CN109376269A - 一种基于图谱关联的跨课程视频子图推荐方法 - Google Patents
一种基于图谱关联的跨课程视频子图推荐方法 Download PDFInfo
- Publication number
- CN109376269A CN109376269A CN201811481130.6A CN201811481130A CN109376269A CN 109376269 A CN109376269 A CN 109376269A CN 201811481130 A CN201811481130 A CN 201811481130A CN 109376269 A CN109376269 A CN 109376269A
- Authority
- CN
- China
- Prior art keywords
- video
- learner
- curriculum
- map
- association
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000006399 behavior Effects 0.000 claims abstract description 19
- 230000013016 learning Effects 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 8
- 230000035045 associative learning Effects 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000005295 random walk Methods 0.000 description 2
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
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
- 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)
- Strategic Management (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Tourism & Hospitality (AREA)
- Finance (AREA)
- Economics (AREA)
- Educational Technology (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Electrically Operated Instructional Devices (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于图谱关联的跨课程视频子图推荐方法,包括以下步骤:1)利用学习者的网络学习日志基于隐式反馈进行视频学习行为特征的抽取;2)获取种子视频集videoSeeds;3)构建跨课程知识点‑视频关联图谱;4)利用跨课程知识点‑视频关联图谱计算课程视频关联度;5)利用用户行为的隐式特征,采用种子视频集,并结合课程视频关联度为学习者提供蕴含知识关联的跨课程视频子图,该方法能够综合考虑用户隐式学习特征和课程视频间的知识关联性,为在线学习平台的学习者提供满足其学习偏好并且考虑跨课程知识关联的课程视频推荐。
Description
技术领域
本发明涉及一种课程视频子图推荐方法,具体涉及一种基于图谱关联的跨课程视频子图推荐方法。
背景技术
与传统教育不同,在线教育从传统的以教师主导课堂转化为学习者自主学习的模式。同时在线教育给学习者提供了更丰富的学习资源,如视音频、PPT、习题等,学习者可以根据自身需求从中进行选取。然而,面对海量的学习资源,学习者容易产生认知超载[1],同时由于学习者教育背景差别大,学习能力参差不齐,也容易导致学习者学习进度安排不合理,影响学习效果。推荐系统则是目前解决此类问题的一个有效途径。
