個性化推薦系統在移動學習中的應用研究*

王小軍，王 運，郝 喆

（江蘇開放大學信息化建設處，江蘇 南京 210036）

個性化推薦系統在移動學習中的應用研究*

王小軍，王 運，郝 喆

（江蘇開放大學信息化建設處，江蘇 南京 210036）

通過對移動學習特性和研究現狀的分析，針對移動學習中的不足，利用移動學習模型（MLearning Model）從三個層面六個要素對移動學習的過程進行描述，并結合BNF范式表示其內在聯系。提出利用基于協同過濾的算法對移動學習資源進行個性化的推薦，并建立了移動學習中個性化推薦系統模型，通過對UB-CF、IB-CF、MB-CF三類協同過濾算法的分析和對推薦結果的過濾和排序，描述了該模型的工作流程。最后通過實驗分析了移動學習中個性化推薦系統模型是有效的，可以提高移動學習的有效性。

移動學習；推薦系統；個性化；模型

一、引言

移動學習（M-Learning）作為傳統課堂E-Learning的發展和延續，是指學習者在自己需要學習的任何時間、任何地點通過移動設備和無線通信網絡獲取學習資源，與他人進行交流和協作，實現個人與社會知識建構的過程。[1-3]從認知的角度來看，移動學習在內容與形式方面，與E-Learning沒有本質區別，但是移動學習的移動性、個性化、自主性、非正式性的特點使其成為一種全新的學習技術與方式。

目前對移動學習的研究圍繞移動學習裝備、學習支持、學習服務三個層面展開，積累了多方面的研究成果。[4]國內外教育機構和企業對移動學習進行了多方面的研究，如歐洲的E-learning項目；為了滿足歐盟公民對信息交互與學習體驗的需求，英國英格蘭工藝大學Ultra lab實驗中心有M-learning項目；為了解決社會教育問題，東京大學利用PDA在博物館進行協作學習的系統，南京大學和日本松下通信工業公司以及SCC公司研發的多媒體移動教學網絡系統CALUMET，2009年首都師范大學有基礎教育移動視頻課程點評平臺。上述研究的目的，都是在終身教育體系框架內，利用移動學習創造隨時隨地可學習的環境，整合學習者碎片化時間，豐富個人和社會教育的途徑，完善公共學習服務體系。

但是移動學習過程中也存在以下問題。①移動學習資源數量大，選擇困難。網絡教學中已經建立大量的資源，資源的制作水平參差不齊，適用對象層次多樣，移動學習者缺少足夠的專業背景和準備時間對資源進行選擇，降低了學習者的學習效率。②移動網絡帶寬的需求和資費不平衡。學習資源的呈現形式以圖片和視頻為主，移動學習對帶寬需求大，但移動帶寬的資費卻很高。③支持移動學習硬件設備的屏幕相對PC要小很多，限制了移動學習應用平臺內容的呈現。

為了解決上述問題，充分發揮移動學習的特征，可以在移動學習應用平臺中采用個性化推薦技術，根據學習者的需求和興趣，選擇學習內容和資源，提供個性化的推薦服務，構建學習者的知識體系。

二、移動學習模型

移動學習模型（M-Learning Model）可表示為三個層次六個要素，分別為移動學習裝備（終端、網絡）、移動學習支持（平臺、資源）、移動學習服務（內容、活動），如圖1所示。

圖1 移動學習模型（M-Learning Model）

為了進一步描述M-Learning Model三個層次六個要素之間的內在聯系，可以采用如下BNF范式：

〈M-Learning Model〉::=〈Learning Services〉|〈MLearning Model〉〈Learning Services〉

〈Learning Services〉::=〈Learning Support〉(〈Content〉|〈Activity〉)

〈Learning Support〉::=〈Learning Equipment〉(〈Platform〉|〈Resources〉)

〈Learning Equipment〉::=〈Terminal〉|〈Network〉

其中移動學習裝備系統層是移動學習模型的硬件基礎，是面向用戶展現移動學習服務的接口，其中終端包括任何用于學習的通用性終端設備，如智能手機、平板電腦、筆記本電腦、電子書包等，這些學習終端普遍具有網絡易接入、資源易獲取、硬件易擴展，支持實時互動的特征。網絡是提供學習終端獲得學習資源的途徑，常用的接入方式包括有線網絡、移動網絡（CDMA、GPRS、GSM）、無線網絡（WLAN、藍牙）。

移動學習支持應用層是平臺和資源的載體，為服務層提供必要的服務。平臺分為系統平臺和應用平臺，系統平臺是通用類軟件，主要包括Apple IOS、Google Android、Microsoft Mobile三大主流移動操作系統平臺。應用平臺為定制類軟件，與具體的移動學習應用密切相關，其為學習者提供資源組織發布、內容分類管理、實時互動服務的學習支持服務，基于應用平臺可以構建合適的學習模式，規劃學習過程，促進學習者參與認知內化。

