吳東，陳長江

（嶺南師范學院信息工程學院，湛江524048）

0 引言

近年來，我國以“三通兩平臺”為代表的教育信息化重點工程取得重大突破，成效顯著。其中，教育資源公共服務平臺實現跨越式發(fā)展，全國近42%的學?？蓱脭底纸逃Y源開展教學[1]。這些數字教育資源的使用，也為實現《國家中長期教育改革和發(fā)展規(guī)劃綱要（2010-2020）》提出的“尊重差異，滿足學生多樣化學習需要，發(fā)展每一個學生的優(yōu)良個性”的目標提供了條件[2]。但是，平臺中資源的爆炸式增長帶來了“信息過載”問題，增加了師生使用教育資源平臺的復雜度，造成優(yōu)質資源發(fā)現困難、利用率低，嚴重妨礙優(yōu)質資源的有效共享和個性化使用。

因此，怎樣幫助廣大中小學學生及教師在教育資源公共服務平臺中快速找到合適的優(yōu)質資源顯得尤為重要。個性化推薦是解決“信息過載”問題的主要技術，其廣泛應用于電子商務、搜索引擎、在線資訊等領域，取得了巨大成功。目前，基于個性化推薦技術的學習資源推送是各教育資源公共服務平臺大力發(fā)展的基礎業(yè)務，逐漸為解決“信息過載”問題發(fā)揮著重要作用。然而，該技術仍存在數據稀疏、冷啟動、多樣性差等不足，尚需做進一步的改進和完善。

當前，中小學教師及學生在教育資源公共服務平臺中進行教學和學習正趨向普及，他們必將在平臺中構建出新的在線社交網絡，“師-師”、“師-生”和“生-生”間的積極交互會在平臺中留下海量社交信息。在此背景下，我們擬將社交信息融入學習資源個性化推薦技術，旨在利用師生在平臺中產生的各式社交信息去提升學習資源個性化推薦技術的性能，提出了一種基于社交關系的學習資源推薦算法RRSR（Resource Recommendation Method Based on Social Relationship）。實驗結果表明，該方法能取得很好的準確率，有望為學習資源推送的個性化和精準化提供借鑒和參考。

1 相關工作

自社交應用蓬勃發(fā)展，逐步為人們構建新型在線社交網絡起，國內外研究人員就敏銳的意識到其對個性化推薦可能帶來不可估量的促進作用，并開展了階段性研究工作，在不同層面取得一定的成果。

早期，學術界和業(yè)界展開對社交關系的深入研究，試圖挖掘各式社交關系在個性化推薦技術中所起的作用。好友關系是社交網絡中最普遍的一種關系，用戶的興趣愛好通常跟好友的極其相似，將好友感興趣的學習資源推薦給用戶往往都能得到該用戶的認可。Swearingen 等人的工作就是利用好友關系進行推薦的成功案例[3]。王福生等人把科研工作者之間的好友關系定義為科研合作關系，他們利用學術論文的署名來發(fā)現科研工作者之間的這種關系，并在構建科研合作關系網的基礎上實現了科研學習資源的個性化推薦[4]。而葉小強等人則認為用戶會根據自身愛好加入不同的興趣圈子或社區(qū)，這就產生了用戶跟圈子或社區(qū)之間的群組關系，當我們能夠為用戶找到對應的群組時就可找到跟用戶學習愛好相似的其他用戶，也就能實現學習資源的推薦[5]。

進一步，學者發(fā)現用戶間除了存在雙方地位平等的社交關系外，還有其他不對等關系，如追隨關系、信任關系等。Duncan J.Watts 的研究結果表明，社交網絡中往往都存在意見領袖，他們發(fā)布的消息或評論通常都會得到大多數人的認可，并影響著這些人關于某些事或物的態(tài)度[6]。當這些人認定能夠從意見領袖那里得到所需的信息后，他們就會長期的追隨意見領袖，成為意見領袖的“粉絲”，形成較為穩(wěn)定的追隨關系。Esslimani、Brun 以及Cheon 等人紛紛提出各自的意見領袖識別及利用意見領袖實現學習資源推薦的算法[7]。而Massa 等人則發(fā)現用戶間的相似性跟他們的信任關系是正相關的，于是首次將信任關系引入個性化推薦技術中[8]。之后，微軟亞洲研究院的馬浩及南洋理工大學張杰團隊在該領域展開了一系列的研究，并取得了一系列成果[9]。

