CN107085803B - 基于知识图谱和能力测评的个性化教学资源推荐系统 - Google Patents

基于知识图谱和能力测评的个性化教学资源推荐系统 Download PDF

Info

Publication number
CN107085803B
CN107085803B CN201710204355.6A CN201710204355A CN107085803B CN 107085803 B CN107085803 B CN 107085803B CN 201710204355 A CN201710204355 A CN 201710204355A CN 107085803 B CN107085803 B CN 107085803B
Authority
CN
China
Prior art keywords
student
resource
teacher
module
knowledge
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710204355.6A
Other languages
English (en)
Other versions
CN107085803A (zh
Inventor
汪惠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hongcheng Technology Development Co ltd
Original Assignee
Hongcheng Technology Development Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hongcheng Technology Development Co ltd filed Critical Hongcheng Technology Development Co ltd
Priority to CN201710204355.6A priority Critical patent/CN107085803B/zh
Publication of CN107085803A publication Critical patent/CN107085803A/zh
Application granted granted Critical
Publication of CN107085803B publication Critical patent/CN107085803B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Educational Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于知识图谱和能力测评的个性化教学资源推荐系统，包括：知识图谱资源模块，用于构建资源库的知识图谱和资源图谱；学生学习能力测评模块，用于在知识图谱资源模块的基础上对学生学习能力进行测评获得学生学习能力等级；学生画像模块，用于结合学生学习能力等级和学生信息库绘制学生画像并对学生信息进行聚类；教师画像模块，基于教师信息库绘制教师画像；个性化推荐模块，用于对学生或教师进行资源推荐。本发明基于异构教学资源，对学习能力各不相同的学习者，以及面向差异学习者进行教学的教师能够以比较高的精准度推荐教学资源。

