社交網(wǎng)絡(luò)下學習推薦研究與實踐*

吳正洋，湯 庸，黃昌勤，黃泳航，丁 蕊

(1.華南師范大學 計算機學院，廣東 廣州 510631；2.華南師范大學 教育信息技術(shù)學院，廣東 廣州 510631)

社交網(wǎng)絡(luò)下學習推薦研究與實踐*

吳正洋1，湯 庸1，黃昌勤2，黃泳航1，丁 蕊1

(1.華南師范大學 計算機學院，廣東 廣州 510631；2.華南師范大學 教育信息技術(shù)學院，廣東 廣州 510631)

學習推薦系統(tǒng)為學習者快速獲取學習所需材料和資源提供支持，社交網(wǎng)絡(luò)興起使在線用戶的互動和行為更豐富，對推動用戶學習效率提高有積極作用。以建構(gòu)主義學習理論為基礎(chǔ)，考慮學習者基本屬性、學習風格、所在學習環(huán)境等因素，利用本體論技術(shù)，結(jié)合過濾推薦算法，提出了社交網(wǎng)絡(luò)環(huán)境下基于本體的學習推薦系統(tǒng)架構(gòu)和功能；構(gòu)建了學習者本體，加強其特征描述，并管理學習過程中產(chǎn)生的學習者本體流；以本體語義相似度計算方法為基礎(chǔ)，提出相似學習者查找機制，實現(xiàn)學習資源推薦；依托學術(shù)社交網(wǎng)絡(luò)Scholat，開發(fā)實現(xiàn)了基于本體的學習推薦系統(tǒng)，試運行顯示該系統(tǒng)能夠較有效推薦學習資源，引導學習進展，有利于學習者學習效率的提高。

學習推薦系統(tǒng)； 學術(shù)社交網(wǎng)絡(luò)；本體論工程；建構(gòu)主義

一、引言

隨著在線學習平臺日益普及，其應(yīng)用過程中也逐漸顯現(xiàn)出一些問題，比如課堂中師生互動不足、學習者間協(xié)作缺乏、學習效果跟蹤手段欠缺、應(yīng)用平臺靈活性差等問題，影響了在線學習的深入應(yīng)用，造成了許多優(yōu)質(zhì)學習資源的閑置浪費。很多學習者在學習過程中會感覺疲憊乏味，或遇到困難無法解決而選擇中途放棄。截至2015年6月12日，大規(guī)模開放在線課堂(MOOCs)中所有課程的平均完成率約為15%[1]；以MOOCs中課程數(shù)最多的Coursera平臺(共64門課程)為例，絕大部分學習者的課程完成率都不到10%，完成率最高的學習者也未達到40%。對于學習者而言，都希望快速而準確地獲取有價值的學習資源，學習推薦是解決這一問題的有效手段，成為了研究熱點。研究人員利用知識建模、數(shù)據(jù)挖掘等方法，從學習資源[2]、學習好友[3]、學習路徑[4]三方面的推薦問題進行了研究，這些研究表明了學習推薦系統(tǒng)能夠在一定程度上對學習者學習興趣和學習效率的提高產(chǎn)生積極的影響，有助于推動在線學習深入應(yīng)用。但目前尚未有一種方法能夠?qū)⑷矫娴耐扑]有機結(jié)合，為學習者提供全方位的學習引導。

學習推薦系統(tǒng)的實現(xiàn)離不開對學習領(lǐng)域知識的建模，尤其是對學習資源和學習者的建模。北京師范大學崔光佐教授提出本體是教育技術(shù)平臺的核心知識；概念重用可以通過教育本體實現(xiàn)[5]。本體是領(lǐng)域知識建模的有效工具。在對課程和學習資源建模的研究中，趙興龍博士實現(xiàn)了課程本體[6]的構(gòu)建，為規(guī)范化課程知識、積累課程教學經(jīng)驗等方面提供了良好的平臺。隨著適應(yīng)性教育超媒體系統(tǒng)的發(fā)展，一些教育技術(shù)標準化組織針對學習者的信息制定了標準規(guī)范，國際上應(yīng)用最廣泛的是PAPI模型[7]和IMS LIP[8]模型，常作為學習者建模的依據(jù)。黃昌勤教授在IMS LIP模型基礎(chǔ)上融入了學習水平、學習目標、學習偏好和當前學習狀態(tài)等參數(shù)，構(gòu)建學習者本體模型[9]用于個性化主動學習系統(tǒng)的實現(xiàn)。這些研究成果為學習領(lǐng)域知識本體構(gòu)建提供了參考依據(jù)。此外，由于學習活動在不斷進行，相應(yīng)的學習者和學習資源也會隨之演變，如果采用本體建模，還可用本體流(Ontology Stream)[10]來表示這種演變的發(fā)展過程。本研究以建構(gòu)主義學習理論為基礎(chǔ)，從學習者學習需求分析、學習者學習資源本體構(gòu)建與演化、學習推薦系統(tǒng)架構(gòu)與功能設(shè)計、系統(tǒng)實現(xiàn)與應(yīng)用等方面展開研究，以期提供可行的技術(shù)方案，促進全方位學習引導的實踐研究。

