吳振慧，繆 勇

(揚(yáng)州職業(yè)大學(xué)，江蘇揚(yáng)州 225009)

隨著網(wǎng)絡(luò)技術(shù)和多媒體技術(shù)的發(fā)展，越來(lái)越多的人開始通過(guò)互聯(lián)網(wǎng)進(jìn)行學(xué)習(xí)。相比于傳統(tǒng)的學(xué)習(xí)方式，網(wǎng)絡(luò)學(xué)習(xí)的優(yōu)勢(shì)在于學(xué)習(xí)者的學(xué)習(xí)活動(dòng)完全不受時(shí)間、空間限制，使學(xué)習(xí)者實(shí)現(xiàn)了真正的自主學(xué)習(xí)。但目前的狀況是多數(shù)網(wǎng)絡(luò)教學(xué)平臺(tái)仍以系統(tǒng)為中心，并沒(méi)有充分考慮學(xué)生的需求與習(xí)慣，無(wú)法滿足學(xué)習(xí)者的個(gè)性化要求。主要表現(xiàn)在:

(1)現(xiàn)有的網(wǎng)絡(luò)教學(xué)網(wǎng)站基本上都是靜態(tài)的，通常只是將教師的各種教學(xué)資料堆砌在網(wǎng)站中，缺乏對(duì)不同學(xué)習(xí)內(nèi)容之間的合理性設(shè)計(jì)。

(2)不同層次的學(xué)生所能夠利用的網(wǎng)絡(luò)資源都是相同的，缺乏對(duì)學(xué)生自主學(xué)習(xí)的個(gè)性化引導(dǎo)和推薦。

(3)現(xiàn)有網(wǎng)絡(luò)教學(xué)平臺(tái)對(duì)資源信息的檢索支持程度還比較弱，學(xué)習(xí)者難以高效地尋找到自己真正需要的學(xué)習(xí)資源。［1］

上述這些問(wèn)題制約了網(wǎng)絡(luò)教學(xué)的進(jìn)一步發(fā)展。如何建立一個(gè)個(gè)性化智能化的網(wǎng)絡(luò)教學(xué)環(huán)境，成為網(wǎng)絡(luò)教學(xué)平臺(tái)開發(fā)和利用中的一個(gè)關(guān)鍵問(wèn)題。

針對(duì)這個(gè)問(wèn)題，本文提出將智能推薦技術(shù)運(yùn)用到網(wǎng)絡(luò)教學(xué)平臺(tái)中，并以基于頻繁項(xiàng)集的資源推薦為例進(jìn)行具體的推薦，以此為學(xué)習(xí)者提供智能化服務(wù)。

1 智能推薦技術(shù)

智能推薦就是能夠根據(jù)不同用戶的興趣愛好提供有針對(duì)性服務(wù)的一種技術(shù)。智能推薦系統(tǒng)能夠根據(jù)不同用戶的個(gè)性特征，為他們做出個(gè)性化的推薦。目前，智能推薦系統(tǒng)比較廣泛地應(yīng)用于電子商務(wù)和數(shù)字圖書館等領(lǐng)域，能夠根據(jù)用戶的商品購(gòu)買歷史或圖書借閱記錄，按照相應(yīng)的推薦算法幫助用戶完成對(duì)其它商品或圖書的選擇。目前，幾乎所有大型的電子商務(wù)系統(tǒng)，如Amazon、eBay等，都在一定程度上使用各種形式的推薦系統(tǒng)，如Amazon能夠充分利用用戶的瀏覽體驗(yàn)、購(gòu)買歷史，以及用戶購(gòu)買商品后的評(píng)價(jià)，為其他用戶做出有效的商品推薦。

所以，如果在網(wǎng)絡(luò)教學(xué)平臺(tái)中增加智能推薦服務(wù)的功能，就能有效提高學(xué)習(xí)者獲取學(xué)習(xí)資源的智能化水平，滿足不同學(xué)習(xí)者的個(gè)性化需求。［2］

