基于情境的個性化學習云服務推薦模型研究

袁小艷

（四川文理學院 計算機學院，四川 達州 635000）

基于情境的個性化學習云服務推薦模型研究

袁小艷

（四川文理學院 計算機學院，四川 達州 635000）

云服務的發展引起了信息爆炸，導致個性化云服務推薦備受歡迎，學習云服務推薦也是如此。論文以探索云服務推薦為目標，在分析個性化學習者模型、個性化情境模型和服務模型的基礎上，構建了個性化學習云服務推薦模型，引入了一種面向情境的基于SLOPE ONE的協同過濾推薦算法，通過計算服務的相異性來推薦云服務，并采用多種推薦手段推薦云服務。論文研究的目的是為了推進個性化云服務推薦技術的發展。

個性化；情境；云服務；推薦；模型

隨著云計算的迅猛發展，學生學習的資源和方式越來越多，學生也越來越不滿足于課堂上所學知識。如何讓學生用最少的時間和精力，在海量的學習信息里找到滿意的學習資源和學習方法，是一個急需解決的問題。個性化云服務是數據海洋的領航員［1］，在其基礎上進行推薦便可解決上述問題，以提高學生的學習效率和學習興趣。

在現在的網絡學習環境中，大多都是被動地滿足學生的學習需求，而不是主動地分析學生的個性化需求、感知學生的學習情境，并主動地提供適合每一位學生的學習資源、學習路徑和學習方法［2］，實現這些功能的核心技術之一就是學生學習興趣的提取和學習情境的感知。本文將學生的學習行為、學習風格、學習興趣和學習情境融入到云服務推薦中，采用多種方式向學生推薦合適的學習服務，并對主要的模型進行了闡述。

1 個性化學習

個性化學習，顧名思義，就是學習要有每個人的特征、特性，而不是共性，它是以反映學生個性差異為基礎［2］，以促進學生個性發展為目標的學習范式。每個學生都是與眾不同的，有自己獨特的天賦特性、偏好和天生優勢，也有不同于別人的弱點。解決學生的學習問題，應該用個性化的方法去適應學習上的要求。構建個性化學習方案是幫助學生迅速提高學習效率和成果的一種有效工具。

個性化學習，承認學生間的個體差異，需要為學生量身定制不同于別人的學習策略、學習路徑和學習方法，而不是給學生強制指定統一的學習材料、學習評價方法和學習指導。為了給學生更多的個性發展空間，應給予學生多樣化的學習內容、彈性化的學習結構、多元化的學習評價方法和差異化的學習指導［2］，讓學生在最大程度上自主控制自己的學習行為。

2 個性化學習者模型

學習者模型是個性化學習的重要內容，它表示學生所有的學習行為和知識，將學習者的學習特征、學習興趣、學習目標、學習風格和學習態度模型化。學習者模型是學習者心理和生理的抽象，為個性化學習云服務推薦提供決策支持［1］。學習者的學習特征、學習興趣等內容都從學生的網絡學習行為中提取，可以直接提取，如注冊時的興趣信息，也可以間接提取，如從學生的瀏覽行為、消費記錄、服務分享等提取出學習興趣、學習風格等信息。個性化學習者模型的表示方法有多種，如基于向量空間模型方法、基于本體的表示方法、有向圖的表示方法和高級學習者模型（ALM）表示方法，其中ALM表示法最全面，用語義和關鍵詞的方法表示出了學習者的學習興趣、知識水平和認知能力。

本文的個性化學習者模型以ALM模型為基準，進行了相應的優化，從基本信息、學習風格、知識水平、認知能力和學習基本情況等5個方面進行描述，表示為以下五元組。

定義1：PSM=（BI，LS，KI，CA，FS），其中BI是基本信息，LS是學習風格，KI是知識水平，CA是認知能力，FS是學習基本情況。

定義 2：BI=（ID，Name，Sex，PWD，IDNum，Language，Phone，Address，Post，School，EduBakg，Career），依次是ID、姓名、性別、密碼、身份證號、語言、電話、地址、郵箱、學校、學歷和專業。

定義3：LS=（LC，SW，ST，XC，RT，RO，RP，TT），依次是學習內容興趣、學習方式興趣、學習工具興趣、學習策略興趣、資源類型興趣、資源組織方式興趣、資源呈現方式興趣、學習時間興趣。

定義 4：LC=（＜lc1，v11＞，＜lc2，v12＞，…＜lci，v1i＞，…，＜lcn，v1n＞），lci是學生學習的第i個興趣，v1i是其所占比例值。

定義5：SW=（＜sw1，v21＞，＜sw2，v22＞，…＜swi，v2i＞，…，＜swn，v2n＞），swi是學生喜歡的第i種學習方式，v2i是其所占比例值。

定義 6：ST=（＜st1，v31＞，＜st2，v32＞，…＜sti，v3i＞，…，＜stn，v3n＞），sti是學生喜歡的第 i種學習工具，v3i是其所占比例值。

