基于多維關(guān)聯(lián)本體的學(xué)習(xí)資源推薦方法

李浩君，吳嘉銘，戴海容

(1.浙江工業(yè)大學(xué) 教育科學(xué)與技術(shù)學(xué)院，浙江 杭州 310023；2.浙江金融職業(yè)學(xué)院，浙江 杭州 310018)

隨著移動通信技術(shù)的發(fā)展和我國“互聯(lián)網(wǎng)+”教育應(yīng)用的實施，互聯(lián)網(wǎng)中學(xué)習(xí)資源數(shù)量激增，各式各樣的學(xué)習(xí)平臺也相繼推出，海量的學(xué)習(xí)資源散布在各學(xué)習(xí)平臺中，學(xué)習(xí)者需要訪問多個學(xué)習(xí)平臺才可能尋找到適合自己的學(xué)習(xí)資源。由于學(xué)習(xí)資源種類繁多以及來源廣泛，學(xué)習(xí)者很難從海量信息中尋找到自己所需知識[1-2]。目前，大多數(shù)學(xué)習(xí)資源推薦方法難以解析異構(gòu)數(shù)據(jù)，不能細(xì)粒度地描述情境特征、學(xué)習(xí)者特征以及資源特征，隱性知識因缺乏對特征間關(guān)系描述而難以挖掘，因而提供的學(xué)習(xí)資源與學(xué)習(xí)者需求匹配度較低，容易導(dǎo)致學(xué)習(xí)者產(chǎn)生知識迷航困擾。如何有效利用多源異構(gòu)數(shù)據(jù)設(shè)計一套高效、精準(zhǔn)的學(xué)習(xí)資源推薦方法已成為目前國內(nèi)外研究熱點。

為解決上述問題，首先，借助語義網(wǎng)本體技術(shù)構(gòu)建多維關(guān)聯(lián)本體模型(Multidimensional correlation ontology model, MCOM)，該模型不僅能將分散的學(xué)習(xí)資源和移動終端獲得的多源異構(gòu)數(shù)據(jù)組織起來，而且充分利用語義關(guān)系解析學(xué)習(xí)者—情境—學(xué)習(xí)資源三元關(guān)系，實現(xiàn)細(xì)粒度的多維關(guān)聯(lián)本體模型；其次，設(shè)計動態(tài)自均衡的二進(jìn)制粒子群優(yōu)化算法(Dynamic self-equilibrium binary particle swarm optimization, DSEBPSO)提高尋優(yōu)計算的能力，通過動態(tài)策略更好地控制開發(fā)和探索過程，使這兩個過程能動態(tài)自均衡，防止過早陷入局部最優(yōu)，提高算法尋找最優(yōu)資源的效率；最后，提出基于多維關(guān)聯(lián)本體的學(xué)習(xí)資源推薦方法(Learning resource recommendation method based on multidimensional correlation ontology and dynamic self-equilibrium binary particle swarm optimization, MCOM-LROM)，該方法通過語義推理將MCOM模型中的數(shù)據(jù)轉(zhuǎn)化為DSEBPSO算法所需要的數(shù)據(jù)源，并且也將MCOM模型中學(xué)習(xí)資源本體中適合學(xué)習(xí)者的學(xué)習(xí)資源交給智能計算優(yōu)化算法進(jìn)行尋優(yōu)計算，并將不適合的學(xué)習(xí)資源排除在智能計算服務(wù)對象外。所提出的學(xué)習(xí)資源推薦方法一方面能減少智能計算優(yōu)化算法的計算量和運(yùn)算時間；另一方面可充分利用語義網(wǎng)推理和智能算法的優(yōu)勢，一定程度上解決了智能計算優(yōu)化算法面對多源異構(gòu)數(shù)據(jù)冷啟動問題。

