摘要：提出了基于Memetic算法的在線學(xué)習(xí)路徑推薦模型，根據(jù)學(xué)習(xí)者的知識(shí)目標(biāo)和水平確定學(xué)習(xí)路徑，避免知識(shí)過載和迷航；根據(jù)學(xué)習(xí)者的學(xué)習(xí)風(fēng)格，選擇合適的教學(xué)媒體和教學(xué)策略，提高了學(xué)習(xí)效率，通過實(shí)驗(yàn)驗(yàn)證了所提方法的有效性。

關(guān)鍵詞： Memetic算法；知識(shí)推理；在線學(xué)習(xí)

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2019）06-0180-03

Research on Application of Memetic Algorithms in Learning Path Recommendation

TAN Hui-lin1，2

（1.ShaoYang University， Shaoyang 422000， China； 2.School of Mechanical and Electrical Engineering， Central South University， Changsha 410083， China）

Abstract： An online learning path recommendation model based on Memetic algorithm is proposed. The learning path is determined according to the learner's knowledge goal and level to avoid knowledge overload and lost. According to learner's learning style， appropriate teaching media and teaching strategies are selected to improve learning efficiency. The effectiveness of the proposed method is verified by experiments.

Key words： Memetic algorithm； knowledge reasoning； online learning

1 引言

信息技術(shù)的飛速發(fā)展為網(wǎng)絡(luò)環(huán)境下的個(gè)性化學(xué)習(xí)模式提供了有力的物質(zhì)基礎(chǔ)和技術(shù)支持[1]，為學(xué)習(xí)者創(chuàng)造了豐富資源的學(xué)習(xí)環(huán)境和靈活彈性的學(xué)習(xí)路徑[2]。于是，幫助學(xué)習(xí)者在海量知識(shí)庫(kù)中避免知識(shí)過載和迷航[3]，推薦適合學(xué)習(xí)者學(xué)情的學(xué)習(xí)路徑成為在線學(xué)習(xí)個(gè)性化服務(wù)[4]的研究熱點(diǎn)。

2 學(xué)習(xí)路徑

2.1 學(xué)習(xí)路徑概述

北師大的曹良亮博士認(rèn)為借助在線學(xué)習(xí)系統(tǒng)中超文本、超媒體技術(shù)的應(yīng)用，學(xué)習(xí)者能靈活實(shí)現(xiàn)對(duì)學(xué)習(xí)資源的意義建構(gòu)，學(xué)習(xí)者對(duì)教學(xué)資源選擇和加工的記錄稱為學(xué)習(xí)路徑[5]。

2.2 學(xué)習(xí)路徑推薦

學(xué)習(xí)路徑推薦是為不同學(xué)習(xí)風(fēng)格和知識(shí)層次的學(xué)習(xí)者從多條學(xué)習(xí)路徑中推薦最適合的路徑，從而幫助學(xué)習(xí)者實(shí)現(xiàn)個(gè)性化學(xué)習(xí)需求。

