翟 域，徐 朦，黃 斌

(1．貴州民族大學(xué)人文科技學(xué)院大數(shù)據(jù)與信息工程學(xué)院，貴州 貴陽 550001； 2.貴州師范大學(xué)大數(shù)據(jù)與計(jì)算機(jī)科學(xué)學(xué)院，貴州 貴陽 550001)

個(gè)性化學(xué)習(xí)是指根據(jù)學(xué)習(xí)者個(gè)性特征，采取適當(dāng)?shù)姆椒ǔ浞譂M足學(xué)習(xí)者個(gè)體需求，從而讓學(xué)習(xí)者個(gè)性得到充分發(fā)展的學(xué)習(xí)[1].相比傳統(tǒng)的學(xué)習(xí)模式，個(gè)性化學(xué)習(xí)支持學(xué)習(xí)者根據(jù)自身的個(gè)性特長有的放矢地學(xué)習(xí)，從而提高了學(xué)習(xí)者的學(xué)習(xí)興趣，發(fā)揮自身的學(xué)習(xí)潛力.《國家中長期教育改革和發(fā)展規(guī)劃綱要(2010—2020年)》和《教育信息化十年發(fā)展規(guī)劃(2011—2020年)》中均指出了要堅(jiān)持以人為本，尊重個(gè)人選擇，鼓勵(lì)個(gè)性發(fā)展，為學(xué)習(xí)者提供個(gè)性化的學(xué)習(xí)環(huán)境[1-3].許多省份的“十二五”和 “十三五”規(guī)劃也指出了要建立創(chuàng)新人才培養(yǎng)基地，實(shí)施個(gè)性化的培養(yǎng)方案[4].可見個(gè)性化學(xué)習(xí)已經(jīng)成為當(dāng)下大家共同關(guān)注的熱點(diǎn).個(gè)性化學(xué)習(xí)需要根據(jù)學(xué)習(xí)者的個(gè)性特征為其提供相應(yīng)的學(xué)習(xí)資源.隨著信息技術(shù)和E-learning[5-6]的不斷發(fā)展，網(wǎng)絡(luò)中的學(xué)習(xí)資源呈現(xiàn)爆炸式的增長[7].面對(duì)日益突出的信息過載現(xiàn)象[8]，如何從海量的學(xué)習(xí)資源中找到學(xué)習(xí)者真正需要的資源成為一個(gè)難題.因此，個(gè)性化學(xué)習(xí)資源推薦方法是實(shí)現(xiàn)個(gè)性學(xué)習(xí)的關(guān)鍵技術(shù).