Description

基于知识图谱和能力测评的个性化教学资源推荐系统
技术领域
本发明涉及教学资源推荐系统，具体涉及一种基于知识图谱和能力测评的个性化教学资源推荐系统。
背景技术
随着E-Learning的崛起和web2.0技术的深入和发展，网络教学资源数量正以迅猛的速度膨胀，教学资源使用者面临的不再是资源短缺，而是由于资源过多而造成的选择困难，从海量教学资源库中选出满足需要的资源成为用户使用资源的负担，因此如何帮助用户有效精准的选择适合自己的教学资源是资源提供者需要迫切解决的一个重要问题。
解决信息超载问题一个非常有潜力的办法是推荐系统，它是根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户的个性化信息推荐系统。因此如何有效利用现有个性化推荐手段，对教学资源这支教学领域的产品按照用户的个性特点，兴趣爱好，使用行为进行推荐也成为目前热门的研究问题，协同过滤推荐，基于内容推荐，基于关联规则推荐，基于知识推荐和组合推荐等推荐方法逐步被研究者应用于教学资源推荐中。各种推荐方法，利用目标用户的最近邻居用户对商品评价的加权评价值，或是用户对商品使用的历史数据，或是用户过去选择物品的内容的文本特征等信息来预测目标用户对特定商品的喜好程度，进而根据这些信息来对目标用户进行推荐。虽然，利用推荐算法在电子商务网站中对用户进行商品推荐，对于发掘和转换用户消费取向，提高长尾产品曝光度方面都起到了非常积极有效的作用，但是纯粹的使用推荐算法的召回精准度在实践中被证明满足不了教育用户对推荐资源精准度的更高要求的预期，推荐结果往往包含很多无关或者相关性差的内容，有时候用户甚至需要查看资源的完整内容，才能确定是否是自己所需要的资源，这在浪费用户时间的同时，还降低使用者对推荐结果的满意度，降低资源使用积极性。另外，用户使用教学资源的本质需求是提高学习能力，或是提高备课效率，并且使用用户本身存在着个体差异，资源本身也存在着异构问题，因此，如何基于异构教学资源，对学习能力各不相同的学习者，以及面向差异学习者进行教学的教师以比较高的精准度推荐教学资源成为亟待解决的问题。
发明内容
本发明的目的在于提供一种基于知识图谱和能力测评的个性化教学资源推荐系统，解决如何基于异构教学资源，对学习能力各不相同的学习者，以及面向差异学习者进行教学的教师以比较高的精准度推荐教学资源的问题。
为解决上述的技术问题，本发明采用以下技术方案：
一种基于知识图谱和能力测评的个性化教学资源推荐系统，包括：
知识图谱资源模块，用于构建资源库的知识图谱和资源图谱；
学生学习能力测评模块，用于在知识图谱资源模块的基础上对学生学习能力进行测评获得学生学习能力等级；
学生画像模块，用于结合学生学习能力等级和学生信息库绘制学生画像并对学生信息进行聚类；
教师画像模块，基于教师信息库绘制教师画像；
个性化推荐模块，用于对学生或教师进行资源推荐。
更进一步的方案是，个性化推荐模块包括学生资源推荐模块和教师资源推荐模块，学生资源推荐模块为根据知识图谱资源模块、学生画像模块结合学生学习能力测评模块对学生进行资源推荐；教师资源推荐模块为根据知识图谱资源模块、教师画像模块结合学生学习能力测评模块对学生进行资源推荐。
更进一步的方案是，知识图谱资源模块包括知识树、资源库以及资源相似度，知识树为知识点集合及其知识点之间的关系，资源库为教学用资源集合及其资源之间的关系，资源相似度为根据资源之间的距离计算得到。
更进一步的方案是，学生学习能力测评模块包括学习能力初始等级、综合评分区间、应覆盖知识点、学习能力测评试卷、学习能力测评标准、学生学习能力等级，根据学习能力测评试卷对学生进行能力测评得到学生学习能力等级，根据综合测评结果判定学生的综合评分，获得覆盖知识点、未覆盖知识点、得分低知识点和与上一等级差异知识点。
更进一步的方案是，学生学习能力测评模块还包括以下内容：
根据学习能力测评试卷对学生进行能力测评的学生人数达到预定阈值时，对不同学习能力等级下的学生进行聚类分析，并对学习能力测评标准进行修正更新，并确定新的学习能力等级下的知识点综合评分区间和应覆盖知识点；
阶段性地对学生进行能力测评，根据学生学习能力测评结果，更新学生学习能力等级，所述阶段为周、月、季和年中的一种。
更进一步的方案是，学生画像模块包括学生基础画像、学生学习特征画像，根据学生基础画像对学生进行分类得到学生基础分类，根据学生学习特征画像对学生进行分类得到学生学习特征分类。
更进一步的方案是，教师画像模块包括教师学科备课画像和教师章节备课画像，根据教师学科备课画像对教师进行分类得到学科备课教师分类，根据教师章节备课画像对教师进行分类得到章节备课教师分类。
更进一步的方案是，学生资源推荐模块的构建方法是：
将学生学习能力测评模块中得到的未覆盖知识点AC1，得分低知识点AC2和与上一等级的差异知识点AC3的并集作为资源推荐集合RAC，即资源推荐集合RAC＝{R{未覆盖知识点AC1}∪R{得分低知识点AC2}∪R{与上一等级的差异知识点}}；
将学生基础分类相同的学生集合、学生学习特征分类相同或高一等级的学生集合作为最近邻居抽取集合SAC，即SAC＝{S{基础分类相同}∪S{综合学习特征分类相同等级}∪S{综合学习特征分类高一等级}}；
令RAC(u)表示学生u曾经使用过的资源集合，RAC(v)为学生v曾经使用过的资源集合，用户u∈SAC，用户v∈SAC，通过余弦相似度计算在使用资源上学生的相似度wuv，取wuv从高到低排序前K1个邻近学生的资源推荐给相应学生，K1为预设参数；
令N(i)为使用资源i并且属于SAC集合的学生数，N(j)为使用资源j并且属于SAC集合的学生数，资源i∈RAC，资源j∈RAC，通过余弦相似度计算学生使用资源的相似度wij，取wij从高到低排序前K2个资源推荐给相应学生，K2为预设参数。
