CN112907004B - 学习规划方法、装置及计算机存储介质 - Google Patents

Abstract

本申请实施例提供一种学习规划方法、装置及计算机存储介质。该学习规划方法包括：根据z个节点和预设模型确定节点间排序概率矩阵；根据节点间排序概率矩阵、知识点连通矩阵及目标用户在知识点上的学习初级参数，确定第一连通概率矩阵；根据第一连通概率矩阵和目标用户的学习信息确定目标用户的学习路径。本申请实施例针对用户的学习状况，知识点资源是穿插式规划的，使得用户在学习时，根据规划好的多元化知识点资源进行学习，提高了用户的学习效率。

Description

学习规划方法、装置及计算机存储介质

技术领域

本申请实施例涉及电子信息技术领域，尤其涉及一种学习规划方法、装置及计算机存储介质。

背景技术

随着互联网技术和应用信息科技的快速传播，促进了网上教学和在线教育的发展，例如出现了：在线课程、在线实验、在线做题等基于互联网的教育方式。这些基于互联网的教育方式方便了用户对新知识的获取，使得学习方式更加丰富多样，同时使得用户不受时间和空间的限制。

现有技术中，基于互联网的教育主要通过在线教育平台来实现。在在线教育平台中，为用户提供针对知识点的学习顺序规划，当用户在线学习时，按照规划好的知识点顺序进行学习。

然而，现有技术中仅针对知识点的顺序进行学习规划，使得用户并不知道如何学习知识点下的各种知识点资源，例如试题、学习资源等，在有限时间内学习不到多元化的资源，学习效率不高。

发明内容

有鉴于此，本发明实施例所解决的技术问题之一在于提供学习规划方法、装置及计算机存储介质，用以克服现有技术中仅针对知识点的学习顺序进行规划，不能满足学生的多元化学习要求，使得学生的学习效率不高的缺陷。

第一方面，本申请实施例提供了一种学习规划方法，该方法包括：

根据z个节点和预设模型确定节点间排序概率矩阵，节点间排序概率矩阵中的矩阵元素用于指示两个节点之间具有先后逻辑依赖关系的概率，节点包括知识点或者知识点资源，z为大于1的整数；

根据节点间排序概率矩阵、知识点连通矩阵及目标用户在知识点上的学习初级参数，确定第一连通概率矩阵，学习初级参数用于指示目标用户在知识点上的掌握程度，知识点连通矩阵中的矩阵元素用于指示两个知识点之间的逻辑依赖关系，第一连通概率矩阵中的矩阵元素用于指示针对目标用户的历史学习状况，两个节点之间在学习路径上先后排序的概率；

根据第一连通概率矩阵和目标用户的学习信息规划目标用户的学习路径，学习信息包括目标用户计划学习的知识点资源的数量，学习路径用于指示目标用户学习知识点资源的顺序。

第二方面，本申请实施例提供了一种装置，该装置包括：节点间排序概率矩阵确定模块、第一连通概率矩阵确定模块及学习路径规划模块；

节点间排序概率矩阵确定模块，用于根据z个节点和预设模型确定节点间排序概率矩阵，节点间排序概率矩阵中的矩阵元素用于指示两个节点之间具有先后逻辑依赖关系的概率，节点包括知识点或者知识点资源，z为大于1的整数；

第一连通概率矩阵确定模块，用于根据节点间排序概率矩阵、知识点连通矩阵及目标用户在知识点上的学习初级参数，确定第一连通概率矩阵，学习初级参数用于指示目标用户在知识点上的掌握程度，知识点连通矩阵中的矩阵元素用于指示两个知识点之间的逻辑依赖关系，第一连通概率矩阵中的矩阵元素用于指示针对目标用户的历史学习状况，两个节点之间在学习路径上先后排序的概率；

学习路径规划模块，用于根据第一连通概率矩阵和目标用户的学习信息确定目标用户的学习路径，学习信息包括目标用户计划学习的知识点资源的数量，学习路径用于指示目标用户学习知识点资源的顺序。

第三方面，本申请实施例提供了一种电子设备，包括：至少一个处理器；存储装置，用于存储至少一个程序；当至少一个程序被至少一个处理器执行时，使得至少一个处理器实现如第一方面或第一方面的任意一个实施例中所描述的方法。

第四方面，本申请实施例提供了一种计算机存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现如第一方面或第一方面的任意一个实施例中所描述的方法。

本申请实施例中，根据z个节点和预设模型确定节点间排序概率矩阵；根据节点间排序概率矩阵、知识点连通矩阵及目标用户在知识点上的学习初级参数，确定第一连通概率矩阵；根据第一连通概率矩阵和目标用户的学习信息确定目标用户的学习路径。通过节点间排序概率矩阵得到知识点或者知识点资源之间的先后顺序的概率，结合两个知识点在学习路径上排序的位置关系及目标用户的学习状况，确定知识点资源之间先后排序的概率，根据知识点资源之间先后排序的概率和用户计划学习的知识点资源数量确定学习路径，本申请实施例针对用户的学习状况，知识点资源是穿插式规划的，使得用户在学习时，根据规划好的多元化知识点资源进行学习，提高了用户的学习效率。

附图说明

下文将参照附图以示例性而非限制性的方式详细描述本申请实施例的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比值绘制的。附图中：

图1A为本申请实施例提供的一种学习规划方法的流程图；

图1B为本申请实施例提供的一种学习规划方法的流程图；

图2为本申请实施例提供的另一种学习规划方法的示意图；

图3为本申请实施例提供的一种学习规划装置的示意图；

图4为本申请实施例提供的一种电子设备的结构图。

具体实施方式

下面结合本发明实施例附图进一步说明本发明实施例具体实现。

实施例一

需要说明的是，本申请中的目标只是为了表示单数概念，而不用于限制，不是特指某一个，例如，目标用户指的是一个用户，可以是任意一个用户；本申请中的第一和第二只是为了区分名称，并不代表顺序关系，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。

本申请实施例一提供一种学习规划方法，图1A为本申请实施例提供的一种学习规划方法的流程图，如图1A所示，该学习规划方法包括以下步骤101-103：

步骤101、根据z个节点和预设模型确定节点间排序概率矩阵。

本实施例中，知识点资源可以包括附加了知识点的各种资源，其表现形式可以但不局限是试题、学习资源。试题主要用于测试学生对知识点的掌握程度，其具体可以题目的形式出现，试题可以通过文本、图片等示出，学习资源包括各种帮助学生掌握或者练习知识点，学习资源可以以视频、文本、图片、PPT等示出。

本实施例中，节点的类别分为知识点、试题、学习资源，因此，一个节点可以是知识点，也可以是试题，也可以是学习资源对此本申请不做限制。

本实施例中，节点间排序概率矩阵中的矩阵元素用于指示两个节点之间具有先后逻辑依赖关系的概率，节点包括知识点或者知识点资源，z为大于1的整数。

示例的，当两个节点的类别不一样时，两个节点可以是知识点与试题，或者，两个节点可以是试题与学习资源，或者，两个节点可以是知识点与学习资源；当两个节点的类别一样时，两个节点可以分别是知识点与知识点，或者，两个节点可以分别是试题与试题，或者，两个节点可以是学习资源与学习资源。

示例的，节点间排序概率矩阵记为P₄，假如一个节点i为学习资源，另外一个节点j为试题，节点i和节点j涵盖了相同的知识点，节点i到节点j之间的先后排序概率记为

先后排序概率

作为节点间排序概率矩阵P₄的矩阵元素，先后排序概率

越大，表明节点i与节点j之间具有先后排序的可连性越大，在进行学习路径规划时，为了能测试学生对知识点的掌握程度，由于节点j是试题，而节点i是学习资源，因此，优选将节点j尽可能放在节点i的后面，使得学生学习了学习资源之后再练习试题。

可选的，本实施中的预设模型可以是有监督随机漫步模型，有监督随机漫步模型是指用已知样本作为训练集建立的数学模型，该数学模型例如模式识别中的判别模型，人工神经网络法中的权重模型等。

步骤102、根据节点间排序概率矩阵、知识点连通矩阵及目标用户在知识点上的学习初级参数，确定第一连通概率矩阵。

本实施例中，学习初级参数用于指示目标用户在知识点上的掌握程度，知识点连通矩阵中的矩阵元素用于指示两个知识点之间的逻辑依赖关系，第一连通概率矩阵中的矩阵元素用于指示针对目标用户的历史学习状况，两个节点之间在学习路径上先后排序的概率。

需要说明的是，对目标用户而言，某个知识点的学习初级参数，可以表示为目标用户目前对该知识点的掌握程度，以目标用户是学生u为例，用向量θ_u＝(θ_u,1,θ_u,2,…,θ_u,k)表示掌握程度，k为知识点的总数，θ_u,k表示学生u在知识点k上的掌握程度，示例的，向量中的每一个元素以0到4的整数进行表示，其中0表示还未达到识记水平、1表示达到识记水平但未达到理解水平、2表示达到理解水平但未达到应用水平、3表示达到应用水平但未达到综合水平、4表示达到综合水平，例如，θ_u,k＝1表示学生u在知识点k上的掌握程度达到识记水平但未达到理解水平。

本实施例中，知识点连通矩阵用G表示，知识点连通矩阵G中的矩阵元素g_m,n，表示两个知识点之间的依赖关系，其具体数值可以为0或者1。当g_m,n＝1时，知识点m不是知识点n的后置知识点，表示在规划学习路径时，可以将知识点m放置在知识点n的前面；当g_m,n＝0时，表示知识点m依赖于知识点n，表示在规划学习路径时，知识点m不能放置在知识点n的前面，应该先规划知识点n。

本实施例中，第一连通概率矩阵以学生的知识点掌握程度为依据，针对学生的学习能力对知识点资源进行升权或降权，使得掌握程度越差的知识点资源的优先级越高，以便在进行学习路径规划时，将优先级高的知识点资源规划到优先级低的前面，使得学生在根据学习路径进行学习时，提高学习效率。

具体地，本实施例中，步骤102具体可以包括如下步骤102a-102b：

步骤102a、将节点间排序概率矩阵与知识点连通矩阵相乘，得到第二连通概率矩阵。

其中，第二连通概率矩阵中的矩阵元素用于指示作为知识点资源的两个节点在学习路径上的先后排序的概率。矩阵元素中节点是知识资源的时候(试题或学习资源)，该节点涵盖了知识点，两个节点涵盖的知识点可能相同，也可能不同。为此，当这两个节点所包含的知识点有可能是前后置关系。当根据步骤101得到的节点间排序概率矩阵P₄中矩阵元素

