基于動(dòng)態(tài)參考書目推薦的英語創(chuàng)意寫作輔助教學(xué)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

王夢(mèng)雪 李 俊 賈清源 費(fèi) 騰

(武漢大學(xué)資源與環(huán)境科學(xué)學(xué)院 湖北 武漢 430079)

0 引 言

創(chuàng)意寫作是在英美高校非常普遍的一門課程，它以一種具有想象力的、獨(dú)特的又賦有詩意的方式表達(dá)作者的思想情感。近年來，國內(nèi)已有幾所大學(xué)開設(shè)創(chuàng)意寫作課程。在創(chuàng)意寫作學(xué)習(xí)過程中，學(xué)生需要閱讀大量優(yōu)秀的英文作品，因此，合適的參考書目尤為重要。如何滿足不同用戶的需求，在海量參考文獻(xiàn)中為每個(gè)用戶提供精準(zhǔn)的、個(gè)性化的參考書目，并通過在線推薦系統(tǒng)進(jìn)行實(shí)時(shí)推薦，是本文研究的目的所在。

推薦系統(tǒng)是能夠?yàn)橛脩籼峁┧璁a(chǎn)品信息建議的軟件工具和技術(shù)手段[1]。目前各平臺(tái)采用的推薦系統(tǒng)算法主要是基于內(nèi)容的推薦算法和基于協(xié)同過濾的推薦算法[2]。基于內(nèi)容的推薦算法的主要思想是為用戶推薦與他們所喜歡的產(chǎn)品內(nèi)容相似度最高的產(chǎn)品[3]，對(duì)于文本相似性，可以通過提取文本特征來度量，主流的方法是利用TF-IDF詞頻統(tǒng)計(jì)算法提取詞頻特征[4]。除此之外，本文提出用易讀性作為文本特征的另一個(gè)指標(biāo)，其大小用Flesch易讀性公式[5]衡量，Microsoft Word就是應(yīng)用Flesch公式來計(jì)算文本易讀性的[6]。基于協(xié)同過濾的推薦算法是使用最廣泛的推薦技術(shù)，其中基于物品的協(xié)同過濾被認(rèn)為是相對(duì)穩(wěn)定的算法[7-8]。通過計(jì)算待推薦產(chǎn)品與用戶已評(píng)分過的產(chǎn)品間的相關(guān)性對(duì)產(chǎn)品進(jìn)行評(píng)分預(yù)測(cè)，從而將預(yù)測(cè)評(píng)分高的產(chǎn)品加入推薦列表。然而，無論是基于內(nèi)容的推薦算法還是協(xié)同過濾，都有自身的優(yōu)點(diǎn)和缺陷，針對(duì)這一點(diǎn)，許多學(xué)者提出同時(shí)使用這兩種方法以解決冷啟動(dòng)問題，提高精度[9-10]。

本文結(jié)合基于內(nèi)容和基于產(chǎn)品的協(xié)同過濾推薦算法設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)基于動(dòng)態(tài)參考書目推薦的英語創(chuàng)意寫作輔助教學(xué)系統(tǒng)。首先利用基于內(nèi)容的推薦實(shí)時(shí)向用戶推送相似文體和文風(fēng)的參考文章，并通過多用戶協(xié)同過濾的推薦，不斷提高系統(tǒng)推薦的準(zhǔn)確率。該系統(tǒng)不僅能應(yīng)用于在線創(chuàng)意寫作平臺(tái)，還能應(yīng)用于新聞、微博、商品信息、旅游文記、論文期刊等其他個(gè)性化文檔推薦的項(xiàng)目中。

1 整體框架

圖1展示了構(gòu)建英語創(chuàng)意寫作動(dòng)態(tài)參考書目推薦在線系統(tǒng)的研究框架。該系統(tǒng)分三個(gè)模塊進(jìn)行構(gòu)建：底層數(shù)據(jù)庫模塊、中層推薦算法模塊和頂層的用戶模塊。數(shù)據(jù)庫模塊存儲(chǔ)有文本特征數(shù)據(jù)和用戶信息數(shù)據(jù)；推薦算法模塊進(jìn)行基于內(nèi)容和基于協(xié)同過濾的混合推薦；用戶模塊用于前端交互，主要涉及賬號(hào)密碼、用戶文章、推薦文章等的輸入或輸出和其他交互操作。