更进一步的方案是，在使用资源上学生的相似度wuv的计算公式如下：
Figure BDA0001259479350000031
所述学生使用资源的相似度wij的技术公式如下：
Figure BDA0001259479350000032
更进一步的方案是，教师资源推荐模块的构建方法是：
将学科备课教师分类或章节备课教师分类的教师集合中最邻近的K3个教师的备课使用资源推荐给相应教师，其中，K3为预设参数；
将相应教师备课曾经使用资源按照资源相似度，将最邻近的K4个资源推荐给相应教师，其中，K4为预设参数；
将学生学习能力测评模块中的未覆盖知识点集合中频率最高的前K5个知识点所在的资源推荐给相应教师，其中，K5为预设参数；
将学生学习能力测评模块中的得分低知识点集合中频率最高的前K6个知识点所在的资源推荐给相应教师，其中，K6为预设参数；
将学生学习能力测评模块中的与上一等级的差异知识点集合中频率最高的前K7个知识点所在的资源推荐给相应教师，其中，K7为预设参数。
与现有技术相比，本发明的有益效果是：
本发明基于异构教学资源，对学习能力各不相同的学习者，以及面向差异学习者进行教学的教师能够以比较高的精准度推荐教学资源。
本发明利用知识图谱技术将教学资源库中的知识点和资源分层次描述并穿接起来，清楚的展示了知识点和资源各个实体之间的关系，同时描述了资源实体之间的相似度，使得知识点和资源的结构清晰明了，方便了资源库应用层进行信息提取。
本发明通过知识图谱技术，实现了学习能力测评题库和资源库中知识点结构的同构，将测评和资源推荐基础构建在相同的知识结构上，根据测评结果进行资源推荐的精度和质量更高。
本发明对学习能力进行等级划分，每个等级包括知识点综合评分区间，应覆盖知识点，学生进行测评后，不仅可以获得测评分和测评等级，还可以获得每个学生在学习上已覆盖知识点，未覆盖知识点，得分低知识点，以及与上一等级的差异知识点，通过学习能力测评找出学生未获及知识点，并以此为基准对学生进行有针对性的资源推荐，可以很大程度上提高推荐精确度，把学生真正欠缺和需要的资源推荐给学生。
本发明按粗细粒度绘制学生基础画像，学生综合学习能力画像，学生单元学习能力画像，从而可以向学习者提供不同力度的推荐支持，提高推荐资源精准度。
本发明按粗细粒度绘制教师学科备课画像，教师章节备课画像，从而可以向教学者提供不同粒度的资源推荐支持，提高备课效率。
本发明使用统计、聚类等方法，通过学生测评记录，对能力等级的测评标准进行动态更新，随着测评记录的增加，系统中的能力等级的测评标会变得越来越稳定和准确，并且更能反映学习者学习能力的真实分布情况，从而学生测评的评价结果也会越来越准确，在此基础上提高根据学生的实际学习水平进行推荐的准确度。
附图说明
图1为本发明的结构框图。
图2为本发明的知识点结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明公开了一种基于知识图谱和能力测评的个性化教学资源推荐系统，它包括六个模块，即六个步骤。
第一模块为构建资源库的知识图谱，抽取教学资源画像进行教学资源聚类,如图2所示。
构建知识图谱的第一层，将资源网站的概念实体，即知识点，映射成知识树(即一个由许多点和边组成的网络)中的结点，结点的属性包括年级，学科，教学版本，章节，知识点名称，知识点内容，上层知识点，下层知识点。知识点间的关系则映射成网络边。该层图谱中的边在一定程度上代表了相连的两个结点(词条)之间的上/下位关系。用Ki即可表示每个知识点画像。
Ki＝{年级，学科，教学版本，章节，知识点名称，知识点内容，知识点的学习难度，知识点的学习时长，上层知识点向量，下层知识点向量}
构建知识图谱的第二层，将资源网站的概念实体，即资源，映射成资源图谱中的节点，节点的属性包括年级，学科，教学版本，章节，资源类型，知识点集合。资源类型包含课件，学案，教案，多媒体素材，题库，课程资源包，问题，答疑，知识锦囊。资源间的关系映射成网络变。该层图谱中的边代表的是资源之间的距离度量。用Ri即可表示每个资源画像。
Ri＝{年级，学科，教学版本，章节，资源类型，{K1，K2，K3,…Kn}}
根据资源之间的距离度量，将资源按照在距离上的“亲疏”程度进行分类，并给资源打上分类标识。
以{年级，学科，教学版本，章节，资源类型，{K1，K2，K3,…Kn}}为维度计算资源间的距离，记为RD1i。
以{年级，学科，教学版本，章节，{K1，K2，K3,…Kn}}为维度计算资源间的距离，记为RD2i。
以{年级，学科，章节，资源类型，{K1，K2，K3,…Kn}}为维度计算资源间的距离，记为RD3i。
以{年级，学科，章节，{K1，K2，K3,…Kn}}为维度计算资源间的距离，记为RD4i。
第二模块为基于第一个模块中构建的知识图谱，在相同知识树下对学生进行学习能力测评，获得学生学习能力等级。
由专业教师根据业务经验，从知识树上按年级，学科，知识点难易程度从资源库的题库类别中抽取试题组合成测评试卷作为学生综合学习能力测评冷启动使用。
由专业教师根据业务经验，从知识树上按年级，学科，教学版本，章节，知识点难易程度从资源库的题库类别中抽取试题组合成测评试卷作为学生单元学习能力测评冷启动使用。
由专业教师根据业务经验，在年级和学科下，预置好学生学习能力初始等级，每个等级包括知识点综合评分区间，应覆盖知识点。预置的学习能力初始等级作为学生综合学习能力测评评价标准冷启动使用。
由专业教师根据业务经验，在年级，学科，教学版本和章节下，预置好学生学习能力初始等级，每个等级包括知识点综合评分区间，应覆盖知识点。预置的学习能力初始等级作为学生单元学习能力测评评价标准冷启动使用。
在年级和学科下，根据学生综合测评实际结果判定学生知识点测评综合评分，覆盖知识点，未覆盖知识点，得分低知识点，根据预设学习能力等级给出学生的综合学习能力等级。
