基于QoS偏好相似度的網絡教育服務推薦研究

劉迎春 孫家寶

[摘 要] 網絡教育的大范圍應用帶來網絡教育服務數量的不斷增長，如何在大量的網絡教育服務中為學習者推薦個性化的教育服務是網絡教育管理的一項重要功能。文章把網絡教育服務描述屬性分為功能性屬性和服務質量（QoS）屬性兩類，以區分功能相同質量各異的網絡教育服務，解決具有相同功能、不同QoS的教育服務的個性化推薦問題。通過對學習者QoS偏好以及偏好相似度的定義和計算，提出一種符合學習者QoS偏好需求的教育服務推薦模型和方法。仿真實驗顯示，與常用的方法相比，這種推薦方法能較顯著地提高學習者的滿意度。

[關鍵詞] 網絡教育服務； QoS偏好； 服務推薦； 偏好相似度

[中圖分類號] G434 [文獻標志碼] A

[作者簡介] 劉迎春（1974—），女，安徽肥西人。副教授，碩士生導師，主要從事網絡教育應用、服務信任與信譽等方面的研究。E-mail：lyc@zjut.edu.cn。

一 、引 言

隨著網絡技術的發展和網絡教育的不斷普及，互聯網上的教育信息日益豐富，網絡逐漸成為人們獲取知識信息的主要途徑之一。通過搜索引擎，網絡學習者可以搜索學習材料、學習工具、教學平臺用于某一學習目標或任務的學習，并在使用后參與評價或評論，記錄對這些學習材料、工具、平臺的功能和質量的印象，供其他學習者參考。然而，網絡教育信息種類繁多、功能各異，質量更是千差萬別。通過搜索引擎往往得到大量具有相同或相似功能的教育信息，學習者難以辨別它們的質量優劣，造成“選擇恐慌”；不同學習者具有不同的學習特點和偏好需求，搜索獲得的相同內容、相同排序的教育信息，無法幫助不同學習者找到適合自己的教育信息，造成學習者滿意度的降低，最終造成海量教育信息難以利用和低效利用，阻礙網絡教育、教學的深入發展。

網絡學習材料、學習工具、教學平臺等教育信息存在的目的是為學習者的學習服務，為突出研究對象的本質特征，簡化表述方式，把以此為目的的所有網絡教育信息或行為統稱為網絡教育服務。網絡教育服務的內容、形式、功能、質量千差萬別，為了便于理解和實現，網絡教育服務的定義由功能性屬性和非功能性屬性來描述。功能性屬性是網絡教育服務的教育目標和功能的描述屬性，非功能性屬性是網絡教育服務的服務質量屬性（簡稱QoS屬性），是學習者在接受網絡教育服務的過程中感受到的或不斷體驗的一些屬性，例如網絡教育服務的響應時間、可靠性、性價比、網絡教育服務提供者的信譽等。一些網絡教育服務的功能屬性是相同的，但其QoS屬性可能存在很大差異。網絡教育服務QoS的高低是決定學習者學習體驗滿意與否的最重要因素之一。[1]

學習者在請求網絡教育服務時，除了有功能性需求之外，還有一定的QoS需求或偏好。例如，有的學習者希望網絡教育服務具有較高的響應速度；有的學習者希望網絡教育服務不僅要安全可靠，還要有低廉的價格。學習者的QoS需求滿足與否直接關系到學習者是否選擇教育服務以及對教育服務體驗的滿意度。因此，如何從滿足學習者功能需求的大量教育服務中進一步準確找出滿足學習者QoS偏好的教育服務，在網絡教育管理中顯得越來越重要。

