基于模糊本體的個性化E—learning應(yīng)用研究

吝春妮

摘 要：為了向E-learning環(huán)境中的學習者提供個性化的學習服務(wù)，本文基于模糊本體來描述用戶的學習偏好和認知狀態(tài)，利用E-learning推薦系統(tǒng)提供個性化的學習內(nèi)容。模糊本體是為了解決不精確和不確定性信息在語義網(wǎng)上的重用和共享，對領(lǐng)域本體進行的擴展，用戶偏好描述用戶興趣、愛好的載體和手段。實驗表明自動獲取的模糊本體能很好地描述用戶偏好，這種方法在信息檢索和知識推薦方面是有用的，值得進一步研究。

關(guān)鍵詞：模糊本體；用戶偏好；學習對象；推薦

中圖分類號：G434 文獻標志碼：A 文章編號：1673-8454（2017）03-0074-04

一、引言

由于科學技術(shù)的飛速發(fā)展，特別是網(wǎng)絡(luò)技術(shù)的提高以及各種教學工具的應(yīng)用，E-learning已經(jīng)成為一種重要的教育教學的方法。E-learning是指主要通過網(wǎng)絡(luò)進行的學習與教學活動，充分利用現(xiàn)代信息技術(shù)所提供的全新溝通機制與豐富的學習資源，實現(xiàn)一種全新學習的方式。[1] E-learning具有傳統(tǒng)教學方式無可比擬的優(yōu)勢，給教師和學生提供一個全新的學習教學模式。在當前的環(huán)境下，如何利用E-learning推薦系統(tǒng)主動和學習者進行信息交互，分析學習者的個性需求，給他們提供感興趣的學習內(nèi)容，已經(jīng)成為一個研究的熱點問題。

User profile能夠體現(xiàn)用戶的偏好信息，是用戶興趣的描述文件，存儲用戶偏好的數(shù)據(jù)及其結(jié)構(gòu)。User profile可以用語義網(wǎng)來存儲信息，表達用戶的喜好，促進信息的存儲和檢索過程，而語義網(wǎng)利用形式化本體來創(chuàng)建機器可識別的數(shù)據(jù)，本體在處理機器可識別的描述信息方面是非常優(yōu)秀的，但在現(xiàn)實世界中本體的形式化概念在處理一般領(lǐng)域中的不精確、不確定和模糊的信息時就無能為力了。[2]為了能描述不精確、不確定和模糊信息引入模糊概念和模糊關(guān)系，把模糊理論擴展到本體上，形成模糊本體。模糊本體能夠處理模糊知識，能描述和檢索文本和多媒體對象中模糊信息。[3]

本文提出一種基于模糊本體的user profile來提高E-learning推薦系統(tǒng)的教學活動。主要目的是提高檢索、分類和管理學習對象的性能，利用模糊邏輯來定義、執(zhí)行和校驗自動構(gòu)建基于user profile模糊本體的過程，并把它應(yīng)用在推薦系統(tǒng)中。

二、模糊本體的構(gòu)建

本體是共享概念模型的明確的形式化規(guī)范說明。[4]本體構(gòu)建（又稱本體學習）過程是對概念和概念間的關(guān)系組織?，F(xiàn)實世界中信息的不精確和不確定，引入模糊邏輯對本體進行了模糊擴展，提出了能夠表示模糊知識的模糊本體，這主要有兩個優(yōu)點：第一，通過本體提高了概念的形式化描述；第二，幫助描述和處理在許多應(yīng)用領(lǐng)域里的模糊信息。自動化模糊本體的構(gòu)建在沒有人為參與的情況下從數(shù)據(jù)源中抽取有用的信息。

Nikravesh[5]提出了一種基于概念和web數(shù)據(jù)庫的智能決策分析系統(tǒng)模型，利用該模型可以準確檢索到相關(guān)信息。該模式采用基于術(shù)語相似度函數(shù)的概念潛在語義索引技術(shù)由文本文檔集來自動構(gòu)建本體。Calegari等人[6]描述了一種方法利用模糊本體提高語義文檔的檢索性能，闡述了基于模糊概念網(wǎng)絡(luò)的信息檢索算法。本文主要是自動化構(gòu)建模糊本體，通過結(jié)合文本挖掘和計算機技術(shù)抽取更多的有關(guān)用戶偏好的描述信息來提高自動構(gòu)建模糊本體的過程。

