自適應(yīng)學(xué)習(xí)系統(tǒng)個性化知識推薦技術(shù)研究

袁路妍

摘 要：自適應(yīng)學(xué)習(xí)系統(tǒng)作為一種智能化教學(xué)手段，使學(xué)習(xí)過程更加人性、高效、易于量化，成為網(wǎng)絡(luò)學(xué)習(xí)系統(tǒng)智能化發(fā)展的趨勢。為實現(xiàn)ALS系統(tǒng)的個性化知識推薦，文章采用相同的本體技術(shù)對ALS系統(tǒng)的核心組件領(lǐng)域知識模型、學(xué)習(xí)者模型進行系統(tǒng)化、多維度建模，并給出模型特征提取和表示方法。最后，依據(jù)模型特征數(shù)據(jù)，建立了領(lǐng)域知識模型與學(xué)習(xí)者模型之間的關(guān)聯(lián)規(guī)則，實現(xiàn)依據(jù)學(xué)習(xí)者的個性特征呈現(xiàn)學(xué)習(xí)資源和學(xué)習(xí)路徑，達到智能導(dǎo)學(xué)的目的。

關(guān)鍵詞：自適應(yīng)學(xué)習(xí)系統(tǒng)；領(lǐng)域模型；學(xué)習(xí)者模型；知識推薦方法

中圖分類號：TP393 文獻標(biāo)志碼：A 文章編號：1673-8454（2018）24-0094-03

一、引言

自適應(yīng)學(xué)習(xí)系統(tǒng)（Adaptive Learning System， ALS）通過其自身的領(lǐng)域知識庫、用戶特征庫和專家?guī)鞛閷W(xué)習(xí)者提供個性化的學(xué)習(xí)資源[1]。系統(tǒng)的關(guān)鍵是推薦的學(xué)習(xí)資源要能夠與學(xué)習(xí)者本身的知識水平、學(xué)習(xí)偏好相匹配，推薦技術(shù)的運用是能夠使學(xué)習(xí)者將要學(xué)習(xí)的知識與原有的知識達到主動、快速的銜接，幫助學(xué)習(xí)者發(fā)現(xiàn)他們所需學(xué)習(xí)資源。

常用的推薦技術(shù)包括“協(xié)同過濾推薦、基于內(nèi)容推薦、關(guān)聯(lián)規(guī)則推薦及混合推薦四種”[2]。其中，協(xié)同過濾推薦[3]是依據(jù)用戶對項目的評分矩陣實現(xiàn)個性化推薦，但在系統(tǒng)實際運行中大部分用戶很少參與項目評論，且新用戶的不斷增加，使得評分矩陣出現(xiàn)稀疏性問題，導(dǎo)致推薦準(zhǔn)確率不高。基于內(nèi)容的推薦，是計算項目特征與用戶興趣模型相似度進行推薦。用戶興趣模型的建立依賴學(xué)習(xí)者的歷史數(shù)據(jù)，故存在系統(tǒng)冷啟動問題。基于規(guī)則的推薦[4]，依據(jù)用戶瀏覽歷史作為推薦意見，分析用戶和興趣之間的關(guān)系，并制定相應(yīng)的規(guī)則，該方法簡單明了，但同樣存在系統(tǒng)冷啟動問題，這使得難以保證為新用戶推薦資源的質(zhì)量。混合推薦是融合了各種推薦技術(shù)的優(yōu)點而提出的新型推薦技術(shù)[5]，與單一某種推薦模式相比，具有較高的可用性，如楊武等人[6]關(guān)于新聞推薦的研究。

可見，推薦技術(shù)的選擇直接影響主動推薦學(xué)習(xí)資源的質(zhì)量及適應(yīng)性學(xué)習(xí)能否實現(xiàn)，現(xiàn)有的推薦技術(shù)未能夠很好地將領(lǐng)域知識模型及學(xué)習(xí)者模型充分考慮進去，導(dǎo)致知識推薦質(zhì)量不高。為此，筆者對領(lǐng)域知識模型、學(xué)習(xí)者模型作了系統(tǒng)化、多維度的建模并構(gòu)建了兩者之間的匹配規(guī)則，依據(jù)學(xué)習(xí)者的學(xué)習(xí)能力、知識水平、學(xué)習(xí)方式、學(xué)習(xí)偏好推薦學(xué)習(xí)資源。為提升關(guān)聯(lián)規(guī)則的有效性，對領(lǐng)域知識模型、學(xué)習(xí)者模型均采用本體技術(shù)進行構(gòu)建。為避免冷啟動問題，系統(tǒng)依據(jù)Felder-Silverman學(xué)習(xí)風(fēng)格量表[7]測試新用戶學(xué)習(xí)風(fēng)格，并結(jié)合基本注冊信息完成學(xué)習(xí)者模型的初始化。

