一种基于情境感知的在线学习社区学伴推荐方法及系统

技术领域

本发明涉及学伴推荐技术领域，尤其涉及一种基于情境感知的在线学习社区学伴推荐方法及系统。

背景技术

近年来，大规模在线学习社区的迅猛发展，为人们提供了前所未有的学习机会，每年均有数以千万计的学习者参与在线学习社区的学习，但在线学习社区的高辍学率等也同样引起了关注，大量文献研究和教学实践已证明，学伴互动对降低孤独感、增加持续学习投入、促进深层次学习具有重要意义，而学伴推荐能促进学伴互动，现有技术中，有些学伴推荐是基于课程内容关键词创建固定主题模型，根据学生讨论内容主题分布的相似性来推荐学伴，也有些学伴推荐是使用学习者教育背景、内容偏好和学习互动等情境计算学习风格，从而推荐风格相近或风格互补的学伴。

然而，已有的学伴推荐方法虽然能够起到一定的学伴推荐效果，但是由于在线学习社区具有高动态性和移动性，学伴连接的出现或消失是随时间、空间、学习内容、兴趣偏好、知识水平、交互关系等诸多情境变化引起的，随着用户的改变，用户所需要的学伴要求也会随之改变，因此，已有的学伴推荐方法缺乏推荐的实时性，无法及时满足用户的学伴需求。

发明内容

有鉴于此，本发明提出一种基于情境感知的在线学习社区学伴推荐方法及系统，可以解决现有学伴推荐方法所存在的无法及时满足用户的学伴需求的缺陷。

本发明的技术方案是这样实现的：

一种基于情境感知的在线学习社区学伴推荐方法，具体包括以下步骤：

步骤S1，获取用户的兴趣爱好信任度、地理位置信任度、同时在线时间信任度和交互信息信任度；

步骤S2，依据用户的兴趣爱好信任度、地理位置信任度和同时在线时间信任度，生成用户情境信任度；

步骤S3，依据用户的交互信息信任度，生成社会情境信任度；

步骤S4，依据用户情境信任度和社会情境信任度进行学伴推荐。

作为所述基于情境感知的在线学习社区学伴推荐方法的进一步可选方案，所述步骤S1中的获取用户的兴趣爱好信任度，包括以下步骤：

步骤S11，获取用户的学习行为投入度和课程评分；

步骤S12，依据学习行为投入度和课程评分，生成用户的兴趣爱好信任度。

作为所述基于情境感知的在线学习社区学伴推荐方法的进一步可选方案，所述步骤S11中的获取用户的学习行为投入度，包括以下步骤：

步骤S111，获取用户的课程登录次数、课件浏览数、在线学习时长、学习笔记频次和学习笔记长度；

步骤S112，依据用户的课程登录次数、课件浏览数、在线学习时长、学习笔记频次和学习笔记长度，生成用户的学习行为投入度。

作为所述基于情境感知的在线学习社区学伴推荐方法的进一步可选方案，所述步骤S11中的获取用户的课程评分，包括以下步骤：

步骤S113，获取用户的课程测验平均分和课程总成绩；

步骤S114，依据用户的课程测验平均分和课程总成绩，生成用户的课程评分。

作为所述基于情境感知的在线学习社区学伴推荐方法的进一步可选方案，所述步骤S1中的获取用户的地理位置信任度，包括以下步骤：

步骤S13，获取用户在选课日志、登录日志和每次学习行为日志中的I P信息；

步骤S14，依据所述IP信息，生成用户的地理位置信任度。

作为所述基于情境感知的在线学习社区学伴推荐方法的进一步可选方案，所述步骤S1中的获取用户的同时在线时间信任度，包括以下步骤：

步骤S15，获取用户登录开放课程的在线时间；

步骤S16，依据所述在线时间，生成用户的同时在线时间信任度。

作为所述基于情境感知的在线学习社区学伴推荐方法的进一步可选方案，所述步骤S1中的获取用户的交互信息信任度，包括以下步骤：

步骤S17，获取用户的交互行为信任度、交互强度信任度和交互时效信任度；

步骤S18，依据用户的交互行为信任度、交互强度信任度和交互时效信任度，生成用户的交互信息信任度。

作为所述基于情境感知的在线学习社区学伴推荐方法的进一步可选方案，所述步骤S17中的获取用户的交互行为信任度，包括以下步骤：

步骤S171，获取用户对其他学员网上发布内容的回贴行为、点赞行为和转发行为；

步骤S172，依据所述回贴行为、点赞行为和转发行为，生成用户的交互行为信任度。

作为所述基于情境感知的在线学习社区学伴推荐方法的进一步可选方案，所述步骤S17中的获取用户的交互强度信任度，包括以下步骤：

步骤S173，获取用户与其他学员的交互行为频次和交互行为时长；

步骤S174，依据所述交互行为频次和交互行为时长，生成用户的交互强度信任度。

作为所述基于情境感知的在线学习社区学伴推荐方法的进一步可选方案，所述步骤S17中的获取用户的交互时效信任度，包括以下步骤：

步骤S175，获取用户与其他学员的交互时效；

步骤S176，依据所述交互时效，生成用户的交互时效信任度。

一种基于情境感知的在线学习社区的学伴推荐系统，所述系统采用上述任意一种在线学习社区学伴推荐方法。

本发明的有益效果是：通过获取用户的兴趣爱好信任度、地理位置信任度、同时在线时间信任度和交互信息信任度，能够生成用户情境信任度和社会情境信任度，通过用户情境信任度和社会情境信任度进行学伴推荐，能够大大提高学伴推荐的实时性和准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种基于情境感知的在线学习社区学伴推荐方法的流程示意图。

