趙學孔 龍世榮

[摘 要]以用戶個性需求為導向構(gòu)建Web環(huán)境下智能學習系統(tǒng)是現(xiàn)代遠程教育與智慧教育領(lǐng)域研究的熱點，也是E-learning的未來發(fā)展趨勢。推薦技術(shù)是智能學習系統(tǒng)的“智慧”所在，其根據(jù)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(nèi)容和協(xié)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(jié)構(gòu)化內(nèi)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(zhì)量。該研究在分析領(lǐng)域相關(guān)研究現(xiàn)狀的基礎(chǔ)上，提出了Web環(huán)境下智能學習系統(tǒng)中基于內(nèi)容和協(xié)同過濾的教育資源混合式推薦模型構(gòu)建方案，著重對其架構(gòu)設(shè)計、對象建模與推薦算法進行詳細論述。

[關(guān)鍵詞]智慧教育;智能學習系統(tǒng);模型構(gòu)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(lián)網(wǎng)信息技術(shù)的迅猛發(fā)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(tǒng)的教學模式愈加暴露出其時效性、針對性不強等弊端。物聯(lián)網(wǎng)、大數(shù)據(jù)、云計算技術(shù)的成熟以及各種智能終端的涌現(xiàn)，為推崇具有“數(shù)字化、網(wǎng)絡(luò)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(tǒng)作為智慧教育領(lǐng)域的分支，因其遵循學生的個體差異性發(fā)展規(guī)律，在具備開放、共享、交互、協(xié)作等特征的同時又體現(xiàn)了因材施教、以學習者為中心等諸多現(xiàn)代教學理念，備受國內(nèi)外眾多研究者關(guān)注。然而，當前智能學習系統(tǒng)的推薦效果并不理想，其智能化推薦技術(shù)仍有待探索優(yōu)化，其研究意義深遠。

一、本領(lǐng)域相關(guān)研究進展

智能學習系統(tǒng)，又名適應性學習系統(tǒng)、智慧學習系統(tǒng)等，是近年來現(xiàn)代遠程教育與智慧教育領(lǐng)域研究的熱點。該系統(tǒng)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(shù)“分析—判斷—理解”個性化需求的基礎(chǔ)上實現(xiàn)學習資源的有效篩選與重組，進而動態(tài)提供適合當前學習者的個性化學習資源。為了探索與構(gòu)建具有“智慧”機能的智能學習系統(tǒng)，國內(nèi)外眾多研究者在該領(lǐng)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(shù)解決方案。Thorat等人[1]對基于內(nèi)容推薦和協(xié)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(tǒng)推薦模型;Wang等人[2]利用學習者的特征模型與課程內(nèi)容標簽匹配實現(xiàn)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(lǐng)域知識進行建模，提出了具備個性化內(nèi)容推薦的“學習元”平臺構(gòu)建方案[3];臺灣淡江大學利用Agent分布式代理技術(shù)開發(fā)了智能學習系統(tǒng)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(tǒng)個性化資源推薦問題;王永固等[5]提出了基于協(xié)同過濾技術(shù)的學習資源個性化推薦方法。

國內(nèi)外研究者主要從推薦技術(shù)、系統(tǒng)建模、Agent代理等視角研究并提出了智能學習系統(tǒng)個性化推薦方案。在對系統(tǒng)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(tǒng)領(lǐng)域研究尚處于“百家爭鳴”階段，其智能化推薦技術(shù)與推薦效果仍有待優(yōu)化。因此，本研究擬在對Web環(huán)境下學習者與領(lǐng)域教育資源建?；A(chǔ)上，嘗試構(gòu)建基于內(nèi)容和協(xié)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(zhì)量。

二、ILS教育資源混合式推薦模型構(gòu)建方案

智能學習系統(tǒng)（Intelligent Learning System，簡稱ILS）作為一種支持學習者個性化學習服務(wù)的有效解決方案，其實質(zhì)在于根據(jù)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(xiàn)的關(guān)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(gòu)設(shè)計、對象建模以及推薦技術(shù)與算法三個維度切入，探索教育資源混合式推薦模型構(gòu)建方案。

（一）架構(gòu)設(shè)計

從ILS視角來看，網(wǎng)絡(luò)個性化學習支持服務(wù)主要體現(xiàn)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(jù)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(guān)推薦技術(shù)?；诖?，本文所構(gòu)建的ILS總體架構(gòu)設(shè)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(chǔ)上通過相關(guān)推薦算法完成資源的精準化推薦;系統(tǒng)數(shù)據(jù)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(shù)據(jù)庫，其中的用戶模型數(shù)據(jù)庫存儲用戶的特征信息，學習記錄數(shù)據(jù)庫存儲用戶的學習行為日志信息，教育資源數(shù)據(jù)庫存儲各類資源的實體信息，學習策略數(shù)據(jù)庫存儲教育資源對象間的關(guān)聯(lián)性信息（如章節(jié)項關(guān)系、單元項的前驅(qū)后繼關(guān)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(shè)置相關(guān)的教育資源，包括對資源學習策略進行設(shè)置。（2）學習者首次登錄系統(tǒng)，需要注冊完善個人基本信息，并在系統(tǒng)指導下設(shè)置初始化學習風格類型。（3）學習過程中，系統(tǒng)通過推薦機制的相關(guān)程序算法動態(tài)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(yōu)教育資源推薦給目標用戶;學習者則在相關(guān)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(jié)果可作為判定學習者階段性認知水平的參考依據(jù)，為更新完善用戶模型提供數(shù)據(jù)基礎(chǔ)。

