论文部分内容阅读
摘 要：在线学习用户难于快速有效发现感兴趣的学习资源，从而影响了学习的积极性和主动性。针对该问题，本文设计了一种基于兴趣社区的学习资源推荐模式，首先通过构建基于社交网络的在线学习服务为学习用户提供交流协作以及学习资源评价环境，然后利用兴趣社区挖掘技术发现兴趣高度相似的用户群体，最后基于相似用户群体对目标用户进行学习资源推荐。通过自主开发基于社交网络的在线课程服务，对该推荐模式的应用效果进行了实际验证。
关键词：学习资源推荐；兴趣社区；社交网络；在线学习
中图分类号：G642 文献标志码：B
一、引言
随着互联网技术的快速发展，在线学习服务由于可以提供不受时空限制以及自由获取知识的学習环境，目前已越来越受到广大教师和学生的欢迎，各大在线学习服务吸引了众多教师建立在线课程，注册的学习用户数量也增长迅速。例如，国外三大主流在线学习服务平台：Coursera、edX和Udacity的各类在线课程在2013年就已吸引了遍布全球220多个国家的600多万名学习者[1]，国内具有代表性的在线学习服务平台：国家精品课程资源网、中国大学精品开放课程网（icourse）、MOOC学院、学堂在线以及腾讯课堂等在各自网站上公布的选课人数也已经达到百万级别。各大在线学习服务高速发展的同时，也积累了海量的学习资源，以国家精品课程资源网为例，截止到2016年11月，该网站包含教学视频、课件以及试题等学习资源的数量已超过130万个。面对数量如此庞大的学习资源，学习用户很容易遭遇“资源过载”的问题：为了查找与学习相关、感兴趣的学习资源，往往需要付出大量时间和精力，这严重影响了学习用户进行在线学习的积极性和主动性。
如何为广大学习用户主动推荐高质量的学习资源已成为各大在线学习服务提供商以及研究人员共同关注的热点话题[2]。例如，具有代表性的中国大学精品开放课程网能够根据学习用户的基本信息和学习行为实时推荐相关课程资源，包括热门课程、教师、学习小组等，但推荐结果与学习用户兴趣爱好的匹配不够准确，学习资源的选取与推送存在盲点，系统不能够精准地感知学习情境来有效推荐适合学习用户的个性化优质资源，其个性化推荐服务模式还需要不断改进。目前在线社交网络（Online Social Network， OSN）已成为互联网应用热点，广大互联网用户通过OSN加强了人与人之间的联系，形成了虚拟网络世界中数量众多的兴趣社区。兴趣社区中的用户联系更加紧密，兴趣更加相似，信息资源在兴趣社区中可以得到更广泛、更快速和更准确的传播，这为改进现有在线学习资源推荐模式提供了新的途径。为此，本文设计了一种基于OSN兴趣社区的学习资源推荐模式，目的在于提高在线学习用户的学习资源获取质量和效率，并提高学习的积极性和主动性。
二、基于兴趣社区的学习资源推荐模式
1.模式框架设计
基于兴趣社区的学习资源推荐模式需要利用用户的OSN信息以及资源偏好信息，其首先通过构建基于OSN的在线学习服务，为学习用户提供交流协作、资源分享以及资源评价功能，然后在形成用户关系网络的基础上，通过挖掘兴趣社区对学习用户进行兴趣特征建模，最后应用排序算法形成学习资源推荐列表。推荐模式的整体框架设计如图1所示。
