時間：2023-05-30 10:35:51
開篇：寫作不僅是一種記錄，更是一種創造，它讓我們能夠捕捉那些稍縱即逝的靈感，將它們永久地定格在紙上。下面是小編精心整理的12篇個性描述，希望這些內容能成為您創作過程中的良師益友，陪伴您不斷探索和進步。
關鍵詞:個性化;Web挖掘;推薦系統
中圖分類號:TP393文獻標識碼:A文章編號:1009-3044(2010)11-2608-02
Personalized Recommendation Technology Based on Web
CUI Li-xin, ZHANG Chun-hua, ZHAO Chun-xi
(Aviation University of Air Force, Changchun 130022, China)
Abstract: The paper introduces the expressing and updating of user profile, the expressing of resource profile, personalized recommendation technology and the achivements on these issues. Then the critical technology and the aspects fucused on for future of personalized recommandation are discussed.
Key words: personalization; Web minin; recommendation system
1 概述
隨著Internet的飛速發展,World Wide Web上的網頁量正在呈指數的增長。Web已經成為獲取信息最重要的手段之一。海量的網頁在為人們提供包羅萬象、無比豐富的信息資源的同時,也向人們提出了如何快速從信息海洋中獲取其所需信息的挑戰。目前Web系統為所有用戶提供相同的服務,然而Web用戶的需求千差萬別,用戶希望Web系統能夠根據他們特性的不同提供個性化的服務。針對用戶特性并向用戶提供個性化服務已經成為Web技術的一個研究熱點。
所謂Web個性化實質上就是一種以用戶需求為中心的Web服務。首先,不同Web用戶通過各種途徑訪問Web資源;其次,系統學習用戶的特性,創建用戶訪問模型;最后,系統根據得到的知識調整服務,以適應不同用戶的個性化需求。因此創建Web個性化服務系統的一般步驟為:
1)收集用戶的各種信息,如注冊信息,訪問歷史等;
2)分析用戶數據,創建符合用戶特性的訪問模式。
目前存在著許多個性化服務系統,它們提出了各種思路以實現個性化服務。個性化服務系統根據其所采用的推薦技術可以分為兩種:基于規則的系統和信息過濾系統。信息過濾系統又可分為基于內容過濾的系統和協作過濾系統。基于規則的系統允許系統管理員根據用戶的靜態特征和動態屬性來制定規則,一個規則本質上是一個If-Then語句,規則決定了在不同的情況下如何提供不同的服務。基于規則的系統優點是簡單直接,缺點是規則質量很難保證,而且不能動態更新,此外,隨著規則的數量增多,系統將變得越來越難以管理。基于內容過濾的系統如WebPersonalizer等,它們利用資源與用戶興趣的相似性來過濾信息。基于內容過濾的系統其優點是簡單有效,缺點是難以區分資源內容的品質和風格,而且不能為用戶發現新的感興趣的資源,只能發現和用戶已有興趣相似的資源。協作過濾系統如:WebWatcher等,利用用戶之間的相似性來過濾信息。基于協作過濾系統的優點是能為用戶發現新的感興趣的信息,缺點是存在兩個很難解決的問題,一個是稀疏性,亦即在系統使用初期,由于系統資源還未獲得足夠多的評價,系統很難利用這些評價來發現相似的用戶。另一個是可擴展性,亦即隨著系統用戶和資源的增多,系統的性能會越來越低。還有一些個性化服務系統同時采用了基于內容過濾和協作過濾這兩種技術。結合這兩種過濾技術可以克服各自的一些缺點,提高協作過濾的性能。
2 個性化服務的實現
為了實現個性化服務,首先需要跟蹤和學習用戶的興趣和行為,并設計一種合適的表達方式。為了把資源推薦給用戶,必須組織好資源,選取資源的特征,并采用合適的推薦方式。
2.1 用戶描述文件
對個性化服務系統來說,最重要的是用戶的參與,為了跟蹤用戶的興趣與行為,有必要為每個用戶建立一個用戶描述文件。用戶描述文件刻畫用戶的特征與用戶之間的關系。用戶描述文件從內容上可以劃分為基于興趣的和基于行為的兩種類型。在具體實現時可以綜合基于興趣和基于行為這兩種表達方式。在用戶初次使用個性化服務系統的時候,系統可以要求用戶注冊自己的基本信息和感興趣的內容,也可以隱式地收集用戶信息。在定制好一個用戶描述文件之后,系統可以讓用戶自主修改,也可以由系統自適應地修改,這樣,系統就可以隨用戶興趣的變化而變化。
目前基于Web日志的挖掘技術發展迅速,利用Web日志可以獲得頁面的點擊次數、頁面停留時間和頁面訪問順序等信息。通過分析Web日志可以獲得相關頁面相似用戶群體和用戶訪問模式等信息,個性化服務系統可以利用這些信息創建或更新用戶描述文件。
2.2 資源描述文件
資源的描述與用戶的描述密切相關,一般的做法是用同樣的機制來表達用戶和資源,資源描述文件可以用基于內容的方法和基于分類的方法來表示。
基于內容的方法是從資源本身抽取信息來表示資源,對文檔來說,關鍵的問題是特征選取:一是選取最好的詞,二是選取的詞最少。基于分類的方法是利用類別來表示資源,對文檔資源進行分類有利于將文檔推薦給對該類文檔感興趣的用戶。文本分類方法有多種,比如:樸素貝葉斯,k最近鄰方法等。資源的類別可以預先定義,也可以利用聚類技術自動產生。
2.3 個性化推薦
個性化推薦可以采用基于規則的技術、基于內容過濾的技術和協作過濾技術。
基于規則的技術中,規則由用戶定制,也可以利用基于關聯規則的挖掘技術來發現。信息推薦時,首先根據當前用戶閱讀過的感興趣的內容,通過規則推算出用戶還沒有閱讀過的感興趣的內容,然后根據規則的支持度(或重要程度),對這些內容排序并展現給用戶。利用規則推薦信息依賴于規則的質量和數量,其缺點是隨著規則的數量增多,系統將變得越來越難以管理。
信息過濾技術可分為基于內容過濾的技術和協作過濾技術。基于內容過濾的技術是通過比較資源與用戶描述文件來推薦資源,其優點是簡單有效,缺點是難以區分資源內容的品質和風格;協作過濾是根據用戶的相似性來推薦資源,它根據相似用戶來推薦資源,所以有可能為用戶推薦出新的感興趣的內容。
基于近鄰用戶的協作過濾技術應用比較普遍,它的核心問題是為當前用戶尋找k個最相似的鄰居來預測當前用戶的興趣。基于近鄰資源的協作過濾方法通過預先建立一些反映相關性或相似性的模型,提高系統在預測和推薦時的性能。
3 問題與方向
盡管Web挖掘技術已經在Web個性化系統中得到了廣泛的應用,但是還存在著以下幾個方面的問題:
1) 隱私問題。目前的Web個性化技術還不能很好的解決這個問題;
2) 性能問題。實時個性化系統對響應時間要求比較高,系統性能將是一個不可忽視的問題;
3) 質量評價問題。如何評價建模效果以及系統最終的服務質量是一個非常重要的問題。
目前已經存在很多個性化服務系統,但個性化服務技術仍有很多值得研究和探討的領域:
1) 用戶興趣和行為的表達。跟蹤學習和表達用戶興趣是一個最基本和難以解決的問題;
2) 分類和聚類技術。分類和聚類技術是個性化服務的基本技術,也具有良好的可擴展性;
3) 安全技術。建立有效的保護用戶隱私的機制,才能順利實現個性化服務。
參考文獻:
[關鍵詞]集成服務 個性化 數字圖書館 Web services
[分類號]G250.76
數字圖書館經過了基于數字化資源的發展階段之后，已經進入基于信息服務集成化、用戶服務個性化的發展階段。隨著網絡技術的進步，用戶希望數字圖書館不僅能夠提供集成化的服務，而且能夠提供個性化的服務。因此，如何根據用戶的個性化需求特點，集成數字圖書館的服務，實現對多個數字圖書館的透明訪問，是當前數字圖書館發展面臨的重要問題。
1 現有數字圖書館集成服務研究的不足
所謂服務集成就是將兩個或多個服務(尤其是異構環境的服務)通過相互間的協調、通信、合作，共同完成一個較復雜功能。數字圖書館集成服務也就是在用戶特定任務需求的驅動下，利用統一的服務調度機制，實現多個數字圖書館服務的動態集成，共同滿足用戶的需求。
數字圖書館是一個十分復雜的系統，實現數字圖書館的集成服務面臨著自治性、分布性和異構性三大挑戰。目前關于數字圖書館系統之間的集成，相關研究已經提出利用中介器/包裝器、元搜索引擎、網格調度等一些解決方案。在數字圖書館中，數據源集成是提供集成服務的基礎，也是信息集成服務的關鍵所在。異構性是數據源集成面臨的普遍問題，數據源的異構主要表現在4個方面：系統異構；語法異構；結構異構；語義異構。目前關于數據集成方法和集成技術的研究比較多，其中本體作為解決語義集成的主要方法，近年來受到研究者的關注。本體在異構信息源集成中的作用是：信息源語義的明確描述、作為全局查詢模型、描述從全局模式到局部模式映射的具體說明。因此，有研究就提出利用本體作為信息源的元數據描述，通過元數據和互操作可以實現多種信息源的集成視圖。這些研究雖然為數字圖書館集成服務提供了一定的解決方案，但是卻忽略了用戶的個性化需求。
面向信息資源――面向信息交流過程――面向信息用戶是信息服務發展的客觀規律。面向信息用戶是指針對每一個用戶的獨特需求提供有針對性的服務。數字圖書館集成的目的不是為了解決單個的檢索需求，而是面向用戶的個性化需求提供持久的跟蹤服務，支持個性化的集成檢索服務和主動的推送服務。然而，目前的數字資源整合系統非常關注資源的集成與整合，而較為忽略用戶需求方面的個性化和差異性。用戶需求是多樣的，面向用戶個性化需求構建的整合系統將成為未來的趨勢。因此，如何根據用戶的個性化需求對數字圖書館進行集成是數字圖書館集成服務的發展方向。
2 基于用戶個性化需求的數字圖書館集成服務框架
在數字圖書館中，用戶的個性化需求可能非常復雜，單個數字圖書館的資源和服務往往無法滿足用戶的需要，這就需要將若干個數字圖書館的資源、服務或其組件按一定的邏輯進行組合。面對一批數字圖書館服務，如何找到最符合用戶興趣偏好的服務，是個性化服務需要解決的關鍵問題。基于用戶個性化需求的數字圖書館集成服務主要依賴的不是各個數字圖書館系統之間的整體集成，而應該是不同數字圖書館系統中符合用戶需求的組件之間的動態集成。因此，如何根據用戶的個性化需求將不同數字圖書館系統中相關的資源組件、服務組件、應用組件等進行動態集成，是需要解決的關鍵問題。
Web services是通過Internet可獲得的、向其他應用軟件提供某些類型服務的應用軟件，這種技術主要用于解決異構分布式應用的集成問題，能夠實現分布式環境下各種Web服務的發現、調用和組合。Webservices的基本思想是把軟件組件當作一種服務，并提供一套描述、、查找和調用這些服務的技術規范，采用HTTP、XML、WSDL、UDDI、SOAP等標準和協議來實現。Web services協議的作用是：發現服務(通過UDDI實現)、理解如何獲得服務(通過WSDL實現)、獲得并使用服務(通過SOAP實現)。Web services的一大優勢是其服務組合能力，它強調了用戶需求的復雜性和單個Web服務在滿足用戶需求方面的不足。因此，Web services技術為基于用戶個性化需求將不同數字圖書館系統中有用的資源組件、服務組件、應用組件進行發現和動態組合提供了一種有效的機制。
在Web services中，Web服務發現技術能夠根據用戶請求對服務注冊庫進行查找，發現相應的服務以供用戶調用。但Web服務發現的能力取決于Web服務發現的查全率、查準率和服務質量(QoS)約束。目前，在個性化服務技術中建立用戶興趣模型，擴展用戶描述的上下文信息，以達到對用戶描述的準確理解，為進一步提高Web服務發現的查全率、查準率提供了一種不同的方法。因此，為了更好地實現個性化的Web服務組合，必須綜合考慮用戶環境、用戶偏好、用戶需求以及Web服務功能等一系列的信息。
為了實現Web上廣泛分布的、異構的數字圖書館服務組件的集成，本文以Web services技術為主導，提出了一個基于用戶個性化需求的數字圖書館集成服務框架(見圖1)。利用該框架能夠發現數字圖書館服務中符合用戶需求的組件，實現組合調用和集成，并且對參與集成的數字圖書館不施加任何約束。
2.1 用戶層
在用Web services技術集成數字圖書館的服務時，最關鍵的問題是服務組合的結果是否與用戶真正需求相一致。為了使服務組合符合用戶的個性化需求，就要對用戶需求信息進行處理，綜合考慮用戶的興趣、偏好、需求以及用戶所處的情景信息等。因此，用戶層的主要功能是捕捉用戶所處情景，準確表達用戶需求，為Web服務的個性化發現和組合提供前提條件。該層主要包括用戶興趣本體庫、領域本體庫和用戶情景庫。其中，用戶興趣本體庫用規范化的本體概念描述了用戶的興趣、偏好、專長及其之間的關系。領域本體庫包含著一個領域中最基本的概念、概念的定義以及各個概念之間的語義關系網絡。用戶情景庫描述了特定時間內用戶所處狀態和情形的任何信息，包括用戶的位置狀態、任務狀態、環境狀態等。
2.2 中間層
中間層的主要功能是根據用戶層提交的個性化需求信息，利用Web services發現能滿足用戶需求的服務，進行服務的組合與集成，然后，本地數字圖書館根據組合結果，利用Web services的相關協議調用遠程數字圖書館的相應服務。將數字圖書館系統的服務利用標準化的WSDL進行描述，同時將數字圖書館的各種服務進行合理拆分，分別對各個組件提供的服務進行
Web服務描述，以包裝成較小的Web服務，并在UDDI統一注冊登記。這樣，Web services發現技術就能根據用戶的個性化需求在UDDI中找到符合用戶需求的數字圖書館服務組件，實現服務的組合和調用。
2.3 服務層
服務層的功能有兩個：一是將數字圖書館服務進行合理的拆分、描述并注冊到Web服務中心；二是根據中間層提供的Web服務組合的結果，執行Web服務以獲取符合用戶需求的資源。本地和遠程數字圖書館在進行服務拆分時，可以將Portlet作為Web服務到UDDI注冊表中。數字圖書館的各種服務功能組件包括用戶認證功能組件、跨庫檢索功能組件、分類瀏覽功能組件、搜索引擎功能組件等，相應地，可以將這些組件對應的Portlet作為一個Web服務進行包裝。
Porflet(門戶構件)是Portal(門戶)的核心組件，它是一種特定的基于Java的Web組件，可以產生動態的網頁內容，設計聚合大量內容的組合頁面。Portlet運行于門戶服務器的portlet容器中。Portal為用戶提供一種集中的資源接入方式，提供單點登錄、內容聚合、個性化門戶定制等功能。Web services通過啟用門戶應用程序，可以將遠程的應用程序聚合到本地門戶框架中。本地門戶可以使用Portlet與遠程PorfletWeb服務進行綁定。
