面向泛在學(xué)習(xí)的個(gè)性化資源推薦模型研究

面向泛在學(xué)習(xí)的個(gè)性化資源推薦模型研究

泛在學(xué)習(xí)是指任何時(shí)候、每個(gè)地點(diǎn)、任何計(jì)算設(shè)備都可以獲得所需的學(xué)習(xí)資源，并享受到處學(xué)習(xí)服務(wù)的學(xué)習(xí)過程。它具有個(gè)性化和即時(shí)性等重要特征。要實(shí)現(xiàn)泛在學(xué)習(xí)的個(gè)性化,一方面需要大量的學(xué)習(xí)資源以滿足不同人的不同需求,另一方面,需為單個(gè)學(xué)習(xí)者提供滿足其個(gè)性化需要的有限資源。既要滿足泛在學(xué)習(xí)龐大的資源數(shù)量的要求,又要讓學(xué)習(xí)者在資源海洋中能快速找到適合自己的資源,這是泛在學(xué)習(xí)資源建設(shè)中存在的一個(gè)矛盾,也是一個(gè)急需要解決的問題。不僅泛在學(xué)習(xí)的個(gè)性化特點(diǎn)對泛在學(xué)習(xí)的內(nèi)容個(gè)性化提出了要求,泛在學(xué)習(xí)的即時(shí)性也需要個(gè)性化推薦的支持。資源數(shù)量越大,學(xué)習(xí)者尋找適合自己的資源的時(shí)間就越多,缺乏學(xué)習(xí)資源個(gè)性化推薦,使得原本計(jì)劃的一些短暫的、零碎的時(shí)間就不得不花費(fèi)在搜索上,導(dǎo)致“無時(shí)、無處不在”的學(xué)習(xí)變成“無時(shí)、無處不在”的“搜索”。因此,為了真正實(shí)現(xiàn)泛在學(xué)習(xí)的“無時(shí)、無處不在”,體現(xiàn)泛在學(xué)習(xí)的個(gè)性化特點(diǎn),對個(gè)性化學(xué)習(xí)資源的推薦進(jìn)行研究是十分必要的。一學(xué)習(xí)資源的個(gè)性化推薦從20世紀(jì)90年代Resnick等首先將個(gè)性化推薦研究作為一個(gè)獨(dú)立的概念提出至今,個(gè)性化推薦已有了較大的發(fā)展。按推薦的資源對象分,可將個(gè)性化推薦分為一般性資源推薦和學(xué)習(xí)資源推薦。一般性資源推薦主要包括電子商品、門戶網(wǎng)站資源、專業(yè)服務(wù)資訊、圖書文獻(xiàn)、新聞、音樂、網(wǎng)頁等的推薦。推薦系統(tǒng)通過收集用戶信息,建立和更新用戶興趣模型或得到相似用戶,進(jìn)而根據(jù)用戶興趣或相似用戶興趣向用戶推薦可能感興趣的資源。學(xué)習(xí)資源的個(gè)性化推薦根據(jù)應(yīng)用環(huán)境的不同主要分為基礎(chǔ)資源庫的推薦、虛擬學(xué)習(xí)社區(qū)中的資源推薦、虛擬學(xué)習(xí)環(huán)境的資源推薦和學(xué)習(xí)系統(tǒng)中的資源推薦。前三者不針對某個(gè)學(xué)習(xí)過程,只是從用戶興趣出發(fā),推薦用戶可能感興趣或需要的資源。如遼寧省基礎(chǔ)教育網(wǎng),它通過基于內(nèi)容和協(xié)作的信息過濾技術(shù)實(shí)現(xiàn)了個(gè)性化的資源推送服務(wù)。學(xué)習(xí)系統(tǒng)中的資源推薦主要從用戶學(xué)習(xí)的角度,如學(xué)習(xí)風(fēng)格、認(rèn)知水平、學(xué)習(xí)偏好模式等方面考慮,向用戶推薦與某個(gè)學(xué)習(xí)過程有關(guān)的資源。