CN113610237A - 学习路径规划方法及装置 - Google Patents

学习路径规划方法及装置 Download PDF

Info

Publication number
CN113610237A
CN113610237A CN202110957380.8A CN202110957380A CN113610237A CN 113610237 A CN113610237 A CN 113610237A CN 202110957380 A CN202110957380 A CN 202110957380A CN 113610237 A CN113610237 A CN 113610237A
Authority
CN
China
Prior art keywords
knowledge
learning
graph
learning path
learner
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
CN202110957380.8A
Other languages
English (en)
Inventor
冀鹏飞
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.)
Beijing Jingdong Qianshi Technology Co Ltd
Original Assignee
Beijing Jingdong Qianshi Technology Co Ltd
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 Beijing Jingdong Qianshi Technology Co Ltd filed Critical Beijing Jingdong Qianshi Technology Co Ltd
Priority to CN202110957380.8A priority Critical patent/CN113610237A/zh
Publication of CN113610237A publication Critical patent/CN113610237A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00Computing arrangements using knowledge-based models
    • G06N5/02Knowledge representation; Symbolic representation
    • G06N5/022Knowledge engineering; Knowledge acquisition
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00Computing arrangements using knowledge-based models
    • G06N5/02Knowledge representation; Symbolic representation
    • G06N5/022Knowledge engineering; Knowledge acquisition
    • G06N5/025Extracting rules from data

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供了一种学习路径规划方法,可以应用于在线教育技术领域。该学习路径规划方法包括:基于预先配置完成的第一知识图谱,为学习者分配第一学习路径,其中,第一知识图谱包括多个知识点,第一学习路径由第一知识图谱中的一个或多个知识点构建得到;获取学习者基于第一学习路径进行学习后得到的学习结果数据;根据学习结果数据,对第一知识图谱进行更新,生成第二知识图谱;以及根据第一学习路径和第二知识图谱生成学习者的第二学习路径。本公开还提供了一种学习路径规划装置、设备、存储介质和程序产品。

Description

学习路径规划方法及装置
技术领域
本公开涉及在线教育技术领域,更具体地涉及一种学习路径规划方法、装置、设备、介质和程序产品。
背景技术
在物流专业等人才在线学习系统中,在线学习的内容往往按照部分专家的自有体系或专题进行组织更新。在此情况下,学习者更多的是被动的按照既定的内容组织顺序进行学习,在线上内容日趋增多的情况下,学习者很容易陷入知识海洋的学习迷航困窘中,对于学习者而言,亟待解决的体验诉求主要为:学习者不能更快的找到适合自己的学习内容,不清楚自己进入在线学习后,应该按照什么样的学习路径来有针对性的持续提升自己。
