摘要:在線教育的一個顯著特征是興趣驅動,通過對學習者的學習行為數據的分析與挖掘,建立學習者的個性化學習興趣模型,并進一步基于學習者學習興趣為其推薦合適的課程。首先,建立學習者多層興趣模型,準確刻畫學習者對知識主題、課程及知識領域的興趣度;其次,構建學習者興趣關系網,并基于興趣關系網采用協同過濾方法為學習者進行課程推薦;最后,通過實驗驗證,證實了所提方法的有效性。

　　關鍵詞:學習興趣模型;興趣關系網;個性化課程推薦

　　0引言

　　近年來,隨著互聯網+教育的融合,各種在線教育平臺迅速發展。這些平臺憑借其優質而海量的資源,積累了眾多用戶。在線教育已成為學習者知識獲取、技能拓展及學歷教育等重要的教育模式和技術途徑。如何在海量的課程資源中為學習者提供個性化的內容是一個值得研究的問題。在線教育平臺中,小部分學習者是為了完成學校規定的學分任務,有更多的學習者是基于興趣驅動學習的。所以,對在線教育平臺學習者的興趣進行挖掘,有助于更好理解學習者的需求,幫助平臺為學習者提供個性化的教學服務。隨著在線教育應用的不斷增加,在線教育平臺已經成為多個學習者共同創造、共享和獲取知識的重要平臺和空間。

　　在線教育平臺中涉及許多不同的學習者,每個人都有不同的興趣愛好,并且是動態變化的。為了標注和管理學習者的興趣,在線教育平臺通常為學習者提供了通過標注主題來自定義興趣的方法。但是學習者很難詳細描述自己的興趣,而并且不一定會隨著興趣的變化而更新興趣標簽。此外,還有許多學習者并不積極標記他們的興趣。因此,如何在開放的學習環境中自動發現學習者的學習興趣是一個值得研究的問題。在線教育平臺吸引了百萬的學習者,積累了海量的學習者行為數據,根據學習者行為數據,可以挖掘出學習者的學習興趣,進一步地,可以為學習者提供個性化的課程推薦。

　　傳統的興趣挖掘方法,要么以學習者感興趣的課程作為興趣點,要么以討論區的主題作為興趣點。本文提出基于學習者感興趣的知識主題、感興趣的課程、感興趣的領域的多維興趣模型的表示方法。此外,不僅學習者感興趣的點值得關注,其感興趣的程度也具有參考價值。根據學習者行為數據,本文對學習者的興趣進行了刻畫,并根據學習者之間興趣的相似性,采用協同過濾的思想,使用KNN算法對學習者進行個性化課程推薦。在現實數據上進行的實驗表明本文的興趣模型對推薦有明顯的幫助。

　　1相關工作

　　1.1學習者興趣挖掘

　　學習者興趣在基于網絡的學習環境中發揮著重要作用,并與學習結果呈正相關。在開放的學習環境中,學習者生成的內容及其與在線資源交互的大量數據提供了自動檢測學習者興趣的機會。同時,利用這些數據,開放的學習環境可以通過自適應地發現學習者的需求,并自動推薦相關資源,從而改善他們的教育服務[1]。

　　主流的發現學習者興趣的方法有文本挖掘、聚類分析等。Wu等基于文本挖掘方法構建了一個學習者興趣模型來解決學習者興趣發現問題,將學習興趣分為知識興趣(基于學習者產出內容)和收集興趣(基于其他學習資源),并在開放學習環境中自動生成了學習者的興趣[1]。Liu等基于學習者討論區數據,使用潛在狄利克雷分配方法來挖掘討論的關鍵話題。該方式是一個數學模型,可以自動對大量文本進行分類并按主題進行標記[2]。

　　Dun等提出了一種在社區問答系統中,基于命名實體識別、同義詞擴展和同義詞替換等技術,將學習者關心的問題作為主題分布來揭示學習者興趣的方法[3]。總的來說,在學習者興趣挖掘方向上,已經有了許多工作。主流的方法是對用戶的行為數據進行分析挖掘,但是并沒有對學習者的興趣的感興趣程度進行標注。而學習者的興趣意圖是動態發展的,且學習者對于不同的知識主題有不同的感興趣程度。此外,從學習者行為數據中發現的是學習者直接興趣,還可以考慮基于學習者關系網絡發現學習者的潛在興趣,從而對學習者進行個性化課程推薦。

　　1.2個性化課程推薦

　　在線教育平臺的個性化課程推薦也是一個熱點研究問題。當前的課程推薦主要以協同過濾為主。具體來說,包括以學習者為中心的協同過濾、以課程為中心的系統過濾及混合方式[4]。李國成[5]提出基于學習者的互動行為等建立學習者之間的信任關系,從而對學習者進行個性化課程推薦。Obeidat等基于傳統的數據挖掘方法[6],采用協同過濾方法和關聯規則分析對比的方式,為學習者進行課程推薦,其實驗結果表明,對學習者進行分組聚類,對推薦效果有明顯改善。

　　Huang等使用強化學習方法和馬爾科夫決策過程[7],對學習者進行習題推薦,推薦時綜合考慮習題難度的平滑、復習和預習及學習者的參與程度。Liu提出使用基于神經網絡的方法[8],對學習者的知識水平進行追蹤,從而為學習者提供個性化學習路徑推薦。Zhang等提出的MCRS基于分布式關聯規則挖掘算法[9],使推薦信息傳遞得更加及時,并提高了用戶的課程檢索效率。Chen等提出一個基于學習者現有知識和學習材料的知識推薦算法[10],將推薦過程建模成一個馬爾科夫決策問題。

