دانشگاه تربیت دبیر شهید رجائی

  اخبار و اعلانات

 آمار

تعداد نشریات13
تعداد شماره‌ها200
تعداد مقالات2,008
تعداد مشاهده مقاله2,679,496
تعداد دریافت فایل اصل مقاله1,936,895
محمدرضایی, رضوان, روانمهر, رضا. (1400). سیستم پیشنهاددهنده مبتنی بر اعتماد در محیط یادگیری الکترونیکی با استفاده از خوشه‌بندی فازی. فناوری آموزش, 15(3), 439-464. doi: 10.22061/tej.2021.6807.2454
رضوان محمدرضایی; رضا روانمهر. "سیستم پیشنهاددهنده مبتنی بر اعتماد در محیط یادگیری الکترونیکی با استفاده از خوشه‌بندی فازی". فناوری آموزش, 15, 3, 1400, 439-464. doi: 10.22061/tej.2021.6807.2454
محمدرضایی, رضوان, روانمهر, رضا. (1400). 'سیستم پیشنهاددهنده مبتنی بر اعتماد در محیط یادگیری الکترونیکی با استفاده از خوشه‌بندی فازی', فناوری آموزش, 15(3), pp. 439-464. doi: 10.22061/tej.2021.6807.2454
محمدرضایی, رضوان, روانمهر, رضا. سیستم پیشنهاددهنده مبتنی بر اعتماد در محیط یادگیری الکترونیکی با استفاده از خوشه‌بندی فازی. فناوری آموزش, 1400; 15(3): 439-464. doi: 10.22061/tej.2021.6807.2454

