張 穎 敏

(廣州民航職業(yè)技術(shù)學(xué)院民航經(jīng)營(yíng)管理學(xué)院， 廣州 510403)

在個(gè)性化學(xué)習(xí)方面，學(xué)習(xí)者可通過(guò)線上碎片化的學(xué)習(xí)方式隨時(shí)隨地選擇自己感興趣的學(xué)習(xí)內(nèi)容。然而，在移動(dòng)互聯(lián)網(wǎng)背景下信息資源爆炸性增長(zhǎng)，學(xué)習(xí)者難以從海量的碎片化信息中快速找到所需資源。隨著網(wǎng)絡(luò)碎片化信息的巨量涌現(xiàn)，碎片化學(xué)習(xí)的弊端日益凸顯。過(guò)量的碎片化學(xué)習(xí)會(huì)對(duì)學(xué)習(xí)者的感知、注意、記憶和思維等認(rèn)知過(guò)程造成“障礙”，從而影響學(xué)習(xí)效果[1]。因此，需要發(fā)展個(gè)性化學(xué)習(xí)資源推薦，實(shí)現(xiàn)對(duì)信息的實(shí)時(shí)精準(zhǔn)推薦，以助于提升學(xué)習(xí)者的碎片化信息學(xué)習(xí)效率。

個(gè)性化學(xué)習(xí)資源推薦是在線學(xué)習(xí)系統(tǒng)面臨的一項(xiàng)重要挑戰(zhàn)。個(gè)性化主動(dòng)推薦技術(shù)主要包括基于關(guān)聯(lián)規(guī)則算法(AR)、基于推薦內(nèi)容(CB)以及基于協(xié)同過(guò)濾(CF)的推薦方法[2]。協(xié)同過(guò)濾算法不需要考慮被推薦項(xiàng)目的內(nèi)容，推薦形式多樣化，可實(shí)現(xiàn)潛在興趣發(fā)現(xiàn)與推薦[3]，因此得到了廣泛的研究與應(yīng)用。但由于個(gè)性化推薦的理念及其技術(shù)的實(shí)現(xiàn)存在局限性，目前基于協(xié)同過(guò)濾的傳統(tǒng)推薦算法受冷啟動(dòng)問(wèn)題的影響，資源推薦的精度受限，難以滿足學(xué)習(xí)者的個(gè)性化學(xué)習(xí)需求。另外，學(xué)習(xí)情境呈動(dòng)態(tài)變化，因而整個(gè)學(xué)習(xí)路徑上的推薦精準(zhǔn)度也很難得以保證。本次研究將探討面向動(dòng)態(tài)學(xué)習(xí)情境的學(xué)習(xí)者畫(huà)像方法，通過(guò)建立學(xué)習(xí)者畫(huà)像進(jìn)行學(xué)習(xí)情境的匹配與實(shí)現(xiàn)個(gè)性化學(xué)習(xí)資源的精準(zhǔn)推薦。

1 個(gè)性化學(xué)習(xí)資源推薦系統(tǒng)框架

1.1 概念模型

領(lǐng)域本體被廣泛應(yīng)用于知識(shí)建模中[4-5]，以機(jī)器可讀的方式描述領(lǐng)域內(nèi)的概念、屬性、關(guān)系，通過(guò)本體語(yǔ)義的識(shí)別來(lái)實(shí)現(xiàn)機(jī)器對(duì)結(jié)構(gòu)化、半結(jié)構(gòu)化、非結(jié)構(gòu)化數(shù)據(jù)的“理解”。本次研究在傳統(tǒng)協(xié)同過(guò)濾“用戶-項(xiàng)目”的推薦維度上增加了情境維度與學(xué)習(xí)者個(gè)性化學(xué)習(xí)行為維度，構(gòu)建了學(xué)習(xí)者個(gè)性化學(xué)習(xí)資源偏好本體概念模型OntoPLR。此概念模型為一個(gè)四元組集合：ML{L，C，R，I}。L、C、R分別表示學(xué)習(xí)者、學(xué)習(xí)情境、學(xué)習(xí)資源的集合；I表示學(xué)習(xí)者與學(xué)習(xí)資源之間的交互行為集合，如學(xué)習(xí)者對(duì)某項(xiàng)學(xué)習(xí)資源的點(diǎn)擊、瀏覽、點(diǎn)贊、收藏、轉(zhuǎn)發(fā)、評(píng)價(jià)等行為。例如：pi，j，k{li，cj，rk，ii，j，k}表示學(xué)習(xí)者li在cj情境下對(duì)學(xué)習(xí)資源rk的交互行為ii，j，k，表征面向情境的學(xué)習(xí)資源偏好。

