袁小艷

（四川文理學(xué)院 計(jì)算機(jī)學(xué)院，四川 達(dá)州 635000）

基于情境的個(gè)性化學(xué)習(xí)云服務(wù)推薦模型研究

袁小艷

（四川文理學(xué)院 計(jì)算機(jī)學(xué)院，四川 達(dá)州 635000）

云服務(wù)的發(fā)展引起了信息爆炸，導(dǎo)致個(gè)性化云服務(wù)推薦備受歡迎，學(xué)習(xí)云服務(wù)推薦也是如此。論文以探索云服務(wù)推薦為目標(biāo)，在分析個(gè)性化學(xué)習(xí)者模型、個(gè)性化情境模型和服務(wù)模型的基礎(chǔ)上，構(gòu)建了個(gè)性化學(xué)習(xí)云服務(wù)推薦模型，引入了一種面向情境的基于SLOPE ONE的協(xié)同過(guò)濾推薦算法，通過(guò)計(jì)算服務(wù)的相異性來(lái)推薦云服務(wù)，并采用多種推薦手段推薦云服務(wù)。論文研究的目的是為了推進(jìn)個(gè)性化云服務(wù)推薦技術(shù)的發(fā)展。

個(gè)性化；情境；云服務(wù)；推薦；模型

隨著云計(jì)算的迅猛發(fā)展，學(xué)生學(xué)習(xí)的資源和方式越來(lái)越多，學(xué)生也越來(lái)越不滿(mǎn)足于課堂上所學(xué)知識(shí)。如何讓學(xué)生用最少的時(shí)間和精力，在海量的學(xué)習(xí)信息里找到滿(mǎn)意的學(xué)習(xí)資源和學(xué)習(xí)方法，是一個(gè)急需解決的問(wèn)題。個(gè)性化云服務(wù)是數(shù)據(jù)海洋的領(lǐng)航員［1］，在其基礎(chǔ)上進(jìn)行推薦便可解決上述問(wèn)題，以提高學(xué)生的學(xué)習(xí)效率和學(xué)習(xí)興趣。

在現(xiàn)在的網(wǎng)絡(luò)學(xué)習(xí)環(huán)境中，大多都是被動(dòng)地滿(mǎn)足學(xué)生的學(xué)習(xí)需求，而不是主動(dòng)地分析學(xué)生的個(gè)性化需求、感知學(xué)生的學(xué)習(xí)情境，并主動(dòng)地提供適合每一位學(xué)生的學(xué)習(xí)資源、學(xué)習(xí)路徑和學(xué)習(xí)方法［2］，實(shí)現(xiàn)這些功能的核心技術(shù)之一就是學(xué)生學(xué)習(xí)興趣的提取和學(xué)習(xí)情境的感知。本文將學(xué)生的學(xué)習(xí)行為、學(xué)習(xí)風(fēng)格、學(xué)習(xí)興趣和學(xué)習(xí)情境融入到云服務(wù)推薦中，采用多種方式向?qū)W生推薦合適的學(xué)習(xí)服務(wù)，并對(duì)主要的模型進(jìn)行了闡述。

1 個(gè)性化學(xué)習(xí)

個(gè)性化學(xué)習(xí)，顧名思義，就是學(xué)習(xí)要有每個(gè)人的特征、特性，而不是共性，它是以反映學(xué)生個(gè)性差異為基礎(chǔ)［2］，以促進(jìn)學(xué)生個(gè)性發(fā)展為目標(biāo)的學(xué)習(xí)范式。每個(gè)學(xué)生都是與眾不同的，有自己獨(dú)特的天賦特性、偏好和天生優(yōu)勢(shì)，也有不同于別人的弱點(diǎn)。解決學(xué)生的學(xué)習(xí)問(wèn)題，應(yīng)該用個(gè)性化的方法去適應(yīng)學(xué)習(xí)上的要求。構(gòu)建個(gè)性化學(xué)習(xí)方案是幫助學(xué)生迅速提高學(xué)習(xí)效率和成果的一種有效工具。

個(gè)性化學(xué)習(xí)，承認(rèn)學(xué)生間的個(gè)體差異，需要為學(xué)生量身定制不同于別人的學(xué)習(xí)策略、學(xué)習(xí)路徑和學(xué)習(xí)方法，而不是給學(xué)生強(qiáng)制指定統(tǒng)一的學(xué)習(xí)材料、學(xué)習(xí)評(píng)價(jià)方法和學(xué)習(xí)指導(dǎo)。為了給學(xué)生更多的個(gè)性發(fā)展空間，應(yīng)給予學(xué)生多樣化的學(xué)習(xí)內(nèi)容、彈性化的學(xué)習(xí)結(jié)構(gòu)、多元化的學(xué)習(xí)評(píng)價(jià)方法和差異化的學(xué)習(xí)指導(dǎo)［2］，讓學(xué)生在最大程度上自主控制自己的學(xué)習(xí)行為。

