CN111309927A - 一种基于知识图谱挖掘的个性化学习路径推荐方法及系统 - Google Patents
一种基于知识图谱挖掘的个性化学习路径推荐方法及系统 Download PDFInfo
- Publication number
- CN111309927A CN111309927A CN202010096087.2A CN202010096087A CN111309927A CN 111309927 A CN111309927 A CN 111309927A CN 202010096087 A CN202010096087 A CN 202010096087A CN 111309927 A CN111309927 A CN 111309927A
- Authority
- CN
- China
- Prior art keywords
- learning
- path
- learning path
- learner
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000005065 mining Methods 0.000 title claims abstract description 22
- 230000003044 adaptive effect Effects 0.000 claims abstract description 63
- 238000010586 diagram Methods 0.000 claims abstract description 36
- 230000002068 genetic effect Effects 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000013507 mapping Methods 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 10
- 230000000694 effects Effects 0.000 claims description 112
- 230000008569 process Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 3
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Educational Technology (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Genetics & Genomics (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于学习路径推荐领域，提供了一种基于知识图谱挖掘的个性化学习路径推荐方法及系统，其解决了传统方法得到的学习路径与相应学习者匹配性差的问题，能够提高学习者的学习路径推荐的精度，使得该学习路径与学习者匹配程度更高。其中，该个性化学习路径推荐方法包括：基于知识图谱构建学习路径模型，进而将知识图谱映射成通用学习路径图；根据学习者特征对通用学习路径图做个性化处理，得到备选学习路径图；将备选学习路径图中所有学习路径作为初始学习路径，利用遗传算法及学习路径的自适应值生成新的学习路径，当达到预设迭代次数或生成的所有新的学习路径的自适应值大于预设阈值时，停止迭代并筛选出自适应值最高的学习路径作为推荐结果。
Description
技术领域
本发明属于在线教育数据处理领域，尤其涉及一种基于知识图谱挖掘的个性化学习路径推荐方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
随着互联网技术的飞速发展以及大众学习观念的不断进步，以网络作为媒介进行在线学习活动已经成为一种非常普遍的社会活动。然而伴随而来的海量知识和数据同样给在线教育领域带来了严重的“信息过载”和“学习迷航”问题。随着知识图谱技术在智能搜索、智能翻译、个性化推荐等领域的广泛发展，以知识图谱技术为基础，生成智能解决方案和个性化推荐结果，是解决在线学习领域的“信息过载”问题的有效措施。知识图谱用结点表示实体，这个实体可以是项目、用户、数据等，用边来表示结点实体间的任意关系。基于知识图谱构建特征模型，是以知识图谱为起点到最终生成智能解决方案和得到个性化推荐结果的关键步骤。关于特征建模的研究，由于学习者和知识内容的复杂多变性，不同的学习者采用同一学习路径学习某一知识时的学习效率往往是不同的。
发明人发现，现有的学习路径推荐方法一方面未考虑学习者的自身特征(比如学习者类型、学习背景、学习目标等特征)和个性化需，使得传统方法得到的学习路径具有一定的局限性，另一方面学习路径优化过程只考虑了学习者已经学过的知识点，最终筛选出的学习路径并不能区分优先级，不能达到学习路径个性化推荐的目的，可能会降低学习者的学习效率。
发明内容
为了解决上述问题，本发明的第一个方面提供一种基于知识图谱挖掘的个性化学习路径推荐方法，其结合学习者的自身特征和个性化需求，能够提高学习者的学习路径推荐的精度，并利用遗传算法及学习路径的自适应值筛选出自适应值最高的学习路径作为推荐结果，使得该学习路径与学习者匹配程度更高，提高学习者的学习效率。
为了实现上述目的，本发明采用如下技术方案：
一种基于知识图谱挖掘的个性化学习路径推荐方法，包括：
基于知识图谱构建学习路径模型，进而将知识图谱映射成通用学习路径图；