图1所示的模式框架包括三大组成部分，分别为：①面向在线学习的OSN服务。OSN服务用于促进学习用户关系网络的形成，为学习资源推荐提供可以利用的用户OSN信息。该服务基于Web2.0的技术规范以及OSN服务建设标准进行设计与开发， 并结合在线学习的需求提供学习用户在信息分享、互动交流以及群组协作支持等方面的功能，可以为在线学习用户进行协作式学习提供支持环境。②基于OSN的在线学习服务。在线学习服务为用户提供学习资源服务环境，该服务参照目前流行的“慕课”服务模式进行设计，包含课程信息、课程动态、学习用户管理以及学习资源等基本功能，并基于OSN提高在线学习服务的互动能力，尤其是用户与用户、用户与学习资源之间的交互。此外，通过提供学习资源的评价功能，可以获取学习用户的学习资源偏好信息。③学习资源推荐服务。该服务是学习资源推荐模式的核心组成部分，通过用户关系网络挖掘兴趣社区，可以发现兴趣社区内的高度相似用户群体并结合学习资源评分信息进行学习资源推荐列表生成以及推荐排序等。此外，还可以利用用户的反馈信息不断改进推荐服务质量。学习资源推荐服务的实现流程如图2所示。
由图2可以看出学习资源推荐流程涉及从数据采集到推荐排序等多个步骤，其中兴趣社区挖掘、用户相似性计算及学习资源评分预测是学习资源推荐的重要组成部分，下面将分别介绍这三大部分的具体实现过程。
2.学习用户兴趣社区挖掘
通过OSN服务，学习用户之间可以建立起好友关系，实现动态关注以及资源分享。随着用户的增多以及好友关系的不断建立，在线学习服务的好友关系网络也将不断增长并且具有明显的聚集结构，具有相同学习兴趣的用户联系密集，具有不同学习兴趣的用户联系稀疏，即好友关系网络存在各种各样的兴趣社区。通过挖掘兴趣社区，可以发现社区内具有高度兴趣相似度的用户。例如，图3给出了一个学习用户好友关系网络示例，其中共有7个用户节点：u1，u2，u3，u4，u5，u6及u7，可以看出u1，u2，u3及u4作为兴趣社区1的成员彼此之间联系密集，u5，u6及u7作为兴趣社区2的成员彼此之间也联系密集，但不同兴趣社区之间的用户联系稀疏。
为有效挖掘学习用户好友关系网络存在的兴趣社区，本文采用基于非负矩阵分解（Nonnegative matrix factorization，NMF）的社区挖掘模型[3]进行处理。首先学习用户好友关系网络可以建模为无向无权图，其对应的邻接矩阵X=[xij]n×n，其中n为用户数量，当任意两个用户ui和uj存在好友关系时，xij=0，否则，可知X为非负值矩阵。假设社区挖掘数目为k，可构建基于NMF的社区挖掘模型： minX-HHT2F（1）
其中F为Frobenius范数，H为n×k的非负矩阵，对于任意一个元素hil∈H可以表示为用户i与社区l的归属强度。实际操作中，H可以通过文献[3]提出的迭代近似优化方法求解，各个兴趣社区可以通过判断成员与社区对应的矩阵元素大小获得。例如，对于图3所示的学习用户好友关系网络示例，其对应的兴趣社区挖掘过程如图4所示，最终挖掘结果与图3是一致的。
3.学习用户相似性计算及学习资源评分预测
由于同一个兴趣社区内的成员之间存在较高的兴趣相似度，对学习资源有共同的偏好，因此可以综合属于同一个社区的成员对某一个学习资源的评分信息，形成目标用户对该学习资源的评分预测。当预测的评分较高时，则可以向目标用户推荐该学习资源。为方便量化用户对学习资源的评分，在基于OSN的在线学习服务中，可以提供用户对学习资源的评分互动功能。如可以采用1-5分制，用于表达用户对学习资源的评价等级，分值越大代表用户对该学习资源的兴趣度越高。假设学习资源集合为{I1，I2，…Im}，其中m为学习资源数量，用户ui对学习资源Ij的评分表示为Rij，ui所在的兴趣社区表示为C，则预测用户ui对未评价的学习资源Ij的评分可以按照如下公式计算：
■ij=Ri （■sim（i，p）（Rpj-Rp））/■sim（i，p）（2）
其中Ri和Rp分别表示用户ui和up已有评分的平均值，sim（i，p）=■i·■p表示为用户ui和up的相似度，其中ui和upi均属于同一个社区C，hi和hp分别为用户ui和up在H中对应的行向量。通过应用公式2可计算得到用户ui预测评分较高的学习资源，并为提供最终的学习资源推荐列表。例如，假设在线学习服务中具有5个学习资源{I1，I2，I3，I4，I5}，图3所示的用户已有的评分信息如表1所示，其中“？”表示为待预测的评分。
