湖南省大学生研究性学习和创新性实验计划

项目申报表项目名称:学习型微群中的学习资源推荐方法研究学校名称湖南第一师范学院学生姓名学号专业性别入学年份阳小12403080108教育技术学女2012孙小涵12403080105教育技术学女2012罗馨12403080106教育技术学女2012郝月12403080107教育技术学女2012指导教师肖升职称副教授项目所属一级学科教育学学生曾经参与科研的情况1）申报省级大学生研究性学习和创新性实验计划项目“基于微群的专业学习平台建构的研究2012473）”，并已结题。2）获挑战杯省3等奖，院1等奖。3）获校“创新之星”。4）申报“创青春”湖南省大学生创业项目“你型我塑工作室”，获院2等奖。5）大学生公益创业策划项目“梦想之翼”获系二等奖。指导教师承担科研课题情况主持各级各类课题5项；参与各级各类课题7项；发表各级各类论文21篇。与本项目密切相关的主要成果有：1）微群及其在微学习中的应用，电化教育研究，2013.6（CSSCI来源刊）；2）社会学视域下微博与微群学习功能的对比研究，现代教育技术，2014.4（CSSCI来源刊）；3）指导大学生研究性学习和创新性实验计划项目“基于微群的专业学习平台建构的研究”（项目编号：2012473，省级，已结题）项目研究和实验的目的、内容和要解决的主要问题1.项目研究的目的和要解决的主要问题：学习型微群是以学习为目的，以博文为学习资源和知识载体的微博用户群组。作为一种跨时空、高度共享的虚拟学习共同体，学习型微群中所有学习活动的开展都离不开学习资源的支撑。没有学习资源，学习型微群中的学习者不仅无法顺畅完成交流、探究和协作，更不可能实现预期的学习目标。与传统平台（如主页、论坛、社区、博客等）相比，学习型微群在聚集学习资源方面具有如下3点优势：博文篇幅短小，信息量大，以博文为知识载体的学习型微群更易生成海量学习资源。通过对多种移动终端（如手机、ipad、TabletPC、PDA、Laptop等）和多媒体技术（如语音、视频等）的支持，学习型微群更易生成和传播形式多样的学习资源。由于用户更具自媒体特性，学习型微群更方便以共建共享方式来聚集学习资源，在跟随机制的驱动下，学习资源也更有可能在学习群体中产生爆炸式传播效应[1-2]。学习型微群中迅速聚集和扩充的学习资源，一方面使学习者具备更多的选择，但另一方面也会使其在海量学习资源面前出现选择迷航现象。为满足学习者不同背景和偏好的个性化需求，提高学习资源的使用效率，学习资源推荐技术成为了研究热点[3]。通过对研究现状的分析[3-10]，本项目提出一种基于学习话题相似度的学习资源推荐方法。该方法首先用基于聚集策略的LDA（LatentDirichletAllocation）算法分别对成员和的博文进行话题分类；然后从分类结果中挑出与学习相关的话题，并用LDA所得的加权词袋（由特征词项及其权值组成）生成相应学习话题的向量空间模型（VectorSpaceModel，VSM）；最后用基于VSM的余弦相似度算法对成员和的学习话题相似度进行计算，并据此完成两者间的学习资源推荐。2.项目研究的内容：本项目的主要研究内容是基于学习话题相似度的学习资源推荐方法，此方法的步骤如下：1）用爬虫工具爬取相关成员在某时间区间内所发的博文。2）对爬取的博文进行规范化和预处理。3）用基于聚集策略的LDA算法分别对成员和的博文进行话题分类。基于聚集策略的LDA算法是一种能将多个离散数据（如多条博文）聚集为一个长文档，并对此长文档进行主题建模的方法[11]。该方法的假设基础是：一个长文档由若干个隐含主题构成，而这些主题则由一个相关词项集（即词袋）表达。已有成果表明，该方法不仅能避免单条博文造成的数据稀疏问题，而且可以在一定程度上克服网络语言不规范性引发的相关度计算障碍[12]。运用该方法可以逆向生成一个包含博文集、话题、词3个层面的贝叶斯模型，此生成模型如图1所示：图1中，表示词；是词数；表示话题；是话题数，其最优值可由标准贝叶斯方法求得[13]；是“博文集-话题”层面的概率分布，是的超参数，其值通常取50/；是“话题-词”层面的概率分布；是的超参数，其值通常取0.01[14]；是博文数。LDA模型的参数个数只与和相关，其建模过程中需要估计的最重要的两组参数是和。在现有估计方法中，基于Gibbs抽样的参数推理方法由于能简单高效地应对大规模文本集，因此成为了基于聚集策略的LDA算法中估计和的主流方法，其公式如下[15]：（公式1）（公式2）公式1中，表示长文档中赋予话题的词的总数。公式2中，表示词被赋予话题的总次数。LDA的结果可用加权词袋表示，加权词袋中包含了表征话题的词项及其权重。表1展示了3个加权词袋的部分结果。从表1可以比较明显地看出，与加权词袋1、2、3相关的话题分别是“教育信息技术”、“Basic程序设计”和“毒疫苗事件”。4）从步骤3）的分类结果中人工挑选出与学习相关的话题。5）用基于VSM的余弦相似度算法对成员和的学习话题相似度进行计算。此步骤用空间向量模型表示话题，并将加权词袋中的词项及其权重对应为空间向量模型中的特征项及其权重。话题空间向量模型，其中为的第个特征项，为该特征项的权重。以表1中的话题为例，若取权重大于0.04的词（信息、程序、毒疫苗、疫苗）为的特征项，则话题1、2、3可分别表示为、、。对两个话题空间向量模型和而言，可以通过余弦相似度算法计算两者的相似度。余弦相似度算法的计算公式如下：（公式3）公式3中，、分别代表、第个特征项的权重。仍以表1中的话题为例，用余弦相似度算法任意计算、、两者之间的相似度，结果均为0，这说明3个话题并无相似性（与人的直觉相符）。6）根据成员和的学习话题相似度进行学习资源推荐。设定阈值来划分学习话题相似度（），若，说明两成员间的学习话题相似度较低，不适合进行学习资源的相互推荐；反之，说明两成员间的学习话题相似度较高，适合进行学习资源的相互推荐，且推荐的学习资源应与相似话题密切相关。国内外研究现状和发展动态在已有成果中，文献[3]借鉴信息过载处理思想，提出了学习资源个性化推荐的研究框架和工作流程。文献[4]以用户模型为依据，实现了基于本体的个性化学习资源推荐。文献[5]以虚拟研究社区中电子文献的个性化推荐为例，建立了知识推荐系统的体系结构和推荐机制，并结合内容过滤和协同过滤的推荐策略，设计了虚拟研究社区中显性与隐性知识的推荐过程。文献[6]以泛在学习资源——“学习元”为例，提出了一种针对泛在学习的内容个性化推荐模型。文献[7-10]实践了基于多Agent的网络学习智能推荐模型，其中，文献[7]提出了一种基于多Agent的远程协作学习资源推荐机制。文献[8]在“网络课件－概念图－学习资源库”3层模型的基础上，提出基于知识的资源推荐，并通过多Agent系统实现了在WC-C-R模型上进行资源推荐；文献[9]运用界面Agent实现了与学习者的交互，利用基于知识推荐的Agent提供了与学习者兴趣相关的推荐，利用基于相似学习者推荐的Agent向特定学习者推荐了新的知识；文献[10]则提出了多角色案例推理Agent间的合作框架。参考文献[1]冯英健.微博营销与博客营销的本质区别[DB/OL]./blog/fyj/1096.html[2]冯永,韩楠,贾东风.云计算环境下基于代表点增量层次密度聚类的微博事件检测及跟踪[J].计算机应用,2013,33(12):3559-3562,3595.[3]杨丽娜,刘科成,颜志军.面向虚拟学习社区的学习资源个性化推荐研究[J].电化教育研究,2010,(4):67-71.[4]姜强,赵蔚,杜欣等.基于用户模型的个性化本体学习资源推荐研究[J].中国电化教育,2010,(5):106-111.[5]杨丽娜,刘科成,颜志军.虚拟研究社区中的知识分享与个性化知识推荐[J].中国电化教育,2010,(6):108-112.[6]陈敏,余胜泉,杨现民等.泛在学习的内容个性化推荐模型设计——以“学习元”平台为例[J].现代教育技术,2011,21(6):13-18.[7]王志梅,杨帆.