不等于0，并不表示在学习路径规划时可以将节点i放置在节点j的前面。例如，如果节点i所含有的知识点为k₁，节点j所含有的知识点为k₂，知识点k₂是知识点k₁的前置，在学习路径规划中，节点i的不能放置节点j的前面。将节点间排序概率矩阵P₄与知识点连通矩阵G相乘，得到第二连通概率矩阵P₅。

步骤102b、根据学习初级参数对第二连通概率矩阵中的元素值进行调整，得到第一连通概率矩阵。

将第二连通概率矩阵P₅与学生的知识点掌握程度进行结合，获得第一连通概率矩阵P₆，以下列举三个示例对步骤102进行说明，这三个示例不分先后，也可以相互结合，对此本申请实施例不做限制。

第一个示例：以目标用户是学生u为例，学生u的知识点掌握程度向量θ_u＝(θ_u,1,θ_u,2,…,θ_u,K)，θ_u,K表示学生u在知识点k上的掌握程度，第二连通概率矩阵P₅中的矩阵元素是节点与节点之间的关联，节点包括知识点及知识点资源，因此，第二连通概率矩阵P₅中每个矩阵元素所反映的是知识点，将第二连通概率矩阵P₅中每个矩阵元素乘以其矩阵元素涵盖的知识点所对应的学习初级参数，得到第一连通概率矩阵P₆，第一连通概率矩阵P₆以学生的知识点掌握程度为依据，针对学生u的学习能力对知识点资源进行升权或降权，使得掌握程度越差的知识点资源的优先级越高，以便在进行学习路径规划时，将优先级高的知识点资源规划到优先级低的前面，使得学生在根据学习路径进行学习时，提高学习效率。

第二个示例：将掌握程度向量θ_u进行归一化处理，得到掌握程度权重δ_u＝(δ_u,1,δ_u,2,…,δ_u,K)，归一化方式为：

将第二连通概率矩阵P₅中每个矩阵元素乘以矩阵元素涵盖的知识点所对应的归一化学习初级参数，得到第一连通概率矩阵P₆。通过对掌握程度向量θ_u进行归一化处理，使得掌握程度权重δ_u的数值在一定的范围波动，对第一连通概率矩阵P₆中的矩阵元素进行升权或降权时，从而可以保证第一连通概率矩阵P₆的矩阵元素反映的知识点资源优先级数值在一定范围内波动。

第三个示例：获取第二连通概率矩阵中矩阵元素涵盖的至少一个知识点，计算目标用户在至少一个知识点上的学习初级参数的平均值；根据平均值对第二连通概率矩阵中的元素值进行调整，得到第一连通概率矩阵。第二连通概率矩阵P₅中的矩阵元素是知识点资源时，知识点资源包括试题与学习资源，一个试题可以涵盖一个知识点，也可以涵盖多个知识点；一个学习资源可以涵盖一个知识点，也可以涵盖多个知识点。例如，当知识点资源是学习资源时，若学习资源涵盖1个知识点，则将学生u在该知识点上的掌握程度作为学习初级参数；再如，当知识点资源是试题时，若试题涵盖3个知识点，计算学生u在3个知识点上掌握程度的平均值，将第二连通概率矩阵P₅中每个矩阵元素乘以矩阵元素涵盖的知识点所对应的学习初级参数平均值，得到第一连通概率矩阵P₆。通过计算目标用户在至少一个知识点上的学习初级参数的平均值，根据平均值对第二连通概率矩阵P₅中的元素值进行调整，得到的第一连通概率矩阵P₆，将矩阵元素所涵盖的知识点都考虑进去，使得根据第一连通概率矩阵P₆的矩阵元素确定的学习路径更符合学生学习的实际情况。

步骤103、根据第一连通概率矩阵和目标用户的学习信息确定目标用户的学习路径。

其中，本实施例中，学习信息包括目标用户计划学习的知识点资源的数量，学习路径用于指示为目标用户规划的学习知识点资源的顺序。

本实施例中，可以根据目标用户在知识点上的学习期望参数和学习初级参数，确定目标用户在知识点上所对应的知识点资源个数，将知识点资源个数作为目标用户的学习信息，学习期望参数用于指示目标用户在知识点上的学习期望，知识点资源包括试题、学习资源。示例的，以目标用户是学生u为例，用掌握程度向量θ_u＝(θ_u,1,θ_u,2,...,θ_u,k)表示学习初级参数，k为知识点的总数，θ_u,k表示学生u在知识点k上的掌握程度；用学习目标向量o_u＝(o_u,1,o_u,2,...,o_u,k)表示学习期望参数，k为知识点的总数，o_u,k表示学生u在知识点k上期望达到的程度。示例的，计算学生u的学习目标向量o_u,k和学生u的掌握程度向量θ_u,k之间的差值，生成学生u的学习信息。具体地，用向量n_u＝(n_u,1,n_u,2,…,n_u,K)表示学生u的学习信息，k为知识点的总数，n_u,k表示学生u在知识点k上需要学习的资源数量。

可选的，根据实际情况设置每个知识点下知识点资源的最大学习数量M，因此，每个知识点应当学习的资源数量n_u,k计算方式如下：

当o_u,k-θ_u,k<0时，h(o_u,k-θ_u,k)＝0，表示学生u在该知识点上的掌握程度已经超过了学习目标，可以不用再学习该知识点下的知识点资源；当o_u,k-θ_u,k>0，h(o_u,k-θ_u,k)＝o_u,k-θ_u,k，此时学生u的实际掌握程度还未达到学习目标要求，需要继续学习。具体地，本实施例中以数值形式对知识点的掌握程度进行表示，数值越小，掌握程度越低，数值越大，掌握程度越好；例如，学生u在知识点u1上的学习目标是4，而实际掌握程度是0，知识点u1的最大知识点资源数量设置为10，那么在知识点u1上就需要学习最大数量的知识点资源，也就是说学生u在知识点u1上需要学习10个知识点资源；再如，学生u在知识点u1上的学习目标是1，而实际掌握程度是0.5，知识点u1的最大知识点资源数量设置为6，那么在知识点u1上就需要学习3个知识点资源。学习信息向量n_u能够根据学生u的实际学习情况和学习目标获得知识点资源的学习数量，知识点资源包括试题与学习资源，能够在数量非常多的知识点资源中，筛选出符合学生的实际学习情况和学习目标的知识点资源数量，而不需要将该知识点点资源全部学完，使得学生能够在有限的时间内学习到更多的符合自身学习情况的知识点资源，提高学习效率。

具体地，本实施例中，步骤103可以通过如下步骤103a-103c来实现：

步骤103a、确定目标知识点。

其中，目标知识点用于指示在学习路径中，需要学习的第一个知识点资源所涵盖的知识点。在确定目标知识点时，一种应用场景下，根据学生u的实际情况直接设置一个知识点u₁作为目标知识点；另一种应用场景下，根据知识点连通矩阵G选择没有前置知识点的知识点集合，从该知识点集合中选择目标知识点，目标知识点满足以下条件：对于学生u来说，知识点掌握程度最低的知识点。并设定排除知识点集合RK＝{}，排除知识点集合RK主要用于放置已完全规划好知识点资源数量的知识点，例如，学生u在知识点u1上需要学习3个知识点资源，在学习路径规划时，知识点u₁的知识点资源在规划满3个以后，在知识点u₁上就不再规划知识点资源了，此时将知识点u₁放在排除知识点集合RK＝{}中。

步骤103b、根据目标知识点和第一连通概率矩阵确定学习路径的第一个知识点资源。

可选的，步骤103b中确定目标知识点，具体可以包括：根据知识点连通矩阵确定知识点集合；根据学习初级参数从知识点集合中确定出目标知识点；根据目标知识点和第一连通概率矩阵确定学习路径的第一个知识点资源，具体可以包括：根据目标知识点，确定目标知识点在第一连通概率矩阵中的行位置；将目标知识点的行位置中矩阵元素为最大值时所对应的资源，确定为学习路径的第一个知识点资源。

示例的，知识点u₁是学习路径规划中的第一个知识点，在开始规划学习路径时，排除知识点集合RK＝{}是空集，知识点u₁不在集合RK中，可以对知识点u₁进行知识点资源规划。

具体地，本实施例中，根据目标知识点和第一连通概率矩阵确定学习路径的第一个知识点资源可以包括如下步骤A：

A步骤、在第一连通概率矩阵P₆中确定出知识点u₁所在的行，从该行中选择矩阵元素值最大的资源re₁，资源re₁是学习路径规划中的第一个知识点资源，此时，规划学习路径h_u＝{re₁}，并记录资源re₁所包含的知识点u₂。

步骤103c、根据第一个知识点资源、目标用户的学习信息，从第一连通概率矩阵中确定出目标用户的学习路径。其中，学习路径中的资源数量等于目标用户计划学习的知识点资源的数量。

具体地，本实施例中，步骤103c可以具体包括：根据第一个知识点资源更新目标用户的学习信息；根据第一个知识点资源，确定第一个知识点资源在第一连通概率矩阵中的行位置；根据目标用户的学习信息，将知识点资源的数量不为0，且在第一个知识点资源的行位置中，矩阵元素值最大的资源，确定为学习路径的下一个知识点资源。可以为如下步骤B到步骤E：

B步骤、更新学生u的学习信息n_u＝(n_u,1,n_u,2,…,n_u,K)，k为知识点的总数，n_u,k表示学生u在知识点k上需要学习的知识点资源的数量。经过A步骤之后，已经选择了知识点u₂的一个资源re₁，将知识点u₂所对应的学习信息

的数值减去1，得到更新后的n_u。

C步骤、更新RK＝{}，对B步骤中更新后的n_u进行遍历查找，如果某个知识点对应的学习信息中数量为0，则在后续的学习路径规划中，不需要再规划该知识点下的资源。例如，知识点u₂只需要规划一个学习资源，经过B步骤之后

说明后续的学习路径规划中，不需要再规划知识点u₂下的资源，此时将RK更新为RK＝{u₂}。

D步骤、在第一连通概率矩阵P₆中确定资源re₁所在的行，从该行中选择的资源re₂需满足以下条件：资源re₂所包含的知识点不在排除知识点集合RK中，资源re₂的元素值最大，此时，规划的学习路径h_u＝{re₁,re₂}，并记录资源re₂所包含的知识点u₃。

