王治國 ，萬本庭，王 慧

(1.暨南大學(xué) 網(wǎng)絡(luò)與教育技術(shù)中心,廣東 廣州 510632；2.江西財(cái)經(jīng)大學(xué) 軟件與物聯(lián)網(wǎng)工程學(xué)院,江西 南昌330013；3.廣州市工貿(mào)技師學(xué)院 教研室,廣東 廣州510632)

移動情景學(xué)習(xí)是在線學(xué)習(xí)和情景學(xué)習(xí)的融合。移動學(xué)習(xí)是移動技術(shù)與數(shù)字化學(xué)習(xí)技術(shù) (E-Learning)發(fā)展相結(jié)合產(chǎn)生的一種新型數(shù)字化學(xué)習(xí)形式[1]。情境學(xué)習(xí)是有關(guān)人類知識本質(zhì)的一種理論，它是研究人類知識如何在活動過程中發(fā)展的，特別是人們?nèi)绾稳?chuàng)造和解釋他們正在做什么的表征；我們在一個基本的社會情境中對我們的活動進(jìn)行構(gòu)想，進(jìn)而限制我們的思維和言行，我們的行為植根于我們作為一名社會成員的角色之中[2]。隨著技術(shù)的發(fā)展、理念的更新，移動情景學(xué)習(xí)方式越來越多地成為知識獲取的途徑。面對海量的學(xué)習(xí)者和資源，在移動情景學(xué)習(xí)環(huán)境下，如何可以在遇到問題時快速準(zhǔn)確找到合適的專家資源進(jìn)行咨詢，已經(jīng)成為一個迫切需要解決的問題。

一、相關(guān)研究

上世紀(jì)90年代，電子商務(wù)在歐美快速發(fā)展，推薦技術(shù)在電子商務(wù)和信息檢索領(lǐng)域得到長足的發(fā)展。目前推薦系統(tǒng)采用的算法有關(guān)聯(lián)規(guī)則、基于內(nèi)容的推薦、協(xié)同過濾、混合推薦。協(xié)同過濾是基于用戶喜好和項(xiàng)目相似性進(jìn)行篩選推薦的[3]，該算法于1992年由Goldberg等學(xué)者在研究報(bào)告中正式提出[4]。1995年3月，卡耐基·梅隆大學(xué)的Robert Armstrong等人在美國人工智能協(xié)會上提出了Web Watcher（個性化導(dǎo)航系統(tǒng)）；1996年，Yahoo推出了個性化入口My Yahoo；1997年，AT&T實(shí)驗(yàn)室提出了PHOAKS和Referral Web（均為基于協(xié)作過濾的個性化推薦系統(tǒng)）；2000年，NEC研究院的Kurt等人為搜索引擎CiteSeer增加了個性化推薦功能；2001年，紐約大學(xué)的Gediminas Adoavicius和Alexander Tuzhilin實(shí)現(xiàn)了個性化電子商務(wù)網(wǎng)站的用戶建模系統(tǒng)1Pro[3]。

隨著推薦技術(shù)在電子商務(wù)推薦領(lǐng)域的地位日益凸顯，國內(nèi)越來越多的學(xué)者和專家涉足這一領(lǐng)域，同時提出很多建設(shè)性的意見和建議。如中山大學(xué)的黃創(chuàng)光、印鑒等人提出了不確定的近鄰的協(xié)同過濾推薦算法[5]；清華大學(xué)的邢春曉、高鳳榮等提出適應(yīng)用戶興趣變化的協(xié)同過濾推薦算法[6]。系統(tǒng)推薦領(lǐng)域在國內(nèi)發(fā)展較晚，但在一定程度上也取得了不少研究成果。但是，目前的推薦算法主要集中在電影和商品領(lǐng)域，在專家推薦領(lǐng)域涉及較少，為了滿足不斷發(fā)展的知識服務(wù)領(lǐng)域，本文提出了基于移動情景學(xué)習(xí)下的專家推薦模型，方便用戶在海量的專家資源中快速精準(zhǔn)地找到合適的專家，并進(jìn)行精準(zhǔn)推薦。