3 基于用戶個性化需求的數字圖書館集成服務的實現
基于用戶個性化需求的數字圖書館集成服務以用戶需求為導向，根據個性化需求組合各個數字圖書館的服務組件，其實現流程如下：
?綜合考慮用戶情景和需求，在用戶興趣本體庫和領域本體庫的幫助下對用戶需求進行個性化處理，以規范化的方式表達用戶需求；
?Web services技術根據用戶的個性化需求，發現能滿足用戶任務的服務，并對這些服務進行組合和集成；
?本地門戶通過Pordet與能滿足用戶需求的遠程Web服務進行綁定；
?本地和遠程的Web服務根據用戶的個性化需求執行查詢任務，并返回查詢結果，由Portal對返回的各種結果進行整理、合并，統一處理后返回給本地或遠程的用戶使用。
3.1 用戶需求的個性化處理
為了準確的表達用戶需求的語義，在用戶層引入本體對查詢任務進行個性化優化處理。其處理過程是：根據用戶所處的情景信息，首先將用戶需求與用戶興趣本體庫進行映射，查驗是否已有相似的查詢任務，如果有，則按興趣本體庫中的概念表達用戶需求；如果沒有，系統則查詢領域本體庫，從中找出出現該關鍵字的各個領域，將相應領域的相關概念羅列給用戶。用戶根據自己的查詢意圖，確定所需查找的領域和含義，選擇相應的查詢概念，同時可以選擇相關詞或上下位詞進行查詢擴展，以完成需求任務的完整表達。與此同時在用戶興趣本體庫中記錄用戶這一新的需求任務。用戶需求的個性化處理是有效的服務發現和組合的前提。
3.2 本地和遠程Web服務的集成
本地和遠程Web服務的集成是指調用遠程服務器的應用軟件組件，與本地功能組件相結合，將遠程數字圖書館的服務整合到本地，實現對遠程門戶服務訪問的無縫集成。數字圖書館門戶服務器將Portlet作為Web服務到UDDI注冊表后，本地的門戶就可以使用Portlet與遠程的Porflet服務進行綁定。其實現過程如圖2所示：
一個典型的Web services體系結構包括服務提供者、服務注冊中心和服務請求者。利用Web$elwice$集成本地和遠程服務的過程是：服務提供者(即遠程Por-tal服務器)用WSDL協議描述其提供的服務，服務請求者(即本地Portal服務器)在UDDI注冊表中查找符合用戶需求的Portlet Web服務，獲取相應的WSDL描述文件，然后本地的Portlet通過基于XML的SOAP協議傳遞信息來實現與該服務的綁定。服務提供者和服務請求者的角色不是固定不變的，當本地的Web服務被遠程的Web服務調用時，它就成為服務提供者，當調用遠程的Web服務為自己所用時就成為服務請求者，從而實現本地和遠程服務的動態組合。
3.3 數字圖書館資源的跨庫獲取
利用Web services技術組合不同數字圖書館的服務組件，其最終目的是通過執行服務滿足用戶的個性化需求。因此，數字圖書館中通過執行portlet服務，將數字資源提供給用戶是個性化服務得以實現的基礎。數字圖書館的服務通常包括跨庫檢索服務、搜索引擎服務、分類瀏覽服務、用戶認證服務等各種Web服務。用戶的個性化需求通過數字圖書館門戶映射到選定的Portlet服務后，Portlet需要訪問特定的信息。Portlet是J2EE中Servlet的一個特殊子集，兩者名稱、概念、功能和運行方式都很相似，Portlet可以調用Servlett。因此，本文采用Servlet實現對各種數據源的訪問。對于跨庫檢索Portlet，通過調用Servlet實現對多個數據庫的查詢；搜索引擎Portlet則是通過Google Servlet實現對數字圖書館中網絡資源的查詢，如圖3所示：
圖3所示的數字圖書館資源的跨庫訪問步驟是：
?用戶的個性化需求通過Portal分別提交到跨庫檢索Portlet和搜索引擎Portlet；
?Servlet根據用戶需求通過JDBC API訪問數據庫資源，將查詢結果以相應的形式返回到跨庫檢索Portlet；Google Servlet利用Google許可鑰匙(licensekey)和查詢參數執行doSearch，Google Web APls以結構化數據格式返回查詢結果，Google servlet將結構化數據轉換成XML，并最終將XML數據轉換成HTML返回到搜索引擎Portlet；
?Portal統一處理各個組件的訪問結果，并將最終結果以個性化的形式返回給信息需求者。
圖3中，Servlet是用Java Servlet API編寫的跨平臺的在服務器端運行的應用程序。Servlet采用請求/響應模式提供Web服務，與使用的協議、平臺無關，可以有效地實現分布式數據庫查詢。Servlet可以被鏈接，接收客戶端請求的Servlet本身也可以調用另一個或一系列Servlet，即成為客戶端。采用Servlet技術，可以利用JDBC訪問Web數據庫。JDBC是開放數據庫互聯(ODBC)的Java實現，具有對硬件平臺、操作系統異構性的支持。JDBC API是JDBC的應用編程接口，可以屏蔽DBMS的差異，對于任何數據庫，JDBCAPI都是一致的。Google Web APIs是一個Web服務，使開發者能夠獲取Google的Web搜索并開發軟件。利用Google Web APIs，應用程序能檢索網上信息，并以結構化數據返回結果，開發者可以根據應用程序的需要編寫程序將結構化的結果轉換成XML或其他格式。
關鍵詞：配置規則；多維關聯規則；粗糙集；規則提取
中圖分類號：TM464 文獻標識碼：A 文章編號：1009-2374（2013）22-0025-02
在AP1000核電設備實例產品中，存在著大量的配置規則，如何從海量的數據中，有效獲取可理解的、核電業主感興趣的參數，是產品設計人員關注的問題，關聯規則挖掘正是這樣一種有效的提取方法。
為了能夠從海量的事務數據中，準確獲取核電業主的個性化需要，且保證多維情況下的關聯規則挖掘及提高頻繁模式挖掘的效率，因此，本文提出了一種基于粗糙集理論的AP1000核電設備產品多維關聯配置規則挖掘提取方法。采用該多維關聯規則提取技術，提取AP1000核電設備產品的變量配置規則、約束配置規則和有效性規則，以描述產品結構模型中抽象的功能、結構組件關系。
1 基礎知識
1.1 多維關聯規則的基本模型
1.2 粗糙集的基本理論
1.3 決策系統
定義5：冗余規則：若規則與規則、描述的關聯關系相同，則稱及為冗余規則。
在挖掘多維關聯規則時，本著用較少的關聯規則表達同樣多有效配置信息的原則，在屬性約簡后只提取強規則而需將冗余規則刪除。
3 多維關聯規則提取的算法描述
4 應用實例
為了更好地理解個性化配置規則的數據挖掘提取方法，本文設定一個具體實例來對其展開說明。
鋼制安全殼容器是AP1000壓水堆非能動安全保障系統的重要設備，一方面作為核輻射安全屏蔽系統的一部分，是防止核輻射泄漏的第四道屏蔽防護體；另一方面作為非能動冷卻系統的組成部分，是冷卻核島內溫度的重要保證，反應堆廠房頂部水箱為防止事故工況下的溫度劇增提供加速冷卻的作用。
5 結語
個性化產品配置規則的有效提取，很大程度上決定了產品定制化的質量。本文提出了一種面向個性化知識提取的多維規則提取方法，從理論上給出了面向個性化的配置規則獲取算法的描述，并運用實例進行了驗證。這種配置規則數據提取方法可以有效降低關聯規則的挖掘時間和減少配置規則的搜索空間，達到迅速調用產品配置知識的目的，并可為構建基于數據庫的產品信息模型知識系統提供重要的指導意義。下一步的工作重點是改進粗糙屬性約簡和關聯規則提取算法的效率。
參考文獻
[1] Jiawei Han，Micheline Kamber，范明，孟小峰.數據挖掘概念與技術[M].北京：機械工業出版社，
2004.
關鍵詞:個性化需求預測;即時顧客化定制;定制―響應困境問題
中圖分類號:F273 文獻標識碼:A 文章編號:1003-5192(2009)05-0048-07
Challenges and Methods of Individual Demands Forecasting
TANG Zhong-jun, CHENG Xiao-hong
(School of Business, Central South University, Changsha 410083, China)
Abstract:This research focuses on uncovering challenges to realise individual demand forecasting and on proposing methods to address the challenges uncovered by using existing theories and research. To share demand-related information, one challenge may be faced, which is whether consumers have abilities to present their demand-related tacit information. To aid consumers to promote the abilities, an exogenously provided tool named demand-related tacit information transformation system is proposed. To understand the information shared, a critical challenge is how to avoid self-referencing and false consensus effect. An application of the theory of cognitive map shows that cognitive map may aid personnel of a manufacturer to avoid the self-referencing and false consensus effect. To translate the information understood into forecasts, how to improve forecasting performance becomes more serious in the context of individual demand forecasting than traditional forecasting methodologies. To improve forecasting performance, two methods of attribute-based forecasting and net change forecasting and feeding back forecasts to consumers are advanced.
Key words:individual demand forecasting; instant customerisation; customization-responsiveness squeeze
1 引言
隨著顧客需求的個性化趨勢和即時交付要求的增強,一種新型生產模式“即時顧客化定制(Instant Customerization)”將成為企業實施差異化戰略的一種必然選擇[1]。即時顧客化定制是指,當顧客的個性化需求一旦提出,制造商就能以顧客所能接受的價格立即提供。實現即時顧客化定制的策略之一是個性化需求預測[1]。個性化需求預測是對特定顧客的訂單的預測,預測時將該顧客視為與其他顧客有不同特質的單一顧客,并使用與該顧客需求有關的信息,包括歷史的、現在的和將來的信息;傳統需求預測,例如各類時間序列預測,是對具有同質性的一群顧客對某產品的需求預測,預測時通常僅使用歷史信息[1]。個性化需求預測不但是實現即時顧客化定制的重要策略,而且是解決定制-響應困境問題(Customization-Rresponsiveness Squeeze)的策略[2]。當顧客不但要求個性化需求而且要求訂貨提前期短于生產提前期時,制造商將面臨定制-響應困境問題。當通過產品和流程的優化并通過供應鏈的優化管理后,仍然不能解決該問題時,個性化需求預測成為解決該問題的必然選擇。因此,研究個性化需求預測是非常有必要的[2,3]。
為了實現個性化需求預測,文獻[1,4]提出了個性化需求預測的兩種策略和七條原則。兩種策略是全面顧客參與和全面價值融合[1]。全面顧客參與要求顧客與制造商及時準確地共享與需求有關的信息,從而使制造商獲取產生于顧客的需求相關信息,并將這些信息做為個性化需求預測的主要輸入信息。全面價值融合要求制造商從顧客角度,而不是從制造商的角度理解顧客需求相關信息,從而體現顧客是產品價值的決定者。個性化需求預測的七條原則涉及預測對象、預測所有信息來源、預測機構等方面[4]。雖然已經提出了兩種策略和七條原則,但是個性化需求預測仍然缺乏實現的方法。此外,傳統觀點認為對個性化需求的預測是相當困難的。因此,非常有必要研究個性化需求預測面臨的挑戰和解決挑戰的方法。
本文旨在運用心理學和行為學等學科的相關理論,分析個性化需求預測在預測所用信息的獲取、理解和轉換等三階段面臨的挑戰,并提出解決挑戰的方法。本文的重點是分析個性化需求預測面臨的挑戰并提出解決挑戰的合理方法,對所提方法的深入研究將另有介紹。
2 共享需求相關信息面臨的挑戰及解決方法
提高預測準確率的方法之一是擴大預測所用信息量[5];改善預測的基本原則之一是直接面向未來,充分利用顧客產生的早期信息[6]。此外,全面顧客參與也要求顧客將需求相關信息及時準確地共享給制造商。因此,本節將分析顧客共享需求相關信息時面臨的挑戰及解決方法。
技術的發展,尤其是具有交互能力的多媒體技術,如互聯網技術的發展,為個性化通訊系統提供了可能。個性化通訊系統不但可以方便,而且可以促進顧客及時準確地與制造商共享需求相關信息。然而,文獻研究結果表明,技術并不是促進信息共享的唯一要求[7],信息共享的首要問題是“改變人們的行為”[8]。就共享需求相關信息而言,首要問題是改變顧客和制造商的行為,尤其是改變顧客的行為。
計劃行為理論(the Theory of Planned Behavior)[9,10]認為,行為由行為意向和感知行為控制力共同決定,行為意向又由行為態度、主觀規范和感知行為控制力共同決定。計劃行為理論是一般性的行為理論,在許多領域的行為的解釋和預測中得到了驗證。基于該理論,就顧客共享需求相關信息而言,顧客對共享需求相關信息的態度及對需求相關信息的共享感知控制力是決定顧客是否共享需求相關信息的主要決定因素。
