基于领域本体的学习路径推荐策略研究
严晓梅，李小青，周 博
（空军工程大学信息与导航学院，陕西西安710077）
摘 要： 为了解决学生在线学习过程中的“认知过载”和“学习迷航”等问题，充分发挥网络课程资源的教学辅助作用，以《决策支持系统》课程为例，提出一种基于领域本体和语义相似度的个性化学习路径推荐策略。根据领域知识点及其关系构建本体库，建立知识点间语义关系，并用Protégé进行本体形式化编码；基于本体设计学习路径生成策略和相关知识协同策略；最后，结合《决策支持系统》课程现有网络资源设计并开发原型系统，实现个性化学习引导及资源空间优化。实验表明，该平台能够实现在线学习路径的有效引导，为学生提供个性化学习空间，优化在线学习效果。
关键词： 学习路径推荐；领域本体；语义相似度；原型系统；个性化学习引导
0 引言
《2020年前军队人才发展规划纲要》明确指出，必须把人才作为强军之本，突出信息能力建设［1］。加强网络化在线学习是实现部队教学手段信息化和培养新型军事人才信息能力的有效途径。近年来，部队院校的在线学习得到了迅速发展，各院校大力发展慕课、微课等网络教学。国防科技大学的梦课平台，覆盖计算机、物理、军事等多个学科，在线课程数量达112门，注册用户数量达32万。近几年，空军工程大学在线学习也得到了极大发展，已建设课程94门，资源类型包括视频、PPT、音频、FLASH动画、电子图书等。在线学习打破了传统面对面授课模式中时间和空间上的限制，为师生带来了诸多便利。然而，通过对空军工程大学2014-2017年网络课程实际使用情况进行分析发现，尽管网络课程建设数量逐年上升，但平均学习时长、平均学习次数和平均课时访问量却出现逐年递减趋势。由此可见，现有在线学习平台并没有实现预期效果，难以起到良好的教学辅助作用。
随着相关技术标准的出台和实施，近几年我国并未发生人员伤亡众多、经济财产损失巨大的外保温火灾事故，但相关火灾仍时有报道。笔者总结了近三年来见诸报道的保温火灾，见表2。
分析原因发现，在线学习资源内容庞杂、形式多样，如果没有有效的路径引导或教师指导，学生很可能在众多网页链接中迷航，逐渐丧失学习兴趣和热情。因此，在专业领域知识学习中，明确的知识关联结构与学习顺序对学生具有重要影响，采用个性化的学习路径推荐策略是解决上述问题的主要手段。
把服务群众工作实绩作为党员干部考核评估的重要内容，以服务群众工作为重点完善考核评估、奖惩激励等配套制度，是确保党组织服务能力长效性的重要环节。要通过建立客观科学的考评奖惩机制，形成能充分调动党员干部密切联系、服务群众积极性的动力机制，确保服务的长效性和实效性。
随着互联网+教学模式的推广，个性化学习路径推荐已成为当前在线学习研究热点之一。Brusilovsky等［2］提出根据学习者的知识基础和学习目标自动构建学习路径，为该项研究奠定了基础；Vanden Berg等［3］认为如果某条学习路径被大量学习者采用，则当前用户很大概率上也会采用该路径，通过学习者的群体行为特征实现学习路径推荐；Chen［4］提出在学习之前对学习者进行测试，根据出错信息进行学习路径推荐；黄志芳等［5］提出根据情景感知技术与领域本体技术实现适应性学习路径推荐；Wang等［6］基于学习者的用户特征模型，对课程知识结构和内容进行标记，实现个性化推荐；Shishehchi等［7］提出利用本体技术对学习者和网络学习资源进行模型构建，并利用语义关系实现学习者个性化学习路径推荐；赵学孔等［8］以用户认知水平为基础，利用相邻用户相似性规则提出一种基于协同推荐机制的个性化学习路径生成策略。
[8] Hermina Sutami, “Kekhasan Pengajaran Bahasa Mandarin di Indonesia”, Paradigma, Vol. 9, No. 2 (2007), p. 227.