已有推荐方法大致可分为三类:协同过滤推荐方法,基于内容的推荐方法,通过挖掘用户、项目的特征数据推荐合适的项目给用户以及混合推荐方法。但是在学习资源推荐领域仍无成熟的通用解决方案,原因在于在线学习平台自身的独特性:其一,在线学习平台拥有大量的学习资源,但往往缺乏学习者对课程视频等学习资源的显式评分数据,不像豆瓣等平台中,用户会对影视、书籍等有星级评分,评分的高低可以准确地反映出用户对所评分项目的喜好程度,从而推荐系统可以直接使用评分数据,利用协同过滤等方法对用户进行推荐;其二,对学习资源进行推荐需要掌握一定的领域知识,不同专业的课程差异巨大,同一专业内不同课程间的知识又具有关联性,对学习资源进行基于内容的推荐显然要复杂的多。而已有学习资源推荐算法往往忽略了学习资源(比如课程视频)之间的关联性,这种关联性不仅存在于课程内部,也存在于相近专业的多门课程之间,而已有研究对于视频间的关联关系更多的限定在一门课程内部,且推荐结果以资源列表形式为主,这样会弱化视频间的知识关联。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供了一种基于图谱关联的跨课程视频子图推荐方法,该方法能够综合考虑用户隐式学习特征和课程视频间的知识关联性,为在线学习平台的学习者提供满足其学习偏好并且考虑跨课程知识关联的课程视频推荐。
为达到上述目的,本发明所述的基于图谱关联的跨课程视频子图推荐方法包括以下步骤:
1)利用学习者的网络学习日志基于隐式反馈进行学习者视频学习行为特征的抽取;
2)以学习者的视频学习次数偏好pf(ui,vlk)、视频学习时长偏好pd(ui,vlk)以及视频暂停拖动次数偏好ppd(ui,vlk)的加权平均作为学习者对课程视频的评分,构建基于隐式反馈的评分矩阵,再以视频学习相似度及课件学习相似度度量学习者相似度,进而对给定学习者采用基于隐式反馈的协同过滤推荐获取当前学习者的推荐列表,并将当前学习者的推荐列表作为种子视频集videoSeeds;
3)构建跨课程知识点-视频关联图谱;
4)利用跨课程知识点-视频关联图谱计算课程视频关联度;
5)利用用户行为的隐式特征,采用种子视频集,并结合课程视频关联度为学习者提供蕴含知识关联的跨课程视频子图。
视频学习类行为包括视频学习时长、视频学习暂停及视频学习拖动;
其中,视频学习次数偏好表示学习者对某视频的累计观看次数与该视频被单个学习者观看的最大次数的比值pf(ui,vlk),即
其中,frequency(ui,vlk)表示用户ui观看视频vlk的累计次数;
视频学习时长偏好表示学习者对某视频的累计观看时长与该视频原始时长的比值pd(ui,vlk),即
其中,duration(ui,vlk)表示用户ui观看视频vlk的累计时长;
视频暂停拖动次数偏好表示学习者对某视频的累计暂停、拖动次数与该视频被单个学习者暂停、拖动的最大次数的比值ppd(ui,vlk),即
其中,pause(ui,vlk)表示用户ui暂停视频vlk的累计次数,drag(ui,vlk)表示用户ui拖动视频vlk的累计次数。
同学期内的数门相关课程之间存在以下三类课程视频关联关系,具体为:
第一类课程视频关联关系为:某门课程内部,知识元kui存在于视频vla中,同时又存在于视频vlb中,则知识元与课程视频存在包含关系,记作KV;
第二类课程视频关联关系为:某门课程内部,视频vlc中包含的知识元kuj和视频vld中包含的知识元kuk存在学习依赖关系,记作KKinner;
第三类课程视频关联关系为:不同课程间,视频vle中包含的知识元kul和另一门课程中的视频vlf中包含的知识元kum存在关联关系,记作KKcross。
将三类课程视频关联关系分别作为三类元路径,并定义节点为知识元KU及课程视频VL,边为KV、KKinner及KKcross;
则跨课程知识元-视频关联图谱可以表示为:
CCVKM={V,E} (4)
其中,V={vp|p=1,...,Np},跨课程知识元-视频关联图谱中的所有节点编号集合包含节点KU及节点VL,Np为节点总数;
跨课程知识元-视频关联图谱中的所有边的集合E={epq}={(vp,vq)|0<p,q≤Np},其中,epq=(vp,vq)表示第p个节点到第q个节点的边,epq包含KV、KKinner及KKcross。
种子视频集的构造过程为:
21)以学习者的视频学习次数偏好pf(ui,vlk)、视频学习时长偏好pd(ui,vlk)以及视频暂停拖动次数偏好ppd(ui,vlk)的算数加权作为学习者对课程视频的评分p(ui,vlk);
22)设置课件学习相似度为simcw(ui,uj),根据课件学习相似度为simcw(ui,uj)及学习者课件学习行为相似度simcw(ui,uj)计算学习者相似度sim(ui,uj),其中,
sim(ui,uj)=ξ*simpearson(ui,uj)+η*simcw(ui,uj) (14)
其中,simpearson(ui,uj)为ui和uj的评分向量的皮尔逊相关系数;
23)利用学习者ui的邻近学习者neighbor(ui)对视频的评分,结合学习者相似度计算学习者ui对视频vlk的预测评分pprediction(ui,vlk):
然后再根据学习者ui对视频vlk的预测评分pprediction(ui,vlk)给学习者ui推荐种子视频集。
课程视频关联度的具体过程为:
31)设由同学期的几门课程构成的跨课程知识点-视频关联图谱中包含n个节点,其邻接矩阵A为:
A=[aij]n×n (5)
32)连接两个节点的路径数越多或者单条路径的长度越小时,则说明两个节点的关联关系越紧密,则有节点间的平均通勤时长avgCT(i,j)为:
其中, 和为拉普拉斯矩阵伪逆L+中的元素;
33)对节点间的平均通勤时长avgCT(i,j)进行归一化,得归一化处理的结果r(vli,vlj)为:
以r(vli,vlj)作为衡量课程视频之间的相关度,当r(vli,vlj)取值越大,则代表视频vli与vlj关联度越大。
步骤5)的具体操作为:
基于学习者隐式反馈的协同过滤得到的TopN种子视频集,将课程视频关联度以该种子视频为核心节点进行扩展,为学习者提供蕴含知识关联的跨课程视频子图。
本发明具有以下有益效果:
本发明所述的基于图谱关联的跨课程视频子图推荐方法在具体操作时,基于隐式反馈进行视频学习行为特征的抽取,再构造种子视频集,然后构建跨课程知识点-视频关联图谱,并基于跨课程知识点-视频关联图谱计算课程视频关联度,最后利用用户行为的隐式特征,采用种子视频集,并结合课程视频关联度为学习者提供蕴含知识关联的跨课程视频子图,从而综合考虑用户隐式学习特征和课程视频间的知识关联性,为在线学习平台的学习者提供满足其学习偏好并且考虑跨课程知识关联的课程视频推荐。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图对本发明做进一步详细描述:
参考图1,本发明所述的基于图谱关联的跨课程视频子图推荐方法包括以下步骤:
1)基于隐式反馈的视频学习行为特征抽取
利用学习者的网络学习日志,挖掘学习者的网络学习日志中蕴含的隐式反馈特征,筛选出视频学习类行为及课件学习类行为,再选取视频学习时长、视频学习次数及视频学习暂停拖动来表征学习者的视频学习行为。
其中,视频学习类行为包括视频学习时长、视频学习暂停及视频学习拖动;
视频学习次数偏好表示学习者对某视频的累计观看次数与该视频被单个学习者观看的最大次数的比值pf(ui,vlk),即
其中,frequency(ui,vlk)表示用户ui观看视频vlk的累计次数;
视频学习时长偏好表示学习者对某视频的累计观看时长与该视频原始时长的比值pd(ui,vlk),即
其中,duration(ui,vlk)表示用户ui观看视频vlk的累计时长;
视频暂停拖动次数偏好表示学习者对某视频的累计暂停、拖动次数与该视频被单个学习者暂停、拖动的最大次数的比值ppd(ui,vlk),即
其中,pause(ui,vlk)表示用户ui暂停视频vlk的累计次数,drag(ui,vlk)表示用户ui拖动视频vlk的累计次数。
2)构造种子视频集
以学习者的视频学习次数偏好pf(ui,vlk)、视频学习时长偏好pd(ui,vlk)以及视频暂停拖动次数偏好ppd(ui,vlk)的加权平均作为学习者对课程视频的评分,构建基于隐式反馈的评分矩阵;
以视频学习相似度及课件学习相似度度量学习者相似度,进而对给定学习者采用基于隐式反馈的协同过滤推荐获取对当前学习者的推荐列表,并将当前学习者的推荐列表作为推荐种子视频集videoSeeds;
3)构建跨课程知识点-视频关联图谱
同学期内的数门相关课程之间存在以下三类课程视频关联关系,具体为:
第一类课程视频关联关系为:某门课程内部,知识元kui存在于视频vla中,同时又存在于视频vlb中,则知识元与课程视频存在包含关系,记作KV;
第二类课程视频关联关系为:某门课程内部,视频vlc中包含的知识元kuj和视频vld中包含的知识元kuk存在学习依赖关系,记作KKinner;
第三类课程视频关联关系为:不同课程间,视频vle中包含的知识元kul和另一门课程中的视频vlf中包含的知识元kum存在关联关系,记作KKcross;
将上述三类课程视频关联关系分别作为三类元路径,并定义节点为知识元KU及课程视频VL,边为KKinner及KKcross;
则跨课程知识点-视频关联图谱可以表示为:
CCVKM={V,E}(4)
其中,跨课程知识元-视频关联图谱中所有节点编号的集合V={vp|p=1,...,Np},跨课程知识元-视频关联图谱中所有节点编号的集合包含r知识点KU及课程视频VL,Np为节点总数;
跨课程知识元-视频关联图谱中所有边的集合E={epq}={(vp,vq)|0<p,q≤Np},其中,epq=(vp,vq)表示第p个节点到第q个节点的边,其中,关联关系包含课程内部知识点间的关联、不同课程知识点间的关联以及课程视频与知识点的包含关联,同学期内的数门相关课程之间的课程视频关联关系包括课程内部知识点与课程视频的包含关系KV、课程内部不同视频中知识元之间存在的学习依赖关系KKinner以及不同课程间视频中知识元存在的关联关系KKcross。
