基于多重智能算法的個(gè)性化學(xué)習(xí)路徑推薦模型

摘要：基于多重智能算法的個(gè)性化學(xué)習(xí)路徑推薦能夠有效解決在線用戶學(xué)習(xí)迷途問(wèn)題，從而實(shí)現(xiàn)對(duì)在線用戶學(xué)習(xí)進(jìn)行動(dòng)態(tài)指導(dǎo)和控制。該文以在線學(xué)習(xí)行為分析為基礎(chǔ)，依據(jù)推薦流程，建構(gòu)出個(gè)性化學(xué)習(xí)路徑推薦模型。在尊重學(xué)習(xí)用戶個(gè)體化差異前提下，引入人工神經(jīng)網(wǎng)絡(luò)分類和蟻群優(yōu)化路徑推薦等多重智能型算法。并且在個(gè)性化學(xué)習(xí)路徑推薦實(shí)現(xiàn)環(huán)節(jié)，采用協(xié)同過(guò)濾推薦和蟻群算法相結(jié)合，有效避免了協(xié)同過(guò)濾推薦的馬太效應(yīng)問(wèn)題，以便降低不同學(xué)習(xí)用戶群的差距。

關(guān)鍵詞：個(gè)性化路徑推薦;人工神經(jīng)網(wǎng)絡(luò)算法;蟻群算法

中圖分類號(hào)：G434

文獻(xiàn)標(biāo)識(shí)碼：A

一、引言

隨著信息技術(shù)的發(fā)展，在線學(xué)習(xí)平臺(tái)越來(lái)越趨向個(gè)性化、智能化、精準(zhǔn)化服務(wù)。面對(duì)數(shù)據(jù)量大、專業(yè)性強(qiáng)、知識(shí)結(jié)構(gòu)復(fù)雜的學(xué)習(xí)資源，在線用戶的學(xué)習(xí)迷途問(wèn)題尤為突出，因此在線用戶迫切需要個(gè)性化學(xué)習(xí)路徑推薦服務(wù)，來(lái)幫助他們及時(shí)準(zhǔn)確地發(fā)現(xiàn)自己需要的知識(shí)信息。個(gè)性化學(xué)習(xí)路徑是在線用戶學(xué)習(xí)過(guò)程中根據(jù)自身的學(xué)習(xí)偏好、學(xué)習(xí)風(fēng)格和學(xué)習(xí)水平以及環(huán)境因素所選擇的學(xué)習(xí)活動(dòng)路線和知識(shí)序列[1]。實(shí)踐證明，個(gè)性化學(xué)習(xí)路徑推薦能夠?qū)崿F(xiàn)在線用戶學(xué)習(xí)行為動(dòng)態(tài)指導(dǎo)和有效控制。

目前，國(guó)內(nèi)外對(duì)于個(gè)性化學(xué)習(xí)路徑推薦的研究紛紛迭起，通常采用建立用戶模型和推薦算法兩部分來(lái)實(shí)現(xiàn)學(xué)習(xí)路徑推薦。在用戶模型建立中，Madhour與Forte提出了根據(jù)學(xué)習(xí)者學(xué)習(xí)目標(biāo)和學(xué)習(xí)屬性的相似性來(lái)建立學(xué)習(xí)群體模型[2]，而Chen等人提出了小組學(xué)習(xí)中學(xué)習(xí)成員特征建立模型[3]，Lawson根據(jù)學(xué)習(xí)者的學(xué)習(xí)計(jì)劃相似性建立學(xué)習(xí)者模型[4]，姜強(qiáng)等提出根據(jù)學(xué)習(xí)者知識(shí)目標(biāo)建立用戶模型[5]。在學(xué)習(xí)路徑推薦規(guī)劃中，通常采用近鄰算法、協(xié)同過(guò)濾算法、基于內(nèi)容過(guò)濾的算法來(lái)實(shí)現(xiàn)個(gè)性化推薦[6]。雖然多種推薦技術(shù)結(jié)合使用能夠解決數(shù)據(jù)稀疏問(wèn)題和冷啟動(dòng)問(wèn)題，但是這種典型的推薦技術(shù)只是提供給學(xué)習(xí)者單個(gè)的在線學(xué)習(xí)資源或是幾個(gè)連續(xù)的學(xué)習(xí)序列，而忽略了學(xué)習(xí)者在線學(xué)習(xí)的連續(xù)性和序列性。此外，只是淺表性地提供給學(xué)習(xí)用戶知識(shí)項(xiàng)目，難以挖掘出學(xué)習(xí)者的實(shí)際需求。

