个性化推荐技术在学习资源共享系统中的应用
2017-07-19胡三宁
◎胡三宁
(河南科技大学 应用工程学院，河南 三门峡 472000)
个性化推荐技术在学习资源共享系统中的应用
◎胡三宁
(河南科技大学 应用工程学院，河南 三门峡 472000)
为解决互联网上日益增多的学习资源造成的信息超载，提高用户信息使用效率，设计并实现了基于推荐的学习资源共享系统。论文首先阐述了系统的设计目标及原则，进而介绍了逻辑模型架构与主要功能模块的设计，结合标签机制及社交网络关系，提出了融合好友信任关系的混合推荐算法，并应用于资源推荐过程中。实验表明，该算法具有一定的可行性，该系统可以提供有效的个性化推荐服务。
信息超载；标签；信任关系；混合推荐
随着信息技术的发展和网络的进一步普及，网络学习因其形式开放、时空不受限及资源丰富等优势，已逐渐成为教育教学体系中的重要组成部分[1]。经历函授、广播电视教育及远程教育后，MOOK等也逐渐进入人们的视野并被广泛接受。但在全民学习如火如荼上演的同时，伴随而来的是新的问题[2-4]：在终身学习热潮不断高涨的今天，如何避免“信息过载”，准确、有效地在浩瀚的“数据海洋”中获得相关资源？在时代节奏较快的今天，如何在海量良莠不齐的资源间，高效的选择优质资源？
个性化推荐作为解决信息超载问题的有效途径之一[3-5]，已广泛应用于电子商务领域。在网络学习领域应用研究中，很多学者对此进行了大量有益的工作。文献[6]提出了一种基于学习状态匹配的相似学习者关联发现算法，为社区学习者提供了有针对性的学习资源推荐；文献[7]提出了一种基于决策树和BP神经网络的混合推荐算法，按照学习模式进行后继知识预测及推荐；文献[8]基于多代理、并结合Agent技术构建混合推荐系统；文献[9]结合学习者特征及学习资源特征，采用协同过滤为学习者提供学习资源；文献[10]通过构建知识结构图，运用IRT分析学习者差异，提出以PSO算法为基础的推荐方法完成学习资源推荐。
笔者针对目前网络学习中“信息过载”与“信息孤岛”间、“大众式服务”与“个性化需求”间存在的矛盾，结合社交网络中的好友及其之间的信任关系，利用社会化标签标注，设计并实现了基于推荐的学习资源共享系统。论文章节安排如下：第1节讨论了系统的设计目标，第2、3节分别给出了系统设计与实现的详细过程，并在第4节给出系统测试，最后总结全文。
1 设计目标及原则
通过设计针对学习资源的共享系统，利用用户的贡献来上传资源，并采用统一的数据格式保存，以期于系统内汇聚大量的高质量的资源，方便资源管理的同时，减少用户对目标资源的检索时间，使得网络学习更加高效。作为主动检索的必要补充，结合聚类分析及推荐技术，向用户提供个性化的资源推荐服务，一方面进一步提高了定位目的资源的准确性与高效性，另一方面可以作为兴趣发现的辅助手段，在满足学习者对于网络学习的个性化需求的同时，发掘更多的用户潜质，最大限度地促进个人发展。系统具体设计目标如下：
（1）实现对海量学习资源的统一管理。传统的根据栏目或是分类进行的数据管理，无法应对海量资源的实时管理及面向兴趣的推荐需求。故在此基础上引入标签及评价，使资源贡献者成为管理者、资源使用者成为评价者，在统一管理资源的同时为资源推荐提供必要的基础数据。
（2）实现对目标资源的快速、准确检索。搜索引擎作为用户发起的主动检索行为，一定程度上反映了用户近期的诉求，并对推荐具有较高的参考价值。而搜索引擎源于信息的全文检索，依赖于文档处理结果[11]。通过标签功能的引入，不但为信息检索提供了必要的关键词，而且简化了对非结构化数据特征提取的处理。
（3）实现有效的个性化推荐。作为信息过载的解决方案，准确的个性化推荐有助于用户在过量信息中快速获取对自己有用的部分，从而提高信息使用效率[5]。对系统而言，通过用户及资源建模，进行兴趣相似度计算，完成针对用户兴趣的个性化推荐服务，将被动检索变主动推荐，最终提高用户忠诚度，有助于建立长期稳定的关系。
同时，系统设计应遵循的原则有：
