CN107346346A - 基于数据图谱、信息图谱和知识图谱的学习者能力建模与学习过程优化管理系统 - Google Patents
基于数据图谱、信息图谱和知识图谱的学习者能力建模与学习过程优化管理系统 Download PDFInfo
- Publication number
- CN107346346A CN107346346A CN201710745709.8A CN201710745709A CN107346346A CN 107346346 A CN107346346 A CN 107346346A CN 201710745709 A CN201710745709 A CN 201710745709A CN 107346346 A CN107346346 A CN 107346346A
- Authority
- CN
- China
- Prior art keywords
- mrow
- explanation
- learner
- learning
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013480 data collection Methods 0.000 title claims abstract description 27
- 238000013507 mapping Methods 0.000 title claims abstract description 26
- 230000006399 behavior Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 238000005303 weighing Methods 0.000 claims description 2
- 238000009412 basement excavation Methods 0.000 claims 1
- 230000033772 system development Effects 0.000 abstract description 8
- 238000013459 approach Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9027—Trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Educational Technology (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明是一种基于数据图谱、信息图谱和知识图谱的学习者能力建模及学习过程优化管理系统开发方法，属于分布式计算和软件工程学技术交叉领域。基于数据图谱、信息图谱和知识图谱对学习者的学习点掌握情况进行建模，从而在数据、信息和知识层面上综合评估学习者的学习能力，并根据学习者的学习进度更新学习者模型，动态管理学习资源和推荐学习路径，为学习者提供个性化的学习推荐服务，做到因材施教。
Description
技术领域
本发明是一种基于数据图谱、信息图谱和知识图谱的学习者能力建模与学习过程优化管理系统开发方法，根据学习者的学习行为基于数据图谱、信息图谱和知识图谱对学习者的能力进行建模，依据学习者模型向学习者推荐学习资源，主要用于使学习者花费最少时间和精力（假定时间、精力均匀分布，单位时间和精力获得的知识一样多）得到最高效的学习指导，关注学习者特征和学习需求差异，因材施教，满足学习者的个性化学习需求，属于分布式计算和软件工程学技术交叉领域。
背景技术
随着知识经济的发展，当今社会对人们的知识掌握程度提出了更高的要求，在线学习面临的问题是网上数据庞杂，导致学习者难以快速找到适合自己的学习资源。随着学习资源日益丰富，学习者在学习过程中面临“信息过载”和“信息迷航”问题，如何满足学习者个性化的学习需求，成为在线教育面临的重要挑战之一。个性化推荐在深入分析用户行为习惯和兴趣爱好的基础上，建立学习者模型，有针对性地向学习者推荐网络资源。学习者建模是个性化推荐技术的关键。当前主流的学习者建模方法大体基于两种思路：一是根据学习者访问行为的相似度；二是根据学习者访问资源的主题内容相似度。适应性学习是远程教育发展质的飞跃，其直接原因是以计算机、远程通信和认知科学结合的知识媒体的综合运用。适应性学习能根据学习者的特征选择合适的学习内容和学习方法作为推荐。
随着智能化和个性化信息服务应用的不断发展，知识图谱被广泛地应用于智能搜索、智能问答、个性化推荐等领域。知识图谱已经成为用标记的有向图形式表示知识的强大工具，并给出文本信息的语义。知识图谱是通过将每个项目、实体或用户作为结点表示，并且通过边缘将彼此相互作用的那些结点链接起来构造的图形。结点之间的边可以表示任意关系。学习点是学习活动中传递数据、信息和知识的基本单元，单独的学习点应能体现知识内容本身的局部完整性，学习点的集合能保证专业知识体系的全局完整性。学习点之间的关系是连接学习点的纽带，使分散的学习点形成相互关联的知识结构。本发明提出了一种基于数据图谱、信息图谱和知识图谱的学习者能力建模与学习过程优化管理系统开发方法，在深入分析学习者学习行为的基础上，从数据、信息和知识三个角度评估学习者的学习能力和学习情况，有针对性地为学习者提供一个高效的导学策略，考虑学习者特征的差异，因材施教，保证学习者按需学习、高效学习。
发明内容
