CN108108405A - 基于本体的双情境匹配方法及系统 - Google Patents
基于本体的双情境匹配方法及系统 Download PDFInfo
- Publication number
- CN108108405A CN108108405A CN201711298861.2A CN201711298861A CN108108405A CN 108108405 A CN108108405 A CN 108108405A CN 201711298861 A CN201711298861 A CN 201711298861A CN 108108405 A CN108108405 A CN 108108405A
- Authority
- CN
- China
- Prior art keywords
- resource
- context
- node
- tree
- situation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000008569 process Effects 0.000 title claims abstract description 16
- 239000000284 extract Substances 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 34
- 238000013507 mapping Methods 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 25
- 238000001914 filtration Methods 0.000 claims description 21
- 238000009825 accumulation Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 12
- 230000009977 dual effect Effects 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 11
- 238000003491 array Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/31—Indexing; Data structures therefor; Storage structures
- G06F16/316—Indexing structures
- G06F16/322—Trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Educational Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于本体的双情境匹配方法及系统，方法具体为:将资源情境本体框架与学习情境本体框架合并，形成统一的情境本体树；利用情境本体树，建立资源情境树和学习情境树的节点映射；感知学习情境，抽取资源情境进行匹配；利用情境推理规则，结合顶层子树的相似度，对资源情境进行排序；根据排序结果确定与当前学习情境最匹配的资源情境。本发明还提供实现上述方法的系统。本发明采用本体语言来描述资源情境和学习情境，主要采用逻辑推理、基于本体的推理和本体匹配相结合的方法来实现资源情境和学习情境的双向匹配。本发明双情境匹配不仅减少了匹配步骤，提高了效率，且降低了匹配中存在的误差风险，提高了资源与情境的匹配度。
Description
技术领域
本发明涉及教育信息化技术领域，具体涉及一种基于本体的双情境匹 配方法。
背景技术
情境认知理论认为，情境是一切认知活动的基础，有效学习的发生不 能脱离具体的情境。知识是情境化的，是在活动和运用中被不断发展的， 脱离情境的知识使得学习者难以在具体情境中运用这些知识，难以实现有 意义的学习。反之，当为学习者提供与情境相关的知识信息时，学习者内 部的默会知识将会促进学习者与以往相似情境建立关联，从而在解决问题 时采取相似的行为，进而促进知识在具体场景中的运用、学习者认知的发展以及学习的有效发生。
作为学习的核心要素之一，学习资源对学习的有效发生有重要作用。 学习者进行学习的目的是获取知识来解决具体情境问题，仅仅了解客观的 知识，却不了解如何在不同情境中运用知识，那么这些知识对于学习者来 说是没有实际意义的。提高学习资源与情境需求匹配的程度有利于学习者 获得解决实际问题的方法和能力。
由于目前学习资源标准对学习资源的描述主要是对通用属性的静态描 述，而忽略了对资源情境予以丰富、动态的描述。为了向学习者提供与情 境需求匹配的学习资源，目前常用的思路是通过学习情境与资源特征匹配 (单情境匹配)，从已有的资源库中选出与情境需求相关的学习资源。由于 学习情境与学习资源信息组织存在的异构性、非统一性，单情境匹配需要 将学习情境转化为目标资源特征，通过资源间的特征匹配来获得与情境相 关的资源。学习情境转化为目标资源特征的过程依赖于人的经验以及设定 的规则，不仅难以顾及所有情境，且转化过程中也容易损失部分信息，难 以避免误差。且资源间的特征匹配也常常因算法的限制而存在误差。此外， 由于转化环节的存在，随着资源数量的不断增多，资源获取的实效性将受 到影响。由此可见，单情境匹配方式准确性和效率都所有限制。
发明内容
为提高学习资源与情境需求的匹配程度，本发明提出了上述这种将学 习情境与资源情境直接匹配的“双情境”匹配方式。“双情境”匹配不仅 减少了匹配步骤，提高了效率，且降低了匹配中存在的误差风险，提高了 资源与情境的匹配度。
一种双情境匹配方法，包括以下步骤：
(1)将资源情境本体框架与学习情境本体框架进行合并，形成在系统 中形态统一的情境本体树Q；
(2)利用统一的情境本体树Q，建立资源情境树和学习情境树的节点 映射；
(3)系统感知学习者当前的学习情境树CL，并从资源情境库中抽取 出一个资源情境树CR以待匹配；
(4)依据节点映射关系，计算CL和CR对应叶子节点间的相似度；
(5)通过叶子节点间的相似度累加或加权求和，得到资源情境树CR 与学习情境树CL之间的相似度；
(6)若资源情境库中还存在没有匹配过的资源情境，则重复(3)-(5) 步骤，否则，进入步骤(7)；
(7)利用预设的情境推理规则，结合多个资源情境树CR与学习情境 树CL之间的相似度，对多个资源情境进行匹配度排序；
(8)根据匹配度排序结果确定与当前学习情境CL最匹配的资源情境。
进一步地，所述步骤(2)建立资源情境树和学习情境树的节点映射的 具体过程为：
(21)遍历情境本体树Q，并按遍历顺序对Q的所有节点进行编号，输 出一个Q的节点的二元数组QArry，分别存储节点名称和节点编号；
(22)将学习情境本体树CL中的一个节点为cl与QArry中的节点名称 进行匹配，找出QArry中存在的唯一的一个与cl匹配的节点，并将该节点 的编号和cl节点名称存入CL的映射数组CLArry中，循环CL中的所有节 点，得到最CL的映射数组CLArry；
(23)按照步骤(22)相同方式对资源情境本体树CR进行处理，得到 CR的映射数组CRArry；
(24)匹配CLArry和CRArry数组单元中的节点编号，找到具有相同节 点编号的两个对应的数组，即可得到CL和CR对应的节点。
进一步地，所述步骤(4)计算CL和CR对应叶子节点的相似度采用 下面的任意一种计算：
(a)一般属性相似度计算，其过程为：
当学习情境的某个属性结点v的属性值集合P(v)中至少存在一个元素p 属于资源情境对应的属性结点v′的属性值集合P(v′)时，则认为这两个属性 是匹配的，相似度用Sim(v,v′)表示。
(b)基于领域本体的概念相似度计算，其过程为：
其中，Sim(C,C′)表示概念C和C′的相似度，Dist(C,C′)表示概念C和C′ 的语义距离，Int(C,C′)表示两个概念之间的强度，OL(C,C′)表示概念C和C′ 的语义重复度，即概念C和C′在学习元平台领域知识本体中具有的相同上 位概念的个数，Dep(C)表示概念C在概念树上所处的层级数，Dep(C′)表示 概念C′在概念树上所处的层级数；