1.2 實(shí)現(xiàn)框架

用戶畫(huà)像方法是指通過(guò)對(duì)用戶與行為數(shù)據(jù)的挖掘，構(gòu)建反映用戶行為特征的標(biāo)簽體系，并繪制出目標(biāo)用戶的行為模型，從而滿足用戶的個(gè)性化精準(zhǔn)服務(wù)需求[6-7]?；趯W(xué)習(xí)者興趣偏好的畫(huà)像方法，是通過(guò)抽象學(xué)習(xí)者的基本屬性、學(xué)習(xí)興趣偏好、學(xué)習(xí)情境等信息全貌，了解學(xué)習(xí)者的學(xué)習(xí)需求及其變化，據(jù)此匹配學(xué)習(xí)資源并予以推薦。在上述面向情境的學(xué)習(xí)資源偏好本體概念模型的基礎(chǔ)上，引入了用戶畫(huà)像方法建立學(xué)習(xí)者畫(huà)像，進(jìn)行個(gè)性化學(xué)習(xí)資源偏好的預(yù)測(cè)與推薦。該推薦系統(tǒng)分為數(shù)據(jù)資源層、數(shù)據(jù)挖掘?qū)?、?yīng)用層，其實(shí)現(xiàn)過(guò)程圍繞著學(xué)習(xí)者信息的獲取、學(xué)習(xí)者畫(huà)像的建立、情境化學(xué)習(xí)資源的推薦、面向應(yīng)用層的結(jié)果輸出等方面內(nèi)容展開(kāi)(見(jiàn)圖1)。

圖1 面向?qū)W習(xí)情境的個(gè)性化學(xué)習(xí)資源推薦框架

(1) 數(shù)據(jù)資源層。數(shù)據(jù)資源層是獲取用戶個(gè)性化學(xué)習(xí)偏好數(shù)據(jù)的基礎(chǔ)。收集到的信息越多，構(gòu)建的畫(huà)像模型就越能準(zhǔn)確反映學(xué)習(xí)者的學(xué)習(xí)偏好。但由于信息搜索成本及隱私保護(hù)方面的限制，難以構(gòu)建與學(xué)習(xí)者完全匹配的“精準(zhǔn)”畫(huà)像。因此，在信息搜集過(guò)程中需要充分考慮實(shí)際的應(yīng)用場(chǎng)景，能夠構(gòu)建滿足面向?qū)W習(xí)情境條件需求的學(xué)習(xí)者畫(huà)像模型即可。在此，主要通過(guò)學(xué)校的學(xué)生信息管理系統(tǒng)、校內(nèi)網(wǎng)絡(luò)學(xué)習(xí)平臺(tái)、開(kāi)放性網(wǎng)絡(luò)學(xué)習(xí)平臺(tái)、專業(yè)學(xué)習(xí)論壇以及微信、移動(dòng)App平臺(tái)，獲取學(xué)習(xí)者的基本屬性、學(xué)習(xí)資源基本屬性、學(xué)習(xí)情境、學(xué)習(xí)者互動(dòng)等信息數(shù)據(jù)，然后通過(guò)數(shù)據(jù)清洗、數(shù)據(jù)規(guī)約、數(shù)據(jù)轉(zhuǎn)換等方法對(duì)獲取的學(xué)習(xí)者數(shù)據(jù)進(jìn)行預(yù)處理。

