CN112256805A - 一种学习方案的生成方法、系统及计算机可读存储介质 - Google Patents

一种学习方案的生成方法、系统及计算机可读存储介质 Download PDF

Info

Publication number
CN112256805A
CN112256805A CN202011197602.2A CN202011197602A CN112256805A CN 112256805 A CN112256805 A CN 112256805A CN 202011197602 A CN202011197602 A CN 202011197602A CN 112256805 A CN112256805 A CN 112256805A
Authority
CN
China
Prior art keywords
knowledge
learning
user
markov
teaching
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
Application number
CN202011197602.2A
Other languages
English (en)
Inventor
李秀
李帅斌
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.)
Shenzhen International Graduate School of Tsinghua University
Original Assignee
Shenzhen International Graduate School of Tsinghua 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 Shenzhen International Graduate School of Tsinghua University filed Critical Shenzhen International Graduate School of Tsinghua University
Priority to CN202011197602.2A priority Critical patent/CN112256805A/zh
Publication of CN112256805A publication Critical patent/CN112256805A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种学习方案的生成方法、系统及计算机可读存储介质，方法包括：利用教学知识点间的马尔科夫性耦合关系，将与教学知识点对应的概念表述、图形表示、题目作为知识点数据构建多维知识体系数据库；根据多维知识体系数据库中教学知识点间的马尔科夫性耦合关系，抽取知识点数据生成用于交互的方案；接收用户基于方案反馈回的测试结果，并依据测试结果构建附带用户信息的马尔科夫学习链；依据马尔可夫决策过程的强化学习算法，基于附带用户信息的马尔科夫学习链、多维知识体系数据库生成用户个性化的学习方案。通过基于马尔可夫链的多维知识体系数据库，提供与交互的方案并接收用户的测试结果，分析用户的特征从而生成用户个性化学习方案。

