基于用户兴趣模型及能力评估模型的个性化推荐方法研究

合集下载
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

[关键词] 在线学习;用户兴趣模型;能力评估模型;个性化推荐
中图分类号:TP391.3
文献标识码:A
文章编号:1008 - 6609 (2018) 05 - 0041 - 04
1 引言
型进行个性化推荐 ,通过个性化学习系统推送包括文本 、图 片、视频、试题等经过语义标引过的学习资源。其中,试题资
随着互联网规模的不断扩大,网络资源迅猛增长,人类 源还可用于在线测试,以便检验用户的学习效果,同时将测
+ (1
-
α)
×
w ] learning j
+
(1
-
β)
×
w frequency j
(1)
其中
,w
knowledge j
表示用户知识点需要提高的权值
,由用户
测试结果获得
,w knowledge j
∈ [0, 1]

w learning j
表示用户当前对资
料的学习分布,在学习资料中包含的知识点被学习的次数越
确定 ,能够直接获取 ,无异议的结论权重高 ,结论较为含糊 、
上述用户兴趣模型是通过计算知识点的权值确定用户
的兴趣度 ,此模型符合用户的学习行为和学习习惯 ,具有一
定的理论和现实依据,可以作为个性化推荐的重要依据。
2.2 学科兴趣模型
在定义知识点兴趣模型的基础上,学科 i 的兴趣度 Wi用 学科下所有一级知识点的权值的加权和来计算。其中,知识
习规律的学习资源。
在学习资源推荐中,认为用户兴趣与用户对知识点的掌
本文以在线学习为应用背景,基于用户的基本信息和兴 握程度密切相关,也就是说掌握越好的知识点对应的兴趣度
趣偏好构建用户兴趣模型,通过用户对知识的掌握程度构建 就低,而掌握差的知识点,兴趣度就高。知识点兴趣度用知
学习能力评估模型,再基于用户兴趣模型和学习能力评估模
(3)兴趣度变化
知识点的权值。
随着学生学习资源数的增加 ,兴趣点会逐步分散 ,之前
每个知识点的权值 wj可以由三个部分:①知识点掌握程 度;② 用户学习行为;③知识点频率;计算获得,如公式(1):
学过的知识点兴趣度会逐渐减少,后学的知识点兴趣度会逐 渐增加。
wj
=
β
×

×
w knowledge j
多,其值就越大。一个知识点的
w learning j
表示当前的知识点在
所有已学习资料中的比重。知识点频率
w frequency j
表示已学知
识点占该知识点总资源的比重
,w
frequency j

[0, 1]
,若该知识点
资源已被全部学完 ,则
w frequency j
值达到最大。
α

β
是调节
因子,用以调节各部分的权重比例。调节因子根据系统功能
特征,作为个性化推荐的重要参考依据。本文以在线学习为应用背景,通过抽取用户对知识点的掌握程度作为用户特征进行
关联分析,构建用户兴趣模型和学习能力评估模型,并在此基础上,借鉴协同过滤算法的思想,架构了基于用户兴趣模型和学
习能力评估模型的个性化学习系统框架,以期为在线学习的个性化信息服务的优化和实施提供理论与应用参考。
载和信息迷航俨然成为学术界和产业界亟待解决的问题 。 [1] 推荐算法通过对用户的行为属性进行分析 ,挖掘用户的兴 趣 ,从而为用户精确推荐物品或信息[2]。个性化推荐方法是 利用用户预先提供的数据[3]或利用数据挖掘[4]等技术挖掘用 户潜在的兴趣资源进行推荐。
随着 Internet 的迅速发展和全球对终身教育的需求,以 异步教育方式为主要特征的基于 Web 的在线学习已成为 Internet 上的一种重要应用[5-7]。基于在线学习的个性化学习受 到越来越多研究者的关注。目前在线学习的应用还存在一 些缺点 ,其中利用动态 、异构环境下的分布学习资源进行个 性化学习是困扰已久的关键问题,表现在学习过程中缺乏指 导 ,学习资源重用率低 ,不能以学习者为中心来推送符合学
点的权重由领域专家标注 ,重点知识点权重大 ,非重点权重
小。
n
∑ Wi = αj wj
(5)
j=1
其中,αj 为归一化后的权重;wj表示第 j 个一级知识点的
兴趣度权值。一级知识点的兴趣度权值 wj由一级知识点本
不确定的权重低。
身和它所包含的子知识点的兴趣度来确定 ,其计算如公式
w (1)
knowledge j
社会已进入一个信息爆炸的时代。同时,用户的社会化标注 试结果反馈给学习系统,用以不断修订用户兴趣模型及学习
行为进一步推动着信息的增长。然而,由于用户兴趣、表达 能力评估模型,不断优化个性化学习系统的精确性,使得用
方式等方面的差异,促使社会化标签质量参差不齐,信息超 户通过在线学习获得更好的学习体验和知识积累。
——————————————
识点的权值来描述。在初始阶段,知识点的权值均设为 1,随
作者简介:阮怀伟(1977-),男,安徽合肥人,本科,高工、副编审,研究方向为数字出版。
基金项目:合肥学院人才科研基金项目,项目编号:16-17RC16。
- 41 -
电脑与电信 ∙ 基金项目
着用户学习行为的推进,采用隐式计算方法获取并动态修改
电脑与电信 ∙ 基金项目
基于用户兴趣模型及能力评估模型 的个性化推荐方法研究
阮怀伟 1 吴晓璇 2 陈艳平 2
(1. 时代新媒体出版社有限责任公司,安徽 合肥 230000; 2. 合肥学院 计算机科学与技术系,安徽 合肥 230601)
[摘 要] 个性化推荐是用户从海量信息中பைடு நூலகம்取有用信息的有效途径。用户兴趣作为社会化标签被抽取出来表示用户
2 用户兴趣模型构建
在线学习背景下,用户兴趣主要由隐性信息和显性信息 组成。显性信息包括用户注册时获取的基本信息,如用户的 年级、性别、偏好等;隐形信息由用户在学习过程中的系统记 录抽取而来 ,能够反映用户的当前状态 ,在实际应用中更为 有效。单一的信息都不足以体现用户的真实兴趣,无用的信 息也会大大增加建模的复杂度和计算成本,因此如何将两者 结合,提取出用户真正的兴趣点是用户兴趣信息提取的一个 关键问题 。 [8] 本文建立的用户兴趣模型主要从两个方面构 建:子知识点及学科。 2.1 子知识点的兴趣模型
的数学计算如公式(2):
w knowledge j
=
1
-
current sc ore total sc orej
(2)
其中,totalscorej表示所有包含该知识点的题目数量;cur-
rentscorej表示答对的题目数量。
相关文档
最新文档