第16卷第6期 智能系统学报 Vol.16 No.6 2021年11月 CAAI Transactions on Intelligent Systems Now.2021 D0:10.11992/tis.202009005 网络出版地址：https:/kns.cnki.net/kcms/detail/23.1538.tp.20210920.0227.002.html 融入学习者模型在线学习资源协同过滤推荐方法 刘芳，田枫，李欣2，林琳 (1.东北石油大学计算机与信息技术学院，黑龙江大庆163318,2.讷河市第一中学，黑龙江讷河161300) 摘要：在线教育存在“信息迷航”问题，而传统的信息推荐方法往往忽视教育的主体一学习者的特征。本文 依据教育教学理论，根据在线教育平台中的学习者相关数据，研究构建了适用于在线学习资源个性化推荐的学 习者模型。以协同过滤推荐方法为切入点，融合学习者模型中的静态特征和动态特征对协同过滤方法进行改 进，建立融入学习者模型的在线学习资源协同过滤推荐方法。以2020年3~7月时间段的东北石油大学“C程序 设计”课程学生的真实学习数据和行为数据为数据集，对本文提出的方法进行验证和对比，最后证明本文提出 的方法在性能上均优于对比方法。 关键词：学习者模型：在线学习资源：协同过滤：个性化学习：学习资源推荐：学习风格特征：认知水平特征：兴 趣偏好特征 中图分类号：TP391;G434文献标志码：A文章编号：1673-4785(2021)06-1117-09 中文引用格式：刘芳，田枫，李欣，等.融入学习者模型在线学习资源协同过滤推荐方法J小.智能系统学报，2021,16(6)： 1117-1125. 英文引用格式：LIU Fang,.TIAN Feng,.IXin,etal.A collaborative filtering recommendation method for online learning re- sources incorporating the learner modelJl.CAAI transactions on intelligent systems,2021,16(6):1117-1125. A collaborative filtering recommendation method for online learning resources incorporating the learner model LIU Fang',TIAN Feng',LI Xin',LIN Lin' (1.School of Computer and Information Technology,Northeast Petroleum University,Daging 163318,China;2.Nehe No.I Middle School,Nehe 161300,China) Abstract:Online education exhibits the problem of"information loss".At the same time,traditional information recom- mendation methods often ignore the characteristics of learners,i.e.,the main body of education.Based on the theory of education and teaching as well as the relevant data of learners on the online education platform,this paper constructs a learner model suitable for personalized recommendations for online learning resources.Based on the collaborative filter- ing recommendation method,the static and dynamic features of the learner model are integrated,with the aim to im- prove the collaborative filtering method,thereby establishing a collaborative filtering recommendation method for on- line learning resources incorporating the learner model.The real learning and behavior records of students taking the C programming course in the Northeast Petroleum University starting from March 2020 to July 2020 were selected as the dataset to conduct experiments and evaluations on the proposed research method.The comparative test shows that the performance of the proposed method is better than that of the comparative method. Keywords:learner models;online learning resources;collaborative filtering;personalized learning,learning resources recommendation;learning style characteristics;cognitive level characteristics;interest preference characteristics 收稿日期：2020-09-07.网络出版日期：2021-09-23. 近年来，随着互联网技术高速发展，在线教育 基金项目：国家自然科学基金项目(61502094)：黑龙江省教育 平台的使用越来越被学习者所接受，尤其新型冠 科学规划重点课题(GB1421I13):黑龙江省高等教 育教学改革研究项目(SJGY20190098):东北石油大 状病毒爆发之后，线上学习是在不能正常进行线 学引导性创新基金项目(2020YDL11):东北石油大 学优秀中青年科研创新团队项目(KYCXTD201903): 下学习的情况下优选的学习模式。数据表明，截 东北石油大学研究生教育创新工程项目YCX112020) 至2020年12月，我国在线教育用户规模达3.42 通信作者：刘芳.E-mail:Ifliufang1983@126.com 亿，占网民整体的34.6%。该项数据在2020年
DOI: 10.11992/tis.202009005 网络出版地址: https://kns.cnki.net/kcms/detail/23.1538.tp.20210920.0227.002.html 融入学习者模型在线学习资源协同过滤推荐方法 刘芳1 ，田枫1 ，李欣2 ，林琳1 （1. 东北石油大学 计算机与信息技术学院，黑龙江 大庆 163318; 2. 讷河市第一中学，黑龙江 讷河 161300） 摘 要：在线教育存在“信息迷航”问题，而传统的信息推荐方法往往忽视教育的主体—学习者的特征。本文 依据教育教学理论，根据在线教育平台中的学习者相关数据，研究构建了适用于在线学习资源个性化推荐的学 习者模型。以协同过滤推荐方法为切入点，融合学习者模型中的静态特征和动态特征对协同过滤方法进行改 进，建立融入学习者模型的在线学习资源协同过滤推荐方法。以 2020 年 3~7 月时间段的东北石油大学“C 程序 设计”课程学生的真实学习数据和行为数据为数据集，对本文提出的方法进行验证和对比，最后证明本文提出 的方法在性能上均优于对比方法。 关键词：学习者模型；在线学习资源；协同过滤；个性化学习；学习资源推荐；学习风格特征；认知水平特征；兴 趣偏好特征 中图分类号：TP391; G434 文献标志码：A 文章编号：1673−4785(2021)06−1117−09 中文引用格式：刘芳, 田枫, 李欣, 等. 融入学习者模型在线学习资源协同过滤推荐方法 [J]. 智能系统学报, 2021, 16(6): 1117–1125. 英文引用格式：LIU Fang, TIAN Feng, LI Xin, et al. A collaborative filtering recommendation method for online learning resources incorporating the learner model[J]. CAAI transactions on intelligent systems, 2021, 16(6): 1117–1125. A collaborative filtering recommendation method for online learning resources incorporating the learner model LIU Fang1 ，TIAN Feng1 ，LI Xin2 ， LIN Lin1 (1. School of Computer and Information Technology, Northeast Petroleum University, Daqing 163318, China; 2. Nehe No. 1 Middle School, Nehe 161300,China) Abstract: Online education exhibits the problem of “information loss”. At the same time, traditional information recommendation methods often ignore the characteristics of learners, i.e., the main body of education. Based on the theory of education and teaching as well as the relevant data of learners on the online education platform, this paper constructs a learner model suitable for personalized recommendations for online learning resources. Based on the collaborative filtering recommendation method, the static and dynamic features of the learner model are integrated, with the aim to improve the collaborative filtering method, thereby establishing a collaborative