CN105528615B - 行为数据的路径寻优方法 - Google Patents

Abstract

本发明公开了一种行为数据的路径寻优方法，该方法分为两个阶段，第一阶段是训练阶段，在教育大数据下，计算每种学习风格中，每个学习对象中每个学习概念对学习对象的贡献力，以及各个学习概念间的相似度距离；第二阶段是优化阶段，先对当前学习者进行聚类，将其归到相应的学习风格小组中，然后利用改进的人工蜂群算法对学习路径进行优化，寻找最大化学习效果的学习路径。本发明基于大数据研究学习者的学习行为，根据学习风格为学习者提供个性化指导，利用改进的人工蜂群算法对学习路径进行优化，可大大提高学习者的学习效果。

Description

行为数据的路径寻优方法

技术领域

本发明涉及路径优化研究领域，特别涉及一种行为数据的路径寻优方法。

背景技术

学习路径是学习活动的路线或者学习知识点的选择序列。学习者在设定学习目标之后，如何确定学习知识点的学习先后顺序是完成学习目标的必要条件。而选择最优的学习路径对于学习目标的完成程度显得尤其重要。

国内外在研究学习路径优化问题上主要针对学习者的个性化、学习风格等给学习者推荐合适的学习路径。例如，陈其晖等人在2008年提出的改进的微粒群算法对学习状态空间的学习路径进行最优化控制，程岩借助蚁群算法提出的基于群体智能的学习路径推荐，国外学者Eugenijus Kurilovas2014年提出根据学者兴趣爱好利用改进的蚁群算法对学习路径进行优化，Chun Fu Lin在提高学生创造力上基于决策树推荐学习路径的方法等。这些方法在一定程度上优化了学习路径，但都是在基于路径选择上做出优化，其目的都是最小化完成学习任务花费的学习时间。而且大部分研究都是在假定学习目标为解决某个问题上提出的优化，而现实很多情况下学习目标的评估不单单是为了解决某个问题，而是学习之后在学习结果上有个总评估，而这些评估有时候不能用解决问题的准确率来衡量。如某学习者选定学习目标进行学习之后，提供一份关于该学习目标的检测题目给学习者，然后根据这份检测题目的准确率去评估学习者的学习效果。这种方法是不全面的，因为该检查题目覆盖的检查范围有限，而且在现有的大部分学习系统中，学习者按照推荐的学习路径学习完之后，系统没有评测环节或者学习者不去自行评测，因此就无法检验学习效果。

因此，研究一种能够在优化学习路径之后也保证学习效果的最大化的路径寻优方法具有重要意义。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种行为数据的路径寻优方法，该方法在大数据下研究学习者的学习行为，利用蜂群算法对学习路径进行优化，寻找最大化学习效果的学习路径推荐给学习者，为学习者提供个性化指导，可大大提高学习者的学习效果。

本发明的目的通过以下的技术方案实现：行为数据的路径寻优方法，包括：

(1)训练阶段：首先在已知教育大数据下，确定样本学习者的学习风格，各个学习概念间的相似度距离，然后计算每种学习风格中，每个学习概念对对应学习对象的贡献力；

(2)优化阶段：包括步骤：

(2-1)基于学习风格模型对当前学习者进行聚类，将当前学习者归到其相应的学习风格小组中；调取训练阶段得到的当前学习风格小组中每个学习概念对对应学习对象的贡献力，以及各个学习概念间的相似度距离；

(2-2)设定当前学习者的起始学习概念C_or和终点学习概念C_I；

(2-3)在C_orr半径内采用人工蜂群算法(Artificial Bee Colony Algorithm,简称ABC算法)，得到最优的学习概念C_{P_max}；

(2-4)判断C_{P_max}是否为终点学习概念C_I，如果是则终止优化，执行步骤(2-5)，否则在C_{P_max}r半径内采用人工蜂群算法继续优化，依次类推，直到到达终点学习概念C_I；