T=｛数据，信息管理系统，数据库，数据仓库，OLAP，OLTP，数据挖掘，数据预处理，数据可视化｝
依据使用目的，因子分析分为探索性因子分析（EFA）和验证性因子分析（CFA）。探索性因子分析偏重理论产出，目的在于确认量表的因子结构，决定因子数以及因子负荷；验证性因子分析则是偏重理论检验，在经分析后因子数目已固定的基础上分析因子是否相关。研究进一步考察了混杂原因、混杂偏好和混杂态度三部分的验证性因子分析模型适配度，以检验探索性因子分析得出的8项观测变量维度是否合理，采集Amos Output中的Model Fit栏目指标，结果如下：
1 知识本体构建
在个性化推荐在线学习系统中，语义本体被广泛应用于领域知识的表达，利用本体方法，可以呈现目标知识的前驱、后继及相关知识，实现资源个性化和自适应性呈现，让学习者更直观理解知识之间的关系，快速建立知识体系，有利于提高学习效果。
T｛关联规则方法｝=｛ID3 算法，Apriori算法，FP-growth算法｝
本体是指对客观存在系统的解释和说明［9］，常用的本体表示语言包括 XOL、RDFS、OIL和 OWL；而领域本体是通过定义类、实例、属性、关系、公理等元素，刻画出某一领域的类和实例及其之间的层次关系，对领域知识进行归纳和抽象，是本体的一种［10］。由于各自学科领域特点和具体工程应用不同，构建本体的方法也不尽相同。“七步法”由斯坦福大学开发，该方法遵循了Gruber在1995年提出的选取领域本体构建方法的5条规则［11］：明确性、客观性、完整性、一致性和可扩展性，适用于所有领域本体构建。因此，本文选取“七步法”作为课程本体库构建方法，同时借鉴软件工程领域的建模方法，结合专业领域知识，提出课程知识本体构建方法，具体流程如图1所示。
以《决策支持系统》［12-14］课程为例进行专业领域知识分析，该课程“数据库系统与数据仓库”章节概念关系较为复杂，涉及决策支持系统中数据库系统相关知识，如数据库系统组成、体系结构、设计过程，以及数据仓库、联机分析处理和数据挖掘等新技术在决策支持系统中的应用等内容，知识点较多且隶属于不同的技术领域，在没有教师指导的情况下，学生无法很好地厘清学习思路。因此，本文选取该内容进行本体构建，其核心知识架构如图2所示。
图1 “七步法”具体流程
图2 核心知识架构
在分析专业领域知识的基础上，以合适的知识颗粒度进行知识点划分，形成10个核心概念集：决策支持系统、数据、信息管理系统、数据库、数据仓库、OLAP、OLTP、数据挖掘、数据预处理和数据可视化。
按照前期分析，各概念间的关系涉及前驱关系（is prior of）、技术手段（is way of）、实例关系（is instance of）、准则关系（is rule of）等8种，在概念节点之间加入关系，形成部分概念节点关系如图3所示。
基于上述研究，本文提出一种基于领域本体思想，结合语义本体和语义相似度的技术手段，对课程概念知识点进行组织，按照知识点的前驱后继关系和语义相似度，形成一条满足学生个性化需要的在线学习路径。本文提出的学习路径推荐方法在空军工程大学的《决策支持系统》网络课程建设中得以实施，效果良好。
形成第一层次，将其中的重点概念进一步向下拓展，以“数据挖掘”为例：
T（数据挖掘）=｛数据挖掘概述，分类算法，聚类算法，关联规则方法，偏差分析方法｝
形成第二层次，继续将“聚类算法”、“分类算法”和“关联规则方法”等重点概念进一步向下拓展：
T｛聚类算法｝=｛聚类算法概述、基于密度方法、基于隶属度方法、划分方法、层次方法｝
T｛分类算法｝=｛分类算法概述、KNN算法、SVM算法、人工神经网络算法、决策树算法、贝叶斯算法、遗传算法｝