態度反映顧客對共享需求相關信息的積極或消極評價。基于信息交換理論,文獻[11]分析了,在顧客有短訂貨提前期或即時交付的個性化需求和制造商面臨定制-響應困境問題時或制造商以即時顧客化定制為目標的條件下,制造商和顧客間存在很強的相互依賴性。制造商和顧客都對共享需求相關信息持積極的評價。雙方都具有強烈的信息共享的愿望。
感知控制力反映顧客感知的共享需求相關信息的能力。顧客共享需求相關信息的能力之一是顧客能夠明確地闡述其需求相關信息。和知識類似,信息包括隱性和顯性信息[12]。顯性信息是易于表達的信息。隱性信息是難以描述的信息,也是難以交流的信息,通常需要進行長時間的面對面的相互交談才易于交流[13]。制造商可能有許多顧客并且這些顧客在地域上可能是分散的,因此制造商難以與所有顧客實現長時間的面對面的相互交談。此外,顧客擁有的需求相關信息絕大部分是隱性信息。因此,共享需求相關信息面臨的挑戰之一是如何幫助顧客將其擁有的與需求相關的隱性信息轉換成顯性信息。
眾多領域,如醫療服務[14]、就業風險管理[15]、信息服務[16]和知識管[17]等領域的眾多學者一致認為, 將IT技術和信息系統,以及相關知識融為一體的工具有助于隱性知識轉換成顯性知識。Selamat 和Choudrie[18]認為,IT技術通過提供隱性知識的處理、傳遞和共享的環境,從而有助于隱性知識轉換成顯性知識。基于這些觀點,學者們針對不同領域提出了不同的有助于隱性知識轉換成顯性知識的工具。例如,Cheah和Abidi[14]開發了一個將醫療隱性知識轉換成顯性知識的IT工具。該工具向醫護人員提供一系列的問題,這些問題需要醫護人員運用他們的知識,尤其是隱性知識來解決。通過運用該工具,可以促使醫護人員解決這些問題,從而將醫護人員擁有的隱性知識轉換成顯性知識。Falconer[15]開發了一個將一線員工的隱性知識轉換成顯性知識的信息系統。該系統提供一系列與一線員工的操作和標準有關的命題,通過員工對這些命題的回答,從而將一線員工的隱性知識轉換成顯性知識。
和上述工具類似,West等[19]認為,向顧客提供相關的消費詞匯(Consumption Vocabulary)可以促進顧客表達他們的隱性偏好。消費詞匯有助于顧客鑒別產品特性,有助于顧客通過產品特性的鑒別實現對產品價值的評價,并有助于顧客確定產品特性和價值是否滿足其需求。West等[19]認為,消費詞匯能簡化顧客將其隱性偏好轉化為顯性偏好的過程,能幫助顧客更準確、更一致性地描述其隱性偏好,并能減少轉化和描述時的錯誤。
基于上述分析可以得出,解決挑戰“如何幫助顧客將其擁有的與需求相關的隱性信息轉換成顯性信息”的策略之一是開發一個將IT技術、信息系統和消費詞匯融為一體的輔助工具,我們稱其為需求相關隱性信息轉換系統。將消費詞匯融入信息系統,可以為顧客創造與需求偏好有關的場景和詞匯,從而引導顧客描述與需求相關的隱性信息。將IT技術融入輔助工具,可以為顧客提供遠程交互。因此,需求相關隱性信息轉換系統有助于顧客將其擁有的與需求相關的隱性信息轉換成顯性信息。
3 理解需求相關信息面臨的挑戰及解決方法
大眾化需求時代,顧客是被動的購買者,由制造商確定產品及其價值。個性化時代,顧客成為主動的購買者,產品及其價值由顧客確定,而不是由制造商確定。因此,個性化需求預測要求制造商從顧客角度,而不是從企業角度理解需求相關信息。然而“自我推理(Self-Referencing)”[20]和“錯誤一致性效應(False Consensus Effect)”[21]將會妨礙制造商從顧客角度理解需求相關信息。自我推理描述了一種心智過程,即人們在理解新信息的時候,通常將新信息與自己記憶中的與自我相關的信息進行比較,通過比較來理解新信息的過程。當人們將新信息與自己的親身經歷聯系起來時,自我推理尤其容易產生。錯誤一致性效應描述自我推理所導致的結果。當預測另一個人的偏好時,自我推理將導致錯誤一致性效應[21]。預測時,人們易于從自身角度理解有關他人的信息,從而使得多數人不能成功地預測他人的偏好[22]。因此,理解需求相關信息的挑戰之一是,制造商在理解顧客需求相關信息時,如何避免自我推理和錯誤一致性效應。
理解他人思考問題和觀察世界的方式,最常用的方法是運用認知圖(Cognitive Map) [23]的方法。認知圖是一種用以揭示人類思維的圖形化的心智模型。這種模型以圖形語言描述人類如何理解、分析和組織所要分析的對象。認知圖由概念及概念之間的連接兩個基本要素構成。概念是變量;連接描述概念之間的因果關系或因果推理;概念通過連接形成概念之間的影響路徑;交叉的影響路徑構成認知圖的語義網絡。語義網絡是對某人認知結構的描述,也是對此人推理系統的描述。某人對某事物的推理系統將引導此人的行為,引導此人對該事物的解釋,并引導此人對該事物的運行趨勢做出預測。認知圖不僅是對人類大腦內部世界的部分描述,也是一種描述人類對現實世界的感知和思考的工具。因此,Codarda[24]認為,認知圖至少有三方面的用途:(1)解釋功能。幫助解釋人類制定決策時對環境的感受。(2)預測功能。借助某人對某事務的認知圖,可以預測該人處理某事務的行為。(3)反射功能。幫助找出某人對特定事務所持的觀點和假設。Axelrod[25]指出,通過對他人認知圖的分析,可以幫助理解他人是如何對待某一事務的。理解他人對世界的思考方式將有助于對他人行為的理解。Cossette[26]的研究表明,運用認知圖可以十分方便地分析和理解泰勒的科學管理思想。Spicer[23]認為,認知圖是非常有用的工具,可以幫助理解他人儲存和傳遞信息和知識的方法。Montazemi 和 Conrath[27]的研究表明,對于信息系統開發,在獲取用戶需求階段,開發者使用系統用戶的認知圖可以獲得三方面的益處。首先可以幫助開發人員確定和評價影響系統用戶制訂決策的因素。其次可以幫助開發人員確定系統用戶做決策時需要的數據和信息。此外,使用系統用戶的認知圖,可以提高開發人員對系統用戶環境的整體理解,尤其是可以提高對系統用戶面臨的復雜和非結構化環境的整體理解。Pallant等[28]發現,對于數據庫設計,認知圖是開發人員獲取用戶需求的有利工具。針對新產品開發,Carbonara和Scozzi[29]發現,在新產品開發過程中,認知圖是分析和研究不同開發成員之間沖突的有利工具。Klayman和Schoemaker[30]的研究表明,制造商的員工運用認知技術(Cognitive Techniques),可以幫助顧客描述認知圖。最新研究[31]表明,運用認知圖可以更準確地描述人的價值體系,用認知圖描述的價值體系對認識他人的價值體系十分有用。
基于上述分析可以得出,制造商運用認知技術,可以獲得顧客價值系統的認知圖。運用顧客價值系統的認知圖,制造商可以從顧客角度理解顧客需求相關信息。因此,解決挑戰“理解顧客需求相關信息時如何避免自我推理和錯誤一致性效應”的策略之一是充分運用描述顧客價值系統的認知圖,理解顧客需求相關信息。
4 顧客需求相關信息轉換成預測信息時面臨的挑戰及解決方法
在獲得需求相關信息并經過制造商的理解后,需要將顧客需求相關信息轉換成預測信息。此階段,預測領域面臨的傳統挑戰是,如何提高預測精度。個性化需求預測同樣面臨該挑戰。為了提高預測精度,本文提出名為“基于屬性的預測”和“凈變預測和預測反饋顧客”的兩類方法。
4.1 基于屬性的預測
產品和訂單包含一系列的屬性。顧客對某產品的需求和訂單可以定義為顧客對這些屬性所要求的屬性水平的集合。因此,將顧客需求相關信息轉換成預測信息,既可以采取基于產品的預測方式,也可以采取基于屬性的預測方式。傳統需求預測方法,例如時間序列和貝葉斯方法,采取基于產品的預測方式。基于產品的預測方式以給定產品或產品族為預測對象,預測內容是對給定產品或產品族的將來需求量進行預測,是對制造商的目標顧客群,而不是對特定顧客的需求量進行預測。給定的產品或產品族具有確定的屬性水平,屬性水平是由制造商預先確定的,而不是由顧客確定的。如前所述,個性化需求預測是對特定單一顧客的訂單進行預測。產品預測是訂單預測的組成部分,產品屬性是不確定的,需要預測。因此,個性化需求預測需要采取基于屬性的預測方式。基于屬性的預測以特定單一顧客為預測對象,預測內容既包括預測該顧客所需特定類別產品的屬性水平,還包括預測訂單包括的其它屬性,例如需求量和需求時間。基于屬性的預測是對產品和訂單包含的所有屬性的屬性水平的預測。
對產品和訂單屬性水平的預測比對制造商確定的特定產品的需求量的預測具有至少兩方面的優點。首先,有關顧客的研究結果表明,顧客對信息的獲取和分析,以及購買決策過程都以產品屬性為對象,而不是以產品為對象,是對產品屬性的處理過程,而不是對產品的處理過程[32,33]。顧客偏好的形成主要基于屬性,而不是基于產品。正因如此,相對于基于產品的預測結果,即相對于對特定產品的某顧客群的需求量,基于屬性的預測結果,即各屬性的屬性水平,更容易被顧客感知為對其特定需求的定制的預測。其次,顧客對其購買的評價及對購后滿意程度的評價,絕大多數情況下也是基于屬性的,而不是基于產品的。例如,Gardial等[34]發現,在做出售后評價和描述消費結果時,顧客采取基于屬性的次數比基于產品的次數要高兩倍多。類似地,一個普遍的可觀測的現象是,顧客在描述其對同一產品的評價時,可能有復雜的完全不同的觀點,對同一產品可能既非常滿意又十分不滿。出現這種觀點的原因是顧客對該產品的某些屬性非常滿意,而對另外一些屬性又非常不滿意。如上所述,基于屬性的預測提供特定單一顧客所需要的某類產品的各屬性的屬性水平;基于產品的預測提供目標顧客群對給定產品的需求總量。因此,對屬性的預測與顧客對消費經驗的描述具有一致性。相對于基于產品預測的結果,這種一致性使顧客對基于屬性預測的結果更易于理解,更易于評價。
上述兩方面的優點表明,基于屬性的預測提供的預測結果不但易于被顧客感知為定制預測,而且易于被顧客理解和評價。消費者行為和營銷領域的研究表明,即使是同樣的產品和建議,如果是根據某顧客定制的,而不是大眾化的,該顧客更易于接受此產品和建議[35]。基于此觀點,顧客更易于接受基于屬性的預測提供的預測結果。對預測結果的高水平的接受將會使預測更為準確。因此,個性化需求預測如果采用基于屬性的預測方式進行預測將有利于提高預測準確率。
4.省略)公司的實踐就證明了上述觀點。利用顧客先前購買產生的與需求有關的信息及購后產生的信息,亞瑪遜對特定單一顧客的興趣和主題進行預測,并提供與顧客興趣和主題有關的可供書籍的信息,這些信息的提供有效地促進了顧客的實際購買。通過對顧客需求的預測并把預測結果傳遞給顧客,亞瑪遜提升了其服務水平。服務水平的提升又反過來改善了亞瑪遜的預測結果。
基于上述分析,與全變預測方式相比,制造商采取凈變預測方式實現基于屬性的預測,并同時采取預測反饋顧客的策略,可以對顧客共享的信息做出快速反應,可以向顧客提供更有價值的服務,可以提高顧客的滿意度,提高顧客的購買意愿,并且共享給顧客的預測結果還可能對顧客的偏好產生正影響,進而可以改善預測結果。因此,采取以顧客前一次購買訂單包含的信息為起始點的凈變預測方式實現基于屬性的預測,可以顯著提高個性化需求預測的預測精度。
5 結論
個性化需求預測是實現即時顧客化定制和解決定制-響應困境問題的主要策略之一。現有文獻對個性化需求預測的研究非常有限,僅僅提出了實現個性化需求預測的兩種策略和七條原則;并且傳統觀點認為預測個性化需求是相當困難的。因此,有必要研究個性化需求預測面臨的挑戰和解決挑戰的方法。本文旨在分析個性化需求預測在預測所用信息的獲取、理解和轉換等三階段面臨的挑戰,并提出解決挑戰的方法。
本文運用計劃行為理論和信息交換理論分析得出,在需求相關信息的獲取階段,個性化需求預測面臨的主要挑戰是,如何幫助顧客將其擁有的與需求相關的隱性信息轉換成顯性信息。基于文獻普遍接受的兩種觀點,即“將IT技術和信息系統,以及相關知識融為一體的工具有助于隱性知識轉換成顯性知識”和“向顧客提供相關的消費詞匯可以促進顧客表達他們的隱性偏好”,本文提出了應對該挑戰的方法是開發“需求相關隱性信息轉換系統”。需求相關隱性信息轉換系統是集IT技術、信息系統和消費詞匯為一體的有助于顧客將其擁有的與需求相關的隱性信息轉換成顯性信息的輔助工具。
本文運用“自我推理”和“錯誤一致性效應”等理論分析得出,在理解需求相關信息階段,個性化需求預測面臨的主要挑戰是,制造商在理解顧客需求相關信息時,如何避免自我推理和錯誤一致性效應。基于認知圖作用的分析,本文提出了應對該挑戰的方法是充分運用描述顧客價值系統的認知圖,理解顧客需求相關信息。
在將顧客需求相關信息轉換成預測信息的階段,個性化需求預測面臨的主要挑戰是,如何提高預測精度。本文運用錨定-調整過程理論、信念更新范式理論、狀態依賴性理論和記憶可接近性優勢理論分析得出,制造商采取以顧客前一次購買訂單包含的信息為起始點的凈變預測方式實現基于屬性的預測,將有助于提高個性化需求預測的預測精度。
本文的重點是分析個性化需求預測面臨的挑戰并提出解決挑戰的合理方法,重點不在對所提方法的深入研究。本文的局限在于沒有詳細地研究所提的應對挑戰的方法。因此,還有待進一步深入研究所提的應對方法。
參 考 文 獻:
[1]Tang Z, Chen R, Ji X. Operational tactics and tenets of a new manufacturing paradigm ‘instant customerisation’[J]. International Journal of Production Research, 2005, 43(14): 2873-2894.
[2]McCutcheon D M, Raturi A S, Meredith J R. The customization-responsiveness squeeze[J]. Sloan Management Review, 1994, 35(2): 89-99.
[3]Salvador F, Forza C. Configuring products to address the customization-responsive squeeze: a survey of management issues and opportunities[J]. International Journal of Production Economics, 2004, 91(3): 273-291.
[4]唐中君.個性化需求預測的基本原則研究[J].湖北經濟學院學報,2005,3(4):101-105.
[5]Fildes R, Beard C. Forecasting system for production and inventory control[J]. International Journal of Operations & Production Management, 1992, 12(5): 4-27.
