论文部分内容阅读
摘 要：随着网络教学的发展和网络学习资源的增长，如何准确挖掘学习者个体的学习兴趣，并根据学习兴趣找到适合的学习资源，成为越来越多研究者关注的问题。本文正是在这种背景下，提出一种依托社交网络模式的，深度挖掘个体的学习兴趣的个性化学习资源推荐机制。
关键词：个性化学习；社交网络；推荐方法
中图分类号：G434
将网络社交模式运用到网络教学的学习资源挖掘中去，发挥社交网络的交互模式的优点以弥补网络教学模式的不足，建构以学生为主体，以社交网络交互模式为基础的师生共享教学资源、突出个性化学习推荐的虚拟教学模式，使得原有的资源能够通过共享和协作得以充实，使得学习主体的自主学习能力得以提升。
1 学习资源基本元素构建
教育部于2001年初成立了现代远程教育技术标准化委员会，启动了教育信息化技术标准制定项目。该项目以实现资源共享、支持系统互操作、保障网络教育质量为目标，并结合我国的实际情况，最终形成具有中国特色的教育信息化技术标准体—基于个性化需求的学习资源组织系（CELTS：Chinese e-LearningTechnology Standardization） [1]。
在CELT S体系中资源建设相关的规范基本结构包括以下三个部分[2]：（1）必需数据元素：与学习对象元数据规范中的必需数据元素一致，它是任何类型的资源都必须具备的属性标注；（2）可选数据元素：与教育资源密切相关，并适用于各类教育资源的属性集合；（3）扩展数据元素：根据资源的特点，增补了与该资源的技术特征或教学特征相关的一些属性。
要实现学习资源的个性化推荐，首先要考虑如何定义网络学习资源中的基本元素，资源构建不可缺少的几个基本元素有：标识符（唯一性标志）、资源标题、资源分类目的、聚合度（学习资源在功能上的粒度）、资源语种、摘要描述、关键字、难度、文件类型。基本元素要能对资源进行描述，能方便地根据这些要素将资源进行排列、重组与筛选，也能反映资源之间的内在联系。在此基础上，才能进一步实现基于网络学习资源的个性化推荐。
2 传统的个性化推荐方法
传统的个性化推荐方法主要有：基于内容的推荐方法、协同过滤推荐方法、数据挖掘推荐方法，各种方法都有优缺点存在[3]。（1）基于内容的推荐方法：以用户建立的档案中的信息（兴趣、偏好、品味、需求）为基础，根据资源项目的信息的属性和用户兴趣信息的相似性进行比对来推荐。但是如果用户没有建立任何信息，系统模型将无法对用户进行推荐；（2）协同过滤推荐方法：挖掘出相关度高的用户或者项目，然后通过进一步挖掘某一用户的兴趣喜好，将此用户的兴趣资源推荐给相关度高的其他用户。在这种方法中，如果没有某一用户的任何信息，或者对于一个新的资源，没有任何用户浏览过，那么就没办法进行推荐。另一个缺点是稀疏性问题，此方法所推荐的都是大多数人喜好的资源，对于质量高但是只有少数人需要的资源，则推荐的效果会很差；（3）数据挖掘推荐方法：这种方法是基于web的内容、结构或者应用进行挖掘的。基于web内容是以页面中的文本、图像或者媒体文件为对象进行挖掘的，一般采用页面分类或者聚类方法。基于web结构是通过分析一个网页的链接页面找出一个网站的结构，通过有向图表示以最小的代价发现更多的信息。基于web应用是通过挖掘web日志获取用户的信息，这种方式更注重用户的行为，个性化体现的更明显。
3 个性化资源推荐模式的构建
其主要目的是在网络环境下，采取传统个性化挖掘方法的混合模式，主要以学习者的行为为依据，通过修正模式，挖掘出学习者的真正的学习兴趣，从而根据学习者兴趣为其推荐相应的学习资源[5]。
