Memetic算法在学习路径推荐中的应用研究

摘要：提出了基于Memetic算法的在线学习路径推荐模型，根据学习者的知识目标和水平确定学习路径，避免知识过载和迷航；根据学习者的学习风格，选择合适的教学媒体和教学策略，提高了学习效率，通过实验验证了所提方法的有效性。

关键词： Memetic算法；知识推理；在线学习

中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2019）06-0180-03

Research on Application of Memetic Algorithms in Learning Path Recommendation

TAN Hui-lin1，2

（1.ShaoYang University， Shaoyang 422000， China； 2.School of Mechanical and Electrical Engineering， Central South University， Changsha 410083， China）

Abstract： An online learning path recommendation model based on Memetic algorithm is proposed. The learning path is determined according to the learner's knowledge goal and level to avoid knowledge overload and lost. According to learner's learning style， appropriate teaching media and teaching strategies are selected to improve learning efficiency. The effectiveness of the proposed method is verified by experiments.

Key words： Memetic algorithm； knowledge reasoning； online learning

1 引言

信息技術的飞速发展为网络环境下的个性化学习模式提供了有力的物质基础和技术支持[1]，为学习者创造了丰富资源的学习环境和灵活弹性的学习路径[2]。于是，帮助学习者在海量知识库中避免知识过载和迷航[3]，推荐适合学习者学情的学习路径成为在线学习个性化服务[4]的研究热点。

2 学习路径

2.1 学习路径概述

北师大的曹良亮博士认为借助在线学习系统中超文本、超媒体技术的应用，学习者能灵活实现对学习资源的意义建构，学习者对教学资源选择和加工的记录称为学习路径[5]。

2.2 学习路径推荐

学习路径推荐是为不同学习风格和知识层次的学习者从多条学习路径中推荐最适合的路径，从而帮助学习者实现个性化学习需求。

2.3 学习路径推荐研究现状

学者Berg提出用群体智能的方法为学习者提供低成本和强大的教育导向[6]，陈其晖博士通过petri网了解学习者的状态实现个性化学习路径[7]，后又通过改进微粒群优化算法来解决学习路径的最优化控制问题[8]；学者Chen应用项目反应理论来解决学习对象的难度与学习者知识水平匹配的问题[9]，学者彭建伟提出运用爬山算法和遗传算法相结合的Memetic算法对个性化学习路径进行寻径[10]，程岩副教授尝试用群体智能解决学习路径的推荐问题[11]和用遗传算法构建最优学习路径[12][13]。目前，对个性化学习路径寻径的研究大致分为两个方向：一是依据学习者的学习风格经验推荐学习路径；二是从知识点内在的结构出发，推荐与学习者知识水平相匹配的学习路径。本研究以前面研究者的宝贵经验为指导，尝试将学习风格和知识内在结构统一起来，建立以与贪心算法相结合的memetic算法为基础的个性化学习路径推荐模型，以期提高推荐的准确性和实用性。

3 学习理论

以建构主义学习理论和自适应学习理论为指导，以培养学习者发现问题、解决问题的能力为目标，利用网络丰富资源拓展学习者的视野，从而完成学习者对目标知识的意义建构。

4 个性化学习路径推荐模型

4.1 模型描述

基于memetic算法的学习路径推荐模型如图1所示，由学习风格分析模块、知识水平测试模块和基于memetic算法的知识推理模块组成。学习者登录系统后进行信息录入和学前测试，获得学习者的知识目标；分析模块和测试模块分别得到目前学习者的学习风格和知识水平，推理模块结合前面模块得出的数据进行推理计算，从学习资源库中提取知识数据，形成个性化学习路径推荐给学习者。测试模块也对学习者进行课后测试并反馈给教师。教师根据教学反馈定期对学习资源库进行更新维护。

4.2 学习者特征描述

本研究主要考虑学习者的两个特征：学习风格和知识水平。

4.2.1 学习风格类型

本研究参照郑艳丽研究者的分类方法，把学习风格分为：视觉、听觉和动觉[14]。本研究尝试用经典的VAK测试量卷来获取学习者的学习风格类型。从现有的测试结果来看，多数学习者以视觉学习为主兼顾听觉学习和动觉学习。

4.2.2 知识水平层次

在本研究中，我们尝试将学习者的知识水平分为理解、运用和综合三个层次。

4.3 知识水平测试模块

本模块旨在通过形成性测试有效鉴定学习者的知识水平以及与目标知识的差距，能快速给出学习者即将开始的学习路径的起点。其中，试题库的建立是知识水平测试模块中最为核心的内容。

4.4 知识推理模块

知识推理模块根据学习者的知识目标和水平确定学习路径；根据学习者的学习风格，选择合适的教学媒体；根据学习路径和学习风格，选择适当的教学策略。

4.4.1 知识因素

推理模块的知识因素为：学习者的知识目标与知识水平。学习者知识水平就是其对知识的掌握程度，决定了学习路径的起点。学习者所提交的知识目标，也就是学习路径的终点。由于知识点内在的联系，知识起点与知识终点可能存在多条学习路径。

4.4.2 学习风格因素

本研究针对不同学习风格的学习者采用个性化的知识呈现方式：优先使用文字、图表、动画、视频等工具为视觉型学习者呈现知识点；采用音频、视频等媒体为听觉型学习者呈现知识点；通常以案例引导动觉型学习者在实践操作中获得知识。

