張雪燕

（寧波廣播電視大學 信息系，浙江 寧波 315016）

一、引言

隨著社會和科學技術特別是信息技術的發(fā)展，人們可以足不出戶接受教育。而教育也從原來單純的學歷教育發(fā)展到非學歷教育，教育形式越來越多樣化，教育的實現(xiàn)手段也越來越多樣化。網(wǎng)絡教學越來越為大多數(shù)人所接受，各種網(wǎng)絡教學平臺應時而生。而對于學生用戶來說，最大的問題并不是沒有資源，而是無法快速準確地找到自己所需的資源，即學生用戶迫切需要個性化教學服務?！皞€性化學習推薦服務”是當前開放教育研究的熱點和重點。[1-9]

個性化學習推薦服務的核心是學生用戶模型和資源的組織。[1,10,11]目前絕大多數(shù)網(wǎng)上教學平臺采用的是基于關鍵詞或向量模型，缺乏語義信息，從而無法實現(xiàn)信息的共享和重用。資源的組織主要從編者的角度，以科目、章節(jié)或知識點為主線來組織資源。學生用戶模型一般是靜態(tài)的，學生僅僅是系統(tǒng)的使用者而非參與者。在這類用戶模型中，無法體現(xiàn)出學生、導師及資源之間的關系，從而無法實現(xiàn)準確有效的個性化學習推薦服務。

為解決上述問題，國內外專家提出了引入 “本體”（Ontology）。本體是概念化的明確的規(guī)范說明，形式上定義了領域內相關概念之間的關系。[10,11]本體描述的都是個體（實例）、類（概念）、屬性以及關系。本體具有良好的概念層次以及實現(xiàn)對邏輯推理的支持，因而采用本體表示學生用戶的模型是可行的。[2-7,9,11]在開放教育網(wǎng)絡教學領域中，筆者以領域本體庫的構建為基礎，提出了一種基于XML-本體的學生用戶模型，以實現(xiàn)個性化學習服務推薦。

二、開放教育網(wǎng)絡教學領域本體

領域本體（Domain Ontology或Domain-specific Ontology，即領域特異性本體）所建模的是某個特定領域，或者現(xiàn)實世界的一部分。領域本體所表達的是那些適合于該領域的那些術語的特殊含義。開放教育網(wǎng)絡教學本體指的是網(wǎng)絡教學本體結構以及對網(wǎng)絡教學資源概念的本體知識描述。此處本體在概念層次上定義，包含了概念的所有相關知識。

1.網(wǎng)絡教學領域資源分析

在當前的網(wǎng)絡學習平臺中主要的用戶對象包括學生、教師、企業(yè)培訓對象、領域專家、其他領域愛好者等。資源主要包括用戶資源、基礎理論知識資源、實驗實訓資源等，其中還應包含關系及推理規(guī)則知識庫。具體的結構如圖1所示：

網(wǎng)絡學習平臺結構一般分為三層：應用層、實現(xiàn)層和資源層。應用層主要功能是與用戶交互，包括用戶身份認證、資源獲取、信息反饋、資源評價以及資源添加等功能。實現(xiàn)層實現(xiàn)了資源推薦和分析算法，實現(xiàn)了資源的提取。這是整個系統(tǒng)的核心算法層。資源層主要是資源的維護，保證數(shù)據(jù)庫資源的安全性、可靠性和可維護性。

圖1 網(wǎng)絡教學平臺結構圖

2.網(wǎng)絡教學本體結構

在參考了 BlackBoard、WebCT、Moodle、Sakai等眾多的LMS系統(tǒng)后，以國家開放大學學習平臺及寧波電大網(wǎng)上課堂平臺為具體研究實例，在2.1的基礎上形成了網(wǎng)上教學本體體系。在設計時就考慮了網(wǎng)絡學習資源的通用性，更重要的是考慮了信息的共享性和重用性，并且最終應方便知識庫處理及知識的提取。圖2是網(wǎng)絡教學本體結構。