1 問題描述和方法框架

為了解決學(xué)習(xí)資源與學(xué)習(xí)者需求特征匹配問題，研究者將學(xué)習(xí)資源推薦問題轉(zhuǎn)化為離散型組合問題，通過智能算法進(jìn)行求解[3-4]。粒子群算法具備參數(shù)少、易于理解特點，具有較好的搜索性能，已廣泛應(yīng)用于各領(lǐng)域的資源推薦研究。Chu等[5]建立了在線學(xué)習(xí)資源推薦模型，通過二進(jìn)制粒子群算法求解與學(xué)習(xí)者特征差異最小的學(xué)習(xí)資源，為學(xué)習(xí)者提供個性化學(xué)習(xí)資源序列；劉麗玨等[6]提出了基于蟻群-粒子群混合算法的旅游路線推薦服務(wù)，解決了多目標(biāo)旅游線路推薦的問題；李浩君等[7]構(gòu)建了多維特征學(xué)習(xí)資源推薦模型，通過雙映射二進(jìn)制粒子群算法求解模型，滿足了學(xué)習(xí)者在線學(xué)習(xí)的個性化學(xué)習(xí)資源需求。隨著學(xué)習(xí)者對推薦質(zhì)量要求的提高和學(xué)習(xí)資源數(shù)量的快速增長，研究者開始著力于構(gòu)建新的方法解決大規(guī)模資源下學(xué)習(xí)資源推薦問題，Pukkhem[8]從語義網(wǎng)本體視角構(gòu)建學(xué)習(xí)資源推薦系統(tǒng)，將學(xué)習(xí)者特征和學(xué)習(xí)資源特征映射到本體中進(jìn)行匹配推薦，但考慮的學(xué)習(xí)者特征較少，推薦精度較低；呂剛等[9]提出用本體組織用戶標(biāo)簽和學(xué)習(xí)資源標(biāo)簽，設(shè)計基于本體的資源推薦系統(tǒng)為用戶提供學(xué)習(xí)資源推薦服務(wù)；Lü等[10]提出將學(xué)習(xí)資源關(guān)系特征用本體集成再通過遺傳算法進(jìn)行推薦計算。通過深入分析現(xiàn)有研究工作，發(fā)現(xiàn)目前學(xué)習(xí)資源推薦研究中還存在如下問題：1)在推薦過程中忽略了情境特征和學(xué)習(xí)資源間關(guān)聯(lián)，導(dǎo)致服務(wù)精度低，學(xué)習(xí)者易產(chǎn)生知識迷航；2)多數(shù)方法不具備將學(xué)習(xí)過程各要素有機(jī)組織起來的能力，對數(shù)據(jù)利用效率較低；3)面對海量的學(xué)習(xí)資源，缺乏精確計算能力，服務(wù)響應(yīng)時間長、準(zhǔn)確度低。

1.1 問題描述

學(xué)習(xí)資源推薦本質(zhì)是要滿足用戶個性化學(xué)習(xí)內(nèi)容需求，幫助用戶達(dá)成學(xué)習(xí)目標(biāo)，過程中不僅要提供用戶所需的學(xué)習(xí)資源，而且要能根據(jù)用戶情境變化動態(tài)調(diào)整推薦資源。學(xué)習(xí)資源推薦問題受3 個維度因素影響：1)學(xué)習(xí)資源維度，學(xué)習(xí)資源的特征有很多，如承載媒介、適用的學(xué)習(xí)階段、學(xué)習(xí)時長和資源難度等，學(xué)習(xí)資源和用戶的匹配程度對學(xué)習(xí)結(jié)果有很大影響；2)情境維度，即學(xué)習(xí)過程中的情境因素，情境影響作用往往是對學(xué)習(xí)需求的求解過程優(yōu)化；3)學(xué)習(xí)者維度，即推薦服務(wù)的對象因素，學(xué)習(xí)者的學(xué)習(xí)風(fēng)格、學(xué)習(xí)偏好和能力水平等要素對推薦的準(zhǔn)確性和高效性有著重要的影響。因此，基于多維關(guān)聯(lián)本體的學(xué)習(xí)資源推薦方法是綜合考慮用戶需求、學(xué)習(xí)內(nèi)容和服務(wù)環(huán)境等因素的資源優(yōu)化與調(diào)度結(jié)果。

1.2 方法框架

基于多維關(guān)聯(lián)本體的學(xué)習(xí)資源推薦方法可以分為兩個過程，即多維關(guān)聯(lián)本體模型構(gòu)建和最優(yōu)服務(wù)計算，兩個過程的融合應(yīng)用框架見圖1。多維關(guān)聯(lián)本體模型構(gòu)建包括多源異構(gòu)數(shù)據(jù)分析處理和多維關(guān)聯(lián)本體設(shè)計等；最優(yōu)服務(wù)計算依賴學(xué)習(xí)資源推薦模型進(jìn)行，由推理計算和智能計算兩個方法組成。筆者方法先將獲取到的情境數(shù)據(jù)和分布在網(wǎng)絡(luò)上的學(xué)習(xí)資源映射到設(shè)計的多維關(guān)聯(lián)本體中，形成多層次、細(xì)粒度和有組織的數(shù)據(jù)結(jié)構(gòu)；為了更深層次地挖掘用戶的隱性知識需求，利用語義網(wǎng)推理技術(shù)進(jìn)行推理計算，將低階的數(shù)據(jù)轉(zhuǎn)化成高階的信息。在此基礎(chǔ)上根據(jù)用戶的知識需求，利用動態(tài)自均衡的二進(jìn)制粒子群優(yōu)化算法進(jìn)行尋優(yōu)計算，計算出當(dāng)前情境下與用戶需求最匹配的學(xué)習(xí)資源以及學(xué)習(xí)路徑。