二、專家推薦模型

1.專家推薦流程

基于用戶的專家推薦是通過分析目標(biāo)用戶的歷史數(shù)據(jù)，獲取用戶瀏覽、咨詢、評價專家的信息，獲取用戶的興趣信息；分析樣本中用戶的興趣信息，比對目標(biāo)用戶和樣本用戶興趣，計(jì)算目標(biāo)用戶的相似用戶，通過相似用戶瀏覽、咨詢、評價的專家中過濾符合目標(biāo)用戶的專家，進(jìn)行專家推薦。

基于用戶的專家推薦是通過分析目標(biāo)用戶的歷史數(shù)據(jù)，獲取用戶瀏覽、咨詢、評價專家的信息，獲取用戶的興趣信息；分析樣本中用戶的興趣信息，比對目標(biāo)用戶和樣本用戶興趣，計(jì)算目標(biāo)用戶的相似用戶，通過相似用戶瀏覽、咨詢、評價的專家中過濾符合目標(biāo)用戶的專家，進(jìn)行專家推薦。

基于專家的推薦是分析用戶的歷史瀏覽、咨詢記錄，獲取用戶瀏覽、咨詢專家信息，通過專家（用戶瀏覽、咨詢）和專家?guī)爝M(jìn)行比對，尋找相似專家，從相似專家中獲取推薦專家，進(jìn)行專家推薦。本文的專家是指醫(yī)學(xué)領(lǐng)域的專家，醫(yī)學(xué)領(lǐng)域?qū)＜液徒逃I(lǐng)域的專家有很多相似性，對學(xué)歷、專業(yè)、服務(wù)態(tài)度具有較高要求，并且服務(wù)領(lǐng)域需要高度細(xì)化。因此，本文選擇醫(yī)學(xué)領(lǐng)域的專家作為被推薦對象，并且可以將該種研究模型遷移到教育領(lǐng)域。

2.專家推薦要素

（1）用戶興趣指標(biāo)建立

在移動情景學(xué)習(xí)下的專家推薦過程，用戶指標(biāo)項(xiàng)的建立是最為基礎(chǔ)的一步，用戶興趣指標(biāo)的建立，首先是對用戶興趣指標(biāo)的篩選。影響專家推薦的用戶要素有很多，一是用戶自身的信息，如性別、年齡、職業(yè)、學(xué)歷、工作、所在地、所患疾病；其次是和醫(yī)生的交互信息，如服務(wù)態(tài)度、療效滿意度、服務(wù)費(fèi)用、評價時間等。

用戶的興趣指標(biāo)分為用戶的屬性指標(biāo)和用戶關(guān)系要素。根據(jù)主成分分析法，用戶屬性要素有用戶性別信息（US）、用戶所患疾病用信息（UD）、用戶所在地信息（UA）等；用戶的關(guān)系要素有關(guān)注專家（UDO）、滿意度（USa）、治療收費(fèi)（UF）、評價時間（UT）等相關(guān)要素。用戶和用戶興趣指標(biāo)的數(shù)據(jù)庫包含n個用戶的集U={U1，U2，U3，…，Un}和 m 個用戶興趣指標(biāo) I={}，用戶興趣指標(biāo)矩陣可用一個N×M的矩陣表示R(n×m)，如公式1所示。

其中矩陣中n行代表n個用戶，m列代表m個用戶興趣指標(biāo)項(xiàng)，Rnm代表第n個用戶的第m個興趣指標(biāo)的值，用戶興趣指標(biāo)的量化表如表1所示。

綜上所述，影響專家推薦的用戶要素有：用戶性別、所在地、疾病、是否關(guān)注相同專家、滿意度、治療費(fèi)用、評分時間等。

表1 用戶興趣指標(biāo)量化表

（2）專家資源指標(biāo)建立

在用戶訪問平臺時，系統(tǒng)如何高效精準(zhǔn)地將專家推薦給用戶，影響系統(tǒng)推薦的專家因子有專家的臨床職稱、學(xué)術(shù)職稱、所在醫(yī)院、醫(yī)院級別、科室、擅長、患者投票、文章總數(shù)、平均每天訪問人數(shù)、昨日訪問人數(shù)、感謝信數(shù)量、是否可咨詢等因素。