　　綜上,在學習者個性化課程推薦方面已有許多工作。學習者興趣作為個性化課程推薦中的一個重要特征,已有的研究多以學習者對課程評分進行刻畫,較少有對學習者興趣特征的深入分析并將其用于個性化推薦。此外,協同過濾算法是當前流行的一種推薦算法,但大部分是根據用戶對項目的評分數據進行聚類,沒有對用戶或項目之間的隱含信息進行充分利用[11]。

　　2.2興趣模型抽取

　　前文提到,為了獲取學習者感興趣的領域向量,需要對學習者的知識主題興趣向量及學習者課程興趣向量進行聚合,因此需要獲取知識主題所屬領域信息和課程所屬領域信息。課程所屬領域信息一般在課程的描述信息及元數據信息中提取,而知識主題所屬領域信息則需要通過一定的方法獲取。這部分主要解決兩個問題:系統知識主題抽取及對應領域生成;學習者興趣向量生成。為了從系統中抽取出合適的知識主題,從而進一步刻畫學習者的興趣,本文使用了自然語言處理工具分詞加詞頻統計的方法。

　　為了判斷知識主題詞所屬領域,本文使用了類似于TF-IDF統計的方法。TF-IDF是一種統計方法,用以評估一個字詞對于一個文件集或一個語料庫中的其中一份文件的重要程度。字詞的重要性隨著它在文件中出現的次數成正比增加,但同時會隨著它在語料庫中出現的頻率成反比下降。

　　4實驗

　　4.1系統知識主題抽取及對應領域生成

　　數據來自學堂在線提供的學習者行為數據,其中包含了370萬學習者。本文對系統提供的8524門課程描述信息進行了處理,對包括課程名稱、授課教師、課程介紹等幾個字段進行了分詞,并對主題詞出現的頻次及在各個領域出現的頻次進行了統計。通過這種方法,從系統給的課程文件中抽取出了18042個主題詞,并獲取每個主題詞對應的領域。

　　4.2課程推薦

　　選取數據集中5000名學習者進行了實驗,采用隨機、基于知識主題向量、基于課程向量、基于知識領域向量的推薦方法進行對比。評價指標包括:準確率、召回率和F1值。準確率指推薦的課程列表中,用戶感興趣的概率。召回率指用戶感興趣的課程出現在列表中的概率。

　　F1值是準確率和召回率的調和平均數。 此外,可以看到,當基于學習者的知識領域興趣向量進行協同過濾推薦時,相應的評價指標的值最好。這是比較符合預期的,因為學習者的知識領域興趣綜合考慮了學習者的知識主題興趣和學習者的課程興趣,并對學習者的知識領域有一定的預測性(如選擇《編譯原理》課程和選擇《計算機網絡》課程的學習者同屬于計算機領域),故而基于知識領域進行推薦可以比單純的基于課程推薦和基于知識主題的推薦效果更好。

　　學習教育論文范例：淺談初中數學教學中如何激發學生學習興趣

　　5結束語

　　本文提出了一種基于學習者興趣挖掘的個性化課程推薦算法。本文將學習者的興趣模型表示成結合知識主題、課程、領域信息的多層興趣模型,并基于學習者的行為數據,對學習者的興趣模型進行了刻畫。在學習者的興趣模型基礎上,對學習者進行了個性化的課程推薦。在數據集上的實驗結果證明了本文方法的有效性。

　　參考文獻：

　　[1]WUP,YUS,WANGD.Usingalearner-topicmodelformininglearnerinterestsinopenlearningenvironments[J].Educationaltechnology&society,2018,21(2):192-204.

　　[2]LIUS,NIC,LIUZ,etal.Miningindividuallearningtopicsincoursereviewsbasedonauthortopicmodel[J].Internationaljournalofdistanceeducationtechnologies,2017,15(3):1-14.

　　[3]DUNYJ,WANGN,WANGM,etal.Revealinglearnerintereststhroughtopicminingfromquestion-answeringdata[J].Internationaljournalofdistanceeducationtechnologies,2017,15(2):18-32.

　　[4]THANH-NHANHL,NGUYENHH,THAI-NGHEN.Methodsforbuildingcourserecommendationsystems[C]∥2016EighthInternationalConferenceonKnowledgeandSystemsEngineering.Piscataway:IEEEPress,2016:163-168.

　　[5]李國成.基于信任關系輔助的在線教育資源推薦方法研究[D].哈爾濱:哈爾濱工業大學,2019.LIGC.Researchonrecommendationofonlineeducationresourcesbasedontrustrelationassistance[D].Harbin:HarbinInstituteofTechnology,2019.

　　[6]OBEIDATR,DUWAIRIR,AL-AIADA.Acollaborativerecommendationsystemforonlinecoursesrecommendations[C]∥2019InternationalConferenceonDeepLearningandMachineLearninginEmergingApplications.Piscataway:IEEEPress,2019:49-54.

　　[7]HUANGZY,LIUQ,ZHAICX,etal.Exploringmulti-objectiveexerciserecommendationsinonlineeducationsystems[C]∥Proceedingsofthe28thACMInternationalConferenceonInformationandKnowledgeManagement.NewYork:ACMPress,2019:1261-1270.

　　作者：郭陽1,李全龍1,李騏2