多興趣自織學(xué)習(xí)社區(qū)及個性化協(xié)同學(xué)習(xí)技術(shù)研究.pdf

1、隨著網(wǎng)絡(luò)教育的發(fā)展，“信息過載”、“信息迷航”、“缺乏因材施教”、“環(huán)境孤立”等問題已經(jīng)越來越突出，已經(jīng)成為影響網(wǎng)絡(luò)教育發(fā)展的關(guān)鍵問題。如何在網(wǎng)絡(luò)教育平臺上根據(jù)不同學(xué)習(xí)者的個性特征，如興趣愛好、認知水平、風(fēng)格習(xí)慣等提供不同的學(xué)習(xí)服務(wù)，滿足學(xué)習(xí)者不同的需求；同時在平臺上提供良好的互動學(xué)習(xí)空間，增加學(xué)習(xí)者之間的交互，提供學(xué)習(xí)者之間的高效交流、經(jīng)驗共享、互助、協(xié)同學(xué)習(xí)手段，最終構(gòu)造滿足個性化需求的協(xié)同學(xué)習(xí)平臺，相關(guān)技術(shù)近年已成為網(wǎng)絡(luò)教育技術(shù)領(lǐng)

2、域的研究熱點。
　　 本論文圍繞網(wǎng)絡(luò)教育環(huán)境下的個性化協(xié)同學(xué)習(xí)技術(shù)展開。通過對多興趣自組織學(xué)習(xí)社區(qū)模型、構(gòu)建和動態(tài)調(diào)整算法的研究，建立一個能反映出學(xué)習(xí)者興趣特征的個性化協(xié)同學(xué)習(xí)平臺；在此平臺上，進一步對資源推薦技術(shù)、資源快速搜索技術(shù)和答疑技術(shù)進行了研究，給出了在多興趣自組織學(xué)習(xí)社區(qū)平臺上實現(xiàn)既滿足學(xué)習(xí)者個性化特征同時又體現(xiàn)學(xué)習(xí)者之間協(xié)同學(xué)習(xí)的個性化協(xié)同推薦、搜索和答疑解決方案。在上述研究工作中，取得了以下創(chuàng)新性成果：
　　

3、 1．結(jié)合自組織社區(qū)和智能代理技術(shù)提出了一個基于三層中間代理結(jié)構(gòu)的多興趣自組織學(xué)習(xí)社區(qū)模型。在此模型下，多個具有相同或相似興趣的學(xué)習(xí)者被關(guān)聯(lián)到同一個學(xué)習(xí)社區(qū)，而同一個學(xué)習(xí)者因同時具有多個興趣而和多個社區(qū)關(guān)聯(lián)，該模型更能準確地刻畫網(wǎng)絡(luò)學(xué)習(xí)環(huán)境中學(xué)習(xí)者興趣和社區(qū)特征。
　　 2．提出了利用領(lǐng)域本體計算知識點（關(guān)鍵字表示）之間的語義距離和語義相似度的方法，打破了傳統(tǒng)關(guān)鍵字匹配算法中“不同關(guān)鍵字之間語義相互獨立”的假設(shè)。根據(jù)從日常學(xué)習(xí)

4、活動中獲得的知識點訪問頻度評價加權(quán)值，提出了基于密度的學(xué)習(xí)者興趣聚類算法，并根據(jù)獲得的學(xué)習(xí)者興趣特征模型提出了多興趣自組織學(xué)習(xí)社區(qū)的構(gòu)造算法和動態(tài)調(diào)整算法，將學(xué)習(xí)者準確而高效地組織到多興趣學(xué)習(xí)社區(qū)中。
　　 3．提出了利用非負矩陣分解(NMF)技術(shù)解決多類別標識問題，該方法有效地避開了語義相似度的計算，論文通過實驗將NMF和其他方法，如K-Center、FCM進行了性能比較，說明了NMF解決多類別標識問題上的有效性和性能上的優(yōu)越

5、性；提出了利用NMF進行社區(qū)初始構(gòu)建和建立學(xué)習(xí)者與社區(qū)之間多興趣關(guān)聯(lián)關(guān)系的算法，通過對學(xué)習(xí)者知識點頻度評價加權(quán)矩陣實施NMF獲得學(xué)習(xí)者聚類，并利用分解結(jié)果進行學(xué)習(xí)社區(qū)構(gòu)造、建立學(xué)習(xí)者和社區(qū)之間的多興趣關(guān)聯(lián)關(guān)系。該算法和2中提到的算法相比，不需要刻畫和獲取學(xué)習(xí)者興趣，方法更加直接。
　　 4．針對學(xué)習(xí)者興趣變化引發(fā)社區(qū)結(jié)構(gòu)和社區(qū)與學(xué)習(xí)者之間關(guān)聯(lián)關(guān)系發(fā)生變化的問題，提出了附加修正增量式非負矩陣分解算法（AM_INMF），分析表明AM

6、_INMF在增量式分解效果上優(yōu)于INMF、BNMF，由于該算法只針對新增數(shù)據(jù)進行附加、修正映射，避免了對全部數(shù)據(jù)重新實施分解，大大減少了時間消耗，實驗也表明AM_INMF在時間耗費上大大優(yōu)于NMF且利用該算法對社區(qū)進行動態(tài)調(diào)整可以滿足系統(tǒng)對實時性的需求。
　　 5．提出了一種基于多興趣學(xué)習(xí)社區(qū)模型的個性化協(xié)同資源推薦方法，由于僅對待推薦資源內(nèi)容感興趣的社區(qū)成員推薦，大大提高了推薦資源的接受率，同時也由于僅需要計算社區(qū)興趣和推薦內(nèi)

7、容間的相似性，避免了每次推薦計算待推薦資源內(nèi)容和各個學(xué)習(xí)者興趣相似性帶來的高時間消耗；提出了綜合基于語義相似度的資源庫資源搜索和學(xué)習(xí)者之間協(xié)同資源搜索的搜索策略，給出了一種即能利用系統(tǒng)已有資源也能從其他學(xué)習(xí)者處獲得新的資源的實用方法；提出了在資源搜索過程中利用搜索條件和用戶反饋對資源進行自動語義標注的算法，給出了一種新的資源獲得語義描述的途徑。
　　 6．針對學(xué)習(xí)過程中的答疑環(huán)節(jié)，提出了一個結(jié)合自動和互動答疑的個性化協(xié)同智能答疑

8、系統(tǒng)框架，在該框架下，學(xué)習(xí)者提出的問題將會在系統(tǒng)問題庫和其他學(xué)習(xí)者處獲得問題回答，該方案即滿足了實時答疑的需求也利用了協(xié)同學(xué)習(xí)的優(yōu)勢。在系統(tǒng)實現(xiàn)中，具體提出了基于語義詞、帶權(quán)關(guān)鍵字的問題描述模型和語義詞、關(guān)鍵詞反向抽取策略，避開了復(fù)雜且準確率不高的分詞環(huán)節(jié)；提出了結(jié)合關(guān)鍵詞、關(guān)鍵詞權(quán)重以及問題訪問頻度的問題匹配算法，提高了問題答案的滿意度；提出了結(jié)合社區(qū)結(jié)構(gòu)、問題時限、學(xué)習(xí)者登錄頻度和用戶負載的個性化問題分發(fā)策略，減少了在協(xié)同答疑過程中