2 個(gè)性化學(xué)習(xí)者模型

學(xué)習(xí)者模型是個(gè)性化學(xué)習(xí)的重要內(nèi)容，它表示學(xué)生所有的學(xué)習(xí)行為和知識(shí)，將學(xué)習(xí)者的學(xué)習(xí)特征、學(xué)習(xí)興趣、學(xué)習(xí)目標(biāo)、學(xué)習(xí)風(fēng)格和學(xué)習(xí)態(tài)度模型化。學(xué)習(xí)者模型是學(xué)習(xí)者心理和生理的抽象，為個(gè)性化學(xué)習(xí)云服務(wù)推薦提供決策支持［1］。學(xué)習(xí)者的學(xué)習(xí)特征、學(xué)習(xí)興趣等內(nèi)容都從學(xué)生的網(wǎng)絡(luò)學(xué)習(xí)行為中提取，可以直接提取，如注冊(cè)時(shí)的興趣信息，也可以間接提取，如從學(xué)生的瀏覽行為、消費(fèi)記錄、服務(wù)分享等提取出學(xué)習(xí)興趣、學(xué)習(xí)風(fēng)格等信息。個(gè)性化學(xué)習(xí)者模型的表示方法有多種，如基于向量空間模型方法、基于本體的表示方法、有向圖的表示方法和高級(jí)學(xué)習(xí)者模型（ALM）表示方法，其中ALM表示法最全面，用語(yǔ)義和關(guān)鍵詞的方法表示出了學(xué)習(xí)者的學(xué)習(xí)興趣、知識(shí)水平和認(rèn)知能力。

本文的個(gè)性化學(xué)習(xí)者模型以ALM模型為基準(zhǔn)，進(jìn)行了相應(yīng)的優(yōu)化，從基本信息、學(xué)習(xí)風(fēng)格、知識(shí)水平、認(rèn)知能力和學(xué)習(xí)基本情況等5個(gè)方面進(jìn)行描述，表示為以下五元組。

定義1：PSM=（BI，LS，KI，CA，F(xiàn)S），其中BI是基本信息，LS是學(xué)習(xí)風(fēng)格，KI是知識(shí)水平，CA是認(rèn)知能力，F(xiàn)S是學(xué)習(xí)基本情況。

定義 2：BI=（ID，Name，Sex，PWD，IDNum，Language，Phone，Address，Post，School，EduBakg，Career），依次是ID、姓名、性別、密碼、身份證號(hào)、語(yǔ)言、電話(huà)、地址、郵箱、學(xué)校、學(xué)歷和專(zhuān)業(yè)。

定義3：LS=（LC，SW，ST，XC，RT，RO，RP，TT），依次是學(xué)習(xí)內(nèi)容興趣、學(xué)習(xí)方式興趣、學(xué)習(xí)工具興趣、學(xué)習(xí)策略興趣、資源類(lèi)型興趣、資源組織方式興趣、資源呈現(xiàn)方式興趣、學(xué)習(xí)時(shí)間興趣。

定義 4：LC=（＜lc1，v11＞，＜lc2，v12＞，…＜lci，v1i＞，…，＜lcn，v1n＞），lci是學(xué)生學(xué)習(xí)的第i個(gè)興趣，v1i是其所占比例值。

定義5：SW=（＜sw1，v21＞，＜sw2，v22＞，…＜swi，v2i＞，…，＜swn，v2n＞），swi是學(xué)生喜歡的第i種學(xué)習(xí)方式，v2i是其所占比例值。

定義 6：ST=（＜st1，v31＞，＜st2，v32＞，…＜sti，v3i＞，…，＜stn，v3n＞），sti是學(xué)生喜歡的第 i種學(xué)習(xí)工具，v3i是其所占比例值。

定義7：XC=（＜xc1，v41＞，＜xc2，v42＞，…＜xci，v4i＞，…，＜xcn，v4n＞），xci是學(xué)生喜歡的第 i種學(xué)習(xí)策略，v4i是其所占比例值。

定義8：RT=（＜rt1，v51＞，＜rt2，v52＞，…＜rti，v5i＞，…，＜rtn，v5n＞），rti是學(xué)生喜歡的第i種資源類(lèi)型，v5i是其所占比例值。

