王 慧,孫德紅

(閩南理工學(xué)院 信息管理學(xué)院,福建 石獅 362700)

在教育信息化改革不斷深入的時(shí)代背景下，在線教育實(shí)現(xiàn)了快速發(fā)展，信息化技術(shù)的應(yīng)用使其迎來了巨大的發(fā)展機(jī)遇，同時(shí)也為學(xué)習(xí)模式的創(chuàng)新發(fā)展指明了新的方向。受互聯(lián)網(wǎng)強(qiáng)大的信息傳輸功能影響，用戶可以選擇的學(xué)習(xí)資源更加豐富，學(xué)習(xí)活動(dòng)的開展也不再局限于固定的時(shí)間和空間范圍內(nèi)，不僅提高了用戶學(xué)習(xí)的積極性，而且優(yōu)質(zhì)學(xué)習(xí)資源的價(jià)值也實(shí)現(xiàn)了指導(dǎo)提升。因?yàn)樵诨ヂ?lián)網(wǎng)環(huán)境中資源的共享范圍更大，優(yōu)質(zhì)資源被重用的次數(shù)更高[1]。因此，學(xué)習(xí)者的學(xué)習(xí)積極性極大地提高，其能夠以自主意愿更加全面地了解所屬領(lǐng)域的知識(shí)內(nèi)容，在學(xué)習(xí)效率和學(xué)習(xí)效果上表現(xiàn)出驚人的成績[2]。但是，在線學(xué)習(xí)用戶數(shù)量的快速增長使得與之相關(guān)的產(chǎn)業(yè)鏈不斷優(yōu)化，以學(xué)習(xí)資源為產(chǎn)品的企業(yè)以爆炸式的趨勢(shì)快速發(fā)展，由此帶來的信息大爆炸也產(chǎn)生了一定的負(fù)面影響。因此，國內(nèi)學(xué)者針對(duì)資源信息過載這一情況展開研究。張曉丹[3]提出對(duì)改進(jìn)的圖神經(jīng)網(wǎng)絡(luò)文本分類模型應(yīng)用進(jìn)行研究，利用文本、句子及關(guān)鍵詞構(gòu)建拓?fù)潢P(guān)系圖和拓?fù)潢P(guān)系矩陣，采用馬爾科夫鏈采樣算法對(duì)層節(jié)點(diǎn)進(jìn)行采樣，再利用多級(jí)降維方法實(shí)現(xiàn)特征降維，完成文本分類。該方法雖然能夠保證文本及文獻(xiàn)大數(shù)據(jù)得到有效的分類，但其分類的精準(zhǔn)率較低。學(xué)習(xí)資源的個(gè)性化推薦成為現(xiàn)階段個(gè)性化學(xué)習(xí)的重要工具。與系統(tǒng)化教育相比，個(gè)性化學(xué)習(xí)更加注重對(duì)學(xué)習(xí)資源與用戶需求之間的匹配關(guān)系[4]。任蓓蓓等[5]提出基于深度學(xué)習(xí)的數(shù)字圖書館資源個(gè)性化推薦模型設(shè)計(jì)方法。通過深度學(xué)習(xí)算法，根據(jù)用戶特征、行為與偏好等信息對(duì)數(shù)字圖書館用戶進(jìn)行建模，從而實(shí)現(xiàn)數(shù)字圖書館資源個(gè)性化推薦。但該方法對(duì)目標(biāo)資源的定位需要用戶花費(fèi)大量的時(shí)間，最終的定位結(jié)果也無法得到保障。

基于此，文中從用戶的角度出發(fā)[6]，以用戶自身的偏好為基礎(chǔ)，結(jié)合學(xué)習(xí)資源的知識(shí)點(diǎn)構(gòu)成，實(shí)現(xiàn)個(gè)性化的學(xué)習(xí)資源推薦，并通過試驗(yàn)測(cè)試的方式與不同方法同時(shí)進(jìn)行應(yīng)用分析，驗(yàn)證了文中算法的有效性。