根据图4所示的兴趣社区挖掘结果，与、以及处于同一个社区，可以计算，，，，，以及。根据公式（2），可以计算对于、以及的预测评分分别为：，以及，因此最终为推荐的学习资源排序列表为：，以及。
三、应用效果分析
作者研究团队在已开发的学术OSN：学者网（http：//www.scholat.com）基础上，进一步开发了学者网在线课程服务，可以为广大教师、学生用户提供基于OSN的在线课程学习环境。目前，学者网在线课程服务具有的功能如图5所示，截止到2016年11月，该在线课程服务共吸引了来自中山大学、武汉大学以及四川大学等132所高校的5万多名注册用户使用，共创建有覆蓋多个学科的790门课程以及积累了10万多件各种类型的学习资源。
学者网学习用户通过OSN提供的“加为好友”功能可以建立好友关系网络，实现实时关注各自最新动态以及分享学习资源。此外，通过在线课程提供的学习资源评价功能，学习用户还可以对各类学习资源进行评分以及评论。通过近2年的实际运行，学者网在线课程用户已形成了一定规模的好友关系网络以及积累了丰富的学习资源评价数据，这为进行基于兴趣社区的学习资源推荐提供了理想的应用环境。为验证本文推荐模式的实际应用效果，在学者网在线课程服务平台上进行了实证研究，采用用户问卷调查的方式对推荐效果进行评价，实际发放问卷120份，回收120份，有效回收率100%，具体问卷调查的内容及统计结果如表2所示。
在表2中，问题1、问题2以及问题3主要用来评测本文推荐模式的推荐准确度，调查结果发现有95.3%的受访用户认为学习资源推荐服务提供了感兴趣的学习资源，同时有92.1%的用户使用了推荐的学习资源，另外有91.5%的用户认为推荐排序结果是合理的，这些数据都说明本文推荐模式具有较高的推荐准确度。问题4用于评测本文推荐模式是否可以感知用户兴趣的变化并做出相应推荐，由于本文采用基于兴趣社区挖掘的推荐策略，可以较好地获取到学习用户在不同学习时期所处的兴趣社区，因此具有感知用户兴趣变化的特性，实际的调查结果也有93.2%的用户表示认同。问题5用于评测用户对学习资源推荐服务的信任程度，结果发现有86.6%的用户都主要通过推荐服务获取感兴趣的学习资源，这说明了本文提出的推荐模式能够切实有效帮助用户“过滤”海量学习资源，相应的推荐服务已成为了用户经常使用的学习资源获取工具。
四、结束语
本文在基于OSN构建在线学习服务的基础上，设计了一种基于兴趣社区的在线学习资源推荐模式，实际应用分析表明该模式具有较好的推荐效果，可以为学习用户提供高质量的学习资源推荐服务。此外，本文相关研究结果无论是在理论还是应用层面都具有积极意义，具体表现在：①通过研究利用OSN在用户群组、协作交互以及资源分享具有的独特优势构建在线学习服务，不仅可以形成一种基于OSN的在线协作式学习环境构建模式，而且还可以进一步丰富目前在线学习服务的构建形式。②通过研究基于兴趣社区的在线学习资源推荐模式，可以探索OSN的集体智慧对学习资源推荐的影响机制，相关研究结果将是对现有在线学习资源推荐研究框架的一次有益拓展。（3）通过开展基于兴趣社区的在线学习资源推荐模式的实际应用，不仅可为各类在线学习服务的学习资源建设提供支持，而且还可以在不同领域的开放式学习资源平台中进行应用，研究成果具有较强的普适性以及推广价值。
参考文献：
[1]袁莉，斯蒂芬·鲍威尔，马红亮.大规模开放在线课程的国际现状分析[J].开放教育研究，2013，19（3）：56-62 84.
