基于知識圖譜的教育信息資源個性化推薦方法

覃湘荔

(廣西現代職業技術學院,廣西 河池 547000)

0 引言

在當今信息時代,教育信息資源呈現出海量增長的趨勢。如何從這些資源中快速準確地獲取所需內容,成為教育領域面臨的一項重大挑戰。個性化推薦方法作為一種有效的信息過濾手段,能夠根據學習者的個性化需求和興趣,為其提供精準、有價值的教育信息。這不僅可以提高學習者的學習效率,優化教育資源配置,還能為教育機構和學習者創造更大的價值。通過個性化推薦,一方面,教育信息資源能夠得到更合理的分配和利用,使優質資源更好地服務于學習者,提高教育質量;另一方面,教育信息資源還能夠根據學習者的反饋和行為數據被實時調整和優化,為學習者提供更加個性化的服務,以提升其體驗和學習滿意度。

由于傳統推薦方法通常基于用戶的歷史行為數據進行分析和推薦,但由于數據源有限,難以全面了解用戶興趣和需求,導致推薦效果不佳。并且傳統推薦方法在靜態數據基礎上進行分析推薦,無法實時跟蹤用戶行為和反饋,導致推薦內容無法及時更新,使得結果無法達到預期[1]。因此,現階段研究以教育信息資源個性化推薦方法為研究對象,運用知識圖譜,結合實際情況進行實驗與分析。

1 教育信息資源個性化推薦

1.1 協同過濾法使用者偏好分析

用戶閱讀行為的數據收集以及教育信息資源使用者信息的收集處理是實現資源個性化推薦的第一步[2]。根據資源推薦需求,本文利用網絡爬蟲爬取用戶行為信息,根據實際情況設定爬取周期。當列表中的數據達到要求后,網絡爬蟲通過無線網絡將數據信息發送給數據庫,從而實現對教育信息資源使用者行為數據信息的采集。采集的數據信息公式為:

x=(a,b,c)

(1)

其中,a為用戶身份標識號,b為資源信息,c為資源種類。由于采集的數據信息中可能存在重復數據,為減少后續推薦計算量,避免信息過載,所提方法需要識別并刪除原始數據中的重復數據,通過對采集的教育信息資源使用者行為數據進行協同過濾,獲取用戶的興趣偏好,從而估算用戶與某種屬性的興趣關系。當資源的某種屬性占比較大時,說明使用者對資源的興趣度較低。當根據此原則對原始數據進行協同過濾時,本文需要考慮使用者對教育信息資源屬性的逆向頻率,通過計算該頻率來估算使用者對該資源的興趣度。用戶對圖書的興趣度G表達式為:

G=RGxKl(z)

(2)

其中,RGx為使用者對教育信息的評價頻率,K為資源屬性,l(z)為屬性的逆向頻率。通過協同過濾的方式能夠有效分析用戶偏好[3],為達到更好的推薦效果提供有力支撐。

1.2 知識圖譜法興趣匹配

hk=f(h,t)k

(3)

根據資源實體與語義關系,該方法設定特征向量的權重,通過對使用者興趣和資源實體屬性進行匹配度計算,獲得資源實體與語義關系對應的興趣匹配矩陣。使用者興趣和資源實體屬性的匹配度M計算公式為:

M=αsim(h,t)+βsim(h,t)+χsim(r,t)

(4)

其中,α、β、χ為權重系數;sim(·,·)表示兩者的興趣相似度。本文通過式(4)計算出使用者對不同資源的興趣匹配度,進而得以展開推薦。在實際應用中,推薦者還可以根據具體的需求調整數學公式中的參數,以實現更好的興趣匹配效果。

1.3 個性化資源推薦

首先,根據構建的興趣匹配矩陣,該方案輸入教育信息資源的關鍵詞和使用者過去的行為數據。然后,通過分析這些數據,該方案獲得使用者對于不同資源的興趣程度,進而形成語義匹配矩陣;最后,該方案將語義匹配矩陣中的數據轉化為特征向量,作為客觀向量輸入推薦模型中。這些特征向量代表了使用者對于教育信息資源的興趣特征。在得到特征向量后,本文建立推薦模型,并根據使用者的特征向量和教育信息資源的特征進行匹配,從而產生個性化的推薦結果。同時,本文采用加權模糊計算的方式得出教育信息資源知識的推薦層級,計算公式為:

(5)

