论文基于加权贝叶斯的小学英语个性化资源推荐，本文是小学英语方面专科开题报告范文和加权贝叶斯和小学英语和个性化相关学年毕业论文范文.
(首都师范大学信息工程学院,北京100048)
[摘 要]在小型的自适应学习系统中,学习资源的个性化推荐是实现自适应学习的关键内容之一.为了更好 地进行个性化资源推荐,本文采用朴素贝叶斯分类算法构建了个性化资源推荐模型,并针对算法中条件独立性假 设与模型实际应用相悖的问题,对原算法进行加权改进.通过在UCI标准数据集对该加权算法进行理论验证,并 将其应用于小学英语自适应学习系统的个性化资源推荐模型中进行系统实验.实验结果表明：提出的加权算法在 分类精准度上准确率有所提高,基于该加权算法的模型在个性化资源推荐满意度上也有所提升.因此,我们认为 在小学英语自适应学习系统中,基于加权朴素贝叶斯分类算法的个性化资源推荐模型能够更好地解决小样本条件 下以学习者为中心的个性化学习资源推荐的问题.
[关键词]个性化资源推荐模型；小学英语自适应学习系统；学习资源；朴素贝叶斯分类算法；加权
[中图分类号]
G623. 31
[文献标志码] A
[文章编号] 1002-1477(2017)12-0053-06
在当今教育信息化进程中,基于E-learning的网络教育方式允许人们随时随地进行学习,受到了越来越多人的关注.‘、,与此类似的数字教材、网络学习软件和学习系统也应运而生,这些开放式的网络学习环境为学习者提供了全面的、丰富的学习资源,有助于提高学习者的自主性.与此同时,随着各种类别的学习资源愈加丰富,学习者容易出现“资源过载”“资源迷航”等问题,原因在于一般的学习系统不能在海量的学习资源中根据学习者的学习偏好和认知水平自动地满足不同学习者的需求.近年来,自适应学习系统的出现逐渐引起了学者们的关注.自适应学习系统是指能够为学习者提供一种个性化学习服务,系统根据学习者的多种特点和行为倾向,如学习风格、媒体倾向、兴趣、认知水平等,采用相应的教学策略,推荐个性化的学习路径和学习资源.‘：,其中自适应学习是围绕学习者,为学习者提供个性化学习服务的.因此,在网络学习中,应该以学习者为中心,根据学习者个性化的特征,建立学习者模型,帮助学习者实现自适应学习.
目前,自适应学习系统需要解决的关键问题之一,就是在学习过程中为学习者推荐最合适的学习资源：个性化资源推荐.其中,基于关联规则的个性化资源推荐技术首先由管理员一系列的规则条目,然后利用制定的规则度量项目间的相互关联性,将关联密切的项目推送给学习者.但规则无法由系统自动生成,必须由管理员手动且不能动态变化,只能为学习者推荐与原始兴趣相符的资源,不能发现学习者潜在的兴趣点.内容过滤推荐技术是利用资源中词频匹配学习者的信息需求,把相似度高的资源提供给学习者,多适用于文本类型的学习资源,不太适用于多媒体类型资源.协同过滤的技术则先计算与学习者相似性最高的k个学习者,参照邻居对资源的反馈向目标学习者进行推荐,这需要基于大量的学习者群体的学习数据.另外一些自适应学习平台和系统题库,Knowre等采用了层次聚类、神经网络等算法对学习者进行个性化资源推荐,这些算法也是基于大量的样本数据,对于一些小型的学习系统,如小学英语自适应学习系统,没有足够的样本数据,算法的优势就得不到充分地发挥,因此个性化资源推荐的效果并不是很理想.朴素贝叶斯分类算法是一种基于概率的方法,对样本数据集进行分类预测,可以在个性化资源推荐中起到学习者对学习资源的反馈预测的作用.该算法可以基于小样本建模,在识别准确率和识别效率上都有较好的表现.‘‘,且该算法分类效果稳定,符合学习者个性化特征的特性,预测分类结果的概率清晰易比较.
本文基于小学英语自适应学习系统,采用朴素贝叶斯分类算法构建了个性化资源推荐模型,并针对算法中条件独立性假设与模型实际应用相悖的问题,在原算法的基础上结合条件向量的加权系数和条件属性的加权指数进行改进,然后将改进算法在UCI标准数据集上进行理论验证,并将改进后的算法应用于小学英语自适应学习系统的个性化资源推荐模型中,可以有效地完成对小学生在英语学习上的个性化资源推荐.
