基于QoS偏好相似度的网络教育服务推荐研究
开篇：润墨网以专业的文秘视角，为您筛选了一篇基于QoS偏好相似度的网络教育服务推荐研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
[摘 要] 网络教育的大范围应用带来网络教育服务数量的不断增长，如何在大量的网络教育服务中为学习者推荐个性化的教育服务是网络教育管理的一项重要功能。文章把网络教育服务描述属性分为功能性属性和服务质量（QoS）属性两类，以区分功能相同质量各异的网络教育服务，解决具有相同功能、不同QoS的教育服务的个性化推荐问题。通过对学习者QoS偏好以及偏好相似度的定义和计算，提出一种符合学习者QoS偏好需求的教育服务推荐模型和方法。仿真实验显示，与常用的方法相比，这种推荐方法能较显著地提高学习者的满意度。
[关键词] 网络教育服务； QoS偏好； 服务推荐； 偏好相似度
[中图分类号] G434 [文献标志码] A
[作者简介] 刘迎春（1974—），女，安徽肥西人。副教授，硕士生导师，主要从事网络教育应用、服务信任与信誉等方面的研究。E-mail：。
一 、引 言
随着网络技术的发展和网络教育的不断普及，互联网上的教育信息日益丰富，网络逐渐成为人们获取知识信息的主要途径之一。通过搜索引擎，网络学习者可以搜索学习材料、学习工具、教学平台用于某一学习目标或任务的学习，并在使用后参与评价或评论，记录对这些学习材料、工具、平台的功能和质量的印象，供其他学习者参考。然而，网络教育信息种类繁多、功能各异，质量更是千差万别。通过搜索引擎往往得到大量具有相同或相似功能的教育信息，学习者难以辨别它们的质量优劣，造成“选择恐慌”；不同学习者具有不同的学习特点和偏好需求，搜索获得的相同内容、相同排序的教育信息，无法帮助不同学习者找到适合自己的教育信息，造成学习者满意度的降低，最终造成海量教育信息难以利用和低效利用，阻碍网络教育、教学的深入发展。
网络学习材料、学习工具、教学平台等教育信息存在的目的是为学习者的学习服务，为突出研究对象的本质特征，简化表述方式，把以此为目的的所有网络教育信息或行为统称为网络教育服务。网络教育服务的内容、形式、功能、质量千差万别，为了便于理解和实现，网络教育服务的定义由功能性属性和非功能性属性来描述。功能性属性是网络教育服务的教育目标和功能的描述属性，非功能性属性是网络教育服务的服务质量属性（简称QoS属性），是学习者在接受网络教育服务的过程中感受到的或不断体验的一些属性，例如网络教育服务的响应时间、可靠性、性价比、网络教育服务提供者的信誉等。一些网络教育服务的功能属性是相同的，但其QoS属性可能存在很大差异。网络教育服务QoS的高低是决定学习者学习体验满意与否的最重要因素之一。[1]
学习者在请求网络教育服务时，除了有功能性需求之外，还有一定的QoS需求或偏好。例如，有的学习者希望网络教育服务具有较高的响应速度；有的学习者希望网络教育服务不仅要安全可靠，还要有低廉的价格。学习者的QoS需求满足与否直接关系到学习者是否选择教育服务以及对教育服务体验的满意度。因此，如何从满足学习者功能需求的大量教育服务中进一步准确找出满足学习者QoS偏好的教育服务，在网络教育管理中显得越来越重要。
为了满足学习者对网络教育服务质量的个性化需求，提高网络教育服务的利用率和学习者的满意度，本文提出一种基于学习者qos需求偏好的网络教育服务推荐模型。在具有相同功能属性的网络教育服务中，利用学习者对网络教育服务的QoS评价数据以及学习者的QoS需求偏好信息，通过对不同学习者之间的偏好相似度的计算，提高相似度高的学习者服务评价的权威性以及偏好相关评价数据的聚合权重，以获得针对不同偏好学习者的网络教育服务QoS排名，并把最合适的网络教育服务推荐给学习者。
二、相关研究
（一）网络教育服务及其QoS
近些年，很多学者关注了教育的服务性，认为教育具有服务业的典型特点，是现代服务业的一个重要组成部分。[2][3]相对于传统教育，网络教育的服务性更明显，董向东[4]认为网络教育本身既是一种个性化教育过程，又是一种个性化服务过程。[5]武丽志从服务的视角对远程教育进行研究，给出远程教育服务的特征、服务质量的相关定义。作为服务，教育具有固有的特性，其服务质量的定义和属性也与普通服务业不同。[6]张屹等认为网络教育服务的服务质量是网络教育的提供者满足学习者明确和隐含需要的能力的特性之总和，网络教育服务质量包括可靠性、关怀性、学习资源的有效性等。[7]Godwin J. Udo等提出一种E-learning服务质量评价模型，认为服务质量包括保证性、移情性、响应性、可靠性等。[8]彭博等将一种基于QoS 的算法应用到学习对象的评分中，把事务处理、响应时间、赔偿率反馈评分等作为QoS属性。[9]通过对QoS数据的分析，可以在功能发现的基础上，从满足功能需求的服务内查找最适合用户非功能需求的服务。[10]
