基于本体的大学英语移动学习个性化研究

周建东

（丽水学院 工学院计算机学系，浙江 丽水 323000）

基于本体的大学英语移动学习个性化研究

周建东

（丽水学院 工学院计算机学系，浙江 丽水 323000）

随着移动终端的普及和无线网络的飞速发展，移动学习成为一个研究热点。针对传统学习资源利用率低、用户针对性不强、个性化学习不够突出等问题，提出了改进大学英语移动学习的方案。该方案充分利用4G网络环境下的学习资源，实现随时随地高效率、个性化的学习。将云技术应用到4G移动学习中，利用本体论，设计用户的兴趣模型，满足大学生英语学习的个性化需求。结合本体理论，研究本体类层次结构和语义推理的理论方法，设计专家本体用户兴趣模型。

移动学习；本体论；个性化学习

一、基于4G和云计算的移动学习

随着2013年年底，工信部4G牌照的发放，最为重要的高速网络通信问题获得了解决。而云技术的出现解决了资源合理配置的难题。所以4G网络技术与云技术结合起来提供移动学习将是一种颇具前景的技术解决方案。随着4G技术的逐渐成熟、基站站点布局更加合理、商业化进程的进一步加快，用户将可以享受到更稳定的速率和更高的服务质量。云计算是一种基于互联网的超级计算模式，即将存储在互联网上的各个节点和设备上的大量数据信息和硬件资源集中在一起，以提供硬件平台服务或数据信息服务。它将计算任务分布在大量计算机构成的资源池上，通过网络以按需、易扩展的方式获取服务。最近几年，云计算凭借它动态、可伸展、形式灵活和聚散自由等优点，并能为用户提供海量信息和弹性服务，已经势不可挡地来到我们身边。随着它的发展和普及，学校的各种教学信息和资源都将逐步迁移到“云”上，这对在大学开展移动学习的教学模式的改革，提供了一个很好的契机。

二、本体论

在计算机科学与技术科学领域，本体是指一种“形式化的，对于共享概念体系的明确而又详细的说明”。本体提供的是一种共享词表，也就是特定领域之中那些存在着的对象类型或概念及其属性和相互关系；在本文的本体用户兴趣模型中，就是数据库中存在的各种实体，例如生词表、文章表和用户订阅表等。本体也是对特定领域之中实体概念及各实体之间相互关系的形式化表达。本体是人们以自己兴趣领域的知识为素材，运用信息科学的本体论原理而编写出来的作品。利用云计算整合各种网上的英语资源，根据自己的兴趣爱好，利用专家本体用户兴趣模型，有选择的选取材料进行学习。同时根据用户的生词表进行各种学习素材的整合，为用户提供不同的学习文章。

三、个性化学习

当前大学，学生都很有个性，学习目的和兴趣各不相同。同样在英语学习过程中，每个人也不一样，有的学生喜欢参与讨论或对话；有的学生愿意将重点放在语法分析和词汇练习上；有的学生喜欢独立思考，喜欢合作学习；有的学生喜欢人情内容、社会内容、充满幻想和幽默的学习材料。在英语学习材料的选择上也很不一样，有些人喜欢VOA，有些人喜欢新概念英语，而采用相同的大学英语教材已经不能满足现代大学生。这些现象表明：不同的学生，他的学习风格和方法、学习的材料和内容以及他的学习策略多有所不同。因此，大学英语的学习和教学要朝着满足大学生个性化学习、自主学习方向发展。利用4G移动网络和云计算，构建一个移动英语学习平台，要求充分体现个性化，考虑不同起点的学生，根据自身的学习情况制订学习目标。从海量的网络数据中，高效的获取有用的、适合自己个性的知识，从迅速爆炸的信息中获得自己感兴趣的最新消息，使学生可以在设计的特定环境下得到适合的学习资源，进行有效的学习。

四、专家本体用户兴趣模型

学生经过个性化订阅，获取适合自己兴趣的存在云上的各种类别的英语文章和音频，在学习过程中记录生词。然后专家系统根据生词出现的频率，自动推荐生词频率最高的文章。学生在推荐的文章学习中如果没有再次对生词进行记录和标注，则相应的减少在生词库中该词的频率。依次类推，直到在生词库中该生词不再出现。在上述的系统设计实现过程中，专家系统根据专家提供的知识和经验，结合本体用户兴趣模型进行推理和判断，模拟人类专家的决策过程为学生推荐适合的能进一步强化生词记忆的文章。在设计专家系统过程中，需要进行专家信息本体设计和用户兴趣模型构建，对本体信息进行研究，设计出相关本体信息类，根据各类的特点设计出相应的数据属性和对象属性，并确定属性的取值范围。根据这些要求构建本体用户兴趣模型：实验E的样本空间为S，A为E的事件，B1，B2，…，Bn为S的一个划分，且P（A）＞0，P（Bi）＞0（i=1，2，…，是在一篇文章中的某一生词，它被推荐学习的概率。P（Bi）是任意给定的一篇文章在所有可能被推荐的文章中的整体概率。P（A|Bi）是某一生词出现在被推荐文章中的概率。P（Bj）是任意给定的一篇文章它不被推荐的整体概率。P（A|Bj）是某一生词出现在不被推荐文章中的概率。

根据以上原理陈述生成推荐文章的过程：根据学生的订阅收集大量的英语文章。在学生对英语文章的学习过程中，提取不认识的生词作为TOKEN串，并统计提取它的TOKEN串出现的次数，即字频。每一篇文章对应一个哈希表，设 hashtable_Recommend对应被推荐文章集，而hashtable_NotRecommend对应不被推荐文章集。表中存储TOKEN串到字频的映射关系。计算每个哈希表中TOKEN串出现的概率P=（某个TOKEN串的字频）/（对应哈希表的长 度 ）。 综 合 考 虑 hashtable_Recommend 和hashtable_NotRecommend，推断出某个生词在文章中出现，该文章被推荐的概率。建立新的哈希表hashtable_probability存储TOKEN串Bi到P（Bi/A）的映射。此时被推荐文章和不被推荐文件的学习过程结束。根据建立的hashtable_probability推荐学生应该加强学习的文章。

基于以上的推荐文章生成专家系统，为每个学生建立了属于自己的订阅文章和生词集合，再通过分析学生检索请求及跟踪用户学习行为，获得学生在英语学习过程中的兴趣特征，从而对学生学习兴趣进行建模，并对专家系统的兴趣模型不断更新，将学生兴趣特征和资源特征的描述扩展到一定的层次上，将用户兴趣与资源在专家级层次上进行匹配，最终构建专家本体用户兴趣模型。

基于本体的大学英语移动学习个性化研究，本质就是专家本体用户兴趣模型构建，也就是一种组织或类别意义上的决策行为。专家系统的知识行为是与语境相关且独立构建的，功能强大但难免比较片面，因此很难构建一个可以满足所有成员使用需求的本体。对某些领域内专家行为的研究也说明了这一点，甚至在一些良好构架的领域中，也很难达成一致的意见。本文针对的是大学英语移动学习专家本体用户兴趣模型的探索，以期实现新技术与先进学习理念的结合，满足当前大学生都能在随时随地、自由化、个性化、多元化的移动下学习。同时提供了一个新的研究视角，使得大学英语学习改革创新落到实处。

G642.0

A

1674-9324（2014）29-0245-02