賀媛婧

摘 要：為了推動(dòng)Moodle學(xué)習(xí)平臺(tái)的深層次功能應(yīng)用，文章通過不同的個(gè)性化推薦技術(shù)，試驗(yàn)采用多種相似度度量方法，對(duì)平臺(tái)中學(xué)習(xí)資源及學(xué)習(xí)者歷史日志記錄進(jìn)行數(shù)據(jù)分析與研究，揭示出不同個(gè)性化推薦技術(shù)在遠(yuǎn)程教育中的應(yīng)用優(yōu)缺點(diǎn)，分析發(fā)現(xiàn)一種適合于學(xué)習(xí)者的個(gè)性化推薦技術(shù)及其采用的相似度度量方法，結(jié)果可為學(xué)生個(gè)性化學(xué)習(xí)服務(wù)、教師導(dǎo)學(xué)管理監(jiān)督提供決策支持。

關(guān)鍵詞：Moodle;遠(yuǎn)程教育;個(gè)性化推薦;相似度

中圖分類號(hào)：G434 ? ? ? ? ? ? 文獻(xiàn)標(biāo)志碼：A ? ? ? ? ? 文章編號(hào)：1673-8454（2015）04-0086-03

一、引言

網(wǎng)絡(luò)信息技術(shù)的發(fā)展及應(yīng)用極大程度上影響著現(xiàn)代遠(yuǎn)程教育的發(fā)展，國(guó)家開放大學(xué)作為新型有特色的遠(yuǎn)程教育大學(xué)，一直在推進(jìn)信息技術(shù)與遠(yuǎn)程教育的深度融合工作。國(guó)家開放大學(xué)以滿足遠(yuǎn)程教育系統(tǒng)辦學(xué)背景的教學(xué)模式為目標(biāo)，搭建了以Moodle為基本模型，以云計(jì)算技術(shù)為基礎(chǔ)的集約化學(xué)習(xí)平臺(tái)，給學(xué)習(xí)者提供了更加簡(jiǎn)潔、便捷、開放的學(xué)習(xí)平臺(tái)，并為教師教學(xué)管理活動(dòng)提供了更為便捷的平臺(tái)。[1] 當(dāng)大量的學(xué)習(xí)內(nèi)容資源和學(xué)習(xí)活動(dòng)同時(shí)呈現(xiàn)于平臺(tái)中時(shí)，雖然Moodle提供了對(duì)于學(xué)習(xí)資源的分類和搜索功能，[2] 但是學(xué)習(xí)者難免會(huì)造成對(duì)于過載信息資源的困惑，很難快速找到適合自己學(xué)習(xí)的資源。如何既能滿足不同學(xué)生的專業(yè)類型、學(xué)習(xí)特征的學(xué)習(xí)需求，又能滿足學(xué)生的一般學(xué)習(xí)需求，怎樣幫助學(xué)習(xí)者找到適合自己的學(xué)習(xí)資源，[3]具有重要的研究意義。個(gè)性化推薦技術(shù)就是通過挖掘?qū)W習(xí)者的屬性特征，分析學(xué)習(xí)者的歷史學(xué)習(xí)記錄，預(yù)測(cè)學(xué)習(xí)者可能感興趣的學(xué)習(xí)資源給目標(biāo)學(xué)習(xí)者。

本文以國(guó)開Moodle學(xué)習(xí)平臺(tái)為依托，通過平臺(tái)真實(shí)數(shù)據(jù)設(shè)計(jì)實(shí)驗(yàn)，對(duì)比分析不同的個(gè)性化推薦技術(shù)，研究選擇恰當(dāng)?shù)耐扑]方法，提高學(xué)習(xí)資源推薦的有效性。