針對(duì)以上問(wèn)題，本文建構(gòu)出一種基于多重智能算法的個(gè)性化學(xué)習(xí)路徑推薦模型。該模型按照推薦流程包含兩個(gè)階段，分別是建立相似學(xué)習(xí)用戶模型和實(shí)現(xiàn)個(gè)性化學(xué)習(xí)路徑推薦，并且在各階段分別采用了人工神經(jīng)網(wǎng)絡(luò)算法、蟻群算法等智能型算法。考慮到不同在線用戶學(xué)習(xí)水平和學(xué)習(xí)風(fēng)格的差異，首先利用人工神經(jīng)網(wǎng)絡(luò)算法對(duì)在線用戶的學(xué)習(xí)行為進(jìn)行分析，建立具有相似學(xué)習(xí)特征的用戶模型;然后，根據(jù)相似用戶學(xué)習(xí)簽到數(shù)據(jù)區(qū)域，網(wǎng)格聚類學(xué)習(xí)路徑，獲得相似用戶學(xué)習(xí)路徑，進(jìn)行協(xié)同過(guò)濾推薦。為了減少個(gè)體差異，采用蟻群算法彌補(bǔ)協(xié)同過(guò)濾推薦算法的不足。學(xué)習(xí)路徑是具有次序性和連續(xù)性的知識(shí)項(xiàng)目集合，因此在路徑推薦中進(jìn)行了知識(shí)項(xiàng)目的關(guān)聯(lián)度計(jì)算。

二、研究基礎(chǔ)

（一）在線學(xué)習(xí)行為分析

在線學(xué)習(xí)行為分析意旨通過(guò)對(duì)在線用戶學(xué)習(xí)行為數(shù)據(jù)的挖掘和分析，辨別學(xué)習(xí)者的認(rèn)知特征和偏好，為個(gè)性化學(xué)習(xí)的開(kāi)展提供更科學(xué)的預(yù)測(cè)和干預(yù)[7]。

就在線學(xué)習(xí)環(huán)境而言，在線學(xué)習(xí)用戶會(huì)在學(xué)習(xí)平臺(tái)中留下種種“足跡”，如登錄學(xué)習(xí)平臺(tái)的時(shí)間與時(shí)長(zhǎng)、不同學(xué)習(xí)模塊的訪問(wèn)頻次與停留時(shí)長(zhǎng)、學(xué)習(xí)任務(wù)的完成與測(cè)試成績(jī)、在線交互信息等。在線行為數(shù)據(jù)反映出了學(xué)習(xí)用戶的學(xué)習(xí)特征，它包含兩方面含義：一是學(xué)習(xí)成績(jī)數(shù)據(jù)反映了學(xué)習(xí)用戶的水平，二是學(xué)習(xí)行為動(dòng)態(tài)數(shù)據(jù)反映了學(xué)習(xí)用戶認(rèn)知特征和信息交互特征。

何克抗教授曾指出“學(xué)習(xí)風(fēng)格由學(xué)習(xí)者特有的認(rèn)知、情感和生理行為構(gòu)成，它是反映學(xué)習(xí)者如何感知信息、如何與學(xué)習(xí)環(huán)境相互作用并對(duì)之做出反映的相對(duì)穩(wěn)定的學(xué)習(xí)方式”[8]。由此可見(jiàn)，網(wǎng)絡(luò)空間中的在線用戶的學(xué)習(xí)行為是其學(xué)習(xí)風(fēng)格的具體體現(xiàn)。

（二）學(xué)習(xí)風(fēng)格理論

國(guó)內(nèi)外的學(xué)者從多個(gè)角度對(duì)學(xué)習(xí)風(fēng)格進(jìn)行描述和分類，F(xiàn)elder-Silverman學(xué)習(xí)風(fēng)格模型，因?yàn)槠涿枋龈鼮樵敿?xì)和更適于做自適應(yīng)學(xué)習(xí)系統(tǒng)而被廣泛采用[9]。該模型將學(xué)習(xí)用戶的學(xué)習(xí)風(fēng)格設(shè)定為四個(gè)維度，每個(gè)維度的學(xué)習(xí)風(fēng)格對(duì)應(yīng)兩種偏好：信息加工（活躍型，沉思型）、感知f感悟型/直覺(jué)型）、輸入（視覺(jué)型/言語(yǔ)型）、理解（序列型/綜合型）[10]。在線用戶對(duì)學(xué)習(xí)材料不同呈現(xiàn)形式、不同內(nèi)容表現(xiàn)的偏好預(yù)示其不同的學(xué)習(xí)風(fēng)格。

（三）多重智能推薦算法

1.人工神經(jīng)網(wǎng)絡(luò)算法

人工神經(jīng)網(wǎng)絡(luò)ANN（Artificial Neural Network）算法是根據(jù)行為數(shù)據(jù)建立人工神經(jīng)網(wǎng)絡(luò)模型，對(duì)數(shù)據(jù)進(jìn)行推斷和處理的一種智能技術(shù)[11]。數(shù)據(jù)從輸入層進(jìn)入，經(jīng)過(guò)隱藏層函數(shù)處理，最后從輸出層輸出，實(shí)現(xiàn)對(duì)學(xué)習(xí)用戶學(xué)習(xí)行為的線性分類。假定每一神經(jīng)元對(duì)應(yīng)一種學(xué)習(xí)行為，人工神經(jīng)網(wǎng)絡(luò)是由大量的神經(jīng)元相互聯(lián)接而成，學(xué)習(xí)者的多種學(xué)習(xí)行為即構(gòu)成一個(gè)自適應(yīng)非線性的動(dòng)態(tài)系統(tǒng)，利用人工神經(jīng)網(wǎng)絡(luò)算法，可以獲得學(xué)習(xí)用戶多種學(xué)習(xí)行為的分類。

