论文部分内容阅读
摘要：目前基于web的学习系统已经不能满足不同背景的学习者在不同时间、以不同目的、不同方式的学习需求。本文在利用以知识点为导向的数据挖掘技术，运用多种数据挖掘算法，构建一种智能化的个性化网络学习系统用以满足对学习者有针对性的教育需求，提高教学质量。
关键词：远程教育；数据挖掘；个性化学习系统
中图分类号：G434 文献标识码：A 文章编号：1007-9599 (2012) 12-0000-02
目前网络远程教育的普及使得优质教学资源突破了时间和空间的局限性，使得终身学习成为可能。而当前网络教育的开展，也出现了种种弊端：技术方面，多以教学资料呈现形式的转换为主，只是书本搬家而缺少一定的交互模式；而其不同学习进度、不同兴趣、个性化的学习需要基本不能得到一定的满足，无法因材施教。因此，网络教育需要强大的技术力量帮助学生迅速高效地搜寻到满足其个性要求的教学资源，并对其学习整个进程进行正确指引与科学评价。本文试图设计一种系统模型，利用数据挖掘技术来改进当前的网络教育模式，对每一个学生都提供个性化的学习进程，达到一下学习要求：
学习系统可依照与当前登录学生相似的学生的学习步骤自动的对其后续目标知识进行预测和推荐
针对学生的学习过程进行过程性考核，并依据成绩动态改变学生的学习与练习进程，对此学生的掌握不好的地方进行再次督学
本文依据以上目标，构建了基于Web的个性化学习系统模块（Web-based Personalized Learning Core System 下文简称WPLCS）来满足远程教育中学习者个性化学习的迫切需要。
在该系统核心算法的选型上锁定了数据挖掘技术来构建WPLCS。下面图1便是基于网络的个性化学习系统核心模块（Web-based Personalized Learning Core System）数据挖掘引擎的基本架构：
数据挖掘技术是从多样的、无序的数据中，抽取提炼出有用的信息的过程。因此数据挖掘技术被广泛商用。但在教育领域中应用此技术，就不能简单的套用一些商用模式，因为电子商务中的服务器端在进行数据挖掘时只需知道大量的用户在访问了A页面后又去访问了B或者C页面，证明他们对B、C页面有潜在的兴趣，从而向访问过A页面的用户的客户端动态的推荐B、C页面，以此来达到个性化引导客户访问的目的。
而在网络教育中，若系统锁定学生感兴趣的知识和关注知识页面的时长等信息，不但可以依据此信息灵活地改变练习和考核进程，还可重构网站结构减少网络响应时长。与此同时，在设计网络课程的页面时，力图使嵌有某些特定知识页面和网络课程中的知识点形成映射关系，也就使得系统能够清楚标记出学生对于知识的掌握情况。从而在数据挖掘过程中能够做到以知识点为导向。
WPLCS利用数据处理模块将系统的用户访问日志文件和数据库构建出一个学生基本特征数据仓库，再在此数据仓库的基础上，利用多种数据挖掘算法进行挖掘从而形成学生个性化数据挖掘库。
数据预处理
本阶段首要找准挖掘数据源，本文遴选出系统服务器中的日志文件和系统数据库数据作为数据源。抽取数据源数据形成挖掘库，即学生特征数据仓库。
服务器访问日志的预处理
学生从登录到系统服务器开始，便在此服务器上留下相应的日志文件。它包括登录学生的IP、URL、Cookie等信息。首先抽取网络日志中的信息，再清洗数据缺值等脏数据，最后识别学生的IP及登录Cookie值，合并同一个学生的访问路径请求，将时间跨度大的URL进行相应的区分和记录。
构建数据挖掘库
匹配系统数据库预处理后的数据和服务器访问日志预处理得到的数据，构建出数据挖掘库，即学生特征数据仓库（学习者标识、个人信息、学业信息、偏好信息等）。
数据挖掘
综合考虑不同数据挖掘算法有不同的特点和弊端以及前文所述的个性化学习的要求，在选择数据挖掘算法时，本文选取了序列模式、聚类、关联规则发现等不同算法，并将其有机结合。为了精确匹配当前学生特征模式与规则前项，力争较高的推荐准确率，采取了基于关联规则的挖掘方式进行学习页面推荐；为了得到更高的推荐覆盖率，采用基于聚类分析进行推荐。综合了两种数据挖掘算法的优势，从而改善了推荐的测度。本文将学生特征数据仓库中的数据传送到数据挖掘核心模块来进行数据挖掘，得到的数据再存放到学生个性化数据仓库来完成整个数据挖掘的全过程。
关联规则发现
