CN112258359A - 一种自适应推荐方法及系统 - Google Patents
一种自适应推荐方法及系统 Download PDFInfo
- Publication number
- CN112258359A CN112258359A CN202011189918.7A CN202011189918A CN112258359A CN 112258359 A CN112258359 A CN 112258359A CN 202011189918 A CN202011189918 A CN 202011189918A CN 112258359 A CN112258359 A CN 112258359A
- Authority
- CN
- China
- Prior art keywords
- learner
- model
- knowledge
- learning
- constructing
- 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 26
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 3
- 241000287107 Passer Species 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q50/2057—Career enhancement or continuing education service
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种自适应推荐方法,包括:构建领域知识模型;根据学习者的知识能力水平和学习者基本信息建立学习者模型;根据学习者的闯关记录生成结构化的操作记录;根据学习者模型、闯关记录以及领域知识模型进行学习资源和路径推荐,本发明通过本发明提出的基于闯关学习模式的自适应推荐方法,建立了领域知识模型与学习者模型之间的关联规则,实现依据学习者的个性特征呈现学习资源和学习路径,达到智能导学的目,提高了推荐的质量,实现千人千面的自适应学习。
Description
技术领域
本发明属于电力系统调度培训技术领域,具体为一种自适应推荐方法及系统。
背景技术
自适应学习是指根据学习内容和学习方式的不同,可以将人的学习分为三种不同的类型,它们是机械的学习、示教的学习以及自适应的学习。自适应学习通常是指给学习中提供相应的学习的环境、实例或场域,通过学习者自身在学习中发现总结,最终形成理论并能自主解决问题的学习方式。自适应学习技术的关键是推荐的学习资源要能够与学习者本身的知识水平、学习偏好相匹配,推荐技术的运用是能够使学习者将要学习的知识与原有的知识达到主动、快速的衔接、帮助学习者发现他们所需学习资源。
常用的推荐方法包括协同过滤推荐、基于内容推荐、关联规则推荐三种。其中,协同过滤推荐是依据用户对项目的评分矩阵实现个性化推荐,但在系统实际运行中大部分用户很少参与项目评论,且新用户的不断增加,使得评分矩阵出现稀疏性问题,导致推荐准确率不高。基于内容的推荐,是计算项目特征与用户兴趣模型相似度进行推荐。用户兴趣模型的建立依赖学习者的历史数据,故存在系统冷启动问题。基于规则的推荐,依据用户浏览历史作为推荐意见,分析用户和兴趣之间的关系,并制定相应的规则,该方法简单明了,但同样存在系统冷启动问题,这使得难以保证为新用户推荐资源的质量。可见,推荐技术的选择直接影响主动推荐学习资源的质量及适应性学习能否实现,现有的推荐技术未能够很好地将领域知识模型及学习者模型充分考虑进去,导致知识推荐质量不高。
发明内容
针对现有技术的问题,本发明提供了一种自适应推荐方法及系统,能够提高学习过程中的推荐质量。
本发明所采用的技术方案,包若如下几个方面:
第一方面,提供了一种自适应推荐方法,包括:
构建领域知识模型;
根据学习者的知识能力水平和学习者基本信息建立学习者模型;
根据学习者的闯关记录生成结构化的操作记录;
根据学习者模型、闯关记录以及领域知识模型进行学习资源和路径推荐。
结合第一方面,进一步的,构建领域知识模型具体为:根据学习目标、知识点、学习资源、闯关试题作为核心要素通过本体技术建立领域知识模型。
结合第一方面,进一步的,在建立领域知识模型过程中确定要素的属性,并对属性采用语义标注。
结合第一方面,进一步的,所述根据学习者的知识能力水平和学者基本信息建立学习者模型具体为:根据学习者已完成闯关的难度等级对其进行知识能力水平划分,并根据学习者在闯关过程中的操作记录生成学习者知识能力标准库,通过学习者知识能力标准库和学习者基本信息库构建学习者模型。
结合第一方面,进一步的,所述根据学习者模型、闯关记录以及领域知识模型进行学习资源和路径推荐包括:
根据领域知识模型构建学习者知识技能向量以构建推荐矩阵的列;
根据学习者基本信息库构建学习者向量以构建推荐矩阵的行;
根据学习者知识技能向量和学习者向量构建推荐矩阵;
根据闯关者的操作记录填充推荐矩阵。
第二方面,提供了一种自适应推荐方法,包括:
建模模块:用于构建领域知识模型;根据学习者的知识能力水平和学习者基本信息建立学习者模型;
推荐模块:用于根据学习者的闯关记录生成结构化的操作记录;
根据学习者模型、闯关记录以及领域知识模型进行学习资源和路径推荐。
本发明的有益效果:通过本发明提出的基于闯关学习模式的自适应推荐方法,建立了领域知识模型与学习者模型之间的关联规则,实现依据学习者的个性特征呈现学习资源和学习路径,达到智能导学的目,提高了推荐的质量,实现千人千面的自适应学习。
附图说明
图1为本发明的推荐流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1所示,本发明提供一种技术方案:一种自适应推荐方法,包括如下步骤:
步骤一、构建领域知识模型;
首先,将学习目标、知识点、学习资源、闯关试题作为领域模型的核心要素,然后利用本体技术(在计算机领域,本体可以在语义层次上描述知识,可以看成描述某个学科领域知识的一个通用概念模型)实现领域模型的构建(如领域知识模型表1所示)。在模型构建时分析出各要素之间的关系,并分析要素的属性(难度系数、预设学习时间、媒体类型等)(进行难度分类、类型分类、学习时间段分类,以方便后期进行关键字描述)且进行语义标注。(进行人工标注,在模型表中的标签域进行关键字描述,以方便对其进行分类与检索)
表1
属性 | 类型 | 说明 |
ID | UUID | 自动生成(唯一) |
Model | object | 领域知识模型 |
Flag | string | 标签/特征 |
步骤二、构建学习者模型
根据学习者已完成闯关的难度等级不同(简单、中等、困难)进行知识能力水平的划分,同时将学习者在闯关测试中的操作记录通过行为采集技术(通过xAPI(是一种用来储存和访问学习经历的技术规范)将学习者的网络学习行为数据规范化,学习行为数据包括点击,浏览,批注和拖拽等,反应学习者学习状态和学习质量)形成学习者知识能力标准库(学习者知识能力标准库表2所示,包括学习风格、学习历史、学习偏好等)。运用本体技术,将学习者知识能力标准库和学习者的基本信息(学习者基本信息表3,学历、职称、职业技能等)通过学习者唯一标识相结合,构建学习者模型。
表2
属性 | 类型 | 说明 |
ID | UUID | 自动生成(唯一) |
userid | UUID | 关联学习者基本信息表中的ID |
style | object | 学习风格 |
content | objectarray | 学习历史 |
hobbies | String | 学习偏好 |
score | Float | 学习成绩 |
表3
步骤三、根据学习者的闯关记录生成结构化的操作记录;