filtering recommendation method for online learning resources incorporating the learner model. The real learning and behavior records of students taking the C programming course in the Northeast Petroleum University starting from March 2020 to July 2020 were selected as the dataset to conduct experiments and evaluations on the proposed research method. The comparative test shows that the performance of the proposed method is better than that of the comparative method. Keywords: learner models; online learning resources; collaborative filtering; personalized learning; learning resources recommendation; learning style characteristics; cognitive level characteristics; interest preference characteristics 近年来，随着互联网技术高速发展，在线教育 平台的使用越来越被学习者所接受，尤其新型冠 状病毒爆发之后，线上学习是在不能正常进行线 下学习的情况下优选的学习模式。数据表明，截 至 2020 年 12 月，我国在线教育用户规模达 3.42 亿, 占网民整体的 34.6%。该项数据在 2020 年 收稿日期：2020−09−07. 网络出版日期：2021−09−23. 基金项目：国家自然科学基金项目 (61502094)； 黑龙江省教育 科学规划重点课题 (GJB1421113)； 黑龙江省高等教 育教学改革研究项目 (SJGY20190098)； 东北石油大 学引导性创新基金项目 (2020YDL-11);东北石油大 学优秀中青年科研创新团队项目 (KYCXTD201903)； 东北石油大学研究生教育创新工程项目 (JYCX_11_2020). 通信作者：刘芳. E-mail：lfliufang1983@126.com. 第 16 卷第 6 期 智 能 系 统 学 报 Vol.16 No.6 2021 年 11 月 CAAI Transactions on Intelligent Systems Nov. 2021
·1118· 智能系统学报 第16卷 3月时达到高峰，为4.23亿，占比数据为46.8%。 的个性化研究。本文以在线学习平台中的学习者 面对巨大的在线学习需求，在线教育机构提供免 真实数据为依托，以学习者为中心，提出融合学 费在线课程，共享在线教学资源，在线教育行业 习者多维度模型的在线学习资源协同过滤推荐方 呈现爆发式增长趋势。然而随着在线学习平台的 法，优化在线教学学习效果，进一步提高在线教 广泛使用，在线学习资源的数量也急剧增长，在 育的个性化程度。 数量庞大的在线学习资源中，学习者很难快速定 位自己需要的资源，导致“信息迷航”。 1多维度学习者模型构建 信息推荐是解决用户从海量对象中迅速有效 学习者是在线学习的主体，具有静态和动态 地筛选出符合自己偏好特征的对象的方法。目 的个性化特征，学习者模型用于描述学习者特 前，信息推荐技术被广泛应用于诸多领域。将信 征，该模型的构建是提高在线学习资源推荐性 息推荐技术应用到在线教育，实现在线教育过程 能，优化推荐精度，实现个性化推荐的核心。在 中学习资源的个性化推荐是解决“信息迷航”问题 构建学习者模型时首选要确定学习者的个性化特 的一个有效途径。协同过滤算法是目前信息推荐 征，本文依据CELTS-11学习者信息模型规范， 技术的主流算法，该算法的相关研究工作大多集 以学习风格理论和教育目标分类理论16为指 中在相似度计算和用户对资源评分的优化上。 导，将学习者特征分为静态特征和动态特征两个 在相似度计算方面，Wang等提出了基于Kul- 部分，其中，静态特征包括学习者基本信息、学习 back-Leibler散度的项目相似度计算方法来改进 风格和静态兴趣偏好，动态特征包括认知水平和 相似度计算，提高推荐准确率；Jiang等提出了 动态兴趣偏好。静态特征是学习者的初始特征， 基于Quasi-norm的用户相似度计算方法，来提高 在整个学习过程中不能随着学习深入而发生变 推荐精度；Mu等提出了一种改进的Pearson相 化，不能表示学习者的个性化特征程度，但作为 关系数的方法改进相似度计算从而改善推荐结 基本特征可以解决初始用户在推荐过程中存在的 果。他们都是通过提高用户相似性的度量来提高 冷启动问题。动态特征是指随着学习行为的发 信息推荐的质量。但是协同过滤在应用到学习资 生，学习者的一些隐含特征逐渐显现，如学习认 源个性化推荐方面，仅靠提高相似度很难提高推 知状态和对某些资源的学习评价等都会随着时 荐质量，将学习者这一学习资源推荐的主体与信 间发生变化，因此动态特征是构建学习者模型的 息资源推荐的用户相对比，学习者的学习风格、 重点。学习者的静态和动态数据通过采集层进行 偏好、背景、认知水平等个性化特征更为复杂，学 数据采集，在数据层完成信息归类，数据分析层 习者的复杂特征对在线学习资源推荐质量影响较 将归类好的信息进行进一步数据挖掘，为表示 大，国内外诸多研究人员对学习者展开研究。Wang 层的学习风格、认知水平、静态和动态兴趣偏好 等设计了自适应的推荐模型，该模型研究了学 特征提供数据基础。学习者模型构建过程如图1 习者的兴趣偏好特征，并以学习者和学习资源的 所示。 相关性为依据，挖掘基于本体的学习资源的语义 1.1数据采集 关系；Segal等将社会选择特征融人传统的协同 学习者的初始静态数据和动态行为数据是构 过滤算法，提出了Edu Rank算法，该算法可适应 建学习者模型的数据基础。通过学习者注册时所 个性化教学；Zhang等9提出基于本体的语义关系 填写的问卷、量表等获取学习者模型的基本信 模型，并将协同过滤算法与改模型融合；Aleksa- 息、学习风格以及静态的兴趣偏好等特征信息； ndra等io提出采用聚类方法的学习者学习风格 通过调取学习平台的章节知识点测评数据和各类 模型，并改进矩阵分解方法进行推荐。 学习者行为数据获取学习者的认知水平和动态兴 学习者是在线学习的参与者，学习资源推荐 趣偏好特征。通过数据采集层实现基础数据的获 的个性化程度，直接决定着学习者的学习效果， 取与收集，为下一步的归类分析挖掘以及特征表 因此在推荐时不仅要考虑相似度的计算方法的改 示做基础。 进，更要研究学习者的个性化特征。个性化的学 1.2学习风格的特征表示 习者模型的构建是学者们研究的重点1)，但大 学习风格的概念是1954年由美国赛伦首次 多研究都较集中在学习者行为数据分析、学习资 提出的，它是反应学习者生理、心理等需要的概 源特征分析、语义特征分析等单一方面，缺乏对 念，学习风格的研究为学习者模型的个性化要求 学习者整体特征的综合分析和学习者多维度特征 提供了依据7。以Felder-.Silverman风格模型为基
3 月时达到高峰，为 4.23 亿，占比数据为 46.8%[1]。 面对巨大的在线学习需求，在线教育机构提供免 费在线课程，共享在线教学资源，在线教育行业 呈现爆发式增长趋势。然而随着在线学习平台的 广泛使用，在线学习资源的数量也急剧增长，在 数量庞大的在线学习资源中，学习者很难快速定 位自己需要的资源，导致“信息迷航”。 信息推荐是解决用户从海量对象中迅速有效 地筛选出符合自己偏好特征的对象的方法[2]。目 前，信息推荐技术被广泛应用于诸多领域。将信 息推荐技术应用到在线教育，实现在线教育过程 中学习资源的个性化推荐是解决“信息迷航”问题 的一个有效途径。协同过滤算法是目前信息推荐 技术的主流算法，该算法的相关研究工作大多集 中在相似度计算和用户对资源评分的优化上[3]。 在相似度计算方面，Wang 等 [4] 提出了基于 Kullback-Leibler 散度的项目相似度计算方法来改进 相似度计算，提高推荐准确率；Jiang 等 [5] 提出了 基于 Quasi-norm 的用户相似度计算方法，来提高 推荐精度；Mu 等 [6] 提出了一种改进的 Pearson 相 关系数的方法改进相似度计算从而改善推荐结 果。他们都是通过提高用户相似性的度量来提高 信息推荐的质量。但是协同过滤在应用到学习资 源个性化推荐方面，仅靠提高相似度很难提高推 荐质量，将学习者这一学习资源推荐的主体与信 息资源推荐的用户相对比，学习者的学习风格、 偏好、背景、认知水平等个性化特征更为复杂，学 习者的复杂特征对在线学习资源推荐质量影响较 大，国内外诸多研究人员对学习者展开研究。Wang 等 [7] 设计了自适应的推荐模型，该模型研究了学 习者的兴趣偏好特征，并以学习者和学习资源的 相关性为依据，挖掘基于本体的学习资源的语义 关系；Segal 等 [8] 将社会选择特征融入传统的协同 过滤算法，提出了 Edu Rank 算法，该算法可适应 个性化教学；Zhang 等 [9] 提出基于本体的语义关系 模型，并将协同过滤算法与改模型融合；Aleksandra 等 [10] 提出采用聚类方法的学习者学习风格 模型，并改进矩阵分解方法进行推荐。 学习者是在线学习的参与者，学习资源推荐 的个性化程度，直接决定着学习者的学习效果， 因此在推荐时不仅要考虑相似度的计算方法的改 进，更要研究学习者的个性化特征。个性化的学 习者模型的构建是学者们研究的重点[11-13] ，但大 多研究都较集中在学习者行为数据分析、学习资 源特征分析、语义特征分析等单一方面，缺乏对 学习者整体特征的综合分析和学习者多维度特征 的个性化研究。本文以在线学习平台中的学习者 真实数据为依托，以学习者为中心，提出融合学 习者多维度模型的在线学习资源协同过滤推荐方 法，优化在线教学学习效果，进一步提高在线教 育的个性化程度。 1 多维度学习者模型构建 学习者是在线学习的主体，具有静态和动态 的个性化特征，学习者模型用于描述学习者特 征，该模型的构建是提高在线学习资源推荐性 能，优化推荐精度，实现个性化推荐的核心。在 构建学习者模型时首选要确定学习者的个性化特 征，本文依据 CELTS-11 学习者信息模型规范[14] ， 以学习风格理论[15] 和教育目标分类理论[16] 为指 导，将学习者特征分为静态特征和动态特征两个 部分，其中，静态特征包括学习者基本信息、学习 风格和静态兴趣偏好，动态特征包括认知水平和 动态兴趣偏好。静态特征是学习者的初始特征， 在整个学习过程中不能随着学习深入而发生变 化，不能表示学习者的个性化特征程度，但作为 基本特征可以解决初始用户在推荐过程中存在的 冷启动问题。动态特征是指随着学习行为的发 生，学习者的一些隐含特征逐渐显现，如学习认 知状态和对某些资源的学习评价等都会随着时 间发生变化，因此动态特征是构建学习者模型的 重点。学习者的静态和动态数据通过采集层进行 数据采集，在数据层完成信息归类，数据分析层 将归类好的信息进行进一步数据挖掘，为表示 层的学习风格、认知水平、静态和动态兴趣偏好 特征提供数据基础。学习者模型构建过程如图 1 所示。 1.1 数据采集 学习者的初始静态数据和动态行为数据是构 建学习者模型的数据基础。通过学习者注册时所 填写的问卷、量表等获取学习者模型的基本信 息、学习风格以及静态的兴趣偏好等特征信息； 通过调取学习平台的章节知识点测评数据和各类 学习者行为数据获取学习者的认知水平和动态兴 趣偏好特征。通过数据采集层实现基础数据的获 取与收集，为下一步的归类分析挖掘以及特征表 示做基础。 1.2 学习风格的特征表示 学习风格的概念是 1954 年由美国赛伦首次 提出的，它是反应学习者生理、心理等需要的概 念，学习风格的研究为学习者模型的个性化要求 提供了依据[17]。以 Felder-Silverman 风格模型为基 ·1118· 智 能 系 统 学 报 第 16 卷
