admin 管理员组

文章数量: 1086019


2024年6月17日发(作者：component什么意思中文)

第１１：０第４期　

２０１２年４月　

软什导刊　

Ｓｏｆｔｗａｒｅ　Ｇｕｉｄｅ　

ＶＯ１．１１　ＮＯ．４　

ＡＤｒ．２Ｏｌ２　

基于个性化推荐技术的Ｗｅｂ学习系统设计　

胡椒华，樊　勇　

（西安通信学院教育技术中心，陕西西安７１０１０６）　

摘　要：根据单个学生或学习小组不同的学习需求提供相应的指导内容和教学策略，是基于Ｗｅｂ的教学系统构建的　

根本目的。提出了一种通过收集分析学习者明确的或潜在的学习兴趣和偏好，找出学习者之间的相似性，对学生进　

行分组，形成虚拟学习社区的方法。　

关键词：个性化推荐系统；学习系统；虚拟学习社区　

中图分类号：ＴＰ３１９　文献标识码：Ａ　文章编号：１６７２—７８００（２０１２）００４—０１１７—０２　

非正式或半正式方式组成的群体或社区是知识管理　

１　个性化推荐和基于Ｗｅｂ的学习系统　

个性化是基于ｗｅｂ的学习系统的一个重要主题，它　

和共享的手段。　

２学生兴趣趋向量度计算　

协同过滤使用学生对于系统的贡献来实现分类。系　

统的输入是类似一个矩阵，横行表示不同的学生，竖列表　

不仅能帮助提高学习者的学习效果，还能改善学习者的学　

习体验。目前，绝大多数的基于ｗｅｂ的学习系统通常没　

有资源的个性化推荐功能，而仅仅提供标准的课程资源。　

这些学习系统限制了学生直接和恰当的学习，并且系统把　

所有的学生按相同的学生模型来处理。而那些使用了学　

生建模和个性化推荐的基于Ｗｅｂ的学习系统系统则能使　

示不同的学习项目，矩阵中的数据表示的是学生对与学习　

项目的喜好。另外，我们用ＫＮＮ邻近算法进行用户分类　

选择，用户兴趣测量值还考虑用户对于提供的浏览内容的　

确切分类等因素。　

对于资源的确切分类还存在这样一个问题，就是用户　

在使用资源时可能并不会对它进行评价。这样，系统就记　

录不到资源与用户之间的联系。为了解决这个问题，我们　

提出了一种测定用户和系统资源的相互关系的不同方法。　

我们通过计算用户在资源页面的驻留来评测用户对于该　

资源的喜好，它由３个参数组成：访问的总时间、最近使用　

和最频繁的使用。我们用ＭＦＵ表示使用最频繁的计算　

算法ＬＦＵ表示使用最不频繁的算法，它是表征用户访问　

该资源频度和该资源被访问最大频度的比值。　

ＭＦＵ（“，　）一　

，ｒｅｑｕｅｎｃＹ　Ｌ　ｚ　

学生接收到更感兴趣的信息和学习内容。　

作为智能的学习系统，基于Ｗｅｂ的学习系统的个性　

化推荐有几种不同的形式，自适应超媒体和目前电子商务　

中应用的推荐系统。推荐系统是一种帮助学生找出相关　

信息的新方式。所有推荐系统所完成的功能都是基本相　

同的，就是找出相对于用户的最重要的信息并推荐给用　

户。　

传统推荐系统使用３种技术来实现向用户建议，这３　

种技术是协同过滤、内容过滤和两者合用。协同过滤的推　

荐是基于用户的喜好与目标用户的相似；基于内容的过滤　

是根据内容之间的相互关系。这两种技术也可以混合使　

用。　

（１）　

推荐系统的技术已在很多领域得到了应用，最常见的　

就是在电子商务网站中的应用。这些技术的应用旨在增　

其中，“表示浏览资源“Ｒｉ”的一个用户，除数ｍａｘＦｒｅ—　

ｑｕｅｎｃｙ（Ｒｉ）表示浏览资源Ｒｉ的最大频度（这个值取的是　

加商品的销售量和提高互联网上用户的处理效率。　

要向用户推荐项目，首先需要收集几个不同的用户模　