為了滿足學習者對網絡教育服務質量的個性化需求，提高網絡教育服務的利用率和學習者的滿意度，本文提出一種基于學習者QoS需求偏好的網絡教育服務推薦模型。在具有相同功能屬性的網絡教育服務中，利用學習者對網絡教育服務的QoS評價數據以及學習者的QoS需求偏好信息，通過對不同學習者之間的偏好相似度的計算，提高相似度高的學習者服務評價的權威性以及偏好相關評價數據的聚合權重，以獲得針對不同偏好學習者的網絡教育服務QoS排名，并把最合適的網絡教育服務推薦給學習者。

二、相關研究

（一）網絡教育服務及其QoS

近些年，很多學者關注了教育的服務性，認為教育具有服務業的典型特點，是現代服務業的一個重要組成部分。[2][3]相對于傳統教育，網絡教育的服務性更明顯，董向東[4]認為網絡教育本身既是一種個性化教育過程，又是一種個性化服務過程。[5]武麗志從服務的視角對遠程教育進行研究，給出遠程教育服務的特征、服務質量的相關定義。作為服務，教育具有固有的特性，其服務質量的定義和屬性也與普通服務業不同。[6]張屹等認為網絡教育服務的服務質量是網絡教育的提供者滿足學習者明確和隱含需要的能力的特性之總和，網絡教育服務質量包括可靠性、關懷性、學習資源的有效性等。[7]Godwin J. Udo等提出一種E-learning服務質量評價模型，認為服務質量包括保證性、移情性、響應性、可靠性等。[8]彭博等將一種基于QoS 的算法應用到學習對象的評分中，把事務處理、響應時間、賠償率反饋評分等作為QoS屬性。[9]通過對QoS數據的分析，可以在功能性服務發現的基礎上，從滿足功能需求的服務內查找最適合用戶非功能需求的服務。[10]

從以上學者的研究可以看出，將網絡教育信息、資源、行為抽象為網絡教育服務可以更好地從教育的過程和結果對教育服務進行評估；網絡教育服務的QoS是用戶在體驗教育服務過程中感受到的一些非功能屬性，這些非功能屬性的值由使用者評價或系統監控獲得，通過分析和挖掘這些非功能屬性數據，可以獲得真實的教育服務的服務質量信息以及使用者的使用感受和行為信息。

（二）教育服務推薦研究

服務推薦是根據用戶個人的喜好、反饋等來推薦用戶可能感興趣的有用服務信息和推薦合適的服務。[11]該方法可以解決當前網絡中服務過載的問題，廣泛應用于Web服務、電子商務等領域。在教育領域，也有很多教育服務推薦的研究，比較有代表性的有：任宇提出一種虛擬學習社區個性化推薦策略，將協同過濾和關聯規則有機結合實施推薦；[12]劉敏根據學習者興趣構建了一種最近鄰居評價協同過濾算法；[13]李高敏結合教學資源的項目特征，提出了一種基于用戶和基于項目的混合協同過濾個性化推薦算法；[14]楊麗娜等提出面向虛擬社區的學習資源個性化推薦；[15]逄華等對基于移動Agent技術的教學資源推薦系統進行了研究；[16]黃昌勤從服務的視角進行了網絡課程資源支持下基于語義Web的個性化主動學習研究；[17]王永固等提出一個基于協同過濾技術的學習資源的個性化推薦系統的理論模型。[18]

以上研究從理論模型到實際應用，取得的成果證明了推薦技術在教育領域具有廣闊的應用前景。但上述推薦系統的研究更多關注的是教育服務的功能性屬性相對應的規則和特征，較少涉及教育服務的非功能性屬性以及學習者對這些非功能性屬性的偏好需求，由此獲得的推薦力度較大，不能區分推薦服務在非功能性屬性上的差別以及與學習者偏好的關聯。本研究緣起于網絡上相同或相似功能的教育服務眾多，而其QoS各不相同，不同的QoS與學習者對服務的需求緊密相連。為實現更精準化的推薦，本文區分了教育服務的功能性和非功能性屬性，重點針對教育服務的QoS以及學習者QoS偏好需求，實施精確、按需的推薦，實現了在以學習者為中心的網絡教育服務系統中，通過學習者的QoS評價反饋，推薦符合其個性需求的網絡教育服務。該方法能提高優質網絡教育服務的利用率，滿足學習者的個性化需求。