4.4.3 知识推理算法

4.4.3.1 学习路径编码

为便于理解和计算适应度函数，学习路径采用整数编码的染色体形式。染色体的每位基因值表示即将学习的知识点编号，长度代表学习路径的知识点数量。例：某条学习路径覆盖了m个知识点，学习资源库中可供其选择的知识点为n个，则该学习路径的长度为m，基因值的取值范围为[1-n]。

4.4.3.2 初始化种群

随机生成可能存在的学习路径作为初始种群，种群规模为60。

4.4.3.3 选择操作

采用轮盘赌来实现选择操作。

4.4.3.4 交叉操作

采用单点交叉操作，即：首先随机选择交叉点，然后将两条父染色体交叉点前的基因相互交换，最后在两条子染色体中依次删除相同的基因。交叉概率设为0.6。

4.4.3.5 变异操作

采用随机变异来实现变异操作，即：随机选取知识树中待学习的知识点的编码来随机替换父染色体中的某个基因。变异概率设为0.04。

4.4.3.6 局部搜索策略

采用贪心算法来实现局部搜索策略。

4.4.3.7 适应度函数

尝试寻找一条开销最小、知识点难度值最低的学习路径。知识点i的学习开销包括了费用开销[ci]和时间开销[ti]，由专家给定；难度值[di]的初始值由专家依据李特克氏5点量表[15] 对其预设，实践教学后，将结合学习者给定的难度值将进行调整，其计算公式如下：

其中，[ci]是费用开销，[wc]是初始值由专家设定、学习者可自行调整的费用开销权重；[ti]是时间开销，[wt]是初始值由专家设定、学习者可自行调整的时间开销权重；[di]是知识点的难度值，[wd]是初始值由专家设定、学习者可自行调整的难度权重。我们可将适应度函数设为[1f]，这样就将寻找一条开销最小、知识点难度值最低的学习路径转化成寻找适应函数值最大的学习路径。

4.4.3.8 终止条件

选择、交叉和变异操作将循环执行，直到迭代次数达到200时，算法将终止。

5 实验

5.1 实例简介

采用实例（图2 知识树实例）：学习路径的起点为1，终点为10，可能的学习路径有8条，涵盖的知识点有7个：1→2→3→5→7→9→10；1→2→3→5→8→9→10；1→2→3→6→7→9→10；1→2→3→6→8→9→10；1→2→4→5→7→9→10；1→2→4→5→8→9→10；1→2→4→6→7→9→10；1→2→4→6→8→9→10。费用开销权重和时间开销权重初始值设为0.3，难度权重初始值设为0.4。

5.2 实验结果

以matlab2017a为平台实践了基于memetic算法的知识推理模块，经过测试发现在实例中当种群规模设为60，交叉概率设为0.6，变异概率设为0.04时便可以得到比较好的结果。种群学习路径适应度函数值如图3所示，最优学习路径图如图4所示。

从仿真结果图可以看出，算法收敛速度很快，当迭代不到30次就找到了最优学习路径：1→2→3→5→8→9→10，该学习路径的适应度函数值约为0.022，达到了预期的实验目标。由此可见，相较于彭建伟学者提出的需迭代30-80次才能找到最优解的知识推理模型[10]，与贪心算法相结合的memetic算法在寻找个性化学习路径问题中具有更好的可行性。

6 结语

提出了基于memetic算法的学习路径推荐模型，根据学习者的知识目标和水平确定学习路径，避免知识过载和迷航；根据学习者的学习风格，选择合适的教学媒体和教学策略，提高了学习效率。实验表明，该知识推理模型具有良好的研究与应用前景。

参考文献：

[1]刘明卓，张琴珠.信息技术与个性化教学模式探讨[J].现代教育技术，2005（1）：11-14.

[2]郑小军，张霞.高效网络化学习：理念、路径与策略[J].中国电化教育，2012（309）：42-45.

[3]蔺丰奇，刘益.网络化信息环境中信息过载问题研究综述[J].情报资料工作，2007（3）：36-41.

[4]吴辉娟，袁方.个性化服务技术研究[J].计算机技术与发展，2006，16（2）：32 -34.

[5]曹良亮.在线学习中学习路径分析及学习行为特点研究[J].中国远程教育，2014（4）：25-30

[6]Berg B.， Tattersall R.， Janssen J. et al. Swarm-based sequencing recommendation in e-lerning[J]. International Journal of Computer Science and Applications ，2006，3（3）：1-11.

[7]陳其晖，凌培亮，萧蕴诗.基于petri网的知识空间建模方法与学习路径控制[J].计算机工程与应用，2007，43 （12）：10-12.

[8] 陈其晖，凌培亮，萧蕴诗.基于改进微粒群优化的学习路径优化控制方法[J].计算机工程，2008，2 （34）：190-192.

[9] Chen，C.M..Intelligent Web-Based Learning System with Personalized Learning Path Guidance [J].Computers & Education，2008，51（2），787-814.

[10]彭建伟.基于Memetic 算法的个性化学习路径推荐的研究与实现[D].长沙：湖南大学，2009.

[11]程岩.在线学习中基于群体智能的学习路径推荐方法[J].系统管理学报，2011，3（20）：232-237.

[12]谭慧琳.基于遗传算法的知识推理研究[J].电脑知识与技术，2011（31）：7731-7733.

[13]谭慧琳.基于遗传算法的知识推理研究[D].长沙：湖南师范大学，2011.

[14]郑艳丽.网络课程中学习路径引导系统的研究[D].济南：山东师范大学，2009：25.

[15]Chen，C. M.， Lee， H. M.， & Chen， Y. H. Personalized e-learning system using Item Response Theory[J]. Computers & Education， 2005 （44）237-255.

【通联编辑：王力】