基于領域本體的學習路徑推薦策略研究

嚴曉梅 李小青 周博

摘 要：為了解決學生在線學習過程中的“認知過載”和“學習迷航”等問題，充分發揮網絡課程資源的教學輔助作用，以《決策支持系統》課程為例，提出一種基于領域本體和語義相似度的個性化學習路徑推薦策略。根據領域知識點及其關系構建本體庫，建立知識點間語義關系，并用Protégé進行本體形式化編碼;基于本體設計學習路徑生成策略和相關知識協同策略;最后，結合《決策支持系統》課程現有網絡資源設計并開發原型系統，實現個性化學習引導及資源空間優化。實驗表明，該平臺能夠實現在線學習路徑的有效引導，為學生提供個性化學習空間，優化在線學習效果。

關鍵詞：學習路徑推薦;領域本體;語義相似度;原型系統;個性化學習引導

DOI：10. 11907/rjdk. 191528 開放科學（資源服務）標識碼（OSID）：

中圖分類號：TP391文獻標識碼：A 文章編號：1672-7800（2019）009-0167-06

Research on Learning Path Recommendation Strategy Based on Domain Ontology

YAN Xiao-mei， LI Xiao-qing， ZHOU Bo

（Information and Navigation College， Air Force Engineering University， Xian 710077， China）

Abstract： This paper introduces a recommendation strategy of personalized learning path based on domain ontology and semantic similarity ？taking the course of decision support system as an example， in order to solve the problems of information overload and learning disoriented in the online learning process and improve the assistant function of online resources. Firstly， according to the domain knowledge and their relations， the ontology database is found to construct the relationship of knowledge points at the semantic level. In addition， the ontology is formally encoded using the Protégé. Then， it designs the learning path generation strategy and the related knowledge cooperation strategy. After that the prototype system is designed and developed based on the existing resources of the decision support system online course. The experiment results show that the personalized learning guidance and resource space is optimized.

Key Words： learning path recommendation; domain ontology; semantic similarity; prototype system; personalized learning guidance

0 引言

《2020年前軍隊人才發展規劃綱要》明確指出，必須把人才作為強軍之本，突出信息能力建設[1]。加強網絡化在線學習是實現部隊教學手段信息化和培養新型軍事人才信息能力的有效途徑。近年來，部隊院校的在線學習得到了迅速發展，各院校大力發展慕課、微課等網絡教學。國防科技大學的夢課平臺，覆蓋計算機、物理、軍事等多個學科，在線課程數量達112門，注冊用戶數量達32萬。近幾年，空軍工程大學在線學習也得到了極大發展，已建設課程94門，資源類型包括視頻、PPT、音頻、FLASH動畫、電子圖書等。在線學習打破了傳統面對面授課模式中時間和空間上的限制，為師生帶來了諸多便利。然而，通過對空軍工程大學2014-2017年網絡課程實際使用情況進行分析發現，盡管網絡課程建設數量逐年上升，但平均學習時長、平均學習次數和平均課時訪問量卻出現逐年遞減趨勢。由此可見，現有在線學習平臺并沒有實現預期效果，難以起到良好的教學輔助作用。

分析原因發現，在線學習資源內容龐雜、形式多樣，如果沒有有效的路徑引導或教師指導，學生很可能在眾多網頁鏈接中迷航，逐漸喪失學習興趣和熱情。因此，在專業領域知識學習中，明確的知識關聯結構與學習順序對學生具有重要影響，采用個性化的學習路徑推薦策略是解決上述問題的主要手段。

隨著互聯網+教學模式的推廣，個性化學習路徑推薦已成為當前在線學習研究熱點之一。Brusilovsky等[2]提出根據學習者的知識基礎和學習目標自動構建學習路徑，為該項研究奠定了基礎;Vanden Berg等[3]認為如果某條學習路徑被大量學習者采用，則當前用戶很大概率上也會采用該路徑，通過學習者的群體行為特征實現學習路徑推薦;Chen[4]提出在學習之前對學習者進行測試，根據出錯信息進行學習路徑推薦;黃志芳等[5]提出根據情景感知技術與領域本體技術實現適應性學習路徑推薦;Wang等[6]基于學習者的用戶特征模型，對課程知識結構和內容進行標記，實現個性化推薦;Shishehchi等[7]提出利用本體技術對學習者和網絡學習資源進行模型構建，并利用語義關系實現學習者個性化學習路徑推薦;趙學孔等[8]以用戶認知水平為基礎，利用相鄰用戶相似性規則提出一種基于協同推薦機制的個性化學習路徑生成策略。

基于上述研究，本文提出一種基于領域本體思想，結合語義本體和語義相似度的技術手段，對課程概念知識點進行組織，按照知識點的前驅后繼關系和語義相似度，形成一條滿足學生個性化需要的在線學習路徑。本文提出的學習路徑推薦方法在空軍工程大學的《決策支持系統》網絡課程建設中得以實施，效果良好。

1 知識本體構建

在個性化推薦在線學習系統中，語義本體被廣泛應用于領域知識的表達，利用本體方法，可以呈現目標知識的前驅、后繼及相關知識，實現資源個性化和自適應性呈現，讓學習者更直觀理解知識之間的關系，快速建立知識體系，有利于提高學習效果。