三、推薦模型

在以學習者為中心的網絡教育環境的學習社區中，任何社區成員都可以上傳教育服務供他人使用以合作建構知識或贏利。通過審查而注冊到教育服務庫中的教育服務是具有功能性和非功能性屬性描述的“黑匣子”，接受社區中所有學習者的訪問和調用。學習者帶著對網絡教育服務的不同需求訪問教育服務庫。學習者的需求有些是顯性的（如對教育服務的教學內容、功能、類型、價格等的需求），有些是隱性的（如對教學服務的下載速度、安全性等的需求），顯性的需求可以通過系統提供的搜索工具檢索獲取，而隱性的需求很難用檢索條件描述。大部分顯性需求是對教育服務功能性屬性的需求，QoS屬性一部分可以顯示表達，一部分只能在接受服務的過程中不斷感知。

學習者通過檢索獲得需要的教育服務后，在使用過程中體驗其服務質量，并在使用后對其服務質量進行評價。匯總大量用戶的誠實評價以及系統對教育服務過程的監控數據，可以獲得教育服務QoS的相關信息，記錄在反饋QoS庫中，它是計算每個教育服務的服務質量的數據基礎。

學習者在搜索、使用、評價教育服務的過程中，系統通過一定的感知技術獲得學習者對教育服務QoS的需求偏好，與學習者的基本信息一起保存在用戶信息庫中。

搜索工具只能提供顯性的功能性屬性的查詢，在滿足功能性屬性查詢條件后，推薦系統根據學習者的QoS偏好信息，對反饋QoS庫中教育服務的QoS屬性數據進行相似度和加權計算，與當前學習者QoS偏好相似度高的學習者的評價數據以及與當前學習者QoS偏好相關的教育服務QoS屬性數據，在教育服務QoS匯總值聚合計算中將有相對更高的權重，依據教育服務QoS匯總值動態生成符合當前學習者QoS偏好的教育服務排序序列。

圖1展示了學習者向網絡教育服務推薦系統請求教育服務、網絡教育服務推薦系統通過一系列操作反饋推薦列表給學習者、學習者使用教學服務后對教育服務的QoS進行評價反饋的模式和過程。由該模型可以看出，基于學習者QoS偏好的教育服務推薦系統具有很好的自治性和自適應性，隨著數據量的增加，學習者的個體需求能夠不斷得到更好的滿足，教育服務能夠得到均衡、有效的利用，形成良好的優勝劣汰的教育服務生態系統。

四、推薦方法

（一）教育服務的QoS及其量化處理

設ES 是網絡教育服務，它由功能性屬性和非功能性屬性來描述，記為ES（F，Q），其中，F是功能性屬性，Q是以QoS為代表的非功能性屬性。教育服務的QoS一般有若干屬性組成，表示成Q（q1，q2，……，qn），qi為教育服務QoS的第i個屬性。對于不同類型的教育服務，其QoS屬性的個數和表示也不相同，關于教育資源、教學系統等教育服務的QoS屬性，眾多文獻[19][20][21]已經做過相應的研究。

教育服務庫中m個教育服務的n維QoS屬性經過不斷的服務請求與交易，獲得了k個學習者的評價，這些評價數據如圖2（a）所示。采用一定的方法（如平均法）對k個學習者的評價數據進行匯總，得到如圖2（b）所示的矩陣FQ，矩陣中的行表示第i個教育服務ESi 的各個QoS屬性的匯總值，列表示所有教育服務的第j個QoS屬性的匯總值，即Qij（i