(c)余弦相似度计算，其过程为：
其中，Sim(I,I′)表示兴趣向量I和兴趣向量I′的相似度，replce(I,I′) 表示兴趣向量I和兴趣向量I′进行替换同义词之后的相似度；I＝(C1,C2,…, Cn,)，其中Ck表示某个兴趣关键词，1<＝k<＝n；I′＝(T1,T2；…,Tm)，其中Tk表示某个兴趣关键词，1<＝k<＝m。
进一步地，所述步骤(5)计算资源情境树CR与学习情境树CL之间 相似度的具体过程为：
通过计算叶子节点相似度的累加或加权累求和来获得对应父节点的相 似度，依次类推，最终获得资源情境树CR的根节点与学习情境树的对应节 点的相似度，即作为资源情境树CR与学习情境树CL的相似度；
称有子节点的父节点为非叶子节点，非叶子节点的相似度计算公式为：
其中，cr为资源情境树CR中的非叶子节点，cr有M个子节点 cr1,cr2,…,crM，cl为学习情境树CL中的非叶子节点，cl有M个子节点 cl1,cl2,…,clM，sim(cr,cl)表示cr和cl的相似度，wi表示第i个子节点的权 重，且
各子节点对其父节点的权重wi按照如下方式确定：
(521)为资源情境本体树中的任意节点cr使用频率计算器Ucr；
(522)若cr为资源情境本体树的叶子节点，Ucr的初始值为1，若cr 为非子叶节点，则频率计算器Ucr的初始值则为以cr为根节点的子树的非 根节点数N＝NumOfTree(cr)-1；
(523)当资源创建者在为某个学习资源标注资源情境时，若创建者为cr标注了属性值，则将Ucr累加1；
(524)随着系统中所有资源创建者在标注资源情境时对不同属性节点 的关注，资源情境本体中各个节点的使用频率逐渐累加，从而逐步形成资 源情境节点的使用频率分布，利用该频率分布可计算资源情境树中各节点 相对其父节点的权重：其中，cri表示cr的第i个子节点，表 示cri频率值，crj表示cr的第j个子节点，表示crj频率值，N表示cr 的子节点的数量，wi表示cr第i个子节点的权重，且
进一步地，所述情境推理规则分为过滤性规则、用户偏好规则和优化 选择规则三类，它们的优先级从高到低依次为过滤性规则、用户偏好规则、 优化选择规则；
所述步骤(7)的具体实施过程为：
(721)根据过滤性规则将资源情境库中与当前情境不匹配的资源情境进 行过滤；
(722)将用户偏好规则和优先选择规则按优先级从高到低、从左到右排 列，与剩余的资源情境构成一个二维矩阵，推理规则作为矩阵的行，资源 情境作为矩阵的列；
(723)根据资源情境对规则的满足情况进行矩阵填充，若资源情境CR 满足某规则R，则将CR和R交叉的元素标记为flag；
(724)利用二维矩阵中的标记flag对资源情境进行评级，将资源情境R 行中第一个出现标记flag的元素所在的列数作为该资源情境R的级数；
(725)根据级数对资源情境进行排序，级数越低，资源情境与学习情境 的匹配度越高；
(726)对于级数相同的资源情境，则依次比较它们分别对于优先级最高 的规则的满足情境，即比较具体规则中规定的相似度大小，相似度大的资 源排在前面；
(727)将排在第一位的资源情境作为与当前情境最匹配的资源情境。
一种双情境匹配系统，包括以下模块：
第一模块，用于将资源情境本体框架与学习情境本体框架进行合并， 形成在系统中形态统一的情境本体树Q；
第二模块，用于利用统一的情境本体树Q，建立资源情境树和学习情 境树的节点映射；
第三模块，用于系统感知学习者当前的学习情境树CL，并从资源情境 库中抽取出一个资源情境树CR以待匹配；
第四模块，用于依据节点映射关系，计算CL和CR对应叶子节点间的 相似度；
第五模块，用于通过叶子节点间的相似度累加或加权求和，得到资源 情境树CR与学习情境树CL之间的相似度；
第六模块，用于若资源情境库中还存在没有匹配过的资源情境，则重 复第三模块-第五模块，否则，进入第七模块；
第七模块，用于依据预设的情景推理规则，结合多个资源情境树CR与 学习情境树CL之间的相似度，对多个资源情境进行匹配度排序；
第八模块，用于根据匹配度排序结果确定与当前学习情境CL最匹配的 资源情境。
进一步地，所述第二模块包括：
第21模块，用于遍历情境本体树Q，并按遍历顺序对Q的所有节点进 行编号，输出一个Q的节点的二元数组QArry，分别存储节点名称和节点 编号；
第22模块，用于将学习情境本体树CL中的一个节点为cl与QArry中 的节点名称进行匹配，找出QArry中存在的唯一的一个与cl匹配的节点， 并将该节点的编号和cl节点名称存入CL的映射数组CLArry中，循环CL 中的所有节点，得到最CL的映射数组CLArry；
第23模块，用于按照第22模块相同方式对资源情境本体树CR进行处 理，得到CR的映射数组CRArry；
第24模块，用于匹配CLArry和CRArry数组单元中的节点编号，找到 具有相同节点编号的两个对应的数组，即可得到CL和CR对应的节点。
进一步地，所述第四模块计算CL和CR对应叶子节点的相似度采用下 面的任意一种计算：
(a)一般属性相似度计算，其过程为：
当学习情境的某个属性结点v的属性值集合P(v)中至少存在一个元素p 属于资源情境对应的属性结点v′的属性值集合P(v′)时，则认为这两个属性 是匹配的，相似度用Sim(v,v′)表示。
(b)语义相似度计算，其过程为：
其中，Sim(C,C′)表示概念C和C′的相似度，Dist(C,C′)表示概念C和C′ 的语义距离，Int(C,C′)表示两个概念之间的强度，OL(C,C′)表示概念C和C′ 的语义重复度，即概念C和C′在学习元平台领域知识本体中具有的相同上 位概念的个数，Dep(C)表示概念C在概念树上所处的层级数，Dep(C′)表示 概念C′在概念树上所处的层级数；
(c)余弦相似度计算，其过程为：
其中，Sim(I,I′)表示兴趣向量I和兴趣向量I′的相似度，replce(I,I′) 表示兴趣向量I和兴趣向量I′进行替换同义词之后的相似度；I＝(C1,C2,…, Cn,)，其中Ck表示某个兴趣关键词，1<＝k<＝n；I′＝(T1,T2；…,Tm)，其中Tk表示某个兴趣关键词，1<＝k<＝m。
进一步地，所述第五模块计算资源情境树CR与学习情境树CL之间相 似度的具体过程为：
通过计算叶子节点相似度的累加或加权累求和来获得对应父节点的相 似度，依次类推，最终获得资源情境树CR的根节点与学习情境树的对应节 点的相似度，即作为资源情境树CR与学习情境树CL的相似度；
称有子节点的父节点为非叶子节点，非叶子节点的相似度计算公式为：
其中，cr为资源情境树CR中的非叶子节点，cr有M个子节点 cr1,cr2,…,crM，cl为学习情境树CL中的非叶子节点，cl有M个子节点 cl1,cl2,…,clM，sim(cr,cl)表示cr和cl的相似度，wi表示第i个子节点的权 重，且
各子节点对其父节点的权重wi按照如下方式确定：
(521)为资源情境本体树中的任意节点cr使用频率计算器Ucr；
(522)若cr为资源情境本体树的叶子节点，Ucr的初始值为1，若cr 为非子叶节点，则频率计算器Ucr的初始值则为以cr为根节点的子树的非 根节点数N＝NumOfTree(cr)-1；
(523)当资源创建者在为某个学习资源标注资源情境时，若创建者为 cr标注了属性值，则将Ucr累加1；
(524)随着系统中所有资源创建者在标注资源情境时对不同属性节点 的关注，资源情境本体中各个节点的使用频率逐渐累加，从而逐步形成资 源情境节点的使用频率分布，利用该频率分布可计算资源情境树中各节点 相对其父节点的权重：其中，cri表示cr的第i个子节点，表 示cri频率值，crj表示cr的第j个子节点，表示crj频率值，N表示cr 的子节点的数量，wi表示cr第i个子节点的权重，且
进一步地，所述情境推理规则分为过滤性规则、用户偏好规则和优化 选择规则三类，它们的优先级从高到低依次为过滤性规则、用户偏好规则、 优化选择规则；
所述第七模块包括：
第721模块，用于根据过滤性规则将资源情境库中与当前情境不匹配 的资源情境进行过滤；
第722模块，用于将用户偏好规则和优先选择规则按优先级从高到低、 从左到右排列，与剩余的资源情境构成一个二维矩阵，推理规则作为矩阵 的行，资源情境作为矩阵的列；
