论文部分内容阅读
摘 要：随着通信技术和智能移动终端的发展，移动学习成为了一种新兴学习方式。同众多互联网信息服务一样，移动学习资源存在“信息过载”的问题，并且由于移动学习终端处理、界面显示、输入输出等能力有限，问题显得尤为严重。本文在当前个性化推荐算法的研究基础之上进一步提出了一种融入学习者移动情景上下文信息的推荐策略，该模型能够较好地适应移动学习的资源推荐场景，使移动学习真正发生。
关键词：移动学习；个性化推荐；协同过滤；移动情景
一、问题的提出
随着移动互联网的发展，学习者可以通过智能移动终端，不受时间和地点的约束，享受无缝的学习体验。然而，随着移动学习服务的发展，移动学习资源显露出“信息过载”的问题，由于移动学习情景的特殊性，问题显得更加严重。个性化推荐技术的应用成为缓解这一问题的关键。不同于在电子商务、网络社交等领域的推荐策略，碎片化的移动学习情景更注重资源推荐的及时性和适应性，这就要求改进传统的推荐模型，使得推荐结果有较强的情景适应能力。
目前，移动学习资源个性化推荐研究大部分基于协同过滤技术，构建了学习者——资源二维推荐模型，其学习者评分模型是情景无关的。但是，在移动环境下，学习者的兴趣和需求随着与时间和空间等情境的改变而有所不同，而目前的研究并未充分考虑移动情境因素对学习者偏好的影响。因此，如何结合移动学习者学习情境，更准确地预测学习者的偏好信息已经成为移动学习资源个性化推荐亟待解决的问题。
本文将从移动情景入手，对移动学习者、资源、情景三者的相互关系展开研究，挖掘移动学习者情景特征，试图构建一种面向移动学习情景的推荐模型，以期为个性化移动学习服务提供更好的用户偏好建模思路的具体算法。
二、推荐策略中的关键因素
移动学习资源推荐系统涉及到三个实体对象：学习资源，学习者，移动情景。要建立一个准确的推荐系统，首要问题理清这三者的特征关联。其次，基于协同过滤的推荐算法具有数据稀疏、冷启动（新用户）、扩展能力差的缺陷[1]，影响推荐结果的准确性，如何有效利用情景信息缓解缓解该问题也需要进一步研究。此外，移动学习资源推荐和其他资源推荐具有很大的不同，要想让移动学习真正发生，推荐模型需要解决更加深入的问题，这就要求对当前移动学习的理论研究具有一定认识，优化推荐算法的准确度。目前，耦合情景信息的推荐技术主要包括三种情况[2]：第一，情景预过滤推荐模型：该模型将与用户情景无关的偏好数据进行预过滤处理，在此基础上采用协同过滤算法实现推荐。第二，情景后过滤推荐模型：该模型先采用协同过滤算法产生初始推荐列表，再过滤掉与用户情景无关的推荐。第三，耦合多维情景信息的推荐：该策略是在协同过滤算法中整合情景信息，实现U（用户）×I（资源）×C（情景上下文）三维问题向二维问题的转化，最终采用协同过滤算法产生情景化的推荐结果。其中，第三种推荐策略适应性更好，也是本文所采用的推荐策略。
三、移动学习情境下的偏好建模
根据教学模式的特点，国内学者余胜泉教授将移动学习划分为知识传递、认知建构、情景认知三代[3]，显示出情景在未来移动学习过程中的重要性；根据学习过程中交流的程度和个体化学习、社会性学习的程度，国外学者Park将移动学习划分为高交流的社会性学习、高交流的个体化学习、低交流的社会性学习和低交流的个体化学习四种类型[4]。这些研究表明，移动学习要想真正发挥作用，需要多方面的努力，一方面要求能够很好地传承传统教学模式中的学习特点，特别是关注认知建构和学习协作，另一方面要求学习具有很强的情景适应性和社交性成分的参与。
根据布鲁姆认知理论[5]，从学习者认知能力角度来看知认知构建大致分为识记、领会、应用、分析（包括分析、综合和评价）四个层次，那么相应的资源推荐模型可以从资源的难易程度不同来实现差异推荐，学习资源难度系数分为初始资源、介绍资源、拓展資源和专业资源[6]。
从协作的角度来看，Chen 认为“类似用户具有类似的偏好这种说法仍不完整”，同时也要考虑“类似情景下的其他用户在与活动用户当前情景条件下对项目的偏爱程度”[7]。也就是说对用户偏好建模应该考虑用户的情景因素，比如一条资源用户是在什么设备或者什么网络状况下给出的评分。根据一般常识，移动学习设备网络状况较差时，加载速度快的文字类学习资源学习体验更好，网络状况较好时一些富媒体资源由于交互性更强，学习效果更好。这种对照关系是普遍存在的，又如学习者在白天因为学习时间不够连续更喜欢难度低的介绍性学习，在夜晚则因为时间充裕更喜欢难度高的学习资料进行深入学习；在室外喜欢文字类型的资源，室内喜欢视频类型的资源等等。根据数据统计和分析方法还可以找到资源特征和学习者动态情景更多的对应关系，挖掘这些对应关系并在推荐算法中加以融入能够使推荐结果更具情景化，推荐质量更高。
