Please wait a minute...
Advanced Search
数据分析与知识发现  2020, Vol. 4 Issue (5): 105-117     https://doi.org/10.11925/infotech.2096-3467.2019.1092
  研究论文 本期目录 | 过刊浏览 | 高级检索 |
基于学习情况协同过滤算法的个性化学习推荐模型研究*
苏庆,陈思兆,吴伟民,李小妹(),黄佃宽
广东工业大学计算机学院 广州 510006
Personalized Recommendation Model Based on Collaborative Filtering Algorithm of Learning Situation
Su Qing,Chen Sizhao,Wu Weimin,Li Xiaomei(),Huang Tiankuan
School of Computers, Guangdong University of Technology, Guangzhou 510006, China
全文: PDF (1566 KB)   HTML ( 16
输出: BibTeX | EndNote (RIS)      
摘要 

【目的】 针对学习者学习过程中出现的信息过载问题,构建一个基于学习情况的个性化学习推荐模型LS-PLRM,为学习者推荐个性化学习方案。【方法】 在LS-PLRM中,提出一种应用三个学习情况因子改进相似度计算的PAD-CF协同过滤算法,结合知识地图与知识点度中心性实现知识点推荐度的计算与标注,最终生成个性化学习方案。【结果】 对于F值,LS-PLRM比Pearson-CF、Edurank、CF-SPM等学习推荐模型分别提高6.24%、2.68%和1.98%。对于得分提升率,LS-PLRM比上述模型分别提高3.85%、2.39%和1.41%。【局限】 未考虑多种复杂的学习情况影响因素,预测知识点得分的准确性有待提高。【结论】 个性化学习推荐模型LS-PLRM具有较高的实践应用意义。

服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
苏庆
陈思兆
吴伟民
李小妹
黄佃宽
关键词 学习情况相似度协同过滤个性化学习推荐模型知识地图度中心性    
Abstract

[Objective] This paper proposes a personalized model based on learning situation, which recommends schemes for learners and addresses the information overload issues.[Methods] First, we constructed a PAD-CF collaborative filtering algorithm based on three factors related to learning situation. Then, we introduced the knowledge map and degrees centrality of knowledge points to retrieve the recommended points.[Results] Compared to Pearson-CF, Edurank, and CF-SPM, the proposed model improved the F value by 6.24%, 2.68%, and 1.98%, respectively. The growth rates were 3.87%, 2.39%, and 1.43%.[Limitations] We need to add more complicated learning factors to improve the accuracy of predicted knowledge points.[Conclusions] The proposed model is highly practical for real world cases.

Key wordsLearning Situation Similarity    Collaborative Filtering    Personalized Learning    Recommendation Model    Knowledge Map    Degree Centrality
收稿日期: 2019-09-30      出版日期: 2020-06-15
ZTFLH:  TP311.1  
基金资助:*本文系国家留学基金委2018年国家—地方合作项目“高等教育教学法出国研修项目”([2018]5028);2019年广东省高等教育教学改革项目“可视化WebIDE编程实训模式研究与应用”(SJJG20191216);2020年广东工业大学本科教学工程项目“面向编程实训教学的个性化推荐学习模式研究”的研究成果之一
通讯作者: 李小妹     E-mail: lixm@gdut.edu.cn
引用本文:   
苏庆,陈思兆,吴伟民,李小妹,黄佃宽. 基于学习情况协同过滤算法的个性化学习推荐模型研究*[J]. 数据分析与知识发现, 2020, 4(5): 105-117.
Su Qing,Chen Sizhao,Wu Weimin,Li Xiaomei,Huang Tiankuan. Personalized Recommendation Model Based on Collaborative Filtering Algorithm of Learning Situation. Data Analysis and Knowledge Discovery, 2020, 4(5): 105-117.