二、學習推薦系統(tǒng)分析

傳統(tǒng)的e-Learning通常是以教學大綱作為學習者學習進度安排的依據(jù)，這在課程的設(shè)計上是科學合理的，對于完全“零基礎(chǔ)”的課程學習者而言，可以按照大綱的設(shè)置逐步完成學習任務(wù)。雖然學習講究循序漸進，但對于“非零基礎(chǔ)”的課程學習者而言，其所掌握知識的程度和水平差異性大。如果僅按照大綱的設(shè)置順序安排學習任務(wù)可能會因為重復學習而浪費時間，影響學習進度，而且無法突出當前需要學習的重點，從而降低學習者的學習興趣，使學習者迷茫。因此，有必要在學習系統(tǒng)中加強對學習者的引導。對于這一問題，可以在建構(gòu)主義學習理論中找到解決思路。

(一)在線學習者的推薦方式分析

建構(gòu)主義[11]學習理論提出: “情境”“協(xié)作”“會話”“意義建構(gòu)”是學習環(huán)境中的四大要素[12]。學習環(huán)境中的“情境”即狹義的學習環(huán)境，學習者需要處于一個有利于實現(xiàn)學習目標，或有利于學習意義建構(gòu)的氛圍內(nèi)。“協(xié)作”是指學習者對所需學習材料的獲取，階段學習效果的評價等。“會話”是協(xié)作過程必不可少的環(huán)節(jié)，學習者之間必須通過會話商討學習問題和任務(wù)計劃，以及共享學習心得。“意義建構(gòu)”是整個學習過程的最終目標，即要有清晰明確學習目標。將建構(gòu)主義學習理論的思想融入在線學習平臺的設(shè)計中，就是要使平臺能夠為學習者營造良好的學習氛圍，讓學習者能夠快速獲得所需學習資源，能夠與學習好友分享經(jīng)驗，并能夠獲得有利于激發(fā)學習動力的學習路徑安排，從而達到增加學習興趣和提高學習效率的目的[13]。

學習者是學習活動的主體，同時也是在線學習平臺的主要用戶。基于軟件工程的實施步驟，要進行系統(tǒng)升級，要以用戶需求為出發(fā)點。為達到個性化學習推薦的目的，我們以學生所具備的相關(guān)知識程度水平為依據(jù)，分以下兩種情況考慮對目標學習者的推薦方式。

1.對于“零”基礎(chǔ)的目標學習者

根據(jù)其參加在線課程教學大綱的知識序列進行學習安排，再從共同參加課程學習的學習者中，找到他/她的最相似或親密度最高的人員，作為學習好友推薦給目標學習者，使達到能夠與其他學習者進行“會話”的目的，如右圖1所示。

2.對于已具有本課程部分知識的非“零”基礎(chǔ)的目標學習者

在進行課程學習之前，首先了解其已經(jīng)掌握的知識水平，然后在課程里現(xiàn)有的其他學習者中，找到他/她的相似學習者，將相似學習者作為學習好友推薦給目標學習者；同時，將相似學習者所掌握的學習資源以及所經(jīng)歷的學習過程，階段引導式地推薦給目標學習者，如圖2所示。

圖1 “零”基礎(chǔ)目標學習者的學習好友推薦

圖2 非“零”基礎(chǔ)目標學習者的學習好友及學習資源推薦

本研究首先提出一個假設(shè)條件，即：目標學習者進入在線學習平臺開始課程學習之后，所有關(guān)于本課程知識的學習都通過該在線學習平臺完成。這樣假設(shè)是因為，如果學習者通過其他的學習途徑掌握了課程的知識，將影響系統(tǒng)對其學習進度和學習路徑的判斷。