(2-5)导出C_or、所有经过的C_{P_max}以及C_I，即得到达到最大化学习效果的学习路径。

优选的，所述步骤(1)中，基于David A.Kolb的学习风格模型采用线上调查的方式对学习者进行聚类，将学习风格分为：聚合型、发散型、同化型和调节型。

优选的，所述步骤(1)中，贡献力H_ij的计算公式是：

其中，表示学习概念C_i在学习对象O_j的比重，i＝1,2,…，I，I表示学习对象O_j中的学习概念个数，C_I为学习对象O_j的终点学习概念，j＝1,2,…，J，J表示学习对象的个数；K_m,z,j表示在一个成员数为M的特定的学习风格小组里，第m个学习者参加学习对象Q_j对应的测试项目Q_z时，针对学习概念C_i的得分,m＝1,2,…，M，z＝1,2,…，Z，Z表示测试项目的个数；D_il表示学习概念C_i与终点学习概念C_I之间的相似度距离。

优选的，所述步骤(1)中，在已知教育大数据下，预设学习概念之间的邻接矩阵A_xy＝[a_xy]，a_xy＝1表示学习学习概念C_y前要先学习学习概念C_x，a_xy＝0表示学习概念C_y和C_x之间没有联系；然后，在所述步骤(2-3)得到最优的学习概念C_{P_max}后，先根据学习概念之间的邻接矩阵A_ij，判断在学习学习概念C_{P_max}前是否要先学习学习概念C_or，如果是，则执行步骤(2-4)，否则，删除该学习概念C_{P_max}，重新采用人工蜂群算法得到新的最优的学习概念C_{P_max}。

优选的，采用人工蜂群算法对学习概念进行优化时，选择概率和适应度的计算公式如下：

式中，SN表示在当前学习概念C_snr半径内存在的学习概念数量，sn＝1,2,…，SN，D_snI表示当前学习概念C_sn与此学习对象的终点学习概念C_I之间的相似度距离，H_sn为学习概念C_sn对学习对象的贡献力。

更进一步的，所述人工蜂群算法的步骤是：

a、设搜索距离为r,在搜索范围内存在的蜜源，即学习概念个数为SN，最大迭代次数为Max_C,影响侦察蜂出现的最大滞留次数为limit；

b、在搜索范围内随机产生初始解C_sn，sn＝1,2,…，SN，计算并评估每个初始解的适应度值；

c、开始循环，引领蜂对解C_sn进行邻域搜索产生新解C_new，并计算其适应度值；

d、采用贪婪选择，如果C_new的适应度值优于C_sn，则用C_new替换C_sn，将C_new作为当前最优解，否则保持C_sn不变；

e、根据选择概率的计算公式计算得到当前最优解C_sn的选择概率p_sn；

f、跟随蜂在[0,1]区间内产生一个随机数，如果选择概率p_sn大于该随机数，那么跟随蜂对当前最优解C_sn进行跟随，并在当前最优解C_sn的邻域搜索产生新解，仍记为C_new，计算当前新解C_new的适应度；

g、采用贪婪选择，如果C_new的适应度值优于C_sn，则用C_new替换C_sn，将C_new作为当前最优解，否则保持C_sn不变；

h、判断当前解是否经过limit次循环仍没有被进一步更新，若是，则侦察蜂随机产生一新解将其替换；

i、记录到目前为止的最优解；

j、判断是否达到最大迭代次数Max_C,若是，则循环结束，输出最优解，否则返回步骤c继续搜索。

本发明与现有技术相比，具有如下优点和有益效果：

本发明在大数据下研究学习者的学习行为，提出根据学习风格对学习者进行聚类，根据学习风格为学习者提供个性化指导。同时利用改进的蜂群算法对学习路径进行优化，寻找最大化学习效果的学习路径，推荐给学习者，可大大提高学习者的学习效果。