[2]刘静，熊才平，丁继红，等.教育信息资源个性化推荐服务模式研究[J].中国远程教育，2016（2）：5-9.
[3]贺超波，汤庸，沈玉利等.应用非负值矩阵分解模型的社区挖掘方法[J].小型微型计算机系统，2014，35（6）：1275-1280.
（编辑：王晓明）
关键词：学习资源推荐；兴趣社区；社交网络；在线学习
中图分类号：G642 文献标志码：B
一、引言
随着互联网技术的快速发展，在线学习服务由于可以提供不受时空限制以及自由获取知识的学習环境，目前已越来越受到广大教师和学生的欢迎，各大在线学习服务吸引了众多教师建立在线课程，注册的学习用户数量也增长迅速。例如，国外三大主流在线学习服务平台：Coursera、edX和Udacity的各类在线课程在2013年就已吸引了遍布全球220多个国家的600多万名学习者[1]，国内具有代表性的在线学习服务平台：国家精品课程资源网、中国大学精品开放课程网（icourse）、MOOC学院、学堂在线以及腾讯课堂等在各自网站上公布的选课人数也已经达到百万级别。各大在线学习服务高速发展的同时，也积累了海量的学习资源，以国家精品课程资源网为例，截止到2016年11月，该网站包含教学视频、课件以及试题等学习资源的数量已超过130万个。面对数量如此庞大的学习资源，学习用户很容易遭遇“资源过载”的问题：为了查找与学习相关、感兴趣的学习资源，往往需要付出大量时间和精力，这严重影响了学习用户进行在线学习的积极性和主动性。
如何为广大学习用户主动推荐高质量的学习资源已成为各大在线学习服务提供商以及研究人员共同关注的热点话题[2]。例如，具有代表性的中国大学精品开放课程网能够根据学习用户的基本信息和学习行为实时推荐相关课程资源，包括热门课程、教师、学习小组等，但推荐结果与学习用户兴趣爱好的匹配不够准确，学习资源的选取与推送存在盲点，系统不能够精准地感知学习情境来有效推荐适合学习用户的个性化优质资源，其个性化推荐服务模式还需要不断改进。目前在线社交网络（Online Social Network， OSN）已成为互联网应用热点，广大互联网用户通过OSN加强了人与人之间的联系，形成了虚拟网络世界中数量众多的兴趣社区。兴趣社区中的用户联系更加紧密，兴趣更加相似，信息资源在兴趣社区中可以得到更广泛、更快速和更准确的传播，这为改进现有在线学习资源推荐模式提供了新的途径。为此，本文设计了一种基于OSN兴趣社区的学习资源推荐模式，目的在于提高在线学习用户的学习资源获取质量和效率，并提高学习的积极性和主动性。
二、基于兴趣社区的学习资源推荐模式
1.模式框架设计
基于兴趣社区的学习资源推荐模式需要利用用户的OSN信息以及资源偏好信息，其首先通过构建基于OSN的在线学习服务，为学习用户提供交流协作、资源分享以及资源评价功能，然后在形成用户关系网络的基础上，通过挖掘兴趣社区对学习用户进行兴趣特征建模，最后应用排序算法形成学习资源推荐列表。推荐模式的整体框架设计如图1所示。
图1所示的模式框架包括三大组成部分，分别为：①面向在线学习的OSN服务。OSN服务用于促进学习用户关系网络的形成，为学习资源推荐提供可以利用的用户OSN信息。该服务基于Web2.0的技术规范以及OSN服务建设标准进行设计与开发， 并结合在线学习的需求提供学习用户在信息分享、互动交流以及群组协作支持等方面的功能，可以为在线学习用户进行协作式学习提供支持环境。②基于OSN的在线学习服务。在线学习服务为用户提供学习资源服务环境，该服务参照目前流行的“慕课”服务模式进行设计，包含课程信息、课程动态、学习用户管理以及学习资源等基本功能，并基于OSN提高在线学习服务的互动能力，尤其是用户与用户、用户与学习资源之间的交互。此外，通过提供学习资源的评价功能，可以获取学习用户的学习资源偏好信息。③学习资源推荐服务。该服务是学习资源推荐模式的核心组成部分，通过用户关系网络挖掘兴趣社区，可以发现兴趣社区内的高度相似用户群体并结合学习资源评分信息进行学习资源推荐列表生成以及推荐排序等。此外，还可以利用用户的反馈信息不断改进推荐服务质量。学习资源推荐服务的实现流程如图2所示。