概括来说，移动学习者情景包含两部分：静态情景和动态情景，前者反映了学习者对学习资源内容的偏好，后者则影响了移动学习者可接受的移动学习过程和学习资源形式。这种对应关系可用表1来描述。
通过上述分析，能够较好的完成个性化移动学习资源推荐系统中的用户建模和资源建模，并实现了U（学习者）×I（学习资源）×C（移动情景上下文）三维模型向二维模型的转化，从而形成基于协同过滤算法的移动学习者偏好模型，该模型有较好的情景适应性。
协同过滤算法的核心是用户评分矩阵的建立，基于上述模型的评分矩阵可由下表2所示。
该评分矩阵既包括移动学习者的显示评分项目，也考虑了移动情景信息提供的隐式评分项目，基于该评分矩阵的所求得的最近邻用户能够满足这一有效推测：如果具有相似的资源评分历史的前提下，还拥有相似的网络状况和相似的认知能力，那么这些学习者应该具有相似的偏好。需要注意的一点是学习者特征属性取值在区间[0，1]连续，所以在求解前要对数据进行标准化处理。 采用协同过滤算法能够得到初始推荐列表，在该结果中进一步计算学习者认知能力和资源难度系数以及学习者网络情景和资源类型的匹配度，通过赋予轻重不同的权值，可以实现推荐结果的重排和过滤，从何使得推荐结果能够适应学习者情景，满足实时而准确的移动学习需求。
四、研究总结
移动学习资源推荐涉及到U（用户）×I（资源）×C（上下文）三维推荐模型，要利用协同过滤算法，首先需要进行降维运算，本章采取的降维策略，一方面提出直接将移动情景看作学习者特征，完成移动学习者特征建模，另一方面认为学习者移动情景特征和资源某些特征能够建立一种联系。所以，本文选取了移动学习者具有代表性的认知能力特征和网络情景特征作为评分扩展，提出的推荐策略具有协作化特征的同时，又有很好的情景适应性。
（作者单位：云南师范大学信息学院）
参考文献：
[1] Sarwar B，Karypis G，Konstan J.Item-based collaborative filtering recommendation algorithms[C].Proceedings of the 10th International WWW Conference. New York：ACM Press，2001：285-295.
[2] Umberto PanniellooMichele Gorgoglione.Incorporating context into recommender systems：An empirical comparison of context-based approaches[J].ElectronCommerRes，2012，（12）：1-30.
[3] 余胜泉. 从知识传递到认知建构、再到情境认知——三代移动学习的发展与展望[J]. 中国电化教育，2007，（6）：7-18.
[4] Park，Y.（2011）. A Pedagogical Framework for Mobile Learning：Categorizing Educational Applications of Mobile Technologies into Four Types[J]. International Review of Research in Open and Distance Learning， （12）：78-102.
[5] 布盧姆. 教育目标分类学：第一分册（认知领域）[M]. 上海：华东师范大学出版社，1986.
[6] Yang Y J，Wu Chuni.An attribute-based ant colony system for adaptive learning object recommendation[J].Expe～Systems with Applications，2009，36（2）：3034—3047.
[7] Chen A.Context-Aware collaborative filtering system：Predicting the user’s preferences in ubiquitous computing environment[C].In：Proc.of the LoCA2005.LNCS3479，Berlin：Springer-Verlag，2005.244-253.
关键词：移动学习；个性化推荐；协同过滤；移动情景
一、问题的提出
随着移动互联网的发展，学习者可以通过智能移动终端，不受时间和地点的约束，享受无缝的学习体验。然而，随着移动学习服务的发展，移动学习资源显露出“信息过载”的问题，由于移动学习情景的特殊性，问题显得更加严重。个性化推荐技术的应用成为缓解这一问题的关键。不同于在电子商务、网络社交等领域的推荐策略，碎片化的移动学习情景更注重资源推荐的及时性和适应性，这就要求改进传统的推荐模型，使得推荐结果有较强的情景适应能力。
目前，移动学习资源个性化推荐研究大部分基于协同过滤技术，构建了学习者——资源二维推荐模型，其学习者评分模型是情景无关的。但是，在移动环境下，学习者的兴趣和需求随着与时间和空间等情境的改变而有所不同，而目前的研究并未充分考虑移动情境因素对学习者偏好的影响。因此，如何结合移动学习者学习情境，更准确地预测学习者的偏好信息已经成为移动学习资源个性化推荐亟待解决的问题。
本文将从移动情景入手，对移动学习者、资源、情景三者的相互关系展开研究，挖掘移动学习者情景特征，试图构建一种面向移动学习情景的推荐模型，以期为个性化移动学习服务提供更好的用户偏好建模思路的具体算法。
二、推荐策略中的关键因素
移动学习资源推荐系统涉及到三个实体对象：学习资源，学习者，移动情景。要建立一个准确的推荐系统，首要问题理清这三者的特征关联。其次，基于协同过滤的推荐算法具有数据稀疏、冷启动（新用户）、扩展能力差的缺陷[1]，影响推荐结果的准确性，如何有效利用情景信息缓解缓解该问题也需要进一步研究。此外，移动学习资源推荐和其他资源推荐具有很大的不同，要想让移动学习真正发生，推荐模型需要解决更加深入的问题，这就要求对当前移动学习的理论研究具有一定认识，优化推荐算法的准确度。目前，耦合情景信息的推荐技术主要包括三种情况[2]：第一，情景预过滤推荐模型：该模型将与用户情景无关的偏好数据进行预过滤处理，在此基础上采用协同过滤算法实现推荐。第二，情景后过滤推荐模型：该模型先采用协同过滤算法产生初始推荐列表，再过滤掉与用户情景无关的推荐。第三，耦合多维情景信息的推荐：该策略是在协同过滤算法中整合情景信息，实现U（用户）×I（资源）×C（情景上下文）三维问题向二维问题的转化，最终采用协同过滤算法产生情景化的推荐结果。其中，第三种推荐策略适应性更好，也是本文所采用的推荐策略。
三、移动学习情境下的偏好建模
根据教学模式的特点，国内学者余胜泉教授将移动学习划分为知识传递、认知建构、情景认知三代[3]，显示出情景在未来移动学习过程中的重要性；根据学习过程中交流的程度和个体化学习、社会性学习的程度，国外学者Park将移动学习划分为高交流的社会性学习、高交流的个体化学习、低交流的社会性学习和低交流的个体化学习四种类型[4]。这些研究表明，移动学习要想真正发挥作用，需要多方面的努力，一方面要求能够很好地传承传统教学模式中的学习特点，特别是关注认知建构和学习协作，另一方面要求学习具有很强的情景适应性和社交性成分的参与。
根据布鲁姆认知理论[5]，从学习者认知能力角度来看知认知构建大致分为识记、领会、应用、分析（包括分析、综合和评价）四个层次，那么相应的资源推荐模型可以从资源的难易程度不同来实现差异推荐，学习资源难度系数分为初始资源、介绍资源、拓展資源和专业资源[6]。
从协作的角度来看，Chen 认为“类似用户具有类似的偏好这种说法仍不完整”，同时也要考虑“类似情景下的其他用户在与活动用户当前情景条件下对项目的偏爱程度”[7]。也就是说对用户偏好建模应该考虑用户的情景因素，比如一条资源用户是在什么设备或者什么网络状况下给出的评分。根据一般常识，移动学习设备网络状况较差时，加载速度快的文字类学习资源学习体验更好，网络状况较好时一些富媒体资源由于交互性更强，学习效果更好。这种对照关系是普遍存在的，又如学习者在白天因为学习时间不够连续更喜欢难度低的介绍性学习，在夜晚则因为时间充裕更喜欢难度高的学习资料进行深入学习；在室外喜欢文字类型的资源，室内喜欢视频类型的资源等等。根据数据统计和分析方法还可以找到资源特征和学习者动态情景更多的对应关系，挖掘这些对应关系并在推荐算法中加以融入能够使推荐结果更具情景化，推荐质量更高。
概括来说，移动学习者情景包含两部分：静态情景和动态情景，前者反映了学习者对学习资源内容的偏好，后者则影响了移动学习者可接受的移动学习过程和学习资源形式。这种对应关系可用表1来描述。
通过上述分析，能够较好的完成个性化移动学习资源推荐系统中的用户建模和资源建模，并实现了U（学习者）×I（学习资源）×C（移动情景上下文）三维模型向二维模型的转化，从而形成基于协同过滤算法的移动学习者偏好模型，该模型有较好的情景适应性。
协同过滤算法的核心是用户评分矩阵的建立，基于上述模型的评分矩阵可由下表2所示。
该评分矩阵既包括移动学习者的显示评分项目，也考虑了移动情景信息提供的隐式评分项目，基于该评分矩阵的所求得的最近邻用户能够满足这一有效推测：如果具有相似的资源评分历史的前提下，还拥有相似的网络状况和相似的认知能力，那么这些学习者应该具有相似的偏好。需要注意的一点是学习者特征属性取值在区间[0，1]连续，所以在求解前要对数据进行标准化处理。 采用协同过滤算法能够得到初始推荐列表，在该结果中进一步计算学习者认知能力和资源难度系数以及学习者网络情景和资源类型的匹配度，通过赋予轻重不同的权值，可以实现推荐结果的重排和过滤，从何使得推荐结果能够适应学习者情景，满足实时而准确的移动学习需求。
四、研究总结
移动学习资源推荐涉及到U（用户）×I（资源）×C（上下文）三维推荐模型，要利用协同过滤算法，首先需要进行降维运算，本章采取的降维策略，一方面提出直接将移动情景看作学习者特征，完成移动学习者特征建模，另一方面认为学习者移动情景特征和资源某些特征能够建立一种联系。所以，本文选取了移动学习者具有代表性的认知能力特征和网络情景特征作为评分扩展，提出的推荐策略具有协作化特征的同时，又有很好的情景适应性。
（作者单位：云南师范大学信息学院）
参考文献：
[1] Sarwar B，Karypis G，Konstan J.Item-based collaborative filtering recommendation algorithms[C].Proceedings of the 10th International WWW Conference. New York：ACM Press，2001：285-295.
[2] Umberto PanniellooMichele Gorgoglione.Incorporating context into recommender systems：An empirical comparison of context-based approaches[J].ElectronCommerRes，2012，（12）：1-30.
[3] 余胜泉. 从知识传递到认知建构、再到情境认知——三代移动学习的发展与展望[J]. 中国电化教育，2007，（6）：7-18.
[4] Park，Y.（2011）. A Pedagogical Framework for Mobile Learning：Categorizing Educational Applications of Mobile Technologies into Four Types[J]. International Review of Research in Open and Distance Learning， （12）：78-102.
[5] 布盧姆. 教育目标分类学：第一分册（认知领域）[M]. 上海：华东师范大学出版社，1986.
[6] Yang Y J，Wu Chuni.An attribute-based ant colony system for adaptive learning object recommendation[J].Expe～Systems with Applications，2009，36（2）：3034—3047.
[7] Chen A.Context-Aware collaborative filtering system：Predicting the user’s preferences in ubiquitous computing environment[C].In：Proc.of the LoCA2005.LNCS3479，Berlin：Springer-Verlag，2005.244-253.