Mô hình thực thể liên kết trong E-Recommender

1 M M M Sinhvien SVID SVTen MucdoTM Khoahoc KHID KHTen Dokho Bomon BMID BMTen

Hình 4.1: Mô hình thực thể liên kết trong E-recommender

4.4.2. Cấu trúc cơ sở dữ liệu E-Recommender

Việc chuẩn hóa mô hình thực thể quan hệ cho các bảng sau: 1. Bảng khoahoc_table

Tên trƣờ ng Kiểu Ghi chú

KHID auto_increment Khóa chính

KHTen Varchar Tên khóa học

Dokho Varchar Cao, trung bình, thấp

2. Bảng sinhvien_table

Tên trƣờng Kiểu Ghi chú

SVID auto_increment Khóa chính

SVTen Varchar Tên của Sinh viên

MucdoTM Varchar Cao, trung bình, thấp

3. Bảng sinhvienInfo_table

Tên trƣờng Kiểu Ghi chú

SVID auto_increment Khóa chính

SoDanhGia Int Số lần đánh giá khóa học bởi sinh viên

4. Bảng Bomon_Table

Tên trƣờng Kiểu Ghi chú

BMID auto_increment Tên bộ môn, Khóa chính

BMTen Varchar Tên bô ̣ môn

5. Bảng Dangky_table

Tên trƣờng Kiểu Ghi chú

KHID Int Mã khóa học

Danhgia Double Giá trị trong khoảng 1-5

6. Bảng Monhoc_Bomon_Table

Tên trƣờng Kiểu Ghi chú

BMID Int Mã bô ̣ môn

KHID Int Mã khóa học

XSPT Boolean Xác suất môn học thuộc

vào bộ môn

4.5. Kết quả thực nghiệm

Trong phần này, chúng tôi sẽ trình bày nghiên cứu thực nghiệm đánh giá tính hiệu quả của khung tư vấn đã được đề xuất. Trong phần đầu của nghiên cứu, chúng tôi sẽ tìm hiểu khả năng khung dựa trên kỹ thuật lọc cộng tác có thể tự động phân tích các mẫu dữ liệu được sử dụng bởi nhiều phương pháp tư vấn khác nhau. Để minh họa sâu hơn những ưu điểm của khung tư vấn đã đề xuất, trong phần hai chúng tôi sẽ so sánh kết quả của khung mô hình quan hệ xác suất với các phương pháp lọc cộng tác hiện có bằng cách giới hạn đầu vào chỉ là bảng đăng ký mà thuật toán lọc cộng tác sử dụng.

4.5.1. Nguồn dữ liệu

Chúng tôi sử dụng dữ liệu để thử nghiệm từ [42]: Đó là một tập dữ liệu bao gồm 100.000 đánh giá cho 60 khóa học thuô ̣c vào 8 bô ̣ môn khác nhau và được thực hiê ̣n bởi gần 1000 sinh viên.

4.5.2. Thủ tục đánh giá và độ đo kết quả thực hiện

Việc đánh giá một tư vấn liên quan đến đánh giá của sinh viên, những người đã thực sự trải nghiệm các khóa học là việc làm khó và khá tốn kém. Trong nghiên cứu về các thuật toán tư vấn, một thủ tục kiểm tra được áp dụng chung để đánh giá kết quả thuật toán. Ý tưởng là lấy một phần của tập dữ liệu đăng ký làm tập dữ liệu kiểm tra và sử dụng các đăng ký còn lại (coi là tập huấn luyện) để sinh ra tư vấn. Các tư vấn sau

đó được đem so sánh với các đăng ký thực trong tập dữ liệu kiểm tra để rút ra độ đo kết quả thực hiện.