2 基于頻繁項(xiàng)集的資源推薦

學(xué)習(xí)者在利用網(wǎng)絡(luò)教學(xué)平臺(tái)學(xué)習(xí)的過(guò)程中，常常會(huì)下載自己所需的資源(如word文件、ppt文件或視頻文件等)。這些資源通常由管理員或教學(xué)工作者提供，如果規(guī)定上傳資源時(shí)必須提供關(guān)鍵字，則針對(duì)所下載資源的關(guān)鍵字組可進(jìn)行頻繁項(xiàng)集的挖掘。這樣，學(xué)習(xí)者在下次登錄時(shí)，系統(tǒng)就可以根據(jù)挖掘結(jié)果對(duì)學(xué)習(xí)者進(jìn)行其他相關(guān)學(xué)習(xí)資源的推薦。

類似地，學(xué)習(xí)者也會(huì)使用系統(tǒng)提供的搜索功能，尋找平臺(tái)中提供的各種教學(xué)資源，針對(duì)學(xué)習(xí)者的搜索關(guān)鍵字進(jìn)行頻繁項(xiàng)集挖掘，其結(jié)果也可以用于資源推薦。

2.1 Apriori算法

對(duì)于某個(gè)數(shù)據(jù)庫(kù)的記錄而言，通常每個(gè)記錄都是由多個(gè)數(shù)據(jù)項(xiàng)來(lái)組成的，我們將多個(gè)數(shù)據(jù)項(xiàng)的集合稱為項(xiàng)集(Itemset)，那么含有k個(gè)數(shù)據(jù)項(xiàng)的集合就稱k－項(xiàng)集。某個(gè)項(xiàng)集的出現(xiàn)頻率則是整個(gè)數(shù)據(jù)集中含有該項(xiàng)集的記錄的數(shù)量，這也被稱為這個(gè)項(xiàng)集的支持度(supportcount)。如果某一項(xiàng)集的出現(xiàn)頻率大于一定閾值的頻率就可以稱為頻繁項(xiàng)目集，記為L(zhǎng)k。

下面以2017年全國(guó)高考北京卷理科的第18題為例，對(duì)題目條件相關(guān)問(wèn)題進(jìn)行了探究，以揭示看似簡(jiǎn)單的條件背后的秘密.

Apriori算法是一種最有影響的挖掘布爾關(guān)聯(lián)規(guī)則頻繁項(xiàng)集的算法。在該算法中，尋找最大項(xiàng)集(頻繁項(xiàng)集)的基本思想是:算法需要對(duì)數(shù)據(jù)集進(jìn)行多步處理。第一步，簡(jiǎn)單統(tǒng)計(jì)所有含一個(gè)元素項(xiàng)集出現(xiàn)的頻數(shù)，并找出那些不小于最小支持度的項(xiàng)集，即1項(xiàng)頻繁集。從第二步開始循環(huán)處理直到再?zèng)]有頻繁項(xiàng)集生成。循環(huán)過(guò)程是:第k步中，根據(jù)第k－1步生成的(k－1)項(xiàng)頻繁項(xiàng)集產(chǎn)生k項(xiàng)頻繁侯選集，然后對(duì)數(shù)據(jù)庫(kù)進(jìn)行搜索，得到侯選項(xiàng)集的項(xiàng)集支持度，與最小支持度進(jìn)行比較，從而找到k項(xiàng)頻繁集。對(duì)于Apriori算法的詳細(xì)過(guò)程在此不再贅述。［3］

2.2 基于下載資源關(guān)鍵字的頻繁項(xiàng)集挖掘流程

利用Apriori算法的頻繁項(xiàng)集挖掘思路，可以對(duì)登錄用戶下載資源關(guān)鍵字進(jìn)行頻繁項(xiàng)集挖掘，其挖掘流程如圖1所示。