(2) 數(shù)據(jù)挖掘?qū)?。?shù)據(jù)挖掘?qū)邮钦麄€(gè)推薦系統(tǒng)的核心構(gòu)成部分，主要包括學(xué)習(xí)者畫(huà)像與情境化推薦算法。在此引入用戶畫(huà)像方法對(duì)學(xué)習(xí)者的情境信息進(jìn)行標(biāo)簽劃分和描述，建立標(biāo)簽化的學(xué)習(xí)者畫(huà)像，并設(shè)計(jì)面向情境的推薦算法進(jìn)行學(xué)習(xí)者學(xué)習(xí)資源推薦。其中，如何給學(xué)習(xí)者貼“標(biāo)簽”，是構(gòu)建學(xué)習(xí)者畫(huà)像的關(guān)鍵環(huán)節(jié)。此標(biāo)簽是搜集并深入分析學(xué)習(xí)者信息后得出的特征標(biāo)識(shí)，可高度概括學(xué)習(xí)者的此類信息屬性?；谏鲜瞿Ｐ蚈ntoPLR，以及收集到的學(xué)習(xí)者與學(xué)習(xí)行為數(shù)據(jù)，經(jīng)過(guò)相關(guān)分析、因子分析、聚類分析、關(guān)聯(lián)挖掘等算法處理，從海量的學(xué)習(xí)者數(shù)據(jù)中提取出關(guān)鍵特征信息，建立學(xué)習(xí)者基本屬性標(biāo)簽庫(kù)、學(xué)習(xí)資源屬性標(biāo)簽庫(kù)、學(xué)習(xí)情境標(biāo)簽庫(kù)、學(xué)習(xí)者交互行為標(biāo)簽庫(kù)，進(jìn)而刻畫(huà)出學(xué)習(xí)者的立體“畫(huà)像”。根據(jù)學(xué)習(xí)者畫(huà)像的標(biāo)簽進(jìn)行相似性計(jì)算，可據(jù)此確定特定情境或相似學(xué)習(xí)情境下目標(biāo)用戶對(duì)學(xué)習(xí)資源的偏好。

(3) 應(yīng)用層。在應(yīng)用層，通過(guò)計(jì)算目標(biāo)學(xué)習(xí)者與學(xué)習(xí)資源的相似度，結(jié)合學(xué)習(xí)者當(dāng)前的學(xué)習(xí)情境(時(shí)間、位置、學(xué)習(xí)狀態(tài)等)及相應(yīng)的偏好特征標(biāo)簽，為學(xué)習(xí)者推送與其情境最為匹配的個(gè)性化學(xué)習(xí)資源，并應(yīng)用于個(gè)性化搜索、推薦結(jié)果可視化、管理決策等領(lǐng)域。

2 學(xué)習(xí)者畫(huà)像

2.1 構(gòu)建學(xué)習(xí)者標(biāo)簽集

面向情境的個(gè)性化學(xué)習(xí)推薦系統(tǒng)概念模型從學(xué)習(xí)者、學(xué)習(xí)資源、學(xué)習(xí)情境、學(xué)習(xí)者對(duì)學(xué)習(xí)資源的交互行為等4個(gè)維度進(jìn)行刻畫(huà)，根據(jù)這4個(gè)維度來(lái)構(gòu)建學(xué)習(xí)者標(biāo)簽體系。

(1) 學(xué)習(xí)者基本信息標(biāo)簽。此標(biāo)簽主要用于描述學(xué)習(xí)者的基本情況，如學(xué)習(xí)者的姓名、性別、年齡、所處城市、教育程度、收入情況、聯(lián)系方式等。

(2) 學(xué)習(xí)資源基本信息標(biāo)簽。此標(biāo)簽主要用于描述學(xué)習(xí)資源項(xiàng)目的基本信息，如資源的名稱、所屬類型(文本、PPT、音頻、視頻)、大小等。

(3) 學(xué)習(xí)情境信息標(biāo)簽。此標(biāo)簽主要包括反映學(xué)習(xí)者所在位置、發(fā)生時(shí)間等學(xué)習(xí)情境的信息。學(xué)習(xí)位置信息標(biāo)簽，是通過(guò)學(xué)習(xí)者所處的位置來(lái)反映其學(xué)習(xí)特征，如學(xué)習(xí)某項(xiàng)資源時(shí)是在教室、圖書(shū)館或校園外等。學(xué)習(xí)時(shí)間信息標(biāo)簽，是通過(guò)與學(xué)習(xí)時(shí)間相關(guān)的信息來(lái)反映學(xué)習(xí)者的學(xué)習(xí)特征，如某學(xué)生選擇某網(wǎng)絡(luò)學(xué)習(xí)平臺(tái)的時(shí)間節(jié)點(diǎn)、頁(yè)面停留的時(shí)間等。