根据学习者特征对通用学习路径图做个性化处理，得到备选学习路径图；
将备选学习路径图中所有学习路径作为初始学习路径，利用遗传算法及学习路径的自适应值生成新的学习路径，当达到预设迭代次数或生成的所有新的学习路径的自适应值大于预设阈值时，停止迭代并筛选出自适应值最高的学习路径作为推荐结果。
为了解决上述问题，本发明的第二个方面提供一种基于知识图谱挖掘的个性化学习路径推荐系统，其结合学习者的自身特征和个性化需求，能够提高学习者的学习路径推荐的精度，并利用遗传算法及学习路径的自适应值筛选出自适应值最高的学习路径作为推荐结果，使得该学习路径与学习者匹配程度更高，提高学习者的学习效率。
为了实现上述目的，本发明采用如下技术方案：
一种基于知识图谱挖掘的个性化学习路径推荐系统，包括：
知识图谱转换模块，其用于基于知识图谱构建学习路径模型，进而将知识图谱映射成通用学习路径图；
个性化处理模块，其用于根据学习者特征对通用学习路径图做个性化处理，得到备选学习路径图；
学习路径推荐模块，其用于将备选学习路径图中所有学习路径作为初始学习路径，利用遗传算法及学习路径的自适应值生成新的学习路径，当达到预设迭代次数或生成的所有新的学习路径的自适应值大于预设阈值时，停止迭代并筛选出自适应值最高的学习路径作为推荐结果。
为了解决上述问题，本发明的第三个方面提供一种计算机可读存储介质，其结合学习者的自身特征和个性化需求，能够提高学习者的学习路径推荐的精度，并利用遗传算法及学习路径的自适应值筛选出自适应值最高的学习路径作为推荐结果，使得该学习路径与学习者匹配程度更高，提高学习者的学习效率。
为了实现上述目的，本发明采用如下技术方案：
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于知识图谱挖掘的个性化学习路径推荐方法中的步骤。
为了解决上述问题，本发明的第四个方面提供一种计算机设备，其结合学习者的自身特征和个性化需求，能够提高学习者的学习路径推荐的精度，并利用遗传算法及学习路径的自适应值筛选出自适应值最高的学习路径作为推荐结果，使得该学习路径与学习者匹配程度更高，提高学习者的学习效率。
为了实现上述目的，本发明采用如下技术方案：
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于知识图谱挖掘的个性化学习路径推荐方法中的步骤。
本发明的有益效果是：
(1)本发明根据学习者特征对通用学习路径图做个性化处理，得到备选学习路径图，为学习者提供更加全面的个性化服务，从学习者和学习内容角度出发，使得学习路径推荐结果更加适合该学习者，保证了学习者的学习效率和学习质量。
(2)本发明将备选学习路径图中所有学习路径作为初始学习路径，利用遗传算法及学习路径的自适应值生成新的学习路径，当达到预设迭代次数或生成的所有新的学习路径的自适应值大于预设阈值时，停止迭代并筛选出自适应值最高的学习路径作为推荐结果，对学习路径通过自适应值进行量化，从而提高了与学习者的匹配程度，有效解决在线学习资源过载问题，使得学习者在面对海量学习资源时，减少了寻找自己需要学习的知识的时间，提高了学习者个性化推荐的准确性，有助于保证学习者高效达成学习目标。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例的基于知识图谱挖掘的个性化学习路径推荐方法流程图；
图2是本发明实施例的利用遗传算法及学习路径的自适应值生成新的学习路径的流程图；
图3是本发明实施例的基于知识图谱挖掘的个性化学习路径推荐系统结构示意图；
图4(a)是本发明实施例的学习内容特征模型示意图；
图4(b)是本发明实施例的学习者模型示意图；
图4(c)是本发明实施例的学习路径模型示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
若要实现既能充分发挥在线学习所具有的不受时空约束、学习资源丰富等优势的同时，又能防止“信息过载”和“学习迷航”等问题的出现，就需要解决：“如何综合考虑学习者的自身特征及学习内容的属性特点，从多个角度为学习者制定符合其偏好特征的学习方案”。
实施例一
如图1所示，本实施例提供了基于知识图谱挖掘的个性化学习路径推荐方法，其包括：
步骤1：基于知识图谱构建学习路径模型，进而将知识图谱映射成通用学习路径图。
在具体实施中，所述学习路径模型由学习活动及学习活动之间的逻辑关系边构成；学习活动由知识图谱中的知识点转化得到。学习活动的属性包括学习者类型、预期完成时间、预期完成成本、学习质量和在学习路径中的中心度值。
学习路径模型描述为：SRM＝(SRV，SRE)，其中SRM为学习路径模型，SRV为若干学习活动结点的集合，SRE为代表学习活动间逻辑关系的边的集合；学习活动的属性描述为：SRAi＝fi(ELUj，SRATi，SRACi，SRAQi，SRAVi)，在属性描述中的SRAi、ELUj、SRATi、SRACi、SRAQi分别为学习活动、学习者、活动预期时间、活动预期成本、活动预期质量，fi由具体的学习活动决定，表示学习活动与多种属性因素的函数关系,SRAVi为该学习活动在学习路径中的中心度值，这里将其作为学习活动相对于整条学习路径的影响因子。
知识点是学习内容的基本组成单位；学习内容是对某一类知识点集合的有向超图描述，具体而言，学习内容描述了其相关所有知识点的意义以及知识点之间的关系。
