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<L,V>(={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<Li，Vi>(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 distri￾bution 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·