一種基于協(xié)同過濾技術(shù)的個性化移動學(xué)習(xí)資源推薦策略

王曉康

摘 要：隨著通信技術(shù)和智能移動終端的發(fā)展，移動學(xué)習(xí)成為了一種新興學(xué)習(xí)方式。同眾多互聯(lián)網(wǎng)信息服務(wù)一樣，移動學(xué)習(xí)資源存在“信息過載”的問題，并且由于移動學(xué)習(xí)終端處理、界面顯示、輸入輸出等能力有限，問題顯得尤為嚴重。本文在當前個性化推薦算法的研究基礎(chǔ)之上進一步提出了一種融入學(xué)習(xí)者移動情景上下文信息的推薦策略，該模型能夠較好地適應(yīng)移動學(xué)習(xí)的資源推薦場景，使移動學(xué)習(xí)真正發(fā)生。

關(guān)鍵詞：移動學(xué)習(xí)；個性化推薦；協(xié)同過濾；移動情景

一、問題的提出

隨著移動互聯(lián)網(wǎng)的發(fā)展，學(xué)習(xí)者可以通過智能移動終端，不受時間和地點的約束，享受無縫的學(xué)習(xí)體驗。然而，隨著移動學(xué)習(xí)服務(wù)的發(fā)展，移動學(xué)習(xí)資源顯露出“信息過載”的問題，由于移動學(xué)習(xí)情景的特殊性，問題顯得更加嚴重。個性化推薦技術(shù)的應(yīng)用成為緩解這一問題的關(guān)鍵。不同于在電子商務(wù)、網(wǎng)絡(luò)社交等領(lǐng)域的推薦策略，碎片化的移動學(xué)習(xí)情景更注重資源推薦的及時性和適應(yīng)性，這就要求改進傳統(tǒng)的推薦模型，使得推薦結(jié)果有較強的情景適應(yīng)能力。

目前，移動學(xué)習(xí)資源個性化推薦研究大部分基于協(xié)同過濾技術(shù)，構(gòu)建了學(xué)習(xí)者——資源二維推薦模型，其學(xué)習(xí)者評分模型是情景無關(guān)的。但是，在移動環(huán)境下，學(xué)習(xí)者的興趣和需求隨著與時間和空間等情境的改變而有所不同，而目前的研究并未充分考慮移動情境因素對學(xué)習(xí)者偏好的影響。因此，如何結(jié)合移動學(xué)習(xí)者學(xué)習(xí)情境，更準確地預(yù)測學(xué)習(xí)者的偏好信息已經(jīng)成為移動學(xué)習(xí)資源個性化推薦亟待解決的問題。

本文將從移動情景入手，對移動學(xué)習(xí)者、資源、情景三者的相互關(guān)系展開研究，挖掘移動學(xué)習(xí)者情景特征，試圖構(gòu)建一種面向移動學(xué)習(xí)情景的推薦模型，以期為個性化移動學(xué)習(xí)服務(wù)提供更好的用戶偏好建模思路的具體算法。

二、推薦策略中的關(guān)鍵因素

移動學(xué)習(xí)資源推薦系統(tǒng)涉及到三個實體對象：學(xué)習(xí)資源，學(xué)習(xí)者，移動情景。要建立一個準確的推薦系統(tǒng)，首要問題理清這三者的特征關(guān)聯(lián)。其次，基于協(xié)同過濾的推薦算法具有數(shù)據(jù)稀疏、冷啟動（新用戶）、擴展能力差的缺陷[1]，影響推薦結(jié)果的準確性，如何有效利用情景信息緩解緩解該問題也需要進一步研究。此外，移動學(xué)習(xí)資源推薦和其他資源推薦具有很大的不同，要想讓移動學(xué)習(xí)真正發(fā)生，推薦模型需要解決更加深入的問題，這就要求對當前移動學(xué)習(xí)的理論研究具有一定認識，優(yōu)化推薦算法的準確度。目前，耦合情景信息的推薦技術(shù)主要包括三種情況[2]：第一，情景預(yù)過濾推薦模型：該模型將與用戶情景無關(guān)的偏好數(shù)據(jù)進行預(yù)過濾處理，在此基礎(chǔ)上采用協(xié)同過濾算法實現(xiàn)推薦。第二，情景后過濾推薦模型：該模型先采用協(xié)同過濾算法產(chǎn)生初始推薦列表，再過濾掉與用戶情景無關(guān)的推薦。第三，耦合多維情景信息的推薦：該策略是在協(xié)同過濾算法中整合情景信息，實現(xiàn)U（用戶）×I（資源）×C（情景上下文）三維問題向二維問題的轉(zhuǎn)化，最終采用協(xié)同過濾算法產(chǎn)生情景化的推薦結(jié)果。其中，第三種推薦策略適應(yīng)性更好，也是本文所采用的推薦策略。