移動學習服務層提供學習內容和學習支撐服務。學習內容具有片段化、碎片化的特征，學習活動設計時，要根據學習內容的特點，既要體現移動技術的優勢又要兼顧學習者的體驗。

三、個性化推薦系統模型

移動學習支持應用層為了提高資源的高效使用，可以在移動學習平臺中根據學習者的學習興趣，實現學習內容的個性化推薦，移動學習中個性化推薦系統模型如圖2所示。

圖2 移動學習中個性化推薦系統模型

在該個性化推薦系統模型中，學習者是指利用移動終端，移動互聯網絡參與移動學習平臺進行學習的個體，學習時間具有碎片化、隨意性的特征，學習內容的呈現要適應移動終端，網絡帶寬需要進行優化，滿足學習者對網絡資費的需求。用戶行為庫是利用學習平臺記錄學習者對資源的查詢、瀏覽、觀看、下載、收藏、評價等學習行為，其是分析用戶偏好的重要依據。用戶偏好記錄了用戶歷史偏好、資源的標簽記錄集，以及用戶對資源的評價分值，其是分析資源之間相似度的數據源。行為特征提取是對用戶行為和用戶偏好進行統計分析，提取用戶行為特征，通過標準化、歸一化轉換處理后，建立學習者個人偏好模型，為移動學習中的個性化推薦提供依據。個性化推薦算法是進行移動學習個性化推薦的關鍵，主要包括UB-CF、IB-CF、TAG-CF三類算法，其中UB-CF算法通過用戶之間相似性度量，發掘與目標用戶興趣偏好相近的用戶，推薦相近用戶喜歡的資源，IB-CF算法是利用個人偏好模型中目標用戶喜好的資源，根據資源之間的相似性度量，發掘與目標用戶喜好資源相類似的資源，推薦給用戶。[5-6]TAG-CF算法是根據個人偏好模型中目標用戶常用的標簽特征，通過標簽相似性，找到包含標簽特征的資源，形成推薦資源列表。對個性化推薦算法形成的資源推薦結果，進行過濾和排名處理，將最終的推薦資源，呈現給移動學習者。

個性化推薦算法是該模型的核心和關鍵，推薦結果的優劣直接關系到移動用戶對推薦效果的體驗。目前主流的推薦方法有基于內容的推薦、協調過濾推薦、用戶-產品二部圖網絡推薦、基于社會網絡推薦、混合推薦。[7-9]基于內容的推薦方法，利用用戶選擇的對象，提取對象的內容特征，匹配用戶興趣偏好，其特征提取是對推薦對象的文本內容進行分析，其優點是簡單直觀，不需要領域知識，沒有稀疏矩陣問題，缺點是對多媒體的特征提取還不成熟以及無法適用多語言描述的推薦對象，極大地限制了移動學習中用戶的滿意度。用戶-產品二部圖網絡推薦方法，不用考慮用戶和推薦對象的內容，把兩者抽象為網絡節點，通過用戶和對象的連接關系，生成推薦對象，該方法優先考慮冷門產品的推薦優先級高于熱門產品，但在移動學習中，冷門資源制作水平普遍較低，該思路不利于學習者自身的知識構建。

協同過濾推薦利用用戶的歷史信息計算用戶之間的相似性，利用與目標用戶相似性較高的鄰居對其他產品的評價來預測目標用戶對特定產品的喜好程度。[10]該方法通過用戶產品評價模型，引導了推薦系統的發展，根據推薦對象產生源的不同，可以分為基于用戶的協同（User Based Collaborative Filtering，UB-CF）、基于推薦對象的協同（Item Based Collaborative Filtering，IB-CF）、基于模型的協同（Model Based Collaborative Filtering，MB-CF）三類。協同過濾方法能夠分析文本、聲音、視頻等各類多媒體資源，不需要專業知識，能夠以學習者為中心，對學習者潛在的興趣進行推薦，滿足個性化推薦系統中推薦算法的要求，但協同過濾方法也存在冷啟動和稀疏性問題，以及歷史數據影響推薦質量的問題。

UB-CF是依據相鄰用戶的興趣偏好進行推薦的，首先找到與目標用戶偏好相似的相鄰用戶，然后根據目標用戶對推薦對象的評分，預測推薦用戶對推薦對象的評分，最后根據預測評分生成推薦對象列表，列表過濾后，返回給推薦用戶。相鄰用戶的相似性度量采用余弦相似性和相關相似性，其表達式如下所示：

其中Ri，c表示用戶i對推薦對象c的評分，表示用戶i的平均評分。

IB-CF是目前業界用得最多的基礎算法，基本思路是給目標用戶推薦那些與他們之前喜好的物品相似的物品，首先計算物品之間的相似度，然后根據物品與目標用戶喜好物品的相似度以及目標用戶的歷史行為，生成最終的推薦列表。物品之間的相似度和用戶對物品興趣度的表達式如下：