[6]Bartezzaghi E, Verganti R. Managing demand uncertainty through order overplanning[J]. International Journal of Production Economics, 1995, 40(2-3): 107-120.
[7]Davenport T H. Saving its soul: human-centered information management[J]. Harvard Business Review, 1994, 72(2): 119-131.
[8]Ruggles R. The state of the notion: knowledge management in practice[J]. California Management Review, 1998), 40(3): 80-89.
[9]Ajzen I, Fishbein M. Understanding attitudes and predicting social behavior[M]. Englewood Cliffs, NJ: Prentice-Hall, 1980.
[10]Fishbein M, Ajzen I. Belief, attitude, intention, and behavior: an introduction to theory and research[M]. MA: Addison-Wesley, 1975.
[11]唐中君.即時顧客化定制下的需求信息共享策略研究成果[J].管理評論,2005,17(6):25-29.
[12]Falconer L. Organizational learning, tacit information, and e-learning: a review[J]. The Learning Organization, 2006, 13(2/3): 140-151.
[13]Haldin-Herrgard T. Difficulties in diffusion of tacit knowledge in organizations[J]. Journal of Intellectual Capital, 2000, 1(4): 357-365.
[14]Cheah Y N, Abidi S S R. The role of information technology in the explication and crystallization of tacit healthcare knowledge[J]. Health Informatics Journal, 2001, 7(2): 158-167.
[15]Falconer L. Management decision-making relating to occupational risks: the role of ‘grey data’[J]. Journal of Risk Research, 2002, 5(1): 23-33.
[16]Stover M. Making tacit knowledge explicit: the ready reference database as codified knowledge[J]. Reference Services Review, 2004, 32(2): 164-173.
[17]Herschel R T, Nemati H, Steiger D. Tacit to explicit knowledge conversion: knowledge exchange protocols[J]. Journal of Knowledge Management, 2001, 5(1): 107-116.
[18]Selamat M H, Choudrie J. The diffusion of tacit knowledge and its implications on information systems: the role of meta-abilities[J]. Journal of Knowledge Management, 2004, 8(2): 128-139.
[19]West P M, Brown C L, Hoch S J. Consumption vocabulary and preference formation[J]. Journal of Consumer Research, 1996, 23(9): 120-134.
[20]Debevec K, Romeo J B. Self-referent processing in perceptions of verbal and visual commercial information[J]. Journal of Consumer Psychology, 1992, 1(1): 83-102.
[21]Ross L, Greene D, House P. The ‘false consensus effect’: an egocentric bias in social perception and attribution processes[J]. Journal of Experimental Social Psychology, 1977, 13(3): 279-301.
[22]West P M. Predicting preferences: an examination of agent learning[J]. Journal of Consumer Research, 1996, 23(6): 68-80.
[23]Spicer D P. Linking mental models and cognitive maps as an aid to organizational learning[J]. Career Development International, 1998, 3(3): 125-139.
[24]Codarda L. Le mappe cognitive, uno strumento di analisi per la ricerca sociale e per I’intervento organizzativo[M]. Carocci Editore, Roma, 1998.
[25]Axelrod R. Structure of decision: the cognitive maps of political elite[M]. Princeton University Press, Princeton, NJ, 1976.
[26]Cossette P. Analysing the thinking of F.W. Taylor using cognitive mapping[J]. Journal of Management History, 2002, 40(2): 168-182.
[27]Montazemi A R, Conrath D W. The use of cognitive mapping for information requirements analysis[J]. MIS Quarterly, 1986, 10(1): 45-55.
[28]Pallant A, Timmer P, McRae S. Cognitive mapping as a tool for requirements capture. In Robertson S A, ed. Contemporary Ergonomics[M]. Taylor & Francis, London, 1996.490-500.
[29]Carbonara N, Scozzi B. Cognitive maps to analyze new product development processes: a case study[J]. Technovation, 2006, 26(4): 1233-1433.
[30]Klayman J, Schoemaker P J H. Thinking about the future: a cognitive perspective[J]. Journal of Forecasting, 1993, 12(2): 161-168.
[31]Samsonovich A V, Ascoli G A. Cognitive map dimensions of the human value system extracted from natural language[EB/OL].省略/agiri06/%5B8%5D%20samsonovich_ascoli_revised1.pdf., 2008-11-20.
[32]Bettman J R. A graph theory approach to comparing consumer information processing models[J]. Management Science, 1971, 19(12): 306-311.
[33]Payne J W. Task complexity and contingent processing in decision making: an information search and protocol analysis[J]. Organizational Behavior and Human Performance, 1976, 16(4): 203-210.
[34]Gardial S F, Clemons D S, Woodruff R B, et al.. Comparing consumers’ recall of prepurchase and postpurchase product evaluation experiences[J]. Journal of Consumer Research, 1994, 20(3): 548-560.
[35]Simonson I. Determinants of customers’ responses to customized offers: conceptual framework and research propositions[J]. Journal of Marketing, 2005, 69(1): 32-45.
[36]Kahneman D, Slovic P, Tversky A. Judgment under uncertainty: heuristics and biases[M]. Cambridge University Press, New York, 1982.
[37]Whyte G, Sebenius J K. The effect of multiple anchors on anchoring in individual and group judgment[J]. Organizational Behavior and Human Decision Processes, 1997, 69(1): 75-85.
[38]Cohen J B, Reed II A. A multiple pathway anchoring and adjustment (MPAA) model of attitude generation and recruitment[J]. Journal of Consumer Research, 2006, 33(1): 1-15.
[39]Davids H L, Hoch S J, Ragsdale E K E. An anchoring and adjustment model of spousal predictions[J]. Journal of Consumer Research, 1986, 13(6): 25-37.
[40]Yadav M S. How buyers evaluate product bundles: a model of anchoring and adjustment[J]. Journal of Consumer Research, 1994, 21(2): 342-353.
[41]Wansink B, Kent R J, Hoch S J. An anchoring and adjustment model of purchase quantity decisions[J]. Journal of Marketing Research, 1985, 35(1): 71-81.
[42]Northcraft G B, Neale M A. Amateurs, experts, and real estate: an anchoring-and-adjustment perspective on property pricing decisions[J]. Organizational Behavior and Human Decision Process, 1987, 39(1): 84-97.
[43]Hogarth R M, Einhorn H J. Order effects in belief updating: the belief-adjustment model[J]. Cognitive Psychology, 1992, 24(1): 1-55.
[44]Gupta S, Chintagunta P, Wittink D. Household heterogeneity and state dependence in a model of purchasing strings: empirical results and managerial implications[J]. International Journal of Research Marketing, 1997, 14(4): 341-357.
[45]Moshkin N V, Shachar R. The asymmetric information model of state dependence[J]. Marketing Science, 2002, 21(4): 435-454.
關鍵詞：云計算：資源管理；資源優化配置
1 云計算定義
云計算是一種商業計算模型，它將計算任務分布到由大量服務器構成的資源池上，從而使用戶能夠根 據需要獲取計算能力、存儲空間和信息服務，這種資源池稱為“云”。“云”是一些可以自我維護和管理的 虛擬計算資源，通常是一些大型服務器集群，包括計算服務器、存儲服務器和寬帶資源等等。它是并行計算（Parallel Computing）、分布式計算（Distributed Computing）和網格計算（Grid Computing）的延續， 或者說是這些計算科學概念的商業實現。云計算是虛擬化（Virtualization）、效用計算（Utility Computing）、 laaS（Infrastructure as a Service，基礎設施即服務）、PaaS（Platform as a Service，平臺即服務）、SaaS（Software as a Service，軟件即服務）等概念混合演進并躍升的結果。在云計算的定義上，許多學者與機構各執一詞，下文列舉了幾個具有代表性的云計算定義方式：
Ian Foster等人[1]認為云計算是一個由經濟因素驅動的大規模分布式計算范式，在云計算之中有一個抽 象的、虛擬化的、動態伸縮的、計算能力得到管理的，且存儲、平臺和服務通過互聯網被按需提供給外部 用戶的資源池。
IBM在其技術白皮書[2]中指出：云計算一詞描述了一個系統平臺或一類應用程序；該平臺可以根據用 戶的需求動態部署、配置等；云計算是一種可以通過互聯網進行訪問的可以擴展的應用程序。
Michael Armbrust[3]等人認為云計算既是指通過Intemet作為服務的應用程序，也指提供這些服務 的數據中心中的軟硬件資源，這些服務通常被稱為SaaS。數據中心的硬件和軟件合在一起便是我們所稱的 “云”。當這些軟硬件資源以即用即付（pay as you go）方式提供給公眾時，稱其為公有云（public cloud），其所提供的服務就是效用計算（utility computing）；與之相對的是私有云（private cloud），其描述的是一個商業或其他機構對外不可用的內部數據中心，因此云計算即為SaaS和效用計算的融合。美國國家標準技術研究院給出的云計算定義為：云計算是一種普適的、便捷的、通過網絡按需介入到一組配置好的計算資源池（如網絡、服務器、存儲、 應用程序以及服務等）的模型，該模型能夠以最小的管理代價或與服務提供商的交互快速地準備及。
中國云計算網將云計算定義為[4]：云計算是分布式計算、并行計算和網格計算的發展，或者說是這些科學概念的商業實現。 根據部署模式的不同，云計算的類型又可以分為公用云、私有云和混合云。
資源管理是云計算的核心問題之一，它主要包括資源的描述、動態組織、發現匹配、優化配置和即時監控等活動。與傳統的分布式環境和網格環境下的資源管理所不同的是，云計算環境下資源管理是通過虛擬化技術的運用來屏蔽底層資源的異構性和復雜性，把分散的各種資源管理起來，使得分布式資源能夠被當作單一資源處理，形成一個統一的巨型資源池而不是分散的資源庫，以此確保資源的合理、高效的分配和使用，并且云計算環境下資源管理的各個組成部分之間并不是孤立的，資源的描述、組織、發現與匹配、
配置和監控是彼此之間存在緊密聯系的系統要素，它們之間的共同作用構成了一個整體。資源的描述和表示形式將影響到它的動態組織方式，而資源的發現與匹配機制又會因上述兩者的變化而做出相應的調整， 以實現高效資源提取；同樣的，在制定資源調度策略時，也會考慮底層資源的組織形式、發現與匹配機制；最后，資源動態監控將對系統中的各個要素進行檢測和控制，保證系統的安全、穩定和高效運行。
2 云計算資源管理框架構建
1.資源信息的表示和描述針對云環境下資源信息的表示和描述方法具有服務化、語義化和用戶化等特點，該方向主要有以下幾點問題：
①由于目前分布式計算及網格計算環境中資源信息的表現形式各異，描述語言多樣且雜亂，會使得在 此環境下的資源難以得到有效管理，因此云計算環境下資源信息描述方法應在現有的資源信息表示格式、方法及框架基礎之上進行相應的描述轉換問題，從而實現資源的統一描述，克服資源描述方式的多樣性， 資源的異構性和分布性等障礙，以此來支持云計算服務系統的開放性，降低系統構造復雜度，也為云資源發現與匹配提供良好的環境和基礎。
②在對云計算資源進行統一描述過程中，充分考慮資源的語義化描述問題，使其更貼近用戶的自然理解，更加準確反映資源的實際內容，從而達到高效的資源發現和匹配及支持面向用戶的智能化資源管理的目的。
③在對資源進行統一描述過程中，充分考慮用戶的個性化需求問題，以期進一步增強表述用戶信息的能力，加入如滿足SLA、QoS等需求的用戶個性化偏好信息，為用戶提供滿意的信息資源。因而，在云環境下信息資源管理研究中，應將重點放在研究適用于云計算環境的、面向資源管理的服務語義描述框架，進而研究基于用戶興趣的個性化資源定制需求的擴展服務語義描述框架。
2.資源的發現與匹配機制針對云計算資源的分布性和異構性特點，以及從資源發現過程中充分考慮用戶需求的角度出發，云環境下資源發現與匹配機制所面臨的關鍵問題主要在以下幾方面：
①基于分布式環境下的資源發現機制。云環境作為一種廣域的大規模分布式環境，資源存儲在異構平臺上，并且由不同的管理策略控制，研究不依賴集中控制的、迅速的、分布式、可擴展、能適應資源動態變化，并且定位性能好的資源發現機制是個亟待解決的問題。
②基于語義匹配的資源發現方法與技術。由于語義化資源描述可以使機器精確地理解、采集和組合信息，并且基于語義的信息很容易加入如SLA，QoS等個性化需求，從而研究云環境下基于語義匹配的資源發現方法也就成為一種必然。針對云計算環境中的海量資源，該領域應主要研究具有自適應特征的資源發現機制，建立基于服務語義描述和迭代反饋調整機制的資源匹配模型，并提出相應的求解方法。
3.資源的動態管理云計算資源的動態管理是個復雜的問題。在云環境中，資源的地理分布極廣，類型豐富和數量巨大，而且要求一定程度的協同工作：資源是動態變化的，包括資源屬性的變化，以及在云環境中的復制和遷移等；資源工作在異構平臺上，并且由不同的管理策略控制；在跨云計算平臺的資源需求協調過程中，資源為不同的組織擁有，這些組織具有不同的使用規則、計費模型、負荷能力和使用模型。
在這樣的環境中，就需要研究一種實時性強、擴展性能優異且適應資源動態變化的資源動態管理機制， 從而該領域未來的研究方法向應致力于協調用戶與資源提供者之間的關系，對資源進行有效組織、分配，研究云計算環境下基于用戶需求和用戶行為的資源推薦模型及算法，研究獲取跨組織、跨管理域的資源服 務協議，建立資源的動態優化分配機制，最終為云用戶提供優質的資源服務。
3 小結
在動態的云計算環境下對資源實現有效的管理是保證云計算系統高效運行、資源優化配置和服務即時提供的保障。本文在總結云計算資源的基礎上，提出了該領域所面臨的關鍵問題和挑戰。并構建了云計算環境下資源管理框架。
參考文獻
[1]Foster I，et a1.Cloud computing and grid computing 360-degree compared[C].Grid Computing Environments Workshop，IEEE，2008：1-10.
[2]智慧的地球一IBM動態基礎架構白皮書.http///cn/express/migratetoibm/dynamicinfrastructure/download/dy7namicinfrastructure_whitepaper0903.pdf.