(4) 學(xué)習(xí)者行為信息標(biāo)簽。學(xué)習(xí)者的行為信息主要體現(xiàn)學(xué)習(xí)者的學(xué)習(xí)需求特征、偏好興趣等，據(jù)此可以結(jié)合學(xué)習(xí)者的情境信息進(jìn)行協(xié)同過(guò)濾推薦。體現(xiàn)學(xué)習(xí)者對(duì)學(xué)習(xí)資源的主要行為信息包括瀏覽、查詢、點(diǎn)贊、評(píng)論、分享、收藏等。

2.2 學(xué)習(xí)者畫(huà)像模型的建立

在本體概念模型ML{L，C，R，I}的基礎(chǔ)上，通過(guò)4維學(xué)習(xí)者標(biāo)簽構(gòu)建學(xué)習(xí)者畫(huà)像。

學(xué)習(xí)者基本信息標(biāo)簽的形式為：L={LID，LName，Gender，Age，City，Edu，Career，Income}。其中：LID為學(xué)習(xí)者標(biāo)識(shí)；LName為學(xué)習(xí)者姓名；Gender為學(xué)習(xí)者性別；Age表示年齡，在此將年齡段分為12～21、22～34、35～44、45～54、55～64、65歲及以上；City表示所在城市；Edu表示教育程度，包括初中以下、高中/中專、大學(xué)/本科、研究生以上；Career為學(xué)習(xí)者的職業(yè)；Income為月收入情況。

學(xué)習(xí)資源基本信息標(biāo)簽的形式為：R={RID，RName，Type，Size}。其中：RID為學(xué)習(xí)資源標(biāo)識(shí)，是學(xué)習(xí)資源記錄的唯一標(biāo)識(shí)；RName為學(xué)習(xí)資源名字；Type代表學(xué)習(xí)資源所屬類型；Size代表學(xué)習(xí)資源的容量大小。

學(xué)習(xí)情境信息標(biāo)簽的形式為：C={Time，Location}。其中：Time為學(xué)習(xí)情境發(fā)生的時(shí)間，該時(shí)間屬性為一個(gè)四元組Time={Date，Time，Weekday，Holiday}，Date，、Time、Weekday、 Holiday分別表示日期(可用于知道學(xué)習(xí)的季節(jié))、時(shí)間(用于表示早、午、晚等具體時(shí)間段)、工作日、假期；Location 用于記錄學(xué)習(xí)情境發(fā)生的位置。

學(xué)習(xí)者行為標(biāo)簽的形式為：I= {Resource，Interaction Behaviors}。其中：Resource表示學(xué)習(xí)者發(fā)生交互行為的學(xué)習(xí)資源；Interaction Behaviors表示具體的行為方式，包括瀏覽、搜索、點(diǎn)贊、評(píng)論、分享、收藏等。

根據(jù)上述標(biāo)簽，構(gòu)建了學(xué)習(xí)資源情境化推薦的學(xué)習(xí)者畫(huà)像模型(見(jiàn)圖2)。

3 相似度

相似度的計(jì)算是信息服務(wù)推薦的關(guān)鍵。根據(jù)學(xué)習(xí)者習(xí)得行為及推薦系統(tǒng)的推薦原理，作以下假設(shè)：

(1) 學(xué)習(xí)者傾向于選擇自己曾經(jīng)使用過(guò)的、相似的學(xué)習(xí)資源。

(2) 相同類型的學(xué)習(xí)者感興趣的學(xué)習(xí)資源具有相似性。

(3) 在同一或相似學(xué)習(xí)情境下，學(xué)習(xí)者對(duì)學(xué)習(xí)資源的偏好具有相似性。

基于此假設(shè)，研究面向情境的個(gè)性化學(xué)習(xí)資源偏好推薦，并通過(guò)學(xué)習(xí)者、學(xué)習(xí)情境以及學(xué)習(xí)者選擇學(xué)習(xí)資源的相似度計(jì)算來(lái)實(shí)現(xiàn)學(xué)習(xí)資源偏好的預(yù)測(cè)與推薦。