技术问题：本发明的目的是提供一种基于数据图谱、信息图谱和知识图谱的学习者能力建模与学习过程优化管理系统开发方法，本方法是一种策略性方法，根据学习者的学习行为基于数据图谱、信息图谱和知识图谱对学习者进行建模，评估学习者的学习能力，有针对性地向学习者推荐合理的学习点内容和学习策略，引导学习者达成学习目标，帮助学习者提高学习效率，优化学习效果。
技术方案：本发明是一种策略性方法，基于数据图谱、信息图谱和知识图谱对学习者进行能力建模，根据学习者投入决定对学习者能力的评估程度，可以应用于为学习者提供学习指导，有助于解决网络学习环境下，大量学习资源导致的认知过载和学习迷航问题。在一个知识点图谱上，本发明假设学习者单位时间下和单位精力可学知识是固定的，知识图谱上的结点不一定是独立的。
体系结构
图1给出了一种基于数据图谱、信息图谱和知识图谱的学习者能力建模与学习过程优化管理系统开发方法的体系结构，根据学习者的学习行为基于数据图谱、信息图谱和知识图谱对学习者学习情况进行建模，从数据、信息和知识的角度对学习者的学习能力进行综合评估，在学习点处理框架上做相应标记，获取到学习者的学习目标后对其未学学习点进行规划，推荐完整的学习路径，并及时获取学习者反馈，更新学习者模型，动态管理和调整学习策略。下面给出数据图谱、信息图谱和知识图谱的具体说明。
本发明定义 DataGraphDIK为：
DataGraphDIK:= collection{array, list, stack, queue, tree, graph}；
DataGraphDIK是各种数据结构包括数组（array）、链表（list）、栈（stack）、队列（queue）、树（tree）和图（graph）等的集合（collection）。DataGraphDIK只能对图谱上表示的DataDIK进行静态分析，无法分析和预测DataDIK的动态变化。
本发明定义InformationGraphDIK为：
InformationGraphDIK:= combination{ relatedDataDIK }；
InformationGraphDIK是相互关联的DataDIK（relatedDataDIK）的组合（combination），InformationDIK是通过DataDIK和DataDIK组合之后的上下文传达的，经过概念映射和相关关系组合之后的适合分析和解释的信息。在InformationGraphDIK上进行数据清洗，消除冗余数据。
本发明定义KnowledgeGraphDIK为：
KnowledgeGraphDIK := collection{statistical rules}；
KnowledgeGraphDIK实质是语义网络和由InformationDIK总结出的统计规则（statistical rules）的集合（collection）。KnowledgeGraphDIK蕴含丰富的语义关系，在KnowledgeGraphDIK上能通过信息推理和实体链接提高KnowledgeGraphDIK的边密度和结点密度，KnowledgeGraphDIK的无结构特性使得其自身可以无缝链接。信息推理需要有相关关系规则的支持，这些规则可以由人手动构建，但往往耗时费力，得到复杂关系中的所有推理规则更加困难。使用路径排序算法将每个不同的关系路径作为一维特征，通过在KnowledgeGraphDIK中构建大量的关系路径来构建关系分类的特征向量和关系分类器来提取关系。关系的正确度Cr可以通过以下公式衡量，Q表示实体E1到实体E2的所有关系，π表示一类关系，表示关系的权重，可由训练得出，最后正确度超过某一阈值后认为该关系成立。
学习者模型：学习者模型中包含学习者的基本信息和学习过程中的动态信息。基本信息包括学习者的专业、文化程度等个人信息及其感兴趣的学习资源。学习过程中的动态信息包括学习者的学习行为，在学习者学习过程中不断更新学习者对学习资源的掌握情况，并评估学习者能力的变化。
有益效果
本发明方法提出了一种基于数据图谱、信息图谱和知识图谱的学习者能力建模与学习过程优化管理系统开发方法。具有如下一些显著优点：
（1）合理配置资源，提高学习资源的使用效率：学习资源的合理配置和有效使用是我国远程教育发展的重要内容，网络上的学习资源丰富，质量良莠不齐，基于知识图谱的目标驱动的学习点推荐帮助学习者按需学习，不必花费大量时间在海量的资源中寻找自己需要的学习资源；
（2）为学习者指引学习方向，避免知识迷航：向学习者推荐和优化学习路径，提供学习高效的策略，帮助学习者建立合适的知识体系，使学习者有针对性的进行学习，提高学习效率；
（3）通过分析建立不同学习者的学习情况，建立学习者模型，有针对性地为不同学习者提供个性化的学习指导；
（4）根据外界学习环境，动态调整知识点分布和学习路径。
附图说明
图1是基于数据图谱、信息图谱和知识图谱的学习者能力建模与学习过程优化管理系统开发方法的框架图。
图2是基于数据图谱、信息图谱和知识图谱的学习者能力建模与学习过程优化管理系统开发方法的流程图。
具体实施方式
一种基于数据图谱、信息图谱和知识图谱的学习者能力建模与学习过程优化管理系统开发方法的具体实施方案为：
步骤 1) 对应于图2中步骤001，根据学习者在学习过程中浏览的学习资源以及学习行为自动构建学习者模型，对学习者掌握的学习点资源实例进行建模，学习点资源实例包括数据资源、信息资源和知识资源；
