基于學(xué)習(xí)風(fēng)格的個性化自適應(yīng)資源推薦算法研究?

王浩暢 王 輝 潘俊輝 Marius.Petrescu 張 強(qiáng)

（1.東北石油大學(xué)計算機(jī)與信息技術(shù)學(xué)院 大慶 163318）（2.普羅萊斯蒂石油天然氣大學(xué) 什蒂 100680）

1 引言

隨著數(shù)據(jù)時代的迅猛發(fā)展，海量數(shù)據(jù)蘊(yùn)含著巨大的價值，大數(shù)據(jù)的分析、挖掘及運(yùn)用已經(jīng)滲透到社會生活的各個領(lǐng)域［1］。與國內(nèi)電子商務(wù)領(lǐng)域知名平臺相比，如“淘寶”、“百度新聞”等平臺的個性化推薦服務(wù)已成功融入人們生活，然而大數(shù)據(jù)推薦服務(wù)在教育領(lǐng)域中的發(fā)展與應(yīng)用滯后很多，顯得相對緩慢［2］。疫情期間，隨著移動互聯(lián)網(wǎng)應(yīng)用技術(shù)和教育信息化的深度結(jié)合，各類在線教學(xué)平臺比比皆是，但在教育領(lǐng)域，一直以來都未能真正解決“因材施教”的問題，傳統(tǒng)教學(xué)平臺僅作為提供知識倉庫的載體，幾乎沒有關(guān)注到學(xué)習(xí)者個體的不同需求，不能保證及時調(diào)整教學(xué)策略［3］。

由于推薦算法設(shè)計單一且不到位，推薦內(nèi)容往往不夠“精準(zhǔn)”［4］。利用現(xiàn)代信息技術(shù)和大數(shù)據(jù)技術(shù)，注重個體特征的個性化自適應(yīng)學(xué)習(xí)，實現(xiàn)智慧教育，已成為順應(yīng)信息時代創(chuàng)新、培養(yǎng)具備應(yīng)用能力合格人才的迫切需要［5］。本文結(jié)合已有的在線教學(xué)平臺實際資源，探索基于學(xué)習(xí)風(fēng)格的混合式個性化自適應(yīng)學(xué)習(xí)資源推薦算法的研究與實踐。

2 個性化自適應(yīng)學(xué)習(xí)

個性化學(xué)習(xí)的概念，最早來源于孔子提出的“有教無類”教育思想。自適應(yīng)學(xué)習(xí)是指通過動態(tài)調(diào)整學(xué)習(xí)資源，為學(xué)習(xí)者提供個性化服務(wù)的一種學(xué)習(xí)方式，能夠根據(jù)學(xué)習(xí)者表現(xiàn)的個性特征，進(jìn)行動態(tài)預(yù)測及策略調(diào)整，保證推送學(xué)習(xí)資源及學(xué)習(xí)途徑的差異化、精準(zhǔn)化，以期實現(xiàn)最優(yōu)的學(xué)習(xí)效果。

國外較早開展了個性化自適應(yīng)學(xué)習(xí)的研究。1959 年，美國開啟了自適應(yīng)學(xué)習(xí)的先河，成功開發(fā)了第一個計算機(jī)輔助教學(xué)系統(tǒng)［6］。自21 世紀(jì)初以來，國外對于自適應(yīng)學(xué)習(xí)的研究呈整體上升趨勢，研究范圍逐步擴(kuò)寬，美國的Peter Brusilovsky、荷蘭DeBra 以及澳大利亞Wolf 等也陸續(xù)研發(fā)了諸多個性化教育系統(tǒng)，得到了研究界普遍認(rèn)可，陸續(xù)涌現(xiàn)了諸如Knewton、Knowre等著名自適應(yīng)學(xué)習(xí)平臺［7］。