式信息，尽量找出用户模式中呈现的用户喜好和系统内容　

的相关性信息。这些信息可能通过明确或隐含的方式获　

取。在教学系统中，把确认每个学生在系统中的导航序列　

作为交互教学环境中案例推理的方式。　

所有用户浏览同一资源的独立频率中的最大值）。ＭＦＵ　

是用户相对所有用户浏览同一资源的频率的格式化值。　

ＭＲＵ的值表示的是最近一段时间用户访问资源Ｒｉ　

的频率值和所有用户最后一段时间访问该资源频率比值。　

ＭＲＵ（“，Ｒｉ　）一　（２）　

作者简介：胡椒华（１９８０一），男，浙江金华人，西安通信学院教育技术中心教员，研究方向为媒体制作、个性化系统开发；樊勇（１９７３　

），男，陕西西安人，西安通信学院教育技术中心教员，研究方向为媒体制作、个性化系统开发。　

软件导刊　２０１２年　

另外，用户访问某一资源的时间长度是用户对该资源　

兴趣和喜好的使用者）和用户对于资源的平均兴趣值或喜　

喜欢程度的一个参考值，很短的浏览时间可以理解为用户　

对该资源并不感兴趣。　

ＡＴＴ（“　Ｒｉ一竺

（３）　

ｌｎａｘ　ａｃｃｅ　ｓｓｔｏｔａ　ｔｔｚｍ

ｅ　Ｌ　Ｚ　Ｊ　

３个公式中的除数：ｍａｘ　Ｆｒｅｑｕｅｎｃｙ（Ｒｉ）、ｍａｘ　ｌａｓｔＡｃ—　

ｃｅｓｓ（Ｒｉ）、ｍａｘ　ａｃｃｅｓｓｔｏｔａｌｔｉｍｅ（Ｒｉ），将用户使用资源Ｒ　的　

相关值格式化到０～１的范围内。　

这３个值测定后，结合该学习资源的专家或指导老师　

对这３个值给出的权值计算资源的喜好度。例如，在某些　

学习课题中可能更看重访问频率，而有些学习课题更注重　

的是总访问时间。　

ｉｎｔｅｒｅｓｔ（Ｕ，Ｒｉ）一ＭＦＵ（“，Ｒｉ）×　＋　

ＭＲＵ（“，Ｒｉ）×．８＋ＡＴＴ（“，Ｒ／）×　（４）　

其中ａ、８、７是分别针对３个量的加权值。并且我们　

设定ｄ＋Ｊ３＋丫一１Ｏ。　

为了便于构建用户和系统中对象的联系，我们将系统　

中所有对象都作为资源来对待，换句话说，在一个基于　

Ｗｅｂ的学习系统中，资源的概念包括：学习对象、工具、用　

户和组群（或社区）。这样，资源Ｒ可能是一个用户（ｕ）、　

一

个学习社区（Ｃ）、一个系统工具（Ｔ）、或者是一个学习主　

题（０）。　

系统的输入用户相对于资源的兴趣度矩阵“Ｉ”，其中　

行表示某一个用户相对系统中各资源的兴趣度，列表示同　

一

资源对不同用户的吸引程度（见表１）。兴趣度的测定　

用公式（４）计算获得。　

表１　用户相对于资源的兴趣度矩阵　

３喜好测定　

用户对于某一资源的喜好衡量相对比较简单，我们采　

用用户主动评价机制。我们将用户对于资源的评价分为　

５级：非常好、好、一般、较差、很差。当然，不同用户对于　

同一资源的喜好很可能不尽相同，有些用户认为某个资源　

非常好，非常有用，而一些用户却认为该资源很糟糕，毫无　

价值。　

４邻居计算　

协同过滤算法的基本原理是认为目标用户可能和以　

往的某些用户类似对某些资源项目可能会有更多的兴趣，　

因而我们需要计算目标用户与其他用户的相似度。　

用户的兴趣和喜好测定后，下一步我们将用皮尔森相　

关度测定法计算出目标用户的邻居（与目标用户具有相似　

好值。　

∑［（　一ｉ　）×（　，　一一ｉｕ）］　

（５）　

式（５）表示的是根据用户兴趣度计算的皮尔森相关度　

算法公式，式中Ｗａ，“表示的是目标用户（ａ）和邻居用户　

（ｕ）的关联度。一般来说，系统中用以评价的资源应该不　

止一个，即式中的ｍ值大于１，这样公式的分母就不会为　

