CN109213863B - 一种基于学习风格的自适应推荐方法及系统 - Google Patents
一种基于学习风格的自适应推荐方法及系统 Download PDFInfo
- Publication number
- CN109213863B CN109213863B CN201810954366.0A CN201810954366A CN109213863B CN 109213863 B CN109213863 B CN 109213863B CN 201810954366 A CN201810954366 A CN 201810954366A CN 109213863 B CN109213863 B CN 109213863B
- Authority
- CN
- China
- Prior art keywords
- learning
- learner
- style
- resource
- resources
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000003044 adaptive effect Effects 0.000 title claims description 40
- 230000006399 behavior Effects 0.000 claims abstract description 40
- 238000007621 cluster analysis Methods 0.000 claims abstract description 14
- 238000003745 diagnosis Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000002360 preparation method Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000001914 filtration Methods 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 24
- 238000005065 mining Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000003786 synthesis reaction Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000012098 association analyses Methods 0.000 claims 1
- 230000001953 sensory effect Effects 0.000 claims 1
- 230000000007 visual effect Effects 0.000 claims 1
- 230000001755 vocal effect Effects 0.000 claims 1
- 238000012360 testing method Methods 0.000 description 13
- 238000002474 experimental method Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 11
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000008450 motivation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明属于教育技术领域，公开了一种基于学习风格的自适应推荐方法及系统，系统包括：数据的准备和预处理模块，学习风格诊断模块，聚类分析和学习资源推荐模块；方法包括：对学习者学习数据的准备和预处理，在得到用户群体的在线学习平台浏览日志数据之后，对网页内容进行标记；对学习者进行学习风格诊断，对学习资源进行标记后，基于学习者行为日志记录诊断其学习风格；聚类分析和学习资源推荐，基于学习风格对学习者进行聚类，将相似学习风格的学习者分到同一群组中。本发明对于不同的学习者群组，挖掘该类别学习风格学习者的行为模式和学习资源偏好，实现学习资源推荐。
Description
技术领域
本发明属于教育技术领域，尤其涉及一种基于学习风格的自适应推荐方法及系统。
背景技术
目前，业内常用的现有技术是这样的：
自适应学习(或智慧学习)是在线学习的一个前沿分枝，自适应学习通过与学习者交互，改变学习进程中学习资源的内容或表现形式，实现对不同学习者的个性化指导，以达到提高学习者效率的目标。与单纯的在线学习系统相比，自适应学习系统完全以学习者为中心，基于不同学习者的知识背景、认知水平、对信息展示的偏好等特征，帮助学习者在海量信息中筛选出适合自己的学习资源，并记录、挖掘和深入分析学习者的历史学习数据，在评估后进行个性化干预、指导，使学习过程更加有效。
自适应学习系统的一个主要应用模块是针对用户的学习资源推荐，即根据用户的学习历史、学习行为模式，结合数据挖掘、机器学习等技术为用户提供适合用户学习策略和学习风格的课程及其他学习材料的推荐。尽管在此方面的研究已持续数年，自适应学习系统的技术还尚未成熟，至今仍每有出现在世界范围内广为使用的系统。虽然一部分在线学习平台也拥有一定的推荐功能，但大多数只停留在学习资源的设计与实践层面，即“以学习资源为中心”，却缺乏对学习者特征的分析，不能针对学生的自身特征提供个性化指导，以至于无法达到预期的效果。因此，以学习者为中心的自适应系统无疑是未来教学模式的方向。设计开发一个能够根据学习者偏好进行动态调整资源推荐的自适应学习系统显得尤为必要。
综上所述，现有技术存在的问题是：
现有的自适应学习系统所使用的推荐算法大多基于传统的协同过滤等算法，这些算法虽然在推荐领域已经能够保证很好的性能，但基于在线学习这一特殊领域的一些特性，单独使用传统的推荐算法还是存在瓶颈的。
例如常见的“邻域推荐算法(Neighborhood based recommender)”中的协同过滤，通过比较用户的浏览和评分记录得到用户和产品之间的相似性，根据“推荐跟某用户具有相同喜好的用户喜欢的产品”这一理念来进行推荐。这个算法具有很不错的性能，但是对于在线学习来说，一来用户的浏览行为可能并不和网上商城的购买活动相同，二来对于所有用户做相似度分析所消耗的计算量和资源都很大。如果在推荐算法中能够利用学习风格对用户进行预分类，不仅更适合在线学习平台的用户活动的内在逻辑，而且进行相似度计算的计算量也会大大减小。
利用用户的学习风格来提升推荐的准确性和适应性虽也有一些研究涉及，但这些应用都是基于传统的学习风格模型(如Dunn夫妇的学习风格模型，Kolb学习风格模型等)，这些模型都是基于课堂学习建立的，很难再适用于在线学习的极度多元化和具有灵活性的特点。
发明内容
针对现有技术存在的问题，本发明提供了一种基于学习风格的自适应推荐方法及系统，