圖1 創(chuàng)意寫作動(dòng)態(tài)參考書目推薦系統(tǒng)的研究框架

該推薦系統(tǒng)的運(yùn)行流程如圖2所示。在系統(tǒng)投入使用之前要對(duì)文庫文章進(jìn)行預(yù)處理，分析所有文章的詞頻特征和易讀性特征，將特征值存儲(chǔ)在底層數(shù)據(jù)庫中。推薦過程分為兩部分：一是基于文本的內(nèi)容推薦，用戶輸入文章片段后，在線分析該文本的詞頻和易讀性特征并與文庫中文章的特征值比較，計(jì)算二者的相似度并將結(jié)果排序，輸出相似度高的文章列表；二是基于物品的協(xié)同過濾推薦，用戶查看推薦的文章后，構(gòu)成瀏覽記錄，對(duì)用戶的瀏覽記錄進(jìn)行分析處理，計(jì)算文章之間的支持度和置信度，基于此，判斷某些文章的關(guān)聯(lián)度并對(duì)關(guān)聯(lián)度進(jìn)行排序，輸出與用戶瀏覽記錄關(guān)聯(lián)度高的文章列表，作為對(duì)基于文本內(nèi)容推薦的補(bǔ)充。

圖2 創(chuàng)意寫作動(dòng)態(tài)參考書目推薦系統(tǒng)的運(yùn)行流程

2 基于內(nèi)容的推薦

基于內(nèi)容的推薦需要計(jì)算用戶內(nèi)容和產(chǎn)品內(nèi)容之間的相似度，在大多數(shù)情況下需要對(duì)描述內(nèi)容的信息進(jìn)行分析，其中對(duì)用戶興趣的描述來自用戶自己提供的信息[11]。本文在基于內(nèi)容的推薦中，從特征詞頻相似性方面判斷用戶提供的片段與文庫文章是否相似，并輔佐以易讀性差異計(jì)算進(jìn)一步衡量相似度。本文先用TF-IDF算法計(jì)算輸入片段的詞頻特征，然后計(jì)算輸入片段和文庫文章排名較高的前100個(gè)詞的TF-IDF值的余弦相似度，再計(jì)算輸入片段的易讀性，將它與文庫文章的易讀性進(jìn)行差值計(jì)算，最后對(duì)二者的計(jì)算結(jié)果加權(quán)，得到最終的結(jié)果。

2.1 相似度計(jì)算

根據(jù)空間向量模型，一個(gè)文件空間中的文件可以看作一組特征值的集合，統(tǒng)計(jì)每個(gè)特征詞的出現(xiàn)頻率。將詞頻信息表示成向量模式，該向量就是文本的特征向量，進(jìn)而可以利用向量間的余弦相似度計(jì)算或者Jaccard公式得到文本相似度。

選取特征詞最常用的方法是TF-IDF算法。TF-IDF通過統(tǒng)計(jì)文件中每個(gè)單詞在該文件的出現(xiàn)頻率和在所有文件中的出現(xiàn)頻率，給該文件中每個(gè)單詞賦權(quán)值，TF指詞頻，IDF指逆向文件頻率[12]。TF-IDF衡量的是給定單詞與一篇特定文件的相關(guān)性，若一個(gè)單詞的TF-IDF值高，那么該單詞在一個(gè)特定文件中出現(xiàn)頻率高而在該文件集中出現(xiàn)頻率相對(duì)低，說明該單詞具有很好的類別區(qū)分能力[13]，將它們作為標(biāo)識(shí)該文件的特征詞。這樣做的目的是找到衡量文章內(nèi)容相似性的可靠依據(jù)，一篇英語文章中無意義的介詞出現(xiàn)頻率一般會(huì)比具有實(shí)際含義的動(dòng)詞或名詞高。如果單純按一篇文章的最高詞頻計(jì)算，那么所有文章的特征詞都會(huì)充斥著大量的介詞、冠詞、連詞，甚至是無意義的名詞和動(dòng)詞。而TF-IDF算法的作用則能降低停止詞的權(quán)值，提高實(shí)義詞的權(quán)值，篩選出一篇文章中獨(dú)有且出現(xiàn)次數(shù)多的單詞，提高相似性計(jì)算的準(zhǔn)確率。

TF-IDF算法計(jì)算過程如下：設(shè)一個(gè)文件集中有N個(gè)文本文件，fij為標(biāo)識(shí)為i的單詞在文件j中的出現(xiàn)頻次，那么詞頻TFij定義如下：

(1)

TFij是fij標(biāo)準(zhǔn)化得到的結(jié)果，標(biāo)準(zhǔn)化過程是fij除以一個(gè)文本文件中所有單詞的最大頻率值。所以，文件j中出現(xiàn)次數(shù)最多的單詞的TF值為1，其他單詞的TF值都小于1。

設(shè)單詞i在ni個(gè)文件中出現(xiàn)過，那么IDFi定義如下：

(2)

若一個(gè)文件j有m個(gè)不同的項(xiàng)，那么該文件的內(nèi)容可以表示為m維向量:

dj=(w1j,w2j,…,wmj)

(3)