認真分析社交網絡環(huán)境中個性化推薦的現有成果，我們發(fā)現學者探討了各式社交關系跟用戶歷史行為相似性之間的聯(lián)系，考證了社交關系替代相似性的可能，驗證了利用社交關系進行個性化推薦的切實可行。這些豐富的成果為推動社交信息融入學習資源個性化推薦奠定了良好的基礎。

2 基于社交關系的推薦算法RRSR

基于社交關系的推薦算法RRSR 能夠完成資源推薦的前提是，教育資源公共服務平臺中的用戶已經互相交互、結交為好友，構建了在線社交網絡。如圖1 所示，是基于社交關系的學習資源推薦算法RRSR 的示意圖。從示意圖可以看出，當要為平臺中的某用戶推薦資源時，RRSR 算法先從在線社交網絡中找出該用戶的好友，再根據好友對于資源的評分及用戶跟好友間的熟悉度、興趣相似度來預測該用戶對資源的評分，最后得出該用戶可能適用的Top-N 資源排行榜。

圖1 RRSR算法示意圖

定義1 社交網絡。由代表用戶的節(jié)點和節(jié)點間的關系構成的一個無向帶權圖G 表示，記為G=（V,E,F,S）。其中，V 是社交網絡中的用戶節(jié)點集合，E 是節(jié)點間的邊集合，F 是用戶節(jié)點間的熟悉度集合，S 是用戶節(jié)點間的興趣相似度集合。

定義2 熟悉度。在社交網絡G 中，用戶節(jié)點u 跟v 之間的熟悉度用fu,v表示。

其中，in(u)表示用戶u 的好友集合。在社交網絡中，用戶相對更容易接納其熟悉的好友推薦的資源。越熟悉、關系越好的朋友給出的建議，越容易被用戶接納。

定義3 興趣相似度。在社交網絡G 中，用戶節(jié)點u 跟v 之間的興趣相似度用su,v表示。

其中，N(u)表示用戶u 曾使用的資源集合。在社交網絡中，跟用戶興趣最相近的好友推薦的資源，也更容易被該用戶接納。

定義4 基于社交關系的推薦。假設要預測用戶u對資源i 的評分ru,i，可根據公式（3）來進行計算。評分ru,i越高，表示用戶u 對資源i 非常感興趣，最有可能使用該資源。從公式（3）可以看出，RRSR 算法不僅考慮了用戶跟好友的熟悉度，還考慮了用戶跟好友的興趣相似度。這相當于為用戶找到了不僅熟悉且興趣相投的好友來為其推薦資源，較符合日常生活中人們獲取建議的行為，該資源有更大的可能被用戶所接納。

其中，rv,i是用戶u 的好友v 對資源i 的評分。

3 實驗結果與分析

我們采用數據集LibraryThing[10]來進行算法的推薦效果驗證實驗。該數據集中有73,882 個用戶和337,561 個資源，用戶對資源的評論共979,053 條。另外，用戶間的好友關系有120,536 條。

由于RRSR 算法的目的是預測目標用戶對目標資源的評分，所以在此采用平均絕對誤差MAE（Mean Absolute Error）和均方根誤差RMSE（Root Mean Squared Error）來評估推薦算法的性能。MAE 和RMSE 越小，推薦算法的性能越好。MAE 和RMSE 的計算公式如（4）和（5）所示：

其中，L 為用戶u 評分資源的個數，ru,i為用戶的實際評分，為預測評分?？紤]到RRSR 算法需要借助用戶的好友來完成評分預測，因此我們主要探討了該算法的性能跟用戶好友數之間的關系，其結果如圖2 所示。當用戶好友數小于30 時，RRSR 算法的MAE 和RMSE 分別為1.583563 和1.805492，而當用戶好友數大于120 時，RRSR 算法的MAE 和RMSE 分別為1.253403 和1.429040。由此可以得知，隨著用戶好友數的增加，RRSR 算法的MAE 和RMSE 減小，說明RRSR 算法的性能越好，推薦的資源越可能是適合用戶使用的。

圖2 RRSR算法的性能跟用戶好友數的關系

4 結語

中小學教學平臺的普及使用增強了教學質量，但平臺中資源的爆炸式增長帶來了“信息過載”問題。考慮到人們比較容易接受興趣相投的好友的建議，基于教學平臺中的社交關系設計了學習資源的推薦算法RRSR。實驗結果表明，該算法的推薦性能會隨著用戶好友的增加而變強。研究成果有望在中小學教學平臺中使用，特別是隨著平臺中在線社交網絡的擴大，用戶好友的不斷增加，這種基于社交關系的推薦算法將取得更好的效果。