如從學(xué)習(xí)風(fēng)格角度考慮的系統(tǒng)有采用蟻群算法和Kolb學(xué)習(xí)風(fēng)格模型的AACS系統(tǒng),該系統(tǒng)能夠依據(jù)學(xué)習(xí)者屬性(如學(xué)習(xí)風(fēng)格和學(xué)習(xí)對象),將資源按照文本、視頻、動(dòng)畫等類型和介紹性知識、專業(yè)性知識等層次,為學(xué)習(xí)者提供個(gè)性化學(xué)習(xí)資源。同時(shí)考慮認(rèn)知水平和學(xué)習(xí)風(fēng)格的系統(tǒng)有東北師范大學(xué)的SAELS系統(tǒng),該系統(tǒng)引入本體,對學(xué)習(xí)資源進(jìn)行語義描述,對學(xué)習(xí)風(fēng)格、認(rèn)知水平進(jìn)行語義診斷,使學(xué)習(xí)資源和教學(xué)策略根據(jù)用戶模型動(dòng)態(tài)呈現(xiàn),實(shí)現(xiàn)了資源共享、重用和個(gè)性化推薦。從學(xué)習(xí)偏好模式考慮的有文獻(xiàn)中提出的根據(jù)用戶學(xué)習(xí)偏好模式,向用戶推薦個(gè)性化學(xué)習(xí)資源。從目前個(gè)性化資源推薦,特別是學(xué)習(xí)資源個(gè)性化推薦的研究成果來看,學(xué)習(xí)資源的個(gè)性化推薦已有了一定的發(fā)展,但仍存在以下幾方面不足:1存在其他語義關(guān)系學(xué)習(xí)資源之間存在復(fù)雜的語義關(guān)聯(lián)。當(dāng)前的推薦僅僅做到了相似資源的推薦,而忽略了存在其他語義關(guān)系如包含屬于、相關(guān)、等價(jià)、上下位概念、因果、例子等的資源的推薦。當(dāng)學(xué)習(xí)者學(xué)習(xí)某個(gè)資源時(shí),向?qū)W習(xí)者推薦與當(dāng)前學(xué)習(xí)資源存在一定語義關(guān)聯(lián)的資源而不僅僅是主題上相似的資源,如當(dāng)前資源的下位資源,對學(xué)習(xí)者的學(xué)習(xí)來說是十分有意義的。2基于用戶的學(xué)習(xí)偏好更新學(xué)習(xí)者在利用學(xué)習(xí)資源進(jìn)行學(xué)習(xí)的過程中會(huì)產(chǎn)生很多生成性信息,如對某段學(xué)習(xí)內(nèi)容的批注、添加新的內(nèi)容等等,這些生成性信息對資源推薦提供了新的信息。從學(xué)習(xí)者的角度,通過挖掘用戶對資源的批注、評價(jià)、提問等可獲得學(xué)習(xí)者學(xué)習(xí)偏好的信息,從而動(dòng)態(tài)更新用戶模型。從資源的角度,通過分析學(xué)習(xí)者對資源的評價(jià)、批注等獲得有關(guān)該資源質(zhì)量等方面的信息,從而有助于將質(zhì)量高的資源推薦給學(xué)習(xí)者。目前的資源推薦忽略了過程性信息對推薦的重要作用。3“人”是學(xué)習(xí)資源的重要組成部分在學(xué)習(xí)過程中,學(xué)習(xí)者不僅建立起與學(xué)習(xí)內(nèi)容間的關(guān)系,通過交流、互動(dòng)、協(xié)作,還能建立起人與人之間的關(guān)系,即形成人際網(wǎng)絡(luò)。在交往中,他人的學(xué)習(xí)經(jīng)驗(yàn)總是有或多或少的幫助,且在與他人的交互中還可以降低學(xué)習(xí)者的孤獨(dú)感,因此,“人”也是學(xué)習(xí)資源的一個(gè)重要部分,它對學(xué)習(xí)起到的作用并不亞于學(xué)習(xí)內(nèi)容。在當(dāng)前的學(xué)習(xí)資源推薦中,雖然協(xié)同過濾推薦時(shí)也提及相似興趣用戶,但并沒有對“人”這種特殊的學(xué)習(xí)資源進(jìn)行推薦,且“人”作為一種學(xué)習(xí)資源,他們之間也不單單是相似關(guān)系,還存在諸如好友、協(xié)作、競爭等更加豐富的人際關(guān)系。