圖2 網(wǎng)絡教學領域本體庫

3.網(wǎng)絡教學本體

（1）本體的形式化定義

就現(xiàn)有的各種本體而言，無論其在表達上采用的究竟是何種語言，在結構上都具有許多相似性。大多數(shù)本體描述的都是個體（實例）、類（概念）、屬性以及關系。

本體構成要素包括類、屬性、關系、函式術語、約束（限制）、規(guī)則及公理體系等。其中類是集合（sets）、概念、對象類型或者說事物的種類，[2]屬性是對象（和類）所可能具有的屬性、特征、特性、特點和參數(shù)，關系是類與類之間、類與個體以及個體與個體之間的彼此關聯(lián)所可能具有的方式，函式術語是在聲明語句當中，可用來代替具體術語的特定關系所構成的復雜結構，約束（限制）是采取形式化方式所聲明的，關于接受某項斷言作為輸入而必須成立的情況的描述，公理是指采取特定邏輯形式的斷言（包括規(guī)則在內）所共同構成的就是其本體在相應應用領域當中所描述的整個理論。下面給出本體的形式化定義：

定義 1：本體 O={C，AC，R，AR，H，P}，其中，C 為類或對象的集合，AC為屬性集，R為關系集，AR為關系屬性集，每個關系對應一個自己的屬性集，H為概念層次，P為公理集。

從定義知，本體可定義成一個六元組，C中既有抽象的類也有個體實例，是所有對象的集合，可以用AC（Ci）來表示對象Ci的屬性集；對象Ci和Cj之間的關系可用rij（Ci，Cj）表示；關系 rij的屬性可以用 AR（rij）來表示；P 是公理集合，是對本體中類、屬性及關系的約束與限制。

（2）網(wǎng)絡教學領域本體描述

定義2：網(wǎng)絡教學領域本體，DOnto log y={CD，，RD，HD，PD}，其中 CD為網(wǎng)絡教學的對象集合，為屬性集，RD為關系集為關系屬性集，HD為網(wǎng)絡教學中的概念層次，PD為網(wǎng)絡教學中的公理集。

下面僅以網(wǎng)絡教學中的幾個重要概念為例進行說明：

①定義概念（或對象）集合

CD={網(wǎng)絡教學平臺，用戶服務，概念資源，實驗資源，用戶資源，用戶研究…}

②定義概念的屬性集

其中：

③定義概念之間的關系

RD={Synonymy（檢索系統(tǒng)，資源檢索系統(tǒng)），partOf（用戶研究，用戶服務），Isa（概念資源，網(wǎng)絡教學資源），Isa（多媒體檢索系統(tǒng)，檢索系統(tǒng)），InterCross（檢索系統(tǒng)，網(wǎng)絡環(huán)境），InterCross（資源共享，資源檢索）…｝

④定義關系的屬性

本系統(tǒng)中涉及的關系的屬性包括Synonymy，PartOf，Isa（KindOf），InterCross等四種屬性。 其中 Synonymy 表示同義關系，PartOf概念之間部分與整體的關系，Isa概念之間的繼承關系，類的父子類關系，InterCross表示關聯(lián)度。定義如下：

⑤定義概念層次結構

HD={（教育事業(yè)，教育機構，開放教育，網(wǎng)絡教學）（網(wǎng)絡教學平臺，資源獲取，用戶服務）（機器檢索，檢索系統(tǒng)）…｝

⑥定義網(wǎng)絡教學領域內的公理

用 like（Ci，Cj，λ）表示對象 Ci和 Cj相關程度為 λ（0＜λ＜1），raValue（Ci，Cj，）為對象 Ci和 Cj的關系 rij（Ci，Cj）的屬性所表示的關聯(lián)度。則我們認為Synonymy關系的相關度為 1，PartOf，Isa（KindOf），InterCross等關系的關聯(lián)度分別為它們各自關系的屬性值，定義如下：