本體是指對客觀存在系統的解釋和說明[9]，常用的本體表示語言包括XOL、RDFS、OIL和OWL;而領域本體是通過定義類、實例、屬性、關系、公理等元素，刻畫出某一領域的類和實例及其之間的層次關系，對領域知識進行歸納和抽象，是本體的一種[10]。由于各自學科領域特點和具體工程應用不同， 構建本體的方法也不盡相同。“七步法”由斯坦福大學開發，該方法遵循了Gruber在1995年提出的選取領域本體構建方法的5條規則[11]：明確性、客觀性、完整性、一致性和可擴展性，適用于所有領域本體構建。因此，本文選取“七步法”作為課程本體庫構建方法，同時借鑒軟件工程領域的建模方法，結合專業領域知識，提出課程知識本體構建方法，具體流程如圖1所示。

以《決策支持系統》[12-14]課程為例進行專業領域知識分析，該課程“數據庫系統與數據倉庫”章節概念關系較為復雜，涉及決策支持系統中數據庫系統相關知識，如數據庫系統組成、體系結構、設計過程，以及數據倉庫、聯機分析處理和數據挖掘等新技術在決策支持系統中的應用等內容，知識點較多且隸屬于不同的技術領域，在沒有教師指導的情況下，學生無法很好地厘清學習思路。因此，本文選取該內容進行本體構建，其核心知識架構如圖2所示。

在分析專業領域知識的基礎上，以合適的知識顆粒度進行知識點劃分，形成10個核心概念集：決策支持系統、數據、信息管理系統、數據庫、數據倉庫、OLAP、OLTP、數據挖掘、數據預處理和數據可視化。

采用逐步細化的方法建立本體概念間的層次結構，對核心概念集進行分析和歸類。以“決策支持系統”作為知識本體的根節點，向下拓展：

T={數據，信息管理系統，數據庫，數據倉庫，OLAP，OLTP，數據挖掘，數據預處理，數據可視化}

形成第一層次，將其中的重點概念進一步向下拓展，以“數據挖掘”為例：

T（數據挖掘）={數據挖掘概述，分類算法，聚類算法，關聯規則方法，偏差分析方法}

形成第二層次，繼續將“聚類算法”、“分類算法”和“關聯規則方法”等重點概念進一步向下拓展：

T{聚類算法}={聚類算法概述、基于密度方法、基于隸屬度方法、劃分方法、層次方法}

T{分類算法}={分類算法概述、KNN算法、SVM算法、人工神經網絡算法、決策樹算法、貝葉斯算法、遺傳算法}

T{關聯規則方法}={ID3算法，Apriori算法，FP-growth算法}

形成第三層次，對其中抽象性較強的概念“劃分方法”和“基于網絡方法”作進一步拓展：

T{劃分方法}={k-means算法}

T{基于網絡方法}={SOM算法}

形成第四層，以此類推，對總結的10個核心概念集、97個概念節點分析各自間的層次結構。

按照前期分析，各概念間的關系涉及前驅關系（is prior of）、技術手段（is way of）、實例關系（is instance of）、準則關系（is rule of）等8種，在概念節點之間加入關系，形成部分概念節點關系如圖3所示。

最后，利用Protégé工具對本體進行形式化實現。由于OWL具有較強的語義表達能力和完善的推理機制， 并提供了多本體共享演化和擴展等特性。本文采用OWL作為知識本體的表示語言，對概念間的語義關系進行形式化表示[15-16]，結果如圖4所示。

2 學習路徑推薦策略設計

學習路徑是指學習活動的路線與序列，是學習者在一定的學習策略指導下，根據學習目標和學習內容對所需完成的學習活動的排序，以促使學生利用節點輔助教學和實現自我學習[17]。基于語義本體的學習路徑推薦算法以知識本體庫為基礎，通過合適的學習路徑生成算法和語義相似度算法，以實現在線學習層層深入的引導和知識的橫向拓展。

2.1 學習路徑生成策略

任何知識點都不是孤立的，而是與其它知識點相關聯。因此，當學習者要學習一個知識點時，需要一些前驅知識點的支持。學習路徑生成策略的主要任務在于找出在學習目標知識點之前需先掌握的知識點。由于領域知識本體庫中已經建立了各知識點以及知識點之間的關系，利用知識點之間的前驅后繼關系即可建立學習目標知識點需要先掌握的前驅知識的集合，最終形成目標知識點學習路徑。算法流程如圖5所示。以“關聯規則方法”為例，生成的相關學習路徑如圖6所示。

2.2 相關知識協同策略

學習路徑生成策略可以看作知識點關系的縱向發掘，而在實際教學中，教師還會引導學生通過知識遷移的形式在橫向上作一定的知識拓展，對于可以通過相同的思維方式或知識基礎進行學習的知識點同時進行學習講解，以實現相關知識的協同學習。為了在學習平臺上實現該功能，本文對概念間的語義相似度進行計算，并設置閾值，實現對有較強相似性知識的篩選，為學習者提供相似度適當的知識點以實現相關知識的橫向拓展。

