CN110826590A - 一种融合学习特征和学习网络结构特性的学习者关系强度度量方法和装置 - Google Patents

一种融合学习特征和学习网络结构特性的学习者关系强度度量方法和装置 Download PDF

Info

Publication number
CN110826590A
CN110826590A CN201910891917.8A CN201910891917A CN110826590A CN 110826590 A CN110826590 A CN 110826590A CN 201910891917 A CN201910891917 A CN 201910891917A CN 110826590 A CN110826590 A CN 110826590A
Authority
CN
China
Prior art keywords
learner
learning
learners
similarity
calculating
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
Application number
CN201910891917.8A
Other languages
English (en)
Other versions
CN110826590B (zh
Inventor
柳虹
厉小军
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.)
Zhejiang Gongshang University
Original Assignee
Zhejiang Gongshang 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 Zhejiang Gongshang University filed Critical Zhejiang Gongshang University
Priority to CN201910891917.8A priority Critical patent/CN110826590B/zh
Publication of CN110826590A publication Critical patent/CN110826590A/zh
Application granted granted Critical
Publication of CN110826590B publication Critical patent/CN110826590B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Strategic Management (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种融合学习特征和学习网络结构特性的学习者关系强度度量方法和装置，包括：(1)采集并提取学习者数据和课程数据的特征，得到特征集合C＝{LA,CA,LI}；(2)根据特征集合C构建学习网络LLN＝{V,E,P}；(3)根据集合LA，计算两个学习者之间的个人特征相似度las(u,v)；(4)根据集合CA，计算学习者之间的所学课程方面相似度cas(u,v)；(5)根据las(u,v)和cas(u,v)计算学习者之间的静态特征相似度sim[u,v]；(6)根据学习网络LLN，计算学习者之间的共同邻居节点数和共同邻居节点边权关系cnl[u,v]；(7)根据cnp[u,v]和cnl[u,v]计算学习者之间的动态特征相似度js[u,v]；(8)根据sim[u,v]和js[u,v]计算学习者之间的综合相似度值，以该综合相似度值作为学习者之间关系强度的度量值。

