賀超波++付志文++劉海

摘 要：在線學(xué)習(xí)用戶難于快速有效發(fā)現(xiàn)感興趣的學(xué)習(xí)資源，從而影響了學(xué)習(xí)的積極性和主動性。針對該問題，本文設(shè)計了一種基于興趣社區(qū)的學(xué)習(xí)資源推薦模式，首先通過構(gòu)建基于社交網(wǎng)絡(luò)的在線學(xué)習(xí)服務(wù)為學(xué)習(xí)用戶提供交流協(xié)作以及學(xué)習(xí)資源評價環(huán)境，然后利用興趣社區(qū)挖掘技術(shù)發(fā)現(xiàn)興趣高度相似的用戶群體，最后基于相似用戶群體對目標用戶進行學(xué)習(xí)資源推薦。通過自主開發(fā)基于社交網(wǎng)絡(luò)的在線課程服務(wù)，對該推薦模式的應(yīng)用效果進行了實際驗證。

關(guān)鍵詞：學(xué)習(xí)資源推薦；興趣社區(qū)；社交網(wǎng)絡(luò)；在線學(xué)習(xí)

中圖分類號：G642 文獻標志碼：B

一、引言

隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，在線學(xué)習(xí)服務(wù)由于可以提供不受時空限制以及自由獲取知識的學(xué)習(xí)環(huán)境，目前已越來越受到廣大教師和學(xué)生的歡迎，各大在線學(xué)習(xí)服務(wù)吸引了眾多教師建立在線課程，注冊的學(xué)習(xí)用戶數(shù)量也增長迅速。例如，國外三大主流在線學(xué)習(xí)服務(wù)平臺：Coursera、edX和Udacity的各類在線課程在2013年就已吸引了遍布全球220多個國家的600多萬名學(xué)習(xí)者[1]，國內(nèi)具有代表性的在線學(xué)習(xí)服務(wù)平臺：國家精品課程資源網(wǎng)、中國大學(xué)精品開放課程網(wǎng)（icourse）、MOOC學(xué)院、學(xué)堂在線以及騰訊課堂等在各自網(wǎng)站上公布的選課人數(shù)也已經(jīng)達到百萬級別。各大在線學(xué)習(xí)服務(wù)高速發(fā)展的同時，也積累了海量的學(xué)習(xí)資源，以國家精品課程資源網(wǎng)為例，截止到2016年11月，該網(wǎng)站包含教學(xué)視頻、課件以及試題等學(xué)習(xí)資源的數(shù)量已超過130萬個。面對數(shù)量如此龐大的學(xué)習(xí)資源，學(xué)習(xí)用戶很容易遭遇“資源過載”的問題：為了查找與學(xué)習(xí)相關(guān)、感興趣的學(xué)習(xí)資源，往往需要付出大量時間和精力，這嚴重影響了學(xué)習(xí)用戶進行在線學(xué)習(xí)的積極性和主動性。

如何為廣大學(xué)習(xí)用戶主動推薦高質(zhì)量的學(xué)習(xí)資源已成為各大在線學(xué)習(xí)服務(wù)提供商以及研究人員共同關(guān)注的熱點話題[2]。例如，具有代表性的中國大學(xué)精品開放課程網(wǎng)能夠根據(jù)學(xué)習(xí)用戶的基本信息和學(xué)習(xí)行為實時推薦相關(guān)課程資源，包括熱門課程、教師、學(xué)習(xí)小組等，但推薦結(jié)果與學(xué)習(xí)用戶興趣愛好的匹配不夠準確，學(xué)習(xí)資源的選取與推送存在盲點，系統(tǒng)不能夠精準地感知學(xué)習(xí)情境來有效推薦適合學(xué)習(xí)用戶的個性化優(yōu)質(zhì)資源，其個性化推薦服務(wù)模式還需要不斷改進。目前在線社交網(wǎng)絡(luò)（Online Social Network， OSN）已成為互聯(lián)網(wǎng)應(yīng)用熱點，廣大互聯(lián)網(wǎng)用戶通過OSN加強了人與人之間的聯(lián)系，形成了虛擬網(wǎng)絡(luò)世界中數(shù)量眾多的興趣社區(qū)。興趣社區(qū)中的用戶聯(lián)系更加緊密，興趣更加相似，信息資源在興趣社區(qū)中可以得到更廣泛、更快速和更準確的傳播，這為改進現(xiàn)有在線學(xué)習(xí)資源推薦模式提供了新的途徑。為此，本文設(shè)計了一種基于OSN興趣社區(qū)的學(xué)習(xí)資源推薦模式，目的在于提高在線學(xué)習(xí)用戶的學(xué)習(xí)資源獲取質(zhì)量和效率，并提高學(xué)習(xí)的積極性和主動性。

