高曉波+方獻(xiàn)梅

摘要：大數(shù)據(jù)環(huán)境下，從海量學(xué)習(xí)資源中為學(xué)習(xí)者提供個(gè)性化的資源推薦服務(wù)可提高學(xué)習(xí)效率?？紤]到不同區(qū)域的人具有不同的文化背景，人們對事物的喜好具有區(qū)域性，以及提供個(gè)性化推薦通常面臨數(shù)據(jù)稀疏和冷啟動的問題，提出使用因子分解機(jī)，綜合考慮學(xué)習(xí)者的知識基礎(chǔ)、興趣、文化和時(shí)間因素，借助學(xué)習(xí)者所處區(qū)域的文化背景，選出與其有相同或相似文化背景的學(xué)習(xí)者，并結(jié)合學(xué)習(xí)者最佳學(xué)習(xí)時(shí)間及學(xué)習(xí)體系結(jié)構(gòu)，以提高個(gè)性化學(xué)習(xí)資源推薦的質(zhì)量。實(shí)驗(yàn)結(jié)果表明，該方法在一定程度上提高了推薦準(zhǔn)確率。

關(guān)鍵詞：學(xué)習(xí)資源；個(gè)性化學(xué)習(xí)；因子分解機(jī)

DOIDOI：10.11907/rjdk.171135

中圖分類號：TP319

文獻(xiàn)標(biāo)識碼：A 文章編號：1672-7800（2017）006-0063-03

0 引言

隨著通信技術(shù)的發(fā)展和移動終端的普及，移動學(xué)習(xí)已成為現(xiàn)實(shí)。移動學(xué)習(xí)讓學(xué)習(xí)者可以隨時(shí)隨地按需學(xué)習(xí)，實(shí)現(xiàn)個(gè)性化學(xué)習(xí)。如今網(wǎng)絡(luò)上的學(xué)習(xí)資源越來越多，學(xué)習(xí)者在大量的信息空間中，很難找到所需要的、對自己有幫助的學(xué)習(xí)資源，而且網(wǎng)絡(luò)上的教學(xué)資源水平參差不齊，學(xué)習(xí)者要花費(fèi)大量時(shí)間和精力進(jìn)行甄別選擇，這無疑會降低學(xué)習(xí)者的學(xué)習(xí)效率，甚至影響學(xué)習(xí)者的學(xué)習(xí)興趣。從海量學(xué)習(xí)資源中挖掘出用戶感興趣的學(xué)習(xí)資源并進(jìn)行個(gè)性化推薦，有助于提高學(xué)習(xí)者的學(xué)習(xí)效率。

推薦系統(tǒng)通過挖掘用戶與項(xiàng)目之間的二元關(guān)系，幫助用戶從海量數(shù)據(jù)中便捷發(fā)現(xiàn)其感興趣的對象并生成個(gè)性化推薦列表以滿足其興趣偏好[1]，主要應(yīng)用于電子商務(wù)領(lǐng)域。但知識的構(gòu)建過程有別于消費(fèi)過程，學(xué)習(xí)資源推薦也就有別于商品推薦，課程學(xué)習(xí)具有其知識體系結(jié)構(gòu)，遵循由易到難、循序漸進(jìn)等固有的規(guī)律，因而學(xué)習(xí)推薦不能僅從學(xué)習(xí)者的偏好進(jìn)行推薦，還需考慮各知識點(diǎn)的銜接順序、學(xué)習(xí)者的學(xué)習(xí)背景，故學(xué)習(xí)資源推薦較網(wǎng)上購物推薦更為復(fù)雜。本文引入因子分解機(jī)，結(jié)合學(xué)習(xí)者的年齡、學(xué)習(xí)者所處位置、時(shí)間、學(xué)習(xí)資源屬性等因素，實(shí)現(xiàn)向?qū)W習(xí)者在適當(dāng)?shù)臅r(shí)間、地點(diǎn)推薦適當(dāng)?shù)膶W(xué)習(xí)資源，并有效緩解數(shù)據(jù)稀疏問題，提高學(xué)習(xí)資源推薦的質(zhì)量和效率。