2.蟻群算法

蟻群算法（Ant Colony Optimization， ACO）是一種模擬螞蟻覓食尋找優(yōu)化路徑的概率型算法。是由意大利學(xué)者Dorigo M等人于20世紀(jì)90年代首次提出[12]。螞蟻在尋找食物的過(guò)程中釋放一種“信息素”，標(biāo)識(shí)自己走過(guò)的路徑，從洞穴到食物源有多條隨機(jī)軌跡，隨著螞蟻數(shù)量的增多，最短路徑上螞蟻留下的信息素濃度最高，通過(guò)一段時(shí)間的正反饋，蟻群可以尋找到最短達(dá)到食物源的路徑。

在充分考慮到學(xué)習(xí)者的個(gè)體特征與學(xué)習(xí)材料之間的關(guān)聯(lián)性前提下，筆者提出利用蟻群算法，迭代計(jì)算出概率型優(yōu)化學(xué)習(xí)路徑TopN-2，對(duì)協(xié)同過(guò)濾推薦路徑TopN-1進(jìn)行補(bǔ)償性干預(yù)。

三、個(gè)性化學(xué)習(xí)路徑推薦模型框架

本文將在線學(xué)習(xí)行為分析和學(xué)習(xí)風(fēng)格理論引入到個(gè)性化學(xué)習(xí)路徑推薦系統(tǒng)中，挖掘在線用戶網(wǎng)絡(luò)日志數(shù)據(jù)，依據(jù)推薦流程，建構(gòu)出個(gè)性化學(xué)習(xí)路徑推薦模型。其中主要考慮3個(gè)問(wèn)題：

第一個(gè)問(wèn)題，如何根據(jù)在線學(xué)習(xí)行為與學(xué)習(xí)風(fēng)格理論建構(gòu)具有相似學(xué)習(xí)風(fēng)格和學(xué)習(xí)水平的用戶模型。

第二個(gè)問(wèn)題，如何計(jì)算相似學(xué)習(xí)用戶的學(xué)習(xí)路徑，獲得協(xié)同過(guò)濾推薦。

第三個(gè)問(wèn)題，如何優(yōu)化學(xué)習(xí)路徑進(jìn)行個(gè)性化學(xué)習(xí)路徑推薦。

因此，個(gè)性化學(xué)習(xí)路徑推薦模型框架主要由兩部分構(gòu)成：相似學(xué)習(xí)用戶模塊和個(gè)性化學(xué)習(xí)路徑推薦模塊。相似學(xué)習(xí)用戶模塊是通過(guò)對(duì)學(xué)習(xí)用戶學(xué)習(xí)風(fēng)格和學(xué)習(xí)水平相似性計(jì)算獲得相似學(xué)習(xí)用戶模型。模型框架的另一個(gè)核心是個(gè)性化路徑推薦模塊，主要任務(wù)是依據(jù)相似學(xué)習(xí)用戶簽到學(xué)習(xí)模塊進(jìn)行矢量映射、網(wǎng)格聚類與密度聚類，計(jì)算學(xué)習(xí)路徑獲得協(xié)同過(guò)濾推薦TopN-1，進(jìn)一步通過(guò)蟻群算法獲得概率優(yōu)化推薦路徑TopN-2，有序合并推薦給學(xué)習(xí)用戶，如圖1所示。

（一）相似學(xué)習(xí)用戶模塊

學(xué)習(xí)行為預(yù)示著在線用戶學(xué)習(xí)風(fēng)格和學(xué)習(xí)水平的個(gè)體差異特征，是實(shí)現(xiàn)個(gè)性化推送的重要依據(jù)。因此，相似學(xué)習(xí)用戶模塊的建構(gòu)包含3個(gè)步驟：第一，在線用戶的學(xué)習(xí)行為量化;第二，學(xué)習(xí)風(fēng)格分類的預(yù)定閾值θ （Sjl）的判定與計(jì)算;第三，構(gòu)建相似學(xué)習(xí)用戶模型。

1.在線用戶的學(xué)習(xí)行為量化

在線用戶的學(xué)習(xí)行為數(shù)據(jù)留存于網(wǎng)絡(luò)平臺(tái)日志中，這些學(xué)習(xí)行為數(shù)據(jù)是在線用戶個(gè)性化學(xué)習(xí)風(fēng)格的具體體現(xiàn)，通過(guò)對(duì)學(xué)習(xí)行為數(shù)據(jù)的人工神經(jīng)網(wǎng)絡(luò)算法分類可以建立不同學(xué)習(xí)特征用戶群。假定學(xué)習(xí)者所有學(xué)習(xí)行為的是一組輸入變量X={X1，X2，X3……Xm}，數(shù)據(jù)從輸入層進(jìn)入，對(duì)其進(jìn)行權(quán)重分析，其權(quán)重值與輸入變量一起作為輸入層數(shù)據(jù)，進(jìn)入到隱藏層。在隱藏層中，激活函數(shù)g（z），其自變量為學(xué)習(xí)行為輸入變量x和權(quán)重w的線性組合s.1_∑WijlX，，其與隱藏層預(yù)定閾值θ（s.1）相比較，閾值也即特征值[13]。如果g（z）大于預(yù)定閾值θ（Sjl），g（z）為1，我們可以預(yù)測(cè)學(xué)習(xí)者具有某種學(xué)習(xí)風(fēng)格屬性，反之則g（z）為一1，我們可以預(yù)測(cè)學(xué)習(xí)者具有相對(duì)的學(xué)習(xí)風(fēng)格屬性，如圖2所示。

