趙呈領，陳智慧，黃志芳

(華中師范大學 教育信息技術學院，湖北 武漢 430079)

適應性學習路徑推薦算法及應用研究*

趙呈領，陳智慧，黃志芳

(華中師范大學 教育信息技術學院，湖北 武漢 430079)

在適應性學習路徑推薦中，推薦算法起著至關重要的作用。本研究從算法性質(zhì)的角度歸類，將學習路徑推薦系統(tǒng)中的推薦算法歸為三大類：智能優(yōu)化算法、數(shù)據(jù)挖掘算法以及基于知識的推薦算法。結合已開發(fā)的學習路徑推薦系統(tǒng)，本文從算法性能、學習路徑推薦中考慮的因素及算法應用三方面進行比較與分析，總結出上述推薦算法在學習路徑推薦中的應用策略和應用中的優(yōu)勢及不足，最后探討了學習路徑推薦的實踐應用價值，以期為適應性學習路徑推薦領域的研究提供有價值的參考與借鑒。

適應性學習；學習路徑；推薦算法

一、問題提出

隨著網(wǎng)絡技術和數(shù)據(jù)挖掘技術的發(fā)展，智能教學系統(tǒng)中個性化學習路徑的尋徑已成為重要課題，選擇合適的學習對象并推薦給學習者是在線學習系統(tǒng)面臨的一個挑戰(zhàn)。目前，在線學習面臨的問題是：信息過載導致學習者找不到適合自己的學習資源，推薦的學習資源不能滿足學習者的個性需求。推薦系統(tǒng)是信息過濾的重要手段，是解決信息過載問題的非常有潛力的方法。因此，適應性學習路徑推薦被認為是解決在線學習中上述問題的有效手段。有關學習路徑的研究較多，然而對各種學習路徑推薦算法進行比較分析的研究并不多。本文對學習路徑推薦算法作了歸納和總結，比較各種算法的優(yōu)勢及適用的范圍，同時結合已開發(fā)的學習路徑推薦系統(tǒng)，歸納出算法在學習路徑推薦中考慮的因素和應用策略，并探討了學習路徑推薦在實踐應用中的價值。

二、適應性學習路徑推薦相關研究概述

適應性學習是遠程教育發(fā)展質(zhì)的飛躍，飛躍的直接促動因素是以計算機、遠程通信及認知科學相結合的“知識媒體”的綜合運用[1]。適應性學習是一種數(shù)字化學習方式[2]，是根據(jù)學習者的個性化特征選擇相適應的學習內(nèi)容和學習方法。SCORM標準中提出，學習路徑(Learning Path)是指學習活動的路線與序列[3]，是學習者在一定的學習策略指導下，根據(jù)學習目標和學習內(nèi)容對所需完成的學習活動的排序。適應性學習推薦系統(tǒng)是為具有不同認知水平、認知風格的學習者提供個性化的學習路徑[4]，是建立在信息檢索和信息過濾技術基礎上的個性化信息服務系統(tǒng)。學習路徑推薦算法是實現(xiàn)個性化學習路徑推薦的關鍵。有關學習路徑推薦的研究中，Brusilovsky[5]利用關聯(lián)規(guī)則推薦學習對象，開發(fā)的超媒體系統(tǒng)存在推薦不全面、不連續(xù)的問題。利用決策模型評估每種學習資源對目標學習者的適合度，可以解決推薦不連續(xù)的問題[6]。利用蟻群算法開發(fā)的基于學習風格的蟻群系統(tǒng)SACS[7]和基于屬性的擴展蟻群系統(tǒng)AACS[8]，考慮了學習風格與學習內(nèi)容特征的匹配，卻忽略了學習者能力與知識結構的適應性。Chen提出考慮學習者的能力能夠促進個性化學習的效果，并開發(fā)了基于項目反應理論的個性化Web操作系統(tǒng)PWIS[9]，在推薦學習路徑時考慮了課程內(nèi)容難度、學習者能力和概念連續(xù)性問題。Ahmad[10]等人利用基于神經(jīng)網(wǎng)絡的算法設計并開發(fā)了多代理在線學習系統(tǒng)，該系統(tǒng)能夠診斷學習者的學習情況，推薦與之能力相當?shù)膶W習材料。近年來學習路徑推薦領域也應用了一些新的推薦算法，如基于情境感知的推薦[11]和Bayesian網(wǎng)絡推理[12]等。

