基于本體的學習服務發(fā)現(xiàn)算法研究.pdf

1、隨著網(wǎng)絡技術的不斷發(fā)展和教育技術的日益更新，現(xiàn)代遠程教育（Modern Distance Education）的教育模式也正在發(fā)生改變，個性化、自主化以及協(xié)同學習（Cooperative Learning）等逐漸成為網(wǎng)絡教育者和學習者追求的目標，如學習資源的自動提供，個性化學習方案的自動生成，學習服務（e-Learning Service）的自動發(fā)現(xiàn)，以及學習效果的自我評估。如何快速準確地發(fā)現(xiàn)教學過程中所需要的學習服務是影響教學效果的關

2、鍵。傳統(tǒng)的基于UDDI（Universal Description，Discovery，and Integration）的學習服務發(fā)現(xiàn)所采用的發(fā)現(xiàn)機制局限于關鍵字的匹配，是一種靜態(tài)匹配的方式，盡管查找速度比較快，但自動化程度不高，而且不能保證找到所有滿足需求的學習服務。由于本體（Ontology）具有共享、可重用等特點，有良好的概念層次結(jié)構(gòu)及對邏輯推理的有效支持，且能從語義和知識的層次上描述信息系統(tǒng)的概念模型，成為語義網(wǎng)的重要技術之一。

3、特別是基于OWL（Web Ontology Language）的本體技術可應用于網(wǎng)絡教育，使得學習服務的描述具有語義信息，所以基于OWL-S(OWL for Service)的學習服務發(fā)現(xiàn)能夠較好地克服UDDI匹配的弱點，提高學習服務發(fā)現(xiàn)的質(zhì)量。然而該方法也還存在準確度低和效率低的問題，故論文結(jié)合本體論，應用二部圖、粗糙集和用戶滿意度等理論，對學習服務發(fā)現(xiàn)算法進行了深入的研究?；诙繄D（Bipartite Graph）的學習服務發(fā)現(xiàn)算

4、法是把請求學習服務和發(fā)布學習服務的屬性集分別作為二部圖的頂點集，所有匹配屬性之間的連線為邊，邊的權是屬性匹配度，先把學習服務匹配問題轉(zhuǎn)換為二部圖的最優(yōu)完全匹配問題，然后通過最優(yōu)完全匹配問題的求解，實現(xiàn)學習服務的匹配，最終達到學習服務的發(fā)現(xiàn)。由于粗糙集理論（Rough Sets Theory，RST）可用于處理不精確、不一致、不完整的各種不完備信息，并從中發(fā)現(xiàn)隱含的知識，揭示潛在的規(guī)律，因此它特別適用于不要求精確數(shù)值結(jié)果的不確定性問題?；?/p>

5、于RST的學習服務發(fā)現(xiàn)算法就是結(jié)合本體技術，把RST應用到學習服務發(fā)現(xiàn)當中。該算法是在學習服務匹配之前應用RST進行三步預處理操作：
　?、僖?guī)范化請求學習服務；
　?、诟鶕?jù)請求學習服務對發(fā)布學習服務進行不相關屬性約減；
　　③根據(jù)請求學習服務對發(fā)布學習服務進行依賴屬性約減。
　　其中的不相關屬性約減和依賴屬性約減可大大減少匹配的數(shù)量，從而提高學習服務發(fā)現(xiàn)的效率。然而，盡管采用了這些幫助提高學習服務發(fā)現(xiàn)查準率(Pr

6、ecision)、查全率(Recall)和效率(Efficiency)的算法，也只能盡快準確地查找到與學習者請求相匹配的學習服務，關鍵還在于學習服務本身的發(fā)現(xiàn)。在現(xiàn)有的學習服務發(fā)現(xiàn)系統(tǒng)中，根據(jù)學習者的請求能夠找到一些學習服務，而且匹配度很高，但是學習者并不一定滿意，這里的原因很多，其中一個主要原因就是現(xiàn)有的算法都只把學習服務自身的屬性匹配度作為衡量學習服務匹配效果優(yōu)劣的唯一指標，沒有考慮到學習者的感受，這在一定程度上限制了學習服務發(fā)現(xiàn)系

7、統(tǒng)性能的提高。因此本論文引入了用戶滿意度（User Satisfaction，US）的概念，提出了一種基于用戶滿意度的學習服務發(fā)現(xiàn)算法，該算法是把學習者對系統(tǒng)返回給他的學習服務的評價作為反饋信息，并設定一個修正函數(shù)，以動態(tài)更新發(fā)布學習服務的各個屬性的匹配度權值，這不僅從客觀上提高了學習服務的查準率，而且還從主觀上提高了學習者對服務發(fā)現(xiàn)結(jié)果的滿意程度。論文最后給出了一個CSCL原型系統(tǒng)，該系統(tǒng)集成了學習服務發(fā)現(xiàn)算法，學習者可以在該系統(tǒng)中進