根據(jù)主成分分析法得出：醫(yī)生的臨床職稱和學(xué)術(shù)職稱呈基本的正相關(guān)，所以本文將臨床職稱作為一個主成分來考慮。分析現(xiàn)有數(shù)據(jù)中的態(tài)度滿意度和療效滿意度數(shù)據(jù)，可知專家態(tài)度滿意度和療效滿意度呈正相關(guān)性。因此，用戶對專家態(tài)度滿意度和療效滿意度兩個指標(biāo)整體用滿意度這個指標(biāo)來表示。

影響專家推薦指標(biāo)中的昨日訪問次數(shù)、平均訪問次數(shù)、總患者數(shù)、總投票數(shù)、感謝信數(shù)量、專家總文章數(shù)等因素，根據(jù)已有數(shù)據(jù)繪圖得到圖1所示的平均訪問次數(shù)走勢圖。

圖1 平均訪問次數(shù)走勢圖

根據(jù)以上分析得出影響專家推薦的專家核心要素有：專家臨床職稱（DC（Doctor Clinical title））、專家所在醫(yī)院（DH）、專家所在科室（DD）、專家是否擅長（某一疾?。―B）、收費(fèi)標(biāo)準(zhǔn)（DF）、滿意度（DS）、平均訪問次數(shù)/天（DM）、是否可咨詢（Dcon）等。通過數(shù)據(jù)散點(diǎn)圖和實(shí)際專家屬性，專家資源指標(biāo)量化數(shù)據(jù)表如表2所示。

表2 專家資源指標(biāo)量化數(shù)據(jù)表

3.算法模型

在傳統(tǒng)的協(xié)同過濾推薦算法中，主要集中在基于內(nèi)存推薦中的基于用戶或基于項(xiàng)目的單一推薦模式，這種推薦模式在數(shù)據(jù)稀疏或者項(xiàng)目（專家）冷啟動時，在推薦準(zhǔn)確度和精度上都不是那么令人滿意。而基于用戶和基于項(xiàng)目（專家）的組合推薦算法，既可以滿足在數(shù)據(jù)稀疏下的準(zhǔn)確推薦，同時又可以提高推薦的多樣性。因此，在推薦領(lǐng)域得到廣泛應(yīng)用。

基于協(xié)同過濾的專家推薦算法流程：首先收集用戶的偏好信息，對用戶關(guān)注和評價的項(xiàng)目（專家）進(jìn)行分析，提取關(guān)鍵字，從而建立用戶信息集合和訓(xùn)練專家?guī)旒?；其次通過用戶的屬性信息和關(guān)系信息，計(jì)算用戶的鄰居，將用戶鄰居關(guān)注的專家推薦給用戶；同時，計(jì)算目標(biāo)用戶關(guān)注的專家的鄰居，將和目標(biāo)用戶關(guān)注專家相似的專家推薦給用戶，具體算法流程圖如圖2所示。

圖2 協(xié)同過濾專家推薦算法流程圖

協(xié)同過濾相似性計(jì)算分為兩部分：

（1）基于用戶的相似性計(jì)算

①用戶信息格雷編碼

用戶信息通過格雷編碼后，計(jì)算各個用戶之間的海明距離，用海明距離的大小來表示用戶之間的相似性。用戶指標(biāo)格雷編碼對照表如表3所示。例如用戶（2XVRBZ6LP2、云南、女、高血壓高血脂、很滿意、200、2015-03-03 21:11、7）和用戶（84HZH62NPZ、江西、女、高血壓、很滿意、300、2015-09-06 14:02、7）的格林編碼分別是000000001101101001001和001000001101100001001。