三、基于模糊user profile的推薦系統(tǒng)

根據(jù)Burke[7]的定義，推薦系統(tǒng)輸出個性化的推薦內(nèi)容，在可選空間中給用戶提供感興趣的個性化的有用的對象以便選擇。本節(jié)主要介紹基于模糊本體的user profile的組成部件和自動構(gòu)建過程。User Profile是用戶興趣的描述文件，是用戶個性化需求的體現(xiàn)，由相關(guān)學習對象組成。

1.模糊user profile

在E-learning背景下利用學習對象來描述user profile，該方法中user profile由兩個組成元素來描述用戶的偏好，表示為U（ζ， FO），其中ζ是描述用戶偏好的概念集，F(xiàn)O是對應(yīng)偏好的概念集的模糊本體。ζ集是一個概念ci的集合，wi對應(yīng)概念的權(quán)重，來描述用戶的偏好程度，如公式（1）所示。

該方法量化每個概念在學習對象集合里的權(quán)重：

（1）學習對象d中每個概念ci的權(quán)重是一個模糊值。首先根據(jù)FIS-CRM[8]模型（fis-crm（ci，d））計算每個概念基本權(quán)重值，其次根據(jù)這個概念在用戶文檔中的同義詞和出現(xiàn)頻率重新調(diào)整權(quán)重值。

（2）如果一個概念比其他概念在用戶文檔出現(xiàn)更加頻繁，就認為這個概念和user profile相關(guān)性高，也有例外情況。為了獲得這個相關(guān)度，必須考慮user profile中的學習對象所包含的每個概念的權(quán)重以及在學習對象中出現(xiàn)的頻率。概念ci在user profile u里的權(quán)重wu

i用公式（2）計算：

Wu

i=wij×

1+×Ln+1（2）

其中wij是利用FIS-CRM模型計算出來概念ci在學習對象dj中的相關(guān)度，docs（ci，u）是user profile里出現(xiàn)概念ci的文件數(shù)目，|D|是user profile中學習對象的總數(shù)目， |U|是在E-learning環(huán)境下user profile的總數(shù)，U（ci）表示概念ci具有確定隸屬度的user profile的數(shù)目。

計算出來概念的權(quán)重，就可以確定所有概念之間相關(guān)性分布，標準化權(quán)重值應(yīng)該分布在[0，1]之間。只有概念具有足夠大的權(quán)重（w>0.5）才認為對提高E-learning的學習活動有用。

模糊本體是一個從學習對象抽取的概念間的矢量網(wǎng)絡(luò)。因此，一個模糊本體可看成是有向圖的集合，該有向圖的每一個節(jié)點代表一個概念，邊表示概念之間的聯(lián)系。

2.建立和更新過程

自動構(gòu)建模糊本體和模糊user profile的方法由數(shù)據(jù)處理、發(fā)現(xiàn)和重新描述用戶的偏好兩個階段組成。這個過程又可以分為下列步驟：語言預(yù)處理、術(shù)語索引（也稱本體預(yù)處理）、user profile構(gòu)建和user profile更新過程。

（1）語言預(yù)處理。這個階段的主要目的是以個體術(shù)語的形式從與每個用戶有關(guān)的學習對象中抽取文本信息。首先，對不同形式的文檔進行轉(zhuǎn)換處理；其次，把所有非文本信息，如數(shù)字、日期和標點符號從文檔（詞法分析）中剔除；最后，停用詞表和詞干提取這兩種技術(shù)用來減少詞匯數(shù)量，使描述的文本具有更豐富的含義。[9]

（2）術(shù)語索引。本階段主要利用上階段產(chǎn)生的所有有關(guān)術(shù)語的信息構(gòu)建檢索結(jié)構(gòu)，也稱預(yù)處理本體。預(yù)處理本體包含下面的術(shù)語特征——術(shù)語ID和出現(xiàn)這個術(shù)語的學習對象特性列表。由于每個學習對象都包含屬性ID——最頻繁出現(xiàn)的術(shù)語數(shù)和術(shù)語在學習對象中的位置。每個術(shù)語的位置由一個二元組表示（p，s），其中s表示術(shù)語位于的章節(jié)或者段落，p表示術(shù)語在相應(yīng)部分的索引。