由推薦模型和上述QoS屬性值的量化處理可以看出，先前的學習者對教育服務的QoS評價數據是推薦的基礎。在實際應用中，我們采用李克特表的方法，來設計學習者的評價，每個QoS的屬性值取值范圍是[1，5]。但是，每個QoS屬性的語義不同，值的含義也不同，如響應時間是越小越好，可靠性是越大越好，因此，需要對QoS數據進行歸一化處理。利用現有方法，[22]由公式（1）處理負屬性（取值越大，QoS越低，如響應時間、服務價格），由公式（2）處理正屬性（取值越大，QoS越高，如可靠性）。其中， qij和uij分別為某個QoS屬性數據標準化之前和之后的值，qmax和qmin分別為該QoS屬性在所有用戶反饋中的最大和最小值。

（二）學習者的QoS偏好模型及偏好相似度

1. 學習者的QoS偏好模型

在自適應的個性化學習系統中，每個學習者都有獨特的學習風格和特點，具有不同的學習偏好或需求。學習者在教育服務請求中對教育服務QoS的偏好也不同，例如，有的學習者更偏愛交互性強的教育服務，對響應時間要求較高，對教育服務的適應性沒有特別要求；而有的學習者看重教育服務的可靠性和適應性，不能容忍教育服務的失效和不兼容性，對交互性沒有特別要求等。在系統冷啟動狀態下，學習者的QoS偏好由調查表靜態獲取，隨著學習者參與教育服務的請求和反饋，其偏好信息將動態更新。

用EQ（EQ1，EQ2，……，EQn）表示學習者的QoS偏好模型，某個學習者的QoS偏好表示為：EQi（eqi1，eqi2，…，eqin），其中eqij是學習者i對教育服務QoS的第j個屬性的偏好值，偏好值的取值范圍是[0，5]，值越大，對該QoS屬性越偏好。所有學習者的QoS偏好信息以矩陣EQ保存在用戶信息庫中。

2. 學習者偏好相似度

具有相似偏好的學習者在進行教育服務QoS評價時往往具有相似的評價偏好，因此，偏好相似度高的學習者的評價在所有評價中具有更高的參考價值。

把偏好矩陣EQ中每個學習者的QoS偏好看作是n 維向量，通過向量間的余弦夾角度量的方法，[23]計算學習者之間的偏好相似度。

學習者ui和學習者uj的QoS偏好向量ui和uj分別為：ui=（eqi1，eqi2，……，eqin）和uj=（eqj1，eqj2，……，eqjn），則學習者ui和學習者uj的QoS偏好相似度rsij定義為：

利用公式（3）對學習者QoS偏好矩陣EQ進行學習者的偏好相似度的計算，得到學習者偏好相似度矩陣RS，RS是一個對角線為1的對稱矩陣。

（三）基于QoS偏好相似度的QoS匯總值計算與推薦

設當前學習者提出教育服務的請求初步得到滿足，其功能屬性需求的教育服務集合ES=（ES1，ES2，…，ESm），每個教育服務都有若干個學習者對其進行了評價反饋，第d個學習者對第i個教育服務的第j個QoS屬性的評價記為。

已知學習者的QoS偏好為：EQt（eq1，eqt2，……，eqtn），利用公式（3）可以算出當前學習者的QoS偏好與k個學習評價者QoS偏好的相似度RSt（rst1，rst2，……，rstk）。記：

則教育服務集合中第i個教育服務的QoS匯總值為：

公式（4）中，首先按當前學習者的QoS偏好對評價數據進行處理，偏好高的QoS屬性具有更高的權值；接著，對不同學習者的評價按其與當前學習者的相似度進行加權，相似度高的學習者的評價具有更高的權值。由公式（4）可以獲得所有教育服務的QoS匯總值，記為 ，這些教育服務的QoS匯總值是體現當前學習者偏好的個性化數值，對F中教育服務QoS匯總值進行排序，可以獲得針對當前學習者的教育服務推薦列表，向當前學習者ut進行個性化教育服務的推薦。

