貝葉斯網(wǎng)絡(luò)在MOOC用戶建模中的應(yīng)用研究

潘 怡，杜紅燕

(1.長沙學(xué)院 計(jì)算機(jī)科學(xué)與技術(shù)系，湖南 長沙410022;2.瓊州學(xué)院 電子信息工程學(xué)院，海南 三亞572022 )

0 引言

借助RSS 訂閱、個(gè)人博客、虛擬視覺以及實(shí)時(shí)通訊軟件，大規(guī)模開放在線課程［1］(Massive open online course，MOOC)平臺(tái)在教師與學(xué)習(xí)者之間搭建起了一種全新的學(xué)習(xí)橋梁，自誕生伊始就迅速獲得了人們的廣泛關(guān)注.在MOOCs 平臺(tái)上，教師事先規(guī)定好學(xué)習(xí)內(nèi)容，將相關(guān)授課視頻及音頻資料放在網(wǎng)絡(luò)共享，當(dāng)學(xué)生完成相關(guān)學(xué)習(xí)及測(cè)試后，平臺(tái)將根據(jù)測(cè)試結(jié)果提供反饋意見，對(duì)于學(xué)生關(guān)注的焦點(diǎn)性難題，教師可通過論壇統(tǒng)一答復(fù)，也可用在線教材注釋、虛擬課堂等方法進(jìn)行說明，平臺(tái)為“師－生”、“生－生”交流的雙向互動(dòng)提供了充分的交流渠道，初步實(shí)現(xiàn)了“翻轉(zhuǎn)課堂”和混合課堂.MOOCs 項(xiàng)目初衷是通過友好的人機(jī)交互界面與人文化的學(xué)習(xí)支持模式以及動(dòng)態(tài)發(fā)展的學(xué)習(xí)內(nèi)容，達(dá)到教師、學(xué)生及學(xué)習(xí)環(huán)境的和諧共生［2］，而隨著MOOCs 注冊(cè)用戶的快速增長，用戶類型的個(gè)性千差萬別，其對(duì)學(xué)習(xí)過程管理、個(gè)性化學(xué)習(xí)推薦等海量信息分析技術(shù)的需求也日益增強(qiáng).目前大量在用戶學(xué)習(xí)過程中所積累的與用戶學(xué)習(xí)模式、學(xué)習(xí)興趣、學(xué)習(xí)方法相關(guān)的數(shù)據(jù)未能得到深入分析處理，嵌入式學(xué)習(xí)技術(shù)還缺乏真正有效的學(xué)習(xí)分析手段，要實(shí)現(xiàn)集教學(xué)反饋、自助學(xué)習(xí)、資源推薦、個(gè)性化教學(xué)為一體的智能教學(xué)系統(tǒng)［3］(Intelligent Tutoring System，ITS)仍然任重道遠(yuǎn).

圖1展示了一個(gè)典型的MOOC 平臺(tái)學(xué)習(xí)流程，如圖所示，當(dāng)學(xué)習(xí)者開始學(xué)習(xí)一門新課程時(shí)，系統(tǒng)將以周或其他時(shí)間單位為其提供當(dāng)前這一課時(shí)的授課視頻、單元測(cè)試、家庭作業(yè)等，學(xué)習(xí)者依照教學(xué)要求，完成視頻學(xué)習(xí)及課堂作業(yè)以及單元測(cè)試.為了實(shí)現(xiàn)自適應(yīng)教學(xué)功能，在學(xué)習(xí)過程中，平臺(tái)增加了“個(gè)人反饋”環(huán)節(jié)，在用戶使用學(xué)習(xí)資源、進(jìn)行能力測(cè)試的過程中，及時(shí)提供一些反饋信息，向用戶推薦更合適的學(xué)習(xí)路徑.MOOC 平臺(tái)倡導(dǎo)學(xué)習(xí)者依據(jù)其自身的學(xué)習(xí)需求，主動(dòng)選擇學(xué)習(xí)路徑，控制學(xué)習(xí)進(jìn)程，在這一過程中，為了更好地幫助用戶使用平臺(tái)的教學(xué)資源，MOOC 平臺(tái)應(yīng)能為學(xué)習(xí)者提供以下功能:

1)對(duì)所有參與學(xué)習(xí)的學(xué)習(xí)者建立用戶模型，模型內(nèi)容包括學(xué)習(xí)者的學(xué)習(xí)目標(biāo)、學(xué)習(xí)興趣、學(xué)習(xí)行為模式、學(xué)習(xí)層次等.