1 文獻(xiàn)綜述

個(gè)性化推薦用于解決大數(shù)據(jù)環(huán)境下的信息過載問題。個(gè)性化推薦技術(shù)主要有基于內(nèi)容的推薦、基于規(guī)則的推薦、協(xié)同過濾推薦和混合推薦。基于內(nèi)容的推薦需要分析資源內(nèi)容信息，根據(jù)資源內(nèi)容與用戶興趣的相似性為用戶提供推薦，性能較低、準(zhǔn)確率不高?；谝?guī)則的推薦技術(shù)挖掘項(xiàng)目間的關(guān)聯(lián)規(guī)則和用戶間的關(guān)聯(lián)規(guī)則并保存，然后通過保存的這些規(guī)則為當(dāng)前用戶提供推薦，隨著事務(wù)的增加，規(guī)則的發(fā)現(xiàn)非常耗時(shí)。協(xié)同過濾推薦技術(shù)最早出現(xiàn)于Tapestry系統(tǒng)[2]，用于過濾郵件。協(xié)同過濾分為基于用戶的協(xié)同過濾和基于項(xiàng)目的協(xié)同過濾，前者認(rèn)為如果用戶對一些項(xiàng)目的評分相似，則對其它項(xiàng)目的評分也相似；后者認(rèn)為用戶對不同項(xiàng)目的評分存在相似性，當(dāng)需要估計(jì)用戶對某個(gè)項(xiàng)目的評分時(shí)，可以使用用戶對該項(xiàng)目的若干相似項(xiàng)目的評分來進(jìn)行估計(jì)。協(xié)調(diào)過濾存在數(shù)據(jù)稀疏和冷啟動問題?；旌贤扑]就是綜合兩種或兩種以上推薦技術(shù)，盡量利用不同推薦算法的優(yōu)點(diǎn)并避免其缺點(diǎn)，來取得更好的推薦效果。高曉波等[3]將信任和因子分解機(jī)結(jié)合，進(jìn)行商品推薦。

個(gè)性化推薦在教育領(lǐng)域的應(yīng)用已引起不少研究者的關(guān)注。吳正洋等[4]利用協(xié)同過濾技術(shù)，依托學(xué)術(shù)社交網(wǎng)絡(luò)平臺，實(shí)現(xiàn)社交網(wǎng)絡(luò)環(huán)境下基于本體的學(xué)習(xí)推薦，結(jié)果表明，使用推薦的學(xué)習(xí)者的學(xué)習(xí)專注度和持久度較高。李保強(qiáng)等[5]分析學(xué)習(xí)資源和知識本體的關(guān)聯(lián)，以及用戶與學(xué)習(xí)資源的關(guān)聯(lián)，形成用戶-學(xué)習(xí)資源-知識間的關(guān)聯(lián)矩陣，使用混合協(xié)同過濾對學(xué)習(xí)者進(jìn)行個(gè)性化推薦。丁永剛等[6]利用協(xié)同過濾算法，融入學(xué)習(xí)者之間的信任度，進(jìn)行學(xué)習(xí)資源的推薦。鄂海紅等[7]把時(shí)間上下文信息引入到協(xié)同過濾算法，將借閱時(shí)間作為推薦的上下文維度，實(shí)現(xiàn)基于圖書借閱數(shù)據(jù)上的學(xué)生學(xué)習(xí)興趣挖掘與推薦。楊麗娜等[8]從服務(wù)、情境、資源和技術(shù)4個(gè)維度分析影響用戶偏好建立的因素，以提升泛在學(xué)習(xí)服務(wù)的個(gè)性化和智能化水平。

2 影響因素分析

2.1 文化差異

地域文化指各地方的風(fēng)俗習(xí)慣、生活方式、文化形態(tài)、宗教信仰等，有研究表明，不同地域的文化對人們的行為有著一定影響，同一區(qū)域的人有著相同或相似的行為模式和思維模式，不同地域的人有著不同的行為模式和思維模式。例如，地域差異對飲食文化有著很大影響，不同地域的人有著各自不同的生活方式和飲食習(xí)慣。我國東部主食以米面為主；西部以肉類和奶制品為主，米面為輔；南方以米飯為主；北方人以面食為主。此外，還有“東辣西酸、南甜北咸”的說法。地域文化具有地域穩(wěn)定性、傳承性等特點(diǎn)。文化對用戶行為、興趣等有一定的影響，形式化表示為C={c1，c2，…，cn}，其中n是維數(shù)，ci（1≤i≤n）分別表示用戶所處地域、用戶的宗教信仰、用戶所受教育程度等文化屬性。

2.2 時(shí)間

（1）用戶最佳學(xué)習(xí)時(shí)間?！笆澜缟蠜]有兩個(gè)人的個(gè)人生物鐘是一樣的”，每個(gè)人的最佳學(xué)習(xí)時(shí)間也存在一定差異。每個(gè)人都有自己的學(xué)習(xí)興趣和學(xué)習(xí)方式，學(xué)習(xí)者的興趣偏好在不同的時(shí)間段也不盡相同，比如有的人早上記憶力好，喜歡背英語單詞，下午理解力好，喜歡學(xué)習(xí)數(shù)學(xué)、物理等，晚上喜歡復(fù)習(xí)或預(yù)習(xí)功課。在適宜的時(shí)間推薦適宜的學(xué)習(xí)資源將提高學(xué)習(xí)者的學(xué)習(xí)效率。