Trong nghiên cứu của mình, chúng tôi chọn 20% tương tác của mỗi sinh viên (đăng ký gần nhất) để tạo thành tập kiểm tra và chỉ định 80% còn lại (những đăng ký sớm hơn) làm tập huấn luyện. Chúng tôi tập trung vào nhiệm vụ tư vấn Top-N, trong đó một danh sách xếp hạng N khóa học được đưa ra làm tư vấn cho mỗi sinh viên. Với mỗi sinh viên, chất lượng tư vấn được đo dựa trên số lượng khóa học thực sự (tư vấn khớp với khóa học trong tập kiểm tra của sinh viên) và vị trí của đánh giá trong danh sách xếp hạng. Chúng tôi sử dụng đơn vị đo chất lượng tư vấn như sau:

Độ chính xác: Pc= N Somonhoc Điểm xếp hạng: RSc=j j h cj q ) 1 )( 1 (

2 trong đó j là chỉ mục trong danh sách xếp hạng, h là halflife

(thứ hạng của khóa học trong danh sách các khóa học mà người dùng có khả năng sẽ tham gia);

qcj = 1 nếu j nằm trong tập kiểm tra của c 0 nếu ngược lại

Đối với độ chính xác, mức độ gợi nhớ và độ đo F, giá trị trung bình trên toàn tập sinh viên được kiểm tra được sử dụng là độ đo tổng thể của thuật toán. Với điểm xếp hạng, điểm kết hợp RS cho toàn bộ sinh viên được kiểm tra sẽ được suy ra như sau:

RS = 100

c c

c c

RS RS

max trong đó max

c

RS là điểm xếp hạng cao nhất có được có sinh viên c nếu tất cả các đăng ký trong tương lại đều nằm trong top của danh sách xếp hạng.

4.5.3. Một số kết quả thử nghiệm:

Chúng tôi đã thử nghiê ̣m với mô ̣t số sinh viên khác nhau trên hệ tư vấn, và kết quả cũng đưa ra mức độ tư vấn của hệ thống khác nhau so với các sinh viên . Ở đây chúng tôi đã thực nghiệm đối với những sinh viên mới đăng ký và chưa có đánh giá nào và các sinh viên đã đánh giá:

Đối với sinh viên mới:

Hình 4.2: Tƣ vấn top-n cho sinh viên mới

Hình 4.3: Tƣ vấn top – n theo bộ môn cho sinh viên mới

Đối với sinh viên đã tham gia một số khóa học:

Hình 4.4: Tƣ vấn theo top – N

Hình 4.5: Tƣ vấn top – N theo Bộ môn

Đối với sinh viên đã tham gia khóa học thì kết quả tư vấn theo thuật toán dựa trên mô hình quan hệ xác suất tốt hơn.

Tên Sinh viên Bô ̣ môn Khóa học đƣơ ̣c tƣ vấn

Mƣ́c đô ̣ tƣ vấn Trạng thái

Le Chi Hieu Khoa hoc may tinh

- Phương pháp tính và tối ưu.

- Phan tich va thiet ke thuat toan

3.3194375

3.1593

Đã đánh giá trong hê ̣ thống

Le Hoan Khoa hoc may tinh

- Phương pháp tính và tối ưu.

- Phan tich va thiet ke thuat toan

Khong Mới đăng ký

Nguyen Thanh Huyen

Khoa hoc may tinh

- Phương pháp tính và tối ưu.

- Phan tich va thiet ke thuat toan

4.1469407

4.089522

Đã đ ánh giá trong hê ̣ thống

Cũng cùng một khóa học là Phương pháp tính và tối ưu nhưng mức độ tư vấn của các sinh viên sẽ khác nhau.

4.5.4. Một số giao diện của hệ thống

Sau khi cho ̣n 2 chúng ta có giao diện sau:

Hình 4.7. Giao diê ̣n bắt đầu vào tƣ vấn

Giao diên để sinh viên Le Chi Hieu có thể lựa cho ̣n tư vấn hay dự đoán các khóa học như sau:

Hình 4.8. Giao diện lựa chọn top – N tƣ vấn theo bộ môn

Sau khi cho ̣n 10, là lấy top-10 tư vấn của bô ̣ môn cho sinh viên Le Chi Hieu ta có giao diê ̣n sau:

Hình 4.9. Lựa chọn bộ môn cần sinh tƣ vấn môn học

Sau khi lựa cho ̣n theo bô ̣ môn , giả sử sinh viên Le Chi Hieu chọn bộ môn Khoa học Máy tính và lựa cho ̣n số tư vấn cho các khóa học trong bô ̣ môn đó. Hê ̣ tư vấn sẽ đưa ra khóa học mà được nhiều người đã đánh giá nhất. Là Phương pháp tính và tối ưu.