一、模型设计
在小学英语自适应学习系统中,个性化资源推荐是自适应学习过程的关键部分,目的是在系统学习过程中不断收集学习者的学习数据,并对这些数据进行挖掘分析,得到学习者对资源特征的偏好向量,然后根据这些偏好数据在候选资源集合中向学习者推荐最适合的学习资源.
如图l所示,个性化推荐资源模型主要包括三个数据模块：第一个模块为学习者的历史学习数据,它主要存储学习者对学习资源的历史学习数据；第二个模块是学习者对资源特征之间的偏好向量,它主要通过加权朴素贝叶斯算法对学习者的历史学习数据进行挖掘分析得到；最后一个模块是候选资源集合,它表示对当前学习者可供选择的资源集合.
在该模型中,对学习者进行个性化资源推荐的具体流程如图2所示.
(1)获取当前学习者的历史学习数据,这些数据记录了学习者对每一条资源的学习数据,然后根据学习次数和交互行为将学习者对每个资源的反馈划分为如下三个类别：Co：未学习；Cl：已学习但未点赞；C2：学习且点赞.
(2)将每个资源特征向量作为样本集的条件属性,通过朴素贝叶斯分类算法获取学习者对资源特征的偏好向量（主要通过先验概率公式）作为学习者的个性化特征存储起来.
(3)依据学习者对资源特征的偏好向量,与候选资源集合中的每一个资源进行特征匹配,采用朴素贝叶斯分类算法计算学习者对拥有X特征的资源做出3种反馈类别的概率.
(4)通过上述3个反馈类别的概率得出结果,即：具有X特征向量的资源对当前学习者的推荐度.
(1)其中,P( c/i x)表示当前学习者对拥有X特征的资源持C/反馈类别的概率.文献,中在计算学生偏好时根据学生对资源的点击、打分、评论等不同的操作设定了不同的权重.同理,Cl,C,C表示学习者对学习资源的不同反馈操作,因此可结合实际对不同反馈类别的预测概率设置不同的权重.其中,C表明该学习资源满足学习者的偏好,这类资源应该优先推荐；C、表明当前学习者对此类型的资源反馈一般,但至少会去学习,也在推荐之列；C表明该学习资源不符合学习者的偏好需求,对推荐有着负面的作用.根据每一个类别在推荐上作用的不同设置不同的权重,设P( c2/ x)的权重为2,P(c1 x)的权重为l,P( co x)的权重为 l.
(5)将候选资源集合中的资源按照推荐度高低进行排序,推荐给学习者.
(6)学习者对系统推荐的资源的学习数据会重新作为历史学习数据被存储起来.
由上可知,在小学英语自适应学习系统中,学习资源对学习者推荐度的计算结果直接影响着个性化资源推荐的效果,学习资源推荐度的确定直接受加权朴素贝叶斯分类算法中不同反馈类别的预测概率的影响,而不同反馈类别的预测概率的大小也就是加权朴素贝叶斯分类算法分类的直接依据.总之,算法的分类准确率,将会在推荐度计算公式中直接影响资源推荐度的计算,进而影响到个性化资源推荐的效果.
二、关键技术
1.朴素贝叶斯分类器
朴素贝叶斯分类(NB)是通过计算后验概率的方法来确定样本所属类别,基本思想是基于概率论中的贝叶斯公式和简化假设,采用属性和类别的联合概率来估计新样本的类别.
朴素贝叶斯分类器：假设Ai,Aa,…,A”是数据集的n个属性,假定有,n个类,C等于{ Cl,C,…,Cm),给定一个具体的例子X,其属性值为( Xl,X2,…,Xn),这里z；就是属性A；的取值,那么该例子X属于某一个分类Ci的后验概率为P( cii x),C( X)表示X分类所得的类标签.贝叶斯分类器执行式(2)：
其中,P( C/)被称为先验概率,可以通过公式P( C/)＝S//S计算得到,其中Si是类Ci中的训练样本数,而S是训练总样本数.
朴素贝叶斯分类假设类条件独立,即数据集中各个属性相互独立,不存在依赖关系,即有式(3)：
其中,概率P(2,C/)可以由训练样本估值,即其中S.为属性A.中具有值Xk的Ci的训练样本数,而Si是类Ci的训练样本数.
