适应用户兴趣漂移的知识结构组织和学习服务推荐方法

Because user interest drift is unpredictable and services are in large scale and wide range, it is difficult to find out user’s personalized diverse learning needs with traditional recommendation methods in personalized recommendation field. In order to solve this problem, this project starts with depicting knowledge structure’s semantics and user interest drift’s composition, performs multi-stage collaborative filtering to propose an E-Learning service recommendation method adapted to user interest drift, which is an innovative try in both theory and application. The main research is as follows: Firstly, this project depicts the knowledge hierarchical structure and the semantic relationship between knowledge topics, and then constructs knowledge topic ontology. Secondly, this project builds the user interest drift model based on knowledge ontology, from two aspects: user behavior and forgetting curve exert to user interest according to the fractal theory of Chaos theory. Thirdly, this project proposes an E-Learning service recommendation method adapted to user interest drift, and recommends knowledge topics by isomorphic users, and recommends E-Learning services by users with similar interests. A method to cope with cold start problem is also provided. Fourthly, this project verifies and evaluates its method in a real environment. The project has an important theoretical significance and application value to enrich education oriented service engineering theory and method.

在个性化服务推荐领域，由于用户兴趣的不规律漂移，服务的数量庞大、种类繁多，传统的服务推荐方法难以适应用户的个性化、多样性需求。本项目研究适应用户兴趣漂移的知识结构组织和学习服务推荐方法，从知识结构的语义描述和用户兴趣漂移的结构化描述入手，进行多阶段协同过滤推荐，提升学习服务推荐的用户针对性和满意度。主要研究内容：①研究知识的层次结构和知识点间的语义关系，建立知识点本体；②提出基于知识点本体的用户兴趣漂移模型，根据混沌理论的分形思想，从用户行为对用户兴趣的影响和遗忘曲线对用户兴趣的影响两个维度刻画用户兴趣漂移规律；③提出可适应用户兴趣漂移的学习服务推荐方法，通过同构用户和同好用户分别进行知识点推荐和学习服务推荐，并给出应对冷启动问题的方法；④在真实环境中对该方法进行验证和评估。本项目对丰富面向教育领域的服务工程理论和方法具有重要的理论意义和应用价值。

在个性化服务推荐领域，由于用户兴趣的不规律漂移，服务的数量庞大、种类繁多，传统的服务推荐方法难以适应用户的个性化、多样性需求。本项目取得以下3方面成果：①提出了一种多尺度可变颗粒度知识融合方法，并用于构建一个基于中文MooC数据的自成长中文知识图谱，对在线学习具有一定的指导意义；结合骨架法和七步法的优点，提出适用于初中数学知识本体的构建方法，并构建了初中数学知识本体，对个性化教学系统的建设具有实用价值；提出了一种基于知识图谱提取关键短语的方法，可以在不引入多种噪声的前提下发现两个关键条款的潜在关系：名词性词语和命名实体，该方法优于目前最先进的方法；设计了故障诊断技能学习中知识表示、发现、获取、应用四个方面逻辑，并研究了相关服务的应用效果。②提出了基于概念层次树的用户兴趣漂移模型和基于遗忘曲线的用户兴趣漂移模型。分别采用渐进遗忘机制和滑动时间窗口机制处理用户长期兴趣的衰减和短期兴趣的滤除，实现了兴趣的发现、度量、漂移、转变、衰减和遗忘、用户行为规则的发现与权重计算等；提出了一种新的学习者模型，包括基本信息、学习风格、知识状态和认知能力四个特征要素，给出了这四个特征要素的形式化表示方法及值的初始化和更新方法。③提出了一种基于用户在线学习时序行为的协同过滤推荐算法，提取学习者在线学习过程中产生的特征时序行为序列，对有相似学习行为特点的用户进行聚类，向用户推荐学习资源，与传统基于用户的协同过滤算法相比，在算法准确率和召回率上分别提高了110%和40%。；设计了一种新型的学习预警模型，采集学习者学习行为数据，划分为知识、行为、态度三个维度，使用随机森林算法从三维数据中提取出影响学习绩效的特征，预测出学习者期末考试成绩，相比于基于线性回归算法的学习预警模型，均方误差降低了27.498%，平均绝对差值降低了26.960%。这些成果对个性化推荐、教育数据挖掘和知识管理领域有一定的理论意义。