网上在线学习系统的设计与实现 作者：胡世锋 来源：《科技视界》 2014年第32期 胡世锋 （张家口学院理学系，河北 张家口 075000） 【摘 要】目前，随着互联网的普及和远程教育的发展，网上学习这种网络化的学习方式已经越来越多地被广大学习者所接受，成为高等教育改革的重要内容之一。网上学习系统能否提供个性化的学习服务将直接影响学习者学习的积极性和主动性。把Web数据挖掘技术应用到网上学习系统中，开发出能够提供个性化学习服务的系统越来越多的受到行业专家及开发者的关注。 【关键词】网上在线学习系统；Web使用挖掘；挖掘算法；个性化 1 Web挖掘技术 Web数据挖掘指的是数据挖掘技术在Web上的应用，Web数据挖掘是从大量的Web文档集合中发现隐含的、未知的、有潜在应用价值的模式。它所处理的对象包括静态网页、Web后台数据库、Web结构、用户使用记录等信息以及构架在网络上的各种应用系统。通过挖掘，可以得到仅通过文字检索所不能得到的信息[1]。 Web数据挖掘技术根据要挖掘的对象可以分为三类：Web内容挖掘、Web结构挖掘和Web使用挖掘。Web使用挖掘可以帮助系统的管理者了解系统的访问量、频繁访问的页面等信息，从而用于改进系统的结构、服务器缓存及为学习者提供个性化的学习服务。Web使用挖掘已成功应用到个性化推荐、电子商务、系统改进以及商业智能等方面，Web使用挖掘的数据则来源于学习者与学习系统的交互数据。分析这些数据可以帮助系统管理员和教师更好的理解学习者的行为，把握学生的个性化特征，从而改进系统的性能，更好的为学习者提供服务。 2 Web使用挖掘的过程 Web使用挖掘是使用数据挖掘技术和方法从Web日志数据和后台数据库中发现Web使用模式的过程。Web使用挖掘一般分为Web数据准备、Web数据预处理、模式发现和模式分析4个主要的阶段[2]： （１）数据准备阶段 Web使用挖掘的数据源主要有两个：一个是Web日志文件，记录着访问者和系统的交互信息，另一个是系统后台数据库。 （２）数据预处理阶段 Web使用挖掘首先要对大量的挖掘数据进行预处理，其目标是将包含在多种数据源中的信息转化为适合数据挖掘和模式发现所必需的数据抽象概念，然后在事务数据库上运用挖掘算法，从而最终获取有价值的信息或者规律。 （３）模式识别阶段 这个阶段采用统计法、机器学习法等技术，从Web使用记录中挖掘知识。实现算法可以是统计分析、聚类、分类、关联规则和序列模式识别等。 （４）模式分析与利用阶段 这个阶段的任务是采用合适的技术和工具，进行模式的分析，从而辅助分析人员的理解，使采用各种工具挖掘出的模式得到很好的利用。 3 传统的网上学习系统的模型结构 传统的网上学习平台，以系统本身为中心，没有考虑学习者的个性化特征，没有考虑学习者的个性化特征，学习者被动去适应系统，就是说系统有什么你就干什么，不是我要什么就能有什么，由于教师与学习者不能面对面的交流，教师很难掌握学习者的学习状态，学习者容易产生倦怠，继而对网络学习失去兴趣。系统无法对学习者进行分类，无法根据学习者的个性化特征提供个性化的学习资源，对学习者来说，网上学习平台对每个学习者来说都是一样的，浏览的课件、测试的题目、使用的素材与整个学习的流程都是单一固定的，不具有个性化的特点，不能提供差别化的学习情境[3]。 4 基于Web数据挖掘的个性化系统模型结构 针对传统网上学习平台存在的不足，本系统的设计加入了个性化智能子系统模块，力求解决传统学习系统存在的不足，该子系统包括Web数据挖掘模块和个性化推荐模块，重视个性差异，注重协作学习，让学习者得到个性化的教育。在个性化网上学习系统增加了个性化智能子系统，试图使得系统性能得到改善，并提供个性化的学习服务[4]。 5 个性化推荐模块 该模块从功能上设计由两个子模块组成：离线处理和在线处理： 在线处理：在线处理子模块的监听模块，完成个性化系统和客户端系统的联系功能。