由公式（1）可知，學(xué)習(xí)風(fēng)格是由4個(gè)維度的一維數(shù)組構(gòu)成即Si={1/-1，1/-1，1/-1，1/-1）分別對(duì)應(yīng)學(xué)習(xí)風(fēng)格屬性={活躍型/沉思型，感覺(jué)型/直覺(jué)型，視覺(jué)型/言語(yǔ)型，綜合型/序列型}。

2.預(yù)定閾值θ （Sjl）的判定與計(jì)算

隱藏層由若干隱藏節(jié)點(diǎn)構(gòu)成，每個(gè)隱藏層節(jié)點(diǎn)具有不同的閾值θ，用來(lái)標(biāo)度不同學(xué)習(xí)行為所對(duì)應(yīng)學(xué)習(xí)風(fēng)格。預(yù)定閾值θ （Sjl）是對(duì)不同學(xué)習(xí)行為閾值θ的權(quán)重，是計(jì)算學(xué)習(xí)風(fēng)格分類的重要標(biāo)準(zhǔn)，如表1所示。

3.相似學(xué)習(xí)用戶模型的構(gòu)建

相似學(xué)習(xí)用戶是指同一認(rèn)識(shí)水平和相似學(xué)習(xí)風(fēng)格的用戶群。我們首先依據(jù)測(cè)試模塊中在線用戶的測(cè)試成績(jī)劃分出同一認(rèn)知水平學(xué)習(xí)用戶群，然后再計(jì)算該用戶群學(xué)習(xí)風(fēng)格相似度，一般采用改進(jìn)的Prefix Span算法篩選出具有相似偏好的用戶簇。

其中，Simsty（u，v）表示計(jì)算用戶u和v之間學(xué)習(xí)風(fēng)格相似度，Iu∩lv表示用戶u和v共同訪問(wèn)資源的集合[14]，參照上文Su（j）和S。（j）分別表示兩個(gè)用戶的學(xué)習(xí)風(fēng)格標(biāo)度值，θu（j）和θv（i）分別表示兩個(gè)用戶的學(xué)習(xí)風(fēng)格閾值。Prefix Span算法利用兩個(gè)用戶之間的協(xié)方差和標(biāo)準(zhǔn)差的商，測(cè)得兩個(gè)用戶間的線性相關(guān)性。如果商的值在一1到1之間，我們就認(rèn)為學(xué)習(xí)用戶u和v具有相似性。

（二）個(gè)性化學(xué)習(xí)路徑推薦模塊

個(gè)性化學(xué)習(xí)路徑推薦模塊主要任務(wù)是計(jì)算學(xué)習(xí)路徑，形成了學(xué)習(xí)路徑推薦列表。學(xué)習(xí)路徑的計(jì)算分兩部分，第一，依據(jù)相似學(xué)習(xí)用戶模型形成協(xié)同過(guò)濾推薦路徑TopN-1;第二，通過(guò)蟻群算法找到概率優(yōu)化路徑TopN-2，并進(jìn)行關(guān)聯(lián)度計(jì)算形成個(gè)性化推薦路徑。

1.協(xié)同過(guò)濾推薦學(xué)習(xí)路徑TopN-1

協(xié)同過(guò)濾（Collaborative Filtering）推薦是一種最為經(jīng)典的推薦類型，通過(guò)計(jì)算相似用戶學(xué)習(xí)路徑，把共同選擇的知識(shí)項(xiàng)目推薦給相似用戶的一種算法。相似用戶學(xué)習(xí)路徑的實(shí)現(xiàn)是一個(gè)離線計(jì)算過(guò)程，依據(jù)相似學(xué)習(xí)用戶的簽到數(shù)據(jù)，利用LDA算法投影構(gòu)建區(qū)域圖，再運(yùn)用網(wǎng)格聚類獲得相似學(xué)習(xí)用戶學(xué)習(xí)路徑。