1 基于用戶特征的偏好挖掘

對(duì)用戶特征進(jìn)行分析是掌握用戶的基礎(chǔ)學(xué)習(xí)情況和學(xué)習(xí)偏好的主要途徑[7]，以此為基礎(chǔ)可以更好地確定用戶的學(xué)習(xí)目標(biāo)，為學(xué)習(xí)資源的組織推薦提供依據(jù)。就現(xiàn)階段以E-learning為主要環(huán)境的學(xué)習(xí)而言，用戶學(xué)習(xí)的特征在學(xué)習(xí)過程的價(jià)值和重要性被放大[8]，因此，文中在進(jìn)行資源推薦之前，對(duì)用戶學(xué)習(xí)的內(nèi)部因素進(jìn)行了充分了解，而該過程主要是通過對(duì)用戶在線學(xué)習(xí)行為特征分析實(shí)現(xiàn)的[9]。

一般情況下，學(xué)習(xí)行為的出現(xiàn)以目的性的形式存在，用戶為了達(dá)到某種學(xué)習(xí)效果，在學(xué)習(xí)活動(dòng)過程中會(huì)通過優(yōu)化學(xué)習(xí)習(xí)慣、調(diào)節(jié)學(xué)習(xí)方式、選擇學(xué)習(xí)內(nèi)容的方式提高學(xué)習(xí)效率，而這一系列行為的出現(xiàn)都是以一定共性存在的[10]。為了切實(shí)實(shí)現(xiàn)對(duì)用戶行為特征的全面挖掘，文中對(duì)其進(jìn)行分析。

如圖1所示，對(duì)用戶在線交流互動(dòng)情況的分析與以教師面授學(xué)習(xí)為基礎(chǔ)的傳統(tǒng)教學(xué)模式不同，在線教學(xué)更加注重對(duì)課堂溝通、交流的應(yīng)用，媒體課件展示的方式也可以將知識(shí)點(diǎn)更加直觀地傳達(dá)至用戶[11]。當(dāng)在學(xué)習(xí)過程中出現(xiàn)不能理解的難點(diǎn)時(shí)，用戶可以通過線上交流的及時(shí)性特征實(shí)時(shí)提出自己的疑問。因此，文中以用戶在小組討論、主題討論、發(fā)布問題、回答問題等交互行為中的表現(xiàn)對(duì)其偏好以及主要問題進(jìn)行采集。其次就是學(xué)生自主學(xué)習(xí)的意識(shí)。在學(xué)習(xí)過程中，用戶會(huì)根據(jù)自己的學(xué)習(xí)需求以及興趣趨向主動(dòng)對(duì)相關(guān)知識(shí)內(nèi)容進(jìn)行搜索和瀏覽[12]，由此產(chǎn)生的點(diǎn)擊、收藏以及下載操作都會(huì)直接或間接地體現(xiàn)用戶的偏好。除此之外，用戶在知識(shí)社區(qū)、論壇的答疑解惑行為也是由用戶主觀能動(dòng)性引起的，也可以在一定程度上反饋其偏好。用戶結(jié)合自身存在的不足，根據(jù)自己的實(shí)際情況對(duì)相應(yīng)的知識(shí)點(diǎn)進(jìn)行重復(fù)學(xué)習(xí)，該部分內(nèi)容也是資源推薦的重要組成部分之一。除了上述特征外，用戶自身對(duì)知識(shí)的掌握能力決定了推薦學(xué)習(xí)資源的難易程度。在學(xué)習(xí)目標(biāo)的推動(dòng)下，用戶對(duì)知識(shí)掌握能力可以實(shí)現(xiàn)不斷發(fā)展，但這種發(fā)展也是階段性的，因此，按照現(xiàn)階段用戶對(duì)知識(shí)的理解程度和深度對(duì)其進(jìn)行資源推薦決定了最終用戶對(duì)其使用情況。

圖1 基于用戶特征的偏好挖掘方法

以此為基礎(chǔ)，文中將用戶在學(xué)習(xí)過程中表現(xiàn)出的學(xué)習(xí)行為特征作為其偏好的判定依據(jù)，并實(shí)現(xiàn)個(gè)性化學(xué)習(xí)資源推薦。

