個性化推薦系統(tǒng)在移動學(xué)習(xí)中的應(yīng)用研究

王小軍++王運++郝喆

摘 要：通過對移動學(xué)習(xí)特性和研究現(xiàn)狀的分析，針對移動學(xué)習(xí)中的不足，利用移動學(xué)習(xí)模型（M-Learning Model）從三個層面六個要素對移動學(xué)習(xí)的過程進(jìn)行描述，并結(jié)合BNF范式表示其內(nèi)在聯(lián)系。提出利用基于協(xié)同過濾的算法對移動學(xué)習(xí)資源進(jìn)行個性化的推薦，并建立了移動學(xué)習(xí)中個性化推薦系統(tǒng)模型，通過對UB-CF、IB-CF、MB-CF三類協(xié)同過濾算法的分析和對推薦結(jié)果的過濾和排序，描述了該模型的工作流程。最后通過實驗分析了移動學(xué)習(xí)中個性化推薦系統(tǒng)模型是有效的，可以提高移動學(xué)習(xí)的有效性。

關(guān)鍵詞：移動學(xué)習(xí)；推薦系統(tǒng)；個性化：模型

中圖分類號：TP311

文獻(xiàn)標(biāo)志碼：A

文章編號：1673-8454（2015）23-0020-04

一、引言

移動學(xué)習(xí)（M-Learning）作為傳統(tǒng)課堂E-Learning的發(fā)展和延續(xù)，是指學(xué)習(xí)者在自己需要學(xué)習(xí)的任何時間、任何地點通過移動設(shè)備和無線通信網(wǎng)絡(luò)獲取學(xué)習(xí)資源，與他人進(jìn)行交流和協(xié)作，實現(xiàn)個人與社會知識建構(gòu)的過程。從認(rèn)知的角度來看，移動學(xué)習(xí)在內(nèi)容與形式方面，與E-Learning沒有本質(zhì)區(qū)別，但是移動學(xué)習(xí)的移動性、個性化、自主性、非正式性的特點使其成為一種全新的學(xué)習(xí)技術(shù)與方式。

目前對移動學(xué)習(xí)的研究圍繞移動學(xué)習(xí)裝備、學(xué)習(xí)支持、學(xué)習(xí)服務(wù)三個層而展開，積累了多方面的研究成果。國內(nèi)外教育機(jī)構(gòu)和企業(yè)對移動學(xué)習(xí)進(jìn)行了多方面的研究，如歐洲的E-learning項目；為了滿足歐盟公民對信息交互與學(xué)習(xí)體驗的需求，英國英格蘭工藝大學(xué)Ultralab實驗巾心有M-learning項目；為了解決社會教育問題，東京大學(xué)利用PDA在博物館進(jìn)行協(xié)作學(xué)習(xí)的系統(tǒng)，南京大學(xué)和日本松下通信工業(yè)公司以及SCC公司研發(fā)的多媒體移動教學(xué)網(wǎng)絡(luò)系統(tǒng)CALUMET，2009年首都師范大學(xué)有基礎(chǔ)教育移動視頻課程點評平臺。上述研究的曰的，都是在終身教育體系框架內(nèi)，利用移動學(xué)習(xí)創(chuàng)造隨時隨地可學(xué)習(xí)的環(huán)境，整合學(xué)習(xí)者碎片化時間，豐富個人和社會教育的途徑，完善公共學(xué)習(xí)服務(wù)體系。

但是移動學(xué)習(xí)過程中也存在以下問題。①移動學(xué)習(xí)資源數(shù)量大，選擇困難。網(wǎng)絡(luò)教學(xué)中已經(jīng)建立大量的資源，資源的制作水平參差不齊，適用對象層次多樣，移動學(xué)習(xí)者缺少足夠的專業(yè)背景和準(zhǔn)備時間對資源進(jìn)行選擇，降低了學(xué)習(xí)者的學(xué)習(xí)效率。②移動網(wǎng)絡(luò)帶寬的需求和資費不平衡。學(xué)習(xí)資源的呈現(xiàn)形式以圖片和視頻為主，移動學(xué)習(xí)對帶寬需求大，但移動帶寬的資費卻很高。③支持移動學(xué)習(xí)硬件設(shè)備的屏幕相對PC要小很多，限制了移動學(xué)習(xí)應(yīng)用平臺內(nèi)容的呈現(xiàn)。

為了解決上述問題，充分發(fā)揮移動學(xué)習(xí)的特征，可以在移動學(xué)習(xí)應(yīng)用平臺中采用個性化推薦技術(shù)，根據(jù)學(xué)習(xí)者的需求和興趣，選擇學(xué)習(xí)內(nèi)容和資源，提供個性化的推薦服務(wù)，構(gòu)建學(xué)習(xí)者的知識體系。