（1）功能完备性：除了资源的统一管理、检索服务及个性化推荐，系统还包括用户及角色管理、权限管理、栏目管理、标签管理等。
（2）操作简便性：良好的交互体验可以提高用户满意度，在维系用户关系的同时，有利于更大的生态系统的构建。
（3）推荐准确性：个性化推荐旨在有针对性的满足不同用户的需求，而只有符合用户兴趣的推荐才是有意义的，即只有提高推荐准确率才能使用户对推荐产生依赖[4]。
（4）系统安全性：通过安全的身份认证，保护用户基础数据；结合角色及授权管理，实现不同功能模块的权限管理。
（5）平台开放性：支持多种硬件平台及操作系统，支持通用的数据类型，提供开发的数据接口以满足二次开发。
2 系统设计
2.1 系统总体设计
基于推荐的学习资源共享系统框架组织如图1示：
图1 系统框架示意
图2 系统功能模块
在数据层，采用XML技术及Database完成数据的存储，并结合EF以对象方式操作抽象数据；支持层实现资源的标注及评价，并提供用户建模；在业务逻辑层，除传统CURD操作外，主要进行用户聚类分析与内容协同过滤，为推荐算法提供数据输入；最终实现个性化推荐服务及系统管理。
2.2 主要功能设计
经进一步整合，系统主要功能模块如图2示：
2.2.1 用户管理模块
该模块主要实现对注册用户及后台用户的管理。对于后台用户，系统管理员可以进行添加、编辑、删除用户及修改密码等操作。高级管理员除可添加（或删除）低级管理员用户外，也可针对低级用户所属的角色进行修改，以进行角色与权限管理。对于注册用户，管理员可针对其在系统内发言的合法性进行冻结及注销等操作。
2.2.2 权限管理模块
系统采用基于角色的用户管理，故权限管理部分设计为面向“角色-模块”二元组的权限分配。为更好地进行访问控制及委托管理，系统引入了DETRBAC模型[12]进行工作流管理。
2.2.3 系统管理模块
系统管理主要提供系统的备份还原、日志管理及常规系统设置等。
2.2.4 内容管理模块
该模块主要提供对资源、标签及评价等内容的管理。系统内资源以分类组织，通过标注标签作为资源关键词，统一了结构化、半结构化及非结构化数据的特征提取。用户贡献资源的同时标注资源，该标签从一定程度上反映了用户兴趣，并从侧面为用户兴趣建模提供了基础数据。
2.2.5 个性化推荐模块
个性化推荐旨在提供满足用户兴趣需求的有效资源。针对系统特点，本文在文献[13]提出的混合推荐算法的基础上，结合社交网络中的好友及其之间的信任关系，充分利用社会化标签标注机制，进行了个性化推荐方法设计与实现，具体见第3节。
3 融合信任关系的混合推荐
3.1 算法设计
文献[13]提出了一种基于用户兴趣及标签相似度的混合推荐算法HAS_Com：构建基于标签的用户兴趣模型，进而通过计算与资源相似度可完成推荐，同时融合时间因素研究用户兴趣变化，提高了基于内容的推荐中相似度计算的准确率；根据用户兴趣相似度聚类用户，通过兴趣的协同推荐可减少对评分矩阵的依赖；结合用户基本信息有望缓解冷启动问题。HAS_Com获取用户兴趣与资源特征间的相似度(S)的定义可具体描述为：
其中，Vres为资源的特征向量、Vu为用户的兴趣向量，Wj为用户对标签的兴趣权重，Tagj反映了用户兴趣是随时间的变化。Sim为采用互信息衡量标签Tagi与Tagj间相似度：
而相关研究表明，用户获得的推荐往往是其信任网络中与其距离较近的用户评价较好的项目[14，15]。因此，系统在实现过程中，采用上述算法的同时，设计并实现了用户间好友关系的维护，以融合社交网络中好友间的信任关系，旨在提高推荐准确率。
定义Wf（resi,uj）为资源resi被用户uj好友推荐的权重，即描述用户uj之好友是否对该资源感兴趣，具体通过计算该资源被其好友推荐的数量在其好友间所有感兴趣资源中所占的比例，如式（3）：
其中，CresiIn（Guj）指资源resi出现在用户uj好友关系图中的次数；r为在该关系图中所有用户推荐的资源数目之和。