(3)烧烤。低温烹饪结束后，打开真空包装袋，将鸡翅均匀的摆放在垫有烹调纸的烤盘上，放入烤箱中间层，选择热风烧烤模式，设置温度、时间，启动热风烧烤。
将符合纳入标准的70例CKD-MBD患者随机分为对照组35例、治疗组35例，按照随机数字表法将70例患者编号入组。实际完成65例，对照组33例，治疗组32例。对照组及治疗组患者的性别、年龄、基础病、CKD病程等经统计学处理后，均无差异（P＞0.05）。另设正常组20例，均选自于我院体检中心同期的健康体检者，并且估算其肾小球滤过率（eGFR）≥90 mL/(min·1.73 m2)，检测其血清FGF23、FGFRs、Klotho蛋白水平。3组入组前一般情况见表1。
目前，国内已有大量研究表明饲料本身的营养成分组成会对其NDF的瘤胃降解特性产生影响，但对于不同地区饲料及不同种植方式对饲料NDF瘤胃降解特性的研究较少。陈艳等[19]虽对包括全株玉米青贮在内的6种肉牛常用粗饲料的瘤胃降解特性进行了研究，但并未涉及不同全株玉米青贮的瘤胃降解规律。李洋等[20]在陈艳等的基础上研究了甘肃、山东、四川、陕西和辽宁5个地方的全株玉米青贮的瘤胃降解特性，结果发现不同地区的全株玉米青贮NDF含量存在较大差异，NDF的瘤胃降解率的高低顺序依次为山东＞甘肃＞陕西＞四川＞辽宁。
形成第三层次，对其中抽象性较强的概念“划分方法”和“基于网络方法”作进一步拓展：
T｛划分方法｝=｛k-means算法｝
在以前的实践经验中不难发现，很多学生平时学习很努力而且基础知识掌握得也很踏实，但是一旦考试，成绩并不是那么的理想，而且总是会出现很多的小问题，这就是他们审题不准确的后果，找不到隐藏的信息，不能从整体把握题目.而通过这样的审题训练可以帮助学生快速地读出题目的隐藏信息，从而解答这道题，提高学生答题的准确率.
为了将该方法解释清楚，计算3个底层概念间的语义相似度如下：
形成第四层，以此类推，对总结的10个核心概念集、97个概念节点分析各自间的层次结构。
采用逐步细化的方法建立本体概念间的层次结构，对核心概念集进行分析和归类。以“决策支持系统”作为知识本体的根节点，向下拓展：
最后，利用Protégé工具对本体进行形式化实现。由于OWL具有较强的语义表达能力和完善的推理机制，并提供了多本体共享演化和扩展等特性。本文采用OWL作为知识本体的表示语言，对概念间的语义关系进行形式化表示［15-16］，结果如图 4 所示。
图3 概念节点关系
图4 知识本体形式化结果
2 学习路径推荐策略设计
学习路径是指学习活动的路线与序列，是学习者在一定的学习策略指导下，根据学习目标和学习内容对所需完成的学习活动的排序，以促使学生利用节点辅助教学和实现自我学习［17］。基于语义本体的学习路径推荐算法以知识本体库为基础，通过合适的学习路径生成算法和语义相似度算法，以实现在线学习层层深入的引导和知识的横向拓展。
2.1 学习路径生成策略
任何知识点都不是孤立的，而是与其它知识点相关联。因此，当学习者要学习一个知识点时，需要一些前驱知识点的支持。学习路径生成策略的主要任务在于找出在学习目标知识点之前需先掌握的知识点。由于领域知识本体库中已经建立了各知识点以及知识点之间的关系，利用知识点之间的前驱后继关系即可建立学习目标知识点需要先掌握的前驱知识的集合，最终形成目标知识点学习路径。算法流程如图5所示。以“关联规则方法”为例，生成的相关学习路径如图6所示。
图5 学习路径生成策略流程
图6 学习路径
2.2 相关知识协同策略
学习路径生成策略可以看作知识点关系的纵向发掘，而在实际教学中，教师还会引导学生通过知识迁移的形式在横向上作一定的知识拓展，对于可以通过相同的思维方式或知识基础进行学习的知识点同时进行学习讲解，以实现相关知识的协同学习。为了在学习平台上实现该功能，本文对概念间的语义相似度进行计算，并设置阈值，实现对有较强相似性知识的筛选，为学习者提供相似度适当的知识点以实现相关知识的横向拓展。