在小学英语自适应学习系统的个性化资源推荐模型中,利用朴素贝叶斯分类算法,对学习者的历史学习数据进行挖掘分析,利用先验概率作为学习者对资源特征的偏好,并通过后验概率计算得到学习者对不同特征的资源有不同反馈类别的预测概率.但朴素贝叶斯分类算法假设数据集中各个属性相互独立,不存在依赖关系,且所有的条件属性对决策属性的分类作用相同,均为l,这些对条件属性的假设在许多实际问题中并不成立,即在小学英语自适应学习系统中,个性化资源推荐模型需要结合实际需要对朴素贝叶斯分类算法进行改进,以提高资源个性化推荐效果.
2．加权朴素贝叶斯
(1)条件向量加权系数.颁布的《小学生英语教学大纲》中指出小学教学分为三个阶段：一二年级以听说为主；三四年级听说继续,认读、拼写跟上；五六年级听说读写全面训练.[12]不同年级学生的大纲要求不同,即不同年级的学生要求学习内容的特征不同.在小学英语自适应学习系统中,针对不同年级水平的学习者推荐的资源特征也是不同的,特定内容的资源与特定的媒体类型和特定的难度是相关的.而资源的特征向量本身造成的相关性与用户对该资源做出的反馈也是密切相关的,这与朴素贝叶斯分类算法中对各条件属性之间的独立性假设是相悖的.为放松条件属性之间的独立性假设,可利用条件向量之间的相关性作为加权系数.[13]关于条件属性的相关性定义,采用广义的基于事件概率相关.若事件A与B满足P(AB)＝P(A)P(B),则称事件A与B相互独立,否则A和B存在相关性,A和B之间的相关性计算为Corr(A,B)＝P(AB)/P( A) P( B),推广至,1个事件则有
Corr(A,Az,…,A.)＝P(AlAz…A.)／P(Al)P(Az)…P(A.),记作n个事件的相关度.[14]至此,朴素贝叶斯分类算法改进为公式(4)：
其中,表示条件向量X在类Ci中的相关度,在个性化资源推荐模型中则表示为学习者反馈类别为C；的历史学习数据中资源特征向量为X的相关性.
(2)条件属性指数加权.朴素贝叶斯分类算法认为所有的条件属性对决策属性的分类重要性是一样的（权重均为1）,但事实也往往并非如此,有的属性对分类影响大一些,有的属性则小一些.同样,在以学习者为中心的小学英语自适应学习系统中,学习者在拥有多维特征的资源上做出的学习反馈受每个特征的影响往往是不同的,如某些学习者受资源的媒体类型特征影响大一些,受资源的难度特征影响则小一些,且不同的学习者受资源特征影响的情况也存在不同,此时,朴素贝叶斯分类算法并不能以学习者为中心,把资源的不同特征对不同学习者的影响程度考虑进去.
因此,可利用资源不同的特征对学习者的贡献度给资源特征赋予相应的权重,即给每一个条件属性指数加权.在这里利用决策树.5算法中条件属性的信息增益率作为其权重,生成新的朴素贝叶斯分类算法
其中,表示第良个条件属性的权重,在个性化学习资源推荐模型中表示为第k个资源特征对学习者做出资源反馈的影响程度.在.5算法中,信息增益率计算公式如式(6):
(3)系数加权结合指数加权.在朴素贝叶斯分类算法的基础上,给条件向量的系数加权,针对的是资源向量本身存在的相关性对预测学习者在资源反馈分类上的影响,但未考虑学习者本身,不能消除资源的不同特征对不同学习者贡献度不同带来的预测反馈分类误差.结合条件属性指数加权的朴素贝叶斯分类算法,针对的是因学习者受不同特征资源的影响程度不同会造成预测反馈分类的误差,但是未考虑资源本身的相关性造成的分类干扰.
在小学英语自适应学习系统的个性化资源推荐模型中,资源特征向量的相关性和学习者在资源不同特征上不同的依赖程度是同时存在的,即会同时影响个性化资源推荐模型中的朴素贝叶斯分类算法的效果,进而影响资源推荐度的计算.因此针对两个方面存在的问题可以把两处改进结合在一起,得到如下改进：
其中,tox.表示条件向量X在类C/中的相关系数,即学习者反馈类别为C；的历史学习数据中资源特征向量为X的相关性,wk表示第k个条件属性的信息增益率,即第k个资源特征对学习者做出资源反馈的影响程度.
