一種新的高校外語(yǔ)MOOC平臺(tái)構(gòu)建與實(shí)現(xiàn)

張靜

(咸陽(yáng)師范學(xué)院 外國(guó)語(yǔ)學(xué)院, 咸陽(yáng) 712000)

0 引言

當(dāng)前的MOOC環(huán)境(例如：Edx，Coursera，Udacity，Udemy，P2PU等)利用分層獨(dú)立結(jié)構(gòu)。課程之間沒(méi)有語(yǔ)義關(guān)系。界面更類似于傳統(tǒng)的數(shù)字圖書館，其中搜索特定資源將涉及在列出的課程類別中找到適當(dāng)?shù)恼n程，然后搜索特定學(xué)習(xí)對(duì)象，例如視頻講座、文章、作業(yè)或PowerPoint演示文稿等。例如，假設(shè)一名學(xué)生開設(shè)了一門名為“Data Mining”的課程，并且他因?yàn)槟承┙y(tǒng)計(jì)背景缺乏知識(shí)而難以完成作業(yè)。如果MOOCs的學(xué)習(xí)對(duì)象在語(yǔ)義上相互關(guān)聯(lián)并且實(shí)施了個(gè)性化推薦，學(xué)生將獲得他需要修改以回答此作業(yè)的正確資源，語(yǔ)義技術(shù)支持比當(dāng)前MOOC平臺(tái)提供的信息管理更靈活的信息管理。本文通過(guò)介紹各種協(xié)作語(yǔ)義過(guò)濾技術(shù)，用于構(gòu)建語(yǔ)義豐富的MOOC管理系統(tǒng)，并利用該項(xiàng)技術(shù)搭建了一個(gè)語(yǔ)義中型平臺(tái)的原型實(shí)現(xiàn)[1-4]。

為了實(shí)現(xiàn)在線發(fā)布信息的廣泛化，搜索引擎不能依賴曾經(jīng)被雅虎等在線目錄使用的手動(dòng)索引過(guò)程。但是，完全自動(dòng)化的索引過(guò)程的精度低于手動(dòng)索引過(guò)程。協(xié)作過(guò)濾是通過(guò)使用在社交網(wǎng)絡(luò)中收集的知識(shí)來(lái)自動(dòng)化索引過(guò)程的方法，協(xié)同過(guò)濾的早期研究已應(yīng)用于協(xié)同過(guò)濾和社交過(guò)濾等方面，該類應(yīng)用均是基于各種統(tǒng)計(jì)數(shù)據(jù)，如精度和準(zhǔn)確度，而用戶的知識(shí)和經(jīng)驗(yàn)往往被省略。本文介紹了社交協(xié)作的各個(gè)方面，并描述了一種通過(guò)構(gòu)建由社交網(wǎng)絡(luò)成員維護(hù)的集合網(wǎng)絡(luò)(稱為社交語(yǔ)義協(xié)作過(guò)濾(Social Semantic Collaborative Filtering，SSCF))來(lái)改進(jìn)協(xié)同過(guò)濾技術(shù)的方法。基于他們對(duì)給定主題的專業(yè)水平，用戶收集小的信息子集并與社交網(wǎng)絡(luò)的其他成員共享這些集合。

2 MOOC平臺(tái)實(shí)現(xiàn)介紹

2.1 社交語(yǔ)義協(xié)同過(guò)濾(SSCF)算法介紹

案例介紹如下：如圖1所示。

假設(shè)Alice注冊(cè)了語(yǔ)義豐富的數(shù)字圖書館或MOOC課程，根據(jù)圖1關(guān)系可看出她的一些朋友已經(jīng)注冊(cè)了，通過(guò)在線社區(qū)中已知的功能，她將她的個(gè)人資料與她朋友的個(gè)人資料相關(guān)聯(lián)[5-6]。

稍后，Alice開始收集她的報(bào)告所需的信息，保留了她在在線書簽系統(tǒng)管理的館藏中找到的資源的鏈接。 不久，她發(fā)現(xiàn)她收藏的資源并未以令人滿意的程度涵蓋報(bào)告的主題。 通過(guò)SSCF提供的功能，她試圖找到她所在社區(qū)內(nèi)對(duì)相關(guān)主題有更高專業(yè)知識(shí)的其他人。

圖1 用例關(guān)系圖

SSFC模型介紹如下：

MOOC中的ollab orative過(guò)濾功能列出了在給定社交鄰域范圍內(nèi)的所有集合，其主題與Alice定義的主題相關(guān)。基本SSCF模型元組M(P，C，G，F(xiàn)，T)，其中通過(guò)對(duì)等體F之間的直接連接在社交網(wǎng)絡(luò)圖Gpeers(P，F(xiàn))中鏈接的一組用戶P維護(hù)一組集合F，每個(gè)都用圖表T中的概念注釋，其中包含各種知識(shí)組織系統(tǒng)(稅收，敘詞表，標(biāo)簽)。假設(shè)每個(gè)集合c∈C只有一個(gè)所有者p∈P。模型定義如下：

