推荐技术在自主学习系统中的设计与实现.docVIP

推荐技术在自主学习系统中的设计与实现 　　本文研究了聚类挖掘规则在自主学习系统中的运用，系统描述了推荐技术在自主学习系统中的设计和实现，使得自主学习系统能够满足当前学生自主学习的需求。 　　【关键词】推荐技术 自主学习 学习系统 聚类挖掘 　　1 推荐技术在自主学习系统中的设计 　　在自主学习系统中，我们设置了在线自主学习模块，里面有PPT、电子图书、视频等格式的课程内容，提供给学习者学习，为了让学习者更好地学习感兴趣的内容，在这个系统中，我们采用个性化推荐技术。 　　学习者通过这个平台进行学习的时候，系统会根据学习者与系统交互的情况，对学习着进行分类聚类，然后把学习者分在不同的簇中，这样同一个簇中的学习者是学习目标相同或者相似的，根据这个情况系统向学习者推荐其感兴趣的课程内容。 　　2 推荐技术在自主学习系统中的实现 　　2.1 基于聚类的系统推荐学习流程 　　一般来说，基于聚类的系统推荐学习可以分为以下三个步骤： 　　（1）系统数据的收集和预先处理。 　　（2）所收集到的数据的过滤过程。 　　学习者与课程交互后，系统可以根据学习者的学习情况进行数据过滤，从而确定向学习者推荐的学习课程内容。 　　（3）向目标学习者进行推荐的过程。 　　根据推荐技术，向学习者推荐相应的课程。我们需要从簇中选择与目标学习者学习行为模式相似的学习者，从而根据该学习者进行课程推荐。 　　2.2 系统获取数据信息 　　系统获取信息就是当上传课程内容到系统的时候，我们要对课程进行相应的标识，具体的做法是：上传课程的时候，系统按照一定规则给课程内容分配一个标识号，这个号是唯一的，也可以叫课程号。为了使课程与学习者的对应关系可以实现，在学习者登陆系统注册的时候，系统就分配唯一的标识号给对应的学习者，这个也叫做用户号。当学习者登录系统，进行学习的时候，系统会根据学习者的情况，记录学习者下载过的课程或者学习者浏览过的课程，也就是会记录学习者与课程的进行交互的情况，这包括下载、浏览、定制、收藏等等。我们可以在获取数据信息的时候，可以用不同数字表示不同的交互方式，一般情况是这样：当需要表示浏览课程时，我们用数字1表示；当需要表示下载课程时，我们用数字2表示；当需要表示收藏课程的时，我们用数字3表示。这样不同的数字表示不同的交互方式，从而知道学习者对课程的不同兴趣程度。 　　2.2.1 课程内容信息的描述 　　在上传课程的时候，我们要对课程进行处理。用数据库份额方法去安排和处理数据，一般我们会制定相应数据表格，具体表格内容包括以下字段：课程号、课程名、课程主题、课程类别、课程性质、任课教师等等。如表1所示。 　　2.2.2 学习者兴趣的表示与交互数据获取 　　如果学习者对课程内容感兴趣，我们一般可以从以下几个方面获取：一方面，可以从学习者是否在系统中定制课程，如果定制，说明该课程学习者比较感兴趣；另一方面，我们可以从网站的日志文件中分析，可以知道学习者浏览过的课程信息；还是就是我们可以从学习者是否收藏课程等来得知学习是否对课程感兴趣。 　　2.3 系统数据预处理 　　系统数据预处理其实就是将获得的新信息和以前的信息结合起来，按照系统预先设定的格式，把相关信息存储起来，方便推荐的时候使用相关信息。 　　在这里我们可以用A1、A2、A3代表体现学习者对课程喜欢程度的数值，其中A1最小，A3最大；而他们的具体取值需要在实验过程中确定。 　　（1）当学习者浏览该课程的时候，进行权值调整，根据学习者的喜欢程度分别用A1、A2、A3； 　　（2）当学习者收藏该课程时，进行的权值调整，根据学习者的喜欢程度分别用A1、A2、A3； 　　（3）当学习者定制某课程时，进行的权值调整，根据学习者的喜欢程度分别用A1、A2、A3。 　　根据每个学习者获得的数值进行统计确定不同类别的学习，或者是学习相似的学习者。 　　2.4 用户聚类 　　在自主学习系统中，注册的用户是很多的，面对这么多的学习者用户，我们如果逐个计算相似度来需找某个学习者的近邻的话，是很麻烦的，而且不现实的。所以，为了缩小寻找范围，加快寻找速度，自主学习系统需要对所有学习者进行聚类。 　　聚类的目的就是把一些具有相似性的学习者聚类在一个簇里，经过系统的处理，把学习者的数据集合在一起，然后进行聚类分析，这样可以将不同的学习者分成不同的簇，同一类的学习者分在同一个簇中。 　　在这个系统中，运用k-means方法进行聚类，这当中最重要的是计算簇中心，以及k值选择。系统需要进行若干k值实验，实验多次后，才能确定簇的数目。这样的数目比较恰当。在这里可以使用以下公式： 　　计算其他各个对象到各个簇中心的欧式距离。 　　2.5 计算相似度 　　在客观现实中，我们不难