附图说明

图1是本发明方法的流程图。

图2是本发明中采用的人工蜂群算法流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例1

如图1所示，本实施例行为数据的路径寻优方法，包括两个阶段，第一阶段为训练阶段，主要是为了为评估学习效果的学习路径做铺垫的。训练阶段主要是在教育大数据下，确定样本学习者的学习风格，提取学习概念间的相似度距离，然后计算在该学习风格下，学习概念对学习对象的贡献力。第二阶段为优化阶段，首先是对学习者进行聚类，判定学习者的类型，以便调取测试阶段的相关数据，利用人工蜂群算法来对学习路径进行优化。下面结合附图1对各个阶段进行具体说明。

一、训练阶段

在以前的学习路径优化研究中，无论是基于微粒群算法或者是蚁群算法的优化，考虑的主要问题是把学习的花费时间成本将为最低，而没有考虑到优化之后的学习路径的学习效果是怎样的。本实施例将在学习路径的优化上，把学习效果考虑进来，并且使学习效果最大化。在评估学习路径学习效果上，首先应该明确学习效果的评估方法。本实施例是采用学习概念的贡献力来评估完成学习对象的学习路径效果。

对于现有的学习系统来说，每个学习对象有多个学习概念，而在完成对应的学习对象的学习之后，会有相应的测试项目，测试项目中包含有多个相关的学习对象。而每个测试项目中的学习对象Q_j有多个学习概念。已知学习概念C_i在学习对象O_j的比重为

基于教育大数据背景，已知在一个特定的学习风格小组里，全体成员在测试项目Q_z中，第m个学习者在参加测试项目Q_z中学习概念C_i时的得分为K_m，z,j。

假设学习概念C_i与学习概念C_i'之间的相似度为D_ii'，而C_I为测试项目Q_z的终点学习概念。设H_ij为学习概念C_i对学习对象O_j的贡献力，则

其中，M为特定的学习风格小组全部成员数,Z表示测试项目的个数，D_il表示学习概念C_i与终点学习概念C_I之间的相似度距离。

另外，学习路径的实现中，获取学习概念之间前后的关系是非常重要的，在选择学习对象进行学习时，应明确学习对象的前后关系才可以得出正确的学习路径。而在学习系统的资源库中，不仅存在学习对象的学习概念，而且存在描述学习概念的元数据，利用这些元数据，可以建立学习对象之间的关联关系有向图。在其有向图G中，O_i＝{C₁,C₂,...,C_n}表示学习对象O_i所包含的学习概念集合。A_xy＝[a_xy]表示学习概念之间的邻接矩阵，a_xy＝1表示学习学习概念C_y前要先学习学习概念C_x，a_xy＝0表示学习概念C_y和C_x之间没有联系。

二、优化阶段

学习路径是学习活动的路线和序列。一个高效的学习路径能够使学习者用最小的时间成本去获得最大的学习效果。但是,学习者往往很难事先确定合理的学习路径,这是因为:(1)每个学习者都有自己独特属性,每个学习对象也有其独特的属性,不同类型的学习对象适合于不同类型的学习者；(2)在线学习系统中包含大量的学习对象,由于信息过载,学习者不可能仔细分析每个学习对象的属性特征,因而很难判断出最适合自己的学习对象；(3)完成学习任务的质量取决于学习路径上各种学习对象组合的整体优化,学习者很难事先估计一个学习对象是否符合整个学习路径上优化。

在现实学习过程中,当一个人遇到学习路径的选择问题时,需要明确下面的信息：(1)学习资料的特点与自身特点的符合程度；(2)与自己类似的学习者都倾向于选择什么学习路径；(3)选择怎样的学习路径才会使得自己的学习效果达到最大的程度。

在线学习系统记载了丰富的关于学习对象和学习者的信息,此外,很多在线学习系统还要求学习者对学习过的对象进行评价。针对在线学习系统的这一特点,本实施例利用在线学习系统已有的各种信息判断出目标用户的学习路径偏好,并主动地向学习者做出学习路径的推荐,从而提高在线学习系统的个性化服务水平。

