基于粒子群优化算法的学习资源推荐方法摘要：针对学习者的能力、学习目标、学习时间的个别差异，提出以粒子群优化（PSO）算法为基础的学习资源推荐方法，提供每位学习者个性化的数字课程。综合概念图和知识结构相关理论构建知识点网络结构图，运用项目反应理论（IRT）分析不同学习者的学习目标和能力程度，再应用PSO算法从多样性的学习资源中挑选学习内容，形成个性化的课程推荐给学生。初始化粒子时考虑学习者的学习时间上下限，过滤掉一些不必要的粒子来提高算法效率，在确定最优解位置时，使用Sigmoid函数修正粒子更新速度，保证其在有效范围内。实验结果表明，随着迭代次数增加，所推荐的内容与学习者预定目标差异为0，挑选出的课程与学习者能力差异为0.6，整体差异为0.25，说明所使用的方法具有较好的收敛性，推荐的学习资源能够满足学习者要求。关键词：粒子群优化算法；学习资源；推荐服务；概念图；项目反应理论：TP18文献标志码：A---本文于网络，仅供参考，勿照抄，如有侵权请联系删除---网络教学系统中拥有丰富的学习资源，但是针对不同的学习者，不是所有的学习资源都是有用的，为了符合学习者个别差异，借助人工智能技术让计算机扮演教师的角色实施个别化教学，向不同需求不同特征的学习者提供多样性的学习资源并传授知识、提供一种适应性的智能教学系统已成为网络教学的发展趋势[1]。而学习资源的推荐服务是实现智能教学系统的重要环节。学习资源推荐服务是指在分析学习者个性化特征的基础上，将符合其学习需要的学习资源提供给他[2]。学习资源的个性化推荐服务能够有效解决“信息超载”，帮助学习者进行有效学习，受到越来越多的研究者关注，成为智能教学系统研究的重要课题和研究热点[3]。现有的学习资源推荐系统大多基于协同过滤技术，例如国外比较著名的“AlteredVistaSystem”[4]、“theIHelpSystem”[5]、“Questions，Study，Interaction，andAssessmentsystem”[6]等。此外，荷兰开放大学教育技术实验中心综合多种个性化推荐技术，提出一个综合的推荐策略。在国内，最早由丁琳等[7]在2002年将个性化推荐技术应用于网络教学平台中，此后王艳芳[8]、何玲等[9]、杨丽娜等[10]、赵蔚等[11]、王龙[12]分别对网络学习资源个性化推荐研究的现状、推荐服务模型构建、资源特征的表示以及资源推荐算法等关键技术进行了讨论与研究。这些方---本文于网络，仅供参考，勿照抄，如有侵权请联系删除---法大多存在数据稀疏问题，导致推荐的结果与学习者的学习目标不符，推荐的内容难度和学习者能力差距较大，也都没有考虑学习时间因素，推荐的学习资源无法满足学习者在合理时间内完成学习的要求。另外这些系统往往是独立的，没有和现有的网络教学系统进行整合，给学习者的操作带来了不便。针对以上问题，本文开展基于粒子群优化算法的学习资源推荐方法研究。粒子群优化（PSwarmOptimization，PSO）算法[13-14]由Eberhart等在1995年所提出，源于对鸟群捕食的行为研究而形成的一种进化计算技术。PSO算法概念容易理解，不要求被优化函数具有可微、可导、连续等性质，易于编程实现且收敛速度快。目〖HJ1.4mm〗前已广泛应用于许多科学和工程领域，特别在求解最优化问题方面表现优于其他算法。最近几年，有学者开展了将PSO算法应用于个性化学习方面的研究，如阎峰等[15]根据学习者的知识水平，应用PSO算法建立适当的测试卷，以达到个性化测试的目的；于庆梅等[16]应用PSO算法动态产生测试卷，来诊断学习者在学习过程中的学习成效与遇到的问题；陈其晖等[17]提出基于改进PSO算法的学习路径优化控制方法。以上研究显示，在智能教学系统的应用上，PSO算法不论对于个性化考试题的产生还是个性化学习路径推荐均展现其处理优化问题的特长，取得较为成功的应用。因此本文考虑学---本文于网络，仅供参考，勿照抄，如有侵权请联系删除---习者的经验基础、认知结构、学习能力、学习目标、学习时间等方面的因素，结合教材的难易度等信息，应用PSO算法生成并提供给学习者在当前状态下学习新知识时最适合的学习内容，通过实验分析及实践验证，该...