凡是用户向服务器端提交的请求，以及外界对服务器端请求的响应，都要经过监听模块，这样监听模块就可以将用户在服务器上留下的访问行为，如请求页面的URL地址、请求时间、关闭时间以及用户在此页面上停留的时间、是否存储页面等记录下来，为离线学习模块构造用户特征模型提供原始数据。 离线处理：离线处理子模块主要完成用户特征模型的构建和更新，由访问模式挖掘子模块和数据准备子模块两个部分构成。个性化智能子系统的在线处理部分会根据用户的特征模型和当前所访问的页面，对用户将要访问的超链接做出推荐。个性化子系统能够记录用户在收藏夹中保存的页面信息，也能够记录用户提交的搜索关键字，这些关键字可以提现部分的用户兴趣。 5.1 个性化处理引擎 个性化处理引擎的主要功能是对学习者信息的收集和资源推荐。通过对学习者的个性化特征信息的收集，建立学习者个性化的特征信息库。 资源推送功能就是个性化网上学习系统能针对不同的学习者推送不同的学习内容。当学习者登录该系统时，个性化处理模块获取该学习者的特征，根据特征对学习者进行聚类分析，并结合Web使用挖掘所产生的模式数据库中的有关模式从后台数据库中读取相关的请求数据，最后生成学习者所感兴趣的访问频率高的学习资源的推送，供学习者参考学习，从而为学习者提供个性化学习服务[5]。 5.2 个性化推荐方法 实现个性化推荐的方法可以利用滑动窗口的滑动来覆盖用户当前的访问操作顺序，这是实现在线个性化智能推荐服务的一个有效方法。滑动窗内的当前用户访问操作顺序会随着访问进程的进行，不断的向前更新。假设滑动窗的大小为3，当前滑动窗内的用户访问操作顺序为（A，B，C），用户在访问了D之后，新的滑动窗内的用户访问操作顺序更新成了（B，C，D）。这样的处理方法对个性化智能推荐服务的实现是很有意义的，因为采用过长的当前用户服务操作顺序，再与频繁项匹配操作时很难获得大量的信息，即匹配项很少。短顺序能够获得非常多的匹配项，从推荐服务意义上这是相当有价值的。 5.3 个性化推荐算法 通过关联规则的数据挖掘生成推荐集的一个有效的方法，是直接利用离线方式下获取到的频繁访问模式。在预处理阶段识别出用户事务后，利用最小支持度把小频繁的项过滤掉。然后，利用生成的频繁用户事务模式集合为用户生成推荐项。为了能够实现在线推荐，需要实时的跟踪用户的访问操作，采用滑动窗大小为S，滑动窗覆盖长度P的用户当前访问操作，如果用户当前连续访问过的页面顺序，正好是SP集合中某个页面顺序中的一部分，则可以将SP中此页面顺序的下一个部分推荐给用户。例如，用户当前连续访问过的页面顺序为(vl，v2，v3，v4，v5)，而在SP中存在这样一个频繁引用顺序(vl，v2，v3，v4，v5，v6，v7)，则系统将v6和v7推荐给用户[6]。 6 结论 本文提出了基于Web使用挖掘的网上学习系统的设计思路，并对个性化网上学习系统的关键技术进行了探究，给出了一些具体的个性化设计建议。本论文解决了目前网络教育中的实际问题，对于研究Web数据挖掘技术在教育行业中的应用水平和深度具有重要的实现意义，也为其他人分析网上学习系统提供了一套可借鉴的方法。 【参考文献】 ［１］郭亚东.高等职业教育数据挖掘系统的研究与设计[D].北京邮电大学,2010. ［２］张岚.基于Web的网络学习平台的设计与实现[D].电子科技大学,2011. ［３］谢静.Web挖掘技术在电子商务推荐系统中的研究与应用[D].广西大学, 2011. ［４］陈小龙.基于WEB的网络学习系统设计与实现[D].电子科技大学,2011. ［责任编辑：杨玉洁］ 本文来源：https://www.wddqw.com/doc/ff21841c084e767f5acfa1c7aa00b52acfc79c26.html