目前很多在线学习系统都记载了关于学习对象和学习者的信息，而且很多在线学习系统还要求学习者对学习过的对象进行评价，而当完成学习任务之后，学习系统也会给出一份测试学习效果的评测等。但是现有的学习系统对上述数据并没有加以利用。本实施例主要的研究目标就是，充分利用这些学习系统的记录资源，类似于终身学习，当新的学习目标出现时，利用学习者自身的学习经历为学习者推荐可以最大化其学习效果的学习路径。

学习路径就是在特定的学习目标下学习概念的选择序列。而研究学习路径优化，必须弄清楚的是学习概念以及学习概念之间的关系。不同学习风格的学习者，在选择学习概念的先后顺序上和接受相同学习概念的程度上都有差异。本实施例提出在保证学习者的学习效果最大化时，还结合学习者的个性来推荐学习路径。因此，就需要先对当前学习者进行学习风格聚类。

个性化学习风格的思想起源于1970年，并对教育界产生了很大的影响。历史上研究学习风格的学者很多，David A.Kolb的学习风格模型是基于经验学习理论的。该模型把学习风格归为4类：聚合型，发散型，同化型，调节型。还有一个普遍的得到广泛运用的理论是Neuro-linguistic programming(VARK)学习风格模型。该理论模型把学习风格也归为4类：视觉型，听觉型，读写型，动觉或者触觉型。还有Anthony Gregorc模型，Peter Honeyand Alan Mumford模型等。在线学习系统上对学习者按学习风格聚类，必须考虑这些学习风格模型对系统的适应性。

本实施例中学习者聚类是采用线上调查的方式进行，基于经验学习理论的DavidA.Kolb的学习风格模型来对学习者进行聚类，该模型把学习风格归为4类：

1.聚合型：该类学习者善于发现理论的使用价值，能有效地解决实际问题。这类学习者更喜欢基于文本的学习对象

2.发散型：该类学习者善于多视角地审视具体的情形或局面，常采用观察法从多种观点中寻找解决问题的答案。这类学习者更喜欢富含图、表、动画等生动符号的学习对象。

3.同化型：这类学习者通常对理论和抽象概念感兴趣，需要解释性的讲解而不需要实践性的互动，他们更喜欢音频、视频等富含语言讲解的学习对象。

4.调节型：这类学习者善于动手，乐于实施具有挑战性的集计划，他们更喜欢通过经验来学习。

本发明是针对全部学习风格S＝{s₁,s₂,...,s_n}中的每个学习风格s_i下的学习对象进行研究的。当把学习者归为到相应的学习风格小组后，再根据学习者所在的学习风格小组的信息来推荐其合适的学习路径。如何推荐合适的学习路径和保证学习效果的最大化，是本发明的最大创新之处。

本实施例采用人工蜂群算法来优化得到学习效果最大的学习路径推荐给学习者，蜂群算法在大数据集就无约束的优化问题上比其他一些算法如GA,DifferentialEvolution(DE),PSO或者Evolution Strategies(ES)更为优秀，这在Karaboga2009年发表的论文上有详细介绍。下面对其具体算法内容结合图2给出详细说明。

人工蜂群算法是由Karaboga在2005年根据蜜蜂觅食的群体智能行为提出的。其基本思想启发于蜜蜂在没有统一的指挥情况下，通过个体分工和信息交换，互相协作而总能发现优质食物源。人工蜂群算法正是通过模拟蜜蜂觅食的行为所表现出的蜜蜂群体智慧来设计的。这个算法模型有三个重要的组件：食物源，雇佣蜂和非雇佣蜂。食物源的个数表示算法的解的个数，蜂源的位置表示问题的解，蜜蜂寻找食物源的过程可以看做算法搜寻最优解的过程。雇佣蜂即为引领蜂，与食物源的位置相对应，一个食物源对应一个引领蜂，引领蜂的任务是发现食物源信息并以一定的概率与跟随蜂分享，概率的计算即为人工蜂群算法中的选择策略，一般是根据适应度值以轮盘赌的方法计算。非雇佣蜂包括跟随蜂和侦察蜂，跟随蜂在蜂巢的招募区内根据引领蜂提供的食物源信息来选择食物源，侦察蜂是在蜂巢附近寻找新的食物源。在人工蜂群算法中，跟随蜂依据引领蜂传递的信息，在食物源附近搜索新的食物源，并进行贪婪选择，若一个食物源在经过limit次后仍未被更新，则此引领蜂转变成侦察蜂，侦察蜂寻找新的食物源来代替原来的食物源。

