CN108563749B - 基于多维度信息和知识网络的在线教育系统资源推荐方法 - Google Patents

基于多维度信息和知识网络的在线教育系统资源推荐方法 Download PDF

Info

Publication number
CN108563749B
CN108563749B CN201810335826.1A CN201810335826A CN108563749B CN 108563749 B CN108563749 B CN 108563749B CN 201810335826 A CN201810335826 A CN 201810335826A CN 108563749 B CN108563749 B CN 108563749B
Authority
CN
China
Prior art keywords
resource
knowledge
resource unit
user
units
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
CN201810335826.1A
Other languages
English (en)
Other versions
CN108563749A (zh
Inventor
温武少
王成成
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN201810335826.1A priority Critical patent/CN108563749B/zh
Publication of CN108563749A publication Critical patent/CN108563749A/zh
Application granted granted Critical
Publication of CN108563749B publication Critical patent/CN108563749B/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
    • 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)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供基于多维度信息和知识网络的在线教育系统资源推荐方法，包括以下步骤：构建精准在线教育系统；设计知识网络管理引擎；基于知识网络管理引擎搭建知识网络；依托于知识网络，以知识元为单位，多渠道构建资源库；资源库支持以知识元为单位存储的资源单元；根据资源单元特征和用户使用统计特征对资源单元的质量进行量化，获取资源单元的质量量化特征；获取资源单元的可用性量化特征；根据资源单元的质量量化特征和资源单元的可用性量化特征，计算资源单元的推荐指数；根据学习者聚焦点不同，进行资源单元排序的动态调整。本发明依据资源单元排序，区分热点资源和非热点资源，提升用户体验，减少在线学习系统的建设及运维成本。