在年级，学科，教学版本和章节下，根据学生单元测评实际结果判定学生知识点测评综合评分，覆盖知识点，未覆盖知识点，得分低知识点，根据预设学习能力等级给出学生的单元学习能力等级。
在年级和学科下，比较学生的综合学习能力等级与上一个能力等级的测评标准，提取出与上一等级的差异知识点。
在年级，学科，教学版本和章节下，比较学生的单元学习能力等级与上一个能力等级的测评标准，提取出与上一等级的差异知识点。
测评人数达到一定阈值以后，对于处于不同学习能力等级下的学生进行聚类，对初始学生测评评价标准进行修正，确定新的每个学生学习能力等级下的知识点综合评分区间和应覆盖知识点。这个阈值的确定应该是当初设的每个评测等级下的学生人数达到一定数量以后，并且新确定的等级评价标准需在专业教师检验符合业务实际以后才确认入库作为新的等级评价标准。
用Ai即可表示每个学生的在某年级和学科下的综合学习能力等级。
Ai＝{年级，学科，{知识点测评综合评分}，{覆盖知识点}，{未覆盖知识点}，{得分低知识点}，{与上一等级的差异知识点}}
用Bi即可表示每个学生的在某年级，学科，教学版本和章节下的单元学习能力等级。
Bi＝{年级，学科，教学版本，章节，{知识点测评综合评分}，{覆盖知识点}，{未覆盖知识点}，{得分低知识点}，{与上一等级的差异知识点}}
阶段性的给学生提供学习能力测评，根据学生学习能力测评结果，更新学生的学习能力等级。阶段作为预设的参数可以是以周，月，季和年的时间单位。
在年级和学科下，统计未覆盖知识点及其出现频率，并作为数据记录入库，记录集合记为AC1。
在年级和学科下，统计得分低知识点及其出现频率，并作为数据记录入库，记录集合记为AC2。
在年级和学科下，统计与上一等级的差异知识点及其出现频率，并作为数据记录入库，记录集合记为AC3。
在年级，学科，教学版本和章节下，统计未覆盖知识点及其出现频率，并作为数据记录入库，记录集合记为BC1。
在年级，学科，教学版本和章节下，统计得分低知识点及其出现频率，并作为数据记录入库，记录集合记为BC2。
在年级，学科，教学版本和章节下，统计与上一等级的差异知识点及其出现频率，并作为数据记录入库，记录集合记为BC3。
第三模块为结合第二模块中获得的学生学习能力等级，以及基于学生信息库利用统计方法提炼的学生的社会属性，经济属性，学习行为，学习态度绘制学生画像并进行学生聚类。
从学生信息库中，抽取学生的社会属性，包括性别，年龄，年级，地域。
从学生信息库中，抽取学生的经济属性，包括缴费金额，缴费频率。
从学生信息库中，抽取学生学习行为数据，包括资源浏览次数，平均资源学习时长，资料下载次数，答疑次数，发帖数量，发帖性质。
利用统计分析方法，根据学生学习行为数据和学生能力评测等级，进行学生学习态度评价，从学生学习的情感体验，行为倾向和认知水平三方面进行测评，其中,行为倾向分为综合行为倾向和单元行为倾向；认知水平又分为综合认知水平和单元认知水平。
情感体验＝{发帖性质，发帖的数量}
综合行为倾向＝{学科，资源浏览次数，平均资源学习时长，资料下载次数，答疑次数}
单元行为倾向＝{学科，教学版本，章节，资源浏览次数，平均资源学习时长，资料下载次数，答疑次数}
综合认知水平＝{学科，资源浏览次数阶段发展趋势，平均资源学习时长的阶段发展趋势，资料下载次数的阶段发展趋势，答疑次数的阶段发展趋势，学习能力测评等级的阶段发展趋势}
单元认知水平＝{学科，教学版本，章节，资源浏览次数阶段发展趋势，平均资源学习时长的阶段发展趋势，资料下载次数的阶段发展趋势，答疑次数的阶段发展趋势，学习能力测评等级的阶段发展趋势}
用Si即可表示每个学生基础画像。
Si＝{{社会属性}，{经济属性}}
用SAi即可表示每个学生综合学习特征画像。
SAi＝{学习态度{{情感体验},{综合行为倾向},{综合认知水平}},{A1，A2，…An}}
用SBi即可表示每个学生单元学习特征画像
SBi＝{学习态度{{情感体验},{单元行为倾向},{单元认知水平}},{B1，B2，…Bn}}
根据学生之间的距离度量，将学生按照在距离上的“亲疏”程度进行分类，并给学生打上基础分类标识和学习分类标识，其中学习分类标识是具有等级顺序的尺度标识。
阶段性的对学生的学习特征信息进行更新，阶段作为预设的参数可以是以周，月，季和年的时间单位。
第四模块为基于教师信息库利用统计方法提炼的教师的社会属性和教学行为，绘制教师画像并进行教师聚类。
从教师信息库中，抽取教师的社会属性，包括性别，年龄，教龄，专业，职称，学历，工作地域。
从教师信息库中，抽取教师教学行为数据，包括资源浏览名称，资源浏览次数，资源下载名称，资料下载次数，答疑主题，答疑次数，备课年级，备课学科，备课教学版本，备课章节，备课使用资源，备课使用资源次数，备课次数，出题年级，出题学科，出题次数，组卷年级，组卷学科，组卷次数，知识锦囊提供次数。
用Ti即可表示教师在每个备课学科下的画像。
学科教学行为＝{资源浏览名称，资源浏览次数，资源下载名称，资料下载次数，答疑主题，答疑次数，备课年级，备课学科，备课章节，备课使用资源，备课使用资源次数，备课次数，出题年级，出题学科，出题次数，组卷年级，组卷学科，组卷次数，知识锦囊提供次数。}
TCi＝{{社会属性}，{学科教学行为}}
用Ti即可表示教师在每个备课教学版本下的画像。
TCTi＝{{社会属性}，{教学版本教学行为}}
学科教学行为＝{资源浏览名称，资源浏览次数，资源下载名称，资料下载次数，答疑主题，答疑次数，备课年级，备课学科，备课教学版本，备课章节，备课使用资源，备课使用资源次数，备课次数，出题年级，出题学科，出题次数，组卷年级，组卷学科，组卷次数，知识锦囊提供次数。}
根据教师之间的距离度量，将教师按照在距离上的“亲疏”程度进行分类，并给教师打上分类标识。
第五个模块为使用第一模块和第三模块的聚类信息，结合第二模块的学生能力等级信息，根据学生学习能力距更高等级的差距，利用学习者学习资源偏好和相似学习者偏好对学生进行资源推荐。