在本实施例中，知识点的特征可采用知识点特征模型来表示，知识点特征模型由知识点所属类型、知识点预期学习时间、知识点预期学习成本和知识点对其他知识点的依赖程度构成。例如：知识点特征模型KP＝(KPT，KPC，KPR，KPW)，KPT表示该知识点所属类型，KPC表示知识点预期学习时间，KPR表示知识点预期学习成本，PKW表示知识点对其他知识点的依赖程度；ME＝(SKP，KPE，EKP)其中SKP为表示逻辑关系的边的起点，EKP表示边的终点，KPE表示知识点之间的逻辑关系。ME是知识图谱中的边集合。
学习内容的特征可采用学习内容特征模型表示，其形式化描述为：SCM＝(MV，ME)，SCM为学习内容模型，MV为若干个知识点组成的集合，MV＝{KPi|i＝1,…,n}，KPi为第i个知识点。
由知识图谱中的知识点转化成学习活动的过程为：
KPi＝δi(KPT，KPC，KPR，KPW)，δi为从知识点到学习活动映射函数；SRAi＝fi(ELUj，SRATi，SRACi，SRAQi，SRAVi)，fi为学习活动的属性描述；要实现KPi→SRAi，需要具体到每个映射关系，参与该知识点学习的用户即为学习者ELU，SRATi＝ε(KPTi)，SRACi＝θ(KPCi)，
学习活动的预期完成质量与学习者自身特征和知识点属性特征有关，SRAVi＝γ(KPWi)学习活动在学习路径中的影响因子与知识点的中心度KPW有关,ε、θ、
γ分别为学习活动的学习时间、学习成本、学习质量与影响因子的映射函数。
步骤2：根据学习者特征对通用学习路径图做个性化处理，得到备选学习路径图。
在本实施例中，学习者特包括学习者类型、学习能力、学习目标和学习背景，与之对应的模型为ELU＝(SUType，SUA，SUT，SUB)，其中ELU是学习者模型，SUType是学习者的类型，学习者类型这里分为三类，零基础学习者、一般基础学习者、专业人士；SUA是学习能力模型，SUT为学习目标模型，SUT＝(TK，TKV)，TK＝{KPi|i＝1,…n}，TK表示需要掌握的知识点集合，KPi表示全部学习内容中的第i个知识点，TKV＝{Kvi|i＝1,…n}，TKV表TK中知识点的掌握程度。SUB表示相对于学习目标的知识背景，同样SUB＝{KPb|i＝1,…n}，KPbi表示学习者是否已经掌握知识点i。
根据学习者特征对通用学习路径图做个性化处理的过程为：
根据学习者的类型，筛选出对应类型的通用学习路径图；
根据学习者模型的学习目标和学习背景来标记通用学习路径图中学习者已经掌握的知识点所对应的学习活动以及学习目标知识点所对应的学习活动，标记剔除学习者不需要或者已经掌握的知识点；
根据学习者的学习能力得到相应通用学习路径图中所有知识点的关联顺序，进而得到备选学习路径图。
步骤3：将备选学习路径图中所有学习路径作为初始学习路径，利用遗传算法及学习路径的自适应值生成新的学习路径，当达到预设迭代次数或生成的所有新的学习路径的自适应值大于预设阈值时，停止迭代并筛选出自适应值最高的学习路径作为推荐结果。
其中，学习路径的自适应值RA为：
其中α、β和γ分别为学习路径的预期完成总时间SRT、预期完成总成本SRC、总学习质量SRQ的权重值，且α+β+γ＝1。
在具体实施中，在利用遗传算法及学习路径的自适应值生成新的学习路径的过程中，根据学习活动的中心度值，确定学习路径中的起始活动和结束活动；其中，学习活动的中心度值为学习活动的学习质量的权重值，中心度值高的学习活动为学习路径的起点，中心度值低的学习活动为学习路径的结束点。
其中，学习路径总时间
学习路径预期完成成本
学习质量
其中αi为每个学习活动的影响因子，它表示学习者是否完成该学习活动对整个学习路径完成质量的影响程度。
SRAVi为该学习活动在学习路径中的中心度值，这里将其作为学习活动相对于整条学习路径的影响因子；
SROUT表示知识图谱中结点i的出度，SRIN表示知识图谱中结点i的入度，将两者的比值看作中心度值。
结点i的出度指的是：以结点i为起点的边的条数；
结点i的入度指的是：以结点i为终点的边的条数。
中心度值高就说明，在这个知识图谱中由较多知识点依赖于该知识点，那么首先进行该知识点对应的学习活动对整个学习进程的影响较大，如果中心度值低，就说明在进行这个知识点的学习活动前，需要学习许多其他知识点作为基础，因此，中心度值在一定程度上反映了该知识点对整条学习路径的影响程度。
利用遗传算法及学习路径的自适应值生成新的学习路径的过程中，根据学习活动的中心度值，确定学习路径中的起始活动和结束活动；其中，学习活动的中心度值为学习活动的学习质量的权重值，中心度值高的学习活动为学习路径的起点，中心度值低的学习活动为学习路径的结束点。
备选学习路径图SRMspare＝(SRVspare,SREspare)，SRVspare为备选路径图中的结点集合，SREspare为备选学习路径中边集合。从备选学习路径图得到若干条备选学习路径，其过程为：
步骤(1)：在SRVspare中任意选取一个入度为0的结点作为起始结点加入到学习路径模型SRM的结点集合中；
步骤(2)：然后任意选取一条以该结点为起点的边加入到学习路径模型SRM的边集中，并且将该边的终止结点加入到SRM的结点集合中；
步骤(3)：重复步骤(2)，直到选取的点的出度为0，将该点加入到学习路径SRM中，这样就得到了一条备选学习路径；
重复步骤(1)～步骤(3)n次得到n条学习路径。
具体地，如图2所示，利用遗传算法及学习路径的自适应值生成新的学习路径的过程为：
步骤a：将备选学习路径图中所有学习路径作为初始学习路径，根据学习路径的自适应函数计算每条初始学习路径的自适应值；
自适应值函数为：