链接本文:  
http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.2096-3467.2019.1092      或      http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/Y2020/V4/I5/105
算法模型 优势 不足
Pearson-CF[15] 是经典的协同过滤算法,结合学习者的共同知识点平均分,使得相似度的计算更具客观性。 由于忽略了体现学习者学习情况的各种因素,导致相似度计算结果准确度欠佳。
New-cosine[7] 引入权重方程,提升了学习成绩较好学习者的推荐权重,进而改进协同过滤算法。 学习者的学习情况各异,仅以成绩较好的学习者作为推荐标准,缺乏个性化,影响推荐效果。
TRCF-LS-KL[8] 结合学习者学习风格、知识水平及信任模式对协同过滤算法进行改进。 仅通过问卷调查手段确定学习风格相对片面;由学习者指定被信任人的信任模式具有较大主观性。
CF-SPM[9] 融合学习者的学习情况(学习对象得分)以及学习风格(学习某对象的时间、频率)改进协同过滤算法。 仅以学习时间和频率等个体差异较大的因素计算学习者的相似度时,存在较大偏差,客观性不足。
Edurank[10] 联合协同过滤和社会选择理论,结合学习者以及相似学习群体的学习情况和认知水平改进协同过滤算法。 缺乏对学习者自身学习情况和学习风格等方面信息的挖掘,与个性化学习情况的结合程度较低。
Table 1  经典推荐模型归纳
Fig.1  《C语言程序设计》课程知识地图
Fig.2  个性化学习方案示例
Fig.3  LS-PLRM的实施框架
Table 2  学生的题目得分矩阵
Table 3  题目-知识点关联矩阵
Fig.4  dataset_one中各知识点所关联的题目数量
Table 4  归一化后的知识点得分矩阵
Fig.5  dataset_two中各知识点所关联的题目数量
TOP-N 推荐模型 precision recall F
5 Pearson-CF 0.609 4 0.551 4 0.579 0
Edurank 0.630 6 0.578 5 0.603 4
CF-SPM 0.653 9 0.599 7 0.625 6
LS-PLRM 0.679 4 0.616 4 0.646 4
10 Pearson-CF 0.623 5 0.564 7 0.592 6
Edurank 0.657 5 0.583 5 0.618 3
CF-SPM 0.696 5 0.606 5 0.648 4
LS-PLRM 0.730 5 0.614 9 0.667 7
15 Pearson-CF 0.644 6 0.574 1 0.607 3
Edurank 0.682 1 0.593 1 0.634 5
CF-SPM 0.717 0 0.605 0 0.656 3
LS-PLRM 0.728 7 0.621 6 0.670 9
20 Pearson-CF 0.654 7 0.585 2 0.618 0
Edurank 0.716 6 0.600 8 0.653 6
CF-SPM 0.717 8 0.611 9 0.660 6
LS-PLRM 0.737 9 0.631 2 0.680 4
Table 5  应用不同推荐模型的指标值
Fig.6  各种推荐模型的MAE指标值对比
组别 人数 推荐模型
A 38 Pearson-CF
B 39 Edurank
C 38 CF-SPM
D 38 LS-PLRM
Table 6  分组信息及采用的推荐模型
Fig.7  两次测试中的平均分对比
Group N Mean Std.Deviation Std.Error.Mean
A 38 66.51 11.31 1.83
B 38 67.56 11.06 1.79
C 38 68.49 8.96 1.45
D 38 69.84 8.48 1.38
Table 7  分组样本统计
Group t sig(2-tailed)
comparison: A-D -2.59 0.014
comparison: B-D -2.39 0.022
comparison: C-D -2.14 0.039
Table 8  分组成对样本检验
[1] Tarus J K, Niu Z, Mustafa G. Knowledge-based Recommendation: A Review of Ontology-based Recommender Systems for E-learning[J]. Artificial Intelligence Review, 2018,50:21-48.
[2] Lu J . A Personalized E-Learning Material Recommender System [C]// Proceedings of the 2nd International Conference on Information Technology for Application (ICITA 2004), Sydney, Australia. 2004: 374-379.
[3] 杨晋吉, 胡波, 王欣明, 等. 一种知识图谱的排序学习个性化推荐算法[J]. 小型微型计算机系统, 2018,39(11):2419-2423.