4)计算课程视频关联度
设由同学期的几门课程构成的跨课程知识点-视频关联图谱中包含n个节点,其邻接矩阵A为:
A=[aij]n×n (5)
wij代表节点i和节点j间的权重,wij为:
基于邻接矩阵A构建CCVKM的度矩阵D:
D=[dij]n×n (8)
2)连接两个节点的路径数越多或者单条路径的长度越小时,则说明两个节点的关联关系越紧密,则有采用随机游走方法,计算跨课程知识点-视频关联图谱中视频节点间的平均通勤时长avgCT(i,j)为:
其中, 和为拉普拉斯矩阵伪逆L+中的元素,L+的表达式为:
其中,L为拉普拉斯矩阵,L=D-A;e=[1]n×1,拉普拉斯矩阵中的元素全为1的n维列向量。
3)对节点间的平均通勤时长avgCT(i,j)进行归一化,得归一化处理的结果r(vli,vlj)为:
以r(vli,vlj)作为衡量课程视频之间的相关度,当r(vli,vlj)取值越大,则代表视频vli与vlj关联度越大。
5)基于图谱关联的课程视频子图生成
利用用户行为的隐式特征,采用种子视频集,并结合课程视频关联度为学习者提供蕴含知识关联的跨课程视频子图。
种子视频集的具体构造过程为:
31)以学习者的视频学习次数偏好pf(ui,vlk)、视频学习时长偏好pd(ui,vlk)以及视频暂停拖动次数偏好ppd(ui,vlk)的算数加权作为学习者对课程视频的评分p(ui,vlk),其中,p(ui,vlk)的表达式为:
p(ui,vlk)=α*pf(ui,vlk)+β*pd(ui,vlk)+γ*ppd(ui,vlk) (13)
32)设置课件学习相似度为simcw(ui,uj),根据课件学习相似度为simcw(ui,uj)及学习者课件学习行为相似度simcw(ui,uj)计算学习者相似度sim(ui,uj),其中,
sim(ui,uj)=ξ*simpearson(ui,uj)+η*simcw(ui,uj) (14)
其中,simpearson(ui,uj)为ui和uj的评分向量的皮尔逊相关系数,simcw(ui,uj)代表ui和uj的课件学习相似度;
33)利用学习者ui的邻近学习者neighbor(ui)对视频的评分,结合学习者相似度计算学习者ui对视频vlk的预测评分pprediction(ui,vlk):
然后再根据学习者ui对视频vlk的预测评分pprediction(ui,vlk)给学习者ui推荐种子视频集,表1为种子视频集生成算法。
表1
步骤5)的具体操作为:
基于学习者隐式反馈的协同过滤得到的TopN种子视频集,将课程视频关联度以该种子视频为核心节点进行扩展,为学习者提供蕴含知识关联的跨课程视频子图,基于图谱关联的跨课程视频子图推荐算法的具体描述如表2所示。
表2
需要说明的是,本发明通过挖掘课程视频间的关联度,对种子视频集进行扩展生成课程视频推荐子图,即从学习资源角度出发,融合多门课程的知识图谱,构建表征课程视频间的知识关联关系的跨课程知识元-视频关联图谱,使用随机游走算法度量课程间视频的关联度,进而基于课程视频关联度和关联图谱,对推荐的种子视频集中的各个节点进行子图扩展,生成与种子视频节点对应的若干视频子图,为学习者提供既符合其隐式学习偏好,又考虑到知识关联的课程视频推荐结果。
Claims (7)
1.一种基于图谱关联的跨课程视频子图推荐方法,其特征在于,包括以下步骤:
1)利用学习者的网络学习日志基于隐式反馈进行学习者视频学习行为特征的抽取;
2)以学习者的视频学习次数偏好pf(ui,vlk)、视频学习时长偏好pd(ui,vlk)以及视频暂停拖动次数偏好ppd(ui,vlk)的加权平均作为学习者对课程视频的评分,构建基于隐式反馈的评分矩阵,再以视频学习相似度及课件学习相似度度量学习者相似度,进而对给定学习者采用基于隐式反馈的协同过滤推荐获取当前学习者的推荐列表,并将当前学习者的推荐列表作为种子视频集videoSeeds;
3)构建跨课程知识点-视频关联图谱;
4)利用跨课程知识点-视频关联图谱计算课程视频关联度;
5)利用用户行为的隐式特征,采用种子视频集,并结合课程视频关联度为学习者提供蕴含知识关联的跨课程视频子图。
2.根据权利要求1所述的基于图谱关联的跨课程视频子图推荐方法,其特征在于,视频学习类行为包括视频学习时长、视频学习暂停及视频学习拖动;
其中,视频学习次数偏好表示学习者对某视频的累计观看次数与该视频被单个学习者观看的最大次数的比值pf(ui,vlk),即
其中,frequency(ui,vlk)表示用户ui观看视频vlk的累计次数;
视频学习时长偏好表示学习者对某视频的累计观看时长与该视频原始时长的比值pd(ui,vlk),即