发明内容
鉴于上述问题,本公开提供了学习路径规划方法、装置、设备、介质和程序产品。
根据本公开的第一个方面,提供了一种学习路径规划方法,包括:
基于预先配置完成的第一知识图谱,为学习者分配第一学习路径,其中,上述第一知识图谱包括多个知识点,上述第一学习路径由上述第一知识图谱中的一个或多个知识点构建得到;
获取上述学习者基于上述第一学习路径进行学习后得到的学习结果数据;
根据上述学习结果数据,对上述第一知识图谱进行更新,生成第二知识图谱;以及
根据上述第一学习路径和上述第二知识图谱生成上述学习者的第二学习路径。
根据本公开的实施例,上述第一知识图谱通过以下操作配置:
获取知识集,其中,上述知识集中包括多个知识点;
利用上述知识集中的知识点生成初始知识图谱;
按照预设规则,将上述初始知识图谱中的上述多个知识点划分为N层知识层,生成上述第一知识图谱,其中,上述N层知识层中的每层知识层均配置有多条候选学习路径,N>1。
根据本公开的实施例,上述基于预先配置完成的第一知识图谱,为学习者分配第一学习路径包括:
获取上述学习者的特征数据和能力数据;
根据上述特征数据,从上述N层知识层中确定目标知识层;
根据上述能力数据,从与上述目标知识层对应的上述多条候选学习路径中确定上述第一学习路径。
根据本公开的实施例,上述第一学习路径中的至少一个知识点和至少一个能力点配置有标签信息,其中,上述能力点由多个上述知识点拟合得到;
上述获取上述学习者基于上述第一学习路径进行学习后得到的学习结果数据包括:
获取上述学习者学习上述第一学习路径中配置有标签信息的知识点和/或能力点而生成的结果性指标数据和过程性指标数据;
根据上述结果性指标数据和上述过程性指标数据,生成上述学习结果数据。
根据本公开的实施例,上述第一知识图谱中的知识点通过初始权重连接,其中,上述初始权重的初始权重值表征由上述初始权重连接的上述知识点的相关程度;
上述根据上述学习结果数据,对上述第一知识图谱进行更新,生成第二知识图谱包括:
根据上述学习结果数据,对上述第一知识图谱中的上述初始权重的上述初始权重值进行调整,生成上述第二知识图谱。
根据本公开的实施例,上述学习结果数据包括分别与上述第一学习路径中多个知识点相关联的多个子结果数据;
上述根据上述第一学习路径和上述第二知识图谱生成第二学习路径包括:
从上述多个子结果数据中获取上述子结果数据的最小值;
从上述第二知识图谱中确定与上述子结果数据的最小值对应的基准知识点;
从与上述基准知识点连接的多个候选知识点中确定目标知识点,其中,上述目标知识点与上述知识点的连接权重满足预设条件;
根据上述目标知识点对上述第一学习路径进行调整,生成上述第二学习路径。
根据本公开的实施例,上述方法还包括:
根据上述第一学习路径和上述第二学习路径,得到差异知识点;
基于上述差异知识点向上述学习者进行知识点推送。
本公开的第二方面提供了一种学习路径规划装置,包括:
分配模块,用于基于预先配置完成的第一知识图谱,为学习者分配第一学习路径,其中,上述第一知识图谱包括多个知识点,上述第一学习路径由上述第一知识图谱中的一个或多个知识点构建得到;
获取模块,用于获取上述学习者基于上述第一学习路径进行学习后得到的学习结果数据;
更新模块,用于根据上述学习结果数据,对上述第一知识图谱进行更新,生成第二知识图谱;以及
生成模块,用于根据上述第一学习路径和上述第二知识图谱生成上述学习者的第二学习路径。
本公开的第三方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行上述学习路径规划方法。
本公开的第四方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述学习路径规划方法。
本公开的第五方面还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述学习路径规划方法。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的学习路径规划方法、学习路径规划装置的应用场景图;
图2示意性示出了根据本公开实施例的学习路径规划方法的流程图;
图3示意性示出了第一知识图谱的示意图;
图4示意性示出了根据本公开实施例的配置第一知识图谱的流程图;
图5示意性示出了根据本公开实施例的基于预先配置完成的第一知识图谱,为学习者分配第一学习路径的流程图;
图6示意性示出了根据本公开实施例的获取学习者基于第一学习路径进行学习后得到的学习结果数据的流程图;