圖1 基于多維關(guān)聯(lián)本體的學(xué)習(xí)資源推薦方法框架

1.3 知識迷航值定義

知識迷航值(Knowledge disorientation)是學(xué)習(xí)資源推薦效果優(yōu)劣的評價指標(biāo)，表示學(xué)習(xí)者在接受學(xué)習(xí)資源推薦服務(wù)時產(chǎn)生對知識內(nèi)容不理解的程度。知識迷航值越高，意味著學(xué)習(xí)者對知識內(nèi)容不理解的程度越高，推薦的效果越差；反之，則說明當(dāng)前推薦的學(xué)習(xí)資源能更好地滿足學(xué)習(xí)者學(xué)習(xí)需求，推薦效果更好。知識迷航值由知識迷航值函數(shù)計算獲得，用KD表示。

2 基于多維關(guān)聯(lián)本體和改進(jìn)粒子群算法的學(xué)習(xí)資源推薦模型

2.1 多維關(guān)聯(lián)本體設(shè)計與實例填充

2.1.1 學(xué)習(xí)資源本體

學(xué)習(xí)資源本體包括學(xué)習(xí)資源各特征的詳細(xì)信息，主要包含學(xué)習(xí)資源與知識點的對應(yīng)關(guān)系、媒介類型、難度水平以及內(nèi)容類型。

學(xué)習(xí)資源本體參數(shù)表示：

1)定義學(xué)習(xí)資源集合KU={KUm1，KUm2，…，KUmi}，1≤m≤M，1≤i≤I，KUmi為第m個知識點的第i資源實例，M為目標(biāo)知識點數(shù)量，I為每個知識點下的學(xué)習(xí)資源數(shù)量。設(shè)學(xué)習(xí)資源路徑變量為xKUiKUj，使用二進(jìn)制編碼，當(dāng)學(xué)習(xí)路徑為資源i到資源j，則xKUiKUj=1，否則為0。

2)定義學(xué)習(xí)資源難度D={Dm1，Dm2，…，Dmi}，Dmi為第m個知識點下的第i個資源的難度水平。

3)定義學(xué)習(xí)資源的媒介類型MT={MT1，MT2，…，MTn}={文本，圖片，視頻，互動游戲}，n為媒介類型數(shù)量，設(shè)置n=4。

4)定義學(xué)習(xí)資源與知識點的關(guān)聯(lián)度KR={KRm1，KRm2，…，KRmi}，KRmi為第m個知識點與第i個學(xué)習(xí)資源的關(guān)聯(lián)度，m為目標(biāo)知識點數(shù)量，i為每個知識點下的資源數(shù)量。

5)定義學(xué)習(xí)資源的內(nèi)容類型為KS={KS1，KS2，…，KSq}={課前預(yù)習(xí)，課中學(xué)習(xí)，課后復(fù)習(xí)，綜合復(fù)習(xí)}，q為內(nèi)容類型數(shù)量，設(shè)置q=4。

2.1.2 學(xué)習(xí)者本體

學(xué)習(xí)者本體包括學(xué)習(xí)者的詳細(xì)信息，包括學(xué)習(xí)目標(biāo)、學(xué)習(xí)能力、學(xué)習(xí)風(fēng)格、情感狀態(tài)、媒介偏好和認(rèn)知水平。用kolb風(fēng)格類型對學(xué)習(xí)風(fēng)格進(jìn)行劃分。

學(xué)習(xí)者本體參數(shù)表示：

1)定義學(xué)習(xí)者L={L1，L2，…，Lk}，1≤k≤K，Lk為第k個學(xué)習(xí)者，K為學(xué)習(xí)者總數(shù)。定義學(xué)習(xí)者學(xué)習(xí)目標(biāo)LC={LCk1，LCk2，…，LCkm}，LCkm為第k個學(xué)習(xí)者目標(biāo)學(xué)習(xí)m個知識點。定義學(xué)習(xí)者計劃的學(xué)習(xí)時長LT={LT1t，LT2t，…，LTkt}，LTkt為第k個學(xué)習(xí)者計劃學(xué)習(xí)的時長。

2)定義學(xué)習(xí)者學(xué)習(xí)能力A={A1，A2，…，Ak}，Ak為學(xué)習(xí)者Lk的學(xué)習(xí)能力，1≤k≤K。