定義7：XC=（＜xc1，v41＞，＜xc2，v42＞，…＜xci，v4i＞，…，＜xcn，v4n＞），xci是學生喜歡的第 i種學習策略，v4i是其所占比例值。

定義8：RT=（＜rt1，v51＞，＜rt2，v52＞，…＜rti，v5i＞，…，＜rtn，v5n＞），rti是學生喜歡的第i種資源類型，v5i是其所占比例值。

定義9：RO=（＜ro1，v61＞，＜ro2，v62＞，…＜roi，v6i＞，…，＜ron，v6n＞），roi是學生喜歡的第i種資源組織方式，v6i是其所占比例值。

定義10：RP=（＜rp1，v71＞，＜rp2，v72＞，…＜rpi，v7i＞，…，＜rpn，v7n＞），rpi是學生喜歡的第i種資源呈現方式，v7i是其所占比例值。

定義11：TT=（＜tt1，v81＞，＜tt2，v82＞，…＜tti，v8i＞，…，＜ttn，v8n＞），tti是學生喜歡的第i個學習時間段，v8i是其所占比例值。

定義12：KI=（＜lc1，l1＞，＜lc2，l2＞，…＜lci，li＞，…，＜lcn，ln＞），lci是第i種學習興趣，li是其掌握程度，其值為0、1、2、3、4，分別代表未學習、了解、掌握、應用、熟悉。

定義 13：CA=（＜ca1，k1＞，＜ca2，k2＞，…＜cai，ki＞，…，＜ca8，k8＞），cai是第i種認知能力，分別是記憶、歸納、觀察、分析、抽象、計算、想象和邏輯推理［2］，ki是其掌握程度，其值在 0-1之間。

定義14：FS=（Plan，Status，Time，Legacy），依次是學習計劃、學習完成狀態、學習總的時間、學習效果，均用語言描述。

3 個性化情境模型

情境是普適計算研究的熱點［3］，它是指人、物或環境的狀態信息，相同的學生在不同的情境下采用的服務也可能不盡相同［3-5］，所以推薦個性化學習服務不僅僅要考慮用戶興趣，還要考慮情境。現有的很多情境研究都加入了用戶情境，但學習服務更側重于學生的學習風格等信息，所以本文研究的情境不加入學生信息，只包含平臺情境和網絡情境［5］，表示為以下二元組。

定義 15：SitInfo=（PlatInfo，NetInfo），PlatInfo是平臺情境信息，NetInfo是網絡情境信息。

定義16：PlatInfo=（PlatID，Place，HDevice，SDevice，NDevice），依次是能平臺的唯一標識ID，Place是位置，HDevice是硬件設備，SDevice是軟件設備，NDevice是網絡設備。

定義17：NetInfo=（Cyber，NWidth，NDelay，NSecurity），Cyber是聯網方式，其值為3G、FixedLine、WireLess之一，NWidth是網絡帶寬，NDelay是網絡延遲，NSecurity是網絡安全性。

4 服務模型

隨著WEB2.0的快速發展，高內聚、低耦合的服務越來越多，云服務也處處可見，如何描述服務是一個研究熱點。本文的學習服務采用語義［4］的方式表示，如下所示：

定義18：SS=（FQOS，QOS），FQOS是服務功能，QOS是服務質量。

定義19：FQOS=（SType，SName，SFunction，SOpera，IOData，SNote），SType是服務類型，SName是服務名稱，SFunction是服務功能，SOpera是服務操作名稱，IOData是服務輸入輸出數據定義，SNote是服務注釋信息。

定義20：QOS=（SPrice，STime，SAvaila，SSuccess，SSecurity，SEvaluate，Sinter，SAfter，SAddress）SPrice是服務價格，STime是服務響應時間，SAvaila是服務可用性，SSuccess是服務成功率，SSecurity是服務安全性，SEvaluate是服務評價平均值，Sinter是服務交互性，SAfter是售后服務，SAddress是服務位置。

5 個性化學習云服務推薦模型

隨著云服務的廣泛應用，以用戶為引導、感性和理性共存的云服務市場已逐步形成［6］。如何讓學生快速的在“過載的云服務”中找到功能性需求和非功能性需求并存的云服務，是本文需要研究的內容。本文在個性化學習者模型、個性化情境模型和服務模型的基礎上，建立了一個個性化學習云服務推薦模型，具體如圖1所示。

圖1中將模型分為了3個層次，平臺層、服務層和應用層。平臺層主要使用Hadoop平臺，采用云服務架構中的分布式文件系統HDFS存儲各種信息，如學習者的個性化信息、各種情景信息、各種學習服務信息［7］，然后通過MapReduce計算出相應的個性化學習者模型、情景模型和學習服務模型。服務層在平臺中的3個模型的基礎上，采用多種推薦引擎進行推薦服務，如基于用戶的推薦、基于服務的推薦、基于情境的推薦和基于語義相似度的推薦，并在此基礎上提供推薦服務接口。應用層實現推薦服務的應用，有多種推薦服務，如學習內容推薦、學習方法推薦、學習路徑推薦、智能答疑推薦、虛擬實驗室推薦、協作學習小組推薦、人氣服務推薦等多種推薦服務。