一、對MPEG-7的理解
1.產生。在活動圖像專家組（MPEG-Moving Picture Experts Group）已經制定國際標準中，MPEG-1用來解決聲音圖像在CD-ROM上的存儲，MPEG-2解決了數字電視、高清晰度電視及其伴音的壓縮編碼，MPEG-4用以解決在多媒體環境下高效存儲、傳輸和處理聲音圖像信息問題。為了解決媒體信息定位問題，活動圖像專家組的成員們發展了一個新的標準――MPEG-7,這個標準旨在解決多媒體信息的規范化描述問題，并將該描述與所描述的內容相聯系，以實現快速有效的搜索。它的正式名稱是“多媒體內容描述接口”。它可以獨立于其他的MPEG標準使用，但對MPEG-4兼容，既可用存儲（在線或離線），也可以用于流式應用，還可在實時或非實時的環境下應用（實時環境是指被捕獲時是與所描述的內容相聯系的）。
2.組成。描述工具，包括一組描述符D（Descriptor）和描述方案DS（Description Schemes）。描述符是指用來定義和表達實體某一方面特征的句法或語法。表達實體是由特征標識符（如顏色）和數據類型（如字符串）等構成的。數據類型可以是“復合”的，既可以由幾個數據類型的組合來構成，也在以由數個D來“描述”一個特征。描述方案是由一個或多個D和DS構成，DS規定了相互關系的結構和語法。
描述定義語言DDL（Description Definiton Language）,用來指定描述方案的一種語言。這是一種模式化語言，是對音視頻數據建模結果的一種表征。DDL制定了MPEG的描述工具，包括描述符合描述方案，并提供了把描述符構建為描述方案的規則。DDL同時也允許定義特殊應用中的擴展DS描述工具通過DDL被實例化，并以文本格式（XML）被描述。用來支持多路描述、同步問題、傳輸機理、文件格式等的系統工具。
3.目標。描述包括自由文本、N維空間結構、統計信息、客觀屬性、主觀屬性、生產屬性和組合信息。對于視覺，描述可能包括顏色、視覺對象、紋理、草圖、形狀、體積、空間關系、運動及變形等。對于音頻信息，描述可能包括音調、調式、音速、音速變化等。根據信息的抽象層次，提供一種描述各種多媒體材料的方法以便表示不同層次的用戶對信息的要求。支持數據管理的靈活性、數據資源的全球化和互操作性。
4.特點。MPEG-7標準的目的是要規定一個描述各種多媒體信息的描述子的標準集和定義其他的描述子和用于描述子結構和關系的描述方案的標準方式。更重要的是，考慮到面向用戶，描述子和描述方案是基于內容的。內容交換：一個可互操作的內容描述標準使得來自不同視頻數據庫的多媒體內容交換成為可能。MPEG-7將提供各種方法用來表達、翻譯、交換和重新利用不同來源的視音頻資料。因為MPEG-7提出一種單一的可交互操作的交換格式，這樣交換格式獨立于任何系統和信息提供商（廠家）。這樣多媒體內容描述的互換就可以實現。
個性化窗口：MPEG-7標準提供的檢索和交換視頻音頻數據的結構和語義注解能力，使得使用者在用戶端能設定顯示而無須要求從內容廣播商那兒再次將其以不同格式下載一遍。
分配處理：獨立于任何系統，應用，廠商，MPEG-7將保證視頻音頻資料描述的交換能力。因此，服從于此標準的，來源不同的數據能適用各種各樣的應用，諸如：多媒體檢索系統和處理系統、篩選系統等等。
二、MPEG的應用
1.社會應用。日常生活中，人們要求能高效訪問、交互操作和顯示多媒體信息。這就是MPEG-7“Pull”(拉)和“Push”（推）的兩類應用，在教育、影視等專業領域和消費應用的不同場合都是必不可少的。“Push”與“Pull”類型的應用是相反的，“Push”類型應用更像是廣播方式，以及網絡廣播。“Pull”模型是從索引到“搜索”，“Push”模型是從選擇到“過濾”。通常“Pull”處理的存儲在數據庫里的靜態信息，而“Push”處理的是變化的動態信息。
Pull應用類型：商業音樂類應用；聲音效果庫；歷史數據庫；通過可回憶的視聽覺事件進行電影場景“搜索”。
Push應用類型：音視數據庫的存儲和檢索；廣播媒體的選擇；因特網上的個性化新聞服務；智能多媒體編輯；遠程購物；社會和文化服務；調查服務；遙感；監視；生物醫學應用；多媒體目錄服務；家庭娛樂。
2.教育中的應用。用MPEG-7的標準來描述以往制作的大量的不同格式的多媒體教學素材，使我們搜索這些多媒體教學素材就像現在搜索文本信息一樣方便。因此，在教學和學習過程中教師和學生可以很方便地獲取自己想要的多媒體學習資料，提高教學或學習的效率。
有效地利用MPEG-7的“過濾”功能，能夠幫助學生選擇自己喜歡的、跟教育教學有關的數字電視節目和各類數字廣播信息。在個性化數字廣播系統的環境中，學生可以定義自己教育節目的類型，該系統可以根據學生定義的類型將節目“過濾”出來，以供學生觀看、記錄、存儲。
關鍵詞 學習者模型 建模 個性化推薦
中圖分類號：G642 文獻標識碼：A DOI：10.16400/ki.kjdks.2015.10.018
The Modeling Research in Personalized Recommendation
System Based in Network Learning
ZHUANG Kejun， HE Baoxun
（China West Normal University， Nanchong， Sichuan 637009）
Abstract The learner model is the key part of web based personalized recommendation system. Based on the learner information model standard， this paper creates the learner model framework in the personalized recommendation system based in network learning， and discusses the way of collecting the characteristics of learner information and analysis technologies.
Key words learner model; modeling; personalized recommendation
網絡學習個性化推薦系統的主要功能是能根據學習者的學習特征向學習者自動推送適合學習者的學習資源、學習活動和學習策略，是網絡環境下實現個性化學習的支撐平臺。學習者模型是對學習者特征的抽象和表示，是網絡學習個性化推薦系統的核心和關鍵部分，其好壞直接關系到個性化推薦系統為學習者提供個性化服務的水平，因此，構建合理的學習者模型成為搭建網絡學習個性化推薦系統平臺的瓶頸問題。
學習者模型建模的關鍵主要是要解決以下三個問題：首先，需要確定學習者模型主要描述學習者的哪些特征信息以便為系統提供最可靠的推薦依據;其次需要考慮這些學習者特征信息如何獲取和采集;第三，對采集到的信息如何處理才能準確表征出學習者的特征，以此為基礎為學習者提供個性化的服務。本文將就學習者模型建模的這幾個關鍵問題展開討論。
1 學習者模型框架
學習者模型是系統建立的對學習者特征的描述，其主要功能是對學習者的基本信息、學習風格、學習活動過程中的學習行為、學習路徑、學習的績效表現等信息進行記錄、存儲、提取，以幫助系統更好地理解學習者在學習過程中的個性化需求，從而為學習者提供個性化的學習服務。CELTS-11學習者信息模型規范將學習者特征信息分為個人信息、學業信息、管理信息、關系信息、安全信息、偏好信息、績效信息和作品集信息八類，但這八類信息對學習者特征信息的描述在粒度上較為粗糙，需要在此基礎上做進一步的拓展。結合網絡學習中學習者的個體差異，全面考慮學習過程中影響學習的學習者因素――包括智力因素和非智力因素，我們在CELTS-11的基礎上對學習者特征信息進行擴展、歸類合并，構建出網絡學習個性化推薦系統學習者模型框架圖（如圖1所示）。網絡學習個性化推薦系統學習者模型框架圖由5種學習者特征信息組成，這5種學習者特征信息包含為學習者基本信息、偏好信息、學習目標、認知狀態和知識水平。
圖1 網絡學習個性化推薦系統學習者模型框架圖
2 學習者特征信息的采集
根據學習者特征信息在學習者模型中是否會隨學習活動的開展而變化更新，我們將學習者特征信息分為靜態信息和動態信息兩類。靜態信息主要指那些在學習活動過程中保持不變的信息，如學習者基本信息、偏好信息等，而動態信息則是那些會隨學習活動的開展而變化更新的信息，如學習目標、認知狀態、知識水平信息等。通過對學習者模型研究文獻的梳理，我們發現，學習者特征信息的獲取與采集方式主要包括兩種方式，顯性采集方式和隱性采集方式。顯性采集方式是指系統在學習者知曉的情況下采集由學習者直接提供的信息的過程，隱性采集方式是指系統在學習者不知曉的情況下通過對學習過程中學習行為的監控而獲取信息的過程。
2.1 學習者特征信息的顯性采集法
學習者特征信息的顯性采集法主要包括以下途徑：搜集學習者第一次在系統注冊時提供的注冊信息以獲取學習者的相關基本信息;通過調查問卷表獲取學習者的學習風格、學習需求、學習目標、知識水平等的初始狀態信息。通過顯性采集法可以獲取學習者模型中的絕大部分靜態信息，如學習者的基本信息就是學習者注冊時提供的，包括學號、姓名、性別、專業、畢業學校、民族、聯系方式等;同時還能獲取動態信息的初始數據，這些初始數據加上靜態信息可以幫助系統建立起一個對學習者的初步認識，即對學習者模型的初始化。當學習者第一次進入系統學習時，系統可以依據初始學習者模型為學習者推送合適的學習資源、學習活動和學習路徑，個性化地為學習者提供學習服務。
2.2 學習者特征信息的隱性采集法
隱性采集法主要通過實時跟蹤并記錄學習者的學習行為，分析學習者特征的方法。隱性采集法通常是在學習者不知曉的情況下進行的，因而不會像顯性采集法那樣會導致學習者在系統中的停留時間增加。隱性采集法采集到的信息是學習者在學習活動中的學習行為信息，會隨學習活動的開展而變化更新，屬于學習者模型中的動態信息，這些動態信息將是學習者模型更新的重要數據源。學習者模型將會對隱性采集法采集到的信息進行“學習”，從而修繕學習者模型，使學習者模型朝著越來越接近真實學習者特征的方向發展，使個性化推薦系統的個性化服務更趨于完善。
隱性采集法通常通過兩種途徑獲取學習者特征的動態信息。第一種途徑是系統跟蹤和記錄學習者在學習活動過程中的學習行為數據，如學習者對各種類型學習資源的訪問次數可以反映出學習者對不同類型學習資源的偏好程度;學習者花費在某個知識點上的學習時間可以反映出學習者對該知識點的認知狀態;學習者針對學習任務完成的作品集合數量以及練習測試的成績數據可以反映出學習者的知識水平狀態等。通過對這些學習過程中的學習行為數據進行跟蹤、記錄、挖掘，可以獲取學習者特征中的動態信息，對靜態信息進行補充和完善，使學習者模型對學習者特征的描述和刻畫隨學習活動的開展而更為準確全面。第二種途徑是系統從與學習者相關聯的網絡學習伙伴、指導教師等的聯系活動中搜集到的與學習者學習活動相關的數據，如學習伙伴對學習者在小組協作活動中的評價信息，指導教師在論壇、聊天室對學習者發言信息的評價等，這些信息都是判斷學習者學習態度和學習能力的重要指標，這些信息對學習者模型中學習者特征的描述也是具有重要意義的。
3 學習者特征信息的分析步驟與技術
網絡學習個性化推薦系統通過顯性和隱性方式采集到的學習者特征信息往往是有噪音的，系統必須對這些數據進行分析、處理、歸類和整合，才能獲取能夠表征學習者的特征值，作為系統個性化推薦的依據。
一般來講，學習者在注冊時向系統提供的顯性信息，如學習者的姓名、年齡、專業、民族、出生日期、聯系方式等信息可以直接被系統識別并作為學習者特征值存入學習者模型庫。學習者在參與學習前或在學習過程中參與問卷調查的數據，如回答學習風格測量量表得到的數據列表等需要通過相應的規則進行計算，從而歸納總結出學習者的學習風格特征。除此之外，系統在學習者學習過程中通過監控學習者學習行為采集到的大部分動態信息如學習者的學習目標、學習路徑、學習行為、學習狀態、作品集合、學習交流協作等數據都無法直接作為學習者特征值存儲在學習者模型中，需要對其做進一步的篩選、挖掘、整合、歸類、重新描述之后，才能夠作為學習者特征值存儲于學習者模型中供系統實施個性化推薦使用，我們采用數據挖掘技術來對系統采集記錄下的學習者學習活動的行為數據進行分析，挖掘出學習者的學習偏好、分析出學習者的學習狀態和知識水平。對系統采集到的顯性信息和隱性信息，使用數據挖掘技術分析學習者的特征需要經歷兩個步驟，數據預處理階段和模式發現階段。數據預處理階段又包含四個步驟：首先，通過數據清洗對采集到的學習者特征信息進行篩選，將系統記錄下的冗余信息和記錄清除掉，篩選出那些能反映學習者特征的信息作為數據挖掘的數據源;其次，利用Cookies技術從服務器日志文件的記錄中識別每一個用戶;第三，識別會話，判斷出用戶對站點的訪問;最后，對學習者的會話進行事件定義。通過數據預處理階段得到的數據需存儲起來作為模式發現階段的數據源。模式發現階段可以使用的技術主要包括決策樹、規則歸納法、人工神經網絡、貝葉斯網絡、統計計算法和視頻分析技術等。
4 結語
學習者模型的建立是網絡學習個性化推薦系統的關鍵環節。本文在對學習者模型建模關鍵問題分析的基礎下，構建了網絡學習個性化推薦系統學習者模型框架，確定了學習者模型要刻畫的學習者特征信息的類型，在此基礎上，將學習者特征信息采集的方式分為顯性采集法和隱性采集法，并對每種采集法的信息采集途徑予以闡述，最后，論述了使用數據挖掘技術分析采集到的學習者特征信息的步驟及技術，對網絡學習個性化推薦系統學習者模型建模的過程進行了有益探索。
基金項目：西華師范大學基本科研業務費專項資金資助項目“基于WEB的網絡教學個性化推薦系統學習者模型構建研究”（項目編號：14D027）
參考文獻
關鍵詞 自適應學習模型；參考模型；領域模型
中圖分類號：G642.0 文獻標識碼：B
文章編號：1671-489X（2017）04-0033-03
Abstract Adaptive learning system is hot point of modern education means research. Here we firstly analyzed the general architecture model of adaptive learning system. Then the representative reference
models were expounded and compared in the degree of the model correlation and problem solvation ability， this paper analyzes and compares， which would provide the basis for further research and design of general adaptive learning system.