步骤2) 对应于图2中步骤002，根据学习者投入确定对步骤1建立的学习者对学习点的掌握情况 模型进行取样遍历。本发明设定基于数据图谱的遍历只考虑数据图谱上学习点的个数，数量越多，学习者的学习能力越强；
(1)
其中 表示在数据图谱上结点数量对学习者能力评估的影响；
步骤3) 仅考虑学习者掌握的学习点的数量，不足以准确衡量学习者的学习能力。对应于图2中步骤003，在信息图谱上评估学习者的学习能力，根据公式2计算：
(2)
其中 表示在信息图谱上结点之间的交互度对学习者能力评估的影响，kpi_link表示与kpi相连的出边的数量，避免两个结点之间交互次数重复计算；
步骤4) 知识图谱表达了结点之间的具体语义关系，不同的关系有不同的权重，表示从先序学习点到掌握后序学习点学习者能力的提高程度，对应于图2中步骤004，基于知识图谱衡量学习者的学习能力，可根据公式3计算：
(3)
步骤5) 对应于图2中步骤005，根据已有知识体系资源构建有向的学习点知识图谱，006通过大数据训练得出学习者群体学习每个知识点所要花费时间和精力的平均水平，即学习投入，作为学习点的权重在图谱上做出标记；
步骤 6) 对应于图2中步骤007，获取学习者预期学习投入（Expected_effort）和学习目标。学习投入是指学习者计划可以为达到学习目标投入的时间和精力，并根据公式7计算预期学习效率Expected_effi，其中Total_know是指目标知识包含的知识点总量：
(7)；
步骤7) 对应于图2中步骤008，在资源处理框架上标记学习者已学知识和目标知识点；
步骤8) 对应于图2中步骤009，依赖于步骤7所得到的结果，遍历图谱找出目标知识点的所有先序结点；
步骤9) 将步骤8产生的所有未学知识点，将存在或关系的知识结点按学习该知识点所需学习投入（即权重）进行排序；
步骤10) 对应于图2中步骤010，规划未学的先序学习点。对于存在涵盖关系的结点，假定结点A涵盖结点B和结点C所含知识，判断结点B和结点C是否都是学习者为达成学习目标所需要的知识。若需要，计算学习结点A和同时学习结点B和结点C所需的时间和精力；若不需要，选择需要时间和精力较少的结点添加到学习路径中；
步骤11) 对应于图2中步骤011，输出完整的学习路径，推荐给学习者；
步骤12) 对应于图2中步骤012，在学习者学习过程中，不断获取学习者的反馈，并监测外部学习环境的变化；
步骤13) 根据步骤13得到的结果，根据公式8计算学习者实际学习效率Actual_effi，Got_know表示学习者已学到的学习点，Actual_effort是学习者的实际学习投入，并统计学习者的能力变化，对应于图2中步骤013，更新学习者模型；根据外部学习环境的变化，更新处理资源框架：
(8)；
步骤14) 根据步骤13得到的更新后的学习者模型，根据学习者当前学习状况重新规划学习路径。
Claims (1)
1.基于数据图谱、信息图谱和知识图谱的学习者能力建模与学习过程优化管理系统开发方法，其特征在于对学习者的建模，本发明提出通过数据图谱、信息图谱和知识图谱对学习者进行建模，根据学习者的投入决定对图谱的挖掘从而评估学习者的能力，本发明定义学习者模型为：LM={DA,IL,KR},其中DA表示在数据图谱上学习者所掌握学习点的数量，IL表示在信息图谱上每个结点与其他结点交互的次数，KR表示结点与结点直接进行交互时的具体语义关系类型对学习能力的影响；本发明假定数据图谱上单个学习点对评估学习者能力的影响是相同的，具体步骤在于：
步骤 1) 根据学习者在学习过程中浏览的学习资源以及学习行为自动构建学习者模型，对学习者掌握的学习点资源实例进行建模，学习点资源实例包括数据资源、信息资源和知识资源；
步骤2) 根据学习者投入确定对步骤1建立的学习者对学习点的掌握情况 模型进行取样遍历；本发明设定基于数据图谱的遍历只考虑数据图谱上学习点的个数，数量越多，学习者的学习能力越强；
说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: <math display = 'block'>
<mrow>
<mi>DA</mi>
<mo>=</mo>
<mi>&alpha;</mi>
<mrow>
<munderover>
<mo>&sum;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<apply>
<ci>kp</ci>
<ci>i</ci>
</apply>
</mrow>
</mrow>
</mrow>
</math> (1)
其中 表示在数据图谱上结点数量对学习者能力评估的影响；
步骤3) 仅考虑学习者掌握的学习点的数量，不足以准确衡量学习者的学习能力；在信息图谱上评估学习者的学习能力，根据公式2计算：
说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: <math display = 'block'>
<mrow>
<mi>IL</mi>
<mo>=</mo>
<mi>&alpha;</mi>
<mrow>
<munderover>
<mo>&sum;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<apply>
<ci>kp</ci>
<ci>i</ci>
</apply>
</mrow>
</mrow>
<mo>+</mo>
<mi>&beta;</mi>
<mrow>
<munderover>