三、學習路徑推薦算法

推薦系統(tǒng)主要分為基于內(nèi)容的推薦系統(tǒng)、協(xié)同過濾推薦系統(tǒng)和基于知識的推薦。本文從實現(xiàn)推薦的具體算法角度思考，參照路徑規(guī)劃相關算法的分類，將學習路徑推薦算法分為三大類：智能優(yōu)化算法、數(shù)據(jù)挖掘算法和基于知識的推薦算法。

(一)智能優(yōu)化算法

智能優(yōu)化算法又稱啟發(fā)式算法，在求解問題時是讓問題的解朝著一個更優(yōu)的方向移動，沒有固定的最佳解，具有全局優(yōu)化性能、通用性強且適合于并行處理的特點。學習路徑推薦領域用到的智能優(yōu)化算法有遺傳算法、蟻群算法和粒子群算法。

1.遺傳算法

遺傳算法(Genetic Algorithm)是一種隨機搜索啟發(fā)式算法[13]，特點是直接對結構對象進行操作，沒有函數(shù)求導的限制，采用概率化尋優(yōu)的方式并行搜索。遺傳算法推薦學習路徑的原理是，結構化編碼學習路徑中的染色體，根據(jù)適應度函數(shù)F(x)計算適應度值，應用“自然選擇”的思想從種群中依據(jù)概率隨機選取，選擇概率P=F(x)/ΣF(x)，對優(yōu)秀個體進行選擇、交叉和變異操作，產(chǎn)生新一代的候選解群，從中挑選優(yōu)秀個體重復遺傳操作，直到滿足某種收斂指標為止。

2.蟻群算法

蟻群算法(Ant Colony Optimization)是一種基于種群尋找最短路徑的啟發(fā)式搜索算法[14]，算法通用性強，利用正反饋原理自適應的解決問題。個體運動過程中會在路徑上留下信息素，其他個體會根據(jù)信息素濃度選擇前進的路線。蟻群算法中路徑轉(zhuǎn)移概率公式和信息素的更新公式如公式(1)所示：

信息素更新公式如公式(2)所示：

信息素τ表示某時刻節(jié)點i與節(jié)點間的信息量啟發(fā)信息，η表示節(jié)點轉(zhuǎn)移的期望程度，α、β是常數(shù)。ρ(0 ＜ρ＜ 1)表示信息素揮發(fā)因子，τ0表示局部更新的常數(shù)，是信息素的初始值。

3.粒子群算法

粒子群算法PSO(Particle Swarm Optimization)是模擬鳥群覓食的一種基于迭代的優(yōu)化算法，在解決復雜的組合優(yōu)化類問題方面具有優(yōu)越性。算法基本思想是粒子通過與群體的信息交換，比較個體信息pb和全局極值gb，隨時調(diào)整飛行方向和速度，相互引導使整體聚集至高質(zhì)量解的區(qū)域。速度更新公式如公式(3)所示，w0是慣性權重，c1、c2是加速常數(shù)，取值范圍是(0,2)，r1和r2是隨機數(shù)，控制粒子的運動方向。

(二)數(shù)據(jù)挖掘算法

數(shù)據(jù)挖掘算法主要應用在分類分析、聚類分析、關聯(lián)分析、序列模式分析等方面，是基于大量的數(shù)據(jù)挖掘有用信息，創(chuàng)建模型，根據(jù)模型對數(shù)據(jù)的發(fā)展趨勢進行預測。學習路徑推薦中用到的數(shù)據(jù)挖掘算法包括人工神經(jīng)網(wǎng)絡、AprioriAll算法和Bayesian網(wǎng)絡。

1.人工神經(jīng)網(wǎng)絡

人工神經(jīng)網(wǎng)絡 ANN(Artificial Neural Network)是從數(shù)據(jù)中學習并對數(shù)據(jù)進行推斷和處理的一種智能技術。算法根據(jù)行為數(shù)據(jù)建立人工神經(jīng)網(wǎng)絡模型預測學習行為，數(shù)據(jù)從輸入層進入，經(jīng)過隱藏層函數(shù)處理，最后從輸出層輸出推薦的路徑。通過計算推薦路徑和實際選擇路徑的差異，調(diào)節(jié)網(wǎng)絡節(jié)點權值，修正模型。

