王曉康

摘 要：隨著通信技術(shù)和智能移動終端的發(fā)展，移動學(xué)習(xí)成為了一種新興學(xué)習(xí)方式。同眾多互聯(lián)網(wǎng)信息服務(wù)一樣，移動學(xué)習(xí)資源存在“信息過載”的問題，并且由于移動學(xué)習(xí)終端處理、界面顯示、輸入輸出等能力有限，問題顯得尤為嚴(yán)重。本文在當(dāng)前個性化推薦算法的研究基礎(chǔ)之上進(jìn)一步提出了一種融入學(xué)習(xí)者移動情景上下文信息的推薦策略，該模型能夠較好地適應(yīng)移動學(xué)習(xí)的資源推薦場景，使移動學(xué)習(xí)真正發(fā)生。

關(guān)鍵詞：移動學(xué)習(xí)；個性化推薦；協(xié)同過濾；移動情景

一、問題的提出

隨著移動互聯(lián)網(wǎng)的發(fā)展，學(xué)習(xí)者可以通過智能移動終端，不受時間和地點(diǎn)的約束，享受無縫的學(xué)習(xí)體驗(yàn)。然而，隨著移動學(xué)習(xí)服務(wù)的發(fā)展，移動學(xué)習(xí)資源顯露出“信息過載”的問題，由于移動學(xué)習(xí)情景的特殊性，問題顯得更加嚴(yán)重。個性化推薦技術(shù)的應(yīng)用成為緩解這一問題的關(guān)鍵。不同于在電子商務(wù)、網(wǎng)絡(luò)社交等領(lǐng)域的推薦策略，碎片化的移動學(xué)習(xí)情景更注重資源推薦的及時性和適應(yīng)性，這就要求改進(jìn)傳統(tǒng)的推薦模型，使得推薦結(jié)果有較強(qiáng)的情景適應(yīng)能力。

目前，移動學(xué)習(xí)資源個性化推薦研究大部分基于協(xié)同過濾技術(shù)，構(gòu)建了學(xué)習(xí)者——資源二維推薦模型，其學(xué)習(xí)者評分模型是情景無關(guān)的。但是，在移動環(huán)境下，學(xué)習(xí)者的興趣和需求隨著與時間和空間等情境的改變而有所不同，而目前的研究并未充分考慮移動情境因素對學(xué)習(xí)者偏好的影響。因此，如何結(jié)合移動學(xué)習(xí)者學(xué)習(xí)情境，更準(zhǔn)確地預(yù)測學(xué)習(xí)者的偏好信息已經(jīng)成為移動學(xué)習(xí)資源個性化推薦亟待解決的問題。

本文將從移動情景入手，對移動學(xué)習(xí)者、資源、情景三者的相互關(guān)系展開研究，挖掘移動學(xué)習(xí)者情景特征，試圖構(gòu)建一種面向移動學(xué)習(xí)情景的推薦模型，以期為個性化移動學(xué)習(xí)服務(wù)提供更好的用戶偏好建模思路的具體算法。

二、推薦策略中的關(guān)鍵因素

移動學(xué)習(xí)資源推薦系統(tǒng)涉及到三個實(shí)體對象：學(xué)習(xí)資源，學(xué)習(xí)者，移動情景。要建立一個準(zhǔn)確的推薦系統(tǒng)，首要問題理清這三者的特征關(guān)聯(lián)。其次，基于協(xié)同過濾的推薦算法具有數(shù)據(jù)稀疏、冷啟動（新用戶）、擴(kuò)展能力差的缺陷[1]，影響推薦結(jié)果的準(zhǔn)確性，如何有效利用情景信息緩解緩解該問題也需要進(jìn)一步研究。此外，移動學(xué)習(xí)資源推薦和其他資源推薦具有很大的不同，要想讓移動學(xué)習(xí)真正發(fā)生，推薦模型需要解決更加深入的問題，這就要求對當(dāng)前移動學(xué)習(xí)的理論研究具有一定認(rèn)識，優(yōu)化推薦算法的準(zhǔn)確度。目前，耦合情景信息的推薦技術(shù)主要包括三種情況[2]：第一，情景預(yù)過濾推薦模型：該模型將與用戶情景無關(guān)的偏好數(shù)據(jù)進(jìn)行預(yù)過濾處理，在此基礎(chǔ)上采用協(xié)同過濾算法實(shí)現(xiàn)推薦。第二，情景后過濾推薦模型：該模型先采用協(xié)同過濾算法產(chǎn)生初始推薦列表，再過濾掉與用戶情景無關(guān)的推薦。第三，耦合多維情景信息的推薦：該策略是在協(xié)同過濾算法中整合情景信息，實(shí)現(xiàn)U（用戶）×I（資源）×C（情景上下文）三維問題向二維問題的轉(zhuǎn)化，最終采用協(xié)同過濾算法產(chǎn)生情景化的推薦結(jié)果。其中，第三種推薦策略適應(yīng)性更好，也是本文所采用的推薦策略。