Description

一种融合学习特征和学习网络结构特性的学习者关系强度度 量方法和装置
技术领域
本发明涉及在线学习中学习者关系强度度量方法，尤其是涉及一种融合学习特征和学习网络结构特性的学习者关系强度度量方法和装置。
背景技术
随着Web2.0和云计算等技术的成熟，出现了以慕课(massive open onlinecourse，MOOC)平台为代表的为全球用户提供知识教育服务的网络学习社区。在短时期内，慕课的理念和实践得到了国内外越来越多优秀大学的认同，他们在慕课平台上免费开放自己的课程，使全球任何希望得到优质教育资源的人都可以在线学习，形成网络学习社区，并以此来实现知识传播的目的。
在线学习平台的主体是学习者，其最大的特点就是海量的学习者和多种多样的学习者群体。与传统教育相区别，在线学习环境下，学习者的学习动机和知识背景差别呈现多样性，又由于互联网技术的特点，学习者在线学习的所有学习行为都会以形式丰富多样的数据形式记录下来。当大量的学习资源和学习活动同时呈现于网络上时，学习者难免会造成对于过载信息资源的困惑，很难快速找到适合自己学习的资源，发掘具有相似学习兴趣的用户，为他们推荐所需的知识，可以提高知识获取的效率，有助于知识更有效的传播。
目前已经有不少研究者对用户相似度进行研究，如在考虑评分相似度的基础上，基于信任关系隐含相似度的度量方法；通过计算用户间个人基本资料的内容相似性来进行好友识别。用词向量代表用户的兴趣点，从而识别具有相似兴趣的好友；通过关联规则和用户间标签相似度识别好友。把在线学习系统和社交网站结合起来，分析用户在社交网站的社会关系，并且跟踪用户学习路径来建立用户之间的关系；通过计算用户属性相似度和互动强度，对用户关系进行强弱关系的划分；综合考虑用户基本属性相似度、姓名共现性和交互频率后，提出了图模型方法来预测关系强度；基于用户个人信息和互动行为两个因素对用户关系强度进行了研究。但是仍存在如下不足：
(1)现有工作中，用户个人属性特征是常见的度量因素，但由于存在用户个人信息填写不完整等原因，基于用户个人属性等数据进行用户相似度计算的方法存在属性稀疏的问题。
(2)现有工作主要从用户角度出发，度量的往往是用户的静态特征居多，而具有相同兴趣爱好的用户在学习表现上具有同构性，缺少结合课程的角度进行用户的度量，更缺少从学习网络的角度度量用户的工作。
慕课等在线学习平台的出现，开创了基于人际关系的知识传播。因此，提供一种有效的学习者关系强度度量方法，对推进网络应用发展和个性化学习推荐有着重要意义。
发明内容
本发明的目的是提供一种融合学习特征和学习网络结构特性的学习者关系强度度量方法和装置。在对学习者关系强度进行度量时，综合考虑了学习者的个人特征以及学习者之间的通过课程形成的交互行为特征，以此提高了学习者关系强度度量的准确度，为推进在线学习网络应用发展和个性化学习推荐提供支持。
为实现上述发明目的，本发明提供的技术方案为：
一种融合学习特征和学习网络结构特性的学习者关系强度度量方法，包括以下步骤：
(1)采集学习者数据和课程数据，并对所述学习者数据和课程数据进行特征提取，得到特征集合C＝{LA,CA,LI}，其中，LA表示学习者特征的集合，CA表示课程特征的集合，LI表示学习者间接的交互行为特征的集合；
(2)根据特征集合C构建学习网络LLN＝{V,E,P}，其中，V是学习网络中学习者节点的集合；E＝{(Li,Lj)|Li,Lj∈V}是无向边的集合，表示学习者之间的间接交互行为关系；P是一个N×N的矩阵，代表学习者之间关系的强度矩阵，其中N＝|V|代表学习者的个数；
(3)根据学习者特征的集合LA，计算两个学习者之间的个人特征相似度；
(4)根据课程特征的集合CA，计算学习者之间的所学课程方面的相似度；
(5)根据个人特征相似度和所学课程方面相似度计算学习者之间的静态特征相似度；
(6)根据学习网络LLN，计算学习者之间的共同邻居节点数；
(7)根据学习网络LLN，计算学习者之间的共同邻居节点边权关系；
(8)根据共同邻居学习者节点数和共同邻居学习者节点的边权关系计算学习者之间的动态特征相似度；
(9)根据静态特征相似度和动态特征相似度计算学习者之间的综合相似度值，以该综合相似度值作为学习者之间关系强度的度量值。
在本发明中，学习者之间的关系发生在学习者之间通过学习相同的课程、关注相同的专题、以及看过相同的演讲而产生的间接交互行为。该交互行为没有明确的方向性，不存在谁先关注谁，表现为学习者a学习了课程a，学习者b学习了课程a，或者学习者a看过专题a，学习者b也看过专题a，由此学习者a和b之间发生了间接交互行为。
具体地，所述学习者特征包括性别、教育信息、指评论数、笔记数、发帖数、收藏数；所述课程特征包括课程名称、学习课程的时长、课程满意度、课程学习结果；交互行为特征包括学习相同的课程、看过相同的专题、看过相同的演讲。
优选地，步骤(2)中，学习网络LLN＝{V,E,P}的构建过程为：
(2-1)针对采集的所有学习者数据，构建只有学习者节点没有无向边的LLN＝{V,E,P}，即V＝(l1,l2,l3….,lN)，E＝Φ，为空集，P为一个零矩阵；
