基于WEB挖掘的个性化教学推荐系统-Web挖掘.docx

基于WEB挖掘的个性化教学推荐系统Web挖掘论文导读:：本文提出通过心理学量表对学习风格进行测试。提出了许多个性化推荐系统。通过AprioriAll算法求解频繁访问序列[2]。论文关键词：学习风格，Web挖掘，个性化推荐，AprioriAll算法一、引言基于Internet技术的教育网络化趋势不仅为学生提供了便利的学习方式和广泛的选择，也为学校提供了更加深入地了解学生需求信息和学生行为特征的可能性。但随着Web上信息量的爆炸式增长，网上的资源得到极大丰富的同时也充斥着大量的垃圾信息，当学生们面对这些庞大芜杂的信息海洋时变得无所适从，因而迫切需要能从这些纷繁芜杂的信息海洋中主动过滤并推荐给学生他们所需信息的个性化辅助教学推荐工具，本文就是针对这个问题而提出的。目前人们利用数据挖掘技术，提出了许多个性化推荐系统。本文提出通过心理学量表对学习风格进行测试，并针对实际收集到数据的稀疏特点，采用项目评分预测的协同过滤算法[1]（Item-BasedTop-N推荐算法），尽可能准确地测试出学生的学习风格。然后结合Web日志挖掘技术，收集不同风格学生浏览网页的特点，通过AprioriAll算法求解频繁访问序列[2]，得到不同风格学生的Web使用习惯，然后依据当前学生浏览页面向学生实时推荐下一步可能会访问的部分网页Web挖掘，提高学习效率。二、个性化教学系统结构设计根据WWW体系结构和网络学习系统的特点，需要采用一种新的设计框架来处理挖掘过程。作者采用挖掘学生历史浏览行为(记录在服务器日志中)和分析学生学习风格这两类特征来构建学生模型。首次登陆系统时需对学生的学习风格进行测试，首先利用项目评分预测协同过滤算法（Item-BasedTop-N）对未评分的项目进行评分，然后统计总分即可得到学生的学习风格类型这一特征值；对于己注册的学生则提取MFR路径（最大前引用）对Web服务器中的Web日志进行预处理，可得到学生最大向前向访问的路径，再用AprioriAll算法挖掘学生访问网页的频繁序列，把这一频繁序列作为特征值连同学生风格这一特征值进行数据预处理，即可得到学生个体兴趣模型，然后对其进行访问模式挖掘即可得到学习风格类型相同的学生所具有的访问模式，最后根据这一访问模式利用个性化推荐算法进行学习内容推荐。本文的系统结构设计如图1所示。图1个性化挖掘和推荐模块三、实现个性化教学推荐系统的关键步骤1构建学习风格及兴趣模型学习风格是学生对学习方法的定向或偏爱，是学习者特有的认知、情感和生理行为，是学生持续一贯带有个性特征的学习方式。因此本文结合学习风格构建能代表学生特征的学生学习风格及兴趣模型。为了更加准确的测试出学生的学习风格类型，本文采用了所罗门风格量表和Kolb风格量表进行测试，由于学生数目的急剧增加和项目众多的风格量表导致学生评分数据的不完善，而产生了数据的稀疏性，这使得计算目标用户的项目评分后不能准确的测试出学生的学习风格。本文来采用基于项目评分预测的协同过滤推荐算法[1]计算项目间的相似性，预测学生对未评分项目的评分，就可以有效地解决数据稀疏情况下的学习风格的测试问题，能更加准确的测试出学生的学的风格中国学术期刊网。具体实现如图2所示。图2学习风格的测试流程首先可以得到学生学习风格测评数据矩阵,假设用户为User-1，User-2,…，User-n，心理学量表的测量相目为Item-1,Item-2,…,Item-m,这样矩阵的形式如图3所示。显然当缺少学生对某一些项目的评分时，量表就无法完成对学习风格的评价，在自主学习的环境产生这种现象中是很常见的。为此有必要填补学生未评分的部分，完成对学习风格的评价。作者通过两步来完成对未评分项目的填充：用户项目Item-1Item-2…Item-j…Item-mUser-1R11R12…R1j…/User-2R21/…R2j…R2m………/……User-iRi1Ri2…/…/User-n/Rn2…Rnj…Rnm图3学习风格测评数据矩阵（1）计算各项目之间的相似性。对于所有用户U，假设他对项目Item-j1和Item-j2同时作了评价，这样它们之间的相似性可以用多种方法计算[3]，其中本文采用Pearson-r相关计算Web挖掘，其公式如下：其中表示用户U在项目j1上的评分，表示第j1项目的平均评分。（2）根据第一步，可以求得与Item-j最相似的N个项目，假设用户i还没对Item-j的进行评分，可以采用如下公式计算：最后，计算已评分的项目和预测到项目的评分的和，即可得到学生对量表的总评分，也就得出了学生的学习风格类型。3.2模式发现与个性化推荐作者进行的模式发现是从大量的学习者访问事务中找出所有的频繁序列集，这一过程也称为Web使用习惯发现，其中也包含了用户兴趣的因素。本文在设计中采用AprioriAll挖