(二)在線學習者知識掌握程度的取值

在學習活動過程中，完成的課程知識點學習次數(shù)越多，對該知識點的掌握程度也越高，即課程中知識點學習的次數(shù)與對該知識點掌握的程度成正比。根據(jù)德國著名的心理學家艾賓浩斯提出的過度學習理論，《教育心理學》中有時使用以下函數(shù)描述學習者對課程知識的掌握程度：

其中x表示課程知識學習次數(shù)，f(x)表示對該課程知識的掌握度，正實數(shù)a與課程所在學科特點相關(guān)，a∈[115,133]。對于在線學習平臺的建設(shè)而言，由于不知道學習者具體參與哪們學科的課程學習，所以統(tǒng)一將a取為平均值120。基于以上函數(shù)，可根據(jù)課程知識點學習的次數(shù)，獲取的課程知識點的掌握程度值如表1所示。

表1 課程知識學習次數(shù)與知識掌握程度值對應(yīng)關(guān)系

在實際應(yīng)用中，每個在線課程的知識點可能對應(yīng)若干學習資源，比如：電子課本、微課、講義、習題等，可以將課程知識點下的每個學習資源算作“1”個學習元單位，完成所有元單位的學習即完成了該知識點的學習，并假設(shè)完成知識點的學習便已經(jīng)掌握了該知識點。學習元單位的完成度與知識點掌握程度之間的對應(yīng)關(guān)系如表2所示。

表2 學習元單位與知識掌握程度對應(yīng)表

學習者對課程知識點掌握程度的取值，根據(jù)學習者的知識基礎(chǔ)，按初學者和已開展學習的學習者分別記錄。

1.對于初學者，在進入在線學習平臺的課程學習之前，先要對其關(guān)于本課程知識的掌握情況進行測評，可以采用試題測驗或問卷形式。

問題一：對于本課程，您對以下知識點的掌握程度是？知識點A □不了解 □基本了解 □基本掌握 □掌握 □完全掌握知識點B □不了解 □基本了解 □基本掌握 □掌握 □完全掌握……知識點N □不了解 □基本了解 □基本掌握 □掌握 □完全掌握

試題測驗或問卷的結(jié)果將計入目標學習者的初始化信息庫中，并作為學習者建模的基礎(chǔ)數(shù)據(jù)。

2.對于已在在線學習平臺開展了課程學習的目標學習者，系統(tǒng)需要監(jiān)控其學習進展，并對其課程知識點學習的完成情況進行統(tǒng)計。對學習者課程知識掌握度的更新是以學習次數(shù)為依據(jù)，根據(jù)表1所列出對應(yīng)值，當對某一知識點的學習次數(shù)達到1次、3次、5次、7次的時候進行掌握程度的變化記錄。課程知識點的粒度可以根據(jù)課程所在學科的特點和實際應(yīng)用需要進行設(shè)置。

根據(jù)以上分析，為了達到實現(xiàn)推薦學習資源或?qū)W習路徑的目標，首先要對學習者、課程進行概念、屬性特征的分析和建模，并根據(jù)學習者模型比較找到目標學習者的相似學習者，再將相似學習者的學習路徑和每階段的學習資源提取出來，完成推薦操作。

三、學習者本體和學習資源本體的構(gòu)建

(一)學習者本體的構(gòu)建

本研究借鑒對學習者描述的標準和研究成果，融合學習者在社交網(wǎng)絡(luò)中的特征，結(jié)合推薦系統(tǒng)的設(shè)計要求，提出了從學習者的基本信息、社交信息、知識狀態(tài)、學習歷程、學習風格等五個方面構(gòu)建學習者本體。其結(jié)構(gòu)如圖3所示。