2 基于改進(jìn)圖神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)資源本體構(gòu)建

要實(shí)現(xiàn)對(duì)學(xué)習(xí)資源的有效推薦，僅考慮用戶的偏好是遠(yuǎn)遠(yuǎn)不夠的，在目前的教育環(huán)境中，學(xué)習(xí)資源無論是在結(jié)構(gòu)上還是表現(xiàn)形式上都呈現(xiàn)出明顯的復(fù)雜化和多樣化的趨勢(shì)，其中，表現(xiàn)形式就可以分為課件、案例、文獻(xiàn)、索引、網(wǎng)絡(luò)課程、試題、試卷、作業(yè)、文本等。在此背景下，通過改進(jìn)圖神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)以知識(shí)點(diǎn)為基礎(chǔ)的本體構(gòu)建。該過程以充分體現(xiàn)各級(jí)各類的學(xué)習(xí)資源數(shù)據(jù)共享價(jià)值為基本原則，對(duì)存在無序性、非結(jié)構(gòu)性的學(xué)習(xí)資源進(jìn)行劃分，具體的劃分類別包括文本類資料、媒體類資料。其中，文本類資料包括課件、案例、試卷、輔助材料練習(xí)冊(cè)等；媒體資料包括視頻、動(dòng)畫、音頻、文本、圖片等。對(duì)于部分難以直接界定其劃分類別的資源，利用改進(jìn)的圖神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行結(jié)構(gòu)重組，采用基于元數(shù)據(jù)的本體表示構(gòu)建方法解決圖神經(jīng)網(wǎng)絡(luò)中存在的知識(shí)領(lǐng)域定義模糊問題。

為此，首先構(gòu)建了學(xué)習(xí)資源模型，具體為

(1)

式中：γ為學(xué)習(xí)資源模型；xi為其知識(shí)點(diǎn)組成；sim(x1,x2,…,xi)為各知識(shí)點(diǎn)間的相似程度；p為資源中元數(shù)據(jù)占比。該模型主要用于學(xué)習(xí)資源中知識(shí)點(diǎn)的管理和檢索，利用知識(shí)點(diǎn)描述資源本體時(shí)，通過元數(shù)據(jù)建立本體與知識(shí)點(diǎn)之間的關(guān)聯(lián)關(guān)系，利用元數(shù)據(jù)屬性對(duì)不同類別的層次進(jìn)行定義，構(gòu)建出包括父類(資料、動(dòng)畫、課程類等)和子類(文本類、圖形類、視頻類、圖像類、音頻類等)的圖神經(jīng)網(wǎng)絡(luò)。此時(shí)學(xué)習(xí)資源本體的層次關(guān)系可以體現(xiàn)出資源在知識(shí)點(diǎn)構(gòu)成上的差別。為了關(guān)聯(lián)不同資源，將改進(jìn)圖神經(jīng)網(wǎng)絡(luò)資源結(jié)構(gòu)中的知識(shí)點(diǎn)間關(guān)系設(shè)計(jì)為父子、參考、依賴、平行4種。其中，父子關(guān)系主要體現(xiàn)資源間的部分與整體性，依賴關(guān)系主要體現(xiàn)資源間的重疊性，平行關(guān)系主要體現(xiàn)資源間在知識(shí)點(diǎn)構(gòu)成上的獨(dú)立性。

3 基于資源與用戶偏好雙重聚類的資源推薦算法

在獲得用戶偏好信息和學(xué)習(xí)資源本體信息后，為了提高推薦結(jié)果的可靠性，分別對(duì)二者進(jìn)行雙重聚類處理，即通過雙重聚類算法分別產(chǎn)生用戶聚類和學(xué)習(xí)資源聚類，對(duì)聚類結(jié)果進(jìn)行匹配，確定最終的推薦內(nèi)容。

對(duì)于同屬于一個(gè)聚類中的用戶，其對(duì)學(xué)習(xí)資源的偏好具有更高的相似性。為了盡可能提高聚類中用戶對(duì)資源需求的一致性，文中確定聚類劃分的標(biāo)準(zhǔn)是以其對(duì)資源的評(píng)價(jià)結(jié)果為基礎(chǔ)設(shè)計(jì)的，用L表示用戶集合，用ln表示生成的n個(gè)用戶聚類。其具體計(jì)算方式為

L=l1∪l2∪…∪ln，

li∪lj=?.

