专利名称：一种个性化网络学习资源推荐方法
技术领域：
本发明属于计算机设计与应用技术领域，涉及一种个性化网络学习资源推荐方法。
背景技术：
随着个性化服务技术的发展，互联网上的个性化服务呈雨后春笋般出现在人们的眼前，在这方面的研究也取得了显著的成就。申请人经过在国家知识产权局查新，检索到一篇与本发明相关的属于兴趣感知领域的专利，它是一种用户兴趣偏好向量生成系统和方法(申请号200610061206. O)。该专利公开了一种用户兴趣偏好向量生成系统，包括用户登记信息存储中心、点击交互日志存储中心、以及用于对点击交互日志存储中心中存储的一 段时间内的用户点击交互日志进行分析，得到一个按语义强度排序的主题分类标识向量的主题语义提取模块；用于从用户登记信息存储中心获取用户静态登记信息、从主题语义提取模块获取所述主题分类标识向量，并对上述信息进行分析，得到相关用户的兴趣偏好向量的兴趣偏好计算模块。该发明还提供了一种用户兴趣偏好向量生成方法；通过该发明可得到用户的兴趣偏好向量；服务平台可以根据用户的兴趣偏好向量有针对、有选择地推送信息或者提供服务，突出用户感兴趣的信息和服务。其具有如下特点I、学习者登记信息存储中心，用于存储学习者的静态属性；2、交互日志存储中心，用于记录学习者一段时间内的点击交互日志；3、主题语义提取模块，用于对所述点击交互日志存储中心中存储的一段时间内的学习者点击交互日志进行分析，得到一个按语义强度排序的主题分类标识向量；4、兴趣偏好计算模块，用于从所述学习者登记信息存储中心获取学习者静态登记信息、从所述主题语义提取模块获取所述主题分类标识向量，并对上述信息进行分析，得到相关学习者的兴趣偏好向量。根据上述查新发现，现有兴趣感知方法存在如下四方面问题1、缺乏网络学习者学习兴趣的识别方法。2、缺乏从学习者学习的内容中提取兴趣的方法。3、缺乏兴趣删减的方法。4、缺乏兴趣预测的方法。
发明内容
本发明的目的在于提供一种个性化网络学习资源推荐方法，以解决上述技术问题。为了实现上述目的，本发明采用如下技术方案一种个性化网络学习资源推荐方法，包括以下步骤I)对个体学习者在网络学习系统上的行为日志进行预处理，获得有效日志集，所述有效日志集包括如下信息学习者标识、课程标识、学习者在网络学习系统中点击有效学习对象及时间；所述有效学习对象为概念、知识元或资源；所述网络学习系统中的学习内容为以扩展主题图的形式进行组织；
2)根据预处理后的有效日志集，计算学习者学习有效学习对象的持续时间，形成待分析信息集；3)根据步骤2)预处理后的待分析信息集，分析学习者的学习兴趣变迁模式，具体如下3. I):分析学习者在一段时间段内的待分析信息集，识别其在该时间段内的学习兴趣变迁模式及相 应的兴趣度；3. 2):将学习者的历史兴趣模式乘以比例因子入进行衰减，然后与第3. I)步中识别出来的学习兴趣变迁模式相加并剔除兴趣度低于特定阈值U的兴趣点，得出学习者在该时间段后的新的学习者个体学习兴趣模型；4)根据群组内多个学习者的学习者个体学习兴趣模型，分析群组的学习兴趣变迁模式及及相应的兴趣度，形成群组学习兴趣模型，具体包括以下步骤4. I):对学习者进行群组划分，将学习过所分析课程的学习者划分到同一群组；4. 2):根据群组内的所有学习者的个体学习兴趣模型识别群组学习兴趣变迁模式及相应的兴趣度；4. 3):对群组学习兴趣变迁模式进行筛选融合，并更新群组的当前学习兴趣变迁模式；5)根据学习者的当前个体学习兴趣模型、群组当前学习兴趣变迁模式及扩展主题图上学习对象之间的链接关系，分析该学习者的学习兴趣预测集及预测集中各个对象的相应权重，并对该学习者进行个性化网络学习资源推荐。优选的，扩展主题图将学习对象按照不同粒度分为概念和知识元；扩展主题图中还包括概念与概念、知识元与知识元、概念与知识元之间的关系；扩展主题图可以表示为(T, K，Rt, Rk, Rtk)，其中T表示概念集合，K表示知识元集合，尽erxr表示概念与概念之间的关系集合，4 dxf表示知识元与知识元之间的关系集合，表示概念与知识元之间的关系集合。