2.3 學(xué)習(xí)路徑推薦研究現(xiàn)狀

學(xué)者Berg提出用群體智能的方法為學(xué)習(xí)者提供低成本和強(qiáng)大的教育導(dǎo)向[6]，陳其暉博士通過petri網(wǎng)了解學(xué)習(xí)者的狀態(tài)實(shí)現(xiàn)個(gè)性化學(xué)習(xí)路徑[7]，后又通過改進(jìn)微粒群優(yōu)化算法來解決學(xué)習(xí)路徑的最優(yōu)化控制問題[8]；學(xué)者Chen應(yīng)用項(xiàng)目反應(yīng)理論來解決學(xué)習(xí)對(duì)象的難度與學(xué)習(xí)者知識(shí)水平匹配的問題[9]，學(xué)者彭建偉提出運(yùn)用爬山算法和遺傳算法相結(jié)合的Memetic算法對(duì)個(gè)性化學(xué)習(xí)路徑進(jìn)行尋徑[10]，程巖副教授嘗試用群體智能解決學(xué)習(xí)路徑的推薦問題[11]和用遺傳算法構(gòu)建最優(yōu)學(xué)習(xí)路徑[12][13]。目前，對(duì)個(gè)性化學(xué)習(xí)路徑尋徑的研究大致分為兩個(gè)方向：一是依據(jù)學(xué)習(xí)者的學(xué)習(xí)風(fēng)格經(jīng)驗(yàn)推薦學(xué)習(xí)路徑；二是從知識(shí)點(diǎn)內(nèi)在的結(jié)構(gòu)出發(fā)，推薦與學(xué)習(xí)者知識(shí)水平相匹配的學(xué)習(xí)路徑。本研究以前面研究者的寶貴經(jīng)驗(yàn)為指導(dǎo)，嘗試將學(xué)習(xí)風(fēng)格和知識(shí)內(nèi)在結(jié)構(gòu)統(tǒng)一起來，建立以與貪心算法相結(jié)合的memetic算法為基礎(chǔ)的個(gè)性化學(xué)習(xí)路徑推薦模型，以期提高推薦的準(zhǔn)確性和實(shí)用性。

3 學(xué)習(xí)理論

以建構(gòu)主義學(xué)習(xí)理論和自適應(yīng)學(xué)習(xí)理論為指導(dǎo)，以培養(yǎng)學(xué)習(xí)者發(fā)現(xiàn)問題、解決問題的能力為目標(biāo)，利用網(wǎng)絡(luò)豐富資源拓展學(xué)習(xí)者的視野，從而完成學(xué)習(xí)者對(duì)目標(biāo)知識(shí)的意義建構(gòu)。

4 個(gè)性化學(xué)習(xí)路徑推薦模型

4.1 模型描述

基于memetic算法的學(xué)習(xí)路徑推薦模型如圖1所示，由學(xué)習(xí)風(fēng)格分析模塊、知識(shí)水平測(cè)試模塊和基于memetic算法的知識(shí)推理模塊組成。學(xué)習(xí)者登錄系統(tǒng)后進(jìn)行信息錄入和學(xué)前測(cè)試，獲得學(xué)習(xí)者的知識(shí)目標(biāo)；分析模塊和測(cè)試模塊分別得到目前學(xué)習(xí)者的學(xué)習(xí)風(fēng)格和知識(shí)水平，推理模塊結(jié)合前面模塊得出的數(shù)據(jù)進(jìn)行推理計(jì)算，從學(xué)習(xí)資源庫(kù)中提取知識(shí)數(shù)據(jù)，形成個(gè)性化學(xué)習(xí)路徑推薦給學(xué)習(xí)者。測(cè)試模塊也對(duì)學(xué)習(xí)者進(jìn)行課后測(cè)試并反饋給教師。教師根據(jù)教學(xué)反饋定期對(duì)學(xué)習(xí)資源庫(kù)進(jìn)行更新維護(hù)。

4.2 學(xué)習(xí)者特征描述

本研究主要考慮學(xué)習(xí)者的兩個(gè)特征：學(xué)習(xí)風(fēng)格和知識(shí)水平。

4.2.1 學(xué)習(xí)風(fēng)格類型

本研究參照鄭艷麗研究者的分類方法，把學(xué)習(xí)風(fēng)格分為：視覺、聽覺和動(dòng)覺[14]。本研究嘗試用經(jīng)典的VAK測(cè)試量卷來獲取學(xué)習(xí)者的學(xué)習(xí)風(fēng)格類型。從現(xiàn)有的測(cè)試結(jié)果來看，多數(shù)學(xué)習(xí)者以視覺學(xué)習(xí)為主兼顧聽覺學(xué)習(xí)和動(dòng)覺學(xué)習(xí)。