4學(xué)習(xí)活動(dòng)的推薦內(nèi)容不全面泛在學(xué)習(xí)雖然是一種短流程的學(xué)習(xí),但它仍是一個(gè)完整的學(xué)習(xí)過程,需要學(xué)習(xí)內(nèi)容、學(xué)習(xí)活動(dòng)、評價(jià)、練習(xí)等各種學(xué)習(xí)資源。當(dāng)前的學(xué)習(xí)資源推薦系統(tǒng)大部分都忽略了學(xué)習(xí)活動(dòng),僅對學(xué)習(xí)內(nèi)容進(jìn)行推薦,少部分在推薦學(xué)習(xí)內(nèi)容時(shí)也推薦相應(yīng)的學(xué)習(xí)活動(dòng),但學(xué)習(xí)活動(dòng)的推薦主要是在當(dāng)前已有的學(xué)習(xí)活動(dòng)的基礎(chǔ)上對學(xué)習(xí)活動(dòng)序列進(jìn)行推薦,而沒有考慮學(xué)習(xí)活動(dòng)的質(zhì)量。泛在學(xué)習(xí)是一種短流程的學(xué)習(xí),大部分用戶不會(huì)像正式學(xué)習(xí)那樣按既定序列依次參與所有的學(xué)習(xí)活動(dòng),往往只是在較短的時(shí)間內(nèi)參與1-2個(gè)學(xué)習(xí)活動(dòng)。因此,在泛在學(xué)習(xí)中,學(xué)習(xí)活動(dòng)的質(zhì)量相對于學(xué)習(xí)活動(dòng)序列顯得更為重要。5生成適應(yīng)用戶偏好的學(xué)習(xí)資源當(dāng)前學(xué)習(xí)資源推薦主要分為資源庫中和學(xué)習(xí)系統(tǒng)中的資源推薦。前者從用戶興趣和需求的角度向用戶推送學(xué)習(xí)資源,后者主要從用戶學(xué)習(xí)的角度考慮向用戶推送符合其學(xué)習(xí)偏好模式的學(xué)習(xí)資源。泛在學(xué)習(xí)系統(tǒng)同時(shí)包括了以上兩種情況,即:在用戶剛進(jìn)入系統(tǒng)時(shí),系統(tǒng)相當(dāng)于資源庫,用戶需從中尋找感興趣的資源;當(dāng)用戶進(jìn)行學(xué)習(xí)時(shí),系統(tǒng)相當(dāng)于學(xué)習(xí)系統(tǒng),這時(shí)應(yīng)推薦符合用戶學(xué)習(xí)偏好的資源。故在泛在學(xué)習(xí)中進(jìn)行資源推薦時(shí),應(yīng)同時(shí)考慮學(xué)習(xí)興趣和學(xué)習(xí)偏好模式。6擴(kuò)展知識,拓展知識學(xué)習(xí)是一個(gè)知識的不斷擴(kuò)展和加深的過程。用戶進(jìn)行學(xué)習(xí)有兩種結(jié)果,一是獲得了新知識,擴(kuò)展了知識面,即知識體系的橫向發(fā)展,一是加深了對原有知識的認(rèn)識,即知識體系的縱向發(fā)展。故從學(xué)習(xí)者已有知識出發(fā),通過對學(xué)習(xí)者已有知識建模,向用戶推薦與其已有知識結(jié)構(gòu)緊密關(guān)聯(lián)的學(xué)習(xí)資源將對用戶學(xué)習(xí)的擴(kuò)展和加深有很大幫助。二學(xué)習(xí)元資源信息模型學(xué)習(xí)內(nèi)容不僅僅是信息呈現(xiàn),單純的閱讀也不是學(xué)習(xí),學(xué)習(xí)是一個(gè)交互和深度思考的過程,學(xué)習(xí)內(nèi)容不應(yīng)僅僅是電子化的信息,而應(yīng)該包括活動(dòng)、知識之間的語義關(guān)系、人與知識交互形成的關(guān)系等等,這些可以為推理提供支持。