1、基于WEB挖掘的個性化教學(xué)推薦系統(tǒng)_個性化推薦    論文導(dǎo)讀:：本文提出通過心理學(xué)量表對學(xué)習(xí)風(fēng)格進(jìn)行測試。提出了許多個性化推薦系統(tǒng)。通過AprioriAll算法求解頻繁訪問序列2。 論文關(guān)鍵詞：學(xué)習(xí)風(fēng)格，Web挖掘，個性化推薦，AprioriAll算法    一、引言 基于Internet技術(shù)的教育網(wǎng)絡(luò)化趨勢不僅為學(xué)生提供了便利的學(xué)習(xí)方式和廣泛的選擇，也為學(xué)校提供了更加深入地了解學(xué)生需求信息和學(xué)生行為特征的可能性。但隨著Web上信息量的爆炸式增長，網(wǎng)上的資源得到極大豐富的同時也充斥著大量的垃圾信息，當(dāng)學(xué)生們面對這

2、些龐大蕪雜的信息海洋時變得無所適從，因而迫切需要能從這些紛繁蕪雜的信息海洋中主動過濾并推薦給學(xué)生他們所需信息的個性化輔助教學(xué)推薦工具，本文就是針對這個問題而提出的。 目前人們利用數(shù)據(jù)挖掘技術(shù)，提出了許多個性化推薦系統(tǒng)。本文提出通過心理學(xué)量表對學(xué)習(xí)風(fēng)格進(jìn)行測試，并針對實際收集到數(shù)據(jù)的稀疏特點，采用項目評分預(yù)測的協(xié)同過濾算法1（Item-Based Top-N推薦算法），盡可能準(zhǔn)確地測試出學(xué)生的學(xué)習(xí)風(fēng)格。然后結(jié)合Web日志挖掘技術(shù)，收集不同風(fēng)格學(xué)生瀏覽網(wǎng)頁的特點，通過AprioriAll算法求解頻繁訪問序列2，得到不同風(fēng)格學(xué)生的Web使用習(xí)慣，然后依據(jù)當(dāng)前學(xué)生瀏覽頁面向?qū)W生實時推薦下一步可能會訪問

3、的部分網(wǎng)頁個性化推薦，提高學(xué)習(xí)效率。 二、個性化教學(xué)系統(tǒng)結(jié)構(gòu)設(shè)計 根據(jù)WWW體系結(jié)構(gòu)和網(wǎng)絡(luò)學(xué)習(xí)系統(tǒng)的特點，需要采用一種新的設(shè)計框架來處理挖掘過程。作者采用挖掘?qū)W生歷史瀏覽行為(記錄在服務(wù)器日志中)和分析學(xué)生學(xué)習(xí)風(fēng)格這兩類特征來構(gòu)建學(xué)生模型。 首次登陸系統(tǒng)時需對學(xué)生的學(xué)習(xí)風(fēng)格進(jìn)行測試，首先利用項目評分預(yù)測協(xié)同過濾算法（Item-Based Top-N）對未評分的項目進(jìn)行評分，然后統(tǒng)計總分即可得到學(xué)生的學(xué)習(xí)風(fēng)格類型這一特征值；對于己注冊的學(xué)生則提取MFR路徑（最大前引用）對Web服務(wù)器中的Web日志進(jìn)行預(yù)處理，可得到學(xué)生最大向前向訪問的路徑，再用AprioriAll算法挖掘?qū)W生訪問網(wǎng)頁的頻繁序列，

4、把這一頻繁序列作為特征值連同學(xué)生風(fēng)格這一特征值進(jìn)行數(shù)據(jù)預(yù)處理，即可得到學(xué)生個體興趣模型，然后對其進(jìn)行訪問模式挖掘即可得到學(xué)習(xí)風(fēng)格類型相同的學(xué)生所具有的訪問模式，最后根據(jù)這一訪問模式利用個性化推薦算法進(jìn)行學(xué)習(xí)內(nèi)容推薦。本文的系統(tǒng)結(jié)構(gòu)設(shè)計如圖1 所示。 圖1個性化挖掘和推薦模塊 三、 實現(xiàn)個性化教學(xué)推薦系統(tǒng)的關(guān)鍵步驟 1 構(gòu)建學(xué)習(xí)風(fēng)格及興趣模型 學(xué)習(xí)風(fēng)格是學(xué)生對學(xué)習(xí)方法的定向或偏愛，是學(xué)習(xí)者特有的認(rèn)知、情感和生理行為，是學(xué)生持續(xù)一貫帶有個性特征的學(xué)習(xí)方式。因此本文結(jié)合學(xué)習(xí)風(fēng)格構(gòu)建能代表學(xué)生特征的學(xué)生學(xué)習(xí)風(fēng)格及興趣模型。為了更加準(zhǔn)確的測試出學(xué)生的學(xué)習(xí)風(fēng)格類型，本文采用了所羅門風(fēng)格量表和Kolb風(fēng)格量