<mo>&sum;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<apply>
<ci>kp</ci>
<ci>i</ci>
</apply>
<mo>_</mo>
<mi>link</mi>
</mrow>
</mrow>
</mrow>
</math> (2)
其中 表示在信息图谱上结点之间的交互度对学习者能力评估的影响，kpi_link表示与kpi相连的出边的数量，避免两个结点之间交互次数重复计算；
步骤4) 知识图谱表达了结点之间的具体语义关系，不同的关系有不同的权重，表示从先序学习点到掌握后序学习点学习者能力的提高程度，基于知识图谱衡量学习者的学习能力，可根据公式3计算：
说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: <math display = 'block'>
<mrow>
<mi>KR</mi>
<mo>=</mo>
<mi>&alpha;</mi>
<mrow>
<munderover>
<mo>&sum;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<apply>
<ci>kp</ci>
<ci>i</ci>
</apply>
</mrow>
</mrow>
<mo>+</mo>
<mi>&beta;</mi>
<mrow>
<munderover>
<mo>&sum;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<apply>
<ci>kp</ci>
<ci>i</ci>
</apply>
<mo>_</mo>
<mi>link</mi>
</mrow>
</mrow>
<mo>+</mo>
<mi>&gamma;</mi>
<mrow>
<munderover>
<mo>&sum;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<apply>
<ci>W</ci>
<csymbol>
<apply>
<ci>kp</ci>
<ci>i</ci>
</apply>
<mo>_</mo>
<mi>rel</mi>
</csymbol>
</apply>
</mrow>
</mrow>
</mrow>
</math> (3)
步骤5) 根据已有知识体系资源构建有向的学习点知识图谱，通过大数据训练得出学习者群体学习每个知识点所要花费时间和精力的平均水平，即学习投入，作为学习点的权重在图谱上做出标记；
步骤 6) 获取学习者预期学习投入（Expected_effort）和学习目标；学习投入是指学习者计划可以为达到学习目标投入的时间和精力，并根据公式7计算预期学习效率Expected_effi，其中Total_know是指目标知识包含的知识点总量：
说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: <math display = 'block'>
<mrow>
<mi>Expected</mi>
<mo>_</mo>
<mi>effi</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>Total</mi>
<mo>_</mo>
<mi>know</mi>
</mrow>
<mrow>
<mi>Expected</mi>
<mo>_</mo>
<mi>effort</mi>
</mrow>
</mfrac>
</mrow>
</math> (7)；
步骤7) 在资源处理框架上标记学习者已学知识和目标知识点；
步骤8) 依赖于步骤7所得到的结果，遍历图谱找出目标知识点的所有先序结点；
步骤9) 将步骤8产生的所有未学知识点，将存在或关系的知识结点按学习该知识点所需学习投入（即权重）进行排序；
步骤10) 对于存在涵盖关系的结点，假定结点A涵盖结点B和结点C所含知识，判断结点B和结点C是否都是学习者为达成学习目标所需要的知识；若需要，计算学习结点A和同时学习结点B和结点C所需的时间和精力；若不需要，选择需要时间和精力较少的结点添加到学习路径中；
步骤11) 输出完整的学习路径，推荐给学习者；
步骤12) 在学习者学习过程中，不断获取学习者的反馈，并监测外部学习环境的变化；
步骤13) 根据步骤13得到的结果，根据公式8计算学习者实际学习效率Actual_effi，Got_know表示学习者已学到的学习点，Actual_effort是学习者的实际学习投入，并统计学习者的能力变化，更新学习者模型；根据外部学习环境的变化，更新处理资源框架：
说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: <math display = 'block'>
<mrow>
<mi>Actual</mi>
<mo>_</mo>
<mi>effi</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>Got</mi>
<mo>_</mo>
<mi>know</mi>
</mrow>
<mrow>
<mi>Actual</mi>
<mo>_</mo>
<mi>effort</mi>
</mrow>
</mfrac>
</mrow>