Description

一种学习方案的生成方法、系统及计算机可读存储介质
技术领域
本发明涉及人工智能教育技术领域，尤其涉及一种学习方案的生成方法、系统及计算机可读存储介质。
背景技术
随着5G的兴起和计算机算力的发展，在线教育得到的空前的发展。各式各样的在线教育网站和教育系统层出不穷。教育信息化和智能化也是新时代下教育前进的方向，现有的在线教育以及录播教育系统能够摆脱时间、空间的限制，尤其是一对一的在线教育，可以给部分学生提供足够的个性化教育；但是这种人力成本高昂的教育并不适用于所有的地区、家庭等。
随着深度学习模型和诸多算法的提出，使得教育智能化，包括用于处理题目拍照的计算机视觉算法，用于搜索题目的自然语言处理算法等；用于优化智能体的强化学习，通过智能体和环境的不断交互，通过奖励信号选择最优的动作以获得更多的奖励，和人类的学习过程很相似。目前的在线教育已经出现了基于以上算法的搜题检索功能，一些提出的自适应教育系统也仅仅停留在对学生错题的反复召回练习，并不能分析出更深层次或者更基础理论的原因，没有达到所谓的自主学习功能。
以上背景技术内容的公开仅用于辅助理解本发明的构思及技术方案，其并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本专利申请的申请日已经公开的情况下，上述背景技术不应当用于评价本申请的新颖性和创造性。
发明内容
本发明为了解决现有的问题，提供一种学习方案的生成方法、系统及计算机可读存储介质。
为了解决上述问题，本发明采用的技术方案如下所述：
一种学习方案的生成方法，包括如下步骤：S1：利用教学知识点间的马尔科夫性耦合关系，将与所述教学知识点对应的概念表述、图形表示、题目作为知识点数据构建多维知识体系数据库；S2：根据所述多维知识体系数据库中教学知识点间的马尔科夫性耦合关系，抽取所述知识点数据生成用于交互的方案；S3：接收用户基于所述方案反馈回的测试结果，并依据所述测试结果构建附带用户信息的马尔科夫学习链；S4：依据马尔可夫决策过程的强化学习算法，基于所述附带用户信息的马尔科夫学习链、所述多维知识体系数据库生成用户个性化的学习方案。
优选地，所述多维知识体系数据库实时进行教学知识点更新并对所述教学知识点进行多维度聚合。
优选地，对所述教学知识点进行多维度聚合包括：根据预先设置的标准分配不同的权重以评价所述教学知识点的重要性；所述预先设置的标准包括：所述教学知识点所属的知识点模块、所属模块子内容；在所述所属的知识点模块、所述所属模块子内容下所占比值；所述教学知识点的重难点系数；所述教学知识点对于后续知识内容的影响因子。
优选地，接收所述用户基于所述方案反馈回的所述测试结果包括：所述教学知识点多维信息，所述教学知识点的多维信息包括教学知识点的分值。
优选地，所述教学知识点的分值的计算公式如下：
Figure BDA0002754453210000021
Figure BDA0002754453210000022
Figure BDA0002754453210000023
其中，Si是每个教学知识点的分值，Ki是每个知识点模块的分值，μi，γi，εi，δi分别为教学知识点i在知识点模块S中、教学知识点之间、模块子内容在整个知识点模块、模块子内容之间的联系系数，并且满足
Figure BDA0002754453210000024
K1score表示知识点模块K1的得分，S1表示知识点模块S1的内部分值，S1score表示知识点模块间S1的得分。
优选地，将所述教学知识点多维信息转换为体现用户掌握程度的分值参数，依据所述体现用户掌握程度的分值参数构建附带用户信息的马尔科夫学习链。
优选地，所述体现用户掌握程度的分值参数是用户对每个所述知识点模块以及每个所述知识点模块包括的模块子内容、所述教学知识点的掌握程度的向量<μi，εi，δi，γi...>。
优选地，还包括：S5：接收用户基于所述用户个性化的学习方案的反馈更新所述附带用户信息的马尔科夫学习链，生成更新后的用户个性化的学习方案。
本发明还提供一种学习方案的生成系统，包括：多维知识体系单元，用于利用教学知识点间的马尔科夫性耦合关系，将所述教学知识点对应的概念表述、图形表示、题目作为知识点数据构建多维知识体系数据库；测评单元，用于根据所述多维知识体系数据库中教学知识点间的马尔科夫性耦合关系，抽取所述知识点数据生成用于交互的方案；以及，接收用户基于所述方案反馈回的测试结果，并依据所述测试结果构建附带用户信息的马尔科夫学习链；强化学习离线学习单元，用于依据马尔可夫决策过程的强化学习算法，基于所述附带用户信息的马尔科夫学习链、所述多维知识体系数据库生成用户个性化的学习方案。
本发明再提高一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，，所述计算机程序被处理器执行时实现如上任一所述方法的步骤。
本发明的有益效果为：提供学习方案的生成方法、系统及计算机可读存储介质，通过基于马尔可夫链的多维知识体系数据库，提供与交互的方案并接收用户的测试结果，分析用户的特征并对用户进行建模从而生成用户个性化学习方案。