三、移動學(xué)習(xí)情境下的偏好建模

根據(jù)教學(xué)模式的特點(diǎn)，國內(nèi)學(xué)者余勝泉教授將移動學(xué)習(xí)劃分為知識傳遞、認(rèn)知建構(gòu)、情景認(rèn)知三代[3]，顯示出情景在未來移動學(xué)習(xí)過程中的重要性；根據(jù)學(xué)習(xí)過程中交流的程度和個體化學(xué)習(xí)、社會性學(xué)習(xí)的程度，國外學(xué)者Park將移動學(xué)習(xí)劃分為高交流的社會性學(xué)習(xí)、高交流的個體化學(xué)習(xí)、低交流的社會性學(xué)習(xí)和低交流的個體化學(xué)習(xí)四種類型[4]。這些研究表明，移動學(xué)習(xí)要想真正發(fā)揮作用，需要多方面的努力，一方面要求能夠很好地傳承傳統(tǒng)教學(xué)模式中的學(xué)習(xí)特點(diǎn)，特別是關(guān)注認(rèn)知建構(gòu)和學(xué)習(xí)協(xié)作，另一方面要求學(xué)習(xí)具有很強(qiáng)的情景適應(yīng)性和社交性成分的參與。

根據(jù)布魯姆認(rèn)知理論[5]，從學(xué)習(xí)者認(rèn)知能力角度來看知認(rèn)知構(gòu)建大致分為識記、領(lǐng)會、應(yīng)用、分析（包括分析、綜合和評價）四個層次，那么相應(yīng)的資源推薦模型可以從資源的難易程度不同來實(shí)現(xiàn)差異推薦，學(xué)習(xí)資源難度系數(shù)分為初始資源、介紹資源、拓展資源和專業(yè)資源[6]。

從協(xié)作的角度來看，Chen 認(rèn)為“類似用戶具有類似的偏好這種說法仍不完整”，同時也要考慮“類似情景下的其他用戶在與活動用戶當(dāng)前情景條件下對項(xiàng)目的偏愛程度”[7]。也就是說對用戶偏好建模應(yīng)該考慮用戶的情景因素，比如一條資源用戶是在什么設(shè)備或者什么網(wǎng)絡(luò)狀況下給出的評分。根據(jù)一般常識，移動學(xué)習(xí)設(shè)備網(wǎng)絡(luò)狀況較差時，加載速度快的文字類學(xué)習(xí)資源學(xué)習(xí)體驗(yàn)更好，網(wǎng)絡(luò)狀況較好時一些富媒體資源由于交互性更強(qiáng)，學(xué)習(xí)效果更好。這種對照關(guān)系是普遍存在的，又如學(xué)習(xí)者在白天因?yàn)閷W(xué)習(xí)時間不夠連續(xù)更喜歡難度低的介紹性學(xué)習(xí)，在夜晚則因?yàn)闀r間充裕更喜歡難度高的學(xué)習(xí)資料進(jìn)行深入學(xué)習(xí)；在室外喜歡文字類型的資源，室內(nèi)喜歡視頻類型的資源等等。根據(jù)數(shù)據(jù)統(tǒng)計和分析方法還可以找到資源特征和學(xué)習(xí)者動態(tài)情景更多的對應(yīng)關(guān)系，挖掘這些對應(yīng)關(guān)系并在推薦算法中加以融入能夠使推薦結(jié)果更具情景化，推薦質(zhì)量更高。

概括來說，移動學(xué)習(xí)者情景包含兩部分：靜態(tài)情景和動態(tài)情景，前者反映了學(xué)習(xí)者對學(xué)習(xí)資源內(nèi)容的偏好，后者則影響了移動學(xué)習(xí)者可接受的移動學(xué)習(xí)過程和學(xué)習(xí)資源形式。這種對應(yīng)關(guān)系可用表1來描述。

