第３０卷第８期　

２０１３年８月　计算机应用与软件　

Ｃｏｍｐｕｔｅｒ　Ａｐｐｌｉｃａｔｉｏｎｓ　ａｎｄ　Ｓｏｆｔｗａｒｅ　Ｖ０ｌ＿３０　Ｎｏ．８　

Ａｕｇ．２０１３　

基于语义网的农业学习资源推荐系统研究　

王俊红　

（仲恺农业工程学院广东广州５１０２２５）　

摘要　为了提高农业学习资源推荐准确性，构建基于语义网的农业学习资源推荐系统模型。该系统综合考虑学习者评价的核　

心概念和学习资源两个影响学习者相似度的因素，利用核心概念问及学习资源间的语义相似度，算出学习者的相似度，并以此作为　

学习资源推荐的依据。实验表明该系统不仅能提高农业学习资源推荐的有效准确，而且能解决新学习者由于无访问记录而找不到　

邻居，无法实现推荐的“冷启动”问题。　

关键词　语义网　农业学习资源核心概念　

中图分类号ＴＰ３　文献标识码Ａ　语义相似度　玉米本体　

ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００—３８６ｘ．２０１　３．０８．０６４　

ｏＮ　ＡＧＲＩＣＵＬＴＵＲＡＬ　ＬＥＡＲＮＩＮＧ　ＲＥＳＯＵＲＣＥ　ＲＥＣｏＭＭＥＮＤＡＴＩｏＮ　ＳＹＳＴＥＭ　

ＢＡＳＥＤ　ｏＮ　ＳＥＭＡＮＴＩＣ　ＷＥＢ　

Ｗａｎｇ　Ｊｕｎｈｏｎｇ　

（Ｚｈｏｎｇｋａｉ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆＡｇｒｉｃｕｌｔｕｒｅ　ａｎｄ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｇｕａｎｇｚｈｏｕ　５１０２２５，Ｇｕａｎｇｄｏｎｇ，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ　Ｉｎ　ｏｒｄｅｒ　ｔｏ　ｉｍｐｒｏｖｅ　ｔｈｅ　ａｃｃｕｒａｃｙ　ｏｆ　ａｇｒｉｃｕｌｔｕｒａｌ　ｌｅａｒｎｉｎｇ　ｒｅｓｏｕｒｃｅ　ｒｅｃｏｍｍｅｎｄａｔｉｏｎ，ｉｎ　ｔｈｅ　ａｒｔｉｃｌｅ　ｗｅ　ｃｏｎｓｔｒｕｃｔ　ｔｈｅ　ｓｅｍａｎｔｉｃ　ｗｅｂ—　

ｂａｓｅｄ　ａｇｒｉｃｕｌｔｕｒａｌ　ｌｅａｒｎｉｎｇ　ｒｅｓｏｕｒｃｅ　ｒｅｃｏｍｍｅｎｄａｔｉｏｎ　ｓｙｓｔｅｍ　ｍｏｄｅ１．Ｔｈｅ　ｓｙｓｔｅｍ　ｃｏｍｐｒｅｈｅｎｓｉｖｅｌｙ　ｃｏｎｓｉｄｅｒｓ　ｔｗｏ　ｆａｃｔｏｒｓ　ｔｈａｔ　ｉｎｆｌｕｅｎｃｅ　ｔｈｅ　ｓｉｍｉ—　

ｌａｒｉｔｙ　ｏｆ　ｌｅａｒｎｅｒｓ，ｔｈｅ　ｏｎｅ　ｉｓ　ｔｈｅ　ｃｏｒｅ　ｃｏｎｃｅｐｔ，ｔｈｅ　ｏｔｈｅｒ　ｉｓ　ｔｈｅ　ｌｅａｒｎｉｎｇ　ｒｅｓｏｕｒｃｅ，ｂｏｔｈ　ａｒｅ　ｅｖＭｕ￣ｅｄ　ｂｙ　ｔｈｅ　ｌｅａｒｎｅｒ．Ｔｈｅ　ｓｉｍｉｌａｒｉｔｙ　ｏｆ　ｌｅａｒｎｅｒｓ　