Description

基于多维度信息和知识网络的在线教育系统资源推荐方法
技术领域
本发明属于在线教育资源推荐技术领域，具体为基于多维度信息和知识网络的在线教育系统资源推荐方法。
背景技术
随着通信网络的普及、网络带宽的显著提升、智能终端的推广及其它相关配套技术的快速发展与成熟，在线教育获得了越来越多家长与同学的认可。目前，已越来越多的在线教育网站提供各种网络课程资源给学生和家长使用。
现有主流在线教育系统的资源一般按照科目与年级进行划分。这些资源组织较为无序，资源粒度较粗，与学习知识点的关联度不够。系统依据整个平台的热度统计信息给资源评分，将评分排名最为靠前的几个资源推荐给用户。这些热度排名统计的是整体用户的兴趣点，与某个具体用户的关联度较弱，造成这些系统所推荐资源与具体学习者自身学习能力及情况往往不能很好地匹配。
还有一些在线教育平台支持根据用户浏览记录进行相似推荐。但相似性推荐往往给用户推荐了重复、冗余或者不适用的资源，未能真正解决向学习者有效提供指导性的下一步学习资源的问题。目前，用户尚无法从在线教育系统中获得进阶式、精准、细粒度的资源推荐。
发明内容
为了解决现有在线教育系统所存在的问题，本发明提供基于多维度信息和知识网络的在线教育系统资源推荐方法，该推荐方法可应用到一个在线精准学习系统，利用知识网络引擎管理知识网络；基于知识网络进行资源搭建，依托知识网络，资源单元服务于知识元；根据资源多项指标信息，量化资源可用性；依据资源可用性，多粒度个性化推荐学习资源单元，展示学习资源单元个性化排序和推荐结果；优化资源存储，提高系统的响应速度和并发处理能力。
本发明所采用的技术方案如下：基于多维度信息和知识网络的在线教育系统资源推荐方法，包括以下步骤：
S1、构建精准在线教育系统，所构建的在线教育系统包括知识网络管理引擎、知识网络、基于角色的用户管理子系统、由不同资源者提供的围绕知识网络中的知识元而构建的资源单元；所有资源单元形成系统教学资源；
其中，知识元包括知识点、知识子网及知识点簇，知识子网包含以知识点集为起点或终点所涉及的所有学习路径下其它知识点及这些知识点之间的关系，知识点簇由一系列未能形成直接连通的知识子网的知识点构成；
知识点按照系统设定的关系与其关联的知识点连接，形成三维的知识网络；
S2、设计知识网络管理引擎，用于实现知识点的加入、删除、修改；知识元的标注；知识点与知识元的存储；资源单元与知识元的关联；
S3、基于知识网络管理引擎搭建知识网络；
S4、依托于知识网络，以知识元为单位，多渠道构建资源库；资源库支持以知识元为单位存储的资源单元；
S5、根据资源单元特征和用户使用统计特征对资源单元的质量进行量化，获取资源单元的质量量化特征；
S6、获取资源单元的可用性量化特征；
S7、根据资源单元的质量量化特征和资源单元的可用性量化特征，计算资源单元的推荐指数；
S8、根据学习者聚焦点不同，进行资源单元排序的动态调整。
优选地，步骤S6获取资源单元的可用性量化特征时，收集用户或用户组对资源单元的使用轨迹、评测、反馈以及效果，结合用户或用户组初始基本信息，获取并分析用户或用户组特征，依据用户或用户组特征提供个性化资源量化评估得分，获取资源单元的可用性特征指标。
优选地，步骤S7以资源单元为单位，计算给用户组或者用户u的资源单元p的推荐指数yu_p：
yu_p＝c0+c1x1+c2x2+…+k0+k1w1+k2w2+…；
其中，xi代表一个质量量化特征；wi代表一个可用性量化特征；ci和ki是相关特征的权重；i＝0，1，2……。
进一步优选地，步骤S8包括：在学习者聚焦点附近的知识元范围内，根据资源单元推荐指数yu_p、资源单元特征和用户特征，使用逻辑回归LR模型，得出预估得分，根据预估得分对候选学习资源单元进行排序，实现基于知识元、面向学习用户组或学习用户的动态资源单元排序。