2)在學(xué)習(xí)過程中，除了學(xué)習(xí)者主動(dòng)選擇的學(xué)習(xí)內(nèi)容外，平臺(tái)能夠?yàn)槠涮峁┫嚓P(guān)的學(xué)習(xí)內(nèi)容，這些知識(shí)單元有可能是被學(xué)習(xí)者所忽視的要完成學(xué)習(xí)目標(biāo)所必需的儲(chǔ)備知識(shí).

3)在學(xué)習(xí)過程中，系統(tǒng)能夠根據(jù)學(xué)習(xí)者的學(xué)習(xí)結(jié)果及時(shí)給出評(píng)價(jià)和反饋，并允許學(xué)習(xí)者自由選擇學(xué)習(xí)路徑.

圖1 MOOC 平臺(tái)學(xué)習(xí)過程示意

1 用戶模型

用戶和學(xué)習(xí)資源是MOOC 資源庫管理的兩大核心對(duì)象，其中用戶模型［4］是MOOC 平臺(tái)關(guān)于用戶或用戶群的信息與假設(shè)的描述集合，MOOC 平臺(tái)用戶建模技術(shù)是指系統(tǒng)通過存儲(chǔ)及管理用戶的特征文件、學(xué)習(xí)軌跡、學(xué)習(xí)結(jié)果，采用各種信息統(tǒng)計(jì)分析技術(shù)，歸納整理出可計(jì)算的用戶模型定義及分類標(biāo)準(zhǔn)，并在用戶學(xué)習(xí)過程中，依據(jù)用戶的特征分類，主動(dòng)為其提供合適的學(xué)習(xí)資源、學(xué)習(xí)路徑的選擇.

MOOC 的用戶模型定義通常包含以下幾方面內(nèi)容:用戶知識(shí)、用戶學(xué)習(xí)興趣、用戶學(xué)習(xí)目標(biāo)、用戶背景、用戶學(xué)習(xí)模式.

1)用戶知識(shí)能力水平

用戶知識(shí)能力水平建模在MOOC 平臺(tái)個(gè)性化服務(wù)中非常重要，過高或過低的預(yù)測(cè)值都將影響系統(tǒng)推薦的準(zhǔn)確性.用戶能力水平定義可采用定量方式［5］，如從0 開始到10，每個(gè)等級(jí)代表不同的用戶能力水平，也可采用定性方式定義，如“好、較好、一般、較差、差”等.對(duì)用戶能力水平標(biāo)準(zhǔn)化處理后，可以在學(xué)習(xí)者和課程資源之間建立相應(yīng)的匹配關(guān)系并推薦.用戶能力水平的定義多半以用戶自我判斷或綜合系統(tǒng)的測(cè)試結(jié)果為主，但課程所涉及的知識(shí)領(lǐng)域通常包含多個(gè)知識(shí)單元，用戶有可能只對(duì)課程中的部分知識(shí)單元掌握程度較好，因此采用等級(jí)法對(duì)用戶能力水平建模，雖然簡單但準(zhǔn)確度較低.

2)用戶學(xué)習(xí)偏好

用戶的學(xué)習(xí)偏好是個(gè)性化學(xué)習(xí)路徑推薦建模中重要的影響因素之一，大多數(shù)推薦系統(tǒng)的用戶模型都將用戶的偏好作為推薦模型的核心［6］.關(guān)鍵詞匹配是一種常見的用戶學(xué)習(xí)偏好描述方法［7］，系統(tǒng)根據(jù)用戶提供的關(guān)鍵詞，處理后得到相應(yīng)的加權(quán)關(guān)鍵詞向量，再以這些向量的權(quán)值大小來確定用戶偏好.語義網(wǎng)絡(luò)［8］也是一種常見的用戶學(xué)習(xí)偏好建模方法.與關(guān)鍵詞匹配方法相比，語義網(wǎng)絡(luò)方法能夠解決關(guān)鍵詞一詞多義的問題，而且所表達(dá)的問題內(nèi)涵更加靈活和豐富.

