasicInformation用于表征學習者基本的靜態信息;LearningStyle用于表征學習者當前的學習風格類型;CognitiveLevel用于表征學習者某個階段的認知水平狀態，主要采用<單元成績，單元標識>形式存儲;LearningRecords用于表征學習者學習過程中的訪問記錄，包含學習者的身份標識、訪問時間、訪問地址等。

學習者模型中，LearningStyle的表征可以借鑒著名的Felder學習風格模型，包括直覺型（intuitive）—感知型（sensitive）、視覺型（visual）—言語型（verbal）、活躍型（active）—反思型（reflective）、全局型（global）—序列型（sequential）四個維度，它可表示為：LearningStyle（Ui）=（，，，）。其中，（i∈[1，4]）表示Felder學習風格某個維度取值，Di表示四個維度的風格類型，lsi為模糊取值（lsi∈[0，1]），其代表在學習風格Di維度的取值。

2.領域教育資源建模

領域教育資源是領域知識的結構化，泛指學習者某個專業領域學習的知識項內容，可以是文本、圖片、音頻以及微視頻等各種數字媒體資源。領域教育資源是ILS數據推薦來源，其良性的結構體系化表征對ILS推薦結果有較大影響。領域教育資源的結構化表示與存儲通常可采用不同粒度來構建，如課程、單元、章、節、項等，粒度越小意味著其關聯性、層級性等屬性描述越精細。因此，為了更加精細準確地表示領域教育資源的結構化特征，ILS中的資源類型盡可能以微型化方式來存儲。在參考當前國際數字化教育資源IMS建模標準的基礎上，本研究對領域教育資源表征方法如下：

ResourceModel=（Rid，Rname，Rcontent，Rstyle，Rlevel，ROR）

其中，Rid表示資源對象的（下次將“資源對象的”稱為“其”）唯一標識，Rname表示其名稱，Rcontent表示其內容信息，Rstyle表示其風格類型（Rstyle∈{“文本型”，“圖片型”，“動畫型”，“音頻型”，“視頻型”}），Rlevel表示其難度系數（Rlevel∈[0，1]，該值越大意味著其難度越大），ROR表示其所屬的關系集類型。通常情況下，資源對象間的關系主要包含前驅關系、后繼關系、并列關系以及相關關系四種。基于此，資源模型中的ROR可進一步表征為：ROR（a，b）={，Rtype，Rweight}。ROR關系模型中，Raid表示資源對象a的標識，Rtype表示資源對象間的關系類型（Rtype∈{“前驅關系”，“后繼關系”，“并列關系”，“相關關系”}），Rweight表示資源對象間關系的權重值（Rweight∈[0，1]，該值越大意味著資源對象間的關系程度越高）。

在領域知識模型中，上述資源對象的標識、名稱、內容信息存于教育資源數據庫，而資源的風格類型、難度系數以及關系類型數據主要存于學習策略數據庫，這些數據可由資源管理者（教師）根據教學設計需要在系統管理頁面詳細設置。

（三）推薦技術與算法

推薦技術是智能學習系統的“智慧”所在，其根據學習者的差異性特征屬性“分析—判斷—理解”個性化需求并以此精準推薦合適的學習資源。目前常見的推薦技術主要包括協同過濾推薦、基于內容推薦以及關聯規則推薦等。然而，推薦技術也會因自身的算法特性而產生一些推薦問題，如協同過濾推薦會因用戶群數據稀少而出現“冷啟動”現象，基于內容推薦會因推薦資源的非結構性特性而降低推薦精準度。為了發揮多種推薦技術優勢，本研究嘗試采用基于內容和協同過濾的混合式推薦方法對ILS智能推薦機制進行探索。ILS混合式推薦過程中，一方面從用戶模型數據庫和學習記錄數據庫中獲取用戶的認知風格、認知水平、學習行為等特征屬性，然后利用相似度聚類算法分析鄰居群用戶的狀態特征并以此向目標用戶推薦合適的資源;另一方面從教育資源數據庫和學習策略數據庫中獲取資源內容類型、關聯度等特征屬性，然后利用相似度聚類算法對資源對象歸類，并基于目標用戶的狀態行為特征向其推薦合適的資源內容。其混合式推薦流程如圖2所示。

本研究所采用的混合式推薦主要是將基于內容推薦和協同過濾推薦兩種算法進行整合與優化，以下是其核心算法描述。

系統的輸入項：目標用戶信息、對象特征值矩陣、推薦資源對象數量的最大值N。

系統的輸出項：推薦結果列表Top-N。

第一步，基于用戶學習行為記錄（瀏覽頁面路徑）建立用戶模型，并計算該目標用戶的相似度Sim（LO），在此基礎上調用K-Means聚類算法獲取目標用戶Ui的鄰居用戶群，其結果表示為Neighbor_User={U1，U2，U3…，Un}的形式。第二步，遞歸計算Neighbor_User序列中所有用戶U的瀏覽頁面路徑支持度，以此找出與目標用戶Ui匹配的最優學習路徑Learning_Path，并進一步將Learning_Path中的資源序列存于數組Rp中。第三步，基于內容類型、關聯度特征建立教育資源模型，并在此基礎上調用K-Means聚類算法對相似性資源進行多維聚類，將其結果存于數組R中。第四步，將數組R中的元素與Rp中的元素進行類型與關聯度匹配（相似度計算），將滿足相似度值的元素按取值高低排序存于數組Ri中。第五步，根據目標用戶Ui的學習風格與認知水平，從數組Ri中篩選前N個對象序列，并以此推薦目標用戶Ui。算法結束。

三、結語

以用戶個性化學習需求為導向構建Web環境下智能學習系統（ILS）是現代遠程教育與智慧教育領域研究的熱點，也是E-learning的未來發展趨勢。ILS實現的關鍵在于探索其“智慧”機能，即對學習者個性化需求的理解以及對教育資源的匹配推薦。學習者用戶以及領域教育資源建模是ILS智能推薦的基礎，推薦技術是ILS智能推薦的動力。基于內容和協同過濾的混合式推薦可避免單類型推薦的諸多短板問題，進而有效提高推薦資源的效率與質量。

[ 參 考 文 獻 ]

[1] Poonam B. Thorat， R.M.Goudar， Barve. Survey on collaborative filtering， content-based filtering and hybrid recommendation system[J]. International Journal of Computer Applications， 2015（4）：31-36.

[2] Wang L， Zeng Z， Li R. Cross-domain personalized learning resources recommendation method[J]. Mathematical Problems in Engineering， 2013（5）：206-232.

[3] 余勝泉，陳敏.泛在學習資源建設的特征與趨勢：以學習元資源模型為例[J].現代遠程教育研究，2011（6）：14-22.

[4] 楊麗娜，劉科成，顏志軍.案例推理Agent合作框架下的個性化學習資源推薦研究[J].中國電化教育，2009（12）：105-109.

[5] 王永固，邱飛岳，趙建龍，等.基于協同過濾技術的學習資源個性化推薦研究[J].遠程教育雜志，2011（3）：66-71.

[責任編輯：龐丹丹]