本发明是这样实现的，一种基于学习风格的自适应推荐方法，所述的基于学习风格的自适应推荐方法包括：
对学习者学习数据的准备和预处理，在得到用户群体的在线学习平台浏览日志数据之后，对网页内容进行标记；
对学习者进行学习风格诊断，对学习资源进行标记后，基于学习者行为日志记录诊断学习风格；
聚类分析和学习资源推荐，基于学习风格对学习者进行聚类，将相似学习风格的学习者分到同一群组中；对于不同的学习者群组，挖掘该类别学习风格学习者的行为模式和学习资源偏好，进行学习资源推荐。
进一步，在得到用户群体的在线学习平台浏览日志数据之后，对网页内容根据上表进行标记，对学习者学习数据的准备和预处理；
对学习资源的标记方法如下：
本发明在收集了学习系统网站的所有资源后，将这些资源进行分类，进而通过学习资源的类别匹配对应的学习风格元素。本发明应用的学习风格模型为“在线学习风格模型(Online Learning Style)”，此模型将学习者表示为含有八个维度的学习风格向量，每一个维度代表一个学习风格特征，每一个特征对应了学习者在学习过程中对某些学习行为的倾向性。具体的八个维度如表格所示：
为了通过学习者的在线学习过程推导出其学习风格，本发明需要将不同的学习资源标记为具有某些学习行为特性的实体，如此根据学习者对这些资源的偏好程度则能对其进行诊断。具体的学习资源标记方法如表格所示：
再具体的应用中每个资源可以匹配不同的学习风格特征，比如某学习资源是一个站内论坛页面，本发明就可以将这个页面标记为交流类资源。再比如某学习资源体现为一个含有图片的教程网页，同时这些图片是某个知识点的体系图，可以将这个网页标记为w视觉*l视觉+w综合*l综合，其中w表示权重，l是学习风格要素的取值，同样本发明也可以将学习资源采用向量表示：(w动机,w交流,w视觉,w言语,w感悟,w直觉,w序列,w综合)。
进一步，对学习者进行学习风格诊断包括：
令向量(d1，d2，…，d8)表示每个学习者x，dj代表学习者x的第j个在线学习风格特征上的倾向，以数值方式表示。给定包含M个学习资源的集合I＝{i1，i2，...，iM}，集合Ij是物品集合I的任意一个子集，有
表示包含属性j的学习资源集合。根据学习风格特征和学习资源属性的多对多关系，定义学习者x的学习风格特征d的计算公式为：
其中A(d)是学习风格特征d所对应的学习资源属性集合，wj是学习资源属性j对于学习风格特征d的权重，且∑j∈A(d)wj＝1，NClick(x，Ij)是学习者x对于具有属性j的学习资源的总点击量；
最终得到由八维向量表示的每个学习者的学习风格。
进一步，基于学习风格进行推荐：聚类分析和学习资源推荐采用基于协同过滤的自适应学习资源混合推荐方法，包括：
1)使用余弦相似度计算两个向量之间的夹角余弦值来评估相似度，夹角越小该值越接近1；
其中|N(in)∩N(im)|表示浏览过学习资源in和im的学习者数目，|N(in)|表示浏览过学习资源in的学习者的数目；
2)学习资源关联规则挖掘
给定包含M个学习资源的集合I＝{i1，i2，...，iM}，集合Ij表示集合I的一个子集，存在
对于N个学习者的集合X＝{x1，x2，...，xN}，将每个学习者xn浏览过的学习资源集合记为
对于任意集合Ij，本发明定义它的支持度为：
其中|N(Ij)|表示所浏览的集合中包含Ij的学习者数目；支持度表示关联规则或集合出现的频繁程度，给定一支持度阈值，支持度超过阈值的集合被称为频繁项集；
3)生成学习资源推荐列表
将学习者分为K类后，类别集合用C＝{c1，c2，...，cK}表示。分别用sim(ia，ib|ck)表示对于类别ck的学习者来说物品ia和物品ib的相似度，support(Ij|ck)和conf(Ij1→Ij2|ck)分别表示对于类别ck的学习者所挖掘到的学习资源集合的支持度和置信度。
进一步，对学习者进行学习风格诊断包括：聚类分析和学习资源推荐利用关联规则对Item-CF所生成的推荐列表进行过滤；类别ck中的学习者xn对学习资源im的浏览趋势(Tendency)为：
其中F(xn)是由学习者xn的历史浏览记录所包含的频繁项集集合；
设定一浏览趋势的动态阈值，根据不同的学习者和其学习风格而变化，计算公式为：
其中RCF(xn)表示ItemCF方法所为用户xn生成的TopN推荐列表，RAR(xn)表示基于关联分析所为用户xn生成的推荐列表；μ是一个可调节的参数，用来调节推荐列表的长度。
进一步，基于学习风格进行推荐进一步包括基于LSTM的自适应学习资源推荐方法LSTM-AROLS，具体有：
(1)分布式学习资源向量的构建：
Skip-gram模型将每个输入学习资源映射到一个对数线性投影层中，并预测该学习资源在浏览序列上下文中出现的概率；w(t)表示t时刻所浏览的学习资源，Skip-gram模型的最优化目标函数表示为：
其中c表示浏览序列上下文窗口大小，p(w(t+k)|w(t))通过softmax函数计算；Skip-gram模型包含三层，其中输入层是一个学习资源，被影射到一个投影层，再输出层输出对当前学习上下文学习资源的预测；
根据设置的维数和窗口大小，使用用户的学习资源浏览序列对Skip-gram模型进行训练，得到学习资源上下文模型和学习资源的向量矩阵；
(2)栈式LSTM神经网络模型的训练：
在前向传播时，其计算方法为：
it＝σ(Wxixt+Whiht-1+Wcict-1+bi)
ft＝σ(Wxfxt+Whfht-1+Wcfct-1+bf)
ct＝ftct-1+ittanh(Wxcxt+Whfht-1+bc)
ot＝σ(Wxoxt+Whoht-1+Wcoct+bo)
ht＝ottanh(ct)
公式中的i，f，c，o分别表示输入门、遗忘门、细胞状态和输出门，σ为sigmoid激活函数，tanh为双曲正切激活函数；
LSTM的训练采用随时间的反向传播算法，首先根据前向传播公式计算输出值，之后按时间和网络层级两个传播方向反向计算LSTM单元的误差值，最后根据相应误差项计算权重的梯度并更新权重。
本发明的另一目的在于提供一种实现所述基于学习风格的自适应推荐方法的计算机程序。
本发明的另一目的在于提供实现所述基于学习风格的自适应推荐方法的信息数据处理终端。
本发明的另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的基于学习风格的自适应推荐方法。
本发明的另一目的在于提供一种基于学习风格的自适应推荐系统包括：
数据的准备和预处理模块，学习风格诊断模块，聚类分析和学习资源推荐模块；
数据的准备和预处理模块，对学习者学习数据进行准备和预处理；
学习风格诊断模块，对学习资源进行标记，基于学习者行为日志记录诊断其学习风格；
聚类分析和学习资源推荐模块，基于学习风格对学习者进行聚类，将相似学习风格的学习者分到同一群组中；对于不同的学习者群组，挖掘该类别学习风格学习者的行为模式和学习资源偏好，进行学习资源推荐。
综上所述，本发明的优点及积极效果为：