二、移動學(xué)習(xí)模型

移動學(xué)習(xí)模型（M-Learning Model）可表示為三個層次六個要素，分別為移動學(xué)習(xí)裝備（終端、網(wǎng)絡(luò)）、移動學(xué)習(xí)支持（平臺、資源）、移動學(xué)習(xí)服務(wù)（內(nèi)容、活動），如圖1所示。

為了進(jìn)一步描述M-Leaming Model三個層次六個要素之間的內(nèi)在聯(lián)系，可以采用如下BNF范式：

：=I

：：=（I

：：=（《Plat-form>|kResources》

：=I

其中移動學(xué)習(xí)裝備系統(tǒng)層是移動學(xué)習(xí)模型的硬件基礎(chǔ)，是面向用戶展現(xiàn)移動學(xué)習(xí)服務(wù)的接口，其中終端包括任何用于學(xué)習(xí)的通用性終端設(shè)備，如智能手機(jī)、平板電腦、筆記本電腦、電子書包等，這些學(xué)習(xí)終端普遍具有網(wǎng)絡(luò)易接入、資源易獲取、硬件易擴(kuò)展，支持實時互動的特征。網(wǎng)絡(luò)是提供學(xué)習(xí)終端獲得學(xué)習(xí)資源的途徑，常用的接入方式包括有線網(wǎng)絡(luò)、移動網(wǎng)絡(luò)（CDMA、GPRS、GSM）、無線網(wǎng)絡(luò)（WLAN、藍(lán)牙）。

移動學(xué)習(xí)支持應(yīng)用層是平臺和資源的載體，為服務(wù)層提供必要的服務(wù)。平臺分為系統(tǒng)平臺和應(yīng)用平臺，系統(tǒng)平臺是通用類軟件，主要包括Apple lOS、GoogleAndroid、Microsoft Mobile三大主流移動操作系統(tǒng)平臺。應(yīng)用平臺為定制類軟件，與具體的移動學(xué)習(xí)應(yīng)用密切相關(guān)，其為學(xué)習(xí)者提供資源組織發(fā)布、內(nèi)容分類管理、實時互動服務(wù)的學(xué)習(xí)支持服務(wù)，基于應(yīng)用平臺可以構(gòu)建合適的學(xué)習(xí)模式，規(guī)劃學(xué)習(xí)過程，促進(jìn)學(xué)習(xí)者參與認(rèn)知內(nèi)化。

移動學(xué)習(xí)服務(wù)層提供學(xué)習(xí)內(nèi)容和學(xué)習(xí)支撐服務(wù)。學(xué)習(xí)內(nèi)容具有片段化、碎片化的特征，學(xué)習(xí)活動設(shè)計時，要根據(jù)學(xué)習(xí)內(nèi)容的特點，既要體現(xiàn)移動技術(shù)的優(yōu)勢又要兼顧學(xué)習(xí)者的體驗。

三、個性化推薦系統(tǒng)模型

移動學(xué)習(xí)支持應(yīng)用層為了提高資源的高效使用，可以在移動學(xué)習(xí)平臺中根據(jù)學(xué)習(xí)者的學(xué)習(xí)興趣，實現(xiàn)學(xué)習(xí)內(nèi)容的個性化推薦，移動學(xué)習(xí)中個性化推薦系統(tǒng)模型如圖2所示。