行為處理函數(shù)如公式(4)所示：

誤差函數(shù)如公式(5)所示：

公式中Opj為模式p輸入至網(wǎng)絡節(jié)點j的輸出，Wji為節(jié)點i到節(jié)點j的連接權值，ε2是誤差的方差值。

2.AprioriAll算法

AprioriAll 算法源于IBM 研究中心Agrawal 等人設計的經(jīng)典序列模式發(fā)現(xiàn)算法[15]。算法的基本思想是根據(jù)關鍵字排序遍歷數(shù)據(jù)庫記錄，測試每個子序列集的支持度和置信度，從而選出頻繁項集。由于遍歷數(shù)據(jù)庫產(chǎn)生頻繁項集，在計算的過程中會產(chǎn)生很大的空間開銷。AprioriAll算法推薦學習路徑需統(tǒng)計和分析群體學習行為數(shù)據(jù)，把學習者行為序列利用規(guī)則分解為各種長度的序列模式，計算各個子序列(知識點的學習順序i-＞j)的支持度和置信度，依據(jù)頻繁項序列進行推薦。

3.Bayesian網(wǎng)絡

Bayesian網(wǎng)絡是基于概率推理、發(fā)現(xiàn)數(shù)據(jù)中的潛在關系的方法。對給定的訓練集數(shù)據(jù)，計算一組事件發(fā)生的概率和事件發(fā)生的條件概率，依據(jù)概率構建貝葉斯網(wǎng)絡模型，預測類成員的對應關系。依據(jù)學生特征計算學生特征術語與學習資源術語間的相似度，然后利用Bayesian概率計算學生類型發(fā)生的概率、特征的概率以及學習資源的選擇概率，進而從學習資源庫中選擇后驗概率最大的個性化學習資源。

全概率公式如公式(6)所示：

條件概率公式如公式(7)所示:

(三)基于知識的推薦算法

基于知識的推薦與前面兩類推薦算法不同，是針對特定領域采用統(tǒng)一的知識表示方式標注知識對象，能夠解釋需求和推薦的關系。

1.基于語義本體的推理

基于語義本體(Ontology)推理的方法是一種基于推理規(guī)則的靜態(tài)推理方法，用本體語言(如OWL)描述術語的含義和它們之間的關系，信息都被賦予明確的含義且能夠被計算機所理解?；诒倔w語義的推理方法是在本體構建軟件protégé中對提取出的實體或關鍵詞進行語義描述，添加屬性和結構化分類，定義語義概念范圍和概念間的約束關系，形成具有語義本體知識模型，根據(jù)本體庫中設定的推理規(guī)則進行語義匹配，利用Jena推理機實現(xiàn)推理過程并將推薦結果可視化的呈現(xiàn)出來。

2.基于情境感知的推薦

情境感知技術是情境感知推薦系統(tǒng)CARS(Contextaware Recommender Systems)的研究重點，主要研究如何根據(jù)情境用戶偏好模型，結合當前情境預測用戶潛在偏好并產(chǎn)生推薦[16]。在學習路徑推薦領域，情境感知推薦是通過跟蹤、分析學習者的行為偏好，建立多維評分效用模型。在推薦過程中利用線性加權或直接過濾的方法對情境信息進行過濾，推薦項目列表依據(jù)過濾后的概率重新排序，把評價高的資源推薦給學習者。在實際應用中，多數(shù)基于情境感知的推薦是在傳統(tǒng)推薦算法的基礎上用情境信息進行過濾，情境的形式化 定 義 ：C=(C1,…,Cn),i=1,…n，每個屬性都有一組可選的值：Ci=(Ci1,Ci2…,Cis,…,Cik)，s=1,…k，用戶偏好程度計算公式如(8)所示：

rrj表示用戶i對學習對象j的偏愛程度，wk是權重，rk是用戶的評分數(shù)據(jù)，據(jù)此得到用戶的偏好矩陣MR。

四、學習路徑推薦算法的比較與分析研究

每種推薦算法都存在各自的特點，有不同的數(shù)據(jù)處理方式和適用范圍，推薦的效率也有不同。此部分將從算法本身的性能和在學習路徑推薦應用中參數(shù)處理兩個方面來進行比較分析，以期后續(xù)研究學習路徑推薦的學者能夠有針對性地進行研究。