（2）學(xué)習(xí)資源的時(shí)間屬性。專業(yè)學(xué)習(xí)具有連貫性，任何一個(gè)知識點(diǎn)都是整個(gè)知識體系中的一環(huán)，它與前面的舊知識緊緊相聯(lián)，又與后面的新知識相互銜接。因此，推薦學(xué)習(xí)資源時(shí)要注意新、舊知識的連貫性以及學(xué)習(xí)者已有的基礎(chǔ)。推薦合適的學(xué)習(xí)資源，可大大提升學(xué)習(xí)效果，進(jìn)而激發(fā)學(xué)習(xí)者的學(xué)習(xí)興趣。學(xué)完一個(gè)知識點(diǎn)后可以給學(xué)習(xí)者推薦相關(guān)練習(xí)，通過練習(xí)既可讓學(xué)習(xí)者鞏固所學(xué)知識，又能提高學(xué)習(xí)者分析問題、解決問題的能力，還能發(fā)展學(xué)習(xí)者的思維。

3 因子分解機(jī)

3.1 因子分解模型

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)數(shù)據(jù)集

本實(shí)驗(yàn)使用Book-Crossing數(shù)據(jù)集，數(shù)據(jù)集包含278 858個(gè)用戶對271 379本書的評分，有顯式和隱式評分，顯式評分值為1～10分，表示用戶對書籍的滿意程度。

4.2 實(shí)驗(yàn)結(jié)果

本實(shí)驗(yàn)采用準(zhǔn)確率（Precision）、召回率（Recall）和綜合評價(jià)指標(biāo)（F1-Measure）作為識別推薦精確性的標(biāo)準(zhǔn)。為測試本文方法的精確性，將其與標(biāo)準(zhǔn)協(xié)同過濾推薦方法（Collaborative Filtering，CF）進(jìn)行對比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖2所示。

4.3 運(yùn)行時(shí)間

試驗(yàn)中比較CF和FM對訓(xùn)練集一次完整迭代的運(yùn)行時(shí)間，取m=4。為了顯示隨因子分解維度k的增加，運(yùn)行時(shí)間的增長，對兩種模型取k∈{1，2，4，8，16，32，64，128}，結(jié)果如圖3所示。

5 結(jié)語

移動學(xué)習(xí)資源的個(gè)性化推薦可提高學(xué)習(xí)者的學(xué)習(xí)效率。本文針對傳統(tǒng)協(xié)同過濾中存在的冷啟動和數(shù)據(jù)稀疏等問題，提出使用因子分解機(jī)，綜合考慮用戶之間的文化差異，考慮學(xué)習(xí)知識間的連貫性，并與傳統(tǒng)協(xié)同過濾推薦方法進(jìn)行比較，驗(yàn)證了本文所提算法的可行性。

參考文獻(xiàn)：

[1]黃震華，張佳雯，田春岐，等.基于排序?qū)W習(xí)的推薦算法研究綜述[J].軟件學(xué)報(bào)，2016，27（3）：691-713.

[2]GOLDBERG D，NICHOLS D，OKI B M，et al.Using collaborative filtering to weave an information tapestry[J].Communications of the ACM，1992，35（12）：61-70.

[3]高曉波.基于因子分解機(jī)的信任感知商品推薦[J].山東大學(xué)學(xué)報(bào)：理學(xué)版，2016，51（1）：89-94.

[4]吳正洋.社交網(wǎng)絡(luò)下學(xué)習(xí)推薦研究與實(shí)踐[J].中國電化教育，2016（3）：75-81.

[5]李保強(qiáng)，吳笛.基于知識關(guān)聯(lián)的學(xué)習(xí)資源混合協(xié)同過濾推薦研究[J].電化教育研究，2016（6）：77-83.

[6]丁永剛.融合學(xué)習(xí)者社交網(wǎng)絡(luò)的協(xié)同過濾學(xué)習(xí)資源推薦[J].現(xiàn)代教育技術(shù)，2016（2）：108-114.

[7]鄂海紅.結(jié)合時(shí)間上下文挖掘?qū)W習(xí)興趣的協(xié)同過濾推薦算法[J].北京郵電大學(xué)學(xué)報(bào)， 2014（6）：49-53.

[8]楊麗娜.面向泛在學(xué)習(xí)智能推薦的用戶偏好影響因素實(shí)證研究[J].現(xiàn)代教育技術(shù)，2016（10）：44-51.

[9]RENDLE S.Factorization machines[C].New York：The 10th IEEE International Conference on Data Mining，2010：995-1000.

（責(zé)任編輯：孫 娟）