在年级和学科下，根据学生的综合学习能力进行推荐。
在年级和学科下，将学生综合测评中获得的{未覆盖知识点AC1}，{得分低知识点AC2}，{与上一等级的差异知识点AC3}作为资源推荐的第一层过滤条件，缩小资源推荐范围。RAC为资源推荐集合。
RAC＝{R{未覆盖知识点AC1}∪R{得分低知识点AC2}∪R{与上一等级的差异知识点AC3}}；
在年级和学科下，将与学生基础分类相同的学生集合和学习特征分类相同或者高一等级的学生集合的并集作为学生最近邻居抽取的第一层过滤条件，缩小最近邻居范围。SAC为学生最近邻居抽取集合。
SAC＝{S{基础分类相同}∪S{综合学习特征分类相同等级}∪S{综合学习特征分类高一等级}}
令RAC(u)表示学生u曾经使用过的资源集合，RAC(v)为学生v曾经使用过的资源集合，用户u∈SAC，用户v∈SAC。通过改进的余弦相似度计算学生在使用资源上的相似度wuv，计算公式如下：
Figure BDA0001259479350000091
取wuv从高到低排序前K1个邻近学生的资源推荐给该学生。其中，K1为预设参数。
令N(i)为使用资源i的属于SC集合的学生数，N(j)为使用资源j的属于SAC集合的学生数，资源i∈RAC，用户j∈RAC。通过改进的余弦相似度计算资源相似度wij，计算公式如下：
Figure BDA0001259479350000092
取wuv从高到低排序前K2个资源推荐给学生。其中，K2为预设参数。
在年级，学科，教学版本和章节下，根据学生的单元学习能力进行推荐。
在年级，学科，教学版本和章节下，将学生单元测评中获得的{未覆盖知识点BC1}，{得分低知识点BC2}，{与上一等级的差异知识BC3}做为资源推荐的第一层过滤条件，缩小资源推荐范围。RC为资源推荐集合。
RBC＝{R{未覆盖知识点BC1}∪R{得分低知识点BC2}∪R{与上一等级的差异知识点BC3}}
在年级，学科，教学版本和章节下，将与学生基础分类相同的学生集合和学习特征分类相同或者高一等级的学生集合的并集作为学生最近邻居抽取的第一层过滤条件，缩小最近邻居范围。SBC为学生最近邻居抽取集合。
SBC＝{S{基础分类相同}∪S{单元学习特征分类相同等级}∪S{单元学习特征分类高一等级}}
令RBC(u)表示学生u曾经使用过的资源集合，RBC(v)为学生v曾经使用过的资源集合，学生u∈SBC，学生v∈SBC。通过改进的余弦相似度计算学生在使用资源上的相似度wuv。
Figure BDA0001259479350000101
取wuv从高到低排序前K1个用户的资源推荐给学生。其中，K1为预设参数。
令N(i)为使用资源i的属于SBC集合的用户数，N(j)为使用资源j的属于SBC集合用户数，资源i∈RBC，用户j∈RBC。通过改进的余弦相似度计算资源相似度wij。
Figure BDA0001259479350000102
取wuv从高到低排序前K2个资源推荐给学生。其中，K2为预设参数。
第六个模块为使用第一模块和第四模块的聚类信息，结合第二模块的学生能力等级信息，利用教学者使用资源偏好和相似教学者偏好对教师进行资源推荐。对教师进行资源推荐主要用在教师备课环节，用于提高教师备课的效率，并且针对学生学习特点准备有针对性的教学资源。
在设定备课年级，备课学科，备课教学版本，备课章节的基础上，进行备课资源推荐。
在设定备课年级，备课学科，备课教学版本，备课章节的基础上，将第四模块TCT教师集合中的最邻近的K1个教师的备课使用资源推荐给改教师。其中，K1为预设参数。
在设定备课年级，备课学科，备课教学版本，备课章节的基础上，将该教师备课曾经使用资源按照资源相似度RD2，将最邻近的K2个资源推荐给教师。其中，K2为预设参数。
在设定备课年级，备课学科，备课教学版本，备课章节的基础上，将学生单元测评中未覆盖知识点集合BC1中频率高的前K3个知识点所在资源推荐给教师。其中，K3为预设参数。
在设定备课年级，备课学科，备课教学版本，备课章节的基础上，将学生单元测评中得分低知识点集合BC2中频率高的前K4个知识点所在资源推荐给教师。其中，K4为预设参数。
在设定备课年级，备课学科，备课教学版本，备课章节的基础上，将学生单元测评中与上一等级的差异知识点集合BC3中频率高的前K5个知识点所在资源推荐给教师。其中，K5为预设参数。
在设定备课年级，备课学科，备课章节的基础上，进行备课资源推荐。
在设定备课年级，备课学科，备课章节的基础上，将第四模块TCT教师集合中的最邻近的K1个教师的备课使用资源推荐给改教师。其中，K1为预设参数。
在设定备课年级，备课学科，备课章节的基础上，将该教师备课曾经使用资源按照资源相似度RD2，将最邻近的K2个资源推荐给教师。其中，K2为预设参数。
在设定备课年级，备课学科，备课章节的基础上，将学生单元测评中未覆盖知识点集合BC1中频率高的前K3个知识点所在资源推荐给教师。其中，K3为预设参数。
在设定备课年级，备课学科，备课章节的基础上，将学生单元测评中得分低知识点集合BC2中频率高的前K4个知识点所在资源推荐给教师。其中，K4为预设参数。
在设定备课年级，备课学科，备课章节的基础上，将学生单元测评中与上一等级的差异知识点集合BC3中频率高的前K5个知识点所在资源推荐给教师。其中，K5为预设参数。
尽管这里参照本发明的多个解释性实施例对本发明进行了描述，但是，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的原则范围和精神之内。更具体地说，在本申请公开、附图和权利要求的范围内，可以对主题组合布局的组成部件和/或布局进行多种变型和改进。除了对组成部件和/或布局进行的变形和改进外，对于本领域技术人员来说，其他的用途也将是明显的。