五、模擬實驗與驗證

為了驗證本文推薦方法的可行性和準確度，在局域網中搭建測試系統，共有一臺服務器和四臺PC機。服務器作為教育服務注冊存儲服務器，四臺PC機作為學習者請求的系統終端機。

在系統中注冊60個教育服務，以數據庫、數據結構、操作系統、C語言等四門課程作為不同功能的服務，可表示為（DB，DS，OS，C），每門課程注冊15個相同功能不同質量的教育服務，選擇可靠性、交互性、關懷性等三個屬性作為教育服務的QoS評價屬性參數，三個屬性均為正屬性，用qi表示。

由50名本科生作為體驗者，他們有不同的QoS偏好，記錄在用戶的QoS偏好庫中。首先，其中40名學生根據自身的QoS偏好請求教育服務，然后分別對請求的四門課程中的教育服務進行QoS評價，使每個教育服務都有8～12個評價，由此構成教育服務推薦的基本數據集。剩余的10個學習者在此數據基礎上，對四門課程分別進行一次教育服務請求，使用本推薦方法和平均值推薦法進行兩次推薦，學習者根據推薦結果進行評價，包括QoS評價，滿意度評價（SAT）等，最后根據學習者的滿意度對兩種推薦方法的結果進行對比。

具體實驗過程如下。

1. 用戶偏好數據。首先由調查問卷得出每個學習者的QoS偏好，見表1。其中，屬性qi（1≤i≤3）取值范圍是[0，5]。表中的值越大，代表該用戶越偏重該屬性，即qi值為0時，用戶最不在乎此屬性，qi為5時，用戶最重視該屬性。

2. 教育服務評價數據。通過40位同學對60個教育服務的評價獲得教育服務的評價數據，見表2。其中不為空的qi分量表示評價者U對服務ES的某個QoS屬性的評價值，qi越大，表示評價者對相應服務的這個QoS屬性表現越滿意，反之則不滿意。如此獲得每個教育服務ES大約有10個左右用戶的評價數據。

3. 服務請求與推薦。有10個學習者（U41～U50），他們的請求偏好模型見表1，對教育服務進行請求。通過公式（3）、（4）對他們請求的服務的服務質量進行計算，獲得每個教育服務的QoS匯總值，按QoS匯總值進行服務的推薦。

例如，U41請求數據庫教育服務，返回15個數據庫教育服務，系統需要根據U41的偏好以及這15個服務的服務質量信息給U41推薦一個最合適的教育服務。

EQ41=（0，5，3）是U41的用戶偏好，表示他對可靠性沒有要求，對交互性要求很高。15個候選服務都有8～12個用戶評價數據，由公式（3）計算U41和每個候選服務的每個評價者的用戶相似度，得到表3的數據。

再由公式（4）計算針對U41用戶偏好的這15個教育服務的不同QoS匯總值，按QoS匯總值降序進行個性化的教育服務推薦。

4. 推薦滿意度。學習者的滿意度是鑒定推薦結果是否滿足需求的重要參數。分別使用本文的推薦方法與平均值推薦法為用戶進行教育服務推薦，根據請求者對推薦結果滿意度的評價，從兩個角度進行對比：①每個教育服務請求者對請求過的四門課程的教育服務滿意度的平均值，如圖3（a）所示；②每門課程教育服務的所有使用者滿意度平均值，結果如圖3（b）所示。

由實驗對比可見，無論是學習者請求過的所有教育服務的滿意度均值，還是每門課程教育服務的滿意度均值，使用QoS偏好推薦法的學習者滿意度均高于平均值推薦法。

六、總 結

本文針對現有教育服務推薦方法中缺少關注服務質量信息帶來的一些問題，在深入研究網絡教育服務的特點及其QoS屬性的基礎上，提出了一種基于QoS偏好的教育服務推薦模型和方法，為學習者推薦符合其QoS偏好的個性化教育服務。在后續的工作中，計劃在網絡教育服務管理系統中實現和應用本推薦方法，積累用戶數據和推薦反饋，提高對學習者QoS偏好信息的動態感知，優化QoS評價數據的挖掘，進一步提高學習者的滿意度，構造更加智能的學習環境，用技術促進教育、改進教育。

[參考文獻]

[1] Hishamuddin Fitri Abu Hasan，Azleen Ilias. Service Quality and Student Satisfaction[A]. Case Study at Private Higher Education Institutions[J]. International Business Research，2008，1 （3）：163～175.