</math> (8)；
步骤14) 根据步骤13得到的更新后的学习者模型，根据学习者当前学习状况重新规划学习路径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710745709.8A CN107346346A (zh) | 2017-08-26 | 2017-08-26 | 基于数据图谱、信息图谱和知识图谱的学习者能力建模与学习过程优化管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710745709.8A CN107346346A (zh) | 2017-08-26 | 2017-08-26 | 基于数据图谱、信息图谱和知识图谱的学习者能力建模与学习过程优化管理系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107346346A true CN107346346A (zh) | 2017-11-14 |
Family
ID=60258008
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710745709.8A Pending CN107346346A (zh) | 2017-08-26 | 2017-08-26 | 基于数据图谱、信息图谱和知识图谱的学习者能力建模与学习过程优化管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107346346A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108052672A (zh) * | 2017-12-29 | 2018-05-18 | 北京师范大学 | 利用群体学习行为促进结构化知识图谱构建系统及方法 |
| CN109033160A (zh) * | 2018-06-15 | 2018-12-18 | 东南大学 | 一种知识图谱动态更新方法 |
| CN109670110A (zh) * | 2018-12-20 | 2019-04-23 | 蒋文军 | 一种教育资源推荐方法、装置、设备及存储介质 |
| CN109903201A (zh) * | 2017-12-11 | 2019-06-18 | 北京三好互动教育科技有限公司 | 个性化培养方案生成方法和系统 |
| CN110188208A (zh) * | 2019-06-04 | 2019-08-30 | 河海大学 | 一种基于知识图谱的信息资源查询推荐方法和系统 |
| CN110704630A (zh) * | 2019-04-15 | 2020-01-17 | 中国石油大学(华东) | 一种标识化关联图谱自优化机制 |
| CN111368182A (zh) * | 2020-02-17 | 2020-07-03 | 浙江创课网络科技有限公司 | 基于教育平台大数据分析的个性化自适应学习推荐方法 |
| CN111597357A (zh) * | 2020-05-27 | 2020-08-28 | 上海乂学教育科技有限公司 | 用于打地基学习的测评系统与方法 |
| CN111949306A (zh) * | 2020-07-06 | 2020-11-17 | 北京大学 | 一种支持开源项目碎片化学习的推送方法和系统 |
| CN112785140A (zh) * | 2021-01-18 | 2021-05-11 | 辽宁向日葵教育科技有限公司 | 一种基于知识图谱的智能教育推荐方法、系统、电子设备及计算机存储介质 |
| CN114567815A (zh) * | 2022-01-20 | 2022-05-31 | 清华大学 | 一种基于预训练的慕课自适应学习系统构建方法和装置 |
| CN116663777A (zh) * | 2023-06-05 | 2023-08-29 | 重庆翰海睿智大数据科技股份有限公司 | 一种基于知识图谱的实验训练系统及方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107038508A (zh) * | 2017-06-06 | 2017-08-11 | 海南大学 | 基于知识图谱的学习能力建模及动态自适应的目标驱动的学习点组织及执行路径推荐方法 |
| CN107085618A (zh) * | 2017-06-01 | 2017-08-22 | 海南大学 | 面向5w的基于数据图谱、信息图谱和知识图谱的目标驱动的学习点及学习路径推荐 |
-
2017
- 2017-08-26 CN CN201710745709.8A patent/CN107346346A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107085618A (zh) * | 2017-06-01 | 2017-08-22 | 海南大学 | 面向5w的基于数据图谱、信息图谱和知识图谱的目标驱动的学习点及学习路径推荐 |
| CN107038508A (zh) * | 2017-06-06 | 2017-08-11 | 海南大学 | 基于知识图谱的学习能力建模及动态自适应的目标驱动的学习点组织及执行路径推荐方法 |
Non-Patent Citations (1)
