论文摘要
E-Learning是一种新的教育方式,它充分利用现代信息技术所提供的全新沟通机制与丰富资源,实时推送个性化的、全面的、动态的学习内容,并辅助形成知识社区,将学习者和专家联系起来。正是这些特点使E-Learning能够充分体现学习者的主体作用,将以“教师”为中心的教育方式向以“学生”为中心的方式转变,并提供个性化和自适应性的学习环境.而用户兴趣模型的挖掘是实现个性化或自适应性E-Learning的关键,引起了广大学者的关注。针对独立阅读过程和交互问答过程这两个重要的学习环节,对基于课程本体的用户兴趣模型挖掘方法进行了研究,本文所做的主要工作如下:（1）给出了课程本体的定义,以人工智能课程为例,详细给出了该课程本体的构建过程及构建结果,并将该人工智能本体用于兴趣模型挖掘的两个实验中。（2）通过加入文本特征的位置信息改进了文本特征的加权方法,实验结果表明,与传统的TF-IDF特征加权方法相比,该方法在文本分类的准确率、召回率、F-Measure等方面都有所提高。（3）提出使用阅读行为来挖掘用户兴趣模型,所谓阅读行为指的是学生在阅读电子文档时所做的标记,包括下划线、圈圈、高亮、书签、批注等。设计并实现了阅读行为记录系统RBRS,给出了行为表、权重矩阵、行为矩阵、相对文档矩阵的定义,详细阐述了独立阅读过程中的兴趣模型挖掘过程,提出了使用阅读行为的兴趣模型挖掘算法。为了证明该方法的有效性,我们设计了一个实验,利用RBRS来收集实验数据,并根据本章提出的算法计算出学生的兴趣主题及兴趣度,通过学生的反馈信息对该方法进行评价,说明了该方法的可行性。（4）提出使用交互问答行为来挖掘用户兴趣模型,设计并实现了面向人工智能领域的交互问答系统AIQA,学生可以在该系统中提出问题、浏览问题及答案、选择自己感兴趣的问题进行回答。提出利用这些交互信息建立每个学生的问答集,并在问答集与课程本体间建立映射关系,详细阐述了交互问答过程中的兴趣模型挖掘过程,提出了使用交互问答行为的兴趣模型挖掘算法。设计了一个实验,利用AIQA收集数据,并根据提出的算法计算出学生的兴趣主题及兴趣度,通过学生的推荐接受率对该方法进行评价,结果表明该方法挖掘的兴趣模型具有准确性和自适应性。