基于语义网的个性化学习资源推荐算法研究

罗群 刘振栋

（重庆城市职业学院 重庆市 402160）

在网络技术不断发展的背景下，学习资源站点也在不断增加。但是，用户在海量学习资源中寻找需要的学习资源比较困难。目前，个性化推荐算法包括基于规则、基于内容和协同推荐算法。虽然协同推荐算法能够对用户潜在兴趣进行挖掘，但是还存在缺点，比如新用户无法对资源评价、用户评价矩阵问题等。以此，本文提出了基于语义网的个性化学习推荐算法[1]。

1 个性化推荐机制研究

1.1 基于语义的学习资源组织

基本思路为：通过领域中具有明确意义的本体组织无序异构学习资源，对学习资源语义关系进行明确。学习资源是在概念空间中被组织，从而使学习资源通过更加灵活的操作方式被使用，从而提供智能化推荐服务，图1 为学习资源组织模型。

图1：学习资源组织模型

1.2 基于学习资源的二部图

针对线上学习活动来说，学习者和学习资源能够抽象成为两种不同性质的节点。学习者学习过程为学习者节点和学习资源节点的关系，大量交互关系组合构成二部图网络。在二部图网络中，相同节点互不相连，连边只会在不同类别节点间，连边密集程度包括学习者对于学习资源偏好类型。在二部图网络中，将感兴趣的学习资源推荐给学习者，就是以网络结构信息，实现没有相连两类节点可能连边的预测[2]。

图2：为二部图网络结构，左侧节点表示学习者，右侧节点表示学习资源，连边充分展现了学习者对学习资源的偏好性，充分展现了两层关系。节点A 和G 没有联系，说明学习者A 没有选择学习资源G。假如利用已有历史选择信息对A 和G 可能存在连边进行预测，就能够对节点A 推荐G 节点，以此实现个性化推荐。

1.3 信息扩散推荐机制

在学习资源和学习者所构成的二部图网络中，假设：学习资源能够被学习者所选择，主要是因为其中的知识和学习者兴趣特征匹配，学习者能够接受相似学习者的推荐。所以，具备相似兴趣学习者历史选择，以评估规则对学习者进行推荐。

针对上述假设，和图2 结合描述信息扩散推荐机制。假设图中A 节点表示所推荐资源学习者，初始的时候对节点A 连接节点赋予单元信息量，也就是D 和E 节点信息量为1。之后使两个节点的连边作为传播路径，对相邻的节点实现信息传播，此过程为第一阶段传播，在此阶段之后的学习者节点能够积累信息。此学习者节点的信息量能够将A 学习者之前的学习资源量展现出来，充分展现了和A 学习者兴趣的相似性[3]。

一般，人们比较倾向于和自己兴趣相同的学习者建议。学习者和A 学习者兴趣相似性能够通过第一个传播阶段结束的时候代表节点信息量进行展现，那么是节点信息的量额对学习资源另一侧进行传播，相当于曾经选择的学习资源能够赋予的推荐可性度。最后，针对右侧学习资源节点，以获得的信息量排序，将学习者原本选择的节点排除，对学习者A 推荐排序靠前的节点。在二部图信息扩散的过程中，各阶段数据描述为：

初始阶段：因为D 和E 节点连接A 节点，那么信息量单位为1。F 和G 节点没有和A 直接连接，所以信息量为0；

第一传播阶段：此阶段信息的右侧为学习资源节点传播，左侧为学习者节点，此过程结束后的ABC 信息量为4/3、1/3、1/3；

第二传播阶段：此阶段信息左侧为学习者节点传播，右侧为学习资源节点，此过程结束后的DEFG 节点信息量为2/3、17/18、1/9、5/18。将学习者A 已经选择的资源D 和E 进行排除，G 节点信息量是最大的。所以，对学习者A 推荐G 资源节点，也是最合适的资源[4]。

2 个性化学习资源的学习者模型

2.1 学习者模型的创建

学习资源推荐中的学习者模型包括：

（1）对学习者个性化特征确定。通过不同视角对学习者模型进行分析，从而发现学习者模型中的非智力和智力因素特征。此特征是无法独立存在，要通过相互作用构成有机整体。学习者模型规范包括管理信息、学业信息、个人信息、作品集信息、安全信息、关系信息等，此规范针对学习过程信息描述并不细致，对于学习者非智力因素的特征涉及比较少。本文针对学习者信息模型规范，和其他个性化学习者特征整合，使学习者特征划分为学习风格、知识状态、基本信息、兴趣偏好、认知能力等；