二、研究意義

遠(yuǎn)程教育與普通高校最大的區(qū)別就是教師的導(dǎo)學(xué)作用，因此，教師不僅要對(duì)所有學(xué)生的一般學(xué)習(xí)活動(dòng)有詳細(xì)的了解，更重要的是學(xué)習(xí)平臺(tái)可以為每個(gè)學(xué)生提供個(gè)性化的學(xué)習(xí)服務(wù)，可以針對(duì)不同學(xué)習(xí)者提供符合個(gè)人特征的學(xué)習(xí)資源，發(fā)揮學(xué)習(xí)資源本身對(duì)于學(xué)習(xí)者學(xué)習(xí)的主動(dòng)助推作用。Moodle平臺(tái)可以全面跟蹤和記錄學(xué)習(xí)者的歷史活動(dòng)，其中包括學(xué)生訪問資源的時(shí)間、次數(shù)以及場(chǎng)所，其中積累了大量對(duì)分析學(xué)習(xí)者行為非常有價(jià)值的信息。那么，有效利用這些記錄信息，并從中挖掘出每個(gè)學(xué)習(xí)者的學(xué)習(xí)特征及群體學(xué)習(xí)者之間的相似性，可以有效地為學(xué)生的遠(yuǎn)程主動(dòng)學(xué)習(xí)提供智能化、個(gè)性化的學(xué)習(xí)支持服務(wù)。[4]此時(shí)，采用個(gè)性化推薦技術(shù)來挖掘這些被忽略的有價(jià)值的數(shù)據(jù)，包括學(xué)習(xí)者的屬性特征和學(xué)習(xí)活動(dòng)記錄，來向?qū)W習(xí)者推薦其感興趣的學(xué)習(xí)資源，一方面通過學(xué)習(xí)平臺(tái)為學(xué)習(xí)者提供完全個(gè)性化的信息服務(wù)，另一方面也為教師指導(dǎo)和管理學(xué)生提供了決策支持，同時(shí)也增強(qiáng)了學(xué)習(xí)者利用平臺(tái)開展學(xué)習(xí)的興趣。因此，本研究對(duì)促進(jìn)遠(yuǎn)程教育的發(fā)展具有重要的科學(xué)意義。

三、不同個(gè)性化推薦技術(shù)在遠(yuǎn)程教育中的應(yīng)用分析

1. Moodle中應(yīng)用個(gè)性化推薦技術(shù)三大模塊

（1）數(shù)據(jù)采集及預(yù)處理模塊

獲取Moodle平臺(tái)中每個(gè)學(xué)生的學(xué)習(xí)記錄，包括訪問課程的時(shí)間、閱讀次數(shù)、停留時(shí)間及訪問的URL等，這些歷史日志都為推薦提供了大量的基礎(chǔ)數(shù)據(jù)。然后合并相關(guān)數(shù)據(jù)并清除冗余數(shù)據(jù)，過濾掉多余的數(shù)據(jù)項(xiàng)，通過唯一標(biāo)識(shí)符識(shí)別用戶，為下一步的數(shù)據(jù)分析提供格式化數(shù)據(jù)。[5]

（2）數(shù)據(jù)挖掘推薦模塊

通過個(gè)性化推薦技術(shù)對(duì)學(xué)生信息和學(xué)習(xí)記錄進(jìn)行數(shù)據(jù)挖掘，預(yù)測(cè)學(xué)習(xí)者對(duì)于平臺(tái)學(xué)習(xí)資源的興趣度，將興趣度從大到小的前若干個(gè)學(xué)習(xí)資源作為推薦結(jié)果。

（3）推薦結(jié)果顯示模塊

經(jīng)過推薦模塊后，生成的推薦結(jié)果采用學(xué)習(xí)者易于理解和接受的形式動(dòng)態(tài)地呈現(xiàn)給學(xué)生，應(yīng)用在學(xué)習(xí)者學(xué)習(xí)過程中，為學(xué)習(xí)者提供個(gè)性化學(xué)習(xí)資源和教學(xué)指導(dǎo)。