(2-2)针对任意两个学习者节点v,学习者节点u，若学习者节点v和u之间存在学习相同的课程lc[v,u]≠0，或看过相同的专题lt[v,u]≠0，或看过相同的演讲ll[v,u]≠0，则将无向边(v,u)加入到E中，同时设置矩阵P中的相应位置P(v,u)＝{lc[v,u],lt[v,u],ll[v,u]}；
(2-3)重复执行步骤(2-2)，直到遍历完集合V中所有的学习者节点对。
优选地，步骤(3)中，根据以下公式计算两个学习者之间的个人特征相似度：
Figure BDA0002209006690000041
其中，las[u,v]为学习者u和学习者v之间的个人特征相似度，la(u)为学习者u的个人特征值，la(v)为学习者u的个人特征值集合；
优选地，步骤(4)中，根据以下公式计算两个学习者之间的所学课程方面相似度：
Figure BDA0002209006690000051
其中，cas[u,v]为学习者u和学习者v之间的所学课程方面相似度，CA(u)为学习者u的所学课程的特征值集合，CA(v)为学习者v的所学课程的特征值集合。
优选地，步骤(5)中，根据以下公式计算学习者之间的静态特征相似度：
sim[u,v]＝las[u,v]+cas[u,v]
其中，sim[u,v]表示学习者u和学习者v之间的静态特征相似度，las[u,v]为学习者u和学习者v之间的个人特征相似度，cas[u,v]为学习者u和学习者v之间的所学课程方面相似度。
优选地，步骤(6)中，计算学习者之间的共同邻居节点数的过程为：
(6-1)根据学习网络LLN中的矩阵P，设置存放共同邻居节点数的数组cnp[u,v]＝0；
(6-2)针对任意学习者节点u和学习者节点v，根据矩阵P，得到元素P[u,i]的值，其中i∈[1,n]，若P[u,i]≠0，则查看P[v,i]的值，若P[v,i]≠0，则更新cnp[u,v]＝cnp[u,v]+1；
(6-3)重复执行步骤(6-2)，直到遍历完集合V中所有的学习者节点对。
优选地，步骤(7)中，计算学习者之间的共同邻居节点边权关系的过程为：
(7-1)根据学习网络LLN中的矩阵P，设置存放共同邻居节点边权关系的数组cnl[u,v]＝0；
(7-2)针对任意学习者节点u，根据矩阵P，按照以下公式计算P[u]的值：
Figure BDA0002209006690000061
其中，P[u,i]为矩阵P中学习者节点u与学习者节点i对应的元素值，lc[u,i],lt[u,i],ll[u,i]分别表示学习者节点v和i之间存在学习相同的课程，看过相同的专题，看过相同的演讲；
(7-3)针对任意学习者节点u和学习者节点v，根据P[u]和P[v]的值，计算学习者节点u和学习者节点v的共同邻居的边权关系值，保存在数组cnl[u,v]中，即：
(7-4)重复执行步骤(7-3)，直到遍历完集合V中所有的学习者节点对。
优选地，步骤(8)中，根据以下公式计算两个学习者之间的动态特征相似度：
js[u,v]＝cnp[u,v]×cnl[u,v]
其中，js[u,v]表示学习者u和学习者v之间的动态特征相似度，cnp[u,v]表示学习者u和学习者v之间的共同邻居节点数，cnl[u,v]表示学习者之间的共同邻居节点边权关系。
优选地，步骤(9)中，按照以下公式计算学习者之间的综合相似度值：
ls[u,v]＝α×sim[u,v]+β×js[u,v]
其中，ls[u,v]表示学习者u和学习者v之间的综合相似度值，sim[u,v]表示学习者u和学习者v之间的静态特征相似度，js[u,v]表示学习者之间的动态特征相似度，α和β为权重系数，且满足α+β＝1。
一种融合学习特征和学习网络结构特性的学习者关系强度度量装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，
所述计算机处理器执行所述计算机程序时实现上述的学习者关系强度度量方法。
与现有技术相比，本发明具有的有益效果为：
(1)本发明中学习者关系强度的构建考虑了学习网络结构特性，通过学习者之间共同的邻居节点数和共同邻居节点的边权关系来计算学习者之间动态特征相似度，在一定程度上克服了现有方法只关注用户静态特征忽略动态特征的问题。
(2)本发明提出用学习特征和学习网络结构特性混合的度量方法来度量学习者的关系强度，在一定程度上克服了现有方法只关注用户特征，忽略从学习网络结构角度考虑用户学习行为和互动行为习惯对学习者关系的影响，可以为推进在线学习网络应用发展和个性化学习推荐提供支持。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。
图1为本发明提供的融合学习特征和学习网络结构特性的学习者关系强度度量方法的流程框图；
图2为本发明的实施例构建的无边LLN；
图3为本发明的实施例构建的无边LLN相应的矩阵P；
图4为本发明的实施例构建的无边LLN加入一条边后的LLN；
图5为本发明的实施例构建的无边LLN加入一条边后的LLN相应的矩阵P；
图6为本发明的实施例构建的最终LLN；
