楊雅志，鐘 勇，李 駿

(1. 中國科學(xué)院成都計(jì)算機(jī)應(yīng)用研究所，四川 成都 610041；2. 成都工業(yè)學(xué)院，四川 成都 611730；3. 中國科學(xué)院大學(xué)，北京 100049)

1 引言

當(dāng)前，網(wǎng)絡(luò)數(shù)據(jù)量的飛速增長不僅加快了信息傳輸速度，也對(duì)用戶造成了信息過載問題，無法高效提取興趣信息。信息推薦技術(shù)不僅能夠?yàn)橛脩籼峁┛捎玫男畔⒎?wù)，且在用戶沒有明確描述需求時(shí)，只要通過用戶對(duì)其它物品的歷史行為信息，就能夠準(zhǔn)確挖掘其個(gè)性化需求，根據(jù)興趣偏好，為用戶主動(dòng)提供所需要的信息。信息推薦技術(shù)作為網(wǎng)絡(luò)個(gè)性化服務(wù)的關(guān)鍵環(huán)節(jié)之一，具有重要的研究意義與探索價(jià)值，也因此涌現(xiàn)出眾多相關(guān)學(xué)者對(duì)信息推薦技術(shù)展開研究。

文獻(xiàn)[1]將用戶經(jīng)歷作為隱式反饋的累積數(shù)量定義，提出一種平衡系數(shù)的自適應(yīng)網(wǎng)絡(luò)智能信息推薦模型。采用用戶歷史經(jīng)歷數(shù)據(jù)替代平衡系數(shù)，在模型中添加阻尼系數(shù)，實(shí)現(xiàn)深入優(yōu)化，最后有效結(jié)合阻尼系數(shù)與用戶經(jīng)歷，架構(gòu)智能信息自適應(yīng)推薦模型。但是該模型的智能效果較差，應(yīng)用適應(yīng)性不理想。文獻(xiàn)[2]提出基于知識(shí)網(wǎng)絡(luò)的信息推薦模型。設(shè)定最近鄰優(yōu)先的候選知識(shí)選擇方案，結(jié)合最大可學(xué)習(xí)支撐度優(yōu)先的未學(xué)知識(shí)推薦算法以及知識(shí)關(guān)聯(lián)結(jié)構(gòu)，對(duì)用戶知識(shí)需求進(jìn)行挖掘。但是該模型耗時(shí)較長，知識(shí)推薦時(shí)間沒有得到明顯縮短。文獻(xiàn)[3]提出基于矩陣分解模型的協(xié)同過濾推薦模型。將矩陣分解與協(xié)同過濾結(jié)構(gòu)進(jìn)行融合，得到耦合物品屬性信息相似度的推薦模型。但是該模型的應(yīng)用過程難度較高，無法進(jìn)行廣泛應(yīng)用。

為解決傳統(tǒng)方法存在的問題，提出基于知識(shí)圖譜的智能信息推薦模型。采用三元組構(gòu)成的知識(shí)網(wǎng)絡(luò)與本體論，設(shè)計(jì)知識(shí)圖譜與結(jié)構(gòu)化模型；組建由課程實(shí)體間關(guān)系構(gòu)成的知識(shí)圖譜網(wǎng)絡(luò)結(jié)構(gòu)；利用FP-Growth挖掘算法，獲取頻繁項(xiàng)集合與關(guān)聯(lián)規(guī)則，動(dòng)態(tài)更新知識(shí)圖譜，引入信息推薦路徑達(dá)成度與SVR檢測模型完成推薦。

2 知識(shí)圖譜分析

將知識(shí)圖譜劃分成數(shù)據(jù)層與模式層。利用SPO三元組[4]表示各知識(shí)，通過知識(shí)網(wǎng)絡(luò)生成知識(shí)圖譜；采用本體論對(duì)結(jié)構(gòu)化概念模板進(jìn)行架構(gòu)，以有效控制知識(shí)冗余。邏輯結(jié)構(gòu)與構(gòu)建技術(shù)共同組成知識(shí)圖譜，其構(gòu)建技術(shù)部分如圖1所示。