定義9：RO=（＜ro1，v61＞，＜ro2，v62＞，…＜roi，v6i＞，…，＜ron，v6n＞），roi是學(xué)生喜歡的第i種資源組織方式，v6i是其所占比例值。

定義10：RP=（＜rp1，v71＞，＜rp2，v72＞，…＜rpi，v7i＞，…，＜rpn，v7n＞），rpi是學(xué)生喜歡的第i種資源呈現(xiàn)方式，v7i是其所占比例值。

定義11：TT=（＜tt1，v81＞，＜tt2，v82＞，…＜tti，v8i＞，…，＜ttn，v8n＞），tti是學(xué)生喜歡的第i個(gè)學(xué)習(xí)時(shí)間段，v8i是其所占比例值。

定義12：KI=（＜lc1，l1＞，＜lc2，l2＞，…＜lci，li＞，…，＜lcn，ln＞），lci是第i種學(xué)習(xí)興趣，li是其掌握程度，其值為0、1、2、3、4，分別代表未學(xué)習(xí)、了解、掌握、應(yīng)用、熟悉。

定義 13：CA=（＜ca1，k1＞，＜ca2，k2＞，…＜cai，ki＞，…，＜ca8，k8＞），cai是第i種認(rèn)知能力，分別是記憶、歸納、觀察、分析、抽象、計(jì)算、想象和邏輯推理［2］，ki是其掌握程度，其值在 0-1之間。

定義14：FS=（Plan，Status，Time，Legacy），依次是學(xué)習(xí)計(jì)劃、學(xué)習(xí)完成狀態(tài)、學(xué)習(xí)總的時(shí)間、學(xué)習(xí)效果，均用語(yǔ)言描述。

3 個(gè)性化情境模型

情境是普適計(jì)算研究的熱點(diǎn)［3］，它是指人、物或環(huán)境的狀態(tài)信息，相同的學(xué)生在不同的情境下采用的服務(wù)也可能不盡相同［3-5］，所以推薦個(gè)性化學(xué)習(xí)服務(wù)不僅僅要考慮用戶(hù)興趣，還要考慮情境?，F(xiàn)有的很多情境研究都加入了用戶(hù)情境，但學(xué)習(xí)服務(wù)更側(cè)重于學(xué)生的學(xué)習(xí)風(fēng)格等信息，所以本文研究的情境不加入學(xué)生信息，只包含平臺(tái)情境和網(wǎng)絡(luò)情境［5］，表示為以下二元組。

定義 15：SitInfo=（PlatInfo，NetInfo），PlatInfo是平臺(tái)情境信息，NetInfo是網(wǎng)絡(luò)情境信息。

定義16：PlatInfo=（PlatID，Place，HDevice，SDevice，NDevice），依次是能平臺(tái)的唯一標(biāo)識(shí)ID，Place是位置，HDevice是硬件設(shè)備，SDevice是軟件設(shè)備，NDevice是網(wǎng)絡(luò)設(shè)備。

定義17：NetInfo=（Cyber，NWidth，NDelay，NSecurity），Cyber是聯(lián)網(wǎng)方式，其值為3G、FixedLine、WireLess之一，NWidth是網(wǎng)絡(luò)帶寬，NDelay是網(wǎng)絡(luò)延遲，NSecurity是網(wǎng)絡(luò)安全性。

4 服務(wù)模型

隨著WEB2.0的快速發(fā)展，高內(nèi)聚、低耦合的服務(wù)越來(lái)越多，云服務(wù)也處處可見(jiàn)，如何描述服務(wù)是一個(gè)研究熱點(diǎn)。本文的學(xué)習(xí)服務(wù)采用語(yǔ)義［4］的方式表示，如下所示：

定義18：SS=（FQOS，QOS），F(xiàn)QOS是服務(wù)功能，QOS是服務(wù)質(zhì)量。

定義19：FQOS=（SType，SName，SFunction，SOpera，IOData，SNote），SType是服務(wù)類(lèi)型，SName是服務(wù)名稱(chēng)，SFunction是服務(wù)功能，SOpera是服務(wù)操作名稱(chēng)，IOData是服務(wù)輸入輸出數(shù)據(jù)定義，SNote是服務(wù)注釋信息。

定義20：QOS=（SPrice，STime，SAvaila，SSuccess，SSecurity，SEvaluate，Sinter，SAfter，SAddress）SPrice是服務(wù)價(jià)格，STime是服務(wù)響應(yīng)時(shí)間，SAvaila是服務(wù)可用性，SSuccess是服務(wù)成功率，SSecurity是服務(wù)安全性，SEvaluate是服務(wù)評(píng)價(jià)平均值，Sinter是服務(wù)交互性，SAfter是售后服務(wù)，SAddress是服務(wù)位置。