本发明的基于多维度信息和知识网络的在线教育系统资源推荐方法，提出了基于知识网络构建在线精准学习系统、针对学习群体或个人的特定性指标量化学习资源单元可用性、根据用户特征组针对性展示资源排序以及个性化资源推荐、优化资源存储，依据知识网络属性、多渠道资源、资源深度广度、用户特征等信息进行学习资源单元个性化推荐。与现有技术相比，本发明取得的有益效果包括：
1、不同的资源提供者可以给相同的知识元提供学习资源；由不同资源提供者提供的服务相同知识元的资源单元形成互相竞争的关系；在线精准学习系统以知识元为单位，针对学习群体或个人的特性指标、个人偏好、系统推荐及预期学习效果，实现面向不同用户组或用户的资源排序，推荐最适于这些用户群或用户的资源。
2、针对具体用户或者用户组的学习进展速度、教学大纲覆盖面、个人或者群体的偏好和系统建议分析、优化资源单元特征，对具体资源单元的可用性进行针对性量化。对已构建的资源库中的资源单元，分析其涵盖的知识元的完整性、广度以及深度，对资源单元进行多指标参数量化；根据专家小组意见对资源单元做专业性量化评估；根据用户对资源单元的主动反馈，对资源单元的质量进行量化。收集用户或用户组对资源单元的使用轨迹、评测、反馈以及效果，结合用户或用户组初始基本信息，获取并分析用户或用户组特征，依据用户或用户组特征提供个性化资源量化评估得分。
3、可根据用户特性需求，提供个性化资源单元排序，实现以知识元为单位、面向不同用户组或用户的资源单元排序，即具备面向多粒度用户组进行资源单元动态排序的功能，能实现面向整个系统用户、一个具体用户组以及具体用户的资源单元排序。提升了学习者学习效率，支持精准学习。
4、可根据不同用户组或用户的特征，对一个或一系列的知识元的资源单元进行个性化针对性排序展示；还可依据用户组或用户的个性化量化指标优化热点资源存储。系统依据资源单元排序，区分热点资源和非热点资源并优化资源存储，提升用户体验，减少在线学习系统的建设及运维成本。
附图说明
图1为三维知识网络示意图；
图2为基于多维度信息的学习资源单元排序方法整体架构图；
图3为基于多维度信息的学习资源单元排序方法排序示意图；
图4为基于多维度信息的学习资源单元计算推荐得分流程图；
图5为基于多维度信息的学习资源单元排序模块结构示意图；
图6为面向用户或者用户组知识元的资源单元排序示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案做进一步的说明，但本发明的实施方式不限于此。
如图1‐6所示，在一个实施例中，本发明基于多维度信息和知识网络的在线教育系统资源推荐方法，包括以下步骤：
S1、构建精准在线教育系统
构建的在线教育系统包括知识网络管理引擎、知识网络、基于角色的用户管理子系统、由不同资源者提供的围绕知识网络中的知识元而构建的资源单元；所有资源单元形成系统教学资源。
在线精准学习系统用户包括：系统管理员、知识网络管理员、教师、个体学习者和资源提供者。系统可将有相同特征的个体学习者用户组成学习用户组。
知识元包括知识点、知识子网及知识点簇。知识子网是完整知识网络中小范围的互相连接的知识点构成的知识网络的一个子图，知识子网包含以知识点集为起点或终点所涉及的所有学习路径下其它知识点及这些知识点之间的关系；知识点簇由一系列未能形成直接连通的知识子网的知识点构成，用于支持学习或者资源组织。知识点按照系统设定的关系与其关联的知识点连接，形成三维的知识网络。
S2、设计知识网络管理引擎
所设计的知识网络管理引擎用于实现以下功能：知识点的加入、删除、修改；知识元的标注；知识点与知识元的存储；资源单元与知识元的关联。
知识网络管理引擎维护由知识点构建的知识网络，按需标注知识元，维持知识网络的完整性、精准性和合理性。
S3、基于知识网络管理引擎搭建知识网络。
知识点是学习中传递信息的基本单元，具有独立的逻辑结构，包括理论、原理、概念、定义、范例、结论、多媒体教学资源；知识点根据不同的分类机制可分为不同类型的知识点。以知识点为中心，由中心知识点指向所有与之关联的知识点和内容，进而构建知识点数量庞大的知识网络。一个知识点可以有一个或多个与之关联的知识点，即知识节点之间可以是一对一、一对多、多对一的关系；知识点间的关联关系包括父子关系、前后关系、包含关系。在设置知识点的关联关系属性时，定义知识点关联紧密性这一属性。