| Title |
|---|
| YUCONG DUAN等: "Specifying architecture of knowledge graph with data graph, information graph, knowledge graph and wisdom graph", 《2017 IEEE 15TH INTERNATIONAL CONFERENCE ON SOFTWARE ENGINEERING RESEARCH, MANAGEMENT AND APPLICATIONS (SERA)》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109903201B (zh) * | 2017-12-11 | 2022-04-19 | 北京三好互动教育科技有限公司 | 个性化培养方案生成方法和系统 |
| CN109903201A (zh) * | 2017-12-11 | 2019-06-18 | 北京三好互动教育科技有限公司 | 个性化培养方案生成方法和系统 |
| CN108052672A (zh) * | 2017-12-29 | 2018-05-18 | 北京师范大学 | 利用群体学习行为促进结构化知识图谱构建系统及方法 |
| CN109033160A (zh) * | 2018-06-15 | 2018-12-18 | 东南大学 | 一种知识图谱动态更新方法 |
| CN109670110A (zh) * | 2018-12-20 | 2019-04-23 | 蒋文军 | 一种教育资源推荐方法、装置、设备及存储介质 |
| CN110704630A (zh) * | 2019-04-15 | 2020-01-17 | 中国石油大学(华东) | 一种标识化关联图谱自优化机制 |
| CN110188208A (zh) * | 2019-06-04 | 2019-08-30 | 河海大学 | 一种基于知识图谱的信息资源查询推荐方法和系统 |
| CN110188208B (zh) * | 2019-06-04 | 2021-01-26 | 河海大学 | 一种基于知识图谱的信息资源查询推荐方法和系统 |
| CN111368182A (zh) * | 2020-02-17 | 2020-07-03 | 浙江创课网络科技有限公司 | 基于教育平台大数据分析的个性化自适应学习推荐方法 |
| 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 |
| CN111597357A (zh) * | 2020-05-27 | 2020-08-28 | 上海乂学教育科技有限公司 | 用于打地基学习的测评系统与方法 |
| 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 |
| CN111949306A (zh) * | 2020-07-06 | 2020-11-17 | 北京大学 | 一种支持开源项目碎片化学习的推送方法和系统 |
| CN111949306B (zh) * | 2020-07-06 | 2021-05-28 | 北京大学 | 一种支持开源项目碎片化学习的推送方法和系统 |
| CN112785140A (zh) * | 2021-01-18 | 2021-05-11 | 辽宁向日葵教育科技有限公司 | 一种基于知识图谱的智能教育推荐方法、系统、电子设备及计算机存储介质 |
| CN114567815A (zh) * | 2022-01-20 | 2022-05-31 | 清华大学 | 一种基于预训练的慕课自适应学习系统构建方法和装置 |
| CN114567815B (zh) * | 2022-01-20 | 2023-05-02 | 清华大学 | 一种基于预训练的慕课自适应学习系统构建方法和装置 |
| CN116663777A (zh) * | 2023-06-05 | 2023-08-29 | 重庆翰海睿智大数据科技股份有限公司 | 一种基于知识图谱的实验训练系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107346346A (zh) | 基于数据图谱、信息图谱和知识图谱的学习者能力建模与学习过程优化管理系统 | |
| Fazlollahtabar et al. | User/tutor optimal learning path in e-learning using comprehensive neuro-fuzzy approach | |
| Di Pietro et al. | Reconciling internal and external performance in a holistic approach: A Bayesian network model in higher education | |
| Uskov et al. | Learning analytics based smart pedagogy: student feedback | |
| Daniawan | Evaluation of lecturer teaching performance using AHP and SAW methods | |