具体实施方式

下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

参考图1，一种基于情境感知的在线学习社区学伴推荐方法，具体包括以下步骤：

步骤S1，获取用户的兴趣爱好信任度、地理位置信任度、同时在线时间信任度和交互信息信任度；

步骤S2，依据用户的兴趣爱好信任度、地理位置信任度和同时在线时间信任度，生成用户情境信任度；

步骤S3，依据用户的交互信息信任度，生成社会情境信任度；

步骤S4，依据用户情境信任度和社会情境信任度进行学伴推荐。

在本实施例中，通过获取用户的兴趣爱好信任度、地理位置信任度、同时在线时间信任度和交互信息信任度，能够生成用户情境信任度和社会情境信任度，通过用户情境信任度和社会情境信任度进行学伴推荐，能够大大提高学伴推荐的实时性和准确性。

需要说明的是，所述用户情境信任度主要反映了学习者的兴趣、时间和地点等情境信息，跟用户自身相关，在网络中具有全局性，所述社会情境信任度主要反映学习者之间的交互关系，是点对点的行为，是“从虚拟或现实社会中获取的人际互动信息集”；此外，信任具有传递性，用户往往会接受其信任的朋友推荐的朋友，即朋友的朋友也可能会成为朋友，信任传递可以缓解数据稀疏性，为目标用户匹配更多的邻居用户，在在线学习社区社区中，信任是多链路传递的，一个学员收到不同信任传递的链路越多，其信任度就越客观，通过采用广泛使用的有序加权平均聚合算法计算多链路传递，该方法为每条信任链赋予不同的权重，能真实反映综合信任度，具体计算过程不再赘述。

优选的，所述步骤S1中的获取用户的兴趣爱好信任度，包括以下步骤：

步骤S11，获取用户的学习行为投入度和课程评分；

步骤S12，依据学习行为投入度和课程评分，生成用户的兴趣爱好信任度。

在本实施例中，学习行为投入是指学习者在学习活动中的行为表现，包含了投入时间、努力程度和活动强度等，在同一门课程或同一活动中学习行为投入的相似度也能在一定程度上反映学习者知识水平的相似性，课程评分是指学习者对于所学课程的评分，也是反映兴趣偏好的重要数据，因此，通过学习行为投入度和课程评分生成用户的兴趣爱好信任度，能够提高推荐学伴的准确性。

优选的，所述步骤S11中的获取用户的学习行为投入度，包括以下步骤：

步骤S111，获取用户的课程登录次数、课件浏览数、在线学习时长、学习笔记频次和学习笔记长度；

步骤S112，依据用户的课程登录次数、课件浏览数、在线学习时长、学习笔记频次和学习笔记长度，生成用户的学习行为投入度。

在本实施例中，为消除量纲对结果的影响，对5项指标使用极大值-极小值做归一化处理，对归一化后的值进行累加得到学员u对课程i的学习行为投入系数e

其中，e

优选的，所述步骤S11中的获取用户的课程评分，包括以下步骤：

步骤S113，获取用户的课程测验平均分和课程总成绩；

步骤S114，依据用户的课程测验平均分和课程总成绩，生成用户的课程评分。

在本实施例中，课程评价一般采用[1,5]区间的整数表示，相比学习投入矩阵，评分矩阵数据更为稀疏；假如2名学员仅有一门共同评分课程，且评分相同，使用皮尔逊相关系数计算得到相似度为1，这与实际情况不符。因此使用均方偏差和Jaccard系数的乘积来增强度量学员评分相似性；假设学员u和学员v对课程均有评分，则

课程评分具有一定的主观性，有些学员的评分习惯性偏高，有些学员则习惯性偏低，这种评分偏好使用偏差系数来表示，即某学员与所有学员打分的差值来表示；将信任度乘以打分偏差系数，能够消除打分偏好的影响，得到更为客观的信任值。如式(3)所示.