人工蜂群算法中，每一次搜索过程汇总，引领蜂和跟随蜂是先后开采食物源，即寻找最优解，而侦察蜂是观察是否陷入局部最优，若陷入局部最优则随机的搜索其他可能的食物源。每一个食物源代表问题一个可能解，食物源的花蜜量对应相应解的质量(即fit_i)。人工蜂群算法描述如下：

优化问题P为：

min{f(x):x∈S∈R^d}

f(x)为目标优化函数，x＝(x₁,x₂,...,x_d)为待优化的变量，S为解空间，j＝1,2,...,d}。

优化问题P的解可抽象为一个蜜蜂种群的食物源，种群中每个引领蜂的位置对应一个食物源，每个食物源的好坏由目标函数的函数值决定，引领蜂和跟随蜂的个数与食物源(解)的个数一致，各占蜂群的一半，故某一食物源的位置可用向量x_i＝(x_i1,x_i2,...,x_id)来表示。

ABC算法首先随机初始化SN个解，对应SN个初始化的食物源，初始化解根据(2)式来产生。每个解x_i＝(x_i1,x_i2,...,x_id),i＝1,2,...,SN是一个d维的向量。

其中i＝1,2,...,SN,j＝1,2,...,d。

然后蜜蜂开始对食物源进行循环搜索，直至其达到指定精度或者最大迭代次数MAX_Gen。首先引领蜂搜索相应的食物源，即随机选择一个异于自己的蜜蜂作为邻域蜂neighbour，并随机选择一个维度作为其指引方向进行探索。探索过程按式(3)和(4)进行。

v＝r×(x_ij-x_neighour,j) (3)

其中v是探索方向及步长，neighbour∈{1,2,...,SN}且neighbour≠i，j＝{1,2,...,d}都是随机选取的，r是[-1,1]上的随机数。如果超出了解空间范围，则按式(5)将其转变成边界值：

如果搜索到的食物源(解)的质量(适应度)优于当前的，则用新的食物源代替当前的食物源，否则保持食物源不变。所有引领蜂搜索完后，回到蜂巢内的舞蹈区通过跳摇摆舞等将食物源的信息分享给蜂巢内待命的非雇佣蜂，跟随蜂根据得到的信息来判断每个食物源的收益率，并按轮盘赌方式选择食物源进行采蜜。收益率由解的适应度值来表示，适应度和选择概率按照公式(6)和(7)来计算。

其中f_i是第i个解的函数值，fit_i是其对应的适应度值，SN是解的个数。显然，基于轮盘赌选择方法，好的食物源能吸引更多的跟随蜂，得到进化的几率更大，能够加快算法的收敛速度。跟随蜂在[0,1]区间内产生一个随机数，如果选择概率p_sn大于该随机数，那么跟随蜂选中该食物源进行跟随。选中食物源后，也按照式(3)和(4)对食物源进行邻域搜索，并按式(5)对其调整，对新搜索到的位置进行贪婪选择，保留较好的解。

如果一个食物源在某一位置滞留次数超过预先设定次数limit，则表明这个解陷入局部最优，则与此位置相对应的引领蜂将转变为侦察蜂，抛弃这个食物源(解)，并按照式(2)在空间S内随机产生一个新的食物源(解)代替被抛弃的食物源(解)。这里limit是临界参数，判断某个解是否跳出当前停滞状态。