式中：

(4)

dj即為文件的特征向量，用這個(gè)值來計(jì)算文件之間的相似度。在基于內(nèi)容的推薦系統(tǒng)中，用ContentBasedProfile(c)表示用戶特征，用Content(s)表示產(chǎn)品特征[14]，有如下所示計(jì)算該相似性的函數(shù)：

u(c,s)=score(ContentBasedProfile(c),Content(s))

(5)

其中score的計(jì)算方式有很多，本文使用夾角余弦相似法，因?yàn)樵摲椒ㄓ?jì)算簡(jiǎn)便，且能夠得到較為精確的結(jié)果。該方法是用向量空間中兩個(gè)向量夾角的余弦值衡量兩個(gè)對(duì)象之間的相似度，計(jì)算方法如下：

(6)

兩個(gè)特征向量的夾角余弦值越大，向量之間的夾角就越小，說明兩個(gè)文本文件越相似。

本文先統(tǒng)計(jì)文章的單詞詞頻，取頻次最高的若干個(gè)單詞，然后用TF-IDF算法從中篩選出100個(gè)能標(biāo)識(shí)該文章的特征單詞。將這些單詞的TF-IDF值作為文章的特征向量，計(jì)算出文庫文章和輸入語句特征向量的夾角余弦值，得到的結(jié)果即為二者的詞頻相似度，作為評(píng)價(jià)文檔相似性的一個(gè)指標(biāo)。

2.2 易讀性差異計(jì)算

易讀性用來衡量文章難度，本文將它作為另一個(gè)文本特征，使用Flesch公式計(jì)算文本的易讀性。該公式用單詞音節(jié)數(shù)衡量單詞難度，用文本的平均句長衡量句子的難度。

Flesch易讀性公式形式如下：

ReadingEase(RE)=206.835-0.846wl-1.015sl

(7)

式中：wl為每100個(gè)單詞的平均音節(jié)數(shù)；sl為句子的平均單詞數(shù)；RE代表易讀性指數(shù)，范圍為0～100。RE值越大，文本越容易，RE值在0～30被認(rèn)為很難，是美國大學(xué)生水平，60～70被定義為標(biāo)準(zhǔn)難度，相當(dāng)于初中生水平。

本文對(duì)文庫文章和輸入語句的單詞平均音節(jié)數(shù)和句子平均單詞數(shù)進(jìn)行統(tǒng)計(jì)，用Flesch公式計(jì)算出用戶輸入和文庫文章的易讀性差值，作為評(píng)價(jià)文檔相似性的另一個(gè)指標(biāo)。

2.3 基于文本內(nèi)容的推薦

通過對(duì)文本信息的分析計(jì)算，得到詞頻相似度和文章易讀性兩個(gè)指標(biāo)。本文在決定最終的計(jì)算公式時(shí)，采用熵權(quán)法[15]確定這兩個(gè)指標(biāo)的權(quán)重系數(shù)。

設(shè)詞頻特征相似度結(jié)果的權(quán)重系數(shù)為a，易讀性差異計(jì)算結(jié)果的權(quán)重系數(shù)為b，可得到用戶輸入片段和文庫文章的相似度的計(jì)算公式：

sim(c,s)=a×u(c,s)+b×|REc-REs|=

(8)

式中：sim(c,s)表示用戶輸入片段與文庫文章的相似度，將相似度結(jié)果從大到小排序，優(yōu)先推薦相似度高的文章。

3 基于協(xié)同過濾的推薦

在基于物品的協(xié)同過濾推薦中，分析每次推薦后產(chǎn)生的用戶喜好數(shù)據(jù)，如果多個(gè)用戶同時(shí)看了某些文章，可以判斷這些文章存在著隱含的聯(lián)系。據(jù)此將與用戶閱讀過的文章關(guān)聯(lián)性強(qiáng)的文章推薦給該用戶，幫助其當(dāng)前的寫作，作為對(duì)基于內(nèi)容推薦結(jié)果的補(bǔ)充。基于物品的協(xié)同過濾的理論之一是數(shù)據(jù)挖掘中的關(guān)聯(lián)規(guī)則，用支持度(support)和置信度(confidence)來反映兩個(gè)物品之間的關(guān)聯(lián)度，支持度表示兩個(gè)物品同時(shí)出現(xiàn)的概率。

本文采用隱式評(píng)分[16]，即不需要用戶顯式輸入評(píng)分?jǐn)?shù)值，僅通過用戶在瀏覽推薦結(jié)果片段后是否點(diǎn)擊“閱讀全文”來判斷用戶是否對(duì)該文章感興趣。若判斷為是，則將該文章加入到該用戶的閱讀列表，文庫列表中的每一篇文章和其他文章的關(guān)聯(lián)性都要在閱讀列表中進(jìn)行統(tǒng)計(jì)計(jì)算。對(duì)于任意兩篇屬于文庫列表的文章A和B，它們之間的支持度為：