附图说明
图1是本发明实施例中一种学习方案的生成方法的示意图。
图2是本发明实施例中多维知识体系数据库的示意图。
图3是本发明实施例中多维知识体系数据库与用户交互的示意图。
图4是本发明实施例中生成用户个性化的学习方案的示意图。
图5是本发明实施例中又一种学习方案的生成方法的示意图。
图6是本发明实施例中一种学习方案的生成系统的示意图。
图7是本发明实施例中一种学习方案的生成方法的流程示意图。
具体实施方式
为了使本发明实施例所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。另外，连接既可以是用于固定作用也可以是用于电路连通作用。
需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多该特征。在本发明实施例的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
如图1所示，本发明提供一种学习方案的生成方法，包括如下步骤：
S1：利用教学知识点间的马尔科夫性耦合关系，将与所述教学知识点对应的概念表述、图形表示、题目作为知识点数据构建多维知识体系数据库；
S2：根据所述多维知识体系数据库中教学知识点间的马尔科夫性耦合关系，抽取所述知识点数据生成用于交互的方案；
S3：接收用户基于所述方案反馈回的测试结果，并依据所述测试结果构建附带用户信息的马尔科夫学习链；
S4：依据马尔可夫决策过程的强化学习算法，基于所述附带用户信息的马尔科夫学习链、所述多维知识体系数据库生成用户个性化的学习方案。
本发明的方法通过基于马尔可夫链的多维知识体系数据库，提供与交互的方案并接收用户的测试结果，分析用户的特征并对用户进行建模从而生成用户个性化学习方案。
在本发明的一种实施例中，多维知识体系数据库实时进行教学知识点更新并对所述教学知识点进行多维度聚合。
在一种具体的实施例中，根据实时的网上现有题库和其他来源的数据，利用现有的实时更新同步技术，诸如基于http协议的长短轮询、websocket协议等技术实现新数据获取，替换旧知识题目或者添加新的知识题目等。
在另一种具体的实施例中，对教学知识点进行多维度聚合包括：
根据预先设置的标准分配不同的权重以评价所述教学知识点的重要性；
所述预先设置的标准包括：教学知识点所属的知识点模块、所属模块子内容；在所属的知识点模块、所属模块子内容下所占比值；教学知识点的重难点系数；教学知识点对于后续知识内容的影响因子。
在本发明的一种实施例中，接收用户基于方案反馈回的测试结果包括：所述教学知识点多维信息，教学知识点的多维信息包括教学知识点的分值。
如图2所示，是本发明实施例中多维知识体系数据库的示意图。在知识点模块内部包括若干教学知识点K1、K2...，教学知识点之间具有层次递进的关系(尤其在数学学科中表现更加明显)，呈现典型的马尔可夫性质，又由于其内在的联系和外部知识体系的联系，对每个教学知识点的内在分值做加权处理。图中的对外的数据接口可实现知识点和对应分值的读取写入。
在本发明的一种实施例中，所述教学知识点的分值的计算公式如下：
Figure BDA0002754453210000051
Figure BDA0002754453210000052
Figure BDA0002754453210000053
其中，Si是每个教学知识点的分值，Ki是每个知识点模块的分值，μi，γi，εi，δi分别为教学知识点i在知识点模块S中、教学知识点之间、模块子内容在整个知识点模块、模块子内容之间的联系系数，并且满足
Figure BDA0002754453210000054
K1score表示知识点模块K1的得分，S1表示知识点模块S1的内部分值，S1score表示知识点模块间S1的得分。
可以理解的是，多维知识体系数据库中利用教学知识点间的马尔科夫性耦合关系，存储有与教学知识点对应的概念表述、图形表示、题目并实时更新。从多维知识体系数据库中抽取知识点数据生成用于交互的方案；利用教学知识点间的马尔科夫性耦合关系向用户输出知识点数据，依据用户实时反馈得到知识点数据的难度、分值等多维信息。
在本发明的一种实施例中，将教学知识点多维信息转换为体现用户掌握程度的分值参数，依据体现用户掌握程度的分值参数构建附带用户信息的马尔科夫学习链。
如图3所示，是本发明的实施例中多维知识体系数据库与用户交互的示意图。利用多维知识体系数据库的接口，按照多维知识体系的马尔可夫性质，将知识点有序地对用户呈现实现交互，并做到一定程度地重复呈现避免测试误差，之后将用户反馈的分值结果根据公式(1)计算后得到该用户的测评结果。
在本发明的一种实施例中，体现用户掌握程度的分值参数是用户对每个知识点模块以及每个知识点模块包括的模块子内容、教学知识点的掌握程度的向量<μi，εi，δi，γi...>。
