吳振慧，繆 勇

(揚州職業(yè)大學，江蘇揚州 225009)

隨著網(wǎng)絡(luò)技術(shù)和多媒體技術(shù)的發(fā)展，越來越多的人開始通過互聯(lián)網(wǎng)進行學習。相比于傳統(tǒng)的學習方式，網(wǎng)絡(luò)學習的優(yōu)勢在于學習者的學習活動完全不受時間、空間限制，使學習者實現(xiàn)了真正的自主學習。但目前的狀況是多數(shù)網(wǎng)絡(luò)教學平臺仍以系統(tǒng)為中心，并沒有充分考慮學生的需求與習慣，無法滿足學習者的個性化要求。主要表現(xiàn)在:

(1)現(xiàn)有的網(wǎng)絡(luò)教學網(wǎng)站基本上都是靜態(tài)的，通常只是將教師的各種教學資料堆砌在網(wǎng)站中，缺乏對不同學習內(nèi)容之間的合理性設(shè)計。

(2)不同層次的學生所能夠利用的網(wǎng)絡(luò)資源都是相同的，缺乏對學生自主學習的個性化引導和推薦。

(3)現(xiàn)有網(wǎng)絡(luò)教學平臺對資源信息的檢索支持程度還比較弱，學習者難以高效地尋找到自己真正需要的學習資源。［1］

上述這些問題制約了網(wǎng)絡(luò)教學的進一步發(fā)展。如何建立一個個性化智能化的網(wǎng)絡(luò)教學環(huán)境，成為網(wǎng)絡(luò)教學平臺開發(fā)和利用中的一個關(guān)鍵問題。

針對這個問題，本文提出將智能推薦技術(shù)運用到網(wǎng)絡(luò)教學平臺中，并以基于頻繁項集的資源推薦為例進行具體的推薦，以此為學習者提供智能化服務。

1 智能推薦技術(shù)

智能推薦就是能夠根據(jù)不同用戶的興趣愛好提供有針對性服務的一種技術(shù)。智能推薦系統(tǒng)能夠根據(jù)不同用戶的個性特征，為他們做出個性化的推薦。目前，智能推薦系統(tǒng)比較廣泛地應用于電子商務和數(shù)字圖書館等領(lǐng)域，能夠根據(jù)用戶的商品購買歷史或圖書借閱記錄，按照相應的推薦算法幫助用戶完成對其它商品或圖書的選擇。目前，幾乎所有大型的電子商務系統(tǒng)，如Amazon、eBay等，都在一定程度上使用各種形式的推薦系統(tǒng)，如Amazon能夠充分利用用戶的瀏覽體驗、購買歷史，以及用戶購買商品后的評價，為其他用戶做出有效的商品推薦。

所以，如果在網(wǎng)絡(luò)教學平臺中增加智能推薦服務的功能，就能有效提高學習者獲取學習資源的智能化水平，滿足不同學習者的個性化需求。［2］

2 基于頻繁項集的資源推薦

學習者在利用網(wǎng)絡(luò)教學平臺學習的過程中，常常會下載自己所需的資源(如word文件、ppt文件或視頻文件等)。這些資源通常由管理員或教學工作者提供，如果規(guī)定上傳資源時必須提供關(guān)鍵字，則針對所下載資源的關(guān)鍵字組可進行頻繁項集的挖掘。這樣，學習者在下次登錄時，系統(tǒng)就可以根據(jù)挖掘結(jié)果對學習者進行其他相關(guān)學習資源的推薦。

類似地，學習者也會使用系統(tǒng)提供的搜索功能，尋找平臺中提供的各種教學資源，針對學習者的搜索關(guān)鍵字進行頻繁項集挖掘，其結(jié)果也可以用于資源推薦。

2.1 Apriori算法

對于某個數(shù)據(jù)庫的記錄而言，通常每個記錄都是由多個數(shù)據(jù)項來組成的，我們將多個數(shù)據(jù)項的集合稱為項集(Itemset)，那么含有k個數(shù)據(jù)項的集合就稱k－項集。某個項集的出現(xiàn)頻率則是整個數(shù)據(jù)集中含有該項集的記錄的數(shù)量，這也被稱為這個項集的支持度(supportcount)。如果某一項集的出現(xiàn)頻率大于一定閾值的頻率就可以稱為頻繁項目集，記為Lk。

下面以2017年全國高考北京卷理科的第18題為例，對題目條件相關(guān)問題進行了探究，以揭示看似簡單的條件背后的秘密.