第6期 刘芳，等：融入学习者模型在线学习资源协同过滤推荐方法 ·1119· 础，以所罗门学习风格量表(index of learning style 化，在数据采集层每一个学习者都要填写学习风 questionnaire,.LSQ)为手段，将学习者的学习 格调查量表，将获取的LSQ量表结果送入数据 风格从感知、输入、处理和理解4个维度进行量 层和分析层，在表示层构建学习风格特征。 数据采集层 数据层 数据分析层 表示层 静态数据 学习风格问卷调查 扩展信息 学习风格维度分析 静态学习风格特征 学习兴趣标签选择 偏好信息 学习兴趣标签分析 静态兴趣偏好特征 动态数据 章节知识点分析 章节知识点测评 绩效信息 动态认知水平特征 试题测试成绩分析 资源浏览行为分析 资源收藏行为分析 学习者行为数据 扩展信息 动态兴趣偏好特征 资源分享行为分析 资源下载行为分析 资源评价行为分析 图1学习者模型构建过程 Fig.1 Building process of learner model 学习风格特征量化的具体流程如下： 学习者的学习过程是一个动态变化的过程，学 1)以四元组(={1,2,3,4})的形式表示 习过程中各种操作都会产生相应的行为信息，该 学习风格量化结果，L,表示ILSQ的4个维度； 信息反映了当前学习者的兴趣偏好，本文将随着 V表示在L,维度下的学习风格倾向的量化数值， 时间变化产生的兴趣偏好称为动态兴趣偏好， 其形式化定义为 具体的量化过程如下： Ls={(《L1,V1),(L2,V2,(L3,V〉 1)学习者行为分类及权重计算 (L4,V4)川V∈[-1,1]} 学习者行为主要分为5类，即浏览行为、收藏 2)学习者填写LSQ量表时，共44道题，每题 行为、分享行为、下载行为以及评价行为，不同的 包含两个选项A和B,答题结果的值定义为P,其 行为所代表的学习者的隐含偏好程度是不同 中j表示题号； 的2，这里引入权重来表示不同的学习行为的贡 3)根据P,的结果筛选处理，分类累加，最后 献程度。权重的确定方法有很多种，专家评测或 的累加结果用a和b表示： 者经验主义权重具有一定的主观性，本文采用熵 4)对a和b值的大小进行判断，如果a>b,则 权法确定权重)学习者行为分类、权重分布及本 '=(a-b)a;如果a<b,则'=(b-a)a: 文最后采用的权重数值，如表1所示，其中"，表 5)学习风格特征的测试结果四元组Ls则为 示第i个行为所占的权重分配。 学习者的学习风格特征量化结果。 表1学习者行为分类及权重分布 13兴趣偏好的特征表示 Table 1 Learner behavior classification and weight distri- 学习者的兴趣偏好特征分为静态兴趣偏好特 bution 征和动态兴趣偏好特征。将数据集中的学习资源 行为分类 权重分配 数值 通过部分人工标注，再将剩余的资源通过相似度 浏览行为 w1 0.176 计算、最近邻排序等方法，实现自动标注，最后通 收藏行为 12 0.193 过人工查询相关反馈机制进行校核，保证学习资 分享行为 13 0.195 源特征表示的准确性。以学习资源特征构成的规 下载行为 1w4 范化标签集合为选项，构建静态兴趣偏好问卷， 0.212 评价行为 在数据采集层每一个学习者都要填写静态兴趣偏 13 0.224 好问卷，将获取的结果送入数据层和分析层，在 2)学习者-学习资源评分矩阵构建 表示层构建静态兴趣偏好特征。 依据学习行为及其所占的权重分配构建学习
础，以所罗门学习风格量表（index of learning style questionnaire， ILSQ） [18] 为手段，将学习者的学习 风格从感知、输入、处理和理解 4 个维度进行量 化，在数据采集层每一个学习者都要填写学习风 格调查量表，将获取的 ILSQ 量表结果送入数据 层和分析层，在表示层构建学习风格特征。 数据采集层 数据分析层 表示层 静态学习风格特征 资源浏览行为分析 资源收藏行为分析 资源分享行为分析 资源下载行为分析 静态数据 章节知识点分析 试题测试成绩分析 学习风格维度分析 学习兴趣标签分析 动态兴趣偏好特征 动态认知水平特征 学习兴趣标签选择 学习风格问卷调查 章节知识点测评 数据层 偏好信息 绩效信息 学习者行为数据 动态数据 静态兴趣偏好特征 扩展信息 扩展信息 资源评价行为分析 图 1 学习者模型构建过程 Fig. 1 Building process of learner model 学习风格特征量化的具体流程如下： 1）以四元组(i={1,2,3,4}) 的形式表示 学习风格量化结果，Li 表示 ILSQ 的 4 个维度； Vi 表示在 Li 维度下的学习风格倾向的量化数值， 其形式化定义为 LS = {(⟨L1,V1⟩,⟨L2,V2⟩,⟨L3,V3⟩, ⟨L4,V4⟩)|Vi ∈ [−1，1]} 2）学习者填写 ILSQ 量表时，共 44 道题，每题 包含两个选项 A 和 B，答题结果的值定义为 Pj，其 中 j 表示题号； 3）根据 Pj 的结果筛选处理，分类累加，最后 的累加结果用 a 和 b 表示； 4）对 a 和 b 值的大小进行判断，如果 a>b，则 Vi=(a−b)a；如果 a<b，则 Vi=(b−a)a； 5）学习风格特征的测试结果四元组 LS 则为 学习者的学习风格特征量化结果。 1.3 兴趣偏好的特征表示 学习者的兴趣偏好特征分为静态兴趣偏好特 征和动态兴趣偏好特征。将数据集中的学习资源 通过部分人工标注，再将剩余的资源通过相似度 计算、最近邻排序等方法，实现自动标注，最后通 过人工查询相关反馈机制进行校核，保证学习资 源特征表示的准确性。以学习资源特征构成的规 范化标签集合为选项，构建静态兴趣偏好问卷， 在数据采集层每一个学习者都要填写静态兴趣偏 好问卷，将获取的结果送入数据层和分析层，在 表示层构建静态兴趣偏好特征。 学习者的学习过程是一个动态变化的过程，学 习过程中各种操作都会产生相应的行为信息，该 信息反映了当前学习者的兴趣偏好，本文将随着 时间变化产生的兴趣偏好称为动态兴趣偏好[19] ， 具体的量化过程如下： 1）学习者行为分类及权重计算 学习者行为主要分为 5 类，即浏览行为、收藏 行为、分享行为、下载行为以及评价行为，不同的 行为所代表的学习者的隐含偏好程度是不同 的 [20] ，这里引入权重来表示不同的学习行为的贡 献程度。权重的确定方法有很多种，专家评测或 者经验主义权重具有一定的主观性，本文采用熵 权法确定权重[21] 学习者行为分类、权重分布及本 文最后采用的权重数值，如表 1 所示，其中 wi 表 示第 i 个行为所占的权重分配。 表 1 学习者行为分类及权重分布 Table 1 Learner behavior classification and weight distribution 行为分类 权重分配 数值 浏览行为 w1 0.176 收藏行为 w2 0.193 分享行为 w3 0.195 下载行为 w4 0.212 评价行为 w5 0.224 2）学习者−学习资源评分矩阵构建 依据学习行为及其所占的权重分配构建学习 第 6 期 刘芳，等：融入学习者模型在线学习资源协同过滤推荐方法 ·1119·
·1120· 智能系统学报 第16卷 者-资源评分矩阵Pm,该矩阵可作为学习者对学 学习者的兴趣偏好特征会随着学习的深入产生 习资源的评价依据，Pn为 偏移，动态兴趣偏好特征的调整包括各类行为的 512 特征表示和时间因素，行为特征采用上述的渐增 S21 S22 函数，而时间因素表征了学习者基于时间参数的特 征，采用时间衰减函数来进行计算四。学习者的动 Sml Sm2… 态兴趣偏好特征时间因素的计算公式为 Pmxn矩阵中的每个值都表示学习者4m对资 Fme=0+(1-0exp[-(ow-ta)】,1≤k≤1 源in的行为权重，如果s=0,那么说明学习者 式中：lnow为当前时间；tm表示学习者u被标签 4并未对产生任何行为，如果矩阵元素全为0， t标注的时间集合里的最近值；超参数0∈[0,1] 则说明学习者”，并没有开始学习。 可以影响时间因素对动态兴趣特征的计算，二者 3)学习资源-学习标签矩阵构建 表现为负相关。 为了建立学习者与学习资源标签的直接关联 将行为特征和时间权重特征进行综合，得到 关系，首先构建学习资源标签矩阵来表征学习资 学习者的动态兴趣偏好特征，即 源的特征： F=FRFm,1≤k≤I ru T12 ru 1.4认知水平的特征表示 r2t T22 On= 学习者的认知水平特征描述的是学习者在学 习某个知识点之后，对该知识点对应的试题进行 2nx1矩阵中的元素rk表示资源i是否拥有标 测试，获取的对该知识点的掌握程度。 签，r=1表示标签1标注了资源；r=0表示未 以“布鲁姆教育目标分类理论”为依据，知识 被标注，因此矩阵2是一个由0和1构成的矩阵。 点对应的学习资源的学习目标被分为6个等级 依据学习者-学习资源评分矩阵Pmxn和学习 (如图2)，这6个等级代表着不同学习者对核心知 者-学习资源标签矩阵Qnx!构建学习者-标签矩 识点掌握程度，即认知水平。在学习过程中，采 阵Tm: 集层的章节知识测试数据代表了绩效信息，通过 分析章节知识点和试题测试成绩，获取认识水平 811 812 81n 821 822 82 特征，由于该项指标分为6个等级，不同的学习者 T 会有不同的整体认知水平，同一个学习者不同时 8ml gm2… 期对于不同的知识点也会有不同的水平状态，因 此认知水平体现着学习者的个性化特征。学习者 式中：8数一，T矩阵中的元素8表示在 的认知水平特征表达式为 学习资源标签上不断累积的学习者4的行为权 K={(k1,l1),(k,I2),…,(k,l),…,(km,In)} 重，Tmx1用来表示学习者产生行为之后的动态兴 式中：k表示第i个知识点；l表示对第i个知识点 趣偏好矩阵。 的掌握程度，即认知水平，n是学已学过的知识点 4)学习者动态兴趣偏好行为特征表示 数量。 学习者的不同行为操作在学习资源上累积可 以用动态兴趣偏好矩阵Tmx1来表示，学习者对资 第i个资源知识点 学习目标 对应等级 源的偏好程度体现着学习者之间的差异，这一差 形 记忆 1 异在表征学习者的行为特征属性时是一个渐增函 领会 2 数，其计算公式为 描 应用 3 =e装- 1≤k≤1 分析 式中：gt(1≤k≤)是学习者兴趣偏好在学习资源 用K,表示I的取值依据》 评价 上的累加值，是学习者“在关联资源的标签k上 创造 6 不断累加的行为之和：ⅴ是学习者平均兴趣偏好 值；λ是学习者行为累加和的最小值，用来消除不 图2学习资源知识点掌握程度的表示方法 同学习者间兴趣偏好偏差。 Fig.2 Representation method of learning resources know- 5)时间因素调整动态兴趣偏好特征的偏移 ledge points master degree