第723模块，用于根据资源情境对规则的满足情况进行矩阵填充，若 资源情境CR满足某规则R，则将CR和R交叉的元素标记为flag；
第724模块，用于利用二维矩阵中的标记flag对资源情境进行评级， 将资源情境R行中第一个出现标记flag的元素所在的列数作为该资源情境 R的级数；
第725模块，用于根据级数对资源情境进行排序，级数越低，资源情 境与学习情境的匹配度越高；
第726模块，用于对于级数相同的资源情境，则依次比较它们分别对 于优先级最高的规则的满足情境，即比较具体规则中规定的相似度大小， 相似度大的资源排在前面；
第727模块，用于将排在第一位的资源情境作为与当前情境最匹配的 资源情境。
总体而言，本方法采用本体语言来描述资源情境和学习情境，主要采 用逻辑推理、基于本体的推理和本体匹配相结合的方法来实现资源情境和 学习情境的双情境匹配，使泛在学习资源具有情境聚合特性，为提高学习 资源与情境需求的匹配程度提供支持，促进学习者实现知识的迁移和应用， 提高学习成效。
附图说明
图1是本发明基于本体的双情境匹配方法的总流程图；
图2是本发明情境节点映射的具体步骤；
图3是本发明对应叶子节点相似度计算的具体步骤；
图4是本发明资源情境树顶层子树相似度计算的具体步骤；
图5是本发明资源情境排序方法实现的具体步骤。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图 及实例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实 例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发 明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相 互组合。
首先对本发明涉及的术语进行说明：
资源情境本体框架(树状结构)：资源情境本体框架是描述资源情境的 通用框架，列出那些在大多数情况下会影响大部分学习资源应用效果的情 境要素。该框架具有扩展性，可支持情境类别和属性的扩展，进而可支持 对所有资源情境的描述。框架中有些要素有可能不是所有学习资源情境描 述中都需要的。也就是说，并不是每次对资源情境的描述都必须用到该框 架中的所有要素，而只需描述那些对学习资源的应用起到影响作用的情境 要素即可。资源情境本体框架由教学情境本体、学习者情境本体、学习设 备情境本体、环境情境本体和时空情境本体构成。
学习情境本体框架(树状结构)：学习情境本体框架，同样用OWL语 言对学习情境进行描述。学习情境本体框架与资源情境本体框架相比，两 者的差异主要在于学习需求类和教学情境类，以及学习时间类。学习情境 中的学习需求类和资源情境中的教学情境类概念名称不同，但它们的属性 都相同，故从概念属性相似度的角度来看，它们实际上是相同的。学习情 境本体框架由学习需求、学习设备、时空情境、学习者和学习环境构成。
资源情境树：以树状结构表明资源所适用的情境信息，由五个子树构 成，分别是教学情境树、学习者情境树、学习设备情境树、环境情境树和 时空情境树。
学习情境树：以树状结构表明学习者当前所处的学习情境信息，学习 情境树也由五个子树构成，分别是学习需求树、学习设备树、时空情境树、 学习者特征树和学习环境树。
语义Web采用资源描述框架(RDF)来描述Web资源的语义信息，统一 采用“资源-属性-属性值”的三元组为Web资源添加多方面的语义，使得 计算机能从多个方面“理解”Web资源，如“理解”某本书的作者、出版商、 出版时间等，从而根据需求精确检索出所需的资源，提高资源检索的准确 性。相似的，若为学习资源标注了关于应用情境方面的语义信息，让计算 机“理解”学习资源在哪些情境下可以有效发挥作用，那么当计算机感知 到学习者所处的学习情境时，通过匹配学习情境与资源情境即可自动判定 哪些资源适合学习者学习。
图1给出本发明双情境匹配方法流程图，包括以下步骤：
(1)将资源聚合模型中的资源情境本体框架(树状结构)，与外部系 统中的学习情境本体框架(树状结构)进行合并，在系统中形态统一的情 境本体(树)Q。
本体合并是指将多个本体合并为一个新本体，新本体是这多个本体的 并集。考虑不同系统可能采用不同的学习情境本体，以及学习情境本体与 资源情境本体间可能存在的异构性，在进行双情境匹配前，首先要将资源 情境本体和系统中的学习情境本体进行合并，在系统中形成统一的情境本 体。
学习情境树和资源情境树的结构非常相似，只是属性不同，而属性就 是叶子节点，这里的合并主要是为了后面可以计算叶子节点的相似度，就 是属性的相似度。
本发明在支撑系统中构建的学习情境本体与资源情境本体均不复杂， 且两个本体在结构和概念节点上均较为相似，仅有个别概念的属性不一致， 如资源情境中的时间情境用开始时间和结束时间两个属性表示，而学习情 境中的时间情境则用当前时间表示。两个情境本体都较为简单，都是由发 明者使用Protégé手动构建的，因此，为了保证本体合并的准确性，本发明 依然采用手动合并的方式，使用Protégé对两个情境本体进行合并，将合并 后的统一的情境本体导入到支撑系统中。
(2)利用统一的情境本体树Q，建立资源情境树和学习情境树的节点 映射。
如图2所示，所述步骤(2)情境节点映射的具体实现过程为：
情境节点映射是指确定资源情境本体树和学习情境本体树节点间的映 射关系，为节点间的相似度计算奠定基础。利用系统中统一的情境本体Q， 可较为容易地获取资源情境本体树CR和学习情境本体树CL的节点对应关 系。总体思路为：
若CR中存在某个节点cr与Q中的节点q匹配，同时CL中也存在某 个节点cl与q匹配，则表示cr与cl存在映射关系。
支撑系统中采用的算法具体如下：
(21)遍历系统中统一的情境本体树Q，并按遍历顺序对Q的所有节 点进行编号，输出一个Q的节点的二元数组QArry，分别存储节点名称和 节点编号；
(22)将学习情境本体树CL中的一个节点为cl与QArry中的节点名 称进行精确匹配，找出QArry中存在的唯一的一个与cl匹配的节点，并将 该节点的编号和cl节点名称存入CL的映射数组CLArry中，循环CL中的 所有节点，得到最终的CLArry；
(23)同样对资源情境本体树CR进行步骤(22)的处理，得到CR的 映射数组CRArry；
(24)匹配CLArry和CRArry数组单元中的节点编号，找到具有相同 节点编号的两个对应的数组，即可得到CL和CR对应的节点。
(3)系统感知学习者当前的学习情境CL，并从资源情境库中抽取出 一个资源情境CR，开始进行CL与CR的匹配。
(4)计算CL和CR对应叶子节点的相似度。
如图3所示，由于系统是根据资源情境本体和学习情境本体来分别对 具体的资源情境和学习情境进行描述的，故，资源情境实例和学习情境实 例也是树状结构。叶子节点即为树中没有孩子的节点。当外部系统感知到 学习者当前所处的具体学习情境后，即该学习情境是一个学习情境实例树， 从资源情境库中取出一个资源情境实例树，利用资源情境本体树与学习情 境本体树的节点对应关系，可计算资源情境实例树与学习情境实例树对应 的叶子节点的相似度。
节点相似度的计算一般采用两种方法：当两个节点概念完全一致时， 可采用一般属性相似度计算的方法，当两个节点概念存在语义相似时，则 需采用语义相似度计算的方法。由于知识点、学习兴趣是与一定的知识概 念、领域相关的，故资源情境树中的“知识点”、“学习兴趣”和“基础知 识”三个节点与学习情境树中对应节点的相似度需要用语义相似度的方法 来计算，而其他节点的相似度则可采用余弦相似度算法的方法进行计算。
(a)一般属性相似度计算
借鉴传统的一般属性相似度计算方法，同时考虑资源情境属性的属性 值往往是一个集合，本发明采用一种改良的一般属性相似度计算方法，例 如，某个学习资源适合于专业是计算机，或物理，或数学的学习者，那么 学习者基本信息类中的专业属性的属性值集合是{计算机，物理，数学}。 那么当学习情境中学习者的专业有“物理”时，系统则认为资源情境和学习情 境中的“专业”属性是相似的，即匹配的。也就是说，当学习情境的某个属性 结点v的属性值集合P(v)中至少存在一个元素p属于资源情境对应的属性结 点v′的属性值集合P(v′)时，则认为这两个属性是匹配的，相似度用 Sim(v,v′)表示，公式如式(1)所示：