在實(shí)際的學(xué)習(xí)過程中,內(nèi)容、活動(dòng)、語義等學(xué)習(xí)擴(kuò)展信息是應(yīng)該聚合在一個(gè)信息模型中的。北京師范大學(xué)余勝泉教授提出的一種泛在學(xué)習(xí)環(huán)境下的新型學(xué)習(xí)資源信息模型——“學(xué)習(xí)元”。圖1是學(xué)習(xí)元的資源信息模型:學(xué)習(xí)元是“具可重用特性支持學(xué)習(xí)過程信息采集和學(xué)習(xí)認(rèn)知網(wǎng)絡(luò)共享,可實(shí)現(xiàn)自我進(jìn)化發(fā)展的微型化、智能性的數(shù)字化學(xué)習(xí)資源?！彼哂猩尚?、開放性、聯(lián)通性、內(nèi)聚性、可進(jìn)化發(fā)展、智能型、微型化和自跟蹤等特點(diǎn)。學(xué)習(xí)元是一種結(jié)構(gòu)性的資源,它由學(xué)習(xí)內(nèi)容、語義描述、學(xué)習(xí)活動(dòng)、格式信息、生成性信息和KNS(KnowledgeNetworkService)網(wǎng)絡(luò)這六部分構(gòu)成。其中語義描述、KNS網(wǎng)絡(luò)和生成性信息、學(xué)習(xí)活動(dòng)對學(xué)習(xí)資源的個(gè)性化推薦提供了重要的支持。語義描述。語義描述是對學(xué)習(xí)元內(nèi)部各要素及其整體結(jié)構(gòu)進(jìn)行的描述性信息,它采用靜態(tài)元數(shù)據(jù)與語義本體相結(jié)合的方式,不僅保證了描述的一致性,而且還從語義層面上對學(xué)習(xí)元的屬性和關(guān)系進(jìn)行描述。語義描述為學(xué)習(xí)元間自動(dòng)建立語義關(guān)聯(lián)提供了數(shù)據(jù)基礎(chǔ),從而能快速方便地獲得具有各種關(guān)聯(lián)的學(xué)習(xí)元。KNS網(wǎng)絡(luò)。KNS網(wǎng)絡(luò)是學(xué)習(xí)元在進(jìn)化過程中通過與其他學(xué)習(xí)元、學(xué)習(xí)者群體建立語義關(guān)聯(lián)而產(chǎn)生的知識網(wǎng)絡(luò)。在KNS網(wǎng)絡(luò)中,學(xué)習(xí)元與學(xué)習(xí)元間存在某種語義關(guān)聯(lián),如相似、相關(guān)等,學(xué)習(xí)元與學(xué)習(xí)者間存在某種關(guān)系,如創(chuàng)建者、貢獻(xiàn)者、協(xié)作者等,學(xué)習(xí)者與學(xué)習(xí)者間也具有某些關(guān)系,如好友、相似等。有了KNS的支持,不僅可以方便快速地獲得資源與資源的關(guān)聯(lián),而且還能獲得人與資源、人與人之間的關(guān)系,為得到存在某種語義關(guān)聯(lián)的學(xué)習(xí)資源集合或?qū)W習(xí)者集合提供良好支持。生成性信息。生成性信息是指學(xué)習(xí)元在使用過程中產(chǎn)生的各類信息,包括學(xué)習(xí)元的歷史版本信息、統(tǒng)計(jì)信息、用戶評價(jià)信息、各種學(xué)習(xí)活動(dòng)的過程性信息等。通過分析挖掘生成性信息,可得到對推薦有幫助的信息,如為篩選推薦候選集提供重要依據(jù)等。學(xué)習(xí)活動(dòng)。學(xué)習(xí)元不僅具有學(xué)習(xí)內(nèi)容、還具有與學(xué)習(xí)內(nèi)容相對應(yīng)的學(xué)習(xí)活動(dòng),學(xué)習(xí)者通過學(xué)習(xí)活動(dòng)與學(xué)習(xí)內(nèi)容深度交互。