步骤E、重复B步骤-C步骤，更新学生u的学习信息n_u及排除知识点集合RK。再重复D步骤，直到n_u中所有知识点规划的数量都为0时，停止规划。此时规划出的学习路径h_u已经完全满足了各个知识点下所需要的知识点资源的数量要求。

此处，对如何规划学生u的学习路径进行示例性说明，本申请实施例还提供了一种学习规划方法，如图2所示，图2为本申请实施例提供的另一种学习规划方法的示意图，该学习规划方法，图2中对K个知识点、N个试题、R个学习资源和有监督随机漫步模型确定节点间排序概率矩阵P₄，节点间排序概率矩阵P₄是(K+N+R)×(K+N+R)的矩阵，节点间排序概率矩阵P₄的矩阵元素中包括有K×K个矩阵元素是知识点与知识点，N×N个矩阵元素是试题与试题，R×R个矩阵元素是学习资源与学习资源；将节点间排序概率矩阵P₄与知识点连通矩阵G相乘，得到第二连通概率矩阵P₅；根据学习初级参数对第二连通概率矩阵P₅中的元素值进行权重升高或权重降低的处理，得到第一连通概率矩阵P₆；根据第一连通概率矩阵P₆、学生u的学习信息n_u、知识点连通矩阵G、学生u的学习初级参数θ_u，利用MultiConstrainsResPlan算法规划出学生u的学习路径h_u。

对知识点资源进行规划，一方面费时费力，另一方面需要很好的经验和专家知识，而多数学生都不具备这样的条件；知识点的前后置关系、知识点资源之间的关系，学生自身很难准确地构建和量化出来。根据步骤101-步骤103得到的学习路径h_u，该学习路径h_u能够满足学生掌握程度的学习需求、知识点前后置关系、能够综合考虑各种类型节点之间相互关系的第一连通概率矩阵P₆，确保了规划的有效性和准确性。学习路径h_u能够为学生提供适合的、准确的知识点资源路径，降低了学生的学习成本，使得学生不需要从大量的知识点资源中找到有价值且具有针对性的资源，提高了学生的学习效率。

实施例二

图1B为本申请实施例中步骤101的流程示意图；如图1B所示，步骤101可以包括如下步骤101a-步骤101d：

步骤101a、根据z个节点之间的关联性确定节点边矩阵。

其中，节点边矩阵的矩阵元素用于指示两个节点是否存在知识点交集。在此，需要说明的是，一个试题可以包含一个知识点，也可以包含多个知识点，一个学习资源可以包含一个知识点，学习资源也可以包含多个知识点，对此，本申请不做限制。

确定节点边矩阵可以通过以下方式实现，构建两个节点之间的有监督边，可选的，当两个节点存在知识点交集时，在两个节点之间构建一条有监督边。根据z个节点之间的关联性，确定节点边矩阵se⁽⁴⁾，矩阵se⁽⁴⁾为z×z的矩阵，矩阵se⁽⁴⁾中的矩阵元素

如果节点i和节点j有知识点交集，则

如果节点i和节点j无知识点交集，则

节点i可以为知识点、试题或学习资源，节点j可以为知识点、试题或学习资源。示例的，节点i为试题，节点j为知识点u₁，如果试题含有知识点u₁，则在知识点u₁与试题之间构建一条有监督边；节点i为学习资源，节点j为知识点u₂，如果学习资源含有知识点u₂，则在知识点u₂与学习资源之间构建一条有监督边；节点i为试题，节点j为学习资源，如果试题和学习资源含有同一个知识点u₃，则在该试题和该学习资源之间构建一条有监督边。

步骤101b、根据节点边特征向量和节点边矩阵，构建预设模型的第一目标函数。

其中，节点边特征向量用于指示两个节点之间的特征差异，第一目标函数用于确定两个节点之间的边特征向量权重。

需要说明的是，通过计算节点特征向量中的两个节点之间的边特征确定节点边特征向量；节点特征为知识点特征、试题特征及学习资源特征三者的交集，在此，先对知识点特征、试题特征及学习资源特征进行示例性说明，其中的数量仅仅是举例，并非唯一性限定。

可以理解的是，节点边特征向量表示的是节点和节点之间的边特征，节点可以是知识点、试题或学习资源，当节点边特征向量中的两个节点均是知识点时，可以计算知识点与知识点的边特征，并根据知识点与知识点的边特征确定节点边特征向量；当节点边特征向量中的两个节点均是试题时，可以计算试题与试题的边特征，并根据试题与试题的边特征确定节点边特征向量；当节点边特征向量中的两个节点均是学习资源时，可以计算学习资源与学习资源的边特征，并根据学习资源与学习资源的边特征确定节点边特征向量。

(1)关于知识点特征

知识点特征用向量表示为f_k＝(f_k,1,f_k,2)，f_k,1表示第k个知识点的难度，可选的，难度可以用1到3进行表示，1表示难度低、2表示难度中等、3表示难度高，难度也可以用更细化的数值进行表示，可以根据实际情况进行设置，本申请对此不做限制；f_k,2表示第k个知识点的认知水平，可选的，认知水平用1到4进行表示，1表示识记、2表示理解、3表示应用、4表示综合，可选的，根据实际情况，表示知识点特征的向量f_k可以根据实际情况进行扩展，增加新的特征，例如文本特征、图片特征等，具体需要添加什么特征可依据实际情况而定，本申请是以难度和认知水平示出，并不代表本申请局限于此。

(2)关于试题特征

试题特征用向量表示为f_n＝(f_n,1,f_n,2,f_n,3,f_n,4,f_n,5,f_n,6)，f_n,1表示第n道试题所涵盖的知识点集合，f_n,2表示第n道试题的题型，f_n,3表示第n道试题的难度，可选的，难度可以用1到3进行表示，1表示难度低、2表示难度中等、3表示难度高，难度也可以用更细化的小数进行表示，可以根据实际情况进行设置，本申请对此不做限制，f_n,4表示第n道试题的认知水平，可选的，认知水平用1到4进行表示，1表示识记、2表示理解、3表示应用、4表示综合，f_n,5表示第n道试题的文本特征向量，f_n,6表示第n道试题的图像特征向量。

(3)关于学习资源特征

学习资源特征用向量表示为f_r＝(f_r,1,f_r,2,f_r,3,f_r,4,f_r,5,f_r,6,f_r,7)。其中，f_r,1表示第r个学习资源所涵盖的知识点集合，f_r,2表示第r个学习资源的类型，例如视频、文本、图片、PPT等，f_r,3表示第r个学习资源的难度，可选的，难度可以用1到3进行表示，1表示难度低、2表示难度中等、3表示难度高，难度也可以用更细化的小数进行表示，可以根据实际情况进行设置，本申请对此不做限制，f_r,4表示第r个学习资源的认知水平，可选的，认知水平用1到4进行表示，1表示识记、2表示理解、3表示应用、4表示综合，f_r,5表示第r个学习资源的文本特征向量，f_r,6表示第r个学习资源的图像特征向量，f_r,7表示第r个学习资源的视频特征向量。

由上述举例可见，用于表示知识点的特征向量可以包含有2个特征，用于表示试题的特征向量可以包含有6个特征，用于表示学习资源的特征向量可以包含有7个特征，节点特征是选取知识点特征、试题特征及学习资源特征之间特征交集。因此，节点特征包含难度和认知水平这两个特征。

本申请实施例，节点特征用向量表示为f_z＝(f_z,1,f_z,2)，其中f_z,1表示第z个节点的难度，可选的，难度可以用1到3进行表示，1表示难度低、2表示难度中等、3表示难度高，难度也可以用更细化的数值进行表示，难度也可以根据实际情况进行设置，本申请对此不做限制，f_z,2表示第z个节点的认知水平，可选的，认知水平用1到4进行表示，1表示识记、2表示理解、3表示应用、4表示综合。此外，根据实际情况，节点特征还可以包含其他特征，本申请实施例是以难度和认知水平示出，并不代表本申请实施例局限于此。

根据节点特征向量f_z，对节点i和节点j之间的难度差距、节点i和节点j之间的认知水平差异进行计算，得到节点边特征向量，节点边特征向量用于指示两个节点之间的特征差异，示例的，节点边特征向量表示为

表示，其中

|f_i,1-f_j,1|表示节点i和节点j之间的难度的差值绝对值，max(f_i,1,f_j,1)表示取节点i和节点j之间的难度最大值，

表示节点i和节点j之间的难度差距，难度差距越小，则对应的特征值越大，

取0到1之间的数；

|f_i,2-f_j,2|表示节点i和节点j之间认知水平的差值绝对值，max(f_i,2,f_j,2)表示取节点i和节点j之间的认知水平最大值，

表示两个节点之间的认知水平差异，认知水平差异越小，则对应的特征值越大，

取0到1之间的数。节点边特征向量

用于指示两个节点之间的特征差异，本申请实施例是以两个节点之间的难度差距、认知水平差异示出，并不代表本申请实施例局限于此。

根据表示节点边特征的向量

和节点边矩阵se⁽⁴⁾构建有监督随机漫步模型的第一目标函数，第一目标函数用公式一表示：

公式一

公式一中，w₁＝(w_1,1,w_1,2)用于表示两个节点之间边特征向量的权重，w_1,1表示节点边特征向量中难度差距

特征的权重，w_1,2表示节点边特征向量中认知水平差异

特征的权重，||w₁||²用于限制w₁的权重大小，避免w₁的权重过大或过小。ZS表示节点集合，D_z表示与节点z有边连接的节点集合，L_z表示与节点z没有边连接的节点集合，∈是预定义的超参，取值范围为0到1，用于权衡

这一项在第一目标函数中的所起的作用大小。p_zi为有监督边的概率，p_zj为没有监督边的概率，可选的，得到p_zi和p_zj有以下实现方式，对w₁预设一个值，然后对w₁进行迭代更新，基于更新后的w₁与节点边特征向量

结合起来得到p_zi及p_zj，继续对w₁进行重复迭代，直到w₁收敛，基于收敛后的w₁计算的p_zi及p_zj作为最终的p_zi及p_zj。h(p_zi-p_zj)为指示函数，当p_zi-p_zj>0时，即有监督边的概率大于没有监督边的概率，则h(p_zj-p_zj)＝0；当p_zi-p_zj<0时，即有监督边的概率小于没有监督边的概率，则h(p_zi-p_zj)＝p_zi-p_zj，h(p_zi-p_zj)为小于0的数。