三、基于XML-本體的學生用戶模型的創(chuàng)建

1.學生用戶模型

學生用戶模型是網(wǎng)絡教學平臺中最重要的用戶模型，是實現(xiàn)個性化學習服務推薦的核心。圖3是基于XML-本體的個性化學生模型。

圖3 基于XML-本體的個性化學生用戶模型

系統(tǒng)最初會根據(jù)學生的注冊信息生成初始的學生模型，但這個學生模型并不是靜態(tài)的，在學生訪問網(wǎng)絡學習平臺過程中，系統(tǒng)的學生信息收集模塊會不斷收集學生信息，并把這些信息提供給學生信息學習模塊。學生信息學習模塊通常采用基于前饋神經(jīng)網(wǎng)絡，從而不斷修正學生模型。此處學生模型與網(wǎng)絡教學本體庫建立了關聯(lián)，即當學生搜索某個資料，會優(yōu)先考慮他的專業(yè)、授課教師或領域專家等因素。而這在傳統(tǒng)的LMS平臺中是無法做到的。

在本系統(tǒng)中XML標簽存放在一個數(shù)據(jù)表中，包括XML標簽的名稱以及對該標簽的說明，作用類似于數(shù)據(jù)字典，系統(tǒng)在需要的時候可以檢索這個表或對該表進行修改。當學生信息收集系統(tǒng)收集到某個較為多見的信息的時候，若該信息無法用該表中的任何一個XML標簽來表述的時候，在本系統(tǒng)中采用手工添加的方式，由領域專家或教師來添加。目前系統(tǒng)中采用的方式是給定時間段內的領域專家和教師用戶的投票機制。這種處理機制主要是為方便信息的提取和處理，降低處理的維度和復雜度，從而使學習服務推薦算法更高效更準確。

在學生模型學習模塊中，我們同時采用了顯式反饋和隱式反饋機制。由于顯式反饋會干擾學生用戶瀏覽網(wǎng)站，容易引起學生用戶的反感。因此默認設置為隱式反饋，即利用學生在本網(wǎng)站中的瀏覽時間，打開某個網(wǎng)頁的次數(shù)和所花費的時間，這些服務器端能獲取的數(shù)據(jù)，來獲取學生學習的情況及興趣點。但有時候也應顯式地允許學生或其他相關人員來設置學生的一些信息，以更好地為學生服務。

2.基于XML-本體的學生用戶模型舉例

根據(jù)前面的介紹，我們生成了一個學生用戶資源文件，下面是目前系統(tǒng)中較為完善的一個學生的資料：

需要注意的是，本模型具有可擴展性，即可以方便地添加新的屬性，當然也可以刪除一些屬性。通常來說，用戶在不同時期，興趣點甚至關注的領域都會發(fā)生改變，因而學生的模型就需要修改。在上述模型中，我們可以清楚地看到，學生與授課教師或輔導教師之間，學生與自己所在的領域、自己所修的專業(yè)、所修的課程之間均建立了關聯(lián)。在XML中這些信息是很容易抽取到的，因此學習服務推薦算法在為學生推薦資源的時候，就可以參考這些因素，從而實現(xiàn)較為準確的推薦。

3.實驗與結果分析

在實驗過程中重點關注學員實際接受的推薦文檔數(shù)。這里包括每種算法都會有一個實際接受的推薦文檔數(shù)以及兩種算法總的接受的推薦文檔數(shù)（totalAdopted）。其中totalAddopted=keyAddopted+xmlAdoppted-(keyAddopted∩xmlAdoppted),其中 keyAddopted指基于關鍵詞的推薦算法，xmlAdoppted指的是基于xml-本體的推薦算法。為評價算法性能設置了一個參數(shù)推薦算法的平均絕對偏差MAE，表述如下：

其中，totalAddopted=keyAddopted+xmlAdoppted-（keyAddopted⌒xmlAdoppted）。則基于關鍵詞的推薦算法的MAE記為：

課題組在寧波電大網(wǎng)上課堂平臺和中央電大在線（國開）平臺上做了5組測試，每組隨機抽取25%的用戶。共計做了9次這樣的實驗。表1是9次實驗獲得的平均值，圖4是2種算法的比較。

表1 算法評價

圖4 兩種算法的MAE表現(xiàn)