當(dāng)系統(tǒng)向用戶推薦學(xué)習(xí)元時(shí),就同時(shí)將與當(dāng)前學(xué)習(xí)內(nèi)容有關(guān)的學(xué)習(xí)活動(dòng)一并推送給用戶,并從該學(xué)習(xí)活動(dòng)相關(guān)聯(lián)的其他學(xué)習(xí)資源處獲取可以推薦的信息。綜上所述,在學(xué)習(xí)元資源信息模型,特別是語義描述、KNS網(wǎng)絡(luò)、生成性信息和學(xué)習(xí)活動(dòng)的支持下,系統(tǒng)可以比較容易地建立起學(xué)習(xí)元與學(xué)習(xí)元、學(xué)習(xí)元與人、人與人間的語義關(guān)聯(lián),從而形成緊密聚合的知識與知識、知識和人、人與人的認(rèn)知網(wǎng)絡(luò),從這個(gè)聚合的認(rèn)知網(wǎng)絡(luò)中可以較為快速準(zhǔn)確地找到具有某種語義關(guān)聯(lián)的學(xué)習(xí)元集合和人際資源集合。由于學(xué)習(xí)元是一種結(jié)構(gòu)化的資源,它附帶與內(nèi)容對應(yīng)的學(xué)習(xí)活動(dòng),當(dāng)向用戶推薦學(xué)習(xí)元時(shí),也將對應(yīng)的學(xué)習(xí)活動(dòng)推薦給了用戶,并可從該學(xué)習(xí)活動(dòng)相關(guān)聯(lián)的其他學(xué)習(xí)資源處獲取可以推薦的信息。由于學(xué)習(xí)元具有基于本體的語義描述,故根據(jù)用戶對學(xué)習(xí)元的操作,如學(xué)習(xí)、協(xié)作、訂閱等,可很容易地得到用戶感興趣的知識本體,或從用戶學(xué)習(xí)過的學(xué)習(xí)元所屬的知識本體得知用戶已獲得哪些知識,又或根據(jù)用戶學(xué)習(xí)過的學(xué)習(xí)元間的關(guān)系挖掘出用戶的學(xué)習(xí)偏好模式,如有些學(xué)習(xí)者喜歡按學(xué)習(xí)進(jìn)度學(xué)習(xí)等。三通過綜合聚類分析,保證推薦結(jié)果,確保知識部分泛在學(xué)習(xí)環(huán)境不是一個(gè)單純的資源庫或?qū)W習(xí)系統(tǒng),而是具有情境感知能力的智能學(xué)習(xí)空間,任何人在任何時(shí)間地點(diǎn)隨時(shí)可進(jìn)入進(jìn)行非正式學(xué)習(xí),可以看作是資源庫和學(xué)習(xí)系統(tǒng)通過語義技術(shù)、情感感知技術(shù)進(jìn)行的綜合。故泛在學(xué)習(xí)資源個(gè)性化推薦模型不能完全參照以往資源庫或?qū)W習(xí)系統(tǒng)中的資源推薦模型,而應(yīng)根據(jù)自身特點(diǎn),綜合兩種推薦方式,設(shè)計(jì)適合的學(xué)習(xí)資源個(gè)性化推薦模型。本研究依托的泛在學(xué)習(xí)環(huán)境下的學(xué)習(xí)資源模型(學(xué)習(xí)元)與普通的學(xué)習(xí)資源相比,它聚合了人際網(wǎng)絡(luò)、語義網(wǎng)絡(luò)、學(xué)習(xí)活動(dòng)等綜合性的信息,能為解決當(dāng)前學(xué)習(xí)資源推薦中存在的問題提供良好的支持。本推薦模型在思路上考慮整個(gè)學(xué)習(xí)流程,在技術(shù)上基于本體的綜合性推薦模型,充分考慮了資源間的語義關(guān)聯(lián),利用過程性信息對資源推薦候選集進(jìn)行篩選,從而保證推薦資源的質(zhì)量。