[2] 劉俊學. 服務性：高等教育質量的基本特征[J]. 江蘇高教，2011，（4）： 40～42.

[3] 陳德人，張堯學. 數字化學習巷：構建面向終身學習的學習型社會[M].杭州：浙江大學出版社，2009.

[4] 董向東.網絡教育服務初探[J].電化教育研究，2002，（11）：34～37.

[5] 張屹.網絡教育服務質量管理體系規范研究[D].上海：華東師范大學，2003.

[6] 武麗志.遠程教育服務論綱[D].廣州：華南師范大學，2007.

[7] 張屹，胡小勇，祝智庭. 網絡教育服務質量框架研究[J]. 中國電化教育，2003，（2）：68～72.

[8] Godwin J. Udo ， Kallol K. Bagchi ， Peeter J. Kirs. Using SERVQUAL to Assess the Quality of E-Learning Experience[J]. Computers in Human Behavior ，2011，（27）： 1272～1283.

[9] 彭博，楊貫中.基于QoS 的學習對象推薦[J]. 微計算機信息， 2009， （9）：145～146.

[10] 夏雷. 基于反饋QoS的Web服務發現模型[D]. 青島：中國石油大學，2007.

[11] 曾春，邢春曉，周立柱. 個性化服務技術綜述[J]. 軟件學報，2002，（10）：1952～1961.

[12] 任宇. E-Learning個性化系統的推薦策略研究 [D].長春：東北師范大學，2010.

[13] 劉敏. 基于協同過濾技術的E-Learning個性化推薦系統研究[D]. 天津：天津師范大學，2010.

[14] 李高敏.基于協同過濾的教學資源個性化推薦技術的研究及應用[D]. 北京：北京交通大學，2011.

[15] 楊麗娜，劉科成，顏志軍.面向虛擬學習社區的學習資源個性化推薦研究[J].電化教育研究，2010，（4）：67～71.

[16] 逄華，荊永君，王龍.基于移動Agent技術的教學資源推薦系統研究[J].電化教育研究，2011，（9）：79～83.

[17] 黃昌勤.網絡課程資源支持下基于語義Web的個性化主動學習服務研究與實現[J].電化教育研究，2012，（3）：49～55.

[18] 王永固，邱飛岳，趙建龍，劉暉.基于協同過濾技術的學習資源個性化推薦研究[J].遠程教育雜志，2011，（3）：66～71.

[19] Afzaal Ali，Israr Ahmad.Key Factors for Determining Students Satisfaction in Distance Learning Courses： A Study of Allama Iqbal Open University[J].Contemporary Educational Technology， 2011，2（2）：118～134.

[20] Ismail SAHIN. Predicting Student Satisfaction in Distance Educaiton and Learning Environments[J].Turkish Online Journal of Distance Education， 2007，8（2）：113～119.

[21] 方宇通. 基于學生滿意的遠程教育服務質量影響因素研究[J].電化教育研究， 2012，（4）：58～62.

[22] Liu Yingchun， Zheng Xiaolin，Chen Deren.Reliable Services and Services Recommendation： A Detecting Model[A].2011 International Joint Conference on Service Sciences[C]. 2011：178～182.

[23] 李永，徐德智，張勇，邢春曉.VRE中基于內容過濾的論文推薦算法[J].計算機應用研究，2007，24（9）：58～60.