图7示意性示出了根据本公开实施例的根据第一学习路径和第二知识图谱生成第二学习路径的流程图;
图8示意性示出了根据本公开实施例的根据第一学习路径和第二知识图谱生成第二学习路径的示意图;
图9示意性示出了根据本公开另一实施例的学习路径规划方法的流程图;
图10示意性示出了根据本公开实施例的学习路径规划装置的结构框图;以及
图11示意性示出了根据本公开实施例的适于实现学习路径规划方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在本公开的实施例中,需要理解的是,所涉及的术语可以是用于实现本公开一部分的技术手段或者其它总结性技术术语。例如,术语可以包括:
最近发展区:由维果斯基提出,他认为学习者的发展有两种水平:一种是学习者的现有水平,指独立活动时所能达到的解决问题的水平;另一种是学习者潜在的发展水平,指通过教学所获得的潜力。两者之间的差异就是最近发展区。维果斯基认为,教学应着眼于学习者的最近发展区,为学习者提供带有一定难度的内容,调动学习者积极性,发挥其潜能,使其超越其最近发展区而达到下一发展阶段的水平,然后在此基础上进行下一个发展区的发展,从而持续提升学习者能力。
专家系统:专家系统是一种模拟人类专家解决领域问题的计算机程序系统,其通常具有大量的领域专家知识与经验,同时应用人工智能技术和计算机技术,进行推理和判断,模拟人类专家的决策过程,以便解决那些需要人类专家处理的复杂问题。本专利中,专家系统的能力不仅包括计算机系统能力,还包括常态的人力干预,来推动计算机系统能力趋于接近甚至优于人力能力。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
本公开提供了一种学习路径规划方法,可以应用于在线教育技术领域。该学习路径规划方法包括:基于预先配置完成的第一知识图谱,为学习者分配第一学习路径,其中,第一知识图谱包括多个知识点,第一学习路径由第一知识图谱中的一个或多个知识点构建得到;获取学习者基于第一学习路径进行学习后得到的学习结果数据;根据学习结果数据,对第一知识图谱进行更新,生成第二知识图谱;以及根据第一学习路径和第二知识图谱生成学习者的第二学习路径。本公开还提供了一种学习路径规划装置、设备、存储介质和程序产品。
需要说明的是,本公开实施例确定的方法和装置可用于在线教育技术领域,也可用于除在线教育技术领域之外的任意领域,本公开实施例确定的方法和装置的应用领域不做限定。
图1示意性示出了根据本公开实施例的学习路径规划方法、学习路径规划装置的应用场景图。
如图1所示,根据该实施例的应用场景100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的学习路径规划方法一般可以由服务器105执行。相应地,本公开实施例所提供的学习路径规划装置一般可以设置于服务器105中。本公开实施例所提供的学习路径规划方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的学习路径规划装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景,通过图2~图9对公开实施例的学习路径规划方法进行详细描述。
图2示意性示出了根据本公开实施例的学习路径规划方法的流程图。
如图2所示,该实施例的学习路径规划方法包括操作S201~操作S204。
在操作S201,基于预先配置完成的第一知识图谱,为学习者分配第一学习路径,其中,第一知识图谱包括多个知识点,第一学习路径由第一知识图谱中的一个或多个知识点构建得到。
根据本公开的实施例,第一知识图谱中的多个知识点中的至少两个知识点可以通过有向边连接。
根据本公开的实施例,例如有向边从知识点A指向知识点B,即知识点A可以是知识点B的前置知识点,具体而言,例如,知识点A可以为一元一次方程的解法,知识点B可以为一元二次方程的解法,即表明需要先学习知识点A,在掌握知识点A的基础上才能学习知识点B。
根据本公开的实施例,第一知识图谱中的多个知识点可以通过多条有向边的连接而形成多条学习路径。
图3示意性示出了第一知识图谱的示意图。
在图3中,1至6可以分别表示一个知识点,其中,知识点1、2、3和4通过有向边连接,知识点1、2、5和6通过有向边连接,从而,知识点1、2、3和4可以组成一条学习路径,知识点1、2、5和6可以组成另一条学习路径。
在本公开的实施例中,由于图3示出的第一知识图谱中包括两条学习路径,从而可以从两条学习路径中选择一条学习路径作为第一学习路径分配给学习者。