对于AROLS算法的评估，本研究继续使用Open University Learning Analyticsdataset(OULAD)数据集，重点在于对学习者日志中信息的挖掘。该数据集来自英国的OpenUniversity在线学习平台，包含2013年和2014年内22个课程模块、32593个学习者的信息和10655280条学习者行为日志。对于训练集和测试集的拆分策略，本发明将学习者行为的前80％作为训练集，后20％作为测试集。这使本发明可以根据学习者之前的行为记录对之后的行为进行预测。同时为了防止推荐算法中参数的过拟合，将测试集中的后10％数据作为验证集，协助进行算法及参数的调整。
利用前文隐式诊断学习者学习风格特征的方法，对测试集中的学习者进行学习风格诊断，该数据包含学习者在动机、交流、视觉、言语、感悟、直觉、序列、综合这八个学习风格特征上的程度，均为数值型数据。本发明使用此诊断结果和学习者行为日志作为AROLS模型的输入。
为了验证CF-AROLS的有效性，本发明设计三个实验在测试集上进行对比。采用传统的基于物品的协同过滤(ItemCF)作为基准(baseline)，针对所有的学习者行为记录进行挖掘，计算学习资源相似度并进行推荐。第二个实验将Item-CF应用于基于学习风格进行聚类后的学习者行为数据上，针对同一类的学习者进行学习资源相似度挖掘和推荐。第三个实验使用本研究提出的CF-AROLS推荐方法，通过关联规则对协同过滤结果进行筛选。本发明选用准确率、召回率和F1分数对结果进行对比，结果如图5所示。
横坐标为协同过滤的推荐结果个数N，纵坐标为各个测量值的百分数结果。从图中可看出，在各项指标上，CF-AROLS和基于学习风格聚类后的协同过滤推荐结果(Clustering+ItemCF)都优于传统的ItemCF推荐结果。另外，通过关联规则的过滤，CF-AROLS在准确率上的表现大大优于其他两种方法，对比Clustering+ItemCF方法有高达50％的提升，且总体表现(即F1分数)稳定。相反，Clustering+ItemCF方法虽然在召回率上表现最好，但随着N的增大，准确率大幅下降。可见CF-AROLS在总体上得到了很好的推荐效果，且推荐个数越多，关联规则对结果的过滤效果越好。
为了验证LSTM-AROLS的有效性，本发明设计两个实验进行对比。第一个实验使用所有的学习者数据训练一个LSTM模型，对测试集中的学习者进行学习资源推荐。第二个实验使用提出的LSTM-AROLS，在对学习者基于学习风格进行聚类分析后针对不同类别的学习者训练多个LSTM模型。平均推荐结果如图6所示。
从结果可以看出，LSTM-AROLS的表现大大优于单纯的LSTM网络的推荐结果，且在N值较小时比CF-AROLS的推荐结果更准确。因为最先开始的输入序列来自学习者的真实浏览记录，所以预测结果较准确，而之后逐渐偏差增大，导致准确率下降。但因为总体推荐数目的提升，召回率逐渐提高，这两者的综合使得F1分数比较稳定，且优于CF-AROLS的综合表现。
最后结果显示，CF-AROLS对学习资源的相似度和关联规则进行计算，并利用关联规则对协同过滤的推荐结果进行筛选，提高了推荐的准确率。LSTM-AROLS利用循环神经网络模型，对学习资源浏览序列进行建模，相比于CF-AROLS更多地考虑到了学习资源浏览的先后顺序，贴合真实情况，推荐效果有显著提升。同时，通过AROLS对比与传统推荐方法以及模型预测方法的优异表现，可以看出在线学习风格模型的引入大大增强了自适应学习系统的个性化推荐功能。
附图说明
图1是本发明实施例提供的基于学习风格的自适应推荐系统框图。
图中：1、数据的准备和预处理模块；2、学习风格诊断模块；3、聚类分析和学习资源推荐模块。
图2是本发明实施例提供的基于学习风格的自适应推荐方法流程图。
图3是本发明实施例提供的聚类分析和学习资源推荐流程图。
图4是本发明实施例提供的Skip-gram模型示意图。
图5是本发明实施例提供的选用准确率、召回率和F1分数对结果进行对比图。
图6是本发明实施例提供的在对学习者基于学习风格进行聚类分析后针对不同类别的学习者训练多个LSTM模型的平均推荐结果图。
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。
基于学习风格的自适应推荐方法(Adaptive Recommendation based on OnlineLearning Style，AROLS)”，基于学习风格的自适应推荐方法首先基于学习风格对学习者进行聚类分析，之后针对不同类别的学习者行为数据进行挖掘并提供学习资源推荐。
如图1所示，本发明实施例提供的基于学习风格的自适应推荐系统，包括：
数据的准备和预处理模块1，学习风格诊断模块2，聚类分析和学习资源推荐模块3；
数据的准备和预处理模块1，对学习者学习数据进行准备和预处理；
学习风格诊断模块2，对学习资源进行标记，基于学习者行为日志记录诊断其学习风格；
聚类分析和学习资源推荐模块3，基于学习风格对学习者进行聚类，将相似学习风格的学习者分到同一群组中；对于不同的学习者群组，挖掘该类别学习风格学习者的行为模式和学习资源偏好，实现学习资源推荐。
如图2所示，本发明实施例提供的基于学习风格的自适应推荐方法包括：
S101：对学习者学习数据的准备和预处理，在得到用户群体的在线学习平台浏览日志数据之后，对网页内容进行标记；
S102：对学习者进行学习风格诊断，对学习资源进行标记后，基于学习者行为日志记录诊断其学习风格；
S103：聚类分析和学习资源推荐，基于学习风格对学习者进行聚类，将相似学习风格的学习者分到同一群组中；对于不同的学习者群组，挖掘该类别学习风格学习者的行为模式和学习资源偏好，实现学习资源推荐。
步骤S103中，本发明实施例提供的聚类分析基于协同过滤的自适应学习资源混合推荐方法(CF-AROLS)和基于LSTM的自适应学习资源推荐方法(LSTM-AROLS)；
本发明实施例提供的前两步是依据在线学习风格理论(Online Learning Style，OLS)分析学习者的学习风格，最后学习资源的推荐也实现了两种不同的算法，分别是基于学习行为数据挖掘的协同过滤推荐算法和基于学习行为序列挖掘的LSTM神经网络模型推荐算法。
下面结合实施例对本发明进行进一步说明。
实施例1
1)对学习者学习数据的准备和预处理
根据在线学习风格(OLS)理论，学习风格特征和其对应的典型在线学习行为表1所示：
表1
为了应用这一理论对学习风格进行诊断，把OLS特征与在线学习平台上的学习资源进行对应，如表2所示：
表2
在得到用户群体的在线学习平台浏览日志数据之后，对网页内容根据上表进行标记，完成对学习者学习数据的准备和预处理。
2)对学习者进行学习风格诊断
令向量(d1，d2，...，d8)表示每个学习者x，dj代表学习者x的第j个在线学习风格特征上的倾向，以数值方式表示。给定包含M个学习资源的集合I＝{i1，i2，...，iM}，集合Ij是物品集合I的任意一个子集，有
表示包含属性j的学习资源集合。根据学习风格特征和学习资源属性的多对多关系，定义学习者x的学习风格特征d的计算公式为：