2.不同個(gè)性化推薦技術(shù)對(duì)比分析

根據(jù)不同的推薦原理，有多種不同的個(gè)性化推薦技術(shù)，其中典型的推薦技術(shù)包括基于人口統(tǒng)計(jì)學(xué)的推薦、基于內(nèi)容的推薦、基于用戶的協(xié)同過濾推薦等。為了給Moodle平臺(tái)的每一位學(xué)習(xí)者提供個(gè)性化的有價(jià)值的學(xué)習(xí)資源服務(wù)，最核心的就是要選取合適的推薦技術(shù)。本文結(jié)合學(xué)習(xí)資源的特殊性，分析對(duì)比幾種不同的個(gè)性化推薦技術(shù)，并力圖找到一種推薦準(zhǔn)確率較高的推薦技術(shù)。

（1）基于人口統(tǒng)計(jì)學(xué)的推薦

它是一種最為簡(jiǎn)單的推薦算法，主要特點(diǎn)是該技術(shù)不依賴于學(xué)習(xí)資源的具體屬性，僅僅通過學(xué)習(xí)者的基本信息就可以推薦。例如，學(xué)習(xí)者A與學(xué)習(xí)者B都具有“工商管理專業(yè)”、“市場(chǎng)營(yíng)銷方向”及“本科”三個(gè)屬性，則系統(tǒng)會(huì)根據(jù)學(xué)習(xí)者間固有屬性相同，給二者推薦相同的學(xué)習(xí)資源。這種推薦算法簡(jiǎn)單，但是算法比較粗糙缺乏精度，同時(shí)學(xué)習(xí)者的個(gè)人信息也較難得到，推薦效果很難令人滿意，不適合于提升學(xué)習(xí)者的主動(dòng)積極性。

（2）基于內(nèi)容的推薦

該方法是第一代推薦領(lǐng)域中應(yīng)用最流行的算法，它根據(jù)用戶過去喜歡的項(xiàng)目，為用戶推薦和他過去喜歡的項(xiàng)目相似的項(xiàng)目，該方法最早主要應(yīng)用于信息檢索及過濾系統(tǒng)，可以僅僅根據(jù)學(xué)習(xí)者個(gè)人的學(xué)習(xí)興趣，給學(xué)習(xí)者合理的推薦理由。但是由于該推薦需將每個(gè)項(xiàng)目抽取出一些特征或?qū)傩詠肀硎?，?yīng)用于學(xué)習(xí)資源推薦難免存在一些缺點(diǎn)：學(xué)習(xí)資源是非結(jié)構(gòu)化資源，屬性復(fù)雜不好處理，非結(jié)構(gòu)化的屬性往往表示其意義不太明確，屬性取值也沒有限制，不方便直接使用。即使可以將非結(jié)構(gòu)化的學(xué)習(xí)資源通過標(biāo)簽進(jìn)行結(jié)構(gòu)化處理形成描述文件，但由于學(xué)習(xí)資源屬性的復(fù)雜性和多維性，抽取屬性僅僅代表資源的一些方面，不可能代表資源的所有方面，無法通過有限的維度來精確識(shí)別某一個(gè)學(xué)習(xí)資源。這樣帶來的直接問題就是：可能從兩個(gè)不同的學(xué)習(xí)資源中抽取出來完全相同的屬性特征，這種情況下基于內(nèi)容的推薦就完全無法區(qū)分這兩個(gè)學(xué)習(xí)資源。[6]