步骤101c、根据节点边特征向量、节点边矩阵及第一目标函数确定节点边重要性矩阵。

其中，节点边重要性矩阵用于指示两个节点之间边特征的重要性。

可选的，在本申请的一种实施例中，根据节点边特征向量、节点边矩阵及第一目标函数确定节点边特征向量中每个边特征的第一特征因子，第一特征因子表示两个节点之间边特征向量的权重；将第一特征因子与节点边特征向量相乘，得到节点边重要性矩阵。

在本申请实施例中采用随机下降方法得到节点边特征向量中每个边特征的第一特征因子，示例的，任意两个节点之间边特征向量的权重w₁＝(w_1,1,w_1,2)，w_1,1表示节点边特征向量中难度差距

特征的权重，w_1,2表示节点边特征向量中认知水平差异

特征的权重。对节点边矩阵se⁽⁴⁾中的每一个矩阵元素

的节点边特征向量进行计算，得到每一个矩阵元素的权重，将节点边特征向量的权重w₁与节点边特征向量

进行结合。

可选的，

用于指示节点i与节点j之间边特征的重要性，将节点边矩阵中的每一个矩阵元素的权重与其对应的边特征向量相乘，得到节点边重要性矩阵E₄，节点边重要性矩阵E₄中矩阵元素表示为

矩阵元素

表示节点i和节点j之间的关联程度，矩阵元素中的值越大，表明节点j对于节点i越重要。

步骤101d、基于节点边重要性矩阵得到节点间排序概率矩阵。

根据节点边重要性矩阵E₄，本申请实施例采用随机梯度下降方法，计算得出节点间排序概率矩阵P₄。可选的，预先设置一个节点间排序概率矩阵P₄，将节点边重要性矩阵与预先设置节点间排序概率矩阵进行相乘，然后采用随机梯度下降方法进行迭代计算，直到收敛为止，例如，收敛条件可以是前后两次迭代的值小于预设阈值，满足收敛条件的矩阵作为节点间排序概率矩阵P₄。节点间排序概率矩阵P₄中的矩阵元素

表示节点i到节点j之间的可连接程度，矩阵元素

值越大，表明节点i和节点j之间可连接性越大，在节点i之后，放置节点j更适合循序渐进的学习过程，因此，在进行学习路径规划时，应尽可能将节点j放在节点i的后面。

根据步骤101a-步骤101d获得的节点边矩阵、节点边重要性矩阵、节点间排序概率矩阵中的矩阵元素都包含有6个类别，分别是知识点与学习资源、知识点与试题、试题与学习资源、知识点与知识点、试题与试题、学习资源与学习资源。通过计算节点特征向量中的两个节点之间边特征确定节点边特征向量，节点特征是知识点特征、试题特征及学习资源特征的交集，节点特征是节点难度及节点认知水平。例如，根据3个知识点、2个试题，4个学习资源得到的节点边矩阵或节点边重要性矩阵或节点间排序概率矩阵是9×9矩阵，矩阵元素有81个，81个矩阵元素中有9个矩阵元素是知识点与知识点，4个矩阵元素是试题与试题，16个矩阵元素是学习资源与学习资源。节点边重要性矩阵或节点间排序概率矩阵中的矩阵元素不仅包括类型不同的两个节点，还包括类型相同的两个节点。

当两个节点的类别一样时，例如，两个节点是知识点与知识点或试题与试题或学习资源与学习资源，步骤101还可以包含以下步骤，在此，列举三个示例进行说明。

实施例三

第一个示例，当两个节点都是知识点时，步骤101可以有以下实现方式，可选的，在本申请的一种实施例中，根据各个知识点之间的关联性确定知识点边矩阵，知识点边矩阵的矩阵元素用于指示两个知识点是否共用同一知识点，节点边矩阵包括知识点边矩阵。

确定知识点边矩阵可以通过以下方式实现，构建两个知识点之间的有监督边，可选的，当两个知识点共用同一个知识点，也就是说两个知识点均是同一个父知识点的子知识点，在两个知识点之间构建一条边，有监督边用于表示这两个知识点之间是否共用同一个知识点，示例的，根据k个知识点之间的关联性确定知识点边矩阵se⁽¹⁾，矩阵se⁽¹⁾为k×k的矩阵，矩阵se⁽¹⁾中的矩阵元素

如果知识点i和知识点j共用同一个知识点，则

如果知识点i和知识点j不共用同一个知识点，则

当节点边矩阵中的两个节点是知识点与知识点时，根据知识点与知识点之间的关联性确定知识点边矩阵，节点边矩阵中的矩阵元素包括知识点边矩阵中矩阵元素，可以使得节点边矩阵中的矩阵元素所表达的关系更加准确，便于在后续确定学习路径规划时，规划出的学习路径更加符合学生的需求，使学生在根据学习路径进行学习时提高学生的学习效率。

通过计算知识点特征向量中的两个知识点之间边特征确定知识点边特征向量，在本申请实施例中知识点特征用向量表示为f_k＝(f_k,1,f_k,2)，f_k,1表示第k个知识点的难度，可选的，难度可以用1到3进行表示，1表示难度低、2表示难度中等、3表示难度高，难度也可以用更细化的数值进行表示，可以根据实际情况进行设置，本申请对此不做限制，f_k,2表示第k个知识点的认知水平，可选的，认知水平用1到4进行表示，1表示识记、2表示理解、3表示应用、4表示综合，可选的，根据实际情况，知识点特征向量可以根据实际情况进行扩展，即增加新的特征，例如文本特征、图片特征等，具体需要添加什么特征可依据实际情况而定，本申请是以难度和认知水平示出，并不代表本申请局限于此。根据知识点特征向量f_k，对知识点i和知识点j之间的难度差距、知识点i和知识点j之间的认知水平差异进行计算，得到知识点边特征向量，知识点边特征向量用于指示两个知识点之间的特征差异，示例的，知识点边特征用向量表示为

其中，

表示知识点i和知识点j之间的难度差距，难度差距越小，则对应的特征值越大，

取0到1之间的数值；

表示两个知识点之间的认知水平差异，认知水平差异越小，则对应的特征值越大，

取0到1之间的数值。知识点边特征向量

用于指示两个知识点之间的特征差异，本申请实施例是以两个知识点之间的难度差距、认知水平差异示出，并不代表本申请实施例局限于此。

根据知识点边特征向量

和知识点边矩阵se⁽¹⁾，构建预设模型的第二目标函数，第二目标函数用于确定两个知识点之间的边特征向量权重。第二目标函数用公式二表示：

公式二

公式二中，w₁＝(w_1,1,w_1,2)，用于表示两个知识点之间边特征向量的权重，w_1,1表示知识点边特征向量中难度差距

特征的权重，w_1,2表示知识点边特征向量中认知水平差异

特征的权重，||w₁||²用于限制w₁的权重大小，避免w₁的权重过大或过小。KS表示知识点集合，D_k表示与知识点k有边连接的知识点集合，L_k表示与知识点k没有边连接的知识点集合，∈是预定义的超参，取值范围为0到1，用于权衡

这一项在第二目标函数中的所起的作用大小。p_ki为有监督边的概率，p_kj为没有监督边的概率，可选的，得到p_ki和p_kj可以有以下实现方式，对w₁预设一个值，然后对w₁进行迭代更新，基于更新后的w₁与节点边特征向量

结合起来得到p_ki及p_kj，继续对w₁进行重复迭代，直到w₁收敛，基于收敛后的w₁计算的p_ki及p_kj作为最终的p_ki及p_kj。h(p_ki-p_kj)为指示函数，当p_ki-p_kj>0时，即有监督边的概率大于没有监督边的概率，h(p_ki-p_kj)＝0；当p_ki-p_kj<0时，表示有监督边的概率小于没有监督边的概率，h(p_ki-p_kj)＝p_ki-p_kj，h(p_ki-p_kj)为小于0的数。

根据知识点边特征向量、知识点边矩阵及第二目标函数确定知识点边重要性矩阵，知识点边重要性矩阵用于指示两个知识点之间边特征的重要性，节点边重要性矩阵包括知识点边重要性矩阵。

可选的，在本申请的一种实施例中，根据知识点边特征向量、知识点边矩阵及第二目标函数确定知识点边特征向量中每个边特征的第二特征因子，第二特征因子表示两个知识点之间边特征向量的权重；将第二特征因子与知识点边特征向量相乘，得到知识点边重要性矩阵。

在本申请实施例中采用随机下降方法得到知识点边特征向量中每个边特征的第二特征因子，示例的，任意两个知识点之间边特征向量的权重w₁＝(w_1,1,w_1,2)，w_1,1表示知识点边特征向量中难度差距

特征的权重，w_1,2表示知识点边特征向量中认知水平差异

特征的权重。对知识点边矩阵se⁽¹⁾中的每一个矩阵元素

的知识点边特征向量进行计算，得到每一个矩阵元素的权重，将知识点边特征向量的权重w₁与知识点边特征向量

进行结合，可选的，

用于指示知识点i与知识点j之间边特征的重要性，将知识点边矩阵中的每一个矩阵元素的权重与其对应的边特征向量相乘，得到知识点边重要性矩阵E₁，知识点边重要性矩阵E₁中矩阵元素表示为

矩阵元素

表示知识点i和知识点j之间的关联程度，矩阵元素的值越大，表明知识点j对于知识点i越重要。在此，需要说明的是，当节点边重要性矩阵中的两个节点是知识点与知识点时，根据知识点与知识点之间的关联性确定知识点重要性矩阵，节点边重要性矩阵中的矩阵元素包括知识点重要性矩阵中矩阵元素，可以使得节点边重要性矩阵中的矩阵元素所表达的关系更加准确，便于在后续确定学习路径规划时，规划出的学习路径更加符合学生的需求，使学生在根据学习路径进行学习时提高学生的学习效率。

基于对知识点边重要性矩阵得到知识点概率矩阵，节点间排序概率矩阵包括知识点概率矩阵。根据知识点边重要性矩阵E₁，本申请实施例采用随机梯度下降方法，计算得出知识点概率矩阵P₁。可选的，预先设置一个知识点概率矩阵P₁，将知识点边重要性矩阵E₁与预先设置知识点概率矩阵进行相乘，然后采用随机梯度下降方法进行迭代计算，直到收敛为止，例如，收敛条件可以是前后两次迭代的值小于预设阈值，满足收敛条件的矩阵作为知识点概率矩阵P₁。知识点概率矩阵P₁中的矩阵元素

