智能学习系统的双层推荐策略研究

摘要：“信息过载”已成为网络学习的一大阻力，个性化推荐技术应运而生。其目的就是为学习者甄选出最适合的学习资源。目前的研究成果中，核心技术各具优势，但笔者认为学习系统推荐的学习对象应在遵守教学规律的基础上突出个性化。为此，我们设计了功能分离的双层决策模型：第一层充分遵守教学规律，结合学习者对知识掌握的情况及各知识概念间的关系形成学习路径;第二层突出个性化，根据学习者的学习偏好推荐最符合其个性的学习对象。　　引言

　　“活到老学到老”已经成为当前人们的共识，在这样的社会意识引领下，网络教学资源得到指数增长。然而，海量的学习资源往往使学习者不知所措，“信息过载”显然已成为在线学习的绊脚石。大量无关的冗余信息严重干扰了学习者对相关有用信息的准确性选择。为了帮助学习者在海量信息中寻找最优质的学习资源，个性化推荐技术应运而生。然而，目前在线学习系统对个性化推荐的应用凤毛麟角，内容呈现千篇一律。《国家中长期教育改革和发展规划纲要(2010-2020年)》明确指出，要运用互联网“为学习者提供方便、灵活、个性化的学习条件”。当前的应用与学习者需求之间的巨大鸿沟，促进了推荐技术的发展，也使个性化推荐技术成为了当前的研究热点。

　　一、研究现状

　　推荐技术最早用于电子商务领域，该技术根据用户的浏览和购买喜好来判断并做出推荐决策，使用户能在较短的时间内获得满意的产品。经过多年的发展与完善，推荐系统在电子商务的应用已趋于成熟(如亚马逊、淘宝、当当等)，而在网络学习(E-learning)领域仍然处在起步阶段。从研究现状看，国内外都处在活跃阶段，但应用仍然不广泛。早在2002年Zaiane等人就运用数据挖掘和信息检索技术为网络学习设计推荐策略。[1] 2005年Chen,Lee and Chen运用项目存储理论对学习者进行能力评估，并根据评估结果给予学习材料的推荐。2005年后随着计算机技术在网络学习的应用发展，逐渐出现了基于内容，基于知识，基于协同过滤等推荐技术为支撑的学习推荐系统[2]。国内的学者在该领域的研究也较为活跃，他们更多使用“个性化”和“自适应”这样的研究论题，其原理和推荐技术是相通甚至相同的，本质上都是获得用户相关属性后，搜索与学习者最匹配的学习内容进行推送。[3-6]各个研究成果中的核心技术各具优势，但笔者认为推荐的学习对象应在遵守教学规律的基础上突出个性化。为此，我们设计了功能分离的双层决策模型：第一层充分遵守教学规律，结合学习者对知识掌握的情况及各知识概念间的关系形成学习路径;第二层突出个性化，根据学习者的学习偏好推荐最符合其个性的学习对象。

　　二、学习者模型构建

　　学习者建模是个性化的基础，个性化就应量体裁衣，因材施教。系统推荐的学习内容要契合学习者的需求就要掌握学习者的个人基本信息、知识状态、偏好以及访问习惯等等，只有这样个性化推荐才能更加准确。限于篇幅本文只论述学习者知识状态、偏好属性两部分内容。

　　知识状态是学习者对全局知识概念掌握的程度。每个知识概念被描述成数值，取值范围为[0,1]，表示学习者在该知识概念的状态。状态为0时表示从未被学习者浏览过，为1时则表示已完全掌握，当超过特定阈值(如0.8)学习者就通过了该知识点的学习。

　　学习偏好可以通过五个属性进行描述：学习资源类型(练习、仿真、图像/表格、音频、视频、幻灯片、文本、测试);偏好知识点(依据学习对象关键字进行描述);学习资源组织方法(概念、实例、案例、仿真、演示);难易程度(容易、中等、难);语言类型(中文、英文等)。每一个属性都有多个属性值，每一个属性值都有对应的数值表示，如学习资源类型“练习”可以表示成(Exercise，0.3)。0.3表示学习者对练习的偏好程度。学习者在学习过程中，每一个属性值的数值都能得到有效进行更新。当实施学习对象推荐时，系统将依据数据库中学习者的各个属性值的数值进行运算，依据计算结果作出决策。

发布：2007-03-30 12:36 编辑：泛普软件 · xiaona [打印此页] [关闭]