其中,duration(ui,vlk)表示用户ui观看视频vlk的累计时长;
视频暂停拖动次数偏好表示学习者对某视频的累计暂停、拖动次数与该视频被单个学习者暂停、拖动的最大次数的比值ppd(ui,vlk),即
其中,pause(ui,vlk)表示用户ui暂停视频vlk的累计次数,drag(ui,vlk)表示用户ui拖动视频vlk的累计次数。
3.根据权利要求1所述的基于图谱关联的跨课程视频子图推荐方法,其特征在于,同学期内的数门相关课程之间存在以下三类课程视频关联关系,具体为:
第一类课程视频关联关系为:某门课程内部,知识元kui存在于视频vla中,同时又存在于视频vlb中,则知识元与课程视频存在包含关系,记作KV;
第二类课程视频关联关系为:某门课程内部,视频vlc中包含的知识元kuj和视频vld中包含的知识元kuk存在学习依赖关系,记作KKinner;
第三类课程视频关联关系为:不同课程间,视频vle中包含的知识元kul和另一门课程中的视频vlf中包含的知识元kum存在关联关系,记作KKcross。
4.根据权利要求3所述的基于图谱关联的跨课程视频子图推荐方法,其特征在于,将三类课程视频关联关系分别作为三类元路径,并定义节点为知识元KU及课程视频VL,边为KV、KKinner及KKcross;
则跨课程知识元-视频关联图谱可以表示为:
CCVKM={V,E} (4)
其中,V={vp|p=1,...,Np},跨课程知识元-视频关联图谱中的所有节点编号集合包含节点KU及节点VL,Np为节点总数;
跨课程知识元-视频关联图谱中的所有边的集合E={epq}={(vp,vq)|0<p,q≤Np},其中,epq=(vp,vq)表示第p个节点到第q个节点的边,epq包含KV、KKinner及KKcross。
5.根据权利要求3所述的基于图谱关联的跨课程视频子图推荐方法,其特征在于,种子视频集的构造过程为:
21)以学习者的视频学习次数偏好pf(ui,vlk)、视频学习时长偏好pd(ui,vlk)以及视频暂停拖动次数偏好ppd(ui,vlk)的算数加权作为学习者对课程视频的评分p(ui,vlk);
22)设置课件学习相似度为simcw(ui,uj),根据课件学习相似度为simcw(ui,uj)及学习者课件学习行为相似度simcw(ui,uj)计算学习者相似度sim(ui,uj),其中,
sim(ui,uj)=ξ*simpearson(ui,uj)+η*simcw(ui,uj) (14)
其中,simpearson(ui,uj)为ui和uj的评分向量的皮尔逊相关系数;
23)利用学习者ui的邻近学习者neighbor(ui)对视频的评分,结合学习者相似度计算学习者ui对视频vlk的预测评分pprediction(ui,vlk):
然后再根据学习者ui对视频vlk的预测评分pprediction(ui,vlk)给学习者ui推荐种子视频集。
6.根据权利要求3所述的基于图谱关联的跨课程视频子图推荐方法,其特征在于,课程视频关联度的具体过程为:
31)设由同学期的几门课程构成的跨课程知识点-视频关联图谱中包含n个节点,其邻接矩阵A为:
A=[aij]n×n (5)
32)连接两个节点的路径数越多或者单条路径的长度越小时,则说明两个节点的关联关系越紧密,则有节点间的平均通勤时长avgCT(i,j)为:
其中, 和为拉普拉斯矩阵伪逆L+中的元素;
33)对节点间的平均通勤时长avgCT(i,j)进行归一化,得归一化处理的结果r(vli,vlj)为:
以r(vli,vlj)作为衡量课程视频之间的相关度,当r(vli,vlj)取值越大,则代表视频vli与vlj关联度越大。
7.根据权利要求3所述的基于图谱关联的跨课程视频子图推荐方法,其特征在于,步骤5)的具体操作为:
基于学习者隐式反馈的协同过滤得到的TopN种子视频集,将课程视频关联度以该种子视频为核心节点进行扩展,为学习者提供蕴含知识关联的跨课程视频子图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811481130.6A CN109376269B (zh) | 2018-12-05 | 2018-12-05 | 一种基于图谱关联的跨课程视频子图推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811481130.6A CN109376269B (zh) | 2018-12-05 | 2018-12-05 | 一种基于图谱关联的跨课程视频子图推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109376269A true CN109376269A (zh) | 2019-02-22 |