自21 世紀(jì)以來，隨著科技的迅猛發(fā)展，個性化自適應(yīng)學(xué)習(xí)也逐漸引起國內(nèi)學(xué)者專家的重視，各種計算機(jī)技術(shù)層出不窮，語義網(wǎng)本體技術(shù)、文本挖掘、模糊邏輯、進(jìn)化算法、貝葉斯網(wǎng)絡(luò)、推薦算法［8］等先進(jìn)技術(shù)也陸續(xù)被應(yīng)用于自適應(yīng)學(xué)習(xí)系統(tǒng)［9］。例如，姜強(qiáng)等提出的個性化自適應(yīng)在線學(xué)習(xí)分析模型，在國內(nèi)一直處于領(lǐng)先水平［6］。

3 基于學(xué)習(xí)風(fēng)格的個性化自適應(yīng)資源推薦算法

個性化自適應(yīng)學(xué)習(xí)模式，以學(xué)習(xí)者學(xué)習(xí)風(fēng)格為中心，從學(xué)習(xí)者實際情況出發(fā)，運(yùn)用大數(shù)據(jù)相關(guān)技術(shù)給出個性化動態(tài)調(diào)整，最終為學(xué)習(xí)者提供有效的資源推薦。

3.1 學(xué)習(xí)風(fēng)格

學(xué)習(xí)風(fēng)格是指學(xué)習(xí)者在學(xué)習(xí)時所表現(xiàn)出來的學(xué)習(xí)方式，簡言之，學(xué)習(xí)者在研究和解決某個學(xué)習(xí)任務(wù)時，所表現(xiàn)出來的具有個人特色的或偏愛的某種學(xué)習(xí)方式［10］。自1954 年，賽倫提出學(xué)習(xí)風(fēng)格概念之后，陸續(xù)出現(xiàn)了很多有關(guān)學(xué)習(xí)風(fēng)格模型的研究。其中，以Felder-Silverman 學(xué)習(xí)風(fēng)格模型應(yīng)用最為普遍，它將學(xué)習(xí)風(fēng)格劃分成了四個維度八個屬性，如表1所示，分別為信息輸入（視覺型/言語型）、信息加工（感悟型/直覺型）、內(nèi)容理解（活躍型/沉思型）、感知（綜合型/序列型）［11～12］。

表1 學(xué)習(xí)風(fēng)格維度及屬性

3.2 構(gòu)建學(xué)習(xí)資源的學(xué)習(xí)風(fēng)格模型

首先，需明確學(xué)習(xí)資源在每個維度分別屬于哪種類型。學(xué)習(xí)者完成挑選資源的學(xué)習(xí)后，須對學(xué)習(xí)資源進(jìn)行“非常滿意、滿意、一般、不滿意、非常不滿意”的評價，系統(tǒng)根據(jù)所有學(xué)習(xí)者的評價結(jié)果，利用式（1）計算出某項資源在某維度某類型的概率P。

其中，Pi表示評價為“非常滿意”的某維度某類型的概率，m 表示“非常滿意”的人數(shù)；Pj表示評價為“滿意”的某維度某類型的概率，n 表示“滿意”的人數(shù)?？傻玫矫宽椯Y源在所有維度及類型上的概率Pij矩陣，如式（2）與式（3）所示。

其中，i 表示維度，j 表示維度i 對應(yīng)的類型，Pi3表示對Pi1和Pi2進(jìn)行歸一化處理后的結(jié)果。依此，得到學(xué)習(xí)資源在各維度的風(fēng)格數(shù)據(jù)，形成學(xué)習(xí)資源模型庫。

3.3 構(gòu)建學(xué)習(xí)者的學(xué)習(xí)風(fēng)格模型

每個維度都有對應(yīng)的11 道測試題，形成了獲取學(xué)習(xí)風(fēng)格數(shù)據(jù)的所羅門調(diào)查問卷（ILS）［13］，系統(tǒng)會將回答結(jié)果以一個空間矩陣形式表示，如式（4）與式（5）所示。

其中，ILSi分別表示四個維度，ILSi1與ILSi2表示回答該維度的統(tǒng)計數(shù)據(jù)，ILSi3表示學(xué)習(xí)風(fēng)格傾向。依此，得到學(xué)習(xí)者在各維度風(fēng)格數(shù)據(jù)。