Key words adaptive learning model； reference model； domain model
1 引言
W絡教育是當前教育界的一個研究熱點，網絡學習方式也越來越普及，這種學習方式以學習者為中心，向學習者提供個性化的學習內容、個性化的學習形式和個性化的學習服務。
學習者在使用自適應學習系統時，可以自由選擇學習路徑和調整學習進度，系統還可以引領和指導學習者進行自主學習，用來滿足學習者的不同學習需求[1]。自適應學習系統雖然注重提供自適應能力，但是系統之間可比性不高，可以將其歸入參考模型中。參考模型根據標準和規則來指導系統開發，并說明系統中組件之間的交互方式。因此，開發自適應學習系統需要先研究參考模型。
2 自適應學習系統的一般架構模型
目前自適應學習系統如AEHS（Adaptive Educational Hypermedia Systems）、AHA、ACCT等，美國匹茲堡大學信息科學學院的Peter Brusilovsky提出一個自適應學習系統AEHS的通用模型[2]，如圖1所示。
其中，領域模型描述了領域知識結構、概念知識和概念間的聯系；學生模型，也叫用戶模型，它描述了用戶的特性，如使用系統的用戶的文化、個人愛好和興趣傾向等信息，該組件可以提取或重新賦予學生的特性。學生模型信息訪問領域模型是一種規則，它定義了教育學模型，規則的制定依據了領域知識結構。自適應引擎可以對用戶進行個性化選擇、注釋和呈現學習內容，是創建、更新領域概念和鏈接的軟件環境。接口模塊表明并定義了用戶與自適應學習系統間的交互方式，包含評價、自適應和推測機制，其中的數據可以推測用戶的特點。
3 自適應學習系統的主要模型
其實，AEHS從嚴格意義上說并不能稱為參考模型，因為AEHS并沒有標準的參考模型和架構體系。實際上，第一個被開發出來的參考模型是自適應超媒體應用模型（AHAM），隨后有LAOS、XML自適應媒體模型（XAHM）和WebML等參考模型。從結構上看，AHAM劃分了AEHS的組成部分。
AHAM AHAM（Adaptive Hypermedia Application Model，自適應超媒體應用模型）分為五層[3]，是基于早期的Dexter模型建立的，如圖2所示。
1）運行時層。該層包含了與用戶訪問系統和向用戶呈現信息的組件，并且決定向終端用戶以何種方式呈現內容。
2）存儲層。該層是AHAM的核心層，由3個子層組成，每個子層構成一個子模型。
①領域模型。該模型描述領域知識的結構，如實體和實體之間的聯系。實體具有不同的特征，能夠唯一識別實體的、具有同樣特征的概念可以具有不同的數據類型。
②用戶模型。該模型描述終端用戶的特征，它存儲了關于實體的屬性值。用戶模型根據領域模型進行細粒度設計，用戶模型中的每一個實體可具有不同的屬性和值。
③自適應模型。該模型是實現自適應功能的基礎，它可以根據領域模型和用戶模型的結構決定如何產生自適應操作。
3）自適應引擎層。該層主要解釋了自適應模型中的自適應規則，啟動一個規則會觸發另一規則，體現系統的自適應操作。
4）錨固層。該層是內部組件層和自適應引擎層的通信接口，提供了自適應引擎規則與實際存儲信息的匹配功能。
5）內部組件層。該層主要存儲實際信息，錨固層中的連接點對該層中的信息匹配存儲層中的各子模型間的連接。
LAOS LAOS是一種通用復合自適應媒體模型[4]，是依據AHAM模型和概念圖并基于編輯更新規則的三層模型創建的。LAOS定義了五層模型：領域模型、用戶模型、目標和約束模型、自適應模型和呈現模型。LAOS相比AHAM來看，引入了目標和約束模型，該模型起著中間編輯作用，目標指向關注的點，約束限定查詢的范圍。概念圖由領域模型、目標和約束模型、用戶模型共同組成，LAOS通過屬性將概念定義為語義獨立的實體。呈現模型考慮了終端物理特性，比如PAD、手機等不同的顯示風格等，從而使得程序移植性較好。
XAHM XAHM是一種基于XML的面向對象模型[5]，該模型以XML作為基本數據格式，分為應用領域模型、用戶模型和自適應模型。自適應模型使用多維度方法，從用戶行為、外部環境和技術方面等進行描述。實際上，XAHM模型主要區分出由用戶需求的自適應和由技術限制的自適應。
WebML WebML是一種可視化語言，也作為一種自適應學習系統的參考模型[6]，用于說明Web應用程序的內容結構和組織形式，并可以轉換為超文本格式。WebML主要包含了個性化模型和用戶建模方法，基于WebML構建的自適應系統包含了4個模型。
1）結構模型。該模型呈現具體數據內容，如實體與實體間的聯系。
2）超文本模型。該模型描述了通過數據模式初始化好的內容如何成超媒體文件。
3）呈現模型。該模型以XML語法表現頁面布局和圖形樣式，呈現風格包含了頁面屬性和頁面內容等。
4）個性化模型。該模型以實體形式陳述用戶之間的聯系，個性化機制通常采用聲明式個性化和程序式個性化。
自適應學習路徑模型 自適應學習路徑模型的構建主要有生成所有的學習路徑和選擇適應性的學習路徑兩個步驟，該模型分成學習者自適應層、概念層和學習目標層[7]。
1）學習目標層。該層結構上的每一個目標都有與之相對應的學習概念，選擇出與學習目標層結構上對應的學習目標的學習概念形成概念層。
2）概念層的結構繼承了領域概念本體的結構。
3）學習者自適應層是指與學習者的學習習慣、學習偏好和適應度值進行選擇設置。
4 各參考模型分析比較
關聯度 從關聯度來看，AHAM模型中，與領域模型相關的自適應和技術層面因素之間關聯度高，分離不明確；LAOS模型中，引入目標和約束層，該層將領域知識信息和教育學信息隔離，關聯度低；XHAM模型中，自適應性和技術層面因素之間無關聯，明確分離；WebML模型中，與領域模型相關的自適應和技術層面因素之間無關聯，明確分離；自適應學習路徑模型中，分為生成學習路徑和選擇學習路徑兩個步驟，根據學習者的學習特性選擇合適資源，形成所有的學習路徑，然后根據適應度選擇適合學習者的學習路徑并呈現給學習者。
解決的問題 基于Dexter模型建立的適應性較強的參考模型，該模型中的領域模型扮演者自適應超媒體程序的中心角色，用戶模型描述用戶和領域模型聯系方式。
LAOS模型是基于AHAM模型和概念圖建立的。該模型中的自適應模型是復合模型，含有概念層、課程層、學生自適應與表現層。其中，概念層描述了領域知識；課程層提供了課程，是對概念層的補充描述；學生自適應與表現層對應著自適應模型和呈現模型。3個層級都由自適應引擎驅動。
XHAM模型從用戶行為維度、技g維度和外部環境維度3個維度設計模型：用戶行為維度關注學生的學習行為；技術維度考慮一些客觀因素，如網絡狀況和用戶終端設備使用情況；外部環境維度考慮外界因素，如時空和政治等。
WebML模型關注系統技術實現層面，其中的個性化模型和呈現模型有利于自適應學習系統的設計。WebML模型的推導過程是添加冗余信息進入結構模式從而提高表現力，較容易地提取實體、屬性和關系等。
自適應學習路徑模型主要解決當今自適應模型中的一些問題，比如適應性規則缺失和沖突等，提高學習系統的自適應度。
5 結束語
當今的自適應參考模型從不同角度體現自適應學習系統的關鍵特點，這些參考模型各有優勢，在使用中應根據現實情況選擇適合自己的參考模型作為設計依據，提高開發效率，并作為教學后續使用。
參考文獻
[1]邢麗刃，趙蔚.基于Web的自適應教育超媒體系統現狀及前景分析[J].中國電化教育，2007（3）：100-103.
[2]黃伯平，趙蔚.自適應學習系統參考模型比較分析研究[J].中國電化教育，2009（8）：97-101.
[3]芮玎玎.自適應學習系統中適應模型的構建[J].高等繼續教育學報，2013（3）：41-44.
[4]姜強，趙蔚.自適應學習系統中雙向適應交互評價實證研究[J].現代遠程教育研究，2013（5）：106-112.
[5]Ferreira J. Knewton： Adaptive Learning Plat-form[EB/OL].http：//.
一、“矛盾”源之認識片面
鼓勵自由表達，減少對學生寫作的束縛，為學生的自主寫作提供有利條件和廣闊空間，這是語文課程標準對作文教學的實施建議之一。而“能具體明確、文從字順地表達自己的見聞、體驗和想法。能根據需要，運用常見的表達方式寫作，發展書面語言運用能力”則是課標關于習作的總目標之一，這一目標也是基于“語文課程是一門學習語言文字運用的綜合性、實踐性課程”“寫作是運用語言文字進行表達和交流的重要方式”“應使學生初步學會運用祖國語言文字進行交流溝通”的認識而提出的。
從這些表述，我們似乎發現一個“矛盾”：一方面，課標要求鼓勵自由表達，必須減少束縛；另一方面，課標對學生寫作有明確的要求和目標，這是必須貫徹、落實，即必須進行一定的規范訓練與指導。
為此，教師們常常苦惱，要鼓勵自由表達，讓學生“怎么想就怎么寫”，不要用條條框框去束縛他們；然而，學生“怎么想就怎么寫”的結果，往往不能具體明確并且文從字順地表達自己的見聞、體驗和想法，不能根據需要運用常見的表達方式寫作。要達到課標的要求，則需要在語言表達方面給予學生一定的規范訓練和指導。
對于這一“矛盾”，究其根由，看似源諸課標的矛盾表述，實則是因由我們對于“自由表達”的片面認識。
通常情況下，多數教師都把“自由表達”理解為讓學生“怎么想就怎么寫”。這本沒大錯，“怎樣想就怎樣寫”本是“自由表達”應有之義。然而錯誤的是，我們卻把“怎么想就怎么寫”，當成了“自由表達”的全部內涵，并以此為由將必要的適度的語言表達“規范訓練和指導”加以排斥、擯除。殊不知，僅僅打破框框、拋棄規矩的“怎么想就怎么寫”這種放膽式的“自由表達”，是一種“自流表達”，而非真正意義的“自由表達”。
那么，真正意義的“自由表達”又是一種怎樣的概念呢？
首先，真正意義的“自由表達”應是“外在自由”與“內在自由”的統一。
江西師范大學何齊宗教授曾在《自由教育的哲學思考》一文中指出：“自由具有內在外在之別。外在自由是指人們可不受限制地做他想做的事情，內在自由是指人們有能力做他想做的事情。”可見，如果把“自由表達”單純地理解為“放開束縛”“避免強制或強迫”，這僅是從“外在自由”的層面來考慮問題，是片面的、錯誤的。在“外在自由”的基礎上，還要從“內在自由”方面去考慮如何“培養學生的自由意識和自由能力”，從而達到“自由權利和自由能力的統一”的“真正自由”。
所以，提倡“自由表達”，不能僅僅純粹地從放開“外在自由”“避免束縛、強制或強迫”來實現，還要從如何更好地“進行適度訓練與指導”，使學生獲得“自由意識和自由能力”等“內在自由”方面去考慮。
其次，真正意義的“自由表達”應有三種不同層次的內涵。
（1）放膽表達，即怎么想就怎么表達――不要怕，寫作文沒有框框，大膽寫，“怎么想就怎么寫”，不拘形式，自由地把自己的見聞和想象寫出來。
（2）自如表達，即想怎么表達就能怎么表達――表達形式運用自如，表情達意準確、順暢。不會無從下筆，不會言不達意。
（3）個性表達，即表達獨特的體驗和感受――我表達的是我的想法、我的認識、我的體驗、我的感情；我的，個性的，與眾不同的；允許我把“我的、個性的”東西表達出來，而不是他人給我指定好、圈選好的。
所以，要真正把握好“自由表達”的內涵，就必須從放膽表達入手，多放少收，讓學生養成勤于動筆、自主寫作、樂于表達的興趣和習慣。在此過程中，還需進行適度的規范訓練，以教師的有效指導，促進學生能夠根據需要，運用常見的表達方式，具體明確且文從字順地表述自己的見聞、體驗和想法，逐步形成“想表達就能表達”的自如表達能力。同時在自如表達的基礎上倡導表達獨特感受和真切體驗，豐富聯想和想象，活用表達方式，逐步達到有個性、有特色、有創意的表達。
二、“相生”賴于策略改進
雖說從理論上講“自由表達”與“適度規范訓練”并非矛盾，也不應矛盾，但是，如果實踐過程中處理不當，卻必然會產生矛盾。過分強調“自由表達”，“適度規范訓練指導”必然打水漂；反之，“規范訓練指導”過了頭，必然造成“束縛”， “自由表達”也就無從說起。這就說明，辯證處理好二者之間的關系，是十分重要的。
其實，課標所倡導的“自由表達”，從本質上說，是倡導給學生一種心理上、情感上、思想上以及表達上的自由。學生在作文過程中是否“自由”，其實跟教師“訓練指導”或者“不訓練指導”并沒有直接的、必然的關聯。教師不“訓練指導”了，并不意味著學生的習作就是“自由”了；教師“訓練指導”了，也并不意味著學生的習作不“自由”。表達是否“自由”，關鍵取決于教師“訓練指導”的策略和方式。
過去那種機械式的寫作知識講解或范文解讀套作的訓練指導模式，給以學生的是一種囚囿、一種束縛，學生當然無“自由”可言；倘若采取學生喜聞樂見的方式，在“對話互動”中適機誘導，學生“自由表達”與教師“適度訓練指導”就可以有機融合、相依相生。
請看某教師執教的“寫自己喜歡的小動物”游戲活動式的作文指導課：教師以主持人的身份組織一次別開生面的《幸運52》之類的習作游戲活動。其教學結構是：第一板塊，“你點我答”，內容是摘取有關寫動物的片段進行回答。意在讀寫結合，讓學生感悟從哪些方面描述小動物，如何抓住特點。第二板塊，“你說我猜”，學生用幾句話來描述自己喜歡的小動物，其他同學猜是何種動物。目的是感悟如何抓住特點來描述。第三板塊，“你講我接”，各活動小組圍繞共同喜歡的同一動物，從不同方面接龍描述。目的是感悟如何按一定順序連段成篇的方法。第四板塊，“你問我答”，要求各小組成員先在小組講述一件自己與小動物的有趣故事，然后推選一員代表在全班交流，交流后其他組提問，該同學答疑。目的是讓學生具體講述，表達感受。第五板塊，“你寫我評”，請同學自由寫自己喜歡的一種小動物，寫完后其他組同學給他評一評。整節課學生在游戲中習作，教師在游戲中指導，既有趣，又有效。