(b)语义相似度计算
(b1)基于领域本体的概念相似度计算模块来实现两个知识点概念相 似度的计算。该算法的计算公式如式(2)所示：
其中，Sim(C,C′)表示概念C和C′的相似度，Dist(C,C′)表示概念C和C′ 的语义距离，Int(C,C′)表示两个概念之间的强度，OL(C,C′)表示概念C和C′的 语义重复度，即概念C和C′在学习元平台领域知识本体中具有的相同上位概 念的个数，Dep(C)表示概念C在概念树上所处的层级数，Dep(C′)表示概念C′ 在概念树上所处的层级数。
(b2)余弦相似度算法
学习兴趣一般是由多个关键词组成的兴趣向量表示，且这些关键词有 可能涉及不同领域。目前学习兴趣相似度计算的常用方法是采用余弦相似 度算法来计算两个兴趣向量之间的相似度。为了避免兴趣向量中存在同义 关键词而产生计算误差，本发明借鉴杨现民在其博士论文提出的方法，即 先将两个兴趣向量中的关键词进行同义词替换，计算替换后的两个兴趣向 量的相似度，计算公式如式(3)所示：
其中，Sim(I,I′)表示兴趣向量I和兴趣向量I′的相似度， replce(I,I′)表示兴趣向量I和兴趣向量I′进行替换同义词之后的相似度； I＝(C1,C2,…,Cn,)，其中Ck表示某个兴趣关键词，1<＝k<＝n；I′＝(T1, T2；…,Tm)，其中Tk表示某个兴趣关键词，1<＝k<＝m。
(5)基于叶子节点属性的相似度，分别计算CR与对应的CL的相似 度。
由于资源情境树是由多个子树(子情境)构成，例如，由教学情境树、 学习者情境树、设备情境树、环境情境树和时空情境树五个顶层子树构成， 通过分别计算每个子情境树与学习情境中对应子树的相似度来判断每个子 情境分别与学习情境需求的匹配程度，为下一步的资源情境排序提供数据 基础。
如图4所示，资源情境树相似度计算的具体实现过程为：
计算可采用“自下而上”的方法，即在资源情境树与学习情境树对应 叶子节点相似度的基础上，通过计算叶子节点相似度的累加和或加权累加 和来获得对应父节点的相似度，依次类推，最终可分别获得资源情境树中 五个子树根节点与对应学习情境树中的节点的相似度，即作为资源情境树 的相似度。
称有子节点的父节点为非叶子节点，考虑到不同资源情境要素对资源 有效发挥作用的影响不同，故本发明采用目前常见的加权累加和的方式来 计算情境树中非叶子节点的相似度，公式如式(6)所示：
其中，cr为资源情境树CR中的非叶子节点，cr有M个子节点 cr1,cr2,…,crM，cl为学习情境树CL中的非叶子节点，cl有M个子节点 cl1,cl2,…,clM，sim(cr,cl)表示cr和cl的相似度，wi表示第i个子节点的权 重，且
使用频率的权重定义策略：在加权累加和的计算方法中，权重的设计 往往对结果有重要的影响，而实际上由于难以获知各情境要素对情境的影 响程度，故，各个情境节点的权重是难以确定的。由于本发明是筛选资源 情境，计算的是资源情境树的顶层子树的相似度，故，本发明借鉴郭树行 等提出的基于使用频率的权重定义策略来计算资源情境树各子节点对其父 节点的权重，以该权重作为上述公式中的wi。
本发明基于使用频率的权重定义策略来确定资源情境树中各子节点对 父节点的权重的具体思路为：
(521)为资源情境本体树中的任意节点cr使用频率计算器Ucr；
(522)若cr为资源情境本体树的叶子节点，Ucr的初始值为1，若cr为 非子叶节点，则频率计算器Ucr的初始值则为以cr为根节点的子树的非根 节点数N＝NumOfTree(cr)-1；
(523)当资源创建者在为某个学习资源标注资源情境时，若创建者为cr 标注了属性值，则将Ucr累加1；
(524)随着系统中所有资源创建者在标注资源情境时对不同属性节点的 关注，资源情境本体中各个节点的使用频率逐渐累加，从而逐步形成资源 情境节点的使用频率分布，利用该频率分布可计算资源情境树中各节点相 对其父节点的权重，公式如式(7)所示：
其中，cri表示cr的第i个子节点，表示cri频率值，crj表示cr的 第j个子节点，表示crj频率值，N表示cr的子节点的数量，wi表示cr 第i个子节点的权重，且
(6)若资源情境库中还存在没有匹配过的资源情境，则从资源情境库中 抽取出新的资源情境，重复(3)-(5)步骤，与CL进行匹配。
(7)利用系统中设置的情境推理规则，结合顶层子树的相似度，对资源 情境进行排序。
如图5所示，基于情境推理规则的资源情境排序的具体实现过程为：
资源情境中的不同子情境对学习资源发挥效用的影响作用不同。有些 情境是关于学习资源是否满足学习者主观需求的，如教学情境，有些情境 是关于学习资源是否满足客观要求，如设备情境、时空情境，有些情境则 是为了优化学习资源使用的效果，如学习者情境、环境情境。因此，判断 资源情境与学习情境的匹配程度不能仅依靠资源情境与学习情境的相似度， 还需要一定的情境推理规则的支持。
(71)情境推理规则
情境推理规则可分为过滤性规则、用户偏好规则和优化选择规则三类。 过滤性规则是指直接将不满足一定条件的情境剔除，用户偏好规则是表示 当前用户在选择上的主观意愿，而优化选择规则是指在满足过滤性规则和 用户偏好规则的基础上，通过满足一定的条件来进一步获取最优的结果。 根据这三类规则的作用，它们的优先级从高到低依次为过滤性规则、用户 偏好规则、优化选择规则。
本发明针对资源情境由教学情境树、学习者情境树、设备情境树、环 境情境树和时空情境树五个子情境构成的情况，考虑不同子情境对资源效 用发挥的影响，设定了用于情境排序的情境推理规则，如表1所示：
表1情境排序的推理规则
(72)基于情境推理规则的资源情境排序方法
在资源情境的顶层子树与学习情境对应子树的相似度的基础上，利用 上述情境推理规则，可将资源情境库中的资源情境进行排序，从而得到与 当前情境最匹配的资源情境。本发明根据上述推理规则进行资源情境排序 的主要步骤为：
(721)根据过滤性规则将资源情境库中与当前情境不匹配的资源情境进 行过滤；
(722)将用户偏好规则和优先选择规则按优先级从高到低、从左到右排 列，与剩余的资源情境构成一个二维矩阵，推理规则作为矩阵的行，资源 情境作为矩阵的列；
(723)根据资源情境对规则的满足情况进行矩阵填充，若资源情境CR 满足某规则R，则将CR和R交叉的元素标记为flag；
(724)利用二维矩阵中的标记flag对资源情境进行评级，将资源情境R 行中第一个出现标记flag的元素所在的列数作为该资源情境R的级数；
(725)根据级数对资源情境进行排序，级数越低，资源情境与学习情境 的匹配度越高；
(726)对于级数相同的资源情境，则依次比较它们分别对于优先级最高 的规则的满足情境，即比较具体规则中规定的相似度大小，相似度大的资 源排在前面；
(727)将排在第一位的资源情境作为与当前情境最匹配的资源情境。
实例：在本发明设定的推理规则中，除了过滤性规则，将用户偏好规 则Rule5和优化选择规则Rule6、Rule7的优先级从高到低依次为 Rule5>Rule6>Rule7。
设有资源情境CR1，CR2，CR3，CR4，CR5，它们对应Rule5，Rule6 和Rule7的二维矩阵如下所示：
从矩阵填充的情况可知，CR2，CR3的等级为0，CR1和CR5的等级为 1，CR4的等级为2。假设在Rule5中，sim(tr,tl)CR2>sim(tr,tl)CR3，在Rule6 中，sim(ur,ul)CR5>sim(ur,ul)CR1，则CR2排在CR3前面，CR5排在CR1前面， 最后的资源情境排序结果为CR2，CR3，CR5，CR1，CR4。
(8)根据排序结果确定与当前学习情境CL最匹配的资源情境
在(7)的例子中，与当前学习情境CL最匹配的资源情境是CR2。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已， 并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等 同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种双情境匹配方法，其特征在于，包括以下步骤：