在該個性化推薦系統(tǒng)模型中，學(xué)習(xí)者是指利川移動終端，移動互聯(lián)網(wǎng)絡(luò)參與移動學(xué)習(xí)平臺進(jìn)行學(xué)習(xí)的個體，學(xué)習(xí)時間具有碎片化、隨意性的特征，學(xué)習(xí)內(nèi)容的呈現(xiàn)要適應(yīng)移動終端，網(wǎng)絡(luò)帶寬需要進(jìn)行優(yōu)化，滿足學(xué)習(xí)者對網(wǎng)絡(luò)資費的需求。用戶行為庫是利用學(xué)習(xí)平臺記錄學(xué)習(xí)者對資源的查詢、瀏覽、觀看、下載、收藏、評價等學(xué)習(xí)行為，其是分析用戶偏好的重要依據(jù).用戶偏好記錄了用戶歷史偏好、資源的標(biāo)簽記錄集，以及用戶對資源的評價分值，其是分析資源之間相似度的數(shù)據(jù)源，行為特征提取是對用戶行為和用戶偏好進(jìn)行統(tǒng)計分析，提取用戶行為特征，通過標(biāo)準(zhǔn)化、歸一化轉(zhuǎn)換處理后，建立學(xué)習(xí)者個人偏好模型，為移動學(xué)習(xí)中的個性化推薦提供依據(jù)。個性化推薦算法是進(jìn)行移動學(xué)習(xí)個性化推薦的關(guān)鍵，主要包括UB-CF、IB-CF、TAG-CF三類算法，其中UB-CF算法通過用戶之間相似性度量，發(fā)掘與目標(biāo)用戶興趣偏好相近的用戶，推薦相近用戶喜歡的資源，IB-CF算法是利用個人偏好模型中目標(biāo)用戶喜好的資源，根據(jù)資源之間的相似性度量，發(fā)掘與目標(biāo)用戶喜好資源相類似的資源，推薦給用戶。TAG-CF算法是根據(jù)個人偏好模型中目標(biāo)用戶常用的標(biāo)簽特征，通過標(biāo)簽相似性，找到包含標(biāo)簽特征的資源，形成推薦資源列表對個性化推薦算法形成的資源推薦結(jié)果，進(jìn)行過濾和排名處理，將最終的推薦資源，呈現(xiàn)給移動學(xué)習(xí)者。

1.個性化推薦算法

個性化推薦算法是該模型的核心和關(guān)鍵，推薦結(jié)果的優(yōu)劣直接關(guān)系到移動用戶對推薦效果的體驗、目前主流的推薦方法有基于內(nèi)容的推薦、協(xié)調(diào)過濾推薦、用戶產(chǎn)品二部圖網(wǎng)絡(luò)推薦、基于社會網(wǎng)絡(luò)推薦、混合推薦基于內(nèi)容的推薦方法，利用用戶選擇的對象，提取對象的內(nèi)容特征，匹配用戶興趣偏好，其特征提取是對推薦對象的文本內(nèi)容進(jìn)行分析，其優(yōu)點是簡單直觀，不需要領(lǐng)域知識，沒有稀疏矩陣問題，缺點是對多媒體的特征提取還不成熟以及無法適用多語言描述的推薦對象，極大地限制了移動學(xué)習(xí)中用戶的滿意度。用戶一產(chǎn)品二部圖網(wǎng)絡(luò)推薦方法，不用考慮用戶和推薦對象的內(nèi)容，把兩者抽象為網(wǎng)絡(luò)節(jié)點，通過用戶和對象的連接關(guān)系，生成推薦對象，該方法優(yōu)先考慮冷門產(chǎn)品的推薦優(yōu)先級高于熱門產(chǎn)品，但在移動學(xué)習(xí)中，冷門資源制作水平普遍較低，該思路不利于學(xué)習(xí)者自身的知識構(gòu)建

協(xié)同過濾推薦利用用戶的歷史信息計算用戶之間的相似性，利用與目標(biāo)用戶相似性較高的鄰居塒其他產(chǎn)品的評價來預(yù)測目標(biāo)用戶對特定產(chǎn)品的喜好程度。該方法通過用戶產(chǎn)品評價模型，引導(dǎo)了推薦系統(tǒng)的發(fā)展，根據(jù)推薦對象產(chǎn)生源的不同，可以分為基于用戶的協(xié)同（User Based CoLlaborative Filtering，UB-CF）、基于推薦對象的協(xié)同（Item Based Collaborative Filtering，IB-CF）、基于模型的協(xié)同（Model Based Collaborative Filtering，MB-CF）三類。協(xié)同過濾方法能夠分析文本、聲音、視頻等各類多媒體資源，不需要專業(yè)知識，能夠以學(xué)習(xí)者為中心，對學(xué)習(xí)者潛在的興趣進(jìn)行推薦，滿足個性化推薦系統(tǒng)中推薦算法的要求，但協(xié)同過濾方法也存在冷啟動和稀疏性問題，以及歷史數(shù)據(jù)影響推薦質(zhì)量的問題。

UB-CF是依據(jù)相鄰用戶的興趣偏好進(jìn)行推薦的，首先找到與目標(biāo)用戶偏好相似的相鄰用戶，然后根據(jù)目標(biāo)用戶對推薦對象的評分，預(yù)測推薦用戶對推薦對象的評分，最后根據(jù)預(yù)測評分生成推薦對象列表，列表過濾后，返回給推薦用戶。相鄰用戶的相似性度量采用余弦相似性和相關(guān)相似性，其表達(dá)式如下所示：