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

فناوری آموزش
مقاله 3، دوره 15، شماره 3 - شماره پیاپی 59، تیر 1400، صفحه 439-464    اصل مقاله (1.05 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22061/tej.2021.6807.2454
نویسندگان
رضوان محمدرضایی؛ رضا روانمهر*
گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
تاریخ دریافت: 18 مهر 1399،  تاریخ بازنگری: 08 بهمن 1399،  تاریخ پذیرش: 09 اسفند 1399 
چکیده
پیشینه و اهداف: بسیاری از سیستم­های یادگیری مرسوم  مبتنی بر داده‌های ایستا هستند و همه دانش‌آموزان را یکسان و مشابه در نظر می‌گیرند. بنابراین نمی‌توانند پاسخگوی نیازها و سلایق متنوع آن­ها باشند. مشکل اصلی آن­ها، درنظر نگرفتن علاقه‌مندی‌ها و تعاملات پیشین کاربران است. سیستم­های پیشنهاد‌دهنده یادگیری الکترونیکی با هدف غلبه بر این مشکلات و پیشنهاد مناسب‌ترین دوره‌های آموزشی شخصی‌سازی‌شده به هر کاربر مطرح شده‌اند. هدف این مقاله،ارائه یک سیستم پیشنهاد‌دهنده یادگیری الکترونیکی مبتنی بر اعتماد با استفاده از خوشه‌بندی فازی با در نظر گرفتن تعاملات پیشین کاربران و تمایلات آن‌ها است. بدین منظور از کاوش قوانین انجمنی وزن­دار و پیش­بینی رتبه برای تولید لیست کاندید دوره­های آموزشی و رتبه­بندی مجدد لیست کاندید برای تولید لیست نهایی استفاده شده است.
روش‌ها‌: در این مقاله یک روش جدید مبتنی بر ترکیب روابط اعتماد بین کاربران و شباهت علایق آن­ها برای محاسبه میزان تشابه کاربران در یک سیستم پیشنهاددهنده یادگیری الکترونیکی با هدف پیشنهاد دوره­های آموزشی به کاربران ارائه‌ شده است که از روش خوشه‌بندی فازی و قوانین انجمنی وزن­دار استفاده می‌کند. در روش پیشنهادی بعد از بررسی شباهت میان کاربران و ساخت ماتریس اعتماد، ادامه مراحل به دو فاز کلی تقسیم می­شود: فاز خوشه­بندی کاربران و فاز تولید پیشنهاد دوره‌های آموزشی مناسب برای کاربر. فاز خوشه‌بندی شامل دو مرحله است که در مرحله‌ اول با استفاده از الگوریتم X-Means، تعداد بهینه خوشه­ها به‌دست می‌آید و در مرحله‌ دوم بر اساس تعداد خوشه­های به‌دست‌آمده، خوشه‌بندی C-Means فازی انجام می‌شود. در فاز ایجاد پیشنهاد برای کاربر، با استفاده از قوانین انجمنی وزن­دار و بر اساس خوشه‌های نهایی که برای کاربران حاصل شده‌اند، رتبه‌ موردنظر کاربر هدف، برای هر آیتم آموزشی با توجه به همسایه­های خوشه­های کاربر پیش‌بینی می‌شود. در نهایت بر اساس رتبه‌های پیش‌بینی‌شده، N آیتم آموزشی با رتبه‌ بالاتر به‌‌ عنوان آیتم‌های مورد علاقه‌ کاربر هدف به وی پیشنهاد می‌شوند.
یافته‌ها: پیاده‌سازی و ارزیابی روش پیشنهادی بر روی مجموعه داده Moodle نشان می‌دهد که با کاهش دو معیار میانگین خطای مطلق و خطای جذر میانگین مربعات، دقت پیشنهاد‌های ارائه ‌شده با استفاده از روابط اعتماد افزایش یافته و نرخ پوشش کاربران و رتبه­ها نیز با استفاده از خوشه‌بندی فازی و قوانین انجمنی وزن­دار نسبت به روش­های موجود بهبود یافته است. این نتایج حاصل استفاده از خوشه­بندی فازی کاربران بر اساس علاقه­مندی­های و روابط اعتماد میان آن­ها است که امکان عضویت هر کاربر را در چند خوشه با درجات عضویت مختلف، قرار می­دهد. علاوه بر این، در استفاده از قوانین انجمنی وزن‌دار، قوانین انجمنی که بیشترین مطابقت را با دوره های گذرانده شده توسط کاربر موردنظر دارند انتخاب می­شوند. امتیازگذاری انتخاب قوانین، نه تنها بر اساس ضریب اطمینان، بلکه بر اساس ترکیبی از ضریب اطمینان و علاقه مندی­های کاربر به دوره­های آموزشی، محاسبه شود.
نتیجه‌گیری:  بکارگیری معیار اعتماد میان کاربران باعث افزایش دقت در انتخاب همسایه‌ها و محدود کردن اثرات مخرب کاربران و نظرات بی‌اعتبار می­شود که منجر به ارائه پیشنهادهای دقیق‌تری خواهد شد. همچنین با توجه به خوشه‌بندی فازی کاربران، پیش‌بینی رتبه دوره‌های آموزشی مختلف فقط بر اساس همسایه‌های موجود در خوشه­های کاربر هدف، انجام می‌شود و در نتیجه برای حجم انبوه اطلاعات موجود در یک سیستم یادگیری الکترونیکی، عملکرد کارآتری خواهد داشت و مشکل خلوت بودن داده­ها را کاهش می­دهد.
کلیدواژه‌ها
سیستم پیشنهاددهنده؛ یادگیری الکترونیکی؛ روابط اعتماد؛ خوشه‌بندی فازی؛ قوانین انجمنی وزن دار
موضوعات
آموزش الکترونیکی
عنوان مقاله [English]
A trust-based recommender system for e-Learning environment using fuzzy clustering
نویسندگان [English]
R. Mohamadrezaei؛ R. Ravanmehr
Department of Computer Engineering, Central Tehran Branch, Islamic Azad University, Tehran, Iran
چکیده [English]
Background and Objectives: Many conventional e-Learning systems are based on static information and consider all learners the same, so they cannot meet their diverse needs and tastes. The main drawback of these systems is ignoring the previous interactions and interests of the learners. The e-learning recommender systems have been introduced with the aim of overcoming these problems and offering the most suitable personalized courses to each learner. The goal of this article is to propose a trust-based e-learning recommender system using fuzzy clustering while taking into account the learners' previous interactions and interests. For this purpose, the weighted association rules and rank prediction were used to produce a candidate list of learning courses and reclassification of the candidate list to generate the final recommendations list.
Methods: In this paper, a novel approach is proposed, which is based on combining the trust relationships among users and their common interests in order to calculate their similarities in an e-Learning recommender system while using fuzzy clustering and weighted association rules, which are aimed at recommending learning courses to the users. In the proposed method, after analyzing the similarities among users and constructing a trust matrix, the next stages are divided into two general phases: the clustering phase of the users and the phase of recommending suitable learning courses for the users. The clustering phase consists of two stages. In the first stage, the optimal number of clusters is obtained using the X-Means algorithm, and in the second stage, the fuzzy C-Means clustering is performed based on the number of clusters obtained. In the recommendation phase for the user, using the weighted association rules and the final clusters obtained for the users, the rank intended by the target user is predicted for each learning item according to the neighbors of the user’s cluster. Finally, based on the predicted rankings, N higher ranking course items are suggested as the target user's favorite items.
Findings: Implementation and evaluation of the proposed method on the Moodle dataset demonstrate that with the reduction of the Mean Absolute Error (MAE) and Root Mean Square Error (RMSE), the accuracy of the proposed recommendations is increased, utilizing trust relationships, and the coverage rate of the users and ranks has increased, using fuzzy clustering and weighted association rules, respectively, as compared with the other existing methods. These findings result from employing the fuzzy clustering of users based on their interests and the trust relationships among them, which make it possible for each user to join several clusters with different degrees of membership. Moreover, in utilizing weighted association rules, the association rules that are most compatible with the courses taken by the user are selected. Rules selection scores are calculated on the basis of not only the reliability factors but also a combination of the reliability factors and the user’s interest in learning courses.
Conclusions: Utilizing the criterion of trust among users increases the accuracy in choosing neighbors and limits the users' harmful effects and invalid opinions, which will ultimately lead to more accurate recommendations. Also, according to the fuzzy clustering of users, the prediction of the rating of different learning courses is done only based on the neighbors existing in the clusters of the target user. As a result, it will perform more efficiently for the massive volume of information available in an e-Learning system and it shall reduce the problem of data sparsity.