由图2可以看出学习资源推荐流程涉及从数据采集到推荐排序等多个步骤，其中兴趣社区挖掘、用户相似性计算及学习资源评分预测是学习资源推荐的重要组成部分，下面将分别介绍这三大部分的具体实现过程。
2.学习用户兴趣社区挖掘
通过OSN服务，学习用户之间可以建立起好友关系，实现动态关注以及资源分享。随着用户的增多以及好友关系的不断建立，在线学习服务的好友关系网络也将不断增长并且具有明显的聚集结构，具有相同学习兴趣的用户联系密集，具有不同学习兴趣的用户联系稀疏，即好友关系网络存在各种各样的兴趣社区。通过挖掘兴趣社区，可以发现社区内具有高度兴趣相似度的用户。例如，图3给出了一个学习用户好友关系网络示例，其中共有7个用户节点：u1，u2，u3，u4，u5，u6及u7，可以看出u1，u2，u3及u4作为兴趣社区1的成员彼此之间联系密集，u5，u6及u7作为兴趣社区2的成员彼此之间也联系密集，但不同兴趣社区之间的用户联系稀疏。
为有效挖掘学习用户好友关系网络存在的兴趣社区，本文采用基于非负矩阵分解（Nonnegative matrix factorization，NMF）的社区挖掘模型[3]进行处理。首先学习用户好友关系网络可以建模为无向无权图，其对应的邻接矩阵X=[xij]n×n，其中n为用户数量，当任意两个用户ui和uj存在好友关系时，xij=0，否则，可知X为非负值矩阵。假设社区挖掘数目为k，可构建基于NMF的社区挖掘模型： minX-HHT2F（1）
其中F为Frobenius范数，H为n×k的非负矩阵，对于任意一个元素hil∈H可以表示为用户i与社区l的归属强度。实际操作中，H可以通过文献[3]提出的迭代近似优化方法求解，各个兴趣社区可以通过判断成员与社区对应的矩阵元素大小获得。例如，对于图3所示的学习用户好友关系网络示例，其对应的兴趣社区挖掘过程如图4所示，最终挖掘结果与图3是一致的。
3.学习用户相似性计算及学习资源评分预测
由于同一个兴趣社区内的成员之间存在较高的兴趣相似度，对学习资源有共同的偏好，因此可以综合属于同一个社区的成员对某一个学习资源的评分信息，形成目标用户对该学习资源的评分预测。当预测的评分较高时，则可以向目标用户推荐该学习资源。为方便量化用户对学习资源的评分，在基于OSN的在线学习服务中，可以提供用户对学习资源的评分互动功能。如可以采用1-5分制，用于表达用户对学习资源的评价等级，分值越大代表用户对该学习资源的兴趣度越高。假设学习资源集合为{I1，I2，…Im}，其中m为学习资源数量，用户ui对学习资源Ij的评分表示为Rij，ui所在的兴趣社区表示为C，则预测用户ui对未评价的学习资源Ij的评分可以按照如下公式计算：
■ij=Ri （■sim（i，p）（Rpj-Rp））/■sim（i，p）（2）
其中Ri和Rp分别表示用户ui和up已有评分的平均值，sim（i，p）=■i·■p表示为用户ui和up的相似度，其中ui和upi均属于同一个社区C，hi和hp分别为用户ui和up在H中对应的行向量。通过应用公式2可计算得到用户ui预测评分较高的学习资源，并为提供最终的学习资源推荐列表。例如，假设在线学习服务中具有5个学习资源{I1，I2，I3，I4，I5}，图3所示的用户已有的评分信息如表1所示，其中“？”表示为待预测的评分。