[3] ( Yang Jinji, Hu Bo, Wang Xinming, et al. Personalized Recommendation Algorithm for Learning to Rank by Knowledge Graph[J]. Journal of Chinese Computer Systems, 2018,39(11):2419-2423.)
[4] Zhao Z D, Shang M S . User-based Collaborative-Filtering Recommendation Algorithms on Hadoop [C]// Proceedings of the 3rd International Conference on Knowledge Discovery and Data Mining, Phuket, Thailand. 2010: 478-481.
[5] 李容, 李明奇, 郭文强. 基于改进相似度的协同过滤算法研究[J]. 计算机科学, 2016,43(12):206-208, 240.
[5] ( Li Rong, Li Mingqi, Guo Wenqiang. Research on Collaborative Filtering Algorithm with Improved Similarity[J]. Computer Science, 2016,43(12):206-208, 240.)
[6] 韩建华, 姜强, 赵蔚, 等. 智能导学环境下个性化学习模型及应用效能评价[J]. 电化教育研究, 2016,37(7):66-73.
[6] ( Han Jianhua, Jiang Qiang, Zhao Wei, et al. A Model of Personalized Learning in Intelligent Tutoring Environment and Its Evaluation[J]. E-education Research, 2016,37(7):66-73.)
[7] Bobadilla J, Serradilla F, Hernando A. Collaborative Filtering Adapted to Recommender Systems of E-learning[J]. Knowledge-Based Systems, 2009,22(4):261-265.
[8] Dwivedi P, Bharadwaj K K. Effective Trust-aware E-learning Recommender System Based on Learning Styles and Knowledge Levels[J]. Journal of Educational Technology & Society, 2013,16(4):201-216.
[9] Bourkoukou O, EI Bachari E, EI Adnani M. A Recommender Model in E-learning Environment[J]. Arabian Journal for Science and Engineering, 2017,42:607-617.
[10] Segal A, Gal K, Shani G, et al. A Difficulty Ranking Approach to Personalization in E-learning[J]. International Journal of Human-Computer Studies, 2019,130:261-272.
[11] Zheng Q H, Qian Y N, Liu J . Yotta: A Knowledge Map Centric E-Learning System [C]// Proceedings of the 7th International Conference on e-Business Engineering (ICEBE), Shanghai, China. 2010: 42-49.
[12] Wang M H, Huang C F, Yang T Y. Acceptance of Knowledge Map Systems: An Empirical Examination of System Characteristics and Knowledge Map Systems Self-efficacy[J]. Asia Pacific Management Review, 2012,17(3):263-280.
[13] 李士平, 赵蔚, 刘红霞, 等. 基于知识地图的自我导向学习设计与实证研究[J]. 电化教育研究, 2016,37(5):74-81.
[13] ( Li Shiping, Zhao Wei, Liu Hongxia, et al. The Design and Empirical Research of Knowledge-Map Based Self-Directed Learning[J]. E-education Research, 2016,37(5):74-81.)
[14] 柯立秋. 基于知识地图的学习资源融合系统设计与实现[D]. 武汉: 华中师范大学, 2018.
[14] ( Ke Liqiu. Design and Implementation of Learning Resource Fusion System Based on Knowledge Map[D]. Wuhan: Central China Normal University, 2018.)
[15] 马宏伟, 张光卫, 李鹏. 协同过滤推荐算法综述[J]. 小型微型计算机系统, 2009,30(7):1282-1288.
[15] ( Ma Hongwei, Zhang Guangwei, Li Peng. Survey of Collaborative Filtering Algorithms[J]. Journal of Chinese Computer Systems, 2009,30(7):1282-1288.)
[16] Zins C. Knowledge Map of Information Science[J]. Journal of the American Society for Information Science and Technology, 2007,58(4):526-535.
[17] 叶伟巍. 知识学习与技术创新[J]. 高等工程教育研究, 2016(5):74-79.
[17] ( Ye Weiwei. Research on Knowledge Gaining and Technological Innovation[J]. Research in Higher Education of Engineering, 2016(5):74-79.)
[18] 李松林. 知识教学的突破: 从知识到知识的知识[J]. 教育科学研究, 2016(1):60-64.
