关键字 |
| 电子学习,个性化推荐系统,协同过滤、基于内容的过滤、稀疏、学习环境。 |
介绍 |
| 学习资源可用的网络异构和各种媒体格式。学习者访问相关物品的概率更大的关注和深入研究的技术强化学习(TEL)社区。推荐系统是软件工具和技术,提供建议给用户在不同的决策过程。在线学习环境,推荐系统是一个软件代理,建议有用和有趣的学习资源会计评级的学习者,偏好和其他专业知识的学习者。最大的挑战是,人们倾向于基于web的教育有很多不同在他们的利益,有必要提供一个个性化的学习环境,能够适应学习者的水平和兴趣。 |
| 的基本元素构成一个推荐系统事件,会话和推荐过程。事件是一个调用系统引发了由用户执行操作。例如,每点击一个超链接生成一个新的事件会话年代(u)是一组由用户关闭事件引发了u。推荐过程执行推荐的操作序列产生一组建议。一个项目表示系统推荐给用户。推荐事件可以有一个或多个会话。推荐活动的基本单位是项目的设置可以推荐,推荐为每个事件创建的窗口,一个过滤器来创建和填充一个窗口,一个导游来包装和显示的项目建议。 |
研究挑战 |
| 稀疏和冷启动在线学习环境的重要问题。推荐系统进行评估时非常大的数据集可能评级的用户的数量非常小的总数相比(用户;项)对系统中导致稀疏。 |
| 本身是指一个项目的情况不能推荐,除非它已被大量的用户。这个问题尤其不利于用户。不同的学习者有不同的知识和偏好进行相似性度量一个不可靠的,也是稀疏和冷启动问题。过度专门化是另一个问题发生在推荐的项目更类似的推荐列表并不是多样化。用户和项目属性信息不足的主要原因是过度专门化,科研界面临的重要挑战雷竞技官网是如何收集的详细属性信息和使用模型的multipreferences学习者。这些挑战作为潜在的激励因素来确定合适的推荐技术为用户发现相关的学习资源。 |
推荐系统的方法 |
| 使用的两种主要的方法,构建一个在线学习推荐系统是基于内容的过滤和协同过滤(CF) [25]。基于内容的过滤技术建议项目类似于每个用户的喜欢过去,考虑到过去用户评估的对象。 |
| 学习者基于协同过滤技术的推荐项目的其他学习者具有类似的行为在过去也有类似的兴趣和喜好[25]。大多数目前的研究涉及到使用混合方法结合基于内容和协同过滤的方法来满足该领域的挑战。特定的数据挖掘技术应用在必要时在整个推荐process.Fig.1。说明了不同类型的推荐方法。 |
文献调查 |
| 电子学习推荐系统是一个软件,推荐学习资源质量的智能感知的学习者考虑以前的学习者的行为[25]。广泛的web挖掘技术已经被用来建立一个软件代理能够推荐学习活动或快捷键在在线学习发现在线访问模式。目前的研究在电子学习关注学习的人,而不是支持学习的工具。学习成功的想法是可以达到明显改善由特定适应学习的内容。本文调查迄今为止开发的各种方法和实施以构建高效的个性化学习推荐系统。 |
| 大部分的电子学习的研究涉及结合基于内容的推荐系统和协作属性在单个表。Baudisch。P[1]提出了一种新的系统架构,支持通用查询的配方加入的关系数据库中的表。 |
| 沃克,et al .,[2]做了一个回顾协同过滤技术,提出了一种新的系统改变了Vista使用协作信息过滤的方法来评估教育方法的有效性和实用性。 |
| 学习对象存储库使用多种评估工具构成巨大的挑战如何翻译和集成评价在不同的存储库之间共享数据。结合内隐记忆和外显偏好提供相关建议措施也是一个问题。Kumar V。,Nesbit。J和汉族,K[3]提出了一种新的系统两个贝叶斯信念网络(BBN)模型之间的关系不同评论者和评估工具。模型能够对学习对象做出有用的推论质量和模型进一步扩展地理距离假设评论家会花落谁家。 |
| 学习对象需要修改的信息检索系统。Lemire。D et al .,[4]提出的规则应用协同过滤(RACOFI)系统,它包含两个子系统即协同过滤系统和推理规则系统。新系统升级到生成上下文知道推荐列表。多维预测生产使用协同过滤算法之后,规则应用于预测根据用户配置文件定制的建议。 |
| 电子学习系统两个教育学特征即学习者的兴趣和背景知识提出了唐、T.Y. McCalla, G。我[5]。实验进行了比较基于内容和混合推荐方法。结果表明,混合协同过滤技术不仅表现更好,而且可以降低计算成本。 |
| 学习者的能力是一个因素,忽视了在实现个性化机制导致迷失方向的学习者。Chih-Ming Chen Hahn-Ming李和Ya-HuiChen[6]提出了一种新的个性化在线学习系统和协同过滤方法相结合提出了项目反应理论为学习者提供单独的路径,从而促进有效学习。方法涉及使用项目特征函数模型课程材料和最大似然估计(标定)预测学习者的能力。 |
| Chih-Ming Chen Ling-Jiun咄,Chao-Yu刘[7]提出了一个个性化的课件推荐系统(pcr)基于模糊项目反应理论(上班)来评估学习者的能力以及确定课件的困难。该方法优于传统的项目反应理论甚至接受非脆——响应。 |
| 随着电子学习越来越受欢迎,许多SCORM-compliant学习对象创建、发布和分布在网络,将用户的负担,选择合适的学习对象。解决这一问题,并推荐合适的SCORM-compliant学习对象存储库,蔡,K。H et al .,[8]提出了一种新的系统自适应个性化的排名机制秩相关性的程度的学习对象考虑到用户的偏好和邻居的利益 |