（3）基于用戶的協(xié)同過濾推薦

上述推薦方法，對(duì)于學(xué)習(xí)資源的推薦都具有一定的片面性，而基于用戶的協(xié)同過濾推薦充分考慮了學(xué)習(xí)者在推薦中的核心作用，有效彌補(bǔ)了基于內(nèi)容的推薦的不足之處。協(xié)同過濾是基于一組興趣相同的學(xué)習(xí)者進(jìn)行的推薦，它根據(jù)與目標(biāo)學(xué)習(xí)者興趣相似的鄰居學(xué)習(xí)者的偏好信息，產(chǎn)生對(duì)目標(biāo)學(xué)習(xí)者的推薦列表，其本質(zhì)是從學(xué)習(xí)者的歷史記錄來計(jì)算學(xué)習(xí)者間的相似度，從而進(jìn)行預(yù)測(cè)推薦。該方法最大的優(yōu)點(diǎn)就是能夠處理復(fù)雜結(jié)構(gòu)的項(xiàng)目分析，這剛好適合處理多樣復(fù)雜的學(xué)習(xí)資源;其次，該方法有推薦的新穎能力，可以推薦給學(xué)習(xí)者內(nèi)容上與歷史信息完全不相似的資源，可以發(fā)現(xiàn)學(xué)習(xí)者潛在的但是學(xué)習(xí)者自己尚未發(fā)現(xiàn)的學(xué)習(xí)興趣，引導(dǎo)學(xué)習(xí)者學(xué)習(xí)新的感興趣的資源。

綜合上述三種推薦技術(shù)的優(yōu)缺點(diǎn)，目前從應(yīng)用實(shí)踐上看，基于用戶的協(xié)同過濾推薦是最適合于Moodle平臺(tái)學(xué)習(xí)資源的推薦方法?；谠摲椒?，如何選擇一種合適的相似度度量方法，如何為學(xué)習(xí)者提供最優(yōu)的推薦結(jié)果是下面重點(diǎn)研究的內(nèi)容。

四、實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析

為了驗(yàn)證不同的相似度度量方法推薦學(xué)習(xí)資源的效果，實(shí)驗(yàn)設(shè)計(jì)采用Moodle平臺(tái)真實(shí)數(shù)據(jù)，用平均絕對(duì)偏差作為測(cè)量標(biāo)準(zhǔn)，對(duì)預(yù)測(cè)學(xué)習(xí)者興趣度的實(shí)驗(yàn)結(jié)果進(jìn)行度量，并通過對(duì)比分析選擇有效的相似度計(jì)算方法。

1.實(shí)驗(yàn)設(shè)計(jì)

（1）實(shí)驗(yàn)一

實(shí)驗(yàn)通過三種不同的相似度計(jì)算方法來對(duì)比分析，其中包括皮爾森相關(guān)系數(shù)法、調(diào)整的余弦相似性度量法以及Tanimoto相似度量法，采集國(guó)開Moodle平臺(tái)的1000條學(xué)習(xí)者記錄作為基礎(chǔ)數(shù)據(jù)，為第900個(gè)學(xué)習(xí)者，推薦20個(gè)學(xué)習(xí)資源，其中A-T分別表示編號(hào)從0-19的不同學(xué)習(xí)資源，表格中的數(shù)字代表目標(biāo)學(xué)習(xí)者對(duì)于對(duì)應(yīng)學(xué)習(xí)資源的預(yù)測(cè)評(píng)價(jià)。三種相似度計(jì)算方法對(duì)于同一學(xué)習(xí)者的預(yù)測(cè)興趣度對(duì)比分析結(jié)果如表1所示。

（2）實(shí)驗(yàn)二

實(shí)驗(yàn)進(jìn)行5次，每次隨機(jī)選取學(xué)習(xí)者總數(shù)的30%作為目標(biāo)用戶來產(chǎn)生推薦項(xiàng)目，結(jié)果取平均絕對(duì)偏差MAE的均值，結(jié)果如表2所示。

2.實(shí)驗(yàn)結(jié)果分析

（1）實(shí)驗(yàn)一結(jié)果分析

統(tǒng)計(jì)上表1中數(shù)據(jù)，可以得出如下結(jié)果：采用調(diào)整的余弦相似性和皮爾森相關(guān)系數(shù)法度量學(xué)習(xí)者相似性，預(yù)測(cè)目標(biāo)學(xué)習(xí)者的興趣度產(chǎn)生推薦的結(jié)果中，16個(gè)學(xué)習(xí)資源的預(yù)測(cè)值是相同的;采用皮爾森相關(guān)系數(shù)法和Tanimoto相似度量法度量用戶相似性，預(yù)測(cè)目標(biāo)學(xué)習(xí)者的興趣度產(chǎn)生推薦的結(jié)果中，14個(gè)學(xué)習(xí)資源的預(yù)測(cè)值是相同的;采用Tanimoto相似度量法和調(diào)整的余弦相似性度量用戶相似性，預(yù)測(cè)目標(biāo)學(xué)習(xí)者的興趣度產(chǎn)生推薦的結(jié)果中，15個(gè)學(xué)習(xí)資源的預(yù)測(cè)值是相同的。