（1）相似學(xué)習(xí)用戶簽到數(shù)據(jù)分類

學(xué)習(xí)路徑是學(xué)習(xí)內(nèi)容或?qū)W習(xí)活動(dòng)的序列，是學(xué)習(xí)步驟的呈現(xiàn)或指引，體現(xiàn)學(xué)習(xí)過(guò)程的動(dòng)態(tài)信息。簽到數(shù)據(jù)不僅體現(xiàn)了學(xué)習(xí)用戶在線學(xué)習(xí)的內(nèi)容語(yǔ)義信息，其呈現(xiàn)的先后次序更體現(xiàn)了簽到數(shù)據(jù)的時(shí)序性。因此，學(xué)習(xí)路徑是一串按照時(shí)間順序排列的瀏覽知識(shí)項(xiàng)目數(shù)據(jù)。我們把知識(shí)項(xiàng)目簽到數(shù)據(jù)dji可以用時(shí)序數(shù)據(jù)dji.s、語(yǔ)義數(shù)據(jù)dji.c和軌跡數(shù)據(jù)dji.r三個(gè)維度來(lái)表征。對(duì)于時(shí)序數(shù)據(jù)dji.s我們可以通過(guò)網(wǎng)格聚類，網(wǎng)格的劃分采用橫坐標(biāo)體現(xiàn)數(shù)據(jù)的位置序列，縱坐標(biāo)體現(xiàn)數(shù)據(jù)的次序。語(yǔ)義數(shù)據(jù)dji.c通過(guò)文本語(yǔ)義挖掘計(jì)算出主題概率分布，而軌跡數(shù)據(jù)dji.r是建立區(qū)域?qū)ぢ返幕A(chǔ)。

（2）相似學(xué)習(xí)用戶學(xué)習(xí)路徑的獲得

首先，對(duì)學(xué)習(xí)模塊簽到數(shù)據(jù)按照語(yǔ)義數(shù)據(jù)dji.c分類，進(jìn)行文本語(yǔ)義挖掘，利用LDA算法，投影到二維空間中，形成主題概率區(qū)域圖，如圖3（a）所示。

其次，以時(shí)序數(shù)據(jù)dji.s的位置信息作為橫軸，次序作為縱軸對(duì)學(xué)習(xí)模塊簽到數(shù)據(jù)進(jìn)行網(wǎng)格劃分，通過(guò)網(wǎng)格聚類算法對(duì)概率主題分布區(qū)域和簽到數(shù)量的密度進(jìn)行聚類，獲得最頻繁到達(dá)的幾塊核心，如圖3（b）所示。

最后，將核心區(qū)域間、高密網(wǎng)格間的軌跡數(shù)據(jù)dji.r全部找出來(lái)，并按照有向圖的鄰接表形式存儲(chǔ)來(lái)，建立學(xué)習(xí)路徑，如圖3（c）所示。

2.基于蟻群算法的學(xué)習(xí)路徑優(yōu)化推薦

蟻群算法參數(shù)與個(gè)性化在線學(xué)習(xí)特征的對(duì)應(yīng)關(guān)系，是將蟻群算法用于個(gè)性化學(xué)習(xí)路徑推薦的前提。信息素和啟發(fā)信息作為蟻群算法中最重要參數(shù)，其數(shù)值確定方式?jīng)Q定著最終推薦結(jié)果。

（1）信息素濃度τ ij（t）

螞蟻通過(guò)蟻群在路徑上留下的信息素濃度來(lái)判斷食物的來(lái)源，而學(xué)習(xí)平臺(tái)中的信息素濃度τ ij（t）可以看成是學(xué)習(xí)用戶簽到密度，即知識(shí)點(diǎn)t，知識(shí)項(xiàng)目i到知識(shí)項(xiàng)目i的簽到密度。 （2）啟發(fā)信息ηij（t） 表示從知識(shí)項(xiàng)目i轉(zhuǎn)移到知識(shí)項(xiàng)目j期望程度。allowedk待選知識(shí)項(xiàng)目，初始時(shí)刻allowedk中有n-l個(gè)知識(shí)項(xiàng)目，即排除掉學(xué)習(xí)用戶一開(kāi)使所在的知識(shí)項(xiàng)目，隨著時(shí)間的推移，待選知識(shí)項(xiàng)目越來(lái)越少，直到為空，表示遍歷完所有知識(shí)項(xiàng)目。

（3）優(yōu)化路徑概率推薦

蟻群算法的概率選擇是推薦算法的核心內(nèi)容，知識(shí)項(xiàng)目的選擇概率為：

Pki.j（t）：知識(shí)點(diǎn)t，學(xué)習(xí)用戶k從知識(shí)項(xiàng)目i向知識(shí)項(xiàng)目j轉(zhuǎn)移的概率。信息素因子a為信息素濃度指數(shù)，啟發(fā)函數(shù)因子B為啟發(fā)函數(shù)指數(shù)，這兩個(gè)參數(shù)分別決定了簽到密度與轉(zhuǎn)移期望對(duì)于學(xué)習(xí)用戶k從知識(shí)項(xiàng)目i轉(zhuǎn)移到知識(shí)項(xiàng)目i的可能性重要程度。

四、個(gè)性化學(xué)習(xí)路徑推薦的實(shí)現(xiàn)

（一）個(gè)性化學(xué)習(xí)路徑推薦策略

考慮到協(xié)同過(guò)濾推薦的馬太效應(yīng)，在協(xié)同過(guò)濾推薦產(chǎn)生TopN-I基礎(chǔ)上，通過(guò)蟻群算法迭代計(jì)算產(chǎn)生個(gè)性化推薦TopN-2。TopN-1與TopN-2中的知識(shí)項(xiàng)目具有無(wú)序性的弱點(diǎn)，因此對(duì)其進(jìn)行表征關(guān)聯(lián)度計(jì)算，形成個(gè)性化學(xué)習(xí)路徑推薦。