基于社交网络的个体个性化学习资源推荐机制描述分为如下四个层次：（1）学习者进入社交网络平台后，为了对学习者的信息做较全面的了解，要请学习者填写个人信息并且回答预先定制的问题，这样平台模型通过这些信息分析出学习者的兴趣，经信息转换后，存入数据库，形成兴趣直观模型A。但是这种方法的缺陷是学习者也许在感官上并不清楚自己的学习兴趣，只是随便填写，那么造成A会很不准确；（2）学习者长期登陆社交网络平台，渐渐进入学习状态后，平台模型将偏重对学习者的学习行为进行跟踪、监控和检测，学习者对于所看到资源网页和感兴趣的话题的讨论的动作，比如：浏览页面、检索关键词、拖动滚动条所花的时间、收藏和下载等行为以及参与话题讨论的时间和话题条数，生成日志。通过对日志的分析以及数据信息的转换，利用关联规则和聚类的数据挖掘技术得出学习者的兴趣模型B。这种方式紧密贴合学习者的学习实际，是一种比较有效的构建方式。缺点是信息量大，构建的时间长，需要的算法复杂，并且干扰因素多；（3）由模型B对模型A进行动态修正，从而得出兴趣模型C。这样可以降低模型A的感官因素干扰和模型B的噪声干扰，尽量贴近学习者的真实兴趣。系统平台模型将学习资源与兴趣模型C进行关联，找出学习者真正感兴趣的资源进而推荐给学习者。学习者在得到推荐结果后，系统模型将对推荐的结果进行判断。如果学习者对推荐的学习资源产生了收藏或者下载的行为，则认为学习者对系统模型的推荐结果是满意的。系统模型将继续推荐一些新的相关兴趣模型C的学习资源；（4）如果学习者没有对资源点击或者只是进行了点击的行为很快关闭了资源页面，则认为所推荐的学习资源并不是学习者感兴趣或者需要的，那么，系统模型将对学习者兴趣模型C进行调整，通过社交网络的相同群体特征的相似性原理，由学习者互动频繁的成员圈子中挖掘共性兴趣模型D，将D对C进行增补修剪，重新推荐一些相关的学习资源给学习者，继续跟踪学习者的动态。
4 个性化学习资源推荐模式示例
以一名学习者为例，具体说明个性化学习资源的推荐过程：学习者进入系统模型后先填写个人信息，进行注册。假设学习者的用户名为STU，年龄为24岁，性别为男，学历为研究生，身份为学生，学习兴趣为高分子化学。模型会记录学习者的注册信息，建立学习者兴趣模型A，记下学习者的学习兴趣是“高分子化学”。学习者进入系统模型一段时间后，系统模型根据一段时间的对STU的动作行为的记录，发现STU经常下载高分子化学方面的学习资源，同时还会收藏篮球方面的资源，点击计算机方面的资源。此时系统模型会根据记录的结果通过关联规则分析建立学习者兴趣模型B。根据建立的模型A和模型B，系统模型会通过算法修正构建出学习者兴趣模型C，向STU首先推荐高分子化学方面的学习资源，其次推荐篮球方面的学习资源，然后推荐计算机方面的学习资源。STU看到了被推荐的学习资源，对他感兴趣的学习资源进行一系列动作。STU对高分子化学方面的学习资源进行了下载动作，对篮球方面的学习资源进行了收藏动作，并没有点击计算机方面的学习资源。系统模型认为STU对推荐的计算机方面的学习资源不感兴趣，对STU推荐更多的关于高分子化学方面的学习资源以及一部分新的篮球方面的学习资源，同时减少对计算机方面的学习资源的推荐。系统重新调整推荐方向，发现STU和吉他俱乐部的成员有频繁的互动，便临时给C增补吉他形成兴趣模型D。系统尝试推荐吉他的学习资源给STU，调整之后，继续根据STU的学习行为和对推荐结果的反应动作，随时的对推荐结果进行动态的反复的修正。
参考文献：
[1]李丽娟，杨晓江.基础教育Web资源的获取支持服务研究[J].中国电化教育，2007（01）：60-63.
