远程教育课程推荐方法

分类：教育学论文发表 时间：2020-03-27 08:56关注：(1)

　　传统的远程教育课程推荐方法因数据稀疏问题，造成其主题集中性较差，为此设计基于LDA用户兴趣模型的远程教育课程推荐方法。通过远程教育课程外在属性包容度和内在属性质量值，计算远程教育课程的重要度，并以重要度为依据，利用LDA用户兴趣模型判断用户对主题的偏好度，确定主题与远程教育课程的相似度系数，获得用户对远程教育课程的兴趣度，以此为基础完成远程教育课程的推荐。实验结果表明：使用基于LDA模型的推荐方法向用户推荐的课程有50%以上都是用户需求的课程，而传统的推荐方法只有不到20%，两者相比，基于LDA模型的推荐方法的主题集中性更强，更适合应用在远程教育课程推荐中。

　　关键词：远程教育；课程推荐；LAD用户兴趣模型；主题确定；重要度计算；偏好度判断

　　随着互联网技术的发展，远程教育受到大多数人的欢迎，作为成人教育学历的一种，与传统的教育模式不同，它突破了时间和空间的限制，使学生可以随时随地上课学习，为很多已进入社会的群众提供了学历提升的机会[1]。但是远程教育课程种类繁多，资源丰富，面对海量的课程资源，很难快速准确地找到满足自己需求的课程，一般都是通过参考别人选择的课程，或通过使用搜索引擎在相关网站上进行搜索，这些方式不能保证学习者选择的课程就是自己需要的课程。为了解决上述情况，使用一种推荐技术，帮助学习者选择能够满足自己要求的远程教育课程。传统的推荐方法中存在数据稀疏问题，当用户对象的评价较少时，推荐的结果不能满足用户的需求，主题集中性比较差，随着用户的增多，其性能越来越差[2]。因此设计一种基于LDA用户兴趣模型的远程教育课程推荐方法，LDA用户兴趣模型是一种三层结构的贝叶斯模型，能够将潜变量确定的主题进行随机混合，而这些确定下来的主题可以通过关键词语的分布情况来表示，以此为依据，就可以实现远程教育课程对用户的准确推荐。

　　1基于LDA模型的远程教育课程推荐方法设计

　　1.1计算远程教育课程的重要度

　　远程教育课程中存在部分相同的属性，将这些属性分为内在属性和外在属性。内在属性指的是远程教育课程中包含的属性，如教学模式、教学时间和课程安排等；外在属性就是与远程教育课程没有明确的关联，而是由远程教育课程的使用者赋予远程教育课程的外在属性，如使用者的个人信息和对课程质量的评价等，这些信息对于远程教育的推荐有着至关重要的作用[3]。而远程教育课程的重要度与这些信息之间存在较强的关联性，可根据远程教育课程的质量评价和不同的课程时间对远程教育课程重要度进行衡量，目的是为了推荐给用户更适合、质量更高的远程教育课程。在用户对远程教育课程产生需求时，用户对远程教育中的某一种课程可以进行评价[4]。对于课程s，如果有用户对课程s进行了评价行为，说明该课程对于用户是有价值的。因此，可以通过用户对课程的评价来衡量远程教育课程的质量。远程教育是一种网络成人教育，选择远程教育的用户一般都是利用业余时间进修，所以关于远程教育课程时间受到用户的重点关注，如果课程时间安排不合理，不能适应用户的需求，则该远程教育课程就会被淡出用户的视线[6]。假设某种远程教育课程的安排时间为Tdate(s)，用户提供的时间为Ydate，如果课程安排的时间与用户提供的时间相差不大，则说明远程教育课程具有比较强的包容度。因远程教育课程的包容度与课程安排时间相关，可根据这一特点计算远程教育课程包容度，当Tdate(s)与Ydate之间的差值小于6.8%，说明远程教育课程具有较高的包容度，能够满足用户对远程教育课程时间的要求[7]。

　　1.2以LDA模型确定远程教育课程相似性系数

　　用户对远程教育课程兴趣度的计算过程，与用户兴趣主题和远程教育课程的相似性相关。对于远程教育中的某种课程s的隐含主题Ms，对课程s进行预处理获取关键词集L作为s隐含主题Ms的描述词集，将词频作为Ms中词对应的概率分布[9]。如此，可利用LDA用户兴趣模型进行分析，模型如图1所示。

　　1.3基于LDA模型推荐方法的实现

　　综合上述中概率分布P(M)hs、远程教育课程重要度和sim(γ)hs,Fs计算主题Mhs下用户a对远程教育课程的兴趣度XMhs(a),s。假设用户存在C个兴趣主题，需要在C个主题下分别计算用户对微博的兴趣度值X(a),s。XMhs(a),s及X(a),s的计算公式如下通过式（3）计算用户对远程教育课程的兴趣度，获得兴趣度集合，在集合内根据兴趣度的大小进行排序，获得对用户的远程教育课程推荐集，实现对不同用户的远程课程推荐。

　　2仿真实验

　　2.1实验数据

　　目前在远程教育的研究中，还没有用于测试的标准数据，一般情况下，选择远程教育网络平台抓取数据进行实验验证。本次实验通过基于页面解析的远程教育网络平台获取实验数据，该方法抓取的是字段完整、结构化的数据，其抓取信息的界面如图2所示。提取的数据以*xml格式保存备用，将其解析后，得到的数据文件部分字段及示例如表1所示。以表1中的信息为例，采集远程教育平台有效的436位用户信息，将其作为兴趣模型训练集。

　　2.2实验内容

　　使用兴趣模型训练集中的数据，引用传统的远程教育课程推荐方法，与基于LDA用户兴趣模型的推荐方法进行对比。针对用户远程教育课程的不同，随机选取课程类似的用户数据进行对比实验，通过LDA用户兴趣模型对兴趣模型训练集进行处理，人工判断推荐课程与用户所需是否一致，分析两种推荐方法的主题集中性。

　　2.3结果及分析

　　从兴趣模型训练集中随机抽取远程教育课程类型相同的用户，采用基于LDA用户兴趣模型的推荐方法以及传统的推荐方法进行对比，其结果如图3，图4所示。从图3和图4的实验结果中可以看出：基于LDA用户兴趣模型的远程教育课程推荐方法中，99%相关的课程推荐了3~4种；70%和50%相关的课程推荐了1~2种，而传统的推荐方法推荐的99%相关的课程只有1~2种，70%和50%相关的课程推荐了3种。说明传统的推荐方法主题集中性比较差，推荐的课程与用户需求相关联的只有不到20%，不能及时地解决用户的问题。而基于LDA用户兴趣模型的远程教育推荐方法，推荐的课程有50%以上的课程是用户需求的课程，主题集中性强，能够帮助用户解决问题。两者相比，基于LDA用户兴趣模型的远程教育推荐方法比传统的推荐算法更优秀。

　　3结语

　　远程教育是目前比较热门的提升学历的一个平台，因其门槛比较低，教学时间和位置比较方便，帮助了很多有需要的学习者。针对不同需求的学习者进行专业的课程推荐服务，能够高效地循环利用有价值的课程资源。传统的推荐方法设计不够严谨，没有充分考虑学习者的需求和评价，使远程教育课程推荐出现偏差。而使用基于LDA用户兴趣模型的远程教育课程推荐方法，利用远程教育课程主题模型获取词汇概率分布，进行多角度个性化课程推荐，并通过实验证明了该方法能够满足学习者的需求，在实际应用中更具有优势。

　　作者：张鹏程 单位：河南广播电视大学