CN109376269B CN109376269B (zh) | 2021-01-19 |
Family
ID=65376414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811481130.6A Active CN109376269B (zh) | 2018-12-05 | 2018-12-05 | 一种基于图谱关联的跨课程视频子图推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109376269B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109885700A (zh) * | 2019-02-26 | 2019-06-14 | 扬州制汇互联信息技术有限公司 | 一种基于工业知识图谱的非结构化数据分析方法 |
CN110929163A (zh) * | 2019-12-09 | 2020-03-27 | 上海复深蓝软件股份有限公司 | 课程推荐方法、装置、计算机设备及存储介质 |
CN111565335A (zh) * | 2020-06-01 | 2020-08-21 | 中国联合网络通信集团有限公司 | 视频质量评价方法、装置、计算机设备及存储介质 |
CN111783709A (zh) * | 2020-07-09 | 2020-10-16 | 中国科学技术大学 | 针对教育视频的信息预测方法及装置 |
CN112100439A (zh) * | 2020-07-14 | 2020-12-18 | 山东科技大学 | 基于依赖关系嵌入与神经注意力网络的推荐方法 |
CN112612956A (zh) * | 2020-12-23 | 2021-04-06 | 陇东学院 | 一种基于全景视图的艺术设计方法和平台 |
CN113065342A (zh) * | 2021-03-22 | 2021-07-02 | 浙江工业大学 | 一种基于关联关系分析的课程推荐方法 |
CN114598934A (zh) * | 2022-02-11 | 2022-06-07 | 山东悦知教育科技有限公司 | 一种基于大数据的教育软件数据处理方法 |
CN115244941A (zh) * | 2020-09-16 | 2022-10-25 | 谷歌有限责任公司 | 用于改进视频组包的用户界面 |
CN115277832A (zh) * | 2022-06-28 | 2022-11-01 | 聚好看科技股份有限公司 | 一种服务器和课程资源推荐方法 |
CN115511677A (zh) * | 2022-10-18 | 2022-12-23 | 天津景润网络科技有限公司 | 一种智能化教育资源平台调配的方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104090955A (zh) * | 2014-07-07 | 2014-10-08 | 科大讯飞股份有限公司 | 一种音视频标签自动标注方法及系统 |
CN107885846A (zh) * | 2017-11-10 | 2018-04-06 | 西安交通大学 | 一种基于隐式属性和隐式关系挖掘的知识点推荐方法 |
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 |
-
2018
- 2018-12-05 CN CN201811481130.6A patent/CN109376269B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104090955A (zh) * | 2014-07-07 | 2014-10-08 | 科大讯飞股份有限公司 | 一种音视频标签自动标注方法及系统 |
CN107885846A (zh) * | 2017-11-10 | 2018-04-06 | 西安交通大学 | 一种基于隐式属性和隐式关系挖掘的知识点推荐方法 |
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 |
Non-Patent Citations (4)
Title |
---|
张馨: ""学习分析视角下面向学习共同体的学习资源推荐研究"", 《中国优秀硕士学位论文全文数据库 社会科学Ⅱ辑》 * |
易胜秋: ""智能化网络教学系统的研究与设计"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
王立彬: ""基于知识关联的学习资源推荐策略研究及系统实现"", 《万方》 * |
