基于用戶興趣模型及能力評估模型的個性化推薦方法研究

阮懷偉吳曉璇 陳艷平

1 引言

隨著互聯網規模的不斷擴大，網絡資源迅猛增長，人類社會已進入一個信息爆炸的時代。同時，用戶的社會化標注行為進一步推動著信息的增長。然而，由于用戶興趣、表達方式等方面的差異，促使社會化標簽質量參差不齊，信息超載和信息迷航儼然成為學術界和產業界亟待解決的問題[1]。推薦算法通過對用戶的行為屬性進行分析，挖掘用戶的興趣，從而為用戶精確推薦物品或信息[2]。個性化推薦方法是利用用戶預先提供的數據[3]或利用數據挖掘[4]等技術挖掘用戶潛在的興趣資源進行推薦。

隨著Internet的迅速發展和全球對終身教育的需求，以異步教育方式為主要特征的基于Web的在線學習已成為Internet上的一種重要應用[5-7]。基于在線學習的個性化學習受到越來越多研究者的關注。目前在線學習的應用還存在一些缺點，其中利用動態、異構環境下的分布學習資源進行個性化學習是困擾已久的關鍵問題，表現在學習過程中缺乏指導，學習資源重用率低，不能以學習者為中心來推送符合學習規律的學習資源。

本文以在線學習為應用背景，基于用戶的基本信息和興趣偏好構建用戶興趣模型，通過用戶對知識的掌握程度構建學習能力評估模型，再基于用戶興趣模型和學習能力評估模型進行個性化推薦，通過個性化學習系統推送包括文本、圖片、視頻、試題等經過語義標引過的學習資源。其中，試題資源還可用于在線測試，以便檢驗用戶的學習效果，同時將測試結果反饋給學習系統，用以不斷修訂用戶興趣模型及學習能力評估模型，不斷優化個性化學習系統的精確性，使得用戶通過在線學習獲得更好的學習體驗和知識積累。

2 用戶興趣模型構建

在線學習背景下，用戶興趣主要由隱性信息和顯性信息組成。顯性信息包括用戶注冊時獲取的基本信息，如用戶的年級、性別、偏好等；隱形信息由用戶在學習過程中的系統記錄抽取而來，能夠反映用戶的當前狀態，在實際應用中更為有效。單一的信息都不足以體現用戶的真實興趣，無用的信息也會大大增加建模的復雜度和計算成本，因此如何將兩者結合，提取出用戶真正的興趣點是用戶興趣信息提取的一個關鍵問題[8]。本文建立的用戶興趣模型主要從兩個方面構建：子知識點及學科。

2.1 子知識點的興趣模型

在學習資源推薦中，認為用戶興趣與用戶對知識點的掌握程度密切相關，也就是說掌握越好的知識點對應的興趣度就低，而掌握差的知識點，興趣度就高。知識點興趣度用知識點的權值來描述。在初始階段，知識點的權值均設為1，隨著用戶學習行為的推進，采用隱式計算方法獲取并動態修改知識點的權值。

每個知識點的權值wj可以由三個部分：①知識點掌握程度；②用戶學習行為；③知識點頻率；計算獲得，如公式（1）：

（1）wknowledgej的數學計算如公式（2）：

其中，totalscorej表示所有包含該知識點的題目數量；currentscorej表示答對的題目數量。

（2）wlearningj的數學計算如公式（3）：

其中，learnj表示用戶學習的該知識點的資料數量，total_learn表示已學資料的總數，比重越大，則說明用戶對該知識點越感興趣。

（3）wfrequencyj的數學計算如公式（4）：

其中，accessj表示資源庫中用戶閱覽的包含該知識點的資料數量，databasej表示數據庫中包含該知識點的資料數量。

在上述計算知識點的權值過程中，不排除下述極端情況：

（1）興趣度最低

興趣度最低表示學生沒有學習任何教學資源就可以測試通過，表示學生已經掌握了該知識點。

（2）興趣度最高

興趣度最高表示學生已經學完了所有該知識點的教學資源，但還是未能通過測試，表示學生還得接著學習該知識點。

（3）興趣度變化

隨著學生學習資源數的增加，興趣點會逐步分散，之前學過的知識點興趣度會逐漸減少，后學的知識點興趣度會逐漸增加。

上述用戶興趣模型是通過計算知識點的權值確定用戶的興趣度，此模型符合用戶的學習行為和學習習慣，具有一定的理論和現實依據，可以作為個性化推薦的重要依據。

2.2 學科興趣模型

在定義知識點興趣模型的基礎上，學科i的興趣度Wi用學科下所有一級知識點的權值的加權和來計算。其中，知識點的權重由領域專家標注，重點知識點權重大，非重點權重小。

其中，αj為歸一化后的權重；wj表示第j個一級知識點的興趣度權值。一級知識點的興趣度權值wj由一級知識點本身和它所包含的子知識點的興趣度來確定，其計算如公式（6）：

其中，βk為歸一化后的權重；wjk表示第j個一級知識點包含的所有子知識點的興趣度權值。wj0β0為第j個一級知識點本身的興趣度。將（5）式、（6）式合并可以獲得公式（7）：

3 學習能力評估模型構建

用戶的學習能力評估由用戶在使用系統的過程記錄抽取分析而得，能夠反映用戶對各知識點的掌握程度。在學習能力評估模型中，設定用戶能力等同于用戶對知識點的掌握程度。掌握程度與用戶學習資源數、測試分值呈正比。因此每個知識點的掌握程度pj可通過兩部分：①測試結果；②用戶學習行為計算獲得。其計算公式如下式（8）：

其中，totalscorej表示所有包含該知識點的題目數量，currentscorej表示答對的題目數量。

其中，accessj表示資源庫中用戶閱覽的包含該知識點的資料數量，databasej表示數據庫中包含該知識點的資料數量。

（3）θ的數學計算如公式（11）：

其中，k表示總資料數量閾值，總資源數越多，則學習行為對能力的影響越大，當達到閾值時影響最大，θ=1。

4 基于用戶興趣模型及學習能力評估模型的個性化推薦方法

構建了基于用戶興趣模型及學習能力評估模型后，需要運用模型為用戶提供個性化信息服務，即將用戶與資源進行匹配。針對特定的用戶，首先根據本體推理獲得相關知識點，計算該用戶對相應知識點的興趣程度，按照從大到小的排序順序將知識點所屬資源推薦給用戶，實現個性化推薦的目的。在獲得學習的基礎上，通過用戶的使用記錄，計算用戶對各知識點的掌握程度，在個性化推薦中起到輔助作用。

實現個性化推薦服務，大體流程分為四個階段：相似用戶發現、資源集的確定、資源特征表示和模型匹配運算。該流程的總體框架如圖1所示。

在在線學習應用背景下，結合學習能力評估模型，以協同過濾算法為根據，構建個性化學習系統總體框架如圖2所示。

5 結束語

本文以在線學習為應用背景，通過上述研究，解決了個性化推薦方法中存在的部分問題，如在線學習過程中，如何刻畫用戶的興趣；如何量化用戶的學習能力；用標簽來描述用戶興趣，不受內容提取技術的限制等問題。雖然對個性化推薦方法中存在問題進行了深入研究，然而由于個性化信息服務系統的復雜性及研究時間、研究條件的限制等原因，還存在以下問題，值得今后繼續深入研究：多用戶興趣模型的構建、半結構化數據的稀疏性問題、推薦算法的可擴展性問題、推薦算法的精度等問題。

圖1 基于用戶興趣模型的個性化信息服務流程

圖2 基于用戶興趣模型及學習能力評估模型的個性化學習系統