以上數(shù)據(jù)可以得出，雖說采用不同的相似度進(jìn)行推薦的結(jié)果存在一定的差異，但是整體上是一致的，不同推薦結(jié)果的相互覆蓋率都超過了75%。這說明通過這三種度量學(xué)習(xí)者間相似性的方法來預(yù)測(cè)其對(duì)于不同資源的興趣度都是比較有效的。為了對(duì)比三種度量方法對(duì)于推薦結(jié)果的性能，設(shè)置實(shí)驗(yàn)二。

（2）實(shí)驗(yàn)二結(jié)果分析

從表2中可見，通過平均絕對(duì)誤差這一評(píng)價(jià)標(biāo)準(zhǔn)，得出Tanimoto相似度量法的性能明顯優(yōu)于其他幾種相似性度量方法。綜合實(shí)驗(yàn)一和實(shí)驗(yàn)二的結(jié)果可知：幾種不同相似度計(jì)算方法的覆蓋率在整體上差別不大，而且都符合推薦系統(tǒng)的正常實(shí)驗(yàn)覆蓋范圍，但是Tanimoto相似度量法的性能相比較而言，從一定程度上提高了推薦的效果和質(zhì)量，減小了推薦產(chǎn)生的偏差。

五、結(jié)束語

本文結(jié)合學(xué)習(xí)資源的具體特性，得出將基于用戶的協(xié)同過濾技術(shù)應(yīng)用于Moodle平臺(tái)最為合適，并通過設(shè)計(jì)兩組不同的實(shí)驗(yàn)，結(jié)果顯示采用Tanimoto相似度量法可以提高推薦性能和推薦效果。因此，在遠(yuǎn)程教育的實(shí)踐應(yīng)用中，在準(zhǔn)確把握個(gè)性化推薦技術(shù)功能特點(diǎn)的基礎(chǔ)上，必須結(jié)合推薦應(yīng)用的具體情境，不斷提升推薦性能，才能最大程度發(fā)揮推薦技術(shù)在遠(yuǎn)程教育的應(yīng)用價(jià)值，為學(xué)習(xí)者和教師提供真正個(gè)性化的智能體系服務(wù)。

參考文獻(xiàn)：

[1]楊志堅(jiān).國(guó)家開放大學(xué)建設(shè)：改革與創(chuàng)新[J].中國(guó)遠(yuǎn)程教育（綜合版），2013（4）.

[2]張雪云，馬志強(qiáng).國(guó)內(nèi)Moodle平臺(tái)研究綜述[J].開放教育研究，2007，13（6）.

[3]陳麗麗.個(gè)性化推薦技術(shù)在B2C教育網(wǎng)站上的應(yīng)用分析[J].時(shí)代教育（教育教學(xué)版），2010（2）.

[4]張國(guó)榮.Moodle平臺(tái)數(shù)據(jù)挖掘方法設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)技術(shù)與發(fā)展，2014（5）.

[5]巫莉莉，張波，李濤.Web數(shù)據(jù)挖掘在遠(yuǎn)程教育個(gè)性化中的應(yīng)用研究[J].微型電腦應(yīng)用，2010，26（2）.

[6]張秀偉，何克清，王健，劉建曉.Web服務(wù)個(gè)性化推薦研究綜述[J].計(jì)算機(jī)工程與科學(xué)，2013，35（9）

（編輯：魯利瑞）