具体到本实施例，采用人工蜂群算法对行为数据的路径进行寻优，其处理过程如下：

1、先基于学习风格模型对当前学习者进行聚类，将当前学习者归到其相应的学习风格小组中。然后调取上面训练阶段得到的当前学习风格小组中每个学习概念对对应学习对象的贡献力，以及各个学习概念间的相似度距离。

2、当前学习者设定自己要学习的起始学习概念C_or和终点学习概念C_I。

3、在C_orr半径内采用人工蜂群算法，得到最优的学习概念C_{P_max}。

首先建立学习效果最大化数学模型：

MaxG(x),x＝{x₁,x₂,...,x_n} (8)

x_i为第i个学习概念的贡献力，即上面公式(1)求得的H_ij。n为学习概念的个数。这里对应(1)式,由于现在运用蜂群算法计算的是针对当前特定的学习对象，所以无需指定学习对象的序号j。

转换为蜂群算法的优化问题：

类似于蜂群算法在机器人的路径选择一样。假设每到一个点，则该点固定，然后在该点的周围利用蜂群算法选择一个最优解C_{P_max}。在该固定点C_{P_max}上放置一个侦察蜂，然后利用蜂群算法在该点附近选择一个最优解C_{P_max'}作为下一个点，侦察蜂移动到该固定点，重复上述过程，直到到达终点学习概念C_I。导出C_or、所有经过的C_{P_max}以及C_I，即得到达到最大化学习效果的学习路径。

到一个固定点后，在该固定点附近采用人工蜂群算法选择下一个最优解的方法如下：已知学习概念之间的相似度距离为D_in，学习概念C_i对学习对象的贡献力为H_ij，在C_i附近按照(2)式随机初始化SN个点，这SN个点是在C_i的r范围内的，而计算SN个点中第sn个点的适应度fit_sn由以下公式计算：

参见图2，所述人工蜂群算法的步骤是：

a、设搜索距离为r,在搜索范围内存在的蜜源，即学习概念个数为SN，最大迭代次数为Max_C,影响侦察蜂出现的最大滞留次数为limit；

b、在搜索范围内随机产生初始解C_sn，sn＝1,2,…，SN，计算并评估每个初始解的适应度值；

c、开始循环，引领蜂对解C_sn进行邻域搜索产生新解C_new，并计算其适应度值；

d、采用贪婪选择，如果C_new的适应度值优于C_sn，则用C_new替换C_sn，将C_new作为当前最优解，否则保持C_sn不变；

e、根据选择概率的计算公式计算得到当前最优解C_sn的选择概率p_sn；

f、跟随蜂在[0,1]区间内产生一个随机数，如果选择概率p_sn大于该随机数，那么跟随蜂对当前最优解C_sn进行跟随，并在当前最优解C_sn的邻域搜索产生新解，仍记为C_new，计算当前新解C_new的适应度；

g、采用贪婪选择，如果C_new的适应度值优于C_sn，则用C_new替换C_sn，将C_new作为当前最优解，否则保持C_sn不变；

h、判断当前解是否经过limit次循环仍没有被进一步更新，若是，则侦察蜂随机产生一新解将其替换；

i、记录到目前为止的最优解；

j、判断是否达到最大迭代次数Max_C,若是，则循环结束，输出最优解，否则返回步骤c继续搜索。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (5)

1.行为数据的路径寻优方法，其特征在于，包括：

(1)训练阶段：首先在已知教育大数据下，确定样本学习者的学习风格，各个学习概念间的相似度距离，然后计算每种学习风格中，每个学习概念对对应学习对象的贡献力；贡献力H_ij的计算公式是：

其中，表示学习概念C_i在学习对象O_j的比重，i＝1,2,…，I，I表示学习对象O_j中的学习概念个数，C_I为学习对象O_j的终点学习概念，j＝1,2,…，J，J表示学习对象的个数；K_m,z,j表示在一个成员数为M的特定的学习风格小组里，第m个学习者参加学习对象O_j对应的测试项目Q_z时，针对学习概念C_i的得分,m＝1,2,…，M，z＝1,2,…，Z，Z表示测试项目的个数；D_iI表示学习概念C_i与终点学习概念C_I之间的相似度距离；

