基于情境感知的學(xué)習(xí)資源個性化推薦機(jī)制研究

黃宇星　盧鋒

摘? 要： 面對海量的學(xué)習(xí)資源，如何為學(xué)習(xí)者推薦與情境相匹配的學(xué)習(xí)資源是亟需解決的問題。文章在詳細(xì)描述學(xué)習(xí)資源個性化推薦情境要素的基礎(chǔ)上，構(gòu)建了包含情境感知層、資源管理層、學(xué)習(xí)診斷層、個性推薦層及學(xué)習(xí)者界面的學(xué)習(xí)資源個性化推薦系統(tǒng)，并闡述了系統(tǒng)的推薦流程及實(shí)現(xiàn)。在情境感知理論的基礎(chǔ)上，構(gòu)建以情境感知技術(shù)為核心的學(xué)習(xí)資源個性化推薦系統(tǒng)，能提高學(xué)習(xí)資源與學(xué)習(xí)者之間的動態(tài)適應(yīng)性，更好地服務(wù)于學(xué)習(xí)者的個性化學(xué)習(xí)需求。

關(guān)鍵詞： 智慧教育; 情境感知; 學(xué)習(xí)資源; 個性化推薦

中圖分類號：G434? ? ? ? ? 文獻(xiàn)標(biāo)識碼：A? ? ?文章編號：1006-8228（2022）03-14-05

Abstract： In the face of massive learning resources， how to recommend learning resources matching the situation for learners is an urgent problem to be solved. On the basis of detailed description of the situational elements in personalized recommendation of learning resources， a personalized learning resource recommendation system is constructed in this paper， including situational awareness layer， resource management layer， learning diagnosis layer， personalized recommendation layer and learner interface， and its recommendation process and implementation are expounded at the same time. Based on the theory of context awareness， the construction of personalized learning resources recommendation system with context awareness technology can improve the dynamic adaptability between learning resources and learners， and better serve the personalized learning needs of learners.

Key words： intelligent education; context awareness; learning resources; personalized recommendation

0 引言

目前的學(xué)習(xí)資源個性化推薦系統(tǒng)多以學(xué)習(xí)者為中心，根據(jù)學(xué)習(xí)者的學(xué)習(xí)行為數(shù)據(jù)體現(xiàn)的學(xué)習(xí)偏好等特征，向?qū)W習(xí)者推送相應(yīng)的學(xué)習(xí)資源。但學(xué)習(xí)者正處于一個可以隨時隨地學(xué)習(xí)的環(huán)境中，如果僅考慮學(xué)習(xí)者自身和學(xué)習(xí)資源間的聯(lián)系，就容易忽視學(xué)習(xí)者的動態(tài)學(xué)習(xí)需求。這就對學(xué)習(xí)資源個性化推薦系統(tǒng)的智能性提出了更高的要求，要求該系統(tǒng)能夠精準(zhǔn)定位學(xué)習(xí)者的當(dāng)前學(xué)習(xí)需求，并能夠根據(jù)學(xué)習(xí)者周圍環(huán)境的變化而變化，而實(shí)現(xiàn)這一功能的核心技術(shù)之一就是情境感知。引入情境感知技術(shù)的學(xué)習(xí)資源個性化推薦系統(tǒng)應(yīng)該如何構(gòu)成？它如何為處于不同情境下的學(xué)習(xí)者提供精確的學(xué)習(xí)資源？本文將基于情境與情境感知的概念，研究學(xué)習(xí)資源個性化推薦的場景下，情境要素的組成、系統(tǒng)模型的構(gòu)建及個性化推薦的實(shí)現(xiàn)。

1 相關(guān)研究綜述

1.1 學(xué)習(xí)資源的個性化推薦

學(xué)習(xí)資源個性化推薦是指在收集學(xué)習(xí)者相關(guān)數(shù)據(jù)的基礎(chǔ)上，分析學(xué)習(xí)者的特性，并對其學(xué)習(xí)情境和需求進(jìn)行準(zhǔn)確定位，進(jìn)而為學(xué)習(xí)者推送滿足其個性化需求的學(xué)習(xí)資源。牟智佳[1]、劉敏[2]等基于學(xué)生的學(xué)習(xí)過程，挖掘?qū)W生在此期間的學(xué)習(xí)行為數(shù)據(jù)，分析學(xué)習(xí)者特征，進(jìn)一步為學(xué)習(xí)者推薦符合其特性的學(xué)習(xí)資源;姜強(qiáng)[3]、孫飛鵬[4]等學(xué)者基于學(xué)習(xí)者的知識掌握的情況，為其推薦相匹配的學(xué)習(xí)資源。伴隨著學(xué)習(xí)者的學(xué)習(xí)過程，其學(xué)習(xí)情境及學(xué)習(xí)需求也在發(fā)生著不斷的變化，這對學(xué)習(xí)資源的個性化推薦提出挑戰(zhàn)。