3)用戶學(xué)習(xí)目標(biāo)

學(xué)習(xí)目標(biāo)是用戶學(xué)習(xí)活動(dòng)最直接的描述，也是最易發(fā)生變化的用戶模型因素之一［9］，系統(tǒng)通常預(yù)先歸納出用戶可能的學(xué)習(xí)目標(biāo)，然后以列表選擇的方式來獲得答案.

4)用戶學(xué)習(xí)背景

用戶學(xué)習(xí)背景包括了用戶在接觸A－MOOC 平臺(tái)之前的特征，包括用戶的專業(yè)、職業(yè)、工作經(jīng)驗(yàn)等，學(xué)習(xí)背景可作為用戶分類的依據(jù)之一，盡管用戶的學(xué)習(xí)背景隱含了其能力水平的差別，但與能力水平不同，學(xué)習(xí)背景是一種相對(duì)穩(wěn)定的信息，在基于上下文的自適應(yīng)學(xué)習(xí)系統(tǒng)［10］中，是使用頻率較高的一類用戶建模維度.對(duì)用戶學(xué)習(xí)背景的判斷相對(duì)簡單，可采用基本固定的選項(xiàng)進(jìn)行描述.

5)學(xué)習(xí)動(dòng)機(jī)

學(xué)習(xí)動(dòng)機(jī)是近年來MOOC 平臺(tái)用戶建模又一個(gè)關(guān)注的熱點(diǎn)，學(xué)習(xí)動(dòng)機(jī)對(duì)用戶學(xué)習(xí)的投入程度、持續(xù)學(xué)習(xí)時(shí)間都有一定影響，當(dāng)前對(duì)用戶學(xué)習(xí)動(dòng)機(jī)的研究分成兩類［11］，一種是通過傳感設(shè)備采集用戶情緒狀態(tài)變化數(shù)據(jù)并以此作為分析的依據(jù);另一類則著重研究探討學(xué)習(xí)理論，例如激勵(lì)理論、評(píng)價(jià)理論等對(duì)用戶學(xué)習(xí)動(dòng)機(jī)影響程度.

6)個(gè)人特征

用戶的一些個(gè)人特性，包括用戶的性格特征，如用戶是外向型性格還是內(nèi)向型性格，用戶對(duì)工作負(fù)荷的承載能力、用戶的理解力、認(rèn)知風(fēng)格等.例如，通過研究學(xué)習(xí)者的認(rèn)知風(fēng)格［12］，能夠了解學(xué)習(xí)者理解、組織及記憶知識(shí)單元的方式，然后給學(xué)習(xí)者標(biāo)記上恰當(dāng)?shù)臉?biāo)簽，是整體－分析型，還是場(chǎng)依賴－場(chǎng)獨(dú)立型、沖動(dòng)－熟慮型或整體－序列型等等.邁爾斯－布里格斯(Myers－Briggs Type Indicator，MBTI)性格測(cè)試則［13］是一種常見的性格甄別工具，經(jīng)常被用于E－learning 用戶建模中.

MOOC 的用戶建模工作內(nèi)容及要求包括:

(1)通過用戶的檔案文件以及用戶與系統(tǒng)交互的歷史學(xué)習(xí)軌跡建立用戶模型;

(2)能夠根據(jù)用戶學(xué)習(xí)進(jìn)程的發(fā)展以及學(xué)習(xí)活動(dòng)的結(jié)果及時(shí)對(duì)當(dāng)前用戶模型進(jìn)行更新;

(3)用戶模型能夠全面和基本準(zhǔn)確地反映用戶的真實(shí)信息;

(4)系統(tǒng)能夠根據(jù)用戶模型的定義結(jié)果為其推薦合適的學(xué)習(xí)路徑.