(1)将资源情境本体框架与学习情境本体框架进行合并，形成在系统中形态统一的情境本体树Q；
(2)利用统一的情境本体树Q，建立资源情境树和学习情境树的节点映射；
(3)系统感知学习者当前的学习情境树CL，并从资源情境库中抽取出一个资源情境树CR以待匹配；
(4)依据节点映射关系，计算CL和CR对应叶子节点间的相似度；
(5)通过叶子节点间的相似度累加或加权求和，得到资源情境树CR与学习情境树CL之间的相似度；
(6)若资源情境库中还存在没有匹配过的资源情境，则重复(3)-(5)步骤，否则，进入步骤(7)；
(7)利用预设的情境推理规则，结合多个资源情境树CR与学习情境树CL之间的相似度，对多个资源情境进行匹配度排序；
(8)根据匹配度排序结果确定与当前学习情境CL最匹配的资源情境。
2.根据权利要求1所述的双情境匹配方法，其特征在于，所述步骤(2)建立资源情境树和学习情境树的节点映射的具体过程为：
(21)遍历情境本体树Q，并按遍历顺序对Q的所有节点进行编号，输出一个Q的节点的二元数组QArry，分别存储节点名称和节点编号；
(22)将学习情境本体树CL中的一个节点为cl与QArry中的节点名称进行匹配，找出QArry中存在的唯一的一个与cl匹配的节点，并将该节点的编号和cl节点名称存入CL的映射数组CLArry中，循环CL中的所有节点，得到最CL的映射数组CLArry；
(23)按照步骤(22)相同方式对资源情境本体树CR进行处理，得到CR的映射数组CRArry；
(24)匹配CLArry和CRArry数组单元中的节点编号，找到具有相同节点编号的两个对应的数组，即可得到CL和CR对应的节点。
3.根据权利要求1所述的双情境匹配方法，其特征在于,所述步骤(4)计算CL和CR对应叶子节点的相似度采用下面的任意一种计算：
(a)一般属性相似度计算，其过程为：
当学习情境的某个属性结点v的属性值集合P(v)中至少存在一个元素p属于资源情境对应的属性结点v′的属性值集合P(v′)时，则认为这两个属性是匹配的，相似度用Sim(v,v′)表示。
(b)基于领域本体的概念相似度计算，其过程为：
<mrow>
<mi>S</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>,</mo>
<msup>
<mi>C</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<msqrt>
<mrow>
<mfrac>
<mn>1</mn>
<mrow>
<mi>O</mi>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>,</mo>
<msup>
<mi>C</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&times;</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mi>D</mi>
<mi>e</mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>D</mi>
<mi>e</mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>C</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>D</mi>
<mi>e</mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>D</mi>
<mi>e</mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>C</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
</msqrt>
<mo>&times;</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>I</mi>
<mi>n</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>,</mo>
<msup>
<mi>C</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&times;</mo>
<mi>D</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>,</mo>
<msup>
<mi>C</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
</mrow>
其中，Sim(C,C′)表示概念C和C′的相似度，Dist(C,C′)表示概念C和C′的语义距离，Int(C,C′)表示两个概念之间的强度，OL(C,C′)表示概念C和C′的语义重复度，即概念C和C′在学习元平台领域知识本体中具有的相同上位概念的个数，Dep(C)表示概念C在概念树上所处的层级数，Dep(C′)表示概念C′在概念树上所处的层级数；
(c)余弦相似度计算，其过程为：
<mrow>
<mi>S</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>,</mo>
<msup>
<mi>I</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>r</mi>
<mi>e</mi>
<mi>p</mi>
<mi>l</mi>
<mi>a</mi>
<mi>c</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>,</mo>
<msup>
<mi>I</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mover>
<mi>I</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>&CenterDot;</mo>
<msup>
<mover>
<mi>I</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>&prime;</mo>
</msup>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mover>
<mi>I</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>|</mo>
<mo>|</mo>
<mo>&CenterDot;</mo>
<mo>|</mo>
<mo>|</mo>
<msup>
<mover>
<mi>I</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>&prime;</mo>
</msup>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mfrac>
</mrow>
其中，Sim(I,I′)表示兴趣向量I和兴趣向量I′的相似度，replce(I,I′)表示兴趣向量I和兴趣向量I′进行替换同义词之后的相似度；I＝(C1,C2,…,Cn,)，其中Ck表示某个兴趣关键词，1<＝k<＝n；I′＝(T1,T2；…,Tm)，其中Tk表示某个兴趣关键词，1<＝k<＝m。
4.根据权利要求1所述的双情境匹配方法，其特征在于,所述步骤(5)计算资源情境树CR与学习情境树CL之间相似度的具体过程为：
通过计算叶子节点相似度的累加或加权累求和来获得对应父节点的相似度，依次类推，最终获得资源情境树CR的根节点与学习情境树的对应节点的相似度，即作为资源情境树CR与学习情境树CL的相似度；