4.2.2 知識(shí)水平層次

在本研究中，我們嘗試將學(xué)習(xí)者的知識(shí)水平分為理解、運(yùn)用和綜合三個(gè)層次。

4.3 知識(shí)水平測(cè)試模塊

本模塊旨在通過形成性測(cè)試有效鑒定學(xué)習(xí)者的知識(shí)水平以及與目標(biāo)知識(shí)的差距，能快速給出學(xué)習(xí)者即將開始的學(xué)習(xí)路徑的起點(diǎn)。其中，試題庫(kù)的建立是知識(shí)水平測(cè)試模塊中最為核心的內(nèi)容。

4.4 知識(shí)推理模塊

知識(shí)推理模塊根據(jù)學(xué)習(xí)者的知識(shí)目標(biāo)和水平確定學(xué)習(xí)路徑；根據(jù)學(xué)習(xí)者的學(xué)習(xí)風(fēng)格，選擇合適的教學(xué)媒體；根據(jù)學(xué)習(xí)路徑和學(xué)習(xí)風(fēng)格，選擇適當(dāng)?shù)慕虒W(xué)策略。

4.4.1 知識(shí)因素

推理模塊的知識(shí)因素為：學(xué)習(xí)者的知識(shí)目標(biāo)與知識(shí)水平。學(xué)習(xí)者知識(shí)水平就是其對(duì)知識(shí)的掌握程度，決定了學(xué)習(xí)路徑的起點(diǎn)。學(xué)習(xí)者所提交的知識(shí)目標(biāo)，也就是學(xué)習(xí)路徑的終點(diǎn)。由于知識(shí)點(diǎn)內(nèi)在的聯(lián)系，知識(shí)起點(diǎn)與知識(shí)終點(diǎn)可能存在多條學(xué)習(xí)路徑。

4.4.2 學(xué)習(xí)風(fēng)格因素

本研究針對(duì)不同學(xué)習(xí)風(fēng)格的學(xué)習(xí)者采用個(gè)性化的知識(shí)呈現(xiàn)方式：優(yōu)先使用文字、圖表、動(dòng)畫、視頻等工具為視覺型學(xué)習(xí)者呈現(xiàn)知識(shí)點(diǎn)；采用音頻、視頻等媒體為聽覺型學(xué)習(xí)者呈現(xiàn)知識(shí)點(diǎn)；通常以案例引導(dǎo)動(dòng)覺型學(xué)習(xí)者在實(shí)踐操作中獲得知識(shí)。

4.4.3 知識(shí)推理算法

4.4.3.1 學(xué)習(xí)路徑編碼

為便于理解和計(jì)算適應(yīng)度函數(shù)，學(xué)習(xí)路徑采用整數(shù)編碼的染色體形式。染色體的每位基因值表示即將學(xué)習(xí)的知識(shí)點(diǎn)編號(hào)，長(zhǎng)度代表學(xué)習(xí)路徑的知識(shí)點(diǎn)數(shù)量。例：某條學(xué)習(xí)路徑覆蓋了m個(gè)知識(shí)點(diǎn)，學(xué)習(xí)資源庫(kù)中可供其選擇的知識(shí)點(diǎn)為n個(gè)，則該學(xué)習(xí)路徑的長(zhǎng)度為m，基因值的取值范圍為[1-n]。

4.4.3.2 初始化種群

隨機(jī)生成可能存在的學(xué)習(xí)路徑作為初始種群，種群規(guī)模為60。

4.4.3.3 選擇操作

采用輪盤賭來實(shí)現(xiàn)選擇操作。

4.4.3.4 交叉操作

采用單點(diǎn)交叉操作，即：首先隨機(jī)選擇交叉點(diǎn)，然后將兩條父染色體交叉點(diǎn)前的基因相互交換，最后在兩條子染色體中依次刪除相同的基因。交叉概率設(shè)為0.6。