在圖1所示的頻繁項(xiàng)集挖掘流程中，Apriori－Gen運(yùn)算運(yùn)用連接定理根據(jù)k項(xiàng)頻繁集生成k+1項(xiàng)頻繁候選集。若有兩個(gè)k項(xiàng)集，每個(gè)項(xiàng)集按照“屬性－值”(一般按值)的字母順序進(jìn)行排序。如果兩個(gè)k項(xiàng)集的前k－1個(gè)項(xiàng)相同，而最后一個(gè)項(xiàng)不同，則證明它們是可連接的，即這兩個(gè)k項(xiàng)集可連接生成k+1項(xiàng)集。如有兩個(gè)3項(xiàng)集:{a，b，c}{a，b，d}，這兩個(gè) 3項(xiàng)集就是可連接的，它們可以連接生成4項(xiàng)集{a，b，c，d}。又如兩個(gè)3項(xiàng)集{a，b，c}{a，d，e}，這兩個(gè)3項(xiàng)集顯示是不能連接生成3項(xiàng)集的。

2.3 頻繁項(xiàng)集挖掘?qū)嵗?/h3>

假設(shè)有如下9組下載資源關(guān)鍵字:

java jsp struts，jsp spring，jsp hibernate，java jsp spring，java hibernate，jsp hibernate，java hibernate，java jsp hibernate struts，java jsp hibernate。

按上述算法及流程挖掘頻繁項(xiàng)集步驟如下所示:

(1)對(duì)上述9組下載資源關(guān)鍵字進(jìn)行一次掃描，對(duì)每個(gè)項(xiàng)進(jìn)行計(jì)數(shù)(即計(jì)算支持度)，得到1項(xiàng)頻繁候選集 C1，其中{java}、{jsp}、{hibernate}、{spring}和{struts}支持度分別為 6、7、6、2和2。

(2)舍掉C1中支持度小于閾值(假設(shè)閾值為2)的項(xiàng)集，得到1項(xiàng)頻繁集L1，L1=C1。

圖1 基于下載資源關(guān)鍵字的頻繁項(xiàng)集挖掘流程圖

(3)運(yùn)用Apriori－Gen運(yùn)算，由1項(xiàng)頻繁集L1生成2項(xiàng)頻繁候選集C2。對(duì)上述9組下載資源關(guān)鍵字進(jìn)行第二次掃描，對(duì)C2中的每個(gè)項(xiàng)進(jìn)行計(jì)數(shù)。其中{java jsp}、{java hibernate}、{java spring}、{java struts}、{jsp hibernate}、{jsp spring}、{jsp struts}、{hibernate spring}、{hibernate struts}、{spring struts}的支持度分別為 4、4、1、2、4、2、2、0、1、0。

(4)舍掉C2中支持度小于閾值2的項(xiàng)集，得到2項(xiàng)頻繁集L2。L2中包括的項(xiàng)有:{java jsp}、{java hibernate}、{java struts}、{jsp hibernate}、{jsp spring}、{jsp struts}。

(5)運(yùn)用 Apriori－Gen運(yùn)算，由2項(xiàng)頻繁集L2產(chǎn)生3項(xiàng)頻繁候選集C3。C3中包括的項(xiàng)有:{java jsp hibernate}和{java jsp struts}。對(duì)上述9組下載資源關(guān)鍵字進(jìn)行第三次掃描，對(duì)C3中的每個(gè)項(xiàng)進(jìn)行計(jì)數(shù)。其中，{java jsp hibernate}和{java jsp struts}的支持度分別為2、2。

(6)舍掉C3中支持度小于閾值2的項(xiàng)集，得到3項(xiàng)頻繁集L3。L3=C3。

(7)運(yùn)用Apriori－Gen運(yùn)算，由3項(xiàng)頻繁集L3產(chǎn)生4項(xiàng)頻繁候選集C4。C4中只有一項(xiàng)，即{java jsp hibernate struts}，掃描下載資源關(guān)鍵字組，計(jì)算其支持度為0，小于閾值2，因此4頻繁項(xiàng)集不存在。頻繁項(xiàng)集挖掘結(jié)束。