常用的语义相似度算法有基于距离的计算方法、基于特征的计算方法和基于信息量的计算方法。对于基于信息量的计算方法［18-20］，需要有较大本体库，对于本文的小型本体库容易出现概念趋同性过高，造成计算结果失真；基于距离的计算方法主要基于本体模型中的层次结构进行计算，计算方法相对简单，但计算量大且过程复杂；而基于概念的方法则需要依赖两个概念间属性的重合度判断相似度。因此，本文采用一种融合距离和特征的计算方法，相关基本定义如下［21］：
定义1设C为本体概念集合，概念间的二元关系≤：C×C，表示当概念Ci 为概念Cj 的祖孙概念，或者两个概念为同一个概念时，概念Ci 包含于概念Cj 。
定义2概念a的所有祖先概念的集合为φ (a )（集合也包含概念a），利用概念间二元关系≤，可以定义为：
易错点提示：①注意最简式相同的物质中的微粒数目,如NO2和N2O4、乙烯和丙烯等。②注意摩尔质量相同的物质中的微粒数目,如 N2、CO、C2H4,N2O、CO2、C3H8 等。
定义3概念a和概念b的祖先概念的集合分别为φ (a )和φ (b )，|φ (a )\φ (b )|表示集合中φ (a )存在，但不在集合φ (b )中存在的概念个数，|φ (a )∩φ (b )|表示集合φ (a )和φ (b )交集的个数。
计算式如下：
语义相似度的范围为［0，1］。当概念间没有相同的祖先概念时
认为概念间没有任何相似度性；当两个概念祖先概念完全相同时
认为两个概念完全相同。
至少，这总是真的，他一面想，一面又翻过身，以便瞧见先前给幻象遮住的现实世界。可是，远处仍旧是一片光辉的大海，那条船仍然清晰可见。难道这是真的吗？他闭着眼睛，想了好一会，毕竟想出来了。他一直在向北偏东走，他已经离开狄斯分水岭，走到了铜矿谷。这条流得很慢的宽广的河就是铜矿河。那片光辉的大海是北冰洋。那条船是一艘捕鲸船，本来应该驶往麦肯齐河口，可是偏了东，太偏东了，目前停泊在加冕湾里。他记起了很久以前他看到的那张赫德森湾公司的地图，现在，对他来说，这完全是清清楚楚，入情入理的。
T｛基于网络方法｝=｛SOM 算法｝
这3个概念的语义相似度经式（1）计算过程如下：
3 个性化学习路径推荐应用
为了对以上技术思路进行验证，同时解决现有在线学习平台中资源庞杂、缺乏有效引导的问题，本文设计了一个具有引导学习功能的原型系统，并采用Visual Studio 2010开发平台和SQL Server 2008数据库加以实现，完成对现有在线学习平台的优化。
3.1 系统总体设计
系统以本体建模结果为支撑，重组现有教学资源，利用建立起的概念间关系，通过语义相似度计算和学习路径生成算法完成引导式学习策略。系统总体设计如图7所示。
图7 系统总体设计
3.2 系统数据库设计
Protégé的建模结果只是语义模型，不能直接为平台使用，需要转化为数据模型存入数据库中，便于查询、更新以及资源丰富。本文通过JENA框架实现本体向数据库SQL Server 2008的存储，数据库共有知识表、相似度表和知识资源表，各表之间的关系如图8所示。
图8 数据库关系
3.3 系统核心功能界面展示
3.3.1 学习路径生成
党的十八大报告提出:“健全反腐败法律制度，防控廉政风险，防止利益冲突，更加科学有效地防治腐败”。2005年中共中央颁布的《建立健全教育、制度、监督并重的惩治和预防腐败体系实施纲要》提出，要加快制定廉政立法进程，研究制定反腐败方面的专门法律，修订和完善《刑法》、《刑事诉讼法》等相关法律制度。
根据目标知识点的前驱后继关系，从目标知识节点开始递推，生成完整的学习推荐路径。知识节点有概念节点和实例节点两种类型：对于概念节点，学习路径中除前驱知识外，还包括适当的经典案例、算法等；对于实例节点，则只提供前驱知识，不再需要案例的辅助理解。
