社會化在線學習推薦方法

燕彩蓉 徐光偉 潘喬 黃永鋒

摘要：針對傳統(tǒng)推薦方法中普遍存在的冷啟動問題和推薦結果忽視了項目間的邏輯約束關系問題，分析用戶社會屬性和社交關系對用戶學習行為的影響，以及學習資源之間的約束邏輯，提出面向在線學習的社會化推薦方法，為精準的學習資源推薦提供指導。

關鍵詞：在線學習；推薦系統(tǒng)；社會網(wǎng)絡；約束邏輯

中圖分類號：G642.4；G250.73 文獻標志碼：A 文章編號：1674-9324（2018）09-0246-03

移動互聯(lián)網(wǎng)、智能終端設備和社會網(wǎng)絡平臺為全方位海量信息的產(chǎn)生與收集提供了保障，促進了個性化在線教育的發(fā)展與普及[1]。個性化在線教育是一種基于互聯(lián)網(wǎng)數(shù)據(jù)來分析用戶學習狀況，并滿足其學習需求的平臺，系統(tǒng)會根據(jù)用戶的年齡和知識積累，甚至心理活動，判斷該用戶的教育水平，并在此基礎上提供相應難度的課程、資料和題庫等。這從根本上改變了傳統(tǒng)教育中機械的教學體系，讓教育量身定制成為可能。學習資源推薦服務是個性化在線教育平臺的關鍵[2]。傳統(tǒng)意義的推薦系統(tǒng)主要是利用電子商務網(wǎng)站向客戶提供商品信息和建議，隨著移動互聯(lián)網(wǎng)的發(fā)展和大規(guī)模數(shù)據(jù)的產(chǎn)生，推薦系統(tǒng)也被輻射到在線教育領域，通過幫助制定個性化學習方案以及提供更多的參考資料，使得用戶可以便捷地獲取學習資源，打破時間和空間的限制來學習。目前在線學習推薦研究聚焦于基于用戶產(chǎn)生的海量學習活動數(shù)據(jù)以及社會網(wǎng)絡群，利用深度機器學習等技術手段不斷優(yōu)化學習模型，并依此構建自適應學習系統(tǒng)[3]。社會化推薦是在一般推薦方法的基礎上，把用戶社會關系信息作為重要影響因子引入推薦生成過程，以此提高推薦系統(tǒng)的性能。其優(yōu)勢在于能夠解決用戶冷啟動問題。根據(jù)社會網(wǎng)絡分析的重要研究成果[4]，網(wǎng)絡社區(qū)中相互聯(lián)系的群體受社會因素的相互影響，會表現(xiàn)出相似的興趣愛好及行為規(guī)范；在線社會網(wǎng)絡的盛行，使得用戶之間的活動行為表現(xiàn)得越來越社區(qū)化。因此，合理利用用戶的社會屬性信息和關系將能提高推薦系統(tǒng)的性能。在線教育領域與電子商務領域相比具有一定的特殊性，應用社會化推薦方法進行學習資源推薦能夠解決用戶冷啟動的瓶頸，但是也存在一些問題需要研究。本文將面向在線學習提出相應的推薦框架并闡述其中的關鍵問題。

一、相關定義

社會化推薦滿足了互聯(lián)網(wǎng)中新問題和新技術發(fā)展要求，具有較高的研究價值和應用前景。在線教育領域中，研究人員利用知識建模、數(shù)據(jù)挖掘等方法，對學習資源、學習路徑等方面的推薦問題進行了探索，這些研究表明了學習推薦系統(tǒng)能夠對學習者的學習興趣和學習效率產(chǎn)生積極的影響，有助于在線學習的深入推進[5]。

定義1.評分矩陣：設U為所有用戶的集合，I為可以推薦給用戶的所有項目的集合；m=|U|，n=|I|；每個用戶對每個項目都可能產(chǎn)生一個評分，其值構成了用戶-項目評分矩陣R。很多傳統(tǒng)推薦方法都是根據(jù)評分矩陣提供推薦項目列表。在線教育領域，用戶即參與學習的人，項目即學習資源，如書籍、課件、博文等。

定義2.稀疏矩陣：指矩陣中非零元素占全部元素的百分比很小的矩陣（通常為5%以下）。實際應用中，由于多數(shù)用戶不會對其所瀏覽的所有項目做出顯式反饋，因此評分矩陣通常是稀疏的，這將影響推薦模型的效果。對于一個新用戶，與之對應的評分向量為空，所以模型很難為新用戶提供服務。