کلیدواژه‌ها [English]
Recommender system, e-Learning, trust relations, fuzzy clustering, Weighted association rules
مراجع

[1] Bobadilla J, Ortega F, Hernando A, Gutiérrez A. Recommender systems survey. Knowledge-based systems. 2013; 46:109-132.

[2] Kunaver M, Požrl T. Diversity in recommender systems–A survey. Knowledge-Based Systems. 2017; 123 :154-162 

[3] Yang X, Guo Y, Liu Y, Steck H. A survey of collaborative filtering based social recommender systems. Computer Communications. 2014; 41 :1-10.

[4] Bhaskaran S, Santhi B. An efficient personalized trust- based hybrid recommendation ( TBHR) strategy for e-learning system in cloud computing. Cluster Computing. 2019;22 (1):1137-1149.

[5] Nafea SM, Siewe F, He Y. A novel algorithm for course learning object recommendation based on student learning styles. In 19 Feb 2019 International Conference on Innovative Trends in Computer Engineering (ITCE); IEEE; 2019 pp. 192-201.

[6] Chen S, Xu Z, Tang Y. A hybrid clustering algorithm based on fuzzy c-means and improved particle swarm optimization. Arabian Journal for Science and Engineering. 2014;39 (12): 8875-8887.

[7] Hassan T. Trust and trustworthiness in social recommender systems. In Companion Proceedings of the 2019 World Wide Web Conference; 2019 May 13. pp. 529-532.

[8] Klašnja-Milićević A, Vesin B, Ivanović M, Budimac Z. E-Learning personalization based on hybrid recommendation strategy and learning style identification. Computers & Education. 2011; 56 (3):885-899.

[9] Masud M. Collaborative e-learning systems using semantic data interoperability. Computers in Human Behavior. 2016; 61:127-135.