4.4.3.5 變異操作

采用隨機(jī)變異來實(shí)現(xiàn)變異操作，即：隨機(jī)選取知識(shí)樹中待學(xué)習(xí)的知識(shí)點(diǎn)的編碼來隨機(jī)替換父染色體中的某個(gè)基因。變異概率設(shè)為0.04。

4.4.3.6 局部搜索策略

采用貪心算法來實(shí)現(xiàn)局部搜索策略。

4.4.3.7 適應(yīng)度函數(shù)

嘗試尋找一條開銷最小、知識(shí)點(diǎn)難度值最低的學(xué)習(xí)路徑。知識(shí)點(diǎn)i的學(xué)習(xí)開銷包括了費(fèi)用開銷[ci]和時(shí)間開銷[ti]，由專家給定；難度值[di]的初始值由專家依據(jù)李特克氏5點(diǎn)量表[15] 對(duì)其預(yù)設(shè)，實(shí)踐教學(xué)后，將結(jié)合學(xué)習(xí)者給定的難度值將進(jìn)行調(diào)整，其計(jì)算公式如下：

其中，[ci]是費(fèi)用開銷，[wc]是初始值由專家設(shè)定、學(xué)習(xí)者可自行調(diào)整的費(fèi)用開銷權(quán)重；[ti]是時(shí)間開銷，[wt]是初始值由專家設(shè)定、學(xué)習(xí)者可自行調(diào)整的時(shí)間開銷權(quán)重；[di]是知識(shí)點(diǎn)的難度值，[wd]是初始值由專家設(shè)定、學(xué)習(xí)者可自行調(diào)整的難度權(quán)重。我們可將適應(yīng)度函數(shù)設(shè)為[1f]，這樣就將尋找一條開銷最小、知識(shí)點(diǎn)難度值最低的學(xué)習(xí)路徑轉(zhuǎn)化成尋找適應(yīng)函數(shù)值最大的學(xué)習(xí)路徑。

4.4.3.8 終止條件

選擇、交叉和變異操作將循環(huán)執(zhí)行，直到迭代次數(shù)達(dá)到200時(shí)，算法將終止。

5 實(shí)驗(yàn)

5.1 實(shí)例簡(jiǎn)介

采用實(shí)例（圖2 知識(shí)樹實(shí)例）：學(xué)習(xí)路徑的起點(diǎn)為1，終點(diǎn)為10，可能的學(xué)習(xí)路徑有8條，涵蓋的知識(shí)點(diǎn)有7個(gè)：1→2→3→5→7→9→10；1→2→3→5→8→9→10；1→2→3→6→7→9→10；1→2→3→6→8→9→10；1→2→4→5→7→9→10；1→2→4→5→8→9→10；1→2→4→6→7→9→10；1→2→4→6→8→9→10。費(fèi)用開銷權(quán)重和時(shí)間開銷權(quán)重初始值設(shè)為0.3，難度權(quán)重初始值設(shè)為0.4。

5.2 實(shí)驗(yàn)結(jié)果

以matlab2017a為平臺(tái)實(shí)踐了基于memetic算法的知識(shí)推理模塊，經(jīng)過測(cè)試發(fā)現(xiàn)在實(shí)例中當(dāng)種群規(guī)模設(shè)為60，交叉概率設(shè)為0.6，變異概率設(shè)為0.04時(shí)便可以得到比較好的結(jié)果。種群學(xué)習(xí)路徑適應(yīng)度函數(shù)值如圖3所示，最優(yōu)學(xué)習(xí)路徑圖如圖4所示。

從仿真結(jié)果圖可以看出，算法收斂速度很快，當(dāng)?shù)坏?0次就找到了最優(yōu)學(xué)習(xí)路徑：1→2→3→5→8→9→10，該學(xué)習(xí)路徑的適應(yīng)度函數(shù)值約為0.022，達(dá)到了預(yù)期的實(shí)驗(yàn)?zāi)繕?biāo)。由此可見，相較于彭建偉學(xué)者提出的需迭代30-80次才能找到最優(yōu)解的知識(shí)推理模型[10]，與貪心算法相結(jié)合的memetic算法在尋找個(gè)性化學(xué)習(xí)路徑問題中具有更好的可行性。