由于學(xué)習(xí)元是一種特殊的結(jié)構(gòu)化資源,不僅包括學(xué)習(xí)內(nèi)容,還包括學(xué)習(xí)活動(dòng)、人際資源等,故向用戶推薦個(gè)性化的學(xué)習(xí)元其實(shí)也就是將個(gè)性化的學(xué)習(xí)內(nèi)容、學(xué)習(xí)活動(dòng)和人際資源同時(shí)推薦給了用戶,利于用戶在學(xué)習(xí)所需知識的同時(shí)通過參與相應(yīng)的活動(dòng)進(jìn)而加深對知識的了解,通過與相關(guān)用戶的交互消除學(xué)習(xí)時(shí)的孤獨(dú)感,吸取他人經(jīng)驗(yàn),促進(jìn)社會(huì)性學(xué)習(xí)。此外,該模型考慮到泛在學(xué)習(xí)與其他學(xué)習(xí)的不同,將資源庫中的資源推薦方式和學(xué)習(xí)系統(tǒng)中資源的推薦方式結(jié)合起來,從用戶興趣、已有知識和學(xué)習(xí)偏好三方面進(jìn)行推薦。該個(gè)性化推薦的整體思路是首先從用戶興趣、已有知識和學(xué)習(xí)偏好三個(gè)角度出發(fā),從學(xué)習(xí)元庫中獲得對應(yīng)的推薦結(jié)果。其次,利用綜合聚類算法,將三方面推薦結(jié)果進(jìn)行綜合篩選,最終得到最符合用戶需求的推薦結(jié)果。用戶模型、學(xué)習(xí)元庫和聚類算法是該模型中最重要的組成部分。用戶模型由興趣模型、知識模型和學(xué)習(xí)偏好模式組成。興趣模型主要描述了用戶的興趣特征。通過靜態(tài)和動(dòng)態(tài)方法收集用戶興趣信息,從本體庫中抽取出相應(yīng)的本體,作為興趣本體,從而構(gòu)成興趣模型。知識模型描述了用戶的知識信息。通過從用戶已學(xué)過的知識網(wǎng)絡(luò)中獲得用戶已學(xué)過的知識本體及它們之間的語義關(guān)聯(lián),從而建立知識模型。學(xué)習(xí)偏好模式是指用戶喜歡的學(xué)習(xí)進(jìn)行方式,如按進(jìn)度學(xué)習(xí)、按興趣學(xué)習(xí)或按學(xué)習(xí)策略學(xué)習(xí)等等。通過挖掘用戶學(xué)習(xí)軌跡,可得到學(xué)習(xí)偏好的相關(guān)信息,從而建立起學(xué)習(xí)偏好模式。學(xué)習(xí)元庫是整個(gè)推薦的重要基礎(chǔ),是由系統(tǒng)中所有學(xué)習(xí)元構(gòu)成的。與一般的資源不同,學(xué)習(xí)元是一種結(jié)構(gòu)化的學(xué)習(xí)資源,不僅包括學(xué)習(xí)內(nèi)容,還包括語言信息、KNS網(wǎng)絡(luò)、學(xué)習(xí)活動(dòng)和生成性信息等,它們可為推薦提供重要信息。利用語義信息和KNS網(wǎng)絡(luò),可以較為容易地得到具有某種語義關(guān)聯(lián)的子網(wǎng)絡(luò),如相似學(xué)習(xí)元網(wǎng)絡(luò)、人際網(wǎng)絡(luò)等。利用生成性信息可篩選出高質(zhì)量的資源。利用學(xué)習(xí)活動(dòng)可得到與當(dāng)前學(xué)習(xí)元相關(guān)聯(lián)的其他資源,也可作為推薦候選集的一部分。學(xué)習(xí)元結(jié)構(gòu)化信息不僅能為推薦提供重要信息,而且作為被推薦的對象,用戶獲得的將不僅僅是學(xué)習(xí)內(nèi)容,還包括學(xué)習(xí)活動(dòng)和人際資源。從興趣出發(fā),將得到符合用戶興趣的推薦結(jié)果;從知識出發(fā),將得到與當(dāng)前知識相關(guān)的推薦結(jié)果;從學(xué)習(xí)偏好出發(fā),將得到符合用戶學(xué)習(xí)方式的推薦結(jié)果。