2 貝葉斯網(wǎng)絡(luò)在MOOC 用戶建模中的應(yīng)用

消除不確定性是MOOC 用戶建模需要解決的主要問題［14］，例如學(xué)習(xí)者之間的相似性判斷，究竟需要經(jīng)過多少次測(cè)試才能認(rèn)定學(xué)習(xí)者已經(jīng)掌握了某一知識(shí)單元，如何區(qū)分學(xué)習(xí)者究竟是碰巧猜對(duì)了題目的答案還是真正了解，還有同一學(xué)科或者同一課程中，許多知識(shí)點(diǎn)是相互關(guān)聯(lián)的，系統(tǒng)如何由一個(gè)已經(jīng)完成的測(cè)試結(jié)果推斷用戶是否已經(jīng)了解了其他相關(guān)聯(lián)知識(shí)單元.

貝葉斯網(wǎng)絡(luò)［15］是一種具有N 個(gè)節(jié)點(diǎn)的有向無環(huán)圖，其表示形式靈活，建模能力強(qiáng)，能夠在不增加其他領(lǐng)域知識(shí)的基礎(chǔ)上，直接通過原始數(shù)據(jù)集歸納得到網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，得到結(jié)點(diǎn)之間的概率模型，在降低挖掘成本的同時(shí)能夠提高推薦結(jié)果的準(zhǔn)確性，被廣泛應(yīng)用于不確定知識(shí)表達(dá)和推理領(lǐng)域.

2.1 貝葉斯網(wǎng)絡(luò)簡介

一個(gè)貝葉斯網(wǎng)絡(luò)可以被形式化定義為G=＜＜V，E＞，P＞，其中:

1)V 是網(wǎng)絡(luò)節(jié)點(diǎn)，代表各類觀測(cè)值.

2)E 是節(jié)點(diǎn)之間的有向邊集合，＜Vi，Vj＞∈E 表示Vi和Vj之間存在直接影響或因果關(guān)系，Vi稱為Vj的父節(jié)點(diǎn)，Vj稱為Vj的子節(jié)點(diǎn).

3)P 表示與每個(gè)節(jié)點(diǎn)相關(guān)的概率分布.

圖2 最簡單的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)

貝葉斯網(wǎng)絡(luò)可斷言每一節(jié)點(diǎn)在父節(jié)點(diǎn)確定后，都條件獨(dú)立于其所有祖先節(jié)點(diǎn)，當(dāng)節(jié)點(diǎn)之間的條件概率分布已知時(shí)，可以很容易從節(jié)點(diǎn)所有父節(jié)點(diǎn)的聯(lián)合概率分布計(jì)算得到當(dāng)前節(jié)點(diǎn)的條件概率，使用貝葉斯網(wǎng)絡(luò)定義用戶模型，指利用貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)及條件概率分布關(guān)系，在給定某些假設(shè)前提下，計(jì)算子節(jié)點(diǎn)的取值概率.以描述學(xué)生能力水平為例，為了判斷學(xué)生是否已經(jīng)掌握了某領(lǐng)域的知識(shí)單元K，可以定義判斷證據(jù)為事件E，可以定義網(wǎng)絡(luò)中的兩個(gè)相鄰結(jié)點(diǎn)K 和E，以及他們之間的指向關(guān)系K－＞E，這里節(jié)點(diǎn)K 表示用戶已經(jīng)掌握了某知識(shí)單元，節(jié)點(diǎn)E 表示判斷證據(jù)，如圖2所示，即當(dāng)用戶處于K 狀態(tài)時(shí)，可得到結(jié)果E.

2.2 基于貝葉斯網(wǎng)絡(luò)的用戶模型構(gòu)建

使用貝葉斯網(wǎng)絡(luò)構(gòu)建MOOC 用戶模型的過程可以分成定性和定量兩個(gè)過程，定性是指確定如何選擇網(wǎng)絡(luò)的節(jié)點(diǎn)變量和邊的定義，定量是指計(jì)算節(jié)點(diǎn)之間的概率分布.其中，因用戶模型內(nèi)涵的豐富性和特殊性，一般算法研究重點(diǎn)為網(wǎng)絡(luò)節(jié)點(diǎn)和參數(shù)變量的選擇.