[2]吴丽花，刘鲁.个性化推荐系统用户建模技术综述[J].计算机集成制造系统，2006（01）：55-62
[3]易名.基于Web挖掘的电子商务个性化推荐机理与方法研究?D].武汉：华中科技大学，2006
作者简介：王倩（1980-），女，天津人，硕士，实验师，主要研究方向：教育技术学、网络安全、数据挖掘、高性能计算。
作者单位：天津职业大学，网络信息中心，天津 300410
基金项目：社交网络交互模式在网络教学中应用的研究，天津市高等职业技术教育研究会XIII 464，2013年
关键词：个性化学习；社交网络；推荐方法
中图分类号：G434
将网络社交模式运用到网络教学的学习资源挖掘中去，发挥社交网络的交互模式的优点以弥补网络教学模式的不足，建构以学生为主体，以社交网络交互模式为基础的师生共享教学资源、突出个性化学习推荐的虚拟教学模式，使得原有的资源能够通过共享和协作得以充实，使得学习主体的自主学习能力得以提升。
1 学习资源基本元素构建
教育部于2001年初成立了现代远程教育技术标准化委员会，启动了教育信息化技术标准制定项目。该项目以实现资源共享、支持系统互操作、保障网络教育质量为目标，并结合我国的实际情况，最终形成具有中国特色的教育信息化技术标准体—基于个性化需求的学习资源组织系（CELTS：Chinese e-LearningTechnology Standardization） [1]。
在CELT S体系中资源建设相关的规范基本结构包括以下三个部分[2]：（1）必需数据元素：与学习对象元数据规范中的必需数据元素一致，它是任何类型的资源都必须具备的属性标注；（2）可选数据元素：与教育资源密切相关，并适用于各类教育资源的属性集合；（3）扩展数据元素：根据资源的特点，增补了与该资源的技术特征或教学特征相关的一些属性。
要实现学习资源的个性化推荐，首先要考虑如何定义网络学习资源中的基本元素，资源构建不可缺少的几个基本元素有：标识符（唯一性标志）、资源标题、资源分类目的、聚合度（学习资源在功能上的粒度）、资源语种、摘要描述、关键字、难度、文件类型。基本元素要能对资源进行描述，能方便地根据这些要素将资源进行排列、重组与筛选，也能反映资源之间的内在联系。在此基础上，才能进一步实现基于网络学习资源的个性化推荐。
2 传统的个性化推荐方法
传统的个性化推荐方法主要有：基于内容的推荐方法、协同过滤推荐方法、数据挖掘推荐方法，各种方法都有优缺点存在[3]。（1）基于内容的推荐方法：以用户建立的档案中的信息（兴趣、偏好、品味、需求）为基础，根据资源项目的信息的属性和用户兴趣信息的相似性进行比对来推荐。但是如果用户没有建立任何信息，系统模型将无法对用户进行推荐；（2）协同过滤推荐方法：挖掘出相关度高的用户或者项目，然后通过进一步挖掘某一用户的兴趣喜好，将此用户的兴趣资源推荐给相关度高的其他用户。在这种方法中，如果没有某一用户的任何信息，或者对于一个新的资源，没有任何用户浏览过，那么就没办法进行推荐。另一个缺点是稀疏性问题，此方法所推荐的都是大多数人喜好的资源，对于质量高但是只有少数人需要的资源，则推荐的效果会很差；（3）数据挖掘推荐方法：这种方法是基于web的内容、结构或者应用进行挖掘的。基于web内容是以页面中的文本、图像或者媒体文件为对象进行挖掘的，一般采用页面分类或者聚类方法。基于web结构是通过分析一个网页的链接页面找出一个网站的结构，通过有向图表示以最小的代价发现更多的信息。基于web应用是通过挖掘web日志获取用户的信息，这种方式更注重用户的行为，个性化体现的更明显。
3 个性化资源推荐模式的构建
其主要目的是在网络环境下，采取传统个性化挖掘方法的混合模式，主要以学习者的行为为依据，通过修正模式，挖掘出学习者的真正的学习兴趣，从而根据学习者兴趣为其推荐相应的学习资源[5]。