| Uskov et al. | Smart learning analytics: conceptual modeling and agile engineering | |
| Wang et al. | Machine learning-based AI approaches for personalized smart education systems using entropy and TOPSIS approach | |
| Tanti et al. | Monitoring and Evaluation of Flight Instructor Performance with PROMETHEE Method | |
| Dai | Frontiers of Intelligent Education: Artificial Intelligence Reshaping the New Landscape of Chinese Higher Education | |
| Li | Classroom Teaching Decision-Making Optimization for Students' Personalized Learning Needs. | |
| Ponsa et al. | The use of role playing in engineering curricula: a case study in human-automation systems | |
| Kovalenko et al. | Optimization of curricula of engineering and pedagogical specialties based on the construction of a model for structuring interdisciplinary relations | |
| Virvou et al. | A learning analytics tool for supporting teacher decision | |
| Deng | Application of edge computing and artificial intelligence in English MOOC assisted teaching instruction | |
| Ming-Li et al. | The method of learning formative assessment in distance education | |
| Wang et al. | Analysis and Prediction of Satisfaction Index of Online Learning | |
| Moe et al. | Evaluation for teacher’s ability and forecasting student’s career based on big data | |
| Shen et al. | Online Teaching Effect Evaluation and Analysis Using Combined Weighting Technique. | |
| Lee et al. | FML-based intelligent adaptive assessment platform for learning materials recommendation | |
| Ling | Fuzzy Optimization Model of Teaching Evaluation of Oral English Classroom in Colleges and Universities | |
| Liu | Construction of Comprehensive Index Evaluation Model of Applied Talents’ Ability in Health Education Based on Competency Model | |
| Yang | Construction of Personalized Network Autonomous Learning Platform Based on Digital Empowerment Technology | |
| Kir et al. | Prediction of Educational Data Mining by Means of a Postprocessor Tool | |
| Paudyal et al. | 79 Cross-Training Future Workforce on Data Handling and Interpretation for Precision Agriculture Systems | |
| Rayala et al. | Learning Analytics Based Smart Pedagogy: Student Feedback |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171114 |
|
| WD01 | Invention patent application deemed withdrawn after publication |