圖3 學習者本體的特征組成

基本信息：學習者的個人信息，包括姓名、性別、所在單位、出生年月、學歷學位、掌握外語、資格水平、專業(yè)領(lǐng)域、研究興趣等。

學習歷程：記錄了學習者在學習過程中的各種行為信息，包括學習者與系統(tǒng)的交互行為、測試成績和作品信息等。

社交信息：學習者在社交網(wǎng)絡(luò)中的特征信息，如好友關(guān)系、所在社區(qū)或虛擬團隊等。

知識狀態(tài)：反映學習者在一段時間內(nèi)的知識掌握情況，包括已具備的知識基礎(chǔ)、已掌握的領(lǐng)域知識等。

學習風格：學習者在感知、理解和處理信息方面所偏好的模式、方法等，是智能學習系統(tǒng)提供學習內(nèi)容個性化呈現(xiàn)的重要依據(jù)。

1.學習者學習風格模型

為了更好地描述學習者的學習風格， 我們進一步構(gòu)建學習風格子本體。對于學習風格子本體的構(gòu)建，采用了Felder-Silverman學習風格模型[14]作為參照，該模型包括信息加工、感知、輸入、理解等四個維度，每個維度對應(yīng)兩種風格類型。學習風格的初始化是在學習者初次進入系統(tǒng)時實現(xiàn)的，并隨學習者在系統(tǒng)中的學習過程進行調(diào)整。當學習者初次進入系統(tǒng)進行注冊時，系統(tǒng)使用學習風格指標對其進行測試，并在學習過程中，通過觀察學習者的學習行為、分析學習者的日志文件來不斷調(diào)整學習者的學習風格。

2.學習者社交信息模型

學習者的社交信息包括兩個部分：第一部分是學習者在系統(tǒng)使用過程中的交流習慣、好友關(guān)系、所屬虛擬團隊等社交活動信息；第二部分是學習者社交偏好信息。所謂社交偏好信息是指學習者對網(wǎng)絡(luò)社區(qū)的學習資源、網(wǎng)絡(luò)課程、指導教師的偏好，通常采用對學習資源、網(wǎng)絡(luò)課程、指導教師的評分來反映。因為這是學習者在學習交互交流的過程中產(chǎn)生的評價信息，通常是在學習者完成一個學習項目時形成的，進入下一個學習項目后可能會遺忘，而這類信息是反映學習者學習興趣、偏好的一項重要指標。系統(tǒng)可以通過設(shè)置學習者的“項目—評分”表來獲取這些評價信息。

學習者參與網(wǎng)上課程的學習，會隨著學習活動的開展，逐漸接受越來越多的知識點和學習資源，這些知識點和學習資源構(gòu)成了學習者自身的知識體系。隨著學習活動的進行，引起的學習者本體的部分屬性也在變化，我們根據(jù)離散的時間節(jié)點記錄這些變化的版本。

(二)學習資源本體的構(gòu)建

在學習推薦系統(tǒng)中設(shè)置學習資源本體。學習資源是指學習者在學習過程中所閱讀的參考文獻、課件、題庫等。所謂學習資源本體，即是對學習資源所進行的語義描述，其邏輯關(guān)系基于學習者所學的知識結(jié)構(gòu)體系，比如教學大綱、課程提綱、主講教材或講義目錄等，語義節(jié)點之間通過知識點的繼承、泛化、組合等關(guān)系相關(guān)聯(lián)。此外，由于學習資源并非一成不變，所以需要給學習資源本體設(shè)定一個變化機制，即根據(jù)課程的主講教材或講義目錄章節(jié)知識的進階逐步積累而動態(tài)形成。學習資源本體各知識節(jié)點上的對象實例即對應(yīng)實際上的學術(shù)資源。在學習推薦系統(tǒng)的實際應(yīng)用中，并非所有知識點上的學習資源都能非常有效地促進相應(yīng)知識點的學習，因此為每個學習資源增加一個分值屬性，學習者在利用學習資源開展學習的過程中，同時給所學的學習資源對于當前的知識點的有效作用程度按5分制進行評分。

(三)學習資源本體和學習者本體的更新

在學習推薦系統(tǒng)中，包含了學習者本體和學習資源本體。學習者本體描述了學習者的特征屬性，學習資源本體描述了系統(tǒng)中學習資源的特征屬性。在開展學習的過程中，學習者不斷地使用和評價系統(tǒng)中的學習資源。同時，學習者自身的知識結(jié)構(gòu)也在隨之發(fā)生變化。系統(tǒng)通過學習者本體和學習資源本體的概念演變和標注更新來達到這一動態(tài)的效果。