圖1 知識(shí)圖譜技術(shù)結(jié)構(gòu)示意圖

技術(shù)模塊主要分為構(gòu)建階段與流程動(dòng)態(tài)更新兩部分，構(gòu)建階段是在初始數(shù)據(jù)內(nèi)采用一些策略對(duì)知識(shí)事實(shí)進(jìn)行提取，并將其以元素形式存儲(chǔ)到知識(shí)庫[5]的邏輯結(jié)構(gòu)中；而更新過程則包含三個(gè)階段：信息提取、知識(shí)匯總與知識(shí)處理。

3 基于知識(shí)圖譜的智能信息推薦模型構(gòu)建

智能學(xué)習(xí)信息推薦模型可以通過分析與挖掘?qū)W習(xí)數(shù)據(jù)，獲取相關(guān)有效信息，進(jìn)一步輔助與指導(dǎo)教學(xué)活動(dòng)的順利進(jìn)行。該模型的設(shè)計(jì)目標(biāo)是為不同的學(xué)習(xí)者提供與之相匹配的學(xué)習(xí)路徑與學(xué)習(xí)內(nèi)容，實(shí)現(xiàn)因材施教的個(gè)性化學(xué)習(xí)策略。

3.1 模型總體設(shè)計(jì)原理

圖2所示為經(jīng)過擴(kuò)展與改進(jìn)傳統(tǒng)各單元模型獲取知識(shí)圖譜下智能信息推薦模型，結(jié)構(gòu)部分有領(lǐng)域知識(shí)模型、學(xué)習(xí)者模型以及自適應(yīng)引擎模型三個(gè)模塊。

圖2 基于知識(shí)圖譜的智能信息推薦模型結(jié)構(gòu)示意圖

推薦模型可用性的判定依據(jù)為其工作流程對(duì)用戶的適用性，分別以模型管理者與學(xué)習(xí)者的角度，對(duì)基于知識(shí)圖譜的智能信息推薦模型進(jìn)行分析。

針對(duì)管理者方面，推薦模型應(yīng)具備資源上傳與管理等功能，若想防止該模型出現(xiàn)冷啟動(dòng)[6]問題，則需要在資源上傳前進(jìn)行初始知識(shí)圖譜的架構(gòu)，采用存儲(chǔ)于資源數(shù)據(jù)庫里的資源與知識(shí)圖譜模型數(shù)據(jù)，為自適應(yīng)引擎模型提供可調(diào)用數(shù)據(jù)，在學(xué)習(xí)資源得到一定積累后，通過關(guān)聯(lián)規(guī)則算法挖掘出知識(shí)之間相關(guān)性，從而動(dòng)態(tài)更新知識(shí)圖譜；

針對(duì)學(xué)習(xí)者方面的運(yùn)行流程則相對(duì)繁瑣，若首次使用推薦模型，則需要通過注冊(cè)基本信息，完成學(xué)習(xí)者模型的架構(gòu)，為了便于今后的信息推薦，用戶需在下一次使用時(shí)，先在登錄界面進(jìn)行相關(guān)信息的匹配，然后，依據(jù)個(gè)人信息選擇學(xué)習(xí)與測試內(nèi)容，模型通過分析處理采集到的學(xué)習(xí)數(shù)據(jù)與測試成績，檢測學(xué)習(xí)者的認(rèn)知水平，將其與知識(shí)圖譜進(jìn)行結(jié)合，匹配可達(dá)學(xué)習(xí)路徑，根據(jù)推算的各學(xué)習(xí)路徑達(dá)成度，實(shí)現(xiàn)路徑推薦列表的創(chuàng)建，從而令學(xué)習(xí)者的進(jìn)一步學(xué)習(xí)更加便捷，而且，基于學(xué)習(xí)者模型的數(shù)據(jù)，推薦模型將完成諸如知識(shí)點(diǎn)掌握程度與學(xué)習(xí)路徑等學(xué)習(xí)者能力圖譜的架構(gòu)，使學(xué)習(xí)者的下一步學(xué)習(xí)內(nèi)容選取，能夠通過比較能力圖譜與知識(shí)圖譜得以實(shí)現(xiàn)。