其中A(d)是学习风格特征d所对应的学习资源属性集合，Wj是学习资源属性j对于学习风格特征d的权重，且∑j∈A(d)wj＝1，NClick(x，Ij)是学习者x对于具有属性j的学习资源的总点击量。
最终得到由八维向量表示的每个学习者(学习平台用户)的学习风格。
3)聚类分析和学习资源推荐
针对给定的训练集，即学习者学习风格诊断结果和学习者行为日志，AROLS首先基于学习风格对学习者进行聚类，将相似学习风格的学习者分到同一群组中。之后对于不同的学习者群组，挖掘该类别学习风格学习者的行为模式和学习资源偏好，实现学习资源推荐。当训练过程结束后，一个学习者测试样本被输入到算法中，AROLS通过找到该学习者所在群组以及历史行为，基于学习行为模型进行自适应推荐。具体流程如图3所示：
(1)基于协同过滤的自适应学习资源混合推荐方法(CF-AROLS)
基于学习风格对学习者进行分类后，为了挖掘相似学习风格学习者的信息，本发明对同一类别的学习者行为数据进行统计，主要分为学习资源相似性的计算和学习资源关联规则分析。
①学习资源相似度矩阵
对于N个学习者的集合X＝{x1，x2，...，xN}以及M个物品的物品集合I＝{i1，i2，...，iM}，可以用N×M的数据矩阵(Datamatrix)表示学习者的学习资源浏览集合：
其中t(xn，im)表示学习者xn浏览学习资源im的次数，如果未浏览该学习资源，则为0。通过数据矩阵，可以计算出M×M的学习资源相似性矩阵：
其中sim(in，im)表示学习资源in和im的相似性，该值位于区间[0，1]，两个学习资源越相似该值越大，且有sim(im，im)＝1。
关于相似度sim(in，im)的计算方法有很多，应用较普遍的有皮尔森系数、闵可夫斯基距离的倒数等。由于上述算法主要针对有评分的记录(即用t(xn，im)表示学习者xn对学习资源im的评分)，不适用于本发明。本发明使用余弦相似度(Cosine similarity)计算两个向量之间的夹角余弦值来评估相似度，夹角越小该值越接近1。
其中|N(in)∩N(im)|表示浏览过学习资源in和im的学习者数目，|N(in)|表示浏览过学习资源in的学习者的数目。
②学习资源关联规则挖掘
给定包含M个学习资源的集合I＝{i1，i2，...，iM}，集合Ij表示集合I的一个子集，存在
对于N个学习者的集合X＝{x1，x2，...，xN}，将每个学习者xn浏览过的学习资源集合记为
对于任意集合Ij，本发明定义它的支持度为：
其中|N(Ij)|表示所浏览的集合中包含Ij的学习者数目。支持度表示关联规则或集合出现的频繁程度，给定一支持度阈值，支持度超过阈值的集合被称为频繁项集。
关联规则是形如Ij1→Ij2的表达式，表示学习者浏览集合Ij1的同时浏览集合Ij2的浏览模式。一条关联规则的支持度被定义为：
其中|N(Ij1∪Ij2)|表示同时浏览过学习资源集合Ij1和Ij2的用户数。
在寻找关联规则时，通常会计算规则的置信度(Confidence)，置信度conf(Ij1→Ij2)表示当某个学习者浏览过集合Ij1时，也浏览集合Ij2的规则的确定性。如果某条关联规则的置信度和支持度都超过一定阈值，则认为该规则是强关联规则。利用支持度可以计算置信度，计算公式为：
另外，由于支持度和置信度并不能充分表示关联规则的有效性，例如某规则Ij1→Ij2的置信度为75％，而sup(Ij2)＝90％，即Ij2单独出现的的概率还大于与Ij1同时出现的概率，则规则Ij1→Ij2是负相关的，Ij1的出现实际上降低了Ij2出现的可能性。为了避免产生误导性的规则，本发明使用Kulc度量和不平衡比(Imbalance Ratio，IR)相结合来对规则Ij1→Ij2进行评估：
Kulc度量由波兰数学家S.Kulczynski提出，可以看作两个置信度的平均值，取值在[0，1]，值越大表明关系越强。
IR表示集合Ij1和Ij2的平衡程度，IR(Ij1，Ij2)＝0表示两者在数据集中的出现概率相同，该值越大表明集合的关系越不平衡，关联规则有效性越弱。
关联规则的挖掘分为两步，首先需要根据最小支持度阈值找出所有频繁项集，之后再由频繁项集产生满足最小置信度的关联规则。因为关联规则是由频繁项集的子集计算出的，故都是强关联规则。在大型数据集中，当支持度阈值设置较低时，常常会产生大量的频繁项集，故第一步的开销较大，决定了关联规则挖掘的总体性能。为减少计算量，本发明采用FP-growth(Frequent-Pattern growth)算法进行频集挖掘。该算法只对数据集进行两次扫描。该算法首先将代表频繁项集的数据压缩成一棵频繁模式树(FPTree)，之后基于FP树为每个频繁项构造条件FP树，递归地发现频繁项。通过FP-growth挖掘频繁项集后，遍历数据集并计算频繁项集的支持度，最后根据频繁项集生成关联规则，并通过Kulc度量和IR比对关联规则进行筛选。
③生成学习资源推荐列表
将学习者分为K类后，类别集合用C＝{c1，c2，...，cK}表示。分别用sim(ia，ib|ck)表示对于类别ck的学习者来说物品ia和物品ib的相似度，support(Ij|ck)和conf(Ij1→Ij2|ck)分别表示对于类别ck的学习者所挖掘到的学习资源集合的支持度和置信度。
根据基于物品的协同过滤(Item-basedcollaborative filtering,Item-CF)算法，本发明可以根据相似度计算属于类别ck的学习者xn对学习资源im的兴趣：
其中N(xn)是用户xn浏览过的物品的集合，S(i，N)是和物品i最相似的N个物品的集合。可见，与学习者历史上浏览的学习资源越相似的学习资源，越有可能在推荐列表中获得比较高的排名。
接下来，本发明利用关联规则对Item-CF所生成的推荐列表进行过滤。定义类别ck中的学习者xn对学习资源im的浏览趋势(Tendency)为：
其中F(xn)是由学习者xn的历史浏览记录所包含的频繁项集集合。
CF-AROLS结合了协同过滤和关联规则的混合推荐算法通过生成可变长度的推荐列表，着重为学生提供当下学习资源的选择意见，而不是提供固定数目个选项。本发明设定一浏览趋势的动态阈值，根据不同的学习者和其学习风格而变化，计算公式为：
其中RCF(xn)表示ItemCF方法所为用户xn生成的TopN推荐列表，RAR(xn)表示基于关联分析所为用户xn生成的推荐列表。μ是一个可调节的参数，用来调节推荐列表的长度，实现更加个性化的推荐。
(2)基于LSTM的自适应学习资源推荐方法(LSTM-AROLS)
协同过滤和关联规则虽然可以对学习资源进行推荐，但本质上只是对学习资源的共现概率进行统计。而学习则是一个过程，不同学习资源的浏览之间存在因果和顺序关系，因此本发明使用了深度学习中循环神经网络的方法对学习者行为进行了更深入的研究。LSTM-AROLS主要通过训练LSTM模型对学习资源浏览序列进行预测，该方法分为两步，分别是分布式学习资源向量的构建和LSTM神经网络模型的训练。
①分布式学习资源向量的构建