综合式(2)和式(4)得到调和后的基于学习者兴趣偏好的信任度为，如式(4)所示。

preTrust

其中a为权重参数，用于调节学习投入和评分在兴趣偏好信任度中的比重。

优选的，所述步骤S1中的获取用户的地理位置信任度，包括以下步骤：

步骤S13，获取用户在选课日志、登录日志和每次学习行为日志中的IP信息；

步骤S14，依据所述IP信息，生成用户的地理位置信任度。

在本实施例中，在线学习社区平台中在选课日志、登录日志和每次学习行为日志中均记录了学习者的IP信息，通过IP信息可以获得学习者的地理位置信息，实现基于相同或相近位置的学伴推荐，促进学习互动从线上走向线下。任意学习者u和学习者v在空间上的相似性可以使用离散地理位置相似性度量，计算如式(5)所示

其中，N表示学员序列集合；P表示地理位置(城市)序列集合，p

优选的，所述步骤S1中的获取用户的同时在线时间信任度，包括以下步骤：

步骤S15，获取用户登录开放课程的在线时间；

步骤S16，依据所述在线时间，生成用户的同时在线时间信任度。

在本实施例中，在在线学习社区社区交互中，同步互动比异步互动更能提升社会临场感，能提高交互率和学习效果。任意学员u和v在时间上的相似度可以用同时在线时间相似度来表示，计算如式(6)所示

其中，N表示所有学员序列集合；T表示时间段序列集合，这里可根据需要，将一个自然日划分为不同的时段；p

将上述基于兴趣偏好、地理位置、在线时间的信任值按权值综合，如式(7)所示，得到用户情境信任度。

UserTrust＝α·preTrust+β·localTrust+γ·timeTrust (7)

其中，α,β,γ分别为这类信任度的权重，取值为[0,1]区间，且α+β+γ＝1。

优选的，所述步骤S1中的获取用户的交互信息信任度，包括以下步骤：

步骤S17，获取用户的交互行为信任度、交互强度信任度和交互时效信任度；

步骤S18，依据用户的交互行为信任度、交互强度信任度和交互时效信任度，生成用户的交互信息信任度。

在本实施例中，交互行为信任度主要反映用户对于其他学员发布的内容的单方面交流，交互强度信任度主要反映用户与其他学员互相之间的交流，交互时效信任度主要反映用户与其他学员之间的近期交流或远期交流，通过交互行为信任度、交互强度信任度和交互时效信任度，能够准确反映出用户与其他学员之间的交互信息，从而进一步提高推荐学伴的准确率。

优选的，所述步骤S17中的获取用户的交互行为信任度，包括以下步骤：

步骤S171，获取用户对其他学员网上发布内容的回贴行为、点赞行为和转发行为；

步骤S172，依据所述回贴行为、点赞行为和转发行为，生成用户的交互行为信任度。

优选的，所述步骤S17中的获取用户的交互强度信任度，包括以下步骤：

步骤S173，获取用户与其他学员的交互行为频次和交互行为时长；

步骤S174，依据所述交互行为频次和交互行为时长，生成用户的交互强度信任度。

在本实施例中，将在线学习社区交互行为集v＝{回帖，点赞，转发}作为交互信任度的计算指标，现有技术主要使用交互频次构建信任度，而在线学习社区交互作为一种知识学习和分享行为，交互时长能在一定程度上反映交流的深度，在线学习社区平台一般不记录某次交互行为的时长，因而这里使用回帖文本长度模拟交互时长。

对不同交互行为赋予不同的权重

其中，CF

构建信任度

在线学习社区交互具有方向性，如果只是单方面主动发起联系，即便单方强度高，并不能代表双方熟识且信任度高，双向互动比单向互动构成好友的可能性更大，基于双向互动构建的信任度才有意义，因此本发明综合考虑双向互动来构建学员间的信任度，如式(10)所示，CF

用同样的方法计算基于交互时长的信任度CT

SociaTrust(u,v)＝b×ln(CT

其中，CT

优选的，所述步骤S17中的获取用户的交互时效信任度，包括以下步骤：

步骤S175，获取用户与其他学员的交互时效；

步骤S176，依据所述交互时效，生成用户的交互时效信任度。

在本实施例中，交互失效反映用户的近期交互和远期交互，近期交互对当前信任值的影响大，远期交互对当前信任值的影响小；为了更关注近期交互的影响，引入时间衰减因子来削弱或遗忘历史行为记录的影响，通过信任奖励因子和时间衰减因子来实现交互信任值的动态调整，将整个课程学习周期划分为若干个大小为T的时间窗口，信任值每经过一个窗口T时更新一次；

奖励因子

在第i个时间窗口t

其中，U

比较t

信任奖励因子r(k)定义为两个连续时间窗口反馈得分的比值，即斜率r(k)＝S

因此，经过T时间窗口后更新的信任值为式(13)所示。

SociaTrust(u,v,t

经过奖励因子调节后，信任值在每个时间窗口T呈现了动态变化性。

时间衰减因子

在推荐时间节点t,为了给远近不同的历史交互行为施加差异权重，使用时间衰减因子更新t周期内的信任值。时间衰减因子定义如下：

其中，t表示信任评估与推荐时刻，t

SociaTrust(u,v,t

从式中可知，t

一种在线学习社区的学伴推荐系统，所述系统采用上述任意一种学伴推荐方法。

以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。