东 苗

(上海行健职业学院 信息技术与机电工程系,上海 200072)

随着“互联网+”的发展,各种E-learning在线学习系统在教育领域中普遍应用,海量的网络教学资源在为用户提供了便利的同时,也出现了“认知过载”和“学习迷航”等问题.为解决这些问题,个性化推荐系统应运而生,根据用户的信息需求、兴趣偏好等,将匹配度高的资源推荐给用户.推荐策略主要包括:基于内容的推荐、协同过滤推荐、混合推荐、基于网络结构的推荐、基于关联规则的推荐、基于知识的推荐等[1–6].学习资源的推荐与电影、音乐、旅游等商品推荐的不同之处在于:除了用户的兴趣偏好之外,还应考虑用户的认知水平、学习目标等个性化因素,以及知识点之间的逻辑关系.

2012年谷歌正式提出了“知识图谱”这个术语,知识图谱旨在描述真实世界中存在的各种实体或概念,以及他们之间的关联关系[7].在知识图谱中,将每条知识表示为<实体,实体关系,实体>或<实体,属性,属性值>的三元组,将所有数据组织成一张有向图[8].基于知识图谱的推荐方法大致分为基于本体(Ontology)的推荐生成和基于开放链接数据(LOD)的推荐生成两大类[7],近年来广泛地应用在旅游推荐、电影/音乐推荐、电子商务和职位推荐等领域.

因此,本文将知识图谱融入学习资源推荐模型,构建语义网络,综合考虑用户的兴趣偏好、学习资源所涵盖知识点的关联度与中心度,建立多目标优化模型.使用自适应多目标粒子群(AMOPSO)算法得到Pareto最优解集,进行个性化学习资源的推荐.

1 学……

登录APP查看全文