（二）對象建模

與傳統(tǒng)數(shù)字化學習環(huán)境E-learning相比，ILS更重視對用戶以及教育資源特征屬性的結(jié)構(gòu)化描述與存儲?？梢哉f，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(shù)據(jù)源與推薦對象，二者是ILS實現(xiàn)“智慧”機能的基礎(chǔ)。因此，ILS中對用戶以及教育資源的建模尤為關(guān)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(yè)等靜態(tài)的特征信息，也包含學習風格、學習偏好、認知水平等動態(tài)的特征信息。對于靜態(tài)的特征屬性，通過直接調(diào)用相關(guān)的二維表數(shù)據(jù)即可獲知;而對于動態(tài)的特征屬性，由于隨著用戶學習成長其特征數(shù)據(jù)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(tài)，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(tài)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(tài)，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(lǐng)域教育資源建模

領(lǐng)域教育資源是領(lǐng)域知識的結(jié)構(gòu)化，泛指學習者某個專業(yè)領(lǐng)域?qū)W習的知識項內(nèi)容，可以是文本、圖片、音頻以及微視頻等各種數(shù)字媒體資源。領(lǐng)域教育資源是ILS數(shù)據(jù)推薦來源，其良性的結(jié)構(gòu)體系化表征對ILS推薦結(jié)果有較大影響。領(lǐng)域教育資源的結(jié)構(gòu)化表示與存儲通?？刹捎貌煌６葋順?gòu)建，如課程、單元、章、節(jié)、項等，粒度越小意味著其關(guān)聯(lián)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(lǐng)域教育資源的結(jié)構(gòu)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(shù)字化教育資源IMS建模標準的基礎(chǔ)上，本研究對領(lǐng)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(nèi)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(shù)（Rlevel∈[0，1]，該值越大意味著其難度越大），ROR表示其所屬的關(guān)系集類型。通常情況下，資源對象間的關(guān)系主要包含前驅(qū)關(guān)系、后繼關(guān)系、并列關(guān)系以及相關(guān)關(guān)系四種?；诖耍Y源模型中的ROR可進一步表征為：ROR（a，b）={，Rtype，Rweight}。ROR關(guān)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(guān)系類型（Rtype∈{“前驅(qū)關(guān)系”，“后繼關(guān)系”，“并列關(guān)系”，“相關(guān)關(guān)系”}），Rweight表示資源對象間關(guān)系的權(quán)重值（Rweight∈[0，1]，該值越大意味著資源對象間的關(guān)系程度越高）。

在領(lǐng)域知識模型中，上述資源對象的標識、名稱、內(nèi)容信息存于教育資源數(shù)據(jù)庫，而資源的風格類型、難度系數(shù)以及關(guān)系類型數(shù)據(jù)主要存于學習策略數(shù)據(jù)庫，這些數(shù)據(jù)可由資源管理者（教師）根據(jù)教學設(shè)計需要在系統(tǒng)管理頁面詳細設(shè)置。

（三）推薦技術(shù)與算法

推薦技術(shù)是智能學習系統(tǒng)的“智慧”所在，其根據(jù)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(shù)主要包括協(xié)同過濾推薦、基于內(nèi)容推薦以及關(guān)聯(lián)規(guī)則推薦等。然而，推薦技術(shù)也會因自身的算法特性而產(chǎn)生一些推薦問題，如協(xié)同過濾推薦會因用戶群數(shù)據(jù)稀少而出現(xiàn)“冷啟動”現(xiàn)象，基于內(nèi)容推薦會因推薦資源的非結(jié)構(gòu)性特性而降低推薦精準度。為了發(fā)揮多種推薦技術(shù)優(yōu)勢，本研究嘗試采用基于內(nèi)容和協(xié)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(shù)據(jù)庫和學習記錄數(shù)據(jù)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(tài)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(shù)據(jù)庫和學習策略數(shù)據(jù)庫中獲取資源內(nèi)容類型、關(guān)聯(lián)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(tài)行為特征向其推薦合適的資源內(nèi)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(nèi)容推薦和協(xié)同過濾推薦兩種算法進行整合與優(yōu)化，以下是其核心算法描述。

系統(tǒng)的輸入項：目標用戶信息、對象特征值矩陣、推薦資源對象數(shù)量的最大值N。

系統(tǒng)的輸出項：推薦結(jié)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(chǔ)上調(diào)用K-Means聚類算法獲取目標用戶Ui的鄰居用戶群，其結(jié)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(yōu)學習路徑Learning_Path，并進一步將Learning_Path中的資源序列存于數(shù)組Rp中。第三步，基于內(nèi)容類型、關(guān)聯(lián)度特征建立教育資源模型，并在此基礎(chǔ)上調(diào)用K-Means聚類算法對相似性資源進行多維聚類，將其結(jié)果存于數(shù)組R中。第四步，將數(shù)組R中的元素與Rp中的元素進行類型與關(guān)聯(lián)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(shù)組Ri中。第五步，根據(jù)目標用戶Ui的學習風格與認知水平，從數(shù)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(jié)束。

三、結(jié)語

以用戶個性化學習需求為導向構(gòu)建Web環(huán)境下智能學習系統(tǒng)（ILS）是現(xiàn)代遠程教育與智慧教育領(lǐng)域研究的熱點，也是E-learning的未來發(fā)展趨勢。ILS實現(xiàn)的關(guān)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(lǐng)域教育資源建模是ILS智能推薦的基礎(chǔ)，推薦技術(shù)是ILS智能推薦的動力?；趦?nèi)容和協(xié)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(zhì)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(shè)的特征與趨勢：以學習元資源模型為例[J].現(xiàn)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(xié)同過濾技術(shù)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]