学习者在网络学习系统上的原始行为日志进行预处理后的日志信息可以表示为{Inf J ;其中 Infi=<userld, courseld, startTime, endTime, datald, dataType>, userid 表示学习者的Id, courseld表示此条日志所对应的学习课程Id, startTime表示此条日志所对应的学习过程的开始时间，endTime表示此条日志所对应的学习过程的结束时间，datald表示此条日志所对应学习过程所对应的学习对象的Id，dataType表示此条日志所对应学习过程的学习对象的类型，所述类型为概念、知识元或资源，其中资源表示对某一个知识元进行学习的具体学习内容；步骤2)中将从日志预处理后获得的有效日志集中得到的某个学习者的学习对象按学习开始时间进行排序，并通过将该学习者的学习结束时间和学习开始时间进行相减形成相应的学习持续时间序列。步骤3)中以扩展主题图中的概念作为状态量，以扩展主题图中的知识元作为观测量，构建隐式马尔科夫模型，并根据隐式马尔科夫模型的参数以及观察值序列来计算概率最大的状态序列；具体如下第一步将隐式马尔科夫模型形式化的描述为以下五元组入=(N，M,JI , A, B)其中，
N为状态数目；M为每个状态的不同观测值的数目；Ji为初始状态空间的概率矩阵；A为与时间无关的状态转移概率矩阵；B为给定状态下，观察值概率矩阵；第二步构建初始状态空间的概率矩阵；在初始时，学习者对于知识点的访问应当符合均匀分布，则初始状态空间的概率计算公式为Pinit (NstaJ =1/Nums ;其中Nums为状态量总数；
第三步构建观察值概率矩阵B ；在对初始状态空间的概率进行计算后，利用观察量与状态量之间的关系，构建观察值概率矩阵，其概率计算公式如下
. -，(^Nobs belong to Nstate^P(Nobs I Nstate) = S Nuifl卜
0, i^Nobs not belong to NstateJ其中P (Nobs I Nstate)表示在给定状态值Nstate的条件下，观察量Ntjbs出现的概率；Num表示与给定状态值Nstate有关系的观察量总数；第四步构建状态转移概率矩阵A ；在扩展主题图中，若一个知识点周围与其直接相连的知识点较多，学习者在学习完该知识元后有较大概率访问学习与其直接相连的下一个知识点；因此，本方法根据知识点之间的固有关系来估算初始状态转移的概率；其转移概率计算公式如下
p (Sr Tyr\ .人ZV./)
PtramiJSi' JSj)=-
_1]Y U.)( N, Ni)
j=\其中，Ptrans(Nij Nj)表示隐含状态点Ni和Nj之间的转移概率，LD(Nij Nj)表示结点
n
Ni, Nj之间的连接度，;Z表示节点Ni与其他所有％结点的连接度之和；
/=1第五步利用直接访问的状态序列来动态调整状态之间的转移概率；第六步根据上述各个参数，采用viterbi算法计算出概率最大的状态序列作为学习者学习兴趣变迁模式。按照以下方法计算学习兴趣变迁模式中各个知识点的兴趣度
/ 7>若访问对象Oi为资源，则Oi的兴趣度f；(0i)计算公式为/仅)=
Ij I r若访问对象Oi为知识元，则Oi的兴趣度fk(0i)计算公式为
I /; Mki) -Wl X Pk(ki) + W2X-；
1LTk若访问对象Oi为概念，则Oi的兴趣度ft(0i)计算公式为
IJu
ft {tt) = WlX Pt(Ji) + W2 X-
LTt
其中LI；，LTk，LTt分别表示在学习兴趣变迁模式分析时段内学习者对某一资源，知识元和概念的最长学习持续时间；LI；，LTk, LTt计算公式如下
[0051权利要求
1.一种个性化网络学习资源推荐方法，其特征在于，包括以下步骤 1)对个体学习者在网络学习系统上的行为日志进行预处理，获得有效日志集，所述有效日志集包括如下信息学习者标识、课程标识、学习者在网络学习系统中点击有效学习对象及时间；所述有效学习对象为概念、知识元或资源；所述网络学习系统中的学习内容为以扩展主题图的形式进行组织； 2)根据预处理后的有效日志集，计算学习者学习有效学习对象的持续时间，形成待分析信息集； 3)根据步骤2)预处理后的待分析信息集，分析学习者的学习兴趣变迁模式，具体如下 3.I):分析学习者在一段时间段内的待分析信息集，识别其在该时间段内的学习兴趣变迁模式及相应的兴趣度； 3.2):将学习者的历史学习兴趣变迁模式中各个兴趣点的兴趣度乘以衰减因子\进行裳减，然后与弟3. I)步中识别出来的学习兴趣变迁ネ旲式中各个兴趣点的兴趣度相加并副除兴趣度低于特定阈值U的兴趣点，得出学习者在该时间段后的新的学习者个体学习兴趣模型； 4)根据群组内多个学习者的个体学习兴趣模型，分析群组的学习兴趣变迁模式及及相应的兴趣度，形成群组学习兴趣模型，具体包括以下步骤 4.I):对学习者进行群组划分，将学习过所分析课程的学习者划分到同一群组； 4.2):根据群组内的所有学习者的个体学习兴趣模型识别群组学习兴趣变迁模式及相应的兴趣度； 4.3):对群组学习兴趣变迁模式进行筛选融合，并更新群组的当前学习兴趣变迁模式； 5)根据学习者的当前个体学习兴趣模型、群组的当前学习兴趣变迁模型及扩展主题图上学习对象之间的链接关系，分析该学习者的学习兴趣预测集及预测集中各个对象的相应权重，并对该学习者进行个性化网络学习资源推荐。
