摘 要：Web技术的进步带动了网络教育的发展，越来越多的学习者要求个性化的学习服务。将Web数据挖掘技术引入个性化学习系统中，能使其个性化服务水平提高。本文介绍了Web数据挖掘的概念和分类，说明了挖掘的具体过程，重点介绍了基于Web数据挖掘的个性化学习模型的构建模块，并以此构建了相应的模型。
关键词：Web数据挖掘；个性化；学习模型
中图分类号：G434，TP311 文献标志码：A 文章编号：1673-8454（2014）07-0074-03
引言
近年来，互联网技术的广泛应用和不断发展，基于Web技术的网络教育逐渐成为利用社会优势教育资源的一种途径。但只是简单地将网页技术与数据库技术应用到网络教学中，还是无法满足不同层次学生的需求。我们都非常清楚，每一个学习个体在学习兴趣、学习基础、接受能力等方面都存在着极大的差异性，所以要实现真正的“因材施教”，就必须构建一个个性化的学习环境平台，提供给不同的学习个体个性化的教育服务。
要实现个性化学习服务，关键是要对大量学习个体的行为模型进行深层理解，再从中发现其个性化的学习需求。有学者提出将协同过滤法（Collaborative Filtering）或者基于内容过滤法（Content-based Filtering）应用到这个问题上，但是这些方法在处理大量学习个体行为模型等海量数据上力不从心。如何从这些海量数据源中发现有用的知识或者模式，成为实现个性化学习服务的关键问题。本文提出，可将传统的数据挖掘技术和 Web 技术结合起来的Web数据挖掘技术应用到个性化学习系统的实现。
一、Web数据挖掘的基本概念及分类
Web数据挖掘（Web Data Mining ），简称 Web挖掘，是从Web文档和Web活动中发现和抽取潜在的、用户感兴趣的有用模式和隐藏的知识。它以从Web的海量数据中挖掘有用知识为目标，将传统的数据挖掘技术与Web相结合，并综合运用了统计学、计算机网络、数据库与数据仓库、可视化等众多领域的技术。[1]根据Web上数据的三种类型（Web内容数据、Web结构数据以及用户访问数据），Web挖掘相应可分为三类：Web内容挖掘（Web Content Mining）、Web结构挖掘（Web Structure Mining）和Web使用的挖掘（Web Usage Mining），如图1 所示。[2][3]
1.Web内容挖掘
Web内容挖掘主要是帮助我们抽取出Web文档的内容中有用的、有价值的知识，提高信息利用率。由于 Web文档主要是由文本及多媒体数据组成，所以，Web内容挖掘可分为文本挖掘和多媒体挖掘两种。文本挖掘的主要工作是对Web文档文本进行总结、类、聚类、关联分析等。多媒体挖掘的主要工作是对 Web上的声音、图形、图像信息等多媒体数据的挖掘。
2.Web结构挖掘
Web结构挖掘是帮助我们从Web页的组织结构和超链接关系以及Web文档自身的链接结构信息中抽取出有用的知识，可分超链接挖掘、内部结构挖掘和URL挖掘。超链接挖掘可分析出文档之间的包含、从属、相关、引用等联系。内部结构挖掘通过使用树型逻辑结构对html 页面进行页面的内部结构特征的分析。URL挖掘可分析出web页面的类型，以及会反映web页面之间的目录结构关系。通过Web结构挖掘，可以总结网站和网页的结构，对网页进行分类和聚类，推导出网站间相似性、网站间关系的信息、网页之间的联系、重要页面等有用信息。
3.Web使用挖掘
Web使用挖掘是帮助我们抽取出Web用户的活动模式。其挖掘的数据对象包括Server log、用户注册数据、用户访问内容、停留时间、用户查询、书签数据和鼠标移动点击等所有用户与Web之间可能的交互记录的信息。Web使用记录挖掘应用的技术主要有路径分析、关联规则分析、序列模式分析、聚类分析、统计分析等。通过Web使用挖掘，可以发现Web站点活动用户在该站点的访问模式等有用信息。在个性化学习系统中，活动用户就是每一个学习个体。
二、挖掘流程
Web挖掘的流程一般是数据的采集、预处理、模式发现、模式的分析及其应用等4个步骤。
1.数据采集
数据采集是Web挖掘的基础。我们必须根据不同的挖掘目的，确定收集站点活动用户哪一类型的数据。Web内容挖掘是从Web自身资源中收集文本和多媒体等信息；Web结构挖掘是收集页面内部结构、页面之间的结构、URL等逻辑结构信息；Web使用挖掘从服务器端和客户端来收集学习个体在Web站点中交互记录的数据，如IP地址、URL、用户注册数据、访问停留时间等。
2.预处理
预处理是分析采集到的数据，抽取其特征并按结构化的形式保存。Web内容挖掘的预处理是把网页中的文本、图片及其他文件转换成挖掘算法可用的形式；Web结构挖掘的预处理是把Web的页面结构进行分析、变形成适用于挖掘系统的形式；Web使用挖掘的预处理是对学习个体在访问网站停留期间的交互信息进行过滤、补充、识别，并转换成挖掘算法可用的形式。