綜合篩選算法的主要作用是從三種推薦結(jié)果中篩選得到最符合用戶需求的質(zhì)量相對較高的推薦結(jié)果。1相似用戶群體興趣借鑒內(nèi)容過濾和協(xié)調(diào)過濾組合推薦的思想,基于興趣的學(xué)習(xí)元推薦由兩部分組成:基于當(dāng)前用戶興趣模型的推薦和基于相似興趣用戶群體興趣模型的推薦。如下圖3是基于用戶興趣的推薦過程:基于當(dāng)前用戶興趣模型的推薦:根據(jù)當(dāng)前用戶自身的興趣模型,可得到用戶興趣本體,以本體為橋梁,在KNS網(wǎng)絡(luò)中尋找語義特征描述層面上與用戶興趣本體存在相似或相同關(guān)系的學(xué)習(xí)元,形成興趣學(xué)習(xí)元候選集。將候選集中的學(xué)習(xí)元本體向量與用戶興趣本體向量進(jìn)行相似度計(jì)算,同時(shí)綜合考慮學(xué)習(xí)元的生成性信息(如用戶對其的評論、批注)等,從而篩選出高質(zhì)量的學(xué)習(xí)元,作為興趣學(xué)習(xí)元推薦集的一個(gè)子集?；谙嗨朴脩羧号d趣模型的推薦:根據(jù)當(dāng)前用戶自身的興趣模型,基于用戶本體庫,在KNS網(wǎng)絡(luò)中尋找興趣本體向量相似的用戶,構(gòu)成相似興趣用戶候選集。將候選集中的用戶興趣向量與當(dāng)前用戶興趣向量進(jìn)行相似度計(jì)算,同時(shí)綜合考慮該用戶的生成性信息,如參與活動(dòng)數(shù)量、評論數(shù)量等,從而篩選出最佳的相似興趣用戶群。根據(jù)相似用戶群中個(gè)人的興趣本體得到相似用戶群的興趣本體。采用與基于當(dāng)前用戶興趣推薦相同的方法得到相似用戶群體感興趣的學(xué)習(xí)元集合。將上述兩種方式得到的學(xué)習(xí)元集合組合起來作為基于興趣的學(xué)習(xí)元推薦結(jié)果。2基于知識學(xué)習(xí)的學(xué)習(xí)元向用戶推薦與當(dāng)前已有的知識體系相關(guān)的知識,有利于擴(kuò)大和加深用戶對知識的認(rèn)識范圍和程度,對用戶的學(xué)習(xí)有很大幫助。因此,系統(tǒng)將依據(jù)用戶的知識模型為用戶推薦與已有知識相關(guān)的學(xué)習(xí)元,以加深知識學(xué)習(xí)的深度,擴(kuò)展學(xué)習(xí)的廣度。如下圖5為基于用戶知識模型的推薦過程:從用戶的知識模型中可得到用戶已有的知識網(wǎng)絡(luò),當(dāng)用戶進(jìn)入系統(tǒng)時(shí),系統(tǒng)根據(jù)用戶已有的知識網(wǎng)絡(luò),從KNS網(wǎng)絡(luò)尋找與用戶知識網(wǎng)絡(luò)具有語義關(guān)聯(lián)的用戶未學(xué)過的知識子網(wǎng)絡(luò),即關(guān)聯(lián)知識網(wǎng)絡(luò)。根據(jù)關(guān)聯(lián)的程度,從關(guān)聯(lián)知識網(wǎng)絡(luò)中得到與用戶知識網(wǎng)絡(luò)關(guān)聯(lián)性強(qiáng)的知識,構(gòu)成推薦知識網(wǎng)絡(luò)。利用學(xué)習(xí)元的生成性信息,如評價(jià)情況、得分、批注的數(shù)量,版本更迭情況等對學(xué)習(xí)元質(zhì)量進(jìn)行判斷,從而得到質(zhì)量較高的學(xué)習(xí)元集合作為學(xué)習(xí)元推薦集合。3生成學(xué)習(xí)偏好學(xué)習(xí)偏好是指用戶在學(xué)習(xí)過程中傾向的學(xué)習(xí)方式,如興趣導(dǎo)向、進(jìn)度導(dǎo)向、學(xué)習(xí)策略導(dǎo)向等。