ｉｓ　ｃａｌｃｕｌａｔｅｄ　ｂｙ　ｕｓｉｎｇ　ｔｈｅ　ｓｅｍａｎｔｉｃ　ｓｉｍｉｌａｒｉｔｙ　ｂｅｔｗｅｅｎ　ｔｈｅ　ｃｏｒｅ　ｃｏｎｃｅｐｔｓ　ａｎｄ　ｂｅｔｗｅｅｎ　ｔｈｅ　ｌｅａｒｎｉｎｇ　ｒｅｓｏｕｒｃｅｓ，ａｎｄ　ｉｓ　ｅｍｐｌｗｅｄ　ａｓ　ｔｈｅ　ｂａｓｉｓ　ｏｆ　

ｌｅａｒｎｉｎｇ　ｒｅｓｏｕｒｃｅｓ　ｒｅｃｏｍｍｅｎｄａｔｉｏｎ．Ｅｘｐｅｒｉｍｅｎｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ｓｙｓｔｅｍ　ｎｏｔ　ｏｎｌｙ　ｉｍｐｒｏｖｅｓ　ｔｈｅ　ｅｆｆｅｃｔｉｖｅ　ａｎｄ　ａｃｃｕｒａｔｅ　ｒｅｃｏｍｍｅｎｄａｔｉｏｎ　ｏｆ　ａｇｒｉｃｕｌ・　

ｔｕｒａｌ　ｌｅａｒｎｉｎｇ　ｒｅｓｏｕｒｃｅｓ。ｂｕｔ　ａｌｓｏ　ｓｏｌｖｅｓ　ｔｈｅ“ｃｏｌｄ　ｓｔａｒｔ”ｐｒｏｂｌｅｍ　ｏｆ　ｔｈｅ　ｎｅｗ　ｒｅｇｉｓｔｅｒｅｄ　ｌｅａｒｎｅｒｓ　ｃａｕｓｅｄ　ｂｙ　ｎｏ　ｖｉｓｉｔ　ｒｅｃｏｒｄｓ．　

Ｋｅｙｗｏｒ￣　Ｓｅｍａｎｔｉｃ　ｗｅｂ　Ａｇｒｉｃｕｌｔｕｒａｌ　ｌｅａｒｎｉｎｇ　ｒｅｓｏｕｒｃｅ　Ｃｏｒｅ　ｃｏｎｃｅｐｔ　Ｓｅｍａｎｔｉｃ　ｓｉｍｉｌａｒｉｔｙ　Ｃｏｒｎ　ｏｎｔｏｌｏｇｙ　