定義3.社會化推薦：設G=（g）為所有用戶社會關系矩陣，映射μ：U×I→R′是對推薦結果的評價效用函數(shù)，R′是一定范圍內的全序非負實數(shù)集，稱為推薦的效用值，U′={u|u∈U，x≠y，g≠0，g∈G}表示與用戶u存在社會關系的用戶集合。社會化推薦要研究的問題是：對于用戶u，根據(jù)所有項目在用戶群體U′中的評價情況，主動地為其推薦滿足其偏好需求的、效用最大的項目集。這樣既能解決新用戶的冷啟動問題，而且也能緩解評分矩陣的稀疏性。

社會化推薦方法具有很多優(yōu)勢而且被廣泛應用，但是因為在線教育領域的特殊性，在使用此方法時存在以下的挑戰(zhàn)：其一，面向學習的用戶來源于一般群體，但又具有特殊性，社會網(wǎng)絡中數(shù)據(jù)量非常大、結構復雜、數(shù)據(jù)來源多，如何在這些海量的數(shù)據(jù)中篩選面向學習的社會屬性以及社會關系信息，并對它們進行量化，是首要解決的問題；其二，學習資源不同于電子商務中的商品，它們不是獨立的，通常具有先后順序性，如計算機學科中用戶在沒有學習C或Java語言課程的情況下對其直接推薦數(shù)據(jù)結構課程，不符合知識學習的正常途徑，因此在推薦時需要考慮項目之間的依賴關系。

定義4.約束邏輯：項目i和i之間的邏輯關系體現(xiàn)為如下幾種：

1.相似關系，表示為Sim（i，i），當項目i和i之間的相似度大于某閾值時，認為二者相似。如時尚領域中的項目相似性可能體現(xiàn)為兩件款式顏色相近的衣服，學習領域中項目的相似性可體現(xiàn)為兩本風格相似的圖書。

2.相關關系，表示為Rel（i，i），通過分析用戶日志，當選擇項目i時也選擇項目i的概率大于某閾值時，認為二者相關。如時尚領域中的項目相關性可能體現(xiàn)為款式搭配的運動褲和運動鞋，學習領域中項目的相關性可體現(xiàn)為GRE詞匯書和GRE閱讀書。

3.依賴關系，表示為Dep（i，i），在學習項目i之前必須先學習i。時尚領域中的項目沒有依賴關系，只是存在季節(jié)或時尚趨勢的變化，學習領域中的項目依賴性體現(xiàn)為知識之間的先后順序性，如數(shù)據(jù)結構的先導課程是C語言或Java語言。

4.包含關系，表示為Inc（i，i），其含義是項目i包含i，即選擇了i后沒有必要再選擇i。時尚領域中的項目是獨立的，不存在這層關系，學習領域中的項目包含關系體現(xiàn)為課程或資料的包含關系，此關系通常由人工設定。

確定項目之間的約束邏輯關系是構建學習資源推薦模型的一個難點，可通過兩種方式產(chǎn)生：一是事先定義，即在建立項目庫的時候由人工指定，這種方式比較準確但是效率低下，可擴展性差；二是通過數(shù)據(jù)挖掘方法獲得項目間的關聯(lián)關系，即通過分析用戶訪問日志軌跡來發(fā)現(xiàn)項目之間的關系，這種方法可能會存在誤差，但可擴展性好。

二、面向在線學習的社會化推薦框架

結合用戶的社會網(wǎng)絡信息以及項目的約束邏輯關系，提出面向在線學習的社會化推薦框架，框架主要由三部分組成：

1.數(shù)據(jù)收集與準備：通過數(shù)據(jù)采集模塊，收集用戶和項目的基本屬性數(shù)據(jù)、反映用戶關系的社會網(wǎng)絡數(shù)據(jù)、反映項目關系的約束邏輯數(shù)據(jù)，以及用戶-項目評分數(shù)據(jù)，并把這些數(shù)據(jù)按照設定的格式存儲到系統(tǒng)中，便于后續(xù)的處理。

2.數(shù)據(jù)預處理及模型建立：確立用戶之間的社會關系，建立社會網(wǎng)絡，并融入到推薦模型，是社會化推薦系統(tǒng)有別于一般推薦系統(tǒng)的主要特征。在線學習領域，需要從用戶的社會網(wǎng)絡中篩選對用戶學習行為和興趣偏好有重要影響的數(shù)據(jù)，量化這些數(shù)據(jù)，建立面向學習的社會網(wǎng)絡圖。數(shù)據(jù)預處理時還需要分析項目之間的相似、相關、依賴以及包含關系，構建資源關聯(lián)圖，通過在推薦算法中融合資源之間的約束邏輯來提高推薦的質量。用戶-項目評分矩陣是根據(jù)用戶的顯式反饋獲得的，通常維度非常高，而且是稀疏矩陣，可以采用矩陣分解技術對高維數(shù)據(jù)進行降維，把用戶的社會關系信息加權應用到矩陣優(yōu)化分解過程中。用戶的社會關系對推薦具有積極影響，可在一定程度上緩解新用戶的冷啟動問題。