称有子节点的父节点为非叶子节点，非叶子节点的相似度计算公式为：
<mrow>
<mi>s</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mi>r</mi>
<mo>,</mo>
<mi>c</mi>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>&CenterDot;</mo>
<mi>s</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>cr</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>cl</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中，cr为资源情境树CR中的非叶子节点，cr有M个子节点cr1,cr2,…,crM，cl为学习情境树CL中的非叶子节点，cl有M个子节点cl1,cl2,…,clM，sim(cr,cl)表示cr和cl的相似度，wi表示第i个子节点的权重，且
各子节点对其父节点的权重wi按照如下方式确定：
(521)为资源情境本体树中的任意节点cr使用频率计算器Ucr；
(522)若cr为资源情境本体树的叶子节点，Ucr的初始值为1，若cr为非子叶节点，则频率计算器Ucr的初始值则为以cr为根节点的子树的非根节点数N＝NumOfTree(cr)-1；
(523)当资源创建者在为某个学习资源标注资源情境时，若创建者为cr标注了属性值，则将Ucr累加1；
(524)随着系统中所有资源创建者在标注资源情境时对不同属性节点的关注，资源情境本体中各个节点的使用频率逐渐累加，从而逐步形成资源情境节点的使用频率分布，利用该频率分布可计算资源情境树中各节点相对其父节点的权重：其中，cri表示cr的第i个子节点，表示cri频率值，crj表示cr的第j个子节点，表示crj频率值，N表示cr的子节点的数量，wi表示cr第i个子节点的权重，且
5.根据权利要求1或2或3或4所述的双情境匹配方法，其特征在于,所述情境推理规则分为过滤性规则、用户偏好规则和优化选择规则三类，它们的优先级从高到低依次为过滤性规则、用户偏好规则、优化选择规则；
所述步骤(7)的具体实施过程为：
(721)根据过滤性规则将资源情境库中与当前情境不匹配的资源情境进行过滤；
(722)将用户偏好规则和优先选择规则按优先级从高到低、从左到右排列，与剩余的资源情境构成一个二维矩阵，推理规则作为矩阵的行，资源情境作为矩阵的列；
(723)根据资源情境对规则的满足情况进行矩阵填充，若资源情境CR满足某规则R，则将CR和R交叉的元素标记为flag；
(724)利用二维矩阵中的标记flag对资源情境进行评级，将资源情境R行中第一个出现标记flag的元素所在的列数作为该资源情境R的级数；
(725)根据级数对资源情境进行排序，级数越低，资源情境与学习情境的匹配度越高；
(726)对于级数相同的资源情境，则依次比较它们分别对于优先级最高的规则的满足情境，即比较具体规则中规定的相似度大小，相似度大的资源排在前面；
(727)将排在第一位的资源情境作为与当前情境最匹配的资源情境。
6.一种双情境匹配系统，其特征在于，包括以下模块：
第一模块，用于将资源情境本体框架与学习情境本体框架进行合并，形成在系统中形态统一的情境本体树Q；
第二模块，用于利用统一的情境本体树Q，建立资源情境树和学习情境树的节点映射；
第三模块，用于系统感知学习者当前的学习情境树CL，并从资源情境库中抽取出一个资源情境树CR以待匹配；
第四模块，用于依据节点映射关系，计算CL和CR对应叶子节点间的相似度；
第五模块，用于通过叶子节点间的相似度累加或加权求和，得到资源情境树CR与学习情境树CL之间的相似度；
第六模块，用于若资源情境库中还存在没有匹配过的资源情境，则重复第三模块-第五模块，否则，进入第七模块；
第七模块，用于依据预设的情景推理规则，结合多个资源情境树CR与学习情境树CL之间的相似度，对多个资源情境进行匹配度排序；
第八模块，用于根据匹配度排序结果确定与当前学习情境CL最匹配的资源情境。
7.根据权利要求6所述的双情境匹配系统，其特征在于，所述第二模块包括：
第21模块，用于遍历情境本体树Q，并按遍历顺序对Q的所有节点进行编号，输出一个Q的节点的二元数组QArry，分别存储节点名称和节点编号；
第22模块，用于将学习情境本体树CL中的一个节点为cl与QArry中的节点名称进行匹配，找出QArry中存在的唯一的一个与cl匹配的节点，并将该节点的编号和cl节点名称存入CL的映射数组CLArry中，循环CL中的所有节点，得到最CL的映射数组CLArry；
第23模块，用于按照第22模块相同方式对资源情境本体树CR进行处理，得到CR的映射数组CRArry；
第24模块，用于匹配CLArry和CRArry数组单元中的节点编号，找到具有相同节点编号的两个对应的数组，即可得到CL和CR对应的节点。
8.根据权利要求6所述的双情境匹配系统，其特征在于,所述第四模块计算CL和CR对应叶子节点的相似度采用下面的任意一种计算：
(a)一般属性相似度计算，其过程为：
当学习情境的某个属性结点v的属性值集合P(v)中至少存在一个元素p属于资源情境对应的属性结点v′的属性值集合P(v′)时，则认为这两个属性是匹配的，相似度用Sim(v,v′)表示。
(b)语义相似度计算，其过程为：
<mrow>
<mi>S</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>,</mo>
<msup>
<mi>C</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<msqrt>
<mrow>
<mfrac>
<mn>1</mn>
<mrow>
<mi>O</mi>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>,</mo>
<msup>
<mi>C</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&times;</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mi>D</mi>
<mi>e</mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>D</mi>
<mi>e</mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>C</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>D</mi>
<mi>e</mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>D</mi>
<mi>e</mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>C</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
</msqrt>
<mo>&times;</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>I</mi>
<mi>n</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>,</mo>
<msup>
<mi>C</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&times;</mo>
<mi>D</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>,</mo>
<msup>
<mi>C</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
</mrow>