KẾT LUẬN

Luận văn đã tập trung vào nghiên cứu một số vấn đề sau đây:

 Hệ tư vấn sử dụng kỹ thuật lọc công tác: Các hệ thống giáo dục điện tử và hệ tư vấn tích hợp với nó thường là các hệ thống phân tán, động và mở. Luận văn này tập trung vào việc sử dụng các kỹ thuật tư vấn và lọc cộng tác để xây dựng hê ̣ hệ tư vấn nhằm giúp cho người ho ̣c không mất thời gian lựa cho ̣n các khóa học.

 Hệ tư vấn trong giáo dục điện tử: Hệ tư vấn giúp sinh viên định hướng được

việc học khi tham gia vào các hệ thống giáo dục điện tử. Các hệ thống giáo dục điê ̣n tử t hường là các hệ thống phức tạp với lượng thông tin khổng lồ, do vậy, việc đưa ra các gợi ý tỏ ra thực sự hữu ích đối với sinh viên.

 Tư vấn dựa trên mô hình quan hệ xác suất: Vấn đề quan trọng nhất của các hệ tư vấn là mô hình hóa sinh viên và từ các mô hình đó suy ra được các thông tin hữu ích để tư vấn. Mô hình quan hệ xác suất là mô hình dựa trên các phụ thuộc (quan hệ) của các dữ liệu của hệ thống để từ đó xác định được mối liên hệ giữa các thực thể đồng thời trích rút được các thông tin hữu ích cho việc truy vấn.

 Cuối cùng, chúng tôi đã cài đặt thử nghiệm một hệ tư vấn dựa trên lo ̣c công tác E-Recommender giúp tư vấn tác vụ trong các hệ giáo dục điện tử có sẵn. Luận văn trình bày một số kết quả đạt được bước đầu và đánh giá kết quả đó.

Những ha ̣n chế của đề tài:

 Luâ ̣n văn chưa đưa ra được sự tư vấn cho người ho ̣c trong suốt quá trình tham gia vào khóa học đó. Khi người ho ̣c nhâ ̣n kết quả không tốt về khóa học thì hệ tư vấn phải tư vấn cho ngườ i ho ̣c sẽ bắt đầu những môn như nào để có thể đa ̣t đươ ̣c kết quả tốt hơn.

 Hiê ̣n ta ̣i chỉ áp du ̣ng tốt với dữ liê ̣u được đánh giá đa giá tri ̣. Chưa áp du ̣ng được với dữ liê ̣u đơn phân . Nghĩa là chưa xác định được khi một ngườ i ho ̣c không tham gia vào mô ̣t môn hoc nào đó, hê ̣ tư vấn sẽ không thể suy đoán được ta ̣i sao người ho ̣c không thích khóa học đó.

HƢỚNG PHÁT TRIỂN TRONG TƢƠNG LAI .

Trong tương lai chúng tôi sẽ mở rô ̣ng để tích hợp hệ tư vấn dựa t rên lo ̣c cô ̣ng tác E-Recommender này vào một hệ thống giáo dục trực tuyến . Hình sau sẽ mình họa mô ̣t ví du ̣ về kiến trúc của ứng du ̣ng quản lý hê ̣ thống ho ̣c trực tuyến kết hợp với hê ̣ tư vấn dựa trên Web.