目前，個(gè)性化學(xué)習(xí)資源推薦技術(shù)主要包括基于內(nèi)容(Content-based)的推薦、基于協(xié)同過濾(Collaborative Filtering)的推薦和混合推薦(Hybrid Recommendation).基于內(nèi)容的推薦[9-11]主要針對(duì)文本學(xué)習(xí)資源，將學(xué)習(xí)者喜歡的文章表示為詞向量的形式，使用TF-IDF算法為向量中的詞語分配不同的權(quán)重，并利用相似度衡量方法，從文章庫中匹配類似的文章推薦給學(xué)習(xí)者.基于協(xié)同過濾的推薦又分為基于用戶(User-based)的協(xié)同過濾、基于項(xiàng)目(Item-based)的協(xié)同過濾和基于模型(Model-Based)的協(xié)同過濾.基于用戶的協(xié)同過濾[12-14]根據(jù)學(xué)習(xí)者的個(gè)人信息和對(duì)于歷史學(xué)習(xí)資源的評(píng)分?jǐn)?shù)據(jù)，構(gòu)建學(xué)習(xí)者模型和學(xué)習(xí)者-學(xué)習(xí)資源評(píng)分矩陣，根據(jù)評(píng)分矩陣并使用相似度算法，計(jì)算出學(xué)習(xí)者之間的相似度，將相似學(xué)習(xí)者喜歡的學(xué)習(xí)資源推薦給學(xué)習(xí)者.基于項(xiàng)目的協(xié)同過濾[15-17]的核心思想與基于用戶的協(xié)同過濾基本相同，不同的是計(jì)算出學(xué)習(xí)資源之間的相似度，將類似于學(xué)習(xí)者喜歡的學(xué)習(xí)資源推薦給學(xué)習(xí)者.基于模型的協(xié)同過濾[18-19]是依據(jù)學(xué)習(xí)者的個(gè)人信息和學(xué)習(xí)數(shù)據(jù)，將學(xué)習(xí)者的興趣愛好、歷史行為和學(xué)習(xí)需求等作為模型的特征，對(duì)學(xué)習(xí)者進(jìn)行機(jī)器學(xué)習(xí)的建模，根據(jù)學(xué)習(xí)者對(duì)學(xué)習(xí)資源的歷史評(píng)分?jǐn)?shù)據(jù)進(jìn)行模型的訓(xùn)練，利用訓(xùn)練好的模型對(duì)學(xué)習(xí)資源庫中的資源進(jìn)行學(xué)習(xí)者評(píng)分的預(yù)測(cè)，推薦評(píng)分較高的學(xué)習(xí)資源給學(xué)習(xí)者.混合推薦[20-21]則以一定的混合策略綜合基于內(nèi)容和基于協(xié)同過濾的推薦.例如加權(quán)混合策略，將混合推薦中所有推薦方法的結(jié)果加權(quán)算分，把得分最高的TopN個(gè)學(xué)習(xí)資源推薦給學(xué)習(xí)者.現(xiàn)有的個(gè)性化學(xué)習(xí)資源推薦方法著重于學(xué)習(xí)者歷史學(xué)習(xí)數(shù)據(jù)的分析，挖掘?qū)W習(xí)者的潛在學(xué)習(xí)興趣，推薦相似的學(xué)習(xí)資源或者相似學(xué)習(xí)者喜歡的學(xué)習(xí)資源給學(xué)習(xí)者，而對(duì)學(xué)習(xí)者的學(xué)習(xí)缺陷考慮不足，無法從學(xué)習(xí)者的薄弱知識(shí)出發(fā)，推薦給學(xué)習(xí)者真正需要的學(xué)習(xí)資源.針對(duì)這一問題，筆者提出了基于知識(shí)狀態(tài)的個(gè)性化學(xué)習(xí)資源推薦方法.該方法從學(xué)習(xí)者的學(xué)習(xí)缺陷出發(fā)，對(duì)學(xué)習(xí)者的知識(shí)狀態(tài)進(jìn)行推導(dǎo)得到最底層的薄弱知識(shí)點(diǎn)，并設(shè)計(jì)相似性迭代算法(Similarity Iterative Algorithm，SIA)，從學(xué)習(xí)資源庫中選擇與學(xué)習(xí)者最為匹配的學(xué)習(xí)資源進(jìn)行推薦.通過實(shí)驗(yàn)，證明了該方法良好的推薦效果和性能.

1 基于知識(shí)圖譜的待學(xué)習(xí)知識(shí)點(diǎn)生成方法

基于知識(shí)圖譜的待學(xué)習(xí)知識(shí)點(diǎn)生成方法，其思想是根據(jù)學(xué)習(xí)資源庫中各種資源所涵蓋的知識(shí)點(diǎn)之間的關(guān)聯(lián)關(guān)系，構(gòu)建知識(shí)圖譜，從學(xué)習(xí)者的知識(shí)狀態(tài)中提取薄弱知識(shí)點(diǎn)，并從知識(shí)圖譜中推導(dǎo)出薄弱知識(shí)點(diǎn)的最基礎(chǔ)的知識(shí)點(diǎn)，作為學(xué)習(xí)者的待學(xué)習(xí)知識(shí)點(diǎn).