关联规则发现，即寻找数据项之间的联系规则。在服务器访问日志数据的预处理过程中，将学生访问的页面路径组成了学生访问session集，我们可以利用关联规则挖掘得到学生访问请求间的关联规则。其中比较简单的一种规则为：访问了A页面的学习者中，有60％又访问过B页面。得到这种初始化关联规则后，再通过用户访问页面与知识点的一一映射关系，我们就可以推理出更加实用的规则模式，即确定在学习过A知识点的学习者中有60％的人对B知识点表现出一定兴趣。得到这种有用规则后我们即可对所有访问A页面的学习者的页面上加上B页面的推荐链接，方便学习者导航。
聚类
聚类，即将数据划分到不同的类中，类间的差别尽可能的大，类内的差别尽可能的小，聚类分析实现并不知晓将要划分成几个类，而是利用系统服务器自动化、智能化的计算而得。产生出不同的类后，某学生的特征模式一旦符合某个类后，系统推荐引擎会自动将此学生未来可能访问的页面链接推荐给学生。由此就可以智能化地将处在不同学习阶段的学生匹配到此类本该获得的学习和考核进程。
序列模式
与关联规则发现相仿，序列模式是将数据间的关联性与时间相联系。在实际挖掘过程中，我们可以得到下列序列模式：在学习过B和C两个知识点的学生中有81％的学生在若干天后进行A知识的学习，并且在此过程中大量地频繁访问A2、A5、A7、B2等知识，而且对这些知识点的掌握情况开始下滑。因此我们可以及时干预在此时间段所有学习过C、B知识点的学生，将一定量的练习和测试推荐给他们，帮其熟练掌握上述知识，从而达到因时施教的目的。
作为一种新的教学手段——基于Web的网络教育，当前正方兴未艾。本文旨在通过计算机数据挖掘技术构建出一个智能化的基于网络的个性化学习核心系统，以此来辅助完成对不同学生的个性化教学。从而充分发挥网络教育的优势。
参考文献：
[1]W.H.Inmon 《Building the Data Warehouse》 John Wiley & Sons，Inc. 1996
Penelope Markellou ，Ioanna Mousourouli《Using semantic web mining technologies for personalized E-Learning experiences》Research Academic Computer Technology Institute，2004
[2]Robert Cooley， Bamshad Mobasher， Jaideep Srivastava 《Data Preparation for Mining World Wide Web Browsing Patterns》《Knowledge and Information Systems》1999
关键词：远程教育；数据挖掘；个性化学习系统
中图分类号：G434 文献标识码：A 文章编号：1007-9599 (2012) 12-0000-02
目前网络远程教育的普及使得优质教学资源突破了时间和空间的局限性，使得终身学习成为可能。而当前网络教育的开展，也出现了种种弊端：技术方面，多以教学资料呈现形式的转换为主，只是书本搬家而缺少一定的交互模式；而其不同学习进度、不同兴趣、个性化的学习需要基本不能得到一定的满足，无法因材施教。因此，网络教育需要强大的技术力量帮助学生迅速高效地搜寻到满足其个性要求的教学资源，并对其学习整个进程进行正确指引与科学评价。本文试图设计一种系统模型，利用数据挖掘技术来改进当前的网络教育模式，对每一个学生都提供个性化的学习进程，达到一下学习要求：
学习系统可依照与当前登录学生相似的学生的学习步骤自动的对其后续目标知识进行预测和推荐
针对学生的学习过程进行过程性考核，并依据成绩动态改变学生的学习与练习进程，对此学生的掌握不好的地方进行再次督学
本文依据以上目标，构建了基于Web的个性化学习系统模块（Web-based Personalized Learning Core System 下文简称WPLCS）来满足远程教育中学习者个性化学习的迫切需要。
在该系统核心算法的选型上锁定了数据挖掘技术来构建WPLCS。下面图1便是基于网络的个性化学习系统核心模块（Web-based Personalized Learning Core System）数据挖掘引擎的基本架构：
数据挖掘技术是从多样的、无序的数据中，抽取提炼出有用的信息的过程。因此数据挖掘技术被广泛商用。但在教育领域中应用此技术，就不能简单的套用一些商用模式，因为电子商务中的服务器端在进行数据挖掘时只需知道大量的用户在访问了A页面后又去访问了B或者C页面，证明他们对B、C页面有潜在的兴趣，从而向访问过A页面的用户的客户端动态的推荐B、C页面，以此来达到个性化引导客户访问的目的。