在學習者本體和學習資源本體初始構(gòu)建完成后，根據(jù)系統(tǒng)中學習資源情況對學習資源本體進行語義標注，注明各類學習資源實例。隨著學習者學習活動的開展，學習者本體和所學課程的學習資源本體也會隨時間推移發(fā)生變化。首先是學習者的學習風格變化，學習者的學習風格會隨著學習活動的開展不斷調(diào)整；其次是所使用學習資源發(fā)生變化，所使用的學習資源會隨著學習的推進而不斷增多。從發(fā)展趨勢來看，學習者的知識結(jié)構(gòu)將會沿知識點逐步形成一個樹狀的層次結(jié)構(gòu)。反映到學習者本體的更新方面，為了保證所有學習者本體的變化在結(jié)構(gòu)上是一致的，首先要對學習資源本體概念進行引用。學習者本體Ol對學習資源本體Or的概念引用定義如下：

定義 設(shè)Cl(T)，Cr(T)分別表示T時刻學習者本體Ol和學習資源本體Or中的概念集，cr表示Or中的概念，即cr∈Cr(T)。

若cr∈Cl(T)，則T+1時刻Ol中的概念集為：Cl(T+1)=Cl(T)。

在引用學習資源本體后，再根據(jù)T時刻學習資源本體的實例標注更新學習者本體學習資源類的語義標注，完成學習者本體的更新。隨著時間的推進，學習活動在時間軸上留下了若干快照，組成了按時間排序的學習者本體集合。對應(yīng)的學習活動可以產(chǎn)生兩個時序本體流，一個是學習者本體流，另一個則是學習資源本體流。從一個較長的時間段來看，學習資源本體流的結(jié)構(gòu)是相對穩(wěn)定的，因為學習資源的類型和數(shù)量在系統(tǒng)中不會頻繁大幅度增減，但會隨著學習者的學習活動開展而調(diào)整評分值。在某一個時間Ti，兩個本體流的本體快照Ox(Ti),之間具有對應(yīng)的邏輯聯(lián)系。

對于時間軸上的某一點Ti，學習者本體流處于Ol(Ti)快照時，必然存在有對應(yīng)的學習資源本體流快照Or(Ti)，Or(Ti)便反映了學習者在Ti時間點已經(jīng)使用或者正在使用的全部學習資源。

四、基于本體的學習推薦系統(tǒng)結(jié)構(gòu)和功能設(shè)計

(一)學習推薦系統(tǒng)結(jié)構(gòu)

本文提出的學習推薦系統(tǒng)建立在學術(shù)社交網(wǎng)絡(luò)平臺上，學習者同時也是學術(shù)社交網(wǎng)絡(luò)平臺的用戶。系統(tǒng)的主要功能模塊包括“本體處理模塊”和“推薦模塊”，并基于學術(shù)社交網(wǎng)絡(luò)，系統(tǒng)結(jié)構(gòu)如圖4所示。

圖4 社交網(wǎng)絡(luò)下基于本體的學習推薦系統(tǒng)結(jié)構(gòu)

1.本體處理模塊。具有本體構(gòu)建、本體引用、本體流生成、本體流存儲、本體流知識提取的功能。本體構(gòu)建功能：根據(jù)學習者的基本信息、社交信息、知識狀態(tài)、學習歷程、學習風格等五類信息進行本體構(gòu)建；本體引用功能：根據(jù)學習者的學習進度，從學習資源本體中引用相應(yīng)的知識點實例，用于新版本學習者本體的生成；本體流生成功能：監(jiān)控學習者的學習進度，根據(jù)知識點完成情況調(diào)整學習者本體和所使用學習資源本體，實現(xiàn)學習者本體、學習資源本體隨學習活動開展演化，并記錄演化的時間，進而形成學習者本體流。本體流存儲功能：存儲學習者本體流，并保存本體流快照之間的關(guān)聯(lián)信息；本體流知識提取功能：根據(jù)所存儲本體流快照之間的關(guān)聯(lián)信息，提取所表示的邏輯知識。

2.學習推薦模塊。學習推薦模塊具有本體相似度計算、學習好友推薦、學習資源及學習路徑推薦功能。本體相似度計算功能：用于計算學習者本體之間的相似度；推薦功能：根據(jù)得到的相似學習者本體，查找學習好友，并提取學習資源進行推薦。推薦模塊的核心功能是“學習好友推薦”，實現(xiàn)學習好友推薦的思路是：目標學習者進入系統(tǒng)后，由本體處理模塊構(gòu)建目標學習者本體，然后由本體相似度計算模塊計算目標學習者本體與系統(tǒng)本體庫中現(xiàn)有的學習者本體流快照的相似度，找到相似的學習者本體流快照集合，將相似學習者本體對應(yīng)的學習者作為目標學習者的學習好友，再將學習好友的學習資源和學習路徑推薦給目標學習者。