(9)

A對(duì)B的置信度表示如果用戶閱讀過A，他也會(huì)喜歡B的概率，公式為：

(10)

給支持度和置信度設(shè)置閾值，若A對(duì)B的支持度和A對(duì)B的置信度分別大于這兩個(gè)閾值，則判斷B是A的強(qiáng)相關(guān)性文章，將B添加到A的相關(guān)文章列表中。遍歷文庫中的所有文章，為每篇文章都建立對(duì)應(yīng)的相關(guān)文章列表。若用戶閱讀文章A，則從列表中篩選出用戶沒有讀過的文章B，按照關(guān)聯(lián)度從大到小排序，將排序結(jié)果推送給用戶。

4 測(cè)試分析及改進(jìn)

本文設(shè)計(jì)了一種個(gè)性化在線推薦系統(tǒng)平臺(tái)，系統(tǒng)界面如圖3所示。用戶在左側(cè)文本框輸入寫作片段，系統(tǒng)根據(jù)目前的內(nèi)容在左下角實(shí)時(shí)呈現(xiàn)5篇推薦書目的標(biāo)題，當(dāng)輸入文字較多后推薦列表會(huì)趨于穩(wěn)定。用戶點(diǎn)擊后以片段方式呈現(xiàn)在右側(cè)文本框供用戶試閱，當(dāng)用戶對(duì)此文章感興趣可以點(diǎn)擊“full text”閱讀全文。此時(shí)，系統(tǒng)會(huì)在右下角會(huì)列出與該文章相關(guān)度最高的5篇文章，并將瀏覽行為記錄下來，用于計(jì)算更新各文章的相關(guān)文章列表。

圖3 創(chuàng)意寫作動(dòng)態(tài)參考書目推薦系統(tǒng)界面

本文從各網(wǎng)站采集了580短篇英文小說作為實(shí)驗(yàn)測(cè)試數(shù)據(jù)，測(cè)試平臺(tái)中設(shè)計(jì)了評(píng)分系統(tǒng)，選擇100名學(xué)生作為用戶分別從內(nèi)容和主題、表達(dá)和情感、用詞和句長三個(gè)方面進(jìn)行評(píng)價(jià)，每個(gè)方面評(píng)分為1～5分。用戶綜合推薦的5篇文章對(duì)結(jié)果進(jìn)行評(píng)分，對(duì)評(píng)分結(jié)果求平均值并進(jìn)行歸一化，得到用戶對(duì)推薦結(jié)果的滿意程度，結(jié)果如表1所示。

表1 用戶滿意程度及評(píng)分標(biāo)準(zhǔn)

由用戶的反饋可以看出，本系統(tǒng)能夠較好地滿足用戶的需求。雖然在情感表達(dá)和主題內(nèi)容上稍有欠缺，但是在詞匯和句子難度方面系統(tǒng)能提供較為精準(zhǔn)的推薦。

本系統(tǒng)與已有的教學(xué)資源推薦系統(tǒng)相比[17-18]，優(yōu)勢(shì)在于使用基于內(nèi)容和基于物品的混合式推薦系統(tǒng)，發(fā)揮了兩種推薦方法各自的優(yōu)點(diǎn)。在基于內(nèi)容的推薦中，分別從文章相似度和易讀性兩個(gè)角度出發(fā)進(jìn)行相似計(jì)算，從而提高了推薦的準(zhǔn)確性。

5 結(jié) 語

本文提出了一個(gè)基于動(dòng)態(tài)參考書目推薦的英語創(chuàng)意寫作輔助教學(xué)系統(tǒng)。該系統(tǒng)能根據(jù)用戶在線輸入的英文寫作內(nèi)容，提取多維寫作風(fēng)格特征，進(jìn)行實(shí)時(shí)動(dòng)態(tài)相關(guān)參考讀物推薦。此外，作為一個(gè)多用戶系統(tǒng)，還基于協(xié)同過濾算法，將其他用戶的接受推薦行為也納入推薦考慮范圍，利用用戶貢獻(xiàn)內(nèi)容(UGC)對(duì)系統(tǒng)的貢獻(xiàn)，對(duì)其基于寫作風(fēng)格的推薦進(jìn)行補(bǔ)充和修正。該系統(tǒng)在使用中，反應(yīng)迅速、推薦準(zhǔn)確，深受測(cè)試用戶的好評(píng)。可以作為創(chuàng)意寫作課程教學(xué)與課后輔導(dǎo)信息化的有利工具。

在之后的改進(jìn)中可以考慮更多方面，如利用自然語言處理進(jìn)行情感分析，通過文章主題分類提高推薦效果，使推薦系統(tǒng)更符合用戶的預(yù)期。