如图1所示，是系统三维知识网络示意图。知识网络中，知识点间可形成父子关系、前后关系和包含关系。知识点按照前后、继承及包含关系进行关联，形成三维立体的网络，可表达父子关系、前后关系和包含关系的有向图，即知识网络。在线精准学习系统的教学资源可以服务一个知识点、一个知识子网或者一个知识点簇。教学资源以由不同资源者提供的资源单元为单位，支持一个或者多个知识元的学习；一个教学资源必须服务一个或者多个知识网络中知识元，包含一个或者多个资源单元，提供支持学习者学习相关知识元的内容。系统提供相关界面支持知识子网或者知识点簇的标注。
S4、依托于知识网络，以知识元为单位，多渠道构建资源库，形成资源管理模块。
在线精准学习系统的教学资源可由不同资源者提供，以资源单元为单位，支持一个或者多个知识元的学习；一个教学资源可包含一个或者多个资源单元，必须服务一个或者多个知识网络中知识元，提供支持学习者学习相关知识元的内容；一个资源单元包括资源单元编号、服务的知识元编号、服务的知识点集合、资源内容、资源评价信息、资源使用与服务统计信息。资源单元内容包括基本文字、编排好的富媒体出版内容、音频和视频。资源库支持以知识元为单位存储的资源单元。
在资源库的构建过程中，要求资源提供者按照系统规范要求与标准，围绕着一个或者多个知识元构建资源单元；资源提供者在资源单元建设完成后，提交给在线精准学习系统处理、存储，并由在线精准学习系统提供给用户使用。
S5、获取资源单元的质量量化特征。
本步骤根据资源单元特征和用户使用统计特征进行量化。其中，资源单元特征包括：资源单元覆盖知识元完整性，指资源单元涵盖的知识元所占的知识元所在最小知识子网的比率，资源单元涵盖的知识元中知识点数量为N，知识元所在最小知识子网中知识点数量为M，则资源单元覆盖知识元完整性评估结果的计算为N/M；资源广度，指资源单元覆盖的知识点的群组范围；资源深度，指资源单元对知识元的剖析程度；资源专业性，指知识网络专家对资源库中资源单元的专业性评估结果，由知识网络专家审查资源，并设定资源基础分；资源质量，指资源单元评分、购买量、使用量等综合评定结果。
而资源单元的用户使用统计特征包括：用户使用数，指使用单一资源单元的用户数，通过统计资源单元的浏览次数获得；用户使用时间，指资源单元下用户使用时长的累加值，通过统计资源单元的累加所有用户浏览时间获得；评测效果，指用户针对性测评结果；用户反馈，指用户在资源单元下评论反馈倾向于正面或负面。
对已构建的资源库中的资源单元，分析其特征，如覆盖的知识元的完整性、广度以及深度，对资源单元进行多指标参数量化，并根据用户对资源单元的主动反馈，对资源单元的质量进行量化；以上多维度量化指标成为资源分析的主要特征。
S6、获取资源单元的可用性量化特征
本步骤依据某个具体用户组或用户，以资源单元为单位，分析资源单元的可用性特征。资源单元的可用性特征包括但不限于：资源单元质量量化参数、与学习者学习能力水平关联度、与学习者教学大纲关联度、学习者资源偏好、资源单元的使用效果、资源单元的使用统计特征等。
对可用性进行量化时，收集用户或用户组对资源单元的使用轨迹、评测、反馈以及效果，结合用户或用户组初始基本信息，获取并分析用户或用户组特征，依据用户或用户组特征提供个性化资源量化评估得分，获取资源单元的可用性特征指标。
资源单元的量化评分面向不同粒度用户或用户组，包括整个系统用户、具体用户组和具体用户。
S7、形成资源单元推荐指数
系统依据某个具体用户组或用户，以资源单元为单位，计算给用户组或者用户u的资源单元p的推荐指数yu_p：
yu_p＝c0+c1x1+c2x2+…+k0+k1w1+k2w2+…；
其中，xi代表一个质量量化特征，例如资源的完整性；wi代表一个可用性量化特征，例如与学习者学习能力水平关联度；ci和ki是相关特征的权重；i＝0，1，2……。当对所有的i，wi＝0，所获得资源单元的推荐指数则为给全系统推荐指数，标注为Y。