根据本公开的实施例,可以根据专家系统的建议从第一知识图谱中的多条学习路径中确定第一学习路径。具体而言,可以按照专家的自有体系或者专题从多条学习路径中确定第一学习路径。
在操作S202,获取学习者基于第一学习路径进行学习后得到的学习结果数据。
根据本公开的实施例,根据专家系统的建议得到的第一学习路径存在并不完全适合学习者的情况,但是仍然可以将第一学习路径作为学习者的学习路径,从而可以获取学习者基于第一学习路径进行学习后得到的学习结果数据,以便根据学习结果数据为学习者生成更适合该学习者的学习路径。
根据本公开的实施例,学习结果数据例如可以表征学习者学习第一学习路径中知识点的学习成本,从而可以根据学习成本确定第一学习路径中的知识点是否适合该学习者,以便进一步可以确定是否需要为学习者更新学习路径。
在操作S203,根据学习结果数据,对第一知识图谱进行更新,生成第二知识图谱。
根据本公开的实施例,由于学习结果数据可以表征学习者学习第一学习路径中知识点的学习成本,从而,可以在学习结果数据大于第一预设阈值的情况下对第一知识图谱进行更新,生成第二知识图谱。
根据本公开的实施例,第一预设阈值的取值可以由本领域技术人员根据实际应用需求而灵活设置,本公开实施例不对第一预设阈值的取值进行限定。
在操作S204,根据第一学习路径和第二知识图谱生成学习者的第二学习路径。
根据本公开的实施例,在生成第二知识图谱后,可以基于第二知识图谱更改第一学习路径中有向边对于知识点的连接关系,从而得到第二学习路径。
根据本公开的实施例,例如,根据专家系统的建议可以将图3中由知识点1、2、3和4组成的学习路径作为第一学习路径,在经过对第一知识图谱进行更新后,可以基于更新后的知识图谱将由知识点1、2、5和6组成的学习路径作为第二学习路径。
在本公开的实施例中,在学习者根据初始学习路径学习的过程中,根据获得的学习者的学习结果数据,为学习者更新学习路径,从而可以对学习者进行个性化的培养,从而可以至少部分地解决相关技术中存在的学习者不能更快的找到适合自己的学习内容,不清楚自己进入在线学习后,应该按照什么样的学习路径来有针对性的持续提升自己的技术问题,实现提高学习者的学习效率的技术效果。
图4示意性示出了根据本公开实施例的配置第一知识图谱的流程图。
如图4所示,该实施例配置第一知识图谱包括操作S401~操作S403。
在操作S401,获取知识集,其中,知识集中包括多个知识点。
根据本公开的实施例,知识集涉及的知识领域例如可以包括物流知识领域、数学知识领域、电商知识领域等。
在本公开的实施例中,不对知识集涉及的知识领域做具体限定。
在操作S402,利用知识集中的知识点生成初始知识图谱。
根据本公开的实施例,初始知识图谱包括多个知识点,以及用于连接任意两个知识点的有向边。
根据本公开的实施例,可以根据专家经验梳理知识集中的多个知识点,得到多个知识点之间的相关关系,在本公开的实施例中,相关关系例如可以包括类别关系、关键词关系、因果关系、推理关系、聚类关系等。
根据本公开的实施例,在得到多个知识点之间的相关关系后,可以根据多个知识点之间的相关关系生成用于连接任意两个知识点的有向边。
在操作S403,按照预设规则,将初始知识图谱中的多个知识点划分为N层知识层,生成第一知识图谱,其中,N层知识层中的每层知识层均配置有多条候选学习路径,N>1。
根据本公开的实施例,可以按照在实际工作中,不同岗位的能力需求来对初始知识图谱中的多个知识点进行分层。
根据本公开的实施例,例如在物流领域中,可以包括多种不同的岗位,例如快递员、路线规划、前端、后端等等,而这些岗位虽然都需要物流领域的相关知识,但是,在物流领域的相关知识中,这些岗位需要的具体知识点存在较大的差异,因此,可以通过将初始知识图谱中的多个知识点划分成多层知识层,以便为不同的岗位适配相应的知识点。
图5示意性示出了根据本公开实施例的基于预先配置完成的第一知识图谱,为学习者分配第一学习路径的流程图。
如图5所示,该实施例的基于预先配置完成的第一知识图谱,为学习者分配第一学习路径包括操作S501~操作S503。
在操作S501,获取学习者的特征数据和能力数据。
在操作S502,根据特征数据,从N层知识层中确定目标知识层。
在操作S503,根据能力数据,从与目标知识层对应的多条候选学习路径中确定第一学习路径。
根据本公开的实施例,可以在学习者开始学习之前获取该学习者的基础信息,基础信息可以包括工作岗位信息、学历信息、毕业院校信息、工作年限信息等。
根据本公开的实施例,例如可以将学习者的工作岗位信息作为特征数据。
在本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
根据本公开的实施例,能力数据可以通过学历信息、毕业院校信息、工作年限信息等按照预设规则计算得到。