其中α、β和γ分别为学习路径的预期完成总时间SRT、预期完成总成本SRC、总学习质量SRQ的权重值，且α+β+γ＝1；SRT为学习路径所包含的学习活动的预期时间之和；SRC为所包含活动的成本之和，这里的学习成本指的是在进行学习活动时所需要的用的学习资源；SRQ为学习路径所包含的学习活动的质量与质量影响因子的乘积，这里的质量影响因子为前面提到的中心度值；
步骤b：设定自适应阈值x，将每条学习路径的自适应值与x进行比较，大于x的学习路径为优秀个体，遗传复制给下一代，小于x的学习路径为不良个体，然后采用轮盘赌的方式选取这些不良个体进行交叉变异操作；
步骤c：以Pc概率随机生成交叉点，进行单体单点交叉，即将该交叉点处的学习活动结点进行交换；
步骤d：以Pm概率随机生成变异点，即将该变异点处的学习活动剔除，然后在从它前一节点的其他相邻结点中任选一个结点补在该变异位置；
步骤e：计算新产生的学习路径的适应值，再重复步骤a～步骤d，直到重复次数大于预设的最大重复次数Cm或者所有学习路径的自适应值均大于预设阈值x；
步骤f：将所有学习路径按照自适应值从高到低的顺序排序，排在首位的学习路径即为推荐结果。
本实施例结合学习者的自身特征和个性化需求，能够提高学习者的学习路径推荐的精度，并利用遗传算法及学习路径的自适应值筛选出自适应值最高的学习路径作为推荐结果，使得该学习路径与学习者匹配程度更高，提高了学习者的学习效率。
实施例二
如图3所示，本实施例提供了一种基于知识图谱挖掘的个性化学习路径推荐系统，包括：
(1)知识图谱转换模块，其用于基于知识图谱构建学习路径模型，进而将知识图谱映射成通用学习路径图。
在具体实施中，所述学习路径模型由学习活动及学习活动之间的逻辑关系边构成；学习活动由知识图谱中的知识点转化得到。学习活动的属性包括学习者类型、预期完成时间、预期完成成本、学习质量和在学习路径中的中心度值。
学习路径模型描述为：SRM＝(SRV，SRE)，其中SRM为学习路径模型，SRV为若干学习活动结点的集合，SRE为代表学习活动间逻辑关系的边的集合；学习活动的属性描述为：SRAi＝fi(ELUj，SRATi，SRACi，SRAQi，SRAVi)，在属性描述中的SRAi、ELUj、SRATi、SRACi、SRAQi分别为学习活动、学习者、活动预期时间、活动预期成本、活动预期质量，fi由具体的学习活动决定，表示学习活动与多种属性因素的函数关系,SRAVi为该学习活动在学习路径中的中心度值，这里将其作为学习活动相对于整条学习路径的影响因子。
知识点是学习内容的基本组成单位；学习内容是对某一类知识点集合的有向超图描述，具体而言，学习内容描述了其相关所有知识点的意义以及知识点之间的关系。
在本实施例中，知识点的特征可采用知识点特征模型来表示，知识点特征模型由知识点所属类型、知识点预期学习时间、知识点预期学习成本和知识点对其他知识点的依赖程度构成。例如：知识点特征模型KP＝(KPT，KPC，KPR，KPW)，KPT表示该知识点所属类型，KPC表示知识点预期学习时间，KPR表示知识点预期学习成本，PKW表示知识点对其他知识点的依赖程度；ME＝(SKP，KPE，EKP)其中SKP为表示逻辑关系的边的起点，EKP表示边的终点，KPE表示知识点之间的逻辑关系。ME是知识图谱中的边集合。
学习内容的特征可采用学习内容特征模型表示，其形式化描述为：SCM＝(MV，ME)，SCM为学习内容模型，MV为若干个知识点组成的集合，MV＝{KPi|i＝1,…,n}，KPi为第i个知识点。
由知识图谱中的知识点转化成学习活动的过程为：
KPi＝δi(KPT，KPC，KPR，KPW)，δi为从知识点到学习活动映射函数；SRAi＝fi(ELUj，SRATi，SRACi，SRAQi，SRAVi)，fi为学习活动的属性描述；要实现KPi→SRAi，需要具体到每个映射关系，参与该知识点学习的用户即为学习者ELU，SRATi＝ε(KPTi)，SRACi＝θ(KPCi)，
学习活动的预期完成质量与学习者自身特征和知识点属性特征有关，SRAVi＝γ(KPWi)学习活动在学习路径中的影响因子与知识点的中心度KPW有关,ε、θ、
γ分别为学习活动的学习时间、学习成本、学习质量与影响因子的映射函数。
(2)个性化处理模块，其用于根据学习者特征对通用学习路径图做个性化处理，得到备选学习路径图。
在本实施例中，学习者特包括学习者类型、学习能力、学习目标和学习背景，与之对应的模型为ELU＝(SUType，SUA，SUT，SUB)，其中ELU是学习者模型，SUType是学习者的类型，学习者类型这里分为三类，零基础学习者、一般基础学习者、专业人士；SUA是学习能力模型，SUT为学习目标模型，SUT＝(TK，TKV)，TK＝{KPi|i＝1,…n}，TK表示需要掌握的知识点集合，KPi表示全部学习内容中的第i个知识点，TKV＝{Kvi|i＝1,…n}，TKV表TK中知识点的掌握程度。SUB表示相对于学习目标的知识背景，同样SUB＝{KPb|i＝1,…n}，KPbi表示学习者是否已经掌握知识点i。
根据学习者特征对通用学习路径图做个性化处理的过程为：
根据学习者的类型，筛选出对应类型的通用学习路径图；
根据学习者模型的学习目标和学习背景来标记通用学习路径图中学习者已经掌握的知识点所对应的学习活动以及学习目标知识点所对应的学习活动，标记剔除学习者不需要或者已经掌握的知识点；
根据学习者的学习能力得到相应通用学习路径图中所有知识点的关联顺序，进而得到备选学习路径图。
如图4(a)-图4(c)所示分别为学习内容特征模型、学习者模型和学习路径模型。在具体实施中，学习内容特征模型、学习者模型和学习路径模型存储至特征模型存储库中。
