基于学习者特征提取智能授导系统研究.docVIP

基于学习者特征提取智能授导系统研究 　　摘#8195;要构建智能授导系统的学习者特征模型,使用数据挖掘技术中的关联规则算法挖掘学习者的行为特征,分析经典算法Apriori算法,针对该算法不足提出改进的Flag_Apriori算法,通过改进算法提取学习者浏览路径的关联规则,实现相应的路径推荐。 　　关键词智能授导系统;学习者特征;关联规则算法 　　中图分类号TP文献标识码A文章编号1673-9671-(2010)102-0176-01 　　 　　基于智能化的网络教学系统在近些年得到了很大的发展,智能化的网络教学系统称之为智能授导系统(Intelligent Tutoring System,简称ITS),它借助于人工智能技术,模拟人类教师在课堂上的行为指导网络上的学习者完成学习。其中学习者的行为个性化特征提取是智能授导系统中的关键,而数据挖掘技术能够从系统的WEB日志中获取学习者的个体特征,本文研究的就是通过数据挖掘技术来挖掘智能授导系统中学习者行为特征,为学习者提供个性化的推荐服务,提高学习者的学习效率。 　　1智能授导系统概念 　　智能授导系统是指以学生为中心、计算机为交互媒介,利用计算机模拟教师的思维过程,形成开放式的人机交互系统。智能教学系统改变了传统教学模式,通过对学生学习情况的诊断与评价,可以实现教学的个别化。同时,由于充分利用了领域专家知识,在一定教学策略的支持下,可以对学生的个别化学习过程进行有效控制。 　　智能授导系统中学习者特征模型:智能授导系统是为了提供给网络中的学习者个性化服务的,所以学习者模块是核心,研究的是根据学习者提供的学习行为来实现个性化的推荐学习。如何使得系统具有个性化,就是要获取学习者的个性特征数据,通过数据挖掘技术挖掘出相关学习者的特征信息。 　　基于数据挖掘技术的学习者模型是在原有的学习模型中加入数据挖掘模块与个性化推荐模块,数据挖掘技术能够根据学习者的行为特征,比如初次进入网站系统的学习者注册信息就会记录学习者的学历、专业、爱好等信息,这样数据挖掘可挖掘出学习者的初步的知识水平;然后学习者进入网站后对网页的浏览路径、点击次数等,都可以成为我们数据挖掘的数据来源,针对这些我们即可分析出学习者对网站内容的偏好,然后根据知识水平与兴趣偏好形成学习者的特征分析,教学策略模块就可以实现对应的个性化推荐。 　　本文使用的数据挖掘算法是关联规则算法,关联规则挖掘旨在发现大量数据中项集之间有趣的关联或相关联系。本文使用关联规则算法计算出学习者在浏览页面的兴趣路径,分析学习者的浏览模式,找出学习者的浏览潜在页面,然后利用个性化推荐算法完成推荐学习。 　　2关联规则算法 　　Apriori算法是关联规则算法中的典型算法。此算法可以挖掘出所有的频繁项目集,使用的是宽度优先的迭代搜索方法,首先找出频繁1-项集集合F1,用F1找频繁项集2-项集集合F2,用F2找F3,依次循环,直到不能找到频繁k-项集为止,找每个Fk需要一次数据库扫描。 　　Apriori算法在大型数据库事务应用中会有低效率。1)候选项目集合可能非常大,候选项目集合过大会导致产生的交集爆炸性增大。2)磁盘I/O开销增大。 　　在本文中提出了一种改进算法,通过数据库扫描给频繁项目集设为Fk,给候选项目集设为Ck,如果在事务数据库中的一条事务记录不包括任何候选项目则给这条记录设标志位值为0,标志位记为flag,初始值均为1,这样在下一次扫描数据库的时候就可以跳过这条标志位为0的事务记录。本改进算法的核心是与频繁项集的产生无关的事务记录将在事务数据库中被忽略,在扫描得到候选项集的支持度时标志位为0的事务记录行将不会被扫描到,这样即可减少事务数据库的扫描长度。在此将该算法命名为Flag_Apriori算法 　　3在智能授导系统中的应用 　　本系统研究的是通过关联规则挖掘算法对学习者的个性化特征进行提取,基于这个目的,本文是以某职业院校的网络教学系统为研究对象,设计并实现了学习者特征提取子系统。系统对该教学系统的日志数据进行采样,预处理,然后运用关联规则算法对处理后的数据进行模式分析,获得学习者的浏览兴趣路径,Web日志的数据源是SqlServer2005数据库。实验数据选取2010年7月的其中3天为基础数据,通过后台采样任务获得采样数据记录有4108条。通过本系统使用数据挖掘技术对采样数据进行数据预处理,使用Flag_Apriori算法挖掘出学习者的频繁项目集,然后计算它们的置信度,与最小置信度进行比较得出学习者浏览页面的强关联规则,如图1所示。 　　实验结果截取的是用户ID为25的学习者的浏览强关联规则,从结果中可看出该学习者的浏览兴趣,从url1到url2有高达95%的置信度,说明该学习者经常从url1页面链接到ur