从以上学者的研究可以看出，将网络教育信息、资源、行为抽象为网络教育服务可以更好地从教育的过程和结果对教育服务进行评估；网络教育服务的QoS是用户在体验教育服务过程中感受到的一些非功能属性，这些非功能属性的值由使用者评价或系统监控获得，通过分析和挖掘这些非功能属性数据，可以获得真实的教育服务的服务质量信息以及使用者的使用感受和行为信息。
（二）教育服务推荐研究
服务推荐是根据用户个人的喜好、反馈等来推荐用户可能感兴趣的有用服务信息和推荐合适的服务。[11]该方法可以解决当前网络中服务过载的问题，广泛应用于Web服务、电子商务等领域。在教育领域，也有很多教育服务推荐的研究，比较有代表性的有：任宇提出一种虚拟学习社区个性化推荐策略，将协同过滤和关联规则有机结合实施推荐；[12]刘敏根据学习者兴趣构建了一种最近邻居评价协同过滤算法；[13]李高敏结合教学资源的项目特征，提出了一种基于用户和基于项目的混合协同过滤个性化推荐算法；[14]杨丽娜等提出面向虚拟社区的学习资源个性化推荐；[15]逄华等对基于移动Agent技术的教学资源推荐系统进行了研究；[16]黄昌勤从服务的视角进行了网络课程资源支持下基于语义Web的个性化主动学习研究；[17]王永固等提出一个基于协同过滤技术的学习资源的个性化推荐系统的理论模型。[18]
以上研究从理论模型到实际应用，取得的成果证明了推荐技术在教育领域具有广阔的应用前景。但上述推荐系统的研究更多关注的是教育服务的功能性属性相对应的规则和特征，较少涉及教育服务的非功能性属性以及学习者对这些非功能性属性的偏好需求，由此获得的推荐力度较大，不能区分推荐服务在非功能性属性上的差别以及与学习者偏好的关联。本研究缘起于网络上相同或相似功能的教育服务众多，而其QoS各不相同，不同的QoS与学习者对服务的需求紧密相连。为实现更精准化的推荐，本文区分了教育服务的功能性和非功能性属性，重点针对教育服务的QoS以及学习者QoS偏好需求，实施精确、按需的推荐，实现了在以学习者为中心的网络教育服务系统中，通过学习者的QoS评价反馈，推荐符合其个性需求的网络教育服务。该方法能提高优质网络教育服务的利用率，满足学习者的个性化需求。
三、推荐模型
在以学习者为中心的网络教育环境的学习社区中，任何社区成员都可以上传教育服务供他人使用以合作建构知识或赢利。通过审查而注册到教育服务库中的教育服务是具有功能性和非功能性属性描述的“黑匣子”，接受社区中所有学习者的访问和调用。学习者带着对网络教育服务的不同需求访问教育服务库。学习者的需求有些是显性的（如对教育服务的教学内容、功能、类型、价格等的需求），有些是隐性的（如对教学服务的下载速度、安全性等的需求），显性的需求可以通过系统提供的搜索工具检索获取，而隐性的需求很难用检索条件描述。大部分显性需求是对教育服务功能性属性的需求，QoS属性一部分可以显示表达，一部分只能在接受服务的过程中不断感知。
学习者通过检索获得需要的教育服务后，在使用过程中体验其服务质量，并在使用后对其服务质量进行评价。汇总大量用户的诚实评价以及系统对教育服务过程的监控数据，可以获得教育服务QoS的相关信息，记录在反馈QoS库中，它是计算每个教育服务的服务质量的数据基础。
学习者在搜索、使用、评价教育服务的过程中，系统通过一定的感知技术获得学习者对教育服务QoS的需求偏好，与学习者的基本信息一起保存在用户信息库中。
搜索工具只能提供显性的功能性属性的查询，在满足功能性属性查询条件后，推荐系统根据学习者的QoS偏好信息，对反馈QoS库中教育服务的QoS属性数据进行相似度和加权计算，与当前学习者QoS偏好相似度高的学习者的评价数据以及与当前学习者QoS偏好相关的教育服务QoS属性数据，在教育服务QoS汇总值聚合计算中将有相对更高的权重，依据教育服务QoS汇总值动态生成符合当前学习者QoS偏好的教育服务排序序列。
