·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