图7为本发明的实施例构建的最终LLN相应的矩阵P。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
本实施例提供了一种融合学习特征和学习网络结构特性的学习者关系强度度量方法，如图1所示，包括以下步骤：
S101，爬取MOOC数据，获得学习者和课程的数据，并进行特征提取，得到特征集合C＝{LA,CA,LI}。
其中，学习者特征LA＝{lsex,ledu,reviewn,noten,postn,collectn}，其中lsex指性别，ledu指教育信息，reviewn指评论数，noten指笔记数，postn指发帖数，collectn指收藏数。课程特征CA＝{cname,ctime,csatisfy,cresult}，其中cname指课程名称，ctime指学习课程的时长，csatisfy指课程满意度，cresult指课程学习结果，通过为1，未通过为0。交互行为特征LI＝{lc,lt,ll}，LI＝{lc,lt,ll}，其中lc表示学习相同的课程，lt表示看过相同的专题，ll表示看过相同的演讲。表1～表5所示的是MOOC网的数据特征片段集。
表1学习者特征LA
Figure BDA0002209006690000091
表2课程特征CA
lname cname ctime csatisfy cresult
cooleel 在基因组数据科学中使用命令行工具 12 0.991702502 1
Cooleel Python数据结构 14 0.695575174 1
Cooleel 人人都懂的编程课(Python) 6 0.606510729 1
Cooleel R语言入门 8 0.998552355 1
Cooleel 在基因组数据科学使用Python 8 0.795951801 1
Cooleel DNA测序算法 8 0.993739192 1
Cooleel 基因组数据科学 8 0.999975728 1
Cooleel 在基因组数据课程中使用Galaxy 12 0.611674893 1
Cooleel 基因与人类(从行为到生物技术) 30 0.967028818 1
Cooleel 生物信息方法II 12 0.592897484 1
Cooleel 生物信息学方法I 96 0.592897484 1
Cooleel 蛋白质：生物的劳动力 15 0.644833633 1
jerrytim Python数据结构 14 0.975054288 1
jerrytim Python数据库开发 10 0.87575898 1
jerrytim R语言程序开发 8 0.90588315 1
jerrytim 人人都懂的编程课(Python) 6 0.968187508 1
jerrytim 数据师的工具箱 4 0.974738577 1
桑仔 Python数据结构 14 0.967039249 1
桑仔 人人都懂的编程课(Python) 4 0.965708065 1
月光星辰zjw 人人都懂的编程课(Python) 4 0.968187508 1
月光星辰zjw Python数据结构 14 0.783896261 1
月光星辰zjw 高级竞争策略(中文版) 8 0.965462739 1
月光星辰zjw 市场营销概论 20 0.797259664 1
月光星辰zjw 营销：人人都需要的一门课 10 0.605743912 1
月光星辰zjw 如何在面试中获得成功 9 0.486136767 1
月光星辰zjw 竞争策略(中文版) 6 0.970791253 1
月光星辰zjw 职业素养 18 0.663915517 1
月光星辰zjw 心理学与生活 8 0.871322973 1
月光星辰zjw 心理学导论 40 0.485831061 1
表3学习行为特征LI-学习相同的课程lc
Figure BDA0002209006690000101
表4学习行为特征LI-看过相同的演讲ll
cooleel 桑仔 月光星辰zjw jerrytim
cooleel 0 0 0 0
桑仔 0 0 0 0
月光星辰zjw 0 0 0 0
jerrytim 0 0 0 0
表5学习行为特征LI-看过相同的专题lt
cooleel 桑仔 月光星辰zjw jerrytim
cooleel 7 0 0 0
桑仔 0 0 0 0
月光星辰zjw 0 0 6 0
jerrytim 0 0 0 0
S102，基于S101提取的特征集合C，构建学习网络LLN＝{V,E,P}。S102具体包括以下子步骤：
S1021，爬取慕课网上的数据，提取其中所有的学习者，构建一个只有节点没有无向边的学习网络LLN＝{V,E,P}，即V＝(l1,l2,l3….,ln)，E＝Φ，为空集，同时矩阵P为一个零矩阵。按照表1所给的数据特征，可以构建相应的LLN＝{V,E,P}，如图2所示，其中，V＝{'cooleel','桑仔','月光星辰zjw','jerrytim'}，矩阵P为一个空矩阵，如图3所示。