本发明参考Mikolov提出的词嵌入(Word embedding)方法Skip-gram，该模型在众多研究中表现突出，可以将学习资源表示为固定维度的向量表示后作为神经网络模型的输入。
Skip-gram模型将每个输入学习资源映射到一个对数线性投影层中，并预测该学习资源在浏览序列上下文中出现的概率。因此，另w(t)表示t时刻所浏览的学习资源，Skip-gram模型的最优化目标函数可表示为：
其中c表示浏览序列上下文窗口大小，p(w(t+k)|w(t))通过softmax函数计算。Skip-gram模型包含三层，如图4所示，其中输入层是一个学习资源，它被影射到一个投影层，再输出层输出对当前学习上下文学习资源的预测。
根据设置的维数和窗口大小，本发明可以使用用户的学习资源浏览序列对Skip-gram模型进行训练，得到学习资源上下文模型和学习资源的向量矩阵。
②栈式LSTM神经网络模型的训练
LSTM模型是循环神经网络(recurrent neural network，RNN)变体的一种，RNN模型由于在网络结构设计中考虑到了时序的概念，在时序数据分析中表现出了很强的适应性。LSTM模型对RNN进行了改进，具有长期记忆能力，弥补了RNN模型中梯度消失、梯度爆炸和长短期记忆能力不足等问题，在语言建模、语音识别和机器翻译领域应用广泛。在前向传播时，其计算方法为：
it＝σ(Wxixt+Whiht-1+Wcict-1+bi) (13)
ft＝σ(Wxfxt+Whfht-1+Wcfct-1+bf) (14)
ct＝ftct-1+ittanh(Wxcxt+Whfht-1+bc) (15)
ot＝σ(Wxoxt+Whoht-1+Wcoct+bo) (16)
ht＝ottanh(ct) (17)
上述公式中的i，f，c，o分别表示输入门、遗忘门、细胞状态和输出门，σ为sigmoid激活函数，tanh为双曲正切激活函数。LSTM的训练可以采用随时间的反向传播算法(backpropagation through time，BPTT)，首先根据上述前向传播公式计算输出值，之后按时间和网络层级两个传播方向反向计算LSTM单元的误差值，最后根据相应误差项计算权重的梯度并更新权重。
给定包含M个学习资源的集合I＝{i1，i2，...，iM}，对于N个学习者的集合X＝{x1，x2，...，xN}，将每个学习者xn浏览过的学习资源序列记为
给定任意窗口大小k，为生成训练数据，本发明可以根据
生成
个长度为k+1的学习资源浏览序列{i1+p，i2+p，...，ik+p，ik+p+1}，其中前k个学习资源{i1+p，i2+p，...，ik+p}向量作为输入，最后一个学习资源ik+p+1的向量为标签。训练学习资源路径预测模型采用余弦距离平均值的相反数(Cosine proximity)作为损失函数，对于输出向量o＝(o1，o2，...，oD)，假设目标值为t＝(t1，t2，...，tD)，它们的余弦距离可表示为：
对于N个训练数据，损失函数为：
为了最小化损失函数，本发明采用基于梯度的随机优化算法Adam(Adaptivemoment estimation)进行隐藏层权重的更新，该算法结合了AdaGrad和RMSProp方法的优势，根据不同参数改变学习学习率，占用较少的存储资源，在实际应用中表现优异。
实施例2
对于AROLS算法的评估，本发明继续使用Open University Learning Analyticsdataset(OULAD)数据集，重点在于对学习者日志中信息的挖掘。该数据集来自英国的OpenUniversity在线学习平台，包含2013年和2014年内22个课程模块、32593个学习者的信息和10655280条学习者行为日志。对于训练集和测试集的拆分策略，将学习者行为的前80％作为训练集，后20％作为测试集。可以根据学习者之前的行为记录对之后的行为进行预测。同时为了防止推荐算法中参数的过拟合，将测试集中的后10％数据作为验证集，协助进行算法及参数的调整。
利用前文隐式诊断学习者学习风格特征的方法，对测试集中的学习者进行学习风格诊断，该数据包含学习者在动机、交流、视觉、言语、感悟、直觉、序列、综合这八个学习风格特征上的程度，均为数值型数据。本发明使用此诊断结果和学习者行为日志作为AROLS模型的输入。
为了验证CF-AROLS的有效性，设计三个实验在测试集上进行对比。采用传统的基于物品的协同过滤ItemCF作为基准(baseline)，针对所有的学习者行为记录进行挖掘，计算学习资源相似度并进行推荐。第二个实验将Item-CF应用于基于学习风格进行聚类后的学习者行为数据上，针对同一类的学习者进行学习资源相似度挖掘和推荐。第三个实验使用本发明提出的CF-AROLS推荐方法，通过关联规则对协同过滤结果进行筛选。选用准确率、召回率和F1分数对结果进行对比，结果如图5所示：
横坐标为协同过滤的推荐结果个数N，纵坐标为各个测量值的百分数结果。从图中可看出，在各项指标上，CF-AROLS和基于学习风格聚类后的协同过滤推荐结果(Clustering+ItemCF)都优于传统的ItemCF推荐结果。另外，通过关联规则的过滤，CF-AROLS在准确率上的表现大大优于其他两种方法，对比Clustering+ItemCF方法有高达50％的提升，且总体表现(即F1分数)稳定。相反，Clustering+ItemCF方法虽然在召回率上表现最好，但随着N的增大，准确率大幅下降。可见CF-AROLS在总体上得到了很好的推荐效果，且推荐个数越多，关联规则对结果的过滤效果越好。
为了验证LSTM-AROLS的有效性，本发明设计两个实验进行对比。第一个实验使用所有的学习者数据训练一个LSTM模型，对测试集中的学习者进行学习资源推荐。第二个实验使用本发明提出的LSTM-AROLS，在对学习者基于学习风格进行聚类分析后针对不同类别的学习者训练多个LSTM模型。平均推荐结果如图6所示。
下面结合具体效果对本发明作进一步描述。
从结果可以看出，LSTM-AROLS的表现大大优于单纯的LSTM网络的推荐结果，且在N值较小时比CF-AROLS的推荐结果更准确。因为最先开始的输入序列来自学习者的真实浏览记录，所以预测结果较准确，而之后逐渐偏差增大，导致准确率下降。但因为总体推荐数目的提升，召回率逐渐提高，这两者的综合使得F1分数比较稳定，且优于CF-AROLS的综合表现。
最后结果显示，CF-AROLS对学习资源的相似度和关联规则进行计算，并利用关联规则对协同过滤的推荐结果进行筛选，提高了推荐的准确率。LSTM-AROLS利用循环神经网络模型，对学习资源浏览序列进行建模，相比于CF-AROLS更多地考虑到了学习资源浏览的先后顺序，贴合真实情况，推荐效果有显著提升。同时，通过AROLS对比与传统推荐方法以及模型预测方法的优异表现，可以看出在线学习风格模型的引入大大增强了自适应学习系统的个性化推荐功能。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于学习风格的自适应推荐方法，其特征在于，所述的基于学习风格的自适应推荐方法包括：