圖1 個性化學習云服務推薦模型Fig.1 Personalized learning cloud service recommendation model

此模型推薦引擎中的推薦算法不再僅僅限于服務功能需求，現在還需要提高到服務質量（QOS）需求層面。為了解決這個問題，現有的研究均將協同過濾方法引入到推薦系統中，但現有的協同過濾推薦算法均計算的相似性，計算的復雜度過高。本文引入一種面向情境的基于SLOPE ONE［8］的協同過濾推薦算法，用于計算服務的相異性，具體步驟如下：

步驟1使用學習服務的學生提交云服務請求。

步驟2根據學生的個性化學習模型，使用云服務發現機制，在大量的云服務模型中篩選出滿足學生需求的候選服務群。

步驟3通過MapReduce提取出學生個性化情境模型。

步驟4計算3維推薦空間的訓練數據的相異性，找到相異性服務。

定義21：三維推薦空間TD的3個維度分別是用戶U、位置P和服務M，q（u，p，m）是用戶u使用位置p的服務s的QOS屬性值，如果用戶u沒有使用過位置p的服務m，則q（u，p，m）=0。三維推薦空間如圖2所示。

定義22：服務m和服務n*空間的相異性計算公式如下：

其中|U（m）∩U（n*）|表示調用了服務m和服務n*空間的用戶數量，gu，m是用戶u調用服務m的QOS屬性值，gu，n*是用戶u調用服務n*空間的QOS屬性值。

圖2 三維推薦空間Fig.2 Three-dimensional recommended space

步驟5計算用戶u調用服務m的預測QOS屬性值，公式如下：

其中，gu*是用戶u*空間所有評過分的服務評分平均值，|Gu*|是用戶u*空間除去服務m的所有評分數目。

步驟6根據預測值向學生推薦最優的k個候選學習云服務。

6 結束語

云服務作為云計算環境下建立分布式系統的流行技術之一，而備受關注，它的成功給廣大的技術人員和研究人員帶來了全新的挑戰，其中學習云服務的推薦更是備受學生和教師的關注。在“數據過盛”［8］和“知識匱乏”的矛盾下，加大了學生及時獲取有用學習服務的難度，云服務推薦技能解決這一難題。本文將學生的個性化學習習慣、情境等帶入了云服務推薦技術，并構建了一個個性化學習云服務推薦模型，使用服務的相異性計算進行推薦，但此模型還不成熟，情境的使用還不全面。在后續的研究工作中還需要進一步將情境引入云服務推薦進行研究，為云服務推薦應用奠定一定的基礎。

［1］姜有輝.個性化學習服務模型研究［D］.天津：天津師范大學，2006.

［2］王吉林.基于定制服務的個性化學習系統的設計與實現［D］.武漢：華中師范大學，2014.

［3］古凌嵐.基于情境的Web服務推薦方法 ［J］.計算機工程與設計，2014，35（3）:1115-1121.

［4］楊岳明，陳立潮，謝斌紅，等.基于用戶情境聚類的Web服務發現方法研究 ［J］.計算機工程與設計，2012，33（4）: 1442-1446.

［5］佘其平.基于用戶情境的服務組合推薦方法研究［D］.武漢：武漢理工大學.2012.

［6］劉平峰，張慧，章佩露.面向用戶均衡需求的Web服務資源智能推薦方法［J］.計算機應用研究，2012（9）:3224-3228.

［7］王萍，劉玲.基于PaaS云模式的學習推薦系統研究［J］.中國教育信息化，2013（3）:79-81.

［8］謝琪.基于協同過濾與QoS的個性化Web服務推薦研究［D］.重慶：重慶大學，2012.

The cloud service recommendation model of personalized learning based on situation

YUAN Xiao-yan
（College of Computer，Sichuan University of Arts and Science，Dazhou 635000，China）

The development of cloud service caused the information explosion，so the personalized recommendation of cloud services has been very popular，the same of the cloud services recommend of learning.Thesis to explore cloud services recommendation as the goal，constructs the individualized learning cloud service recommendation modelbased on the analysis of individual learners model，personalized situation model and service model，introduces analgorithm of collaborative filtering recommendation based on SLOPE ONE to face situation，to recommend cloud services through computing the opposite sex of services，and adopt a variety of methods to recommend cloud services.The purpose of the thesis is to promote the development of personalized cloud service recommendation technology.

personalized；situation；cloud services；recommendation；model

TN-9

A

1674－6236（2016）04-0039-03

2015-04-27 稿件編號：201504289

四川省教育廳一般項目（15ZB0318）；四川文理學院一般項目（2014Z012Y）

袁小艷（1982—），女，重慶永川人，碩士，講師。研究方向：軟件技術及開發、云服務、知識工程。