3)定義學(xué)習(xí)者的學(xué)習(xí)風(fēng)格為S={S1，S2，…，Sa}={聚合型，發(fā)散型，同化型，調(diào)節(jié)型}，0≤a≤A，A為學(xué)習(xí)風(fēng)格數(shù)量，設(shè)置A=4。

4)定義學(xué)習(xí)者的情感狀態(tài)LE={LEk1，LEk2，…，LEke}={消極，較為消極，一般，較為積極，積極}，1≤k≤K，0≤e≤E，K為學(xué)習(xí)者總數(shù)，E為情感狀態(tài)種類，本文中設(shè)置E=5。LEke第k個學(xué)習(xí)者的情感狀態(tài)，在學(xué)習(xí)過程中學(xué)習(xí)者有唯一情感狀態(tài)。

5)定義學(xué)習(xí)者的媒介偏好LM={LMk1，LMk2，…，LMkn}，k為學(xué)習(xí)者總數(shù)，n為媒介類型數(shù)量，LMkn為第k個學(xué)習(xí)者對第n種媒介的偏好值。

6)定義學(xué)習(xí)者的認(rèn)知階段O={O1，O2，…，Ob}={入門階段、聯(lián)系階段、提高階段}，1≤b≤B，B為認(rèn)知階段種類，設(shè)置B=3。學(xué)習(xí)者有唯一認(rèn)知階段與之對應(yīng)。

2.1.3 情境本體

情境本體包含學(xué)習(xí)環(huán)境的詳細(xì)信息，包括時間、位置、網(wǎng)絡(luò)環(huán)境和設(shè)備電量等。

情境本體參數(shù)表示：

1)定義學(xué)習(xí)者開始學(xué)習(xí)時間T={T1，T2，…，Tk}，1≤k≤K，Tk表示第k個學(xué)習(xí)者開始學(xué)習(xí)的時間。

2)定義學(xué)習(xí)者的位置Si={Si1，Si2，…，Sik}，Sik表示第k個學(xué)習(xí)者學(xué)習(xí)時的位置。

3)定義學(xué)習(xí)者學(xué)習(xí)時的網(wǎng)絡(luò)環(huán)境Ne={Ne1，Ne2，…，Nek}，Nek表示第k個學(xué)習(xí)者學(xué)習(xí)時的網(wǎng)絡(luò)環(huán)境。

4)定義學(xué)習(xí)者學(xué)習(xí)使用的設(shè)備電量El={El1，El2，…，Elk}，Elk表示第k個學(xué)習(xí)者的設(shè)備電量情況。

2.1.4 語義關(guān)系設(shè)計和實例填充

為將散布在各個學(xué)習(xí)平臺中的學(xué)習(xí)資源組織起來，通過爬取各平臺網(wǎng)絡(luò)學(xué)習(xí)資源信息，利用中科大研發(fā)的ICTCLAS 2019自然語言處理系統(tǒng)對數(shù)據(jù)進(jìn)行預(yù)處理，提取出學(xué)習(xí)資源中的關(guān)鍵信息和語義關(guān)系三元組，通過移動設(shè)備獲取的學(xué)習(xí)者信息和情境信息也用同樣的方向進(jìn)行預(yù)處理。

一般情況下學(xué)習(xí)過程將使用多個學(xué)習(xí)資源，知識點有前導(dǎo)后繼的關(guān)系，因此使用的學(xué)習(xí)資源也有先后順序。不同的學(xué)習(xí)者在不同的情境下需求的學(xué)習(xí)資源也是不同的。因此學(xué)習(xí)資源本體、學(xué)習(xí)者本體和情境本體有多維語義關(guān)系。為構(gòu)建上述的關(guān)系并嵌入實例，使用知識圖譜中TransR[11]技術(shù)構(gòu)建多維關(guān)聯(lián)本體和實例填充。TransR將實體空間和關(guān)系空間相分離，充分考慮了實體存在多種語義關(guān)系的情況，將實體和關(guān)系分別映射到不同的語義空間中。對抽取的三元組(h，r，t)，h，t屬于空間Rk，r屬于空間Rd，對每一個關(guān)系r，用映射矩陣Mr∈Rk×d把實體h，t從實體空間映射到關(guān)系空間，映射公式為

hr=hMr，tr=tMr

(1)

并滿足如下約束條件，即

hr+r≈tr

(2)