5、表進(jìn)行測試，由于學(xué)生數(shù)目的急劇增加和項目眾多的風(fēng)格量表導(dǎo)致學(xué)生評分?jǐn)?shù)據(jù)的不完善，而產(chǎn)生了數(shù)據(jù)的稀疏性，這使得計算目標(biāo)用戶的項目評分后不能準(zhǔn)確的測試出學(xué)生的學(xué)習(xí)風(fēng)格。本文來采用基于項目評分預(yù)測的協(xié)同過濾推薦算法1計算項目間的相似性，預(yù)測學(xué)生對未評分項目的評分，就可以有效地解決數(shù)據(jù)稀疏情況下的學(xué)習(xí)風(fēng)格的測試問題，能更加準(zhǔn)確的測試出學(xué)生的學(xué)的風(fēng)格畢業(yè)論文范文。具體實現(xiàn)如圖2所示。 圖2學(xué)習(xí)風(fēng)格的測試流程 首先可以得到學(xué)生學(xué)習(xí)風(fēng)格測評數(shù)據(jù)矩陣,假設(shè)用戶為User-1，User-2,，User-n，心理學(xué)量表的測量相目為Item-1,Item-2,Item-m,這樣矩陣的形式如圖3所示。 顯然當(dāng)缺少學(xué)生

6、對某一些項目的評分時，量表就無法完成對學(xué)習(xí)風(fēng)格的評價，在自主學(xué)習(xí)的環(huán)境產(chǎn)生這種現(xiàn)象中是很常見的。為此有必要填補學(xué)生未評分的部分，完成對學(xué)習(xí)風(fēng)格的評價。作者通過兩步來完成對未評分項目的填充：          用戶項目        Item-1        Item-2       &#

7、160;        Item-j                Item-m             User-1        R11 

8、0;      R12                R1j                /          

9、60;  User-2        R21        /                R2j              &

10、#160; R2m                                     /           &#

11、160;                       User-i        Ri1        Ri2          

12、      /                /             User-n        /      &#

13、160; Rn2                Rnj                Rnm     圖3學(xué)習(xí)風(fēng)格測評數(shù)據(jù)矩陣 （1）計算各項目之間的相似性。對于所有用戶U，假設(shè)他對項目Item-j1和Item-j2同時作了評價，

14、這樣它們之間的相似性可以用多種方法計算3，其中本文采用Pearson-r相關(guān)計算個性化推薦，其公式如下： 其中表示用戶U在項目j1上的評分，表示第j1項目的平均評分。 （2）根據(jù)第一步，可以求得與Item-j最相似的N個項目，假設(shè)用戶i還沒對Item-j的進(jìn)行評分，可以采用如下公式計算： 最后，計算已評分的項目和預(yù)測到項目的評分的和，即可得到學(xué)生對量表的總評分，也就得出了學(xué)生的學(xué)習(xí)風(fēng)格類型。 3.2 模式發(fā)現(xiàn)與個性化推薦 作者進(jìn)行的模式發(fā)現(xiàn)是從大量的學(xué)習(xí)者訪問事務(wù)中找出所有的頻繁序列集，這一過程也稱為Web使用習(xí)慣發(fā)現(xiàn)，其中也包含了用戶興趣的因素。本文在設(shè)計中采用AprioriAll挖掘算法，

15、具體的實現(xiàn)過程如下。 （1）尋找頻繁序列 首先從服務(wù)器的Web日志文件中提取用戶訪問序列，經(jīng)過預(yù)處理（MFR）以后可以得到Web訪問事務(wù)子集如表1所示，其中Tid代表事務(wù)編號，Sid代表學(xué)習(xí)風(fēng)格類型，Tp代表該事務(wù)中的內(nèi)容頁面，F(xiàn)p代表頻繁訪問序列集。根據(jù)AprioriAll挖掘算法進(jìn)行挖掘，得出學(xué)習(xí)風(fēng)格類型所對應(yīng)的頻繁訪問項集，如表2中的頻繁訪問項集。 （2）AprioriAll算法 第一步；尋找大序列。算法的基本思想是對數(shù)據(jù)進(jìn)行多次遍歷，在每次的遍歷過程中從一個大序列組成的種子集開始，利用這個種子集，可以產(chǎn)生新的潛在大序列。在遍歷過程中，計算這些候選序列的支持度，經(jīng)過這樣一次遍歷的之后，就