定義1知識(shí)項(xiàng)目表征關(guān)聯(lián)度Q。設(shè)學(xué)習(xí)平臺(tái)中N個(gè)學(xué)習(xí)模塊，每個(gè)學(xué)習(xí)模塊含有的知識(shí)項(xiàng)目M={K1，K2……KI，KJ），那么推薦項(xiàng)目Ki與所選知識(shí)

Q=Rele（Ki）= ∑=SEVk sim（Ki，S）

（4）項(xiàng)目的表征關(guān)聯(lián)度為：

Vk表示歷史學(xué)習(xí)知識(shí)項(xiàng)目集，sim（）是相似性函數(shù)。

（二）學(xué)習(xí)路徑推薦算法描述

背景：某知識(shí)點(diǎn)t的知識(shí)項(xiàng)目M={Ki，K2-KI，KI），已獲得相似學(xué)習(xí)用戶的學(xué)習(xí)路徑TopN-I。

輸入：用戶的學(xué)習(xí)風(fēng)格和認(rèn)知水平

算法實(shí)現(xiàn)過(guò)程：

（1）M.={

（2）While M。

（3）m=getchar（tj）

（4）1f is empty（m）==TRUE Then

（5） i=i+1

（6）else;（1）一（6）找到學(xué)習(xí)用戶未選知識(shí)項(xiàng)目

（7）{Pki.j（t）lm∈Mn，add to Mn0）， i=i+l

（8）End if

（9）End while;（7）一（9）計(jì)算未選知識(shí)項(xiàng)目?jī)?yōu)化路徑概率，直到未選知識(shí)項(xiàng)目結(jié)束，獲得TopN-2。

（10）根據(jù)表征度公式，輸出個(gè)性化推薦路徑;

下一知識(shí)點(diǎn)t，;

Go to step（2）

Mn={）表示當(dāng)前某個(gè)知識(shí)點(diǎn)t，候選知識(shí)項(xiàng)目的集合。Mn中知識(shí)項(xiàng)目的個(gè)數(shù)從i到j(luò)，從i=l開(kāi)始尋找知識(shí)項(xiàng)目，判定其是否沒(méi)有被學(xué)習(xí)用戶選中，直到I=J把所有未被學(xué)習(xí)用戶選中的知識(shí)項(xiàng)目找到，放入到m中，形成新的知識(shí)項(xiàng)目集合，即用公式m=getchar（tj）表示。Pki.j（t）lm∈Mn表示計(jì)算未被選中的知識(shí)項(xiàng)目的優(yōu)化概率，并通過(guò)addto Mn（）命令插入到當(dāng)前候選集合Mn中，根據(jù)表征度公式，排序生成個(gè)性化推薦路徑TopN-2。

（三）分析討論

協(xié)同過(guò)濾推薦是在同一認(rèn)知水平學(xué)習(xí)用戶中獲得相應(yīng)的推薦知識(shí)項(xiàng)目，因此馬太效應(yīng)顯著即認(rèn)知水平高的用戶越來(lái)越高，認(rèn)知水平低的用戶越來(lái)越低，協(xié)同過(guò)濾推薦更適用于認(rèn)知水平高的群體。

蟻群算法推薦能夠降低個(gè)體差異，計(jì)算出與學(xué)習(xí)用戶個(gè)體特征相關(guān)的知識(shí)項(xiàng)目最大概率推薦。假定知識(shí)項(xiàng)目M={K1，K2...K10，K11），學(xué)習(xí)用戶a的學(xué)習(xí)路徑為fKi，K3，K6，Kg），獲得的協(xié)同過(guò)濾推薦TopN-1：{K8，K9，K10），獲得蟻群推薦為TopN-2{K7 85%），根據(jù)知識(shí)項(xiàng)目表征相似度計(jì)算可獲得{K1，K3，K6，K7，K5，K9，K10）。

五、實(shí)驗(yàn)研究

（一）實(shí)驗(yàn)方案

考慮到個(gè)性化學(xué)習(xí)路徑推薦的特點(diǎn)和當(dāng)前研究現(xiàn)狀，本文以本課程組采用JSP+MySQL技術(shù)搭建的“大學(xué)計(jì)算機(jī)基礎(chǔ)”學(xué)習(xí)平臺(tái)為實(shí)驗(yàn)對(duì)象，對(duì)建構(gòu)的個(gè)性化學(xué)習(xí)路徑推薦模型進(jìn)行實(shí)驗(yàn)效果分析。

1.實(shí)驗(yàn)背景

“大學(xué)計(jì)算機(jī)基礎(chǔ)”網(wǎng)絡(luò)學(xué)習(xí)平臺(tái)由四大模塊，分別為學(xué)習(xí)導(dǎo)航、學(xué)習(xí)資源、問(wèn)題的解決與探究、學(xué)習(xí)的交互模塊構(gòu)成。模塊中的知識(shí)項(xiàng)目按知識(shí)點(diǎn)章節(jié)進(jìn)行分類。其中，資源導(dǎo)航模塊由學(xué)習(xí)目標(biāo)、知識(shí)樹(shù)、重點(diǎn)難點(diǎn)構(gòu)成;學(xué)習(xí)資源模塊由視頻、電子課件、文本教材構(gòu)成;問(wèn)題的解決與探究模塊由例題解析、練習(xí)、測(cè)驗(yàn)構(gòu)成;學(xué)習(xí)交互模塊由討論區(qū)構(gòu)成。

