基于知识图谱的教育信息资源个性化推荐方法

覃湘荔

(广西现代职业技术学院,广西 河池 547000)

0 引言

在当今信息时代,教育信息资源呈现出海量增长的趋势。如何从这些资源中快速准确地获取所需内容,成为教育领域面临的一项重大挑战。个性化推荐方法作为一种有效的信息过滤手段,能够根据学习者的个性化需求和兴趣,为其提供精准、有价值的教育信息。这不仅可以提高学习者的学习效率,优化教育资源配置,还能为教育机构和学习者创造更大的价值。通过个性化推荐,一方面,教育信息资源能够得到更合理的分配和利用,使优质资源更好地服务于学习者,提高教育质量;另一方面,教育信息资源还能够根据学习者的反馈和行为数据被实时调整和优化,为学习者提供更加个性化的服务,以提升其体验和学习满意度。

由于传统推荐方法通常基于用户的历史行为数据进行分析和推荐,但由于数据源有限,难以全面了解用户兴趣和需求,导致推荐效果不佳。并且传统推荐方法在静态数据基础上进行分析推荐,无法实时跟踪用户行为和反馈,导致推荐内容无法及时更新,使得结果无法达到预期[1]。因此,现阶段研究以教育信息资源个性化推荐方法为研究对象,运用知识图谱,结合实际情况进行实验与分析。

1 教育信息资源个性化推荐

1.1 协同过滤法使用者偏好分析

用户阅读行为的数据收集以及教育信息资源使用者信息的收集处理是实现资源个性化推荐的第一步[2]。根据资源推荐需求,本文利用网络爬虫爬取用户行为信息,根据实际情况设定爬取周期。当列表中的数据达到要求后,网络爬虫通过无线网络将数据信息发送给数据库,从而实现对教育信息资源使用者行为数据信息的采集。采集的数据信息公式为:

x=(a,b,c)

(1)

其中,a为用户身份标识号,b为资源信息,c为资源种类。由于采集的数据信息中可能存在重复数据,为减少后续推荐计算量,避免信息过载,所提方法需要识别并删除原始数据中的重复数据,通过对采集的教育信息资源使用者行为数据进行协同过滤,获取用户的兴趣偏好,从而估算用户与某种属性的兴趣关系。当资源的某种属性占比较大时,说明使用者对资源的兴趣度较低。当根据此原则对原始数据进行协同过滤时,本文需要考虑使用者对教育信息资源属性的逆向频率,通过计算该频率来估算使用者对该资源的兴趣度。用户对图书的兴趣度G表达式为:

G=RGxKl(z)

(2)

其中,RGx为使用者对教育信息的评价频率,K为资源属性,l(z)为属性的逆向频率。通过协同过滤的方式能够有效分析用户偏好[3],为达到更好的推荐效果提供有力支撑。

1.2 知识图谱法兴趣匹配

hk=f(h,t)k

(3)

根据资源实体与语义关系,该方法设定特征向量的权重,通过对使用者兴趣和资源实体属性进行匹配度计算,获得资源实体与语义关系对应的兴趣匹配矩阵。使用者兴趣和资源实体属性的匹配度M计算公式为:

M=αsim(h,t)+βsim(h,t)+χsim(r,t)

(4)

其中,α、β、χ为权重系数;sim(·,·)表示两者的兴趣相似度。本文通过式(4)计算出使用者对不同资源的兴趣匹配度,进而得以展开推荐。在实际应用中,推荐者还可以根据具体的需求调整数学公式中的参数,以实现更好的兴趣匹配效果。

1.3 个性化资源推荐

首先,根据构建的兴趣匹配矩阵,该方案输入教育信息资源的关键词和使用者过去的行为数据。然后,通过分析这些数据,该方案获得使用者对于不同资源的兴趣程度,进而形成语义匹配矩阵;最后,该方案将语义匹配矩阵中的数据转化为特征向量,作为客观向量输入推荐模型中。这些特征向量代表了使用者对于教育信息资源的兴趣特征。在得到特征向量后,本文建立推荐模型,并根据使用者的特征向量和教育信息资源的特征进行匹配,从而产生个性化的推荐结果。同时,本文采用加权模糊计算的方式得出教育信息资源知识的推荐层级,计算公式为:

(5)