在本公开的实施例中,可以首先根据学习者的学历信息、毕业院校信息、工作年限信息在本岗位中的相对等级,分别将学历信息、毕业院校信息、工作年限信息转化为第一特征数据、第二特征数据和第三特征数据。然后根据学历信息、毕业院校信息、工作年限信息对于本岗位工作的重要程度为学历信息、毕业院校信息、工作年限信息分别配置第一权重数据、第二权重数据和第三权重数据,最后,可以根据第一特征数据、第二特征数据和第三特征数据,以及第一权重数据、第二权重数据和第三权重数据得到能力数据。
在本公开的实施例中,例如,有一学习者,毕业于A学校,工作年限为10年;对于岗位B而言,A学校的排名超过B岗位所有员工中90%员工的毕业学校的排名,从而,可以将毕业院校信息:A学校转换成第一特征数据9,将工作年限信息:工作10年转换成第二特征数据10,并且,对于岗位B而言,工作经验对于工作成果的影响要远大于毕业院校,因此,可以为毕业院校信息配置权重0.4,为工作年限信息配置权重0.9,基于此,该学习者的能力数据可以通过以下公式计算:9×0.4+10×0.9=12.6。
根据本公开的实施例,目标知识层对应的多条候选学习路径可以分别具有对应的能力数据区间,例如目标知识层中有三条候选学习路径,其中一条候选学习路径对应的能力数据区间可以为[10,14],即当学习者的能力数据为10至14的范围时,可以为该学习者分配此候选学习路径。
根据本公开的实施例,在获取学习者的特征数据和能力数据后,可以根据特征数据确定第一知识图谱中适于该学习者学习的知识层,然后根据学习者的能力数据在该知识层中的多条候选学习路径中为该学习者确定第一学习路径。
根据本公开的实施例,第一学习路径中的至少一个知识点和/或至少一个能力点配置有标签信息,其中,能力点由多个知识点拟合得到。
根据本公开的实施例,由于知识点大多是孤立存在的,仅学会某一知识点并不一定能掌握某种能力,从而可以将多个知识点进行拟合,得到一个能力点,例如,可以将加减法运算、因式分解和一元一次方程的求解这三个知识点进行拟合,得到一个能力点。
根据本公开的实施例,第一学习路径中可以包括多个知识点,然而,多个知识点中并非所有知识点都是重点知识点,从而可以根据先验知识为第一学习路径中的至少一个重点知识点和/或能力点配置标签信息。
图6示意性示出了根据本公开实施例的获取学习者基于第一学习路径进行学习后得到的学习结果数据的流程图。
如图6所示,该实施例的获取学习者基于第一学习路径进行学习后得到的学习结果数据包括操作S601~操作S602。
在操作S601,获取学习者学习第一学习路径中配置有标签信息的知识点和/或能力点而生成的结果性指标数据和过程性指标数据。
在操作S602,根据结果性指标数据和过程性指标数据,生成学习结果数据。
根据本公开的实施例,可以通过对第一学习路径中的重点知识点和/或能力点配置标签信息的方式对学习者的学习行为进行埋点监测,当配置有标签信息的知识点和/或能力点被学习时,获取结果性指标数据和过程性指标数据。
根据本公开的实施例,结果性指标数据例如可以包括答题正确率、答题花费时间、修改次数等。
根据本公开的实施例,过程性指标数据例如可以包括知识点学习率、知识点学习次数、单个知识点学习时间、知识点学习总时间等。
根据本公开的实施例,对于某一知识点,学习者答题正确率较高、答题花费时间较少且基本没有修改,在次基础上,学习者学习该知识点花费的时间也较少,从而可以生成一较小的学习结果数据,表征学习者学习该知识点的时间成本较低。
根据本公开的实施例,对于某一知识点,学习者答题正确率较高、答题花费时间较多且修改次数也较多,在次基础上,学习者学习该知识点花费的时间也较多,从而可以生成一较大的学习结果数据,表征学习者虽然对此知识点掌握的程度较好,但是花费了较多的时间,该知识点并不适合该学习者学习。
根据本公开的实施例,第一知识图谱中的知识点通过初始权重连接,其中,初始权重的初始权重值表征由初始权重连接的知识点的相关程度。
根据本公开的实施例,根据学习结果数据,对第一知识图谱进行更新,生成第二知识图谱包括以下操作:
根据学习结果数据,对第一知识图谱中的初始权重的初始权重值进行调整,生成第二知识图谱。
根据本公开的实施例,由于学习结果数据可以表征学习者学习第一学习路径中知识点时消耗的时间成本,从而当学习结果数据大于第二预设阈值时,即表明学习者学习第一学习路径中的知识点时消耗了过多的时间,第一学习路径中的知识点或第一路径总的学习顺序可能并不适合学习者学习,因此,可以对对第一知识图谱中的初始权重的初始权重值进行调整,生成第二知识图谱。
根据本公开的实施例,第二预设阈值的取值可以由本领域技术人员根据实际应用需求而灵活选取,本公开实施例不对第二预设阈值的取值进行限定。