Trong hình minh ho ̣a này mô ̣t sinh viên thông qua trình duyê ̣t web sẽ đăng nhâ ̣p vào hệ thống mà có tích hợp với hệ tư vấn E-Recommender. Trên hệ thống ho ̣c tâ ̣p trực tuyến sẽ xác đi ̣nh bản ghi của sinh viên trong cơ sở dữ liê ̣u sinh viên và từ đó xác đi ̣nh Id của sinh viên trong E-Recommender phù hợp với sinh viên đã đăng nhập . Mô ̣t yêu cầu sẽ được đưa ra bởi sinh viên sẽ gửi tới E-Recommender, từ đó sẽ phản hồi với sự tư vấn được thể hiê ̣n cho khóa học đó đúng như sinh viên đó mong muốn . Sau đó Hê ̣ thống ho ̣c trực tuyến truy câ ̣p vào cơ sở dữ liê ̣u khóa học để lấy lại nội dung phù hơ ̣p với sinh viên đó và hiê ̣n thi ̣ các khóa học đó cho sinh viên.

Các tư vấn Phản hồi

Yêu cầu Đánh giá

Cơ sở dữ liê ̣u sinh

viên

Cơ sở dữ liê ̣u khóa

học Cơ sở dữ

liê ̣u đánh giá E- Recommender

Hê ̣ thống học

TÀI LIỆU THAM KHẢO

[1] P. Dempster, N. M. Laird, and D. B. Rubin, Maximum likelihood from incomplete data via the EM algorithm, Journal of the Royal Statistical Society, B 39:1–39, 1977.

[2] Engelhart and D. Koller. Personal communication, 1999.

[3] Heckerman, D. Geiger, and D. M. Chickering. Learning Bayesian networks: The combination of knowledge and statistical data. Machine Learning, 20:197–243, 1995.

[4] T. Hofmann and J. Puzicha. Latent class models for collaborative filtering. In

Proc. IJCAI, 1999.

[5] Kadie J. Breese, D. Heckerman. Empirical analysis of predictive algorithms for collaborative filtering. In UAI,1998.

[6] Koller and A. Pfeffer. Probabilistic frame-based systems. In Proc. AAAI, 1998. [7] W. Lam and F. Bacchus. Learning Bayesian belief networks: An approach

based on the MDL principle. Computational Intelligent, 10:269–293, 1994. [8] D. Koller N. Friedman, L. Getoor and A. Pfeffer. Learning probabilistic

relational models. In Proc. IJCAI, 1999.

[9] P. Resnick and M. J. Polanco. Recommender systems. Communications of the ACM, 40(3):56–58, 1997.

[10]L. Ungar and D. Foster. A formal statistical approach to collaborative filtering.

In CONALD’98, 1998

[11]J. R. Anderson, A. T. Corbett, K. Koedinger, and R. Pelletier. Cognitive tutors: lessons learning. The Journal of the Learning Sciences, 4(2):167-207, 1995.

[12]T. A. Angelo. The campus as learning community: Seven promising shifts and seven powerful levers. AAHE Bulletin, 49(9):3-6, 1997.

[13]L. Barnett, J. Kent, J. Casp, and D. Green. Design and implementation of an interactive tutorial framework. SIGCSE Bulletin, 30(1):87-91, March 1998. [14]M. Bauer. A Dempster-Shafer approach to modeling agent references for plan

[15]J. E. Beck and B. P. Woolf. Using a learning agent with a Student model. In B. P. Goettl, H. M. Halff, C. L. Redfield, and V. J. Shute, editors,

Intellegence Tutoring System (Proc. 4th Int'l Conf. ITS'98), pages 6-15. Springer, 1998.

[16]C. Bonwell. Building a supportive climate for active learning.

The National Giangdaying and Learning Forum, 6(1):4-7, 1996.

[17]C. Buron, M. Grinder, and R. Ross. Tying it all together: Creating self- contained, animated, interactive, web-based resources for computer science education. SIGCSE Bulletin, 31(1):7-11, March 1999.

[18]C. A. Carver, R. A. Howard, and W. D. Lane. Enhancing Student learning through hypermedia Khoahocware and incorporation of Student learning styles.

IEEE Trans. on Education, 42(1):33-38, February 1999.

[19]C. Chou. Developing hypertext-based learning Khoahocware for computer networks: The macro and micro stages. IEEE Trans. on Education, 42(1):39- 44, February 1999.