步骤S7根据资源单元质量量化特征和资源单元可用性量化特征，计算资源单元的推荐指数。根据资源单元的质量量化特征和可用性量化特征训练逻辑回归LR模型。
在本实施例中，资源单元质量量化特征包括：资源完整性、资源专业性、资源单元使用用户数和用户使用时间，资源单元可用性量化特征包括：地域、性别以及用户使用最多的资源类别、所属科目、所属年级。
本实施例中，候选资源单元包括4个资源单元质量量化特征和5个资源单元可用性量化特征，对应的质量量化特征向量X表示为[x1,x2,x3,x4]，对应的可用性量化特征W表示为[w1,w2,w3,w4,w5]，每个量化特征对应不同权重分别为ci和ki，则使用公式：
Figure BDA0001629209690000061
yu-p＝c0+c1x1+c2x2+c3x3+c4x4+k0+k1w1+k2w2+k3w3+k4w4+k5w5；
当对所有的i，wi＝0时,所获得资源单元推荐指数则为给全系统推荐指数，标注为Y。
当对所有的i，wi＝0,且聚焦知识元量化特征的权重增加，得到局部重点资源排序以及推荐。
通过调整部分可用性量化特征的权重值，如地域、性别，得到针对学习者全体、学习者类型组、学习者个体多粒度个性化资源排序和推荐。
S8、构建资源个性化推荐
系统可根据学习者聚焦点不同，进行资源单元排序的动态调整，具体步骤包括：在学习者聚焦点附近的知识元范围内，系统根据资源单元推荐指数yu_p(在不需明确指定哪个用户组或用户，也不需明确指定哪个资源单元的情况下，简写为y)、资源单元的特征和用户特征，使用逻辑回归LR模型，得出预估得分，根据预估得分对候选学习资源单元进行排序，实现基于知识元、面向学习用户组或学习用户的动态资源单元排序。
进一步，逻辑回归LR模型在回归的连续值结果上加一层sigmoid函数映射，将输出值映射到0‐1区间，形式化的描述如下：
Figure BDA0001629209690000071
为了减少系统存储及计算要求，本发明将对面向整个系统的知识元的资源单元进行排序。对于某个用户组或者具体用户，系统设定服务该用户组或者用户的学习覆盖子网(学习覆盖子网是一个知识子网)；系统只需要对该用户组或者用户的学习覆盖子网的知识元的资源单元进行排序。
在本实施例中，如图6所示，资源单元排序流程包括资源单元量化、资源单元量化数据处理、资源单元排序、面向多粒度用户群体展示排序结果。
本实施例中，面向多粒度用户组进行资源单元动态排序包括：
1)面向整个系统用户的资源单元排序：结合资源提供者声誉、资源完整性、专家初评、全体学习者使用反馈，实现以知识元为基本单位的面向整个系统用户的资源单元排序；系统推荐排序靠前资源单元给所有用户。
2)面向一个具体用户组的资源单元排序：依据面向整个系统的资源单元排序、具体用户组的学习目标、具体学习特征和资源单元使用反馈，实现以知识元为基本单位的面向具体用户组的资源单元排序；系统推荐排序靠前资源单元给具体用户组。
3)面向具体用户的资源单元排序：依据面向系统的资源排序、面向具体用户组资源排序，及学习者个人的个性化学习目标、个人偏好、个人知识覆盖广度与深度、系统获得的个人使用情况记录与反馈，实现以知识元为基本单位的面向个人学习者的学习资源单元排序，系统推荐排序靠前资源给具体用户。
S9、资源优化存储
将资源单元的动态排序结果，按照依据用户类型加权的资源热度评估，将资源划分为多个热度档次，并对热度档次设定阈值。再依据资源热度决定资源存储和缓存策略，如把资源分为超热资源、热资源、冷资源；超热资源缓存在内存中，热资源可存储到非易失内存(NVM)中，冷资源储于机械硬盘，从而提高系统的响应速度和并发处理能力。
至此，已经详细描述了本发明。所述实施例仅表达了本发明实施的一种方式，其描述较为具体和详细，但不能因此而理解为对本发明所请求保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (9)