Pm×n 者−资源评分矩阵 Pm×n，该矩阵可作为学习者对学 习资源的评价依据， 为 Pm×n = s11 s12 ··· s1n s21 s22 ··· s2n . . . . . . . . . sm1 sm2 ··· smn Pm×n 矩阵中的每个值都表示学习者 um 对资 源 i n 的行为权重，如果 s u i=0，那么说明学习者 uj 并未对 ik 产生任何行为，如果矩阵元素全为 0， 则说明学习者 uj 并没有开始学习。 3）学习资源−学习标签矩阵构建 为了建立学习者与学习资源标签的直接关联 关系，首先构建学习资源标签矩阵来表征学习资 源的特征： Qn×l = r11 r12 ··· r1l r21 r22 ··· r2l . . . . . . . . . rn1 rn2 ··· rnl Qn×l 矩阵中的元素 rjk 表示资源 ij 是否拥有标 签 tk，rjk=1 表示标签 tk 标注了资源 ij；rjk=0 表示未 被标注，因此矩阵 Qn×l 是一个由 0 和 1 构成的矩阵。 依据学习者−学习资源评分矩阵 Pm×n 和学习 者−学习资源标签矩阵 Qn×l 构建学习者−标签矩 阵 Tm×l： Tm×l = g11 g12 ··· g1l g21 g22 ··· g2l . . . . . . . . . gm1 gm2 ··· gml gjk = ∑n c=1 式中： sjcrck，Tm×l 矩阵中的元素 gjk 表示在 学习资源标签 tk 上不断累积的学习者 uj 的行为权 重，Tm×l 用来表示学习者产生行为之后的动态兴 趣偏好矩阵。 4）学习者动态兴趣偏好行为特征表示 学习者的不同行为操作在学习资源上累积可 以用动态兴趣偏好矩阵 Tm×l 来表示，学习者对资 源的偏好程度体现着学习者之间的差异，这一差 异在表征学习者的行为特征属性时是一个渐增函 数，其计算公式为 F op utk = exp( guk vutk −λ ) , 1 ⩽ k ⩽ l 式中： guk(1 ⩽ k ⩽ l) 是学习者兴趣偏好在学习资源 上的累加值，是学习者 u 在关联资源的标签 tk 上 不断累加的行为之和；v 是学习者平均兴趣偏好 值；λ 是学习者行为累加和的最小值，用来消除不 同学习者间兴趣偏好偏差。 5）时间因素调整动态兴趣偏好特征的偏移 学习者的兴趣偏好特征会随着学习的深入产生 偏移，动态兴趣偏好特征的调整包括各类行为的 特征表示和时间因素，行为特征采用上述的渐增 函数，而时间因素表征了学习者基于时间参数的特 征，采用时间衰减函数来进行计算[22]。学习者的动 态兴趣偏好特征时间因素的计算公式为 F time utk = θ+(1−θ) exp[−(tnow −tutk )], 1 ⩽ k ⩽ 1 tut 式中： k t n ow 为当前时间； 表示学习者 u 被标签 tk 标注的时间集合里的最近值；超参数 θ∈[0,1] 可以影响时间因素对动态兴趣特征的计算，二者 表现为负相关。 将行为特征和时间权重特征进行综合，得到 学习者的动态兴趣偏好特征，即 Futk = F op utkF time utk , 1 ⩽ k ⩽ l 1.4 认知水平的特征表示 学习者的认知水平特征描述的是学习者在学 习某个知识点之后，对该知识点对应的试题进行 测试，获取的对该知识点的掌握程度。 以“布鲁姆教育目标分类理论”为依据，知识 点对应的学习资源的学习目标被分为 6 个等级 (如图 2)，这 6 个等级代表着不同学习者对核心知 识点掌握程度，即认知水平。在学习过程中，采 集层的章节知识测试数据代表了绩效信息，通过 分析章节知识点和试题测试成绩，获取认识水平 特征，由于该项指标分为 6 个等级，不同的学习者 会有不同的整体认知水平，同一个学习者不同时 期对于不同的知识点也会有不同的水平状态，因 此认知水平体现着学习者的个性化特征。学习者 的认知水平特征表达式为 KL = {(k1,l1),(k2,l2),··· ,(ki ,li),··· ,(kn,ln)} 式中：ki 表示第 i 个知识点；li 表示对第 i 个知识点 的掌握程度，即认知水平，n 是学已学过的知识点 数量。 第 i 个资源知识点 用 Ki 表示 li 的取值依据 记忆 领会 应用 分析 评价 创造 1 2 3 4 5 6 学习目标 对应等级 映射 形 式 化 描 述 图 2 学习资源知识点掌握程度的表示方法 Fig. 2 Representation method of learning resources knowledge points master degree ·1120· 智 能 系 统 学 报 第 16 卷
第6期 刘芳，等：融入学习者模型在线学习资源协同过滤推荐方法 ·1121· 2融合学习者模型的协同过滤改进 sim(um,un)syle=1+d(S) 协同过滤是信息推荐技术中经典的推荐方 3)静态综合特征相似度计算 法2326，本文采用协同过滤作为在线学习资源推 将学习风格特征相似度和静态兴趣偏好特征 荐的基本算法，实现基本的推荐，在基本推荐的 相似度加权融合形成学习者静态综合特征相似 基础上融合学习者模型的多维度特征，进行精准 度，超参数a∈[0,1]可以影响学习风格和静态兴 推荐。 趣偏好的影响程度，α的具体数值通过实验统计 2.1基于协同过滤的在线学习资源推荐 数据的经验获得，静态综合相似度计算公式为 经典协同过滤技术的推荐过程分成3个部 Sim(um:Un)statie 分：1)收集学习者对学习资源的评分，构建学习 asim(umu)interest+(1-a)sim(umu)syle 者-学习资源评分矩阵：2)学习者-学习资源评分 2.3 融合学习者动态特征的协同过滤推荐改进 矩阵隐含着学习者对学习资源的兴趣偏好，因此 为丰富推荐结果的多样性，提高推荐结果的 可以通过相似度计算求出与被推荐的学习者具有 准确性，在融合静态特征推荐的基础上，引入学 相似兴趣偏好的学习者集合，构成K近邻学习者 习资源-学习标签矩阵，结合基础协同过滤算法 集合：3)计算K近邻学习者集合中每个学习者对 中用到的学习者-学习资源评分矩阵，构建学习 学习资源的评分，产生被推荐学习者对学习资源 者-学习标签矩阵，更新动态兴趣偏好特征。通 的预测评分，按照评分进行排序，产生学习资源 过分析章节知识点和试题测试成绩，获取认识水 推荐集合，在该集合中筛选出没有被被推荐学习 平特征，通过计算融合动态兴趣偏好特征和认知 者学习过的Top-N个资源，这Top-N个资源就是 水平特征的相似度，得到融合学习者动态特征的 最后的推荐结果。 K近邻学习者集合，由K近邻集合得到推荐资源 2.2融合学习者静态特征的协同过滤推荐改进 列表的过程与基于协同过滤的方法一致。 冷启动问题是推荐系统的共性问题，它指的 1)融合行为特征和时间权重特征的兴趣偏好 是在面对刚刚进入推荐系统的新学习者时，由于 相似度计算 行为数据较少，因此系统无法获取初始学习者的 以学习者对学习资源的评分来描述学习者的 隐含偏好信息，本文构建的学习者模型的静态特 兴趣偏好特征是不全面不准确的，在构建学习者 征可以较好地解决冷启动问题。在数据采集层通 模型动态兴趣偏好特征时，融入各类学习行为， 过问卷、量表等方式获取学习者的学习风格以及 再对这些行为加权计算，构建融合行为加权的学 静态的兴趣偏好等特征信息，通过加权融合计算 习者-学习资源评分矩阵，从而构建学习者-学习 学习者静态综合特征相似度，按相似度排序构成 标签矩阵，再融合时间因素，表示学习者动态兴 K近邻学习者集合，根据K近邻学习者的学习资 趣偏好特征随着学习行为的持续和时间的深入产 源列表完成初始学习者的推荐。 生的偏移问题。 1)静态兴趣偏好特征相似度计算 融合行为特征和时间特征的兴趣偏好特征向 学习者的初始兴趣偏好标签个数为q,学习 量表示为F。={F,F,…,Fm,,学习者um和un之间 者山m的初始兴趣偏好标签个数为p,学习者un和 的相似性可以通过皮尔逊相关系数进行计算，即 m之间含相同标签数目为k,相似度计算公式为 sim(um,un)interest_updata k ∑(Fn-Fn)x(F-F) Sim(um,Un)interest= 9+p-k 2)学习风格特征相似度计算 ∑(F-F∑ (E-F VLET ET 学习风格包括4个维度，不同维度的分数值 式中：Tmm由学习者um和un的兴趣偏好标签的交 表示为S={s,s2,S,S4},将S值标准化之后，利用 集构成的标签集合；Fm,和Fn,t分别表示学习者 欧几里得距离公式计算学习风格距离，其计算公 山m和4n对标签1，的兴趣特征值；Fm和下n分别表示 式为 学习者4m和4n对集合中所有标签的平均兴趣 值。计算学习者的兴趣特征值相似度，并按相似 d()style= -S)2 L- 度的高低进行排序，构建出与目标学习者兴趣特 m和4n的学习风格相似度计算公式为 征最为相似的近邻学习者集合U={1,2,…,m,…
2 融合学习者模型的协同过滤改进 协同过滤是信息推荐技术中经典的推荐方 法 [23-26] ，本文采用协同过滤作为在线学习资源推 荐的基本算法，实现基本的推荐，在基本推荐的 基础上融合学习者模型的多维度特征，进行精准 推荐。 2.1 基于协同过滤的在线学习资源推荐 经典协同过滤技术的推荐过程分成 3 个部 分：1）收集学习者对学习资源的评分，构建学习 者–学习资源评分矩阵；2）学习者–学习资源评分 矩阵隐含着学习者对学习资源的兴趣偏好，因此 可以通过相似度计算求出与被推荐的学习者具有 相似兴趣偏好的学习者集合，构成 K 近邻学习者 集合；3）计算 K 近邻学习者集合中每个学习者对 学习资源的评分，产生被推荐学习者对学习资源 的预测评分，按照评分进行排序，产生学习资源 推荐集合，在该集合中筛选出没有被被推荐学习 者学习过的 Top-N 个资源，这 Top-N 个资源就是 最后的推荐结果。 2.2 融合学习者静态特征的协同过滤推荐改进 冷启动问题是推荐系统的共性问题，它指的 是在面对刚刚进入推荐系统的新学习者时，由于 行为数据较少，因此系统无法获取初始学习者的 隐含偏好信息，本文构建的学习者模型的静态特 征可以较好地解决冷启动问题。在数据采集层通 过问卷、量表等方式获取学习者的学习风格以及 静态的兴趣偏好等特征信息，通过加权融合计算 学习者静态综合特征相似度，按相似度排序构成 K 近邻学习者集合，根据 K 近邻学习者的学习资 源列表完成初始学习者的推荐。 