二、領(lǐng)域知識模型構(gòu)建及特征表示

1.領(lǐng)域知識模型構(gòu)建

領(lǐng)域知識模型是關(guān)于領(lǐng)域知識的知識，是自適應(yīng)學(xué)習(xí)系統(tǒng)的核心組件，其內(nèi)容涵蓋課程教育目標(biāo)、學(xué)習(xí)資源、課程結(jié)構(gòu)、教學(xué)策略、練習(xí)測試題庫等。本文將教育目標(biāo)、知識點、學(xué)習(xí)資源、測試試題作為領(lǐng)域模型的核心要素，然后利用本體技術(shù)實現(xiàn)領(lǐng)域模型的構(gòu)建，其結(jié)構(gòu)圖如圖1所示。在模型構(gòu)建時分析出各要素之間的關(guān)系（先后、父子、兄弟），并分析要素的屬性（難度系數(shù)、預(yù)設(shè)學(xué)習(xí)時間、媒體類型等）且進行語義標(biāo)注。將問題、知識點作為搜索關(guān)鍵詞，采用語義搜索、全文搜索技術(shù)搜索其對應(yīng)的試題、媒體材料庫（圖片、視頻、文本），建立問題、知識點與試題、媒體材料庫之間的物理和邏輯關(guān)聯(lián)。

2.領(lǐng)域知識模型特征表示

（1）學(xué)習(xí)資源對象風(fēng)格表示

（2）領(lǐng)域知識的難易程度表示

三、學(xué)習(xí)者模型構(gòu)建及特征表示

1.學(xué)習(xí)者模型構(gòu)建

“學(xué)習(xí)者模型是對學(xué)習(xí)者的若干特征信息的抽象描述， 包括其在學(xué)習(xí)過程中呈現(xiàn)出來的知識狀態(tài)、目標(biāo)、背景、認(rèn)知風(fēng)格和愛好等”[8]。如何準(zhǔn)確地描述和量化學(xué)習(xí)者的特征信息直接影響主動推薦學(xué)習(xí)資源的質(zhì)量以及適應(yīng)性學(xué)習(xí)是否能實現(xiàn)。學(xué)習(xí)者的特征數(shù)據(jù)主要包含學(xué)習(xí)者主動反饋的信息數(shù)據(jù)（也稱之為顯示數(shù)據(jù)反饋）和學(xué)習(xí)者與系統(tǒng)交互的歷史行為數(shù)據(jù)（也稱為隱式數(shù)據(jù)反饋）。顯示數(shù)據(jù)反饋主要讓學(xué)習(xí)者在注冊系統(tǒng)時填寫問卷的方式，缺點是對用戶存在比較大的干擾性，優(yōu)點是可以實現(xiàn)系統(tǒng)前推測學(xué)習(xí)者的風(fēng)格。隱式數(shù)據(jù)反饋主要依據(jù)學(xué)習(xí)者的歷史學(xué)習(xí)記錄提取用戶興趣特征，優(yōu)點是對學(xué)習(xí)者不存在干擾性，能夠?qū)崟r反映學(xué)習(xí)者的興趣變化，缺點是無法實現(xiàn)系統(tǒng)前推測學(xué)習(xí)風(fēng)格。為此本系統(tǒng)學(xué)習(xí)者模型構(gòu)建采用顯示數(shù)據(jù)反饋和隱式數(shù)據(jù)反饋相結(jié)合，其數(shù)據(jù)維度包含學(xué)習(xí)者基本信息、學(xué)習(xí)風(fēng)格、學(xué)習(xí)者認(rèn)知水平、學(xué)習(xí)歷史、學(xué)習(xí)偏好。“學(xué)習(xí)者模型表示方法與領(lǐng)域知識密切相關(guān)，領(lǐng)域知識是使用本體技術(shù)構(gòu)建，因此學(xué)習(xí)者個性化特征也應(yīng)該采用本體技術(shù)”[9]。