1.2 情境感知技術(shù)支持下的資源個性化推薦

情境是指任何可以用來描述“實(shí)體情形和特征”的信息[5]。情境感知就是利用情境為用戶提供與其任務(wù)相關(guān)的信息或者服務(wù)[5]。目前，情境感知技術(shù)在資源推薦方面已逐漸受到關(guān)注。從推薦內(nèi)容來看，黃志芳[6]、程秀峰[7]、王欣[8]分別提出了融入用戶當(dāng)前情境的學(xué)習(xí)路徑、商品資源及科研知識推薦。從推薦方法上看，程秀峰[9]、張瀟璐[10]等人分別采用樸素貝葉斯算法與協(xié)同過濾算法相結(jié)合、改進(jìn)協(xié)同過濾算法的推薦方法。可見，在學(xué)習(xí)資源個性化推薦中融入情境感知技術(shù)十分必要。

2 基于情境感知的學(xué)習(xí)資源個性化推薦系統(tǒng)的構(gòu)建

2.1 學(xué)習(xí)資源推薦情境要素

不同領(lǐng)域中的情境分類各有不同，在學(xué)習(xí)資源推薦系統(tǒng)中，學(xué)習(xí)者是學(xué)習(xí)資源推薦的主體，學(xué)習(xí)資源是學(xué)習(xí)資源推薦的主要內(nèi)容，而學(xué)習(xí)者通常處于一定環(huán)境中學(xué)習(xí)。因此，本研究將學(xué)習(xí)資源推薦情境要素分為：學(xué)習(xí)者情境、學(xué)習(xí)資源情境、學(xué)習(xí)環(huán)境情境及社會環(huán)境情境，如圖1所示。學(xué)習(xí)者情境：學(xué)習(xí)者是學(xué)習(xí)資源推薦系統(tǒng)的使用者，學(xué)習(xí)者情境是影響學(xué)習(xí)資源推薦準(zhǔn)確度的重要因素，包括學(xué)習(xí)者的基本信息、學(xué)習(xí)特征、學(xué)習(xí)狀態(tài)、學(xué)習(xí)歷史及學(xué)習(xí)需求。學(xué)習(xí)資源情境：學(xué)習(xí)資源是推薦系統(tǒng)中的主要對象，包括學(xué)習(xí)資源的類型、難度、目標(biāo)、知識點(diǎn)之間的關(guān)聯(lián)及學(xué)習(xí)者的操作記錄等。學(xué)習(xí)環(huán)境情境：學(xué)習(xí)環(huán)境情境信息主要包括自然環(huán)境、網(wǎng)絡(luò)環(huán)境和設(shè)備環(huán)境。社會環(huán)境情境：主要是指學(xué)習(xí)者的社會性交互的信息，包括同學(xué)、教師和家長。

2.2 情境感知的學(xué)習(xí)資源個性化推薦系統(tǒng)

情境的識別是一個復(fù)雜的動態(tài)過程，它包括對處于課前、課中及課后不同階段下學(xué)習(xí)者情境信息的推理，從而分析學(xué)習(xí)者在當(dāng)下情境時的學(xué)習(xí)狀態(tài)和學(xué)習(xí)需求，并據(jù)此對學(xué)習(xí)者的學(xué)習(xí)進(jìn)行診斷和預(yù)測，進(jìn)而提供符合其個性化學(xué)習(xí)需求的學(xué)習(xí)資源。根據(jù)上述分析，基于情境感知的學(xué)習(xí)資源個性化推薦系統(tǒng)應(yīng)該包含：情境感知層、資源管理層、學(xué)習(xí)診斷層、個性推薦層及學(xué)習(xí)者界面五個部分，如圖2所示。