表3 用戶指標(biāo)格雷編碼表

根據(jù)用戶信息表分析，影響專家推薦的用戶信息指標(biāo)相對單一，適合二進(jìn)制編碼，然后對不同取值進(jìn)行格雷編碼，并且依次串起來，形成二進(jìn)制編碼串；通過計(jì)算的海明距離來度量用戶之間的相似度；根據(jù)數(shù)據(jù)分析得到相同的疾病更容易關(guān)注相同的專家，關(guān)注相同專家的用戶，所患疾病相似或者相同。則在權(quán)重分配中患有相同疾病的權(quán)重為0.2，關(guān)注相同醫(yī)生的權(quán)重為0.3，其余的分別為0.1。其權(quán)重為n個因子的平均值。則權(quán)重如公式2所示：

則得到兩個用戶之間的海明距離如公式3所示：

分析得知，DHM（海明距離）越大，用戶之間的相似性越低，DHM越小，則用戶之間相似性越高。

③相似度計(jì)算，如公式4所示：

（2）基于項(xiàng)目（專家）的相似性計(jì)算

①數(shù)據(jù)采集：根據(jù)移動情景平臺的歷史數(shù)據(jù)，隨機(jī)獲取30位專家的推薦要素?cái)?shù)據(jù)，形成推薦專家訓(xùn)練集。

②數(shù)據(jù)量化處理：將采集到的原始數(shù)據(jù)，根據(jù)主成分分析法，獲取相關(guān)的指標(biāo)，并且對專家指標(biāo)數(shù)據(jù)量化處理。

③指標(biāo)數(shù)據(jù)歸一化處理：原始變量的標(biāo)準(zhǔn)化采集數(shù)據(jù)8維隨機(jī)向量，如公式5所示：

N 個樣品 Di=（DiDC，DiDH，…DiDS），i=1，2…8。構(gòu)造樣本矩陣，對樣本舉證進(jìn)行標(biāo)準(zhǔn)化處理，如公式6所示：

三、實(shí)施

1.實(shí)驗(yàn)設(shè)計(jì)

以高血壓領(lǐng)域的專家推薦為例，隨機(jī)抽取10個是有高血壓癥狀的患者，同時，從數(shù)據(jù)庫中獲取一名高血壓患者近期關(guān)注過的醫(yī)學(xué)專家信息，將該高血壓患者和關(guān)注的醫(yī)學(xué)專家信息分別作為基于用戶和基于項(xiàng)目的協(xié)同過濾專家推薦模型的目標(biāo)數(shù)據(jù)，同時，隨機(jī)篩選出30個用戶信息和30個專家信息作為訓(xùn)練集。通過海明公式計(jì)算用戶之間的相似性，通過余弦相似法，計(jì)算項(xiàng)目（專家）之間的相似性，進(jìn)行專家推薦。

2.實(shí)驗(yàn)流程

（1）基于用戶的協(xié)同過濾推薦

①隨機(jī)選取10個目標(biāo)用戶，且每個用戶和醫(yī)生關(guān)系信息條數(shù)大于10條，這樣數(shù)據(jù)更具有真實(shí)性和代表性，其中的一個目標(biāo)用戶信息如表4所示。以這個目標(biāo)用戶信息為例，計(jì)算用戶的推薦專家，其他用戶類似。②取相似的目標(biāo)用戶，通過疾病尋找患有或者對該疾病比較關(guān)注的用戶，通過疾病指標(biāo)模糊查詢和匹配對高血壓和類似高血壓等疾病感興趣的用戶，隨機(jī)獲取30個訓(xùn)練數(shù)據(jù)集。③目標(biāo)用戶相似鄰居集數(shù)據(jù)量化處理。④目標(biāo)用戶相似鄰居集數(shù)據(jù)進(jìn)行格雷編碼，通過對目標(biāo)用戶格雷編碼計(jì)算得到海明距離。⑤基于用戶的專家推薦最近鄰居集合如表5所示。⑥從用戶和醫(yī)生對照表中分析得到1、24、33、38感興趣的專家是專家7號，所以推薦專家是專家7。