故对于资源的特征向量Vres={Tag1，Tag2，…，Tagn}及用户兴趣向量Vu={
其中，Sim（Tagi,Tagj）计算标签Tagi与Tagj间相似度。
3.2 实验分析
利用系统数据，从正确推荐数C、准确率P、召回率R、推荐覆盖率COV等[3，8]方面，给出算法HASR_Com与算法HAS_Com[13]的实验对比结果，具体如下表：
Top20实验结果表
由表可知，笔者提出的混合推荐算法在准确率、召回率等方面，有了一定的提高；在推荐覆盖率上，通过融合好友及信任关系，较有效地解决了因用户兴趣聚类而造成的推荐多样性较低的问题。
4 系统实现及测试
融合信任关系的学习资源共享系统实现如图3所示：系统根据资源与用户兴趣的匹配度、发布时间及其热度等，分别给出了 “推荐资源”、“最新资源”及“热门资源”等三种资源推荐方案，可在个性化推荐的基础上，通过“热门资源”推荐作为传统无差别推荐的补充，也可根据“最新资源”推荐进一步缩短新增资源被认可的周期。
图3 学习资源推荐示意
5 结束语
笔者结合社会化标签标注，利用社交网络中的好友及其之间的信任关系对推荐有效性的影响，改进了协同过滤推荐算法，且实验表明该方法具有一定的可行性。在该方法的基础上，设计并实现了基于推荐的学习资源共享系统，经测试，该系统可以有效地进行资源推荐，达到了设计目标。
[1]唐国菊.网络学习资源个性化推荐系统的设计与开发[D].西安：陕西师范大学，2012.
[2]王萍，张际平.云计算与网络学习[J].现代教育技术，2008(11):81-84.
[3]朱郁筱，吕琳媛.推荐系统评价指标综述[J].电子科技大学学报，2012(2)：163-175.
[4]王国霞，刘贺平.个性化推荐系统综述[J].计算机工程与应用，2012(7)：66-76.
[5]许海玲，吴潇，李晓东，等.互联网推荐系统比较研究[J].软件学报，2009(2):350-362.
[6]王志梅，杨帆.基于相似学习者发现的资源推荐系统[J].浙江大学学报（工学版），2006(10)：1688-1691+1791.
[7]吴彦文，黄珍.混合算法用于学习资源的自动推荐[J].计算机应用与软件，2008(12):202-203.
[8]吴兵，叶春明，陈信.基于多代理的个性化推荐学习系统[J].计算机工程，2010(15)：256-258.
[9]叶树鑫，何聚厚.协作学习中基于协同过滤的学习资源推荐研究[J].计算机技术与发展，2014，(10)：63-66.
[10]杨超.基于粒子群优化算法的学习资源推荐方法[J].计算机应用，2014(5)：1350-1353.
[11]查大元.个性化推荐系统的研究和实现[J].计算机应用与软件，2011(1)：47-49.
[12]殷慧文，易俗.工作流系统中一种基于任务角色的委托模型[J].辽宁大学学报（自然科学版），2011(2):173-176.
[13]胡三宁.一种基于相似度的混合推荐方法[J].三门峡职业技术学院学报，2015(2)：140-144.
[14]李慧，马小平，胡云，等.融合社会网络与信任度的个性化推荐方法研究[J].计算机应用研究，2014(3):808-810.
[15]罗辛，欧阳元新，熊璋，等.通过相似度支持度优化基于K近邻的协同过滤算法[C]//Ndbc中国数据库学术会议论文，2010:1437-1445.
（责任编辑 卞建宁）
Application of Personalized Recommendation in Learning Resources Sharing System
HU Sanning
(Academic Affairs Office,Sanmenxia Polytechnic,Sanmenxia 472000,China)
TP311
B
1671-9123（2017）02-0140-05
2017-03-20
胡三宁（1983-），男，河南洛宁人，河南科学大学应用工程学院、三门峡职业技术学院讲师。