其中wi，j表示物品i，j的相似度，N（i）表示喜歡i物品的用戶數。

其中N（U）表示用戶u喜好的物品的集合，s（i，k）表示與物品i最相似的k個物品的集合，ru，i表示用戶u對物品i的興趣度。

MB-CF是根據目標用戶對現有對象的評分，建立用戶模型，從而對潛在的推薦對象進行評測打分。標簽（TAG）是一種無層次結構，用來描述推薦對象語義的關鍵詞，tag中包含了很多用戶的興趣信息和重要的用戶行為，可以利用標簽提高個性化推薦的質量，提高推薦的多樣性和可解釋性。基于標簽的推薦方法（TAG-CF）是MB-CF中的典型方法。TAG-CF預測用戶推薦對象的方法是在TF-IDF算法的基礎上進行的，表示為：

通過個性化推薦算法得到學習者初步的資源推薦列表，還需對推薦列表進行過濾，過濾的內容主要包括，用戶已經發生過學習行為的資源，提高推薦的新穎度。同時還要根據用戶約束條件過濾掉不滿足學習者條件的資源，如資源學習階段與學習者不符，資源的專業分類與學習者存在較大差異等，以及需要過濾掉推薦列表中用戶評價較低的資源，保證推薦資源的質量。

為了獲得更好的用戶滿意度，需要對過濾后的結果進行排序處理。推薦的目標是提高用戶的點擊率，可以根據用戶行為庫中的反饋記錄，從上下文和搜索記錄中預測用戶對推薦對象感興趣的程度，根據此預測進行最終的推薦對象排序。

四、實驗分析

為了驗證移動學習中個性化推薦系統模型的有效性，構建了如圖3所示的實驗環境，在該環境中，硬件資源平臺采用一臺通用的X86服務器提供計算、存儲和網絡服務，移動學習者安裝Android、IOS的移動端APP軟件，通過無線WLAN接入移動網絡，訪問移動學習平臺，其中個性化推薦系統也是作為學習平臺的附件模塊，基于三種協同過濾方式給學習者提供個性化的學習資源推薦服務。

圖3 移動學習中個性化推薦系統實驗環境

在實驗環境中，針對115名學員、50門課程、1480個學習資源，個性化推薦算法可以獲得18.34%的準確率、51.45%的召回率。該結果可以滿足移動學習中，對學習者學習資源的個性化推薦需求。

五、總結

本文通過對移動學習特性和研究現狀的分析，針對移動學習中的不足，利用學習模型（M-Learning Model）從三個層面六個要素對移動學習的過程進行描述，并結合BNF范式表示其內在聯系。提出利用基于協同過濾的算法對移動學習資源進行個性化的推薦，并建立了移動學習中個性化推薦系統模型，通過對UB-CF、IB-CF、MB-CF三類協同過濾算法的分析和對推薦結果的過濾和排序，描述了該模型的工作流程。最后通過實驗分析了移動學習中個性化推薦系統模型是有效的，根據推薦的準確率和召回率兩個指標，可以發現個性化推薦系統可增強移動學習的有效性。

[1]方海光,王紅云,黃榮懷.移動學習的系統環境路線圖——國內外移動學習研究與應用案例研究專欄綜述篇[J].現代教育技術,2011(1):14-20.

[2]郭紹青,黃建軍,袁慶飛.國外移動學習應用發展綜述[J].電化教育研究,2011(5):105-109.

[3]魏雪峰,楊現民.移動學習:國際研究實踐與展望——訪英國開放大學邁克·沙普爾斯教授[J].開放教育研究,2014(1):4-8.

[4]劉建設,李青,劉金梅.移動學習研究現狀綜述[J].電化教育研究,2007(7):21-25.

[5]林霜梅,汪更生,陳弈秋.個性化推薦系統中的用戶建模及特征選擇[J].計算機工程,2007(17):196-198.

[6]孫守義,王蔚.一種基于用戶聚類的協同過濾個性化圖書推薦系統[J].現代情報,2007(11):139-142.

[7]劉建國,周濤,汪秉宏.個性化推薦系統的研究進展[J].自然科學進展,2009(1):1-15.

[8]許海玲,吳瀟,李曉東,閻保平.互聯網推薦系統比較研究[J].軟件學報,2009(2):350-362.

[9]朱郁筱,呂琳媛.推薦系統評價指標綜述[J].電子科技大學學報,2012(2):163-175.

[10]梁昌勇,冷亞軍,王勇勝,戚筱雯.電子商務推薦系統中群體用戶推薦問題研究 [J].中國管理科學,2013(3): 153-158.

（編輯:王天鵬）

TP311

A

1673-8454（2015）23-0020-04

國家開放大學2014-2015年度青年課題“個性化推薦系統在移動學習中的應用研究”（G14A1401Q）；江蘇開放大學“十二五”規劃課題“個性化推薦系統在網絡教學中的應用研究”（13SEW-Q-052）。