提供相关知识的推荐机制

4.2.3　提供相关知识的推荐机制

面对巨量的知识资源，用户常常感到无所适从，如何主动为用户提供其真正需要的知识是知识转化面临的重要课题。只有能够快速收集到与自己当前学习、工作相关的知识，用户才能更快地对知识进行理解、消化和建构并应用到实践之中。然而，伴随着工作强度的加大、竞争程度的提高，用户的时间越来越珍贵，能够将其真正需要的知识主动地推送给他们，将减少其检索知识的时间、提高工作效率。完成从“人找知识”到“知识找人”的转变，是提高知识利用水平、改善知识转化效果的重要措施。而要实现“知识找人”，就需要建立一定的推荐机制。所谓知识推荐，就是根据用户需求模型（包括用户的个人兴趣、个人特征、个人能力、学习计划及学习进度等），寻找与用户需求模型匹配的知识，或者寻找具有相近兴趣的用户群后相互推荐使用、浏览过的知识。知识推荐是一个动态的过程，这是由于用户知识需求是不断变化的，随着时间的推移，用户需要的知识也会随之改变，这就要求建立的推荐机制具有一定的自适应能力。随着用户学习、工作任务内容或进度的改变，推荐机制能够适时做出调整，为用户提供当前最需要的知识资源。另外，推荐机制还应提供一定的反馈渠道，能够让用户对推荐效果实时给出评价，推荐机制则根据反馈信息调整推荐策略和内容、改善推荐效果，尽可能地做到主动、及时、准确地向用户推送其真正需要的知识，而不是无关知识资源。具体而言，推荐机制的构建可以从以下三个方面展开：

（1）用户需求建模

用户需求建模是实现知识推荐的基础和核心，用户需求模型的质量直接关系到个性化知识推荐的质量，只有系统很好地理解了用户的知识需求，才可能推荐出用户满意的知识。为了准确地描述用户的知识需求，首先要获取用户的知识需求信息，然后从用户的知识需求信息中提取相关的特征数据，最后建立相应的数据模型来记录和管理。用户知识需求信息的获取有两种方式：一是显式获取，直接让用户填写自己的需求知识信息进行收集，或者要求用户对其使用过的知识资源进行评价，通过分析相关的评价结果得出用户的知识需求信息；二是隐式获取，通过跟踪、分析用户检索、浏览和使用知识资源的历史数据（包括经常访问的栏目、在一定类型资源上的停留时间、以往下载的知识资源及当前关注的知识点等），推导出用户对知识资源的需求信息。从知识需求信息提取出的特征数据包括感兴趣的关键词、知识类目、知识点以及学习进度表等。用户知识需求的描述应该是面对算法的、具有一定数据结构的形式化描述，以满足计算机系统自动化处理的需要。常用的方法包括关键词列表方法、基于本体的表示方法、基于空间向量模型的表示方法、基于神经网络的表示方法以及基于模糊逻辑的表示方法等。其中，基于本体的表示方法是目前常用的方法，可以描述复杂的用户知识需求信息，同时能够满足知识推理的需要。

（2）学习序列生成

在知识吸收过程中，一方面用户需要收集自己感兴趣或者当前需要的知识，另一方面，用户也处在知识建构之中，正在对某一专题或课程进行跟踪学习，特别是新员工刚入职或者老员工知识换代时进行系统学习是不可避免的。针对系统性的学习，相关的知识点是丰富的，不可能在短时间内完成，这就需要针对课程或专题的知识体系以及用户的特征生成个性化的学习序列，即针对特定用户的动态学习路径，安排学习知识点的先后次序，然后在根据知识点组织和推荐相关的知识资源。学习序列生成可以采用基于ISM（（Interpretative Structural Modeling，解释结构模型））的方法（高琳琦，2008），具体步骤是：①抽取知识点，把学习内容分解为一系列知识点，知识点可以是一个概念或原理，也可以是一项技能的基本组成；②确定各个知识点之间的直接关系，得到目标矩阵，知识点之间的直接关系包括层次关系、依赖关系和交叉关系；③利用目标矩阵生成知识点关系图，生成可达矩阵描述知识体系；④比较用户已经掌握的知识矩阵与可达矩阵，生成符合用户个人认知结构的知识点网络关系结构，并得到待学习知识点的层次结构，生成当前的学习序列。通过生成学习序列，可以指导用户学习过程，按照合理的次序进行知识建构，提高学习效率。

（3）协作过滤推荐

协作过滤推荐是根据用户之间的相同或相似性，动态划分需求相同的用户群，使基于相同兴趣的用户之间共享推荐知识资源。协作过滤推荐的出发点是任何人的知识需求不是孤立的，而是处于某一群体之中，即某些用户之间存在相似的知识需求。协作过滤推荐通过分析用户知识需求，在用户群中找到与指定用户的知识需求相同或相似的用户，综合这些相同或相似用户对某一知识资源的评价，形成系统对该指定用户对此知识资源的需求预测。同时，协作过滤推荐还应让用户自主地对知识资源进行分类，并允许将现实世界的社会关系网络引入系统之中，即允许用户自主地选择协同过滤的伙伴，建立可信任的社会关系，通过自身的社会网络进行协作相互推荐合适的知识资源。例如，知识型团队的成员之间具有较强的知识需求相似性，成员之间也比较熟悉各自的知识需求状况。当某一成员获取到一定知识资源时，自己阅读的同时将其推荐给其他成员，可以减少对方的时间成本，如果他们之间有很好的默契，重复推荐问题也会很少发生。同时，通过比较由系统计算得到的协作过滤推荐结果与由用户之间的协作过滤得到的推荐结果，可以作为训练数据改进系统的协同过滤算法；而用户在没有很好的协作过滤推荐时，则可以参考和使用系统提供的协作过滤推荐结构。将系统的自动处理与用户之间的自主协作相结合，可以提高协作过滤推荐的效果。