三、有效性验证
1.理论算法验证
在小学英语自适应学习系统中,针对个性化资源推荐模型在实际应用中的问题而对朴素贝叶斯算法进行改进,形成了一个新的加权算法.新的算法将会被应用在个性化资源推荐模型中,在这之前需要通过若干个UCI标准数据集对它进行实验.那么,评测分类算法优劣的一个重要指标是准确率,定义如下式(8)：
对数据集进行随机扰动,打乱数据的排列顺序,并对数据集进行5折交叉验证.每个数据集轮流实验5次,取5次实验的平均值作为实验的测试结果.
将改进前的朴素贝叶斯分类(NB)算法、基于条件向量加权系数的朴素贝叶斯分类(CW-NB)算法、基于条件属性加权指数的朴素贝叶斯分类(IW-NB)算法以及在个性化资源推荐模型中提出新的加权朴素贝叶斯分类( CI-NB)算法的实验结果分类准确率进行对比,结果见表l.
如表l所示,属性数一列表示相应数据集的条件属性数,类数一列表示决策属性数.实验结果表明,研究中提出的新的加权朴素贝叶斯分类算法( CI-NB)的分类准确度高于原算法以及另外两种加权改进的算法,对数据分类有着更好的预测效果.即预测分类概率计算更准确,能够在小学英语自适应学习系统中为个性化资源推荐模型中资源推荐度的计算提供更有利的数据支持.
2．运行效果分析
理论算法验证通过后,将上述相关算法分别应用到关于小学英语自适应学习系统的个性化资源推荐模型中,并在系统中进行实验.小学英语自适应学习系统利用本体技术构建了一个完备的英语单词和句型的知识库以及相关的学习资源库,可以为个性化学习资源推荐提供有力的支持.在小学英语自适应学习系统中,学习者通过注册进入系统学习,在学习者自主选择主题后,进入单词场景学习,点击某一单词后,系统为学习者推荐资源进行学习.
本文的实验对象为北京市某小学四年级312名学生,平均分为4组,每组78人.研究过程为：将朴素贝叶斯分类算法模型和改进后的三种算法分别应用于个性化资源推荐模型中生成四个版本的系统,分别对应四组研究对象,然后每一组研究对象在对应版本的系统里进行注册填写基本信息,并对系统使用超过30 min以上的学习,最后每个小组填写满意度问卷.满意度问卷改编自学者Liaw的研究.将量表中“e-learning”改为“个性化推荐的资源”,以测量小学生对系统推荐资源的满意度.笔者和参与该实验研究的3团队成员合作,共同使用重新改编的调查问卷,评分者内部一致性信度在o．8以上.系统满意度调查问卷内容如表2所示.
如表2所示,推荐满意度问卷中前5道题目的选项A,B,C,D,E分别对应o．2分、o．4分、o．6分、o．8分、1分.每一位问卷填写者的满意度分值为前5道选项对应分值之和,满分为5分,满意度结果数据见表3.
如表3所示,NB -行表示基于基本的朴素贝叶斯分类算法构建的个性化推荐模型在系统中应用后,对应小组学生的推荐满意度数据；CW-NB -行表示基于条件向量系数加权朴素贝叶斯分类算法构建的个性化推荐模型,在对应小组学生的推荐满意度上均值与上一组持平(3.9),但方差(o．13)有降低；IW-NB -行表示基于条件属性指数加权朴素贝叶斯分类算法构建的个性化推荐模型,对应小组学生的推荐满意度均值(4.1)有所提高；CI-NB -行表示本文提出的结合条件向量系数加权和条件属性指数加权对朴素贝叶斯分类算法进行改进后构建的个性化推荐模型,在系统应用的效果是对应小组学生的推荐满意度在均值(4.2)上比上述3组学生的满意度均值都有所提高,方差(o．13)也有所降低.综合问卷调查结果可以看出,本文中针对模型实际应用改进的加权朴素贝叶斯分类算法,在小学英语自适应学习系统中可以构建一个推荐效果更好的个性化资源推荐模型.
四、结语
本文基于小学英语自适应学习系统,采用朴素贝叶斯分类算法构建了一个个性化资源推荐模型,针对模型的实际需求与朴素贝叶斯独立性假设的冲突,结合条件向量的加权系数和条件属性的加权指数对原算法进行改进.改进算法在UCI标准数据集上通过了理论验证,在个性化资源推荐模型的系统应用中推荐满意度有所提高,表现了更优的推荐效果,为小学生英语自适应学习提供了有效地指导.今后,我们将继续研究个性化资源推荐模型的拓展和改进,提高资源推荐的效果,为学习者提供最合适的学习资源,提高学习效率.