(一)算法性能比較

算法性能方面，本文從參數(shù)設置、求解效率、空間開銷、算法的魯棒性和優(yōu)勢與不足幾個維度進行比較，如表1所示。算法魯棒性均較好，蟻群算法、粒子群算法和AprioriAll三者搜索效率相對較低[17]。算法的復雜度會影響算法的求解效率，空間開銷也是影響算法質(zhì)量的一個重要因素。相對而言，由于基于語義本體的推理只需要建立簡單的規(guī)則，算法復雜度和空間開銷均較小。智能優(yōu)化算法在組合優(yōu)化方面具有優(yōu)勢，遺傳算法更擅長處理結構化的問題，蟻群算法依據(jù)概率選擇方向使得算法在動態(tài)組合優(yōu)化的問題上更具優(yōu)勢，粒子群算法是群體中相互交流信息，隨時更改位置和速度，更適合處理連續(xù)優(yōu)化問題。AprioriAll算法、人工神經(jīng)網(wǎng)絡和Bayesian網(wǎng)絡算法是數(shù)據(jù)挖掘算法中的經(jīng)典算法，是基于數(shù)據(jù)學習分析的方法，適合對大量數(shù)據(jù)進行分類、聚類、分析和預測。相對而言，AprioriAll算法是對數(shù)據(jù)序列進行處理，更適合稀疏數(shù)據(jù)集的處理，隨著問題規(guī)模增大，空間開銷呈指數(shù)增大。人工神經(jīng)網(wǎng)絡和Bayesian網(wǎng)絡在復雜數(shù)據(jù)中更具優(yōu)勢，且準確性高。Bayesian網(wǎng)絡是依據(jù)條件概率預測結果，特別在數(shù)據(jù)的因果關系分析問題上更有優(yōu)勢?；谇榫掣兄耐扑]算法獲取情境信息是關鍵，利用情境信息對數(shù)據(jù)進行過濾，推薦結果更合理?；谡Z義本體的推薦算法用語義描述對象能夠讓計算機理解，人工標注知識本體并設置約束規(guī)則，依據(jù)規(guī)則推理出的結果容易產(chǎn)生不一致和不全面的問題[18]。

表1 算法性能比較

(二) 學習路徑推薦中考慮的因素比較

學習推薦系統(tǒng)是為不同的學習者量身定制不同的學習路徑，推薦的路徑需要高效并且適應性強。適應性的學習路徑需要依據(jù)學習者自身的各種因素以及能夠影響學習者學習的因素綜合考慮，推薦的學習路徑才會符合學習者需求。算法由于固定的公式或本身的局限性，不可能把所有影響因素都考慮周全。本文結合開發(fā)的學習路徑推薦系統(tǒng)和相關算法研究，將算法在學習路徑推薦應用中考慮的因素從三個方面做了統(tǒng)計歸納：學習者因素、學習對象和情境因素，如表2所示。

表2 學習路徑推薦算法考慮到的因素

從表2可知，學習者因素中包括學習風格、行為偏好、認知水平和群體參考四個部分。行為偏好指學習者喜歡的學習方式，對不同學習內(nèi)容偏向的活動序列，比如學習一個新實驗，更偏向自己動手做、總結、然后討論結果等。上述學習路徑推薦算法中，只有人工神經(jīng)網(wǎng)絡算法考慮了學習者的行為偏好用于建立偏好模型，該算法考慮的因素較全面，采用多代理的思想處理數(shù)據(jù)，推薦的結果相對精確。遺傳算法由于本身結構化的特點，在推薦學習路徑時沒能充分的考慮到學習風格、學習偏好等個性化因素，開發(fā)的在線學習系統(tǒng)PLS-ML[19]和PELS[20]是根據(jù)測試結果推薦與未掌握內(nèi)容相關的學習資源。認知水平是指學習者對知識的掌握程度，是學習能力的體現(xiàn)，學習者能力是影響學習效果的一個重要因素。適應性學習路徑推薦系統(tǒng)中推薦的學習內(nèi)容難度應該與學習者的認知水平相適應。蟻群算法和語義本體推薦算法只是粗略了標記了內(nèi)容的難度等級，沒有充分考慮難度與學習者認知水平的適應性，開發(fā)的學習推薦系統(tǒng)沒有真正體現(xiàn)適應性。群體參考是指在推薦時參考群體學習路徑或者評價等信息，蟻群算法直接利用相似學習者的學習路徑進行推薦，AprioriAll算法[21]也是根據(jù)群體中的學習序列采用頻率進行推薦，導致路徑趨于大眾化，沒有充分體現(xiàn)個性化路徑。人工神經(jīng)網(wǎng)絡和Bayesian網(wǎng)絡參考群體信息是為了建立學習偏好模型，根據(jù)學習偏好模型完成個性化的學習路徑推薦。學習對象間的約束關系即知識點之間的邏輯關系，知識點是通過媒體資源來呈現(xiàn)的，不同的學習風格偏向的媒體的表現(xiàn)形式不同，不同知識點也有其最佳的表現(xiàn)形式，適應性的學習推薦就應該根據(jù)學習者個性需求推薦最佳的內(nèi)容和資源。情境因素包括物理情境和邏輯情境，物理情境采集通過軟件代理技術獲得，邏輯情境通過推理可以得到[22]。表2中僅情境感知推薦算法考慮了情境因素，利用情境信息過濾會使推薦結果更精確。