| 教师使用的数据集收集欧洲Schoolnet庆祝门户和Manouselis, N。Vuorikari, R。和Van典藏,F[9]首次开发了一个仿真是通过实现多属性效用协同过滤算法为了更好地理解为一个给定的用户社区协同过滤服务。 |
| 高Fengrong et al .,[10]提出了一种新颖的方法,而基于分区的统一的协同过滤和元过滤。而基于分区的协作过滤算法减少了矩阵的维度包含用户-项目评分使用矩阵聚类算法后生成的建议。低评级的问题是解决元信息过滤。结果表明效率高和良好的性能,当方法应用于数字资源管理。 |
| 减少所消耗的时间寻找有关学习对象和用户提供完全个性化的增强学习计划,Zhiwen Yu et al .,[11]提出了一种语义内容推荐系统对环境意识到学习与本体论方法生成建议考虑学习者知识,知识内容,学到的知识领域。 |
| 基于Web的教育系统缺乏适应性和个性化的评估。通过友好的环境,引导学习者Ahmad Baylari Montazer, Gh。[12]提出了一个个性化在线学习系统,提出了多智能主体适应性测试基于项目反应理论(IRT)并提供个性化的基于人工神经网络(ANN)的建议。 |
| 支持内容建议在一个特定的学习主题,Khairil伊姆兰,本Ghauth也Aniza阿卜杜拉[13]使用向量空间模型,提出了一个新颖的框架建议学习材料考虑两种策略即类似内容的学习资源和好的学习者的平均评级。新的架构包含一个教练模块创建学习资料存储在存储库中,一个转换工具将表示和word文档转换成图像文件或flash文件和一个编写工具图像嵌入到预定义的html页面。 |
| 一个新的框架和两个模块采用基于内容和协同过滤方法被Khribi提议,表示抗议,Jemni, M. and Nasraoui, O [14] to provide online automatic recommendations to active learners based on current learners’ recent navigation history without requiring their explicit feedback. An offline module constructs models of learners and content, which are used by the online module which to generate recommendations according to the students’ needs and goals. |
| 识别、讨论和激励最重要的修改基于web的课程,加西亚,E et al .,[15]提出了一种系统,应用关联规则挖掘中提取学生日志数据,推荐规则。添加,协作的方法被用来收集和验证推荐规则得到老师与类似的概要文件和其他教育专家。尝试了一些真正的群学生架构良好的合作,推广结果在许多课程内容。 |
| 罗梅罗,C et al .,[16]提出了一个先进的体系结构,将一个特定的web挖掘工具集成到啊哈系统为了推荐一个学习者最合适啊哈系统中的/ web页面的链接访问下一个。该建议的体系结构的算法和被发现e成功尝试了从埃因霍温科技大学的真实数据。 |
| 找到合适的基于内容相似性的学习资源和良好的学习者的评级,K.I. Ghauth阿卜杜拉和附加说明[17]提出了一个新颖的电子学习推荐框架基于同行学习和社会学习理论和实验结果表明,该推荐系统执行比使用一个基于内容的过滤方法。 |
| 钟。J和李。X[18]提出了一种新的方法将协同过滤问题映射到文本分析问题,结合用户的隐式和显式特性和物品.Implicit属性计算利用概率潜在语义分析基于评级数据从过去的事件,该方法表现出更多的好处比基于内存的技术。该方法的实验评价显示比以前提高精度的方法。 |
| 是一种严重的需要建议在一个在线论坛由于其脆弱的大小或结构。亚伯。F等。[19]提出和评估一般个性化框架基于Comtella-D论坛。从用户的反馈和交互作为个性化规则来确定适当的推荐策略基于用户输入数据。结果表明,协同过滤技术可以成功地使用在小数据集就像一个论坛。 |
| 提高学习的有效性与教育者缺乏面对面的交流,学习经验的建议(LEs),协同过滤策略提出了广域网,A.T.雷竞技网页版、Sadiq年代。和XueLi [20]。提出系统捕获的形式学习经验的事件序列,序列模式挖掘是决定学习模式应用于同行之间共享的学习者。 |
| 合作教育数据挖掘工具提出了基于关联规则挖掘的加西亚,E。et al ., [21]。这个工具是专门为非专业教育工作者进一步提高电子学习课程通过促进发现信息的共享和得分在非专业教师与课程资料。 |
| Web日志挖掘方法集成协同过滤(CF)和序列模式挖掘(SPM)李提出了Y et al .,[22]推荐学习资源对每个活跃学习者基于历史的学习者的学习路径。起初,项目集相关内容发现使用协作方法,之后连续模式建议提供给学习者通过对发现项集序列模式挖掘(SPM)。不像其他的推荐策略,这项工作联合CF和SPM优化系统的自适应学习环境。实验结果表明该方法的良好性能。 |