[10] Tarus JK, Niu Z, Kalui D. A hybrid recommender system for e-learning based on context awareness and sequential pattern mining. Soft Computing. 2018; 22 (8) :2449-2461.

[11] Dahdouh K, Dakkak A, Oughdir L, Ibriz A. Large-scale e-learning recommender system based on Spark and Hadoop. Journal of Big Data. 2019 ; 6 (2): 1-23.

[12] Klašnja-Milićević A, Ivanović M, Vesin B, Budimac Z. Enhancing e-learning systems with personalized recommendation based on collaborative tagging techniques. Applied Intelligence. 2018; 48 (6) :1519-1535.

[13] Wan S, Niu Z. An e-learning recommendation approach based on the self-organization of learning resource. Knowledge-Based Systems. 2018; 160: 71-87.

[14] Albatayneh NA, Ghauth KI, Chua FF. Utilizing learners’ negative ratings in semantic content-based recommender system for e-learning forum. Journal of Educational Technology & Society. 2018;21 (1):112-125.

[15] Khanal SS, Prasad PW, Alsadoon A, Maag A. A systematic review: machine learning based recommendation systems for e-learning. Education and Information Technologies. 2019; 25: 2635–2664

[16] Karga S, Satratzemi M. A hybrid recommender system integrated into LAMS for learning designers. Education and Information Technologies. 2018; 23 (3): 1297-1329.

[17] Aeiad E, Meziane F. An adaptable and personalised e-learning system applied to computer science programmes design. Education and Information Technologies. 2019; 24 (2):1485-1509.

[18] De Medio C, Limongelli C, Sciarrone F, Temperini M. MoodleREC: A recommendation system for creating courses using the moodle e-learning platform. Computers in Human Behavior. 2020; 104: 106168.

[19] Benhamdi S, Babouri A, Chiky R. Personalized recommender system for e-Learning environment. Education and Information Technologies. 2017; 22 (4):1455-1477.

[20] Parvin H, Moradi P, Esmaeili S. TCFACO: Trust-aware collaborative filtering method based on ant colony optimization. Expert Systems with Applications. 2019; 118: 152-168.

[21] Yadav S, Kumar V, Sinha S, Nagpal S. Trust aware recommender system using swarm intelligence. Journal of computational science. 2018; 28: 180-192.

[22] Xu K, Zhang W, Yan Z. A privacy-preserving mobile application recommender system based on trust evaluation. Journal of computational science. 2018; 26:87-107.

[23] Nobahari V, Jalali M, Mahdavi SJ. ISoTrustSeq: a social recommender system based on implicit interest, trust and sequential behaviors of users using matrix factorization. Journal of Intelligent Information Systems. 2019; 52 (2):239-268.

[24] Jiang L, Cheng Y, Yang L, Li J, Yan H, Wang X. A trust-based collaborative filtering algorithm for e-commerce recommendation system. Journal of Ambient Intelligence and Humanized Computing. 2019; 10 (8):3023-3034.

[25] Pan Y, He F, Yu H, Li H. Learning adaptive trust strength with user roles of truster and trustee for trust-aware recommender systems. Applied Intelligence. 2020; 50 (2):314-327.

[26] Dwivedi P, Bharadwaj KK. Effective trust-aware e-learning recommender system based on learning styles and knowledge levels. Journal of Educational Technology & Society. 2013; 16 (4): 201-216.

[27] Deng X, Li H, Huangfu F. A trust-aware neural collaborative filtering for e-learning recommendation. Educational Sciences: Theory & Practice. 2018; 18 (5).

[28] Wan S, Niu Z. A hybrid e-learning recommendation approach based on learners’ influence propagation. IEEE Transactions on Knowledge and Data Engineering. 2019; 32 (5): 827-840.

[29] Liu X. A collaborative filtering recommendation algorithm based on the influence sets of e-learning group’s behavior. Cluster Computing. 2019; 22 (2):2823-2833.