6 結(jié)語(yǔ)

提出了基于memetic算法的學(xué)習(xí)路徑推薦模型，根據(jù)學(xué)習(xí)者的知識(shí)目標(biāo)和水平確定學(xué)習(xí)路徑，避免知識(shí)過載和迷航；根據(jù)學(xué)習(xí)者的學(xué)習(xí)風(fēng)格，選擇合適的教學(xué)媒體和教學(xué)策略，提高了學(xué)習(xí)效率。實(shí)驗(yàn)表明，該知識(shí)推理模型具有良好的研究與應(yīng)用前景。

參考文獻(xiàn)：

[1]劉明卓，張琴珠.信息技術(shù)與個(gè)性化教學(xué)模式探討[J].現(xiàn)代教育技術(shù)，2005（1）：11-14.

[2]鄭小軍，張霞.高效網(wǎng)絡(luò)化學(xué)習(xí)：理念、路徑與策略[J].中國(guó)電化教育，2012（309）：42-45.

[3]藺豐奇，劉益.網(wǎng)絡(luò)化信息環(huán)境中信息過載問題研究綜述[J].情報(bào)資料工作，2007（3）：36-41.

[4]吳輝娟，袁方.個(gè)性化服務(wù)技術(shù)研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2006，16（2）：32 -34.

[5]曹良亮.在線學(xué)習(xí)中學(xué)習(xí)路徑分析及學(xué)習(xí)行為特點(diǎn)研究[J].中國(guó)遠(yuǎn)程教育，2014（4）：25-30

[6]Berg B.， Tattersall R.， Janssen J. et al. Swarm-based sequencing recommendation in e-lerning[J]. International Journal of Computer Science and Applications ，2006，3（3）：1-11.

[7]陳其暉，凌培亮，蕭蘊(yùn)詩(shī).基于petri網(wǎng)的知識(shí)空間建模方法與學(xué)習(xí)路徑控制[J].計(jì)算機(jī)工程與應(yīng)用，2007，43 （12）：10-12.

[8] 陳其暉，凌培亮，蕭蘊(yùn)詩(shī).基于改進(jìn)微粒群優(yōu)化的學(xué)習(xí)路徑優(yōu)化控制方法[J].計(jì)算機(jī)工程，2008，2 （34）：190-192.

[9] Chen，C.M..Intelligent Web-Based Learning System with Personalized Learning Path Guidance [J].Computers & Education，2008，51（2），787-814.

[10]彭建偉.基于Memetic 算法的個(gè)性化學(xué)習(xí)路徑推薦的研究與實(shí)現(xiàn)[D].長(zhǎng)沙：湖南大學(xué)，2009.

[11]程巖.在線學(xué)習(xí)中基于群體智能的學(xué)習(xí)路徑推薦方法[J].系統(tǒng)管理學(xué)報(bào)，2011，3（20）：232-237.

[12]譚慧琳.基于遺傳算法的知識(shí)推理研究[J].電腦知識(shí)與技術(shù)，2011（31）：7731-7733.

[13]譚慧琳.基于遺傳算法的知識(shí)推理研究[D].長(zhǎng)沙：湖南師范大學(xué)，2011.

[14]鄭艷麗.網(wǎng)絡(luò)課程中學(xué)習(xí)路徑引導(dǎo)系統(tǒng)的研究[D].濟(jì)南：山東師范大學(xué)，2009：25.

[15]Chen，C. M.， Lee， H. M.， & Chen， Y. H. Personalized e-learning system using Item Response Theory[J]. Computers & Education， 2005 （44）237-255.

【通聯(lián)編輯：王力】