3.推薦系統(tǒng)構建：根據(jù)推薦模型，對推薦結果進行展現(xiàn)和評價。目前已有的研究成果中涉及的數(shù)據(jù)集大多是小規(guī)?；蚰M的數(shù)據(jù)集，當面對實際應用時，需要方法和框架能夠滿足大規(guī)模在線應用的并發(fā)性和實時性要求，這將成為社會化推薦系統(tǒng)領域新的挑戰(zhàn)。

三、關鍵問題

社會化學習資源推薦框架中，其關鍵問題可以歸結為以下幾點：

1.社會屬性和關系的確定和量化。社會網(wǎng)絡中的數(shù)據(jù)包括個體的社會屬性信息和社會關系信息，前者的表示比較明確，通過用戶注冊程序即可獲得，后者的表示相對模糊，通過好友、同學、師生關系可獲得部分信息。社會關系屬性會影響用戶個體的學習行為，用戶個體的屬性會體現(xiàn)在社會網(wǎng)絡中，如何量化這些屬性沒有統(tǒng)一的標準。在貝葉斯概率矩陣分解模型中，這些屬性因子通常體現(xiàn)在全局參數(shù)的設定或者模型的優(yōu)化學習過程中，需要在理論推導和實驗中進行調整和優(yōu)化。

2.資源約束邏輯的確定和量化。資源的約束邏輯可由人工確定或者通過數(shù)據(jù)挖掘方法獲得。這種約束關系存在不確定性，而且每個人的學習基礎不同，其學習路徑會存在差異性。人工設置效率低，如何通過數(shù)據(jù)挖掘方法來準確量化資源之間的關系，并把這些量化后的約束邏輯融合到推薦模型的評分矩陣中，對于提高推薦質量非常重要。

3.用戶社會關系與項目邏輯關系的動態(tài)更新。已有的研究中，社會網(wǎng)絡拓撲結構基本都是靜態(tài)的，且來源單一化。隨著用戶興趣的轉移以及知識的積累，其社會關系網(wǎng)也在發(fā)生變化，相對而言，資源的約束邏輯比較穩(wěn)定，不過新的資源會不斷加入資源庫中。針對用戶社會關系的動態(tài)性以及資源的新增與淘汰，都將影響推薦模型中參數(shù)的學習與調整。

4.方法評價。推薦系統(tǒng)中常用的評價方式包括：均方根誤差（root mean square error，RMSE）和平均絕對誤差（mean absolute error，MAE）。兩者值越小，表示算法性能越好，其定義如下：

RMSE=，MAE=

其中，T是測試集，|T|是測試集的記錄數(shù)，i、j表示測試集的第i和第j條記錄，r是真實值，是預測值。

RMSE和MAE主要用于評價推薦算法的精度。當數(shù)據(jù)量非常大時，還需要評價算法的可擴展性和效率。當系統(tǒng)并發(fā)性要求高時，推薦算法的實時性也是評價指標之一。而且，在線系統(tǒng)中，用戶的實際體驗也非常重要，通常采用用戶的體驗反饋來進行評價。

五、結語

通過研究在線學習中用戶和學習資源的基本屬性、用戶之間的社會關系，以及資源之間的依賴等關系，把社會網(wǎng)絡、知識圖譜和推薦系統(tǒng)相結合，探索社會化的學習資源推薦方法，為個性化在線學習提供理論和實踐上的指導。

參考文獻：

[1]Anshari M，Alas Y，Guan L S.Developing online learning resources：Big data，social networks，and cloud computing to support pervasive knowledge[J].Education and Information Technologies，2015，（5）：1-15.

[2]Dwivedi P，Bharadwaj K K.E-Learning recommender system for a group of learners based on the unified learner profile approach[J].Expert Systems，2015，32（2）：264-276.

[3]Dascalu M I，Bodea C N，Moldoveanu A，et al.A recommender agent based on learning styles for better virtual collaborative learning experiences[J].Computers in Human Behavior，2015，45（4）：243-253.

[4]Song K.Students as pinners：A multimodal analysis of a course activity involving curation on a social networking site[J].Internet and Higher Education，2017，33（4）：33-40.

[5]吳正洋，湯庸，黃昌勤，等.社交網(wǎng)絡下學習推薦研究與實踐[J].中國電化教育，2016，（3）：75-80.