實例映射進(jìn)本體結(jié)構(gòu)完成了部分自身邏輯構(gòu)建，而自定義規(guī)則推理構(gòu)建需教師或者專家進(jìn)行語義手工補(bǔ)充，完善多維本體[12]。針對部分信息系統(tǒng)數(shù)據(jù)缺失導(dǎo)致推薦服務(wù)難以運(yùn)行的問題，通過建立本體模型和本體邏輯屬性分析，利用語義網(wǎng)邏輯標(biāo)注就能推理出遺漏或缺失參數(shù)，完善和優(yōu)化推薦服務(wù)初始化參數(shù)。而基于本體邏輯屬性的推理計算往往不能識別出其隱性的知識，需要依靠建模人員和領(lǐng)域?qū)＜也扇∠鄳?yīng)的處理方法才能將隱含在本體顯示關(guān)系中的隱性知識提取出來[13]。因此，基于自定義規(guī)則的推理計算應(yīng)用能極大降低事件處理復(fù)雜性，提高知識推薦服務(wù)工作的精準(zhǔn)性。

筆者基于文獻(xiàn)[14]和教學(xué)先驗知識，充分利用情境信息和學(xué)習(xí)者信息構(gòu)建了5 條自定義推理規(guī)則(表1)。通過Jena推理機(jī)進(jìn)行本體的推理操作。

表1 自定義推理規(guī)則

2.2 學(xué)習(xí)資源推薦模型構(gòu)建

移動學(xué)習(xí)資源推薦模型見圖2。在圖2的模型中將多源異構(gòu)數(shù)據(jù)集A映射到多維關(guān)聯(lián)本體M中，經(jīng)推理計算得到子函數(shù)值集合B。即經(jīng)過A→M→B兩次映射，使得任意多源異構(gòu)數(shù)據(jù)x∈A，有y∈B對應(yīng)。為了提高推薦的精度，需要構(gòu)造學(xué)習(xí)資源推薦目標(biāo)函數(shù)進(jìn)行尋優(yōu)計算評價。構(gòu)建多維關(guān)聯(lián)本體可以實現(xiàn)3者間的關(guān)系解釋和推理，進(jìn)而得到子函數(shù)需要的數(shù)據(jù)。深入分析3 個維度因素之間關(guān)系，需要計算學(xué)習(xí)資源與用戶特征匹配差值、學(xué)習(xí)資源間契合度差值，資源與知識點匹配差值以及情境特征匹配差值，需要構(gòu)建多個子目標(biāo)函數(shù)。

圖2 移動學(xué)習(xí)資源推薦模型

(3)

式中：F(i)為4 個子映射函數(shù)；F(1)為學(xué)習(xí)資源難度與學(xué)習(xí)者能力差異信息；F(2)為學(xué)習(xí)資源之間的支出信息；sKUiKUj為學(xué)習(xí)的第i個學(xué)習(xí)資源和學(xué)習(xí)的第j個學(xué)習(xí)資源之間的支出；F(3)為學(xué)習(xí)資源與知識點匹配度；F(4)為學(xué)習(xí)者的學(xué)習(xí)風(fēng)格與學(xué)習(xí)資源類型匹配度信息。參考文獻(xiàn)[5,7]的目標(biāo)函數(shù)權(quán)重值的設(shè)置，結(jié)合教學(xué)經(jīng)驗設(shè)置各子函數(shù)的權(quán)重ω1，ω2，ω3，ω4分別為0.3，0.2，0.3，0.2。

2.3 動態(tài)自均衡二進(jìn)制粒子群算法設(shè)計

圖3 DSEBPSO算法流程

2.3.1 平衡因子設(shè)計

DSEBPSO算法通過衡量粒子位置是否發(fā)生翻轉(zhuǎn)取代BPSO中的速度，設(shè)計平衡因子(balance)，控制粒子在0和1之間翻轉(zhuǎn)，以達(dá)到控制開發(fā)和探索的目的。當(dāng)粒子的平衡性高時，控制粒子位置在一段時間內(nèi)保持不變，增強(qiáng)開發(fā)功能，但平衡因子的閾值設(shè)置過高會導(dǎo)致算法早熟，因此設(shè)計平衡因子，當(dāng)粒子剛剛發(fā)生翻轉(zhuǎn)時，讓其保持一段時間平衡，但平衡因子閾值隨時間降低，直至粒子再次發(fā)生翻轉(zhuǎn)。平衡因子公式為

(4)