在本实施例中，知识图谱是根据知识图谱数据库内的数据构造的，其构造过程可采用现有方法来实现。
(3)学习路径推荐模块，其用于将备选学习路径图中所有学习路径作为初始学习路径，利用遗传算法及学习路径的自适应值生成新的学习路径，当达到预设迭代次数或生成的所有新的学习路径的自适应值大于预设阈值时，停止迭代并筛选出自适应值最高的学习路径作为推荐结果。
其中，学习路径的自适应值RA为：
其中α、β和γ分别为学习路径的预期完成总时间SRT、预期完成总成本SRC、总学习质量SRQ的权重值，且α+β+γ＝1。
在具体实施中，在利用遗传算法及学习路径的自适应值生成新的学习路径的过程中，根据学习活动的中心度值，确定学习路径中的起始活动和结束活动；其中，学习活动的中心度值为学习活动的学习质量的权重值，中心度值高的学习活动为学习路径的起点，中心度值低的学习活动为学习路径的结束点。
其中，学习路径总时间
学习路径预期完成成本
学习质量
其中αi为每个学习活动的影响因子，它表示学习者是否完成该学习活动对整个学习路径完成质量的影响程度。
SRAVi为该学习活动在学习路径中的中心度值，这里将其作为学习活动相对于整条学习路径的影响因子；
SROUT表示知识图谱中结点i的出度，SRIN表示知识图谱中结点i的入度，将两者的比值看作中心度值。
结点i的出度指的是：以结点i为起点的边的条数；
结点i的入度指的是：以结点i为终点的边的条数。
中心度值高就说明，在这个知识图谱中由较多知识点依赖于该知识点，那么首先进行该知识点对应的学习活动对整个学习进程的影响较大，如果中心度值低，就说明在进行这个知识点的学习活动前，需要学习许多其他知识点作为基础，因此，中心度值在一定程度上反映了该知识点对整条学习路径的影响程度。
利用遗传算法及学习路径的自适应值生成新的学习路径的过程中，根据学习活动的中心度值，确定学习路径中的起始活动和结束活动；其中，学习活动的中心度值为学习活动的学习质量的权重值，中心度值高的学习活动为学习路径的起点，中心度值低的学习活动为学习路径的结束点。
备选学习路径图SRMspare＝(SRVspare,SREspare)，SRVspare为备选路径图中的结点集合，SREspare为备选学习路径中边集合。从备选学习路径图得到若干条备选学习路径，其过程为：
步骤(1)：在SRVspare中任意选取一个入度为0的结点作为起始结点加入到学习路径模型SRM的结点集合中；
步骤(2)：然后任意选取一条以该结点为起点的边加入到学习路径模型SRM的边集中，并且将该边的终止结点加入到SRM的结点集合中；
步骤(3)：重复步骤(2)，直到选取的点的出度为0，将该点加入到学习路径SRM中，这样就得到了一条备选学习路径；
重复步骤(1)～步骤(3)n次得到n条学习路径。
具体地，如图2所示，利用遗传算法及学习路径的自适应值生成新的学习路径的过程为：
步骤a：将备选学习路径图中所有学习路径作为初始学习路径，根据学习路径的自适应函数计算每条初始学习路径的自适应值；
自适应值函数为：
其中α、β和γ分别为学习路径的预期完成总时间SRT、预期完成总成本SRC、总学习质量SRQ的权重值，且α+β+γ＝1；SRT为学习路径所包含的学习活动的预期时间之和；SRC为所包含活动的成本之和，这里的学习成本指的是在进行学习活动时所需要的用的学习资源；SRQ为学习路径所包含的学习活动的质量与质量影响因子的乘积，这里的质量影响因子为前面提到的中心度值；
步骤b：设定自适应阈值x，将每条学习路径的自适应值与x进行比较，大于x的学习路径为优秀个体，遗传复制给下一代，小于x的学习路径为不良个体，然后采用轮盘赌的方式选取这些不良个体进行交叉变异操作；
步骤c：以Pc概率随机生成交叉点，进行单体单点交叉，即将该交叉点处的学习活动结点进行交换；
步骤d：以Pm概率随机生成变异点，即将该变异点处的学习活动剔除，然后在从它前一节点的其他相邻结点中任选一个结点补在该变异位置；
步骤e：计算新产生的学习路径的适应值，再重复步骤a～步骤d，直到重复次数大于预设的最大重复次数Cm或者所有学习路径的自适应值均大于预设阈值x；
步骤f：将所有学习路径按照自适应值从高到低的顺序排序，排在首位的学习路径即为推荐结果。
本实施例结合学习者的自身特征和个性化需求，能够提高学习者的学习路径推荐的精度，并利用遗传算法及学习路径的自适应值筛选出自适应值最高的学习路径作为推荐结果，使得该学习路径与学习者匹配程度更高，提高了学习者的学习效率。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如实施例一所述的基于知识图谱挖掘的个性化学习路径推荐方法中的步骤。
本实施例结合学习者的自身特征和个性化需求，能够提高学习者的学习路径推荐的精度，并利用遗传算法及学习路径的自适应值筛选出自适应值最高的学习路径作为推荐结果，使得该学习路径与学习者匹配程度更高，提高了学习者的学习效率。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如实施例一所述的基于知识图谱挖掘的个性化学习路径推荐方法中的步骤。
本实施例结合学习者的自身特征和个性化需求，能够提高学习者的学习路径推荐的精度，并利用遗传算法及学习路径的自适应值筛选出自适应值最高的学习路径作为推荐结果，使得该学习路径与学习者匹配程度更高，提高了学习者的学习效率。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于知识图谱挖掘的个性化学习路径推荐方法，其特征在于，包括：