闫润珍: ""基于谱分析方法的链路预测算法研究"", 《万方》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109885700A (zh) * | 2019-02-26 | 2019-06-14 | 扬州制汇互联信息技术有限公司 | 一种基于工业知识图谱的非结构化数据分析方法 |
CN110929163A (zh) * | 2019-12-09 | 2020-03-27 | 上海复深蓝软件股份有限公司 | 课程推荐方法、装置、计算机设备及存储介质 |
CN111565335A (zh) * | 2020-06-01 | 2020-08-21 | 中国联合网络通信集团有限公司 | 视频质量评价方法、装置、计算机设备及存储介质 |
CN111565335B (zh) * | 2020-06-01 | 2021-09-03 | 中国联合网络通信集团有限公司 | 视频质量评价方法、装置、计算机设备及存储介质 |
CN111783709A (zh) * | 2020-07-09 | 2020-10-16 | 中国科学技术大学 | 针对教育视频的信息预测方法及装置 |
CN111783709B (zh) * | 2020-07-09 | 2022-09-06 | 中国科学技术大学 | 针对教育视频的信息预测方法及装置 |
CN112100439A (zh) * | 2020-07-14 | 2020-12-18 | 山东科技大学 | 基于依赖关系嵌入与神经注意力网络的推荐方法 |
CN112100439B (zh) * | 2020-07-14 | 2024-03-22 | 山东科技大学 | 基于依赖关系嵌入与神经注意力网络的推荐方法 |
CN115244941A (zh) * | 2020-09-16 | 2022-10-25 | 谷歌有限责任公司 | 用于改进视频组包的用户界面 |
CN112612956A (zh) * | 2020-12-23 | 2021-04-06 | 陇东学院 | 一种基于全景视图的艺术设计方法和平台 |
CN113065342B (zh) * | 2021-03-22 | 2024-03-22 | 浙江工业大学 | 一种基于关联关系分析的课程推荐方法 |
CN113065342A (zh) * | 2021-03-22 | 2021-07-02 | 浙江工业大学 | 一种基于关联关系分析的课程推荐方法 |
CN114598934A (zh) * | 2022-02-11 | 2022-06-07 | 山东悦知教育科技有限公司 | 一种基于大数据的教育软件数据处理方法 |
CN115277832B (zh) * | 2022-06-28 | 2023-07-21 | 聚好看科技股份有限公司 | 一种服务器和课程资源推荐方法 |
CN115277832A (zh) * | 2022-06-28 | 2022-11-01 | 聚好看科技股份有限公司 | 一种服务器和课程资源推荐方法 |
CN115511677A (zh) * | 2022-10-18 | 2022-12-23 | 天津景润网络科技有限公司 | 一种智能化教育资源平台调配的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109376269B (zh) | 2021-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109376269A (zh) | 一种基于图谱关联的跨课程视频子图推荐方法 | |
Purwanto | Education management research data analysis: comparison of results between Lisrel, Tetrad, GSCA, Amos, SmartPLS, WarpPLS, and SPSS for small samples | |
CN106373057B (zh) | 一种面向网络教育的成绩不良学习者识别方法 | |
CN106384319A (zh) | 一种基于遗忘曲线的教学资源个性化推荐方法 | |
Hmedna et al. | Identifying and tracking learning styles in MOOCs: A neural networks approach | |
Alkhuraiji et al. | Dynamic adaptive mechanism in learning management system based on learning styles | |