2.3.2 粒子翻轉(zhuǎn)概率設(shè)計

在二進(jìn)制空間中將BPSO中的速度視為粒子翻轉(zhuǎn)的概率，由于學(xué)習(xí)因子和社會因子適用于連續(xù)域，對于二進(jìn)制空間需要設(shè)置相同的因子去描述粒子運(yùn)動狀態(tài)。因此設(shè)計的粒子翻轉(zhuǎn)概率保留了BPSO中的學(xué)習(xí)因子和社會因子，即

pd=ip×|pbd-xd|+ig×|gbd-xd|+

is×|1-bald|

(5)

式中：ip，ig為學(xué)習(xí)因子；is為社會因子；pbd，gbd分別為粒子的個體歷史最優(yōu)解和種群探索到的當(dāng)前最優(yōu)解。

當(dāng)?shù)_始時pbd=gbd可能性較大，當(dāng)種群收斂時pbd≠gbd可能性較大，當(dāng)?shù)旖Y(jié)束時pbd=gbd的可能性較大，根據(jù)式(5)pd的最大值為ip+ig+is，因此設(shè)置ip+ig+is的和為1。在迭代過程中，粒子位置存在4 種可能，因此式(5)可以描述為

(6)

2.3.3 粒子位置更新策略

根據(jù)設(shè)計的粒子翻轉(zhuǎn)概率式(5)，粒子位置更新需考慮先前粒子位置，因此位置更新策略為

(7)

2.3.4 控制因子設(shè)計

設(shè)α為ip/ig，則ip，ig和is可表示為

(8)

(9)

將式(8，9)帶入式(6)，pd可以表示為

(10)

從式(10)可以發(fā)現(xiàn)粒子翻轉(zhuǎn)概率與α，bald，is這3 個參數(shù)相關(guān)。文獻(xiàn)[17]驗證了α=0.5有更好的尋優(yōu)結(jié)果，因此固定α=0.5。對于固定的α值，pd值由bald，is這兩個參數(shù)決定。由式(10)可見：若is不變，bald減小，pd增大，探索能力增強(qiáng)，而bald增大則pd減小，將進(jìn)行更多的開發(fā)。若bald固定，is減小pd也減小，開發(fā)能力增強(qiáng)，而is增大則pd增大，將進(jìn)行更多的探索。在搜索迭代中，希望一開始能進(jìn)行更多的探索，在后期能進(jìn)行更多的開發(fā)，因此設(shè)計衰減因子ubalS和社會因子is，即

(11)

(12)

算法開發(fā)和探索的動態(tài)自均衡性由式(11，12)控制。由式(11，12)可知：設(shè)計衰減因子ubalS在迭代初期的初始值較小，平衡因子易達(dá)到閾值發(fā)生翻轉(zhuǎn)，這樣可以防止算法早熟，有利于探索。而ubalS隨迭代過程線性增大，使得平衡因子閾值提高，不易發(fā)生翻轉(zhuǎn)，算法隨機(jī)性降低，開發(fā)能力增強(qiáng)，不易陷入局部最優(yōu)。而is初始值較高，增強(qiáng)大粒子在迭代初期翻轉(zhuǎn)的概率，增強(qiáng)算法的探索能力，設(shè)計is線性遞減，逐步降低粒子翻轉(zhuǎn)概率，增強(qiáng)算法開發(fā)能力，有利于跳出局部最優(yōu)解。

2.3.5 性能測試

表2 基準(zhǔn)函數(shù)及參數(shù)

圖4為4種算法在4個基準(zhǔn)函數(shù)上的收斂曲線，由圖4可知：DSEBPSO算法無論是在單峰函數(shù)還是多峰函數(shù)上均有較好的收斂速度和跳出局部最優(yōu)解的能力。

圖4 4 種算法在基準(zhǔn)函數(shù)收斂曲線

3 實驗研究

3.1 實驗方案及數(shù)據(jù)集

通過開展一系列實驗驗證基于多維關(guān)聯(lián)本體的學(xué)習(xí)資源推薦方法與學(xué)習(xí)者學(xué)習(xí)需求的符合程度。實驗數(shù)據(jù)集包含了學(xué)習(xí)資源數(shù)據(jù)、學(xué)習(xí)者數(shù)據(jù)和情境數(shù)據(jù)。參考Zhou等[18]的實驗方案和集合現(xiàn)有教育數(shù)據(jù)集(如edX和World UC)中的特征信息，從浙江省某高校的學(xué)習(xí)平臺數(shù)據(jù)中集中提取了部分移動學(xué)習(xí)數(shù)據(jù)信息。由于網(wǎng)絡(luò)學(xué)習(xí)平臺建設(shè)歷史問題，該高校學(xué)習(xí)資源主要分布在3 個學(xué)習(xí)平臺上，因此收集了3 個平臺的數(shù)據(jù)，但平臺間存在數(shù)據(jù)壁壘，收集的數(shù)據(jù)維度有差異，因此借鑒Zhou等[18]的實驗方案并結(jié)合教學(xué)實際，按照相應(yīng)規(guī)則補(bǔ)全了缺失數(shù)據(jù)形成本實驗數(shù)據(jù)集。設(shè)計了基于數(shù)據(jù)集的仿真實驗和隨機(jī)選取30 名學(xué)習(xí)者對Java課程學(xué)習(xí)資源推薦的實證研究，從客觀和主觀指標(biāo)探究MCOM-LROM方法的有效性。