3.1 學(xué)習(xí)者的相似度

學(xué)習(xí)者的相似度一般通過(guò)學(xué)習(xí)者的屬性或標(biāo)簽(學(xué)習(xí)者注冊(cè)或購(gòu)買(mǎi)機(jī)票時(shí)填寫(xiě)的屬性信息)差值來(lái)獲得。對(duì)于學(xué)習(xí)者L，其屬性向量為A(a1，a2，…，an)，其中表ai示第i個(gè)屬性的值，一般采用屬性的平均絕對(duì)差來(lái)衡量屬性的相似度。不同數(shù)據(jù)類型的屬性值度量的數(shù)據(jù)顆粒度差異問(wèn)題，其屬性相似度的計(jì)算方法不一。在此，將學(xué)習(xí)者屬性信息分為數(shù)值型屬性(如年齡、年級(jí)等)與標(biāo)稱型屬性(如性別、籍貫、專業(yè)等)，分別計(jì)算其相似度。

圖2 基于學(xué)習(xí)資源情境化推薦的學(xué)習(xí)者畫(huà)像

(1) 數(shù)值型屬性的相似度。對(duì)于數(shù)值型屬性，其屬性度量單位不同，屬性的平均絕對(duì)差可比性(相似度)存在較大差異。按照式(1) 對(duì)其進(jìn)行標(biāo)準(zhǔn)化，以消除度量單位的影響。

(1)

式中：Sai表示標(biāo)準(zhǔn)化屬性；ai表示第i個(gè)數(shù)值型屬性；MA表示屬性的平均值。

進(jìn)一步借鑒曼哈頓距離[7]來(lái)計(jì)算學(xué)習(xí)者數(shù)值型屬性的相似度，如式(2)所示：

(2)

式中：Snum(Li，Lj)為學(xué)習(xí)者Li、Lj的數(shù)值型屬性相似度，其值等于標(biāo)準(zhǔn)化后的各個(gè)屬性ak的差值之和。

(2) 標(biāo)稱型屬性的相似度。兩個(gè)不同對(duì)象標(biāo)稱型屬性的相似度一般用其標(biāo)稱屬性的屬性值匹配個(gè)數(shù)來(lái)表示。假設(shè)學(xué)習(xí)者Li、Lj共有m個(gè)標(biāo)稱型屬性，則其標(biāo)稱屬性的相似度Snom(Li，Lj)可以用其匹配的標(biāo)稱屬性個(gè)數(shù)nequ(Li，Lj)來(lái)表示。

因此，學(xué)習(xí)者的相似度為：

S(Li，Lj)=Snum(Li，Lj)+Snom(Li，Lj)

(3)

3.2 學(xué)習(xí)情境的相似度

屬性向量C(c1，c2，…，cn)中，ci表示第i個(gè)情境屬性的值。學(xué)習(xí)情境的相似度可以通過(guò)類似于學(xué)習(xí)者屬性相似度的方法確定適用的標(biāo)準(zhǔn)化方法。此外，考慮到不同學(xué)習(xí)情境因素對(duì)學(xué)習(xí)者選擇學(xué)習(xí)資源的影響有差異，在此加入了不同情境要素的相似度權(quán)重系數(shù)pk，k表示情境因素的個(gè)數(shù)，取值為1，2，…，n。由此，學(xué)習(xí)情境(cx，cy)的相似度計(jì)算如式(4)所示：

(4)

3.3 學(xué)習(xí)資源選擇行為的相似度

對(duì)于學(xué)習(xí)者L，他所選擇的學(xué)習(xí)資源集合表示為：RL={r1，r2，…，rn}。

定義：若學(xué)習(xí)者L和L′在相同或相似情境集合C下對(duì)學(xué)習(xí)資源ri進(jìn)行了選擇、評(píng)價(jià)、點(diǎn)贊等交互行為xj(xj∈X，X={x1，x2，…，xn}表示學(xué)習(xí)者對(duì)學(xué)習(xí)資源的交互行為集合)，則稱學(xué)習(xí)者L和L′對(duì)學(xué)習(xí)資源ri的偏好相似；同時(shí)，稱兩者的相似度為對(duì)相同學(xué)習(xí)資源進(jìn)行同類型同交互行為的次數(shù)N。 次數(shù)越多，表明相似度越高。學(xué)習(xí)者學(xué)習(xí)資源偏好行為的相似度計(jì)算公式為：

(5)