從這節課，我們可以發現語言表達的規范訓練指導是通過學生喜聞樂見的形式來展現。在這節課中，教者要訓練、指導的語言表達點是從哪些方面描述小動物，如何抓住特點、按一定順序來描述小動物，以及如何準確、具體地描述小動物，并表達自己的真情實感。在安排教學過程時，教師不是像過去那樣，通過審題提要求、讀范文學方法那樣機械灌輸，而是創設了一個別開生面的《幸運52》之類的習作游戲活動，把要訓練、指導的語言表達點，自然、有趣地糅合在各個環節中。盡管有要求，盡管有任務，但因興致盎然，樂在其中，學生的思維與表達并未受到限制，學生的意愿和心靈并未受到強制。在這種無拘無束的自由表達狀態中，教師所要進行的語言規范訓練指導得以順暢進行。同時，在教師這種看似無意實則有心的語言規范訓練指導中，學生不僅敢于、樂于表達，而且能夠更準確、更自如、更有個性地表達，三個層次的自由表達（放膽、自如、有個性）得以自然實現。
可見，訓練指導模式和策略改變了，形式和方法一旦貼近學生的興趣和心理，教師在學生喜聞樂見的活動中對話互動、適機誘導，學生的習作一樣自由、快樂。
所以，自由表達的真正問題不在于教師要不要訓練指導、能不能訓練指導，而是在于如何訓練指導，在什么情境下訓練指導。
【關鍵詞】教育信息化；個性化學習；電子學習；軟件平臺
【中圖分類號】G40-057 【文獻標識碼】A 【論文編號】1009―8097 (2008) 10―0093―04
引言
教與學是一對不可分割的共同體，大多數學生不可能摒棄基于課堂的集體學習，但這種學習方式受到諸多條件的限制。一方面，由于時空的局限性和師資的有限性，學生很難根據自己的基礎和能力進行創造性學習；另一方面，教師在教學中精力有限，不能按照學生的學習基礎和學習能力來為他們差異性的安排課程。那么，如何讓在學習基礎和學習能力上存在差異的學生有效率地進行自主學習；如何讓教師個性化地了解學生從而針對學生的不同特點來重新組織與調整教學；如何根據學生自身的認知特點及學習興趣個性化的安排相應水平的學習資源，以上問題都已成為教育技術領域的重要課題[1]。
許多教學科研機構已經認識到個性化學習的重要性[2,3]，尤其是在英國，2007年1月4日，由英國政府委托的“2020年教與學評議”專家組了題為《2020愿景：2020年教與學評議組的報告》，描述了在2020年實現個性學習的教育愿景[4]，提出了個性化學習中亟待解決的問題。就當前已有技術解決方案來看，基本上離教學理論所訴求的“因材施教”存在著相當的距離，并沒有實質性地利用計算機與互聯網的特性進行教育資源與服務的重新整合、互動以及對個性知識需求的重構與再構[5]；依然沒有辦法長期跟蹤、分析、評價并反饋個體學生的學習狀況；依然沒有辦法為教師、家長和學生提供相對合理的需求分析與指導方針，依然沒有辦法根據需求給出相應的個性化學習解決方案[6]。因此，本文將教師作為個性化學習平臺中一個重要角色，并充分利用計算機技術的輔助功能，使二者結合為學生提供個性化學習服務，為教師和家長指導學生進行復習提供依據，基于此，研究與開發了一個師生共建的個性化學習服務平臺ISI（Individualized System of Instruction），并進行了商業化推廣，命名為文曲星家教新干線[7]。
一 平臺描述
ISI學習服務平臺是一個基于測試、診斷、評價與反饋的、運行于互聯網、移動通信網間的個性化學習平臺，它通過對學習資源信息和學生行為信息進行收集、統計與分析，最終為教師設計個性化教學方案提供幫助，為學生提供精確、省時、高效的個性化課后復習方案。下面將此平臺從功能結構、軟件結構和物理結構三個方面進行描述。
1 功能結構
ISI平臺的整體功能模型如圖1所示，此平臺將用戶分為管理員、學生、教師三種角色，而家長一般只是通過郵件的形式獲得測控分析的結果。管理員的職責是實現平臺的一般性日常管理，如教師管理、學生管理、資源管理等。
學生通過知識梳理功能復習章節的疑難知識點，通過同步測控來診斷學習能力和知識薄弱環節，通過智能訓練來彌補知識薄弱環節，實現因材施教、個性化學習。通過測控分析為學生提供一個自我診斷報告，為自己的進一步復習提供依據。
教師通過測控分析功能來了解班級學生的整體學習狀況（包括：整體水平、成績起伏、共同錯題等），以及每個學生的具體學習情況（包括：學習能力、知識薄弱環節、遺忘規律等），從而修改自己的教學策略，為需要幫助的學生提供個性化診斷報告。再通過通過試卷搜索和智能組卷功能來干預學生的復習路徑，提供更個性化的學習方案，從而構建了一個教師參與的個性化學習平臺。
2 軟件結構
ISI個性化學習服務平臺的核心結構（如圖2所示）主要由學習資源庫、學生模型、教師模型、測試模塊和教學控制模塊、學生行為監控模塊構成。學習交互處理\測試交互處理和人機界面是輔助結構，它們負責將教學內容和試題呈現給學生，并負責對學生的交互行為進行反應。下面主要介紹核心部件。
學習資源庫由教學內容、測試題和知識關系庫三部分組成，其中知識關系將教學內容和測試題關聯起來，作為學習過程和測試過程的紐帶。
學生模型是對學生能力和學習情況的建模，包括學生檔案、學生的認知能力（包括知識、理解、應用、分析、綜合、評價六個層次）、學習歷史（包括學習方式、學習速度等）、練習歷史（包括練習題號、分數、時間等）及每個題目的詳細記錄。學生檔案信息是由學生自己輸入的，它作為學生認知能力的起點，以后通過學習來逐漸修改學生的認知能力。學習歷史是指在學生學習完后，系統自動的將其學習內容記錄到學習歷史庫中，來檢測學生是否學過某個知識的必備知識。當學生學習完某一章節后，系統自動為學生抽取試題進行測試，根據測試情況來修改學生的認知能力，同時將測試結果存儲到測試歷史庫中。
教師模型是對學生能力的評估和教學策略的推薦，包含學生行為評定、學生能力測定、試題評定、教學策略選擇等模塊。學生行為評定模塊根據專家知識庫中的測試題目信息及學生的回答情況，給出分析結果及相應認知能力層次的分數比重，為制定相應的教學策略提供依據。學習能力測定模塊主要負責評價學生的學習能力，通過評價取得反饋信息以修正、完善教學計劃，為教師模型制定正確的教學策略提供條件，保證教學的順利完成。試題評定模塊主要是對試卷的要求進行綜合評價，包括測試題目是否符合教學大綱的要求，試題分數的比例是否符合難度比例、認知層次比例和各章節的分配比例。教學策略選擇模塊負責依據測評結果選擇學習方案和繼續測試方案。
教學控制模塊負責分析、解釋知識庫中的教學規則，選擇相應的教學內容和教學策略，建立和修改學生模型的某些信息，控制教學的進行。在本框架中，教學策略分為三個層次：系統級和對象級、專家級。系統級策略是由經驗豐富的教學專家提供，是不同科目之間的一般性教學規則，它們在系統開發時已經加入到系統中。對象級策略由系統根據學生模型自動生成，是形成個性化教學的依據。專家級策略主要是由系統中的教師進行策略設計，形成學習和測試方案，它的級別最高，是保證教學方案更有效的方法。
測試模塊主要負責智能組卷和判卷。它根據學生的當前認知能力和學生的學習歷史隨機生成試卷，要求題目保持合適的認知能力和難度。然后學生對試題進行解答，由測試模塊進行判卷，同時把測試過的試題和測試結果存入測試歷史數據庫中。
學習行為監控負責學習過程中交互行為的捕捉，完成對學生行為的跟蹤，跟蹤內容將包括學習的知識點，起始時間，持續時間，瀏覽次數，測試的題目，知識點，起始時間，持續時間，修改次數等。它們將作為學習能力、學習效果測評的依據。
3 物理結構
物理結構則從網絡分布上描述了ISI個性化學習服務平臺（如圖3），形成了客戶\服務器式的體系結構，主要包括用戶認證管理服務器系統、學習資源管理服務器系統、自適應學習管理服務器系統、教學輔導與管理服務器系統、學習行為數據分析管理系統和閥值信息管理服務器系統六大服務器和客戶端：平臺應用終端系統。
（1） 用戶認證管理服務器系統，主要包括連接、分配、驗證、計費等部分，負責通過網絡對用戶進身份識別、權限識別、并根據用戶終端類型和分布式服務器的狀況合理安排由哪一站點對用戶提供服務，同時驗證用戶的收費情況，管理用戶的權限有效期等。
（2） 學習資源管理服務器系統，主要包括學習資源元數據管理程序、學習資源元數據庫、學習資源元數據挖掘程序、學習資源數據庫和學習測評資源數據庫。系統管理者利用兩個程序實現對學習資源管理服務器內三套數據庫的建設與管理。
（3） 自適應學習管理服務器系統，主要包括用戶信息收集程序，學生學習歷史庫，學習評價管理程序，學生認知信息庫，學生測試歷史信息庫，個性學習資源提取程序，個性學習資源數據庫。負責進行學生信息的收集、整理、智能評價、反饋以及根據學生行為及評價信息智能安排與學生能力及狀態相適應的學習資源。
（4） 教學輔導與管理服務器系統，主要包括問題信息管理程序，學習資源檢索程序，學生狀態分析及定位程序，學習評價信息查詢管理程序，學習資源布置程序，教學診斷庫，教學策略庫。它主要負責幫助教師及時了解學生的學習進度與程度，查詢教學參考內容，及時給學生以決策評價。
（5） 學習行為數據分析管理系統，包括學習者數據分析管理程序，學習者模型建模程序（通過學生對反饋的評價建模），它主要負責分析學習資源與學生行為之間的關系，分析教師行為與學生行為之間的關系，分析教師行為與學生結果之間的關系，是一個對學生與教師建模的工作，是把心理學觀點引入系統的關鍵部分。
（6） 閥值信息管理服務器系統，主要包括閥值信息管理程序與閥值信息程序，負責把學生的測評報告反饋給學生本人、其指導教師或者家長，從而對學生起到及時督促、鼓勵、矯正的作用。
（7） 平臺應用終端系統，平臺應用終端分為四種類型，分別安裝至各學生、教師、機構用戶以及系統管理者的計算機上，供他們操縱所需內容，如個人基本資料、教學或學習資料、測評報告、組卷等。
二 分析與討論
鑒于教學中日益增加的個性化需求，ISI個性化學習服務平臺利用網絡把學生、教師以及管理者聯系起來，通過對學生數據的收集、統計與分析，提供一套測試、診斷、分析、評價相結合的學生行為評定機制，使得教師和學生可以在ISI個性化學習服務平臺上進行有針對性的高效交流與互動，能快速、簡單、精確、高效地滿足對教與學的個性化需求，從而克服教與學的盲目性，合理地調配時間。這種交流與互動不僅有助于基于網絡的教與學，而且也有助于面對面的教與學。
針對現有的教育服務機制只能提供粗放型教育資源的缺點，ISI個性化學習服務平臺通過定義學習資源元數據對學習資源進行描述，使學習資源屬性能夠被唯一確定并且單位最小化，從而有利于對知識體系進行快速有效地組合、重組與管理，為個性化教學提供資源基礎。通過對學生個人學習行為的跟蹤和教師富有針對性的干預，ISI提供了一套學生狀態定位系統，通過把學生信息與學習資源進行關聯，建立學生的學習能力屬性，使得每一個學生學習狀態模型能夠被快速建立、定位、分析、統計與比較，從而為個性化復習方案提供技術基礎。
ISI個性化學習服務平臺也提供一套新型的互動教育模式，便得教與學的互動不再只基于過去傳統模式中“一問一答”的狀況，教師不僅可以隨時掌握學生的學習狀態，而且可以隨時給出指導意見并可干預學生的學習路徑，幫助學生制定更準確的個性化學習方案。ISI也是一個學習內容測評分析平臺，通過對學習測評內容的信度、效度、難度、區分度以及相關性等數據的評價，教師可以為學生個體或班級提供有針對性的個性指導與計劃調整，使學生和家長能精確、快速地把握學生學習動態，起到良好的教育配合作用。ISI個性化學習服務平臺具有內容無關性與平臺無關性，學習內容可以在PC機、手持式設備（手機、PDA、學習機）等多種交互設備上呈現，學生可以依據自身需要選擇交互設備和信息呈現方式，從而實現設備層的個性化。
在此平臺開發和商業化過程中，邀請了北京師范大學亞太實驗學校等多所中學對平臺的個性化學習能力進行了實驗研究，在學習效率、成績提高程度、學生對平臺的評價等多方面進行了問卷調查和系統自動跟蹤，通過統計分析，得出如下結論：此平臺通過記錄分析學生易出錯知識點的相關試題，并依據它們進行個性化復習與測驗使得學生學習具有針對性，從而使學習效率平均提高了31%，學習成績每科平均提高5-10分；同時，95.3%的受訪學生認為此平臺能有效控制自己的復習進度，符合他們的個人學習能力水平。
三 結論
ISI個性化學習服務平臺是一項提高教師教學效率與學生學習效率的一個雙向互動的教學服務平臺，教師可以依據學生的學習情況以及自己的判斷修改平臺提供給學生的個性化學習方案，使得教學策略更具有效性和實用性。實踐表明，師生共建個性化學習平臺對學生和教師都有很大的幫助。
參考文獻
[1]Won Kim. Starting Directions for Personalized E-Learning [J].Lecture Notes in Computer Science, 2008, 4823:13-19.
[2]沈孝山.自適應學習平臺的設計與開發[DB/OL].省略/grid20/detail.aspx?QueryID=2&CurRec=1, 2006-09-11/2008-07-16.>
[3]王志平.基于數據挖掘技術的個性化學習系統研究[DB/OL].省略/grid20/detail.aspx?QueryID=113&CurRec=1, 2007-10-25/2008-07-16.>
[4]2020 Vision: Report of the Teaching and Learning in 2020 Review Group [EB/OL].
, 2007-01/2008-07-16.>
[5]Rosa G. J.Paredes, Hiroaki Ogata, Yoneo Yano, et al．A Multi-Model Approach for Supporting the Personalization of Ubiquitous Learning Applications [A]. Hiroaki Ogata, Mike Sharples, Kinshuk, Yoneo Yano. Proceedings of Third IEEE International Workshop on Wireless and Mobile Technologies in Education[C], USA: IEEE Computer Society, 2005: 40-44.
