سیستم پیشنهاددهنده مبتنی بر اعتماد در محیط یادگیری الکترونیکی با استفاده از خوشه بندی فازی

پیشینه و اهداف:

 بسیاری از سیستم های یادگیری مرسوم  مبتنی بر داده های ایستا هستند و همه دانش آموزان را یکسان و مشابه در نظر می گیرند. بنابراین نمی توانند پاسخگوی نیازها و سلایق متنوع آن ها باشند. مشکل اصلی آن ها، درنظر نگرفتن علاقه مندی ها و تعاملات پیشین کاربران است. سیستم های پیشنهاد دهنده یادگیری الکترونیکی با هدف غلبه بر این مشکلات و پیشنهاد مناسب ترین دوره های آموزشی شخصی سازی شده به هر کاربر مطرح شده اند. هدف این مقاله،ارایه یک سیستم پیشنهاد دهنده یادگیری الکترونیکی مبتنی بر اعتماد با استفاده از خوشه بندی فازی با در نظر گرفتن تعاملات پیشین کاربران و تمایلات آن ها است. بدین منظور از کاوش قوانین انجمنی وزن دار و پیش بینی رتبه برای تولید لیست کاندید دوره های آموزشی و رتبه بندی مجدد لیست کاندید برای تولید لیست نهایی استفاده شده است.

در این مقاله یک روش جدید مبتنی بر ترکیب روابط اعتماد بین کاربران و شباهت علایق آن ها برای محاسبه میزان تشابه کاربران در یک سیستم پیشنهاددهنده یادگیری الکترونیکی با هدف پیشنهاد دوره های آموزشی به کاربران ارایه شده است که از روش خوشه بندی فازی و قوانین انجمنی وزن دار استفاده می کند. در روش پیشنهادی بعد از بررسی شباهت میان کاربران و ساخت ماتریس اعتماد، ادامه مراحل به دو فاز کلی تقسیم می شود: فاز خوشه بندی کاربران و فاز تولید پیشنهاد دوره های آموزشی مناسب برای کاربر. فاز خوشه بندی شامل دو مرحله است که در مرحله اول با استفاده از الگوریتم X-Means، تعداد بهینه خوشه ها به دست می آید و در مرحله دوم بر اساس تعداد خوشه های به دست آمده، خوشه بندی C-Means فازی انجام می شود. در فاز ایجاد پیشنهاد برای کاربر، با استفاده از قوانین انجمنی وزن دار و بر اساس خوشه های نهایی که برای کاربران حاصل شده اند، رتبه موردنظر کاربر هدف، برای هر آیتم آموزشی با توجه به همسایه های خوشه های کاربر پیش بینی می شود. در نهایت بر اساس رتبه های پیش بینی شده، N آیتم آموزشی با رتبه بالاتر به عنوان آیتم های مورد علاقه کاربر هدف به وی پیشنهاد می شوند.

پیاده سازی و ارزیابی روش پیشنهادی بر روی مجموعه داده Moodle نشان می دهد که با کاهش دو معیار میانگین خطای مطلق و خطای جذر میانگین مربعات، دقت پیشنهاد های ارایه شده با استفاده از روابط اعتماد افزایش یافته و نرخ پوشش کاربران و رتبه ها نیز با استفاده از خوشه بندی فازی و قوانین انجمنی وزن دار نسبت به روش های موجود بهبود یافته است. این نتایج حاصل استفاده از خوشه بندی فازی کاربران بر اساس علاقه مندی های و روابط اعتماد میان آن ها است که امکان عضویت هر کاربر را در چند خوشه با درجات عضویت مختلف، قرار می دهد. علاوه بر این، در استفاده از قوانین انجمنی وزن دار، قوانین انجمنی که بیشترین مطابقت را با دوره های گذرانده شده توسط کاربر موردنظر دارند انتخاب می شوند. امتیازگذاری انتخاب قوانین، نه تنها بر اساس ضریب اطمینان، بلکه بر اساس ترکیبی از ضریب اطمینان و علاقه مندی های کاربر به دوره های آموزشی، محاسبه شود.

  بکارگیری معیار اعتماد میان کاربران باعث افزایش دقت در انتخاب همسایه ها و محدود کردن اثرات مخرب کاربران و نظرات بی اعتبار می شود که منجر به ارایه پیشنهادهای دقیق تری خواهد شد. همچنین با توجه به خوشه بندی فازی کاربران، پیش بینی رتبه دوره های آموزشی مختلف فقط بر اساس همسایه های موجود در خوشه های کاربر هدف، انجام می شود و در نتیجه برای حجم انبوه اطلاعات موجود در یک سیستم یادگیری الکترونیکی، عملکرد کارآتری خواهد داشت و مشکل خلوت بودن داده ها را کاهش می دهد.