CN111125640B - 一种知识点学习路径推荐方法和装置 - Google Patents

一种知识点学习路径推荐方法和装置 Download PDF

Info

Publication number
CN111125640B
CN111125640B CN201911335889.8A CN201911335889A CN111125640B CN 111125640 B CN111125640 B CN 111125640B CN 201911335889 A CN201911335889 A CN 201911335889A CN 111125640 B CN111125640 B CN 111125640B
Authority
CN
China
Prior art keywords
node
learning
user
nodes
knowledge
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
CN201911335889.8A
Other languages
English (en)
Other versions
CN111125640A (zh
Inventor
陈嵘
韩啸威
俞京华
张宜红
郭超
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.)
Jiangsu Wisedu Education Information Technology Co ltd
Original Assignee
Jiangsu Wisedu Education Information Technology Co ltd
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 Jiangsu Wisedu Education Information Technology Co ltd filed Critical Jiangsu Wisedu Education Information Technology Co ltd
Priority to CN201911335889.8A priority Critical patent/CN111125640B/zh
Publication of CN111125640A publication Critical patent/CN111125640A/zh
Application granted granted Critical
Publication of CN111125640B publication Critical patent/CN111125640B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Strategic Management (AREA)
  • Educational Technology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种知识点学习路径推荐方法和装置。该方法通过用户对知识点掌握度测定，结合知识点图谱进行学习成本分析，评估出该用户适配的工作岗位，进而提取出相关的知识点，按照用户学习风格的评估，结合知识点贡献度给出用户的知识点学习推荐路径，从而优化用户学习过程，提高用户学习效率，避免无关知识点的学习，使其学习尽快与工作岗位适配。

Description

一种知识点学习路径推荐方法和装置
技术领域
本发明涉及在线教育领域中用户特征分析，特别涉及用户知识点学习路径推荐。
背景技术
随着互联网技术日益发展，互联网环境日益完善，互联网凭借其高效的信息整合方式和信息获取途径为人们的生活、工作和学习方式带来了了翻天覆地的变化。在远程教育领域，近年来发展兴起的在线教育学习平台，对普通高等院校的教育模式和学生的学习方式都产生了深远的影响。
一方面，在线教育学习平台整合了互联网中大量优质的教育资源如教学视频、课件、习题等，帮助用户完成了学习资源的收集和筛选工作，大大节省了用户学习的时间成本；另一方面，在线学习平台有助于学校和老师及时跟踪和掌握用户的学习情况，分析用户学习过程中遇到的问题，有针对性的调整教学计划。
自适应学习系统在传统在线教育学习平台基础上，引入了自适应学习技术——通过构建领域知识模型来为知识点推荐和学习内容呈现提供可靠的依据；采集用户学习过程中的学习行为数据，分析用户的学习偏好、学习风格和认知能力等个性化学习特征，结合用户的知识点掌握情况，描绘用户的用户画像，构建用户模型；最后，结合领域知识模型和用户模型，选择既满足知识点内在学习逻辑，又符合用户个性化学习特征的学习内容，为用户进行合理的知识点内容推荐，帮助用户更好的完成课程知识学习。
现有自适应学习系统中的领域知识模型能够较好的模拟普通高等院校采取的传统教学模式中“学科—课程—章节—知识点”的知识组织形式，因此在传统教学模式的情景中获得了较好的学习效果。但是随着就业市场对岗位能力的要求愈来愈细化，专业化程度要求愈来愈高，传统教学模式下培育出的应届大学生越来越无法满足企业用人单位的人才需求：传统教学模式更加注重用户课程知识内容的学习，而忽视了用户相关专业技能的培养，用户通过课程知识内容的学习掌握了较为扎实的理论知识基础，却难以在生产工作岗位上灵活的运用所学知识解决实际问题，从而导致了用人市场中应届大学生与实际生产工作岗位间存在的人岗不匹配问题。
发明内容
本发明所要解决的问题：根据学生能力状态，分析其合适的工作岗位，并为其分析出合适知识点学习路径，从而避免学生重复无效学习，特别是避免学生学习其与工作岗位无关的知识点，从而节约学生学习时间，使学生尽快适应其工作岗位。
为解决上述问题，本发明采用的方案如下：
根据本发明的一种知识点学习路径推荐方法，该方法包括如下步骤：
S11：以人工输入方式构建知识点图谱；所述知识点图谱由节点以及节点之间的关联关系组成；所述节点至少包括如下属性：节点识别码、节点名称、节点类型、子节点表、难度、掌握度阈值；所述子节点表用于表示所述节点之间的关联关系；所述关联关系包括包含关系和依赖关系；所述节点类型分为岗位和知识；岗位和知识的节点类型分别对应岗位节点和知识节点；所述岗位节点无父节点；所述知识节点对应于某个知识点或某项技能；每个知识节点至少为岗位节点的子孙节点；
S12：根据所述知识点图谱中的节点之间的关联关系，为每个节点计算贡献度；其中，每个岗位节点的贡献度为1，其他节点的贡献度则根据如下计算公式计算：
其中，/>是第j个节点分配至第i个节点的贡献度，若第i个节点不是第j个节点的子节点，则/>否则有/>其中，VCi和VCj分别是第i个节点和第j个节点的贡献度；Nj,sub是第j个节点的子节点的总数；
S2：通过试题测验方式与被推荐用户进行交互，根据被推荐用户试题测验结果评估该用户对于所测试题对应知识节点的掌握度，再根据所述知识点图谱节点之间的关联关系，评估与该知识节点关联的知识节点的掌握度，从而获得被推荐用户各个知识节点的掌握度；
S3：根据被推荐用户各个知识节点的掌握度和所述知识点图谱中的节点之间的关联关系，计算出该用户对各个的岗位节点的学习成本，通过该用户对各个岗位节点学习成本比较，选取出与该用户适配的岗位节点，然后将所述与该用户适配的岗位节点下未掌握的节点组成节点集合；所述未掌握的节点是掌握度小于节点的掌握度阈值的节点；所述岗位节点的学习成本采用如下公式计算：
其中，pi为第i个岗位节点,u表示为被推荐用户；/>为被推荐用户u对第i个岗位节点的学习成本；NN是知识点图谱中节点总数；Ck(u)为被推荐用户u对于第k个节点的独立学习成本；当第k个节点不是pi的子孙节点时，Ck(u)＝0，否则有其中，θk为第k个节点的掌握度阈值；/>为被推荐用户u对第k个节点的掌握度；τk是第k个节点的难度；
S4：根据被推荐用户各个知识节点的掌握度和所述知识点图谱中的节点之间的关联关系，计算出被推荐未掌握且用户贡献度最大的节点组成节点集合；
S5：将步骤S3和/或步骤S4得到的节点集合根据节点之间的关联关系输出得到被推荐用户的知识点学习推荐路径。
进一步，根据本发明的知识点学习路径推荐方法，该方法还包括以下步骤：
S13：获取用户学习风格经验数据，并根据用户学习风格经验数据计算用户学习风格关联概率；所述用户学习风格经验数据是用户的学习行为数据集和学习风格对应关系的集合；所述学习行为数据集由若干用以表征用户学习行为的学习行为数据组成；所述学习风格分两种，分别为：综合型和序列型；所述用户学习风格关联概率的计算采用如下计算公式：
其中，
P(Y＝c)是用户的学习风格为c的概率；
P(Xj＝aj,m|Y＝c)是当用户的学习风格为c时，Xj为aj,m的概率；
函数I(yi＝c)表示为用户学习风格经验数据中，第i个用户的学习风格为c时取值为1，否则取值为0；
函数表示为用户学习风格经验数据中，当第i个用户的第j个学习行为数据为aj,m并且该用户的学习风格为c时取值为1，否则取值为0；
Y是用户的学习风格；
Xj是用户的第j个学习行为数据；
是用户学习风格经验数据中，第i个用户的第j个学习行为数据；
aj,m是第j个学习行为数据的第m个可能的取值；
N是用户学习风格经验数据中用户的个数；
c是取值0或1的学习风格，1表示为综合型，0表示为序列型；
S22：通过对被推荐用户的网络在线学习行为分析，提取该用户的学习行为数据集，结合该用户的学习行为数据集和所述用户学习风格关联概率计算出该用户各种学习风格的概率，进而评估出被推荐用户的学习风格；学习风格的概率采用如下计算公式计算：
其中，
P(Y＝c|X＝Xu)是当学习行为数据集为Xu时用户的学习风格为c的概率；
P(X＝Xu|Y＝c)表示为学习风格为c下学习行为数据集为为Xu的概率；
P(Y＝c)是用户的学习风格为c的概率；
c是取值0或1的学习风格，1表示为综合型，0表示为序列型。
Xu是被推荐用户的学习行为数据集；
其中，P(X＝Xu|Y＝c)采用如下计算公式计算：
其中，
是当用户的学习风格为c时，Xj为/>的概率；
Xj是用户的第j个学习行为数据；
是被推荐用户的第j个学习行为数据；
NS是学习行为数据集中学习行为数据的个数；
所述步骤S5中输出节点集合时，还包括根据被推荐用户的学习风格进行排序输出。
进一步，根据本发明的知识点学习路径推荐方法，所述步骤S4包括：
S41：选取被推荐用户在所述知识点图谱中所有未掌握的节点组成节点集合SCON0；
S42：从节点集合SCON0中选取贡献度最大的W各节点组成节点集合SCON1；
S43：被推荐用户对于节点集合SCON1中每个节点的未掌握的子孙节点加入SCON1得到被推荐未掌握且用户贡献度最大的节点组成节点集合SCON。
进一步，根据本发明的知识点学习路径推荐方法，所述步骤S5中还包括将步骤S3和步骤S4得到的节点集合进行合并的步骤；
进一步，根据本发明的知识点学习路径推荐方法，所述步骤S5中，将步骤S3和步骤S4得到的节点集合进行合并然后根据被推荐用户的学习风格进行排序输出。
根据本发明的一种知识点学习路径推荐装置，该装置包括如下模块：
M11，用于：以人工输入方式构建知识点图谱；所述知识点图谱由节点以及节点之间的关联关系组成；所述节点至少包括如下属性：节点识别码、节点名称、节点类型、子节点表、难度、掌握度阈值；所述子节点表用于表示所述节点之间的关联关系；所述关联关系包括包含关系和依赖关系；所述节点类型分为岗位和知识；岗位和知识的节点类型分别对应岗位节点和知识节点；所述岗位节点无父节点；所述知识节点对应于某个知识点或某项技能；每个知识节点至少为岗位节点的子孙节点；
M12，用于：根据所述知识点图谱中的节点之间的关联关系，为每个节点计算贡献度；其中，每个岗位节点的贡献度为1，其他节点的贡献度则根据如下计算公式计算：
其中，/>是第j个节点分配至第i个节点的贡献度，若第i个节点不是第j个节点的子节点，则/>否则有/>其中，VCi和VCj分别是第i个节点和第j个节点的贡献度；Nj,sub是第j个节点的子节点的总数；
M2，用于：通过试题测验方式与被推荐用户进行交互，根据被推荐用户试题测验结果评估该用户对于所测试题对应知识节点的掌握度，再根据所述知识点图谱节点之间的关联关系，评估与该知识节点关联的知识节点的掌握度，从而获得被推荐用户各个知识节点的掌握度；
M3，用于：根据被推荐用户各个知识节点的掌握度和所述知识点图谱中的节点之间的关联关系，计算出该用户对各个的岗位节点的学习成本，通过该用户对各个岗位节点学习成本比较，选取出与该用户适配的岗位节点，然后将所述与该用户适配的岗位节点下未掌握的节点组成节点集合；所述未掌握的节点是掌握度小于节点的掌握度阈值的节点；所述岗位节点的学习成本采用如下公式计算：
其中，pi为第i个岗位节点,u表示为被推荐用户；/>为被推荐用户u对第i个岗位节点的学习成本；NN是知识点图谱中节点总数；Ck(u)为被推荐用户u对于第k个节点的独立学习成本；当第k个节点不是pi的子孙节点时，Ck(u)＝0，否则有其中，θk为第k个节点的掌握度阈值；/>为被推荐用户u对第k个节点的掌握度；τk是第k个节点的难度；
M4，用于：根据被推荐用户各个知识节点的掌握度和所述知识点图谱中的节点之间的关联关系，计算出被推荐未掌握且用户贡献度最大的节点组成节点集合；
M5，用于：将模块M3和/或模块M4得到的节点集合根据节点之间的关联关系输出得到被推荐用户的知识点学习推荐路径。
进一步，根据本发明的知识点学习路径推荐装置，该装置还包括以下模块：
M13，用于：获取用户学习风格经验数据，并根据用户学习风格经验数据计算用户学习风格关联概率；所述用户学习风格经验数据是用户的学习行为数据集和学习风格对应关系的集合；所述学习行为数据集由若干用以表征用户学习行为的学习行为数据组成；所述学习风格分两种，分别为：综合型和序列型；所述用户学习风格关联概率的计算采用如下计算公式：
其中，
P(Y＝c)是用户的学习风格为c的概率；
P(Xj＝aj,m|Y＝c)是当用户的学习风格为c时，Xj为aj,m的概率；
函数I(yi＝c)表示为用户学习风格经验数据中，第i个用户的学习风格为c时取值为1，否则取值为0；
函数表示为用户学习风格经验数据中，当第i个用户的第j个学习行为数据为aj,m并且该用户的学习风格为c时取值为1，否则取值为0；
Y是用户的学习风格；
Xj是用户的第j个学习行为数据；
是用户学习风格经验数据中，第i个用户的第j个学习行为数据；
aj,m是第j个学习行为数据的第m个可能的取值；
N是用户学习风格经验数据中用户的个数；
c是取值0或1的学习风格，1表示为综合型，0表示为序列型；
M22，用于：通过对被推荐用户的网络在线学习行为分析，提取该用户的学习行为数据集，结合该用户的学习行为数据集和所述用户学习风格关联概率计算出该用户各种学习风格的概率，进而评估出被推荐用户的学习风格；学习风格的概率采用如下计算公式计算：
其中，
P(Y＝c|X＝Xu)是当学习行为数据集为Xu时用户的学习风格为c的概率；
P(X＝Xu|Y＝c)表示为学习风格为c下学习行为数据集为为Xu的概率；
P(Y＝c)是用户的学习风格为c的概率；
c是取值0或1的学习风格，1表示为综合型，0表示为序列型。
Xu是被推荐用户的学习行为数据集；
其中，P(X＝Xu|Y＝c)采用如下计算公式计算：
其中，
是当用户的学习风格为c时，Xj为/>的概率；
Xj是用户的第j个学习行为数据；
是被推荐用户的第j个学习行为数据；
NS是学习行为数据集中学习行为数据的个数；
所述模块M5中输出节点集合时，还包括根据被推荐用户的学习风格进行排序输出。
进一步，根据本发明的知识点学习路径推荐装置，所述模块M4包括：
M41，用于：选取被推荐用户在所述知识点图谱中所有未掌握的节点组成节点集合SCON0；
M42，用于：从节点集合SCON0中选取贡献度最大的W各节点组成节点集合SCON1；
M43，用于：被推荐用户对于节点集合SCON1中每个节点的未掌握的子孙节点加入SCON1得到被推荐未掌握且用户贡献度最大的节点组成节点集合SCO。
进一步，根据本发明的知识点学习路径推荐装置，所述模块M5中还包括将模块M3和模块M4得到的节点集合进行合并的步骤；
进一步，根据本发明的知识点学习路径推荐装置，所述模块M5中，将模块M3和模块M4得到的节点集合进行合并然后根据被推荐用户的学习风格进行排序输出。
本发明的技术效果如下：本发明通过用户对知识点掌握度测定，结合知识点图谱进行学习成本分析，评估出该用户适配的工作岗位，进而提取出相关的知识点，按照用户学习风格和知识点贡献度给出用户的知识点学习推荐路径，从而优化用户学习过程，提高用户学习效率，避免无关知识点的学习，使其学习尽快与工作岗位适配。
附图说明
图1是本实施例所涉及的在线教育平台的系统结构示意图。
图2是本实施例知识点图谱的示例。
具体实施方式
下面结合附图对本发明做进一步详细说明。
如图1所示，本实施例涉及一种在线教育平台，该在线教育平台包括：知识点图谱库平台100、学员信息管理平台200、训练测验平台300、在线教学平台400以及学习交流平台500。其中，知识点图谱库平台100用于维护知识点图谱，学员信息管理平台200管理学员信息，学员信息除了基本信息之外，还包括学员在线行为记录信息，学员学习进度信息、学员在线测验信息、学员对知识点掌握状况的信息等。训练测验平台300用于为学员提供在线的试题训练和在线的试题测验；在线教学平台400用于为学员提供在线教学，包括提供普通视频教学和讲师实时在线教学。学习交流平台500用于为学员之间提供学习交流，以论坛形式和即时通讯交流群的形式为学员提供学习交流。本实施例中，学员信息管理平台200、训练测验平台300、在线教学平台400以及学习交流平台500均基于知识点图谱，也就是学员信息管理平台200、训练测验平台300、在线教学平台400以及学习交流平台500中的内容均与知识点图谱中相关的知识点相关联。
本实施例的知识点学习路径推荐方法建立在上述在线教育平台上，用于在上述在线教育平台中为学员进行分析为学员推荐知识点学习路径。本发明所指的被推荐用户在本实施例中即为上述在线教育平台中的学员。本实施例的知识点学习路径推荐方法包括初始化步骤、学员信息采集步骤、学员学习风格评估步骤、岗位适配评估步骤、知识节点选取步骤、知识点排序输出步骤。其中初始化步骤用于初始化知识点图谱和用户学习风格关联概率。
本实施例中，知识点图谱初始化通过知识点图谱库平台100实现。知识点图谱库平台100以人工输入方式构建知识点图谱框架，然后为每个知识点图谱中的每个节点计算贡献度，从而构建完整的知识点图谱。前述步骤S11“以人工输入方式构建知识点图谱”中所构建的知识点图谱为知识点图谱框架，步骤S12中为每个节点计算贡献度后构成本实施例知识点图谱库平台100中完整的知识点图谱。知识点图谱，如图2所示，由节点以及节点之间的关联关系组成。图2的示例中，圆圈表示知识点图谱的节点，圆圈之间的连线表示为节点之间的关联关系。节点包括如下属性：节点识别码、节点名称、节点类型、子节点表、难度、掌握度阈值和贡献度。其中，步骤S11中所构建的知识点图谱中，贡献度初始化为0，待步骤S12后填充。节点类型分为岗位和知识。岗位和知识的节点类型分别对应岗位节点和知识节点。岗位节点无父节点。知识节点对应于某个知识点或某项技能。每个知识节点至少为岗位节点的子孙节点。本领域技术人员可以理解，在某些实施方式下，节点类型也可以分成岗位、技能和知识。其中岗位类型的节点表示为某工作岗位。技能类型的节点表示为某些专业技能。知识类型的节点表示为某个知识点。本实施例中，为方便后续分析处理，将技能类型的节点和知识类型的节点合并成知识类型的节点，合并后的知识类型的节点可能对应某个知识点，也可能对应某项专业技能。图2的示例中，虚线上方的节点GW1、GW2和GW3为岗位节点；虚线下方的节点GS11、GS12、GS13、GS14、GS21、GS22、GS23、GS24、GS25、GS31、GS32、GS33、GS34、GS35、GS36为知识节点。节点名称对应于工作岗位或专业技能或知识点的名称。难度用于表示该节点对应的专业技能或知识点掌握的难度。难度高意味着掌握相应专业技能或知识点需要耗费更多的时间。掌握度阈值用于对应用户或学员对该专业技能或知识节点的掌握度，当用户或学员的对该专业技能或知识节点的掌握度不小于该掌握度阈值时表示该用户或学员已经掌握该专业技能或知识点。子节点表用于表示节点之间的关联关系。节点之间的关联关系包括包含关系和依赖关系。包含关系用于表示专业技能包含哪些需要掌握的知识点；或者某个知识点包含了哪些子知识点；或者某个岗位需要掌握哪些专业技能或哪些知识点。依赖关系用于表示知识点之间的依赖性，比如知识点A的掌握需要事先掌握知识点B则知识点A依赖于知识点B。为处理方便起见，本实施例中包含关系和依赖关系均以父子关系呈现。子节点表中的节点为当前节点的子节点。图2中，岗位节点GW1包含知识节点GS11、GS12和GS22，表示该岗位需要掌握知识节点GS11、GS12和GS22所对应的专业技能或知识点。知识节点GS11包含知识节点GS21并且依赖于知识节点GS22，则在本实施例的知识点图谱中知识节点GS21和知识节点GS22作为知识节点GS11的子节点，相应地，知识节点GS11则为知识节点GS21和知识节点GS22的父节点。需要指出的是，每个知识节点的父节点不止一个。比如，知识节点GS22的父节点包括岗位节点GW1、知识节点GS11和GS12。本实施例，上述节点的属性中，节点名称、节点类型、子节点表、难度、掌握度阈值均由人工输入，节点识别码则在构建知识点图谱时生成，贡献度则由步骤S12计算得到。贡献度的计算方法如下：
每个岗位节点的贡献度为1，其他节点的贡献度则根据如下计算公式计算：
其中，/>是第j个节点分配至第i个节点的贡献度，若第i个节点不是第j个节点的子节点，则/>否则有/>其中，VCi和VCj分别是第i个节点和第j个节点的贡献度；Nj,sub是第j个节点的子节点的总数。
以图2示例为例，岗位节点GW1、GW2和GW3的贡献度均为1，知识节点GS11的贡献度由岗位节点GW1分配得到，岗位节点GW1的子节点共有3个，则知识节点GS11的贡献度为1/3；知识节点GS12的贡献度由岗位节点GW1和GW2分配得到，岗位节点GW1和GW2分配至知识节点GS12的贡献度均为1/3，则知识节点GS12的贡献度为2/3；知识节点GS13的贡献度由岗位节点GW2和GW3分配得到，岗位节点GW2和GW3分配至知识节点GS13的贡献度分别为1/3和1/2，则知识节点GS13的贡献度则为5/6；知识节点GS22的贡献度由岗位节点GW1和知识节点GS11和GS12分配得到，岗位节点GW1和知识节点GS11和GS12分配至知识节点GS22的贡献度分别为：1/3，1/3*1/2＝1/6，2/3*1/3＝2/9，则知识节点GS22的贡献度则为13/18。显而易见地，贡献度越大，说明该知识节点对应的专业技能或知识点对岗位的适应度越大，能够被更多的岗位所需。
用户学习风格关联概率通过对用户学习风格经验数据统计得到。用户学习风格关联概率的统计即为前述步骤S13。用户学习风格经验数据是用户的学习行为数据集和学习风格对应关系的集合。学习行为数据集由若干用以表征用户学习行为的学习行为数据组成。学习风格分两种，分别为：综合型和序列型。本实施例中，学习行为数据通过前述学员在线行为记录信息，学员学习进度信息、学员在线测验信息、学员对知识点掌握状况的信息等统计得到。本实施例中，学习行为数据包括论坛访问总时长数据、论坛发帖量数据、论坛读帖量数据、例题阅览时长数据、测验时长数据。其中：
论坛访问时间总时长数据值为0，代表论坛访问时间/总学习时间小于等于0.3，值为1，代表论坛访问时间/总学习时间大于0.3；
论坛发帖量值为0代表论文发帖量小于等于每月5次，值为1代表论文发帖量大于每月五次；
论坛读帖量值为0代表论坛读帖量小于等于50次/月，值为1代表论坛读帖量大于等于50次/月；
例题阅览时长数据值为0代表例题阅览时间/总学习时间小于等于0.25，值为1代表例题阅览时间/总学习时间大于0.25且小于0.75，值为2代表例题阅览时间/总学习时间大于等于0.75；
测验时长数据值为0代表测验时长/总学习时间小于等于0.15，值为1代表测验时长/总学习时间大于0.15且小于0.3，值为2代表测验时长/总学习时间大于等于0.3。
显而易见地，学习行为数据的值是将连续数据离散化后的离散值。
本实施例中，用户学习风格关联概率通过以下公式计算得到：
其中，P(Y＝c)是用户的学习风格为c的概率；P(Xj＝aj,m|Y＝c)是当用户的学习风格为c时，Xj为aj,m的概率；函数I(yi＝c)表示为用户学习风格经验数据中，第i个用户的学习风格为c时取值为1，否则取值为0；函数表示为用户学习风格经验数据中，当第i个用户的第j个学习行为数据为aj,m并且该用户的学习风格为c时取值为1，否则取值为0；Y是用户的学习风格；Xj是用户的第j个学习行为数据；/>是用户学习风格经验数据中，第i个用户的第j个学习行为数据；aj,m是第j个学习行为数据的第m个可能的取值；N是用户学习风格经验数据中用户的个数；c是取值0或1的学习风格，1表示为综合型，0表示为序列型。显而易见地，用户学习风格关联概率由一组概率数据组成，具体到本实施例中，该组概率数据罗列为：
P(Y＝0)、P(Y＝1)、
P(X1＝0|Y＝0)、P(X1＝1|Y＝0)、P(X1＝0|Y＝1)、P(X1＝1|Y＝1)、
P(X2＝0|Y＝0)、P(X2＝1|Y＝0)、P(X2＝0|Y＝1)、P(X2＝1|Y＝1)、
P(X3＝0|Y＝0)、P(X3＝1|Y＝0)、P(X3＝0|Y＝1)、P(X3＝1|Y＝1)、
P(X4＝0|Y＝0)、P(X4＝1|Y＝0)、P(X4＝2|Y＝0)、P(X4＝0|Y＝1)、P(X4＝1|Y＝1)、P(X4＝2|Y＝1)、
P(X5＝0|Y＝0)、P(X5＝1|Y＝0)、P(X5＝2|Y＝0)、P(X5＝0|Y＝1)、P(X5＝1|Y＝1)、P(X5＝2|Y＝1)。
其中，X1、X2、X3、X4、X5分别表示为论坛访问总时长数据、论坛发帖量数据、论坛读帖量数据、例题阅览时长数据、测验时长数据。
学员信息采集步骤用于采集学员学习行为数据和知识节点的掌握度。学员学习行为数据本实施例中通过前述学员在线行为记录信息，学员学习进度信息、学员在线测验信息、学员对知识点掌握状况的信息等统计得到。上述采集学员学习行为数据的过程即为前述步骤S22中“通过对被推荐用户的网络在线学习行为分析，提取该用户的学习行为数据集”。知识节点的掌握度本实施例中通过训练测验平台300对学员掌握的知识点测验得到，也就是，通过试题测验方式与学员进行交互，根据学员试题测验结果评估该学员对于所测试题对应知识节点的掌握度，再根据所述知识点图谱节点之间的关联关系，评估与该知识节点关联的知识节点的掌握度，从而获得学员各个知识节点的掌握度。本实施例中，上述过程处理并非一次性完成，而是学员在训练测验平台300进行试题测验后，实时分析后得到，然后存入学员信息管理平台200的学员信息中，学员信息中的学员对知识点掌握状况的信息即为该学员各个知识节点掌握度信息。当学员请求推荐知识点学习路径时，直接从学员信息中获取该学员各个知识节点的掌握度。“评估与该知识节点关联的知识节点的掌握度”，也就是，若该知识节点的掌握度不小于该知识节点的掌握度阈值时，该学员对于该知识节点的子孙节点的掌握度均设定为超过相应掌握度阈值的值。掌握度的值本实施例中为学员试题测验的评分值。
学员学习风格评估步骤用于根据所采集的学员学习行为数据和用户学习风格关联概率计算相应的学习风格的概率，进而评估出学员的学习风格，该过程也就是前述步骤S22中，“结合该用户的学习行为数据集和所述用户学习风格关联概率计算出该用户各种学习风格的概率，进而评估出被推荐用户的学习风格”。学习风格的概率采用如下计算公式计算：
其中，P(Y＝c|X＝Xu)是当学习行为数据集为Xu时用户的学习风格为c的概率；P(X＝Xu|Y＝c)表示为学习风格为c下学习行为数据集为为Xu的概率；P(Y＝c)是用户的学习风格为c的概率；c是取值0或1的学习风格，1表示为综合型，0表示为序列型。Xu是被推荐用户的学习行为数据集；其中，P(X＝Xu|Y＝c)采用如下计算公式计算： 其中，/>是当用户的学习风格为c时，Xj为/>的概率；Xj是用户的第j个学习行为数据；/>是被推荐用户的第j个学习行为数据；NS是学习行为数据集中学习行为数据的个数。
显而易见地，上述公式计算后得到的P(Y＝1|X＝Xu)和P(Y＝0|X＝Xu)分别为学员的两种学习风格的概率，并且有：1＝P(Y＝1|X＝Xu)+P(Y＝0|X＝Xu)。上述公式中，即为前述用户学习风格关联概率中的P(Xj＝aj,m|Y＝c)。若计算得到的P(Y＝1|X＝Xu)大于P(Y＝0|X＝Xu)，表示该学员的学习风格为综合型，否则为序列型。
岗位适配评估步骤中，首先计算该用户对于各个岗位节点的学习成本，然后选取学习成本最低的岗位节点作为与该用户适配的岗位节点。岗位节点的学习成本本实施例采用如下计算公式计算：其中，pi为第i个岗位节点,u表示为被推荐用户；/>为被推荐用户u对第i个岗位节点的学习成本；NN是知识点图谱中节点总数；Ck(u)为被推荐用户u对于第k个节点的独立学习成本；当第k个节点不是pi的子孙节点时，Ck(u)＝0，否则有/>其中，θk为第k个节点的掌握度阈值；/>为被推荐用户u对第k个节点的掌握度；τk是第k个节点的难度。
本领域技术人员理解，在另一优选的实施方式中，得到各个的岗位节点学习成本后，还可以向被推荐用户或学员展示学习成本最低的若干岗位节点对应的工作岗位清单及其相应的学习成本，然后由被推荐用户或学员从该工作岗位清单中选择，被推荐用户或学员所选择的工作岗位所对应的岗位节点作为与该用户适配的岗位节点。
知识节点选取步骤包括按适配的岗位节点选择和按节点贡献度大小选择以及合并输出三个步骤。按适配的岗位节点选择步骤即为前述的步骤S3中“将与该用户适配的岗位节点下未掌握的节点组成节点集合”。按节点贡献度大小选择步骤即未前述步骤S4，也就是，根据被推荐用户各个知识节点的掌握度和所述知识点图谱中的节点之间的关联关系，计算出被推荐未掌握且用户贡献度最大的节点组成节点集合。合并输出步骤即为前述步骤S5中“将步骤S3和步骤S4得到的节点集合进行合并的步骤”，具体为将步骤S3得到的节点集合和步骤S4得到的节点集合进行与操作。步骤S4的具体过程如下：
S41：选取被推荐用户在知识点图谱中所有未掌握的节点组成节点集合SCON0；
S42：从节点集合SCON0中选取贡献度最大的W各节点组成节点集合SCON1；
S43：被推荐用户对于节点集合SCON1中每个节点的未掌握的子孙节点加入SCON1得到被推荐未掌握且用户贡献度最大的节点组成节点集合SCON。
最后得到的节点集合SCON即为步骤S4输出的节点集合。
知识点排序输出步骤也就是前述得到的节点集合根据节点之间的关联关系以及被推荐用户或学员的学习风格进行排序输出得到被推荐用户的知识点学习推荐路径。本实施例中具体的处理方法为：对知识点图谱从叶子节点开始向根节点进行节点遍历，遍历时，若学员的学习风格为综合型则以深度优先的方式进行遍历，若学员的学习风格为序列型，则以广度优先的方式进行遍历；每遍历到一个节点，判断该节点是否在前述得到的节点集合内，若该节点在前述得到的节点集合内，则输出至排序队列。遍历完成后得到的排序队列即为节点集合排序后的节点序列，该节点序列作为被推荐用户或学员的知识点学习推荐路径。
本领域技术人员理解，在另一可选的实施方式下，知识点排序输出步骤所针对的节点集合也可以是步骤S3得到的节点集合，也可以是步骤S4得到的节点集合，或者，也可以将步骤S3和步骤S4得到的节点集合排序分别输出。

Claims (10)

1.一种知识点学习路径推荐方法，其特征在于，该方法包括如下步骤：
S11：以人工输入方式构建知识点图谱；所述知识点图谱由节点以及节点之间的关联关系组成；所述节点至少包括如下属性：节点识别码、节点名称、节点类型、子节点表、难度、掌握度阈值；所述子节点表用于表示所述节点之间的关联关系；所述关联关系包括包含关系和依赖关系；所述节点类型分为岗位和知识；岗位和知识的节点类型分别对应岗位节点和知识节点；所述岗位节点无父节点；所述知识节点对应于某个知识点或某项技能；每个知识节点至少为岗位节点的子孙节点；
S12：根据所述知识点图谱中的节点之间的关联关系，为每个节点计算贡献度；其中，每个岗位节点的贡献度为1，其他节点的贡献度则根据如下计算公式计算：
其中，/>是第j个节点分配至第i个节点的贡献度，若第i个节点不是第j个节点的子节点，则/>否则有/>其中，VCi和VCj分别是第i个节点和第j个节点的贡献度；Nj,sub是第j个节点的子节点的总数；
S2：通过试题测验方式与被推荐用户进行交互，根据被推荐用户试题测验结果评估该用户对于所测试题对应知识节点的掌握度，再根据所述知识点图谱节点之间的关联关系，评估与该知识节点关联的知识节点的掌握度，从而获得被推荐用户各个知识节点的掌握度；
S3：根据被推荐用户各个知识节点的掌握度和所述知识点图谱中的节点之间的关联关系，计算出该用户对各个岗位节点的学习成本，通过该用户对各个岗位节点学习成本比较，选取出与该用户适配的岗位节点，然后将所述与该用户适配的岗位节点下未掌握的节点组成节点集合；所述未掌握的节点是掌握度小于节点的掌握度阈值的节点；所述岗位节点的学习成本采用如下公式计算：
其中，pi为第i个岗位节点,u表示为被推荐用户；/>为被推荐用户u对第i个岗位节点的学习成本；NN是知识点图谱中节点总数；Ck(u)为被推荐用户u对于第k个节点的独立学习成本；当第k个节点不是pi的子孙节点时，Ck(u)＝0，否则有其中，θk为第k个节点的掌握度阈值；/>为被推荐用户u对第k个节点的掌握度；τk是第k个节点的难度；
S4：根据被推荐用户各个知识节点的掌握度和所述知识点图谱中的节点之间的关联关系，计算出被推荐未掌握且用户贡献度最大的节点组成节点集合；
S5：将步骤S3和步骤S4得到的节点集合根据节点之间的关联关系输出得到被推荐用户的知识点学习推荐路径。
2.如权利要求1所述的知识点学习路径推荐方法，其特征在于，该方法还包括以下步骤：
S13：获取用户学习风格经验数据，并根据用户学习风格经验数据计算用户学习风格关联概率；所述用户学习风格经验数据是用户的学习行为数据集和学习风格对应关系的集合；所述学习行为数据集由若干用以表征用户学习行为的学习行为数据组成；所述学习风格分两种，分别为：综合型和序列型；所述用户学习风格关联概率的计算采用如下计算公式：
其中，
P(Y＝c)是用户的学习风格为c的概率；
P(Xj＝aj,m|Y＝c)是当用户的学习风格为c时，Xj为aj,m的概率；
函数I(yi＝c)表示为用户学习风格经验数据中，第i个用户的学习风格为c时取值为1，否则取值为0；
函数表示为用户学习风格经验数据中，当第i个用户的第j个学习行为数据为aj,m并且该用户的学习风格为c时取值为1，否则取值为0；
Y是用户的学习风格；
Xj是用户的第j个学习行为数据；
是用户学习风格经验数据中，第i个用户的第j个学习行为数据；
aj,m是第j个学习行为数据的第m个可能的取值；
N是用户学习风格经验数据中用户的个数；
c是取值0或1的学习风格，1表示为综合型，0表示为序列型；
S22：通过对被推荐用户的网络在线学习行为分析，提取该用户的学习行为数据集，结合该用户的学习行为数据集和所述用户学习风格关联概率计算出该用户各种学习风格的概率，进而评估出被推荐用户的学习风格；学习风格的概率采用如下计算公式计算：
其中，
P(Y＝c|X＝Xu)是当学习行为数据集为Xu时用户的学习风格为c的概率；
P(X＝Xu|Y＝c)表示为学习风格为c下学习行为数据集为为Xu的概率；
P(Y＝c)是用户的学习风格为c的概率；
c是取值0或1的学习风格，1表示为综合型，0表示为序列型；
Xu是被推荐用户的学习行为数据集；
其中，P(X＝Xu|Y＝c)采用如下计算公式计算：
其中，
是当用户的学习风格为c时，Xj为/>的概率；
Xj是用户的第j个学习行为数据；
是被推荐用户的第j个学习行为数据；
NS是学习行为数据集中学习行为数据的个数；
所述步骤S5中输出节点集合时，还包括根据被推荐用户的学习风格进行排序输出。
3.如权利要求1所述的知识点学习路径推荐方法，其特征在于，所述步骤S4包括：
S41：选取被推荐用户在所述知识点图谱中所有未掌握的节点组成节点集合SCON0；
S42：从节点集合SCON0中选取贡献度最大的W各节点组成节点集合SCON1；
S43：被推荐用户对于节点集合SCON1中每个节点的未掌握的子孙节点加入SCON1得到被推荐未掌握且用户贡献度最大的节点组成节点集合SCON。
4.如权利要求1所述的知识点学习路径推荐方法，其特征在于，所述步骤S5中还包括将步骤S3和步骤S4得到的节点集合进行合并的步骤。
5.如权利要求2所述的知识点学习路径推荐方法，其特征在于，所述步骤S5中，将步骤S3和步骤S4得到的节点集合进行合并然后根据被推荐用户的学习风格进行排序输出。
6.一种知识点学习路径推荐装置，其特征在于，该装置包括如下模块：
M11，用于：以人工输入方式构建知识点图谱；所述知识点图谱由节点以及节点之间的关联关系组成；所述节点至少包括如下属性：节点识别码、节点名称、节点类型、子节点表、难度、掌握度阈值；所述子节点表用于表示所述节点之间的关联关系；所述关联关系包括包含关系和依赖关系；所述节点类型分为岗位和知识；岗位和知识的节点类型分别对应岗位节点和知识节点；所述岗位节点无父节点；所述知识节点对应于某个知识点或某项技能；每个知识节点至少为岗位节点的子孙节点；
M12，用于：根据所述知识点图谱中的节点之间的关联关系，为每个节点计算贡献度；其中，每个岗位节点的贡献度为1，其他节点的贡献度则根据如下计算公式计算：
其中，/>是第j个节点分配至第i个节点的贡献度，若第i个节点不是第j个节点的子节点，则/>否则有/>其中，VCi和VCj分别是第i个节点和第j个节点的贡献度；Nj,sub是第j个节点的子节点的总数；
M2，用于：通过试题测验方式与被推荐用户进行交互，根据被推荐用户试题测验结果评估该用户对于所测试题对应知识节点的掌握度，再根据所述知识点图谱节点之间的关联关系，评估与该知识节点关联的知识节点的掌握度，从而获得被推荐用户各个知识节点的掌握度；
M3，用于：根据被推荐用户各个知识节点的掌握度和所述知识点图谱中的节点之间的关联关系，计算出该用户对各个岗位节点的学习成本，通过该用户对各个岗位节点学习成本比较，选取出与该用户适配的岗位节点，然后将所述与该用户适配的岗位节点下未掌握的节点组成节点集合；所述未掌握的节点是掌握度小于节点的掌握度阈值的节点；所述岗位节点的学习成本采用如下公式计算：
其中，pi为第i个岗位节点,u表示为被推荐用户；/>为被推荐用户u对第i个岗位节点的学习成本；NN是知识点图谱中节点总数；Ck(u)为被推荐用户u对于第k个节点的独立学习成本；当第k个节点不是pi的子孙节点时，Ck(u)＝0，否则有其中，θk为第k个节点的掌握度阈值；/>为被推荐用户u对第k个节点的掌握度；τk是第k个节点的难度；
M4，用于：根据被推荐用户各个知识节点的掌握度和所述知识点图谱中的节点之间的关联关系，计算出被推荐未掌握且用户贡献度最大的节点组成节点集合；
M5，用于：将模块M3和模块M4得到的节点集合根据节点之间的关联关系输出得到被推荐用户的知识点学习推荐路径。
7.如权利要求6所述的知识点学习路径推荐装置，其特征在于，该装置还包括以下模块：
M13，用于：获取用户学习风格经验数据，并根据用户学习风格经验数据计算用户学习风格关联概率；所述用户学习风格经验数据是用户的学习行为数据集和学习风格对应关系的集合；所述学习行为数据集由若干用以表征用户学习行为的学习行为数据组成；所述学习风格分两种，分别为：综合型和序列型；所述用户学习风格关联概率的计算采用如下计算公式：
其中，
P(Y＝c)是用户的学习风格为c的概率；
P(Xj＝aj,m|Y＝c)是当用户的学习风格为c时，Xj为aj,m的概率；
函数I(yi＝c)表示为用户学习风格经验数据中，第i个用户的学习风格为c时取值为1，否则取值为0；
函数表示为用户学习风格经验数据中，当第i个用户的第j个学习行为数据为aj,m并且该用户的学习风格为c时取值为1，否则取值为0；
Y是用户的学习风格；
Xj是用户的第j个学习行为数据；
是用户学习风格经验数据中，第i个用户的第j个学习行为数据；
aj,m是第j个学习行为数据的第m个可能的取值；
N是用户学习风格经验数据中用户的个数；
c是取值0或1的学习风格，1表示为综合型，0表示为序列型；
M22，用于：通过对被推荐用户的网络在线学习行为分析，提取该用户的学习行为数据集，结合该用户的学习行为数据集和所述用户学习风格关联概率计算出该用户各种学习风格的概率，进而评估出被推荐用户的学习风格；学习风格的概率采用如下计算公式计算：
其中，
P(Y＝c|X＝Xu)是当学习行为数据集为Xu时用户的学习风格为c的概率；
P(X＝Xu|Y＝c)表示为学习风格为c下学习行为数据集为为Xu的概率；
P(Y＝c)是用户的学习风格为c的概率；
c是取值0或1的学习风格，1表示为综合型，0表示为序列型；
Xu是被推荐用户的学习行为数据集；
其中，P(X＝Xu|Y＝c)采用如下计算公式计算：
其中，
是当用户的学习风格为c时，Xj为/>的概率；
Xj是用户的第j个学习行为数据；
是被推荐用户的第j个学习行为数据；
NS是学习行为数据集中学习行为数据的个数；
所述模块M5中输出节点集合时，还包括根据被推荐用户的学习风格进行排序输出。
8.如权利要求6所述的知识点学习路径推荐装置，其特征在于，所述模块M4包括：
M41，用于：选取被推荐用户在所述知识点图谱中所有未掌握的节点组成节点集合SCON0；
M42，用于：从节点集合SCON0中选取贡献度最大的W各节点组成节点集合SCON1；
M43，用于：被推荐用户对于节点集合SCON1中每个节点的未掌握的子孙节点加入SCON1得到被推荐未掌握且用户贡献度最大的节点组成节点集合SCON。
9.如权利要求6所述的知识点学习路径推荐装置，其特征在于，所述模块M5中还包括将模块M3和模块M4得到的节点集合进行合并的步骤。
10.如权利要求7所述的知识点学习路径推荐装置，其特征在于，所述模块M5中，将模块M3和模块M4得到的节点集合进行合并然后根据被推荐用户的学习风格进行排序输出。
CN201911335889.8A 2019-12-23 2019-12-23 一种知识点学习路径推荐方法和装置 Active CN111125640B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911335889.8A CN111125640B (zh) 2019-12-23 2019-12-23 一种知识点学习路径推荐方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911335889.8A CN111125640B (zh) 2019-12-23 2019-12-23 一种知识点学习路径推荐方法和装置

Publications (2)

Publication Number Publication Date
CN111125640A CN111125640A (zh) 2020-05-08
CN111125640B true CN111125640B (zh) 2023-09-29

Family

ID=70501126

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911335889.8A Active CN111125640B (zh) 2019-12-23 2019-12-23 一种知识点学习路径推荐方法和装置

Country Status (1)

Country Link
CN (1) CN111125640B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111949306B (zh) * 2020-07-06 2021-05-28 北京大学 一种支持开源项目碎片化学习的推送方法和系统
CN112052342B (zh) * 2020-09-04 2023-05-12 西南大学 基于在线测试结果大数据分析的学习路径推荐方法及系统
CN112101828B (zh) * 2020-11-23 2021-06-22 广州万维图灵智能科技有限公司 岗位技能评估方法、系统、电子设备及存储介质
CN112308535B (zh) * 2020-11-26 2021-07-16 上海松鼠课堂人工智能科技有限公司 基于知识图谱的岗位选择评估推荐方法及系统
CN113032443B (zh) * 2021-03-31 2023-09-01 北京百度网讯科技有限公司 用于处理数据的方法、装置、设备和计算机可读存储介质
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
CN113436041B (zh) * 2021-07-12 2023-10-31 江苏师范大学 一种基于知识与社会网络的自助学习小组成员推荐方法
CN116797052A (zh) * 2023-08-25 2023-09-22 之江实验室 基于编程学习的资源推荐方法、装置、系统和存储介质
CN117672027B (zh) * 2024-02-01 2024-04-30 青岛培诺教育科技股份有限公司 一种vr教学方法、装置、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503172A (zh) * 2016-10-25 2017-03-15 天闻数媒科技（湖南）有限公司 基于知识图谱推荐学习路径的方法和装置
CN106599089A (zh) * 2016-11-23 2017-04-26 广东小天才科技有限公司 一种基于知识点的试题推荐方法及装置、用户设备
CN107085618A (zh) * 2017-06-01 2017-08-22 海南大学 面向5w的基于数据图谱、信息图谱和知识图谱的目标驱动的学习点及学习路径推荐
CN109800300A (zh) * 2019-01-08 2019-05-24 广东小天才科技有限公司 一种学习内容推荐方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503172A (zh) * 2016-10-25 2017-03-15 天闻数媒科技（湖南）有限公司 基于知识图谱推荐学习路径的方法和装置
CN106599089A (zh) * 2016-11-23 2017-04-26 广东小天才科技有限公司 一种基于知识点的试题推荐方法及装置、用户设备
CN107085618A (zh) * 2017-06-01 2017-08-22 海南大学 面向5w的基于数据图谱、信息图谱和知识图谱的目标驱动的学习点及学习路径推荐
CN109800300A (zh) * 2019-01-08 2019-05-24 广东小天才科技有限公司 一种学习内容推荐方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘昱良等."基于科学知识图谱的学习路径推荐研究".《河南科技学院学报》.2018,第46卷(第2期),第37-41页. *

Also Published As

Publication number Publication date
CN111125640A (zh) 2020-05-08

Similar Documents

Publication Publication Date Title
CN111125640B (zh) 一种知识点学习路径推荐方法和装置
CN109919810B (zh) 在线学习系统中的学生建模与个性化课程推荐方法
CN109388746A (zh) 一种基于学习者模型的学习资源智能推荐方法
Muehlenbrock Automatic action analysis in an interactive learning environment
CN108062880A (zh) 一种智能翻转教育应用及数据基础平台
Ates The Relationship between Parental Involvement in Education and Academic Achievement: A Meta-Analysis Study.
CN108564987A (zh) 一种儿童自闭症或发育迟缓的评估干预系统及方法
CN110162713A (zh) 基于卷积神经网络的自适应学习内容推荐方法及系统
CN110910038A (zh) 基于网络课程的教师教学画像模型的构建方法
WO2022193040A1 (zh) 一种理科教学系统及其使用方法、计算机可读存储介质
CN106875308A (zh) 一种校园学生在线升学的系统
Salisbury et al. A conceptual framework for a knowledge management system
CN117237153A (zh) 基于职业培训平台的教学教务管理系统
CN112507792A (zh) 在线视频关键帧定位方法、定位系统、设备及存储介质
Wu et al. Understanding e-learning system usage behavior: an evolutionary psychology perspective
Lee et al. Utilizing natural language processing (NLP) to evaluate engagement in project-based learning
Moon et al. The Tools Being Used to Introduce Youth to Data Science
Khatami THE CORRELATION BETWEEN THE USE OF SOCIAL MEDIA AS AN ENGLISH LEARNING MEDIA AND STUDENTS’LEARNING MOTIVATION OF THE ELEVENTH GRADERS AT SMA PUSRI PALEMBANG
Gubalova Evaluation of online teaching in the covid period using learning analytics
Kasthuriarachchi et al. Visual analytics of students academic data in learning management systems
CN115440101A (zh) 一种编程积木无人机教程系统
Mohammad Effectiveness Assessment Study of the Use of ICT Tools in E-Learning System
Blömer et al. Face to Face with Large Groups in a Flipped Classroom
Faizah et al. Technology Literation: The Effect on Quality of Learning in Elementary School of Lentera Hati Islamic Boarding School
Saputra et al. Development of Learning Model of Youtube-Based Learning in Light Vehicle Electricity Maintenance Subject

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