系统根据学习者的闯关记录生成结构化的操作记录,保存至本地。然后推荐算法服务根据学习者模型和闯关记录相关联的领域知识模型以及以往的学习历史进行分析,实现学习资源和学习路径的推荐。具题流程如下:
1、根据领域模型库构建学习者知识技能向量,用于构建推荐矩阵的列,如下表所示:
学习者/知识技能 | 知识技能1 | 知识技能2 | 知识技能3 | 知识技能..N |
2、根据学习者信息库构建学习者向量,用于构建推荐矩阵的行,如下表所示
3、根据学习者知识技能向量和学习者向量,构建推荐矩阵,如下表所示
根据学习者闯关测试中的操作记录,填充推荐矩阵。例如:学习者A通过技能闯过第二关,则在学习者A所在的行和知识技能2所在列中的值加1,依此类推将整个推荐矩阵中的元素填满,然后根据学习者A的所有知识技能进行排序,值最小的则为学习者A掌握最差的知识点,也就是要推荐的知识点。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种自适应推荐方法,其特征在于,包括:
构建领域知识模型;
根据学习者的知识能力水平和学习者基本信息建立学习者模型;
根据学习者的闯关记录生成结构化的操作记录;
根据学习者模型、闯关记录以及领域知识模型进行学习资源和路径推荐。
2.根据权利要求1所述的自适应推荐方法,其特征在于,构建领域知识模型具体为:根据学习目标、知识点、学习资源、闯关试题作为核心要素通过本体技术建立领域知识模型。
3.根据权利要求2所述的自适应推荐方法,其特征在于,在建立领域知识模型过程中确定要素的属性,并对属性采用语义标注。
4.根据权利要求1所述的自适应推荐方法,其特征在于,所述根据学习者的知识能力水平和学者基本信息建立学习者模型具体为:
根据学习者已完成闯关的难度等级对其进行知识能力水平划分,并根据学习者在闯关过程中的操作记录生成学习者知识能力标准库,通过学习者知识能力标准库和学习者基本信息库构建学习者模型。
5.根据权利要求1所述的自适应推荐方法,其特征在于:所述根据学习者模型、闯关记录以及领域知识模型进行学习资源和路径推荐包括:
根据领域知识模型构建学习者知识技能向量以构建推荐矩阵的列;
根据学习者基本信息库构建学习者向量以构建推荐矩阵的行;
根据学习者知识技能向量和学习者向量构建推荐矩阵;
根据闯关者的操作记录填充推荐矩阵。
6.一种自适应推荐方法,其特征在于,包括:
建模模块:用于构建领域知识模型;根据学习者的知识能力水平和学习者基本信息建立学习者模型;
推荐模块:用于根据学习者的闯关记录生成结构化的操作记录;
根据学习者模型、闯关记录以及领域知识模型进行学习资源和路径推荐。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011189918.7A CN112258359A (zh) | 2020-10-30 | 2020-10-30 | 一种自适应推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011189918.7A CN112258359A (zh) | 2020-10-30 | 2020-10-30 | 一种自适应推荐方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112258359A true CN112258359A (zh) | 2021-01-22 |
Family
ID=74267468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011189918.7A Pending CN112258359A (zh) | 2020-10-30 | 2020-10-30 | 一种自适应推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112258359A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140272905A1 (en) * | 2013-03-15 | 2014-09-18 | Adapt Courseware | Adaptive learning systems and associated processes |
US20150302535A1 (en) * | 2014-03-25 | 2015-10-22 | University of Central Oklahoma | Method and system for visualizing competency based learning data in decision making dashboards |
US20160005323A1 (en) * | 2014-07-03 | 2016-01-07 | Mentorum Solutions Inc. | Adaptive e-learning system and method |
CN106897950A (zh) * | 2017-01-16 | 2017-06-27 | 北京师范大学 | 一种基于单词认知状态模型适应性学习系统及方法 |
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 |
US20180151083A1 (en) * | 2016-11-30 | 2018-05-31 | Electronics And Telecommunications Research Institute | Learning diagnosis apparatus and method and adaptive learning system using the same |
CN109919810A (zh) * | 2019-01-22 | 2019-06-21 | 山东科技大学 | 在线学习系统中的学生建模与个性化课程推荐方法 |
CN110827591A (zh) * | 2019-10-25 | 2020-02-21 | 颜厥护 | 自适应文档系统、计算机设备以及存储介质 |
CN111815491A (zh) * | 2020-08-27 | 2020-10-23 | 江西软云科技股份有限公司 | 自适应学习计划制定方法、装置、可读存储介质及终端 |
-
2020
- 2020-10-30 CN CN202011189918.7A patent/CN112258359A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140272905A1 (en) * | 2013-03-15 | 2014-09-18 | Adapt Courseware | Adaptive learning systems and associated processes |
US20150302535A1 (en) * | 2014-03-25 | 2015-10-22 | University of Central Oklahoma | Method and system for visualizing competency based learning data in decision making dashboards |
US20160005323A1 (en) * | 2014-07-03 | 2016-01-07 | Mentorum Solutions Inc. | Adaptive e-learning system and method |