16、可以決定哪些候選集是真正的大序列，這些序列構(gòu)成了下一次遍歷的種子集。 第二步：連接步。進(jìn)行與 的連接運算；如<1,2,3>與<1,2,4>連接成為<1,2,3,4>。要注意的是<1,2,3,4>和<1,2,4,3>是兩個序列。 第三步：剪枝步。即進(jìn)行修剪；對于一個連接過后的序列，如果它的任意一個子列不在中，那么刪除該序列，這個過程稱為修剪。 （3）個性化推薦 由于不同學(xué)習(xí)風(fēng)格類型學(xué)生的在學(xué)習(xí)中具有不同的頻繁序列集個性化推薦，可以根據(jù)這一些頻繁集合進(jìn)行推薦。具體實現(xiàn)如下： 第一步：根據(jù)用戶的當(dāng)前訪問操作生成相匹配的推薦集，推薦集是由與當(dāng)

17、前用戶訪問操作相匹配的訪問操作模式組成，每一個訪問操作模式都 是根據(jù)用戶當(dāng)前訪問站點的方式，分析發(fā)現(xiàn)潛在有用的、相鏈接的Web頁。 第二步：利用固定大小的滑動窗口滑動覆蓋當(dāng)前的用戶訪問操作序列進(jìn)行推薦。滑動窗口內(nèi)的當(dāng)前用戶訪問操作序列隨著訪問進(jìn)程的進(jìn)展，不斷地向前更新。如設(shè)滑動窗口大小為4，當(dāng)前滑窗內(nèi)的用戶訪問操作序列為（A，B，C，D），當(dāng)用戶訪問了E之后，新的滑窗內(nèi)的用戶訪問操作序列變成了（B，C，D，E）。這樣的處理對于個性化推薦是非常有意義的，因為采用過長的當(dāng)前用戶服務(wù)操作序列，在與頻繁項匹配操作時，很難獲取非常多的信息，即相匹配的項很少。而短序列能獲得非常多相匹配的項，從推薦服務(wù)意義

18、上，這是很有價值的畢業(yè)論文范文。 4. 實驗結(jié)果分析 為了驗證本文建立的數(shù)據(jù)模型的性能和效率，本文利用該數(shù)據(jù)模型在真實的環(huán)境進(jìn)行了一系列的實驗。實驗系統(tǒng)以我們開發(fā)的大學(xué)計算機原理精品課程網(wǎng)站為原型，參加實驗人員為計算機專業(yè)的二年級兩個班學(xué)生共63 人，實驗要求在2個月時間內(nèi)，按照自己的興趣瀏覽完網(wǎng)站內(nèi)容，瀏覽時間共計不得少于60 小時。選取這63名學(xué)生的數(shù)據(jù)進(jìn)行分析。 本文采用測試學(xué)習(xí)風(fēng)格類型結(jié)合挖掘用戶訪問序列的方法所開發(fā)的模型，首先利用測試數(shù)據(jù)集對該模型進(jìn)行測試，其對相同的學(xué)生進(jìn)行推薦后所取得的效果，和僅根據(jù)用戶訪問序列推薦方法進(jìn)行測試的模型相比個性化推薦，其結(jié)果如圖4 所示。由于本文在對

19、訪問序列挖掘前又對學(xué)生的學(xué)習(xí)風(fēng)格進(jìn)行了測試，既根據(jù)學(xué)習(xí)風(fēng)格推薦又根據(jù)這類學(xué)習(xí)風(fēng)格類型學(xué)習(xí)所采用的頻繁訪問序列推薦，這樣既能提高推薦的效率又能提高推薦的精確度。又因為學(xué)生的學(xué)習(xí)風(fēng)格不是被限定為唯一類型的，可能會偏向某一類型更多一些，所以本系統(tǒng)提供對學(xué)生的學(xué)習(xí)風(fēng)格進(jìn)行多次測試，更新了學(xué)習(xí)風(fēng)格類型后，那么推薦信息也隨之更新，而僅根據(jù)訪問序列挖掘進(jìn)行推薦的系統(tǒng)的推薦內(nèi)容不會馬上發(fā)生更新，所以本系統(tǒng)的推薦更新速度也比僅用訪問序列挖掘更新的快。 圖4 推薦的滿意度比較 從以上的比較可見，系統(tǒng)的實際測試結(jié)果還是比較滿意的，說明本文的方法確實可行。 5. 結(jié)束語 本文提出一個結(jié)合檢測學(xué)生學(xué)習(xí)風(fēng)格和挖掘頻繁訪問序列的個性化推薦系統(tǒng)。本系統(tǒng)與過去研究最大的不同在于挖掘了兩個代表學(xué)生學(xué)習(xí)偏好的特征向量。一個推薦系統(tǒng)推薦效果的好壞不僅取決于采用推薦的算法，更取決于對使用者興趣愛好的挖掘，本文通過對學(xué)生學(xué)習(xí)風(fēng)格和頻繁訪問序列這兩個特征值的采集，能更加深入地挖掘用戶的真正