節(jié)點(diǎn)變量選擇既可以請(qǐng)領(lǐng)域?qū)＜腋鶕?jù)經(jīng)驗(yàn)直接確定節(jié)點(diǎn)變量類別和參數(shù)個(gè)數(shù)，例如Anh［16］利用貝葉斯網(wǎng)絡(luò)中的結(jié)點(diǎn)來代替學(xué)習(xí)者腦海中的知識(shí)圖單元，單元之間的先后次序關(guān)系則采用貝葉斯網(wǎng)絡(luò)中的邊表示，算法在對(duì)學(xué)習(xí)者的學(xué)習(xí)興趣、學(xué)習(xí)要求進(jìn)行簡單的分類判斷后，根據(jù)不同知識(shí)單元的組合次序，確定候選學(xué)習(xí)路徑，然后依據(jù)各知識(shí)單元的權(quán)重以及轉(zhuǎn)移概率，計(jì)算路徑的權(quán)重，挑選出最適合的學(xué)習(xí)路徑.也可以綜合使用以上兩種方法完成.如果采用領(lǐng)域?qū)＜曳ǎ⒁鈾z驗(yàn)得到的最終網(wǎng)絡(luò)節(jié)點(diǎn)是否包含了問題域的所有內(nèi)容，不光是對(duì)用戶特征的總結(jié)，還必須考慮到這些節(jié)點(diǎn)變量之間的指向關(guān)系，以及條件概率分布的大小.

如果是通過學(xué)習(xí)算法得到，則需要保證重要性的設(shè)置相對(duì)精確，不會(huì)因算法參數(shù)的設(shè)置不到，導(dǎo)致不能建立一個(gè)完整的貝葉斯網(wǎng)絡(luò)用戶模型.對(duì)學(xué)習(xí)者類別判斷如果以靜態(tài)信息為主，考慮動(dòng)態(tài)學(xué)習(xí)行為的影響，將導(dǎo)致用戶模型的實(shí)時(shí)性較差，響應(yīng)變化速度慢的問題，采用基于貝葉斯網(wǎng)絡(luò)的混合模型算法，例如馬爾可夫模型對(duì)用戶的歷史學(xué)習(xí)數(shù)據(jù)進(jìn)行建模，也可采用基于模型的聚類方法來體現(xiàn)用戶學(xué)習(xí)過程中所隱含的動(dòng)態(tài)特征［17］.假設(shè)用戶使用MOOC 平臺(tái)的學(xué)習(xí)行為以某一先驗(yàn)概率屬于某個(gè)用戶行為模型聚類，使用一階Markov 模型描述時(shí)，k 個(gè)用戶類別的參數(shù)模型λ=(πk，Ak)，1≤k≤K，Ak=(akj)N×M.其中，πk是初始聚類屬于k 的概率分布，Ak是狀態(tài)轉(zhuǎn)移概率矩陣，表示當(dāng)前用戶行為屬于聚類k 跳轉(zhuǎn)到聚類j 的概率.可采用最大似然算法訓(xùn)練得到模型λ 的參數(shù)，并根據(jù)第k 個(gè)聚類產(chǎn)生的條件概率來判斷用戶行為的聚類結(jié)果:

