基于Web使用挖掘eLearning自适应系统.docVIP

基于Web使用挖掘eLearning自适应系统 　　 [摘 要] e-Learning自适应推荐系统是一种基于当前学习者联机行为，在线自动推荐学习对象而不需要学习者直接反馈的系统。该系统框架是由离线模块和在线模块构成。离线模块预处理数据建立学习者模型，在线模块使用这些模型实时识别学习者目标，运用基于协作过滤的一系列推荐策略预测推荐学习对象。实验证明：由于实现模型构建和模型应用的有效分离，该系统具有较强的伸缩性和较快的实时响应速度，适合为大规模e-Learning系统提供高质量的个性化推荐服务。 　　 [关键词] e-Learning； 自适应推荐系统； Web使用挖掘； 协作过滤 　　 [中图分类号] G434 [文献标志码] A 　　 [作者简介] 刘小雪（1980―），女，河北玉田人。副教授，硕士，主要从事Web数据挖掘研究。E-mail：lxx@gznu.省略。 　　 　　一、引 言 　　 近年来，随着具有丰富学习资源与全新沟通机制的e-Learning兴起以及学习者个性化服务需求的增长，实时建议个性化学习对象以便指导和支持在线学习者的推荐系统已成为国内外许多学者研究e-Learning自适应技术的热点。这里的“学习对象”是指在e-Learning环境使用的所有已知格式教育资源。这些学习对象在e-Learning系统通过URL被引用，在日志文件被归档或作为URL引用在数据库被跟踪。因此，学习对象自动推荐意味着生成教育资源URL引用列表以指导和支持在线学习者。针对目前国内外典型推荐系统的应用研究现状，本文论述了一种基于当前学习者联机行为，在线自动推荐学习对象而不需要学习者直接反馈的e-Learning自适应推荐系统。 　　 　　二、构建e-Learning自适应推荐系统框架 　　 e-Learning自适应推荐系统框架是由离线模块和在线模块构成，如图1所示。离线模块预处理数据建立学习者模型，在线模块使用这些模型实时识别学习者目标，运用基于协作过滤的一系列推荐策略预测推荐学习对象。 　　 1.离线模块个性化建模 　　 学习者模型是由学习者使用e-Learning系统的一系列相关信息（包括学习知识、个人统计信息、学习偏好以及学习方式等）构成。本研究选择使用学习知识建模。知识模型表示为一系列加权访问学习对象构成向量，即学习者感兴趣的已访问学习对象或课程元素。建模方法主要有两种：协作建模和自动建模。协作建模需要学习者提供准确个人偏好和需求信息（即显式反馈）。而自动建模基于学习者联机行为（即隐式反馈）自动进行信息采集，不断从学习者交互和浏览历史记录采集大量数据自动提交给服务器端或e-Learning系统数据库。数据必须先经过数据清洗、用户识别、会话识别的预处理，以便有效运用Web挖掘技术分析建模。设e-Learning系统一门具体课程中有m个已注册学习者L={L1,L2,…,Lm}，n个已访问学习对象LO={LO1,LO2,…,LOn}（通过其URL地址唯一表示），知识模型LKi=S,S2,…,Sp表示为从学习者Li∈L跟踪数据中提取的一组会话Sj，j∈{1,2,…,p}，Sj是k项加权访问学习对象LOi的子集： 　　 S=〈LO，w（LO），LO，w（LO），…，LO，w（LO）〉 　　 这里LO=LOl，l∈{1,2,…,n}，wLO是学习者Li在会话Sj中学习对象LO的引用权。知识模型LKi可以表示为p×n矩阵，其中p是已完成会话数，n是已访问学习对象数： 　　 恰当定义知识模型LKi后，我们采用基于协作过滤的两层模型（即学习者模型）把获得的知识模型LKi分成基于偏好异同的成批学习者。[1]第一层模型，我们应用聚类分析基于偏好异同的已访问学习对象。各种聚类技术都可以应用于聚类会话。不管使用哪种方法，第一层聚类将会产生簇C={C1,C2,…,Ck}，每个簇Ci表示具有相似访问模式的一组相似学习者。聚类使用的相似特征是如公式（1）所示的余弦相似。在这个公式中我们考虑二进制加权即会话中一个学习对象引用存在或不存在。 　　 S=1 访问第j个OL0 不访问S= （1） 　　 第二层模型由每个获得簇Ci的应用组成。首先，频繁项集挖掘算法提取会话中属于每个簇的频繁出现学习对象引用。然后，从这些簇中提取满足最小支持度和最小置信度的强关联规则。关联规则捕获学习对象引用基于共现会话的关联性。一般关联规则发现方法如Apriori算法都可以被应用。[2]一个关联规则r可以表示为：A=B，这里A和B是项集，r必须满足推荐页面集最小置信度阈值。置信度，αr=σ（A∪B）/σ（A），σr=count（A∪B）。 　　 在接下来的推荐阶段，活动学习者将直接被归类到已发现组（即簇Ci），然后通过匹配学习者当前导航与相应组