表示知识点i到知识点j之间的可连接程度，矩阵元素

值越大，表明知识点i和知识点j之间可连接性越大，在进行学习路径规划时，应将知识点j放在知识点i的后面。当节点间排序概率矩阵中的两个节点是知识点与知识点时，根据知识点与知识点之间的关联性确定知识点概率矩阵，节点间排序概率矩阵中的矩阵元素包括知识点概率矩阵中矩阵元素，可以使得节点间排序概率矩阵中的矩阵元素所表达的关系更加准确，便于在后续确定学习路径规划时，规划出的学习路径更加符合学生的需求，使学生在根据学习路径进行学习时提高学生的学习效率。

实施例四

第二个示例，当两个节点都是试题时，步骤101可以有以下实现方式，可选的，在本申请的一种实施例中，根据各个试题之间的关系确定试题边矩阵，试题边矩阵的矩阵元素用于指示两个试题是否包含有同一知识点，节点边矩阵包括试题边矩阵。

确定试题边矩阵可以通过以下方式实现，构建两个试题之间的有监督边，可选的，当两个试题包含有同一个知识点，在两个试题之间构建一条边，有监督边用于表示这两个试题之间是否包含有同一个知识点。示例的，根据n个试题之间的关联性确定试题边矩阵se⁽²⁾，矩阵se⁽²⁾为n×n的矩阵，矩阵se⁽²⁾中的矩阵元素表示为

如果试题i和试题j包含知识点交集，则

如果试题i和试题j无知识点交集，则

当节点边矩阵中的两个节点是试题与试题时，根据试题与试题之间的关联性确定试题边矩阵，节点边矩阵中的矩阵元素包括试题边矩阵中矩阵元素，可以使得节点边矩阵中的矩阵元素所表达的关系更加准确，便于在后续确定学习路径规划时，规划出的学习路径更加符合学生的需求，使学生在根据学习路径进行学习时提高学生的学习效率。

通过计算试题特征向量中的两个试题之间边特征确定试题边特征向量，在本申请实施例中试题的特征，用向量表示为f_n＝(f_n,1,f_n,2,f_n,3,f_n,4,f_n,5,f_n,6)，f_n,1表示第n道试题所涵盖的知识点集合，f_n,2表示第n道试题的题型，f_n,3表示第n道试题的难度，可选的，难度可以用1到3进行表示，1表示难度低、2表示难度中等、3表示难度高，难度也可以用更细化的数值进行表示，可以根据实际情况进行设置，本申请对此不做限制，f_n,4表示第n道试题的认知水平，可选的，认知水平用1到4进行表示，1表示识记、2表示理解、3表示应用、4表示综合，f_n,5表示第n道试题的文本特征向量，f_n,6表示第n道试题的图像特征向量。

根据试题特征向量f_n，对试题i和试题j之间的共同含有的知识点个数、试题i和试题j的题型是否相同、试题i和试题j之间的难度差距、试题i和试题j之间的认知水平差异、试题i和试题j之间的文本特征差异、试题i和试题j之间的图像特征差异进行计算，得到试题边特征向量，试题边特征向量用于指示两个试题之间的特征差异。示例的，试题边特征用向量

表示，其中，

表示试题i和试题j含有的共同知识点个数，含有的共同知识点个数越多，则相似性越大；

表示试题i和试题j的题型是否相同，1表示试题i和试题j的题型相同，0表示试题i和试题j的题型不同；

表示两个试题之间的难度差距，难度差距越小，则相应的特征值越大，

取0到1之间的数值；

表示两个试题之间的认知水平差异，认知水平差异越小，则对应的特征值越大，

取0到1之间的数值；

表示两个试题文本向量之间的余弦相似度，越相似，则

越大；

表示两个试题图像向量之间的余弦相似度，越相似，则

越大。试题边特征向量

用于指示两个试题之间的特征差异，本申请实施例是以两个试题之间共同含有的知识点个数、试题题型是否相同、试题难度差距、试题认知水平差异、试题文本特征差异、试题图像特征差异示出，并不代表本申请实施例局限于此。本申请实施例中的试题边特征向量包含有6个特征，使得在根据试题边特征向量和试题边矩阵确定的试题边重要性矩阵中的矩阵元素所表达的关系更加准确，节点边重要性矩阵中的矩阵元素包括试题边重要性矩阵中的矩阵元素，便于在后续确定学习路径规划时，规划出的学习路径更加符合学生的需求，使学生在根据学习路径进行学习时提高学生的学习效率。

在计算两个试题文本向量之间的余弦相似度及两个试题图像向量之间的余弦相似度时，需要对文本特征向量f_n,5及图像特征向量f_n,6进行说明。可选的，在本申请的一个实施例中，根据词向量方法将试题中的文本转化为第一词向量，根据第一词向量计算两个试题之间的文本相似度，得到第一相似度数值，将第一相似度数值确定为两个试题之间的试题文本特征差异。示例的，一个试题最重要的内容是文本，文本是能最为直观、最为准确地刻画出试题属性和特征的内容。因此，在构建试题特征向量时，需要重点考虑试题的文本内容。由于文本内容本身都是一些具体的单词、文本或者符号，本申请实施例采用词向量方法将文本内容转化成第一词向量特征f_n,5，经过词向量方法获取的第一词向量特征f_n,5为一系列量化的数字特征，在根据试题文本特征确定试题边特征向量时，可以根据试题文本特征的第一词向量，计算两个试题文本之间的余弦相似度，得到第一相似度数值，将第一相似度数值确定为试题文本特征差异，示例的，

表示试题i和试题j文本向量之间的余弦相似度，越相似，则

越大。

根据图像特征提取方法或卷积神经网络将试题中的图像转化为试题数值，根据试题数值计算两个试题之间的图像相似度，得到第二相似度数值，将第二相似度数值确定为两个试题之间的试题图像特征差异。示例的，有的试题会含有图片信息，图片信息能够从一定程度上刻画出试题的属性，需要对图片信息进行特征化处理。可选的，采用传统的图像特征提取方法对试题图像提取特征，例如灰度值、直方图、梯度、边缘、角等；可选的，采用卷积神经网络提取试题图像的特征。通过采用图像特征提取传统方法还是采用卷积神经网络方法提取试题图像的特征，对此本申请实施例不做限制，可以得到数字化的图像特征向量f_n,6。根据数字化的图像特征向量f_n,6计算两个试题图像之间的余弦相似度，得到第二相似度数值，将第二相似度数值确定为试题图像特征差异，示例的，

表示两个试题图像向量之间的余弦相似度，越相似，则

越大。

根据试题边特征向量

和试题边矩阵se⁽²⁾，构建预设模型的第三目标函数，第三目标函数用于确定两个试题之间的边特征向量权重。第三目标函数用公式三表示：

公式三

公式三中。w₁＝(w_1,1,w_1,2,w_1,3,w_1,4,w_1,5,w_1,6)，用于表示两个试题之间边特征向量的权重，w_1,1表示试题边特征向量中共同知识点个数

特征的权重，w_1,2表示试题边特征向量中题型是否相同

特征的权重，w_1,3表示试题边特征向量中难度差距

特征的权重，w_1,4表示试题边特征向量中认知水平差异

特征的权重，w_1,5表示试题边特征向量中文本特征差异

特征的权重，w_1,6表示试题边特征向量中图像特征差异

特征的权重，||w₁||²用于限制w₁的权重大小，避免w₁的权重过大或过小。NS表示试题集合，D_n表示与试题n有边连接的试题集合，L_n表示与试题n没有边连接的试题集合，∈是预定义的超参，取值范围为0到1，用于权衡

这一项在第三目标函数中的所起的作用大小。p_ni为有监督边的概率，p_nj为没有监督边的概率，可选的，得到p_ni和p_nj可以有以下实现方式，对w₁预设一个值，然后对w₁进行迭代更新，基于更新后的w₁与节点边特征向量

结合起来得到p_ni及p_nj，继续对w₁进行重复迭代，直到w₁收敛，基于收敛后的w₁计算的p_ni及p_nj作为最终的p_ni及p_nj。h(p_ni-p_nj)为指示函数，当p_ni-p_nj>0时，即有监督边的概率大于没有监督边的概率，h(p_ni-p_nj)＝0；当p_ni-p_nj<0时，表示有监督边的概率小于没有监督边的概率，h(p_ni-p_nj)＝p_ni-p_nj，h(p_ni-p_nj)为小于0的数。

根据试题边特征向量、试题边矩阵及第三目标函数确定试题边重要性矩阵，试题边重要性矩阵用于指示两个试题之间边特征的重要性，节点边重要性矩阵包括试题边重要性矩阵。

可选的，在本申请的一种实施例中，根据试题边特征向量、试题边矩阵及第三目标函数确定试题边特征向量中每个边特征的第三特征因子，第三特征因子表示两个试题之间边特征向量的权重；将第三特征因子与试题边特征向量相乘，得到试题边重要性矩阵。

在本申请实施例中采用随机下降方法得到试题边特征向量中每个边特征的第三特征因子，示例的，两个试题之间边特征向量的权重w₁＝(w_1,1,w_1,2,w_1,3,w_1,4,w_1,5,w_1,6)，w_1,1表示试题边特征向量中共同知识点个数

特征的权重，w_1,2表示试题边特征向量中题型是否相同

特征的权重，w_1,3表示试题边特征向量中难度差距

特征的权重，w_1,4表示试题边特征向量中认知水平差异

特征的权重，w_1,5表示试题边特征向量中文本特征差异

特征的权重，w_1,6表示试题边特征向量中图像特征差异

特征的权重。对试题边矩阵se⁽²⁾中的每一个矩阵元素

的试题边特征向量进行计算，得到每一个矩阵元素的权重，将试题边特征向量的权重w₁与试题边特征向量

进行结合，可选的，

用于指示试题i与试题j之间边特征的重要性，将试题边矩阵中的每一个矩阵元素的权重与其对应的边特征向量相乘，得到试题边重要性矩阵E₂，矩阵E₂中矩阵元素表示为

矩阵元素

表示试题i和试题j之间的关联程度，矩阵元素值越大，试题j对于试题i越重要。当节点边重要性矩阵中的两个节点是试题与试题时，根据试题与试题之间的关联性确定试题边重要性矩阵，节点边重要性矩阵中的矩阵元素包括试题边重要性矩阵中矩阵元素，可以使得节点边重要性矩阵中的矩阵元素所表达的关系更加准确，便于在后续确定学习路径规划时，规划出的学习路径更加符合学生的需求，使学生在根据学习路径进行学习时提高学生的学习效率。