举例说明如下：概念节点“关联规则方法”学习路径推荐界面如图9所示，实例节点“knn算法”学习路径推荐界面如图10所示。
图9 “关联规则算法”学习路径界面
图10 “knn算法”学习路径界面
3.3.2 相关知识协同
通过本体的语义相似度计算结果，为学习者提供目标知识节点相关知识的协同学习，实现学习路径的横向拓展。利用上文计算方法，以“knn算法”为例，与其有关的语义相似度计算结果如图11所示。由以上计算结果得知，与“knn算法”语义相似度较高的知识点有“svm算法”、“决策树算法”、“贝叶斯算法”、“偏差分析”和“关联规则方法”等，较符合课程知识的实际关系。利用语义相似度计算结果，将相关知识推荐给用户，供用户有选择地展开学习，如图12所示。
图11 “knn算法”语义相似度计算结果
图12 “knn算法”知识协同结果
4 结语
目前，本体和推理技术在信息检索、知识共享和知识获取等领域应用广泛。作为一个较新的概念，在在线学习平台中，基于本体的数据挖掘仍有较好的应用前景。本文结合《决策支持系统》网络课程现有资源情况，以“数据库系统与数据仓库”章节内容为例，提出以本体知识库为基础，结合语义相似度技术，实现个性化学习路径推荐方法，并进行了原型系统设计与实现。实验表明，该方法基本能够解决学习者在在线学习平台中经常遇到的“认知过载”和“学习迷航”等问题，有利于培养学生学习兴趣，提升学生自主学习能力，也有助于发挥部队院校网络课程资源对教学的辅助作用，促进教与学的良性发展。
参考文献：
［1］中华人民共和国中央军事委员会.2020年前军队人才发展规划纲要［Z］.2011.
［2］BRUSILOVSKY P，VASSILEVA J.Course sequencing techniques for large-scale web-based education［J］.International Journal of Continuing Engineering Education and Life-long Learning，2003，13（1/2）：75-94.
［3］VANDEN B B，VAN E R，TATTERSALL C，et al.Swarm-basaed sequencing recommendations in e-learning［C］.Proc of the 5th International Conference on Intelligent Systems Design and Applicatins，2005：488-493.
［4］CHEN C M.Intelligent web-based learning system with personalized learning path guidance［J］.Computer&Education，2008，51（2）：784-814.
［5］HUANG Z F，ZHAO C L，HUANG X Y，et al.Reserach on adaptive learning path recommendation based on context-aware environments［J］.E-education Research，2015，36（5）：77-84.
［6］WANG L，ZENG Z，LI R.Cross-domain personalized learning resources recommendation method［J］.Mathematical Problems In Engineering，2013，10（5），206-232.