二、基于興趣社區(qū)的學(xué)習(xí)資源推薦模式

1.模式框架設(shè)計

基于興趣社區(qū)的學(xué)習(xí)資源推薦模式需要利用用戶的OSN信息以及資源偏好信息，其首先通過構(gòu)建基于OSN的在線學(xué)習(xí)服務(wù)，為學(xué)習(xí)用戶提供交流協(xié)作、資源分享以及資源評價功能，然后在形成用戶關(guān)系網(wǎng)絡(luò)的基礎(chǔ)上，通過挖掘興趣社區(qū)對學(xué)習(xí)用戶進行興趣特征建模，最后應(yīng)用排序算法形成學(xué)習(xí)資源推薦列表。推薦模式的整體框架設(shè)計如圖1所示。

圖1所示的模式框架包括三大組成部分，分別為：①面向在線學(xué)習(xí)的OSN服務(wù)。OSN服務(wù)用于促進學(xué)習(xí)用戶關(guān)系網(wǎng)絡(luò)的形成，為學(xué)習(xí)資源推薦提供可以利用的用戶OSN信息。該服務(wù)基于Web2.0的技術(shù)規(guī)范以及OSN服務(wù)建設(shè)標準進行設(shè)計與開發(fā)， 并結(jié)合在線學(xué)習(xí)的需求提供學(xué)習(xí)用戶在信息分享、互動交流以及群組協(xié)作支持等方面的功能，可以為在線學(xué)習(xí)用戶進行協(xié)作式學(xué)習(xí)提供支持環(huán)境。②基于OSN的在線學(xué)習(xí)服務(wù)。在線學(xué)習(xí)服務(wù)為用戶提供學(xué)習(xí)資源服務(wù)環(huán)境，該服務(wù)參照目前流行的“慕課”服務(wù)模式進行設(shè)計，包含課程信息、課程動態(tài)、學(xué)習(xí)用戶管理以及學(xué)習(xí)資源等基本功能，并基于OSN提高在線學(xué)習(xí)服務(wù)的互動能力，尤其是用戶與用戶、用戶與學(xué)習(xí)資源之間的交互。此外，通過提供學(xué)習(xí)資源的評價功能，可以獲取學(xué)習(xí)用戶的學(xué)習(xí)資源偏好信息。③學(xué)習(xí)資源推薦服務(wù)。該服務(wù)是學(xué)習(xí)資源推薦模式的核心組成部分，通過用戶關(guān)系網(wǎng)絡(luò)挖掘興趣社區(qū)，可以發(fā)現(xiàn)興趣社區(qū)內(nèi)的高度相似用戶群體并結(jié)合學(xué)習(xí)資源評分信息進行學(xué)習(xí)資源推薦列表生成以及推薦排序等。此外，還可以利用用戶的反饋信息不斷改進推薦服務(wù)質(zhì)量。學(xué)習(xí)資源推薦服務(wù)的實現(xiàn)流程如圖2所示。

由圖2可以看出學(xué)習(xí)資源推薦流程涉及從數(shù)據(jù)采集到推薦排序等多個步驟，其中興趣社區(qū)挖掘、用戶相似性計算及學(xué)習(xí)資源評分預(yù)測是學(xué)習(xí)資源推薦的重要組成部分，下面將分別介紹這三大部分的具體實現(xiàn)過程。

2.學(xué)習(xí)用戶興趣社區(qū)挖掘

通過OSN服務(wù)，學(xué)習(xí)用戶之間可以建立起好友關(guān)系，實現(xiàn)動態(tài)關(guān)注以及資源分享。隨著用戶的增多以及好友關(guān)系的不斷建立，在線學(xué)習(xí)服務(wù)的好友關(guān)系網(wǎng)絡(luò)也將不斷增長并且具有明顯的聚集結(jié)構(gòu)，具有相同學(xué)習(xí)興趣的用戶聯(lián)系密集，具有不同學(xué)習(xí)興趣的用戶聯(lián)系稀疏，即好友關(guān)系網(wǎng)絡(luò)存在各種各樣的興趣社區(qū)。通過挖掘興趣社區(qū)，可以發(fā)現(xiàn)社區(qū)內(nèi)具有高度興趣相似度的用戶。例如，圖3給出了一個學(xué)習(xí)用戶好友關(guān)系網(wǎng)絡(luò)示例，其中共有7個用戶節(jié)點：u1，u2，u3，u4，u5，u6及u7，可以看出u1，u2，u3及u4作為興趣社區(qū)1的成員彼此之間聯(lián)系密集，u5，u6及u7作為興趣社區(qū)2的成員彼此之間也聯(lián)系密集，但不同興趣社區(qū)之間的用戶聯(lián)系稀疏。