US20180151083A1 (en) * | 2016-11-30 | 2018-05-31 | Electronics And Telecommunications Research Institute | Learning diagnosis apparatus and method and adaptive learning system using the same |
CN106897950A (zh) * | 2017-01-16 | 2017-06-27 | 北京师范大学 | 一种基于单词认知状态模型适应性学习系统及方法 |
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 |
CN109919810A (zh) * | 2019-01-22 | 2019-06-21 | 山东科技大学 | 在线学习系统中的学生建模与个性化课程推荐方法 |
CN110827591A (zh) * | 2019-10-25 | 2020-02-21 | 颜厥护 | 自适应文档系统、计算机设备以及存储介质 |
CN111815491A (zh) * | 2020-08-27 | 2020-10-23 | 江西软云科技股份有限公司 | 自适应学习计划制定方法、装置、可读存储介质及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Imran et al. | PLORS: a personalized learning object recommender system | |
US10360809B2 (en) | Course skeleton for adaptive learning | |
Wan et al. | A learner oriented learning recommendation approach based on mixed concept mapping and immune algorithm | |
Klašnja-Milićević et al. | E-learning systems: Intelligent techniques for personalization | |
US11107363B2 (en) | Systems and methods for autonomous creation of personalized, self-updating curricula | |
US20120164621A1 (en) | Facilitating targeted interaction in a networked learning environment | |
Lim et al. | A semantic network model for measuring engagement and performance in online learning platforms | |
Cheng et al. | Adaptive algorithm recommendation and application of learning resources in English fragmented reading | |
Pan et al. | A MultiView courses recommendation system based on deep learning | |
Wang et al. | Education Data‐Driven Online Course Optimization Mechanism for College Student | |
Lin | Learning information recommendation based on text vector model and support vector machine | |
Zhu | [Retracted] The Impact of Digital Technology on the Optimization of Higher Education Teaching Models in an Epidemic Environment | |
CN112258359A (zh) | 一种自适应推荐方法及系统 | |
Xu et al. | [Retracted] Design and Implementation of Intelligent Teaching System Based on Artificial Intelligence and Computer Technology | |
Kardan et al. | Learner clustering and association rule mining for content recommendation in self-regulated learning | |
Zhang | Recommendation Method of Online Teaching Resources in Colleges and Universities Considering Different User Preference Factors | |
Pu et al. | [Retracted] Exercise Recommendation Model Based on Cognitive Level and Educational Big Data Mining | |
Xu et al. | [Retracted] Interaction Design of Educational App Based on Collaborative Filtering Recommendation | |
Wu | Construction of primary and secondary school teachers’ competency model based on improved machine learning algorithm | |
Hu | [Retracted] Adaptive Recommendation Method of IoT Apps and Ideological and Political Teaching Resources | |
Wang | Recommendation method of ideological and political mobile teaching resources based on deep reinforcement learning | |
Xiao | A personalized learning path for French study in colleges based on a big data knowledge map | |
Luo | [Retracted] A Personalized Recommendation Algorithm for Political and Ideological Courses in Colleges Using Multiple Interests of Users | |
Chen | Development and Utilization of Aesthetic Education Resources Using Collaborative Filtering Model | |
Zhao | College English Precise Teaching Model Using Combination Optimization Collaborative Filtering Algorithm |
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 |