其中,λ為推薦控制量,β為資源實體在空間中的定位,η為資源的關聯屬性。在計算得到的推薦層級空間中,本文將高校使用者輸入的教育信息與匹配矩陣進行關聯計算,通過計算可以確定與使用者興趣相匹配的教育信息資源知識。為了進一步明確個性化推薦的精度,所提方案需要進行隸屬度賦值,從而獲得不同推薦結果與使用者興趣的符合程度。通過比較不同推薦結果的隸屬度值[5],判斷與使用者興趣的匹配程度,從而確定個性化推薦的精度。本文根據賦值的大小計算個性化推薦的精度,其計算公式為:

(6)

其中,q為教育信息資源的主動推薦次數,w為教育信息資源推薦的邊界范圍。根據計算得出的個性化推薦精度,確定需要推薦的教育信息資源,將推薦的教育信息資源與使用者的具體需求進行適配,將適配的教育信息資源傳遞到知識表達框架中,使得復雜的教育信息資源進行清晰表達,從而完成對教育信息資源的個性化推薦。

2 實驗測試與分析

2.1 搭建實驗環境

本文設計采用TRP本體構建工具建立模擬仿真實驗環境。將學習資源和使用者行為等進行數據采集,對選取的教育信息資源進行分類和編號整理。實驗數據來自某教育學校平臺的訪問數據集,共有450個使用者行為數據、300個學習資源。本文選擇通用的Scikit-learn庫用于推薦算法功能實現。根據數據集的大小和推薦算法的復雜性,本文選用Windows11系統進行操作,Eclipse軟件進行集成開發。為了方便分類管理資源,用標簽進行標注。本文建立資源評分數據表作為一個評分矩陣,反饋使用者興趣偏好。設置3個小組,其中運用本文方法進行實驗的小組為實驗組,運用相似性推薦方法和關聯規則推薦方法的2個小組為對照組1、2。實驗利用學習者行為數據預測綜合評分,從而補全評分矩陣中的稀疏部分,通過相似度找到相似用戶集合,并據此計算資源的預測評分,最終得到推薦結果。

2.2 結果與分析

為了證明本文推薦方法的有效性,本文將評分矩陣下的結果進行計算,得到稀疏度指標。根據不同的學習時間段,本文進行5次實驗并取其平均值作為最終結果。3個小組的稀疏度計算結果如圖1所示。

圖1 稀疏度計算結果對比

由圖可知,對照組的綜合評分矩陣計算得到的稀疏度在90%～95%,隨著稀疏度的增加,推薦準確率有所下降。這說明當集中標簽分布較為稀疏時,推薦效果不能夠滿足具體的推薦要求。而相比于對照組,實驗組計算得到的稀疏度結果為80%,比對照組的稀疏度整體下降了10%左右,達到了良好的推薦效果。這說明運用本文推薦方法一方面能夠有效增強評分矩陣的可用性,通過分析使用者的行為日志,得到使用者對教學信息資源的隱式偏好,從而增加了評分數,改善了稀疏度;另一方面所提方法能夠更有效地利用學習者行為數據,提高評分矩陣的完整性,從而提供更準確的推薦結果。

同時,為了驗證本文推薦方法的合理性,對教育信息資源的推薦準確度進行計算。采用推薦列表中的不同數量級指標EG1—EG8進行分析與測試。以推薦結果的準確率為指標,計算3個小組的指標評價結果,所得具體的評價結果如表1所示。

表1 推薦方法的指標評價結果對比

由表中結果可知,針對同一指標,實驗組、對照組1、對照組2的推薦準確率結果分別為96.3%、83.2%、56.8%。經過比較發現,實驗組具有更高的準確率,獲得相對較準確的教育信息資源推薦,提高了教育資源的推薦質量。這說明運用本文推薦方法能夠得益于知識圖譜對學科知識體系和學習者特征進行深入描述以及推薦算法的優化。所提方法能夠更好地理解用戶需求和興趣,提供更加精準的推薦內容。

3 結語

在教育領域中,個性化推薦有助于提高學習者的學習效率,優化教育資源配置,提升教育質量,促進教育信息資源的合理配置,提高學習者的學習效果和滿意度。本文從教育信息資源個性化推薦入手,運用知識圖譜,研究了基于知識圖譜的教育信息資源個性化推薦方法。基于知識圖譜的推薦方法能夠將學習者的個人特征與知識圖譜中的知識結構進行關聯,從而為其提供個性化的學習資源推薦。但該方法還存在一些不足之處,如分析數據不完善等。今后研究應更加重視計算方法,根據用戶的需求和興趣,為其提供精準、有價值的信息。