為有效挖掘?qū)W習(xí)用戶好友關(guān)系網(wǎng)絡(luò)存在的興趣社區(qū)，本文采用基于非負矩陣分解（Nonnegative matrix factorization，NMF）的社區(qū)挖掘模型[3]進行處理。首先學(xué)習(xí)用戶好友關(guān)系網(wǎng)絡(luò)可以建模為無向無權(quán)圖，其對應(yīng)的鄰接矩陣X=[xij]n×n，其中n為用戶數(shù)量，當(dāng)任意兩個用戶ui和uj存在好友關(guān)系時，xij=0，否則，可知X為非負值矩陣。假設(shè)社區(qū)挖掘數(shù)目為k，可構(gòu)建基于NMF的社區(qū)挖掘模型：

minX-HHT2F（1）

其中F為Frobenius范數(shù)，H為n×k的非負矩陣，對于任意一個元素hil∈H可以表示為用戶i與社區(qū)l的歸屬強度。實際操作中，H可以通過文獻[3]提出的迭代近似優(yōu)化方法求解，各個興趣社區(qū)可以通過判斷成員與社區(qū)對應(yīng)的矩陣元素大小獲得。例如，對于圖3所示的學(xué)習(xí)用戶好友關(guān)系網(wǎng)絡(luò)示例，其對應(yīng)的興趣社區(qū)挖掘過程如圖4所示，最終挖掘結(jié)果與圖3是一致的。

3.學(xué)習(xí)用戶相似性計算及學(xué)習(xí)資源評分預(yù)測

由于同一個興趣社區(qū)內(nèi)的成員之間存在較高的興趣相似度，對學(xué)習(xí)資源有共同的偏好，因此可以綜合屬于同一個社區(qū)的成員對某一個學(xué)習(xí)資源的評分信息，形成目標用戶對該學(xué)習(xí)資源的評分預(yù)測。當(dāng)預(yù)測的評分較高時，則可以向目標用戶推薦該學(xué)習(xí)資源。為方便量化用戶對學(xué)習(xí)資源的評分，在基于OSN的在線學(xué)習(xí)服務(wù)中，可以提供用戶對學(xué)習(xí)資源的評分互動功能。如可以采用1-5分制，用于表達用戶對學(xué)習(xí)資源的評價等級，分值越大代表用戶對該學(xué)習(xí)資源的興趣度越高。假設(shè)學(xué)習(xí)資源集合為{I1，I2，…Im}，其中m為學(xué)習(xí)資源數(shù)量，用戶ui對學(xué)習(xí)資源Ij的評分表示為Rij，ui所在的興趣社區(qū)表示為C，則預(yù)測用戶ui對未評價的學(xué)習(xí)資源Ij的評分可以按照如下公式計算：

■ij=Ri+（■sim（i，p）（Rpj-Rp））/■sim（i，p）（2）

其中Ri和Rp分別表示用戶ui和up已有評分的平均值，sim（i，p）=■i·■p表示為用戶ui和up的相似度，其中ui和upi均屬于同一個社區(qū)C，hi和hp分別為用戶ui和up在H中對應(yīng)的行向量。通過應(yīng)用公式2可計算得到用戶ui預(yù)測評分較高的學(xué)習(xí)資源，并為提供最終的學(xué)習(xí)資源推薦列表。例如，假設(shè)在線學(xué)習(xí)服務(wù)中具有5個學(xué)習(xí)資源{I1，I2，I3，I4，I5}，圖3所示的用戶已有的評分信息如表1所示，其中“？”表示為待預(yù)測的評分。

根據(jù)圖4所示的興趣社區(qū)挖掘結(jié)果，與、以及處于同一個社區(qū)，可以計算，，，，，以及。根據(jù)公式（2），可以計算對于、以及的預(yù)測評分分別為：，以及，因此最終為推薦的學(xué)習(xí)資源排序列表為：，以及。

三、應(yīng)用效果分析

作者研究團隊在已開發(fā)的學(xué)術(shù)OSN：學(xué)者網(wǎng)（http：//www.scholat.com）基礎(chǔ)上，進一步開發(fā)了學(xué)者網(wǎng)在線課程服務(wù)，可以為廣大教師、學(xué)生用戶提供基于OSN的在線課程學(xué)習(xí)環(huán)境。目前，學(xué)者網(wǎng)在線課程服務(wù)具有的功能如圖5所示，截止到2016年11月，該在線課程服務(wù)共吸引了來自中山大學(xué)、武漢大學(xué)以及四川大學(xué)等132所高校的5萬多名注冊用戶使用，共創(chuàng)建有覆蓋多個學(xué)科的790門課程以及積累了10萬多件各種類型的學(xué)習(xí)資源。