2.知識(shí)項(xiàng)目映射

為了提高系統(tǒng)對(duì)學(xué)習(xí)用戶訪問(wèn)路徑的提取與程序編寫(xiě)，需要對(duì)原日志數(shù)據(jù)做進(jìn)一步優(yōu)化處理，首先對(duì)學(xué)習(xí)模塊下的知識(shí)項(xiàng)目重新進(jìn)行了定義，如表2所示。

（二）實(shí)驗(yàn)數(shù)據(jù)的采集

本文采用網(wǎng)頁(yè)數(shù)據(jù)采集器一八爪魚(yú)采集器在網(wǎng)絡(luò)平臺(tái)日志中抓取了50名學(xué)習(xí)用戶的學(xué)習(xí)數(shù)據(jù)信息。考慮到學(xué)習(xí)內(nèi)容對(duì)用戶選擇學(xué)習(xí)模塊范圍的限制性，本實(shí)驗(yàn)選擇學(xué)習(xí)模塊分布全面的“第四章Word應(yīng)用”作為實(shí)驗(yàn)采集區(qū)域。獲得學(xué)習(xí)用戶節(jié)點(diǎn)訪問(wèn)量、學(xué)習(xí)路徑以及測(cè)試成績(jī)。其中學(xué)習(xí)用戶節(jié)點(diǎn)訪問(wèn)量，是指學(xué)習(xí)用戶對(duì)每一知識(shí)項(xiàng)目節(jié)點(diǎn)的點(diǎn)擊量與時(shí)長(zhǎng)，如下頁(yè)表3所示。

（三）實(shí)驗(yàn)數(shù)據(jù)處理

依據(jù)相似學(xué)習(xí)用戶模型建立方法，對(duì)50名學(xué)習(xí)用戶建立了8組相似用戶群，并計(jì)算出協(xié)同過(guò)濾推薦TopN-1。根據(jù)蟻群算法對(duì)參數(shù)進(jìn)行初始化計(jì)算，主要包括用戶與學(xué)習(xí)風(fēng)格相似度值C.、學(xué)習(xí)用戶認(rèn)知水平與學(xué)習(xí)材料難度d;所獲得的啟發(fā)信息值ηi，j，以及學(xué)習(xí)用戶評(píng)價(jià)優(yōu)化信息值τ ijnew，α信息素因子，β啟發(fā)函數(shù)因子，如下：ηij=0.4 τ，inew=0.4α=3 β =4.5計(jì)算獲得最大概率化知識(shí)項(xiàng)目推薦TopN-2，TopN-I與TopN-2有序合并后，獲得個(gè)性化推薦路徑，如表4所示。

（四）實(shí)驗(yàn)評(píng)價(jià)指標(biāo)

從個(gè)性化學(xué)習(xí)路徑推薦的目標(biāo)需求出發(fā)，我們引入學(xué)習(xí)效率和學(xué)習(xí)迷航導(dǎo)控有效性2個(gè)性能指標(biāo)。學(xué)習(xí)效率表示用戶在連續(xù)使用一段時(shí)間個(gè)性化學(xué)習(xí)路徑推薦后，學(xué)習(xí)成績(jī)的提高比率。學(xué)習(xí)迷航導(dǎo)控有效性，是學(xué)習(xí)用戶運(yùn)用了個(gè)性化學(xué)習(xí)路徑推薦程序后與以往相比，知識(shí)項(xiàng)目簽到增加比率來(lái)度量，知識(shí)項(xiàng)目簽到濃度越高，學(xué)生在線學(xué)習(xí)過(guò)程中學(xué)習(xí)迷途問(wèn)題獲得解決的程度越高。

為此，首先引入一個(gè)知識(shí)量的定義。

定義2：一個(gè)在線學(xué)習(xí)平臺(tái)是由多個(gè)知識(shí)節(jié)組成的網(wǎng)絡(luò)系統(tǒng)，每個(gè)知識(shí)節(jié)點(diǎn)由n個(gè)知識(shí)項(xiàng)目構(gòu)成。知識(shí)節(jié)點(diǎn)與知識(shí)項(xiàng)目構(gòu)成了知識(shí)量，記作KI.其中，對(duì)于某一知識(shí)點(diǎn)t學(xué)生已簽到的知識(shí)項(xiàng)目構(gòu)成的知識(shí)量為KI（t），學(xué)習(xí)用戶采用的個(gè)性化推薦知識(shí)項(xiàng)目構(gòu)成的知識(shí)量為KI（t，s）。因此，迷途導(dǎo)控有效性可以記作：

（五）實(shí)驗(yàn)結(jié)果分析

在8組相似用戶群中各隨機(jī)抽取5名學(xué)習(xí)用戶，進(jìn)行個(gè)性化學(xué)習(xí)路徑推薦，分別獲得個(gè)性化學(xué)習(xí)路徑推薦迷途導(dǎo)控率（如表5所示），個(gè)性化學(xué)習(xí)路徑推薦前后知識(shí)項(xiàng)目簽到密度對(duì)比（如圖4和下頁(yè)圖5所示），以及個(gè)性化學(xué)習(xí)路徑推薦后成績(jī)發(fā)展趨勢(shì)（如下頁(yè)圖6所示1。