4 面向情境的學(xué)習(xí)者學(xué)習(xí)資源推薦

在個(gè)性化學(xué)習(xí)資源推薦系統(tǒng)中，學(xué)習(xí)者對(duì)學(xué)習(xí)資源項(xiàng)目的興趣度與其學(xué)習(xí)情境具有較大關(guān)系。在相似的學(xué)習(xí)情境下，同一學(xué)習(xí)者或同類型學(xué)習(xí)者對(duì)學(xué)習(xí)資源的選擇具有相似性。因此，可以利用相似類型學(xué)習(xí)者在相似情境下的學(xué)習(xí)資源偏好進(jìn)行推薦。

首先，計(jì)算學(xué)習(xí)者相似度進(jìn)行學(xué)習(xí)者類型匹配，以尋找最近鄰學(xué)習(xí)者；然后，計(jì)算當(dāng)前學(xué)習(xí)情境與近鄰學(xué)習(xí)者的歷史情境相似程度，以獲取與當(dāng)前學(xué)習(xí)情境相近的歷史情境；最后，利用top-N規(guī)則選擇近鄰學(xué)習(xí)者在相似情境下排名靠前的N項(xiàng)學(xué)習(xí)資源，推薦給目標(biāo)學(xué)習(xí)者。

5 實(shí)驗(yàn)結(jié)果分析

為了驗(yàn)證上述個(gè)性化學(xué)習(xí)資源推薦方法的可行性，采集某高校信息作為實(shí)驗(yàn)數(shù)據(jù)。實(shí)驗(yàn)數(shù)據(jù)類型包括學(xué)習(xí)者的個(gè)人信息、學(xué)習(xí)資源信息、學(xué)習(xí)者學(xué)習(xí)資源信息等。對(duì)獲取的學(xué)習(xí)者姓名、年齡，選擇的學(xué)習(xí)資源名稱、時(shí)間，以及學(xué)習(xí)資源的搜索、預(yù)定、支付、收藏、分享、瀏覽路徑等信息進(jìn)行分類處理。同時(shí)，學(xué)習(xí)者的學(xué)習(xí)時(shí)間還體現(xiàn)了學(xué)習(xí)資源被使用時(shí)的時(shí)刻，由此可確定與該資源相關(guān)聯(lián)的情境屬性，如當(dāng)日時(shí)間段(工作日、周末、寒暑假等)、天氣等。將數(shù)據(jù)集分別代入傳統(tǒng)協(xié)同過(guò)濾推薦和本文情境化推薦方法，分別進(jìn)行測(cè)試，得出推薦學(xué)習(xí)資源列表A與列表B并發(fā)送給目標(biāo)用戶，最后根據(jù)目標(biāo)用戶反饋的信息來(lái)比較用戶的滿意度與2種推薦方法的準(zhǔn)確性。實(shí)驗(yàn)中抽選50名測(cè)試用戶進(jìn)行學(xué)習(xí)資源推薦。

首先，對(duì)用戶信息進(jìn)行識(shí)別處理，如學(xué)習(xí)者L性別為男，年齡為21。通過(guò)查詢?cè)己笈_(tái)日志，獲悉其登錄學(xué)習(xí)平臺(tái)門(mén)戶、瀏覽、在線咨詢的次數(shù)較多，屬于活躍型用戶。而從其選擇的學(xué)習(xí)資源、檢索關(guān)鍵詞、收藏內(nèi)容來(lái)看，該學(xué)習(xí)者對(duì)網(wǎng)店運(yùn)營(yíng)、網(wǎng)絡(luò)營(yíng)銷、直播帶貨比較感興趣。

此外，平臺(tái)時(shí)間戳記錄了學(xué)習(xí)者的部分情境信息。如某高校學(xué)生通過(guò)移動(dòng)端瀏覽某一資源，時(shí)間為2020年7月11日(星期六)上午10點(diǎn)過(guò)。根據(jù)以上數(shù)據(jù)進(jìn)行top-5推薦，可以得出基于傳統(tǒng)協(xié)同過(guò)濾法推薦給學(xué)習(xí)者L的學(xué)習(xí)資源列表A與面向情境的偏好聚類推薦學(xué)習(xí)資源列表B，并發(fā)送給學(xué)習(xí)者L。根據(jù)反饋，該學(xué)習(xí)者對(duì)推薦列表B中的3項(xiàng)學(xué)習(xí)資源具有較為濃厚的興趣，而僅對(duì)學(xué)習(xí)資源列表A中的1項(xiàng)資源感興趣，表明本次推薦的成功率較高。