五、學習路徑推薦算法應用研究

學習路徑推薦算法是學習推薦系統(tǒng)的核心模塊，諸多學者利用這些算法實現(xiàn)了推薦系統(tǒng)的搭建，此部分從學習路徑推薦算法應用策略和實踐應用價值兩方面展開闡述。

(一)學習路徑推薦算法應用策略

個性化推薦應具有領域適應性，不是所有的領域都適用學習路徑推薦。此部分將學習路徑推薦算法的應用策略歸納為三種：基于特征屬性的推薦、基于學習模型的推薦和基于群體路徑的推薦，如表3所示。介紹了算法應用中的關鍵操作和已開發(fā)學習路徑推薦系統(tǒng)，簡單概括了系統(tǒng)功能的優(yōu)勢。

表3 學習路徑推薦算法應用

續(xù)表3

1.特征屬性匹配策略

特征屬性的匹配策略是根據(jù)學習者特征屬性或偏好，建立學習者與學習對象特征的關聯(lián)，把相似屬性的學習對象推薦給學習者。此種推薦策略要求目標項的特征容易提取且能夠量化計算。由表3可知，利用特征屬性匹配策略開發(fā)出的推薦系統(tǒng)個性化在線學習系統(tǒng)PELS、動態(tài)組卷生成系統(tǒng)DQGS[23]和蟻群系統(tǒng)SACS、AACS均是依據(jù)某個特征或?qū)傩酝瓿赏扑]的，其中PELS是根據(jù)錯答知識點的關鍵詞推薦與之相關的內(nèi)容，DQGS是根據(jù)難度系數(shù)和知識點關鍵詞與題庫匹配動態(tài)組成試卷，SACS和AACS則分別是依據(jù)學習風格特征和學習對象屬性匹配完成推薦?；谡Z義本體和概念圖開發(fā)的CLS系統(tǒng)，也是根據(jù)本體中類的屬性范圍約束完成學習路徑的推理。遺傳算法、蟻群算法和粒子群算法都是仿生智能優(yōu)化算法，有固定的公式和操作過程，在應用過程中只需要根據(jù)實際問題對相關參數(shù)進行適當?shù)男薷?。應用遺傳算法需解決的是候選解與染色體之間的映射關系、基因結構組合和群體大小等問題，適應性函數(shù)是影響解質(zhì)量的關鍵因素。常采用二進制對問題進行編碼，簡單易行，種群大小范圍在0-200內(nèi)較好。對于簡單問題，可用一組節(jié)點構成一個染色體，利用數(shù)學函數(shù)值作為適應性函數(shù)即可；對于復雜問題，可將染色體看成由幾部分組成的一個體系結構，每個部分都是一個影響因素，適應性函數(shù)可采用這幾個影響因素的線性權值組合。蟻群算法是依據(jù)概率轉(zhuǎn)移公式逐步完成求解過程，概率由信息素和啟發(fā)信息決定。應用蟻群算法時需知信息素是動態(tài)更新的，啟發(fā)信息則相對穩(wěn)定，如把學習者與學習對象的特征匹配值作為信息素，知識點關聯(lián)程度作為啟發(fā)信息。蟻群算法最大的特點是隨時根據(jù)整體情況計算轉(zhuǎn)移概率，因此處理動態(tài)組合問題有很大優(yōu)勢。粒子群算法的速度公式參數(shù)較多，在應用過程中往往需要調(diào)節(jié)參數(shù)組合，如在算法運行的初始階段需要較大的慣量權重w和速系數(shù)c1，使得算法能夠有更大的全局探索能力，避免陷入局部最優(yōu)，在后期收斂狀態(tài)需要將w和c1適當減小，加快收斂獲得優(yōu)解。本體語義能夠準確描述對象屬性，本質(zhì)上是靠屬性的約束關系實現(xiàn)推理，常與概念圖[24]、領域建模[25]相結合進行推薦。