1.1 構(gòu)建知識(shí)圖譜

圖1 知識(shí)圖譜Fig. 1 Knowledge Graph

由領(lǐng)域?qū)＜覍?duì)學(xué)習(xí)資源庫中的資源進(jìn)行知識(shí)點(diǎn)標(biāo)注，一個(gè)學(xué)習(xí)資源對(duì)應(yīng)1個(gè)或多個(gè)知識(shí)點(diǎn)，并建立知識(shí)點(diǎn)之間的關(guān)聯(lián)關(guān)系，其中包括與關(guān)系和或關(guān)系.與關(guān)系：掌握知識(shí)點(diǎn)k的前提是同時(shí)掌握知識(shí)點(diǎn)k1,k2.或關(guān)系：掌握知識(shí)點(diǎn)k的前提是掌握知識(shí)點(diǎn)k1,k2中的1個(gè)或多個(gè).將每個(gè)知識(shí)點(diǎn)表示為一個(gè)本體，通過知識(shí)點(diǎn)間的與、或關(guān)系建立本體間的關(guān)聯(lián)規(guī)則，構(gòu)建知識(shí)圖譜.如圖1所示，用關(guān)聯(lián)指向夾角間的弧線表示與關(guān)系，反之為或關(guān)系.例如，對(duì)于知識(shí)點(diǎn)k1，掌握k1的前提是掌握k4或者同時(shí)掌握k2和k3.

1.2 基礎(chǔ)薄弱知識(shí)點(diǎn)推導(dǎo)算法

通過遍歷知識(shí)圖譜，根據(jù)學(xué)習(xí)者的知識(shí)狀態(tài)和知識(shí)點(diǎn)之間的關(guān)聯(lián)關(guān)系，推導(dǎo)出學(xué)習(xí)者薄弱知識(shí)點(diǎn)的最底層的前提知識(shí)點(diǎn)，具體思路如下：

輸入：學(xué)習(xí)者的知識(shí)狀態(tài).

輸出：待學(xué)習(xí)知識(shí)點(diǎn)集合.

過程：

(1)假設(shè)已知學(xué)習(xí)者L的知識(shí)狀態(tài)，即學(xué)習(xí)者對(duì)知識(shí)點(diǎn)的掌握情況，用學(xué)習(xí)者-知識(shí)點(diǎn)向量VState=(0,1,…,1)來表示，其中1和0分別表示掌握和未掌握.

(2)將知識(shí)狀態(tài)VState中0值對(duì)應(yīng)的知識(shí)點(diǎn)記入學(xué)習(xí)者薄弱知識(shí)點(diǎn)集，用集合KWeak= {k1,k2,…,kw}來表示，其中w為薄弱知識(shí)點(diǎn)的個(gè)數(shù).

(3)從集合KWeak中抽取一個(gè)知識(shí)點(diǎn)ki，沿著前提知識(shí)點(diǎn)的方向遍歷知識(shí)圖譜.

(4)如果遍歷過程中經(jīng)過的知識(shí)點(diǎn)包含于集合KWeak，則從KWeak中刪除知識(shí)點(diǎn)ki.

(5)重復(fù)步驟(3)至(4)，直至迭代完集合KWeak中所有的知識(shí)點(diǎn).

(6)集合KWeak剩余的知識(shí)點(diǎn)是學(xué)習(xí)者基礎(chǔ)薄弱知識(shí)點(diǎn)，記為KL={k1,k2,…,kl}，其中l(wèi)為為基礎(chǔ)薄弱知識(shí)點(diǎn)個(gè)數(shù).

2 基于相似性迭代的個(gè)性化學(xué)習(xí)資源推薦方法

基于相似性迭代的個(gè)性化學(xué)習(xí)資源推薦方法，其思想是：將學(xué)習(xí)者的當(dāng)前待學(xué)習(xí)知識(shí)點(diǎn)集合與學(xué)習(xí)資源庫中的資源-知識(shí)點(diǎn)向量進(jìn)行相似度匹配，生成相似度最高的TopN個(gè)學(xué)習(xí)資源，第一輪迭代根據(jù)最基礎(chǔ)的薄弱知識(shí)點(diǎn)匹配學(xué)習(xí)資源，第二輪迭代根據(jù)以這些基礎(chǔ)知識(shí)點(diǎn)為前提的薄弱知識(shí)點(diǎn)匹配學(xué)習(xí)資源，多輪迭代后最終生成待推薦學(xué)習(xí)資源序列.算法的具體思路如下：

輸入：學(xué)習(xí)資源庫、待學(xué)習(xí)知識(shí)點(diǎn)集合.