对学习者学习数据的准备和预处理，在得到用户群体的在线学习平台浏览日志数据之后，对网页内容进行标记；
对学习者进行学习风格诊断，对学习资源进行标记后，基于学习者行为日志记录诊断学习风格；
聚类分析和学习资源推荐，基于学习风格对学习者进行聚类，将相似学习风格的学习者分到同一群组中；对于不同的学习者群组，挖掘类别学习风格学习者的行为模式和学习资源偏好，进行学习资源推荐；
在得到用户群体的在线学习平台浏览日志数据之后，对网页内容根据上表进行标记，对学习者学习数据的准备和预处理；
对学习资源的标记方法包括：
在收集学习系统网站的所有资源后，将这些资源进行分类，进而通过学习资源的类别匹配对应的学习风格元素；应用在线学习风格模型Online Learning Style将学习者表示为含有八个维度的学习风格向量，每一个维度代表一个学习风格特征，每一个特征对应学习者在学习过程中对某些学习行为的倾向性；具体的八个维度为：
动机Motivational，在学习平台中停留总时间；
交流Communicational，查看学习论坛、在论坛中发言；
视觉Visual，浏览视频、图片类的材料；
言语Verbal，浏览文字、音频类的材料；
感悟Sensory，浏览故事性强、结合实际的材料；
直觉Intuitive，浏览理论性强、高度概括的材料；
序列Sequential，从前往后、按照规定好的顺序进行学习；
综合Global，每有一定的逻辑顺序、分散式的学习；
将不同的学习资源标记为具有某些学习行为特性的实体，如此根据学习者对这些资源的偏好程度进行诊断；
学习资源采用向量表示为：w动机,w交流,w视觉,w言语,w感悟,w直觉,w序列,w综合；
对学习者进行学习风格诊断，包括：
令向量(d1，d2，...，d8)表示每个学习者x，dj代表学习者x的第j个在线学习风格特征上的倾向，以数值方式表示，给定包含M个学习资源的集合I＝{i1，i2，...，iM}，集合Ij是物品集合I的任意一个子集，有
表示包含属性j的学习资源集合；根据学习风格特征和学习资源属性的多对多关系，定义学习者x的学习风格特征d的计算公式为：
d＝∑j∈A(d)wj·NClick(x，Ij)，
其中A(d)是学习风格特征d所对应的学习资源属性集合，wj是学习资源属性j对于学习风格特征d的权重，且∑j∈A(d)Wj＝1，NClick(x，Ij)是学习者x对于具有属性j的学习资源的总点击量；
最终得到由八维向量表示的每个学习者的学习风格。
2.如权利要求1所述的基于学习风格的自适应推荐方法，其特征在于，基于学习风格进行推荐包括：聚类分析和学习资源推荐采用基于协同过滤的自适应学习资源混合推荐方法，包括：
1)使用余弦相似度计算两个向量之间的夹角余弦值来评估相似度，夹角越小该值越接近1；
其中|N(in)∩N(im)|表示浏览过学习资源in和im的学习者数目，|N(in)|表示浏览过学习资源in的学习者的数目；
2)学习资源关联规则挖掘：
给定包含M个学习资源的集合I＝{i1，i2，...，iM}，集合Ij表示集合I的一个子集，存在
对于N个学习者的集合X＝{x1，x2，...，xN}，将每个学习者xn浏览过的学习资源集合记为
对于任意集合Ij，支持度为：
其中|N(Ij)|表示所浏览的集合中包含Ij的学习者数目；支持度表示关联规则或集合出现的频繁程度，给定一支持度阈值，支持度超过阈值的集合被称为频繁项集；
3)生成学习资源推荐列表：
将学习者分为K类后，类别集合用C＝{c1，c2，...，cK}表示，分别用sim(ia，ib|ck)表示对于类别ck的学习者来说物品ia和物品ib的相似度，support(Ij|ck)和conf(Uj1→Ij2|ck)分别表示对于类别ck的学习者所挖掘到的学习资源集合的支持度和置信度。
3.如权利要求2所述的基于学习风格的自适应推荐方法，其特征在于，对学习者进行学习风格诊断进一步包括：聚类分析和学习资源推荐利用关联规则对Item-CF所生成的推荐列表进行过滤；类别ck中的学习者xn对学习资源im的浏览趋势Tendency为：
其中F(xn)是由学习者xn的历史浏览记录所包含的频繁项集集合；
设定一浏览趋势的动态阈值，根据不同的学习者和其学习风格而变化，计算公式为：
其中RCF(xn)表示Item-CF方法所为用户xn生成的Top N推荐列表，RAR(xn)表示基于关联分析所为用户xn生成的推荐列表；μ是一个可调节的参数，用来调节推荐列表的长度。
4.如权利要求2所述的基于学习风格的自适应推荐方法，其特征在于，基于学习风格进行推荐进一步包括基于LSTM的自适应学习资源推荐方法LSTM-AROLS，具体有：
(1)分布式学习资源向量的构建：
Skip-gram模型将每个输入学习资源映射到一个对数线性投影层中，并预测该学习资源在浏览序列上下文中出现的概率；w(t)表示t时刻所浏览的学习资源，Skip-gram模型的最优化目标函数表示为：
其中c表示浏览序列上下文窗口大小，p(w(t+k)|w(t))通过softmax函数计算；Skip-gram模型包含三层，其中输入层是一个学习资源，被影射到一个投影层，再输出层输出对当前学习上下文学习资源的预测；
根据设置的维数和窗口大小，使用用户的学习资源浏览序列对Skip-gram模型进行训练，得到学习资源上下文模型和学习资源的向量矩阵；
(2)栈式LSTM神经网络模型的训练：
在前向传播时，其计算方法为：
it＝σ(Wxixt+Whiht-1+Wcict-1+bi)
ft＝σ(Wxfxt+Whfht-1+Wcfct-1+bf)
ct＝ftct-1+ittanh(Wxcxt+Whfht-1+bc)
ot＝σ(Wxoxt+Whoht-1+Wcoct+bo)
ht＝ottanh(ct)
公式中的i，f，c，o分别表示输入门、遗忘门、细胞状态和输出门，σ为sigmoid激活函数，tanh为双曲正切激活函数；
LSTM的训练采用随时间的反向传播算法，首先根据前向传播公式计算输出值，之后按时间和网络层级两个传播方向反向计算LSTM单元的误差值，最后根据相应误差项计算权重的梯度并更新权重。
5.一种实现权利要求1～4任意一项所述基于学习风格的自适应推荐方法的信息数据处理终端。
6.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-4任意一项所述的基于学习风格的自适应推荐方法。
7.一种实现权利要求1所述基于学习风格的自适应推荐方法的基于学习风格的自适应推荐方法及系统，其特征在于，所述的基于学习风格的自适应推荐系统包括：
数据的准备和预处理模块，学习风格诊断模块，聚类分析和学习资源推荐模块；
数据的准备和预处理模块，对学习者学习数据进行准备和预处理；
学习风格诊断模块，对学习资源进行标记，基于学习者行为日志记录诊断其学习风格；