[20]K. P. Cross. Why learning communities? why now? About Campus, 3(3):4-11, 1998.

[21]Davidovic and E. Trichina. Open learning environment and instruction system (OLEIS). SIGCSE Bulletin, 30(3):69-72, September 1998.

[22]V. F. Hartman. Giangdaying and learning style preferences: Transitions through technology. VCCA Journal, 9(2):18-20, 1995.

[23]F. Hattori, T. Ohguro, M. Yokoo, S. Matsubara, and S. Yoshida. Socialware: Multiagent systems for supporting network communities. Communications of

the ACM, 42(3):55-61, March 1999.

[24]L. W. Hawkes, S. J. Derry, and E. A. Rundensteiner. Individualized tutoring using an intelligent fuzzy temporal relational database. Int'l Journal of Man-

Machine SVdies, 33:409-429, 1990.

[25]E. Freeman S. Hupfer and K. Arnold. JavaSpaces Principles, Patterns, and

Practice. Addison-Wesley, 1999.

[27]N. R. Jennings and M. J. Wooldridge. Agent technology: Foundations, applications, and Markets. Springer, Berlin, 1998.

[28]H.A. Latchman, C. Salzmann, D. Giblet, and H. Bouzekri. Information technology enhanced learning in distance and conventional education.

IEEE Trans. on Education, 42(4):247-254, November 1999.

[29]D. McArthur, C. Stasz, J. Hotta, O. Peter, and C. Burdorf. Skill-oriented task sequencing in an intelligent tutor for basic algebra. Instructional Science, 17(4):281-307, 1988.

[30]W. R. Murray. A practical approach to Bayesian Student modeling. In B. P. Goettl, H. M. Halff, C. L. Redfield, and V. J. Shute, editors,

Intellegence Tutoring System (Proc. 4th Int'l Conf. ITS'98), pages 424-433. Springer, 1998.

[31]V. A. Petrushin and K. M. Sinista. Using probabilistic reasoning techniques for learner modeling. In World Conf. on AI in Education, pages 418-425, Edinburgh, 1993.

[32]L. G. Richards. Promoting active learning with cases and instructional modules.

Journal of Engineering Education, 84(4):375-381, 1995.

[33]L. Rubin and C. Hebert. Model for active learning: Collaborative peer Giangdaying.

College Giangdaying, 46(1):26-30, 1998.

[34]Y. Shang, C. Sapp, and H. Shi. An intelligent web representative.Information, 3(2):253-262, 2000.

[35]Y. Shang and H. Shi. A web-based multi-agent system for interpreting medical images. World Wide Web, 2(4):209-218, 1999.

[36]H. Shi, Y. Shang, A. Joshi, and M. Jurczyk. Laboratory-oriented Giangdaying in web and distributed computing. In Proc. 2000 ASEE Annual Conference & Exposition, St. Louis, June 2000.

[37]M. K. Stern and B. P. Woolf. Curriculum sequencing in a Web-based tutor. In B. P. Goettl, H. M. Halff, C. L. Redfield, and V. J. Shute, editors,

Intellegence Tutoring System (Proc. 4th Int'l Conf. ITS'98), pages 584-593. Springer, 1998.

[38]V. Tinto. Universities as learning organizations. About Campus, 1(6):2-4, 1997.

[39]M. Villano, Probabilistic Students models: Bayesian belief networks and knowledge space theory. In Intellegence Tutoring System (Proc. 2nd Int'l

Conf. ITS'92), pages 491-498. Springer, Montreal, Canada, 1992.

[40]G. Weber. Individual selection of examples in an intelligent learning environment. Journal of Artificial Intellegence in Education, 7(1):3-31, 1996. [41]G. Weiss, editor. Multiagent Systems: A Modern Approach to Distributed

Artificial Intellegence. The MIT Press, Cambridge, MA, 1999.

[42]http://www.adastral.ucl.ac.uk/~junwang/CollaborativeFiltering.html#dataset [43]http://eecs.oregonstate.edu/iis/CoFE//