S1022，针对任意两个学习者节点v和学习者节点u，若学习者节点v和u之间存在LI[i,j]≠0，即lc[i,j]≠0，或lt[i,j]≠0，或ll[i,j]≠0，则将无向边(v,u)加入到E中，同时步骤(2.1)中的矩阵P相应位置的P(v,u)＝{lc[v,u],lt[v,u],ll[v,u]}。
如任意取节点'cooleel'和'jerrytim'，因为lc['cooleel','jerrytim']＝2,lc['cooleel','jerrytim']＝0,lc['cooleel','jerrytim']＝0，则将('cooleel'，'jerrytim')加入到E中，可以得到图4所示的LLN及图5所示的矩阵P。
S1023，重复执行步骤S1022，直到遍历完V中所有的学习者节点对，可以得到图6所示的学习网络LLN。
其中，V＝{'cooleel','桑仔','月光星辰zjw','jerrytim'}为学习数据中学习者节点的集合；E＝{('cooleel'，'jerrytim')，('cooleel'，'桑仔')，('cooleel'，'月光星辰zjw')，('jerrytim'，'桑仔')，('jerrytim'，'月光星辰zjw')，('桑仔'，'月光星辰zjw')}是一个无向边的集合，表示学习者之间的交互行为关系。相应的矩阵P如图7所示。
S103，根据学习者特征的集合LA，计算两个学习者之间的个人特征相似度。S103具体包括以下子步骤：
S1031，获得S101中所有学习者的个人特征值，LA＝{lsex,ledu,reviewn,noten,postn,collectn}，如表1所示。
S1032，针对任意两个学习者节点u和节点v，计算学习者节点u和节点v之间的相似度，保存在数组las[u,v]中，即：
Figure BDA0002209006690000111
因此，表1中，
Figure BDA0002209006690000112
S1033，重复执行S1032，直到遍历所有的学习者节点对。
因此，得到表1中任意两个学习者之间的个人特征相似度计算值，如表6所示：
表6
las 桑仔 月光星辰zjw jerrytim
Cooleel 0.2 0.33 0.2
桑仔 0.091 0.5
月光星辰zjw 0.2
S104，根据课程特征的集合CA，计算学习者之间的所学课程方面相似度。S104具体包括以下子步骤：
S1041，获得S101中所有课程特征值，CA＝{cname,ctime,csatisfy,cresult}，如表2所示。
S1042，针对任意两个学习者节点u和学习者节点v，计算两者之间学习课程方面的相似度，保存在数组cas[u,v]中，即：
Figure BDA0002209006690000121
其中，CA(u)表示学习者u对所学课程的特征集合。表2中，如果任意两个学习者学习了相同的课程，则将对应的cname设为1，否则设为0。然后进行计算CA(‘cooleel')·CA('jerrytim')＝243.2654，||CA(‘cooleel')||*||CA('jerrytim')||＝2219.04064，得到cas[‘cooleel’,’jerrytim’]＝0.109626。
S1043，重复执行S1042，直到遍历所有的学习者节点对。
因此，得到表2中任意两个学习者之间的所学课程方面的相似度计算值，如表7所示：
表7
Cas jerrytim 桑仔 月光星辰zjw
Cooleel 0.109626 0.143673 0.040527
jerrytim 0.742253 0.210243
桑仔 0.282008
S105，根据个人特征相似度和所学课程方面相似度计算学习者之间的静态特征相似度。S105具体包括以下子步骤：
S1051，针对任意两个学习者节点u和学习者节点v，计算学习者节点u和学习者节点v之间的静态特征相似度，保存在数组sim[u,v]中，即sim[u,v]＝las[u,v]+cas[u,v]。
实施例中：
sim[‘cooleel’,’jerrytim’]＝las[‘cooleel’,’jerrytim’]+cas[‘cooleel’,’jerrytim’]＝0.2+0.109626＝0.309626。
S1052，重复执行S1051，直到遍历所有的学习者对。因此，可以得到任意两个学习者的静态特征相似度的计算值，如表8所示：
表8
Sim jerrytim 桑仔 月光星辰zjw
Cooleel 0.309626 0.343673 0.370527
jerrytim 1.242253 0.410243
桑仔 0.373008
S106，根据学习网络LLN，计算学习者之间的共同邻居节点数。S106具体包括以下子步骤：
S1061，获得S102所得LLN中P的值，设置存放邻居节点数的初始数组cnp[u,v]＝0。因此，图6中，cnp[‘cooleel’,’jerrytim’]＝0。
S1062，针对任意两个学习者节点u和学习者节点v，根据矩阵P中的值，先得到P[u,i]的值，其中i∈[1,n]，若P[u,i]≠0，则查看P[v,i]的值，若P[v,i]≠0，则更新cnp[u,v]＝cnp[u,v]+1。