①情境感知層：情境信息的獲取是情境感知技術(shù)實(shí)現(xiàn)的首要前提。情境信息獲取主要是指通過傳感器、在線學(xué)習(xí)平臺及移動設(shè)備等手動與自動相結(jié)合的方式，并且對這些情境信息進(jìn)行分類和解釋。②資源管理層：學(xué)習(xí)資源個性化推薦中包含海量的資源，結(jié)合云存儲、大數(shù)據(jù)等人工智能技術(shù)可以將有關(guān)學(xué)習(xí)者的情境信息庫、學(xué)習(xí)資源庫及相關(guān)情境資源庫進(jìn)行高校存儲和處理分析。③學(xué)習(xí)診斷層：學(xué)習(xí)者的學(xué)習(xí)診斷與預(yù)測主要是指在學(xué)習(xí)過程中，對學(xué)習(xí)者的課前、課中及課后的學(xué)習(xí)過程中檢測和預(yù)測學(xué)生學(xué)習(xí)的偏差，并對其進(jìn)行“即時反饋”。④個性推薦層：在這個過程中，學(xué)習(xí)資源個性化推薦系統(tǒng)在對學(xué)習(xí)者的當(dāng)前情境信息進(jìn)行合成更新后，進(jìn)行情境建模，并采用恰當(dāng)?shù)那榫惩扑闼惴ǎ瑢W(xué)習(xí)資源進(jìn)行綜合評估，確定學(xué)習(xí)資源的推薦序列。⑤學(xué)習(xí)者界面：通過學(xué)習(xí)資源個性化推薦匹配，生成學(xué)習(xí)者所需的學(xué)習(xí)資源，在學(xué)習(xí)者學(xué)習(xí)使用的在線學(xué)習(xí)平臺及移動設(shè)備等進(jìn)行呈現(xiàn)。

3 基于情境感知的學(xué)習(xí)資源個性化推薦流程及實(shí)現(xiàn)

基于情境感知的學(xué)習(xí)資源個性化推薦需要收集學(xué)生的情境信息，并完成情境推理。通過情境信息的更新合成，并對情境信息進(jìn)行語義編碼構(gòu)建情境本體，形成情境信息庫，對學(xué)習(xí)者進(jìn)行學(xué)習(xí)診斷與預(yù)測，進(jìn)而將情境本體與學(xué)習(xí)資源計算匹配相似度，研究結(jié)合混合式推薦算法得到匹配度最高的學(xué)習(xí)資源，最后將學(xué)習(xí)資源呈現(xiàn)給學(xué)生。具體推薦流程如圖3所示。

3.1 情境信息獲取

情境信息的獲取主要包括以下幾種方式：一是通過包括傳感器、攝像頭、語音識別等設(shè)備獲取相關(guān)情境信息，主要包括學(xué)習(xí)者的學(xué)習(xí)注意力狀態(tài)、學(xué)習(xí)者當(dāng)前使用的設(shè)備，學(xué)習(xí)者所處的位置及時間等信息;二是通過學(xué)習(xí)者學(xué)習(xí)過程中接入的移動設(shè)備、計算機(jī)、路由器等硬件設(shè)備，獲取學(xué)習(xí)者當(dāng)前的網(wǎng)絡(luò)環(huán)境及設(shè)備環(huán)境，包括學(xué)習(xí)者當(dāng)前的網(wǎng)絡(luò)帶寬、設(shè)備尺寸、內(nèi)存、電量及分辨率等情境信息;三是通過互聯(lián)網(wǎng)在線學(xué)習(xí)平臺獲取，可以直接獲得學(xué)習(xí)者的基本信息、學(xué)習(xí)者對學(xué)習(xí)資源的歷史操作記錄、學(xué)習(xí)者與同學(xué)及老師之間的交互記錄等。

3.2 情境推理

情境推理是依據(jù)顯性情境信息，通過推理規(guī)則和約束條件進(jìn)行推理，得到隱性情境信息的過程[6]。推理過程如圖4所示。

首先通過傳感器、在線學(xué)習(xí)平臺和移動設(shè)備等方式獲取顯性情境信息，存入情境本體信息庫中;這將觸發(fā)情境推理模塊，通過推理工具得到隱性情境信息，并與情境本體信息庫比較，進(jìn)行一致性和正確性檢驗;檢驗后的情境信息進(jìn)行沖突檢測，檢測其是否與情境本體信息庫中已有的情境信息發(fā)生沖突，如果發(fā)生沖突則進(jìn)行沖突解決，否則結(jié)束情境推理過程，將最終獲得的隱性情境信息存入情境本體信息庫。