Factor et al. | Explicating Filipino student nurses' preferences of clinical instructors' attributes: A conjoint analysis | |
CN109636690A (zh) | 基于学习者在线学习行为数据的学习有效性综合评分方法 | |
Ghorbankhani et al. | Representation challenges of virtual training in Iran's higher education system: A study of phenomenological approach | |
US10720072B2 (en) | Adaptive learning system using automatically-rated problems and pupils | |
CN107862911A (zh) | 一种基于移动互联网的教师备课系统 | |
Milosevic et al. | Designing lesson content in adaptive learning environments | |
Rihák | Use of Time Information in Models behind Adaptive System for Building Fluency in Mathematics. | |
Binek et al. | Using computer simulation to aid the interactive learning of physics in secondary education | |
Jézégou | Towards a distance learning environment that supports learner self-direction: The model of presence | |
CN109919024A (zh) | 面向智能教学时空关联的形体动作属性分析与识别方法 | |
Martha et al. | Exploring EFL Teachers’ Beliefs on the Implementation of Learner Autonomy in Online Classrooms: Learner Autonomy, Teachers’ Beliefs, Online Classrooms, Technology | |
Yoo et al. | LMS Log Data Analysis from Fully-Online Flipped Classrooms: An Exploratory Case Study via Regularization. | |
CN109410100A (zh) | 推荐教师方法、系统及装置 | |
Fernandes et al. | Unleashing the Potential of Reinforcement Learning for Enhanced Personalized Education | |
Sung et al. | Development and application of programming education model based on visual thinking strategy for pre-service teachers | |
Subekti et al. | Exploration of Balai Materia Medica Batu: Field-Trip Supporting Biotechnology Learning | |
Brahmia et al. | A Conceptual Blend Analysis of Physics Quantitative Literacy Reasoning Inventory Items | |
Suryaman et al. | Students’ Engagement through Augmented Reality as Learning Media: A Study of Electrical Engineering Students | |
Ranken et al. | Experiential Learning for Children Aged 4-14: A Rapid Evidence Assessment |
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 |