5 個(gè)性化學(xué)習(xí)云服務(wù)推薦模型

隨著云服務(wù)的廣泛應(yīng)用，以用戶(hù)為引導(dǎo)、感性和理性共存的云服務(wù)市場(chǎng)已逐步形成［6］。如何讓學(xué)生快速的在“過(guò)載的云服務(wù)”中找到功能性需求和非功能性需求并存的云服務(wù)，是本文需要研究的內(nèi)容。本文在個(gè)性化學(xué)習(xí)者模型、個(gè)性化情境模型和服務(wù)模型的基礎(chǔ)上，建立了一個(gè)個(gè)性化學(xué)習(xí)云服務(wù)推薦模型，具體如圖1所示。

圖1中將模型分為了3個(gè)層次，平臺(tái)層、服務(wù)層和應(yīng)用層。平臺(tái)層主要使用Hadoop平臺(tái)，采用云服務(wù)架構(gòu)中的分布式文件系統(tǒng)HDFS存儲(chǔ)各種信息，如學(xué)習(xí)者的個(gè)性化信息、各種情景信息、各種學(xué)習(xí)服務(wù)信息［7］，然后通過(guò)MapReduce計(jì)算出相應(yīng)的個(gè)性化學(xué)習(xí)者模型、情景模型和學(xué)習(xí)服務(wù)模型。服務(wù)層在平臺(tái)中的3個(gè)模型的基礎(chǔ)上，采用多種推薦引擎進(jìn)行推薦服務(wù)，如基于用戶(hù)的推薦、基于服務(wù)的推薦、基于情境的推薦和基于語(yǔ)義相似度的推薦，并在此基礎(chǔ)上提供推薦服務(wù)接口。應(yīng)用層實(shí)現(xiàn)推薦服務(wù)的應(yīng)用，有多種推薦服務(wù)，如學(xué)習(xí)內(nèi)容推薦、學(xué)習(xí)方法推薦、學(xué)習(xí)路徑推薦、智能答疑推薦、虛擬實(shí)驗(yàn)室推薦、協(xié)作學(xué)習(xí)小組推薦、人氣服務(wù)推薦等多種推薦服務(wù)。

圖1 個(gè)性化學(xué)習(xí)云服務(wù)推薦模型Fig.1 Personalized learning cloud service recommendation model

此模型推薦引擎中的推薦算法不再僅僅限于服務(wù)功能需求，現(xiàn)在還需要提高到服務(wù)質(zhì)量（QOS）需求層面。為了解決這個(gè)問(wèn)題，現(xiàn)有的研究均將協(xié)同過(guò)濾方法引入到推薦系統(tǒng)中，但現(xiàn)有的協(xié)同過(guò)濾推薦算法均計(jì)算的相似性，計(jì)算的復(fù)雜度過(guò)高。本文引入一種面向情境的基于SLOPE ONE［8］的協(xié)同過(guò)濾推薦算法，用于計(jì)算服務(wù)的相異性，具體步驟如下：

步驟1使用學(xué)習(xí)服務(wù)的學(xué)生提交云服務(wù)請(qǐng)求。

步驟2根據(jù)學(xué)生的個(gè)性化學(xué)習(xí)模型，使用云服務(wù)發(fā)現(xiàn)機(jī)制，在大量的云服務(wù)模型中篩選出滿(mǎn)足學(xué)生需求的候選服務(wù)群。

步驟3通過(guò)MapReduce提取出學(xué)生個(gè)性化情境模型。

步驟4計(jì)算3維推薦空間的訓(xùn)練數(shù)據(jù)的相異性，找到相異性服務(wù)。

定義21：三維推薦空間TD的3個(gè)維度分別是用戶(hù)U、位置P和服務(wù)M，q（u，p，m）是用戶(hù)u使用位置p的服務(wù)s的QOS屬性值，如果用戶(hù)u沒(méi)有使用過(guò)位置p的服務(wù)m，則q（u，p，m）=0。三維推薦空間如圖2所示。

定義22：服務(wù)m和服務(wù)n*空間的相異性計(jì)算公式如下：

其中|U（m）∩U（n*）|表示調(diào)用了服務(wù)m和服務(wù)n*空間的用戶(hù)數(shù)量，gu，m是用戶(hù)u調(diào)用服務(wù)m的QOS屬性值，gu，n*是用戶(hù)u調(diào)用服務(wù)n*空間的QOS屬性值。