进一步地，依据测试结果构建附带用户信息的马尔科夫学习链；所述马尔可夫学习链基于马尔可夫过程(Markov process)，将用户掌握的知识内容情况映射到具备知识体系系统的马尔可夫学习链中，即得该用户专有的附带用户信息的马尔科夫学习链。
再进一步地，依据马尔可夫决策过程的强化学习算法，基于附带用户信息的马尔科夫学习链、多维知识体系数据库生成用户个性化的学习方案。
如图4所示，是本发明的实施例中生成用户个性化的学习方案的示意图。本发明所述的强化学习算法如DQN、DRQN等算法；智能体为用户，环境为多维知识体系数据库，动作反馈为得分，用户学习数据作为经验回放数据(ReplyBuffer)用来训练优化算法；这是一个典型的基于环境的强化学习系统(Model-basedReinforcementLearning)，多维知识体系系统环境已经完全建模，所以对于用户环境几乎全部可观(除用户没有涉及到的知识体系)，可以得到用以表示用户特征并且和对应知识体系相关的向量数据<μi，εi，δi，γi...>，通过该用户数据，可以清晰分析出用户的薄弱环节，进而从知识数据库中搜索对应的知识以及题目以多维知识体系的形式推送给用户，即得到用户个性化的学习方案。
总体而言，相比于现有技术中的个性化学习系统，本发明创新性地提出多维知识体系数据库、基于用户的马尔可夫学习链和结合两者的离线强化学习；其中多维知识体系数据库将概念表述、图形表示、题目等以教科书目录为路线，辅以参数表示教学知识点间的联系，以马尔可夫过程的关系作为联系存储在数据库中，此多维知识体系数据库给知识内容赋予马尔可夫性质，即知识的连续性，同时在马尔可夫性质的基础上增加各个知识内容马尔可夫状态的分值，用于和用户的马尔可夫学习链形成优势互补；其中基于用户的马尔可夫学习链在用户和多维知识体系数据库交互的多维信息上，生成带有用户分值的马尔可夫状态；其中离线强化学习系统依据马尔可夫决策过程的强化学习算法，基于用户和系统的不断交互，更新用户的马尔可夫学习链生成的个性化学习方案；在此基础上，所有环节均可人工介入修改；可见，本发明的方法是一个完整的闭环学习方法，在脱离教师的情况下，可高效地提供学习方案和积极地学习反馈。
本发明内容中基于马尔可夫链的多维体系与知识点结合形成独特的多维知识体系数据库，结合强化学习可提供一个自主学习优化路径，可辅助教师实现学生的定制化学习服务，通过数据真正地做到因材施教的过程，既更全面地了解学生又可以大大减轻教师的负担，同时为将来虚拟现实(AR、VR)教师、课堂等提供相应的实践基础和数据库构建实例，是实现教育现代化的必经之路。此外，多维知识体系数据库同样适用于其他诸如学习和游戏(如数学有由浅入深的学习路径，游戏有先后过关的顺序等)等马尔科夫决策过程，是实现序列决策自动化的有效数据处理工具。
如图5所示，本发明的方法还包括：
S5：接收用户基于所述用户个性化的学习方案的反馈更新所述附带用户信息的马尔科夫学习链，生成更新后的用户个性化的学习方案。
本发明可以重复交互，产生新的用户个性化的学习方案，帮助用户完成自主学习。
如图6所示，本发明还提供一种学习方案的生成系统，包括：
多维知识体系单元，用于利用教学知识点间的马尔科夫性耦合关系，将所述教学知识点对应的概念表述、图形表示、题目作为知识点数据构建多维知识体系数据库；
测评单元，用于根据所述多维知识体系数据库中教学知识点间的马尔科夫性耦合关系，抽取所述知识点数据生成用于交互的方案；以及，接收用户基于所述方案反馈回的测试结果，并依据所述测试结果构建附带用户信息的马尔科夫学习链；
强化学习离线学习单元，用于依据马尔可夫决策过程的强化学习算法，基于所述附带用户信息的马尔科夫学习链、所述多维知识体系数据库生成用户个性化的学习方案。
本发明的系统，用于实现本发明的方法，通过基于马尔可夫链的多维知识体系数据库的基础上，提供与交互的方案并接收用户的测试结果，分析用户的特征并对用户进行建模从而生成用户个性化学习方案。
如图7所示，是本发明的一种学习方案的生成方法的流程示意图。具体如下所述：
(1)构建多维知识体系数据库：集合模块(S2)体系内部分为元素(K1)、集合关系(K2)，K1、K2知识点之间具有马尔可夫性质(即在学习K1之后学习K2)；同时在整个数学体系内，集合模块S2又是同其他子模块(如映射S1、函数S3)是马尔科夫相关的，映射在集合之前，集合是函数的基础，按照各自的重要性赋以不同的权重εi。以教学知识点对应的概念表述、图形表示、题目等作为知识点数据，以上述教学知识点之间的马尔可夫性质为关系，将数据存储在数据库中，并提供对知识数据的增删查改和读取操作接口。需要取出哪些知识点的数据、取多少由上述权重参数给出。
生成用于交互的方案以及构建附带用户信息的马尔科夫学习链：多维知识体系数据库可根据用户的特征(用户对于知识掌握程度的参数向量)抽取题目，生成测评内容；也可根据用户上传错题等数据得出相应参数。依据这些参数，多维知识体系数据库可以依据教学知识点间的马尔科夫性给出一个对于知识点以及知识点数据的输出，即学习方法呢或学习轨迹的生成。而参数到学习轨迹之间的关系，由强化学习算法给出，训练数据为以往用户的参数以及当前用户的数据。