基于试题边重要性矩阵得到试题概率矩阵，节点间排序概率矩阵包括试题概率矩阵。根据试题边重要性矩阵E₂，本申请实施例采用随机梯度下降方法，计算得出试题概率矩阵P₂。可选的，预先设置一个试题概率矩阵P₂，将试题边重要性矩阵E₂与预先设置试题概率矩阵进行相乘，然后采用随机梯度下降方法进行迭代计算，直到收敛为止，例如，收敛条件可以是前后两次迭代的值小于预设阈值，满足收敛条件的矩阵作为试题概率矩阵P₂。试题概率矩阵P₂中的矩阵元素

表示试题i到试题j之间的可连接程度，矩阵元素

值越大，表明试题i和试题j之间可连接性越大，在进行学习路径规划时，应将试题j放在试题i的后面。当节点间排序概率矩阵中的两个节点是试题与试题时，根据试题与试题之间的关联性确定试题概率矩阵，节点间排序概率矩阵中的矩阵元素包括试题概率矩阵中矩阵元素，可以使得节点间排序概率矩阵中的矩阵元素所表达的关系更加准确，便于在后续确定学习路径规划时，规划出的学习路径更加符合学生的需求，使学生在根据学习路径进行学习时提高学生的学习效率。

实施例五

第三个示例，当两个节点都是学习资源时，步骤101可以有以下实现方式，可选的，在本申请的一种实施例中，根据各个学习资源之间的关系确定学习资源边矩阵，学习资源边矩阵的矩阵元素用于指示两个学习资源是否包含有同一知识点，节点边矩阵包括学习资源边矩阵。

确定学习资源边矩阵可以通过以下方式实现，构建两个学习资源之间的有监督边，可选的，当两个学习资源包含有同一个知识点，在两个学习资源之间构建一条边，有监督边用于表示这两个学习资源之间是否包含有同一个知识点。示例的，根据r个学习资源之间的关联性确定学习资源边矩阵se⁽³⁾，矩阵se⁽³⁾为r×r的矩阵，矩阵se⁽³⁾中的矩阵元素表示为

如果学习资源i和学习资源j包含有共同知识点，则

如果学习资源i和学习资源j无知识点交集，则

当节点边矩阵中的两个节点是学习资源与学习资源时，根据学习资源与学习资源之间的关联性确定学习资源边矩阵，节点边矩阵中的矩阵元素包括学习资源边矩阵中矩阵元素，可以使得节点边矩阵中的矩阵元素所表达的关系更加准确，便于在后续确定学习路径规划时，规划出的学习路径更加符合学生的需求，使学生在根据学习路径进行学习时提高学生的学习效率。

通过计算学习资源特征向量中的两个学习资源之间边特征确定学习资源边特征向量，在本申请实施例中学习资源的特征，用向量表示为f_r＝(f_r,1,f_r,2,f_r,3,f_r,4,f_r,5,f_r,6,f_r,7)，f_r,1表示第r个学习资源所涵盖的知识点集合，f_r,2表示第r个学习资源的类型，例如视频、文本、图片、PPT等，f_r,3表示第r个学习资源的难度，可选的，难度可以用1到3进行表示，1表示难度低、2表示难度中等、3表示难度高，难度也可以用更细化的小数进行表示，可以根据实际情况进行设置，本申请对此不做限制，f_r,4表示第r个学习资源的认知水平，可选的，认知水平用1到4进行表示，1表示识记、2表示理解、3表示应用、4表示综合，f_r,5表示第r个学习资源的文本特征向量，f_r,6表示第r个学习资源的图像特征向量，f_r,7表示第r个学习资源的视频特征向量。

根据学习资源特征向量f_r，对学习资源i和学习资源j之间的共同含有的知识点个数、学习资源i和学习资源j的类型是否相同、学习资源i和学习资源j之间的难度差距、学习资源i和学习资源j之间的认知水平差异、学习资源i和学习资源j之间的文本特征差异、学习资源i和学习资源j之间的图像特征差异、学习资源i和学习资源j之间的视频特征差异进行计算，得到学习资源边特征向量，学习资源边特征向量用于指示两个学习资源之间的特征差异。示例的，学习资源边特征用向量表示为

其中，

表示学习资源i和学习资源j共同含有的知识点个数，共同含有的知识点个数越多，则相似性越大；

表示两个学习资源类型是否相同，1表示学习资源i和学习资源j的类型相同，0表示学习资源i和学习资源j的类型不同；

表示两个学习资源之间的难度差距，差距越小，则相应的特征值越大；

表示两个学习资源之间的认知水平差异，认知水平差异越小，则对应的特征值越大，

取0到1之间的数值；

表示两个学习资源文本向量之间的余弦相似度，越相似，则

越大；

表示两个学习资源图像向量之间的余弦相似度，越相似，则

越大；

表示两个学习资源视频向量之间的余弦相似度，越相似，则

越大。学习资源边特征向量

用于指示两个学习资源之间的特征差异，本申请实施例是以两个学习资源之间共同含有的知识点个数、学习资源类型是否相同、学习资源难度差距、学习资源认知水平差异、学习资源文本特征差异、学习资源图像特征差异、学习资源视频特征差异示出，并不代表本申请实施例局限于此。学习资源边特征向量包含有7个特征，使得在根据学习资源边特征向量和学习资源边矩阵确定的学习资源边重要性矩阵中的矩阵元素所表达的关系更加准确，节点边重要性矩阵中的矩阵元素包括学习资源边重要性矩阵中的矩阵元素，便于在后续确定学习路径规划时，规划出的学习路径更加符合学生的需求，使学生在根据学习路径进行学习时提高学生的学习效率。

在计算两个学习资源文本向量之间的余弦相似度、两个学习资源图像向量之间的余弦相似度、两个学习资源视频向量之间的余弦相似度时，需要对文本特征向量f_r,5、图像特征向量f_r,6、视频特征向量f_r,7进行说明。可选的，在本申请的一个实施例中，根据词向量方法将学习资源中的文本转化为第二词向量，根据第二词向量计算两个学习资源之间的文本相似度，得到第三相似度数值，将第三相似度数值确定为两个学习资源之间的学习资源文本特征差异。示例的，由于文本内容本身都是一些具体的单词、文本或者符号，本申请实施例采用词向量方法将文本内容转化成第二词向量特征f_r,5，经过词向量方法获取的第二词向量特征f_r,5为一系列量化的数字特征，在根据学习资源文本特征确定学习资源边特征向量时，可以根据学习资源文本特征的第二词向量，计算两个学习资源文本之间的余弦相似度，得到第三相似度数值，将第三相似度数值确定为学习资源文本特征差异。示例的，

表示两个学习资源文本向量之间的余弦相似度，越相似，则

越大。

根据图像特征提取方法或卷积神经网络将学习资源中的图像转化为学习资源数值，根据学习资源数值计算两个学习资源之间的图像相似度，得到第四相似度数值，将第四相似度数值确定为两个学习资源之间的学习资源图像特征差异。可选的，采用传统的图像特征提取方法对学习资源图像提取特征，例如灰度值、直方图、梯度、边缘、角等；可选的，采用卷积神经网络提取学习资源图像的特征。通过采用图像特征提取传统方法还是采用卷积神经网络方法提取学习资源图像的特征，对此本申请实施例不做限制，可以得到数字化的图像特征向量f_r,6。根据数字化的图像特征向量f_r,6计算两个学习资源图像之间的余弦相似度，得到第四相似度数值，将第四相似度数值确定为学习资源图像特征差异。示例的，

表示两个学习资源图像向量之间的余弦相似度，越相似，则

越大。

根据关键帧提取方法，确定学习资源视频对应的关键帧，根据图像特征提取方法或卷积神经网络，将关键帧转化为学习资源数值，根据学习资源数值计算两个学习资源之间的视频相似度，得到第五相似度数值，将第五相似度数值确定为两个学习资源之间的学习资源视频特征差异。由于有的学习资源会含有视频的内容，所以需要对视频资源的特征进行提取。可选的，在本申请实施例中采用关键帧提取方法获得该视频的相应关键帧，关键帧是图像帧，可以利用图像特征的提取方式获取数字化的图像特征向量f_r,7。在此与计算学习资源图像之间的余弦相似度一样，本申请实施例不再对此进行赘述，根据数字化的图像特征向量f_r,7计算两个学习资源视频之间的余弦相似度。示例的，

表示两个学习资源视频向量之间的余弦相似度，越相似，则

越大。

根据学习资源边特征向量

和学习资源边矩阵se⁽³⁾，构建预设模型的第四目标函数，第四目标函数用于确定两个学习资源之间的边特征向量权重。第四目标函数用公式四表示：

公式四

公式四中，w₁＝(w_1,1,w_1,2,w_1,3,w_1,4,w_1,5,w_1,6,w_1,7)，用于表示两个学习资源之间边特征向量的权重，w_1,1表示学习资源边特征向量中共同知识点个数

特征的权重，w_1,2表示学习资源边特征向量中类型是否相同

特征的权重，w_1,3表示学习资源边特征向量中难度差距

特征的权重，w_1,4表示学习资源边特征向量中认知水平差异

特征的权重，w_1,5表示学习资源边特征向量中文本特征差异

特征的权重，w_1,6表示学习资源边特征向量中图像特征差异

特征的权重，w_1,7表示学习资源边特征向量中视频特征差异

特征的权重，||w₁||²用于限制w₁的权重大小，避免w₁的权重过大或过小。RS表示学习资源集合，D_r表示与学习资源r有边连接的学习资源集合，L_r表示与学习资源r没有边连接的学习资源集合，∈是预定义的超参，取值范围为0到1，用于权衡

这一项在第四目标函数中的所起的作用大小。p_ri为有监督边的概率，p_rj为没有监督边的概率，可选的，得到p_ri和p_rj可以有以下实现方式，对w₁预设一个值，然后对w₁进行迭代更新，基于更新后的w₁与节点边特征向量