3.2 基于知識(shí)圖譜的智能信息推薦模型的構(gòu)建

采用知識(shí)圖譜對(duì)知識(shí)實(shí)體、實(shí)體間關(guān)系以及知識(shí)特性進(jìn)行知識(shí)表達(dá)，是領(lǐng)域知識(shí)模型的主要功能。由于學(xué)習(xí)階段的最小知識(shí)體系單位是課程，知識(shí)圖譜的主要研究目標(biāo)是課程實(shí)體。

利用下列公式對(duì)知識(shí)表達(dá)三元組進(jìn)行描述

F={E，R，T}

(1)

式中，E為全部課程實(shí)體集合，R為各課程實(shí)體間的關(guān)系集合，T為課程實(shí)體內(nèi)部特征集合。

圖3所示為課程實(shí)體間關(guān)系所構(gòu)建的知識(shí)圖譜網(wǎng)絡(luò)框架示意圖。

圖3 知識(shí)圖譜網(wǎng)絡(luò)框架示意圖

圖3中各代數(shù)式的含義如下：具體課程實(shí)體為Ei，課程實(shí)體Ei和Ej的映射關(guān)系為Rij，與集合R相對(duì)應(yīng)，課程實(shí)體Ei內(nèi)部特征集合為ETi。

領(lǐng)域知識(shí)模型的工作流程如圖4所示，初始架構(gòu)流程為圖4中的方框區(qū)域，框外區(qū)域則主要用于動(dòng)態(tài)更新知識(shí)模型。

圖4 領(lǐng)域知識(shí)模型結(jié)構(gòu)示意圖

動(dòng)態(tài)更新知識(shí)圖譜的目的是提升知識(shí)圖譜的適用性，需要采用關(guān)聯(lián)規(guī)則的FP-Growth[7]挖掘算法來完成，通過壓縮存儲(chǔ)事務(wù)數(shù)據(jù)集，對(duì)FP-Tree進(jìn)行架構(gòu)，從而獲取全部頻繁項(xiàng)集合與關(guān)聯(lián)規(guī)則。

FP-Tree的創(chuàng)建步驟為：對(duì)數(shù)據(jù)庫D進(jìn)行掃描，達(dá)成各實(shí)體支持度的運(yùn)算，按照支持度降序?qū)λ玫念l繁1-項(xiàng)集合進(jìn)行排序，獲取頻繁項(xiàng)集合L；標(biāo)記tree根節(jié)點(diǎn)T為“null”；迭代運(yùn)算各學(xué)習(xí)路徑Di；按照頻繁項(xiàng)集合L的排列順序，對(duì)各學(xué)習(xí)路徑Di內(nèi)的實(shí)體進(jìn)行求取，獲取頻繁項(xiàng)集合，第一個(gè)實(shí)體為p，除此之外，頻繁項(xiàng)集其它實(shí)體構(gòu)成的項(xiàng)表為P；實(shí)現(xiàn)函數(shù)insert_tree([p|P]，T)的調(diào)用。

FP-Tree的挖掘[8]流程為：空值是集合L的初始值；若tree僅有一個(gè)學(xué)習(xí)路徑P，那么，對(duì)該路徑實(shí)體所有組合進(jìn)行迭代運(yùn)算，并用β表示，將β內(nèi)實(shí)體極小的支持度值作為實(shí)體集合α∩β的支持度，最后返回到集合L與集合α∩β的交集；反之，則用αf表示tree頭表內(nèi)的各頻繁項(xiàng)，將αf的支持度作為實(shí)體集合β=αf∪α的支持度，完成β條件模式基B的創(chuàng)建，從而對(duì)β的條件樹treeβ進(jìn)行求取，如果滿足treeβ≠Φ，那么界定fp_growth(tree，β)，并停止挖掘。