三、移動學(xué)習(xí)情境下的偏好建模

根據(jù)教學(xué)模式的特點，國內(nèi)學(xué)者余勝泉教授將移動學(xué)習(xí)劃分為知識傳遞、認知建構(gòu)、情景認知三代[3]，顯示出情景在未來移動學(xué)習(xí)過程中的重要性；根據(jù)學(xué)習(xí)過程中交流的程度和個體化學(xué)習(xí)、社會性學(xué)習(xí)的程度，國外學(xué)者Park將移動學(xué)習(xí)劃分為高交流的社會性學(xué)習(xí)、高交流的個體化學(xué)習(xí)、低交流的社會性學(xué)習(xí)和低交流的個體化學(xué)習(xí)四種類型[4]。這些研究表明，移動學(xué)習(xí)要想真正發(fā)揮作用，需要多方面的努力，一方面要求能夠很好地傳承傳統(tǒng)教學(xué)模式中的學(xué)習(xí)特點，特別是關(guān)注認知建構(gòu)和學(xué)習(xí)協(xié)作，另一方面要求學(xué)習(xí)具有很強的情景適應(yīng)性和社交性成分的參與。

根據(jù)布魯姆認知理論[5]，從學(xué)習(xí)者認知能力角度來看知認知構(gòu)建大致分為識記、領(lǐng)會、應(yīng)用、分析（包括分析、綜合和評價）四個層次，那么相應(yīng)的資源推薦模型可以從資源的難易程度不同來實現(xiàn)差異推薦，學(xué)習(xí)資源難度系數(shù)分為初始資源、介紹資源、拓展資源和專業(yè)資源[6]。

從協(xié)作的角度來看，Chen 認為“類似用戶具有類似的偏好這種說法仍不完整”，同時也要考慮“類似情景下的其他用戶在與活動用戶當前情景條件下對項目的偏愛程度”[7]。也就是說對用戶偏好建模應(yīng)該考慮用戶的情景因素，比如一條資源用戶是在什么設(shè)備或者什么網(wǎng)絡(luò)狀況下給出的評分。根據(jù)一般常識，移動學(xué)習(xí)設(shè)備網(wǎng)絡(luò)狀況較差時，加載速度快的文字類學(xué)習(xí)資源學(xué)習(xí)體驗更好，網(wǎng)絡(luò)狀況較好時一些富媒體資源由于交互性更強，學(xué)習(xí)效果更好。這種對照關(guān)系是普遍存在的，又如學(xué)習(xí)者在白天因為學(xué)習(xí)時間不夠連續(xù)更喜歡難度低的介紹性學(xué)習(xí)，在夜晚則因為時間充裕更喜歡難度高的學(xué)習(xí)資料進行深入學(xué)習(xí)；在室外喜歡文字類型的資源，室內(nèi)喜歡視頻類型的資源等等。根據(jù)數(shù)據(jù)統(tǒng)計和分析方法還可以找到資源特征和學(xué)習(xí)者動態(tài)情景更多的對應(yīng)關(guān)系，挖掘這些對應(yīng)關(guān)系并在推薦算法中加以融入能夠使推薦結(jié)果更具情景化，推薦質(zhì)量更高。

概括來說，移動學(xué)習(xí)者情景包含兩部分：靜態(tài)情景和動態(tài)情景，前者反映了學(xué)習(xí)者對學(xué)習(xí)資源內(nèi)容的偏好，后者則影響了移動學(xué)習(xí)者可接受的移動學(xué)習(xí)過程和學(xué)習(xí)資源形式。這種對應(yīng)關(guān)系可用表1來描述。