Apriori算法是一種最有影響的挖掘布爾關(guān)聯(lián)規(guī)則頻繁項集的算法。在該算法中，尋找最大項集(頻繁項集)的基本思想是:算法需要對數(shù)據(jù)集進行多步處理。第一步，簡單統(tǒng)計所有含一個元素項集出現(xiàn)的頻數(shù)，并找出那些不小于最小支持度的項集，即1項頻繁集。從第二步開始循環(huán)處理直到再沒有頻繁項集生成。循環(huán)過程是:第k步中，根據(jù)第k－1步生成的(k－1)項頻繁項集產(chǎn)生k項頻繁侯選集，然后對數(shù)據(jù)庫進行搜索，得到侯選項集的項集支持度，與最小支持度進行比較，從而找到k項頻繁集。對于Apriori算法的詳細過程在此不再贅述。［3］

2.2 基于下載資源關(guān)鍵字的頻繁項集挖掘流程

利用Apriori算法的頻繁項集挖掘思路，可以對登錄用戶下載資源關(guān)鍵字進行頻繁項集挖掘，其挖掘流程如圖1所示。

在圖1所示的頻繁項集挖掘流程中，Apriori－Gen運算運用連接定理根據(jù)k項頻繁集生成k+1項頻繁候選集。若有兩個k項集，每個項集按照“屬性－值”(一般按值)的字母順序進行排序。如果兩個k項集的前k－1個項相同，而最后一個項不同，則證明它們是可連接的，即這兩個k項集可連接生成k+1項集。如有兩個3項集:{a，b，c}{a，b，d}，這兩個 3項集就是可連接的，它們可以連接生成4項集{a，b，c，d}。又如兩個3項集{a，b，c}{a，d，e}，這兩個3項集顯示是不能連接生成3項集的。

2.3 頻繁項集挖掘?qū)嵗?/h3>

假設(shè)有如下9組下載資源關(guān)鍵字:

java jsp struts，jsp spring，jsp hibernate，java jsp spring，java hibernate，jsp hibernate，java hibernate，java jsp hibernate struts，java jsp hibernate。

按上述算法及流程挖掘頻繁項集步驟如下所示:

(1)對上述9組下載資源關(guān)鍵字進行一次掃描，對每個項進行計數(shù)(即計算支持度)，得到1項頻繁候選集 C1，其中{java}、{jsp}、{hibernate}、{spring}和{struts}支持度分別為 6、7、6、2和2。

(2)舍掉C1中支持度小于閾值(假設(shè)閾值為2)的項集，得到1項頻繁集L1，L1=C1。

圖1 基于下載資源關(guān)鍵字的頻繁項集挖掘流程圖

(3)運用Apriori－Gen運算，由1項頻繁集L1生成2項頻繁候選集C2。對上述9組下載資源關(guān)鍵字進行第二次掃描，對C2中的每個項進行計數(shù)。其中{java jsp}、{java hibernate}、{java spring}、{java struts}、{jsp hibernate}、{jsp spring}、{jsp struts}、{hibernate spring}、{hibernate struts}、{spring struts}的支持度分別為 4、4、1、2、4、2、2、0、1、0。

(4)舍掉C2中支持度小于閾值2的項集，得到2項頻繁集L2。L2中包括的項有:{java jsp}、{java hibernate}、{java struts}、{jsp hibernate}、{jsp spring}、{jsp struts}。