Claims (7)

1.一种基于知识图谱和能力测评的个性化教学资源推荐系统，其特征在于，包括：
知识图谱资源模块，用于构建资源库的知识图谱和资源图谱；
学生学习能力测评模块，用于在知识图谱资源模块的基础上对学生学习能力进行测评获得学生学习能力等级；
学生画像模块，用于结合学生学习能力等级和学生信息库绘制学生画像并对学生信息进行聚类；
教师画像模块，基于教师信息库绘制教师画像；
个性化推荐模块，用于对学生或教师进行资源推荐；
所述知识图谱资源模块包括知识树、资源库以及资源相似度，所述知识树为知识点集合及其知识点之间的关系，所述资源库为教学用资源集合及其资源之间的关系，所述资源相似度为根据资源之间的距离计算得到；
所述学生学习能力测评模块包括学习能力初始等级、综合评分区间、应覆盖知识点、学习能力测评试卷、学习能力测评标准、学生学习能力等级，根据学习能力测评试卷对学生进行能力测评得到学生学习能力等级，根据综合测评结果判定学生的综合评分，获得覆盖知识点、未覆盖知识点、得分低知识点和与上一等级差异知识点；
所述个性化推荐模块包括学生资源推荐模块和教师资源推荐模块，所述学生资源推荐模块为根据知识图谱资源模块、学生画像模块结合学生学习能力测评模块对学生进行资源推荐；所述教师资源推荐模块为根据知识图谱资源模块、教师画像模块结合学生学习能力测评模块对学生进行资源推荐。
2.根据权利要求1所述的基于知识图谱和能力测评的个性化教学资源推荐系统，其特征在于：所述学生学习能力测评模块还包括以下内容：
根据学习能力测评试卷对学生进行能力测评的学生人数达到预定阈值时，对不同学习能力等级下的学生进行聚类分析，并对学习能力测评标准进行修正更新，并确定新的学习能力等级下的知识点综合评分区间和应覆盖知识点；
阶段性地对学生进行能力测评，根据学生学习能力测评结果，更新学生学习能力等级，所述阶段为周、月、季和年中的一种。
3.根据权利要求1所述的基于知识图谱和能力测评的个性化教学资源推荐系统，其特征在于：所述学生画像模块包括学生基础画像、学生学习特征画像，根据学生基础画像对学生进行分类得到学生基础分类，根据学生学习特征画像对学生进行分类得到学生学习特征分类。
4.根据权利要求1所述的基于知识图谱和能力测评的个性化教学资源推荐系统，其特性在于：所述教师画像模块包括教师学科备课画像和教师章节备课画像，根据教师学科备课画像对教师进行分类得到学科备课教师分类，根据教师章节备课画像对教师进行分类得到章节备课教师分类。
5.根据权利要求3所述的基于知识图谱和能力测评的个性化教学资源推荐系统，其特征在于：所述学生资源推荐模块的构建方法是：
将学生学习能力测评模块中得到的未覆盖知识点AC1，得分低知识点AC2和与上一等级的差异知识点AC3的并集作为资源推荐集合RAC，即资源推荐集合RAC={R{未覆盖知识点AC1}∪R{得分低知识点AC2}∪R{与上一等级的差异知识点}}；
将学生基础分类相同的学生集合、学生学习特征分类相同或高一等级的学生集合作为最近邻居抽取集合SAC，即SAC={S{基础分类相同}∪ S{综合学习特征分类相同等级} ∪ S{综合学习特征分类高一等级}}；
令RAC(u)表示学生u曾经使用过的资源集合，RAC(v)为学生v曾经使用过的资源集合，用户u∈SAC，用户v∈SAC，通过余弦相似度计算在使用资源上学生的相似度
Figure DEST_PATH_IMAGE001
，取
Figure 986122DEST_PATH_IMAGE001
从高到低排序前K1个邻近学生的资源推荐给相应学生，所述K1为预设参数；
令N(i)为使用资源i并且属于SAC集合的学生数，N(j)为使用资源j并且属于SAC集合的学生数，资源i∈RAC，资源j∈RAC，通过余弦相似度计算学生使用资源的相似度
Figure 74163DEST_PATH_IMAGE002
，取
Figure 810038DEST_PATH_IMAGE002
从高到低排序前K2个资源推荐给相应学生，所述K2为预设参数。
6.根据权利要求5所述的基于知识图谱和能力测评的个性化教学资源推荐系统，其特征在于：所述在使用资源上学生的相似度
Figure 103878DEST_PATH_IMAGE001
的计算公式如下：
Figure 241599DEST_PATH_IMAGE004
所述学生使用资源的相似度
Figure 562859DEST_PATH_IMAGE002
的技术公式如下：
Figure 786030DEST_PATH_IMAGE006
。
7.根据权利要求4所述的基于知识图谱和能力测评的个性化教学资源推荐系统，其特征在于：所述教师资源推荐模块的构建方法是：
将学科备课教师分类或章节备课教师分类的教师集合中最邻近的K3个教师的备课使用资源推荐给相应教师，其中，K3为预设参数；
将相应教师备课曾经使用资源按照资源相似度，将最邻近的K4个资源推荐给相应教师，其中，K4为预设参数；
将学生学习能力测评模块中的未覆盖知识点集合中频率最高的前K5个知识点所在的资源推荐给相应教师，其中，K5为预设参数；
将学生学习能力测评模块中的得分低知识点集合中频率最高的前K6个知识点所在的资源推荐给相应教师，其中，K6为预设参数；
将学生学习能力测评模块中的与上一等级的差异知识点集合中频率最高的前K7个知识点所在的资源推荐给相应教师，其中，K7为预设参数。
CN201710204355.6A 2017-03-31 2017-03-31 基于知识图谱和能力测评的个性化教学资源推荐系统 Active CN107085803B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710204355.6A CN107085803B (zh) 2017-03-31 2017-03-31 基于知识图谱和能力测评的个性化教学资源推荐系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710204355.6A CN107085803B (zh) 2017-03-31 2017-03-31 基于知识图谱和能力测评的个性化教学资源推荐系统