（2）通过系统对初始学习者特征信息收集，实现学习者模型的初始化；

（3）使学习者特征划分为应用层、分析层、数据层，对学习者个性化特征维度指标进行分析，对层级关联关系研究，实现学习者模型的更新，方便后续个性化服务。

2.2 学习资源本体的创建

要想能够有效推荐学习资源，只是对用户偏好考虑是不够的。在现代教育环境下，学习资源不管是结构或者表现方式都存在明显多样化、复杂化的趋势，表现方式包括索引、文献、案例、试题、网络课程等。以此，利用改进图网络神经创建基于知识点的本体。此过程能够将各类学习资源数据共享价值作为基本的原则，划分非结构性、无序性的学习资源，划分类别包括媒体类、文本类。文本类资料包括试卷、案例、课件等；媒体资源包括音频、视频、文本、动画、图片等。针对无法直接界定的划分类别资源，通过改进算法实现结构重组[5]。

以此，创建学习资源模型：

公式（1）中γ是指学习资源模型，xi是指知识点构成，p是指资源中元数据的占比，sim(x1,x2,...,xi)指的是各个知识点之间相似程度。此模型能够实现学习资源知识点的检索和管理，通过知识点对资源本体描述的过程中，利用元数据实现知识点和本体关联关系的创建，利用元数据属性定义不同类别的层次，创建包括课程类、动画、资料与图形类、音频类、文本类和视频类等图网络神经。这个时候的学习资源本体层次关系能够将知识点构成的资源差别展现出来，为了实现不同资源的关联，设计改进图神经网络资源结构知识点之间的关系为平行、依赖、参考和父子四种。父子关系指的是资源之间的整体性，平行关系为资源在知识点构成的独立性，依赖关系为资源之间的重叠性[6]。

2.3 基于用户特征的学习偏好

在分析用户特征过程中，能够掌握用户的学习偏好和情况，对用户学习目标进行确定，也能够为组织学习资源提供依据。在本文资源推荐之前，要充分掌握用户学习内部因素，此过程是利用用户在线学习行为特征的分析所实现。一般，学习行为是通过目的性方式所存在。用户为了能够全面挖掘用户行为特征，就要对其研究。在学习过程中，如果出现无法理解的难点，用户利用线上交流及时性特征对自己的疑问提出。所以，可以通过主题讨论、小组讨论、发布和回答问题的方式收集偏好和主要问题。另外，在学习过程中用户以自己兴趣趋向和学习需求主动搜索相关的知识内容，以此所产生的收藏、点击和下载操作能够展现用户偏好。用户和自身不足结合，以实际情况重复学习相应知识点，此部分内容为资源推荐主要构成。除了上述特征，用户对于知识掌握的程度与推荐学习资源难易程度相关。通过学习目标，用户对于知识掌握能力也在不断发展，但是此发展为阶段性。所以，根据现阶段用户对于知识理解推荐资源，决定用户最终的使用情况。

以此，本文使用户在学习过程中的学习行为特征作为判断偏好的根据，实现个性化学习者资源的推荐[7]。

3 实例仿真

为了对本文算法在资源推荐中的性能进行验证，开展实例仿真，表1 为仿真样本集。

表1：仿真样本集

3.1 算法的优化性能

为了对算法优化性能进行分析，本文使用不同算法实现样本集归一化特征差异平均最小值性能的优化，对两种算法生成候选推荐序列准确度进行验证。图3 为算法的特征差异最小值，通过收敛性方面分析，在样本集1 特征差异最小值求解时，GRNN 能够实现收敛。横向对比表示，在学习记录条数不断增加的过程中，特征差异值最小[8]。

图3：算法的特征差异最小值

3.2 算法的稳定性

为了对DE 算法优化性能验证，实现不同算法特征差均值标准差性能仿真，表2 为算法的标准差和推荐时间。通过表2 可以看出来，DE-GRNN 特征值要比DRNN 算法小。通过两种算法候选推荐序列的求解时间分析，学习记录条数越多，那么推荐的耗时就会越长。通过对比表示，样本集相同，DE-GRNN 算法的推荐时间更多，但是两者的运算时间并没有太大的差别。是由于通过DE 优化之后，GRNN 算法的特征差异值更小，在DE 优化之后，并没有消耗大量的计算时间[9]。

表2：算法的标准差和推荐时间

3.3 算法的推荐性能

为了对不同算法针对不同样本集的资源推荐性能进行验证，使用DE-GRNN 算法、深度神经网络、SVM实现样本集训练。表3 为不同算法的推荐性能，DE-GRNN 资源具有较高的资源推荐准确率，并且F1 值和召回率都比其他算法优[10]。

4 结束语

本文在学习资源个性化推荐中使用语义网技术，利用领域本体的概念间关系对不同用户兴趣相似度进行分析，以最近邻域兴趣对学习资源进行协同推荐。在个性化学习资源推荐中，如果训练样本量充足，实现DE 算法的合理设置，利用DE 优化对算法核函数中心与平滑因子进行优化求解，得出合适的核函数中心和平滑因子，使CRNN 算法资源推荐性能得到提高。通过试验表示，本文算法的学习资源推荐更加精准。