根据本公开的实施例,学习结果数据包括分别与第一学习路径中多个知识点相关联的多个子结果数据。
根据本公开的实施例,可以针对第一学习路径中的每个知识点分别生成对应的子结果数据,但不限于此,还可以针对第一学习路径中的能力点生成对应的子结果数据,
图7示意性示出了根据本公开实施例的根据第一学习路径和第二知识图谱生成第二学习路径的流程图。
如图7所示,该实施例的根据第一学习路径和第二知识图谱生成第二学习路径包括操作S701~操作S704。
在操作S701,从多个子结果数据中获取子结果数据的最小值。
在操作S702,从第二知识图谱中确定与子结果数据的最小值对应的基准知识点。
在操作S703,从与基准知识点连接的多个候选知识点中确定目标知识点,其中,目标知识点与知识点的连接权重满足预设条件。
在操作S704,根据目标知识点对第一学习路径进行调整,生成第二学习路径。
图8示意性示出了根据本公开实施例的根据第一学习路径和第二知识图谱生成第二学习路径的示意图。
图8中1至8表示第二知识图谱中的知识点,知识点上方的数字可以表示与知识点对应的子结果数据,知识点间有向边中的数字可以表示连接权重值,其中,第一学习路径可以是由知识点1、知识点2、知识点3和知识点4组成的学习路径。
在图8示出的第一学习路径的多个知识点中,知识点2对应的子结果数据最小,从而,可以将知识点2作为基准知识点。
根据本公开的实施例,通过从多个子结果数据中获取子结果数据的最小值,从而可以确定第一学习路径中最适合学习者学习的知识点,即学习成本最低的知识点。
由于第二知识图谱中的知识点通常可以与多个知识点通过有向边连接,因此,在确定基准知识点后,可以从与基准知识点通过有向边连接的除第一学习路径中的知识点以外的其它多个知识点中确定目标知识点,如图8所示,基准知识点,即知识点2,分别与知识点3、知识点7和知识点5通过有向边连接,然而,知识点3是第一学习路径中的知识点,从而,可以将知识点7和知识点5确定待选知识点。
在本公开的实施例中,可以根据基准知识点与待选知识点的连接权重从待选知识点中确定目标知识点,具体而言,可以将基准知识点与待选知识点连接权重最大值对应的待选知识点确定为目标知识点。
在图8中,由于知识点7与知识点2的连接权重值小于知识点5与知识点2的连接权重值,从而,可以将知识点5确定为目标知识点。
根据本公开的实施例,可以以基准知识点作为分界点,将第一学习路径划分为第一部分和第二部分,其中,第一部分可以包括从基准知识点开始沿有向边指向的方向遍历的除基准知识点以外的所有知识点,第二部分可以包括除第一部分包括的知识点以外的所有知识点。
根据本公开的实施例,在从第二知识图谱的多个知识点那种确定目标知识点后,可以保留第一学习路径中的第二部分包括的所有知识点,然后将基准知识点、目标知识点以及从目标知识点开始沿有向边指向的方向遍历的所有知识点作为第三部分,然后根据第一部分和第三部分生成第二学习路径。
在图8中,第一部分可以包括知识点1,第二部分可以包括知识点3和知识点4,第三部分可以包括知识点5和知识点6,从而,可以确定由知识点1、知识点2、知识点5和知识点6组成的学习路径为第二学习路径。
在本公开的实施例,通过从第一学习路径中确定子结果数据最小的知识点,然后以该知识点为基准更新第一学习路径,从而可以使学习者在最近发展区中学习,以学习更适合该学习者的知识点,提高学习效率。
图9示意性示出了根据本公开另一实施例的学习路径规划方法的流程图。
如图9所示,该实施例的根据学习路径规划方法包括操作S201~操作S204以及操作S901~操作S902,其中,操作S201~操作S204与上述参照图2描述的方法相同或类似,在此不再赘述。
在操作S901,根据第一学习路径和第二学习路径,得到差异知识点。
在操作S902,基于差异知识点向学习者进行知识点推送。
根据本公开的实施例,可以对比第一学习路径和第二学习路径包括的知识点,得到第一学习路径和第二学习路径的差异知识点,其中,差异知识点可以包括第二学习路径中存在而第一学习路径中不存在的知识点。
如图8所示,第一学习路径可以包括知识点1、知识点2、知识点3和知识点4,第二学习路径可以包括知识点1、知识点2、知识点5和知识点6,从而,第一学习路径和第二学习路径的差异知识点可以包括知识点5和知识点6。
根据本公开的实施例,在获得差异知识点后,可以为学习者推送差异知识点中的多个知识点,以便学习者基于第二学习路径进行学习。
根据本公开的实施例,可以按照顺序多次为学习者推送差异知识点中的多个知识点,但不限于此,还可以一次为学习者推送差异知识点中的多个知识点。