[18] ( Li Songlin. The Breakthrough of Knowledge Teaching: From Knowledge to Knowledge[J]. Educational Science Research, 2016(1):60-64.)
[19] Borgatti S P, Everett M G. A Graph-theoretic Perspective on Centrality[J]. Social Networks, 2006,28(4):466-484.
[20] Dong W, Moses C, Li K . Efficient K-Nearest Neighbor Graph Construction for Generic Similarity Measures [C]// Proceedings of the 20th International Conference on World Wide Web, Hyderabad, India. 2011.
[21] Klašnja-Milićević A, Vesin B, Ivanović M, et al. E-Learning Personalization Based on Hybrid Recommendation Strategy and Learning Style Identification[J]. Computers & Education, 2011,56(3):885-899.
[22] de Winter J C F. Using the Student’s T-test with Extremely Small Sample Sizes[J]. Practical Assessment, Research, and Evaluation, 2013,18: Article No. 10.
[1] 杨恒,王思丽,祝忠明,刘巍,王楠. 基于并行协同过滤算法的领域知识推荐模型研究*[J]. 数据分析与知识发现, 2020, 4(6): 15-21.
[2] 郑淞尹,谈国新,史中超. 基于分段用户群与时间上下文的旅游景点推荐模型研究*[J]. 数据分析与知识发现, 2020, 4(5): 92-104.
[3] 焦富森,李树青. 基于物品质量和用户评分修正的协同过滤推荐算法 *[J]. 数据分析与知识发现, 2019, 3(8): 62-67.
[4] 李珊,姚叶慧,厉浩,刘洁,嘎玛白姆. 基于ISA联合聚类的组推荐算法研究 *[J]. 数据分析与知识发现, 2019, 3(8): 77-87.
[5] 李杰, 杨芳, 徐晨曦. 考虑时间动态性和序列模式的个性化推荐算法*[J]. 数据分析与知识发现, 2018, 2(7): 72-80.
[6] 王道平, 蒋中杨, 张博卿. 基于灰色关联分析和时间因素的协同过滤算法*[J]. 数据分析与知识发现, 2018, 2(6): 102-109.
[7] 王永, 王永东, 郭慧芳, 周玉敏. 一种基于离散增量的项目相似性度量方法*[J]. 数据分析与知识发现, 2018, 2(5): 70-76.
[8] 花凌锋, 杨高明, 王修君. 面向位置的多样性兴趣新闻推荐研究*[J]. 数据分析与知识发现, 2018, 2(5): 94-104.
[9] 刘萍, 李亚楠, 郁聪. 面向学术搜索的交互式知识地图建构研究*[J]. 数据分析与知识发现, 2018, 2(12): 43-51.
[10] 涂海丽, 唐晓波. 基于标签的商品推荐模型研究*[J]. 数据分析与知识发现, 2017, 1(9): 28-39.
[11] 陈晓威, 史昱天. 社会网络中关键节点的识别——基于符号网络的PageRank算法改进[J]. 数据分析与知识发现, 2017, 1(8): 68-75.
[12] 薛福亮, 刘君玲. 基于用户间信任关系改进的协同过滤推荐方法*[J]. 数据分析与知识发现, 2017, 1(7): 90-99.
[13] 覃幸新, 王荣波, 黄孝喜, 谌志群. 基于多权值的Slope One协同过滤算法*[J]. 数据分析与知识发现, 2017, 1(6): 65-71.
[14] 李道国,李连杰,申恩平. 基于用户评分时间改进的协同过滤推荐算法*[J]. 现代图书情报技术, 2016, 32(9): 65-69.
[15] 谭学清,张磊,黄翠翠,罗琳. 融合领域专家信任与相似度的协同过滤推荐算法研究*[J]. 现代图书情报技术, 2016, 32(7-8): 101-109.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
版权所有 © 2015 《数据分析与知识发现》编辑部
地址:北京市海淀区中关村北四环西路33号 邮编:100190
电话/传真:(010)82626611-6626,82624938
E-mail:jishu@mail.las.ac.cn