第１７卷第３期 重庆科技学院学报（自然科学版） ２０１５年６月 Ｅ．Ｌｅａｒｎｉｎｇ环境下基于知识点偏好的 学习社区组建 赵海燕王传安 葛华 （安徽科技学院数理与信息工程学院，安徽凤阳２３３１００） 摘要：在对在线学习者的个性化信息进行抽象、合理描述及分析的基础上，提出描述学习者在学习过程中的本体 模型及本体推理规则；在结合虚拟学习社区和知识导航的服务下，借助Ｐｒｏｔ６ｇ６、ＪＳＰ和Ｊｅｎａ编程技术，实现基于本体 并具有组建虚拟学习社区和知识导航功能的Ｅ—Ｌｅａｒｎｉｎｇ原型系统。实验表明，所提出的建模方法有利于进一步建 立基于知识偏好的学习社区。 关键词：Ｅ。Ｌｅａｒｎｉｎｇ环境；本体模型；推理规则；虚拟学习社区 中图分类号：Ｇ４３４ 文献标识码：Ａ 文章编号：１６７３—１９８０（２０１５）０３—００９８—０５ 数字化学习（Ｅ—Ｌｅａｒｎｉｎｇ）是通过计算机互联网 或手机无线网络进行网络教学与学习的一种方式。 况的实时收集，没有考虑学习者之间协作帮助的问 题，导致学习者在网络课程中感到“孤独”，学 习效率的进一步提高。 在Ｅ—Ｌｅａｒｎｉｎｇ学习环境下，学习者在学习时可以根 据自己的学习目标，选择学习内容和学习方式。但 是Ｅ．Ｌｅａｒｎｉｎｇ环境下的学习者数量众多，每个学习 者的学习能力、个人兴趣与习惯、个人学习基础、努 力程度都存在较大的差异 ，不可避免地产生了很 本次研究首先对在线学习者的个性化信息进行 抽象，并进行合理描述及分析基础上，提出描述学习 者在学习过程中的Ｅ—Ｌｅａｒｎｉｎｇ模型，进一步建立基 于知识偏好的学习社区，使得学习者之间的交流更 有针对性，从而提高学习者的学习积极性、学习效果 和效率。 多“孤独”的学习者。在此情况下，一些学者认为建 立合适的学习社区，不仅可消除学习者的孤独感，还 可提高学生的学习效率。文献［２］采用技术维度、 社会交互维度和教学维度创建虚拟学习社区的三角 形理论模型。Ｃａｒａｂａｊａｌ等人在建立虚拟学习社区模 １ 本体模型及推理规则 学习者在学习过程中的知识偏好信息是组建学 习社区的依据。因此首先给出学习者的知识偏好信 型时也采用了技术要素、社会交互要素和学习任务 ３个要素 。王云等人采用内容分析法对构建的学 习社区模型进行实证研究，验证学习者的学习动机、 息，并利用本体论合理、有效、清楚地描述出概念、逻 辑之间的内部关系，从而建立Ｅ—ｌｅａｒｎｉｎｇ环境中的 学习方式和自我效能感等与其知识建构水平具有一 定的相关性 。文献［５］从理论支撑、系统管理等 方面解析如何构建个性化的成人虚拟学习社区。