图1展示了学习者向网络教育服务推荐系统请求教育服务、网络教育服务推荐系统通过一系列操作反馈推荐列表给学习者、学习者使用教学服务后对教育服务的QoS进行评价反馈的模式和过程。由该模型可以看出，基于学习者QoS偏好的教育服务推荐系统具有很好的自治性和自适应性，随着数据量的增加，学习者的个体需求能够不断得到更好的满足，教育服务能够得到均衡、有效的利用，形成良好的优胜劣汰的教育服务生态系统。
四、推荐方法
（一）教育服务的QoS及其量化处理
设ES 是网络教育服务，它由功能性属性和非功能性属性来描述，记为ES（F，Q），其中，F是功能性属性，Q是以QoS为代表的非功能性属性。教育服务的QoS一般有若干属性组成，表示成Q（q1，q2，……，qn），qi为教育服务QoS的第i个属性。对于不同类型的教育服务，其QoS属性的个数和表示也不相同，关于教育资源、教学系统等教育服务的QoS属性，众多文献[19][20][21]已经做过相应的研究。
教育服务库中m个教育服务的n维QoS属性经过不断的服务请求与交易，获得了k个学习者的评价，这些评价数据如图2（a）所示。采用一定的方法（如平均法）对k个学习者的评价数据进行汇总，得到如图2（b）所示的矩阵FQ，矩阵中的行表示第i个教育服务ESi 的各个QoS属性的汇总值，列表示所有教育服务的第j个QoS属性的汇总值，即Qij（i
由推荐模型和上述QoS属性值的量化处理可以看出，先前的学习者对教育服务的QoS评价数据是推荐的基础。在实际应用中，我们采用李克特表的方法，来设计学习者的评价，每个QoS的属性值取值范围是[1，5]。但是，每个QoS属性的语义不同，值的含义也不同，如响应时间是越小越好，可靠性是越大越好，因此，需要对QoS数据进行归一化处理。利用现有方法，[22]由公式（1）处理负属性（取值越大，QoS越低，如响应时间、服务价格），由公式（2）处理正属性（取值越大，QoS越高，如可靠性）。其中， qij和uij分别为某个QoS属性数据标准化之前和之后的值，qmax和qmin分别为该QoS属性在所有用户反馈中的最大和最小值。
（二）学习者的QoS偏好模型及偏好相似度
1. 学习者的QoS偏好模型
在自适应的个性化学习系统中，每个学习者都有独特的学习风格和特点，具有不同的学习偏好或需求。学习者在教育服务请求中对教育服务QoS的偏好也不同，例如，有的学习者更偏爱交互性强的教育服务，对响应时间要求较高，对教育服务的适应性没有特别要求；而有的学习者看重教育服务的可靠性和适应性，不能容忍教育服务的失效和不兼容性，对交互性没有特别要求等。在系统冷启动状态下，学习者的QoS偏好由调查表静态获取，随着学习者参与教育服务的请求和反馈，其偏好信息将动态更新。
用EQ（EQ1，EQ2，……，EQn）表示学习者的QoS偏好模型，某个学习者的QoS偏好表示为：EQi（eqi1，eqi2，…，eqin），其中eqij是学习者i对教育服务QoS的第j个属性的偏好值，偏好值的取值范围是[0，5]，值越大，对该QoS属性越偏好。所有学习者的QoS偏好信息以矩阵EQ保存在用户信息库中。
2. 学习者偏好相似度
具有相似偏好的学习者在进行教育服务QoS评价时往往具有相似的评价偏好，因此，偏好相似度高的学习者的评价在所有评价中具有更高的参考价值。
把偏好矩阵EQ中每个学习者的QoS偏好看作是n 维向量，通过向量间的余弦夹角度量的方法，[23]计算学习者之间的偏好相似度。
学习者ui和学习者uj的QoS偏好向量ui和uj分别为：ui=（eqi1，eqi2，……，eqin）和uj=（eqj1，eqj2，……，eqjn），则学习者ui和学习者uj的QoS偏好相似度rsij定义为：
利用公式（3）对学习者QoS偏好矩阵EQ进行学习者的偏好相似度的计算，得到学习者偏好相似度矩阵RS，RS是一个对角线为1的对称矩阵。
（三）基于QoS偏好相似度的QoS汇总值计算与推荐
设当前学习者提出教育服务的请求初步得到满足，其功能属性需求的教育服务集合ES=（ES1，ES2，…，ESm），每个教育服务都有若干个学习者对其进行了评价反馈，第d个学习者对第i个教育服务的第j个QoS属性的评价记为。
已知学习者的QoS偏好为：EQt（eq1，eqt2，……，eqtn），利用公式（3）可以算出当前学习者的QoS偏好与k个学习评价者QoS偏好的相似度RSt（rst1，rst2，……，rstk）。记：
则教育服务集合中第i个教育服务的QoS汇总值为：