聚类分析和学习资源推荐模块，基于学习风格对学习者进行聚类，将相似学习风格的学习者分到同一群组中；对于不同的学习者群组，挖掘该类别学习风格学习者的行为模式和学习资源偏好，进行学习资源推荐。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810954366.0A CN109213863B (zh) | 2018-08-21 | 2018-08-21 | 一种基于学习风格的自适应推荐方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810954366.0A CN109213863B (zh) | 2018-08-21 | 2018-08-21 | 一种基于学习风格的自适应推荐方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109213863A CN109213863A (zh) | 2019-01-15 |
| CN109213863B true CN109213863B (zh) | 2022-05-24 |
Family
ID=64988909
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810954366.0A Active CN109213863B (zh) | 2018-08-21 | 2018-08-21 | 一种基于学习风格的自适应推荐方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109213863B (zh) |
Families Citing this family (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109829110A (zh) * | 2019-01-29 | 2019-05-31 | 四川长虹电器股份有限公司 | 一种学习资料的个性化推荐方法 |
| CN109508429B (zh) * | 2019-01-30 | 2021-06-15 | 四川省电子信息产业技术研究院有限公司 | 基于教育平台大数据分析的个性化自适应学习推荐方法 |
| CN110136008A (zh) * | 2019-04-15 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 利用大数据的产品数据推送方法、装置、设备和存储介质 |
| CN110245259B (zh) * | 2019-05-21 | 2021-09-21 | 北京百度网讯科技有限公司 | 基于知识图谱的视频打标签方法及装置、计算机可读介质 |
| CN110209899A (zh) * | 2019-05-23 | 2019-09-06 | 北京奥鹏远程教育中心有限公司 | 个性化学习资源推荐系统 |
| CN110348877B (zh) * | 2019-05-27 | 2023-11-14 | 上海大学 | 基于大数据的智能业务推荐算法、计算机可读存储介质 |
| CN110597980B (zh) * | 2019-09-12 | 2021-04-30 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置以及计算机可读存储介质 |
| CN111143448B (zh) * | 2019-12-03 | 2023-05-12 | 北京博瑞彤芸科技股份有限公司 | 一种知识库构建方法 |
| CN111191769B (zh) * | 2019-12-25 | 2024-03-05 | 中国科学院苏州纳米技术与纳米仿生研究所 | 自适应的神经网络训练与推理装置 |
| CN111460249B (zh) * | 2020-02-24 | 2022-09-09 | 桂林电子科技大学 | 一种基于学习者偏好建模的个性化学习资源推荐方法 |
| CN111009258A (zh) * | 2020-03-11 | 2020-04-14 | 浙江百应科技有限公司 | 一种单声道说话人分离模型、训练方法和分离方法 |
| CN112231558A (zh) * | 2020-03-20 | 2021-01-15 | 张明 | 在线学习挖掘方法及在线学习系统 |
| CN111414540B (zh) * | 2020-03-20 | 2021-01-15 | 重庆探程数字科技有限公司 | 在线学习推荐方法、装置、在线学习系统及服务器 |
| CN112085565B (zh) * | 2020-09-07 | 2022-10-25 | 中国平安财产保险股份有限公司 | 基于深度学习的信息推荐方法、装置、设备及存储介质 |
| CN112114791B (zh) * | 2020-09-08 | 2022-03-25 | 南京航空航天大学 | 一种基于元学习的代码自适应生成方法 |
| CN112307246A (zh) * | 2020-09-25 | 2021-02-02 | 北京字节跳动网络技术有限公司 | 一种学习小组的获取方法、装置、服务器和存储介质 |
| CN112184511A (zh) * | 2020-10-19 | 2021-01-05 | 中国人民解放军国防科技大学 | 基于大数据的在线职业教育个性化课程内容推送算法 |
| CN112733046A (zh) * | 2021-01-22 | 2021-04-30 | 西北民族大学 | 一种基于高校学生电子学习档案的智能学伴推荐系统 |
| CN113408576A (zh) * | 2021-05-12 | 2021-09-17 | 上海师范大学 | 基于融合标签和堆叠机器学习模型的学习风格识别方法 |
| CN114154079A (zh) * | 2021-12-06 | 2022-03-08 | 中电万维信息技术有限责任公司 | 一种融合置信度的信任影响群组推荐方法 |
| CN117290398A (zh) * | 2023-09-27 | 2023-12-26 | 广东科学技术职业学院 | 一种基于大数据的课程推荐方法及装置 |
| CN117114939A (zh) * | 2023-10-18 | 2023-11-24 | 朗朗教育科技股份有限公司 | 多用户协同的学前智慧课堂管理系统 |
| CN117390522B (zh) * | 2023-12-12 | 2024-03-29 | 华南师范大学 | 基于过程与结果融合的在线深度学习等级预测方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080008066A (ko) * | 2006-07-19 | 2008-01-23 | 성균관대학교산학협력단 | 학습 스타일 진단 시스템 및 그 진단 방법 |
| CN102737120A (zh) * | 2012-06-01 | 2012-10-17 | 西安交通大学 | 一种个性化网络学习资源推荐方法 |