由數(shù)據(jù)可知，通過(guò)個(gè)性化學(xué)習(xí)路徑推薦，對(duì)學(xué)習(xí)用戶學(xué)習(xí)迷途都具有一定的導(dǎo)控性，表現(xiàn)為推薦后學(xué)習(xí)用戶的簽到密度明顯高于推薦前學(xué)習(xí)用戶簽到密度。獲得路徑推薦后，學(xué)習(xí)用戶成績(jī)都有所提高，特別是對(duì)于成績(jī)?yōu)?0-70及70-80的學(xué)習(xí)用戶，其成績(jī)提高顯著。

六、結(jié)語(yǔ)

信息技術(shù)的發(fā)展，學(xué)習(xí)分析與教育的深度融合使得學(xué)習(xí)平臺(tái)越來(lái)越趨向于精準(zhǔn)化和個(gè)性化的服務(wù)。本文在網(wǎng)絡(luò)學(xué)習(xí)行為分析基礎(chǔ)上，充分尊重學(xué)習(xí)用戶學(xué)習(xí)風(fēng)格、學(xué)習(xí)水平個(gè)體化差異，利用人工神經(jīng)網(wǎng)絡(luò)及蟻群概率推薦等多重智能算法為用戶開(kāi)展個(gè)性化學(xué)習(xí)路徑推薦。在蟻群推薦過(guò)程中充分運(yùn)用群體對(duì)學(xué)習(xí)路徑的評(píng)價(jià)信息、學(xué)習(xí)用戶簽到信息以及學(xué)習(xí)材料的表征信息，對(duì)學(xué)生的知識(shí)建構(gòu)與學(xué)習(xí)能力進(jìn)行評(píng)估，使得學(xué)習(xí)路徑生成更加精準(zhǔn)化、個(gè)性化，彌補(bǔ)個(gè)體差異，進(jìn)而提高學(xué)習(xí)效率和學(xué)習(xí)質(zhì)量，為教學(xué)的智慧性發(fā)展提供幫助。

參考文獻(xiàn)：

[1]師亞飛，彭紅超等.基于學(xué)習(xí)畫(huà)像的精準(zhǔn)個(gè)性化學(xué)習(xí)路徑生成性推薦策略研究[J]中國(guó)電化教育，2019，（5）：84-91.

[2] Felder R.M.&Spurlin J.Applications. Reliability and Validity of the Index of Learning Styles[J].lnternational Journal of EngineeringEducation.20057（21）：103-112.

[3] Chen C M.lntelligent Web-Based Learning System With PersonalizedLearning Path

Guidance[J].Compute Education，2008.5 1（2）：787-8 14.

[4] Lawson C，Beer Cetal Identification of' at Risk' Students UsingLeaming Analytics：The Ethical Dilemmas of Intervention Strategiesin a Higher Education Institution[J].Educational Technology Researchand Development.2016.64（5）：957-968.

[5][10]姜強(qiáng)，趙蔚等.基于網(wǎng)絡(luò)學(xué)習(xí)行為模式挖掘的用戶學(xué)習(xí)風(fēng)格模型建構(gòu)研究[J].電化教育研究，2012，（5）：55-60.

[6]張志威.個(gè)性化推薦算法研究綜述[J].信息與電腦，2018.（7）：27-29.

[7]趙蔚，李士平.基于學(xué)習(xí)分析的自我調(diào)節(jié)學(xué)習(xí)路徑挖掘與反饋研究[J].中國(guó)電化教育，20187（10）：15-21.

[8]趙曉航.自適應(yīng)學(xué)習(xí)系統(tǒng)中學(xué)習(xí)風(fēng)格模型的研究[D].長(zhǎng)春：東北師范大學(xué)，2010.

[9]姜強(qiáng)，趙蔚.基于Felder-Silverman量表用戶學(xué)習(xí)風(fēng)格模型的修正研究[J]現(xiàn)代遠(yuǎn)距離教育，2010，（1）：62-66.

[11] Nan Y，Mu L基于神經(jīng)網(wǎng)絡(luò)的統(tǒng)計(jì)機(jī)器翻譯的預(yù)調(diào)序模型[J].中文信息學(xué)報(bào)，2016，30（3）：103-110.

[12]沈顯君.自適應(yīng)粒子群優(yōu)化算法及其應(yīng)用[M].北京：清華大學(xué)出版社.2015.

[13]張龍飛.基于用戶頻繁訪問(wèn)路徑的個(gè)性化服務(wù)推薦研究[J]科技咨訊，2016，（9）：159-161.

[14]趙程玲，陳智慧等.適應(yīng)性學(xué)習(xí)路徑推薦算法及應(yīng)用研究[J].中國(guó)電化教育，2015，（8）：2-6.

作者簡(jiǎn)介：

申云鳳：副教授，碩士，研究方向?yàn)榻逃夹g(shù) （ 377345770@qq.com）。