從上述表中的數(shù)據(jù)可以看出，基于關鍵詞向量的推薦算法在資源數(shù)量比較小的時候總體要優(yōu)于基于xml-本體的算法，但隨著資源數(shù)量的增加，基于xml-本體的算法明顯優(yōu)于基于關鍵詞的算法。

以寧波電大網(wǎng)上課堂學習平臺為例。在前面用戶模型例子中李一鳴同學在2012年11月5日9：30登錄了網(wǎng)上課堂，他之前最近一次登錄的時間為2012年10月18日18：30。因此我們需要把2012年10月18日18：30分以后至2012年11月5日9：30之前更新的一些資源有選擇地推薦給他。根據(jù)服務器端的統(tǒng)計，在此期間，共更新與上傳了398篇資源。資源的格式為（資源ID，資源名稱，關鍵詞，所屬領域，提供者ID）。根據(jù)后臺數(shù)據(jù)庫的信息，發(fā)現(xiàn)與李一鳴相關的資料有15篇。其中已學課程4篇，正在學的課程5篇，理財方面的1篇，組網(wǎng)方面的3篇，計算機網(wǎng)絡相關考證資源2篇。采用傳統(tǒng)的基于向量的推薦算法最終推薦的資源為15篇，采用基于XML-本體用戶模型的推薦算法最終推薦的資源為9篇（除去已學課程及考級資料）?；赬ML-本體用戶模型的推薦算法考慮了一些內在聯(lián)系，如已學課程資源不推薦、不感興趣的計算機考證資源不推薦。而基于關鍵詞向量的推薦算法則把凡是與其相關的所有資料都推薦給他，推薦的資料較多，但有些資料并不是學員所需要的。

四、結論

當前的很多推薦服務系統(tǒng)中，主要通過關鍵詞匹配來實現(xiàn)推薦，從而無法發(fā)掘一些領域相關的隱性信息，本文構建了基于XML的網(wǎng)絡學習領域本體的學生用戶模型，并將其應用到現(xiàn)有的系統(tǒng)中。采用這種方法，能較為準確地為學生用戶推薦資源，并能有效地發(fā)掘領域相關的隱性知識。最為明顯的是我們的方法能關注學生、導師以及領域專家之間的關系。從而為學生推薦高質量、高準確性并為學生認可的資源。今后的工作主要集中在完善網(wǎng)絡學習領域本體和學生模型學習方面。

[1]劉萍,胡月紅.領域本體學習方法和技術研究綜述[J].現(xiàn)代圖書情報技術,2012,V28(1):19-25.

[2]于娟.基于文本的領域本體學習方法及其應用研究[D].大連:大連理工大學,2010.

[3]蔣秀林,謝強,丁秋林.基于領域本體的用戶模型的研究[J].計算機應用研究,2012,29(2):606-608.

[4]姜強等.基于用戶模型的個性化本體學習資源推薦研究[J].中國電化教育,2010,280:106-111.

[5]宋麗哲,詹赤兵,王勝海.基于本體的數(shù)字圖書館個性化用戶模型表示[J].中文信息學報,2008,22(1):99-103.

[6]邱百爽,趙蔚,劉秀琴.基于語義網(wǎng)的自適應學習系統(tǒng)中用戶模型的研究[J].開放教育研究,2008,(8):106-111.

[7]張付志,李偉靜,朱彩云.基于領域本體的跨系統(tǒng)個性化服務用戶模型[J].計算機工程,2009,35(13):31-33.

[8]Yao Jung Yang,Chuni Wu.An attribute-based ant colony system for adaptive learning object recommendation[J].Expert Systems with Applications,2009(36):3034-3047.

[9]官魏,馬力,王瑞.信息網(wǎng)絡環(huán)境復雜學習模型設計與實證研究[J].中國電化教育,2013(3):12-18.

[10]Gruber,T.R..A translation approach to portable ontologies[J].Knowledge Acquisition.5(2):199-220,1993.

[11]Gómez P A,Manzano M D.A Survey of Ontology Learning Methods and Techniques［EB/OL］.［2011 －09－23］.http://www.sti-Innsbruck.at/fileadmin/documents/deliverables/Ontoweb/D1.5.pdf.