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·