1）静态兴趣偏好特征相似度计算 学习者 un 的初始兴趣偏好标签个数为 q，学习 者 um 的初始兴趣偏好标签个数为 p，学习者 un 和 um 之间含相同标签数目为 k，相似度计算公式为 sim(um,un)interest = k q+ p−k 2）学习风格特征相似度计算 学习风格包括 4 个维度，不同维度的分数值 表示为 S={s1 , s2 , s3 , s4}，将 S 值标准化之后，利用 欧几里得距离公式计算学习风格距离，其计算公 式为 d(S m,S n)style = tv∑4 k=1 (S tk m −S tk n ) 2 um 和 un 的学习风格相似度计算公式为 sim(um,un)style = 1 1+d(S m,S n) 3）静态综合特征相似度计算 将学习风格特征相似度和静态兴趣偏好特征 相似度加权融合形成学习者静态综合特征相似 度，超参数 α∈[0,1] 可以影响学习风格和静态兴 趣偏好的影响程度，α 的具体数值通过实验统计 数据的经验获得，静态综合相似度计算公式为 sim(um,un)static = αsim(um,un)interest +(1 −α)sim(um,un)style 2.3 融合学习者动态特征的协同过滤推荐改进 为丰富推荐结果的多样性，提高推荐结果的 准确性，在融合静态特征推荐的基础上，引入学 习资源–学习标签矩阵，结合基础协同过滤算法 中用到的学习者–学习资源评分矩阵，构建学习 者–学习标签矩阵，更新动态兴趣偏好特征。通 过分析章节知识点和试题测试成绩，获取认识水 平特征，通过计算融合动态兴趣偏好特征和认知 水平特征的相似度，得到融合学习者动态特征的 K 近邻学习者集合，由 K 近邻集合得到推荐资源 列表的过程与基于协同过滤的方法一致。 1）融合行为特征和时间权重特征的兴趣偏好 相似度计算 以学习者对学习资源的评分来描述学习者的 兴趣偏好特征是不全面不准确的，在构建学习者 模型动态兴趣偏好特征时，融入各类学习行为， 再对这些行为加权计算，构建融合行为加权的学 习者–学习资源评分矩阵，从而构建学习者–学习 标签矩阵，再融合时间因素，表示学习者动态兴 趣偏好特征随着学习行为的持续和时间的深入产 生的偏移问题。 Fu = {Fut1 ,Fut2 , ··· ,Futj } um un 融合行为特征和时间特征的兴趣偏好特征向 量表示为 ，学习者 和 之间 的相似性可以通过皮尔逊相关系数进行计算，即 ∑ sim(um,un)interest_updata = ti∈Tmn (Fm,ti − Fm)×(Fn,ti − Fn) vuuuut∑ ti∈Tmn (Fm,ti − Fm) 2 × vuuuut∑ ti∈Tmn (Fm,ti − Fn) 2 Fm,ti Fn,ti Fm Fn U = {u1,u2,··· ,um,··· , 式中：Tmn 由学习者 um 和 un 的兴趣偏好标签的交 集构成的标签集合； 和 分别表示学习者 um 和 un 对标签 ti 的兴趣特征值； 和 分别表示 学习者 um 和 un 对集合中所有标签的平均兴趣 值。计算学习者的兴趣特征值相似度，并按相似 度的高低进行排序，构建出与目标学习者兴趣特 征最为相似的近邻学习者集合 第 6 期 刘芳，等：融入学习者模型在线学习资源协同过滤推荐方法 ·1121·
·1122· 智能系统学报 第16卷 },这里k为超参数，具体数值通过经验或实验 在测试集上感兴趣的资源的交集与学习者在测试 验证给出。 集上感兴趣的资源的比率，即 2)融合认知水平特征的相似度计算 R-∑IRu)nTuW∑IT(l 将学习者wm在已学习过的知识点上的认知水 平的集合表示为L(m)={L(um)=k14m,h4n),(k24m 式中：R(0)表示推荐产生的学习资源：T()表示学 h2山m),…,(k4n,hm)》。其中，k4m表示学习者4m掌 习者在测试集上关注的学习资源。随着学习资源 握的第j个知识点；h,lm表示对第j个知识点的学 推荐个数的增多，准确率会有所下降，但是召回 习者4m的掌握程度，即认知水平。使用余弦相似 率有所上升。对测试集所有学习者的上述度量求 度计算公式计算学习者的认知水平相似度，构建 均值计算平均准确率AP和平均召回率AR,引入 出与目标学习者认知水平特征最为相似的近邻学 F,值度量整体推荐方法的性能，F,值越大，表示 习者集合，学习者um和u,的认知水平相似度计算 该推荐方法性能越好，F值计算公式为 F,=2×APx AR/(AP+AR) 公式为 33实验结果与分析 本文构建的学习者模型包括静态特征和动态 UmUn sim(umun)evel= uu 特征，其中，静态特征包括静态兴趣偏好特征和 静态学习风格特征；动态特征包括动态兴趣偏好 3)学习者动态综合特征相似度计算 特征和动态认知水平特征。从验证融合学习者特 将2种动态特征相似度加权，计算出学习者 征算法有效性角度出发，首先基于学习者对学习 的动态综合特征相似度。设置参数B调整融合比 资源的评分矩阵，实现了基于经典协同过滤的推 例，具体计算公式为 荐。在此基础上融合各项动静态特征，本文的经 Sim(um,Un)statie= 典协同过滤算法采用文献2]中的通过构建“用户- Bsim(um,u)interesupdata+(1-B)sim(um,u)style upata 项目”评分矩阵计算用户相似度，匹配近邻用户进 行推荐的方法。 3实验结果与分析 1)融合学习者静态特征实验分析 3.1实验数据集 基于协同过滤方法，融合学习者静态特征，在 以超星为在线学习资源推荐研究依托平台， 学习资源推荐个数为5、10、15、20、25、30、35时 《C程序设计》课程的学习资料为学习资源，东 的准确率、召回率和F,值比较如图3所示。通过 北石油大学《C程序设计》学习者2020年3月 实验结果可知，对比于只依靠学习者对学习资源 到2020年7月时间段的学生的真实学习行为为 评分矩阵的经典协同过滤推荐，融合了学习者模 数据开展实验，数据集中主要有3类文件：1)学 型的单项的静态特征会提高整体推荐的性能，但 习者特征中的静态数据文件，包括学生基本信 是单项实验并不会得出哪个特征对推荐结果的影 息、学习风格信息和学习兴趣信息；2)学习者特 响更大，而且多项特征的融合效果也不会通过单 征中的动态数据文件，包括知识点测评信息，学 项实验得到，因此多项特征的融合参数如何选择 习资源浏览、收藏、下载、评价和分享行为数据； 也是要解决的问题。 3)带有标签信息的学习资源数据。原始数据经过 实验中涉及学习资源推荐个数k的实验参数 数据预处理后，共计数据20547条，学生849人， 和静态兴趣偏好特征与静态学习风格特征相融合 学习资源19876个，其中静态数据8567条，动态 的权重系数a。实验过程中，先定义推荐的学习 数据11980条。将数据集按照4：1的比例分为训 资源个数为5个，再对融合参数a取值从0.1~1的 练集和测试集进行模型的训练和测试。 推荐结果计算准确率和召回率的F,值，如图4所 3.2评价标准 示。当α取值为0.6时F值最高（见图4），因此在 准确率、召回率、F,是常用的用于评价推荐性 后续测试结果中令a=0.6,再通过实验测试对比分 能的评价标准。准确率是系统推荐给学习者的资 析融合静态兴趣偏好特征和静态学习风格特征在 源与学习者在测试集上感兴趣的资源的交集和系 不同学习资源推荐个数情况下的准确率和召回率。 统推荐给学习者的资源的比率，即 2)融合学习者动态特征实验分析 P=∑1R(WnTo∑R(ol 学习者动态特征融合包括学习者动态变化的 e 认知水平和学习者对学习资源持续性的学习体现 召回率是系统推荐给学习者的资源和学习者 出的动态兴趣偏好特征。通过多次实验对比分析
uk} ，这里 k 为超参数，具体数值通过经验或实验 验证给出。 2）融合认知水平特征的相似度计算 um L(um) = {L(um) = (k1um,h1um),(k2um, h2um),··· ,(kjum,hjum)} kjum um j hjum j um 将学习者 在已学习过的知识点上的认知水 平的集合表示为 。其中， 表示学习者 掌 握的第 个知识点； 表示对第 个知识点的学 习者 的掌握程度，即认知水平。使用余弦相似 度计算公式计算学习者的认知水平相似度，构建 出与目标学习者认知水平特征最为相似的近邻学 习者集合，学习者 um 和 un 的认知水平相似度计算 公式为 sim(um,un)level = um · un |um| · |un| ∑ k hj ,um hj,un √∑ k h 2 j ,um √∑ k h 2 j ,un 3）学习者动态综合特征相似度计算 β 将 2 种动态特征相似度加权，计算出学习者 的动态综合特征相似度。设置参数 调整融合比 例，具体计算公式为 sim(um,un)static = βsim(um,un)interest_updata +(1−β)sim(um,un)style_updata 3 实验结果与分析 3.1 实验数据集 以超星为在线学习资源推荐研究依托平台， 《C 程序设计》课程的学习资料为学习资源，东 北石油大学《C 程序设计》学习者 2020 年 3 月 到 2020 年 7 月时间段的学生的真实学习行为为 数据开展实验，数据集中主要有 3 类文件：1）学 习者特征中的静态数据文件，包括学生基本信 息、学习风格信息和学习兴趣信息；2）学习者特 征中的动态数据文件，包括知识点测评信息，学 习资源浏览、收藏、下载、评价和分享行为数据； 3）带有标签信息的学习资源数据。原始数据经过 数据预处理后，共计数据 20 547 条，学生 849 人， 学习资源 19 876 个，其中静态数据 8 567 条，动态 数据 11 980 条。将数据集按照 4∶1 的比例分为训 练集和测试集进行模型的训练和测试。 3.2 评价标准 准确率、召回率、F1 是常用的用于评价推荐性 能的评价标准。准确率是系统推荐给学习者的资 源与学习者在测试集上感兴趣的资源的交集和系 统推荐给学习者的资源的比率，即 P = ∑ u∈U |R(u)∩T(u)|/ ∑ u∈U |R(u)| 召回率是系统推荐给学习者的资源和学习者 在测试集上感兴趣的资源的交集与学习者在测试 集上感兴趣的资源的比率，即 R = ∑ u∈U |R(u)∩T(u)|/ ∑ u∈U |T(u)| 式中： R(u) 表示推荐产生的学习资源； T(u) 表示学 习者在测试集上关注的学习资源。随着学习资源 推荐个数的增多，准确率会有所下降，但是召回 率有所上升。对测试集所有学习者的上述度量求 均值计算平均准确率 AP 和平均召回率 AR，引入 F1 值度量整体推荐方法的性能，F1 值越大，表示 该推荐方法性能越好，F1 值计算公式为 F1 = 2×AP×AR/(AP+AR) 3.3 实验结果与分析 本文构建的学习者模型包括静态特征和动态 特征，其中，静态特征包括静态兴趣偏好特征和 静态学习风格特征；动态特征包括动态兴趣偏好 特征和动态认知水平特征。从验证融合学习者特 征算法有效性角度出发，首先基于学习者对学习 资源的评分矩阵，实现了基于经典协同过滤的推 荐。在此基础上融合各项动静态特征，本文的经 典协同过滤算法采用文献 [2] 中的通过构建“用户– 项目”评分矩阵计算用户相似度，匹配近邻用户进 行推荐的方法。 1）融合学习者静态特征实验分析 基于协同过滤方法，融合学习者静态特征，在 学习资源推荐个数为 5、10、15、20、25、30、35 时 的准确率、召回率和 F1 值比较如图 3 所示。通过 实验结果可知，对比于只依靠学习者对学习资源 评分矩阵的经典协同过滤推荐，融合了学习者模 型的单项的静态特征会提高整体推荐的性能，但 是单项实验并不会得出哪个特征对推荐结果的影 响更大，而且多项特征的融合效果也不会通过单 项实验得到，因此多项特征的融合参数如何选择 也是要解决的问题。 实验中涉及学习资源推荐个数 k 的实验参数 和静态兴趣偏好特征与静态学习风格特征相融合 的权重系数 α。实验过程中，先定义推荐的学习 资源个数为 5 个，再对融合参数 α 取值从 0.1~1 的 推荐结果计算准确率和召回率的 F1 值，如图 4 所 示。当 α 取值为 0.6 时 F1 值最高 (见图 4)，因此在 后续测试结果中令 α=0.6，再通过实验测试对比分 析融合静态兴趣偏好特征和静态学习风格特征在 不同学习资源推荐个数情况下的准确率和召回率。 2）融合学习者动态特征实验分析 学习者动态特征融合包括学习者动态变化的 认知水平和学习者对学习资源持续性的学习体现 出的动态兴趣偏好特征。通过多次实验对比分析 ·1122· 智 能 系 统 学 报 第 16 卷