根据图4所示的兴趣社区挖掘结果，与、以及处于同一个社区，可以计算，，，，，以及。根据公式（2），可以计算对于、以及的预测评分分别为：，以及，因此最终为推荐的学习资源排序列表为：，以及。
三、应用效果分析
作者研究团队在已开发的学术OSN：学者网（http：//www.scholat.com）基础上，进一步开发了学者网在线课程服务，可以为广大教师、学生用户提供基于OSN的在线课程学习环境。目前，学者网在线课程服务具有的功能如图5所示，截止到2016年11月，该在线课程服务共吸引了来自中山大学、武汉大学以及四川大学等132所高校的5万多名注册用户使用，共创建有覆蓋多个学科的790门课程以及积累了10万多件各种类型的学习资源。
学者网学习用户通过OSN提供的“加为好友”功能可以建立好友关系网络，实现实时关注各自最新动态以及分享学习资源。此外，通过在线课程提供的学习资源评价功能，学习用户还可以对各类学习资源进行评分以及评论。通过近2年的实际运行，学者网在线课程用户已形成了一定规模的好友关系网络以及积累了丰富的学习资源评价数据，这为进行基于兴趣社区的学习资源推荐提供了理想的应用环境。为验证本文推荐模式的实际应用效果，在学者网在线课程服务平台上进行了实证研究，采用用户问卷调查的方式对推荐效果进行评价，实际发放问卷120份，回收120份，有效回收率100%，具体问卷调查的内容及统计结果如表2所示。
在表2中，问题1、问题2以及问题3主要用来评测本文推荐模式的推荐准确度，调查结果发现有95.3%的受访用户认为学习资源推荐服务提供了感兴趣的学习资源，同时有92.1%的用户使用了推荐的学习资源，另外有91.5%的用户认为推荐排序结果是合理的，这些数据都说明本文推荐模式具有较高的推荐准确度。问题4用于评测本文推荐模式是否可以感知用户兴趣的变化并做出相应推荐，由于本文采用基于兴趣社区挖掘的推荐策略，可以较好地获取到学习用户在不同学习时期所处的兴趣社区，因此具有感知用户兴趣变化的特性，实际的调查结果也有93.2%的用户表示认同。问题5用于评测用户对学习资源推荐服务的信任程度，结果发现有86.6%的用户都主要通过推荐服务获取感兴趣的学习资源，这说明了本文提出的推荐模式能够切实有效帮助用户“过滤”海量学习资源，相应的推荐服务已成为了用户经常使用的学习资源获取工具。
四、结束语
本文在基于OSN构建在线学习服务的基础上，设计了一种基于兴趣社区的在线学习资源推荐模式，实际应用分析表明该模式具有较好的推荐效果，可以为学习用户提供高质量的学习资源推荐服务。此外，本文相关研究结果无论是在理论还是应用层面都具有积极意义，具体表现在：①通过研究利用OSN在用户群组、协作交互以及资源分享具有的独特优势构建在线学习服务，不仅可以形成一种基于OSN的在线协作式学习环境构建模式，而且还可以进一步丰富目前在线学习服务的构建形式。②通过研究基于兴趣社区的在线学习资源推荐模式，可以探索OSN的集体智慧对学习资源推荐的影响机制，相关研究结果将是对现有在线学习资源推荐研究框架的一次有益拓展。（3）通过开展基于兴趣社区的在线学习资源推荐模式的实际应用，不仅可为各类在线学习服务的学习资源建设提供支持，而且还可以在不同领域的开放式学习资源平台中进行应用，研究成果具有较强的普适性以及推广价值。
参考文献：
[1]袁莉，斯蒂芬·鲍威尔，马红亮.大规模开放在线课程的国际现状分析[J].开放教育研究，2013，19（3）：56-62 84.
[2]刘静，熊才平，丁继红，等.教育信息资源个性化推荐服务模式研究[J].中国远程教育，2016（2）：5-9.
[3]贺超波，汤庸，沈玉利等.应用非负值矩阵分解模型的社区挖掘方法[J].小型微型计算机系统，2014，35（6）：1275-1280.
（编辑：王晓明）