（3）User profile的構(gòu)建。構(gòu)建部件ζ和FO時利用預(yù)處理本體作為資源。首先是利用fis-crm（ci d）計算權(quán)值，這個權(quán)值是構(gòu)建概念集ζ和描述模糊本體網(wǎng)絡(luò)圖的關(guān)鍵來源。模糊本體包含有向圖形式描述相關(guān)度，本體也可以用像OWL[10]的語義標記語言來描述。

（4）User profile更新過程。當由用戶選擇或創(chuàng)建新的學習對象時允許新知識加入到user profile里。這個過程的第一步是為新的學習對象進行語言預(yù)處理和術(shù)語建立索引。接著重新計算參數(shù)，概念之間的相關(guān)度和更新后的user profile里每個概念的相關(guān)度。

四、E-learning推薦系統(tǒng)實例

這部分主要對系統(tǒng)進行評估，推薦系統(tǒng)主要是提供給用戶有用和有趣的學習對象。在評估這個系統(tǒng)方面主要的任務(wù)是利用存儲在學習對象庫中的學習對象來構(gòu)建user profile并進行評估。

1.實驗

實驗在MACE（Metadata for Architectural Contents in Europe）中進行，這個系統(tǒng)在領(lǐng)域本體構(gòu)建方面支持以開放形式獲取學習資源，特別是在高等教育方面。[11] MACE的基本部件能夠分享和重用的對象，包括存儲資源索引和元數(shù)據(jù)的知識庫、在異構(gòu)資源庫網(wǎng)絡(luò)上能支持透明檢索的整合搜索引擎、整合其他資源、為網(wǎng)絡(luò)用戶查找和恢復(fù)功能的可視化的探測儀等。

實驗中參與者必須上傳多于20個基于英文pdf文件到MACE知識庫中作為學習對象，因為文獻的數(shù)量足夠多才能建立好的user profile。一組大約1800個學習對象是由11個MACE用戶利用MACE的簡單查詢接口（Simple Query Interface， SQI）收集而來。SQI[12]提供每個用戶之間的標準化交流，能實現(xiàn)聯(lián)合查詢。每個被選的學習對象都是從pdf文檔抽取的文本內(nèi)容并由此生成一個有關(guān)用戶文檔的集合。這個文檔集合被分成兩個部分，包含產(chǎn)生用戶特征部分和測試推薦系統(tǒng)部分，每個用戶就是一個學習對象的貢獻者。

2.本體評估

利用上述方法得到每個用戶的具有權(quán)重的術(shù)語集和模糊本體，這些術(shù)語集和描述用戶特征本體集對學習對象的基本語義進行描述。首先，比較產(chǎn)生本體的所有關(guān)系，這些關(guān)系是從WordNet中抽取的四種語義關(guān)系——同義詞、同位詞、下位詞和上位詞。第二步用結(jié)構(gòu)化類比和在概念網(wǎng)絡(luò)中定義的相似度關(guān)系。用Precision和Recall來進行評價，Precision是指一個被選中的元素相關(guān)性概率，Recall表示一個相關(guān)的元素被選中的概率，F(xiàn) 測試是Precision和Recall之間的調(diào)和平均數(shù)，計算以公式（3）、（4）、（5）來確定系統(tǒng)的性能。[13]

Precision=（3）

Recall=（4）

F-Measure=（5）

實驗結(jié)果Recall和Precision都在1%到2%之間。因為用戶本體由無分類的模糊關(guān)系和規(guī)則組成，這規(guī)則是句法和分類等級。另外，由于這些規(guī)則由大量的信息組成，故不能進行深層次的分析。而用戶本體包含用戶基本特征，盡力描述自己的特定的域。

3.推薦系統(tǒng)的評估

利用實驗來驗證第4章提出的推薦系統(tǒng)的Precision、Recall和F測試，本文中采用本體評價標準，這個過程其實是把一個本體作為標準和另一個本體進行比較的過程。[14]表1描述各種符號所代表的含義。