基于知识图谱构建学习路径模型，进而将知识图谱映射成通用学习路径图；
根据学习者特征对通用学习路径图做个性化处理，得到备选学习路径图；
将备选学习路径图中所有学习路径作为初始学习路径，利用遗传算法及学习路径的自适应值生成新的学习路径，当达到预设迭代次数或生成的所有新的学习路径的自适应值大于预设阈值时，停止迭代并筛选出自适应值最高的学习路径作为推荐结果。
2.如权利要求1所述的基于知识图谱挖掘的个性化学习路径推荐方法，其特征在于，所述学习路径模型由学习活动及学习活动之间的逻辑关系边构成；学习活动由知识图谱中的知识点转化得到；学习活动的属性包括学习者类型、预期完成时间、预期完成成本、学习质量和在学习路径中的中心度值。
3.如权利要求2所述的基于知识图谱挖掘的个性化学习路径推荐方法，其特征在于，学习路径的自适应值RA为：
其中α、β和γ分别为学习路径的预期完成总时间SRT、预期完成总成本SRC、总学习质量SRQ的权重值，且α+β+γ＝1。
4.如权利要求2所述的基于知识图谱挖掘的个性化学习路径推荐方法，其特征在于，在利用遗传算法及学习路径的自适应值生成新的学习路径的过程中，根据学习活动的中心度值，确定学习路径中的起始活动和结束活动；其中，学习活动的中心度值为学习活动的学习质量的权重值，中心度值高的学习活动为学习路径的起点，中心度值低的学习活动为学习路径的结束点。
5.如权利要求1所述的基于知识图谱挖掘的个性化学习路径推荐方法，其特征在于，所述学习者特征包括学习者的类型、学习能力、学习目标和学习背景。
6.如权利要求5所述的基于知识图谱挖掘的个性化学习路径推荐方法，其特征在于，根据学习者特征对通用学习路径图做个性化处理的过程为：
根据学习者的类型，筛选出对应类型的通用学习路径图；
根据学习者模型的学习目标和学习背景来标记通用学习路径图中学习者已经掌握的知识点所对应的学习活动以及学习目标知识点所对应的学习活动，标记剔除学习者不需要或者已经掌握的知识点；
根据学习者的学习能力得到相应通用学习路径图中所有知识点的关联顺序，进而得到备选学习路径图。
7.一种基于知识图谱挖掘的个性化学习路径推荐系统，其特征在于，包括：
知识图谱转换模块，其用于基于知识图谱构建学习路径模型，进而将知识图谱映射成通用学习路径图；
个性化处理模块，其用于根据学习者特征对通用学习路径图做个性化处理，得到备选学习路径图；
学习路径推荐模块，其用于将备选学习路径图中所有学习路径作为初始学习路径，利用遗传算法及学习路径的自适应值生成新的学习路径，当达到预设迭代次数或生成的所有新的学习路径的自适应值大于预设阈值时，停止迭代并筛选出自适应值最高的学习路径作为推荐结果。
8.如权利要求7所述的基于知识图谱挖掘的个性化学习路径推荐系统，其特征在于，在所述学习路径推荐模块中，所述学习路径模型由学习活动及学习活动之间的逻辑关系边构成；学习活动由知识图谱中的知识点转化得到；学习活动的属性包括学习者类型、预期完成时间、预期完成成本、学习质量和在学习路径中的中心度值；学习路径的自适应值RA为：
其中α、β和γ分别为学习路径的预期完成总时间SRT、预期完成总成本SRC、总学习质量SRQ的权重值，且α+β+γ＝1。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一项所述的基于知识图谱挖掘的个性化学习路径推荐方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一项所述的基于知识图谱挖掘的个性化学习路径推荐方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010096087.2A CN111309927B (zh) | 2020-02-17 | 2020-02-17 | 一种基于知识图谱挖掘的个性化学习路径推荐方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010096087.2A CN111309927B (zh) | 2020-02-17 | 2020-02-17 | 一种基于知识图谱挖掘的个性化学习路径推荐方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111309927A true CN111309927A (zh) | 2020-06-19 |
| CN111309927B CN111309927B (zh) | 2023-07-18 |
Family
ID=71158218
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010096087.2A Active CN111309927B (zh) | 2020-02-17 | 2020-02-17 | 一种基于知识图谱挖掘的个性化学习路径推荐方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111309927B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112000881A (zh) * | 2020-07-31 | 2020-11-27 | 广州未名中智教育科技有限公司 | 推荐知识的学习方法、系统、计算机设备和存储介质 |
| CN112733035A (zh) * | 2021-01-21 | 2021-04-30 | 唐亮 | 基于知识图谱的知识点推荐方法、装置、存储介质及电子装置 |
| CN113449182A (zh) * | 2021-06-09 | 2021-09-28 | 山东大学 | 一种知识信息个性化推荐方法及系统 |
| CN113610237A (zh) * | 2021-08-19 | 2021-11-05 | 北京京东乾石科技有限公司 | 学习路径规划方法及装置 |
| 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 |
| CN118396804A (zh) * | 2024-06-27 | 2024-07-26 | 杭州容博教育科技有限公司 | 基于自适应学习分析的精准教学管理方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106023015A (zh) * | 2016-05-18 | 2016-10-12 | 腾讯科技（深圳）有限公司 | 课程学习路径推荐方法及装置 |
| 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 |
| CN106991197A (zh) * | 2017-05-30 | 2017-07-28 | 海南大学 | 一种基于知识图谱的目标驱动的学习点和学习路径推荐方法 |
| CN107038508A (zh) * | 2017-06-06 | 2017-08-11 | 海南大学 | 基于知识图谱的学习能力建模及动态自适应的目标驱动的学习点组织及执行路径推荐方法 |
| 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 |
| CN110737776A (zh) * | 2019-08-27 | 2020-01-31 | 南京源涂信息技术有限公司 | 一种基于知识图谱和目标本体的路径学习规划系统 |
-
2020
- 2020-02-17 CN CN202010096087.2A patent/CN111309927B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106023015A (zh) * | 2016-05-18 | 2016-10-12 | 腾讯科技（深圳）有限公司 | 课程学习路径推荐方法及装置 |
| 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 |
| CN106991197A (zh) * | 2017-05-30 | 2017-07-28 | 海南大学 | 一种基于知识图谱的目标驱动的学习点和学习路径推荐方法 |
| CN107038508A (zh) * | 2017-06-06 | 2017-08-11 | 海南大学 | 基于知识图谱的学习能力建模及动态自适应的目标驱动的学习点组织及执行路径推荐方法 |
| 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 |
| CN110737776A (zh) * | 2019-08-27 | 2020-01-31 | 南京源涂信息技术有限公司 | 一种基于知识图谱和目标本体的路径学习规划系统 |
Non-Patent Citations (1)
| Title |
|---|
| 黄华升: "基于知识图谱的个性化学习资源推荐研究", 《软件工程》, no. 10 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112000881A (zh) * | 2020-07-31 | 2020-11-27 | 广州未名中智教育科技有限公司 | 推荐知识的学习方法、系统、计算机设备和存储介质 |
| CN112733035A (zh) * | 2021-01-21 | 2021-04-30 | 唐亮 | 基于知识图谱的知识点推荐方法、装置、存储介质及电子装置 |
| CN113449182A (zh) * | 2021-06-09 | 2021-09-28 | 山东大学 | 一种知识信息个性化推荐方法及系统 |
| CN113610237A (zh) * | 2021-08-19 | 2021-11-05 | 北京京东乾石科技有限公司 | 学习路径规划方法及装置 |
| CN113610237B (zh) * | 2021-08-19 | 2024-07-16 | 北京京东乾石科技有限公司 | 学习路径规划方法及装置 |
| 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 |
| CN118396804A (zh) * | 2024-06-27 | 2024-07-26 | 杭州容博教育科技有限公司 | 基于自适应学习分析的精准教学管理方法及系统 |
| CN118396804B (zh) * | 2024-06-27 | 2024-08-30 | 杭州容博教育科技有限公司 | 基于自适应学习分析的精准教学管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111309927B (zh) | 2023-07-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111309927B (zh) | 一种基于知识图谱挖掘的个性化学习路径推荐方法及系统 | |