具体用户数据说明：
在集合知识模块(S2)数据库中，人为设定模块(S2)重要性指标：
Figure BDA0002754453210000081
Figure BDA0002754453210000082
Figure BDA0002754453210000091
其中，μ1，γi，K1分别表示K1在整个模块、在相邻知识点之间以及自身的重要性指标，ε2，δi，S2分别表示S2在整个体系、在相邻模块之间以及自身的重要性指标。
考虑集合模块S2和相邻两模块(映射S1，函数S2)的学习情况，参数取值如下：
μ1＝μ2＝0.1，γ1＝0.4，γ2＝0.6
ε1＝0.2，ε2＝0.3，ε3＝0.5，δ1＝0.3，δ2＝0.3，δ3＝0.4
S1＝80，S3＝90
依据参数从多维知识体系数据库抽取一道集合元素的题目(K1)和一道集合间关系的题目(K2)，形成交互数据呈现给用户；用户做题完成交互(K1＝80，K2＝90)，返回给系统对应分数，可得结果：
K1score＝94，K2score＝95，S2＝86
S1score＝101.8，S2score＝111.6，S3score＝130.8
生成用户个性化的学习方案：环境为多维知识体系数据库推送的学习方案，用户为智能体，动作为用户做题目之后的得分，奖励为用户得分对应的系统score分值；依据强化学习DQN算法，将score分值输入，利用算法可得学习方案(选出两道K1，一道K2的题目；同时还会选出一道S1的题目用以加强用户之前的基础)，将学习方案推送给用户，进行第二轮交互(K1＝85，K2＝95，S1＝85)，可得结果：
K1score＝99.5，K2score＝101.5，S2＝91
S1score＝104.3，S2score＝114.6，S3score＝132.3
可见，在循环不断的交互中，用户可以更多更有质量地学习，达到稳固提升的效果。
从重要性地位来看用户在对K1和K2知识点掌握上几乎无差别，但是从掌握程度上看对于K1不足(这样的分析结果由强化学习通过以往数据学习得到)，综合考虑S1(掌握不足)、S3(掌握很好)知识模块的掌握情况，因此会从多维体系数据库中抽取S2模块内容相较于S1少，较于S3多，同时在S2模块内部会抽取K1知识点相关知识点题目多于K2。将上述抽取结果按照知识体系的马尔科夫性排序推送给用户，实现用户对于知识的巩固提高。
本申请实施例还提供一种控制装置，包括处理器和用于存储计算机程序的存储介质；其中，处理器用于执行所述计算机程序时至少执行如上所述的方法。
本申请实施例还提供一种存储介质，用于存储计算机程序，该计算机程序被执行时至少执行如上所述的方法。
本申请实施例还提供一种处理器，所述处理器执行计算机程序，至少执行如上所述的方法。
所述存储介质可以由任何类型的易失性或非易失性存储设备、或者它们的组合来实现。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，ErasableProgrammable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，ElectricallyErasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，FerromagneticRandom Access Memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random Access Memory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，SynchronousStatic Random Access Memory)、动态随机存取存储器(DRAM，DynamicRandom AccessMemory)、同步动态随机存取存储器(SDRAM，Synchronous Dynamic RandomAccessMemory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double DataRateSynchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。以上所描述的设备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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本申请所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
本申请所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。
本申请所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。