2.4 基于頻繁項(xiàng)集的推薦策略

在網(wǎng)絡(luò)教學(xué)平臺(tái)中，當(dāng)學(xué)習(xí)者登錄后，根據(jù)學(xué)習(xí)者下載資源的頻繁項(xiàng)集，從系統(tǒng)其他資源(該學(xué)習(xí)者未下載或未發(fā)現(xiàn))中獲取包含頻繁項(xiàng)集的資源，將其通過(guò)頁(yè)面彈窗或超鏈接等方式推薦給學(xué)習(xí)者，可以有效提高學(xué)習(xí)者查找資源的效率和對(duì)平臺(tái)的滿意度。

2.5 推薦功能的實(shí)現(xiàn)

當(dāng)某個(gè)學(xué)生登錄后，單擊“根據(jù)頻繁項(xiàng)集推薦”超鏈接，頁(yè)面中列出不同頻繁項(xiàng)集下推薦結(jié)果列表，如圖2所示。

圖2 根據(jù)關(guān)鍵字頻繁項(xiàng)集推薦結(jié)果

從圖2可以看出，頻繁度越高，推薦資源數(shù)越少，此時(shí)推薦的資源越接近用戶的需求。

用于推薦的資源來(lái)源于系統(tǒng)資源庫(kù)，假如系統(tǒng)中包含如圖3所示的課件資源。

圖3 系統(tǒng)課件資源列表

備注用于記錄了資源的關(guān)鍵字，資源關(guān)鍵字由教師或管理員上傳資源時(shí)提供。根據(jù)關(guān)鍵字計(jì)算頻繁項(xiàng)集時(shí)，不是針對(duì)所有資源的關(guān)鍵字，而是只考慮該學(xué)生已下載過(guò)(或訪問(wèn))的資源關(guān)鍵字，這樣更能反映用戶對(duì)資源的需求情況。學(xué)生下載(或訪問(wèn))資源記錄表如圖4所示。

圖4 下載(或訪問(wèn))資源記錄表

其中，stuid字段表示下載(或訪問(wèn))資源的學(xué)生編號(hào)，coursewareid表示資源的編號(hào)(課件號(hào))，以學(xué)生編號(hào)2為例，先根據(jù)其所下載(或訪問(wèn))課件資源編號(hào)獲得這些資源的關(guān)鍵字集合，然后依次計(jì)算它們的頻繁2項(xiàng)集、3項(xiàng)集…，直到找到最大頻繁項(xiàng)集。進(jìn)行資源推薦時(shí)，從資源庫(kù)中將該用戶未下載(或訪問(wèn))且關(guān)鍵字包含在頻繁項(xiàng)集中的資源顯示出來(lái)，推薦給用戶。

3 結(jié)語(yǔ)

本文的主要任務(wù)是在網(wǎng)絡(luò)教學(xué)平臺(tái)中研究并初步實(shí)現(xiàn)智能推薦的功能。首先對(duì)智能推薦技術(shù)及挖掘頻繁項(xiàng)集的Apriori算法進(jìn)行簡(jiǎn)要介紹，然后給出基于在線輔助教學(xué)系統(tǒng)中下載資源關(guān)鍵字的頻繁項(xiàng)集的挖掘流程，并基于頻繁項(xiàng)集給出推薦策略，最后對(duì)推薦結(jié)果進(jìn)行展示與分析，驗(yàn)證了文中所研究的推薦技術(shù)具有一定的可行性。

［1］吳飛.新一代網(wǎng)絡(luò)教學(xué)平臺(tái)特征和技術(shù)難點(diǎn)的分析與探討［J］.開放教育研究，2009(1):10－20.

［2］丁雪.基于數(shù)據(jù)挖掘的圖書智能推薦系統(tǒng)研究［J］.情報(bào)理論與實(shí)踐，2010(5):107－110.

［3］曾子明，余小鵬.電子商務(wù)推薦系統(tǒng)與智能談判技術(shù)［M］.武漢:武漢大學(xué)出版社，2008.