结合IGA和KG的偶然学习内容推荐EmmanuelAyedoun1、SatokoInoue2、HiroshiTakenouchi3和MasatakaTokumaru11关西大学工学部大坂市吹田山手町3-3-35邮编564-86802关西大学研究生院工学研究科大坂市吹田山手町3-3-35邮编564-86803811-0295福冈东区轮次郎东3-30-1福冈工业大学系统管理系摘要尽管在教育领域中很少有人尝试提出偶然性导向的推荐系统，但这样的系统似乎缺乏支持学习者主体的基本能力，学习者在本文中，我们提出了一个交互式进化计算驱动的推荐系统，使学习者采取控制和自己的学习的责任，同时推荐学习资源，是新颖的和意想不到的，但仍然相关的学习者的兴趣。该系统采用交互式遗传算法（IGA）和知识图（KG）进行科学发现史相关学习内容的动态推荐。我们进行了数值模拟，证实了学习内容优化算法的有效性和实验评估，暗示了所提出的方法对诱导学习者的意外发现的意义。关键词推荐系统，偶然学习，交互式进化计算1. 介绍在技术增强教育领域中部署推荐系统作为帮助学习者浏览合适的学习资源的有前途的手段已经引起了越来越多的兴趣，因为现在有太多的可用数字学习资源[1]。建立推荐系统的主要和常用的技术是协同过滤[2]基于内容的过滤[3]。然而，在教育背景下，这两种方法都存在一些缺点：过度概括的风险，合作的广告商和风险，过度专业化的内容为基础的广告商而言。这种问题被称为的的过分专注或推荐信息的过度概括会削弱学习支持系统为学习者提供有趣、新颖、更重要的是出乎意料的内容因此，根据Pardos的说法，这种方法可能会导致一组过于狭窄的建议，缺乏偶然性，并无意中将学习者置于所谓的“过滤气泡”中。也就是说，提出推荐系统，也旨在帮助学习者进行偶然的知识获取是必要的，以解决过滤器泡沫问题。“偶然学习”一词偶然性学习强调积极的一面会议名称，XX-XX月email1@mail.com1）;email2@mail.com（A. 2）;email3@mail.com（A. 第三章ORCID：XXXX-XXXX-XXXX-XXXX-XXXXXX-XXXXXXXX-XXXXXXXX-XXXXXXXX-XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX 1）;XXXX-XXXX- XXXX-XXXX-XXXXXXXX-XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX 2）; XXXX-XXXX-XXXX-XXXX-XXXXXXXX-XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX 第三章©2020本文版权归作者所有。在知识共享许可署名4.0国际（CC BY4.0）下允许使用CEUR研讨会论文集（CEUR-WS.org）对学习和研究中隐藏的、看似无关的联系或类比的意外实现的作用[8]，[9]。虽然在教育领域中很少尝试提出面向偶然发现的推荐系统[10]，[11]，[12]，但是这样的系统不一定支持学习者的代理，这仍然是一个基本要求，因为偶然发现的遭遇也归因于寻求者的开放态度，他们的好奇心和他们的洞察力[13]。交互式进化计算（IEC）是一个通用术语，指的是一组优化技术或算法，当适应度函数无法假设或以数学函数的形式适当表示时，使用主观的人类评估而不是数值适应度函数来解决优化问题[14]。鉴于这些特点，IEC技术已成功应用于许多领域，如人脸识别[15]，时装设计[16]，音乐创作[17]，助听器验配[18]。在IEC的典型场景中，少量的解决方案（例如，十个解决方案的群体）被示出给假定分配预先指定的等级集合中的一个的人类用户（例如，1：非常差，2：差，3：平均，4：好，5：非常好）。在本文中，我们提出了一个交互式进化计算（IEC）驱动的推荐系统，使学习者能够控制和负责自己的学习，同时探索学习资源，是新颖的和意想不到的，但仍然与他们的利益。该系统采用交互式遗传算法（IGA）和知识图（KG）的动态生成的学习内容。2. 研究目标和方法2.1.问题陈述和研究目标在技术增强学习领域，已经提出了许多推荐系统。然而，如果更仔细地审视其发展和评价的现状，就会发现这种努力存在一些局限性。例如，现有的系统似乎以正规环境中的学习为目标，没有充分支持学习者然而，在这方面，非正式学习在很大程度上取决如前一节所述，还应该注意的是，大多数专用于学习支持的推荐系统都嵌入了推荐技术，这些推荐技术可能会无意中将学习者置于“过滤气泡”中与此同时，有人认为，偶然的经历对个人层面的学习很有价值[10]。