学 习社区在一定程度上可以解决在线学习者之间的交 知识偏好的本体模型并制定相关本体推理规则。 １．１ 基于知识点偏好的本体模型 学习者学习过程中主要建模要素有学习、提问、 测试和交流。Ｅ—Ｌｅａｒｎｉｎｇ学习环境中知识本体模型 框架包括知识偏好信息１２元组，ＰＳ＝｛Ｓ，ＫＤ，ＫＰ， ＱＡ，ＫＰＱＡ，ＩＡ，ＫＰＩ，ＴＡ，ＰＴ，ＴＥＳＴ，ＴＭ，ＴＳ｝。式中 互问题，但在学习社区的数字资源的组织及管理上 还存在一些问题。 本体论具有概念和关系定义明确的特性，许多 分别对应１２个概念：Ｓｔｕｄｅｎｔ，ＫｎｏｗｌｅｄｇｅＤｏｍａｉｎ， ＫＰｏｉｎｔ，ＱＡＡｃｔｉｖｅ，ＫＰｏｉｎｔＱＡ，ＩｎｈａｂｉｔＡｃｔｉｖｅ，ＫＰｏｉｎｔＩｎ— ｈａｂｉ，ＴａｌｋＡｃｔｉｖｅ，ＫＰ０ｉｎｔＴａｌｋ，Ｔｅｓｔ，ＴｅｓｔＭａｒｋ，ＴｅｓｔＳｔａｎ— 学习者利用本体对Ｅ—Ｌｅａｒｎｉｎｇ进行研究 』。这些 方法通过对本体的使用，在知识组织、相关关系提取 等方面取得了明显的进步，但忽略了学习者学习情 收稿日期：２０１４—１２—２５ ｄａｒｄ。这些概念间的关系如图１所示。 基金项目：安徽省自然科学基金项目（ＫＪ２０１３Ｚ０４４，ＫＪ２０１３Ｚ０５０） 作者简介：赵海燕（１９７７一），女，安徽砀山人，讲师，研究方向为Ｅ—Ｌｅａｒｎｉｎｇ的在线学习和情境感知。 ・９８・ 赵海燕，等：Ｅ—Ｌｅａｒｎｉｎｇ环境下基于知识点偏好的学习社区组建 图１基于知识偏好的本体模型 为更好地描述建立的本体模型，首先引入以下 概念和相互间的关系。 （１）学习者学习活动概念及关系 Ｓｔｕｄｅｎｔ表示Ｅ—ｌｅａｒｎｉｎｇ环境中的学习者。 Ｋｎ０ｗｌｅｄｇｅＤｏｍａｉｎ表示知识域，包含下面几种关 系：包含关系（ｈａｓｌｎｃｌｕｄｅｄ），前序关系（ｈａｓＳｅ－ ｑｕｅｎｃｅ）以及相关关系（ｈａｓＲｅｌａｔｉｖｉｔｙ）；ｈａｓＩｎｃｌｕｄｅｄ 具有传递性， ｈａｓｌｎｃｌｕｄｅｄ Ｙ表示知识域Ｙ包含知识 域 ，表示为： ｛＜ ，Ｙ＞Ｉ戈∈Ｋｎ０ｗ１ｅｄｇｅＤ０ｍａｉｎ八Ｙ∈ＫｎｏｗｌｅｄｇｅＤｏ— ｍａｉｎ八 ｃ Ｙ｝；ｈａｓＳｅｑｕｅｎｃｅ具有传递性， ｈａｓＳｅ— ｑｕｅｎｃｅ Ｙ表示知识域 是学习知识域Ｙ的前提，可 表示为： ｛＜ ，Ｙ＞ｌ ∈ＫｎｏｗｌｅｄｇｅＤｏｍａｉｎ＾Ｙ∈ＫｎｏｗｌｅｄｇｅＤｏ－ ｍａｉｎ Ａ学习 是学习Ｙ的前提条件｝；ｈａｓＲｅｌａｔｉｖｉｔｙ 具有自反性， ｈａｓＲｅｌａｔｉｖｉｔｙ Ｙ表示知识域Ｙ和知识 点 相关，可以表示为： ｛＜ ．Ｙ＞Ｉ ∈ＫｎｏｗｌｅｄｇｅＤｏｍａｉｎ八Ｙ∈ＫｎｏｗｌｅｄｇｅＤｏ— ｍａｉｎ Ａ 和Ｙ是相关的｝。 ＫＰｏｉｎｔ表示知识点。知识点与知识域之间具有 被包含的关系（ｈａｓＩｎｃｌｕｅｄＢｙ）。 ｈａｓＩｎｃｌｕｅｄＢｙ Ｙ表 示知识点 包含于知识域Ｙ，可以表示为： ｛＜ ，Ｙ＞Ｉ ∈ＫＰｏｉｎｔＡｙ∈ＫｎｏｗｌｅｄｇｅＤｏｍａｉｎＡｘ∈Ｙ｝。 （２）学习者测试活动概念及关系 Ｔｅｓｔ一某个知识域的相关测试； ＴｅｓｔＳｔａｎｄａｒｄ一测试要求学习者要达到的标准； ＴｅｓｔＭａｒｋ一测试成绩； ｈａｓＧｏｏｄＭａｒｋ一取得较好的学习成绩； ｈａｓＮｏｒｍａｌＭａｒｋ一取得达标成绩； ｈａｓＢａｄＭａｒｋ一学习者没有达到测试标准。 （３）学习者知识偏好概念及关系 ＱＡＡｃｔｉｖｅ一针对知识域提问行为； ＫＰｏｉｎｔＱＡ一关于某个知识点提问行为； ＩｎｈａｂｉｔＡｃｔｉｖｅ一浏览知识域的行为； ＫＰｏｉｎｔＩｎｈａｂｉｔ一针对某个知识点的浏览行为； ＴａｌｋＡｃｔｉｖｅ一针对知识域的交流行为； ＫＰｏｉｎｔＴａｌｋ一针对知识点的交流行为； ｈａｓＭｏｒｅＴｉｍｅ一实际驻留某知识点的时间大于 平均驻留时间； ｈａｓｌｎＴｉｍｅ一实际驻留某知识点时间近似平均 驻留时间； ｈａｓＬｅｓｓＴｉｍｅ一实际驻留某知识点时间少于平 均驻留时间； ｈａｓＭｏｒｅＦｒｅｑｕｅｎｃｙ一对某知识点的实际交流次 数大于平均交流次数； ｈａｓＩｎＦｒｅｑｕｅｎｃｙ一对某知识点实际交流次数近 似平均交流次数； ｈａｓＬｅｓｓＦｒｅｑｕｅｎｃｙ一对某知识点的实际交流次 数少于平均交流次数； ｈａｓＭｏｒｅＮｕｍｂｅｒ一对某知识点的实际提问次数 大于平均提问次数； ｈａｓＩｎＮｕｍｂｅｒ一对某知识点的实际提问次数近 似平均提问次数； ｈａｓＬｅｓｓＮｕｍｂｅｒ一对某知识点的实际提问次数 少于平均提问次数。 １．２学习偏好的推理 根据上述提出的概念及相互间的关系，对学习 者针对某个知识点的偏好程度进行推理，并进行动 态调整，进而获得学习者对某个知识域的偏好情况。 具体推理规则如下。 为方便表述，记Ｓｔｕｄｅｎｔ个体为Ｓ，ＫｎｏｗｌｅｄｇｅＤｏ— ｍａｉｎ个体为ｋｄ，ＫＰｏｉｎｔ个体为ｋｐ，ＫＰｏｉｎｔｌｎｈａｂｉｔ个 体为ｋｐｉ，ＩｎｈａｂｉｔＡｃｔｉｖｅ个体为ｉａ，ＫＰｏｉｎｔＴａｌｋ个体为 ｋｐｔ，ＴａｌｋＡｃｔｉｖｅ个体为ｔａ，ＫＰｏｉｎｔＱＡ个体为ｋｐｑ， ＱＡＡｃｔｉｖｅ个体为ｑａ，ｋ相应的Ｔｅｓｔ个体为ｔ，ｓ对应 于ｔ的ＴｅｓｔＭａｒｋ个体为ｔｍ，ｔ相应的ＴｅｓｔＳｔａｎｄａｒｄ个 体为ｔｓ。 （１）初始学习的知识偏好推理 知识偏好较大的推理规则： ＜ｋｐｉ，ｉａ＞∈ｈａｓＭｏｒｅＴｉｍｅ八＜ｋｐｔ，ｔａ＞ ∈ｈａｓＭｏｒｅＦｒｅｑｕｅｎｃｙ Ａ＜ｋｐｑ．ｑａ＞ ∈ｈａｓＭｏｒｅＮｕｍｂｅｒ ｓ对知识点ｋｐ偏好程度较大 该条规则表示的含义是，如果学习者Ｓ访问某 知识点ｋｐ的实际访问时间、实际交流次数以及提问 次数均高出平均水平，则推理出学习者Ｓ对知识点 ｋｐ具有较大的偏好程度。 ・９９・ 赵海燕，等：Ｅ－Ｌｅａｒｎｉｎｇ环境下基于知识点偏好的学习社区组建 知识偏好中等的推理规则： （＜ｋｐｉ，ｉａ＞∈ｈａｓＩｎＴｉｍｅ八＜ｋｐｔ，ｔａ＞ ∈ｈａｓＭｏｒｅＦｒｅｑｕｅｎｃｙ＾＜ｋｐｑ，ｑａ＞ ｉｆｅ ｈａｓＭｏｒｅＮｕｍｂｅｒ）Ｖ（＜ｋｐｉ，ｉａ＞∈ ｈａｓＭｏｒｅＴｉｍｅ八＜ｋｐｔ．ｔａ＞∈ ｈａｓＩｎＦｒｅｑｕｅｎｃｙ八＜ｋｐｑ．ｑａ＞ ∈ｈａｓＭｏｒｅＮｕｍｂｅｒ）Ｖ＜ｋｐｉ．ｉａ＞ ∈ｈａｓＭｏｒｅＴｉｍｅ＾＜ｋｐｔ．ｔａ＞∈ ｈａｓＭｏｒｅＦｒｅｑｕｅｎｃｙ八＜ｋｐｑ．ｑａ＞ ∈ｈａｓＩｎＮｕｍｂｅｒ） ｓ对知识点ｋｐ偏好程度中等 该条规则表示的含义是，如果学习者ｓ访问某 知识点ｋｐ的实际访问时间、实际交流次数以及提问 次数，有两者超出平均水平，且另一者在平均水平范 围之内，则推理出学习者ｓ对知识点ｋｐ的偏好程度 为中等。 知识偏好较小的推理规则： （＜ｋｐｉ，ｉａ＞∈ｈａｓｌｎＴｉｍｅ八＜ｋｐｔ，ｔａ＞∈ ｈａｓＩｎＦｒｅｑｕｅｎｃｙ＾＜ｋｐｑ．ｑａ＞∈ ｈａｓＭｏｒｅＮｕｍｂｅｒ）Ｖ（＜ｋｐｉ，ｉａ＞∈ ｈａｓＭｏｒｅＴｉｍｅ＾＜ｋｐｔ．ｔａ＞∈ ｈａｓＩｎＦｒｅｑｕｅｎｃｙ八＜ｋｐｑ．ｑａ＞∈ ｈａｓＩｎＮｕｍｂｅｒ）Ｖ＜ｋｐｉ，ｉａ＞∈ ｈａｓｌｎＴｉｍｅ八＜ｋｐｔ．ｔａ＞∈ ｈａｓＭｏｒｅＦｒｅｑｕｅｎｃｙ八＜ｋｐｑ．ｑａ＞ ∈ｈａｓＩｎＮｕｍｂｅｒ）Ｐ＋ｓ对知识点ｋｐ偏好程度较小 该条规则表示的含义是，若学习者ｓ访问某知 识点ｋｐ的实际访问时间、实际交流次数以及提问次 数，有其中两者或两者以上小于平均水平，则推理出 学习者ｓ对知识点ｋｐ具有较小的偏好程度。 （２）持续学习中的相关偏好推理规则 在实际的学习过程中，学习者的学习偏好是动 态变化的，因此就需要对其进行动态调整来反映学 习者当前的学习偏好。在做动态调整之前，要综合 考虑到以前的知识偏好程度和最近一段时间内的该 学习者个性化学习行为等情况。 知识偏好调整为较大的推理规则： （＜ｋｐｉ，ｉａ＞∈ｈａｓＭｏｒｅＴｉｍｅ八＜ｋｐｔ，ｔａ＞ ∈ｈａｓＭｏｒｅＦｒｅｑｕｅｎｃｙ＾＜ｋｐｑ．ｑａ＞∈ ｈａｓＭｏｒｅＮｕｍｂｅｒ）＾（＜ｓ，ｋｐ＞∈ｈａｓｌｎＰｒｅｆｅｒＶ ＜Ｐ，ｋｐ＞∈ｈａｓＬｅｓｓＰｒｅｆｅｒ） Ｉ－－￣ｓ对知识点ｋｐ偏好程度调整为较大 该条规则表示的含义是，如果学习者ｓ访问某 知识点ｋｐ的实际访问时间、实际交流次数以及提问 次数，三者均高出个人相应的平均水平，若该学习者 之前对知识点ｋｐ的偏好程度较小或中等，则将知识 ・１０Ｏ・ 偏好程度调整为较大。 知识偏好调整为中等的推理规则（１）： （＜ｋｐｉ，ｉａ＞∈ｈａｓｌｎＴｉｍｅ＾＜ｋｐｔ，ｔａ＞∈ ｈａｓＭｏｒｅＦｒｅｑｕｅｎｃｙ八＜ｋｐｑ．ｑａ＞∈ ｈａｓＭｏｒｅＮｕｍｂｅｒ）Ｖ（＜ｋｐｉ，ｉａ＞∈ ｈａｓＭｏｒｅＴｉｍｅ＾＜ｋｐｔ，ｔａ＞∈ｈａｓＩｎＦｒｅｑｕｅｎｃｙ 八＜ｋｐｑ，ｑａ＞ｇ ｈａｓＭｏｒｅＮｕｍｂｅｒ）Ｖ ＜ｋｐｉ，ｉａ＞∈ｈａｓＭｏｒｅＴｉｍｅ八＜ｋｐｔ，ｔａ＞ ∈ｈａｓＭｏｒｅＦｒｅｑｕｅｎｃｙ八＜ｋｐｑ，ｑａ＞∈ｈａｓＩｎＮｕｍｂｅｒ） ｓ对知识点ｋｐ偏好程度中等 该条规则表示的含义是，如果ｓ访问某知识点 ｋｐ的实际访问时间、实际交流次数以及提问次数， 如果有两者高出平均水平，并且另一者相似于平均 水平，则将学习者ｓ对知识点ｋｐ的偏好程度调整为 中等。 知识偏好调整为中等的推理规则（２）： （（＜ｋｐｉ，ｉａ＞∈ｈａｓｌｎＴｉｍｅ八＜ｋｐｔ，ｔａ＞∈ ｈａｓＭｏｒｅＦｒｅｑｕｅｎｃｙ八＜ｋｐｑ，ｑａ＞∈ ｈａｓＭｏｒｅＮｕｍｂｅｒ）Ｖ（＜ｋｐｉ，ｉａ＞∈ｈａｓＭｏｒｅＴｉｍｅ 八＜ｋｐｔ，ｔａ＞∈ｈａｓＩｎＦｒｅｑｕｅｎｃｙ＾＜ｋｐｑ，ｑａ＞ ∈ｈａｓＭｏｒｅＮｕｍｂｅｒ）Ｖ＜ｋｐｉ，ｉａ＞∈ｈａｓｌｎＴｉｍｅ Ａ ＜ｋｐｔ，ｔａ＞∈ｈａｓＭｏｒｅＦｒｅｑｕｅｎｃｙ＾＜ｋｐｑ，ｑａ＞ Ｅ ｈａｓＩｎＮｕｍｂｅｒ））＾＜ｓ，ｋｐ＞∈ｈａｓＭｏｒｅＰｒｅｆｅｒ ｓ对知识点ｋｐ偏好程度调整为中等 该条规则表示的含义是，如果学习者ｓ访问某 知识点ｋｐ的实际访问时间、实际交流次数以及提问 次数，如果有一者高出平均水平，且另两者相似于平 均水平，则将学习者ｓ对知识点ｋｐ的偏好程度调整 为中等。 知识偏好调整为较小的推理规则： （＜ｋｐｉ，ｉａ＞∈ｈａｓｌｎＴｉｍｅ八＜ｋｐｔ，ｔａ＞∈ｈａｓｌｎＦｒｅ— ｑｕｅｎｃｙ 八＜ｋｐｑ，ｑａ＞∈ｈａｓＩｎＮｕｍｂｅｒ）＾（＜ｓ，ｋｐ＞∈ ｈａｓＭｏｒｅＰｒｅｆｅｒＶ＜ｓ．ｋｐ＞∈ｈａｓＩｎＰｒｅｆｅｒ） ｓ对知识点ｋｐ的偏好程度调整为较小 该条规则表示的含义是，如果学习者ｓ访问某 知识点ｋｐ的实际访问时间、实际交流次数以及提问 次数，三者均近似于平均水平范围，而之前该学习者 的知识偏好为中等或较大，则将该知识偏好调整为 较小。 知识偏好删除的推理规则： （＜ｋｐｉ，ｉａ＞∈ｈａｓＬｅｓｓＴｉｍｅＶ＜ｋｐｔ，ｔａ＞∈ ｈａｓＬｅｓｓＦｒｅｑｕｅｎｃｙ Ｖ＜ｋｐｑ，ｑａ＞∈ｈａｓｌ＿ｅｓｓＮｕｍｂｅｒ） 八（＜ｓ，ｋｐ＞∈ｈａｓＭｏｒｅＰｒｅｆｅｒＶ＜ｓ，ｋｐ＞∈ ｈａｓＩｎＰｒｅｆｅｒ Ｖ＜ｓ，ｋｐ＞∈ｈａｓＬｅｓｓＰｒｅｆｅｒ）Ｉ－－＊ 赵海燕，等：Ｅ－Ｌｅａｒｎｉｎｇ环境下基于知识点偏好的学习社区组建 ｓ对知识点ｋｐ不再具有偏好，把ｋｐ从ｓ的学习 偏好中删除 ｝。因此学习者对该知识域的知识偏好就能量化 成ｍ维的向量。得到学习者对知识域的偏好信息 该条规则表示的含义是，如果学习者ｓ访问某 之后，使用聚类分析方法依据学习者的具体偏好情 况将学习者分类，组成知识点偏好社区。假设当前 有一个学习者的集合Ｓ，Ｓ中有 个学习者，表示为 Ｓ＝｛ｓ ，ｓ ，…，ｓ ｝。其中 表示当中的一个学习 者对知识域 的知识偏好的ｍ维向量，则我们就得 到了关于这ｎ个学习者对知识域 的知识偏好的 知识点ｋｐ的实际访问时间、实际交流次数以及提问 次数，三者中有一者低于平均水平，则将该学习者的 知识偏好情况删除。 （３）认知状态的推理 认知状态较好的推理规则： ＜ｓ，ｋ＞∈ｈａｓＳｔｕｄｉｅｄＡ＜ｔｍ，ｔｓ＞∈ｈａｓＧｏｏｄＭａｒｋ ｓ对知识域ｋｄ认知状态较好 认知状态一般的推理规则： ＜ｓ，ｋ＞∈ｈａｓＳｔｕｄｉｅｄ八＜ｔｍ，ｔｓ＞∈ｈａｓＮｏｒｍａｌＭａｒｋ ｓ对知识域ｋｄ认知状态一般 认知状态较差的推理规则： ＜ｓ，ｋ＞∈ｈａｓＳｔｕｄｉｅｄ＾＜ｔｍ，ｔｓ＞∈ｈａｓＢａｄＭａｒｋ ｔ－－￣ｓ对知识域ｋｄ认知状态较差 根据上述推理规则，可对学习者在学习过程中 产生的各种学习情形进行合理、有效地推理和分析， 从而及时获得较为准确的学习偏好和学习状态。 ２组建知识偏好的学习社区 根据前面提出的知识偏好模型，就能得到学习 者在学习某个知识域的过程中的偏好情况，进而使 用模糊聚类算法进一步将学习者进行分组，得到知 识偏好的学习社区。 构建基于知识偏好的学习社区的步骤如下： （１）将得到的知识点进行学习偏好推理，并对 推理出的学习偏好进行数字量化； （２）根据量化后的推理偏好数据进行聚类，最 终得到学习者的偏好分组。 ２．１ 知识偏好的量化 根据学习者学习某个知识域的情况，可以得到 学习者关于该知识点的偏好情况。假如该学习者对 某个知识点的偏好程度较大（ｈａｓＭｏｒｅＰｒｅｆｅｒ），则将 该学习者对该知识点的偏好量化为１．０；如果学习 者对某个知识点的偏好程度中等（ｈａｓｌｎＰｒｅｆｅｒ），则 将其对该知识点的偏好量化为０．６；如果学习者对 某个知识点的偏好较低（ｈａｓＬｅｓｓＰｒｅｆｅｒ），则将其对该 知识点的偏好量化为０．４；如果学习者无任何学习 记录信息或对任何知识点都没有偏好，则将其对该 知识点的偏好量化为０。 根据上面的定义规则，就能得到学习者学习某 个知识域中知识点偏好的向量。例如，有一个知识 域 包含了ｍ个知识点，表示为Ｕ＝ ， ：，…， 矩阵Ｒ＝ ｝ ，其中ｒ 示学习者ｓ 对知识点 的偏好情况。 学习者知识偏好的聚类算法。 步骤１：计算每个学习者之间的相似度ｑ ＝ ｓ ，ｓ，），其中（０≤ｇ ≤１）从而得到矩阵Ｑ＝ （ｑ ） ；Ｑ＝（ｒ ｏ 步骤２：运用合成运算Ｒ ＝ ×Ｒ求出最接近相 似关系Ｒ的模糊等价关系Ｓ＝Ｒ （或Ｒ 等）。 步骤３：若 已是模糊等价关系，则取 ＝ 。 选择适当的阈值Ａ将模糊等价矩阵变换成基于阈 值Ａ的矩阵。具体变换规则如下： （１）如果ｓ ≥Ａ，则将ｓ 值设置成１； （２）如果ｓ ＜Ａ，则将ｓ 肭值设置成０。 这样就得到学习者之间的相似矩阵。Ｑ＝（口 ， 口 ，…，０ ）。。。如果口 ＝ｎ ，则表示学习者处于同一 个组，如果口 ≠ｎ ，则表示学习者不在同一个组。 ２．２基于分组的学习者推荐 在Ｅ．１ｅａｒｎｉｎｇ环境中提供个性化推荐服务的依 据是学习者的分组情况和认知状态。 Ｓ。对ｋｄ的认知状态较差八ｓ：对ｋｄ的认知状态 较好八ｓ。与ｓ：处于同一社区 推荐ｓ 与ｓ 进行交 流，表示学习者ｓ 的认知状态比较差，那么推荐ｓ， 与社区中认知状态较好的ｓ，进行交流。 ｓ．对ｋｄ的认知状态较差＾与ｓ，同社区的学习 者的认知状态都不好ｌ一推荐ｓ，与邻近社区里认知 状态好的学习者进行交流，表示学习者ｓ 的认知状 态比较差，并且与ｓ 同社区的学习者的认知状态都 不好，则推荐ｓ 与邻近社区的认知状态较好的学习 者进行交流。 ３社区组建实例 根据对Ｅ—ｌｅａｒｎｉｎｇ环境中知识点偏好的模型的 设计，以及基于此模型的聚类分析，利用本体建模工 具对定义的概念、属性及它们之间的相互关系进行 建模处理，最终生成Ｓｅｍａｎｔｉｃ Ｗｅｂ的ＯＷＬ语言文 ．１０１．