其中，Sim(C,C′)表示概念C和C′的相似度，Dist(C,C′)表示概念C和C′的语义距离，Int(C,C′)表示两个概念之间的强度，OL(C,C′)表示概念C和C′的语义重复度，即概念C和C′在学习元平台领域知识本体中具有的相同上位概念的个数，Dep(C)表示概念C在概念树上所处的层级数，Dep(C′)表示概念C′在概念树上所处的层级数；
(c)余弦相似度计算，其过程为：
<mrow>
<mi>S</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>,</mo>
<msup>
<mi>I</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>r</mi>
<mi>e</mi>
<mi>p</mi>
<mi>l</mi>
<mi>a</mi>
<mi>c</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>,</mo>
<msup>
<mi>I</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mover>
<mi>I</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>&CenterDot;</mo>
<msup>
<mover>
<mi>I</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>&prime;</mo>
</msup>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mover>
<mi>I</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>|</mo>
<mo>|</mo>
<mo>&CenterDot;</mo>
<mo>|</mo>
<mo>|</mo>
<msup>
<mover>
<mi>I</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>&prime;</mo>
</msup>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mfrac>
</mrow>
其中，Sim(I,I′)表示兴趣向量I和兴趣向量I′的相似度，replce(I,I′)表示兴趣向量I和兴趣向量I′进行替换同义词之后的相似度；I＝(C1,C2,…,Cn,)，其中Ck表示某个兴趣关键词，1<＝k<＝n；I′＝(T1,T2；…,Tm)，其中Tk表示某个兴趣关键词，1<＝k<＝m。
9.根据权利要求1所述的双情境匹配系统，其特征在于,所述第五模块计算资源情境树CR与学习情境树CL之间相似度的具体过程为：
通过计算叶子节点相似度的累加或加权累求和来获得对应父节点的相似度，依次类推，最终获得资源情境树CR的根节点与学习情境树的对应节点的相似度，即作为资源情境树CR与学习情境树CL的相似度；
称有子节点的父节点为非叶子节点，非叶子节点的相似度计算公式为：
<mrow>
<mi>s</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mi>r</mi>
<mo>,</mo>
<mi>c</mi>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>&CenterDot;</mo>
<mi>s</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>cr</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>cl</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中，cr为资源情境树CR中的非叶子节点，cr有M个子节点cr1,cr2,…,crM，cl为学习情境树CL中的非叶子节点，cl有M个子节点cl1,cl2,…,clM，sim(cr,cl)表示cr和cl的相似度，wi表示第i个子节点的权重，且
各子节点对其父节点的权重wi按照如下方式确定：
(521)为资源情境本体树中的任意节点cr使用频率计算器Ucr；
(522)若cr为资源情境本体树的叶子节点，Ucr的初始值为1，若cr为非子叶节点，则频率计算器Ucr的初始值则为以cr为根节点的子树的非根节点数N＝NumOfTree(cr)-1；
(523)当资源创建者在为某个学习资源标注资源情境时，若创建者为cr标注了属性值，则将Ucr累加1；
(524)随着系统中所有资源创建者在标注资源情境时对不同属性节点的关注，资源情境本体中各个节点的使用频率逐渐累加，从而逐步形成资源情境节点的使用频率分布，利用该频率分布可计算资源情境树中各节点相对其父节点的权重：其中，cri表示cr的第i个子节点，表示cri频率值，crj表示cr的第j个子节点，表示crj频率值，N表示cr的子节点的数量，wi表示cr第i个子节点的权重，且
10.根据权利要求6或7或8或9所述的双情境匹配系统，其特征在于,所述情境推理规则分为过滤性规则、用户偏好规则和优化选择规则三类，它们的优先级从高到低依次为过滤性规则、用户偏好规则、优化选择规则；
所述第七模块包括：
第721模块，用于根据过滤性规则将资源情境库中与当前情境不匹配的资源情境进行过滤；
第722模块，用于将用户偏好规则和优先选择规则按优先级从高到低、从左到右排列，与剩余的资源情境构成一个二维矩阵，推理规则作为矩阵的行，资源情境作为矩阵的列；
第723模块，用于根据资源情境对规则的满足情况进行矩阵填充，若资源情境CR满足某规则R，则将CR和R交叉的元素标记为flag；
第724模块，用于利用二维矩阵中的标记flag对资源情境进行评级，将资源情境R行中第一个出现标记flag的元素所在的列数作为该资源情境R的级数；
第725模块，用于根据级数对资源情境进行排序，级数越低，资源情境与学习情境的匹配度越高；
第726模块，用于对于级数相同的资源情境，则依次比较它们分别对于优先级最高的规则的满足情境，即比较具体规则中规定的相似度大小，相似度大的资源排在前面；
第727模块，用于将排在第一位的资源情境作为与当前情境最匹配的资源情境。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711298861.2A CN108108405B (zh) | 2017-12-08 | 2017-12-08 | 基于本体的双情境匹配方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711298861.2A CN108108405B (zh) | 2017-12-08 | 2017-12-08 | 基于本体的双情境匹配方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108108405A true CN108108405A (zh) | 2018-06-01 |
| CN108108405B CN108108405B (zh) | 2021-01-05 |
Family
ID=62208307
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711298861.2A Active CN108108405B (zh) | 2017-12-08 | 2017-12-08 | 基于本体的双情境匹配方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108108405B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110059194A (zh) * | 2019-03-01 | 2019-07-26 | 中国科学院信息工程研究所 | 一种融合表示学习和分治策略的大规模本体合并方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012115295A1 (ko) * | 2011-02-24 | 2012-08-30 | 주식회사 메디오피아테크 | 생체 감성 지표 및 상황 정보로부터 생성된 학습 감성 지표에 기반하여 사용자의 학습 효과를 향상시키기 위한 유비쿼터스-러닝용 학습 효과 향상 장치 |
