个性化网络学习：学习内容组织与重构

构建具备智能化学习服务的基础是对所有学习资源进行语义化的分析，通过本体支持语义，才能够实现人机交流和智能检索。语义搜索的关键是基于语义的知识库构建，通过知识本体对其学习领域提供标准化的术语和概念描述，学习资源能更准确地使用这些术语进行表达。传统的学习资源一般使用静态的目录索引来描述元数据，如基于OPAC资源系统的目录检索系统和OCLC在线编目联合目录等，这种方式虽然能够进行快速的资料查阅和定位，但无法满足个性化的学习需求。因此，借助语义和本体技术对学习资源进行组织和重构，能够更加灵活地对学习资源的属性进行定义和关联，方便自动化的数据挖掘工具过滤、分类和聚集，满足个性化服务对学习资源快速和智能化检索的需要，以及分布式资源灵活的共享和重用，增强学习系统的适应性和针对用户的个性化服务能力。

(1)学习资源的语义分析

学习资源的语义分析主要考虑的是提取学习资源的知识本体以及本体之间的逻辑关系和语义关系，如前序、后继、相反等。精确的语义关联需要使用JENA等语义网应用工具依据推理规则进行关系推导，本体模型与规则进行绑定之后形成符合RDF规范的关联资源集合。当数据规模较大时，还可以通过数据挖掘技术对学习资源进行自然语言处理和本体自动化标注，再通过聚类和推理等方法对数据资源进行结构化的划分。学习资源的关联要求资源个体在进行关联时是从知识领域上的解释和逻辑出发，体现学习资源所要表达核心内容的概念及概念间的关系。

(2)资源聚合与重构(www.xing528.com)

学习资源的聚合结构有多种，例如聚类划分、层次划分、基于图论和基于模型的划分等。聚类划分是以相似性为基础，对数据进行无监督的自动分类统计方法。它的基本思想是选取学习资源中多个节点作为聚类初始节点，采用距离作为相似性的评价指标，即认为两个节点的距离越近，其相似度就越大，然后根据聚类准则函数收敛情况动态调整[55]。层次划分方法对给定的学习资源数据集进行层次似的分解，将数据划分为不同的分组，通过不停的迭代进行临近分组的组合，直到满足预定条件停止迭代，根据迭代过程的不同可以分为“自底向上”和“自顶向下”两种结构。基于图论的划分则是为学习资源所处的数据空间构建一个相适应的图，图的节点对应于学习资源中的最小单元，图的边可以理解为单元数据之间的相似性度量，以单元数据之间的连接特征作为聚合结构的局部特性[56]。基于模型的方法则是预定义一个模型，例如基于文本特征的向量空间等，然后将数据集进行分类和调整以满足该模型。

(3)知识结构可视化

知识梳理的主要目的是为了更好的知识呈现，知识结构可视化将知识内容转化为不同形式的图形，能够更清晰地展现知识点之间的关联，帮助学习者直观地理解知识与知识之间的逻辑关系，降低学习者的认知负荷，促进学习者的长时记忆及对知识图谱的建构。知识可视化的表征方式有很多，包括概念图、思维导图、语义网络图和认知地图等形式，可视化的知识表现将学习内容的组织结构表现出来，协助学习者对学习课程中的知识节点学习顺序进行自主化的调整，满足个性化学习的需求。