根據(jù)用戶的學(xué)習(xí)偏好,當(dāng)用戶正在進(jìn)行學(xué)習(xí)時(shí),系統(tǒng)將能個(gè)性化地向用戶推薦相關(guān)學(xué)習(xí)元。如下圖6為基于學(xué)習(xí)偏好的推薦:在推薦時(shí),系統(tǒng)將用戶學(xué)習(xí)偏好與偏好模式庫預(yù)設(shè)好的偏好模式進(jìn)行匹配,從而根據(jù)用戶的學(xué)習(xí)偏好得到相應(yīng)的學(xué)習(xí)元集合,再利用學(xué)習(xí)元的生成性信息對學(xué)習(xí)元集合進(jìn)行篩選,最后得到基于用戶學(xué)習(xí)偏好的學(xué)習(xí)元推薦集合。系統(tǒng)中預(yù)設(shè)的學(xué)習(xí)偏好模式將借鑒文獻(xiàn)中提到的三種模式:基于學(xué)習(xí)興趣、基于學(xué)習(xí)進(jìn)度和基于學(xué)習(xí)策略。興趣導(dǎo)向的學(xué)習(xí)者在選擇和學(xué)習(xí)資源時(shí)是非線性和跳躍式的,按照自身興趣選擇和學(xué)習(xí)內(nèi)容,當(dāng)系統(tǒng)判斷用戶為興趣導(dǎo)向型,則推薦過程將與基于興趣的推薦類似。學(xué)習(xí)進(jìn)度導(dǎo)向型的學(xué)習(xí)者一般喜歡循序漸進(jìn)的學(xué)習(xí)方式,當(dāng)系統(tǒng)判斷用戶為進(jìn)度導(dǎo)向型,則將在KNS網(wǎng)絡(luò)中尋找為當(dāng)前學(xué)習(xí)內(nèi)容存在某些語義關(guān)聯(lián)的學(xué)習(xí)元,構(gòu)成集合,而這種語義關(guān)聯(lián)是與學(xué)習(xí)進(jìn)度相關(guān)的。利用生成性信息對得到的學(xué)習(xí)元集合進(jìn)行篩選,從而得到最終的推薦集合。學(xué)習(xí)策略導(dǎo)向的學(xué)習(xí)者學(xué)習(xí)具有明確的目的性和針對性,能靈活地選擇和運(yùn)用資源并建立起它們之間的聯(lián)系,在需要時(shí)為自己所用,當(dāng)系統(tǒng)判斷用戶為策略導(dǎo)向型時(shí),首先根據(jù)用戶的學(xué)習(xí)訪問路徑挖掘用戶的學(xué)習(xí)策略,從而得到與策略有關(guān)的一些語義關(guān)系,再從KNS網(wǎng)絡(luò)中尋找與當(dāng)前學(xué)習(xí)元存在這些語義關(guān)聯(lián)的學(xué)習(xí)元,構(gòu)成集合,再利用生成性信息進(jìn)行篩選,得到最終的推薦集合。4篩選學(xué)習(xí)元集合通過以上三種推薦方式將分別得到三個(gè)學(xué)習(xí)元推薦集合,那么如何從這三個(gè)集合中篩選出與學(xué)習(xí)者需求最密切的學(xué)習(xí)元集合呢?我們將進(jìn)行兩步工作,第一步是對三個(gè)集合的并集中的所有學(xué)習(xí)元進(jìn)行聚類操作,第二步將篩選出與學(xué)習(xí)者聯(lián)系最為緊密的學(xué)習(xí)元集合。如下圖7為聚類篩選過程:(1)基于屬性-鏈接的hypursuit聚類算法由于學(xué)習(xí)元在KNS網(wǎng)絡(luò)中通過各種關(guān)聯(lián)與其他學(xué)習(xí)元產(chǎn)生鏈接,在聚類時(shí)我們不僅要考慮學(xué)習(xí)元內(nèi)容上的相似程度,還需要考慮學(xué)習(xí)元在鏈接結(jié)構(gòu)方面的相似程度,故本研究借鑒文獻(xiàn)中提到的基于屬性-鏈接的HyPursuit聚類算法思想,其基本思想是利用相似性度量函數(shù)來衡