Claims (10)

1.一种学习方案的生成方法，其特征在于，包括如下步骤：
S1：利用教学知识点间的马尔科夫性耦合关系，将与所述教学知识点对应的概念表述、图形表示、题目作为知识点数据构建多维知识体系数据库；
S2：根据所述多维知识体系数据库中教学知识点间的马尔科夫性耦合关系，抽取所述知识点数据生成用于交互的方案；
S3：接收用户基于所述方案反馈回的测试结果，并依据所述测试结果构建附带用户信息的马尔科夫学习链；
S4：依据马尔可夫决策过程的强化学习算法，基于所述附带用户信息的马尔科夫学习链、所述多维知识体系数据库生成用户个性化的学习方案。
2.如权利要求1所述的学习方案的生成方法，其特征在于，所述多维知识体系数据库实时进行教学知识点更新并对所述教学知识点进行多维度聚合。
3.如权利要求2所述的学习方案的生成方法，其特征在于，对所述教学知识点进行多维度聚合包括：
根据预先设置的标准分配不同的权重以评价所述教学知识点的重要性；
所述预先设置的标准包括：所述教学知识点所属的知识点模块、所属模块子内容；在所述所属的知识点模块、所述所属模块子内容下所占比值；所述教学知识点的重难点系数；所述教学知识点对于后续知识内容的影响因子。
4.如权利要求3所述的学习方案的生成方法，其特征在于，接收所述用户基于所述方案反馈回的所述测试结果包括：所述教学知识点多维信息，所述教学知识点的多维信息包括教学知识点的分值。
5.如权利要求4所述的学习方案的生成方法，其特征在于，所述教学知识点的分值的计算公式如下：
Figure FDA0002754453200000011
Figure FDA0002754453200000012
Figure FDA0002754453200000013
其中，Si是每个教学知识点的分值，Ki是每个知识点模块的分值，μi，γi，εi，δi分别为教学知识点i在知识点模块S中、教学知识点之间、模块子内容在整个知识点模块、模块子内容之间的联系系数，并且满足
Figure FDA0002754453200000021
K1score表示知识点模块K1的得分，S1表示知识点模块S1的内部分值，S1score表示知识点模块间S1的得分。
6.如权利要求5所述的学习方案的生成方法，其特征在于，将所述教学知识点多维信息转换为体现用户掌握程度的分值参数，依据所述体现用户掌握程度的分值参数构建附带用户信息的马尔科夫学习链。
7.如权利要求6所述的学习方案的生成方法，其特征在于，所述体现用户掌握程度的分值参数是用户对每个所述知识点模块以及每个所述知识点模块包括的模块子内容、所述教学知识点的掌握程度的向量<μi，εi，δi，γi...>。
8.如权利要求1-7任一所述的学习方案的生成方法，其特征在于，还包括：
S5：接收用户基于所述用户个性化的学习方案的反馈更新所述附带用户信息的马尔科夫学习链，生成更新后的用户个性化的学习方案。
9.一种学习方案的生成系统，其特征在于，包括：
多维知识体系单元，用于利用教学知识点间的马尔科夫性耦合关系，将所述教学知识点对应的概念表述、图形表示、题目作为知识点数据构建多维知识体系数据库；
测评单元，用于根据所述多维知识体系数据库中教学知识点间的马尔科夫性耦合关系，抽取所述知识点数据生成用于交互的方案；以及，接收用户基于所述方案反馈回的测试结果，并依据所述测试结果构建附带用户信息的马尔科夫学习链；
强化学习离线学习单元，用于依据马尔可夫决策过程的强化学习算法，基于所述附带用户信息的马尔科夫学习链、所述多维知识体系数据库生成用户个性化的学习方案。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8任一所述方法的步骤。
CN202011197602.2A 2020-10-30 2020-10-30 一种学习方案的生成方法、系统及计算机可读存储介质 Pending CN112256805A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011197602.2A CN112256805A (zh) 2020-10-30 2020-10-30 一种学习方案的生成方法、系统及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011197602.2A CN112256805A (zh) 2020-10-30 2020-10-30 一种学习方案的生成方法、系统及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN112256805A true CN112256805A (zh) 2021-01-22