輸出：待推薦學(xué)習(xí)資源序列.

過程：

(1)根據(jù)學(xué)習(xí)資源庫中資源和知識(shí)點(diǎn)的對(duì)應(yīng)關(guān)系，建立學(xué)習(xí)資源-知識(shí)點(diǎn)矩陣MSK，

其中：行向量表示學(xué)習(xí)資源；列向量表示知識(shí)點(diǎn)；1和0分別表示包含和不包含關(guān)系.

(2)對(duì)基礎(chǔ)薄弱知識(shí)點(diǎn)進(jìn)行學(xué)習(xí)資源推薦.

(ⅰ)將矩陣MSK中每一個(gè)行向量表示為集合KR= {k1,k2,…,kr}的形式，其中r為學(xué)習(xí)資源中包含的知識(shí)點(diǎn)個(gè)數(shù)，采用杰卡德相似度來計(jì)算，KR與集合KL的相似度

(ⅱ)采用貪心算法選取相似度最高的m個(gè)學(xué)習(xí)資源(這m個(gè)學(xué)習(xí)資至少涵蓋了KL中的所有知識(shí)點(diǎn))，形成待學(xué)習(xí)資源集合S1= {s11,s12,…,s1m}.

(3)對(duì)后繼知識(shí)點(diǎn)進(jìn)行學(xué)習(xí)資源推薦.

(ⅰ)計(jì)算后繼知識(shí)點(diǎn)集Ks=KWeak-KL.

(ⅱ)運(yùn)用(4)相似方法計(jì)算與Ks對(duì)應(yīng)的學(xué)習(xí)資源S2.

(4)按先后次序?qū)1，S2推薦給學(xué)習(xí)者.

3 結(jié)果與討論

3.1 實(shí)驗(yàn)環(huán)境

考慮到數(shù)據(jù)規(guī)模和計(jì)算復(fù)雜度，實(shí)驗(yàn)在2臺(tái)機(jī)器上完成.其中:PC機(jī)作為算法編程環(huán)境，服務(wù)器作為數(shù)據(jù)存儲(chǔ)和算法運(yùn)行環(huán)境.開發(fā)環(huán)境PC機(jī)配置為：Intel(R) Core(TM) i5-4590 @ 3.30 GHz CPU，16 GB內(nèi)存，1 TB硬盤，Win 7 OS，Java jdk 1.8.0_45,IDE Eclispe4.9.0，PyDev 7.0.3.數(shù)據(jù)存儲(chǔ)和算法運(yùn)行環(huán)境服務(wù)器配置為：16AMD Opteron(TM) @ 1.4 GHz CPU，32 GB內(nèi)存，5 TB硬盤，CentOS7.5.1804 OS，Python 3.6.0 Python，數(shù)據(jù)庫MySQL 5.6.24，文件服務(wù)器FastDFS 5.05.

3.2 實(shí)驗(yàn)過程

首先，從網(wǎng)絡(luò)上和書籍中收集各種類型學(xué)習(xí)資源，包括文檔、圖像、音頻和視頻等.使用分布式文件系統(tǒng)FastDFS作為學(xué)習(xí)資源庫.由領(lǐng)域?qū)＜医⒅R(shí)點(diǎn)之間的關(guān)聯(lián)關(guān)系并對(duì)學(xué)習(xí)資源進(jìn)行知識(shí)點(diǎn)標(biāo)注，用MySQL數(shù)據(jù)庫存儲(chǔ)知識(shí)點(diǎn)、知識(shí)點(diǎn)之間的關(guān)聯(lián)關(guān)系以及學(xué)習(xí)資源.