圖2 三維推薦空間Fig.2 Three-dimensional recommended space

步驟5計(jì)算用戶(hù)u調(diào)用服務(wù)m的預(yù)測(cè)QOS屬性值，公式如下：

其中，gu*是用戶(hù)u*空間所有評(píng)過(guò)分的服務(wù)評(píng)分平均值，|Gu*|是用戶(hù)u*空間除去服務(wù)m的所有評(píng)分?jǐn)?shù)目。

步驟6根據(jù)預(yù)測(cè)值向?qū)W生推薦最優(yōu)的k個(gè)候選學(xué)習(xí)云服務(wù)。

6 結(jié)束語(yǔ)

云服務(wù)作為云計(jì)算環(huán)境下建立分布式系統(tǒng)的流行技術(shù)之一，而備受關(guān)注，它的成功給廣大的技術(shù)人員和研究人員帶來(lái)了全新的挑戰(zhàn)，其中學(xué)習(xí)云服務(wù)的推薦更是備受學(xué)生和教師的關(guān)注。在“數(shù)據(jù)過(guò)盛”［8］和“知識(shí)匱乏”的矛盾下，加大了學(xué)生及時(shí)獲取有用學(xué)習(xí)服務(wù)的難度，云服務(wù)推薦技能解決這一難題。本文將學(xué)生的個(gè)性化學(xué)習(xí)習(xí)慣、情境等帶入了云服務(wù)推薦技術(shù)，并構(gòu)建了一個(gè)個(gè)性化學(xué)習(xí)云服務(wù)推薦模型，使用服務(wù)的相異性計(jì)算進(jìn)行推薦，但此模型還不成熟，情境的使用還不全面。在后續(xù)的研究工作中還需要進(jìn)一步將情境引入云服務(wù)推薦進(jìn)行研究，為云服務(wù)推薦應(yīng)用奠定一定的基礎(chǔ)。

［1］姜有輝.個(gè)性化學(xué)習(xí)服務(wù)模型研究［D］.天津：天津師范大學(xué)，2006.

［2］王吉林.基于定制服務(wù)的個(gè)性化學(xué)習(xí)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)［D］.武漢：華中師范大學(xué)，2014.

［3］古凌嵐.基于情境的Web服務(wù)推薦方法 ［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2014，35（3）:1115-1121.

［4］楊岳明，陳立潮，謝斌紅，等.基于用戶(hù)情境聚類(lèi)的Web服務(wù)發(fā)現(xiàn)方法研究 ［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2012，33（4）: 1442-1446.

［5］佘其平.基于用戶(hù)情境的服務(wù)組合推薦方法研究［D］.武漢：武漢理工大學(xué).2012.

［6］劉平峰，張慧，章佩露.面向用戶(hù)均衡需求的Web服務(wù)資源智能推薦方法［J］.計(jì)算機(jī)應(yīng)用研究，2012（9）:3224-3228.

［7］王萍，劉玲.基于PaaS云模式的學(xué)習(xí)推薦系統(tǒng)研究［J］.中國(guó)教育信息化，2013（3）:79-81.

［8］謝琪.基于協(xié)同過(guò)濾與QoS的個(gè)性化Web服務(wù)推薦研究［D］.重慶：重慶大學(xué)，2012.

The cloud service recommendation model of personalized learning based on situation

YUAN Xiao-yan
（College of Computer，Sichuan University of Arts and Science，Dazhou 635000，China）

The development of cloud service caused the information explosion，so the personalized recommendation of cloud services has been very popular，the same of the cloud services recommend of learning.Thesis to explore cloud services recommendation as the goal，constructs the individualized learning cloud service recommendation modelbased on the analysis of individual learners model，personalized situation model and service model，introduces analgorithm of collaborative filtering recommendation based on SLOPE ONE to face situation，to recommend cloud services through computing the opposite sex of services，and adopt a variety of methods to recommend cloud services.The purpose of the thesis is to promote the development of personalized cloud service recommendation technology.

personalized；situation；cloud services；recommendation；model

TN-9

A

1674－6236（2016）04-0039-03

2015-04-27 稿件編號(hào)：201504289

四川省教育廳一般項(xiàng)目（15ZB0318）；四川文理學(xué)院一般項(xiàng)目（2014Z012Y）

袁小艷（1982—），女，重慶永川人，碩士，講師。研究方向：軟件技術(shù)及開(kāi)發(fā)、云服務(wù)、知識(shí)工程。