3.2 仿真實驗設(shè)置和結(jié)果分析

需要學(xué)習(xí)知識點數(shù)量的變化會影響學(xué)習(xí)資源供給內(nèi)容準(zhǔn)確度和匹配度，學(xué)習(xí)者LK數(shù)量多少同樣也會對推薦的精度和效率產(chǎn)生影響(表3)，通過設(shè)置不同知識點和學(xué)習(xí)者數(shù)量來觀察不同情境下不同學(xué)習(xí)資源推薦方法的推薦質(zhì)量。表3中設(shè)置的學(xué)習(xí)資源KUi個數(shù)是一個知識點相對應(yīng)的學(xué)習(xí)資源個數(shù)。實驗1～3是在學(xué)習(xí)者數(shù)量相同的情況下，設(shè)置不同的知識點數(shù)量進(jìn)行對比的實驗效果，在這3 組實驗中，對應(yīng)學(xué)習(xí)資源的數(shù)量分別為250，500，1 000；實驗4～6是在知識點數(shù)量相同的條件下，設(shè)置不同的學(xué)習(xí)者數(shù)量進(jìn)行對比的實驗參數(shù)。

表3 仿真實驗參數(shù)設(shè)置

表3中學(xué)習(xí)規(guī)模為學(xué)習(xí)者數(shù)量乘以學(xué)習(xí)資源數(shù)量。實驗1～6的實驗規(guī)模大小分別為250，500，1 000，5 000，10 000 維。

針對上述6 組實驗參數(shù)設(shè)置，分別采用基于多維關(guān)聯(lián)本體的學(xué)習(xí)資源推薦方法(MCOM-LROM)、基于本體推理的學(xué)習(xí)資源推薦方法(OBR)以及基于智能計算的學(xué)習(xí)資源推薦方法(IaBR)開展實驗仿真研究，以探究不同學(xué)習(xí)資源推薦方法之間的差異，驗證應(yīng)用有效性。對于IaBR方法，選擇兩種智能算法進(jìn)行實驗仿真，分別為標(biāo)準(zhǔn)遺傳算法實現(xiàn)方法(GA-IaBR)和二進(jìn)制粒子群算法實現(xiàn)方法(BPSO-IaBR)，而MCOM-LROM服務(wù)方法實現(xiàn)使用了DSEBPSO智能算法，目的是排除智能算法性能優(yōu)劣對推薦性能的影響。各核心算法參數(shù)取值同2.3.5節(jié)。

學(xué)習(xí)資源推薦方法差異會影響學(xué)習(xí)者知識迷航值大小。學(xué)習(xí)資源推薦完成時間影響著學(xué)習(xí)資源推薦方法工作效率。學(xué)習(xí)資源、學(xué)習(xí)者和情境特征信息按表3參數(shù)定義從數(shù)據(jù)集預(yù)處理獲得。通過Win 10操作系統(tǒng)、8 GB RAM、Pyhon 3.7、tensorflow1.6和MatlabR2018語言環(huán)境進(jìn)行仿真實驗。30 次獨(dú)立運(yùn)行實驗后各學(xué)習(xí)資源推薦方法知識迷航值計算的均值和方差見表4。由于本體推理可能推理出不唯一學(xué)習(xí)資源，此情況下隨機(jī)從備選庫選擇一個提供給用戶。

表4 不同實驗場景下各推薦方法最優(yōu)解

知識迷航值越小說明為學(xué)習(xí)者提供的學(xué)習(xí)資源越符合學(xué)習(xí)者學(xué)習(xí)需求，且和當(dāng)前情境契合度越高。由表4中的數(shù)據(jù)可知：不同實驗場景下MCOM-LROM方法得出的知識迷航值的平均值和方差都是最小的，表示該方法能夠更好地為學(xué)習(xí)者提供學(xué)習(xí)資源且具備更好的穩(wěn)定性。