| CN102982101A (zh) * | 2012-11-05 | 2013-03-20 | 西安工程大学 | 基于用户情境本体的网络社区用户推送服务的方法 |
| CN103064945A (zh) * | 2012-12-26 | 2013-04-24 | 吉林大学 | 基于本体的情境搜索方法 |
-
2017
- 2017-12-08 CN CN201711298861.2A patent/CN108108405B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012115295A1 (ko) * | 2011-02-24 | 2012-08-30 | 주식회사 메디오피아테크 | 생체 감성 지표 및 상황 정보로부터 생성된 학습 감성 지표에 기반하여 사용자의 학습 효과를 향상시키기 위한 유비쿼터스-러닝용 학습 효과 향상 장치 |
| CN102982101A (zh) * | 2012-11-05 | 2013-03-20 | 西安工程大学 | 基于用户情境本体的网络社区用户推送服务的方法 |
| CN103064945A (zh) * | 2012-12-26 | 2013-04-24 | 吉林大学 | 基于本体的情境搜索方法 |
Non-Patent Citations (4)
| Title |
|---|
| CHEN, MIN等: "A dynamic ubiquitous learning resource model with context and its effects on ubiquitous learning", 《INTERACTIVE LEARNING ENVIRONMENTS》 * |
| 张伟龙: "基于情境感知的泛在学习系统设计与实现", 《中国优秀硕士学位论文全文数据库》 * |
| 杨丽娜等: "情境化的泛在学习资源智能推荐研究", 《电化教育研究》 * |
| 陈敏等: "泛在学习环境下感知学习过程情境的推荐系统设计", 《电化教育研究》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110059194A (zh) * | 2019-03-01 | 2019-07-26 | 中国科学院信息工程研究所 | 一种融合表示学习和分治策略的大规模本体合并方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108108405B (zh) | 2021-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20120158791A1 (en) | Feature vector construction | |
| CN108062369B (zh) | 一种整合情境的多态性泛在学习资源聚合方法及系统 | |
| Megdiche et al. | An extensible linear approach for holistic ontology matching | |
| Kardan et al. | A hybrid approach for thread recommendation in MOOC forums | |
| KR101007056B1 (ko) | 연관 태그에 기반한 태그 클러스터링 장치 및 그 방법 | |
| Duong et al. | A hybrid method for integrating multiple ontologies | |
| CN108108405B (zh) | 基于本体的双情境匹配方法及系统 | |
| Gunaratna et al. | Alignment and dataset identification of linked data in semantic web | |
| CN112966092A (zh) | 一种基于基础教育知识图谱个性化语义推荐方法 | |
| CN116244497A (zh) | 一种基于异质数据嵌入的跨域论文推荐方法 | |
| Aaberge et al. | Ontology and Ontology Construction: Background and Practices. | |
| D'Onofrio et al. | Striving for semantic convergence with fuzzy cognitive maps and graph databases | |
| Gaeta et al. | Unlocking serendipitous learning by means of social Semantic web | |
| Formica et al. | A Bayesian Approach for Weighted Ontologies and Semantic Search. | |
| Jiang | An efficient semantic retrieval method for network education information resources | |
| Li | Detecting fuzzy network communities based on semi-supervised label propagation | |
| Lemoisson et al. | ViewpointS: capturing formal data and informal contributions into an adaptive knowledge graph | |
| Lofi | Just ask a human?-controlling quality in relational similarity and analogy processing using the crowd | |
| CN113392294A (zh) | 样本标注方法及装置 | |
| Ruangrajitpakorn et al. | Automatic ontology development from semi-structured data in web-portal: Towards ontology of thai rice knowledge | |
| Sherif | Automating geospatial RDF dataset integration and enrichment | |
| Sun et al. | Online programming education modeling and knowledge tracing | |
| Smiljanic | XML schema matching: balancing efficiency and effectiveness by means of clustering | |
| Sabitha et al. | Similarity based convergence of learning knowledge objects and delivery using agglomerative clustering | |
| Gorskis et al. | Ontology-Based System Development for Medical Database Access |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |