CN111274411A - 课程推荐方法、装置、电子设备及可读存储介质 - Google Patents
课程推荐方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN111274411A CN111274411A CN202010073740.3A CN202010073740A CN111274411A CN 111274411 A CN111274411 A CN 111274411A CN 202010073740 A CN202010073740 A CN 202010073740A CN 111274411 A CN111274411 A CN 111274411A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- target
- students
- points
- student
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000012360 testing method Methods 0.000 claims description 157
- 238000004364 calculation method Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 64
- 230000008569 process Effects 0.000 description 26
- 238000004891 communication Methods 0.000 description 9
- 238000003062 neural network model Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Educational Technology (AREA)
- Tourism & Hospitality (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种课程推荐方法、装置、电子设备及可读存储介质，涉及数据处理技术领域。该方法包括：获取目标知识图谱，所述目标知识图谱中的每个实体对应一个知识点；从所述目标知识图谱中获取与目标学生对应的多个相关知识点；计算所述目标学生对于每个所述相关知识点的知识水平等级；根据所述目标学生对于每个所述相关知识点的知识水平等级向所述目标学生推荐对应的课程。该方案中通过从目标知识图谱中获取与目标学生匹配的相关知识点，然后根据目标学生对相关知识点的知识水平等级来向目标学生推荐对应的课程，如此可基于学生对相关知识点的学习情况针对性地向学生推荐课程，使得推荐的课程更加贴合学生的学习，可有效提高学生的学习效果。
Description
技术领域
本申请涉及数据处理技术领域，具体而言，涉及一种课程推荐方法、装置、电子设备及可读存储介质。
背景技术
现有的在线教育平台，虽然解决了传统教育中的授课地点限制、人为授课等问题，但是其可以提供海量课程供学生自主选择相应的课程进行学习，而学生在选择课程时，往往是基于自己的意愿来选择的，其可能并不知道选择的课程是否合适，从而使得学生没有规划地学习，达不到一个较好的学习效果。
发明内容
本申请实施例的目的在于提供一种课程推荐方法、装置、电子设备及可读存储介质，用以改善现有技术中学生自主选择课程进行学习而达不到较好的学习效果的问题。
第一方面，本申请实施例提供了一种课程推荐方法，所述方法包括：
获取目标知识图谱，所述目标知识图谱中的每个实体对应一个知识点；
从所述目标知识图谱中获取与目标学生对应的多个相关知识点；
计算所述目标学生对于每个所述相关知识点的知识水平等级；
根据所述目标学生对于每个所述相关知识点的知识水平等级向所述目标学生推荐对应的课程。
在上述实现过程中，通过从目标知识图谱中获取与目标学生匹配的相关知识点，然后根据目标学生对相关知识点的知识水平等级来向目标学生推荐对应的课程，如此可基于学生对相关知识点的学习情况针对性地向学生推荐课程，使得推荐的课程更加贴合学生的学习，可有效提高学生的学习效果。
可选地，所述计算所述目标学生对于每个所述相关知识点的知识水平等级，包括：
获取目标知识点的多个知识水平测试参数，所述目标知识点为所述多个相关知识点中的一个，所述多个知识水平测试参数包括目标知识点的学习时间、目标知识点的学习重复程度以及目标知识点的测试成绩；
对所述多个知识水平测试参数进行加权计算，获得所述目标学生对于所述目标知识点的知识水平等级。
在上述实现过程中，由于目标知识点的学习时间、目标知识点的学习重复程度以及目标知识点的测试成绩可准确表征目标学生对目标知识点的学习情况，如此通过对目标知识点的多个知识水平测试参数进行加权计算可准确获得目标学生对于目标知识点的知识水平等级。
可选地，所述多个知识水平测试参数还包括所述目标知识点的关联知识点的学习时间以及所述目标知识点的关联知识点的测试成绩；所述目标知识点的关联知识点是通过所述目标知识图谱进行知识推理得出的。
在上述实现过程中，通过获取目标知识点的关联知识点的学习时间以及测试成绩，可以更加准确地确定目标学生对目标知识点的知识水平等级。
可选地，所述目标知识点的测试成绩的获取方法，包括：
为所述目标学生分配与所述目标知识点对应的测试题，所述测试题中包括主观试题，所述主观试题对应的参考答案有多个；
获取所述目标学生针对所述测试题的答题内容，将所述答题内容与所述主观试题的多个参考答案进行比较分析，获得所述目标知识点的主观试题测试成绩。
在上述实现过程中，通过测试题对目标学生进行测试，从而可测试获得目标学生对目标知识点的掌握情况，以便于后续为目标学生推荐课程提供依据。
可选地，所述将所述答题内容与所述主观试题的多个参考答案进行比较分析，获得所述目标知识点的主观试题测试成绩，包括：
获取所述答题内容中主观试题答题内容的第一特征参数，获取所述主观试题的多个参考答案中每个参考答案的第二特征参数；
根据所述第一特征参数和所述第二特征参数计算得出参数差值信息；
根据所述参数差值信息计算所述目标学生对于所述主观试题的测试成绩。
在上述实现过程中，通过计算目标学生的答题内容的第一特征参数与试题的答案的第二特征参数之间的参数差值信息，然后基于参数差值信息可更加准确获得目标学生的测试成绩。
可选地，所述根据所述目标学生对于每个所述相关知识点的知识水平等级向所述目标学生推荐对应的课程，包括：
将知识水平等级低于预设知识水平等级的所述相关知识点确定为待推荐知识点；
根据所述待推荐知识点确定待推荐课程；
向所述目标学生推荐所述待推荐课程。
在上述实现过程中，将知识水平等级低于预设知识水平等级的相关知识点确定为待推荐知识点，表明待推荐知识点为目标学生未掌握的知识点，进而可实现课程的针对性推荐。
可选地，所述方法还包括：
根据所述目标知识图谱，获取与所述待推荐知识点相关的关联推荐知识点；
根据所述关联推荐知识点向所述目标学生推荐对应的课程。
在上述实现过程中，通过向目标学生推荐关联推荐知识点对应的课程，可使得目标学生对未掌握的知识点进行全面学习，使得学生能更好地学习未掌握的知识点。
第二方面，本申请实施例提供了一种课程推荐装置，所述装置包括：
知识图谱获取模块，用于获取目标知识图谱，所述目标知识图谱中的每个实体对应一个知识点；
相关知识点获取模块，用于从所述目标知识图谱中获取与目标学生对应的多个相关知识点；
知识水平等级计算模块，用于计算所述目标学生对于每个所述相关知识点的知识水平等级；
课程推荐模块，用于根据所述目标学生对于每个所述相关知识点的知识水平等级向所述目标学生推荐对应的课程。
可选地，所述知识水平等级计算模块，用于获取目标知识点的多个知识水平测试参数，所述目标知识点为所述多个相关知识点中的一个，所述多个知识水平测试参数包括目标知识点的学习时间、目标知识点的学习重复程度以及目标知识点的测试成绩；对所述多个知识水平测试参数进行加权计算，获得所述目标学生对于所述目标知识点的知识水平等级。
可选地，所述多个知识水平测试参数还包括所述目标知识点的关联知识点的学习时间以及所述目标知识点的关联知识点的测试成绩；所述目标知识点的关联知识点是通过所述目标知识图谱进行知识推理得出的。
可选地，所述装置还包括：
测试成绩获取模块，用于为所述目标学生分配与所述目标知识点对应的测试题，所述测试题中包括主观试题，所述主观试题对应的答案有多个；获取所述目标学生针对所述测试题的答题内容，将所述答题内容与所述主观试题的多个参考答案进行比较分析，获得所述目标知识点的主观试题测试成绩。
可选地，所述测试成绩获取模块，用于获取所述答题内容中主观试题答题内容的第一特征参数，获取所述主观试题的多个参考答案中每个参考答案的第二特征参数；根据所述第一特征参数和所述第二特征参数计算得出参数差值信息；根据所述参数差值信息计算所述目标学生对于所述主观试题的测试成绩。
可选地，所述课程推荐模块，用于将知识水平等级低于预设知识水平等级的所述相关知识点确定为待推荐知识点；根据所述待推荐知识点确定待推荐课程；向所述目标学生推荐所述待推荐课程。
可选地，所述课程推荐模块，还用于根据所述目标知识图谱，获取与所述待推荐知识点相关的关联推荐知识点；根据所述关联推荐知识点向所述目标学生推荐对应的课程。
第三方面，本申请实施例提供一种电子设备，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如上述第一方面提供的所述方法中的步骤。
第四方面，本申请实施例提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种用于执行课程推荐方法的电子设备的结构示意图；
图2为本申请实施例提供的一种课程推荐方法的流程图；
图3为本申请实施例提供的一种课程推荐装置的结构框图。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述。
本申请实施例提供一种课程推荐方法，通过从目标知识图谱中获取与目标学生匹配的相关知识点，然后根据目标学生对相关知识点的知识水平等级来向目标学生推荐对应的课程，如此可基于学生对相关知识点的学习情况针对性地向学生推荐课程，使得推荐的课程更加贴合学生的学习，可有效提高学生的学习效果。
请参照图1，图1为本申请实施例提供的一种用于执行课程推荐方法的电子设备的结构示意图，所述电子设备可以包括：至少一个处理器110，例如CPU，至少一个通信接口120，至少一个存储器130和至少一个通信总线140。其中，通信总线140用于实现这些组件直接的连接通信。其中，本申请实施例中设备的通信接口120用于与其他节点设备进行信令或数据的通信。存储器130可以是高速RAM存储器，也可以是非易失性的存储器(non-volatilememory)，例如至少一个磁盘存储器。存储器130可选的还可以是至少一个位于远离前述处理器的存储装置。存储器130中存储有计算机可读取指令，当所述计算机可读取指令由所述处理器110执行时，电子设备执行下述图2所示方法过程，例如，存储器130可用于存储目标知识图谱以及各个知识点，处理器110在需要为学生推荐课程时，可从存储器130中获取目标知识图谱，然后获取与学生对应的相关知识点，基于相关知识点来为学生推荐对应的课程。
可以理解，图1所示的结构仅为示意，所述电子设备还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
请参照图2，图2为本申请实施例提供的一种课程推荐方法的流程图，所述方法包括如下步骤：
步骤S110：获取目标知识图谱，所述目标知识图谱中的每个实体对应一个知识点。
本申请实施例中，电子设备中可安装有智能教育平台，该智能教育平台中集成有大量的教育资源，包括音视频课程等，可用于为广大学生提供在线教育。学生可以登录智能教育平台学习相关的课程，智能教育平台也可以为每个学生制定个性化学习课程，学生按照制定的课程进行学习即可。智能教育平台还提供人工智能(Artificial Intelligence，AI)老师，AI老师可以不断通过自我学习和训练，实现对学生的在线授课，AI老师还可以进行实时讲课，并且可与学生进行简单的互动，由此可为学生提供一个接近真实的学习环境。
其中，为了便于为学生进行针对性课程推荐，智能教育平台可预先构建各个知识点的知识图谱。其中，知识图谱是一种结构化的语义知识库，是一种大规模的语义网络，它以结构化的形式描述客观世界中的概念、实体及关系。
借助知识图谱，可以将非结构化数据以一种统一的模式组织起来，使得原来的非结构化数据、文档获取转变为结构化知识的获取，知识图谱存储的是关联数据，强调了概念的定义和概念之间的关系，利用知识图谱可以实现知识的推理和关联数据的图形化展示等。
其中，可通过语义网络的可视化表示方法，将某一领域内的知识元素按其内在的关联，建立一种可视化语义网络，对特定主题构建的知识库进行可视化的表达，如知识图谱可使用Neo4j图形数据库进行存储。
其中，为了便于构建知识图谱，可预先创建知识库，如可以根据某个学科要求的科目、章节、知识点、重点、难点等建立知识库，智能教育平台可以自动管理知识库，如可以将采集的数据处理后，通过专家的审核修改补充到知识库中。
智能教育平台可以支持一线老师通过征题客户端添加试题和知识点，通过网络自动传输到知识库，然后由专家通过审题客户端进行审题，新增试题、新增知识点、审核修正的所有历史记录都在知识库中保留，可有效地对知识库进行整体和审题的工作分析。
所以，为了构建目标知识图谱，可基于知识库中各个知识点来构建目标知识库，目标知识图谱中的每个节点表示现实世界中存在的“实体”，每条边为实体与实体之间的关系，从而把所有不同种类的信息连接在一起而得到一个关系网络，方便知识的推理和潜在知识的挖掘。可以理解地，目标知识图谱中的每个实体对应一个知识点，实体与实体之间连接的边可表示各个知识点之间的关联关系。
也就是说，本申请实施例中的目标知识图谱是基于知识库建立的人工智能领域的知识图谱，其可以包括所有的学科知识点、知识结构和相关内容。智能教育平台在进行课程推荐时，则可以基于预先构建的知识图谱获取目标学生对应的相关知识点，查找对应的课程，然后再向学生推荐该课程。
步骤S120：从所述目标知识图谱中获取与目标学生对应的多个相关知识点。
目标学生可以是指在智能教育平台上学习的任一学生，针对每个学生，均可以采用本申请实施例提供的课程推荐方法对其进行课程推荐，当然，目标学生也可以是指特定的某个学生，为了描述的方便，本申请实施例中均以目标学生为例进行说明。
为了实现对目标学生进行针对性课程推荐，还需要获取与目标学生对应的多个相关知识点，多个相关知识点可以理解为目标学生当前还未掌握的知识点，或者掌握程度不够的知识点，或者还需再加强学习的知识点，或者是目标学生需要学习的知识点等，本申请实施例中，多个相关知识点可以理解为与目标学生相关的知识点，如可根据目标学生所学的专业、学生年级所需要学习的课程确定的知识点。
其中，为了获得目标学生对应的相关知识点，可以记录目标学生学习的轨迹和行为，保存在用户数据库中，包括两部分：一部分是学生通过智能教育平台学习各个科目、知识点以及学习时长等的记录，另一部分是学生练习和模拟测试中答题过程的行为数据，如某个知识点或章节答题时的用时以及答题情况，以此可分析出学生所需要学习的相关知识点。
基于上述过程即可获得目标学生的相关知识点，然后可从目标知识图谱中搜索与目标学生需要学习的相关知识点匹配的多个相关知识点，即可以将目标学生需要学习的相关知识点与知识图谱中的各个节点进行匹配，找到与其对应的节点的知识点作为多个相关知识点。
步骤S130：计算所述目标学生对于每个所述相关知识点的知识水平等级。
知识水平等级可用于评价目标学生对每个相关知识点的掌握情况，如某个相关知识点的知识水平等级越高表明目标学生对相关知识点的掌握情况越好，知识水平等级越低表明目标学生对相关知识点的掌握情况越差。
其中，可以通过对目标学生进行测试来获得其对每个相关知识点的知识水平等级，如目标学生为高三学生，其已学习过高三数学的导数部分，则对于导数的相关知识点，可以从习题库中查找习题，形成测评试题。目标学生可在规定的时间内对测评试题进行解答，然后将其答案上传给智能教育平台，智能教育平台可对目标学生的答案进行分析，以分析其答案是否正确，若答案是错误的，则表示该目标学生未掌握该习题对应的知识点，表明目标学生对该知识点的知识水平等级较低。如此，可基于答案确定目标学生对各个知识点的知识水平等级，例如，若某个知识点对应的答案完全正确，则对应的知识水平等级为1，表示目标学生对该知识点完全掌握；若答案部分正确，按照正确的占比确定知识水平等级，如0.5或0.6等；若答案完全错误，则对应的知识水平等级为0。
步骤S140：根据所述目标学生对于每个所述相关知识点的知识水平等级向所述目标学生推荐对应的课程。
通过上述过程可确定目标学生对各个相关知识点的掌握情况，即获得目标学生对各个相关知识点的知识水平等级，从而可按照知识水平等级向目标学生推荐对应的课程，如若目标学生对某个相关知识点的知识水平等级相对较高时，可向其推荐少数的学习课程，若目标学生对某个相关知识点的知识水平等级较低时，可向其推荐大量的且全面的与相关知识点有关的课程。
其中，课程可以从数据库中获取，即数据库中可预先存储有大量的音视频课程，智能教育平台可基于未掌握的知识点从数据库中查找匹配的课程，然后将课程推荐给目标学生，也即可以在目标学生登录智能教育平台时，向目标学生展示推荐的课程，目标学生可选择对应的课程继续进行学习。
例如，智能教育平台预先可以将课程进行分析、拆分和结构化，然后将不同的课程与知识图谱中的节点进行相互关联，以此建立一个庞大而又有结构的知识图谱。智能教育平台可将未掌握的知识点在知识图谱中搜索相应的节点，通过节点与大量的课程进行匹配，实现对大量课程的相互链接，当然，课程可以是指视频、PPT、电子书、文档、习题等。
需要说明的是，本申请实施例中是基于知识水平等级进行课程推荐的，在有些情况下，知识水平等级只是课程推荐依据的其中一个维度，而不是完全根据知识水平等级去推荐的，还可以结合其他维度的信息来综合推荐，如还可以再结合目标学生的个人信息为目标学生进行个性化课程定制，如目标学生为小学生，则可为其制定一些与未掌握的知识点相关的有趣的课程，然后推荐给目标学生，这样学习起来不会枯燥，可以提高其学习兴趣。
在上述实现过程中，通过从目标知识图谱中获取与目标学生匹配的相关知识点，然后根据目标学生对相关知识点的知识水平等级来向目标学生推荐对应的课程，如此可基于学生对相关知识点的学习情况针对性地向学生推荐课程，使得推荐的课程更加贴合学生的学习，可有效提高学生的学习效果。
作为一种实施方式，在上述获取目标学生对于每个相关知识点的知识水平等级的过程中，还可以通过如下方式获取对应的知识水平等级：先获取目标知识点的多个知识水平测试参数，该目标知识点为多个相关知识点中的一个，多个知识点水平测试参数包括目标知识点的学习时间、目标知识点的学习重复程度以及目标知识点的测试成绩，然后对多个知识水平测试参数进行加权计算，获得目标学生对于目标知识点的知识水平等级。
例如，上述的水平测试参数可以表示为：分别是STG(目标知识点的学习时间)、SCG(目标知识点的学习重复程度)、STR(目标知识点的测试成绩)，则可基于目标学生对目标知识点的学习情况获得每个知识水平测试参数。
将这三个知识水平测试参数进行加权计算获得知识水平等级的过程可以理解为将这三个知识水平测试参数进行求和运算，获得的和值再乘以权值，或者，将每个知识水平测试参数均乘以不同的权值后再进行求和运算。
为了便于计算，可将各个知识水平测试参数归一化到数值为0-1的范围内，如对于目标知识点，其STG＝0.9，SCG＝0.7，STR＝0.8，若按照上述的第一种计算方式，取权值为1，则通过计算获得多个知识水平测试参数进行加权计算后的值为2.4，对于加权计算后获得的值可以对应到不同的知识水平等级。例如，知识水平等级可分为1,2,3,4几个等级，不同的等级对应不同的数值范围，如等级1对应的数值范围为0-1，等级1表示学生的知识水平非常低，等级2对应的等级为1.1-2，等级2表示学生的知识水平低，等级3对应的数值范围为2.1-2.5，等级3表示学生的知识水平中，等级4对应的数值范围为2.6-3，等级4表示学生的知识水平高，如此，2.4对应的知识水平等级为等级3。
其中，权值可以根据实际需求灵活设置，作为一种实施方式，上述的权值还可以基于用户知识模型来灵活调整，其中，可以采用k-最近邻知识分类器(intuitive k-NNknowledge classifier，IKC)的方法来构建用户知识模型，其具体的构建方式在此不详细介绍。
在用户知识模型中定义了上述的多个知识水平测试参数，可以对面向用户知识模型的学生数据进行挖掘，从而分析出影响知识水平等级的相关性因素，如上述的知识水平测试参数。
通过对面向用户知识模型的知识水平等级的相关性分析，可以得知学生对目标知识点的测试成绩与知识水平等级程序高度相关，所以其对应的权值可以大一些，学生对目标知识点的学习时间和学习重复程度程序弱相关，所以该两个知识水平测试参数对应的权值可以小一些，如此，可根据这些情况来确定对应的知识水平测试参数对应的权值。
在上述实现过程中，由于目标知识点的学习时间、目标知识点的学习重复程度以及目标知识点的测试成绩可准确表征目标学生对目标知识点的学习情况，如此通过对目标知识点的多个知识水平测试参数进行加权计算可准确获得目标学生对于目标知识点的知识水平等级，则按照该方式可获得目标学生对于每个相关知识点的知识水平等级。
另外，为了更好地为目标学生推荐课程，作为一种实施方式，多个知识水平测试参数还可以包括目标知识点的关联知识点的学习时间以及目标知识点的关联知识点的测试成绩，目标知识点的关联知识点是通过目标知识图谱进行知识推理得出的。
由于目标知识图谱中的各个实体表示各个知识点，各个知识点连接的边表示各个知识点之间的关联关系，所以，在获得目标学生对应的目标知识点后，可从目标知识图谱中查找与目标知识点所在的节点直接相连的节点对应的知识点，该知识点即为目标知识点的关联知识点。
通过获取目标学生对目标知识点的关联知识点的学习情况可以更加准确地确定目标学生对目标知识点的知识水平等级，如在上述对多个知识水平测试参数进行加权计算的过程中，还可以加入关联知识点的学习时间和关联知识点的测试成绩。例如，目标学生对关联知识点的学习时间为0.6，目标学生对关联知识点的测试成绩为0.5，则进行加权计算获得的值为3.5，此时可以调整各个知识水平等级对应的数值范围，如等级4对应的数值范围为3.1-4，则此时目标学生对目标知识点的知识水平等级为等级4。
作为另一种实施方式，上述获得知识水平等级的方式还可以基于训练好的神经网络模型来预测获得，例如，可以将上述的多个知识水平测试参数输入神经网络模型，通过神经网络模型预测可的目标学生对目标知识点的知识水平等级。其中，对神经网络模型进行训练时，可以将各个相关知识点对应的知识水平参数作为输入数据，将知识水平等级作为标签数据对神经网络模型进行训练，然后即可通过训练好的神经网络模型来预测目标学生对目标知识点的知识水平等级。
其中，神经网络模型可以为卷积神经网络模型、长短期记忆网络模型、循环神经网络模型等。
作为一种实施方式，在上述过程中获得目标知识点的测试成绩的方法可以如下：为目标学生分配与目标知识点对应的测试题，测试题中包括主观试题，该主观试题对应的答案有多个，然后获取目标学生针对测试题的答题内容，将答题内容与主观试题的多个参考答案进行比较分析，从而获得目标知识点的主观试题测试成绩。
为了便于对目标学生的答题内容进行自动评估，智能教育平台建立了一个由课程教师及有关专家编写的参考答案知识库，每个问题包括若干个参考答案，通过计算目标学生的答题内容与多个参考答案的相似度，然后获得目标学生对主观试题的测试成绩，作为目标学生对目标知识点的主观试题测试成绩。
其中，主观试题的多个参考答案存储于主观试题答案知识库中，主观试题答案知识库的建立是为了更好地对学生的水平实施评估，提高主观试题评估的准确性。根据主观试题的特点，学生在回答问题时可能使用不同的语法、关键词以及不同字数来回答，因此主观试题中的每个问题应该包含多个参考答案，这些参考答案可以在语法、关键词、字数、计数方面有所区别，但所表达的意思应该是相同的，也就是说，同一问题对应的多个参考答案应具有相同的“意译”。
由于通过人工方式给出的参考答案更为准确，所以主观试题答案知识库对于具体主观试题的参考答案意译应由专家给出，通过为每道试题准备若干个参考答案，所以可以基于最相似的参考答案对学生答案进行评估，从而得出一个更为准确的评估结果。
在上述实现过程中，通过测试题对目标学生进行测试，从而可测试获得目标学生对目标知识点的掌握情况，以便于后续为目标学生推荐课程提供依据。
作为一种实施方式，可以将每道试题对应的每个参考答案与目标学生针对该试题的答题内容进行字词比对，可根据字词比对的相似度来确定目标学生对目标知识点的主观试题测试成绩。
或者，作为另一种实施方式，还可以获取答题内容中主观试题答题内容的第一特征参数，以及获取主观试题的多个参考答案中每个参考答案的第二特征参数，然后根据第一特征参数和第二特征参数计算得出参数差值信息，然后根据参数差值信息计算目标学生对于主观试题的测试成绩。
其中，第一特征参数可以是指答题内容中的主要特征，即该主要特征是指对回答试题有贡献的特征，其可以是关键词，也可以是数值，第二特征参数是指参考答案中的主要特征，其也可以是关键词和/或数值等。参数差值信息可以是指第一特征参数与第二特征参数之间的相似度，其中，相似度计算方式可以采用词频-逆文本频率指数(Term Frequency–Inverse Document Frequency，TF-IDF)方法进行计算，其具体的计算过程可参照现有技术的实现过程，在此不详细介绍。
如此，在获得参数差值信息后，可将参数差值信息转换为对应的分数或等级，将分数或等级作为目标学生对于主观试题的测试成绩。
需要说明的是，针对同义词和拼写错误的处理，在测试成绩评估过程中要考虑同义词组的处理，也就是说，如果目标学生的答题内容中的词与参考答案中的词是同义的，它们将被认为是相匹配的词，对于一个参考答案和答题内容，找到参考答案的“意译”，这个“意译”同原来参考答案相比在措词上与目标学生的答题内容更接近。
例如，给定参考答案R＝r1,r2,...,rm和目标学生的答题内容S＝s1,s2,...,sp，通过将R中的词用S中的语境等效词替换的方法，生成一个合成的参考答案SRS，SRS保留了R的含义且对S的词覆盖率最高，在为每个参考答案生成SRS后，则将其与答题内容进行比较。
在上述实现过程中，通过计算目标学生的答题内容的第一特征参数与试题的答案的第二特征参数之间的参数差值信息，然后基于参数差值信息可更加准确获得目标学生的测试成绩。
作为一种实施方式，在上述基于知识水平等级向目标学生推荐对应的课程的过程中，可以将知识水平等级低于预设知识水平等级的相关知识点确定为待推荐知识点，然后根据待推荐知识点确定待推荐课程，再向目标学生推荐所述待推荐课程。
可以理解地，通过上述过程可获得目标学生对于每个相关知识点对应的知识水平等级，为了达到较好的学习效果，可以将低于预设知识水平风机的相关知识点作为待推荐知识点，例如，目标学生对于相关知识点1的知识水平等级为1，对于相关知识点2的知识水平等级为3，对于相关知识点3的知识水平等级为2，预设知识水平等级为3，则可将相关知识点1和相关知识点3作为待推荐知识点，然后可查找与待推荐知识点相关的课程作为待推荐课程，再将待推荐课程推荐给用户。
可以理解地，预设知识水平等级可以根据实际需求设置，如一个课程涉及到多个知识点，学生需要掌握这些知识点，则其预设知识水平等级可以设置到较高一些，若学生只需要了解这些知识点，则其预设知识水平风机可以设置得较低一些。
在上述实现过程中，将知识水平等级低于预设知识水平等级的相关知识点确定为待推荐知识点，表明待推荐知识点为目标学生未掌握的知识点，进而可实现课程的针对性推荐。
作为一种实施方式，为了使得目标学生进行全面的学习，还可以根据目标知识图谱，获取与待推荐知识点相关的关联推荐知识点，然后根据关联推荐知识点向目标学生推荐对应的课程。
其中，可以在目标知识图谱中查找与待推荐知识点匹配的节点，然后确定与该节点相连的节点，将该相连的节点对应的知识点作为关联推荐知识点，然后可从数据库中查找与关联推荐知识点匹配的课程，将课程推荐给目标学生，从而使得学生不仅可以学习待推荐知识点相关的课程，也可以学习关联推荐知识点相关的课程，进而可实现对知识点的全面学习。
在上述实现过程中，通过向目标学生推荐关联推荐知识点对应的课程，可使得目标学生对未掌握的知识点进行全面学习，使得学生能更好地学习未掌握的知识点。
请参照图3，图3为本申请实施例提供的一种课程推荐装置200的结构框图，该装置200可以是电子设备上的模块、程序段或代码。应理解，该装置200与上述图2方法实施例对应，能够执行图2方法实施例涉及的各个步骤，该装置200具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。
可选地，所述装置200包括：
知识图谱获取模块210，用于获取目标知识图谱，所述目标知识图谱中的每个实体对应一个知识点；
相关知识点获取模块220，用于从所述目标知识图谱中获取与目标学生对应的多个相关知识点；
知识水平等级计算模块230，用于计算所述目标学生对于每个所述相关知识点的知识水平等级；
课程推荐模块240，用于根据所述目标学生对于每个所述相关知识点的知识水平等级向所述目标学生推荐对应的课程。
可选地，所述知识水平等级计算模块230，用于获取目标知识点的多个知识水平测试参数，所述目标知识点为所述多个相关知识点中的一个，所述多个知识水平测试参数包括目标知识点的学习时间、目标知识点的学习重复程度以及目标知识点的测试成绩；对所述多个知识水平测试参数进行加权计算，获得所述目标学生对于所述目标知识点的知识水平等级。
可选地，所述多个知识水平测试参数还包括所述目标知识点的关联知识点的学习时间以及所述目标知识点的关联知识点的测试成绩；所述目标知识点的关联知识点是通过所述目标知识图谱进行知识推理得出的。
可选地，所述装置200还包括：
测试成绩获取模块，用于为所述目标学生分配与所述目标知识点对应的测试题，所述测试题中包括主观试题，所述主观试题对应的答案有多个；获取所述目标学生针对所述测试题的答题内容，将所述答题内容与所述主观试题的多个参考答案进行比较分析，获得所述目标知识点的主观试题测试成绩。
可选地，所述测试成绩获取模块，用于获取所述答题内容中主观试题答题内容的第一特征参数，获取所述主观试题的多个参考答案中每个参考答案的第二特征参数；根据所述第一特征参数和所述第二特征参数计算得出参数差值信息；根据所述参数差值信息计算所述目标学生对于所述主观试题的测试成绩。
可选地，所述课程推荐模块240，用于将知识水平等级低于预设知识水平等级的所述相关知识点确定为待推荐知识点；根据所述待推荐知识点确定待推荐课程；向所述目标学生推荐所述待推荐课程。
可选地，所述课程推荐模块240，还用于根据所述目标知识图谱，获取与所述待推荐知识点相关的关联推荐知识点；根据所述关联推荐知识点向所述目标学生推荐对应的课程。
本申请实施例提供一种可读存储介质，所述计算机程序被处理器执行时，执行如图2所示方法实施例中电子设备所执行的方法过程。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如，包括：获取目标知识图谱，所述目标知识图谱中的每个实体对应一个知识点；从所述目标知识图谱中获取与目标学生对应的多个相关知识点；计算所述目标学生对于每个所述相关知识点的知识水平等级；根据所述目标学生对于每个所述相关知识点的知识水平等级向所述目标学生推荐对应的课程。
综上所述，本申请实施例提供一种课程推荐方法、装置、电子设备及可读存储介质，通过从目标知识图谱中获取与目标学生匹配的相关知识点，然后根据目标学生对相关知识点的知识水平等级来向目标学生推荐对应的课程，如此可基于学生对相关知识点的学习情况针对性地向学生推荐课程，使得推荐的课程更加贴合学生的学习，可有效提高学生的学习效果。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种课程推荐方法，其特征在于，所述方法包括：
获取目标知识图谱，所述目标知识图谱中的每个实体对应一个知识点；
从所述目标知识图谱中获取与目标学生对应的多个相关知识点；
计算所述目标学生对于每个所述相关知识点的知识水平等级；
根据所述目标学生对于每个所述相关知识点的知识水平等级向所述目标学生推荐对应的课程。
2.根据权利要求1所述的方法，其特征在于，所述计算所述目标学生对于每个所述相关知识点的知识水平等级，包括：
获取目标知识点的多个知识水平测试参数，所述目标知识点为所述多个相关知识点中的一个，所述多个知识水平测试参数包括目标知识点的学习时间、目标知识点的学习重复程度以及目标知识点的测试成绩；
对所述多个知识水平测试参数进行加权计算，获得所述目标学生对于所述目标知识点的知识水平等级。
3.根据权利要求2所述的方法，其特征在于，所述多个知识水平测试参数还包括所述目标知识点的关联知识点的学习时间以及所述目标知识点的关联知识点的测试成绩；所述目标知识点的关联知识点是通过所述目标知识图谱进行知识推理得出的。
4.根据权利要求2所述的方法，其特征在于，所述目标知识点的测试成绩的获取方法，包括：
为所述目标学生分配与所述目标知识点对应的测试题，所述测试题中包括主观试题，所述主观试题对应的答案有多个；
获取所述目标学生针对所述测试题的答题内容，将所述答题内容与所述主观试题的多个参考答案进行比较分析，获得所述目标知识点的主观试题测试成绩。
5.根据权利要求4所述的方法，其特征在于，所述将所述答题内容与所述主观试题的多个参考答案进行比较分析，获得所述目标知识点的主观试题测试成绩，包括：
获取所述答题内容中主观试题答题内容的第一特征参数，获取所述主观试题的多个参考答案中每个参考答案的第二特征参数；
根据所述第一特征参数和所述第二特征参数计算得出参数差值信息；
根据所述参数差值信息计算所述目标学生对于所述主观试题的测试成绩。
6.根据权利要求1所述的方法，其特征在于，所述根据所述目标学生对于每个所述相关知识点的知识水平等级向所述目标学生推荐对应的课程，包括：
将知识水平等级低于预设知识水平等级的所述相关知识点确定为待推荐知识点；
根据所述待推荐知识点确定待推荐课程；
向所述目标学生推荐所述待推荐课程。
7.根据权利要求6所述的方法，其特征咋碍于，所述方法还包括：
根据所述目标知识图谱，获取与所述待推荐知识点相关的关联推荐知识点；
根据所述关联推荐知识点向所述目标学生推荐对应的课程。
8.一种课程推荐装置，其特征在于，所述装置包括：
知识图谱获取模块，用于获取目标知识图谱，所述目标知识图谱中的每个实体对应一个知识点；
相关知识点获取模块，用于从所述目标知识图谱中获取与目标学生对应的多个相关知识点；
知识水平等级计算模块，用于计算所述目标学生对于每个所述相关知识点的知识水平等级；
课程推荐模块，用于根据所述目标学生对于每个所述相关知识点的知识水平等级向所述目标学生推荐对应的课程。
9.一种电子设备，其特征在于，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如权利要求1-7任一所述的方法。
10.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时运行如权利要求1-7任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010073740.3A CN111274411A (zh) | 2020-01-22 | 2020-01-22 | 课程推荐方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010073740.3A CN111274411A (zh) | 2020-01-22 | 2020-01-22 | 课程推荐方法、装置、电子设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111274411A true CN111274411A (zh) | 2020-06-12 |
Family
ID=71003466
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010073740.3A Pending CN111274411A (zh) | 2020-01-22 | 2020-01-22 | 课程推荐方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111274411A (zh) |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111797222A (zh) * | 2020-06-29 | 2020-10-20 | 平安国际智慧城市科技股份有限公司 | 课程知识图谱构建方法、装置、终端及存储介质 |
| CN111813920A (zh) * | 2020-07-06 | 2020-10-23 | 龙马智芯（珠海横琴）科技有限公司 | 一种学习策略生成方法、装置、生成设备及可读存储介质 |
| CN111988370A (zh) * | 2020-07-30 | 2020-11-24 | 深圳市元征科技股份有限公司 | 一种推送信息的方法、装置、终端设备及存储介质 |
| CN112016767A (zh) * | 2020-10-09 | 2020-12-01 | 北京高思博乐教育科技股份有限公司 | 学习路线的动态规划方法及装置 |
| CN112052304A (zh) * | 2020-08-18 | 2020-12-08 | 中国建设银行股份有限公司 | 课程标签确定方法、装置及电子设备 |
| CN112102123A (zh) * | 2020-08-31 | 2020-12-18 | 湖北美和易思教育科技有限公司 | 一种基于数据匹配的学生知识面测试方法及装置 |
| CN112163118A (zh) * | 2020-09-28 | 2021-01-01 | 北京爱论答科技有限公司 | 一种用于教学的推荐视频获取方法及装置 |
| CN112329964A (zh) * | 2020-11-24 | 2021-02-05 | 北京百度网讯科技有限公司 | 用于推送信息的方法、装置、设备以及存储介质 |
| CN112785378A (zh) * | 2021-01-22 | 2021-05-11 | 平安养老保险股份有限公司 | 课程推荐方法、装置、计算机设备及存储介质 |
| CN112908067A (zh) * | 2021-03-09 | 2021-06-04 | 浙江创课网络科技有限公司 | 一种基于多维度分层机制的学生作业分发系统 |
| CN112967163A (zh) * | 2021-03-30 | 2021-06-15 | 上海知到知识数字科技有限公司 | 一种在线教育课堂监控方法 |
| CN113220847A (zh) * | 2021-06-01 | 2021-08-06 | 平安科技（深圳）有限公司 | 基于神经网络的知识掌握程度测评方法、装置及相关设备 |
| CN113254629A (zh) * | 2021-06-07 | 2021-08-13 | 重庆第二师范学院 | 一种基于人工智能的学习内容推荐方法及系统 |
| CN113299138A (zh) * | 2021-05-18 | 2021-08-24 | 长春汽车工业高等专科学校 | 一种用于高等英语教学的情景模拟学习系统 |
| CN113538990A (zh) * | 2021-07-05 | 2021-10-22 | 武汉柯利弗德科技有限公司 | 一种智慧教育用的掌上培训交互系统 |
| CN113793539A (zh) * | 2021-09-16 | 2021-12-14 | 联想(北京)有限公司 | 辅助教学方法、装置及电子设备和存储介质 |
| CN114155124A (zh) * | 2022-02-07 | 2022-03-08 | 山东建筑大学 | 一种试题资源推荐方法及系统 |
| CN114998067A (zh) * | 2022-05-19 | 2022-09-02 | 海信集团控股股份有限公司 | 学习计划的推荐方法及电子设备 |
| CN116258613A (zh) * | 2023-02-14 | 2023-06-13 | 广州秒可科技有限公司 | 课程规划方法、课程规划设备和可读存储介质 |
| CN116342335A (zh) * | 2023-02-03 | 2023-06-27 | 武汉博奥鹏程教育科技有限公司 | 一种课程的推荐方法和装置 |
| CN116910274A (zh) * | 2023-09-08 | 2023-10-20 | 广州市南方人力资源评价中心有限公司 | 基于知识图谱和预测模型的试题生成方法及系统 |
| CN117390277A (zh) * | 2023-10-27 | 2024-01-12 | 深圳华云科技研发有限公司 | 一种课程资源和服务的管理方法及系统 |
| CN117648449A (zh) * | 2024-01-30 | 2024-03-05 | 青岛培诺教育科技股份有限公司 | 基于知识图谱的自适应推送方法、系统、设备和介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160189028A1 (en) * | 2014-12-31 | 2016-06-30 | Verizon Patent And Licensing Inc. | Systems and Methods of Using a Knowledge Graph to Provide a Media Content Recommendation |
| CN109670110A (zh) * | 2018-12-20 | 2019-04-23 | 蒋文军 | 一种教育资源推荐方法、装置、设备及存储介质 |
| CN109829059A (zh) * | 2019-01-18 | 2019-05-31 | 平安科技（深圳）有限公司 | 推荐知识点的方法、装置、设备及存储介质 |
| CN109949638A (zh) * | 2019-04-22 | 2019-06-28 | 软通智慧科技有限公司 | 知识掌握程度确定方法、装置、终端和介质 |
| CN110263179A (zh) * | 2019-06-12 | 2019-09-20 | 湖南酷得网络科技有限公司 | 学习路径推送方法、装置、计算机设备和存储介质 |
-
2020
- 2020-01-22 CN CN202010073740.3A patent/CN111274411A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160189028A1 (en) * | 2014-12-31 | 2016-06-30 | Verizon Patent And Licensing Inc. | Systems and Methods of Using a Knowledge Graph to Provide a Media Content Recommendation |
| CN109670110A (zh) * | 2018-12-20 | 2019-04-23 | 蒋文军 | 一种教育资源推荐方法、装置、设备及存储介质 |
| CN109829059A (zh) * | 2019-01-18 | 2019-05-31 | 平安科技（深圳）有限公司 | 推荐知识点的方法、装置、设备及存储介质 |
| CN109949638A (zh) * | 2019-04-22 | 2019-06-28 | 软通智慧科技有限公司 | 知识掌握程度确定方法、装置、终端和介质 |
| CN110263179A (zh) * | 2019-06-12 | 2019-09-20 | 湖南酷得网络科技有限公司 | 学习路径推送方法、装置、计算机设备和存储介质 |
Cited By (33)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111797222A (zh) * | 2020-06-29 | 2020-10-20 | 平安国际智慧城市科技股份有限公司 | 课程知识图谱构建方法、装置、终端及存储介质 |
| CN111797222B (zh) * | 2020-06-29 | 2023-12-22 | 平安国际智慧城市科技股份有限公司 | 课程知识图谱构建方法、装置、终端及存储介质 |
| CN111813920A (zh) * | 2020-07-06 | 2020-10-23 | 龙马智芯（珠海横琴）科技有限公司 | 一种学习策略生成方法、装置、生成设备及可读存储介质 |
| CN111813920B (zh) * | 2020-07-06 | 2021-04-13 | 龙马智芯（珠海横琴）科技有限公司 | 一种学习策略生成方法、装置、生成设备及可读存储介质 |
| CN111988370A (zh) * | 2020-07-30 | 2020-11-24 | 深圳市元征科技股份有限公司 | 一种推送信息的方法、装置、终端设备及存储介质 |
| CN112052304A (zh) * | 2020-08-18 | 2020-12-08 | 中国建设银行股份有限公司 | 课程标签确定方法、装置及电子设备 |
| CN112102123B (zh) * | 2020-08-31 | 2022-09-13 | 武汉美和易思数字科技有限公司 | 一种基于数据匹配的学生知识面测试方法及装置 |
| CN112102123A (zh) * | 2020-08-31 | 2020-12-18 | 湖北美和易思教育科技有限公司 | 一种基于数据匹配的学生知识面测试方法及装置 |
| CN112163118A (zh) * | 2020-09-28 | 2021-01-01 | 北京爱论答科技有限公司 | 一种用于教学的推荐视频获取方法及装置 |
| CN112016767A (zh) * | 2020-10-09 | 2020-12-01 | 北京高思博乐教育科技股份有限公司 | 学习路线的动态规划方法及装置 |
| CN112329964A (zh) * | 2020-11-24 | 2021-02-05 | 北京百度网讯科技有限公司 | 用于推送信息的方法、装置、设备以及存储介质 |
| CN112329964B (zh) * | 2020-11-24 | 2024-03-29 | 北京百度网讯科技有限公司 | 用于推送信息的方法、装置、设备以及存储介质 |
| CN112785378A (zh) * | 2021-01-22 | 2021-05-11 | 平安养老保险股份有限公司 | 课程推荐方法、装置、计算机设备及存储介质 |
| CN112908067A (zh) * | 2021-03-09 | 2021-06-04 | 浙江创课网络科技有限公司 | 一种基于多维度分层机制的学生作业分发系统 |
| CN112967163A (zh) * | 2021-03-30 | 2021-06-15 | 上海知到知识数字科技有限公司 | 一种在线教育课堂监控方法 |
| CN113299138A (zh) * | 2021-05-18 | 2021-08-24 | 长春汽车工业高等专科学校 | 一种用于高等英语教学的情景模拟学习系统 |
| CN113220847A (zh) * | 2021-06-01 | 2021-08-06 | 平安科技（深圳）有限公司 | 基于神经网络的知识掌握程度测评方法、装置及相关设备 |
| CN113254629A (zh) * | 2021-06-07 | 2021-08-13 | 重庆第二师范学院 | 一种基于人工智能的学习内容推荐方法及系统 |
| CN113254629B (zh) * | 2021-06-07 | 2022-07-26 | 重庆第二师范学院 | 一种基于人工智能的学习内容推荐方法及系统 |
| CN113538990A (zh) * | 2021-07-05 | 2021-10-22 | 武汉柯利弗德科技有限公司 | 一种智慧教育用的掌上培训交互系统 |
| CN113793539A (zh) * | 2021-09-16 | 2021-12-14 | 联想(北京)有限公司 | 辅助教学方法、装置及电子设备和存储介质 |
| CN114155124B (zh) * | 2022-02-07 | 2022-07-12 | 山东建筑大学 | 一种试题资源推荐方法及系统 |
| CN114155124A (zh) * | 2022-02-07 | 2022-03-08 | 山东建筑大学 | 一种试题资源推荐方法及系统 |
| CN114998067A (zh) * | 2022-05-19 | 2022-09-02 | 海信集团控股股份有限公司 | 学习计划的推荐方法及电子设备 |
| CN116342335A (zh) * | 2023-02-03 | 2023-06-27 | 武汉博奥鹏程教育科技有限公司 | 一种课程的推荐方法和装置 |
| CN116342335B (zh) * | 2023-02-03 | 2023-11-14 | 武汉博奥鹏程教育科技有限公司 | 一种课程的推荐方法和装置 |
| CN116258613A (zh) * | 2023-02-14 | 2023-06-13 | 广州秒可科技有限公司 | 课程规划方法、课程规划设备和可读存储介质 |
| CN116258613B (zh) * | 2023-02-14 | 2024-04-30 | 广州秒可科技有限公司 | 课程规划方法、课程规划设备和可读存储介质 |
| CN116910274A (zh) * | 2023-09-08 | 2023-10-20 | 广州市南方人力资源评价中心有限公司 | 基于知识图谱和预测模型的试题生成方法及系统 |
| CN116910274B (zh) * | 2023-09-08 | 2023-12-05 | 广州市南方人力资源评价中心有限公司 | 基于知识图谱和预测模型的试题生成方法及系统 |
| CN117390277A (zh) * | 2023-10-27 | 2024-01-12 | 深圳华云科技研发有限公司 | 一种课程资源和服务的管理方法及系统 |
| CN117648449A (zh) * | 2024-01-30 | 2024-03-05 | 青岛培诺教育科技股份有限公司 | 基于知识图谱的自适应推送方法、系统、设备和介质 |
| CN117648449B (zh) * | 2024-01-30 | 2024-05-14 | 青岛培诺教育科技股份有限公司 | 基于知识图谱的自适应推送方法、系统、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111274411A (zh) | 课程推荐方法、装置、电子设备及可读存储介质 | |
| CN109919810B (zh) | 在线学习系统中的学生建模与个性化课程推荐方法 | |
| CN107230174B (zh) | 一种基于网络的在线互动学习系统和方法 | |
| CN112016767B (zh) | 学习路线的动态规划方法及装置 | |
| CN105448152A (zh) | 一种在线教学系统 | |
| CN112784608B (zh) | 试题推荐方法、装置、电子设备和存储介质 | |
| Liu et al. | Mining online discussion data for understanding teachers reflective thinking | |
| Liyanage et al. | Using learning styles to enhance learning management systems | |
| CN113851020A (zh) | 一种基于知识图谱的自适应学习平台 | |
| Thomas et al. | How to evaluate competencies in game-based learning systems automatically? | |
| Liu et al. | Collaborative learning team formation: a cognitive modeling perspective | |
| CN110782375A (zh) | 基于数据的在线学习全过程动态分析方法及系统 | |
| CN117150151A (zh) | 一种基于大语言模型的错题分析及试题推荐系统和方法 | |
| Ilić et al. | Intelligent techniques in e-learning: a literature review | |
| Kour et al. | Analysis of student performance using Machine learning Algorithms | |
| CN113657723A (zh) | 知识点掌握情况诊断方法、试题推荐方法及装置 | |
| Song et al. | Pluggable reputation systems for peer review: A web-service approach | |
| Omer et al. | Learning analytics in programming courses: Review and implications | |
| Ghazali et al. | Development and Validation of Student's MOOC-Efficacy Scale: Exploratory Factor Analysis. | |
| Moon et al. | Rich representations for analyzing learning trajectories: Systematic review on sequential data analytics in game-based learning research | |
| CN111930908A (zh) | 基于人工智能的答案识别方法及装置、介质、电子设备 | |
| CN110648262A (zh) | 一种用于数学思维训练的教学系统及数据处理方法 | |
| Du | [Retracted] Analysis of Teaching Strategies of College English Speculative Reading Based on Big Data Analysis of Student Behavior in Cross‐Cultural Education Environment | |
| CN114943625A (zh) | 一种基于区块链技术的远程教育系统 | |
| Ogunkunle et al. | A data mining based optimization of selecting learning material in an intelligent tutoring system for advancing STEM education |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200612 |
|
| RJ01 | Rejection of invention patent application after publication |