Publications (2)

Publication Number Publication Date
CN107085803A CN107085803A (zh) 2017-08-22
CN107085803B true CN107085803B (zh) 2020-09-08

Family

ID=59614658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710204355.6A Active CN107085803B (zh) 2017-03-31 2017-03-31 基于知识图谱和能力测评的个性化教学资源推荐系统

Country Status (1)

Country Link
CN (1) CN107085803B (zh)

Families Citing this family (54)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109427218B (zh) * 2017-08-25 2021-07-30 北京三好互动教育科技有限公司 一种在线教育系统和方法
CN107862562B (zh) * 2017-09-15 2022-01-07 唯品会(海南)电子商务有限公司 一种根据用户的图片喜好选择进行商品推荐的方法及装置
CN107944023B (zh) * 2017-12-12 2020-11-27 广东小天才科技有限公司 一种习题的推送方法、系统及终端设备
CN108319718A (zh) * 2018-02-11 2018-07-24 珠海未云信息技术有限公司 教学素材库的建立方法、装置和教学素材库
CN108389148B (zh) * 2018-03-06 2019-10-25 江苏中企教育科技股份有限公司 一种外贸人才课程推荐的方法及系统
CN108536799A (zh) * 2018-03-30 2018-09-14 上海乂学教育科技有限公司 自适应教学监测与洞察信息处理方法
CN108510816A (zh) * 2018-03-30 2018-09-07 重庆智考信息技术有限公司 在线学习系统及方法
CN108564499A (zh) * 2018-04-16 2018-09-21 中山大学 基于知识网络的以用户为中心的教学资源组织与服务系统
CN108596472A (zh) * 2018-04-20 2018-09-28 贵州金符育才教育科技有限公司 一种理科学习的人工智能教学系统及方法
CN108563780B (zh) * 2018-04-25 2022-04-26 北京比特智学科技有限公司 课程内容推荐方法和装置
CN108734607B (zh) * 2018-05-21 2022-09-23 新乡医学院 智能英语学习效果诊断方法及装置
CN108629716A (zh) * 2018-06-20 2018-10-09 大国创新智能科技(东莞)有限公司 基于大数据与人工智能的精准复习方法和教育机器人系统
CN108920556B (zh) * 2018-06-20 2021-11-19 华东师范大学 基于学科知识图谱的推荐专家方法
CN108897828A (zh) * 2018-06-21 2018-11-27 广东小天才科技有限公司 一种知识系统构建方法及电子设备
CN109598656A (zh) * 2018-07-25 2019-04-09 北京迪川信息科技有限公司 一种知识库综合分析与应用服务系统
CN109033438B (zh) * 2018-08-15 2022-06-21 邢鲁华 一种记录用户学习内容的方法及装置
CN109191929A (zh) * 2018-09-25 2019-01-11 上海优谦智能科技有限公司 基于知识图谱的智能教育系统
CN109410675B (zh) * 2018-12-12 2021-03-12 广东小天才科技有限公司 一种基于学生画像的练习题推荐方法及家教设备
CN109670110B (zh) * 2018-12-20 2023-05-12 蒋文军 一种教育资源推荐方法、装置、设备及存储介质
CN109783647B (zh) * 2018-12-21 2023-06-13 武汉思路富邦工程咨询有限公司 智能学习模型的构建方法
CN109919810B (zh) * 2019-01-22 2023-01-24 山东科技大学 在线学习系统中的学生建模与个性化课程推荐方法
CN111507076B (zh) * 2019-01-29 2022-07-05 北京新唐思创教育科技有限公司 一种用于教学系统的共案课件制作方法、装置和终端
CN109885772A (zh) * 2019-02-27 2019-06-14 上海优谦智能科技有限公司 基于知识图谱的教育内容个性化推荐系统
CN110009957A (zh) * 2019-04-10 2019-07-12 上海乂学教育科技有限公司 自适应学习中数学大知识图谱测试系统及方法
CN110021213A (zh) * 2019-05-14 2019-07-16 上海乂学教育科技有限公司 人工智能学习中数学前序学习方法
CN110457283A (zh) * 2019-05-24 2019-11-15 四川信息职业技术学院(广元无线电技工学校) 一种基于数据挖掘的教学点评与推荐系统及其方法
CN112148805A (zh) * 2019-06-28 2020-12-29 上海掌学教育科技有限公司 一种知识图谱系统
CN110737776A (zh) * 2019-08-27 2020-01-31 南京源涂信息技术有限公司 一种基于知识图谱和目标本体的路径学习规划系统
CN111177413A (zh) * 2019-12-30 2020-05-19 北京谦仁科技有限公司 学习资源推荐方法、装置和电子设备
CN111368182B (zh) * 2020-02-17 2023-07-04 河北仓澜教育科技集团有限公司 基于教育平台大数据分析的个性化自适应学习推荐方法
CN111460145A (zh) * 2020-03-18 2020-07-28 天闻数媒科技（北京）有限公司 一种学习资源推荐方法、设备及存储介质
CN111597357B (zh) * 2020-05-27 2024-04-09 上海松鼠课堂人工智能科技有限公司 用于打地基学习的测评系统与方法
CN111708927B (zh) * 2020-06-17 2021-05-07 腾讯科技（深圳）有限公司 信息推荐方法、装置及电子设备
CN111859116B (zh) * 2020-06-19 2022-07-08 湖南师范大学 基于大数据和生涯规划的个性化课程推荐方法与装置
CN111753098A (zh) * 2020-06-23 2020-10-09 陕西师范大学 一种基于跨媒体动态知识图谱的教学方法及系统
US20230298119A1 (en) * 2020-08-14 2023-09-21 Siemens Aktiengesellschaft Method and Device for Intelligently Providing Recommendation Information
CN111816010A (zh) * 2020-08-17 2020-10-23 上海智云智训教育科技有限公司 一种基于人工智能的职业教育自适应学习系统
CN112287037B (zh) * 2020-10-23 2024-05-31 东软教育科技集团有限公司 一种多实体混合知识图谱构建方法、装置及存储介质
CN112465227A (zh) * 2020-11-27 2021-03-09 北京爱论答科技有限公司 一种授课资料获取方法及装置
CN112488887A (zh) * 2020-12-02 2021-03-12 广州大学 一种基于知识图谱的学习者画像的生成方法与装置
CN113342986A (zh) * 2021-03-25 2021-09-03 曼汉教育科技(上海)有限公司 一种基于知识图谱的个性化知识服务推荐系统
CN112926889A (zh) * 2021-03-31 2021-06-08 创壹（上海）信息科技有限公司 一种学习能力评估系统及提升学习能力的方法
CN113191651B (zh) * 2021-05-11 2023-11-10 浙江吉利控股集团有限公司 线上线下混合式教育方法、系统、电子设备及存储介质
CN113362205B (zh) * 2021-06-18 2023-01-17 广州工商学院 一种师资队伍培养管理系统
CN113535982B (zh) * 2021-07-27 2022-05-24 南京邮电大学盐城大数据研究院有限公司 一种基于大数据的教学系统
CN113592301A (zh) * 2021-07-30 2021-11-02 国能大渡河大数据服务有限公司 一种员工培训管理方法及系统
CN114241835B (zh) * 2021-11-17 2024-08-20 北京执象科技发展有限公司 一种学生口语质量评测方法和设备
CN114580912B (zh) * 2022-03-07 2024-10-18 浙江大学 一种基于知识距离的项目式学习分组方法及装置
WO2024033951A1 (en) * 2022-08-11 2024-02-15 Social Things S.R.L. Computer- implemented method for providing a recommendation to a teacher user for creating a personalized teaching course
CN117153005A (zh) * 2022-12-23 2023-12-01 深圳市木愚科技有限公司 基于英语单词教学平台的教学方法、装置、计算机设备及存储介质
CN116028647A (zh) * 2023-02-07 2023-04-28 中科乐听智能技术(济南)有限公司 基于知识图谱的融合教育智能评语方法及系统
CN116342340B (zh) * 2023-03-31 2023-10-17 上海毅学堂智能科技有限公司 基于多版本教材知识图谱实现的个性化教育系统及方法
CN117131288B (zh) * 2023-09-07 2024-10-18 苏州椿之硕信息科技有限公司 一种产学研用推荐系统及方法
CN117056612B (zh) * 2023-10-11 2023-12-08 广东信聚丰科技股份有限公司 基于ai辅助的备课资料数据推送方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101105853A (zh) * 2007-08-16 2008-01-16 上海交通大学 网络教学中基于非零起点的个性化导学系统
WO2008072926A1 (en) * 2006-12-15 2008-06-19 Nam-Kyo Park Apparatus and method for recommneding lecture tailored to person, and connection terminal thereof
CN103793518A (zh) * 2014-02-12 2014-05-14 广东小天才科技有限公司 一种学习资源推送方法和装置
CN105787839A (zh) * 2016-03-23 2016-07-20 成都准星云学科技有限公司 一种学习资源推送方法和装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101595499A (zh) * 2006-12-15 2009-12-02 朴南教 用于推荐针对个人定制的讲课的设备和方法及其连接终端

