個性化E-Learning環(huán)境中的智能用戶建模技術研究.pdf

1、本文主要對智能用戶建模(UM,User Modeling)這一個性化技術中的核心問題進行研究.目的在于構建合理、有效的數(shù)學模型來刻畫E-Learning中復雜的用戶行為,對學生的學習興趣和狀態(tài)進行分析,進而向學生提供個性化的智能輔助教學工具;同時對學生間的關聯(lián)性進行分析和刻畫,在興趣或是學習程度相同的學生間建立有效的協(xié)作關系,實現(xiàn)個性化的學習內(nèi)容推薦.作者的學術貢獻及論文的創(chuàng)新性主要體現(xiàn)在以下幾個方面:1. 提出了一種基于案例(Case

2、 Based)的用戶檔案模型,以及相應的檔案描述和構建機制,并給出了符合XML標準的框架定義(Schema),為E-Learning這一特定應用提供了一個準確、有效并可重用的用戶模型,為開放式的E-Learning環(huán)境中的有效用戶檔案共享和利用提供了一種有效的方式.2. 針對E-Learning環(huán)境中用戶的分布式特性,提出了一種新穎的基于分布式哈希表(DHT, Distributed Hash Table)的分布式協(xié)同過濾算法(DCF,

3、 Distributed Collaborative Filtering),解決了分布式E-Learning環(huán)境下相似用戶的有效查找問題.同時提供了一種將原有協(xié)同過濾算法的復雜計算任務分散到各個網(wǎng)絡節(jié)點進行的有效機制,解決了E-Learning中海量用戶數(shù)據(jù)給傳統(tǒng)集中式協(xié)同過濾算法帶來的可擴展性問題.3. 提出了最多一致意見(MSO, Most Same Opinion)作為一種高效的衡量用戶興趣一致性的標準,通過簡單的計算過濾掉了噪音

4、數(shù)據(jù),并減少了分布式協(xié)同過濾算法中的網(wǎng)絡流量,提高了可擴展性.同時提出了平均打分歸一化(ARN, Average Rating Normalization)的概念,將用戶打分特性與偏好特性分開,提出了一種更加合理和有效的相似用戶查找標準,提高了算法的預測精度.4. 提出了一種擴散激活理論(Spreading Activation, SA)的協(xié)同推薦網(wǎng)絡構建機制,有效的解決了現(xiàn)有協(xié)同過濾算法中的新用戶(New User)和稀疏性問題(Sp

5、arsity).并在此基礎上對SA機制對協(xié)同推薦質(zhì)量的影響進行了進一步深入討論,提出了一種基于迭代收斂的擴散激活參數(shù)學習算法,解決了SA在密集(Density)數(shù)據(jù)集中可能出現(xiàn)的過度激活(Over Activation)現(xiàn)象,使得SA可以作為一種新的相似度衡量機制用于協(xié)同過濾.5. 基于案例的推理技術(CBR, Case Based Reasoning)并結合用戶交互機制,提出了一種新穎的交互式自動答疑引擎,為E-Learning環(huán)境下