(2)优化阶段：包括步骤：

(2-1)基于学习风格模型对当前学习者进行聚类，将当前学习者归到其相应的学习风格小组中；调取训练阶段得到的当前学习风格小组中每个学习概念对对应学习对象的贡献力，以及各个学习概念间的相似度距离；

(2-2)设定当前学习者的起始学习概念C_or和终点学习概念C_I；

(2-3)在C_orr半径内采用人工蜂群算法，得到最优的学习概念C_{P_max}；

(2-4)判断C_{P_max}是否为终点学习概念C_I，如果是则终止优化，执行步骤(2-5)，否则在C_{P_max}r半径内采用人工蜂群算法继续优化，依次类推，直到到达终点学习概念C_I；

(2-5)导出C_or、所有经过的C_{P_max}以及C_I，即得到达到最大化学习效果的学习路径。

2.根据权利要求1所述的行为数据的路径寻优方法，其特征在于，所述步骤(1)中，基于David A.Kolb的学习风格模型采用线上调查的方式对学习者进行聚类，将学习风格分为：聚合型、发散型、同化型和调节型。

3.根据权利要求1所述的行为数据的路径寻优方法，其特征在于，所述步骤(1)中，在已知教育大数据下，预设学习概念之间的邻接矩阵A_xy＝[a_xy]，a_xy＝1表示学习学习概念C_y前要先学习学习概念C_x，a_xy＝0表示学习概念C_y和C_x之间没有联系；然后，在所述步骤(2-3)得到最优的学习概念C_{P_max}后，先根据学习概念之间的邻接矩阵A_ij，判断在学习学习概念C_{P_max}前是否要先学习学习概念C_or，如果是，则执行步骤(2-4)，否则，删除该学习概念C_{P_max}，重新采用人工蜂群算法得到新的最优的学习概念C_{P_max}。

4.根据权利要求1所述的行为数据的路径寻优方法，其特征在于，采用人工蜂群算法对学习概念进行优化时，选择概率和适应度的计算公式如下：

式中，SN表示在当前学习概念C_snr半径内存在的学习概念数量，sn＝1,2,…，SN，D_snI表示当前学习概念C_sn与此学习对象的终点学习概念C_I之间的相似度距离，H_sn为学习概念C_sn对学习对象的贡献力。

5.根据权利要求4所述的行为数据的路径寻优方法，其特征在于，所述人工蜂群算法的步骤是：

a、设搜索距离为r,在搜索范围内存在的蜜源，即学习概念个数为SN，最大迭代次数为Max_C,影响侦察蜂出现的最大滞留次数为limit；

b、在搜索范围内随机产生初始解C_sn，sn＝1,2,…，SN，计算并评估每个初始解的适应度值；

c、开始循环，引领蜂对解C_sn进行邻域搜索产生新解C_new，并计算其适应度值；

d、采用贪婪选择，如果C_new的适应度值优于C_sn，则用C_new替换C_sn，将C_new作为当前最优解，否则保持C_sn不变；

e、根据选择概率的计算公式计算得到当前最优解C_sn的选择概率p_sn；

f、跟随蜂在[0,1]区间内产生一个随机数，如果选择概率p_sn大于该随机数，那么跟随蜂对当前最优解C_sn进行跟随，并在当前最优解C_sn的邻域搜索产生新解，仍记为C_new，计算当前新解C_new的适应度；

g、采用贪婪选择，如果C_new的适应度值优于C_sn，则用C_new替换C_sn，将C_new作为当前最优解，否则保持C_sn不变；

h、判断当前解是否经过limit次循环仍没有被进一步更新，若是，则侦察蜂随机产生一新解将其替换；

i、记录到目前为止的最优解；

j、判断是否达到最大迭代次数Max_C,若是，则循环结束，输出最优解，否则返回步骤c继续搜索。