因此，在促进学习者在非正式学习环境中的参与程度上非正式学习环境通过与学习环境的探索性互动，积极支持自主学习，促进学习者的自主性嵌入一个资源推荐算法，通过主动收集学习者的偏好，2.2.方法2.2.1. 拟议系统图1显示了所提出的系统的概述。在该系统中，学习内容以涵盖相关概念的“学习路径”形式呈现图1：学习者与系统之间交互的示意图图2：显示路径导航窗口的2. 例如，用于本文中提出的研究的知识数据库是其中学习内容（即，科学发现和发明）是相互关联的，这种关系可以用数量来表示。为此，我们使用《科学：直观的视觉指南》一书的内容建立了系统的学习内容数据库。[21]第20段。这是一本综合性的书，它以时间顺序讲述了从最早的时代到现在的科学和技术的历史，捕捉了发现的每一个关键时刻，并展示了概念，发明以及它们背后的个人如何改变了我们的更有趣的是，这本书通过提供一些关于当前发现或发明之前和之后的事件的指针，说明了一个发现如何与另一个发现相联系。这样的结构显然有可能使读者更容易认识到广泛科学领域的科学发现和发明是如何相互关联的。在所得到的知识图中，每条信息（即，重大发现或发明）由节点表示，并且关系通过利用IGA，使用户感兴趣，并基于这些特征生成新的路径如果生成的路径存在于路径数据库中，则原样呈现给用户，如果不存在，则用路径数据库中最相似的路径替换并呈现给用户（阶段2）。通过重复对所提出的路径的评估，系统尝试学习学习者2.2.2. 知识图模型一般来说，知识图G= {E，R，F}是实体E，R和事实F的集合[22]。一个事实是一个三元组（f，���，���）∈ F，它表示���三元组的头f ∈E和尾���f ∈ E之间的一个链接∈ R。在我们提出的系统中，节点和边缘之间的关系也表示使用共同的（，���，���）三元组。请注意，和���表示知识图中的两个不同节点，而���表示连接这些节点的边。在以下几行中，我们概述了我们如何在本研究的背景下定义这些三元组。首先，我们将表示为三个参数向量element、Before和After的集合。电子元件=[之后元素表示页面的主要内容，如式（2）所示，其中，页面号为节点的页码，学科为学科（即，科学领域），而时代是节点的内容。相关节点之间的关系由边表示在1电子邮件其他术语，每个节点保存每个节点的内容。元素=[���边表示书的一页，而边表示两个相关页面之间的关系。3塞韦拉因此，所谓的本研究的上下文是从知识图中提取的节点和边的集合。通过交互式遗传算法（IGA），IEC算法的一种，在给定的时间的交互学习路径的生成和优化“ 之 前 ” 表 示 书 籍 中 标 记 为 page BEFORE（=B）的相关页面，这些页面指的是比当前页面早的相关页面。根据较旧的相关页面的数量NB，并且每个BEFORE页面i，如等式（3）中所定义���。1F组2 1在所提出的系统中，用户首先被要求探索知识图，并选择他们评估的感兴趣的路径（第1阶段）。然后之前==I我⋮吉吉⋮I（1个国家B）（3）我系统学习路径的特征，[详细]“后页”的定义与“前页”类似，表示图书中标记为“后页”（=A）的相关页面，如（4）所示。请注意，NA代表当前页面之后的相关页面的数量。���1F组2 1⋮定量地表示两个节点之间的相关性或分歧程度（即，学习内容）。2.2.3. 学习路径优化算法这里的路径优化是指生成之后 ==我拉吉⋮（4）第一个国家（4）我系统对用户感兴趣的新路径。设N为从所述路径生成的路径的数目，[详细]接下来，如下定义也表示类似于上面的内容节点的内容节点。让第一页表示页码，第二学 科表示学科，第三时代表示时代。t表示为（5）。知识图G和路径k（k ∈ N），路径k是从路径数据库中任意检索的路径。在本研究中，每条路径k具有固定的长度，由四个节点h1，h2，h3，h4（h1，h2，h3，h4∈ n）和三条边n1，n2，n3（ n1， n2， n3∈n）组成。1电子邮件考虑 的 的 边缘 1，二、三 是=[如（6）中所定义，������������也就是向量3era最后，由以下三个向量的关联组成：元素、之前和之后，如等式（6）所示。电子元件= [之后元素表示 的 关系 之间节点划分的主要内容和节点划分的主要内容在学科和时代参数的差异方面，如（7）所示。���=[|ℎ������������������������������−���������������������������������| （七）表示整个路径（即，���������将��� 1、2和3的和表示为：������������ℎ���=[���1,���2,���3](10)在本研究中，使用免疫遗传算法的路径优化过程是基于基因表达的基因信息 ������������。在这种程度上，学习者首先根据与他们的兴趣的相关性来评价系统向他呈现的一些路径。