CN107391503A - 具有兴趣引导功能的个性化推荐方法 - Google Patents

Abstract

本发明涉及具有兴趣引导功能的个性化推荐方法。本发明公开了一种数字化学习路径推荐方法，具有兴趣引导功能，该方法包括以下步骤：S1. 构建知识兴趣导向图包括知识层以及兴趣相关的现象层；S2. 获取学习者个人特征；S3. 标记已学知识点、目标知识点和现象节点；S4. 构建目标知识点到标记现象节点的最优学习路径；S5. 推荐学习路径。本发明有效解决学习者尤其是儿童目标知识点学习的兴趣引导问题，降低了学习难度，增强学习者尤其是儿童数字化学习的能力。

Description

具有兴趣引导功能的个性化推荐方法

技术领域

本发明属于数字化学习领域，具体涉及一种具有兴趣引导功能的个性化推荐方法。

背景技术

随着移动互联网的发展，基于互联网的数字化学习为用户提供了个性化的学习环境。基于用户兴趣度进行个性化的推荐是一种普遍的方法，如专利[201210178807.5]报道了，基于用户兴趣度的个性化网络学习资源推荐方法，包括分析学习者访问基于扩展主题图的网络学习系统的行为数据，获得学习者个人及其群组对学习内容的学习兴趣路径变化模式，然后根据这种学习兴趣路径变化模式以及扩展主题图的学习对象之间的前后序列关系，实现给学习者主动推荐合适的学习资源的个性化推荐。

学习路径推荐方法已有大量文献报道，如于瑞强在硕士学位论文中《知识服务云平台下个性化学习机制研究》，南京邮电大学，2013，报道的，基于知识地图上的知识结构关系，采用群体智能的学习路径推荐方法，选取邻近用户对启发信息与信息素的贡献进行路径的选择；申请号为[201510683902.4]的专利公开了一种基于知识地图的多约束学习路径推荐方法，针对移动端和PC端的特点引入约束条件。

但是针对于儿童这样的学习群体，已有的推荐方法存在如下两个问题：1)从教育的角度看，需要全面的知识学习，不能简单以儿童自己所表达出的兴趣偏向作为是否需要学习的依据，而且儿童的兴趣点易受外界因素的干扰，所以仅仅基于学习者兴趣度的推荐方法并不适合儿童；2)兴趣的引导是儿童教育中非常重要的环节。日常生活中，儿童经常出现对新知识点缺乏兴趣而不愿学习的情况，教育者通常需要对儿童进行引导，将新知识点与儿童已表达出的兴趣点进行关联，从而激发儿童学习兴趣，达到降低学习难度的效果。然而目前的推荐方法是基于知识点的路径搜索，并不具备类似的兴趣引导功能。

发明内容

本发明在至少解决现有技术中存在的问题，提供了一种具有兴趣引导功能的个性化推荐方法；有效解决学习者尤其是儿童的目标知识点选择以及目标知识点学习的兴趣引导问题，降低了学习难度，从而增强儿童数字化学习的能力。

为实现本发明上述的目的，本发明提供了一种具有兴趣引导功能的个性化推荐方法，包括以下步骤：

S1.构建知识兴趣导向图：构建知识层和现象层，标记知识层内知识点之间的有向关系,标记知识层的知识点与现象层的现象节点之间的关系，得到所述知识兴趣导向图；

S2.获取学习者个人特征：对个人信息进行预处理获取学习者个人兴趣及已学知识点；

S3.标记已学知识点、目标知识点和现象节点：对应学习者个人特征，在知识兴趣导向图的知识层中标记学习者已学的知识点和目标知识点，在现象层中标记与学习者个人兴趣相关的现象节点以及与已学知识点有连接的现象节点；

S4.构建目标知识点的最优学习路径：搜索目标知识点到已标识现象节点之间的最优路径；

S5.推荐学习路径。

利用本发明，引导儿童对新知识点的学习兴趣；随着时间的变化推移，儿童兴趣范围逐渐扩大，达到全面学习的目的。

在本发明的一种优选实施方式中，知识兴趣导向图中的现象层中所包含的现象节点是指和知识点关联，能激发学习兴趣的现象和待解决问题，根据所学知识范围的不同可以具体表示为自然现象、自然环境、人文环境、生命体、活动示例，表现形式为动画、游戏、虚拟现实、音频、视频、图片、文字。

在本发明的一种优选实施方式中，知识兴趣导向图中的知识层是包含多个知识点的有向图。

在本发明的一种优选实施方式中，步骤S2获取学习者个人特征的方式包括对用户输入信息以及上传文件进行分析的方式或对学习者学习记录进行分析的方式。

在本发明的一种优选实施方式中，目标知识点集合为：

T_Input是用户设置的知识点；当用户输入为空时，目标知识点定义为T_Target:

T_Target＝{t_i<k_i，w_i>|k_i∈K_new}

其中K_new表示未学习知识点集合；w_i为权重向量，和知识重要性、知识点和学习者个人兴趣的相似性成正比，和难度系数成反比，权重越大，优先级越高；

在本发明的一种优选实施方式中,步骤S4搜索目标知识点到已标识现象节点之间的最优路径包括以下步骤：

以目标知识点为起始点，在原知识网络图的基础上生成反向图；

获取源现象节点集合A^Source：

A^Source＝A^Learn∪A^Interest

其中A^Learn表示已学现象节点集合；A^Interest表示用户兴趣现象节点集合，为满足当前学习者个人兴趣模型的现象节点集合；

获取源知识点集合K^Source：

其中G_a ^Tree为现象知识树，是现象节点a对应的知识树；k_i为现象知识树G_a ^Tree中的知识点；

采用路径优化算法获取以目标知识点为起点，以源知识点集合K^Source中任意点为终点的路径；

从最终的路径集合中，获取概率最高的路径，进行路径反向，得到学习路径P＇；

依次将路径P＇中的知识点k_s对应的现象知识树G_a ^Tree替换知识点k_s，带入路径P＇中，从而生成最终推荐路径P。

附图说明

图1是本发明实施例具有兴趣引导功能的个性化推荐方法的流程图；

图2是本发明实施例构建的知识兴趣导向图结构示意图；

具体实施方式

在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施的限制。

其次，本发明利用示意图进行详细描述，在详述本发明实施例时，为便于说明，所述示意图只是实例，其在此不应限制本发明保护的范围。

下面结合说明书附图和实例对本发明的具体实施方式作进一步详细的说明。如图1所示，本发明所设计具有兴趣引导功能的个性化推荐方法在实际应用过程当中，具体包括如下步骤：

第一步，构建包括知识层和兴趣层在内的知识兴趣导向图。结构如图2所示，最上层为现象层，包含多个与本领域知识点相关的现象节点。现象层中所包含的现象节点是指和知识点关联，能激发学习兴趣的日常生活现象，根据所学知识范围的不同可以具体表示为自然现象、自然环境、人文环境、生命体、日常活动示例。

知识兴趣导向图中的知识层中的知识点按内容进行树形结构分解，直到不能细分的元知识点为止，根节点覆盖整个知识领域的知识面；知识点之间的关系类型包括组织关系，依赖关系，并列关系，选择关系，扩展关系。

标记知识点属性包括：知识点的难度系数k^d和知识点的重要系数k^s

k^d＝<L^k，D^k，C^k>

其中L^k为知识广度，指该知识点的依赖知识点个数；D^k为知识深度，指该知识点所在的扩展关系的层级；C^k为知识复杂度；

k^d值越大，则说明该知识点的难度系数越高；知识点的重要系数k^s，根据学习者的学习目的，划分等级，k^s值越大，说明该知识点越重要。

知识点按知识所在范畴分类：

其中t_i表示知识点的分类标签，w_i表示权重，且

将知识层内知识点和兴趣层内兴趣点之间的连接用网络层间邻接矩阵表示，知识层内知识点的连接用层内邻接矩阵表示，得到所述知识兴趣导向图；

第二步，获取学习者个人特征的方式包括对学习者输入信息分析的方式或对学习者学习日志分析的方式。学习者的兴趣主题分类：

其中u_i表示用户兴趣主题的分类标签，w_i表示权重，且

用户当前可接受知识点的难度系数表示为：

u^d＝<L^u，D^u，C^u>

其中L^u为用户可接受的知识广度；D^u为用户可接受的知识深度；C^u为用户可接受的知识复杂度；

第三步，标记已学知识点、目标知识点和现象节点包括对应学习者个人特征，在知识兴趣导向图的知识层中标记学习者已学的知识点和目标知识点，在现象层中标记学习者个人兴趣相关的现象节点以及与已学知识点有连接的现象节点。

目标知识点集合定义为：

T＝{T_i|T_i<k_i，w_i>，k_i∈K_new}

K_new表示未学习知识点集合；w_i表示权重；

T_Input是用户设置的知识点，权重为：

其中c1、c2为常数；Sim(k^t,u^t)知识点分类和学习者个人兴趣主题分类相似度。

当用户输入为空时，目标知识点定义为T_Target:

T_Target=

{t_i<k_i，w_i>|k_i∈K_new，t_k≠t_j且1＜＜NewN_t＜＜c3且

T_Target是知识点难度系数k_i ^d<＝当前用户难度接受水平u^d、重要性高、与用户兴趣主题有一定相关度的，用户非兴趣知识点集合；K_new表示未学习知识点集合；NewN_t表示t_k中的个数，c1、c2、c3为常数；

t_k＝{t_i|t_i，i＝1，2，……n}

其中t_i表示知识点k_i的分类标签；

t_u＝{t_j|t_j，j＝1，2，……m}

其中t_j表示用户兴趣主题的分类标签；

目标知识点T_i，按照权重w_i由高到低的原则进行推荐。

第四步，搜索目标知识点到已标识现象节点之间的最优路径包括以下步骤：

以特征知识点k＇为起始点，在原知识网络图的基础上生成反向图G＇；

获取推荐路径源现象节点集合A^Source：

A^Source＝A^Learn∪A^Interest

其中A^Learn表示已学现象节点集合；A^Interest表示用户兴趣现象节点集合，为满足当前用户兴趣模型的现象节点集合；

获取推荐路径源知识点集合K^Source：

其中G_a ^Tree现象知识树，是现象节点a对应的知识树；k_i为知识点；

在图中标识推荐路径源知识点集合K^Source；

初始化蚂蚁数量m，且将所有蚂蚁均放置在起始点k＇；

初始化学习路径的信息素:

τ_ij(t)＝c，0＜＜c＜＜1

其中c为常数；

采用余弦相似度计算j节点知识分类k^t与兴趣主题分类u^t的匹配度作为初始化学习路径的启发信息:

在t时刻系统从当前i知识点，到下一个知识点j的状态转移概率P_ij ^k(t)计算公式为：

K_Allowed表示的是在图G＇中下一步允许选择的知识点集合；α，β为影响因子，控制信息素和启发信息的重要性强度；

设置影响因子α，β,以及信息素挥发系数ρ，最大迭代次数Max；

将所有蚂蚁依次根据转移概率，计算其可能选择的下一节点概率，并根据概率进行移动，直到蚂蚁s当前节点k_i∈K^Source，则说明该蚂蚁s完成了一次路径搜索，保存该搜索路径；

等所有m只蚂蚁完成路径搜索后，根据信息素更新规则进行全局信息素更新，t+n时刻路径(i,j)上的信息素更新规则计算公式为：

τ_ij(t+n)＝(1-ρ)τ_ij(t)+Δτ_ij

ρ表示信息素挥发系数，为常数；△τ_ij为全局更新规则，计算公式为：

P为有效路径上的知识点集合；

将所有蚂蚁放回起始点k＇，同时迭代次数+1，重新根据转移概率移动，直到迭代达到最大次数Max；

从最终的路径集合中，获取概率最高的路径，进行路径反向，得到路径：

P′＝{k_i|k_i∈P′}；

根据现象知识关系集合，依次将知识点k_s对应的现象知识树G_a ^Tree替换知识点k_s，带入路径P＇中，从而生成最终推荐路径P；

插入G_a ^Tree时，去掉树中的已学知识点；

如路径中已经存在G_a ^Tree，则不再插入。

Claims (6)

1.一种数字化学习路径推荐方法，具有兴趣引导功能，其特征在于，包括以下步骤：

S1. 构建知识兴趣导向图：构建知识层和现象层，标记知识层内知识点之间的有向关系, 标记知识层的知识点与现象层的现象节点之间的关系，得到所述知识兴趣导向图；

S2. 获取学习者个人特征：对个人信息进行预处理获取学习者个人兴趣及已学知识点；

S3. 标记已学知识点、目标知识点和现象节点：对应学习者个人特征，在知识兴趣导向图的知识层中标记学习者已学的知识点和目标知识点，在现象层中标记与学习者个人兴趣相关的现象节点以及与已学知识点有连接的现象节点；

S4. 构建目标知识点的最优学习路径：搜索目标知识点到已标识现象节点之间的最优路径；

S5. 推荐学习路径。

2.根据权利要求1所述的具有兴趣引导功能的个性化推荐方法，其特征在于，知识兴趣导向图中的现象层中所包含的现象节点是指和知识点关联，能激发学习兴趣的现象和待解决问题，根据所学知识范围的不同可以具体表示为自然现象、自然环境、人文环境、生命体、活动示例，表现形式为动画、游戏、虚拟现实、音频、视频、图片、文字。

3.根据权利要求1所述的具有兴趣引导功能的个性化推荐方法，其特征在于，知识兴趣导向图中的知识层是包含多个知识点的有向图。

4.根据权利要求1所述的具有兴趣引导功能的个性化推荐方法，其特征在于，步骤S2获取学习者个人特征的方式包括对用户输入信息以及上传文件进行分析的方式或对学习者学习记录进行分析的方式。

5.根据权利要求1所述的具有兴趣引导功能的个性化推荐方法，其特征在于，目标知识点集合为：

T_Input是用户设置的知识点；当用户输入为空时，目标知识点定义为T_Target:

其中K_new表示未学习知识点集合；w_i为权重向量，和知识重要性、知识点和学习者个人兴趣的相似性成正比，和难度系数成反比，权重越大，优先级越高。

6.根据权利要求1 所述的具有兴趣引导功能的个性化推荐方法，其特征在于,步骤S4搜索目标知识点到已标识现象节点之间的最优路径包括以下步骤：

以目标知识点为起始点，在原知识网络图的基础上生成反向图；

获取源现象节点集合：

其中A^Learn表示已学现象节点集合；A^Interest表示用户兴趣现象节点集合，为满足当前学习者个人兴趣模型的现象节点集合；

获取源知识点集合K^Source：

其中G_a ^Tree为现象知识树，是现象节点a对应的知识树；k_i为现象知识树G_a ^Tree中的知识点；

采用路径优化算法获取以目标知识点为起点，以源知识点集合K^Source中任意点为终点的路径；

从最终的路径集合中，获取概率最高的路径，进行路径反向，得到学习路径P＇；

依次将路径P＇中的知识点k_s对应的现象知识树G_a ^Tree替换知识点k_s，带入路径P＇中，从而生成最终推荐路径P。