1.基于多维度信息和知识网络的在线教育系统资源推荐方法，其特征在于，包括以下步骤：
S1、构建精准在线教育系统，所构建的在线教育系统包括知识网络管理引擎、知识网络、基于角色的用户管理子系统、由不同资源者提供的围绕知识网络中的知识元而构建的资源单元；所有资源单元形成系统教学资源；
其中，知识元包括知识点、知识子网及知识点簇，知识子网包含以知识点集为起点或终点所涉及的所有学习路径下其它知识点及这些知识点之间的关系，知识点簇由一系列未能形成直接连通的知识子网的知识点构成；
知识点按照系统设定的关系与其关联的知识点连接，形成三维的知识网络；
S2、设计知识网络管理引擎，用于实现知识点的加入、删除、修改；知识元的标注；知识点与知识元的存储；资源单元与知识元的关联；
S3、基于知识网络管理引擎搭建知识网络；
S4、依托于知识网络，以知识元为单位，多渠道构建资源库；资源库支持以知识元为单位存储的资源单元；
S5、根据资源单元特征和用户使用统计特征对资源单元的质量进行量化，获取资源单元的质量量化特征；
S6、获取资源单元的可用性量化特征；
S7、根据资源单元的质量量化特征和资源单元的可用性量化特征，计算资源单元的推荐指数；
S8、根据学习者聚焦点不同，进行资源单元排序的动态调整；
在学习者聚焦点附近的知识元范围内，系统根据资源单元推荐指数、资源单元的特征和用户特征，使用逻辑回归LR模型，得出预估得分，根据预估得分对候选学习资源单元进行排序，实现基于知识元、面向学习用户组或学习用户的动态资源单元排序。
2.根据权利要求1所述的基于多维度信息和知识网络的在线教育系统资源推荐方法，其特征在于，步骤S5中，资源单元特征包括：资源单元覆盖知识元完整性，指资源单元涵盖的知识元所占的知识元所在最小知识子网的比率；资源广度，指资源单元覆盖的知识点的群组范围；资源深度，指资源单元对知识元的剖析程度；资源专业性，指知识网络专家对资源库中资源单元的专业性评估结果，由知识网络专家审查资源，并设定资源基础分；资源质量，指资源单元评分、购买量、使用量综合评定结果。
3.根据权利要求1所述的基于多维度信息和知识网络的在线教育系统资源推荐方法，其特征在于，步骤S5中，用户使用统计特征包括：用户使用数，指使用单一资源单元的用户数，通过统计资源单元的浏览次数获得；用户使用时间，指资源单元下用户使用时长的累加值，通过统计资源单元的累加所有用户浏览时间获得；评测效果，指用户针对性测评结果；用户反馈，指用户在资源单元下评论反馈倾向于正面或负面。
4.根据权利要求1所述的基于多维度信息和知识网络的在线教育系统资源推荐方法，其特征在于，步骤S6获取资源单元的可用性量化特征时，收集用户或用户组对资源单元的使用轨迹、评测、反馈以及效果，结合用户或用户组初始基本信息，获取并分析用户或用户组特征，依据用户或用户组特征提供个性化资源量化评估得分，获取资源单元的可用性特征指标。
5.根据权利要求4所述的基于多维度信息和知识网络的在线教育系统资源推荐方法，其特征在于，所述资源单元的可用性特征包括：资源单元质量量化参数、与学习者学习能力水平关联度、与学习者教学大纲关联度、学习者资源偏好、资源单元的使用效果、资源单元的使用统计特征。
6.根据权利要求1所述的基于多维度信息和知识网络的在线教育系统资源推荐方法，其特征在于，步骤S7以资源单元为单位，计算给用户组或者用户u的资源单元p的推荐指数yu_p：
yu_p＝c0+c1x1+c2x2+…+k0+k1w1+k2w2+…；
其中，xi代表一个质量量化特征；wi代表一个可用性量化特征；ci和ki是相关特征的权重；i＝0，1，2……。
7.根据权利要求6所述的基于多维度信息和知识网络的在线教育系统资源推荐方法，其特征在于，所述逻辑回归LR模型在回归的连续值结果上加一层sigmoid函数映射，将输出值映射到0-1区间。
8.根据权利要求1所述的基于多维度信息和知识网络的在线教育系统资源推荐方法，其特征在于，所述知识网络管理引擎维护由知识点构建的知识网络，按需标注知识元，维持知识网络的完整性、精准性和合理性；所述知识点按照前后、继承及包含关系进行关联，形成三维立体的知识网络。
9.根据权利要求1所述的基于多维度信息和知识网络的在线教育系统资源推荐方法，其特征在于，还包括步骤：
S9、将资源单元的排序结果，按照依据用户类型加权的资源热度评估，将资源划分为多个热度档次，并对热度档次设定阈值，再依据资源热度决定资源存储和缓存策略。
CN201810335826.1A 2018-04-16 2018-04-16 基于多维度信息和知识网络的在线教育系统资源推荐方法 Active CN108563749B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810335826.1A CN108563749B (zh) 2018-04-16 2018-04-16 基于多维度信息和知识网络的在线教育系统资源推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810335826.1A CN108563749B (zh) 2018-04-16 2018-04-16 基于多维度信息和知识网络的在线教育系统资源推荐方法

