融合文化和時間的學習資源推薦研究

高曉波+方獻梅

摘要：大數據環境下，從海量學習資源中為學習者提供個性化的資源推薦服務可提高學習效率。考慮到不同區域的人具有不同的文化背景，人們對事物的喜好具有區域性，以及提供個性化推薦通常面臨數據稀疏和冷啟動的問題，提出使用因子分解機，綜合考慮學習者的知識基礎、興趣、文化和時間因素，借助學習者所處區域的文化背景，選出與其有相同或相似文化背景的學習者，并結合學習者最佳學習時間及學習體系結構，以提高個性化學習資源推薦的質量。實驗結果表明，該方法在一定程度上提高了推薦準確率。

關鍵詞：學習資源；個性化學習；因子分解機

DOIDOI：10.11907/rjdk.171135

中圖分類號：TP319

文獻標識碼：A 文章編號：1672-7800（2017）006-0063-03

0 引言

隨著通信技術的發展和移動終端的普及，移動學習已成為現實。移動學習讓學習者可以隨時隨地按需學習，實現個性化學習。如今網絡上的學習資源越來越多，學習者在大量的信息空間中，很難找到所需要的、對自己有幫助的學習資源，而且網絡上的教學資源水平參差不齊，學習者要花費大量時間和精力進行甄別選擇，這無疑會降低學習者的學習效率，甚至影響學習者的學習興趣。從海量學習資源中挖掘出用戶感興趣的學習資源并進行個性化推薦，有助于提高學習者的學習效率。

推薦系統通過挖掘用戶與項目之間的二元關系，幫助用戶從海量數據中便捷發現其感興趣的對象并生成個性化推薦列表以滿足其興趣偏好[1]，主要應用于電子商務領域。但知識的構建過程有別于消費過程，學習資源推薦也就有別于商品推薦，課程學習具有其知識體系結構，遵循由易到難、循序漸進等固有的規律，因而學習推薦不能僅從學習者的偏好進行推薦，還需考慮各知識點的銜接順序、學習者的學習背景，故學習資源推薦較網上購物推薦更為復雜。本文引入因子分解機，結合學習者的年齡、學習者所處位置、時間、學習資源屬性等因素，實現向學習者在適當的時間、地點推薦適當的學習資源，并有效緩解數據稀疏問題，提高學習資源推薦的質量和效率。

1 文獻綜述

個性化推薦用于解決大數據環境下的信息過載問題。個性化推薦技術主要有基于內容的推薦、基于規則的推薦、協同過濾推薦和混合推薦。基于內容的推薦需要分析資源內容信息，根據資源內容與用戶興趣的相似性為用戶提供推薦，性能較低、準確率不高。基于規則的推薦技術挖掘項目間的關聯規則和用戶間的關聯規則并保存，然后通過保存的這些規則為當前用戶提供推薦，隨著事務的增加，規則的發現非常耗時。協同過濾推薦技術最早出現于Tapestry系統[2]，用于過濾郵件。協同過濾分為基于用戶的協同過濾和基于項目的協同過濾，前者認為如果用戶對一些項目的評分相似，則對其它項目的評分也相似；后者認為用戶對不同項目的評分存在相似性，當需要估計用戶對某個項目的評分時，可以使用用戶對該項目的若干相似項目的評分來進行估計。協調過濾存在數據稀疏和冷啟動問題。混合推薦就是綜合兩種或兩種以上推薦技術，盡量利用不同推薦算法的優點并避免其缺點，來取得更好的推薦效果。高曉波等[3]將信任和因子分解機結合，進行商品推薦。

個性化推薦在教育領域的應用已引起不少研究者的關注。吳正洋等[4]利用協同過濾技術，依托學術社交網絡平臺，實現社交網絡環境下基于本體的學習推薦，結果表明，使用推薦的學習者的學習專注度和持久度較高。李保強等[5]分析學習資源和知識本體的關聯，以及用戶與學習資源的關聯，形成用戶-學習資源-知識間的關聯矩陣，使用混合協同過濾對學習者進行個性化推薦。丁永剛等[6]利用協同過濾算法，融入學習者之間的信任度，進行學習資源的推薦。鄂海紅等[7]把時間上下文信息引入到協同過濾算法，將借閱時間作為推薦的上下文維度，實現基于圖書借閱數據上的學生學習興趣挖掘與推薦。楊麗娜等[8]從服務、情境、資源和技術4個維度分析影響用戶偏好建立的因素，以提升泛在學習服務的個性化和智能化水平。