图7中，P[‘cooleel’,‘桑仔’]≠0，P[’jerrytim’,‘桑仔’]≠0,则cnp[‘cooleel’,’jerrytim’]＝cnp[‘cooleel’,’jerrytim’]+1＝0+1＝1。
S1063，重复执行S1062，直到遍历S102中所有的学习者节点对。因此，得到图6中任意两个结点的共同邻居节点数的计算值，如表9所示：
表9
cnp jerrytim 桑仔 月光星辰zjw
Cooleel 2 2 2
jerrytim 2 2
桑仔 2
S107，根据学习网络LLN，计算学习者之间的共同邻居节点边权关系。S107具体包括以下子步骤：
S1071，获得S102所得LLN中P的值，设置存放邻居节点边权关系的初始数组cnl[u,v]＝0。因此，图6中，cnl[‘cooleel’,’jerrytim’]＝0。
S1072，针对任意一个学习者节点u，根据矩阵P中的值，先计算P[u]的值，即：
Figure BDA0002209006690000141
因此，图7中，P[‘cooleel’]＝{12,0,7}
S1073，针对中任意一对学习者节点u和学习者节点v，根据P[u]和P[v]的值，计算两者之间的共同邻居节点边权关系值，保存在数组cnl[u,v]中，即
Figure BDA0002209006690000142
因此，图7中，|P[‘cooleel’]∩P[‘jerrytim’]|＝2，|P[‘cooleel’]∪P[‘jerrytim’]|＝24，则cnl[‘cooleel’,’jerrytim’]＝0.083333。
S1074，重复S1073，直到遍历S102中所有的学习者节点对。因此，得到图6中任意两个节点的共同邻居节点的边权关系的计算值，如表10所示：
表10
Cnl jerrytim 桑仔 月光星辰zjw
Cooleel 0.083333 0.095238 0.057143
jerrytim 0.285714 0.095238
桑仔 0.111111
S108，根据共同邻居学习者节点数和共同邻居学习者节点的边权关系计算学习者之间的动态特征相似度。S108具体包括以下子步骤：
S1081，针对任意学习者节点对u和v，计算两者之间的动态特征相似度，保存在数组js[u,v]中，即js[u,v]＝cnp[u,v]×cnl[u,v]。
因此，图6中：
js['cooleel','jerrytim']＝cnp['cooleel','jerrytim']×cnl['cooleel','errytim']＝2×0.083333＝0.166667
S1082，重复S1081，直到遍历步S102中所有的学习者节点对。
因此，得到图6中任意两个节点的动态特征相似度的计算值，如表11所示：
表11
Js jerrytim 桑仔 月光星辰zjw
Cooleel 0.166666 0.190476 0.114286
jerrytim 0.571428 0.190476
桑仔 0.222222
S109，根据静态特征相似度和动态特征相似度计算学习者之间的综合相似度值，以该综合相似度值作为学习者之间关系强度的度量值。S109具体包括以下子步骤：
S1091，针对任意学习者节点对u和v，计算两者之间的动态特征相似度，保存在数组ls[u,v]中，即ls[u,v]＝α×sim[u,v]+β×js[u,v]，其中α+β＝1。
因此，图6中：
ls['cooleel','jerrytim']＝0.4×sim['cooleel','jerrytim']+0.6×js['cooleel','jerrytim']
＝0.4×0.309626+0.6×0.166666＝0.22385
S1092，重复S1091直到遍历步骤S102中所有的节点对。因此，得到图6中任意两个节点的融合相似度的计算值，如表12所示：
表12
Ls jerrytim 桑仔 月光星辰zjw
Cooleel 0.22385 0.251755 0.216782
jerrytim 0.839758 0.278383
桑仔 0.282536
实施例还提供了一种融合学习特征和学习网络结构特性的学习者关系强度度量装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述计算机处理器执行所述计算机程序时实现上述的学习者关系强度度量方法。
实际应用中，计算机存储器可以为在近端的易失性存储器，如RAM，还可以是失性存储器，如ROM，FLASH，软盘，机械硬盘等，还可以是远端的存储云。计算机处理器可以为中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)、或现场可编程门阵列(FPGA)，即可以通过这些处理器实现学习者关系强度度量方法。
上述的具体实施例仅仅是对本发明作举例说明，实施例中设置α＝0.4，β＝0.6，具体值的设置可以根据具体情况进行调整。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (10)