基于社交网络的个体个性化学习资源推荐机制描述分为如下四个层次：（1）学习者进入社交网络平台后，为了对学习者的信息做较全面的了解，要请学习者填写个人信息并且回答预先定制的问题，这样平台模型通过这些信息分析出学习者的兴趣，经信息转换后，存入数据库，形成兴趣直观模型A。但是这种方法的缺陷是学习者也许在感官上并不清楚自己的学习兴趣，只是随便填写，那么造成A会很不准确；（2）学习者长期登陆社交网络平台，渐渐进入学习状态后，平台模型将偏重对学习者的学习行为进行跟踪、监控和检测，学习者对于所看到资源网页和感兴趣的话题的讨论的动作，比如：浏览页面、检索关键词、拖动滚动条所花的时间、收藏和下载等行为以及参与话题讨论的时间和话题条数，生成日志。通过对日志的分析以及数据信息的转换，利用关联规则和聚类的数据挖掘技术得出学习者的兴趣模型B。这种方式紧密贴合学习者的学习实际，是一种比较有效的构建方式。缺点是信息量大，构建的时间长，需要的算法复杂，并且干扰因素多；（3）由模型B对模型A进行动态修正，从而得出兴趣模型C。这样可以降低模型A的感官因素干扰和模型B的噪声干扰，尽量贴近学习者的真实兴趣。系统平台模型将学习资源与兴趣模型C进行关联，找出学习者真正感兴趣的资源进而推荐给学习者。学习者在得到推荐结果后，系统模型将对推荐的结果进行判断。如果学习者对推荐的学习资源产生了收藏或者下载的行为，则认为学习者对系统模型的推荐结果是满意的。系统模型将继续推荐一些新的相关兴趣模型C的学习资源；（4）如果学习者没有对资源点击或者只是进行了点击的行为很快关闭了资源页面，则认为所推荐的学习资源并不是学习者感兴趣或者需要的，那么，系统模型将对学习者兴趣模型C进行调整，通过社交网络的相同群体特征的相似性原理，由学习者互动频繁的成员圈子中挖掘共性兴趣模型D，将D对C进行增补修剪，重新推荐一些相关的学习资源给学习者，继续跟踪学习者的动态。
4 个性化学习资源推荐模式示例
以一名学习者为例，具体说明个性化学习资源的推荐过程：学习者进入系统模型后先填写个人信息，进行注册。假设学习者的用户名为STU，年龄为24岁，性别为男，学历为研究生，身份为学生，学习兴趣为高分子化学。模型会记录学习者的注册信息，建立学习者兴趣模型A，记下学习者的学习兴趣是“高分子化学”。学习者进入系统模型一段时间后，系统模型根据一段时间的对STU的动作行为的记录，发现STU经常下载高分子化学方面的学习资源，同时还会收藏篮球方面的资源，点击计算机方面的资源。此时系统模型会根据记录的结果通过关联规则分析建立学习者兴趣模型B。根据建立的模型A和模型B，系统模型会通过算法修正构建出学习者兴趣模型C，向STU首先推荐高分子化学方面的学习资源，其次推荐篮球方面的学习资源，然后推荐计算机方面的学习资源。STU看到了被推荐的学习资源，对他感兴趣的学习资源进行一系列动作。STU对高分子化学方面的学习资源进行了下载动作，对篮球方面的学习资源进行了收藏动作，并没有点击计算机方面的学习资源。系统模型认为STU对推荐的计算机方面的学习资源不感兴趣，对STU推荐更多的关于高分子化学方面的学习资源以及一部分新的篮球方面的学习资源，同时减少对计算机方面的学习资源的推荐。系统重新调整推荐方向，发现STU和吉他俱乐部的成员有频繁的互动，便临时给C增补吉他形成兴趣模型D。系统尝试推荐吉他的学习资源给STU，调整之后，继续根据STU的学习行为和对推荐结果的反应动作，随时的对推荐结果进行动态的反复的修正。
参考文献：
[1]李丽娟，杨晓江.基础教育Web资源的获取支持服务研究[J].中国电化教育，2007（01）：60-63.
[2]吴丽花，刘鲁.个性化推荐系统用户建模技术综述[J].计算机集成制造系统，2006（01）：55-62
[3]易名.基于Web挖掘的电子商务个性化推荐机理与方法研究?D].武汉：华中科技大学，2006
作者简介：王倩（1980-），女，天津人，硕士，实验师，主要研究方向：教育技术学、网络安全、数据挖掘、高性能计算。
作者单位：天津职业大学，网络信息中心，天津 300410
基金项目：社交网络交互模式在网络教学中应用的研究，天津市高等职业技术教育研究会XIII 464，2013年