| CN106528693A (zh) * | 2016-10-25 | 2017-03-22 | 广东科海信息科技股份有限公司 | 面向个性化学习的教育资源推荐方法及系统 |
| CN107800801A (zh) * | 2017-11-07 | 2018-03-13 | 上海电机学院 | 一种基于用户学习偏好的学习资源推送方法及系统 |
| CN108182489A (zh) * | 2017-12-25 | 2018-06-19 | 浙江工业大学 | 一种基于在线学习行为分析的个性化学习推荐方法 |
-
2018
- 2018-08-21 CN CN201810954366.0A patent/CN109213863B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080008066A (ko) * | 2006-07-19 | 2008-01-23 | 성균관대학교산학협력단 | 학습 스타일 진단 시스템 및 그 진단 방법 |
| CN102737120A (zh) * | 2012-06-01 | 2012-10-17 | 西安交通大学 | 一种个性化网络学习资源推荐方法 |
| CN106528693A (zh) * | 2016-10-25 | 2017-03-22 | 广东科海信息科技股份有限公司 | 面向个性化学习的教育资源推荐方法及系统 |
| CN107800801A (zh) * | 2017-11-07 | 2018-03-13 | 上海电机学院 | 一种基于用户学习偏好的学习资源推送方法及系统 |
| CN108182489A (zh) * | 2017-12-25 | 2018-06-19 | 浙江工业大学 | 一种基于在线学习行为分析的个性化学习推荐方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109213863A (zh) | 2019-01-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109213863B (zh) | 一种基于学习风格的自适应推荐方法及系统 | |
| Francis et al. | Predicting academic performance of students using a hybrid data mining approach | |
| Zeng et al. | Intuitionistic fuzzy ordered weighted distance operator | |
| Basu et al. | Constrained clustering: Advances in algorithms, theory, and applications | |
| El Morr et al. | Descriptive, predictive, and prescriptive analytics | |
| CN103714413A (zh) | 基于职位信息构建素质模型的系统与方法 | |
| CN111581545B (zh) | 一种召回文档的排序方法及相关设备 | |
| CN111222847B (zh) | 基于深度学习与非监督聚类的开源社区开发者推荐方法 | |
| CN110110225A (zh) | 基于用户行为数据分析的在线教育推荐模型及构建方法 | |
| CN113851020A (zh) | 一种基于知识图谱的自适应学习平台 | |
| Ren et al. | Quantification of perceptual design attributes using a crowd | |
| CN112819024B (zh) | 模型处理方法、用户数据处理方法及装置、计算机设备 | |
| Mutar et al. | Smoke detection based on image processing by using grey and transparency features | |
| Peng | Research on online learning behavior analysis model in big data environment | |
| Isljamovic et al. | Predicting students’ academic performance using artificial neural network: a case study from faculty of organizational sciences | |
| Amir et al. | Automatic detection of learning styles in learning management system by using literature-based method and support vector machine | |
| Aydoğdu | Educational data mining studies in Turkey: A systematic review | |
| Geetha et al. | Prediction of the academic performance of slow learners using efficient machine learning algorithm | |
| CN116244513A (zh) | 随机群组poi推荐方法、系统、设备及存储介质 | |
| Chanaa et al. | Context-aware factorization machine for recommendation in massive open online courses (MOOCs) | |
| CN110019563B (zh) | 一种基于多维数据的肖像建模方法和装置 | |
| CN110909124B (zh) | 基于人在回路的混合增强智能需求精准感知方法及系统 | |
| Salehi et al. | Attribute-based recommender system for learning resource by learner preference tree | |
| EL MEZOUARY et al. | An evaluation of learner clustering based on learning styles in MOOC course | |
| Moraes et al. | LSBCTR: A learning style-based recommendation algorithm |
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 |