基于语义推理的学习资源推荐

徐守坤，孙德超，石 林，李 宁

（常州大学信息科学与工程学院，江苏常州213164）

0 引 言

如今互联网上的学习资源呈爆炸式增长，用户如何去分辨那些与自己相关或不相关的学习资源也变得越来越困难，因此个性化服务［1］越来越多的被人们提起，用户希望借此来获得与自己兴趣偏好相关的资源。传统的个性化推荐方法主要有基于内容过滤［2，3］和协同过滤推荐。前者受到相似性标准的限制，只有与用户偏好有相同属性的内容才会被加入最终的推荐集［4，5］；后者的缺陷［8－10］主要有:数据稀疏问题；可测量性问题:资源的增加导致用户权向量规模的扩大，计算用户权向量之间的相关性更费时费力；“潜伏”问题:只有被用户邻居评价的资源，协同过滤方法才会向目标用户产生推荐；如果新的、有用的资源并未存在于用户模型中，则无法完成推荐。鉴于以上两种方法各有优缺点，有人［10－12］提出将基于内容与协同过滤推荐方法结合起来使用，但效果并不是很显著（协同过滤方法虽然能改善最终的推荐结果，但其自身缺陷依然存在）。

本文通过引入本体构建学习资源，从而使各种学习资源存在语义描述。通过对用户偏好进行语义推理取代用户邻居的发现，丰富最终的推荐集，从而克服协同过滤方法的不足。本文的推荐方法主要得益于语义Web的应用，具体有如下3个方面:①通过元数据对资源进行语义描述；②用本体对领域知识概念及其之间关系进行规范表示；……