其中:αk為聚類k 的權(quán)值，On為用戶模型樣本序列，c 為用戶行為模型的標(biāo)簽，K 為用戶行為模型聚類的最大數(shù)目.用戶模型在學(xué)習(xí)過程中的變化可通過動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)來處理.Reye［18］使用動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)來動(dòng)態(tài)描述學(xué)習(xí)者對(duì)學(xué)習(xí)概念的理解程度，例如為描述學(xué)生在了解知識(shí)B 后，也了解知識(shí)A 的可能性為90%，則可以使用p(S－k(A)|S－k(B))=0.9 表示.Jonathan［19］借助動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模擬了基于問題的學(xué)習(xí)環(huán)境架構(gòu)中學(xué)習(xí)者的知識(shí)結(jié)構(gòu)更新過程，并以此作為優(yōu)化交互式學(xué)習(xí)環(huán)境的依據(jù)，而Sabouri［20］則在同一實(shí)驗(yàn)平臺(tái)上研究了如何使用動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)來對(duì)用戶情感模型進(jìn)行優(yōu)化.用戶的相似性定義也可以幫助描述用戶特征，張少中［21］將小世界網(wǎng)絡(luò)與貝葉斯網(wǎng)絡(luò)結(jié)合起來，利用小世界網(wǎng)絡(luò)在聚類應(yīng)用中的良好性質(zhì)來描述用戶－用戶之間的關(guān)系，將屬性值相同或相近的用戶聚集在一個(gè)用戶組，再利用貝葉斯網(wǎng)絡(luò)描述用戶的偏好，能夠反映用戶彼此之間的影響關(guān)系，提高用戶模型描述準(zhǔn)確度.其中，兩層混合模型結(jié)構(gòu)G=(Vu，Vs，E)，Vu為用戶結(jié)點(diǎn)，Vs為知識(shí)單元結(jié)點(diǎn)，E 為連接結(jié)點(diǎn)之間的有向邊，如下圖3所示.在包含移動(dòng)客戶端的MOOC 平臺(tái)上，用戶模型的描述內(nèi)容應(yīng)包含用戶場(chǎng)景上下文，使算法在推薦過程能夠捕捉隨場(chǎng)景變化的用戶偏好.由于基于貝葉斯網(wǎng)絡(luò)的個(gè)性化學(xué)習(xí)分析對(duì)數(shù)據(jù)完備性程度要求較高，在建模初期需要積累大量的原始數(shù)據(jù)，包括用戶個(gè)人信息、學(xué)習(xí)歷史等，當(dāng)學(xué)習(xí)者剛進(jìn)入MOOCs 平臺(tái)時(shí)，因缺乏背景知識(shí)，將降低建模準(zhǔn)確度，也可以考慮將靜態(tài)描述與動(dòng)態(tài)更新相結(jié)合的用戶建模方法，當(dāng)新用戶剛注冊(cè)時(shí)，對(duì)其的建模主要考慮用戶自己所提供的知識(shí)背景、偏好關(guān)鍵詞等一些靜態(tài)信息，然后隨著用戶學(xué)習(xí)活動(dòng)進(jìn)展，交互日志數(shù)據(jù)的不斷豐富，逐步更新用戶模型的其他部分.

圖3 兩層混合用戶－知識(shí)單元模型結(jié)構(gòu)

3 結(jié)語

開放、豐富、便利、個(gè)性化的學(xué)習(xí)環(huán)境是MOOC 吸引眾多學(xué)習(xí)者積極參與的主要原因，提供準(zhǔn)確的用戶模型是個(gè)性化解決方案的基礎(chǔ)，傳統(tǒng)的關(guān)鍵詞匹配等文本檢索技術(shù)以布爾變量或向量空間模型為主，結(jié)果精確度較高但對(duì)語意的豐富性表現(xiàn)能力不足，以貝葉斯網(wǎng)絡(luò)為代表的概率推理方法能夠靈活地表示用戶特征變量之間的條件概率和語意轉(zhuǎn)移關(guān)系，在保證匹配結(jié)果的準(zhǔn)確性基礎(chǔ)上保留了語意的完備性，更適合MOOC 用戶建模的要求，本文分析了MOOC 平臺(tái)個(gè)性化學(xué)習(xí)的任務(wù)，介紹了貝葉斯網(wǎng)絡(luò)在MOOC 用戶建模方面的具體應(yīng)用，為實(shí)現(xiàn)MOOC 個(gè)性化學(xué)習(xí)服務(wù)解決方案提供參考.

［1］顧小清，胡藝齡，蔡慧英.MOOCs 的本土化訴求及其應(yīng)對(duì)［J］.遠(yuǎn)程教育雜志，2013(5):3－10.

［2］桑新民，李曙華，謝陽斌.21世紀(jì):大學(xué)課堂向何處去?——“太極學(xué)堂”的理念與實(shí)踐探索［J］.開放教育研究，2012，18(2):9－21.

