個(gè)性化E-Learning環(huán)境中的智能用戶建模技術(shù)研究.pdf

1、本文主要對(duì)智能用戶建模(UM,User Modeling)這一個(gè)性化技術(shù)中的核心問題進(jìn)行研究.目的在于構(gòu)建合理、有效的數(shù)學(xué)模型來刻畫E-Learning中復(fù)雜的用戶行為,對(duì)學(xué)生的學(xué)習(xí)興趣和狀態(tài)進(jìn)行分析,進(jìn)而向?qū)W生提供個(gè)性化的智能輔助教學(xué)工具;同時(shí)對(duì)學(xué)生間的關(guān)聯(lián)性進(jìn)行分析和刻畫,在興趣或是學(xué)習(xí)程度相同的學(xué)生間建立有效的協(xié)作關(guān)系,實(shí)現(xiàn)個(gè)性化的學(xué)習(xí)內(nèi)容推薦.作者的學(xué)術(shù)貢獻(xiàn)及論文的創(chuàng)新性主要體現(xiàn)在以下幾個(gè)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(yīng)的檔案描述和構(gòu)建機(jī)制,并給出了符合XML標(biāo)準(zhǔn)的框架定義(Schema),為E-Learning這一特定應(yīng)用提供了一個(gè)準(zhǔn)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(duì)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(shí)提供了一種將原有協(xié)同過濾算法的復(fù)雜計(jì)算任務(wù)分散到各個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)進(jìn)行的有效機(jī)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(kuò)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(biāo)準(zhǔn),通過簡(jiǎn)單的計(jì)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(luò)流量,提高了可擴(kuò)展性.同時(shí)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(biāo)準(zhǔn),提高了算法的預(yù)測(cè)精度.4. 提出了一種擴(kuò)散激活理論(Spreading Activation, SA)的協(xié)同推薦網(wǎng)絡(luò)構(gòu)建機(jī)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(chǔ)上對(duì)SA機(jī)制對(duì)協(xié)同推薦質(zhì)量的影響進(jìn)行了進(jìn)一步深入討論,提出了一種基于迭代收斂的擴(kuò)散激活參數(shù)學(xué)習(xí)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(jī)制用于協(xié)同過濾.5. 基于案例的推理技術(shù)(CBR, Case Based Reasoning)并結(jié)合用戶交互機(jī)制,提出了一種新穎的交互式自動(dòng)答疑引擎,為E-Learning環(huán)境下