(5)運用 Apriori－Gen運算，由2項頻繁集L2產(chǎn)生3項頻繁候選集C3。C3中包括的項有:{java jsp hibernate}和{java jsp struts}。對上述9組下載資源關(guān)鍵字進行第三次掃描，對C3中的每個項進行計數(shù)。其中，{java jsp hibernate}和{java jsp struts}的支持度分別為2、2。

(6)舍掉C3中支持度小于閾值2的項集，得到3項頻繁集L3。L3=C3。

(7)運用Apriori－Gen運算，由3項頻繁集L3產(chǎn)生4項頻繁候選集C4。C4中只有一項，即{java jsp hibernate struts}，掃描下載資源關(guān)鍵字組，計算其支持度為0，小于閾值2，因此4頻繁項集不存在。頻繁項集挖掘結(jié)束。

2.4 基于頻繁項集的推薦策略

在網(wǎng)絡(luò)教學平臺中，當學習者登錄后，根據(jù)學習者下載資源的頻繁項集，從系統(tǒng)其他資源(該學習者未下載或未發(fā)現(xiàn))中獲取包含頻繁項集的資源，將其通過頁面彈窗或超鏈接等方式推薦給學習者，可以有效提高學習者查找資源的效率和對平臺的滿意度。

2.5 推薦功能的實現(xiàn)

當某個學生登錄后，單擊“根據(jù)頻繁項集推薦”超鏈接，頁面中列出不同頻繁項集下推薦結(jié)果列表，如圖2所示。

圖2 根據(jù)關(guān)鍵字頻繁項集推薦結(jié)果

從圖2可以看出，頻繁度越高，推薦資源數(shù)越少，此時推薦的資源越接近用戶的需求。

用于推薦的資源來源于系統(tǒng)資源庫，假如系統(tǒng)中包含如圖3所示的課件資源。

圖3 系統(tǒng)課件資源列表

備注用于記錄了資源的關(guān)鍵字，資源關(guān)鍵字由教師或管理員上傳資源時提供。根據(jù)關(guān)鍵字計算頻繁項集時，不是針對所有資源的關(guān)鍵字，而是只考慮該學生已下載過(或訪問)的資源關(guān)鍵字，這樣更能反映用戶對資源的需求情況。學生下載(或訪問)資源記錄表如圖4所示。

圖4 下載(或訪問)資源記錄表

其中，stuid字段表示下載(或訪問)資源的學生編號，coursewareid表示資源的編號(課件號)，以學生編號2為例，先根據(jù)其所下載(或訪問)課件資源編號獲得這些資源的關(guān)鍵字集合，然后依次計算它們的頻繁2項集、3項集…，直到找到最大頻繁項集。進行資源推薦時，從資源庫中將該用戶未下載(或訪問)且關(guān)鍵字包含在頻繁項集中的資源顯示出來，推薦給用戶。

3 結(jié)語

本文的主要任務是在網(wǎng)絡(luò)教學平臺中研究并初步實現(xiàn)智能推薦的功能。首先對智能推薦技術(shù)及挖掘頻繁項集的Apriori算法進行簡要介紹，然后給出基于在線輔助教學系統(tǒng)中下載資源關(guān)鍵字的頻繁項集的挖掘流程，并基于頻繁項集給出推薦策略，最后對推薦結(jié)果進行展示與分析，驗證了文中所研究的推薦技術(shù)具有一定的可行性。

［1］吳飛.新一代網(wǎng)絡(luò)教學平臺特征和技術(shù)難點的分析與探討［J］.開放教育研究，2009(1):10－20.

［2］丁雪.基于數(shù)據(jù)挖掘的圖書智能推薦系統(tǒng)研究［J］.情報理論與實踐，2010(5):107－110.

［3］曾子明，余小鵬.電子商務推薦系統(tǒng)與智能談判技術(shù)［M］.武漢:武漢大學出版社，2008.