| Simon et al. | Administrative behavior and organizations | |
| Kulkarni et al. | Collaboratively crowdsourcing workflows with turkomatic | |
| Trist et al. | Sociotechnical systems theory | |
| CN113344053B (zh) | 一种基于试题异构图表征与学习者嵌入的知识追踪方法 | |
| Shemer | Systems analysis: a systemic analysis of a conceptual model | |
| Ahrweiler et al. | Modelling research policy: Ex-ante evaluation of complex policy instruments | |
| Aliahmadi et al. | Studying key factors to creating competitive advantage in science Park | |
| Ginters | New trends towards digital technology sustainability assessment | |
| Xu et al. | Fusing complete monotonic decision trees | |
| Zhou et al. | Application of Conversational Intelligent Reporting System Based on Artificial Intelligence and Large Language Models | |
| Tanevski et al. | Combinatorial search for selecting the structure of models of dynamical systems with equation discovery | |
| Sun et al. | Teaching analysis for visual communication design with the perspective of digital technology | |
| Hui et al. | The Design of the English Teaching Resource Management System Based on Collaborative Recommendation | |
| Solovev et al. | MATLAB for simulation-based innovation performance assessment | |
| Balawi et al. | How can companies pursue better strategies through innovation? A review of various perspectives on innovation, competitiveness, and technology | |
| Shen | Recommendation of online educational resources based on neural network | |
| Rashidi et al. | A deep-belief network approach for course scheduling | |
| Devaraj et al. | On the Implications of Artificial Intelligence and its Responsible Growth. | |
| Qiao | Exploration of college teacher education path based on cognitive multi-method integration for innovation and entrepreneurship ability cultivation | |
| Krausburg et al. | An MCTS-based algorithm to solve sequential CFGs on valuation structures | |
| Belsare | A Deep Reinforcement Learning approach for an adaptive Job Shop Scheduling | |
| Silva et al. | Identifying Most Probable Negotiation Scenario in Bilateral Contracts with Reinforcement Learning | |
| Pontello et al. | Meta-learning approach for implementation of AI methods in the context of CRISP-DM with case studies from master data management | |
| Târnăveanu | Knowledge-Based Decisions in Tourism |
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 |