2.基于學習模型的推薦策略

建立學習偏好模型是以大量的歷史數(shù)據(jù)作為依據(jù)，利用數(shù)據(jù)挖掘算法處理學習行為數(shù)據(jù)，挖掘數(shù)據(jù)的分類模式和規(guī)律，建立學習偏好模型，依據(jù)偏好模型預測學習者可能選擇的學習對象從而實現(xiàn)推薦。此推薦策略無需確定的規(guī)則，需要對數(shù)據(jù)進行分類和概率計算。表3中利用人工神經(jīng)網(wǎng)絡算法開發(fā)的多代理學習推薦系統(tǒng)MAPLS模擬教師推薦Java課程學習路徑，是用決策模型完成路徑的抉擇；人工神經(jīng)網(wǎng)絡算法是對行為特征發(fā)生的規(guī)律建立分類并加以權重，依據(jù)行為特征分類和權重建立學習者和學習行為活動間的決策模型，依據(jù)行為處理函數(shù)處理輸入數(shù)據(jù)得到預測結果，利用誤差函數(shù)計算預測結果與實際選擇路徑的偏差，反向調(diào)整模型中的節(jié)點權重。也有學者利用模糊邏輯“if-then”規(guī)則處理行為推理[26]。Bayesian網(wǎng)絡推理[27]有所不同的是根據(jù)Bayesian概率公式求解事件發(fā)生的條件概率，建立學習者和學習資源間概率關聯(lián)，根據(jù)概率關聯(lián)網(wǎng)絡建立Bayesian網(wǎng)絡模型?；谇榫掣兄耐扑]要對情境信息建模，建立用戶的偏好模型。過濾信息的策略主要分為三種：情境預過濾、情境后過濾和耦合多維情境信息的推薦。適應性泛在學習系統(tǒng)AULS[28]采用的是情境預過濾、先獲取情境信息過濾掉與情境不相關的內(nèi)容，再依據(jù)推薦算法有針對性的推薦適合當前情境的信息。建立學習模型是一項比較難的工作，目前利用學習模型開發(fā)出并應用于實踐的的學習路徑推薦系統(tǒng)較少，諸多研究者都是從理論分析或者實驗驗證的基礎上展開研究，可嘗試借助數(shù)學建模軟件構建學習模型。

3.基于序列頻率的推薦策略

基于序列頻率的推薦是根據(jù)群體中路徑序列的頻率進行推薦，而不是路徑節(jié)點的單點頻率。AprioriAll算法是經(jīng)典的序列挖掘算法，利用關聯(lián)序列規(guī)則統(tǒng)計學習序列的頻率，計算子序列的支持度和置信度，把路徑按關聯(lián)序列歸類，依據(jù)支持度最大的序列完成推薦?；趨f(xié)同過濾的序列模式推薦系統(tǒng)SPR[29]在統(tǒng)計序列模式時，采用“精簡策略”提高算法效率。精簡策略是指在算法中加入判斷，如果子序列不是頻繁項序列，那么其父序列一定不是頻繁序列。在處理頻繁序列時，也可采用Top-N思想綜合考慮多個頻繁項序列，避免推薦結果大眾化?；谌后w學習路徑序列的推薦思想非常簡單，需要對大量的行為序列進行統(tǒng)計分析才能夠得到比較準確的關聯(lián)序列路徑，但隨著問題規(guī)模的增大，算法的空間復雜度呈指數(shù)增長。

(二)學習路徑推薦實踐應用探討

學習路徑是將學習的資源、方法、程序、目標、評價、監(jiān)控等有機整合在一起，把教學內(nèi)容以不同的教學策略呈現(xiàn)給學生，實現(xiàn)個性化的學習。利用各種算法開發(fā)學習路徑推薦系統(tǒng)在教育領域的作用和意義主要體現(xiàn)在下面幾方面。

1.合理配置資源，提高資源的使用效率

學習資源的合理配置、綜合開發(fā)和有效使用是我國遠程教育發(fā)展的重要內(nèi)容。網(wǎng)絡上的學習資源豐富，資源質(zhì)量良莠不齊。適應性學習路徑推薦就是對學習資源進行過濾和整合的過程，把網(wǎng)絡上的優(yōu)秀資源或開發(fā)的校本課程資源組織起來推薦給學習者學習，使學習者擁有對優(yōu)秀資源更多的選擇權和使用權，可以在任何時間選擇資源進行學習。在宏觀方面，適應性學習路徑推薦能夠聚合優(yōu)秀資源，使資源得到合理的配置和有效整合，提高優(yōu)秀資源的使用效率；微觀方面，促進學習者提高學習效率，不用花費大量時間在海量的資源中尋覓就可以使用到優(yōu)秀的學習資源。