3.提供學習服務(wù)的社交網(wǎng)絡(luò)

提供學習服務(wù)的社交網(wǎng)絡(luò)除了提供在線課程外，還具有學習監(jiān)控、知識程度判定、學習資源庫管理等功能。其中，學習監(jiān)控功能是用于對社交網(wǎng)絡(luò)中學習者的學習進度進行監(jiān)控，當發(fā)現(xiàn)學習者完成某階段的學習，便觸發(fā)本體處理模塊中的本體引用功能；知識程度判定功能用于初始判定學習者的知識掌握程度，如果是該課程“零”基礎(chǔ)學習者，則根據(jù)課程大綱推薦學習資源和學習路徑；如果是非“零”基礎(chǔ)學習者，則根據(jù)其學習好友推薦學習資源和學習路徑。

(二)學習者本體流的更新頻率管理

隨著學習的推進，學習者本體將不斷更新，產(chǎn)生多個版本的本體，學習者本體流也會不斷擴大。如果過于頻繁記錄學習者的每次學習活動，則有可能產(chǎn)生太多版本的本體，增加本體相似度計算的負擔；而如果記錄間隔時間太長，又可能忽略最相似的學習者本體，影響推薦的準確度。假設(shè)學習者在系統(tǒng)中未進行任何學習活動，學習者本體不需要更新；而學習者完成了一個知識點的學習，學習者本體必須要更新。設(shè)u為本體更新頻率閾值，根據(jù)以下公式取值：

上式中，k表示完成某個知識點學習資源的個數(shù)，R表示該知識點學習資源的總數(shù)，u的取值范圍在[0,1]之間，具體根據(jù)系統(tǒng)實際運行情況調(diào)整。

(三)相似學習者查找及學習推薦

1.相似學習者查找

相似學習者查找是通過計算學習者本體的相似度實現(xiàn)的。本研究采用了本體語義相似度計算方法[15]，分別計算本體的屬性相似度Simproperty(O1,O2)和結(jié)構(gòu)相似度Simstructure(O1,O2)，再將兩種相似度組合計算。組合計算公式如下：

上式中，f1、f2是兩類相似度各自所占的權(quán)值。

2.學習推薦的實現(xiàn)

設(shè)目標學習者為A，對應(yīng)的本體為OA，相似學習者為B。在實際應(yīng)用中，與OA相似的學習者本體集合可能是系統(tǒng)中學習者過去某個時間的本體流快照，設(shè)為{OB(ti)}，由于本體流存在時序特征，所以學習推薦系統(tǒng)按照以下方式實現(xiàn)推薦功能：

(1) 將相似學習者本體對應(yīng)的學習者作為學習好友，推薦給目標學習者。

(2) 將相似學習者本體中所描述的學習資源實例推薦給目標學習者。實現(xiàn)過程是：提取相似學習者本體OB(ti)中對應(yīng)的學習資源實例信息，然后找到相應(yīng)學習資源所在的路徑，并將其推薦給目標學習者。

(3) 將相似學習者本體的下一個版本本體的學習資源實例推薦給目標學習者。實現(xiàn)過程是：根據(jù)最相似學習者本體OB(ti)的下一版本信息，找到下一個版本的本體OB(ti+1)，然后提取其對應(yīng)的學習資源實例信息，并將其推薦給目標學習者。

以上三項推薦內(nèi)容，分別對應(yīng)學習好友、學習資源和學習路徑，能夠為學習者提供更加豐富和全面的學習引導信息。

五、基于本體的學習推薦系統(tǒng)實現(xiàn)

(一)學習者本體與學習資源本體

根據(jù)上述介紹的方法，整合各類信息模型，再進行手工修訂，使用Protégé生成學習者本體模板。通過提取系統(tǒng)數(shù)據(jù)庫用戶表中的數(shù)據(jù)，自動生成學習者本體文件，如圖5所示。