常用的語義相似度算法有基于距離的計算方法、基于特征的計算方法和基于信息量的計算方法。對于基于信息量的計算方法[18-20]，需要有較大本體庫，對于本文的小型本體庫容易出現概念趨同性過高，造成計算結果失真;基于距離的計算方法主要基于本體模型中的層次結構進行計算，計算方法相對簡單，但計算量大且過程復雜;而基于概念的方法則需要依賴兩個概念間屬性的重合度判斷相似度。因此，本文采用一種融合距離和特征的計算方法，相關基本定義如下[21]：

定義1 設C為本體概念集合，概念間的二元關系[]：C[×]C，表示當概念Ci為概念Cj的祖孫概念，或者兩個概念為同一個概念時，概念Ci包含于概念Cj。

定義2 概念a的所有祖先概念的集合為[φ（a）]（集合也包含概念a），利用概念間二元關系[]，可以定義為：

3 個性化學習路徑推薦應用

為了對以上技術思路進行驗證，同時解決現有在線學習平臺中資源龐雜、缺乏有效引導的問題，本文設計了一個具有引導學習功能的原型系統，并采用Visual Studio 2010開發平臺和SQL Server 2008數據庫加以實現，完成對現有在線學習平臺的優化。

3.1 系統總體設計

系統以本體建模結果為支撐，重組現有教學資源，利用建立起的概念間關系，通過語義相似度計算和學習路徑生成算法完成引導式學習策略。系統總體設計如圖7所示。

3.2 系統數據庫設計

Protégé的建模結果只是語義模型，不能直接為平臺使用，需要轉化為數據模型存入數據庫中，便于查詢、更新以及資源豐富。本文通過JENA框架實現本體向數據庫SQL Server 2008的存儲，數據庫共有知識表、相似度表和知識資源表，各表之間的關系如圖8所示。

3.3 系統核心功能界面展示

3.3.1 學習路徑生成

根據目標知識點的前驅后繼關系，從目標知識節點開始遞推，生成完整的學習推薦路徑。知識節點有概念節點和實例節點兩種類型：對于概念節點，學習路徑中除前驅知識外，還包括適當的經典案例、算法等;對于實例節點，則只提供前驅知識，不再需要案例的輔助理解。

舉例說明如下：概念節點“關聯規則方法”學習路徑推薦界面如圖9所示，實例節點“knn算法”學習路徑推薦界面如圖10所示。

3.3.2 相關知識協同

通過本體的語義相似度計算結果，為學習者提供目標知識節點相關知識的協同學習，實現學習路徑的橫向拓展。利用上文計算方法，以“knn算法”為例，與其有關的語義相似度計算結果如圖11所示。由以上計算結果得知，與“knn算法”語義相似度較高的知識點有“svm算法”、“決策樹算法”、“貝葉斯算法”、“偏差分析”和“關聯規則方法”等，較符合課程知識的實際關系。利用語義相似度計算結果，將相關知識推薦給用戶，供用戶有選擇地展開學習，如圖12所示。

4 結語

目前，本體和推理技術在信息檢索、知識共享和知識獲取等領域應用廣泛。作為一個較新的概念，在在線學習平臺中，基于本體的數據挖掘仍有較好的應用前景。本文結合《決策支持系統》網絡課程現有資源情況，以“數據庫系統與數據倉庫”章節內容為例，提出以本體知識庫為基礎，結合語義相似度技術，實現個性化學習路徑推薦方法，并進行了原型系統設計與實現。實驗表明，該方法基本能夠解決學習者在在線學習平臺中經常遇到的“認知過載”和“學習迷航”等問題，有利于培養學生學習興趣，提升學生自主學習能力，也有助于發揮部隊院校網絡課程資源對教學的輔助作用，促進教與學的良性發展。

參考文獻：

[1] 中華人民共和國中央軍事委員會. 2020年前軍隊人才發展規劃綱要[Z]. 2011.

[2] BRUSILOVSKY P， VASSILEVA J. Course sequencing techniques for large-scale web-based education[J]. International Journal of Continuing Engineering Education and Life-long Learning， 2003，13（1/2）：75-94.

[3] VANDEN B B，VAN E R， TATTERSALL C，et al. Swarm-basaed sequencing recommendations in e-learning[C]. Proc of the 5th International Conference on Intelligent Systems Design and Applicatins，2005：488-493.

[4] CHEN C M. Intelligent web-based learning system with personalized learning path guidance[J]. Computer & Education，2008，51（2）：784-814.

[5] HUANG Z F，ZHAO C L，HUANG X Y，et al. Reserach on adaptive learning path recommendation based on context-aware environments[J]. E-education Research，2015，36（5）：77-84.

[6] WANG L，ZENG Z，LI R. Cross-domain personalized learning resources recommendation method[J]. Mathematical Problems In Engineering， 2013，10（5），206-232.

[7] SHISHEHCHI S， BANIHASHEM S Y， et al. A proposed semantic recommendations system for e-learning： a rule and ontology based e-learning recommendation system[J]. Proc of Intelligent System in Information Technology，2014（1）：1-5.