采用模糊协同过滤技术实现网络课程推荐的研究.doc

PAGE

PAGE1

采用模糊协同过滤技术实现网络课程推荐的研究

一、研究背景

(一)网络学习系统面临的问题

网络的普及带动了网络学习的发展。网络学习并不等于将传统的学习内容简单地放到网络上。它一样要遵循学习的规律,包括激发学习动机、深入学习相关内容、与同伴讨论、课程练习和知识运用。因为网络知识分布的特点,基于网络的学习可以建立索引学习(IndexLearning)、搜寻学习及循序学习等。

网络学习遇到的难点是在浩瀚的学习资料中容易迷失方向,感觉找不到适应自己的学习材料。而网络学习系统的开发者也困扰着,究竟学习者对什么感兴趣。解决者这两方面问题的途径,就是自动化的推荐技术。

本文试图通过协同过滤技术,找到和在线使用者相同嗜好的其他学习者,并推荐其他用户喜欢的信息给线上用户。本研究将应用模糊集合理论来解决切割点不明确的问题并与协同过滤方法整合来建立一个在线教材推荐系统。

(二)个性化

个性化的观念最早出现在制造业,它的名称为大量定制化。随着科技的进步,制造的成本降低,成本不再是业者唯一考虑。业者纷纷注意到定制化概念。将定制化应用于服务业,就是所谓个性化。

网站个人化的层次分为三类[1]:定制化、学习社群行为和学习者喜好。

(三)信息过滤

网络时代,解决信息过载的方法,可分为信息撷取(InformationRetrieval,IR)与信息过滤。信息撷取由用户以主动方式获得信息,信息过滤则有三种主要方式,文献[2]将信息过滤分为内容基础过滤、协同过滤及经济式过滤三类。

信息过滤中,内容基础过滤与信息撷取方法类似。主要根据用户的数据和以前看过的文件,以选择其他相似的文件。协同过滤以学习者相似度进行推荐。经济式过滤根据信息取得的成本考虑,以过滤信息。

(四)信息过滤与个性化

将信息过滤技术应用于个性化,主要从三个角度实现[4]:

1.以规则为主的过滤法

请网络用户填写相关数据,如用户年龄、性别、希望网站提供哪类商品信息、消费习惯等等。如此网站服务提供者可根据此信息,提供用户个性化的信息,达到个性化目标。

2.协同过滤

此种技术藉由累计学习者浏览行为,以提供相似使用者类似信息,又称为群体过滤(GroupFiltering)。如计算机公司网站,根据大量的学习者浏览行为,找到喜爱程序设计的学习者,也会喜欢VB.NET程序设计。当有一位喜爱设计程序的用户上网浏览时,系统便会推荐VB.NET程序设计。

3.学习型代理人

系统自动追踪用户在网络上的使用行为,根据使用者浏览的网页,调整下次网页呈现的内容。此种技术,系统具有学习的功能。因自动记录用户的浏览行为,使用者不需额外输入数据。

(五)推荐系统

往往在日常生活中,我们需要在没有个人经验下抉择[5],这时我们需要别人的推荐,方式包括口碑相传、推荐信、在报纸上的电影和书籍评论,或一般性调查。推荐系统可以帮助这种流程。在与在线消费者的互动过程中,推荐系统采用统计和知识发现的技巧以处理产品推荐的问题[5]。

目前网络上较常被使用的推荐方法归纳为非个性化推荐、属性式推荐、物品关系型推荐、人物关系型推荐四大类[6]。

(六)目前推荐系统存在的不足

虽然以内容为基础的推荐已经被发展为多个系统,而且实际运用在商业上,但是这类系统存在几项缺点有待改善,是目前成效最差的推荐方法。分别说明如下[7]:

1.无法深入分析

以目前的技术,只能得到内容中部分文字数据,某些领域的项目特征值无法获取。如以网页推荐为例,掺杂有电影、音乐等多媒体数据不易分析。导致不同网页之间的相似度比对困难,无法做到有效的网页推荐。另外,还有其他会影响用户体验,如信息截取(IR)技术忽略美感质量,影像中包含文字数据,网络下载速度等等。

2.太过专门化

系统以用户的轮廓推荐,学习者被限制看他过去曾评分的类似项目。推荐系统没有密切观察用户兴趣的改变。解决的方法是加入随意的注记。如信息过滤的内容,交叉和变化操作。

3.要求学习者反馈

评比增加学习者负担,学习者大都不愿多花时间做评比,因此会导致评比不足。而评比不足会降低系统效能。此问题可以采用隐性评比的方式,解决学习者不愿花费时间与精力在评比上。

4.学习者兴趣的影响

学习者兴趣的预测精准度,影响推荐结果。如果推荐系统误判用户的兴趣,会推荐出学习者完全没兴趣的项目。

二、研究目的和架构

(一)研究目的

协同过滤依据用户的历史数据,提供个性化的推荐。本研究采用协同过滤推荐教学单元内容,为了改良协同过滤的缺点,结合模糊理论,产生推荐清单,推荐给在线学习者。本研究的目的包括:

(1)提出一个结合模糊理论与协同过滤的新的推荐模型。

(2)建立一个具有个性化的推荐系统架构,以提供在线学习者,教学单元推荐列表。

(3)本系统架构所得到的推荐效能,要优于传统协同过滤。

(二)研究架构

本研究可以共分为四个阶