基于上述学习路径规划方法,本公开还提供了一种学习路径规划装置。以下将结合图10对该装置进行详细描述。
图10示意性示出了根据本公开实施例的学习路径规划装置的结构框图。
如图10所示,该实施例的学习路径规划装置1000包括分配模块1001、获取模块1002、更新模块1003和生成模块1004。
分配模块1001用于基于预先配置完成的第一知识图谱,为学习者分配第一学习路径,其中,第一知识图谱包括多个知识点,第一学习路径由第一知识图谱中的一个或多个知识点构建得到。在一实施例中,分配模块1001可以用于执行前文描述的操作S201,在此不再赘述。
获取模块1002用于获取学习者基于第一学习路径进行学习后得到的学习结果数据。在一实施例中,获取模块1002可以用于执行前文描述的操作S202,在此不再赘述。
更新模块1003用于根据学习结果数据,对第一知识图谱进行更新,生成第二知识图谱。在一实施例中,更新模块1030可以用于执行前文描述的操作S203,在此不再赘述。
生成模块1004用于根据第一学习路径和第二知识图谱生成学习者的第二学习路径。在一实施例中,生成模块10040可以用于执行前文描述的操作S204,在此不再赘述。
根据本公开的实施例,第一知识图谱通过配置模块配置得到,其中,配置模块包括获取单元、生成单元和划分单元。
第一获取单元,用于获取知识集,其中,知识集中包括多个知识点。
第一生成单元,用于利用知识集中的知识点生成初始知识图谱。
划分单元,用于按照预设规则,将初始知识图谱中的多个知识点划分为N层知识层,生成第一知识图谱,其中,N层知识层中的每层知识层均配置有多条候选学习路径,N>1。
根据本公开的实施例,分配模块1001包括第二获取单元、第一确定单元和第二确定单元。
第二获取单元,用于获取学习者的特征数据和能力数据。
第一确定单元,用于根据特征数据,从N层知识层中确定目标知识层。
第二确定单元,用于根据能力数据,从与目标知识层对应的多条候选学习路径中确定第一学习路径。
根据本公开的实施例,第一学习路径中的至少一个知识点和至少一个能力点配置有标签信息,其中,能力点由多个知识点拟合得到。
根据本公开的实施例,获取模块1002包括第三获取单元和第二生成单元。
第三获取单元,用于获取学习者学习第一学习路径中配置有标签信息的知识点和/或能力点而生成的结果性指标数据和过程性指标数据。
第二生成单元,用于根据结果性指标数据和过程性指标数据,生成学习结果数据。
根据本公开的实施例,第一知识图谱中的知识点通过初始权重连接,其中,初始权重的初始权重值表征由初始权重连接的知识点的相关程度。
根据本公开的实施例,更新模块1003包括第一调整单元。
第一调整单元,用于根据学习结果数据,对第一知识图谱中的初始权重的初始权重值进行调整,生成第二知识图谱。
根据本公开的实施例,学习结果数据包括分别与第一学习路径中多个知识点相关联的多个子结果数据。
根据本公开的实施例,生成模块1004包括第四获取单元、第三确定单元、第四确定单元和第二调整单元。
第四获取单元,用于从多个子结果数据中获取子结果数据的最小值。
第三确定单元,用于从第二知识图谱中确定与子结果数据的最小值对应的基准知识点。
第四确定单元,从与基准知识点连接的多个候选知识点中确定目标知识点,其中,目标知识点与知识点的连接权重满足预设条件。
第二调整单元,用于根据目标知识点对第一学习路径进行调整,生成第二学习路径。
根据本公开的实施例,学习路径规划装置1000还包括得到模块和推送模块。
得到模块,用于根据第一学习路径和第二学习路径,得到差异知识点。
推送模块,用于基于差异知识点向学习者进行知识点推送。
根据本公开的实施例,分配模块1001、获取模块1002、更新模块1003和生成模块1004中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,分配模块1001、获取模块1002、更新模块1003和生成模块1004中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,分配模块1001、获取模块1002、更新模块1003和生成模块1004中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图11示意性示出了根据本公开实施例的适于实现学习路径规划方法的电子设备的方框图。