3.3 情境本體模型構(gòu)建

情境感知技術(shù)支持下的學(xué)習(xí)資源個性化推薦系統(tǒng)在對情境信息分類和分析之后，需要通過情境屬性間的關(guān)系，構(gòu)建基于本體推理的情境本體模型，進(jìn)而實(shí)現(xiàn)學(xué)習(xí)者的情境信息與學(xué)習(xí)資源的個性化匹配。基于本體的情境形式化表示具有特定數(shù)據(jù)結(jié)構(gòu)，其中情境中的各個元素通過層次概念樹的節(jié)點(diǎn)來進(jìn)行表現(xiàn)，因此需要對情境進(jìn)行類和層次的劃分。學(xué)習(xí)資源個性化推薦本體包含學(xué)習(xí)者情境、學(xué)習(xí)資源情境、學(xué)習(xí)環(huán)境情境和社會環(huán)境情境四類，分別用Student、Resource、LEnvironment、SEnvironment來描述其屬性特征。根據(jù)之前對情境要素的劃分，可以將學(xué)習(xí)資源個性化推薦過程的情境信息表示為：

Recommend Context=

Context， LEnvironment Context， SEnvironment Context>;

Student Context={ BasicInfo， LearningChara，

LearningState， Studying His， LearningNeeds }

ResourceContext={ ResourceType， ResourceDiff，

ResourceTarget， KnowledgeCon， OperationRec }

LEnvironment Context={ NaturalEnv， NetworkEnv，

EquipmentEnv }

SEnvironment Context={Classmate， Teacher， Parents}

最后通過本體編碼工具Protégé進(jìn)行編碼，即進(jìn)行本體展示。

3.4 基于學(xué)生與情境的學(xué)習(xí)診斷與預(yù)測

本研究的學(xué)習(xí)診斷與預(yù)測分為課前診斷、課中預(yù)測和課后診斷三個階段。課前診斷是指通過在課前階段，將相似情境內(nèi)的相似學(xué)生的平均能力作為整體學(xué)生的潛在學(xué)習(xí)認(rèn)知水平，為學(xué)生推送難度與該潛在水平相近的測驗試題，根據(jù)結(jié)果來判斷學(xué)生的現(xiàn)實(shí)認(rèn)知水平。課中預(yù)測是在學(xué)習(xí)者的學(xué)習(xí)過程中，對處于相似子情境中的學(xué)習(xí)者群體的平均學(xué)習(xí)能力進(jìn)行預(yù)估，對比學(xué)習(xí)者現(xiàn)實(shí)學(xué)習(xí)能力與平均學(xué)習(xí)能力之間的偏差。課后診斷是在學(xué)習(xí)者的課程學(xué)習(xí)結(jié)束后，為學(xué)生推送相應(yīng)的試題，檢測學(xué)習(xí)者的課程學(xué)習(xí)能力情況，并把結(jié)果信息存入情境信息庫。學(xué)生能力值依據(jù)項目反應(yīng)理論的三參數(shù)Logistic來進(jìn)行預(yù)估，見公式⑴。其中，D=1.702，θ表示受測學(xué)習(xí)者能力估計值;a表示題目的區(qū)分度;b表示題目的難度;c表示題目的猜測系數(shù)，它的值越大，說明不論受測者能力高低，都容易猜對;P（θ）表示能力為θ的人答對此題目的概率。

3.5 學(xué)習(xí)資源個性化推薦匹配

個性化推薦方式主要包括協(xié)同過濾推薦、內(nèi)容推薦和混合式推薦。協(xié)同過濾推薦利用擁有共同經(jīng)驗的學(xué)習(xí)者群體的興趣和偏好，來給學(xué)習(xí)者推薦學(xué)習(xí)資源;基于內(nèi)容的推薦根據(jù)學(xué)習(xí)者的歷史學(xué)習(xí)記錄，為學(xué)習(xí)者推薦相似的學(xué)習(xí)資源;混合式推薦能夠規(guī)避上述單一推薦方法的局限性，綜合使用內(nèi)容及協(xié)同過濾推薦方法，使得推薦結(jié)果更為精準(zhǔn)。本研究采用與情境相結(jié)合的混合式推薦方法，以期為學(xué)習(xí)者提供更符合其當(dāng)前情境的個性化學(xué)習(xí)資源。

⑴ 融入情境的協(xié)同過濾推薦。實(shí)現(xiàn)該推薦過程，常規(guī)做法是獲得學(xué)習(xí)者對學(xué)習(xí)資源的打分，形成學(xué)習(xí)資源評分矩陣，找到與當(dāng)前學(xué)習(xí)者興趣相似的學(xué)習(xí)者。這包括學(xué)習(xí)者相似度計算以及評分預(yù)測。采用皮爾遜相關(guān)系數(shù)來測量特定情境下學(xué)習(xí)者a和b之間的相似度，見公式⑵。c為學(xué)習(xí)者處于的當(dāng)下情境，Ra，I，c表示學(xué)習(xí)者a在當(dāng)下情境對學(xué)習(xí)資源i的評分，Ra，c和Rb，c表示學(xué)習(xí)者a和學(xué)習(xí)者b在相同情境中對共同評分過的學(xué)習(xí)資源的平均值。評分預(yù)測見公式⑶，Pa，I，c為學(xué)習(xí)者a在當(dāng)下情境c時對學(xué)習(xí)資源i的評分。