2.學(xué)習(xí)者模型的特征表示

（1）學(xué)習(xí)者基本信息

（2）學(xué)習(xí)風(fēng)格

（3）學(xué)習(xí)者認(rèn)知水平

（4）學(xué)習(xí)歷史

（5）學(xué)習(xí)偏好

3.學(xué)習(xí)資源推薦

本系統(tǒng)關(guān)鍵任務(wù)是如何依據(jù)學(xué)習(xí)者模型個性特征數(shù)據(jù)：學(xué)習(xí)歷史（LearnHistory）、學(xué)習(xí)偏好（User Profile）、知識掌握水平（Manegelever）、學(xué)習(xí)風(fēng)格（LearnStyle）、學(xué)生基本信息（Studentprofile），以及領(lǐng)域模型個性特征數(shù)據(jù)：領(lǐng)域知識對象風(fēng)格（Object Style）、知識點的難度等級（Object level），實現(xiàn)學(xué)習(xí)資源、學(xué)習(xí)路徑的主動推薦。現(xiàn)實中沒有兩個學(xué)習(xí)者是相同的，每個學(xué)習(xí)者的教育背景不同，智力水平不同，學(xué)習(xí)方式不同，注意力跨度及遺忘時間不同，因此為每個學(xué)習(xí)者推薦有效的個性化學(xué)習(xí)資源是一項復(fù)雜的任務(wù)，本系統(tǒng)個性化知識推薦實現(xiàn)主要依據(jù)學(xué)習(xí)者模型與領(lǐng)域知識模型的相似度實現(xiàn)。

四、結(jié)論

自適應(yīng)學(xué)習(xí)系統(tǒng)的投入使用，可以打破“一個尺寸適合所有人”的同質(zhì)性，使每位學(xué)習(xí)者的學(xué)習(xí)內(nèi)容可以隨著數(shù)據(jù)的收集、分析和反饋加以改變和調(diào)整，實現(xiàn)高度個性化的教與學(xué)。學(xué)習(xí)者模型是ALS的核心，模型能否真實反映學(xué)習(xí)者的知識水平和興趣變化，直接影響了系統(tǒng)推薦質(zhì)量，作者在構(gòu)建學(xué)習(xí)者模型時增加了數(shù)據(jù)的維度并引入了時間遺忘機制，使得對學(xué)習(xí)者的特征刻畫更加準(zhǔn)確。由于學(xué)習(xí)是一個復(fù)雜而隱性的過程，隨著物聯(lián)網(wǎng)和大數(shù)據(jù)技術(shù)的發(fā)展，學(xué)習(xí)者模型數(shù)據(jù)的采集應(yīng)融合多種數(shù)據(jù)采集技術(shù)如學(xué)習(xí)者皮膚電測、面部識別、眼動追蹤，從而使學(xué)習(xí)者的特征刻畫更加精確、全面，進一步推動教學(xué)向差異化、個性化變革。

參考文獻：

[1]高虎子，周東岱.自適應(yīng)學(xué)習(xí)系統(tǒng)學(xué)習(xí)者學(xué)習(xí)風(fēng)格模型的研究現(xiàn)狀與展望[J].電化教育研究，2012，33（2）：32-38.

[2]周張?zhí)m.基于協(xié)同過濾的個性化推薦算法研究[D].武漢：華中師范大學(xué)，2009.

[3]占淵，肖蓉，繆仲凱等.基于改進的協(xié)同過濾相似性度量算法研究[J].計算機測量與控制，2017，25（9）：287-290+294.

[4]吳喜之，閆潔，蘇立民等.基于關(guān)聯(lián)規(guī)則的個體化推薦在傳統(tǒng)商業(yè)中的應(yīng)用[J].蘭州學(xué)刊，2007（2）：87-90.

[5]劉建國，周濤，汪秉宏.個性化推薦系統(tǒng)的研究進展[J].自然科學(xué)進展，2009，19（1）：1-15.

[6]楊武，唐瑞，盧玲.基于內(nèi)容的推薦與協(xié)同過濾融合的新聞推薦方法[J].計算機應(yīng)用，2016，36（2）：414-418.

[7]李運福，傅鋼善.網(wǎng)絡(luò)環(huán)境下學(xué)習(xí)者策略性特征群體差異研究——基于Felder-Silverman學(xué)習(xí)風(fēng)格的群體劃分[J].現(xiàn)代教育技術(shù)，2015，25（6）：102-107.

[8]賈冰.自適應(yīng)學(xué)習(xí)系統(tǒng)中學(xué)習(xí)者模型的表示及特征值獲取方法研究[D].長春：東北師范大學(xué)，2010.

[9]林木輝.學(xué)習(xí)者個性化特征表示及相似度計算[J].中國遠程教育（綜合版），2014（2）：32-36.

（編輯：魯利瑞）