[30] Hinz VT, Pimenta MS. Integrating Reputation to Recommendation Techniques in an e-learning Environment. In 2018 17th International Conference on Information Technology Based Higher Education and Training (ITHET) IEEE; 2018 Apr 26 pp. 1-6.

[31] Hasan M, Roy F. An item–item collaborative filtering recommender system using trust and genre to address the cold-start problem. Big Data and Cognitive Computing. 2019;3 (3) :39.

[32] Jiang L, Cheng Y, Yang L, Li J, Yan H, Wang X. A trust-based collaborative filtering algorithm for e-commerce recommendation system. Journal of Ambient Intelligence and Humanized Computing. 2019; 10 (8):3023-3034.

[33] Si M, Li Q. Shilling attacks against collaborative recommender systems: a review. Artificial Intelligence Review. 2020 ; 53 (1):291-319.

[34] Alonso S, Bobadilla J, Ortega F, Moya R. Robust model-based reliability approach to tackle shilling attacks in collaborative filtering recommender systems. IEEE Access. 2019; 7: 41782-41798.

[35] Aggarwal CC. Attack-resistant recommender systems. In Recommender Systems 2016; 385-410. Springer, Cham.

[36] Massa P, Avesani P. Trust metrics in recommender systems. In Computing with Social Trust; 2009 (pp. 259-285). Springer, London.

[37] Victor P, Cornelis C, De Cock M, Teredesai A. Trust-and distrust-based recommendations for controversial reviews. In Web Science Conference (WebSci'09: Society On-Line) 2009 (No. 161).

[38] Zuo X, Wei X, Yang B. Trust-distrust aware recommendation by integrating metric learning with matrix factorization. In International Conference on Knowledge Science, Engineering and Management: 2018 Aug 17 (pp. 361-370). Springer, Cham.

[39] Oh HK, Kim JW, Kim SW, Lee K. A unified framework of trust prediction based on message passing. Cluster Computing. 2019; 22 (1):2049-2061.

[40] Xu K. (2013) Clustering. In: Dubitzky W., Wolkenhauer O., Cho KH., Yokota H. (eds.) Encyclopedia of Systems Biology. Springer, New York, NY

[41] Soman KP, Diwakar S, Ajay V. Data mining: Theory and practice. PHI Learning Pvt. Ltd.; 2006.

[42] Nayak J, Naik B, Behera HS. Fuzzy C-means (FCM) clustering algorithm: A decade review from 2000 to 2014. In Computational intelligence in data mining-volume 2. New Delhi: Springer; 2015. p. 133-149.

[43] Stetco A, Zeng XJ, Keane J. Fuzzy C-means++: Fuzzy C-means with effective seeding initialization. Expert Systems with Applications. 2015; 42 (21):7541-7548.

[44] Pelleg D, Moore AW. X-means: Extending k-means with efficient estimation of the number of clusters. In Icml 2000 Jun 29. pp. 727-734

[45] Saleem F, Iltaf N, Afzal H, Shahzad M. Using trust in collaborative filtering for recommendations. In IEEE 28th International Conference on Enabling Technologies: Infrastructure for Collaborative Enterprises (WETICE): IEEE: 2019 Jun 12. pp. 214-222.

[46] Moradi P, Ahmadian S. A reliability-based recommendation method to improve trust-aware recommender systems. Expert Systems with Applications. 2015; 42 (21):7386-7398.

[47] Ardissono L, Mauro N. A compositional model of multi-faceted trust for personalized item recommendation. Expert Systems with Applications. 2020; 140:112880.

[48] Shchetinin EY. On improving the reliability of recommender systems with users clustering. In ITTMM (Selected Papers) 2019. pp. 118-129.

[49] Yuan W, Guan D, Lee YK, Lee S. The small-world trust network. Applied Intelligence. 2011; 35 (3) :399-410.

[50] Agrawal R, Srikant R. Fast algorithms for mining association rules. In Proc. of the 20th VLDB Conference 1994 Sep 12. pp. 487-499.

آمار
تعداد مشاهده مقاله: 777
تعداد دریافت فایل اصل مقاله: 575


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب