第十三届全国多媒体教育软件大奖赛在京举行.pdfVIP

2009．12中国电化教育 总第275期 为 ：SIM (Stu1)=(Stu3，Stu5，Stu9，Stu6)，按 照相似度大 荐进行了研究，分析了基于案例推理思想进行资源 小的顺序将推荐给 Stu3、Stu5、Stu9和 Stu6学习者的 个性化推荐的关键技术 。为 e-Learning学习环境下 学习资源方案从方案库中提取推荐给Stul。如果学 资源使用迷航现象提供了一种有效的信息过载解决 习者对推荐结果不满意，就对相关案例的求解方案 方案．也为提高在线学习效果和学习效率提供 了一 进行修改和调整，并推荐给学习者 ，并将新注册学习 种全新的解决思路 ．使个性化推荐系统能够作为连 者作为新的案例存入案例库中，以备 配使用。 接学习者和学习资源提供者的桥梁。基于学习者的 2．对会员学习者进行推荐 在线资源使用反馈信息不断完善推荐系统的推荐功 假设会员学习者的编号为Stu4，学习者的资源 能，不断提升学习者的满意度 ，从而提高学习质量。 使用偏好不变，且与学习者相似度最高的前 4个备 但在基于CBR技术的个性化推荐系统实现过程中， 选案例解为 ：SIM(Stu4)=(Stu4，Stu6，Stu8，Stul1)，则相 也存在着一些难题。例如，随着注册学生数量不断增 似度最高的案例当然是 Stu4本身，个性化推荐水平 多，案例规模 的扩大，就会导致搜索和匹配的效率和 达到最高 如果学习者的资源使用偏好发生改变，则 响应出现延时 ，从而影响了推荐的质量和及时性。再 需要更新学习者的资源使用偏好信息，基于此重新 有就是 目标案例和历史案例相似度度量方法的设计 进行案例的搜索与 配 ，计算相关度，然后按照案例 和选择也应考虑到案例规模的问题等等。 的相关度排序，将排序结果推荐给在线学习者进行 选择和评价 参考文献 ： 基于案例推理的个性化学习资源推荐过程并不 【1】JunzhongJi，ChunnianLiuandZhiqiangShaPersonalizedRecom mendationBasedonAMultilevelCustomerModelJ[]．International 需要学习者对学习资源的各个指标进行评价 ，仅仅 Joum~ofPa~em KecognitionandArtificialIntelligence，2005，19(7)： 是根据 目标案例与案例库中历史案例的相似计算进 895-916． 行匹配推理 ，不像当前较为流行的协同推荐技术中 12113】M．OBaykaly，R．Alh zandF．PolatLAT Co—opemfion 过多依赖于使用者的评分数据。通过以上的案例推 frameworkofcase—basedreasoning agentsforautomatedproduct 理过程可以看 出，基于案例推理的个性化推荐过程 reconm~endafionJ[]．JournalofExperimentalTheoreticalArtificial Intelligence，2005，17(3)：201—220 提高了资源使用的个性化程度，能够很好地按照学 4【】AamodtandE．PlazaE，CBR：ofundationalissues，methodological 习者的学习背景 、学习偏好和资源需求进行推荐 ，提 varlatioDs，andsystemapproaches~]AICommunications，1994，7(1)： 高了学习者对资源利用效率的满意