第6期 刘芳，等：融入学习者模型在线学习资源协同过滤推荐方法 ·1123· 准确率、召回率和F,值，将时间参数0、动态特征 ■基于协同过滤的推荐 0.8 ■融合学习者静态特征的推荐 融合参数B调到最优值，最终在=0.2，=0.7时， 06 口融合学习者动态特征的推荐 推荐结果最准确。 0.4 ■基于协同过滤的推荐 0.2 ▣融合学习者静态兴趣偏好特征的推荐 0.7 「▣融合学习者静态学习风格特征的推荐 0.6 5 10 1520253035 0.5 学习资源推荐个数 0.4 图5不同推荐方法的准确率比较 0.3 0.2 Fig.5 Accuracy comparison of different recommended 0.1 methods 0 5 10 15202530 35 学习资源推荐个数 ■基于协同过滤的推荐 (a)准确率比较 0.8口融合学习者静态特征的推荐 ·基于协同过滤的推荐 解0.6 口融合学习者动态特征的推荐 ▣融合学习者静态兴趣偏好特征的推荐 黑04 0.7「▣融合学习者静态学习风格特征的推荐 0.5 5 101520253035 0.4 学习资源推荐个数 0.2 图6不同推荐方法的召回率比较 0.1 Fig.6 Recall rate comparison of different recommended methods 1015 2025 30 35 学习资源推荐个数 (b)召回率比较 基于协同过滤的推荐 融合 学习者静态特征的推荐 0.6 口融合学习者动态特征的推荐 ·基于协同过滤的推荐 ▣融合学习者静态兴趣偏好特征的推荐 4 0.50 「▣融合学习者静态学习风格特征的推荐 0.40 0.30 101520253035 0.20 学习资源推荐个数 0.10 图7不同推荐方法F值比较 10 15 202530 Fig.7 F value comparison of different recommended 35 学习资源推荐个数 methods (c)F值比较值 通过综合对比分析，得出结论：动态特征方 图3融合学习者各项静态特征的推荐性能 面，融合行为特征和时间特征的动态兴趣偏好特 Fig.3 Recommended performance of integrating learners' 征对最后推荐结果影响相对较大；静态特征方 various static characteristics 面，学习者的兴趣偏好特征要比学习者学习风格 0.8 特征影响大。整体上，融合学习者动态特征的推 0.6 荐性能优于融合学习者静态特征的推荐和基于协 同过滤的推荐。 0.2 -准确率--召回率一·F 4结束语 0.1 0.3 0.5 0.70.9 图4静态特征融合参数选择比较 目前在线教育学习平台中存在海量学习资 Fig.4 Static feature fusion parameter selection comparison 源，然而提供的服务个性化程度却不高，针对在 3)综合对比分析 线学习过程中的“信息迷航”问题，本文以在线学 综合对比分析基于协同过滤的推荐、融合学 习平台中的学习资源数据和学习者数据为采集层 习者静态特征的推荐和融合学习者动态特征的推 的基础数据，通过数据分析和挖掘，构建了多维 荐，从准确率、召回率和F,值3个角度进行分析， 度的个性化学习者模型。该学习者模型包括学习 实验数据如图5~7所示。 者静态特征和学习者动态特征，静态特征包括学
准确率、召回率和 F1 值，将时间参数 θ、动态特征 融合参数 β 调到最优值，最终在 θ=0.2，β=0.7 时， 推荐结果最准确。 0.7 0.6 0.5 0.4 准确率 0.3 0.2 0.1 0 5 10 15 学习资源推荐个数 (a) 准确率比较 20 25 30 35 基于协同过滤的推荐 融合学习者静态兴趣偏好特征的推荐 融合学习者静态学习风格特征的推荐 0.7 0.6 0.5 0.4 召回率 0.3 0.2 0.1 0 5 10 15 学习资源推荐个数 (b) 召回率比较 20 25 30 35 基于协同过滤的推荐 融合学习者静态兴趣偏好特征的推荐 融合学习者静态学习风格特征的推荐 0.40 0.50 0.30 0.20 F1 0.10 0 5 10 15 学习资源推荐个数 (c) F1 值比较值 20 25 30 35 基于协同过滤的推荐 融合学习者静态兴趣偏好特征的推荐 融合学习者静态学习风格特征的推荐 图 3 融合学习者各项静态特征的推荐性能 Fig. 3 Recommended performance of integrating learners’ various static characteristics 0.8 0.6 0.4 性能 0.2 0 0.1 0.3 0.5 0.7 0.9 准确率 召回率 F1 图 4 静态特征融合参数选择比较 Fig. 4 Static feature fusion parameter selection comparison 3）综合对比分析 综合对比分析基于协同过滤的推荐、融合学 习者静态特征的推荐和融合学习者动态特征的推 荐，从准确率、召回率和 F1 值 3 个角度进行分析， 实验数据如图 5~7 所示。 0.8 0.6 0.4 准确率 0.2 0 5 10 15 学习资源推荐个数 20 25 30 35 基于协同过滤的推荐 融合学习者静态特征的推荐 融合学习者动态特征的推荐 图 5 不同推荐方法的准确率比较 Fig. 5 Accuracy comparison of different recommended methods 基于协同过滤的推荐 融合学习者静态特征的推荐 融合学习者动态特征的推荐 0.8 0.6 0.4 召回率 0.2 0 5 10 15 学习资源推荐个数 20 25 30 35 图 6 不同推荐方法的召回率比较 Fig. 6 Recall rate comparison of different recommended methods 0 0.2 0.4 0.6 5 10 15 20 25 30 35 F1 学习资源推荐个数 基于协同过滤的推荐 融合学习者静态特征的推荐 融合学习者动态特征的推荐 图 7 不同推荐方法 F1 值比较 Fig. 7 F1 value comparison of different recommended methods 通过综合对比分析，得出结论：动态特征方 面，融合行为特征和时间特征的动态兴趣偏好特 征对最后推荐结果影响相对较大；静态特征方 面，学习者的兴趣偏好特征要比学习者学习风格 特征影响大。整体上，融合学习者动态特征的推 荐性能优于融合学习者静态特征的推荐和基于协 同过滤的推荐。 4 结束语 目前在线教育学习平台中存在海量学习资 源，然而提供的服务个性化程度却不高，针对在 线学习过程中的“信息迷航”问题，本文以在线学 习平台中的学习资源数据和学习者数据为采集层 的基础数据，通过数据分析和挖掘，构建了多维 度的个性化学习者模型。该学习者模型包括学习 者静态特征和学习者动态特征，静态特征包括学 第 6 期 刘芳，等：融入学习者模型在线学习资源协同过滤推荐方法 ·1123·
·1124· 智能系统学报 第16卷 习风格特征和静态兴趣偏好特征，动态特征包括 al.Enhancing e-learning systems with personalized re- 认知水平特征和动态兴趣偏好特征。采用协同过 commendation based on collaborative tagging 滤作为在线学习资源的基础方法，将学习者静态 techniques[J].Applied intelligence,2018,48(6): 特征和动态特征分别融入协同过滤的推荐方法 1519-1535. 中，通过实验得到的数据证实，本文构建的学习 [11]BAKER R S J D,CORBETT A T.ALEVEN V.More ac- 者模型，以及基于该模型构建的学习资源推荐方 curate student modeling through contextual estimation of 法提高了在线学习资源协同过滤推荐的性能。该 slip and guess probabilities in Bayesian knowledge tra- 方法对于满足个性化学习的需求、提高在线学习 cing[C]//Proceedings of the 9th International Conference 的学习效果具有重要意义。 on Intelligent Tutoring Systems.Montreal,Canada,2008. [12]SALEHI M.Application of implicit and explicit attribute 参考文献： based collaborative filtering and BIDE for learning re- source recommendation[J].Data knowledge engineer- [1]中国互联网络信息中心(CNNIC).第45次中国互联网 ing,2013,87:130-145. 络发展状况统计报告R].北京：中国互联网络信息中 [13]KURILOVAS E,SERIKOVIENE S.VUORIKARI R. 心(CNNIC),2020:4 Expert centred vs learner centred approach for evaluating [2]AL-SHAMRI M Y H.Power coefficient as a similarity quality and reusability of learning objects[J].Computers measure for memory-based collaborative recommender in human behavior,2014,30:526-534 systems[J].Expert systems with applications,2014,41(13): [14]现代远程教育技术标准化委员会.CELTS-11,学习者模 5680-5688 型规范[S].现代远程教育技术标准化委员会，2000：11. [3]NAJAFABADI MK,MOHAMED A,ONN C W.Anim- [15]COSTA R D,SOUZA G F,VALENTIM R A M,et al. pact of time and item influencer in collaborative filtering The theory of learning styles applied to distance recommendations using graph-based model[J].Informa- learning[J].Cognitive systems research,2020,64: tion processing management,2019,56(3):526-540. 