圖5 學習者本體模板

學習資源本體除了描述資源的基本屬性外，還需要添加資源實例的地址、文件類型、版本號、用戶評分值等其他信息。學習資源本體也通過Protégé生成，其片段如圖6所示。

圖6 學習資源本體片段

(二)學習推薦系統(tǒng)在課程平臺上的運行界面

基于以上所述分析和設(shè)計，本研究實現(xiàn)了基于本體的學習推薦系統(tǒng)(OLRS，Ontology-based Learning Recommended System)。在學術(shù)社交網(wǎng)絡(luò)“學者網(wǎng)(Scholat.com)”的課程平臺下開發(fā)相應(yīng)的功能，并利用學者網(wǎng)用戶及真實學習數(shù)據(jù)為系統(tǒng)作運行測試，如圖7和圖8所示。

圖7 Scholat網(wǎng)絡(luò)課程首頁

圖8 學習者學習空間

六、基于本體的學習推薦系統(tǒng)應(yīng)用效果分析

本系統(tǒng)以學者網(wǎng)課程平臺中的《C語言程序設(shè)計》課程數(shù)據(jù)為實驗數(shù)據(jù)。到2015年5月，已有525名學習者參與了該課程學習，學習者包括2013、2014、2015級三個年級。應(yīng)用實驗選取其中441名學習者作為學習者本體流訓練數(shù)據(jù)集，將2015級的兩個班級作為測試學習者數(shù)據(jù)集(其中A班45人，B班45人)。A班按照原課程安排開展學習，B班在OLRS支持下開展學習。我們對A、B兩班學生約8周(共53天)的在線學習情況進行了統(tǒng)計。

為了檢驗在OLRS下開展學習是否有利于學習者的學習專注和持久度，我們首先對A和B兩個班級學生在線持續(xù)學習時間進行了對比分析。以周為單位，A和B兩個班級學生平均登錄系統(tǒng)次數(shù)和在線時間長度如圖9和圖10所示。

圖9 A、B兩班學生每周人均登錄次數(shù)對比(單位：次)

圖10 A、B兩班學生每周人均在線時長對比(單位：分鐘)

圖9和圖10顯示了B班學生可以保持較長的學習時間，說明在OLRS下的學習粘度較好。此外，我們對A和B兩班學生學習進度進行了對比，如圖11所示。

圖11 A、B兩班學生的學習進度對比(單位：天)

從圖11中數(shù)據(jù)可以看出：在OLRS下開展學習的B班學生課程學習進度比較快，而且在學習初期的完成進度增長速率高，后期的完成進度也比較平穩(wěn)；A班學生在學習開展到三周至五周的時候進度降低，這是因為課程難度加大，而相比之下B班學生在這一階段的完成情況受到的影響較小。通過訪談了解，B班學生認為在OLRS下開展學習的體驗更加豐富，能夠快速找到可交流的學習伙伴和有價值的學習資源，在學習進度方面能夠獲得更多的參考信息，有助于更順利開展學習活動。

七、結(jié)束語

學習推薦是在線學習平臺的一個重要功能，對提高學習者的學習興趣、促進學習資源的充分利用，提升在線課程的完成率等方面具有積極的作用，具有較強的應(yīng)用價值。本研究對社交網(wǎng)絡(luò)下在線學習平臺中的學習者特征進行分析，構(gòu)建了學習者本體，引入時序概念，形成了學習者本體流；基于建構(gòu)主義學習理論分析了在線學習者的需求，結(jié)合本體語義相似度計算方法，設(shè)計了學習推薦系統(tǒng)架構(gòu)；基于Scholat的在線課程平臺，設(shè)計和實現(xiàn)了一個基于本體的學習推薦系統(tǒng)。通過應(yīng)用實驗，表明該學習推薦系統(tǒng)在學習好友、學習資源、學習路徑的推薦方面能夠達到較好效果。本研究借鑒社交網(wǎng)絡(luò)中協(xié)同過濾的思想，強調(diào)了學習的示范效應(yīng)，系統(tǒng)中的學習者同時也是學習經(jīng)驗傳播者，為智能化在線學習提供了一個新視角。

[1] MOOC Completion Rates : The Data[EB/OL]: http://www.katyjordan.com/MOOCproject.html, 2015-06-01.

[2] 趙蔚, 姜強等. 本體驅(qū)動的e-Learning知識資源個性化推薦研究[J].中國電化教育, 2015, (5):84-89.

[3] 徐彬, 楊丹等. 基于學習者行為特征的MOOCs學習伙伴推薦[J]. 計算機科學與探索, 2014,(1):71-79.

[4] 趙呈領(lǐng), 陳智慧, 黃志芳. 適應(yīng)性學習路徑推薦算法及應(yīng)用研究[J].中國電化教育, 2015,(8):85-91.