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008072926A1 (en) * 2006-12-15 2008-06-19 Nam-Kyo Park Apparatus and method for recommneding lecture tailored to person, and connection terminal thereof
CN101105853A (zh) * 2007-08-16 2008-01-16 上海交通大学 网络教学中基于非零起点的个性化导学系统
CN103793518A (zh) * 2014-02-12 2014-05-14 广东小天才科技有限公司 一种学习资源推送方法和装置
CN105787839A (zh) * 2016-03-23 2016-07-20 成都准星云学科技有限公司 一种学习资源推送方法和装置

Also Published As

Publication number Publication date
CN107085803A (zh) 2017-08-22

Similar Documents

Publication Publication Date Title
CN107085803B (zh) 基于知识图谱和能力测评的个性化教学资源推荐系统
CN106528656B (zh) 一种基于学员历史和实时学习状态参量实现课程推荐的方法和系统
CN109299372B (zh) 一种基于协同过滤的智慧选课推荐方法
CN107230174B (zh) 一种基于网络的在线互动学习系统和方法
Nuangchalerm TPACK in ASEAN Perspectives: Case Study on Thai Pre-Service Teacher.
Hearn The relative roles of academic, ascribed, and socioeconomic characteristics in college destinations
Shin Teaching and research nexuses across faculty career stage, ability and affiliated discipline in a South Korean research university
Chingos et al. School districts and student achievement
Koponen et al. Concept networks of students’ knowledge of relationships between physics concepts: Finding key concepts and their epistemic support
Hsieh Online learning era: Exploring the most decisive determinants of MOOCs in Taiwanese higher education
CN112487290A (zh) 基于大数据和人工智能的互联网精准化教学方法及系统
Sooryanarayan et al. Impact of learner motivation on mooc preferences: Transfer vs. made moocs
Magulod Jr et al. Attainment of the immediate program graduate attributes and learning outcomes of teacher candidates towards global competence initiatives
US11416558B2 (en) System and method for recommending personalized content using contextualized knowledge base
CN108009194A (zh) 一种图书推送方法、电子设备、存储介质及装置
Edwards Impact of technology on the content and nature of teaching and learning
CN114881827B (zh) 一种基于互联网的远程在线教育培训方法、系统及存储介质
CN112699933B (zh) 用户教学素材加工处理能力自动识别方法及系统
Khalaf et al. E-learning Challenges faced by Learners in Education Institutions
Wan et al. Personalized professional recommendation system based on undergraduate questionnaires
Li et al. Design of Intelligent Push System for Teaching Resources Based on User Profile
Moe et al. Evaluation for teacher’s ability and forecasting student’s career based on big data
Sutherland et al. Teaching, research, and service activities and preferences in the work lives of New Zealand early career academics
Katzenstein et al. Design of an ideal direct marketing course from the students' perspective
Jerant et al. Attributes affecting the medical school primary care experience

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP02 Change in the address of a patent holder

Address after: 408, 4th floor, No.1 Qinglong Hutong, Dongcheng District, Beijing

Patentee after: HONGCHENG TECHNOLOGY DEVELOPMENT Co.,Ltd.

Address before: Room 417, No.10 Xinghuo Road, Science Park, Fengtai District, Beijing

Patentee before: HONGCHENG TECHNOLOGY DEVELOPMENT Co.,Ltd.

CP02 Change in the address of a patent holder