實驗選取了11個用戶，收集到504個不同領(lǐng)域的學習對象，是利用描述的MACE系統(tǒng)抽取的。數(shù)據(jù)集被分為訓練集和測試集，11個user profile利用訓練集的329個學習對象建立，測試集包含剩余的175個學習對象。比較系統(tǒng)提供的推薦內(nèi)容和從元數(shù)據(jù)（如果用戶是學習對象的貢獻者，這個學習對象就推薦給這個用戶）抽取的內(nèi)容，獲得相關(guān)的Precision、Recall和F值。所有用戶的實驗數(shù)據(jù)如表2所示，實驗結(jié)果如表3所示。平均的Precision、Recall和F值分別是87.7%、85.8%和86.4%，顯示了本文提出的系統(tǒng)的良好性能，表明提出的系統(tǒng)具有靈活性，能自動產(chǎn)生基于user profile提供的良好的推薦內(nèi)容。

五、結(jié)論

模糊本體的靈活性支持廣泛的信息檢索和過濾問題，本文提出了一種利用模糊本體描述user profile的方法，該方法可以有效地提高E-learning的學習行為，利用推薦系統(tǒng)提供用戶感興趣的學習對象。提出的user profile結(jié)合一個相關(guān)的概念集和定義全面描述用戶喜好的模糊本體，包含一個用戶選擇的或者創(chuàng)建的學習對象產(chǎn)生user profile的過程。實驗是在MACE項目上運行，結(jié)果顯示提出的系統(tǒng)在術(shù)語的Precision和Recall方面是合理的有效的。

進一步的研究任務(wù)是要提高user profile的質(zhì)量，利用修剪過程避免不相關(guān)的概念提供給用戶，要考慮由用戶提供的反饋信息，利用一些混合篩選技術(shù)，增加更詳細的相關(guān)性實驗。

參考文獻：

[1]何克抗.一場深刻的教育革命：E-learning與高等學校的教學改革[J].現(xiàn)代遠程教育研究，2002（3）：13-20.

[2]陳冬玲，王大玲，于戈.支持個性化檢索的 User Profile 研究概述[J].小型微型計算機系統(tǒng)，2008（10）：1903-1907.

[3]Zhai J， Shen L， Zhou Z， et al. Fuzzy ontology model for knowledge management[C].International conference on intelligent systems and knowledge engineering （ISKE 2007）， Chengdu， China. Fuzzy ontology representation model. 2007.

[4]戴維民.語義網(wǎng)信息組織技術(shù)與方法[M].上海：學林出版社，2008.

[5]Nikravesh M. Concept-based search and questionnaire systems[M].Forging New Frontiers： Fuzzy Pioneers I. Springer Berlin Heidelberg， 2007：193-215.

[6]Calegari S， Sanchez E. Object‐fuzzy concept network： An enrichment of ontologies in semantic information retrieval[J].Journal of the American Society for Information Science and Technology， 2008，59（13）：2171-2185.

[7]Burke R. Hybrid recommender systems： Survey and experiments[J].User modeling and user-adapted interaction， 2002，12（4）：331-370.

[8]Olivas J A， Garcés P J， Romero F P. An application of the FIS-CRM model to the FISS metasearcher： Using fuzzy synonymy and fuzzy generality for representing concepts in documents[J].International journal of approximate reasoning，2003， 34（2）：201-219.

[9]Hull D A. Stemming algorithms： a case study for detailed evaluation[J].JASIS， 1996，47（1）：70-84.

[10]McGuinness D L， Van Harmelen F. OWL web ontology language overview[J].W3C recommendation，2004，10（2004-03）：10.

[11]Wolpers M， Memmel M， Klerkx J， et al. Bridging repositories to form the MACE experience[J].New Review of Information Networking， 2009，14（2）：102-116.

[12]Van Assche F， Duval E， Massart D， et al. Spinning interoperable applications for teaching & learning using the simple query interface[J].Educational Technology & Society， 2006，9（2）：51-67.

[13]Cao Y， Li Y. An intelligent fuzzy-based recommendation system for consumer electronic products[J].Expert Systems with Applications， 2007，33（1）：230-240.

[14]Ning H， Shihan D. Structure-based ontology evaluation[C].e-Business Engineering， 2006. ICEBE'06. IEEE International Conference on. IEEE，2006：132-137.

（編輯：王天鵬）