智能信息推薦該模型主要組成部分為學(xué)習(xí)者的基本信息與知識(shí)狀態(tài)兩大模塊，用于對(duì)學(xué)習(xí)者當(dāng)前的知識(shí)狀態(tài)結(jié)構(gòu)進(jìn)行表征，推薦對(duì)象的個(gè)體屬性與認(rèn)知[9]性能。

當(dāng)已知測試題的所有參數(shù)，評(píng)估學(xué)習(xí)者的認(rèn)知水平時(shí)，若作答m個(gè)試題的學(xué)習(xí)者數(shù)量為N，θα為第α個(gè)推薦對(duì)象的權(quán)重指標(biāo)，則1≤α≤N，第j個(gè)推薦信息的區(qū)分度、數(shù)據(jù)相似性以及猜測系數(shù)分別是ai、bi和ci，如果試題的評(píng)分標(biāo)準(zhǔn)為0～1，那么，表達(dá)式如下所示

(2)

利用下列公式對(duì)認(rèn)知水平Uα學(xué)習(xí)者對(duì)第m個(gè)試題的回答結(jié)果進(jìn)行描述

Uα=(Uα1，Uα2，…，Uαm)

(3)

其中，1≤α≤N。

所以，推導(dǎo)出關(guān)于m個(gè)推薦信息N個(gè)用戶回答結(jié)果，其矩陣函數(shù)U如下

(4)

式中，Uαj是隨機(jī)變量，取值0或1。

若uαj為觀測值，認(rèn)知水平θα的推薦對(duì)象權(quán)重指標(biāo)第j個(gè)屬性為Pαj，則

Pαj=P(uαj×1)

(5)

如果推薦內(nèi)容符合局部獨(dú)立性假設(shè)條件，那么，學(xué)習(xí)者回答結(jié)果概率L的表達(dá)式如下所示

(6)

設(shè)定待估算的認(rèn)知水平數(shù)值為似然函數(shù)L極大值的自變量數(shù)值，由于L與lnL的最大值點(diǎn)一致，所以，取L的對(duì)數(shù)得出下式

(7)

使lnL的參數(shù)偏導(dǎo)為0，則有

(8)

將上列兩式代入合并，得出下列表達(dá)式

(9)

采用牛頓-拉夫遜迭代法估算θα，下列公式為g(θα)的表達(dá)式

(10)

根據(jù)上式推導(dǎo)出下列計(jì)算認(rèn)知水平的迭代公式

(11)

迭代初始值θα0表達(dá)式如下所示

(12)

采用下列公式對(duì)迭代終止規(guī)則進(jìn)行描述

|θα(k+1)-θαk|<ε

(13)

該模型為實(shí)現(xiàn)推薦模型的重要環(huán)節(jié)，功能是對(duì)前兩個(gè)模型進(jìn)行推薦路徑與推薦內(nèi)容進(jìn)行匹配。

利用推薦完成的平均概率來界定路徑[10-11]達(dá)成度，下列公式為定義表達(dá)式

(14)

式中，路徑含有的總數(shù)據(jù)量為n，相似識(shí)別對(duì)象第i個(gè)推薦內(nèi)容相關(guān)度為Ci。

根據(jù)所得的達(dá)成度，為數(shù)據(jù)推薦提供最優(yōu)推薦路徑。

自適應(yīng)引擎模型[12]中SVR模型的檢測階段相當(dāng)于機(jī)器學(xué)習(xí)的階段，主要用于解決分類與回歸問題。

在智能推薦模型中信息任意選取n個(gè)學(xué)習(xí)者屬性x1，x2，…，xn，通過預(yù)處理得到訓(xùn)練樣本[x1，x2，…，xn，path_com]，經(jīng)過訓(xùn)練與優(yōu)化SVR模型的參數(shù)，依據(jù)輸入元組預(yù)估路徑達(dá)成度。若[x1，x2，…，xn]為預(yù)估樣本，則預(yù)估函數(shù)表達(dá)式為