在这里，重要的是要记住学习者不会被提示评估每个边或节点，而是整个路径，重点是元件|ℎ��������� −������������|开始节点和结束节点���Before被定义为在三个参数方面的节点bits和之间的差���：页码、学科和时代，如等式（8）所示。注意这里������= 0 if ���= ���（i ∈NB）。|������1 − ���1|���之前=��� = [|������2− ���2|（八）|������3 −���3|类似地，将“后”定义为在三个参数方面：页码、学科、和时代，节点100和101之间 在这里，如果������n= n（j ∈NA），则n=0|������1 − ���1|���After=��� = [|������2 − ���2|（九）|������3 − ���3|基于所提出的知识图模型，我们的核心思想是让边缘���捕捉两个给定节点之间的学科，时代和页码的差异，网络和 。此外，借由将年代与页数表示为时间序列参数，并采用相似度作为学科参数，结这里的目的是让系统捕捉学习者发现跨各种科学学科和时代的几个相关事件之间的联系有多有趣。基于所获得的评估值，通过遗传算法处理来优化路径，并且下一代解决方案候选（即，学习路径）被呈现给学习者。通过重复该过程一定数量的代来优化路径请注意，这里的路径优化不同于IGA的通常实现，因为它需要一个额外的过程，我们称之为路径检索。当生成下一代解决方案时，在大多数情况下，交叉或突变将导致候选解决方案的生成（即，路径），其不存在于路径数据库RDB中。因此，例如，不存在的路径rpathA需要rpathA<r pathB）。在计算相似在两条路径之间，我们采用了动态时间弯曲（DTW）算法[23]，这是一种众所周知的技术，用于在一定的条件下找到两个给定（时间相关）序列之间的最佳比对。限制.的DTW距离表示相似度的“”（，）���������������������的两不同���������路径��� 和������������使用以下等式递归计算最小值：���������������������������（= ���������������������������������（���������������������������（内容（即， 最后一个世代出现的染色体数目（M= 3.9，SD：0.92）相对较高接下来，DTW值，其指示通过算法生成的路径和从数据库检索的路径这表明所提出的系统能够生成接近数据库中存在的路径的路径这是一个很好的迹象表明，提出的基于DTW的路径相似度计算方法表现良好。然而，在分析某些受试者的DTW值的转变时，+ 最小值{���������������������������（（十一）其中DTW值迅速上升，���������������������������（其中，（，）���������������������������表示���������������������������（������������，���������������）���= |������������ℎ���−������������ ℎ���|（十二）3. 试点评价我们进行了一个实验性的试点评估，以调查所提出的系统是否可以提供感兴趣的信息，但意想不到的程度，以诱导参与者的意外发现。研究对象为3名理工科大学生。受试者被要求访问，然后评估系统提出的路径在0至5级的偏好水平基于他们的评级，系统生成新的路径，并且重复相同的操作直到结束条件（即，10代）。在互动结束时，我们进行了一个问卷调查，收集参与者图3~图5显示了第一轮和最后一轮之间，三名参与者（受试者A~C）中每一位的DTW值和最高评价路径的评价分数的变化。首先，从这些结果中可以注意到，所提出的系统能够根据每个用户优化路径，因为来自参与者的最高评价分数似乎在最后几代左右稳定。换句话说，该系统能够逐步向受试者呈现高评价的学习内容。学习的平均评价分数在最后一代中，尽管代数增加，但未显示出下降趋势，例如在受试者B的情况下（图4）。因此，我们不能排除使用DTW距离以外的方法作为计算路径相似性的方法可能导致路径优化的更高性能的假设从问卷调查的结果，我们注意到，该系统能够提出有趣的和令人惊讶的学习内容，三分之二的科目。此外，两名受试者还表示，他们能够通过与系统的互动体验到意外之喜。这样的结果似乎表明所提出的方法的意义。图3：最佳路径的评估分数和相应的DTW值（从上到下主题A、B和C）。[1]H. Drachsler，K.Verbert，O.C. 桑托斯和N. Manouselis，“支持学习的推荐系统的全景”，推荐系统手册，pp. 421- 451，Springer ， Boston ， MA ， 2015 ， doi ：10.1007/978-1-4899-7637-6_12.