其中,λ为推荐控制量,β为资源实体在空间中的定位,η为资源的关联属性。在计算得到的推荐层级空间中,本文将高校使用者输入的教育信息与匹配矩阵进行关联计算,通过计算可以确定与使用者兴趣相匹配的教育信息资源知识。为了进一步明确个性化推荐的精度,所提方案需要进行隶属度赋值,从而获得不同推荐结果与使用者兴趣的符合程度。通过比较不同推荐结果的隶属度值[5],判断与使用者兴趣的匹配程度,从而确定个性化推荐的精度。本文根据赋值的大小计算个性化推荐的精度,其计算公式为:

(6)

其中,q为教育信息资源的主动推荐次数,w为教育信息资源推荐的边界范围。根据计算得出的个性化推荐精度,确定需要推荐的教育信息资源,将推荐的教育信息资源与使用者的具体需求进行适配,将适配的教育信息资源传递到知识表达框架中,使得复杂的教育信息资源进行清晰表达,从而完成对教育信息资源的个性化推荐。

2 实验测试与分析

2.1 搭建实验环境

本文设计采用TRP本体构建工具建立模拟仿真实验环境。将学习资源和使用者行为等进行数据采集,对选取的教育信息资源进行分类和编号整理。实验数据来自某教育学校平台的访问数据集,共有450个使用者行为数据、300个学习资源。本文选择通用的Scikit-learn库用于推荐算法功能实现。根据数据集的大小和推荐算法的复杂性,本文选用Windows11系统进行操作,Eclipse软件进行集成开发。为了方便分类管理资源,用标签进行标注。本文建立资源评分数据表作为一个评分矩阵,反馈使用者兴趣偏好。设置3个小组,其中运用本文方法进行实验的小组为实验组,运用相似性推荐方法和关联规则推荐方法的2个小组为对照组1、2。实验利用学习者行为数据预测综合评分,从而补全评分矩阵中的稀疏部分,通过相似度找到相似用户集合,并据此计算资源的预测评分,最终得到推荐结果。

2.2 结果与分析

为了证明本文推荐方法的有效性,本文将评分矩阵下的结果进行计算,得到稀疏度指标。根据不同的学习时间段,本文进行5次实验并取其平均值作为最终结果。3个小组的稀疏度计算结果如图1所示。

图1 稀疏度计算结果对比

由图可知,对照组的综合评分矩阵计算得到的稀疏度在90%～95%,随着稀疏度的增加,推荐准确率有所下降。这说明当集中标签分布较为稀疏时,推荐效果不能够满足具体的推荐要求。而相比于对照组,实验组计算得到的稀疏度结果为80%,比对照组的稀疏度整体下降了10%左右,达到了良好的推荐效果。这说明运用本文推荐方法一方面能够有效增强评分矩阵的可用性,通过分析使用者的行为日志,得到使用者对教学信息资源的隐式偏好,从而增加了评分数,改善了稀疏度;另一方面所提方法能够更有效地利用学习者行为数据,提高评分矩阵的完整性,从而提供更准确的推荐结果。

同时,为了验证本文推荐方法的合理性,对教育信息资源的推荐准确度进行计算。采用推荐列表中的不同数量级指标EG1—EG8进行分析与测试。以推荐结果的准确率为指标,计算3个小组的指标评价结果,所得具体的评价结果如表1所示。

表1 推荐方法的指标评价结果对比

由表中结果可知,针对同一指标,实验组、对照组1、对照组2的推荐准确率结果分别为96.3%、83.2%、56.8%。经过比较发现,实验组具有更高的准确率,获得相对较准确的教育信息资源推荐,提高了教育资源的推荐质量。这说明运用本文推荐方法能够得益于知识图谱对学科知识体系和学习者特征进行深入描述以及推荐算法的优化。所提方法能够更好地理解用户需求和兴趣,提供更加精准的推荐内容。

3 结语

在教育领域中,个性化推荐有助于提高学习者的学习效率,优化教育资源配置,提升教育质量,促进教育信息资源的合理配置,提高学习者的学习效果和满意度。本文从教育信息资源个性化推荐入手,运用知识图谱,研究了基于知识图谱的教育信息资源个性化推荐方法。基于知识图谱的推荐方法能够将学习者的个人特征与知识图谱中的知识结构进行关联,从而为其提供个性化的学习资源推荐。但该方法还存在一些不足之处,如分析数据不完善等。今后研究应更加重视计算方法,根据用户的需求和兴趣,为其提供精准、有价值的信息。