(2)

由此生成n個(gè)用戶聚類，對(duì)應(yīng)的用戶聚類中心數(shù)量也為n，在每個(gè)聚類中心位置的用戶對(duì)學(xué)習(xí)資源的評(píng)分結(jié)果即為聚類用戶劃分的目標(biāo)值。文中設(shè)置到聚類中心點(diǎn)的距離r不超過50%。對(duì)于學(xué)習(xí)資源的聚類也采用相同的方法。

在完成對(duì)用戶偏好以及學(xué)習(xí)資源的聚類處理后，通過計(jì)算二者的中心擬合度判斷資源是否滿足對(duì)應(yīng)用戶類的需求，其計(jì)算方式為

D=sim(Ol,Oz).

(3)

式中：Ol和Oz分別表示用戶和資源的聚類中心。在此基礎(chǔ)上，是否進(jìn)行推薦的判定標(biāo)準(zhǔn)如表1所示。

表1 資源推薦判斷標(biāo)準(zhǔn)

按照表1設(shè)置的標(biāo)準(zhǔn)，確定是否需要進(jìn)行推薦。對(duì)于需要進(jìn)一步對(duì)知識(shí)點(diǎn)擬合度進(jìn)行計(jì)算的資源，同樣按照表1的標(biāo)準(zhǔn)進(jìn)行判定。

4 試驗(yàn)測(cè)試

4.1 實(shí)驗(yàn)說明

文中進(jìn)行實(shí)驗(yàn)的環(huán)境為Windows 10 64位操作系統(tǒng)，CPU參數(shù)為Intel(R)Core(TM)i5-3470，系統(tǒng)的內(nèi)存空間為64 GB，使用的Matlab R為2020a版本。為了更加準(zhǔn)確地驗(yàn)證文中提出的算法，分別從可行性與有效性兩個(gè)角度進(jìn)行測(cè)試。從某互聯(lián)網(wǎng)教育平臺(tái)中隨機(jī)選取10名學(xué)生參與實(shí)驗(yàn)。參與實(shí)驗(yàn)的10名學(xué)生均為在校大學(xué)生，其中，4名學(xué)生成績優(yōu)異，3名學(xué)生成績中等，3名學(xué)生成績中下。按照抽取順序?qū)?0名學(xué)生設(shè)置編號(hào)為1～10。實(shí)驗(yàn)數(shù)據(jù)集以“人工智能”課程為基礎(chǔ)自主構(gòu)建，其中，分為試題和考試答題數(shù)據(jù)兩種類型，具體的實(shí)驗(yàn)數(shù)據(jù)集設(shè)置如表2所示。

以表2中數(shù)據(jù)為基礎(chǔ)，將所有試題的答案數(shù)據(jù)歸一化處理，并將主觀題的最終分?jǐn)?shù)與客觀題的最終分?jǐn)?shù)映射到[0，1]的區(qū)間范圍內(nèi)。與此同時(shí)，為了確保測(cè)試結(jié)果的可靠性，構(gòu)建了3個(gè)指標(biāo)作為測(cè)試結(jié)果的評(píng)價(jià)依據(jù)，分別為推薦精確率Precision(用P表示)、推薦內(nèi)容召回率Recall(用R表示)以及F1綜合評(píng)價(jià)指標(biāo)，精準(zhǔn)率、召回率、F1值越高越好。三者的計(jì)算方式為

(4)

(5)

(6)

式中：P表示推薦學(xué)習(xí)資源中知識(shí)點(diǎn)與實(shí)際學(xué)習(xí)需求一致的程度，也就是推薦精確率程度；R表示推薦學(xué)習(xí)資源中知識(shí)點(diǎn)與實(shí)際學(xué)習(xí)需求一致的比例；TP、FP和FN分別表示最終推薦內(nèi)容包含的知識(shí)點(diǎn)、需要的知識(shí)點(diǎn)以及不需要的知識(shí)點(diǎn)。