公式（4）中，首先按当前学习者的QoS偏好对评价数据进行处理，偏好高的QoS属性具有更高的权值；接着，对不同学习者的评价按其与当前学习者的相似度进行加权，相似度高的学习者的评价具有更高的权值。由公式（4）可以获得所有教育服务的QoS汇总值，记为 ，这些教育服务的QoS汇总值是体现当前学习者偏好的个性化数值，对F中教育服务QoS汇总值进行排序，可以获得针对当前学习者的教育服务推荐列表，向当前学习者ut进行个性化教育服务的推荐。
五、模拟实验与验证
为了验证本文推荐方法的可行性和准确度，在局域网中搭建测试系统，共有一台服务器和四台PC机。服务器作为教育服务注册存储服务器，四台PC机作为学习者请求的系统终端机。
在系统中注册60个教育服务，以数据库、数据结构、操作系统、C语言等四门课程作为不同功能的服务，可表示为（DB，DS，OS，C），每门课程注册15个相同功能不同质量的教育服务，选择可靠性、交互性、关怀性等三个属性作为教育服务的QoS评价属性参数，三个属性均为正属性，用qi表示。
由50名本科生作为体验者，他们有不同的QoS偏好，记录在用户的QoS偏好库中。首先，其中40名学生根据自身的QoS偏好请求教育服务，然后分别对请求的四门课程中的教育服务进行QoS评价，使每个教育服务都有8～12个评价，由此构成教育服务推荐的基本数据集。剩余的10个学习者在此数据基础上，对四门课程分别进行一次教育服务请求，使用本推荐方法和平均值推荐法进行两次推荐，学习者根据推荐结果进行评价，包括QoS评价，满意度评价（SAT）等，最后根据学习者的满意度对两种推荐方法的结果进行对比。
具体实验过程如下。
1. 用户偏好数据。首先由调查问卷得出每个学习者的QoS偏好，见表1。其中，属性qi（1≤i≤3）取值范围是[0，5]。表中的值越大，代表该用户越偏重该属性，即qi值为0时，用户最不在乎此属性，qi为5时，用户最重视该属性。
2. 教育服务评价数据。通过40位同学对60个教育服务的评价获得教育服务的评价数据，见表2。其中不为空的qi分量表示评价者U对服务ES的某个QoS属性的评价值，qi越大，表示评价者对相应服务的这个QoS属性表现越满意，反之则不满意。如此获得每个教育服务ES大约有10个左右用户的评价数据。
3. 服务请求与推荐。有10个学习者（U41～U50），他们的请求偏好模型见表1，对教育服务进行请求。通过公式（3）、（4）对他们请求的服务的服务质量进行计算，获得每个教育服务的QoS汇总值，按QoS汇总值进行服务的推荐。
例如，U41请求数据库教育服务，返回15个数据库教育服务，系统需要根据U41的偏好以及这15个服务的服务质量信息给U41推荐一个最合适的教育服务。
EQ41=（0，5，3）是U41的用户偏好，表示他对可靠性没有要求，对交互性要求很高。15个候选服务都有8～12个用户评价数据，由公式（3）计算U41和每个候选服务的每个评价者的用户相似度，得到表3的数据。
再由公式（4）计算针对U41用户偏好的这15个教育服务的不同QoS汇总值，按QoS汇总值降序进行个性化的教育服务推荐。
4. 推荐满意度。学习者的满意度是鉴定推荐结果是否满足需求的重要参数。分别使用本文的推荐方法与平均值推荐法为用户进行教育服务推荐，根据请求者对推荐结果满意度的评价，从两个角度进行对比：①每个教育服务请求者对请求过的四门课程的教育服务满意度的平均值，如图3（a）所示；②每门课程教育服务的所有使用者满意度平均值，结果如图3（b）所示。
由实验对比可见，无论是学习者请求过的所有教育服务的满意度均值，还是每门课程教育服务的满意度均值，使用QoS偏好推荐法的学习者满意度均高于平均值推荐法。
六、总 结
本文针对现有教育服务推荐方法中缺少关注服务质量信息带来的一些问题，在深入研究网络教育服务的特点及其QoS属性的基础上，提出了一种基于QoS偏好的教育服务推荐模型和方法，为学习者推荐符合其QoS偏好的个性化教育服务。在后续的工作中，计划在网络教育服务管理系统中实现和应用本推荐方法，积累用户数据和推荐反馈，提高对学习者QoS偏好信息的动态感知，优化QoS评价数据的挖掘，进一步提高学习者的满意度，构造更加智能的学习环境，用技术促进教育、改进教育。
[参考文献]
[1] Hishamuddin Fitri Abu Hasan，Azleen Ilias. Service Quality and Student Satisfaction[A]. Case Study at Private Higher Education Institutions[J]. International Business Research，2008，1 （3）：163～175.