3.4 個性化資源推薦算法

3.4.1 基于學(xué)習(xí)風(fēng)格過濾的個性化資源推薦算法

基于學(xué)習(xí)風(fēng)格過濾的推薦算法，其核心思想是利用余弦相似性原理，根據(jù)式（6）計算選取學(xué)習(xí)資源與學(xué)習(xí)者學(xué)習(xí)風(fēng)格相似度大的資源進(jìn)行推薦［14］。

3.4.2 基于協(xié)同過濾的個性化資源推薦算法

基于協(xié)同過濾的推薦算法，其核心思想是根據(jù)式（7）計算學(xué)習(xí)者學(xué)習(xí)風(fēng)格相似性來進(jìn)行推薦操作，即向具有相似學(xué)習(xí)風(fēng)格的學(xué)習(xí)者推薦其擁有的個性化學(xué)習(xí)資源［15］。

3.4.3 基于關(guān)聯(lián)規(guī)則的個性化資源推薦算法

基于關(guān)聯(lián)規(guī)則的推薦算法，其核心思想是根據(jù)學(xué)習(xí)資源中知識點(diǎn)內(nèi)在關(guān)聯(lián)的特點(diǎn)，向?qū)W習(xí)者推薦一些關(guān)聯(lián)度較大的學(xué)習(xí)資源，進(jìn)一步有效優(yōu)化個性化資源推薦效果［16］，如圖1所示。

圖1 基于關(guān)聯(lián)規(guī)則的推薦算法示意圖

學(xué)習(xí)資料中各知識點(diǎn)相互之間存在一定的關(guān)聯(lián)，知識點(diǎn)1 與2、3、4、5 之間存在相關(guān)性，知識點(diǎn)2與5、8 存在相關(guān)性，知識點(diǎn)7 與4、8 存在相關(guān)性。當(dāng)學(xué)習(xí)者獲得了知識點(diǎn)2 的學(xué)習(xí)資源時，可通過計算知識點(diǎn)2 與其他知識點(diǎn)之間的相關(guān)性相似度，向其推薦關(guān)聯(lián)度較大的學(xué)習(xí)資源。

4 個性化自適應(yīng)資源推薦系統(tǒng)

依據(jù)因材施教的原則，以“數(shù)據(jù)挖掘”課程為例，融合個性化自適應(yīng)資源推薦算法，搭建了個性化自適應(yīng)學(xué)習(xí)平臺。

4.1 推薦系統(tǒng)平臺架構(gòu)

個性化自適應(yīng)學(xué)習(xí)資源推薦系統(tǒng)平臺架構(gòu)由三層線性架構(gòu)組成，即表示層、業(yè)務(wù)邏輯層、數(shù)據(jù)訪問層，如圖2所示。

圖2 推薦系統(tǒng)平臺架構(gòu)

整個平臺不斷采集學(xué)習(xí)者學(xué)習(xí)風(fēng)格相關(guān)數(shù)據(jù)，利用大數(shù)據(jù)技術(shù)分析學(xué)習(xí)者學(xué)習(xí)行為數(shù)據(jù)，通過推薦算法分析，為學(xué)習(xí)者提供自適應(yīng)學(xué)習(xí)路徑，推薦最佳學(xué)習(xí)資源。

4.2 個性化自適應(yīng)學(xué)習(xí)資源推薦流程

個性化自適應(yīng)學(xué)習(xí)資源推薦系統(tǒng)以微信小程序作為網(wǎng)絡(luò)教學(xué)平臺，應(yīng)用基于學(xué)習(xí)風(fēng)格的資源過濾、協(xié)同過濾、關(guān)聯(lián)規(guī)則的個性化資源推薦算法，構(gòu)建了如圖3所示的學(xué)習(xí)資源推薦模型。

圖3 個性化自適應(yīng)學(xué)習(xí)資源推薦模型

學(xué)習(xí)者經(jīng)過“注冊-登錄”、選擇所學(xué)科目、填寫所羅門調(diào)查問卷等一系列操作，將所產(chǎn)生的相關(guān)教育數(shù)據(jù)，即學(xué)習(xí)者學(xué)習(xí)風(fēng)格、學(xué)習(xí)者基本信息等，逐一提交給用戶庫、學(xué)習(xí)風(fēng)格模型庫及學(xué)習(xí)者模型庫等數(shù)據(jù)庫。