134145. [4]WANG Yong,DENG Jiangzhou,GAO J,et al.A hybrid [16]ARIEVITCH I M.Reprint of:the vision of Development- user similarity model for collaborative filtering[]].Inform- al Teaching and Learning and Bloom's Taxonomy of edu- ation sciences,2017,418-419:102-118. cational objectives[J].Learning,culture and social inter- [5]JIANG Shan,FANG S C,AN Qi,et al.A sub-one quasi- action,2020,27:100473. norm-based similarity measure for collaborative filtering in [17]ZLATKOVIC D,DENIC N,PETROVIC M,et al.Ana- recommender systems[J].Information sciences,2019,487: lysis of adaptive e-learning systems with adjustment of 142-155 Felder-Silverman model in a Moodle DLS[J].Computer [6]MU Yi.XIAO Nianhao,TANG Ruichun,et al.An effi- applications in engineering education,2020,28(4): cient similarity measure for collaborative filtering[J.Pro- 803-813. cedia computer science,2019,147:416-421. [18]DASCALU MI,BODEA C N.MOLDOVEANU A,et al. [7]WANG T I.TSAI K H.LEE M C.et al.Personalized A recommender agent based on learning styles for better learning objects recommendation based on the semantic- virtual collaborative learning experiences[].Computers aware discovery and the learner preference pattern[J].Edu- in human behavior,2015,45:243-253. cational technology society,2007,10(3):84-105. [19]GONZALEZ G.LOPEZ B.DE LA ROSA J L.A multi- [8]SEGAL A.KATZIR Z.GAL Y.et al.EduRank:a collab- agent smart user model for cross-domain recommender orative filtering approach to personalization in E- systems[C]//Proceedings of Beyond Personalization 2005: learning[C]//Proceedings of the 7th International Confer- The Next Stage of Recommender Systems Research,In- ence on Educational Data Mining.London,UK,2014: ternational Conference on Intelligent User Interfaces IUI 68-74 2005.San Diego,USA,2005. [9]ZHANG Fuzheng,YUAN N J,LIAN Defu,et al.Collabor- [20]谢修娟，陈永，李香菊，等.融人信任的变权重相似度模 ative knowledge base embedding for recommender sys- 型在线学习协同推荐算法「刀.小型微型计算机系统」 tems[C]//Proceedings of the 22nd ACM SIGKDD Interna- 2018,39(3):525-528 tional Conference on Knowledge Discovery and Data Min- XIE Xiujuan,CHEN Yong,LI Xiangju,et al.Collaborat- ing.San Francisco,USA,2016:353-362. ive recommendation algorithm of online learning based [10]KLASNJA-MILICEVIC A.IVANOVIC M,VESIN B,et on trust-combined simi-larity model with variable
习风格特征和静态兴趣偏好特征，动态特征包括 认知水平特征和动态兴趣偏好特征。采用协同过 滤作为在线学习资源的基础方法，将学习者静态 特征和动态特征分别融入协同过滤的推荐方法 中，通过实验得到的数据证实，本文构建的学习 者模型，以及基于该模型构建的学习资源推荐方 法提高了在线学习资源协同过滤推荐的性能。该 方法对于满足个性化学习的需求、提高在线学习 的学习效果具有重要意义。 参考文献： 中国互联网络信息中心 (CNNIC). 第 45 次中国互联网 络发展状况统计报告 [R]. 北京: 中国互联网络信息中 心 (CNNIC), 2020: 4. [1] AL-SHAMRI M Y H. Power coefficient as a similarity measure for memory-based collaborative recommender systems[J]. Expert systems with applications, 2014, 41(13): 5680–5688. [2] NAJAFABADI M K, MOHAMED A, ONN C W. Animpact of time and item influencer in collaborative filtering recommendations using graph-based model[J]. Information processing & management, 2019, 56(3): 526–540. [3] WANG Yong, DENG Jiangzhou, GAO J, et al. A hybrid user similarity model for collaborative filtering[J]. Information sciences, 2017, 418−419: 102–118. [4] JIANG Shan, FANG S C, AN Qi, et al. A sub-one quasinorm-based similarity measure for collaborative filtering in recommender systems[J]. Information sciences, 2019, 487: 142–155. [5] MU Yi, XIAO Nianhao, TANG Ruichun, et al. An efficient similarity measure for collaborative filtering[J]. Procedia computer science, 2019, 147: 416–421. [6] WANG T I, TSAI K H, LEE M C, et al. Personalized learning objects recommendation based on the semanticaware discovery and the learner preference pattern[J]. Educational technology & society, 2007, 10(3): 84–105. [7] SEGAL A, KATZIR Z, GAL Y, et al. EduRank: a collaborative filtering approach to personalization in Elearning[C]//Proceedings of the 7th International Conference on Educational Data Mining. London, UK, 2014: 68−74. [8] ZHANG Fuzheng, YUAN N J, LIAN Defu, et al. Collaborative knowledge base embedding for recommender systems[C]//Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. San Francisco, USA, 2016: 353−362. [9] [10] KLAŠNJA-MILIĆEVIĆ A, IVANOVIĆ M, VESIN B, et al. Enhancing e-learning systems with personalized recommendation based on collaborative tagging techniques[J]. Applied intelligence, 2018, 48(6): 1519–1535. BAKER R S J D, CORBETT A T, ALEVEN V. More accurate student modeling through contextual estimation of slip and guess probabilities in Bayesian knowledge tracing[C]//Proceedings of the 9th International Conference on Intelligent Tutoring Systems. Montreal, Canada, 2008. [11] SALEHI M. Application of implicit and explicit attribute based collaborative filtering and BIDE for learning resource recommendation[J]. Data & knowledge engineering, 2013, 87: 130–145. [12] KURILOVAS E, SERIKOVIENE S, VUORIKARI R. Expert centred vs learner centred approach for evaluating quality and reusability of learning objects[J]. Computers in human behavior, 2014, 30: 526–534. [13] 现代远程教育技术标准化委员会. CELTS-11, 学习者模 型规范 [S]. 