通過上述分析，能夠較好的完成個性化移動學(xué)習(xí)資源推薦系統(tǒng)中的用戶建模和資源建模，并實(shí)現(xiàn)了U（學(xué)習(xí)者）×I（學(xué)習(xí)資源）×C（移動情景上下文）三維模型向二維模型的轉(zhuǎn)化，從而形成基于協(xié)同過濾算法的移動學(xué)習(xí)者偏好模型，該模型有較好的情景適應(yīng)性。

協(xié)同過濾算法的核心是用戶評分矩陣的建立，基于上述模型的評分矩陣可由下表2所示。

該評分矩陣既包括移動學(xué)習(xí)者的顯示評分項(xiàng)目，也考慮了移動情景信息提供的隱式評分項(xiàng)目，基于該評分矩陣的所求得的最近鄰用戶能夠滿足這一有效推測：如果具有相似的資源評分歷史的前提下，還擁有相似的網(wǎng)絡(luò)狀況和相似的認(rèn)知能力，那么這些學(xué)習(xí)者應(yīng)該具有相似的偏好。需要注意的一點(diǎn)是學(xué)習(xí)者特征屬性取值在區(qū)間[0，1]連續(xù)，所以在求解前要對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。

采用協(xié)同過濾算法能夠得到初始推薦列表，在該結(jié)果中進(jìn)一步計算學(xué)習(xí)者認(rèn)知能力和資源難度系數(shù)以及學(xué)習(xí)者網(wǎng)絡(luò)情景和資源類型的匹配度，通過賦予輕重不同的權(quán)值，可以實(shí)現(xiàn)推薦結(jié)果的重排和過濾，從何使得推薦結(jié)果能夠適應(yīng)學(xué)習(xí)者情景，滿足實(shí)時而準(zhǔn)確的移動學(xué)習(xí)需求。

四、研究總結(jié)

移動學(xué)習(xí)資源推薦涉及到U（用戶）×I（資源）×C（上下文）三維推薦模型，要利用協(xié)同過濾算法，首先需要進(jìn)行降維運(yùn)算，本章采取的降維策略，一方面提出直接將移動情景看作學(xué)習(xí)者特征，完成移動學(xué)習(xí)者特征建模，另一方面認(rèn)為學(xué)習(xí)者移動情景特征和資源某些特征能夠建立一種聯(lián)系。所以，本文選取了移動學(xué)習(xí)者具有代表性的認(rèn)知能力特征和網(wǎng)絡(luò)情景特征作為評分?jǐn)U展，提出的推薦策略具有協(xié)作化特征的同時，又有很好的情景適應(yīng)性。

（作者單位：云南師范大學(xué)信息學(xué)院）

參考文獻(xiàn)：

[1] Sarwar B，Karypis G，Konstan J.Item-based collaborative filtering recommendation algorithms[C].Proceedings of the 10th International WWW Conference. New York：ACM Press，2001：285-295.

[2] Umberto PanniellooMichele Gorgoglione.Incorporating context into recommender systems：An empirical comparison of context-based approaches[J].ElectronCommerRes，2012，（12）：1-30.

[3] 余勝泉. 從知識傳遞到認(rèn)知建構(gòu)、再到情境認(rèn)知——三代移動學(xué)習(xí)的發(fā)展與展望[J]. 中國電化教育，2007，（6）：7-18.

[4] Park，Y.（2011）. A Pedagogical Framework for Mobile Learning：Categorizing Educational Applications of Mobile Technologies into Four Types[J]. International Review of Research in Open and Distance Learning， （12）：78-102.

[5] 布盧姆. 教育目標(biāo)分類學(xué)：第一分冊（認(rèn)知領(lǐng)域）[M]. 上海：華東師范大學(xué)出版社，1986.

[6] Yang Y J，Wu Chuni.An attribute-based ant colony system for adaptive learning object recommendation[J].Expe～Systems with Applications，2009，36（2）：3034—3047.

[7] Chen A.Context-Aware collaborative filtering system：Predicting the users preferences in ubiquitous computing environment[C].In：Proc.of the LoCA2005.LNCS3479，Berlin：Springer-Verlag，2005.244-253.