表2 實(shí)驗(yàn)數(shù)據(jù)設(shè)置

4.2 測(cè)試結(jié)果與分析

為了確保后續(xù)指標(biāo)計(jì)算結(jié)果的可靠性，對(duì)所有知識(shí)點(diǎn)對(duì)應(yīng)知識(shí)圖譜中的貢獻(xiàn)值進(jìn)行分析，并得到了如表3所示的結(jié)果。

表3 知識(shí)點(diǎn)貢獻(xiàn)值統(tǒng)計(jì)

以此為基礎(chǔ)，在10名參與實(shí)驗(yàn)的學(xué)生中隨機(jī)抽取5名學(xué)生，從宏觀角度分析學(xué)生對(duì)于不同知識(shí)點(diǎn)的失分率，其結(jié)果如表4所示。然后對(duì)這5名學(xué)生完成推薦內(nèi)容學(xué)習(xí)后的知識(shí)點(diǎn)失分率再次進(jìn)行計(jì)算，其結(jié)果如表5所示。

通過對(duì)比表4和表5不難看出，經(jīng)過學(xué)習(xí)推薦的內(nèi)容后，知識(shí)點(diǎn)的失分率呈現(xiàn)出明顯的下降趨勢(shì)，表明文中設(shè)計(jì)方法的推薦內(nèi)容對(duì)于學(xué)生的學(xué)習(xí)需求具有較強(qiáng)的判斷能力，推薦效果良好。

表4 學(xué)生對(duì)知識(shí)點(diǎn)的失分率統(tǒng)計(jì)

表5 學(xué)習(xí)推薦內(nèi)容后學(xué)生對(duì)知識(shí)點(diǎn)的失分率統(tǒng)計(jì)

為了驗(yàn)證該方法的優(yōu)越性，分別采用SETB算法和TBTFIDF算法作為對(duì)照組，與文中推薦方法進(jìn)行試驗(yàn)測(cè)試。通過比較3種方法的推薦結(jié)果，對(duì)文中方法的有效性進(jìn)行分析，得到實(shí)驗(yàn)結(jié)果如表6所示。

表6 不同方法的推薦效果統(tǒng)計(jì) %

從表6可以看出，與SETB算法和TBTFIDF算法相比，文中方法的推薦精度、推薦內(nèi)容的召回率以及F1綜合評(píng)價(jià)指標(biāo)都表現(xiàn)出明顯優(yōu)勢(shì)，表明文中設(shè)計(jì)方法能夠?qū)崿F(xiàn)以學(xué)生需求為基礎(chǔ)進(jìn)行個(gè)性化學(xué)習(xí)資源推薦，對(duì)提高學(xué)習(xí)效果具有明顯作用。

5 結(jié)束語

隨著現(xiàn)代通信及信息技術(shù)的不斷發(fā)展，資源的共享程度實(shí)現(xiàn)了全球化發(fā)展，與此同時(shí)，這種高度復(fù)合化的資源一方面豐富了學(xué)習(xí)的可利用資源，另一方面也對(duì)資源的選擇提出了更高要求。為此，如何充分結(jié)合資源自身的知識(shí)組成以及用戶的學(xué)習(xí)需求，實(shí)現(xiàn)高質(zhì)量的學(xué)習(xí)資源個(gè)性化推薦成為值得關(guān)注的重點(diǎn)問題之一。

文中基于改進(jìn)圖神經(jīng)網(wǎng)絡(luò)和用戶偏好聚類的個(gè)性化學(xué)習(xí)資源推薦算法進(jìn)行研究，以用戶行為為基礎(chǔ)，挖掘用戶的偏好，并通過改進(jìn)圖神經(jīng)網(wǎng)絡(luò)搭建學(xué)習(xí)資源的知識(shí)點(diǎn)架構(gòu)，在聚類的基礎(chǔ)上實(shí)現(xiàn)二者之間的匹配關(guān)系，確定最終的推薦內(nèi)容。這種推薦方法在測(cè)試中取得了良好的效果。通過本研究，以期為提高學(xué)習(xí)資源的利用率，降低用戶在資源選擇中的時(shí)間成本提供有價(jià)值的幫助。