［7］SHISHEHCHI S，BANIHASHEM S Y，et al.A proposed semantic recommendations system for e-learning：a rule and ontology based e-learning recommendation system［J］.Proc of Intelligent System in Information Technology，2014（1）：1-5.
［8］赵学孔，徐晓东，龙世荣.协同推荐：一种个性化学习路径生成的新视角［J］.中国远程教育，2017（5）：24-34.
［9］张秀兰，蒋玲.本体概念研究综述［J］.情报学报，2007，26（4）：527-531.
［10］张云秋，冷伏海.领域本体整合的问题及对策研究［J］.中国图书馆学报，2007（3）：52-55.
［11］PETER D K，THOMAS R.A generic knowledge-base access protocol［C］.Proceedings of the International Joint Conferences on Artificial Intelligence，Montreal，2016.
［12］李照顺，宋祥斌.决策支持系统及其军事应用［M］.第1版.北京：国防工业出版社，2011.
［13］李志刚.决策支持系统原理与应用［M］.第 1版.北京：高等教育出版社，2005.
［14］梁郑丽，贾晓丰.决策支持系统理论与实践［M］.第1版.北京：清华大学出版社，2014.
［15］USCHOLD M，KING M，MORALEE S，et al.The enterprise ontology［J］.The Knowledge Engineering Review，1998，13（1）：31-45.
［16］阎红灿.本体建模与语义Web知识发现［M］.第1版，北京：清华大学出版社，2015.
［17］彭邵东.基于 SCROM标准的“学习路径”设计［J］.计算机工程，2004（12）：42-47.
［18］刘宏哲.文本语义相似度计算方法研究［D］.北京：北京交通大学，2012.
［19］DAVID S，MONTSERRAT B，DAVID I，et al.Ontology-based semantic similarity：a new feature-based approach［J］.Expert Systems with Applications，2012，39（9）：7718-7728.
［20］王桐，王磊，吴吉义，等.WordNet中的综合概念语义相似度计算方法［J］.北京邮电大学学报，2013，36（2）：98-106.
［21］李言刚.基于课程本体的学习内容个性化推荐的研究与应用［D］.武汉：华中师范大学，2013.
Research on Learning Path Recommendation Strategy Based on Domain Ontology
YAN Xiao-mei，LI Xiao-qing，ZHOU Bo
（Information and Navigation College ，Air Force Engineering University ，Xi ’an 710077，China ）
Abstract： This paper introduces a recommendation strategy of personalized learning path based on domain ontology and semantic similarity taking the course of decision support system as an example，in order to solve the problems of information overload and learning disoriented in the online learning process and improve the assistant function of online resources.Firstly，according to the domain knowledge and their relations，the ontology database is found to construct the relationship of knowledge points at the semantic level.In addition，the ontology is formally encoded using the Protégé.Then，it designs the learning path generation strategy and the related knowledge cooperation strategy.After that the prototype system is designed and developed based on the existing resources of the decision support system online course.The experiment results show that the personalized learning guidance and resource space is optimized.
Key Words： learning path recommendation；domain ontology；semantic similarity；prototype system；personalized learning guidance
DOI： 10.11907/rjdk.191528
开放科学（资源服务）标识码（OSID）：
中图分类号： TP391
文献标识码： A
文章编号： 1672-7800（2019）009-0167-06
收稿日期： 2019-00-00
基金项目： 国家自然科学基金项目（71503260）
作者简介： 严晓梅（1981-），女，空军工程大学信息与导航学院讲师，研究方向为智能信息处理、数据挖掘技术；李小青（1982-），女，空军工程大学信息与导航学院副教授，研究方向为信息处理、数据挖掘；周博（1984-），女，空军工程大学信息与导航学院图书馆馆员，研究方向为信息处理、数据挖掘。本文通讯作者：李小青。
（责任编辑：孙 娟）
标签：学习路径推荐论文; 领域本体论文; 语义相似度论文; 原型系统论文; 个性化学习引导论文; 空军工程大学信息与导航学院论文;