PeerCollection：P∈C—返回用戶擁有的所有收藏。

OwnedBy：C→P—返回該收藏的所有者。

SubCollection：(C，C)→如果一個(gè)集合是另一個(gè)集合的子集合，則檢查。

Expertise：(P，C)→[0,1]—表示用戶P在由集合C表示的主題中具有的專業(yè)水平；在模型中，它表示該系列的質(zhì)量。

Classification：C→T—返回描述該集合的主題列表。

PeerDistance：(P，P)→N—使用Dijkstra算法計(jì)算社交網(wǎng)絡(luò)圖中兩個(gè)對(duì)等點(diǎn)之間的距離。

Similarity：(T，T)→[0,1]—計(jì)算兩個(gè)分類主題之間的相似性水平。

FinalRankingSM：(user, collection, PeerDistance, Similarity,Expertise)→[0,1]—基于以下方式計(jì)算user∈P的社交網(wǎng)絡(luò)中的Collection∈C的排名值：

——與所有者的距離= OwnedBy(Collection)；

——用戶擁有的分類主題與所有者之間的相似程度(Similarity(Towner，Tuser))；

——所有者的專業(yè)衡量標(biāo)準(zhǔn)(Expertise (owner, collection))。

knowsRange：定義了在遍歷社會(huì)關(guān)系圖時(shí)兩個(gè)人之間的最大距離。

計(jì)算集合專業(yè)知識(shí)水平的一種可能方法是分析集合包含的圖表，在他們的收藏中包含給定集合的人越多，它就越重要。集合的質(zhì)量對(duì)應(yīng)于所有者在相關(guān)主題上的專業(yè)水平，算法如下[7]：

如圖1所示的場(chǎng)景中，Alice發(fā)現(xiàn)她的一位朋友Caroline收集了有關(guān)數(shù)字圖書館的信息，并且她對(duì)該主題的專業(yè)水平非常高，由于Caroline在她的數(shù)字圖書館文件夾中包含由Damian和Eric(分別為圖書館和Web語(yǔ)義)提供的高質(zhì)量文件夾，因此作為Caroline的推薦，此信息將自動(dòng)提供給Alice。 Alice發(fā)現(xiàn)Eric的Web語(yǔ)義集合非常有用，她決定直接在她的書目本體調(diào)解下鏈接它。她還鏈接到Bob的人工智能文件夾，Alice現(xiàn)在可以利用她的直接朋友Caroline和Bob以及社交網(wǎng)絡(luò)的其他成員(Damian和Eric)收集的信息，而不會(huì)打擾她的直接朋友。

算法1

REQUIRE:p∈P

ENSURE:C'?CownedbyusersinknowsRange

degreesofseparationfromp'

Pused=Φ

FORd=1toknowsRangeDO

FORALLp'∈PsuchthatPeerDistance(p,p')=dDO

IFp'?PusedTHEN

Pused←Pused∪{p'}

FORALLc∈PeerCollection(p')

IF?c'∈C'SubCollection(c',c)THEN

Tc=Classification(c)

Tc'=Classification(c')

IFSimilarity(Tc,Tc')

C'←C'∪{c}

ENDIF

ENDIF

ENDFOR

ENDIF

ENDFOR

ENDFOR

C'←sortC'accordingtoFinalRangkingsm

RETURNC'

2.2 社會(huì)語(yǔ)義協(xié)同過(guò)濾評(píng)估

SSCF方法不同于傳統(tǒng)的協(xié)同過(guò)濾，因?yàn)槠淅糜脩裘鞔_給出的社交關(guān)系，而不是基于協(xié)同過(guò)濾算法人工創(chuàng)建的社交網(wǎng)絡(luò)計(jì)算推薦。

假設(shè)

當(dāng)使用社交語(yǔ)義協(xié)同過(guò)濾技術(shù)來(lái)傳播信息時(shí)，整個(gè)社交網(wǎng)絡(luò)變得更加明智。換句話說(shuō)，該假設(shè)聲稱社交網(wǎng)絡(luò)的成員可以訪問(wèn)由域?qū)＜姨峁┑母哔|(zhì)量的信息。

仿真模型

仿真模型基于Web語(yǔ)義項(xiàng)目中定義的類似想法，SSCF和Web語(yǔ)義之間的主要區(qū)別在于，在Web語(yǔ)義中，用戶執(zhí)行項(xiàng)目手動(dòng)查找某個(gè)主題的專家的過(guò)程。在SSCF中，社交網(wǎng)絡(luò)中提供的知識(shí)的語(yǔ)義注釋用于自動(dòng)化查找最高質(zhì)量信息的過(guò)程。仿真模型本身可能與所提出的類似，因此本文只需證明在給定的最大分離度范圍內(nèi)找到專家是可能的。本模型基于兩個(gè)網(wǎng)絡(luò)：社交網(wǎng)絡(luò)和收集網(wǎng)絡(luò)，其中包含用戶收集的信息。與集合網(wǎng)絡(luò)重疊的社交網(wǎng)絡(luò)(從單個(gè)人的角度看)的示例，每個(gè)集合都使用Dewey Decimal Classification(DDC)進(jìn)行注釋。主要實(shí)現(xiàn)在計(jì)算主題之間的相似性的意義上模型的簡(jiǎn)化。如圖2所示。

