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

پیشینه و اهداف: بسیاری از سیستم های یادگیری مرسوم  مبتنی بر داده‌های ایستا هستند و همه دانش‌آموزان را یکسان و مشابه در نظر می‌گیرند. بنابراین نمی‌توانند پاسخگوی نیازها و سلایق متنوع آن ها باشند. مشکل اصلی آن ها، درنظر نگرفتن علاقه‌مندی‌ها و تعاملات پیشین کاربران است. سیستم های 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 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. روش‌ها‌: 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 ارائه‌ شده است که از روش خوشه‌بندی فازی و قوانین انجمنی وزن دار استفاده می‌کند. 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 دوره‌های آموزشی مناسب برای کاربر. فاز خوشه‌بندی شامل دو مرحله است که در مرحله‌ اول با استفاده از الگوریتم xmeans، تعداد بهینه خوشه ها به‌دست می‌آید و در مرحله‌ دوم بر اساس تعداد خوشه های به‌دست‌آمده، خوشه‌بندی cmeans فازی انجام می‌شود. در فاز ایجاد پیشنهاد برای کاربر، با استفاده از قوانین انجمنی وزن دار و بر اساس خوشه‌های نهایی که برای کاربران حاصل شده‌اند، رتبه‌ موردنظر کاربر هدف، برای هر آیتم آموزشی با توجه به همسایه های خوشه های 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 رتبه ها نیز با استفاده از خوشه‌بندی 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 وزن‌دار، 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. نتیجه‌گیری:  بکارگیری معیار اعتماد میان کاربران باعث افزایش دقت در انتخاب همسایه‌ها و محدود کردن اثرات مخرب کاربران و نظرات بی‌اعتبار می شود 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 خوشه های 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 داده ها را کاهش می دهد.

A trust-based recommender system for e-Learning environment using fuzzy clustering

Background and Objectives: Many conventional eLearning 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 elearning 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 trustbased elearning 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 eLearning 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 XMeans algorithm, and in the second stage, the fuzzy CMeans 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 eLearning system and it shall reduce the problem of data sparsity. ===================================================================================== COPYRIGHTS  ©2021 The author(s). This is an open access article distributed under the terms of the Creative Commons Attribution (CC BY 4.0), which permits unrestricted use, distribution, and reproduction in any medium, as long as the original authors and source are cited. No permission is required from the authors or the publishers.  =====================================================================================