摘  要： 針對為流媒體學(xué)習(xí)系統(tǒng)提供個性化點播服務(wù)的問題，通過研究學(xué)習(xí)系統(tǒng)自適應(yīng)性實施的相關(guān)文獻(xiàn)，給出一個基于樸素貝葉斯分類的自適應(yīng)流媒體點播系統(tǒng)的實現(xiàn)模型。為了提高分類診斷性能，適合流媒體學(xué)習(xí)特性，重點討論為不同知識點類型賦予不同權(quán)重的基于概率加權(quán)的貝葉斯分類算法和加入時序的貝葉斯分類算法。實驗結(jié)果表明，算法設(shè)計合理、科學(xué)。
關(guān)鍵詞： 流媒體點播；自適應(yīng)性；個性化服務(wù)；樸素貝葉斯分類

　隨著基于Web的現(xiàn)代遠(yuǎn)程教育的發(fā)展，模擬教師的智能，按學(xué)習(xí)者的學(xué)習(xí)行為和學(xué)習(xí)狀態(tài)動態(tài)導(dǎo)航學(xué)習(xí)內(nèi)容，提供個性化教學(xué)服務(wù)，已成為開發(fā)遠(yuǎn)程教育系統(tǒng)的需求。
　目前，國內(nèi)外研究人員已開展了學(xué)習(xí)系統(tǒng)的自適應(yīng)性研究，并取得了一定的成果。系統(tǒng)自適應(yīng)性的關(guān)鍵是實現(xiàn)對學(xué)習(xí)者學(xué)習(xí)情況的診斷和資源推薦，通常采用分析學(xué)習(xí)者的學(xué)習(xí)特征與資源特征間關(guān)系的方式。Brusilovsky[1]開發(fā)的自適應(yīng)學(xué)習(xí)系統(tǒng)，根據(jù)學(xué)習(xí)者的學(xué)習(xí)能力進(jìn)行學(xué)習(xí)情況診斷和資源推薦。CHEN C M等[2]開發(fā)的自適應(yīng)學(xué)習(xí)系統(tǒng)，根據(jù)學(xué)習(xí)者能力和學(xué)習(xí)資料的難度推薦資源。WANG H C等[3]開發(fā)的自適應(yīng)學(xué)習(xí)系統(tǒng)，根據(jù)學(xué)習(xí)者特征和學(xué)習(xí)資源特征的最大相似度匹配策略進(jìn)行學(xué)習(xí)者情況的診斷和資源推薦。知識是分層次的，以知識點來推進(jìn)整個學(xué)習(xí)過程，更符合認(rèn)知規(guī)律。但上述系統(tǒng)未考慮某一知識點對整個單元知識體系的影響，忽略了從流媒體對象的角度考察學(xué)習(xí)者交互式請求的學(xué)習(xí)特征，不能充分反映學(xué)習(xí)者的學(xué)習(xí)適應(yīng)性。此外，由客觀題測試得到的測試結(jié)果并不能充分反映學(xué)習(xí)者的學(xué)習(xí)情況。因此，本文從學(xué)習(xí)者學(xué)習(xí)特征、知識點類別和測試結(jié)果出發(fā)，預(yù)測學(xué)習(xí)者的學(xué)習(xí)情況和知識水平，并根據(jù)學(xué)習(xí)者的學(xué)習(xí)情況與學(xué)習(xí)者的知識水平最大匹配策略推薦學(xué)習(xí)資源。
1 學(xué)習(xí)者流媒體點播自適應(yīng)性診斷
　對于學(xué)習(xí)者學(xué)習(xí)某一單元的流媒體課件后是否能進(jìn)入下一單元的預(yù)測屬于數(shù)據(jù)挖掘和人工智能的范疇。
1.1 自適應(yīng)點播實現(xiàn)過程
　自適應(yīng)點播系統(tǒng)模型如圖1所示。系統(tǒng)定期或觸發(fā)式地檢查服務(wù)器日志，從服務(wù)器向用戶流化數(shù)據(jù)時產(chǎn)生的流化日志條目和用戶對流化到緩存的數(shù)據(jù)進(jìn)行訪問時產(chǎn)生的播放日志條目中了解用戶訪問流媒體課件的情況，如用戶的IP地址、訪問ID、訪問的視頻名稱、起始時間、觀看視頻的時間以及前跳、暫停、后跳交互請求等[4]。經(jīng)過一個單元的學(xué)習(xí)后，得到一張學(xué)習(xí)過程記錄表，其形式如表1所示。系統(tǒng)根據(jù)學(xué)習(xí)特征自動診斷學(xué)習(xí)者學(xué)習(xí)情況，即內(nèi)容容易、內(nèi)容較難、內(nèi)容難。

　學(xué)習(xí)者學(xué)習(xí)一個單元后進(jìn)入單元測試，并自動生成單元成績測試表，如表2所示。系統(tǒng)根據(jù)各類知識點成績預(yù)測學(xué)習(xí)者擁有該單元的知識水平，即水平高、水平一般、水平較低、水平極低。
　系統(tǒng)自適應(yīng)地設(shè)置視頻點播導(dǎo)航及相關(guān)資源的調(diào)整策略如下：
　R1：IF學(xué)習(xí)者感覺學(xué)習(xí)內(nèi)容難and(學(xué)習(xí)者當(dāng)前的知識水平極低or低)THEN點播導(dǎo)航為前驅(qū)視頻單元及提供相應(yīng)學(xué)習(xí)資源鏈接。
　R2：IF學(xué)習(xí)者感覺學(xué)習(xí)內(nèi)容難and(學(xué)習(xí)者當(dāng)前的知識水平一般or高)THEN導(dǎo)航為當(dāng)前單元練習(xí)測試及提供相應(yīng)學(xué)習(xí)資源鏈接。
　R3：IF(學(xué)習(xí)者感覺學(xué)習(xí)內(nèi)容較難or容易)and(學(xué)習(xí)者當(dāng)前的知識水平極低）THEN點播導(dǎo)航為當(dāng)前視頻單元及提供相應(yīng)學(xué)習(xí)資源鏈接。
　R4：IF(學(xué)習(xí)者感覺學(xué)習(xí)內(nèi)容較難or容易）and(學(xué)習(xí)者當(dāng)前的知識水平較低）THEN導(dǎo)航為當(dāng)前單元練習(xí)測試及提供相應(yīng)學(xué)習(xí)資源鏈接。
　R5：IF(學(xué)習(xí)者感覺學(xué)習(xí)內(nèi)容較難or容易)and(學(xué)習(xí)者當(dāng)前的知識水平一般or高)THEN點播導(dǎo)航為后繼視頻單元及提供相應(yīng)學(xué)習(xí)資源鏈接。
1.2 樸素貝葉斯分類器
　對學(xué)習(xí)者學(xué)習(xí)情況和知識水平分類診斷需要進(jìn)行數(shù)據(jù)挖掘。常用的分類預(yù)測方法很多，貝葉斯分類法因簡單易行、分類效果較好而被廣泛應(yīng)用。

　由于Wkj≥1，所以用式(3)比式(2)更能突顯重要屬性對分類的影響?；诟怕始訖?quán)的樸素貝葉斯分類算法如下：
　(1)數(shù)據(jù)預(yù)處理，從成績表中選取訓(xùn)練樣本和測試樣本。
　(2)掃描訓(xùn)練集生成統(tǒng)計表，統(tǒng)計具備某種知識水平時各類知識點的不同分?jǐn)?shù)段的樣本數(shù)，以及各類知識點的不同分?jǐn)?shù)段的樣本數(shù)。
　(3)概率參數(shù)學(xué)習(xí)，生成概率表。
　(4)權(quán)值參數(shù)學(xué)習(xí)，計算屬性Xk的權(quán)Wkj。
　(5)生成加權(quán)貝葉斯分類器，按式(3)生成概率表及權(quán)值列表。
　(6)調(diào)用概率表及權(quán)值列表得分類結(jié)果。

2 實驗結(jié)果及分析
　為了驗證算法的有效性，基于校園局域網(wǎng)環(huán)境，對23名學(xué)習(xí)者學(xué)習(xí)網(wǎng)絡(luò)基礎(chǔ)、C#程序設(shè)計兩門課程流媒體課件的部分?jǐn)?shù)據(jù)，用樸素貝葉斯分類法NB、概率加權(quán)的貝葉斯分類法PWNB、加入時序的貝葉斯分類法TNB進(jìn)行測試，結(jié)果如表3所示。結(jié)果表明，上述貝葉斯分類器預(yù)測學(xué)習(xí)者的學(xué)習(xí)情況和知識水平的算法簡單有效，根據(jù)學(xué)習(xí)者的學(xué)習(xí)情況與學(xué)習(xí)者的知識水平最大匹配策略推薦資源的方法可行。

　以上討論了學(xué)習(xí)系統(tǒng)中自適應(yīng)流媒體點播系統(tǒng)的實現(xiàn)過程及學(xué)習(xí)者學(xué)習(xí)情況、知識水平的診斷流程，設(shè)計了一個自適應(yīng)流媒體點播系統(tǒng)模型，重點討論了貝葉斯分類算法，并應(yīng)用于實際教學(xué)。通過學(xué)習(xí)者學(xué)習(xí)過程中反饋的數(shù)據(jù)，評估系統(tǒng)及算法設(shè)計的合理性、科學(xué)性。
參考文獻(xiàn)
[1] BRUSILOVSKY P. Layered evaluation of adaptive learning systems[J]. Int. J. Cont. Engineering Education and Life Long Learning， 2004，14(4)：402-421.
[2] CHEN C M， LEE H M， CHEN Y H. Personalized E-learning System Using Item Response Theory[J]. Computers & Education， 2005， 44(3)：237-155.
[3] WANG H C， LI T Y， CHANG C Y. A Web-based tutoring system with styles-matching strategy for spatial geometric transformation[J]. Interacting with Computers， 2006， 18(3)：331-355.
[4] Huseyin Koyun. Logging model for windows media services[EB/OL]. http：//www.microsoft.com/ardcles/LoggingModel.Aspx September.2007.
[5] YAGER R R. An extension of the naive Bayesian classifier[J]. Information Sciences，2006，176(5)：577-588.
[6] HALL M. A decision tree- based attribute weighting filter for Na?觙ve Bayes[J]. Knowledge- Based Systems，2007，20(1)：120-126.
[7] 令狐紅英，陳梅，王翰虎，等.基于互信息可信度的貝葉斯網(wǎng)絡(luò)入侵檢測研究[J].計算機工程與設(shè)計，2009，30(14)：3288-3290.
[8] 吳今培.模糊診斷理論及其應(yīng)用[M].北京：科學(xué)出版社，1995.