圖2 從單個(gè)人的角度評(píng)估模型

基于DDC類別之間的分類關(guān)系，即主題之間的相似性，創(chuàng)建集合網(wǎng)絡(luò)，每個(gè)集合由社交網(wǎng)絡(luò)的一個(gè)(且僅一個(gè))成員擁有。給定用戶關(guān)于與他/她的集合相關(guān)聯(lián)的主題的專業(yè)水平由范圍[0,1]中的實(shí)數(shù)表示。

仿真模型的條件假設(shè)

在SSCF模型中，每個(gè)用戶使用所選主題的信息管理集合，不同的用戶代表給定主題的不同專業(yè)知識(shí)，假設(shè)如下：

用戶在特定集合上提供的信息的質(zhì)量與用戶關(guān)于集合主題的專業(yè)水平成比例。

可以在社交網(wǎng)絡(luò)中找到對(duì)給定主題具有高度專業(yè)知識(shí)的用戶。

根據(jù)簡(jiǎn)單的社交協(xié)同過(guò)濾模型，模擬環(huán)境包括一組用戶和由這些用戶管理的一組集合。該系列的質(zhì)量取決于用戶對(duì)相關(guān)主題的專業(yè)知識(shí)，每個(gè)用戶都知道許多其他用戶；然而，社會(huì)關(guān)系并不是隱含的——它被認(rèn)為是對(duì)稱的。

雖然根據(jù)小世界現(xiàn)象，社會(huì)關(guān)系程度的分布是基于冪律的(Zipf分布)，但在實(shí)驗(yàn)過(guò)程所設(shè)定的社會(huì)聯(lián)系的程度是鐘形曲線形狀。一些研究人員建議將這種分布應(yīng)用于特定類型的社交網(wǎng)絡(luò)，例如學(xué)術(shù)網(wǎng)絡(luò)。

2.3 通過(guò)實(shí)驗(yàn)對(duì)社交網(wǎng)絡(luò)給定范圍(R)內(nèi)的平均最大專業(yè)知識(shí)進(jìn)行分析，解決如下疑問(wèn)：

1) 用戶是否可以在六個(gè)分離度內(nèi)訪問(wèn)由域?qū)＜冶闅v其社交關(guān)系和館藏網(wǎng)絡(luò)收集的信息？在Zipf社交關(guān)系分布的社交網(wǎng)絡(luò)中，六個(gè)分離度內(nèi)的最大專業(yè)知識(shí)是91%，可以解釋為用戶可以通過(guò)收集網(wǎng)絡(luò)訪問(wèn)領(lǐng)域?qū)＜业膶I(yè)知識(shí)。對(duì)于具有鐘形曲線分布的社會(huì)關(guān)系的特殊類型的社交網(wǎng)絡(luò)，社交網(wǎng)絡(luò)的成員甚至可以在三個(gè)分離度內(nèi)獲得更高的專業(yè)知識(shí)。

2) 社交網(wǎng)絡(luò)成員獲得的平均專業(yè)知識(shí)是否高于單個(gè)(未連接)成員的平均專業(yè)知識(shí)？我們計(jì)算了社交網(wǎng)絡(luò)成員的平均專業(yè)知識(shí)(R = 0)。在兩種類型的社會(huì)關(guān)系分布的情況下，社交網(wǎng)絡(luò)中的單個(gè)成員的平均專業(yè)知識(shí)甚至比在一個(gè)分離度內(nèi)的網(wǎng)絡(luò)中的平均專業(yè)知識(shí)低得多。

考慮到對(duì)上述問(wèn)題的解決，基于假設(shè)條件成立—即當(dāng)使用SSCF方法傳播信息時(shí)，整個(gè)社交網(wǎng)絡(luò)變得更加明智。通過(guò)構(gòu)建了一個(gè)類似的社會(huì)協(xié)同過(guò)濾模型，仿真結(jié)果顯示，如圖3所示。

每個(gè)用戶能夠(平均)找到由限于六度分離的社交網(wǎng)絡(luò)的子圖中的其他用戶提供的最佳信息質(zhì)量。證明了構(gòu)建的社會(huì)網(wǎng)絡(luò)模型對(duì)應(yīng)于小世界現(xiàn)象，因此，已經(jīng)實(shí)現(xiàn)了SSCF方法的基本假設(shè)：整個(gè)社交網(wǎng)絡(luò)更好地了解并且可以在社交網(wǎng)絡(luò)鄰域內(nèi)找到專家(具有高于90%的平均專業(yè)水平)。

3 總結(jié)

本文基于協(xié)同過(guò)濾技術(shù)構(gòu)建語(yǔ)義MOOC管理系統(tǒng)，主要介紹了系統(tǒng)設(shè)計(jì)過(guò)程中的關(guān)鍵算法—SSCF，并設(shè)計(jì)原型系統(tǒng)，對(duì)SSCF模型進(jìn)行仿真，仿真結(jié)果表明該模型在給定范圍內(nèi)的平均最大專業(yè)知識(shí)的百分率較高，即對(duì)于用戶提供更為精確的信息推送機(jī)制。