推薦系統(tǒng)根據(jù)學(xué)習(xí)者產(chǎn)生的學(xué)習(xí)風(fēng)格，采用大數(shù)據(jù)分析技術(shù)，依據(jù)基于學(xué)習(xí)風(fēng)格過濾、基于協(xié)同過濾、基于關(guān)聯(lián)規(guī)則的個性化資源推薦算法并行處理，確定學(xué)習(xí)需求，生成個性化學(xué)習(xí)路徑，給出推薦資源，達(dá)到自建學(xué)習(xí)資源的目的。

同時，結(jié)合學(xué)習(xí)者學(xué)習(xí)行為不斷產(chǎn)生的操作日志數(shù)據(jù)及學(xué)習(xí)者特征數(shù)據(jù)，系統(tǒng)可適時更新推薦算法得到的資源推薦。系統(tǒng)平臺的操縱者，也可為學(xué)生推薦學(xué)習(xí)資源，避免“信息孤島化”。

4.3 個性化自適應(yīng)學(xué)習(xí)資源推薦效果

資源推薦服務(wù)水平的高低，取決于推薦系統(tǒng)關(guān)聯(lián)的數(shù)據(jù)。如表2 所示，針對不同學(xué)習(xí)者，當(dāng)學(xué)習(xí)同一資源時，不同算法給出了不同推薦結(jié)果。

表2 資源推薦結(jié)果對比

表2 中，學(xué)習(xí)者A 為非計算機(jī)相關(guān)專業(yè)學(xué)生，學(xué)習(xí)者B為計算機(jī)相關(guān)專業(yè)學(xué)生。當(dāng)學(xué)習(xí)者A與B學(xué)習(xí)同一資源時，推薦系統(tǒng)根據(jù)學(xué)習(xí)者學(xué)習(xí)風(fēng)格得到學(xué)習(xí)風(fēng)格相似度較大的資源過濾結(jié)果，再根據(jù)相似學(xué)習(xí)風(fēng)格學(xué)習(xí)者曾經(jīng)的學(xué)習(xí)資源得到協(xié)同過濾推薦資源，又根據(jù)學(xué)習(xí)資源關(guān)聯(lián)規(guī)則得到推薦資源，最終將三類算法推薦結(jié)果綜合，得出混合推薦資源。研究結(jié)果表明，通過學(xué)習(xí)風(fēng)格的分析，根據(jù)得到的資源推薦結(jié)果可以看出，系統(tǒng)對學(xué)習(xí)者的前期知識掌握程度進(jìn)行了明顯的區(qū)分，將一些前期應(yīng)該掌握的專業(yè)知識推薦給了非專業(yè)學(xué)習(xí)者，而對專業(yè)學(xué)習(xí)者推薦更多的是深層次的學(xué)習(xí)資源。隨著推薦系統(tǒng)在各類在線教學(xué)中的廣泛應(yīng)用，系統(tǒng)數(shù)據(jù)庫的不斷完善，推薦系統(tǒng)逐步實現(xiàn)多種方式并行的混合推薦，推薦資源精準(zhǔn)度必定明顯提升，成為必備的教學(xué)助手。

5 結(jié)語

本文針對個性化自適應(yīng)資源推薦算法進(jìn)行了深入的研究與分析，將基于學(xué)習(xí)風(fēng)格過濾、協(xié)同過濾及關(guān)聯(lián)規(guī)則過濾算法綜合應(yīng)用于個性化自適應(yīng)資源推薦系統(tǒng)。研究表明，推薦系統(tǒng)能夠為學(xué)習(xí)者提供精準(zhǔn)的個性化資源，形成了完整的學(xué)習(xí)資源推薦生態(tài)圈。在未來的工作中，將進(jìn)一步研究學(xué)習(xí)者更多個性特征，如心理特征等，并嘗試更多領(lǐng)域的研究對比。