结合起来得到p_ri及p_rj，继续对w₁进行重复迭代，直到w₁收敛，基于收敛后的w₁计算的p_ri及p_rj作为最终的p_ri及p_rj。h(p_ri-p_rj)为指示函数，当p_ri-p_rj>0时，即有监督边的概率大于没有监督边的概率，h(p_ri-p_rj)＝0；当p_ri-p_rj<0时，表示有监督边的概率小于没有监督边的概率，h(p_ri-p_rj)＝p_ri-p_rj，h(p_ri-p_rj)为小于0的数。

根据学习资源边特征向量、学习资源边矩阵及第四目标函数确定学习资源边重要性矩阵，学习资源边重要性矩阵用于指示两个学习资源之间边特征的重要性，节点边重要性矩阵包括学习资源边重要性矩阵。

可选的，在本申请的一种实施例中，根据学习资源边特征向量、学习资源边矩阵及第四目标函数确定学习资源边特征向量中每个边特征的第四特征因子，第四特征因子表示两个学习资源之间边特征向量的权重；将第四特征因子与学习资源边特征向量相乘，得到学习资源边重要性矩阵。

在本申请实施例中采用随机下降方法得到学习资源边特征向量中每个边特征的第四特征因子，示例的，两个学习资源之间边特征向量的权重w₁＝(w_1,1,w_1,2,w_1,3,w_1,4,w_1,5,w_1,6,w_1,7)，w_1,1表示学习资源边特征向量中共同知识点个数

特征的权重，w_1,2表示学习资源边特征向量中类型是否相同

特征的权重，w_1,3表示学习资源边特征向量中难度差距

特征的权重，w_1,4表示学习资源边特征向量中认知水平差异

特征的权重，w_1,5表示学习资源边特征向量中文本特征差异

特征的权重，w_1,6表示学习资源边特征向量中图像特征差异

特征的权重，w_1,7表示学习资源边特征向量中视频特征差异

特征的权重。对学习资源边矩阵se⁽³⁾中的每一个矩阵元素

的学习资源边特征向量进行计算，得到每一个矩阵元素的权重，将学习资源边特征向量的权重w₁与学习资源边特征向量

进行结合，可选的，

用于指示学习资源i与学习资源j之间边特征的重要性，将学习资源边矩阵中的每一个矩阵元素的权重与其对应的边特征向量相乘，得到学习资源边重要性矩阵E₃，矩阵E₃中矩阵元素表示为

矩阵元素

表示学习资源i和学习资源j之间的关联程度，矩阵元素值越大，学习资源j对于学习资源i越重要。当节点边重要性矩阵中的两个节点是学习资源与学习资源时，根据学习资源与学习资源之间的关联性确定学习资源边重要性矩阵，节点边重要性矩阵中的矩阵元素包括学习资源边重要性矩阵中矩阵元素，可以使得节点边重要性矩阵中的矩阵元素所表达的关系更加准确，便于在后续确定学习路径规划时，规划出的学习路径更加符合学生的需求，使学生在根据学习路径进行学习时提高学生的学习效率。

基于学习资源边重要性矩阵得到学习资源概率矩阵，节点间排序概率矩阵包括学习资源概率矩阵。根据学习资源边重要性矩阵E₃，本申请实施例采用随机梯度下降方法，计算得出学习资源概率矩阵P₃。可选的，预先设置一个学习资源概率矩阵P₃，将学习资源边重要性矩阵E₃与预先设置学习资源概率矩阵进行相乘，然后采用随机梯度下降方法进行迭代计算，直到收敛为止，例如，收敛条件可以是前后两次迭代的值小于预设阈值，满足收敛条件的矩阵作为学习资源概率矩阵P₃。学习资源概率矩阵P₃中的矩阵元素

表示学习资源i到学习资源j之间的可连接程度，矩阵元素

值越大，表明学习资源i和学习资源j之间可连接性越大，在进行学习路径规划时，应将学习资源j放在学习资源i的后面。当节点间排序概率矩阵中的两个节点是学习资源与学习资源时，根据学习资源与学习资源之间的关联性确定学习资源概率矩阵，节点间排序概率矩阵中的矩阵元素包括学习资源概率矩阵中矩阵元素，可以使得节点间排序概率矩阵中的矩阵元素所表达的关系更加准确，便于在后续确定学习路径规划时，规划出的学习路径更加符合学生的需求，使学生在根据学习路径进行学习时提高学生的学习效率。

需要说明的是，例如，根据3个知识点、2个试题，4个学习资源得到的节点边矩阵或节点边重要性矩阵或节点间排序概率矩阵是9×9矩阵，矩阵元素有81个，81个矩阵元素中有9个矩阵元素是知识点与知识点，4个矩阵元素是试题与试题，16个矩阵元素是学习资源与学习资源。节点边矩阵中的矩阵元素包含知识点边矩阵、试题边矩阵、学习资源边矩阵中的矩阵元素，节点间排序概率矩阵中的矩阵元素包含知识点概率矩阵、试题概率矩阵、学习资源概率矩阵中的矩阵元素；节点边重要性矩阵中的矩阵元素包含知识点边重要性矩阵、试题边重要性矩阵及学习资源边重要性矩阵中的矩阵元素；节点间排序概率矩阵中的矩阵元素包含知识点概率矩阵、试题概率矩阵、学习资源概率矩阵中的矩阵元素。

实施例六、

本申请实施例提供了一种学习规划装置，如图3所示，图3为本申请实施例提供的一种学习规划装置，装置包括：节点间排序概率矩阵确定模块301、第一连通概率矩阵确定模块302及学习路径规划模块303；

节点间排序概率矩阵确定模块301，用于根据z个节点和预设模型确定节点间排序概率矩阵，节点间排序概率矩阵中的矩阵元素用于指示两个节点之间先后排序的概率，节点包括知识点或者知识点资源，z为大于1的整数；

第一连通概率矩阵确定模块302，用于根据节点间排序概率矩阵、知识点连通矩阵及目标用户在知识点上的学习初级参数，确定第一连通概率矩阵，学习初级参数用于指示目标用户在知识点上的掌握程度，知识点连通矩阵中的矩阵元素用于指示两个知识点在学习路径上排序的位置关系，第一连通概率矩阵中的矩阵元素用于指示针对目标用户的学习状况，两个节点之间先后排序的概率；

学习路径规划模块303，用于根据第一连通概率矩阵和目标用户的学习信息规划目标用户的学习路径，学习信息包括目标用户计划学习的知识点资源的数量，学习路径用于指示目标用户学习知识点资源的顺序。

实施例七、

基于上述实施例一到实施例五描述的学习规划方法，本申请实施例提供了一种电子设备，如图4所示，图4为本申请实施例提供的一种电子设备的结构图，该电子设备40包括：至少一个处理器401；存储器402，存储器存储有至少一个程序412，处理器401和存储器402电连接，当至少一个程序被至少一个处理器401执行时，使得至少一个处理器401实现如实施例一到实施例五所描述的方法。

可选地，在本申请的一个实施例中，该电子设备40还包括：总线403和通信接口404，至少一个处理器401、存储器402和通信接口404通过总线403相互通信。

实施例八、

基于上述实施例一到实施例五描述的学习规划方法，本申请实施例提供了一种计算机存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现如实施例一到实施例五所描述的方法。

本申请实施例的图像相似度计算装置以多种形式存在，包括但不限于：

(1)移动通信设备：这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括：智能手机(例如iPhone)、多媒体手机、功能性手机，以及低端手机等。

(2)超移动个人计算机设备：这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括：PDA、MID和UMPC设备等，例如iPad。

(3)便携式娱乐设备：这类设备可以显示和播放多媒体内容。该类设备包括：音频、视频播放器(例如iPod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。

(4)其他具有数据交互功能的电子设备。

至此，已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序，以实现期望的结果。在某些实施方式中，多任务处理和并行处理可以是有利的。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本申请的实施例可提供为方法、装置、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请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计算机存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、装置、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。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的计算机存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请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计算机存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定事务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行事务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。

Claims (20)

1.一种学习规划方法，其特征在于，所述方法包括：

根据z个节点和预设模型确定节点间排序概率矩阵，所述节点间排序概率矩阵中的矩阵元素用于指示两个所述节点之间具有先后逻辑依赖关系的概率，所述节点包括知识点或者知识点资源，所述z为大于1的整数；

根据所述节点间排序概率矩阵、知识点连通矩阵及目标用户在所述知识点上的学习初级参数，确定第一连通概率矩阵，所述学习初级参数用于指示所述目标用户在所述知识点上的掌握程度，所述知识点连通矩阵中的矩阵元素用于指示两个所述知识点之间的逻辑依赖关系，所述第一连通概率矩阵中的矩阵元素用于指示针对所述目标用户的历史学习状况，两个所述节点之间在学习路径上先后排序的概率；

根据所述第一连通概率矩阵和所述目标用户的学习信息规划所述目标用户的学习路径，所述学习信息包括所述目标用户计划学习的知识点资源的数量，所述学习路径用于指示所述目标用户学习知识点资源的顺序。

2.根据权利要求1所述的方法，其特征在于，根据z个节点和预设模型确定节点间排序概率矩阵，包括：

根据所述z个节点之间的关联性确定节点边矩阵，所述节点边矩阵的矩阵元素用于指示两个所述节点存在知识点交集；

根据节点边特征向量和所述节点边矩阵，构建所述预设模型的第一目标函数，所述节点边特征向量用于指示两个所述节点之间的特征差异，所述第一目标函数用于确定两个所述节点之间的边特征向量权重；

根据所述节点边特征向量、所述节点边矩阵及所述第一目标函数确定节点边重要性矩阵，所述节点边重要性矩阵用于指示两个所述节点之间边特征的重要性；

基于所述节点边重要性矩阵得到所述节点间排序概率矩阵。

3.根据权利要求2所述的方法，其特征在于，根据所述节点边特征向量、所述节点边矩阵及所述第一目标函数确定节点边重要性矩阵，包括：

根据所述节点边特征向量、所述节点边矩阵及所述第一目标函数确定所述节点边特征向量中每个边特征的第一特征因子，所述第一特征因子表示所述两个节点之间边特征向量的权重；

将所述第一特征因子与所述节点边特征向量相乘，得到所述节点边重要性矩阵。

4.根据权利要求1所述的方法，其特征在于，根据所述第一连通概率矩阵和所述目标用户的学习信息确定所述目标用户的学习路径，包括：

确定目标知识点；

根据所述目标知识点和所述第一连通概率矩阵确定所述学习路径的第一个知识点资源；

根据所述第一个知识点资源、所述目标用户的学习信息，从所述第一连通概率矩阵中确定出所述目标用户的学习路径，所述学习路径中的资源数量等于所述目标用户计划学习的知识点资源的数量。

5.根据权利要求4所述的方法，其特征在于，所述确定目标知识点包括：

根据所述知识点连通矩阵确定知识点集合；

根据所述学习初级参数从所述知识点集合中确定出目标知识点；

所述根据所述目标知识点和所述第一连通概率矩阵确定第一个知识点资源，包括：

根据所述目标知识点，确定所述目标知识点在所述第一连通概率矩阵中的行位置；

将所述目标知识点的行位置中矩阵元素为最大值时所对应的资源，确定为第一个知识点资源。

6.根据权利要求4所述的方法，其特征在于，根据所述第一个知识点资源、所述目标用户的学习信息，从所述第一连通概率矩阵中确定出所述目标用户的学习路径，包括：

根据所述第一个知识点资源更新所述目标用户的学习信息；

根据所述第一个知识点资源，确定所述第一个知识点资源在所述第一连通概率矩阵中的行位置；

根据所述目标用户的学习信息，将所述知识点资源的数量不为0，且在所述第一个知识点资源的行位置中，矩阵元素值最大的资源，确定为学习路径的下一个知识点资源。

7.根据权利要求1所述的方法，其特征在于，根据所述节点间排序概率矩阵、知识点连通矩阵及目标用户在知识点上的学习初级参数，确定第一连通概率矩阵，包括：

将所述节点间排序概率矩阵与所述知识点连通矩阵相乘，得到第二连通概率矩阵，所述第二连通概率矩阵中的矩阵元素用于指示两个所述节点在学习路径上先后排序的概率；

根据所述学习初级参数对所述第二连通概率矩阵中的元素值进行调整，得到所述第一连通概率矩阵。

8.根据权利要求7所述的方法，其特征在于，根据所述学习初级参数对所述第二连通概率矩阵中的元素值进行调整，得到所述第一连通概率矩阵，包括：

获取所述第二连通概率矩阵中矩阵元素所对应的至少一个知识点，计算目标用户在所述至少一个知识点上的学习初级参数的平均值；

根据所述平均值对所述第二连通概率矩阵中的元素值进行调整，得到所述第一连通概率矩阵。

9.根据权利要求1-8任一项所述的方法，其特征在于，所述方法还包括：

根据目标用户在所述知识点上的学习期望参数和所述学习初级参数，确定所述目标用户在所述知识点上所对应的知识点资源个数，将所述知识点资源个数作为所述目标用户的学习信息，所述学习期望参数用于指示所述目标用户在所述知识点上的学习期望，所述知识点资源包括试题、学习资源。

10.根据权利要求2所述的方法，其特征在于，所述方法还包括：

根据各个知识点之间的关联性确定所述知识点边矩阵，所述知识点边矩阵的矩阵元素用于指示两个知识点是否共用同一知识点，所述节点边矩阵包括知识点边矩阵；

根据知识点边特征向量和所述知识点边矩阵，构建所述预设模型的第二目标函数，所述知识点边特征向量用于指示两个所述知识点之间的特征差异，所述第二目标函数用于确定两个所述知识点之间的边特征向量权重；

根据所述知识点边特征向量、所述知识点边矩阵及所述第二目标函数确定所述知识点边重要性矩阵，所述知识点边重要性矩阵用于指示两个所述知识点之间边特征的重要性，所述节点边重要性矩阵包括所述知识点边重要性矩阵；

基于所述知识点边重要性矩阵得到所述知识点概率矩阵，所述节点间排序概率矩阵包括知识点概率矩阵。

11.根据权利要求10所述的方法，其特征在于，根据所述知识点边特征向量、所述知识点边矩阵及所述第二目标函数确定所述知识点边重要性矩阵，包括：

根据所述知识点边特征向量、所述知识点边矩阵及所述第二目标函数确定所述知识点边特征向量中每个边特征的第二特征因子，所述第二特征因子表示所述两个知识点之间边特征向量的权重；

将所述第二特征因子与所述知识点边特征向量相乘，得到所述知识点边重要性矩阵。

12.根据权利要求2所述的方法，其特征在于，所述方法还包括：

根据各个试题之间的关系确定试题边矩阵，所述试题边矩阵的矩阵元素用于指示两个试题是否包含有同一知识点，所述节点边矩阵包括试题边矩阵；

根据试题边特征向量和所述试题边矩阵，构建所述预设模型的第三目标函数，所述试题边特征向量用于指示两个所述试题之间的特征差异，所述第三目标函数用于确定两个所述试题之间的边特征向量权重；

根据所述试题边特征向量、所述试题边矩阵及所述第三目标函数确定所述试题边重要性矩阵，所述试题边重要性矩阵用于指示两个所述试题之间边特征的重要性，所述节点边重要性矩阵包括所述试题边重要性矩阵；

基于所述试题边重要性矩阵得到所述试题概率矩阵，所述节点间排序概率矩阵包括试题概率矩阵。

13.根据权利要求12所述的方法，其特征在于，根据所述试题边特征向量、所述试题边矩阵所述第三目标函数确定所述试题边重要性矩阵，包括：

根据所述试题边特征向量、所述试题边矩阵及所述第三目标函数确定所述试题边特征向量中每个边特征的第三特征因子，所述第三特征因子表示所述两个试题之间边特征向量的权重；

将所述第三特征因子与所述试题边特征向量相乘，得到所述试题边重要性矩阵。

14.根据权利要求12或13所述的方法，其特征在于，所述方法还包括：

根据词向量方法将所述试题中的文本转化为第一词向量，根据第一词向量计算两个试题之间的文本相似度，得到第一相似度数值，将所述第一相似度数值确定为所述两个试题之间的试题文本特征差异，所述两个试题之间的特征差异包括所述试题文本特征差异；

根据图像特征提取方法或卷积神经网络将所述试题中的图像转化为试题数值，根据试题数值计算两个试题之间的图像相似度，得到第二相似度数值，将所述第二相似度数值确定为所述两个试题之间的试题图像特征差异，所述两个试题之间的特征差异包括所述试题图像特征差异。

15.根据权利要求2所述的方法，其特征在于，所述方法还包括：

根据各个学习资源之间的关系确定所述学习资源边矩阵，所述学习资源边矩阵的矩阵元素用于指示两个学习资源是否包含有同一知识点，所述节点边矩阵包括学习资源边矩阵；

根据学习资源边特征向量和所述学习资源边矩阵，构建所述预设模型的第四目标函数，所述学习资源边特征向量用于指示两个所述学习资源之间的特征差异，所述第四目标函数用于确定两个所述学习资源之间的边特征向量权重；

根据所述学习资源边特征向量、所述学习资源边矩阵及所述第四目标函数确定所述学习资源边重要性矩阵，所述学习资源边重要性矩阵用于指示两个所述学习资源之间边特征的重要性，所述节点边重要性矩阵包括所述学习资源边重要性矩阵；

基于所述学习资源边重要性矩阵得到所述学习资源概率矩阵，所述节点间排序概率矩阵包括学习资源概率矩阵。

16.根据权利要求15所述的方法，其特征在于，根据所述学习资源边特征向量、所述学习资源边矩阵及所述第四目标函数确定所述学习资源边重要性矩阵，包括：

根据所述学习资源边特征向量、所述学习资源边矩阵及所述第四目标函数确定所述学习资源边特征向量中每个边特征的第四特征因子，所述第四特征因子表示所述两个学习资源之间边特征向量的权重；

将所述第四特征因子与所述学习资源边特征向量相乘，得到所述学习资源边重要性矩阵。

17.根据权利要求15或16所述的方法，其特征在于，所述方法还包括：

根据词向量方法将所述学习资源中的文本转化为第二词向量，根据第二词向量计算两个学习资源之间的文本相似度，得到第三相似度数值，将所述第三相似度数值确定为所述两个学习资源之间的学习资源文本特征差异，所述两个学习资源之间的特征差异包括学习资源文本特征差异；

根据图像特征提取方法或卷积神经网络将所述学习资源中的图像转化为学习资源数值，根据学习资源数值计算两个学习资源之间的图像相似度，得到第四相似度数值，将所述第四相似度数值确定为所述两个学习资源之间的学习资源图像特征差异，所述两个学习资源之间的特征差异包括学习资源图像特征差异；

根据关键帧提取方法，确定所述学习资源视频对应的关键帧，根据图像特征提取方法或卷积神经网络，将所述关键帧转化为学习资源数值，根据学习资源数值计算两个学习资源之间的视频相似度，得到第五相似度数值，将所述第五相似度数值确定为所述两个学习资源之间的学习资源视频特征差异，所述两个学习资源之间的特征差异包括学习资源视频特征差异。

18.一种学习规划装置，其特征在于，所述装置包括：节点间排序概率矩阵确定模块、第一连通概率矩阵确定模块及学习路径规划模块；

所述节点间排序概率矩阵确定模块，用于根据z个节点和预设模型确定节点间排序概率矩阵，所述节点间排序概率矩阵中的矩阵元素用于指示两个所述节点之间具有先后逻辑依赖关系的概率，所述节点包括知识点或者知识点资源，所述z为大于1的整数；

所述第一连通概率矩阵确定模块，用于根据所述节点间排序概率矩阵、知识点连通矩阵及目标用户在所述知识点上的学习初级参数，确定第一连通概率矩阵，所述学习初级参数用于指示所述目标用户在所述知识点上的掌握程度，所述知识点连通矩阵中的矩阵元素用于指示两个所述知识点之间的逻辑依赖关系，所述第一连通概率矩阵中的矩阵元素用于指示针对所述目标用户的历史学习状况，两个所述节点之间在学习路径上先后排序的概率；

所述学习路径规划模块，用于根据所述第一连通概率矩阵和所述目标用户的学习信息规划所述目标用户的学习路径，所述学习信息包括所述目标用户计划学习的知识点资源的数量，所述学习路径用于指示所述目标用户学习知识点资源的顺序。

19.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器上存储有计算机程序；所述处理器用于执行所述存储器中存储的计算机程序实现如权利要求1-17任一项所述的方法。

20.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机程序，在处理器执行所述计算机程序时，实现如权利要求1-17任一项所述的方法。

Images