［3］趙蔚，余延?xùn)|，張賽男.開放式e－Learning 解決方案?jìng)€(gè)性化推薦服務(wù)—一種面向終身學(xué)習(xí)的數(shù)字化學(xué)習(xí)服務(wù)模式的探索思路［J］.中國電化教育，2010，286:110－116.

［4］Bansal N.Adaptive recommendation system for MOOC［D］.Bombay:Indian Institute of Technology，2013.

［5］Brusilovsky P，Sosnovsky S，Shcherbinina O.User modeling in a distributed e－learning architecture［M］.Berlin:Springer，2005.387－391.

［6］謝意，陳德人，干紅華.基于瀏覽偏好挖掘的實(shí)時(shí)商品推薦方法［J］.計(jì)算機(jī)應(yīng)用，2011，31(1):89－92.

［7］Woolf B P.Building intelligent interactive tutors:Student－centered strategies for revolutionizing e－learning［M］.Morgan Kaufmann，2010.

［8］Alila F.S.，Mendes F.，Nicolle C.A Context－Based adaptation in mobile learning［J］.Bulletin of the IEEE Technical Committee on Learning Technology，2013，15(4):14－19.

［9］Manouselis N.，Drachsler H.，Vuorikari R.，et al.Recommender systems in technology enhanced learning［M］.Recommender systems handbook.Springer US，2011:387－415.

［10］Pardos Z.A.，Gowda S.M.，Baker R.S.J.，et al.The sum is greater than the parts:ensembling models of student knowledge in educational software［J］.ACM SIGKDD explorations newsletter，2012，13(2):37－44.

［11］Sabourin J，Mott B，Lester J C.Modeling learner affect with theoretically grounded dynamic Bayesian networks［M］.Affective computing and intelligent interaction.Springer Berlin Heidelberg，2011:286－295.

［12］李浩然，劉海燕.認(rèn)知風(fēng)格結(jié)構(gòu)模型的發(fā)展［J］.心理學(xué)動(dòng)態(tài)，2000，8(3):43－49.

［13］El Bachari E.，Abdelwahed E.，El Adnani M.Design of an adaptive e－Learning model based on learner’s personality［J］.Ubiquitous Computing and Communication Journal，2010，5(3):1－8.

［14］Desmarais M.C.，Baker R.S.J.A review of recent advances in learner and skill modeling in intelligent learning environments［J］.User Modeling and User－Adapted Interaction，2012，22(1－2):9－38.

［15］厲海濤，金光，周經(jīng)倫，等.貝葉斯網(wǎng)絡(luò)推理算法綜述［J］.系統(tǒng)工程與電子技術(shù)，2008，30(5):935－939.

［16］Anh N.V.，Ha N.V.，Dam H S.Constructing a bayesian belief network to generate learning path in adaptive hypermedia system［J］.Journal of Computer Science and Cybernetics，2008，24(1):12－19.

［17］覃俊，肖榮.基于馬爾可夫混合模型的電子商務(wù)搜索引擎用戶行為聚類［J］.計(jì)算機(jī)應(yīng)用，2012，32(4):1086－1089.

［18］Jim R.Student modeling based on belief network［J］.International Journal of Artificial Intelligence in Education，2004，14:1－33.

［19］Rowe J P，Lester J C.Modeling o.User Knowledge with Dynamic Bayesian Networks in Interactive Narrative Environments［C］.Proceedings of the 6th Artificial Intelligence and Interactive Digital Entertainment.California:The AAAI Press，2010:57－62.

［20］Sabourin J.，Mott B.，Lester J.C.Modeling learner affect with theoretically grounded dynamic Bayesian networks［M］.Affective computing and intelligent interaction.Berlin Heidelberg:Springer，2011:286－295.

［21］張少中，高飛.一種基于小世界網(wǎng)絡(luò)和貝葉斯網(wǎng)絡(luò)的混合推薦模型［J］.小型微型計(jì)算機(jī)系統(tǒng)，2010，31(10):1974－1979.