通過上述分析，能夠較好的完成個性化移動學(xué)習(xí)資源推薦系統(tǒng)中的用戶建模和資源建模，并實現(xiàn)了U（學(xué)習(xí)者）×I（學(xué)習(xí)資源）×C（移動情景上下文）三維模型向二維模型的轉(zhuǎn)化，從而形成基于協(xié)同過濾算法的移動學(xué)習(xí)者偏好模型，該模型有較好的情景適應(yīng)性。

協(xié)同過濾算法的核心是用戶評分矩陣的建立，基于上述模型的評分矩陣可由下表2所示。

該評分矩陣既包括移動學(xué)習(xí)者的顯示評分項目，也考慮了移動情景信息提供的隱式評分項目，基于該評分矩陣的所求得的最近鄰用戶能夠滿足這一有效推測：如果具有相似的資源評分歷史的前提下，還擁有相似的網(wǎng)絡(luò)狀況和相似的認知能力，那么這些學(xué)習(xí)者應(yīng)該具有相似的偏好。需要注意的一點是學(xué)習(xí)者特征屬性取值在區(qū)間[0，1]連續(xù)，所以在求解前要對數(shù)據(jù)進行標準化處理。

采用協(xié)同過濾算法能夠得到初始推薦列表，在該結(jié)果中進一步計算學(xué)習(xí)者認知能力和資源難度系數(shù)以及學(xué)習(xí)者網(wǎng)絡(luò)情景和資源類型的匹配度，通過賦予輕重不同的權(quán)值，可以實現(xiàn)推薦結(jié)果的重排和過濾，從何使得推薦結(jié)果能夠適應(yīng)學(xué)習(xí)者情景，滿足實時而準確的移動學(xué)習(xí)需求。

四、研究總結(jié)

移動學(xué)習(xí)資源推薦涉及到U（用戶）×I（資源）×C（上下文）三維推薦模型，要利用協(xié)同過濾算法，首先需要進行降維運算，本章采取的降維策略，一方面提出直接將移動情景看作學(xué)習(xí)者特征，完成移動學(xué)習(xí)者特征建模，另一方面認為學(xué)習(xí)者移動情景特征和資源某些特征能夠建立一種聯(lián)系。所以，本文選取了移動學(xué)習(xí)者具有代表性的認知能力特征和網(wǎng)絡(luò)情景特征作為評分擴展，提出的推薦策略具有協(xié)作化特征的同時，又有很好的情景適應(yīng)性。

（作者單位：云南師范大學(xué)信息學(xué)院）

參考文獻：

[1] Sarwar B，Karypis G，Konstan J.Item-based collaborative filtering recommendation algorithms[C].Proceedings of the 10th International WWW Conference. New York：ACM Press，2001：285-295.

[2] Umberto PanniellooMichele Gorgoglione.Incorporating context into recommender systems：An empirical comparison of context-based approaches[J].ElectronCommerRes，2012，（12）：1-30.

[3] 余勝泉. 從知識傳遞到認知建構(gòu)、再到情境認知——三代移動學(xué)習(xí)的發(fā)展與展望[J]. 中國電化教育，2007，（6）：7-18.

[4] Park，Y.（2011）. A Pedagogical Framework for Mobile Learning：Categorizing Educational Applications of Mobile Technologies into Four Types[J]. International Review of Research in Open and Distance Learning， （12）：78-102.

[5] 布盧姆. 教育目標分類學(xué)：第一分冊（認知領(lǐng)域）[M]. 上海：華東師范大學(xué)出版社，1986.

[6] Yang Y J，Wu Chuni.An attribute-based ant colony system for adaptive learning object recommendation[J].Expe～Systems with Applications，2009，36（2）：3034—3047.

[7] Chen A.Context-Aware collaborative filtering system：Predicting the users preferences in ubiquitous computing environment[C].In：Proc.of the LoCA2005.LNCS3479，Berlin：Springer-Verlag，2005.244-253.