其中Ric表示用戶i對推薦對象c的評分，Ri表示用戶i的平均評分。

IB-CF是目前業(yè)界用得最多的基礎(chǔ)算法，基本思路是給目標(biāo)用戶推薦那些與他們之前喜好的物品相似的物品，首先計算物品之間的相似度，然后根據(jù)物品與目標(biāo)用戶喜好物品的相似度以及目標(biāo)用戶的歷史行為，生成最終的推薦列表。物品之間的相似度和用戶對物品興趣度的表達(dá)式如下：

其中wij表示物品i，j的相似度，N（i）表示喜歡i物品的用戶數(shù)。

其中N（u）表示用戶u喜好的物品的集合，s（i，k）表示與物品i最相似的k個物品的集合，rui表示用戶u對物品i的興趣度。

MB-CF是根據(jù)目標(biāo)用戶對現(xiàn)有對象的評分，建立用戶模型，從而對潛在的推薦對象進(jìn)行評測打分。標(biāo)簽（TAG）是一種無層次結(jié)構(gòu)，用來描述推薦對象語義的關(guān)鍵詞，tag中包含了很多用戶的興趣信息和重要的用戶行為，可以利用標(biāo)簽提高個性化推薦的質(zhì)量，提高推薦的多樣性和可解釋性?；跇?biāo)簽的推薦方法（TAG-CF）是MB-CF中的典型方法。TAG-CF預(yù)測用戶推薦對象的方法是在TF-IDF算法的基礎(chǔ)上進(jìn)行的，表示為：

2.推薦對象過濾和排序

通過個性化推薦算法得到學(xué)習(xí)者初步的資源推薦列表，還需對推薦列表進(jìn)行過濾，過濾的內(nèi)容主要包括，用戶已經(jīng)發(fā)生過學(xué)習(xí)行為的資源，提高推薦的新穎度。同時還要根據(jù)用戶約束條件過濾掉不滿足學(xué)習(xí)者條件的資源，如資源學(xué)習(xí)階段與學(xué)習(xí)者不符，資源的專業(yè)分類與學(xué)習(xí)者存在較大差異等，以及需要過濾掉推薦列表中用戶評價較低的資源，保證推薦資源的質(zhì)量。

為了獲得更好的用戶滿意度，需要對過濾后的結(jié)果進(jìn)行排序處理。推薦的目標(biāo)是提高用戶的點擊率，可以根據(jù)用戶行為庫中的反饋記錄，從上下文和搜索記錄中預(yù)測用戶對推薦對象感興趣的程度，根據(jù)此預(yù)測進(jìn)行最終的推薦對象排序。

四、實驗分析

為了驗證移動學(xué)習(xí)中個性化推薦系統(tǒng)模型的有效性，構(gòu)建了如圖3所示的實驗環(huán)境，在該環(huán)境中，硬件資源平臺采用一臺通用的X86服務(wù)器提供計算、存儲和網(wǎng)絡(luò)服務(wù)，移動學(xué)習(xí)者安裝Android、IOS的移動端APP軟件，通過無線WIAN接入移動網(wǎng)絡(luò)，訪問移動學(xué)習(xí)平臺，其中個性化推薦系統(tǒng)也是作為學(xué)習(xí)平臺的附件模塊，基于三種協(xié)同過濾方式給學(xué)習(xí)者提供個性化的學(xué)習(xí)資源推薦服務(wù)。

在實驗環(huán)境中，針對115名學(xué)員、50門課程、1480個學(xué)習(xí)資源，個性化推薦算法可以獲得18.34%的準(zhǔn)確率、51.45%的召回率。該結(jié)果可以滿足移動學(xué)習(xí)中，對學(xué)習(xí)者學(xué)習(xí)資源的個性化推薦需求。

五、總結(jié)

本文通過對移動學(xué)習(xí)特性和研究現(xiàn)狀的分析，針對移動學(xué)習(xí)中的不足，利用學(xué)習(xí)模型（M-Leaming Model）從三個層面六個要素對移動學(xué)習(xí)的過程進(jìn)行描述，并結(jié)合BNF范式表示其內(nèi)在聯(lián)系。提出利用基于協(xié)同過濾的算法對移動學(xué)習(xí)資源進(jìn)行個性化的推薦，并建立了移動學(xué)習(xí)中個性化推薦系統(tǒng)模型，通過對UB-CF、IB-CF、MB-CF三類協(xié)同過濾算法的分析和對推薦結(jié)果的過濾和排序，描述了該模型的工作流程。最后通過實驗分析了移動學(xué)習(xí)中個性化推薦系統(tǒng)模型是有效的，根據(jù)推薦的準(zhǔn)確率和召回率兩個指標(biāo)，可以發(fā)現(xiàn)個性化推薦系統(tǒng)可增強移動學(xué)習(xí)的有效性。