| 关于动态利益,同时考虑multi-preferences和多维属性的学习材料,萨利希,M。,Nakhai Kamalabadi、我和Ghaznavi Ghoushchi, M。B[23]提出了一种新的材料使用方法推荐系统框架。序列模式挖掘方法使用修改后的先天和前缀跨度算法来发现潜在的访问模式的学习材料和多维attributebased协同过滤方法使用学习者偏好树(LPT)从不同的角度考虑学习资源的属性,学习者的评级和multi-preference的学习者。提高分类精度的措施实现和学习者的学习偏好满足准确根据上下文信息的实时更新。 |
| 进一步扩展,萨利希,M和Nakhai Kamalabadi[24]提出了一个统一的方法来解决相同的问题。访问学习材料的潜在模式提出了加权关联规则,一个紧凑的树(CT)。集群学习者使用k - means算法后,学习者偏好树(LPT)用于帐户所有前面的因素包括访问材料的顺序。混合、加权和级联混合方法用来生成最终的联合推荐。该方法优于以往算法的精度等指标,回忆和intra-list相似的措施。 |
| 萨利希,M。,Pourzaferani, M. and Razavi, S.A [25] proposed a hybrid recommender system for learning materials to improve the accuracy and quality of recommendations. The proposed system is designed with two modules. The explicit attribute-based recommender module considers weights of implicit attributes of learners’ material as chromosomes in genetic algorithm and then these weights or opinions of learners are optimized according to historical rating after which recommendations are generated using Nearest Neighborhood Algorithm(NNA).The second module uses a Preference Matrix(PM) to model learner’s interests based on explicit attributes of learning materials, anew similarity measure is introduced and then recommendations are generated using NNA.Experimental results imply that the proposed algorithm shows improved accuracy and can alleviate coldstart and sparsity problems as well.. |
结论 |
| 本文调查的方法用于设计个性化学习推荐系统。首先我们介绍了推荐系统背后的基线,术语和方法用于构建推荐系统。其次我们都集中在描述中使用的各种方法构建推荐系统推荐学习资源以及目标和贡献学习者基于几个因素在电子学习上下文。 |
|
数据乍一看 |
 |
| 图1 |
|
|
引用 |
- Baudisch。P,加入协作和基于内容的过滤。SIGCHI会议的程序。人为因素在ComputingSystems (CHI 99)。美国宾夕法尼亚州匹兹堡,5月15日- 20日,1999年,纽约:ACM出版社。
- 沃克。,Recker, M., Lawless, K. and Wiley, D. Collaborative Information Filtering: A Review and an EducationalApplication, International Journal of Artificial Intelligence in Education, 14, 1(2004), pp. 3-24.
- Kumar V。,Nesbit, J. and Han, K. Rating Learning Object Quality with Distributed Bayesian Belief Networks: The Why and the How. In:5th IEEE International Conference in Advanced Learning Technologies (ICALT 2005). Kaohsiung, Taiwan, July 5-8, 2005, California:IEEE Computer Society.
- Lemire D。,Boley, H., McGrath,S. and Ball.M. Collaborative Filtering and Inference Rules for Context-Aware Learning ObjectRecommendation, International Journal of Interactive Technology and Smart Education, 2, 3(2005), pp. 685 - 687.