０　引　言　

随着农业信息化建设和Ｅ—ｌｅａｒｎｉｎｇ的发展，出现了越来越　

多的农业学习资源站点。但在海量的信息资源中想要查找所需　

的学习资源存在一定的困难，特别是对农村基层群众尤为困难，　

所以迫切需要建立农业学习推荐系统。　

推荐方法或推荐技术是整个推荐系统的核心，很大程度上　

决定了推荐系统性能的优劣。根据推荐的依据不同分为基于规　

则的推荐、基于内容的推荐、协同过滤推荐等。　

基于规则的推荐技术根据管理员制定的一系列规则，然后　

利用制定的规则度量项目间的相互关联性，将关联密切的项目　

推送给用户…，然而规则的制定和维护困难。　

基于内容的推荐技术是建立在资源的内容信息上进行推荐　

的，而不需要依据用户对资源的评价意见，更多地需要用机器学　

习的方法从关于内容的特征描述的事例中得到用户的兴趣资　

料，然而存在只能处理文本类型学习资源、不能为用户发现新的　

感兴趣的资源　等问题。　

协同过滤推荐方法通过分析用户之间的关系进行推荐，把　相似用户浏览的资源作为推荐的内容。协同过滤技术虽然克服　

了基于内容推荐方法不能为用户发现新的感兴趣资源的缺　

陷　Ｊ，但存在用户评价矩阵稀疏性、新资源无评价及新用户未　

评价任何资源的冷启动…等问题。　

以上这些推荐方法或混合以上两种的推荐方法，都未考虑　

资源在语义上的相似性，因此无法实现准确的推荐。语义　

ｗｅｂＬ４　的出现为有效准确地学习资源推荐提供了一种新思路。　

１　系统模型　

基于语义网的农业学习资源推荐系统主要由农业学习资源　

管理组件和基于语义的推荐组件组成。为了实现基于语义的推　

荐，需要本体库的支持，本文选取研究成熟的玉米本体　及其　

相关学习资源，在资源推荐时利用玉米本体中概念间的关系计　

算不同用户的兴趣相似度，根据最近邻居的兴趣实现推荐算法，　

从而提高资源推荐的有效性和准确性。系统模型如图１所示。　

收稿日期：２０１２—０９一ｌ１。仲恺农业工程学院校级科研项目　（Ｇ３１０００２０）。王俊红，讲师，主研领域：语义网，农业信息化。

　２３４　计算机应用与软件　２０１３正　

学　

２推荐算法　图１搜索引擎系统框架　

算法的总体思路是根据学习者的浏览行为和对学习资源的　评分得到学习者感兴趣的核心概念集合和学习资源集合，然后　

根据领域本体中概念间的关系分别计算某两个学习者评价的所　

有学习资源集合间的语义相似度和所有核心概念集合间的语义　

相似度，最后根据以上得出的两个相似度值共同决定学习者兴　

趣的相似性，找到具有相似兴趣的最近邻居，从而实现学习资源　

的推荐。　

２．１获取学习者兴趣　

获取学习者感兴趣的核心概念和学习资源的主要途径有：　

１）学习者注册时填写体现学习者兴趣的核心概念，为保证　核心概念的准确性，供选择的选项是参照玉米本体　中概念　

来设置的。从提高兴趣度方面考虑，当出现两个或多个概念上　

下位关系时，一律选择下位概念，并写入学习者兴趣模型中。如　

同时订制了玉米和甜玉米，系统会合并两个相近的兴趣关键词，　

只保留甜玉米。　

２）跟踪学习者的查询确定用户感兴趣的核心概念。学习　

者提出的查询请求通常能直接反映其兴趣，因此可以把频繁使　用的查询关键词提取出来作为核一ｔ２，概念　Ｊ。　

３）跟踪学习者的浏览行为确定学习者感兴趣的学习资　源ｌ７１，如：下载、收藏、推荐、学习时长、学习次数等，并把这些行　

为加权转化为用户对资源的隐式评分。　

４）学习者对核心概念和学习资源的显式评分。　

２．２核心概念语义相似度计算　

