基于兴趣社区的学习资源推荐模式设计

基于兴趣社区的学习资源推荐模式设计
摘要：在线学习用户难于快速有效发现感兴趣的学习资源，从而影响了学习的积极性和主动性。

针对该问题，本文设计了一种基于兴趣社区的学习资源推荐模式，首先通过构建基于社交网络的在线学习服务为学习用户提供交流协作以及学习资源评价环境，然后利用兴趣社区挖掘技术发现兴趣高度相似的用户群体，最后基于相似用户群体对目标用户进行学习资源推荐。

通过自主开发基于社交网络的在线课程服务，对该推荐模式的应用效果进行了实际验证。

关键词：学习资源推荐；兴趣社区；社交网络；在线学习
中图分类号：G642 文献标志码：B
一、引言
随着互联网技术的快速发展，在线学习服务由于可以提供不受时空限制以及自由获取知识的学�环境，目前已越来越受到广大教师和学生的欢迎，各大在线学习服务吸引了众多教师建立在线课程，注册的学习用户数量也增长迅速。

例如，国外三大主流在线学习服务平台：Coursera、edX和Udacity的各类在线课程在2013年就已吸引了遍布全球220多个国家的600多万名学习者[1]，国内具有代表性的在线学
习服务平台：国家精品课程资源网、中国大学精品开放课程网、MOOC学院、学堂在线以及腾讯课堂等在各自网站上公布的选课人数也已经达到百万级别。

各大在线学习服务高速发展的同时，也积累了海量的学习资源，以国家精品课程资源网为例，截止到2016年11月，该网站包含教学视频、课件以及试题等学习资源的数量已超过130万个。

面对数量如此庞大的学习资源，学习用户很容易遭遇“资源过载”的问题：为了查找与学习相关、感兴趣的学习资源，往往需要付出大量时间和精力，这严重影响了学习用户进行在线学习的积极性和主动性。

如何为广大学习用户主动推荐高质量的学习资源已成为各大在线学习服务提供商以及研究人员共同关注的热点话题[2]。

例如，具有代表性的中国大学精品开放课程网能够根据学习用户的基本信息和学习行为实时推荐相关课程资源，包括热门课程、教师、学习小组等，但推荐结果与学习用户兴趣爱好的匹配不够准确，学习资源的选取与推送存在盲点，系统不能够精准地感知学习情境来有效推荐适合学习用户的个性化优质资源，其个性化推荐服务模式还需要不断改进。

目前在线社交网络已成为互联网应用热点，广大互联网用户通过OSN加强了人与人之间的联系，形成了虚拟网络世界中数量众多的兴趣社区。

兴趣社区中的用户联系更加紧密，兴趣更加相似，信息资源在兴趣社区中可以得到更广
泛、更快速和更准确的传播，这为改进现有在线学习资源推荐模式提供了新的途径。

为此，本文设计了一种基于OSN 兴趣社区的学习资源推荐模式，目的在于提高在线学习用户的学习资源获取质量和效率，并提高学习的积极性和主动性。

二、基于兴趣社区的学习资源推荐模式
1.模式框架设计
基于兴趣社区的学习资源推荐模式需要利用用户的OSN信息以及资源偏好信息，其首先通过构建基于OSN的在线学习服务，为学习用户提供交流协作、资源分享以及资源评价功能，然后在形成用户关系网络的基础上，通过挖掘兴趣社区对学习用户进行兴趣特征建模，最后应用排序算法形成学习资源推荐列表。

推荐模式的整体框架设计如图1所示。

图1所示的模式框架包括三大组成部分，分别为：①面向在线学习的OSN服务。

OSN服务用于促进学习用户关系网络的形成，为学习资源推荐提供可以利用的用户OSN信息。

该服务基于Web2.0的技术规范以及OSN服务建设标准进行设计与开发，并结合在线学习的需求提供学习用户在信息分享、互动交流以及群组协作支持等方面的功能，可以为在线学习用户进行协作式学习提供支持环境。

②基于OSN 的在线学习服务。

在线学习服务为用户提供学习资源服务环
境，该服务参照目前流行的“慕课”服务模式进行设计，包含课程信息、课程动态、学习用户管理以及学习资源等基本功能，并基于OSN提高在线学习服务的互动能力，尤其是用户与用户、用户与学习资源之间的交互。

此外，通过提供学习资源的评价功能，可以获取学习用户的学习资源偏好信息。

③学习资源推荐服务。

该服务是学习资源推荐模式的核心组成部分，通过用户关系网络挖掘兴趣社区，可以发现兴趣社区内的高度相似用户群体并结合学习资源评分信息进行学习资源推荐列表生成以及推荐排序等。

此外，还可以利用用户的反馈信息不断改进推荐服务质量。

学习资源推荐服务的实现流程如图2所示。

由图2可以看出学习资源推荐流程涉及从数据采集到推荐排序等多个步骤，其中兴趣社区挖掘、用户相似性计算及学习资源评分预测是学习资源推荐的重要组成部分，下面将分别介绍这三大部分的具体实现过程。

2.学习用户兴趣社区挖掘
通过OSN服务，学习用户之间可以建立起好友关系，实现动态关注以及资源分享。

随着用户的增多以及好友关系的不断建立，在线学习服务的好友关系网络也将不断增长并且具有明显的聚集结构，具有相同学习兴趣的用户联系密集，具有不同学习兴趣的用户联系稀疏，即好友关系网络存在各种各样的兴趣社区。

通过挖掘兴趣社区，可以发现社区
内具有高度兴趣相似度的用户。

例如，图3给出了一个学习用户好友关系网络示例，其中共有7个用户节点：u1，u2，u3，u4，u5，u6及u7，可以看出u1，u2，u3及u4作为兴趣社区1的成员彼此之间联系密集，u5，u6及u7作为兴趣社区2的成员彼此之间也联系密集，但不同兴趣社区之间的用户联系稀疏。

为有效挖掘学习用户好友关系网络存在的兴趣社区，本文采用基于非负矩阵分解的社区挖掘模型[3]进行处理。

首先学习用户好友关系网络可以建模为无向无权图，其对应的邻接矩阵X=[xij]n×n，其中n为用户数量，当任意两个用户ui 和uj存在好友关系时，xij=0，否则，可知X为非负值矩阵。

假设社区挖掘数目为k，可构建基于NMF的社区挖掘模型：。