⑵ 融入情境的基于內(nèi)容推薦。實(shí)現(xiàn)該推薦過程需要計算學(xué)習(xí)者當(dāng)前情境與歷史情境的相似度，并根據(jù)類似歷史學(xué)習(xí)情境下的學(xué)習(xí)資源選擇進(jìn)行排序，與待推薦學(xué)習(xí)資源進(jìn)行相匹配。學(xué)習(xí)者當(dāng)前情境與歷史情境的相似度計算見公式⑷。H表示學(xué)習(xí)者的歷史情境，Context（H）={Context（H1），Context（H2），...，Context（Hn）};學(xué)習(xí)者當(dāng)前的情境信息為Context=。歷史情境下學(xué)習(xí)資源與待推薦學(xué)習(xí)資源之間的相似度計算見見公式⑸。采用余弦相似度的方法進(jìn)行測量，Interesti表示第i個相似歷史情境的學(xué)習(xí)資源興趣;Infoj表示第j個待推薦資源。

4 結(jié)束語

情境感知技術(shù)能夠提供學(xué)習(xí)者所處的情境信息，并隨著學(xué)習(xí)者的學(xué)習(xí)過程不斷變化做出適應(yīng)性反應(yīng)，在分析學(xué)習(xí)者個性化學(xué)習(xí)需求方面具有重要作用。因此，本文在對情境感知的相關(guān)研究分析基礎(chǔ)之上，明確了學(xué)習(xí)資源推薦的情境要素，提出了一個基于情境感知的學(xué)習(xí)資源個性化推薦系統(tǒng)，并對其情境信息獲取、情境推理、情境本體模型構(gòu)建及個性化推薦匹配的實(shí)現(xiàn)等關(guān)鍵環(huán)節(jié)進(jìn)行了深入分析和探討。將情境感知技術(shù)應(yīng)用于學(xué)習(xí)資源的個性化推薦，可以展示學(xué)習(xí)者的整體學(xué)習(xí)情境，在一定程度上能提高學(xué)習(xí)資源的智能化和個性化程度，未來可通過實(shí)證研究進(jìn)一步探討學(xué)習(xí)資源個性化推薦系統(tǒng)在實(shí)際教學(xué)中的應(yīng)用效果。

參考文獻(xiàn)（References）：

[1] 牟智佳，武法提.電子書包中基于學(xué)習(xí)者模型的個性化學(xué)習(xí)資源推薦研究[J].電化教育研究，2015，36（1）：69-76

[2] 劉敏，鄭明月.智慧教育視野中的學(xué)習(xí)分析與個性化資源推薦[J].中國電化教育，2019（9）：38-47

[3] 姜強(qiáng)，趙蔚等.基于用戶模型的個性化本體學(xué)習(xí)資源推薦研究[J].中國電化教育，2010（5）：106-111

[4] 孫飛鵬，于淼，湯京淑.基于知識圖譜的漢語詞匯學(xué)習(xí)資源推薦研究——以HSK三級詞匯為例[J].現(xiàn)代教育技術(shù)，2021，31（1）：76-82

[5] Dey A K.Understanding and Using Context[J].Personal and U-biquitous Computing，2001，5（1）：4-7

[6] 黃志芳，趙呈領(lǐng)，黃祥玉，等.基于情境感知的適應(yīng)性學(xué)習(xí)路徑推薦研究[J].電化教育研究，2015，36（5）：77-84

[7] 程秀峰，張孜銘.基于情境感知的電商平臺推薦系統(tǒng)框架研究[J].情報理論與實(shí)踐，2021，44（2）：168-177

[8] 王欣，寧淑華，劉妍，等.基于情境感知的高校圖書館個性化科研知識推送服務(wù)研究[J].圖書館工作與研究，2020（6）：69-75

[9] 程秀峰，范曉瑩，楊金慶.一種融合了基于樸素貝葉斯算法與情境感知的協(xié)同推薦系統(tǒng)——以大學(xué)圖書館實(shí)體圖書推薦為例[J].現(xiàn)代情報，2019，39（2）：57-65

[10] 張瀟璐，趙學(xué)敏，劉璇.基于情境感知的高校移動圖書館知識資源推薦研究[J].情報科學(xué)，2020，38（1）：48-52，92