现代远程教育技术标准化委员会, 2000: 11. [14] COSTA R D, SOUZA G F, VALENTIM R A M, et al. The theory of learning styles applied to distance learning[J]. Cognitive systems research, 2020, 64: 134–145. [15] ARIEVITCH I M. Reprint of: the vision of Developmental Teaching and Learning and Bloom's Taxonomy of educational objectives[J]. Learning, culture and social interaction, 2020, 27: 100473. [16] ZLATKOVIC D, DENIC N, PETROVIC M, et al. Analysis of adaptive e-learning systems with adjustment of Felder-Silverman model in a Moodle DLS[J]. Computer applications in engineering education, 2020, 28(4): 803–813. [17] 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: 243–253. [18] GONZÁLEZ G, LÓPEZ B, DE LA ROSA J L. A multiagent smart user model for cross-domain recommender systems[C]//Proceedings of Beyond Personalization 2005: The Next Stage of Recommender Systems Research, International Conference on Intelligent User Interfaces IUI 2005. San Diego, USA, 2005. [19] 谢修娟, 陈永, 李香菊, 等. 融入信任的变权重相似度模 型在线学习协同推荐算法 [J]. 小型微型计算机系统, 2018, 39(3): 525–528. XIE Xiujuan, CHEN Yong, LI Xiangju, et al. Collaborative recommendation algorithm of online learning based on trust-combined simi-larity model with variable [20] ·1124· 智 能 系 统 学 报 第 16 卷
第6期 刘芳，等：融入学习者模型在线学习资源协同过滤推荐方法 ·1125· weight[J].Journal of Chinese computer systems,2018. ern educational technology,2016,26(2):108-114 39(3:525-528. [26]刘忠宝，宋文爱，孔祥艳，等.云环境下学习者建模与学 [21]陈秀明，刘业政.多粒度犹豫模糊语言环境下未知权重 习资源推荐方法研究.电化教育研究，2017,38(7)： 的多属性群推荐方法[J】.控制与决策，2016,31(9)： 58-63 1631-1637 LIU Zhongbao,SONG Wenai,KONG Xiangyan,et al. CHEN Xiuming,LIU Yezheng.Method of group recom- Research on learner modeling and learning resources re- mender systems with unknown attribute weights in a commendation in cloud environment[J].E-education re- multi-granular hesitant fuzzy linguistic term search,2017,38(7):58-63 environment[J].Control and decision,2016,31(9): 1631-1637 作者简介： [22]KOREN Y.Collaborative filtering with temporal dynam- 刘芳.副教授，博士，主要研究方 ics[C]//Proceedings of the 15th ACM SIGKDD Interna- 向为智慧教育、多媒体与现代教育技 tional Conference on Knowledge Discovery and Data 术、计算机视觉、智能数据分析处理。 获黑龙江省科技进步二等奖1项、大 Mining.Paris,France,2009:89-97. 庆市科技进步二等奖1项。主持和参 [23]孙歆，王永固，邱飞岳.基于协同过滤技术的在线学习 与国家自然科学基金项目、黑龙江省 资源个性化推荐系统研究).中国远程教育，2012(8)： 自然科学基金项目6项。发表学术论 78-82. 文21篇。 [24]郑洁，钱育蓉，杨兴耀，等.基于信任和项目偏好的协调 田枫，教授，博士，主要研究方向 过滤算法[.计算机应用，2016,36(10)：2784-2788， 为计算机视觉、智能数据分析处理。 2798 主持和参与国家自然科学基金项目 ZHENG Jie,QIAN Yurong,YANG Xingyao,et al.Col- 国家科技重大专项项目8项。获发明 laborative filtering algorithm based on trust and item pref- 专利授权16项。发表学术论文31篇。 erence[J].Journal of computer applications,2016,36(10): 2784-2788.2798 [25]丁永刚，张馨，桑秋侠，等.融合学习者社交网络的协同 李欣，助教，主要研究方向为智慧 过滤学习资源推荐[).现代教育技术，2016,26(2)： 教育。 108-114 DING Yonggang,ZHANG Xin,SANG Qiuxia,et al.The collaborative filtering recommendation of learning re- sources combined with learners'social network[J].Mod-
weight[J]. Journal of Chinese computer systems, 2018, 39(3): 525–528. 陈秀明, 刘业政. 多粒度犹豫模糊语言环境下未知权重 的多属性群推荐方法 [J]. 控制与决策, 2016, 31(9): 1631–1637. CHEN Xiuming, LIU Yezheng. Method of group recommender systems with unknown attribute weights in a multi-granular hesitant fuzzy linguistic term environment[J]. Control and decision, 2016, 31(9): 1631–1637. [21] KOREN Y. Collaborative filtering with temporal dynamics[C]//Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. Paris, France, 2009: 89−97. [22] 孙歆, 王永固, 邱飞岳. 基于协同过滤技术的在线学习 资源个性化推荐系统研究 [J]. 中国远程教育, 2012(8): 78–82. [23] 郑洁, 钱育蓉, 杨兴耀, 等. 基于信任和项目偏好的协调 过滤算法 [J]. 计算机应用, 2016, 36(10): 2784–2788, 2798. ZHENG Jie, QIAN Yurong, YANG Xingyao, et al. Collaborative filtering algorithm based on trust and item preference[J]. Journal of computer applications, 2016, 36(10): 2784–2788, 2798. [24] 丁永刚, 张馨, 桑秋侠, 等. 融合学习者社交网络的协同 过滤学习资源推荐 [J]. 现代教育技术, 2016, 26(2): 108–114. DING Yonggang, ZHANG Xin, SANG Qiuxia, et al. The collaborative filtering recommendation of learning resources combined with learners’ social network[J]. Mod- [25] ern educational technology, 2016, 26(2): 108–114. 刘忠宝, 宋文爱, 孔祥艳, 等. 云环境下学习者建模与学 习资源推荐方法研究 [J]. 电化教育研究, 2017, 38(7): 58–63. LIU Zhongbao, SONG Wenai, KONG Xiangyan, et al. Research on learner modeling and learning resources recommendation in cloud environment[J]. E-education research, 2017, 38(7): 58–63. [26] 作者简介： 刘芳，副教授，博士，主要研究方 向为智慧教育、多媒体与现代教育技 术、计算机视觉、智能数据分析处理。 获黑龙江省科技进步二等奖 1 项、大 庆市科技进步二等奖 1 项。主持和参 与国家自然科学基金项目、黑龙江省 自然科学基金项目 6 项。发表学术论 文 21 篇。 田枫，教授，博士，主要研究方向 为计算机视觉、智能数据分析处理。 主持和参与国家自然科学基金项目、 国家科技重大专项项目 8 项。获发明 专利授权 16 项。发表学术论文 31 篇。 李欣，助教，主要研究方向为智慧 教育。 第 6 期 刘芳，等：融入学习者模型在线学习资源协同过滤推荐方法 ·1125·