[2] 刘俊学. 服务性：高等教育质量的基本特征[J]. 江苏高教，2011，（4）： 40～42.
[3] 陈德人，张尧学. 数字化学习巷：构建面向终身学习的学习型社会[M].杭州：浙江大学出版社，2009.
[4] 董向东.网络教育服务初探[J].电化教育研究，2002，（11）：34～37.
[5] 张屹.网络教育服务质量管理体系规范研究[D].上海：华东师范大学，2003.
[6] 武丽志.远程教育服务论纲[D].广州：华南师范大学，2007.
[7] 张屹，胡小勇，祝智庭. 网络教育服务质量框架研究[J]. 中国电化教育，2003，（2）：68～72.
[8] Godwin J. Udo ， Kallol K. Bagchi ， Peeter J. Kirs. Using SERVQUAL to Assess the Quality of E-Learning Experience[J]. Computers in Human Behavior ，2011，（27）： 1272～1283.
[9] 彭博，杨贯中.基于QoS 的学习对象推荐[J]. 微计算机信息， 2009， （9）：145～146.
[10] 夏雷. 基于反馈QoS的Web服务发现模型[D]. 青岛：中国石油大学，2007.
[11] 曾春，邢春晓，周立柱. 个性化服务技术综述[J]. 软件学报，2002，（10）：1952～1961.
[12] 任宇. E-Learning个性化系统的推荐策略研究 [D].长春：东北师范大学，2010.
[13] 刘敏. 基于协同过滤技术的E-Learning个性化推荐系统研究[D]. 天津：天津师范大学，2010.
[14] 李高敏.基于协同过滤的教学资源个性化推荐技术的研究及应用[D]. 北京：北京交通大学，2011.
[15] 杨丽娜，刘科成，颜志军.面向虚拟学习社区的学习资源个性化推荐研究[J].电化教育研究，2010，（4）：67～71.
[16] 逄华，荆永君，王龙.基于移动Agent技术的教学资源推荐系统研究[J].电化教育研究，2011，（9）：79～83.
[17] 黄昌勤.网络课程资源支持下基于语义Web的个性化主动学习服务研究与实现[J].电化教育研究，2012，（3）：49～55.
[18] 王永固，邱飞岳，赵建龙，刘晖.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.
[19] Afzaal Ali，Israr Ahmad.Key Factors for Determining Students’ Satisfaction in Distance Learning Courses： A Study of Allama Iqbal Open University[J].Contemporary Educational Technology， 2011，2（2）：118～134.
[20] Ismail SAHIN. Predicting Student Satisfaction in Distance Educaiton and Learning Environments[J].Turkish Online Journal of Distance Education， 2007，8（2）：113～119.
[21] 方宇通. 基于学生满意的远程教育服务质量影响因素研究[J].电化教育研究， 2012，（4）：58～62.
[22] Liu Yingchun， Zheng Xiaolin，Chen Deren.Reliable Services and Services Recommendation： A Detecting Model[A].2011 International Joint Conference on Service Sciences[C]. 2011：178～182.
[23] 李永，徐德智，张勇，邢春晓.VRE中基于内容过滤的论文推荐算法[J].计算机应用研究，2007，24（9）：58～60.