- Tang T.Y. McCalla,特种部队聪明的建议对于一个不断发展的电子学习系统:体系结构和实验,InternationalJournal电子学习,4、1(2005),页105 - 129。
- Chih-Ming Chen Hahn-Ming Lee Ya-Hui陈。个性化在线学习系统使用项目反应理论,计算机和教育,44岁,3(2005),页237 - 255。
- Chih-Ming Chen Ling-Jiun咄,Chao-Yu刘。个性化的课件推荐系统基于模糊项ResponseTheory: IEEE e-Technology国际会议上,电子商务和e-Service (EEE ' 04)。台北,台湾,2004年3月28-31,IEEE计算机协会。
- 蔡,K.H赵,T.K李,贝拉王,T.I.学习对象推荐模型基于偏好和OntologicalApproaches: 6日IEEE国际会议上学习先进的技术,Kerkrade, 7月5日至7日,2006年,IEEE ComputerSociety。
- Manouselis, N。,Vuorikari,R. and Van Assche,F. Simulated Analysis of MAUT Collaborative Filtering for Learning ObjectRecommendation In: Proceedings of the 1st Workshop on Social Information Retrieval for Technology-Enhanced Learning &Exchange,Sissi,Lassithi-Crete,Greece,September 18, 2007, CEUR-WS.org
- 兴春晓,GaoFengrong DuXiaoyong和王珊。基于混合过滤为digitallibrary个性化服务体系。清华科技、12、1(2007),页1 - 8。
- 祐一Zhiwen Yu中村,Seiie张成泽,Shoji Kajita,吴克群激射微波。基于本体的语义上下文感知学习的建议。:国际会议上无处不在的智能和计算,香港,中国,2007年7月11 - 13日,激飞柏林海德堡。
- Ahmad Baylari Montazer, Gh.A。设计一个基于项目反应理论的个性化在线学习系统和人工神经networkapproach。专家系统与应用程序,36岁,4(2009),页8013 - 8021。
- Khairil伊姆兰,本Ghauth也Aniza阿卜杜拉,2009。建立一个在线学习推荐系统使用向量空间管理制度好的学习者平均评级向量空间模型。:9日IEEE高级学习技术国际会议(2009)。里加,拉脱维亚,2009年7月15 - 17日,IEEE计算机协会:加州。
- Khribi, M。K Jemni M。E - O, Nasraoui .Automatic建议学习个性化基于Web使用MiningTechniques和信息检索。:第八届IEEE国际会议上先进的学习技术(2008),桑坦德银行,坎塔布里亚,2008年7月1 - 5日。IEEE计算机协会:加州。
- 加西亚,E。,罗梅罗,C。,Ventura, S. and Castro, C. An architecture for making recommendations to courseware authors using associationrule mining and collaborative filtering. User Modeling and User-Adapted Interaction, 19, 1(2009), pp. 99-132.
- 罗梅罗,C。,Ventura, S., Zafra, A. and de Bra.P.Applying Web Usage Mining for Personalizing Hyperlinks in Web-Based AdaptiveEducational Systems. Computers and Education, 53, 3(2009), pp. 820-840.
- 阿卜杜拉K.I. Ghauth和附加说明。使用好的学习者学习资料推荐的评级和Content-BasedFiltering。教育技术研究和开发,58岁的6(2010),页711 - 727
- 钟。J和Li.X。统一的协同过滤模型相结合的基础上潜在的功能。专家系统与应用程序,37岁,8(2010),页5666 - 5672。
- Abel.F Bittencourt.I.I。科斯塔E, Henze, N,克劳斯,D。Vassileva, J。建议E-LearningSystems在线讨论论坛。IEEE学习技术。3、2(2010),页165 - 176。
- 湾A.T.,Sadiq,S.andXueLi ,2010.On Improving Learning Outcomes through Sharing of Learning Experiences.In:10th IEEEInternational Conference on Advanced learning Technologies. Sousse, Tunisia, July 5-7, 2010, IEEE Computer Society: California.
- 加西亚,E。,罗梅罗,C。,Ventura, S. and Castro, C.D.A Collaborative Educational Association Rule Mining Tool. Internet and HigherEducation, 14, 2(2011), pp. 77–88.
- 李,Y。,Niu, Z., Chen, W. and Zhang, W.Combining Collaborative Filtering and Sequential Pattern Mining for Recommendation in ELearningEnvironment. In: 10th International Advances in Web-Based Learning (ICWL 2011). Hongkong, China, December 8-10, 2011,pp. 305-313.
- 萨利希,M。,NakhaiKamalabadi. andGhaznaviGhoushchi, M.B.Personalized Recommendation of Learning Material Using SequentialPattern Mining and Attribute Based Collaborative Filtering, Education and Information Technologies,17,4 (2012), pp. 1-23.
- 萨利希,M和NakhaiKamalabadi,我。混合推荐方法学习材料基于序贯模式theAccessed材料和学习者的偏好树,以知识为基础的系统,48岁,2013年,页57 - 69。
- 萨利希,M。,Pourzaferani, M. and Razavi, S.A.Hybrid Attribute-Based Recommender System for Learning Material Using GeneticAlgorithm and a Multidimensional Information Model. Egyptian Informatics Journal, 14, 1(2013), pp. 1-23.
|
菜单