2.促進學習者的個性化學習，提高學習效率

個性化學習是遠程教育模式提倡的模式之一，豐富的學習資源和多樣化的學習模式是個性化學習追求的目標。適應性學習路徑推薦系統(tǒng)資源豐富、交互性好，個性化的學習路徑推薦使學習者的個性在學習過程中得以充分體現(xiàn)。適應性學習推薦可以根據(jù)學習者的學習行為記錄和反饋信息，自動分析并挖掘出學習者的學習偏好和學習需求，及時調(diào)整學習內(nèi)容和學習方案，向?qū)W習者推薦個性化學習路徑和符認知水平的學習內(nèi)容，給學習者指引學習方向，幫助學習者建立良好的知識體系，優(yōu)化知識結構，避免知識迷航。適應性學習內(nèi)容的動態(tài)組織和快速的反饋機制使學習者有針對性進行學習和復習，突破重難點知識，提高學習效果。同時，學習者可以自己選擇學習目標，根據(jù)自己的知識結構選擇學習內(nèi)容并制定學習計劃，提高了自主學習能力。適應性學習路徑推薦系統(tǒng)中學習者之間可以交流討論，協(xié)作共享，讓學習者從不同角度去認識知識并豐富知識結構。

3.提供學習分析的依據(jù)

《地平線報告》在 2012 版中將學習分析定義為：通過收集來自學生的大量數(shù)據(jù)進行分析，從而對其學術表現(xiàn)進行評價和預測，并發(fā)現(xiàn)潛在的問題。通過定義可知，學習分析是利用學習分析技術，對學習者學習活動的有關數(shù)據(jù)進行分析，對學習者的學習結果進行評估并預測學習行為的過程。學習路徑推薦系統(tǒng)能夠跟蹤學習者的學習進展，自動記錄學習者的學習內(nèi)容、學習時間、登陸次數(shù)、學習績效等行為信息，通過對記錄數(shù)據(jù)的分析，把分析結果反饋給教師，教師可以改進教學，及時調(diào)整教學策略，優(yōu)化教學過程，從而提高教學效果。管理員根據(jù)數(shù)據(jù)分析結果，及時修訂學習資源，刪除學生不感興趣的資源，優(yōu)化學習空間，進一步實現(xiàn)支持服務。

六、總結

適應性學習路徑推薦是解決信息超載和信息迷航的有效方法和手段，在很大程度上促進了信息時代個性化學習的發(fā)展。適應性學習路徑推薦系統(tǒng)包括三大核心模塊：學生模型、知識模型和學習路徑推薦算法，其中推薦算法是連接學生模型和知識模型的橋梁，在適應性學習路徑推薦系統(tǒng)中起著至關重要的作用，決定著適應性推薦的效率與效果。本文對學習路徑相關領域的研究進展進行了歸納總結，對學習路徑推薦算法從算法性能、學習路徑推薦中考慮的因素和算法應用的優(yōu)勢與不足等方面進行了比較與分析，結合目前開發(fā)的比較典型的學習路徑推薦系統(tǒng)，闡述算法在路徑推薦中的應用策略和在實踐應用中的價值。在后續(xù)的研究中，將對適應性學習路徑推薦系統(tǒng)進行深入分析，優(yōu)化算法構建適用于初中物理的適應性學習路徑推薦系統(tǒng)。

[1]余勝泉.適應性學習——遠程教育發(fā)展的趨勢[J].開放教育研究,2000,(3):12-15.

[2]張家華,張劍平.適應性學習支持系統(tǒng)：現(xiàn)狀、問題與趨勢[J].現(xiàn)代教育技術,2009,(2):18-20.

[3]彭紹東.基于SCORM標準的“學習路徑”設計[J].現(xiàn)代教育技術,2010,(8):114-119.

[4]黃伯平,趙蔚,余延冬.自適應學習系統(tǒng)參考模型比較分析研究[J].中國電化教育,2009,(8):97-101.

[5]Brusilovsky P.Adaptive and intelligent technologies for web-based eduction[J].KI,1999,13(4):19-25.

[6]Karampiperis P,Sampson D.Adaptive learning resources sequencing in educational hypermedia systems[J].Educational Technology amp;Society,2005,8(4):128-147.

[7]Wang T I,Wang K T,Huang Y M.Using a style-based ant colony system for adaptive learning[J].Expert Systems with Applications,2008,34(4):2449-2464.

[8]Yang Y J,Wu C.An attribute-based ant colony system for adaptive learning object recommendation[J].Expert Systems with Applications,2009,36(2):3034-3047.

[9]Chen C M,Lee H M,Chen Y H.Personalized e-learning system using item response theory[J].Computers amp; Education,2005,44(3):237-255.

[10]Baylari A,Montazer G A.Design a personalized e-learning system based on item response theory and artificial neural network approach[J].Expert Systems with Applications,2009,36(4):8013-8021.

[11]Carchiolo V,Longheu A,Malgeri M.Reliable peers and useful resources:Searching for the best personalised learning path in a trustand recommendation-aware environment[J].Information Sciences,2010,180(10):1893-1907.

