社会化在线学习推荐的方法.docVIP

社会化在线学习推荐的方法 　　摘要：针对传统推荐方法中普遍存在的冷启动问题和推荐结果忽视了项目间的逻辑约束关系问题，分析用户社会属性和社交关系对用户学习行为的影响，以及学习资源之间的约束逻辑，提出面向在线学习的社会化推荐方法，为精准的学习资源推荐提供指导。 　　关键词：在线学习；推荐系统；社会网络；约束逻辑 　　中图分类号：G642.4；G250.73 文献标志码：A 文章编号：1674-9324（2018）09-0246-03 　　移动互联网、智能终端设备和社会网络平台为全方位海量信息的产生与收集提供了保障，促进了个性化在线教育的发展与普及[1]。个性化在线教育是一种基于互联网数据来分析用户学习状况，并满足其学习需求的平台，系统会根据用户的年龄和知识积累，甚至心理活动，判断该用户的教育水平，并在此基础上提供相应难度的课程、资料和题库等。这从根本上改变了传统教育中机械的教学体系，让教育量身定制成为可能。学习资源推荐服务是个性化在线教育平台的关键[2]。传统意义的推荐系统主要是利用电子商务网站向客户提供商品信息和建议，随着移动互联网的发展和大规模数据的产生，推荐系统也被辐射到在线教育领域，通过帮助制定个性化学习方案以及提供更多的参考资料，使得用户可以便捷地获取学习资源，打破时间和空间的限制来学习。目前在线学习推荐研究聚焦于基于用户产生的海量学习活动数据以及社会网络群，利用深度机器学习等技术手段不断优化学习模型，并依此构建自适应学习系统[3]。社会化推荐是在一般推荐方法的基础上，把用户社会关系信息作为重要影响因子引入推荐生成过程，以此提高推荐系统的性能。其优势在于能够解决用户冷启动问题。根据社会网络分析的重要研究成果[4]，网络社区中相互联系的群体受社会因素的相互影响，会表现出相似的兴趣爱好及行为规范；在线社会网络的盛行，使得用户之间的活动行为表现得越来越社区化。因此，合理利用用户的社会属性信息和关系将能提高推荐系统的性能。在线教育领域与电子商务领域相比具有一定的特殊性，应用社会化推荐方法进行学习资源推荐能够解决用户冷启动的瓶颈，但是也存在一些问题需要研究。本文将面向在线学习提出相应的推荐框架并阐述其中的关键问题。 　　一、相关定义 　　社会化推荐满足了互联网中新问题和新技术发展要求，具有较高的研究价值和应用前景。在线教育领域中，研究人员利用知识建模、数据挖掘等方法，对学习资源、学习路径等方面的推荐问题进行了探索，这些研究表明了学习推荐系统能够对学习者的学习兴趣和学习效率产生积极的影响，有助于在线学习的深入推进[5]。 　　定义1.评分矩阵：设U为所有用户的集合，I为可以推荐给用户的所有项目的集合；m=|U|，n=|I|；每个用户对每个项目都可能产生一个评分，其值构成了用户-项目评分矩阵R。很多传统推荐方法都是根据评分矩阵提供推荐项目列表。在线教育领域，用户即参与学习的人，项目即学习资源，如书籍、课件、博文等。 　　定义2.稀疏矩阵：指矩阵中非零元素占全部元素的百分比很小的矩阵（通常为5%以下）。实际应用中，由于多数用户不会对其所浏览的所有项目做出显式反馈，因此评分矩阵通常是稀疏的，这将影响推荐模型的效果。对于一个新用户，与之对应的评分向量为空，所以模型很难为新用户提供服务。 　　定义3.社会化推荐：设G=（g）为所有用户社会关系矩阵，映射μ：U×I→R′是对推荐结果的评价效用函数，R′是一定范围内的全序非负实数集，称为推荐的效用值，U′={u|u∈U，x≠y，g≠0，g∈G}表示?c用户u存在社会关系的用户集合。社会化推荐要研究的问题是：对于用户u，根据所有项目在用户群体U′中的评价情况，主动地为其推荐满足其偏好需求的、效用最大的项目集。这样既能解决新用户的冷启动问题，而且也能缓解评分矩阵的稀疏性。 　　社会化推荐方法具有很多优势而且被广泛应用，但是因为在线教育领域的特殊性，在使用此方法时存在以下的挑战：其一，面向学习的用户来源于一般群体，但又具有特殊性，社会网络中数据量非常大、结构复杂、数据来源多，如何在这些海量的数据中筛选面向学习的社会属性以及社会关系信息，并对它们进行量化，是首要解决的问题；其二，学习资源不同于电子商务中的商品，它们不是独立的，通常具有先后顺序性，如计算机学科中用户在没有学习C或Java语言课程的情况下对其直接推荐数据结构课程，不符合知识学习的正常途径，因此在推荐时需要考虑项目之间的依赖关系。 　　定义4.约束逻辑：项目i和i之间的逻辑关系体现为如下几种： 　　1.相似关系，表示为Sim（i，i），当项目i和i之间的相似度大于某阈值时，认为二者相似。如时尚领域中的项目相似性可能体现为两件款式颜色相近的衣服，学习领域中项目的相似性可体现为两本风格相似的图书。 　　2.相关关系，表示