1.一种融合学习特征和学习网络结构特性的学习者关系强度度量方法，包括以下步骤：
(1)采集学习者数据和课程数据，并对所述学习者数据和课程数据进行特征提取，得到特征集合C＝{LA,CA,LI}，其中，LA表示学习者特征的集合，CA表示课程特征的集合，LI表示学习者间接的交互行为特征的集合；
(2)根据特征集合C构建学习网络LLN＝{V,E,P}，其中，V是学习网络中学习者节点的集合；E＝{(Li,Lj)|Li,Lj∈V}是无向边的集合，表示学习者之间的间接交互行为关系；P是一个N×N的矩阵，代表学习者之间关系的强度矩阵，其中N＝|V|代表学习者的个数；
(3)根据学习者特征的集合LA，计算两个学习者之间的个人特征相似度；
(4)根据课程特征的集合CA，计算学习者之间的所学课程方面的相似度；
(5)根据个人特征相似度和所学课程方面相似度计算学习者之间的静态特征相似度；
(6)根据学习网络LLN，计算学习者之间的共同邻居节点数；
(7)根据学习网络LLN，计算学习者之间的共同邻居节点边权关系；
(8)根据共同邻居学习者节点数和共同邻居学习者节点的边权关系计算学习者之间的动态特征相似度；
(9)根据静态特征相似度和动态特征相似度计算学习者之间的综合相似度值，以该综合相似度值作为学习者之间关系强度的度量值。
2.如权利要求1所述的融合学习特征和学习网络结构特性的学习者关系强度度量方法，其特征在于，所述学习者特征包括性别、教育信息、指评论数、笔记数、发帖数、收藏数；
所述课程特征包括课程名称、学习课程的时长、课程满意度、课程学习结果；
交互行为特征包括学习相同的课程、看过相同的专题、看过相同的演讲。
3.如权利要求1所述的融合学习特征和学习网络结构特性的学习者关系强度度量方法，其特征在于，步骤(2)中，学习网络LLN＝{V,E,P的构建过程为：
(2-1)针对采集的所有学习者数据，构建只有学习者节点没有无向边的LLN＝{V,E,P}，即V＝(l1,l2,l3….,lN)，E＝Φ，为空集，P为一个零矩阵；
(2-2)针对任意两个学习者节点v,学习者节点u，若学习者节点v和u之间存在学习相同的课程lc[v,u]≠0，或看过相同的专题lt[v,u]≠0，或看过相同的演讲ll[v,u]≠0，则将无向边(v,u)加入到E中，同时设置矩阵P中的相应位置P(v,u)＝{lc[v,u],lt[v,u],ll[v,u]}；
(2-3)重复执行步骤(2-2)，直到遍历完集合V中所有的学习者节点对。
4.如权利要求1所述的融合学习特征和学习网络结构特性的学习者关系强度度量方法，其特征在于，步骤(3)中，根据以下公式计算两个学习者之间的个人特征相似度：
Figure FDA0002209006680000021
其中，las[u,v]为学习者u和学习者v之间的个人特征相似度，la(u)为学习者u的个人特征值，la(v)为学习者u的个人特征值集合；
步骤(4)中，根据以下公式计算两个学习者之间的所学课程方面相似度：
其中，cas[u,v]为学习者u和学习者v之间的所学课程方面相似度，CA(u)为学习者u的所学课程的特征值集合，CA(v)为学习者v的所学课程的特征值集合。
5.如权利要求1所述的融合学习特征和学习网络结构特性的学习者关系强度度量方法，其特征在于，步骤(5)中，根据以下公式计算学习者之间的静态特征相似度：
sim[u,v]＝las[u,v]+cas[u,v]
其中，sim[u,v]表示学习者u和学习者v之间的静态特征相似度，las[u,v]为学习者u和学习者v之间的个人特征相似度，cas[u,v]为学习者u和学习者v之间的所学课程方面相似度。
6.如权利要求1所述的融合学习特征和学习网络结构特性的学习者关系强度度量方法，其特征在于，步骤(6)中，计算学习者之间的共同邻居节点数的过程为：
(6-1)根据学习网络LLN中的矩阵P，设置存放共同邻居节点数的数组cnp[u,v]＝0；
(6-2)针对任意学习者节点u和学习者节点v，根据矩阵P，得到元素P[u,i]的值，其中i∈[1,n]，若P[u,i]≠0，则查看P[v,i]的值，若P[v,i]≠0，则更新cnp[u,v]＝cnp[u,v]+1；
(6-3)重复执行步骤(6-2)，直到遍历完集合V中所有的学习者节点对。
7.如权利要求1所述的融合学习特征和学习网络结构特性的学习者关系强度度量方法，其特征在于，步骤(7)中，计算学习者之间的共同邻居节点边权关系的过程为：
(7-1)根据学习网络LLN中的矩阵P，设置存放共同邻居节点边权关系的数组cnl[u,v]＝0；
(7-2)针对任意学习者节点u，根据矩阵P，按照以下公式计算P[u]的值：
Figure FDA0002209006680000041
其中，P[u,i]为矩阵P中学习者节点u与学习者节点i对应的元素值，lc[u,i],lt[u,i],ll[u,i]分别表示学习者节点v和i之间存在学习相同的课程，看过相同的专题，看过相同的演讲；
(7-3)针对任意学习者节点u和学习者节点v，根据P[u]和P[v]的值，计算学习者节点u和学习者节点v的共同邻居的边权关系值，保存在数组cnl[u,v]中，即：
Figure FDA0002209006680000042
(7-4)重复执行步骤(7-3)，直到遍历完集合V中所有的学习者节点对。
8.如权利要求1所述的融合学习特征和学习网络结构特性的学习者关系强度度量方法，其特征在于，步骤(8)中，根据以下公式计算两个学习者之间的动态特征相似度：
js[u,v]＝cnp[u,v]×cnl[u,v]
其中，js[u,v]表示学习者u和学习者v之间的动态特征相似度，cnp[u,v]表示学习者u和学习者v之间的共同邻居节点数，cnl[u,v]表示学习者之间的共同邻居节点边权关系。
9.如权利要求1所述的融合学习特征和学习网络结构特性的学习者关系强度度量方法，其特征在于，步骤(9)中，按照以下公式计算学习者之间的综合相似度值：
ls[u,v]＝α×sim[u,v]+β×js[u,v]
其中，ls[u,v]表示学习者u和学习者v之间的综合相似度值，sim[u,v]表示学习者u和学习者v之间的静态特征相似度，js[u,v]表示学习者之间的动态特征相似度，α和β为权重系数，且满足α+β＝1。
10.一种融合学习特征和学习网络结构特性的学习者关系强度度量装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于，
所述计算机处理器执行所述计算机程序时实现权利要求1～9任一项所述的学习者关系强度度量方法。
CN201910891917.8A 2019-09-20 2019-09-20 一种融合学习特征和学习网络结构特性的学习者关系强度度量方法和装置 Active CN110826590B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910891917.8A CN110826590B (zh) 2019-09-20 2019-09-20 一种融合学习特征和学习网络结构特性的学习者关系强度度量方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910891917.8A CN110826590B (zh) 2019-09-20 2019-09-20 一种融合学习特征和学习网络结构特性的学习者关系强度度量方法和装置