MCOM-LROM在本體推薦階段時間復(fù)雜度為O(n)，智能計算階段時間復(fù)雜度為O(mn)，因此MCOM-LROM時間復(fù)雜度為O(mn)。根據(jù)文獻(xiàn)[19-20]BPSO-IaBR和GA-IaBR時間復(fù)雜度為O(mn)。OBR的時間復(fù)雜度為O(n)。

在BPSO-IaBR，GA-IaBR，OBR，MCOM-LROM4種方法下，針對相同學(xué)習(xí)規(guī)模的服務(wù)計算時間進(jìn)行對比分析，結(jié)果如圖5所示。由圖5可知：本體推理OBR方法耗時遠(yuǎn)低于另外兩種方法，但是本體推理OBR方法的知識迷航值均值和方差較大，學(xué)習(xí)者易產(chǎn)生知識迷航；而MCOM-LROM方法所需時間與BPSO-IaBR，GA-IaBR方法相比較少，且計算精度和穩(wěn)定性更高，所以更加適用于學(xué)習(xí)資源推薦問題。

圖5 BPSO-IaBR，GA-IaBR，OBR，MCOM-LROM服務(wù)計算時間

OBR方法推理計算可以找出適合學(xué)習(xí)者的學(xué)習(xí)資源，但無法找出最優(yōu)解，OBR方法的知識迷航值高于MCOM-LROM方法，而且推薦精度低、穩(wěn)定性差等。傳統(tǒng)的智能計算推薦方法中信息利用率低，直接從整個學(xué)習(xí)資源庫中尋找學(xué)習(xí)者所需資源，需要計算更多數(shù)量的學(xué)習(xí)資源，降低了推薦方法效率，且隨著情境信息維度增加，也較容易陷入局部最優(yōu)解，方法匹配效率差距和匹配精度差距增大。MCOM-LROM方法通過知識推理，將學(xué)習(xí)資源庫中不適合學(xué)習(xí)者的資源剔除，從剩余的資源中尋找規(guī)劃出最適合學(xué)習(xí)者的資源，提高推薦內(nèi)容精度和運(yùn)行效率，而且更能契合學(xué)習(xí)者的實際需求。

3.3 實證研究結(jié)果分析

為驗證筆者提出的MCOM-LROM方法是否滿足學(xué)習(xí)者的需求，隨機(jī)抽取了30 名正在學(xué)習(xí)Java課程的學(xué)生進(jìn)行學(xué)習(xí)資源推薦。研究者收集3 個學(xué)習(xí)平臺的Java課程，通過提出的MCOM-LROM向?qū)W習(xí)者進(jìn)行資源推薦。通過問卷的方式調(diào)查MCOM-LROM推薦結(jié)果滿意度。實驗共進(jìn)行了5 d，向每位學(xué)習(xí)者提供了11 個學(xué)習(xí)資源，對每一個推薦的學(xué)習(xí)資源都進(jìn)行滿意度調(diào)查，共計330 個調(diào)查結(jié)果，結(jié)果見表5。

表5 滿意度調(diào)查結(jié)果

由表5可知：330 個評價中有32.4%的推薦結(jié)果是非常滿意，有39.4%的推薦結(jié)果是比較滿意，這兩者比例之和為71.8%，推薦結(jié)果總體滿意度較高。因此，MCOM-LROM方法能夠較好滿足學(xué)習(xí)者的學(xué)習(xí)需求，學(xué)習(xí)體驗較好。

4 結(jié) 論

針對目前學(xué)習(xí)資源推薦方法存在推薦質(zhì)量不高、學(xué)習(xí)者易產(chǎn)生知識迷航的問題，提出了基于多維關(guān)聯(lián)本體的學(xué)習(xí)資源推薦方法(MCOM-LROM)。通過重構(gòu)學(xué)習(xí)資源推薦問題求解方法，設(shè)計了多維關(guān)聯(lián)本體模型構(gòu)建并融合語義計算與動態(tài)自均衡的二進(jìn)制粒子群優(yōu)化算法尋優(yōu)計算兩個核心模塊，充分發(fā)揮本體技術(shù)和粒子群算法優(yōu)勢。實驗結(jié)果表明：MCOM-LROM方法提供的學(xué)習(xí)資源更符合學(xué)習(xí)者的知識需求，有效減少了學(xué)習(xí)者知識迷航現(xiàn)象。隨著5G時代的到來，情境信息和學(xué)習(xí)資源將更加豐富，未來研究將著力于構(gòu)建更好、更快速的多維關(guān)聯(lián)本體，設(shè)計基于多維關(guān)聯(lián)本體的情境化學(xué)習(xí)資源推薦方法，幫助學(xué)習(xí)者擺脫知識迷航困擾。