[参考文献]
[1]欧阳杨．教育语义网中基于本体的自适应学习系统建模[D]．杭州：浙江大学,2998．
[2]姜强,赵蔚,王续迪．自适应学习系统中用户模型和知识模型本体参考规范的设计[J]．现代远距离教育,2011(1)：61-65．
[3]杨焱．基于项目聚类的协同过滤推荐算法的研究[D]．长春：东北师范大学,2005.
[4]邓先箴．基于关联规则的推荐算法研究与应用[D]．上海：华东师范大学,2999．
[5]白丽君．基于内容和协作的科技文献过滤方法研究[D]．太原：山西大学,2993．
[6]王永固,邱飞岳,赵建龙,等．基于协同过滤技术的学习资源个性化推荐研究[J]．远程教育杂志,2011(3)：66-71．
[7]郭朝晖,王楠,刘建设．国内外自适应学习平台的现状分析研究[J]．电化教育研究,2016(04)：55-61．
[8]白先祖,何远标,马建霞,等．利用小样本量机器学习实现学术文摘结构的自动识别[J]．现代图书情报技术,2014 (zl)：34-40．
[9]孙众,骆力明,綦欣．数字教材中个性化学习资源的推送策略与技术实现[J]．电化教育研究,2014(9)：64-70.
[10]令狐红英,姜季春．改进的贝叶斯算法在旅游景点推荐中的应用[J]．贵州师范学院学报,2012,28(3)：22-26．
[11]秦锋,任诗流,程泽凯,等．基于属性加权的朴素贝叶斯分类算法[J]．计算机工程与应用,2998,44(6)：107-109．
[12]．小学英语教学大纲[EB/OL]．[2016-05-05]．http：／jold．pep．com．cn／xe/iszx/ixyj/kcj cyj/2 01008／
t20100827 796969．htm．
[13]李方,刘琼荪．基于改进属性加权的朴素贝叶斯分类模型[J]．计算机工程与应用,2010,46 (4)：132-133.
[14]章舜仲,王树梅,黄河燕,等．词间相关性在贝叶斯文本分类中的应用研究[J]．计算机工程与应用,2999,45 (16)：159-161.
[15]王峻,刘淮生．一种选择性的加权朴素贝叶斯分类器[J]．湖南文理学院学报：自然科学版,2998,20(1)：77-79．
[16] LIAW s s.Investigating students´ perceived satiaction9 behioral intention9and effectiveness of E-learning: a case study of
the blackboard system[Jl. Computers&Education92008951(2):864-873.
[责任编辑：黄晓娜]
本文评论，这篇文章为关于加权贝叶斯和小学英语和个性化方面的相关大学硕士和小学英语本科毕业论文以及相关小学英语论文开题报告范文和职称论文写作参考文献资料.
参考文献：
1、 基于贝叶斯网分类器的互联网借贷风险评估 一、前言 “互联网”和大数据的时代背景下,信贷行业在数据挖掘和云计算的技术主题下呈现爆发式增长 它促进资金优化配置,缓解市场信息不对称……问题,满足中小微企业对融资服务的需求.
2、 贝叶斯公式的实际运用 【摘要】贝叶斯公式是基于先验信息的概率推理方法,在医学检验、风险管理、统计决策……领域均有广泛运用 本文以主观概率的修正和参数估计为切入点,利用实际案例阐述了贝叶斯方法的具体运用 揖关键词铱贝叶斯公式.
3、 小学英语学习方法 对小学生而言学习英语究竟有什么好的良策呢以发挥小学生自身条件为基础,结合英语学习的一些规律,就能找到适合他们的英语学习方法,达到事半功倍的效果 一、以兴趣为契机,多结合生活实际,学会运用语言初学英语阶.
4、 小学英语动词的用法 一、加to do 的高频考查动词1 afford to do 负担的起做某事We can’t afford to make any mistakes 我们承担不起任何失误 2 agr.
5、 教育游戏在小学英语教学中的应用 【摘要】在小学英语教学中教师对学生的教学内容核心是单词与基本句式,而对于小学阶段的学生而言英语是一门新型知识,这就使得学生在进行英语学习时要投入比其他学科更多的精力,传统教学过程中教师对学生进行灌输式.
6、 小学英语教学中词汇教学的改进策略 江苏省苏州市张家港市云盘小学 夏文婷 【摘 要】2001年11月10日,世界贸易组织（WTO）在多哈会议上正式同意中国成为世贸正式成员 中国成为世界上第143个世界贸易成员国,同年12月,中国正.