Publications (2)

Publication Number Publication Date
CN110826590A true CN110826590A (zh) 2020-02-21
CN110826590B CN110826590B (zh) 2022-11-11

Family

ID=69548107

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910891917.8A Active CN110826590B (zh) 2019-09-20 2019-09-20 一种融合学习特征和学习网络结构特性的学习者关系强度度量方法和装置

Country Status (1)

Country Link
CN (1) CN110826590B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111432029A (zh) * 2020-04-16 2020-07-17 四川大学 对等网络流媒体覆盖网络拓扑结构的静态和动态表征方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104616225A (zh) * 2015-02-11 2015-05-13 武汉大学 基于社区在线学习系统的学习激励机制构建方法
CN104933624A (zh) * 2015-06-29 2015-09-23 电子科技大学 复杂网络的社团发现方法及社团重要节点发现方法
US20160364996A1 (en) * 2015-06-09 2016-12-15 Learning Threads Corporation Matching learning content to learners
CN107507073A (zh) * 2017-09-14 2017-12-22 中国人民解放军信息工程大学 基于信任扩展和列表级排序学习的服务推荐方法
CN109447261A (zh) * 2018-10-09 2019-03-08 北京邮电大学 一种基于多阶邻近相似度的网络表示学习的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104616225A (zh) * 2015-02-11 2015-05-13 武汉大学 基于社区在线学习系统的学习激励机制构建方法
US20160364996A1 (en) * 2015-06-09 2016-12-15 Learning Threads Corporation Matching learning content to learners
CN104933624A (zh) * 2015-06-29 2015-09-23 电子科技大学 复杂网络的社团发现方法及社团重要节点发现方法
CN107507073A (zh) * 2017-09-14 2017-12-22 中国人民解放军信息工程大学 基于信任扩展和列表级排序学习的服务推荐方法
CN109447261A (zh) * 2018-10-09 2019-03-08 北京邮电大学 一种基于多阶邻近相似度的网络表示学习的方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111432029A (zh) * 2020-04-16 2020-07-17 四川大学 对等网络流媒体覆盖网络拓扑结构的静态和动态表征方法

Also Published As

Publication number Publication date
CN110826590B (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
CN110399541B (zh) 基于深度学习的题目推荐方法、装置及存储介质
CN106528656B (zh) 一种基于学员历史和实时学习状态参量实现课程推荐的方法和系统
Mena‐Chalco et al. Brazilian bibliometric coauthorship networks
Young et al. Building library community through social media
Santoso et al. Measuring user experience of the student-centered e-learning environment.
Bauman et al. Recommending remedial learning materials to students by filling their knowledge gaps
TW201923696A (zh) 在網路教學系統中推薦教師的方法
Shi et al. How learning effects influence knowledge contribution in online Q&A community? A social cognitive perspective
Ward et al. Scholarly social media profiles and libraries: A review
Bai et al. Predicting big five personality traits of microblog users
Jalali et al. Analytical assessment process of e-learning domain research between 1980 and 2014
CN108959331A (zh) 运用设备学习框架的方法、装置及计算机程序
CN111177559B (zh) 文旅服务推荐方法、装置、电子设备及存储介质
CN109903127A (zh) 一种群组推荐方法、装置、存储介质及服务器
Loukis Citizen-sourcing for public policy making: Theoretical foundations, methods and evaluation
Tuesta et al. Analysis of an advisor–advisee relationship: An exploratory study of the area of exact and earth sciences in Brazil
CN109408726B (zh) 问答网站中问题回答者推荐方法
Smiljanić et al. A theoretical model for the associative nature of conference participation
CN109829110A (zh) 一种学习资料的个性化推荐方法
CN108009194A (zh) 一种图书推送方法、电子设备、存储介质及装置
CN110826590B (zh) 一种融合学习特征和学习网络结构特性的学习者关系强度度量方法和装置
Al-Sharqi et al. Perceptions of social media as a learning tool: a comparison between arts and science students
Pérez-Nicolás et al. Evaluation of an algorithm for automatic grading of forum messages in MOOC discussion forums
Matei et al. Social-collaborative determinants of content quality in online knowledge production systems: comparing Wikipedia and stack overflow
CN111639485A (zh) 基于文本相似性的课程推荐方法及相关设备

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