在树状的本体结构模型中，概念的语义相似度就可使用概　

念间距离来度量，即通过度量两个概念的最短路径距离来表示　它们的语义相似度。两个概念的距离越大，其语义相似度越低；　

反之，两个概念的距离越小，其语义相似程度越大。　

此外，概念所处的节点的深度和该深度上节点个数对语义　

相似度计算也有影响　。　

定义１设根节点概念为ｃｒ，令ｃｒ的深度为１，则任一非根　节点概念ｃ　在树中的深度Ｄｅｐ（Ｃｉ）＝Ｄｅｐ（Ｃｐ）＋１，其中ｃｐ为　

概念　的父概念。　

同样距离的两个概念，概念相似度随着他们所处层次的总　和的增加而增加，因为，层次总和的增加意味着分类趋向细致，　

和同样概念距离的层次总和较小的概念对比较，其相似程度就　

越高。　

定义２．概念所处的节点深度对概念语义相似度的影响　因子：　

＝　㈩　；　¨　

其中，ｃ　为　和　的共同祖先节点中深度最大的节点。　

定义３一个核心概念节点Ｃ的直接孩子概念结点个数称　

为核心概念节点的宽度，记为Ｗｉｄｔｈ（Ｃ）。　

定义４如果一个核心概念节点的宽度为Ｗｉ＆ｈ（Ｃ），则从　

它引出的连接到每条孩子节点的边的强度为１／Ｗｉ＆ｈ　

（Ｃ）　Ｊ，即：　

Ｓ（Ｃ）＝１￣Ｗｉｄｔｈ（Ｃ）　（２）　从核心概念节点　到另一个核心概念节点ｑ（不包括　）　

所经历的节点称为从　到　的路径，记为Ｐ（Ｃｉ，　）上所有边　

的强度之和记为：　

ｓ（Ｐ（Ｃｉ，　））＝　∑ｓ（ｃ）　Ｃ∈Ｐ一（Ｃｉ，０）　定义５核心概念节点的语义相似度　为：　

Ｓｉｒｅ（ａ，ｑ）＝０ｃ・　１＋ＳｆＪＰ（Ｃｒ．Ｃ　１＋Ｓ（Ｐ（Ｃｒ，ＣＯ＂））＋５（Ｐ（　，　））＋Ｓ（Ｐ（　，ｑ））　

（３）　

其中，Ｏｔ为定义２中的影响因子，ｃｒ为根节点。　

２．３学习资源语义相似度计算　

将学习资源按照树状结构组织后，学习资源的语义相似度　

也可以按照核心概念的语义相似度方法计算，所以　

定义６学习资源的语义相似度：　

ＲＳｉｍ（ＲＣｉ，Ｒ　）＝　・　

１＋ＳｆＰｆＲＣｒ．ＲＣ　１＋Ｓ（Ｐ（ＲＣｒ，Ｒｃｑ））＋Ｓ（Ｐ（Ｒｃｑ，ＲＣｉ））＋Ｓ（Ｐ（　Ｃ　，Ｒ（了））　（４）　

其中，ＲＣｉ、ＲＣｊ为学习资源节点，ＲＣｒ为学习资源根节点，影响因　

＝　一　望　（　２　Ｄｅｐ（ＲＣｉ）＋Ｄｅｐ（Ｒｃｊ）。　

２．４核心概念评分对学习者相似度的贡献　

定义７核心概念评分对学习者相似度的贡献　

Ｄｉｆｆ（Ｕａ，Ｕｂ，　）：　（５）　Ｏ　其中ｋ为核心概念，　、矾为对核心概念ｋ评分的学习者，　

ＳＵａｋ、ＳＵｂｋ为　、珊对核心概念ｋ的评分，　为评分矩阵中所　

有用户对核心概念　评分的最高分。　

２．５学习资源评分对学习者相似度的贡献　

同核心概念评分对学习者相似度的贡献计算：　

ＲＤ／ｙ（Ｕａ，Ｕｂ，　）：　（６）　

其中ｒ为学习资源，　、珊为对核心概念ｒ评分的学习者，ＳＵａｒ、　

ＳＵｂｒ为　、册对核心概念ｒ的评分，占为评分矩阵中所有用户　

对核心概念ｒ评分的最高分。　

２．６根据核心概念计算用户相似度　

ＫＣＳｉｍ（Ｃｉ，ａ，Ｕａ，Ｕｂ）为根据核心概念计算用户相似度，它　

与核心概念节点的语义相似度及核心概念评分对学习者相似度　

贡献值成正比关系，根据式（３）和式（５）得：　

ＫＣＳｉｍ（Ｃｉ，ｃｊ，Ｕａ，Ｕｂ）＝Ｓｉｒｅ（Ｃ　，ｃｊ）ＸＤｉｆｆ（Ｕａ，Ｕｂ，Ｃｉ）Ｘ　

Ｄ　，珊，　）　（７）　

２．７根据学习资源计算用户相似度　

同根据核心概念计算用户相似度，根据式（４）和式（６）得：　

ＫＲＳｉｍ（ＲＣｉ，Ｒｃｊ，Ｕａ，Ｕｂ）＝ＲＳｉｍ（ＲＣｉ，Ｒｃｊ）Ｘ　Ｄ　Ｕａ，Ｕｂ，