然后，運(yùn)用Python語言從數(shù)據(jù)庫中提取學(xué)習(xí)資源與知識(shí)點(diǎn)的對(duì)應(yīng)關(guān)系，構(gòu)建學(xué)習(xí)資源-知識(shí)點(diǎn)矩陣并持久化.從數(shù)據(jù)庫中提取知識(shí)點(diǎn)間的關(guān)系，根據(jù)學(xué)習(xí)者的知識(shí)狀態(tài)，進(jìn)行推導(dǎo)，得到學(xué)習(xí)者的待推薦知識(shí)點(diǎn)集合.

最后，根據(jù)學(xué)習(xí)資源-知識(shí)點(diǎn)矩陣，使用Python的numpy科學(xué)計(jì)算包求得待學(xué)習(xí)知識(shí)點(diǎn)和學(xué)習(xí)資源的相似度，從而得到待推薦資源集合，經(jīng)過多輪迭代，最終生成待推薦資源序列，從而推薦給學(xué)習(xí)者.

3.3 結(jié)果分析

3.3.1 推薦效果測(cè)試 從某中學(xué)初中二年級(jí)的21個(gè)班中隨機(jī)抽取10個(gè)班，每個(gè)班隨機(jī)抽取20名學(xué)生，將抽取的學(xué)生劃分為實(shí)驗(yàn)組和對(duì)照組各100名.保證除了推薦學(xué)習(xí)資源外2組擁有相同的學(xué)習(xí)環(huán)境.采用數(shù)學(xué)試卷T1對(duì)2組學(xué)生進(jìn)行測(cè)試，通過學(xué)習(xí)者的知識(shí)狀態(tài)，對(duì)實(shí)驗(yàn)組的每位學(xué)生進(jìn)行學(xué)習(xí)資源推薦.經(jīng)過一段時(shí)間學(xué)習(xí)后，采用和T1擁有相同知識(shí)點(diǎn)結(jié)構(gòu)的試卷T2，再次對(duì)2組學(xué)生測(cè)試，比較他們先后的測(cè)試成績，結(jié)果見表1.實(shí)驗(yàn)表明，在給學(xué)生有針對(duì)性的學(xué)習(xí)推薦后，學(xué)生的成績有了明顯的提升.

表1 知識(shí)推薦效果測(cè)試Table 1 Recommendation Effectiveness Test

圖2 系統(tǒng)的性能測(cè)試結(jié)果Fig. 2 Performance Test

3.2.2 性能測(cè)試 當(dāng)學(xué)習(xí)資源庫中存在成千上萬的資源時(shí)，推薦算法需要較多的計(jì)算時(shí)間，故需對(duì)其計(jì)算性能進(jìn)行測(cè)試.分別取1 000，2 000，3 000，4 000個(gè)學(xué)習(xí)資源，在每種數(shù)量下進(jìn)行多次測(cè)試，統(tǒng)計(jì)算法推薦試題所需的平均時(shí)間，結(jié)果如圖2所示.從結(jié)果來看，在當(dāng)前的學(xué)習(xí)資源規(guī)模下，系統(tǒng)完全可以滿足實(shí)時(shí)學(xué)習(xí)資源推薦的需求.

4 結(jié)語

針對(duì)當(dāng)前個(gè)性化學(xué)習(xí)資源推薦方法普遍存在的無法從薄弱知識(shí)點(diǎn)這一根本上給學(xué)習(xí)者推薦學(xué)習(xí)資源的問題，基于知識(shí)圖譜技術(shù)和相似性迭代算法，從學(xué)習(xí)者的學(xué)習(xí)缺陷出發(fā)，提出了基于知識(shí)狀態(tài)的個(gè)性化學(xué)習(xí)資源推薦方法，可以給學(xué)習(xí)者推薦其真正需要的學(xué)習(xí)資源，為個(gè)性化學(xué)習(xí)資源推薦提供了一種新的、有效的學(xué)習(xí)資源推送策略.