０，确保了公式有意义。公式的计算结果在范围１～一１之　

间浮动，１表示完全相似，一１则表示毫无相似点。　

通过上式的计算，得到了一个用户相似度矩阵，记为　

ＣＩ。同样我们可以把用户对于资源的喜好作为输入计算　

出另一个用户相似度矩阵，我们记为ＣＰ。　

５学习社区构建　

本文提出了一种虚拟学习社区的形成方法，用以方便　

社区成员之间知识信息的交互。这一方法通过用户对于　

学习系统中资源的感兴趣程度和喜好评价，计算用户之间　

相似度。用户相似度的测定后就可以对用户按不同的性　

格特征进行分组形成学习社区。　

为了实现用户的分组，形成学习社区，我们用基于兴　

趣的用户相似度矩阵ＣＩ和聚类算法Ｋ—ｍｅａｎｓ算法进行计　

算。Ｋ—ｍｅａｎｓ算法是将系统中的　个学生，输出满足方差　

最小标准的ｋ个分组。　

一

∑∑（

ｉ一１‘∈Ｓ　

　一Ｕｉ）　（６）　

算法中志＜　。Ｋ—ｍｅａｎｓ算法的工作过程说明如下：　

首先从　个数据对象任意选择ｋ个对象作为初始聚类中　

心，而对于所剩下其他对象，则根据它们与这些聚类中心　

的相似度（距离），分别将它们分配给与其最相似的（聚类　

中心所代表的）聚类；然后再计算每个所获新聚类的聚类　

中心（该聚类中所有对象的均值）；不断重复这一过程，直　

到标准测度函数开始收敛为止。　

参考文献：　

［１］Ｓ　ＳＡＥ　ＴＡＮＧ，Ｖ　ＥＳＩＣＨＡＩＫＵＬ．Ｗｅｂ　ｐｅｒｓ０ｎａｌｉｚａｔｉｏｎ　ｔｅｃｈｎｉｑｕｅｓ　

ｆｏｒ　ｅｃｏｍｍｅｒｃｅ［Ｃ］．Ｉｎ：Ａｃｔｉｖｅ　ｍｅｄｉａ　ｔｅｃｈｎｏｌｏｇｙ：６ｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　

Ｃｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ　Ｃｏｎｆｅｒｅｎｃｅ，Ｐｒｏｃｅｅｄｉｎｇｓ　Ｂｅｒｌｉｍ，２００　１．　

Ｅ２］　Ｍ　ＧＥＩＢ　ｅｔ　ａ１．Ｍｅａｓｕｒｉｎｇ　ｔｈｅ　ｕｔｉｌｉｚａｔｉｏｎ　ｏｆ　ｃｏｌｌａｂｏｒａｔｉｏｎ　ｔｅｃｈｎｏｌｏｇｙ　

ｆｏｒ　ｋｎｏｗｌｅｄｇｅ　ｄｅｖｅｌｏｐｍｅｎｔ　ａｎｄ　ｅｘｃｈａｎｇｅ［Ｃ］．ｉｎ　Ｖｉｒｔｕａｌ　Ｃｏｍｍｕ—　

ｎｉｔｉｅｓ．Ｉｎ：３７ｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｓｙｓｔｅｍ　Ｓｃｉｅｎｃｅｓ．Ｈａ—　

ｗａｉｉ，２００４．　

［３］Ｎ　ＣＡＰＵＡＮＯ，ｅｔ　ａ１．Ａｎ　ｉｎｔｅｌｌｉｇｅｎｔ　ｗｅｂ　ｔｅａｃｈｅｒ　ｓｙｓｔｅｍ　ｆｏｒ　ｌｅａｒｎ—　

ｉｎｇ　ｐｅｒｓｏｎａｌｉｚａｔｉｏｎ　ａｎｄ　ｓｅｍａｎｔｉｃ　ｗｅｂ　ｃｏｍｐａｔｉｂｉｌｉｔｙ［Ｃ］．Ｉｎ：Ｅｌｅｖ—　

ｅｎｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　ＰＥＧ　Ｃｏｎｆｅｒｅｎｃｅ．Ｓｔ．Ｐｅｔｅｒｓｂｕｒｇ，Ｒｕｓｓｉａ，２００３．　

（责任编辑：余晓）　


本文标签： 用户 资源 系统 学习

版权声明：本文标题：基于个性化推荐技术的Web学习系统设计 内容由网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://www.roclinux.cn/b/1718566527a723891.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。