[12]Li B H,Li Z G.Improved algorithm based on mutual information for learning Bayesian network structures in the space of equivalence classes[J].Multimedia Tools and Applications,2012,60(1):129-137.

[13]葛繼科,邱玉輝,吳春明,蒲國林.遺傳算法研究綜述[J].計算機應用研究,2008,(10):2911-2916.

[14]程巖.在線學習中基于群體智能的學習路徑推薦方法[J].系統(tǒng)管理學報,2011,(2):232-237.

[15]王新勇.自適應學習系統(tǒng)中序列挖掘算法研究[D].長春:東北師范大學,2008.

[16]馮鵬程.基于情境感知的個性化推薦算法的研究[D].上海:東華大學,2014.

[17]任磊.推薦系統(tǒng)關鍵技術研究[D].上海:華東師范大學,2012.

[18]Chu K K,Lee C I,Tsai R S.Ontology technology to assist learners’navigation in the concept map learning system[J].Expert Systems with Applications,2011,38(9):1293-1299.

[19]Huang M J,Huang H S,Chen M Y.Constructing a personalized e-learning system based on genetic algorithm and case-based reasoning approach[J].Expert Systems with Applications,2007,33(3):551-564.

[20]Chen C M.Intelligent web-based learning system with personalized learning path guidance[J].Computers amp; Education,2008,51(2):787-814.

[21]姜強.自適應學習系統(tǒng)支持模型與實現(xiàn)機制研究[D].長春:東北師范大學,2012.

[22]胡慕海,蔡淑琴,張宇.面向個性化推薦的情境化用戶偏好研究[J].情報雜志,2010,(10):157-162.

[23]Cheng S C,Lin Y T,Huang Y M.Dynamic question generation system for web-based testing using particle swarm optimization[J].Expert Systems with Applications,2009,36(1):616-624.

[24]Chen C M.Ontology‐based concept map for planning a personalized learning path[J].British Journal of Educational Technology,2009,40(6):1028-1058.

[25]鄭曉娟.基于領域本體的個性化推薦系統(tǒng)研究與應用[D].武漢:武漢理工大學,2009.

[26]朱建東,劉名卓,蔣麗麗.基于神經(jīng)模糊方法的數(shù)字化學習路徑的優(yōu)化選擇[J].情報雜志,2010,(8):114-118.

[27]Xu J,Wu S,Hong Y.Topic tracking with Bayesian belief network[J].Optik-International Journal for Light and Electron Optics,2014,125(9):2164-2169.

[28]Wang S L,Wu C Y.Application of context-aware and personalized recommendation to implement an adaptive ubiquitous learning system[J].Expert Systems with Applications,2011,8(9):831-838.

[29]Salehi M,Kamalabadi I N,Ghoushchi M B G.Personalized recommendation of learning material using sequential pattern mining and attribute based collaborative filtering[J].Education and Information Technologies,2014,19(4):713-735.

趙呈領：教授，博士生導師，研究方向為教育技術學理論、方法與應用、信息技術與課程整合研究(zhcling@mail.ccnu.edu.cn)。

陳智慧：在讀碩士，研究方向為教育信息資源設計與開發(fā)(chzhhui@mails.ccun.edu.cn)。

黃志芳：在讀博士，研究方向為教育技術學理論、方法與應用、數(shù)字化學習資源建設、適應性學習路徑推薦等(huangzhifang1982@163.com)。

2015年4月27日

責任編輯：趙興龍

Recommendation Algorithm and Application of Adaptive Learning Path

Zhao Chengling,Chen Zhihui,Huang Zhifang
(School of Educational Information Technology,Central China Normal University,Wuhan Hubei 430079)

In the adaptive learning path recommendation,the recommendation algorithm plays a vital role.From the perspective of the nature of algorithm,the recommendation algorithm in learning path recommendation system are grouped into three categories:swarm intelligence optimization algorithm,data mining algorithms and knowledge-based recommendation algorithm.Combined with the developed recommendation system,the paper compared and analyzed from three aspects including performance of the algorithm,the parameter settings in the learning path recommendation and the application.the paper summarized the application strategies of relevant algorithm in the learning path recommendation,as well as the strengths and weaknesses in the application,and discussed the practical application value of learning path recommendation to provide valuable information and reference for research in the fi eld of adaptive learning path recommendation.

Adaptive Learning; Learning Path; Recommendation Algorithm

G434

A

1006—9860(2015)08—0085—07

* 本文系國家自然科學基金項目“面向Web信息的知識融合關鍵技術研究”(項目編號：61272205)研究成果。