表4 目標(biāo)用戶信息表

表5 目標(biāo)用戶最近鄰居集合

（2）基于項(xiàng)目（專家）的協(xié)同過濾推薦

①專家數(shù)據(jù)量化處理后，得到專家數(shù)據(jù)量化信息。

②通過對專家量化好的數(shù)據(jù)進(jìn)標(biāo)準(zhǔn)化處理，得到標(biāo)準(zhǔn)化的專家數(shù)據(jù)信息，如表6所示。

表6 專家信息標(biāo)準(zhǔn)化表

表7 專家相似度信息表

（3）實(shí)驗(yàn)結(jié)果

統(tǒng)計(jì)這10個目標(biāo)用戶在隨機(jī)推薦、基于用戶推薦、基于項(xiàng)目（專家）、基于協(xié)同過濾推薦下對專家 （每個用戶的專家評分，不低于10條）的評分，并且計(jì)算對所推薦專家的評分均值，如表8所示四種推薦算法下用戶對推薦專家的評分均值。

表8 四種推薦算法下用戶對推薦專家的評分均值

根據(jù)表8數(shù)據(jù)繪制，四種算法專家推薦用戶評分對比如圖3所示，分析圖表數(shù)據(jù)的隨機(jī)推薦的評價相對較低，基于用戶和基于項(xiàng)目的專家推薦相較隨機(jī)推薦有一定改善，整體推薦效果要好些，通過圖5可知，其中協(xié)同過濾推薦在四種推薦中，用戶評分均值最高，效果最好。

圖3 四種算法專家推薦用戶評價對比圖

圖4 四種算法專家推薦用戶評價均值和偏差度對比圖

不同推薦算法下，用戶對推薦專家的評分均值和偏差度有所差異，四種推薦算法的均值和偏差度如圖4所示，利用推薦算法后，用戶的評分均值大大提高，同時用戶的評分偏差度在降低，推薦準(zhǔn)確度增加。由圖4分析可知，協(xié)同過濾后的專家推薦所推薦專家的評分均值最高，同時標(biāo)準(zhǔn)差最低，推薦準(zhǔn)確度最高。

協(xié)同過濾是基于對鄰居的形似度計(jì)算，所以鄰居樣本大小，對推薦的準(zhǔn)確度有一定的影響。不同樣本數(shù)量集下的推薦算法MAE值（絕對平均誤差）不同，樣本數(shù)量在5-60之間的基于用戶，基于項(xiàng)目（專家）、基于協(xié)同過濾推薦的MAE值繪制比較圖如圖5所示。

圖5 不同推薦算法MAE值比較圖

根據(jù)圖5可知，不同推薦算法下，隨著樣本數(shù)量的增加，MAE值在不斷減小，最后趨于一個穩(wěn)定的值。根據(jù)圖表分析，基于協(xié)同過濾的推薦算法MAE值相較基于用戶和基于項(xiàng)目的MAE都要低一些，說明協(xié)同過濾推薦算法推薦的準(zhǔn)確度較高，推薦效果較好。

四、結(jié)論

通過實(shí)施得到以下結(jié)論：①通過協(xié)同過濾推薦給目標(biāo)用戶的專家，目標(biāo)用戶對推薦專家的瀏覽度和咨詢度概率有很大提高，同時，對專家的滿意度和服務(wù)滿意度相對較高。②基于用戶和基于（項(xiàng)目）的雙重推薦，在滿足推薦準(zhǔn)確度的同時，也滿足給用戶推薦的多樣性，可以讓用戶有更多樣的專家資源去咨詢和學(xué)習(xí)。③通過某一大類進(jìn)行劃分并且推薦，大大提高了計(jì)算機(jī)的執(zhí)行效率，同時能夠在計(jì)算復(fù)雜度相對較低的情況下，更加全面地檢索某一大類中涉及的專家資源，加強(qiáng)了推薦的全面性。該研究成果不僅適用于醫(yī)學(xué)領(lǐng)域，同時可以遷移到在線教育領(lǐng)域的專家、課程推薦或者一對一教育咨詢方面的專家推薦。