基于相似学习者发现的资源推荐系统[J].浙江大学学报(工学版),2006,40(10):1688-1691.[8]卢修元,周竹荣,奚晓霞.基于WC-C-R学习资源推荐的研究[J].计算机工程与设计,2006,27(23):4461-4464.[9]李唯唯,黄继平,刘智.基于多Agent的网络学习智能推荐模型[J].计算机工程与设计,2009,30(4):1039-1041.[10]杨丽娜,刘科成,颜志军.案例推理Agent合作框架下的个性化学习资源推荐研究[J].中国电化教育,2009,(12):105-109.[11]赵爱华,刘培玉,郑燕.基于LDA的新闻话题子话题划分方法[J].小型微型计算机系统,2013,34(4):732-737.[12]张志飞,苗夺谦,高灿.基于LDA主题模型的短文本分类方法[J].计算机应用,2013,33(6):1587-1590.[13]SteyversM,GriffithsTL.Probabilistictopicmodels[A].In:LandauerT,McNamaraDS,DennisS,etal.HandbookofLatentSemanticAnalysis[M].Hillsdale,NJ:Erlbaum,2007.[14]BleiD,NgA,JordanM.Latentdirichletallocation[J].TheJournalofMachineLearningResearch,2003,3(1):993-1022.[15]GriffithsTL,SteyversM.Findingscientifictopics[J].ProceedingsoftheNationalAcademyofSciencesoftheUnitedStatesofAmerica,2004,101(S1):5228-5235.本项目学生有关的研究积累和已取得的成绩1）申报省级大学生研究性学习和创新性实验计划项目“基于微群的专业学习平台建构的研究2012473）”，并已结题。2）获挑战杯省3等奖，院1等奖。3）申报“创青春”湖南省大学生创业项目“你型我塑工作室”，获院2等奖。4）大学生公益创业策划项目“梦想之翼”获系二等奖。5）获国家励志奖学金、校一等奖学金、校三好学生、优秀学生干部、优秀团员、创新之星等荣誉。项目的创新点和特色1）用基于聚集策略的LDA算法分别对成员和的博文进行话题分类。2）用基于VSM的余弦相似度算法对成员和的学习话题相似度进行计算。3）根据学习话题相似度与阈值的关系设定判别标准，并据此完成两者间的学习资源推荐。项目的技术路线及预期成果1.项目的技术路线本项目首先用基于聚集策略的LDA算法分别对成员和的博文进行话题分类；然后从分类结果中挑出与学习相关的话题，并用LDA所得的加权词袋（由特征词项及其权值组成）生成相应学习话题的向量空间模型；最后用基于向量空间模型的余弦相似度算法对成员和的学习话题相似度进行计算，并据此完成两者间的学习资源推荐。2.预期成果1）改进基于学习话题相似度的学习资源推荐算法，并提供相应研究报告。2）创建一个可支撑本项目研究的学习型微群。3）初步搭建一个与研究主题相关的实验平台。4）预计在国内外核心刊物上发表与课题相关的论文2-3篇。以上预期成果将随着研究进程的开展陆续公布。年度目标和工作内容（分年度写）1．2014.6-2015.6的主要工作包括：1）改进基于学习话题相似度的学习资源推荐算法，并对算法的可行性进行初步验证。

2）创建一个可支撑本项目研究的学习型微群，并基于该群设计实验方案。

2.2015.7-2016.6的主要工作包括：1）初步搭建一个与研究主题相关的实验平台，并按计划开展预设实验。

2）对实验结果进行分析，提出改进方案。

3）总结研究成果，撰写与研究主题相关的学术论文。指导教师意见学习型微群是虚拟学习社区近年来的研究热点，与其相关的学习资源推荐是解决微群学习者在面对海量学习资源而出现选择迷航问题时的关键，因此本项目的选题新颖且实用。