2 影響因素分析

2.1 文化差異

地域文化指各地方的風俗習慣、生活方式、文化形態、宗教信仰等，有研究表明，不同地域的文化對人們的行為有著一定影響，同一區域的人有著相同或相似的行為模式和思維模式，不同地域的人有著不同的行為模式和思維模式。例如，地域差異對飲食文化有著很大影響，不同地域的人有著各自不同的生活方式和飲食習慣。我國東部主食以米面為主；西部以肉類和奶制品為主，米面為輔；南方以米飯為主；北方人以面食為主。此外，還有“東辣西酸、南甜北咸”的說法。地域文化具有地域穩定性、傳承性等特點。文化對用戶行為、興趣等有一定的影響，形式化表示為C={c1，c2，…，cn}，其中n是維數，ci（1≤i≤n）分別表示用戶所處地域、用戶的宗教信仰、用戶所受教育程度等文化屬性。

2.2 時間

（1）用戶最佳學習時間。“世界上沒有兩個人的個人生物鐘是一樣的”，每個人的最佳學習時間也存在一定差異。每個人都有自己的學習興趣和學習方式，學習者的興趣偏好在不同的時間段也不盡相同，比如有的人早上記憶力好，喜歡背英語單詞，下午理解力好，喜歡學習數學、物理等，晚上喜歡復習或預習功課。在適宜的時間推薦適宜的學習資源將提高學習者的學習效率。

（2）學習資源的時間屬性。專業學習具有連貫性，任何一個知識點都是整個知識體系中的一環，它與前面的舊知識緊緊相聯，又與后面的新知識相互銜接。因此，推薦學習資源時要注意新、舊知識的連貫性以及學習者已有的基礎。推薦合適的學習資源，可大大提升學習效果，進而激發學習者的學習興趣。學完一個知識點后可以給學習者推薦相關練習，通過練習既可讓學習者鞏固所學知識，又能提高學習者分析問題、解決問題的能力，還能發展學習者的思維。

3 因子分解機

3.1 因子分解模型

4 實驗結果與分析

4.1 實驗數據集

本實驗使用Book-Crossing數據集，數據集包含278 858個用戶對271 379本書的評分，有顯式和隱式評分，顯式評分值為1～10分，表示用戶對書籍的滿意程度。

4.2 實驗結果

本實驗采用準確率（Precision）、召回率（Recall）和綜合評價指標（F1-Measure）作為識別推薦精確性的標準。為測試本文方法的精確性，將其與標準協同過濾推薦方法（Collaborative Filtering，CF）進行對比實驗，實驗結果如圖2所示。

4.3 運行時間

試驗中比較CF和FM對訓練集一次完整迭代的運行時間，取m=4。為了顯示隨因子分解維度k的增加，運行時間的增長，對兩種模型取k∈{1，2，4，8，16，32，64，128}，結果如圖3所示。

5 結語

移動學習資源的個性化推薦可提高學習者的學習效率。本文針對傳統協同過濾中存在的冷啟動和數據稀疏等問題，提出使用因子分解機，綜合考慮用戶之間的文化差異，考慮學習知識間的連貫性，并與傳統協同過濾推薦方法進行比較，驗證了本文所提算法的可行性。

參考文獻：

[1]黃震華，張佳雯，田春岐，等.基于排序學習的推薦算法研究綜述[J].軟件學報，2016，27（3）：691-713.

[2]GOLDBERG D，NICHOLS D，OKI B M，et al.Using collaborative filtering to weave an information tapestry[J].Communications of the ACM，1992，35（12）：61-70.

[3]高曉波.基于因子分解機的信任感知商品推薦[J].山東大學學報：理學版，2016，51（1）：89-94.

[4]吳正洋.社交網絡下學習推薦研究與實踐[J].中國電化教育，2016（3）：75-81.

[5]李保強，吳笛.基于知識關聯的學習資源混合協同過濾推薦研究[J].電化教育研究，2016（6）：77-83.

[6]丁永剛.融合學習者社交網絡的協同過濾學習資源推薦[J].現代教育技術，2016（2）：108-114.

[7]鄂海紅.結合時間上下文挖掘學習興趣的協同過濾推薦算法[J].北京郵電大學學報， 2014（6）：49-53.

[8]楊麗娜.面向泛在學習智能推薦的用戶偏好影響因素實證研究[J].現代教育技術，2016（10）：44-51.

[9]RENDLE S.Factorization machines[C].New York：The 10th IEEE International Conference on Data Mining，2010：995-1000.

（責任編輯：孫 娟）