采集到的数据在完成数据预处理之后，一些特殊原因可能导致预处理出来的结果数据是特殊实例或噪声数据，所以还需要进行消噪处理。
3.模式发现
模式发现就是要挖掘出学习个体的访问模式，是整个挖掘过程的关键。运用一种合理的挖掘算法或综合应用不同的算法，对预处理完成后的“消噪”数据进行分析处理，最终发现活动用户的访问模式。挖掘算法主要是关联规则分析、聚类和分类技术、统计分析以及时序模式技术等。
4.模式分析及其应用
模式分析及其应用就是将被挖掘发现的学习个体访问模式，运用可视化、联机分析和智能查询机制等技术加以分析评价，把一个容易被理解和接受的显示结果提供给系统使用。
三、基于Web挖掘的个性化学习模型
根据前文对Web挖掘技术的描述，我们提出将Web挖掘技术应用到个性化学习系统的建设工作的思路，给出一个基于Web挖掘的个性化学习模型。
成熟的个性化学习系统，要实现智能判断学习个体感兴趣和不感兴趣的点在哪里，并运用数据挖掘与学习内容绑定的技术，实现在学习个体学习过程中以可视化方式指导其学习和个性发展。作为个性化学习系统的基础和核心，模型的质量直接影响个性化学习系统的质量。[4][5]
构建的个性化学习模型如图2所示。它由5大模块组成：用户模块、教学资源库模块、个人学习信息库模块、基于Web挖掘的模块以及Web服务器模块。
1.教学资源库
教学资源库向学习个体提供丰富的教学资源内容，包括课件库、作业库、答疑库、案例库等。教学资源库中的资源将通过Web服务器调用提供给学习个体使用。
2.个人学习信息库模块
该模块起到两个目的，一是保存学习个体的如姓名、ID、密码、性别、昵称、e-mail地址等静态资料。二是保存学习个体的学习历史、课程进度、观看频率、停留时间等学习行为的动态信息。静态资料是身份验证的凭证，用于登录学习系统。动态信息是系统精确记录学习者的学习信息。
3.基于Web挖掘的模块
该模块可以在Web服务器上智能分析学习个体的学习动态信息，它是建立整个个性化学习系统的关键。为提高个性化学习系统的分析质量，我们在此模型中运用Web挖掘技术中的Web使用挖掘对学习动态信息进行数据挖掘。
该模块利用保存在个人学习信息库中的数据，首先对这些数据进行预处理，如补充学习个体访问路径、清除与挖掘无关的信息、用户识别和事务识别等处理，完成预处理之后会生成学习个体访问信息的原始信息数据库。[6]然后运用应用关联规则分析、分类和聚类技术、序列模式等数据挖掘算法对该数据库进行模式发现和分析。最后通过可视化等模式分析技术的处理，将挖掘结果以学习个体可以理解和接受的方式呈现。在这个过程中，模块会不断完善学习个体的行为模式，并同步更新到个人学习信息库中。
4.Web服务器模块
该模块是整个模型的中间调度组件，适合学习个体的学习策略和学习内容，就是通过这个模块反馈给登录到学习系统的学习个体。
四、模型的工作方式
学习个体访问个性化学习系统，登录之后，进入的是个性化学习环境，其学习资源是由系统通过个性化处理引擎推送给学习个体的。
Web挖掘模块对保存在个人学习信息库中的学习个体动态学习信息进行挖掘分析，挖掘处理后发现的应用模式再作用于Web服务器，个性化的学习资源就是依此模式挖掘挑选出来并推送给学习个体的。
五、结束语
Web数据挖掘在个性化学习系统中得到应用，使整个学习系统的个性化服务水平得到很大提升。文章在对Web的挖掘过程、挖掘模式进行分析的基础上，研究了Web挖掘技术在个性化学习中的应用的切合点，最后构建了个性化学习模型。
参考文献：
[1]张苏颖.海量有噪声Web数据优化挖掘方法研究[J].科技通报,2012(12):161-163.
[2]何月顺,汤彬,丁秋林.基于Web的数据挖掘技术的应用研究[J].计算机系统应用,2005(5):59-62.
[3]张彬,蒋涛.基于个人 Web使用挖掘的个性化服务研究[J].株洲工学院学报,2006(7):22-26 .
[4]张震.基于Web的智能网络教学框架模型的设计与实现[J].现代教育技术,2004(3):64-67.
[5]曲毅.基于Web的个性化学习系统的设计[J].计算机工程与设计,2006(18):3388-3390.
[6]严华云.Web挖掘在网络教育中的应用研究[J].湖州师范学院学报,2003(6)：72-75.
Articles are uploaded by users and are for non-commercial browsing only. Posted by: Lomu, please indicate the source: https://www.daogebangong.com/en/articles/detail/ppewh103dq1f.html
支付宝扫一扫 
评论列表（196条）
测试