2.根据权利要求I所述的ー种个性化网络学习资源推荐方法，其特征在于扩展主题图将学习对象按照不同粒度分为概念和知识元；扩展主题图中还包括概念与概念、知识元与知识元、概念与知识元之间的关系；扩展主题图可以表示为(T，K，Rt, Rk, Rtk)，其中T表示概念集合，K表示知识元集合R ￡ Txr表示概念与概念之间的关系集合，ル表示知识元与知识元之间的关系集合,Alt G FxI表示概念与知识元之间的关系集合。
3.根据权利要求I所述的ー种个性化网络学习资源推荐方法，其特征在于对学习者在网络学习系统上的原始行为日志进行预处理后的日志信息可以表示为UnfJ ;其中Infi=<userld, courseld, startTime, endTime, aatald, dataType夕，userid 表不学>J者的 Id,courseld表示此条日志所对应的学习课程Id, startTime表示此条日志所对应的学习过程的开始时间，endTime表示此条日志所对应的学习过程的结束时间，datald表示此条日志所对应学习过程所对应的学习对象的Id，dataType表示此条日志所对应学习过程的学习对象的类型，所述类型为概念、知识元或资源，其中资源表示对某ー个知识元进行学习的具体学习内容；步骤2)中将从日志预处理后获得的有效日志集中得到的某个学习者的学习对象按学习开始时间进行排序，并通过将该学习者的学习结束时间和学习开始时间进行相减形成相应的学习持续时间序列。
4.根据权利要求I所述的ー种个性化网络学习资源推荐方法，其特征在于步骤3)中以扩展主题图中的概念作为状态量，以扩展主题图中的知识元作为观测量，构建隐式马尔科夫模型，井根据隐式马尔科夫模型的參数以及观察值序列来计算概率最大的状态序列；具体如下 第一歩将隐式马尔科夫模型形式化的描述为以下五元组 入=(N，M, JI, A, B) 其中， N为状态数目； M为每个状态的不同观测值的数目； ^为初始状态空间的概率矩阵；· A为与时间无关的状态转移概率矩阵； B为给定状态下，观察值概率矩阵； 第二歩构建初始状态空间的概率矩阵n ; 在初始时，学习者对于知识点的访问应当符合均匀分布，则初始状态空间的概率计算公式为Pinit (Nstate) =1/Nums ;其中Nums为状态量总数； 第三步构建观察值概率矩阵B ； 在对初始状态空间的概率进行计算后，利用观察量与状态量之间的关系，构建观察值概率矩阵，其概率计算公式如下P(Nobs I Nstate) = < l^ANobs —'°NsMe) >Q人Nobs not belong to Nstate) 其中P (Nobs I Nstate)表示在给定状态值Nstate的条件下，观察量Ntjbs出现的概率；Num表示与给定状态值Nstate有关系的观察量总数； 第四步构建状态转移概率矩阵A ; 在扩展主题图中，若一个知识点周围与其直接相连的知识点较多，学习者在学习完该知识元后有较大概率访问学习与其直接相连的下一个知识点；因此，本方法根据知识点之间的固有关系来估算初始状态转移的概率； 其转移概率计算公式如下 P,ra s{N,,Nj)=严嚴况) Yj耶ゆ J=i 其中，Ptans(Ni, Nj)表示隐含状态点Ni和Nj之间的转移概率，LD(Ni, Nj)表示结点Ni, Nj Yl之间的连接度，表示节点Ni与其他所有％结点的连接度之和； 第五步利用直接访问的状态序列来动态调整状态之间的转移概率； 第六步根据上述各个參数，采用Viterbi算法计算出概率最大的状态序列作为学习者学习兴趣变迁模式。