Family

ID=74268559

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011197602.2A Pending CN112256805A (zh) 2020-10-30 2020-10-30 一种学习方案的生成方法、系统及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN112256805A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104765842A (zh) * 2015-04-15 2015-07-08 中山大学 一种最佳学习方案推送方法及系统
US20170011642A1 (en) * 2015-07-10 2017-01-12 Fujitsu Limited Extraction of knowledge points and relations from learning materials
CN109145159A (zh) * 2017-06-27 2019-01-04 北京新唐思创教育科技有限公司 一种对数据进行处理的方法和装置
CN109243228A (zh) * 2018-11-12 2019-01-18 重庆靶向科技发展有限公司 一种智能化教学平台系统
CN109598995A (zh) * 2019-01-08 2019-04-09 上海健坤教育科技有限公司 基于贝叶斯知识跟踪模型的智能教学系统
CN110032651A (zh) * 2019-04-18 2019-07-19 江苏师范大学 一种基于知识图谱的个性化学习特征模型的建构方法
CN110473123A (zh) * 2019-07-09 2019-11-19 北京羽实箫恩信息技术股份有限公司 一种多元智能教育方法及系统
CN110502636A (zh) * 2019-08-27 2019-11-26 华中师范大学 一种面向主客观试题的联合建模及挖掘方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104765842A (zh) * 2015-04-15 2015-07-08 中山大学 一种最佳学习方案推送方法及系统
US20170011642A1 (en) * 2015-07-10 2017-01-12 Fujitsu Limited Extraction of knowledge points and relations from learning materials
CN109145159A (zh) * 2017-06-27 2019-01-04 北京新唐思创教育科技有限公司 一种对数据进行处理的方法和装置
CN109243228A (zh) * 2018-11-12 2019-01-18 重庆靶向科技发展有限公司 一种智能化教学平台系统
CN109598995A (zh) * 2019-01-08 2019-04-09 上海健坤教育科技有限公司 基于贝叶斯知识跟踪模型的智能教学系统
CN110032651A (zh) * 2019-04-18 2019-07-19 江苏师范大学 一种基于知识图谱的个性化学习特征模型的建构方法
CN110473123A (zh) * 2019-07-09 2019-11-19 北京羽实箫恩信息技术股份有限公司 一种多元智能教育方法及系统
CN110502636A (zh) * 2019-08-27 2019-11-26 华中师范大学 一种面向主客观试题的联合建模及挖掘方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
罗纯等: "数据挖掘在人工智能自适应教育领域中的应用" *

Similar Documents

Publication Publication Date Title
US20060166174A1 (en) Predictive artificial intelligence and pedagogical agent modeling in the cognitive imprinting of knowledge and skill domains
US8832117B2 (en) Apparatus, systems and methods for interactive dissemination of knowledge
Gan et al. Knowledge structure enhanced graph representation learning model for attentive knowledge tracing
CN110991195B (zh) 机器翻译模型训练方法、装置及存储介质
CN112115246A (zh) 基于对话的内容推荐方法、装置、计算机设备及存储介质
CN111126552B (zh) 一种智能学习内容推送方法及系统
CN113851020A (zh) 一种基于知识图谱的自适应学习平台
CN111400592A (zh) 基于眼动技术和深度学习的个性化课程推荐方法及系统
CN117252047B (zh) 基于数字孪生的教学信息处理方法及系统
CN114429212A (zh) 智能学习知识能力跟踪方法、电子设备及存储介质
Wang et al. Education data-driven online course optimization mechanism for college student
CN113283488B (zh) 一种基于学习行为的认知诊断方法及系统
Han Student modelling and adaptivity in web-based learning systems
EL MEZOUARY et al. An evaluation of learner clustering based on learning styles in MOOC course
CN112256805A (zh) 一种学习方案的生成方法、系统及计算机可读存储介质
Peng An effective analysis of online education model based on artificial intelligence
Dai et al. An improved deep model for knowledge tracing and question-difficulty discovery
Wang et al. POEM: a personalized online education scheme based on reinforcement learning
CN117150151B (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
Valsamidis et al. A combined algorithm for LMS usage assessment
Azhar Designing an offline reinforcement learning based pedagogical agent with a large scale educational dataset
Huang et al. T-BMIRT: Estimating representations of student knowledge and educational components in online education
TWI529650B (zh) Intelligent adaptive evaluation system using fuzzy markup language and its application method
Li et al. A method design of English teaching system based on video feedback method
Shou et al. Difficulty-Based Knowledge Point Clustering Algorithm Using Students’ Multi-Interactive Behaviors in Online Learning

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