按照上述方法，為其他實(shí)驗(yàn)者推薦學(xué)習(xí)資源，并調(diào)查其對(duì)推薦結(jié)果的滿意程度。采用五級(jí)量表制表示：非常不滿意計(jì)1分，不滿意計(jì)2分，一般滿意計(jì)3分，比較滿意計(jì)4分，非常滿意計(jì)5分。這50名學(xué)習(xí)者的滿意度結(jié)果如表1所示，其中傳統(tǒng)的協(xié)同過(guò)濾推薦方法表示為RCF，本次提出的情境化推薦方法表示為RCox-aware。

表1 學(xué)習(xí)者對(duì)推薦結(jié)果的滿意度調(diào)查結(jié)果

被調(diào)查者對(duì)傳統(tǒng)協(xié)同過(guò)濾推薦結(jié)果的平均滿意度表示為：

VCF=(5×1+12×2+16×3+10×4+7×5)÷50

=3.04

本次面向情境推薦方法的平均滿意程度表示為：

Vcox-aware=(1×1+5×2+12×3+20×4+

12×5)÷50

=3.74

計(jì)算結(jié)果顯示，被調(diào)查者對(duì)后者的滿意度高于前者。其主要原因是，在數(shù)據(jù)資源環(huán)境下學(xué)習(xí)者對(duì)學(xué)習(xí)資源互動(dòng)數(shù)據(jù)的稀疏性會(huì)導(dǎo)致許多他們沒(méi)有或極少有共同交互的學(xué)習(xí)資源，因此在使用傳統(tǒng)推薦時(shí)很難實(shí)現(xiàn)有效的個(gè)性化推薦，導(dǎo)致推薦的準(zhǔn)確度大大降低。

本次研究將學(xué)習(xí)者的基本信息、學(xué)習(xí)資源信息、學(xué)習(xí)者互動(dòng)與學(xué)習(xí)情境融入到學(xué)習(xí)資源推薦中，通過(guò)上述4個(gè)維度特征信息構(gòu)建了面向情境的學(xué)習(xí)者畫(huà)像。在此基礎(chǔ)上，計(jì)算學(xué)習(xí)者對(duì)學(xué)習(xí)資源的偏好相似度，通過(guò)學(xué)習(xí)者特征尋找與目標(biāo)學(xué)習(xí)者的近鄰學(xué)習(xí)者，然后基于學(xué)習(xí)情境相似度過(guò)濾而找出與學(xué)習(xí)者當(dāng)前學(xué)習(xí)情境相同的歷史情境下近鄰學(xué)習(xí)者最感興趣的前N項(xiàng)學(xué)習(xí)資源，最后予以推薦。采用此方法，可改善學(xué)習(xí)者對(duì)學(xué)習(xí)資源互動(dòng)數(shù)據(jù)稀疏的問(wèn)題，從而提高個(gè)性化學(xué)習(xí)資源推薦的有效性與精確度。

6 結(jié) 語(yǔ)

本次研究中，基于學(xué)習(xí)者的基本信息、學(xué)習(xí)資源信息、學(xué)習(xí)情境、學(xué)習(xí)者互動(dòng)等4個(gè)維度特征信息，構(gòu)建了個(gè)性化學(xué)習(xí)本體概念模型及面向情境的學(xué)習(xí)者畫(huà)像，引入?yún)f(xié)同過(guò)濾推薦思路來(lái)計(jì)算學(xué)習(xí)者對(duì)學(xué)習(xí)資源偏好的相似度，從而能更準(zhǔn)確地實(shí)現(xiàn)個(gè)性化學(xué)習(xí)資源推薦。實(shí)驗(yàn)結(jié)果表明，融合學(xué)習(xí)者特征與學(xué)習(xí)情境的推薦改善了傳統(tǒng)協(xié)同過(guò)濾中依賴用戶評(píng)分導(dǎo)致的數(shù)據(jù)稀疏問(wèn)題，提高了推薦精度。本次研究中，參與實(shí)驗(yàn)調(diào)查的學(xué)習(xí)者僅50名。如果加大樣本容量，抽樣誤差導(dǎo)致的結(jié)果偏差將會(huì)更小。