5.根据权利要求4所述的ー种个性化网络学习资源推荐方法，其特征在于按照以下方法计算学习兴趣变迁模式中各个知识点的兴趣度若访问对象Oi为资源，则Oi的兴趣度f； (Oi)计算公式为び_(/;.) = ；J_j I I ' 若访问对象Oi为知识元，则Oi的兴趣度fk(0i)计算公式为Mki) = VVl X ハ,(Zv7) + W X 若访问对象Oi为概念,则Oi的兴趣度^(Oi)计算公式为 :ft(り)=WlX+ W2XIv I I 其中LI；，LTk，LTt分别表示在学习兴趣变迁模式分析时段内学习者对某ー资源，知识元和概念的最长学习持续时间山しLTk, LTt计算公式如下LTr = MAX(ATr:) ,LTi； = MAX(/.7V)，LT, = MAX(/./；,) i i i Pk CO，Pt (tj分别表示知识元和概念的出现概率比重，其计算公式如下Prohs , .. ,、 Prohs Pk(Ki) =-' 3ki G O，PAti) =-G SProbtotaiProbtotai W1和W2为衡量兴趣序列出现概率比重和学习持续时间对兴趣度影响程度的权值，且Wl+W2=l ； 最后，学习者的兴趣点形式化表示为〈S，V〉，其中S为学习者兴趣点序列，V为相应的兴趣度的序列。
6.根据权利要求5所述的ー种个性化网络学习资源推荐方法，其特征在于由于扩展主题图的特性使得学习者可以直接访问学习概念层的知识点，因此存在ー种特殊情况是学习者在访问若干知识元之外，又直接访问学习了若干个概念，并且这些概念与知识元之间没有关联关系，这时需要针对这种情况进行学习兴趣变迁模式的调整；调整策略包括以下步骤 si):令学习者访问学习的这些单独概念组成序列S’，根据学习者对于这些单独概念的访问学习时间进行兴趣度的计算，这时兴趣度计算公式的权值为W1=O. 0, W2=L 0 ； S2):将该序列S’和步骤3)计算得到的学习者兴趣点序列S按学习开始时间进行重排序，形成最終的学习兴趣变迁模式。
7.根据权利要求I所述的ー种个性化网络学习资源推荐方法，其特征在于步骤3.2)中，对于具有连续访问学习时间，及连续1-3天访问学习的学习者，比例因子\为艾宾浩斯遗忘规律中的衰减因子；对于3天以上未连续访问学习的学习者，比例因子X=O. 6 ;特定阈值 U=O. 3。
8.根据权利要求I所述的ー种个性化网络学习资源推荐方法，其特征在于经过步骤3.I)得到了学习者在分析时段内的学习兴趣变迁模式，但由于学习兴趣是ー个渐进变化发展的过程，仅有分析时段内的学习兴趣变迁模式不能完整的体现学习者的学习兴趣变化过程，历史学习兴趣对当前学习兴趣也具有一定的影响，因此需要先将个体历史学习兴趣变迁模式进行衰減，然后将当前分析时段内的学习兴趣变迁模式和衰减后的历史兴趣变迁模式进行融合，形成当前学习者个体学习兴趣变迁模型，从而完整的反映出个体学习者学习兴趣的变化过程。
9.根据权利要求I所述的ー种个性化网络学习资源推荐方法，其特征在于步骤4)中在对群组内个体学习者个体学习兴趣模型进行识别后，得到该群组内众多学习者的个体学习兴趣模型集合；然后采用GSP算法从众多学习者的个体学习兴趣序列模式中挖掘出群组学习兴趣序列模式，GSP算法的支持度阈值为2 ;然后对群组学习兴趣序列中的每ー个对象按照如下方式计算其兴趣度
10.根据权利要求I所述的ー种个性化网络学习资源推荐方法，其特征在于采用如下方式对个体学习者进行个性化的网络学习资源推荐 首先根据个体学习者的当前学习者个体学习兴趣模型中的兴趣点，利用扩展主题图中的知识关系，查找和这些兴趣点有知识关联关系的知识点，形成第I兴趣预测集，然后利用该学习者所在群组的群组学习兴趣集和个体学习兴趣集进行差集运算，形成第2兴趣预测集，最后将第I和第2兴趣预测集进行并集运算，得到最終的兴趣预测集；然后根据最终预测集中每个知识点在扩展主题图中的知识重要程度，计算其知识权重，并依据知识权重进行排序，最后按大小顺序推荐给学习者。
全文摘要
本发明公开了一种个性化网络学习资源推荐方法，包括以下步骤分析学习者访问基于扩展主题图的网络学习系统的行为数据，获得学习者及其群组对学习内容相关的概念和知识元的学习兴趣路径变化模式，然后根据学习者个体及其所在群组的学习兴趣路径变化模式以及扩展主题图的学习对象之间的前后序等关系，实现给学习者主动推荐合适的学习资源的个性化推荐。本发明可以为网络学习者提供个性化的学习服务，提高其学习效率。
文档编号G06F17/30GK102737120SQ20121017880
公开日2012年10月17日 申请日期2012年6月1日 优先权日2012年6月1日
发明者付雁, 吴茜媛, 张云强, 王昊, 郑庆华 申请人:西安交通大学