而在网络教育中，若系统锁定学生感兴趣的知识和关注知识页面的时长等信息，不但可以依据此信息灵活地改变练习和考核进程，还可重构网站结构减少网络响应时长。与此同时，在设计网络课程的页面时，力图使嵌有某些特定知识页面和网络课程中的知识点形成映射关系，也就使得系统能够清楚标记出学生对于知识的掌握情况。从而在数据挖掘过程中能够做到以知识点为导向。
WPLCS利用数据处理模块将系统的用户访问日志文件和数据库构建出一个学生基本特征数据仓库，再在此数据仓库的基础上，利用多种数据挖掘算法进行挖掘从而形成学生个性化数据挖掘库。
数据预处理
本阶段首要找准挖掘数据源，本文遴选出系统服务器中的日志文件和系统数据库数据作为数据源。抽取数据源数据形成挖掘库，即学生特征数据仓库。
服务器访问日志的预处理
学生从登录到系统服务器开始，便在此服务器上留下相应的日志文件。它包括登录学生的IP、URL、Cookie等信息。首先抽取网络日志中的信息，再清洗数据缺值等脏数据，最后识别学生的IP及登录Cookie值，合并同一个学生的访问路径请求，将时间跨度大的URL进行相应的区分和记录。
构建数据挖掘库
匹配系统数据库预处理后的数据和服务器访问日志预处理得到的数据，构建出数据挖掘库，即学生特征数据仓库（学习者标识、个人信息、学业信息、偏好信息等）。
数据挖掘
综合考虑不同数据挖掘算法有不同的特点和弊端以及前文所述的个性化学习的要求，在选择数据挖掘算法时，本文选取了序列模式、聚类、关联规则发现等不同算法，并将其有机结合。为了精确匹配当前学生特征模式与规则前项，力争较高的推荐准确率，采取了基于关联规则的挖掘方式进行学习页面推荐；为了得到更高的推荐覆盖率，采用基于聚类分析进行推荐。综合了两种数据挖掘算法的优势，从而改善了推荐的测度。本文将学生特征数据仓库中的数据传送到数据挖掘核心模块来进行数据挖掘，得到的数据再存放到学生个性化数据仓库来完成整个数据挖掘的全过程。
关联规则发现
关联规则发现，即寻找数据项之间的联系规则。在服务器访问日志数据的预处理过程中，将学生访问的页面路径组成了学生访问session集，我们可以利用关联规则挖掘得到学生访问请求间的关联规则。其中比较简单的一种规则为：访问了A页面的学习者中，有60％又访问过B页面。得到这种初始化关联规则后，再通过用户访问页面与知识点的一一映射关系，我们就可以推理出更加实用的规则模式，即确定在学习过A知识点的学习者中有60％的人对B知识点表现出一定兴趣。得到这种有用规则后我们即可对所有访问A页面的学习者的页面上加上B页面的推荐链接，方便学习者导航。
聚类
聚类，即将数据划分到不同的类中，类间的差别尽可能的大，类内的差别尽可能的小，聚类分析实现并不知晓将要划分成几个类，而是利用系统服务器自动化、智能化的计算而得。产生出不同的类后，某学生的特征模式一旦符合某个类后，系统推荐引擎会自动将此学生未来可能访问的页面链接推荐给学生。由此就可以智能化地将处在不同学习阶段的学生匹配到此类本该获得的学习和考核进程。
序列模式
与关联规则发现相仿，序列模式是将数据间的关联性与时间相联系。在实际挖掘过程中，我们可以得到下列序列模式：在学习过B和C两个知识点的学生中有81％的学生在若干天后进行A知识的学习，并且在此过程中大量地频繁访问A2、A5、A7、B2等知识，而且对这些知识点的掌握情况开始下滑。因此我们可以及时干预在此时间段所有学习过C、B知识点的学生，将一定量的练习和测试推荐给他们，帮其熟练掌握上述知识，从而达到因时施教的目的。
作为一种新的教学手段——基于Web的网络教育，当前正方兴未艾。本文旨在通过计算机数据挖掘技术构建出一个智能化的基于网络的个性化学习核心系统，以此来辅助完成对不同学生的个性化教学。从而充分发挥网络教育的优势。
参考文献：
[1]W.H.Inmon 《Building the Data Warehouse》 John Wiley & Sons，Inc. 1996
Penelope Markellou ，Ioanna Mousourouli《Using semantic web mining technologies for personalized E-Learning experiences》Research Academic Computer Technology Institute，2004
[2]Robert Cooley， Bamshad Mobasher， Jaideep Srivastava 《Data Preparation for Mining World Wide Web Browsing Patterns》《Knowledge and Information Systems》1999