可以推荐给学习者的对象 c 的特征集合,函数 θ 表示推荐对象建模过程, θ(Pc)
是推荐对象模型集合。设函数 γ 可以用于计算推荐对象对学习者的推荐度,即
γ(ϕ(Ps),θ(Pc))→R, R 是一定范围内的全序的非负实数,推荐的目标就是找到
推荐度 R 最大的那些对象 C*,如式(1)所示:
∀s∈S,C*=argmaxc∈CγϕPs,θPc
(1)
由以上形式化定义可以看出,学习者建模 ϕ、推荐对象建模 θ 以及推荐算
法 γ,是个性化学习推荐的 3 个关键技术,本文接下来将围绕这些内容展开介绍。
2 学习者建 模
学习者建模
[12,13]
是构建精准、优质、个性化学习推荐系统的先决条件。学
习者模型应反映多方面的、动态变化的学习者个性化参数。文献[14]总结了 19
项学习者个性化参数,并将其归纳为 3 个类别:“为何学”“学什么”以及“如何学”。
其 中 ,“为 何 学 ”类 别 下 的 参 数 ,是 将 学 习 目 标 和 动 机 视 为 学 习 者 的 个 性 化 差
异;“学什么”类别下的参数体现了学习本质内容,即根据学习预期达到的知识点
和技能目标等作为学习者的个性化差异;“如何学”类别下包含了更丰富的个性
化参数,如学习偏好、学习风格以及面向学习内容所采用教学方法的相关知识
背景等,这些参数可用于体现学习者的个体化学习方案差异。对于学习推荐系
统而言,可根据应用场景考虑其中一项或多项参数的组合。如在线课程学习中,
学习者的目标一般是在限定的时间(三个月或一个学期)内完成学习任务且取
得好成绩。为此,学习者只需关注与自己的知识背景、能力水平等参数相匹配,
且可以在限定的时间内完成的学习资源;接下来,学习者会在这些学习资源中挑
选符合自己学习风格偏好的那些开展学习。因此,文献[7]从学习路径推荐视角,
将学习者的个性化参数设置为学习目标、技能学习、知识背景、时间限制以及
学习风格五个,每个参数从属的类别如图 3 所示。
图 3
评论0
最新资源