基于模糊树个性化电子学习系统.docVIP

基于模糊树个性化电子学习系统 　　摘 要：电子学习系统的快速发展为学习者在线学习提供了巨大的机会。然而，在线学习系统中太多的学习活动使个体学习者很难找到合适自己的学习活动，所以在线学习系统必须有能够提供个性化产品的推荐系统。本研究首先提出了一种模糊树状结构学习活动模型，然后结合基于知识和协同过滤推荐算法的优点提出了基于混合学习活动推荐方法的模糊树匹配方法。 　　关键词：电子学习；模糊集；推荐系统；树匹配 　　中图分类号：TP3-0 文献标识码：A 　　Abstract：The rapid development of e-learning systems provides learners with vast opportunities to access online learning.However，too many learning activities are emerging in an e-learning system，making it difficult for individual learners to select proper activities，thus it is necessary for such recommender systems as to provide personalized recommendations from products in the e-learning system.This paper first proposes a fuzzy tree-structured learning activity model，a fuzzy tree matching-based hybrid learning activity recommendation approach is then developed，which takes advantage of both the knowledge-based and collaborative filtering-based recommendation approaches. 　　Keywords：E-learning；fuzzy set；recommender systems；tree matching 　　1 引言（Introduction） 　　?算机网络技术与多媒体技术的发展，对传统的教育教学模式有了很大的冲击，远程教育应运而生[1]。而在信息过载问题越来越严重的大数据时代，学习者很难在众多种类的学习活动中选择最适合他们学习活动，因此电子学习系统必须能够自动生成个性化的建议来指导学习者的学习。目前推荐系统已经广泛应用于商业领域[2]，在电子学习中应用很少，因为学习活动不同于电子商务中的商业产品，它具有很大的不确定性，涉及特殊的推荐方法和相似性度量的需求。为了处理电子学习推荐系统的特殊要求，本研究提出了一种基于模糊树匹配的混合推荐方法[3]。用一种模糊树形结构数据模型来描述学习者档案和学习活动，应用模糊集技术处理不确定问题，相似性计算作为推荐方法的核心技术[4]。该混合推荐方法结合基于知识（KB）和协同过滤（CF）的推荐方法的优点，以及考虑学习者之间的语义相似性和协同过滤相似性来生成推荐结果。 　　2 推荐方法（Recommendation approaches） 　　目前推荐技术已经备受关注，并且许多推荐方法也已被提出。最常用的两个推荐方法是：CF（协同过滤）、基于内容的推荐（CB）。CF技术基于其他具有相似兴趣的人提出的建议帮助人们做出选择。它可以进一步分为基于用户和基于项目的CF推荐方法。CB技术给一个特定的用户基于他以前喜欢的东西推荐类似的物品。每个方法都有其局限性，如CB的项目内容依赖问题和过度专门问题，CF的冷启动和稀疏性问题[5]。为了获得更高的性能和避免传统推荐算法的缺点，可以在一个混合方法中结合两个或者更多个推荐方法的优点。 　　3 电子学习推荐系统（E-Learning recommender systems） 　　推荐系统已经应用于电子学习领域，Zaiane提出了一种使用数据挖掘技术的方法，利用关联规则挖掘建模用户行为和推荐的学习活动，并提出了个性化的电子学习材料推荐系统的框架[6]。我国的个性化推荐技术在电子学习中的应用起步较晚，更多的是对于电子商务中推荐算法的改进，却并没有注意到学习资源与传统电子商务的区别。尽管有很多公司和高校已经开始探索个性化推荐技术在电子学习上的应用，但整体因缺乏国家推动或者别的原因，发展速度比较缓慢。取得效果比较明显的是上海交通大学开发的系统，该系统采用基于项目的协同过滤算法进行个性化推荐。北京大学也正在进行“共享北大”计划，也是典型的系统[