[2]M. D. Ekstrand ， “Collaborative FilteringRecommender Systems，”Foundations andTrends® in Human-Computer Interaction，vol. 4，no. 2，pp. 81-173，2011，doi：10.1561/1100000009。[3]P. Lops，M. D. Gemmis和G. Semeraro，“基于内容的推荐系统：最新技术和趋势”，推荐系统手册，第10页。73-105，Springer ， Boston ， MA ， 2011 ， doi ：10.1007/978-0-387- 85820-3_3[4]L.亚昆塔，M. de Gemmis，P. Lops，G.塞默 格 罗 湾 Filannino 和 P. Molino ， 168-173，2008年。[5]T. Gup，[6]Z. A. Pardos和W. Jiang，350-359，2020.[7]I. Buchem，“偶然的学习：认识和培养微博的潜力”，Form@re，第11卷，第74期，第11页。7-16，2013年3月，doi：0.13128/formare- 12559。[8]G. A.费恩和J. G. Deegan，号94，pp.434[9]J. Gritton，学习？”http://www.futurelab.org.uk/resources/publications-reports-articles/web-articles/Web-Article 795（2022年6月[10] O. R. Zaiane，“构建电子学习系统的推荐代理”，在国际计算机教育会议论文集，IEEE，pp. 55-59，2002年，doi：[11] M. J. Ibarra，C. Serrano和A. F. Navarro，2016年1- 6月。[12] R. Rismanto，A. Rachmad Syulistyo和B.P. Citra Agusta，“基于主题一致性的研究主管推荐系统”，《国际现代教育和计算机科学杂志》，第12卷，第1期，第15页 。 2020 年 2 月 26 日 至 34 日 ， doi ：10.5815/ijmecs.2020.01.04。[13] O. Yaqub ， “Serendipity ： Towards ataxonomyandatheory ， ”ResearchPolicy，vol. 47，no. 1，pp. 169-179，Feb.2018，doi：10.1016/j.respol.2017.10.007.[14] H. Takagi，1275[15] C.考德威尔和V.S. Johnston，416-421[16] J. H. Lee，H. S. Kim和S. B. Cho，“通过交互式时装设计的直接操纵加速进化”，第四届计算智能和多媒体应用国际会议论文集。ICCIMA，2001，pp. 343-347.[17] N. Tokui和H. Iba，“交互式进化计算的音乐作曲”。第三届国际生成艺术会议论文集，2000年，第17卷，第2号，第17页。215-226.[18] H. Takagi和M. Ohsaki，号11第3页。4142007年，doi：10.1109/tevc.2006.883465。[19] R. G. Brockett和R.成人学习中的自我指导：理论、研究与实践的观点. 1994年，《华盛顿邮报》。[20] E.Olshannikova，T.Olsson，J.Huhtamäki，S.Paasovaara和H.Kärkkäinen，Interaction，vol. 2020，pp. 2020年2月1日[21] J. Gribbin，A. Hart-Davis，D. Palmer，J.Cherfas，andDorlingKindersleyLimited ，Science ，The Definitive VisualGuide.伦敦：Dorling Kindersley PublishersLtd.[22] A. Rossi ， D. Barbosa ， D. Firmani ， A.Matinata和P.Merialdo，1[23] T. Giorgino，“Computing and VisualizingDynamic Time Warping Alignments in R：ThedtwPackage ， ”Journal of StatisticalSoftware，vol. 31，no. 7，2009，doi：10.18637/jss.v031.i07.
我的内容管理
展开