[5] Cui Guangzuo, C.F.C.H., OntoEdu: A Case Study of Ontology-based Education Grid System for E-Learning[DB/OL]. http://wenku.baidu.com/link?url=X3MCrHQ7VumykuH8AN1QA985GQkUIuAYeUt3t9T d2t3_lPTmXXbvhcAamK1HHX20aSMMxsunRGNFFscmOy5jCChTG hVX1-1k8CNSdF57Mpm,2011-8-27.

[6] 趙興龍, 楊開城. 論課程本體[J]. 中國電化教育, 2006, (12):5-9.

[7] IEEE Learning Technology Standards Committee (LTSC). PAPI Learner Model[DB/OL].http://citeseerx.ist.psu.edu/showciting?c id=267171,2015-11-14.

[8] IMS.IMS Learner Information Package[EB/OL].http://www.imsproject.org, 2015-06-10.

[9] 黃昌勤. 網(wǎng)絡(luò)課程資源支持下基于語義Web的個性化主動學習服務(wù)研究與實現(xiàn)[J]. 電化教育研究, 2012, (3):49-55.

[10] Yuan Ren and Jeff Z. Pan. Optimising ontology stream reasoning with truth maintenance system[DB/OL]. http://www.academia.edu/2744983/Optimising_ontology_stream_reasoning_with_truth_maintenance_system,2015-12-11.

[11] 溫彭年, 賈國英. 建構(gòu)主義理論與教學改革——建構(gòu)主義學習理論綜述[J]. 教育理論與實踐, 2002, (5):17-22.

[12] 陳琦, 張建偉. 建構(gòu)主義學習觀要義評析[J]. 華東師范大學學報(教育科學版), 1998, (1):61-68.

[13] 王竹立. 新建構(gòu)主義教學法初探[J]. 現(xiàn)代教育技術(shù), 2014, 24(5):5-11.

[14] Barbara A. Soloman，Richard M. Felder. Index of Learning Styles Questionnaire[EB/OL]. http: / /www. engr. ncsu.edu /learningstyles /ilsweb.html,2015-09-16.

[15] 吳正洋,湯庸等.一種基于本體語義相似度的協(xié)同過濾推薦方法[J].計算機科學,2015,42(9):204-207.

責任編輯：趙興龍

Research on Learning Recommendation System and Its Implementation on Academic Social Networks

Wu Zhengyang1, Tang Yong1, Huang Changqin2, Huang Yonghang1, Ding Rui1
(1.School of Computer, South China Normal University, Guangzhou Guangdong 510631; 2.School of Information Technology in Education, South China Normal University, Guangzhou Guangdong 510631)

Learning Recommended System supports the fast access to learning materials and resources for learners, while social networks can rich online learners’ interaction and behaviors, so that to promote learning efficiency. Considering the learners’ basic properties, learning pattern, environment and other factors, we used the ontology technology, combined with filtering algorithm based on the constructivism learning theory; eventually we proposed a learning recommendation system architecture and functionality on the academic social network. We constructed learners’ ontology to strengthen its characterization, and manage the learners’ ontology stream which generated during learning process; we proposed a mechanism to find similar learners based on the ontology semantic similarity. Using the scholar social website Scholat, we designed the ontology-based learning recommended system and implemented to get the effective combination of interaction. Finally, an experiment of course learning is put into practice, the result shows that the system can recommend more effective learning resources, guide the learning progress, and improve learning efficiency.

Learning Recommendation Systems; Academic Social Networks; Ontology Engineering; Constructivism

G434

：A

1006—9860(2016)03—0075—07

吳正洋：博士，高級工程師，研究方向為協(xié)同計算與教育信息化、本體論與知識工程(wukeking@163.com)。

湯庸：博士，教授，博士生導師，研究方向為社交網(wǎng)絡(luò)與大數(shù)據(jù)應(yīng)用、時態(tài)數(shù)據(jù)與協(xié)同計算(ytang4@qq.com)。

黃昌勤：博士，教授，博士生導師，研究方向為網(wǎng)絡(luò)新技術(shù)及其教育應(yīng)用、教育信息化工程(cqhuang@scnu.edu.cn)。

2015年12月29日

* 本文受國家自然科學基金項目“基于形式概念分析的描述邏輯本體構(gòu)建理論與方法”(項目編號：61272066)資助。