學(xué)者網(wǎng)學(xué)習(xí)用戶通過OSN提供的“加為好友”功能可以建立好友關(guān)系網(wǎng)絡(luò)，實現(xiàn)實時關(guān)注各自最新動態(tài)以及分享學(xué)習(xí)資源。此外，通過在線課程提供的學(xué)習(xí)資源評價功能，學(xué)習(xí)用戶還可以對各類學(xué)習(xí)資源進行評分以及評論。通過近2年的實際運行，學(xué)者網(wǎng)在線課程用戶已形成了一定規(guī)模的好友關(guān)系網(wǎng)絡(luò)以及積累了豐富的學(xué)習(xí)資源評價數(shù)據(jù)，這為進行基于興趣社區(qū)的學(xué)習(xí)資源推薦提供了理想的應(yīng)用環(huán)境。為驗證本文推薦模式的實際應(yīng)用效果，在學(xué)者網(wǎng)在線課程服務(wù)平臺上進行了實證研究，采用用戶問卷調(diào)查的方式對推薦效果進行評價，實際發(fā)放問卷120份，回收120份，有效回收率100%，具體問卷調(diào)查的內(nèi)容及統(tǒng)計結(jié)果如表2所示。

在表2中，問題1、問題2以及問題3主要用來評測本文推薦模式的推薦準確度，調(diào)查結(jié)果發(fā)現(xiàn)有95.3%的受訪用戶認為學(xué)習(xí)資源推薦服務(wù)提供了感興趣的學(xué)習(xí)資源，同時有92.1%的用戶使用了推薦的學(xué)習(xí)資源，另外有91.5%的用戶認為推薦排序結(jié)果是合理的，這些數(shù)據(jù)都說明本文推薦模式具有較高的推薦準確度。問題4用于評測本文推薦模式是否可以感知用戶興趣的變化并做出相應(yīng)推薦，由于本文采用基于興趣社區(qū)挖掘的推薦策略，可以較好地獲取到學(xué)習(xí)用戶在不同學(xué)習(xí)時期所處的興趣社區(qū)，因此具有感知用戶興趣變化的特性，實際的調(diào)查結(jié)果也有93.2%的用戶表示認同。問題5用于評測用戶對學(xué)習(xí)資源推薦服務(wù)的信任程度，結(jié)果發(fā)現(xiàn)有86.6%的用戶都主要通過推薦服務(wù)獲取感興趣的學(xué)習(xí)資源，這說明了本文提出的推薦模式能夠切實有效幫助用戶“過濾”海量學(xué)習(xí)資源，相應(yīng)的推薦服務(wù)已成為了用戶經(jīng)常使用的學(xué)習(xí)資源獲取工具。

四、結(jié)束語

本文在基于OSN構(gòu)建在線學(xué)習(xí)服務(wù)的基礎(chǔ)上，設(shè)計了一種基于興趣社區(qū)的在線學(xué)習(xí)資源推薦模式，實際應(yīng)用分析表明該模式具有較好的推薦效果，可以為學(xué)習(xí)用戶提供高質(zhì)量的學(xué)習(xí)資源推薦服務(wù)。此外，本文相關(guān)研究結(jié)果無論是在理論還是應(yīng)用層面都具有積極意義，具體表現(xiàn)在：①通過研究利用OSN在用戶群組、協(xié)作交互以及資源分享具有的獨特優(yōu)勢構(gòu)建在線學(xué)習(xí)服務(wù)，不僅可以形成一種基于OSN的在線協(xié)作式學(xué)習(xí)環(huán)境構(gòu)建模式，而且還可以進一步豐富目前在線學(xué)習(xí)服務(wù)的構(gòu)建形式。②通過研究基于興趣社區(qū)的在線學(xué)習(xí)資源推薦模式，可以探索OSN的集體智慧對學(xué)習(xí)資源推薦的影響機制，相關(guān)研究結(jié)果將是對現(xiàn)有在線學(xué)習(xí)資源推薦研究框架的一次有益拓展。（3）通過開展基于興趣社區(qū)的在線學(xué)習(xí)資源推薦模式的實際應(yīng)用，不僅可為各類在線學(xué)習(xí)服務(wù)的學(xué)習(xí)資源建設(shè)提供支持，而且還可以在不同領(lǐng)域的開放式學(xué)習(xí)資源平臺中進行應(yīng)用，研究成果具有較強的普適性以及推廣價值。

參考文獻：

[1]袁莉，斯蒂芬·鮑威爾，馬紅亮.大規(guī)模開放在線課程的國際現(xiàn)狀分析[J].開放教育研究，2013，19（3）：56-62+84.

[2]劉靜，熊才平，丁繼紅，等.教育信息資源個性化推薦服務(wù)模式研究[J].中國遠程教育，2016（2）：5-9.

[3]賀超波，湯庸，沈玉利等.應(yīng)用非負值矩陣分解模型的社區(qū)挖掘方法[J].小型微型計算機系統(tǒng)，2014，35（6）：1275-1280.

（編輯：王曉明）