基于语义网的个性化情境建模

情境建模的重点是情境上下文的构建，首先需要确定的是需要获取哪些情境要素，基本的情境要素可以包括：当前情境涉及的人物、当前情境使用的资源、用户的学习习惯和偏好、当前的学习任务以及与当前情境相关的事件、位置、时间和感知数据等，然后再根据要素进行推理，推理的过程可以分为以下几个层次：

(1)基于位置信息的推理。

基于地理位置的推理是理解个人的移动行为和学习状态的核心，对于处于更高层次的推荐应用，尤其是对用户个人的学习行为规律挖掘来说非常重要。在个性化显著地点挖掘的基础上，结合已有的人工标注样本与时间等情境信息进行关联规则分析，从而总结出地点类型与学习状态的映射规则。移动场景中持续的地点切换使得传统的针对单一静态地点的行为模式推荐存在局限性，因此情境学习更多的是关注连续的行动轨迹模式挖掘。轨迹数据的定义是一组停顿地点和移动轨迹的序列化记录，根据移动轨迹以及地理信息数据实现地理信息与语义信息的映射，并通过引入采样点语义知识及其转移概率，以及利用序列挖掘算法，来分析其语义轨迹模式，关联学习者的学习状态变化规律[63]。

(2)基于行为模式的推理。(www.xing528.com)

用户行为模式挖掘是移动用户的个性化推荐的关键，它揭示了用户学习规律和学习偏好的基础性信息，对于提升推荐效率至关重要。学习者所处情境和实时的需求是息息相关的，在图书馆看视频资料和在家看自然探索节目是两种情境，他的推荐需求也会有很大差异。移动情境数据的有效分析和利用，对于更好地理解用户当前的意图和兴趣，提升面向移动用户的推荐系统体验[64]。

(3)基于关联规则的推理。

作为开展个性化服务的重要基础，用户情境与学习需求的关联挖掘直接决定个性化服务的优劣与推荐质量的高低。而移动用户自身位置敏感性等特点又要求推荐系统须对用户兴趣变化反应快、能处理短期兴趣及变化很大的情境要素等。基于关联规则的推理不仅在于发现情境与行为的关联，同时还揭示不同情境特征之间强有力的联系。通过基本的关联规则挖掘技术和在此基础之上的拓展，可以有效地完成这一任务，比如学习者在某一情境下观看的学习视频，预示着其下一时刻课程内容会如何切换，例如可能会寻找相关课件，可能会进行一次关联的课后测验，学习系统想要及时准确地推荐学习内容，就要依赖于关联规则的挖掘与发现[65]。