網絡信息環境下，用戶的年齡、知識背景、信息素養、個性化需求等方面都存在著較大差異，要使目標用戶獲得良好的用戶體驗，必須挖掘用戶群體的內在特點，優化網站的信息構建。本文在闡述用戶體驗理論的基礎上，提出了基于用戶體驗的信息構建模型。指出用戶分析是信息構建過程的基礎、用戶體驗是信息個性化構建的依據和衡量信息構建的標準，網站的信息構建應該圍繞如何提高用戶體驗來進行。
【關鍵詞】用戶體驗 信息構建
本文擬從用戶體驗的角度對網站內容的信息構建進行探討，用戶體驗是信息構建過程中的一個重要內容。信息構建的根本目的是為了滿足用戶對信息的獲取和使用， 便于用戶獲取、吸收和有效利用信息。獲得良好的用戶體驗是信息構建的目標，同時，信息構建又是獲得良好用戶體驗的有效途徑。
1 用戶體驗的含義及內容
用戶體驗（User Experience，簡稱UE）指的是用戶在訪問網站時所產生的全部的體驗。網站用戶體驗包括他們對網站的綜合印象及整體評價，整體界面是否美觀、網站信息內容是否滿足需求、用戶是否還想再次訪問以及用戶能夠忍受的問題，疑惑的程度。RobertRubinoff認為應該從品牌、內容、功能以及可用性4個方面對用戶體驗進行考察和度量。
本文按照網站幫助用戶完成任務的有效程度將用戶體驗劃分為三個層次：功能體驗、技術體驗和美學體驗。功能體驗描述了網站幫助用戶完成任務的屬性，功能體驗描述了網站幫助用戶，根據自身需求獲得有用信息的屬性，技術體驗描述了網站幫助用戶高效率地完成任務的屬性;美學體驗描述了網站能否使用戶身心愉悅地完成任務的屬性，網站用戶體驗內容如表1所示。
2 信息構建的定義
信息構建引起重視的主要原因是由于信息構建能夠改善信息的生態環境，通過設計符合用戶訪問需求、認知特點以及使用習慣等的組織、系統、標識和搜索系統，并通過用戶評價體系建立一個用戶和網站開發者之間的溝通渠道，使得網站的開發者可以及時的根據用戶體驗評價對網站進行相應的改進，進而增強用戶良好體驗效果。
3 信息構建的內容及主要特點
3.1 信息構建的內容
網站內容的信息構建主要包括四部分：信息組織分類、信息標識、導航系統及內容檢索。其中信息分類組織主要指的是信息在網站中的分類方式;信息標識指的是用戶與信息內容之間的關聯;導航系統指的是信息分流的通道或者是用戶通過相應的規則找到信息的路徑;內容檢索指的是信息內容通過一定匹配規則，再次集合和被利用的行為。
3.2 信息構建具有的特點
突出以人為本，強調以用戶為中心。信息構建強調如何使得信息可被理解，所產生的信息如何便于被用戶獲取、接受并加以利用。每個用戶需要的信息具有不同的層次，并且他們期望的信息獲取方式也不盡相同，有的人喜歡得到口頭的解釋，有的人則喜歡通過閱讀的方式，另外的人則喜歡根據范例來進行學習。
4 以用戶體驗為中心的網站信息構建的意義
與各種用戶群體之間交流的用戶體驗設計思想是信息構建中的一個重要內容，包括可視化的圖形界面設計、對不同潛在用戶的測試以及信息組織三個方面。網站的信息構建是一個動態的不斷調整的過程，在信息構建的過程中，需要加入用戶體驗評價機制，網站設計者需要根據用戶體驗評價機制的反饋動態的對網站的組織分類、信息標識、導航系統及內容檢索等方面進行改進。
5 基于用戶體驗的信息構建模型
本文從信息構建角度入手，提出在網站信息構建過程中要以用戶為中心，充分考慮用戶對網站的內容、功能以及情感方面的需求，所以在信息構建前，需要對用戶群體組成、用戶群體的需求以及對用戶群體在使用網站時候的行為進行分析。可以看到，在網站信息構建的整個生命周期中，都有用戶的存在于參與;由于用戶體驗評價機制的建立，用戶既是信息的消費者，也是信息構建需求的提出者。
6 結語
在網絡信息環境中，內容特征多種多樣、信息種類繁多、信息組織分散、用戶群體在年齡、知識背景、信息素養、個性化需求等方面都存在著較大差異，要使目標用戶都獲得良好用戶體驗，需要充分挖掘用戶群體的不同特點;對用戶群體、用戶需求及用戶行為進行充分的分析，并依據易用性、個性化及社會性的信息構建原則，進行信息構建，提供個性化信息服務，增強用戶體驗，使信息能夠更容易的被用戶理解和接受。
參考文獻
[1]RobertRubinoffR.How ToQuantify TheUserExperience..http：// sitepoin /print/quantify-use-ex-perience，2007.
[2]Morville P.User Experience Design. http：///publicat ions/semantics/000 029. php.2007.
關鍵詞： 遠程教學 個性化 關聯 知識點
中圖法分類號：TP301； 文獻標志碼： A
隨著計算機和網絡技術的發展，遠程教學實現了不受空間和時間的限制，學習者可以在任何時間、任何地點接受教育。但也因為空間和時間的不同步，使得教師很難像傳統教學中那樣實時地從學生的反應中了解學生對知識的掌握情況。
大多數的遠程教學系統將線下教學方法直接移植到網絡環境中，在對同一門課程的教學和學習中，從課程的學習到學習情況的檢測，對所有參與學習的學生都是相同的教學方案。對于不同的知識水平、認知能力的學生難以因材施教，難以滿足學習者個性化的需求。同時，課程知識點的相關性與學生掌握知識點的程度未能結合起來，對于學生的后續學習不能提供預見性的教學方案。
目前，部分研究者將電子商務中常見的用戶個性化推薦方法引入到教學系統中，但這樣的模式大多基于用戶興趣，通過點擊率、查詢率等信息來為用戶推薦他想訪問的信息，但明顯地，課程的學習并不能完全按用戶的喜好來完成。理想的遠程教學平臺應該是智能型，為學生提供個性化教育，移動學習； 性化服務包括：根據學生的興趣推薦有關課程或者學習資源；根據學生的問題、測試成績指出沒有掌握的知識點和學習建議，并且提供有針對性的補充知識；系統跟蹤每個學生的學習過程，記錄下學習日志，根據這些信息調整教學策略。
本文在傳統的在線教學平臺中引入了個性化服務模塊，通過考慮學生的不同學習情況以及知識點的關聯性，在學生的整個學習過程中動態調整學習方案，為學生提供最適合的教學資源。
1. 個性化教學策略
在遠程教學平臺中，存儲了大量的各種類型的教學資源，包括媒體素材、題庫、試卷、自由地來選取他想要訪問的教學資源，而學生對課程的不了解，往往導致學生不知道應該選擇哪些最適合自己的資源來進行學習。在個性化的教學策略中，學生除了自由選取學習內容之外，還可以根據系統為其推薦的學習方案來進行學習。
1.1 教學策略涉及的相關概念
在同一門課程中，學生的學習情況好壞是根據知識點掌握程度來鑒別的，任何一個章節，內容都有其所對應的知識點。在同一門課程中，前一章的知識點掌握情況會直接決定著后續學習的效果。所以，將所有教學資源都進行了知識點的劃分尤為重要。
1） 知識樹：各種不同的知識點以及他們之間的聯系會形成一棵知識樹，知識樹是知識點和知識關系的集合。知識樹={知識點，知識點關系}，知識點關系描述的是各知識點間是否有聯系。
2） 知識點：知識點是描述教學領域的完整教學單元。一個知識點可以描述為以下幾個方面：知識點=。其中重要程度為：了解，掌握，應用三類，以0，1，2表示；難度包括：簡單、一般、復雜三類，以0，1，2表示。
3） 知識點關系：知識點關系是指知識點之間存在的各種關聯及其程度。知識點之間一般存在三種關系，組成、前驅、無關系。如果A知識點與B知識點之間為組成關系，則有 ，其中 =A；例如：在數據結構中，樹的先序遍歷與樹的遍歷之間是組成的關系。若A、B知識點間為前驅關系，則表示A、B兩個知識點不是組成關系，但掌握B知識點的前提條件是掌握A，AB，表示A是B的前驅知識點。一個知識點可以有零至n個前驅知識點。當有多個前驅結點時，存在兩種關系；
A∪CB，表示A，C為B知識點的前驅知識點，但A，C中只要滿足其中一個即可完成對B知識點的掌握。例如：數據結構中，B知識點是圖的遍歷，A，C知識點分別為圖的鄰接矩陣表示，圖的鄰接表表示。
A∧CB，表示A，C為B知識點的前驅知識點，但只有A，C兩個知識點都掌握的前提下，C知識點才能很好地掌握。
若沒有特殊說明，前驅關系表示的是直接前驅關系。知識點之間另一種關系是無聯系，這里的無聯系并不是說完全沒有關系，而是指沒有明顯的直接聯系。
4）課程章節：課程章節是由知識點結合教學資源，以Web頁的形式呈現給學習者，每個課程單元和知識樹相關。課程章節=，其中，知識點集中包括該章節涉及到的直接知識點，教學資源集表示教學資源的標識集合。
2.2 教學策略
在教學策略的制定中，本系統采用了兩套機制，學生仍然可以根據自己的喜好來選擇需要訪問的教學資源，同時，系統也提供根據學生情況所動態產生的推薦教學策略。推薦教學策略中，系統會根據用戶之前的學習情況以及需要學習章節的知識點情況，產生適合該用戶的學習方案。
如2.1所述，由于知識點中擁有組成和前驅兩大關系，一門課程中擁有前驅關系的知識點會形成一個有向無環圖，每個結點表示一個知識點，結點間的邊表示他們的前驅關系。為避免節點間關系的沖突，若結點間為組成關系，則合結點由各分量結點代替，合結點與其他結點的前驅關系由分結點表示。例如：若B={A，C}，并有BD，則表示為A∧CD；同樣，若存在關系DB，則有DA，DC；
由此，推薦教學策略的算法描述如下：
1） 獲取用戶要進行學習的章節；
2） 讀取章節數s，并查看上一個單元（s-1）的測試情況和本章節（s）的知識點集；
3） 將第s-1單元測試失分知識點排序，取前m個知識點 找到對應的知識點，符合以下條件：若存在
體庫中找出知識點集有 且章節號為s的資源文件，做重點介紹；
4） 同時選取除重點介紹外的章節為s的知識點；
5） 由3），4）得到的信息，以設定的形式形成學習策略，展現給學習者。
2.3組卷策略
與學習策略相似，對于單元測驗的試卷組織除了沿襲隨機試題的方式，在試題的組織中結合學生以往測驗的完成情況，有針對地檢測學生掌握知識點的薄弱環節。章節在線組卷的算法如下：
1） 獲取用戶要選擇測驗的章節；
2） 若該章節為新測驗章節，則根據傳統的隨機組卷的方法，根據知識點和難易程度產生試卷，進行測試。并將測試結果進行記錄（各知識點對應的失分率），算法結束；
3） 若該章節為已測試過的章節，統計用戶測驗記錄中各知識點權值w；
計算方法為：w=λ*（知識點的重要程度值+1）×失分率 （1）
其中，失分率=1-實得分/題目分數
4）將w按降序排列，選取前m個知識點，對這m個知識點按題目類型隨機出卷，出卷的數量是各類型數量的1/2；
5）其余1/2道題目按隨機出題的形式給出。
對于基于全書知識點的組卷算法與章節組卷算法類似，不同的是所選擇的知識點不受章節限制，此處不再重復說明。
3.實驗
根據本文所描述的個性化學習策略，采用.NET+SQL SERVER2008改進了原有的遠程教學平臺，在新平臺中引入了個性化服務模塊，對學習策略和組卷策略進行個性化服務。該平臺目前提供數據結構、C語言課程的在線教學。
通過對100名學生使用該系統進行學習的情況，從瀏覽時間和最后使用效果（成績）對個性化服務的接受程度和有效性進行驗證。表1表示的是改進前后訪問該教學系統的用戶人數及停留時間的對比。由此我們可以看到改進后用戶訪問次數的增加和在該系統停留時間的增加。表2為學生使用改進前后的系統進行測驗的最終結果變化。從表中可以看出，使用改進后的系統，對學生的成績提高起到了明顯的推動作用。
4.總結
隨著遠程教育的發展，個性化、自主式遠程學習系統成為遠程學習系統的發展趨勢。本文研究了基于個性化的遠程學習系統的模型。根據不同學生對于學習內容掌握的不同程度以及學習內容的知識點聯系，在學習策略和組卷策略中引入了個性化的服務，能夠針對學生不同的學習狀況提供不同的學習安排和內容。接下來的研究中，應該進一步加強個性化的研究，比如通過分析獲取用戶常用的媒體資源類型，提供用戶更能接受的教學形式，以及進一步引入數據挖掘的知識，對用戶的特性化因素進行總結和分類。
參考文獻：
[1]單松巍. 基于Web挖掘的個性化技術研究.計算機工程與設計[J].2004.1：4-6
[2]單蓉. 基于用戶瀏覽行為的個性化教學系統 .信息技術 [J].2001，05：32-34
[3]沈軍，網絡教學中個性化策略研究.計算機研究與發展[J].2003.4：589-595
[4]萬欣. 基于學習風格的個性化網絡教學環境的設計與實驗研究 [D].西南大學，2009：8-9
[5]吳英. 智能在線考試系統中遺傳算法組卷的設計和實現. 制造業自動化[J].2011.1：215-217
StudyonPersonalizedEdutioStrategyforDistance-Learning Model
Wang Li-hong
（TrainingCollege of the Open University of SiChuan，， Chengdu，610045）
Abstract： Because of the difference in learners’ social experience， cognitive style， learning ability and the distance of the teachers and students， the existing distance-learning system causes poor interaction， and learning effect is not obvious. In this paper， a personalized education strategy is proposed， through analyzing the learning ability of learners， grasping their learning need， ，at the same time， connecting with the relation of knowledge points ，the system can adjust the learning plan and provide them with individualized learning resource so that every student could acquire individualized teaching service. Experiment has been proved that the strategy is feasible and reliable.
Keyword：distance-learningpersonalizededucation previous relation knowledge points