Publications (2)

Publication Number Publication Date
CN108563749A CN108563749A (zh) 2018-09-21
CN108563749B true CN108563749B (zh) 2020-11-10

Family

ID=63535095

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810335826.1A Active CN108563749B (zh) 2018-04-16 2018-04-16 基于多维度信息和知识网络的在线教育系统资源推荐方法

Country Status (1)

Country Link
CN (1) CN108563749B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111241386A (zh) * 2018-11-28 2020-06-05 中国移动通信集团有限公司 一种信息处理方法及装置、存储介质
CN109858797B (zh) * 2019-01-25 2023-01-20 中山大学 基于知识网络精准在线教育系统的多维度信息学情分析方法
CN111813920B (zh) * 2020-07-06 2021-04-13 龙马智芯（珠海横琴）科技有限公司 一种学习策略生成方法、装置、生成设备及可读存储介质
CN112150331A (zh) * 2020-09-28 2020-12-29 河南财政金融学院 面向教育目标进行层级分配的教育资源远程共享系统
CN117131902B (zh) * 2023-10-26 2024-02-27 北京布局未来科技发展有限公司 基于智能教学的学生意图识别方法、计算机设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521337A (zh) * 2011-12-08 2012-06-27 华中科技大学 一种基于海量知识网络的学术社区系统
CN106874261A (zh) * 2017-03-17 2017-06-20 中国科学院软件研究所 一种基于语义三角的领域知识图谱及查询方法
CN106940726A (zh) * 2017-03-22 2017-07-11 山东大学 一种基于知识网络的创意自动生成方法与终端
CN107103384A (zh) * 2017-04-01 2017-08-29 广东顺德中山大学卡内基梅隆大学国际联合研究院 一种基于三维知识网络的学习者学习轨迹量化方法
CN107562896A (zh) * 2017-09-06 2018-01-09 华中师范大学 一种基于知识关联的资源组织及展示方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521337A (zh) * 2011-12-08 2012-06-27 华中科技大学 一种基于海量知识网络的学术社区系统
CN106874261A (zh) * 2017-03-17 2017-06-20 中国科学院软件研究所 一种基于语义三角的领域知识图谱及查询方法
CN106940726A (zh) * 2017-03-22 2017-07-11 山东大学 一种基于知识网络的创意自动生成方法与终端
CN107103384A (zh) * 2017-04-01 2017-08-29 广东顺德中山大学卡内基梅隆大学国际联合研究院 一种基于三维知识网络的学习者学习轨迹量化方法
CN107562896A (zh) * 2017-09-06 2018-01-09 华中师范大学 一种基于知识关联的资源组织及展示方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
异质网络资源多维度推荐模式研究——以豆瓣网为例;夏立新 等;《图书情报工作》;20170228;第61卷(第3期);第6-13页 *

Also Published As

Publication number Publication date
CN108563749A (zh) 2018-09-21

Similar Documents

Publication Publication Date Title
CN108563749B (zh) 基于多维度信息和知识网络的在线教育系统资源推荐方法
US10671620B2 (en) Method for recommending a teacher in a network teaching system
US8073682B2 (en) System and method for prospecting digital information
CN103544663A (zh) 网络公开课的推荐方法、系统和移动终端
Li Quality, evaluation and recommendation for learning object
CN106951471A (zh) 一种基于svm的标签发展趋势预测模型的构建方法
Nicholson et al. A profile of Australian sport journalists (revisited)
CN112749330B (zh) 信息推送方法、装置、计算机设备和存储介质
CN112287241B (zh) 旅游推荐方法及系统
CN114567815B (zh) 一种基于预训练的慕课自适应学习系统构建方法和装置
CN113051487B (zh) 基于用户信任和社交影响力的旅游群组推荐方法
CN105677902A (zh) 一种简历的展示方法
CN116244513A (zh) 随机群组poi推荐方法、系统、设备及存储介质
CN112836122A (zh) 一种基于应用数据构建推荐系统的方法
CN110297942A (zh) 一种视频探索方法、装置、设备及存储介质
CN110297939A (zh) 一种融合用户行为和文化元数据的音乐个性化系统
CN115438871A (zh) 一种融合偏好消除流行度偏差的冰雪景点推荐方法及系统
CN114662920A (zh) 课程推送方法、装置、计算机设备、存储介质和程序产品
CN112765326B (zh) 一种问答社区专家推荐方法、系统及应用
CN111143688B (zh) 一种基于移动新闻客户端的评估方法及其系统
Wang Recommendation method of ideological and political mobile teaching resources based on deep reinforcement learning
Li et al. Design of Intelligent Push System for Teaching Resources Based on User Profile
Wu Research on personalized recommendation method of preschool e-learning resources
Xiong et al. Personalized Course Recommendation Model Based on User’s Interests and Feature Information
Tian et al. A prediction framework of learning outcomes based on meaningful learning features

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