F=f(x1，x2，…，xn)

(15)

4 實(shí)驗(yàn)分析

為評(píng)估論文提出的智能信息推薦模型應(yīng)用性能，實(shí)驗(yàn)隨機(jī)抽取500名用戶作為實(shí)驗(yàn)樣本，此次試驗(yàn)將與文獻(xiàn)[1]模型、文獻(xiàn)[2]模型進(jìn)行對(duì)比。實(shí)驗(yàn)指標(biāo)為模型的推薦路徑完成度以及信息推薦召回率作為評(píng)價(jià)指標(biāo)。模型的推薦路徑完成度越高，說明信息推薦的成功率越高。推薦召回率越高說明模型應(yīng)用的精度越高，即模型的應(yīng)用效果越好。具體對(duì)比結(jié)果如圖5、圖6所示。

圖5 不同模型的信息推薦路徑完成度對(duì)比

分析圖5的三種模型推薦路徑完成度的波動(dòng)趨勢可知，隨著用戶數(shù)量的增多，推薦路徑的完成度均出現(xiàn)了下降情況，但是傳統(tǒng)方法的下降幅度更大，而所提模型在用戶人數(shù)較多情況下，仍然保持較高推薦路徑的完成度，說明即使用戶數(shù)量較多，所提模型也能夠成功按照最優(yōu)推薦路徑完成信息推薦也說明了所提方法具備較好穩(wěn)定性。

為進(jìn)一步驗(yàn)證本文模型的實(shí)際推薦精度，在不同用戶數(shù)量情況下，利用所提模型與現(xiàn)有模型推薦路徑進(jìn)行對(duì)比并記錄，具體對(duì)比結(jié)果如圖6所示。

圖6 不同模型推薦召回率

通過圖6的召回率波動(dòng)趨勢可知，傳統(tǒng)方法召回率最低值為0.7，而所提模型推薦召喚率峰值大于0.9，遠(yuǎn)高于傳統(tǒng)模型，這是因?yàn)樗崮Ｐ屠肍P-Growth挖掘算法，獲取頻繁項(xiàng)集合與關(guān)聯(lián)規(guī)則，知識(shí)圖譜的動(dòng)態(tài)更新能夠有效濾掉大誤差推薦信息。所以所提模型隨著用戶人數(shù)增加，召回率波動(dòng)幅度較為平穩(wěn)，說明所提模型具備較好穩(wěn)定性。

5 結(jié)論

為實(shí)現(xiàn)用戶的個(gè)性化信息推薦、加強(qiáng)體驗(yàn)感與信息提取的可靠性，提出基于知識(shí)圖譜的智能信息推薦模型。通過數(shù)據(jù)層、模式層得到的邏輯結(jié)構(gòu)與流程動(dòng)態(tài)更新，改進(jìn)并擴(kuò)展傳統(tǒng)單元模型，基于初始知識(shí)圖譜模型，采用知識(shí)表達(dá)三元組，根據(jù)用戶與推薦內(nèi)容關(guān)系的知識(shí)圖譜網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行構(gòu)建，按照支持度降序排列所得頻繁項(xiàng)集合，實(shí)現(xiàn)函數(shù)調(diào)用，通過迭代運(yùn)算路徑實(shí)體的所有組合形式，達(dá)成全部頻繁項(xiàng)集合與關(guān)聯(lián)規(guī)則的挖掘，構(gòu)建并完善智能信息推薦模型。實(shí)驗(yàn)結(jié)果表明：所提方法推薦準(zhǔn)確率及效率遠(yuǎn)遠(yuǎn)高于現(xiàn)有方法，具有較好的魯棒性及實(shí)際應(yīng)用價(jià)值。該模型為未來的相關(guān)研究奠定了良好的數(shù)據(jù)基礎(chǔ)，擁有重要的現(xiàn)實(shí)意義與實(shí)踐價(jià)值。