如图11所示,根据本公开实施例的电子设备1100包括处理器1101,其可以根据存储在只读存储器(ROM)1102中的程序或者从存储部分1108加载到随机访问存储器(RAM)1103中的程序而执行各种适当的动作和处理。处理器1101例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器1101还可以包括用于缓存用途的板载存储器。处理器1101可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 1103中,存储有电子设备1100操作所需的各种程序和数据。处理器1101、ROM 1102以及RAM 1103通过总线1104彼此相连。处理器1101通过执行ROM 1102和/或RAM1103中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 1102和RAM 1103以外的一个或多个存储器中。处理器1101也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备1100还可以包括输入/输出(I/O)接口1105,输入/输出(I/O)接口1105也连接至总线1104。电子设备1100还可以包括连接至I/O接口1105的以下部件中的一项或多项:包括键盘、鼠标等的输入部分1106;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1107;包括硬盘等的存储部分1108;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1110上,以便于从其上读出的计算机程序根据需要被安装入存储部分1108。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 1102和/或RAM 1103和/或ROM 1102和RAM 1103以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本公开实施例所提供的学习路径规划方法。
在该计算机程序被处理器1101执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分1109被下载和安装,和/或从可拆卸介质1111被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分1109从网络上被下载和安装,和/或从可拆卸介质1111被安装。在该计算机程序被处理器1101执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。

Claims (11)

1.一种学习路径规划方法,包括:
基于预先配置完成的第一知识图谱,为学习者分配第一学习路径,其中,所述第一知识图谱包括多个知识点,所述第一学习路径由所述第一知识图谱中的一个或多个知识点构建得到;
获取所述学习者基于所述第一学习路径进行学习后得到的学习结果数据;
根据所述学习结果数据,对所述第一知识图谱进行更新,生成第二知识图谱;以及
根据所述第一学习路径和所述第二知识图谱生成所述学习者的第二学习路径。
2.根据权利要求1所述的方法,其中,所述第一知识图谱通过以下操作配置:
获取知识集,其中,所述知识集中包括多个知识点;
利用所述知识集中的知识点生成初始知识图谱;
按照预设规则,将所述初始知识图谱中的所述多个知识点划分为N层知识层,生成所述第一知识图谱,其中,所述N层知识层中的每层知识层均配置有多条候选学习路径,N>1。
3.根据权利要求2所述的方法,其中,所述基于预先配置完成的第一知识图谱,为学习者分配第一学习路径包括:
获取所述学习者的特征数据和能力数据;
根据所述特征数据,从所述N层知识层中确定目标知识层;
根据所述能力数据,从与所述目标知识层对应的所述多条候选学习路径中确定所述第一学习路径。
4.根据权利要求1所述的方法,其中,所述第一学习路径中的至少一个知识点和/或至少一个能力点配置有标签信息,其中,所述能力点由多个所述知识点拟合得到;
所述获取所述学习者基于所述第一学习路径进行学习后得到的学习结果数据包括:
获取所述学习者学习所述第一学习路径中配置有标签信息的知识点和/或能力点而生成的结果性指标数据和过程性指标数据;
根据所述结果性指标数据和所述过程性指标数据,生成所述学习结果数据。
5.根据权利要求1所述的方法,其中,所述第一知识图谱中的知识点通过初始权重连接,其中,所述初始权重的初始权重值表征由所述初始权重连接的所述知识点的相关程度;
所述根据所述学习结果数据,对所述第一知识图谱进行更新,生成第二知识图谱包括:
根据所述学习结果数据,对所述第一知识图谱中的所述初始权重的所述初始权重值进行调整,生成所述第二知识图谱。
6.根据权利要求1所述的方法,其中,所述学习结果数据包括分别与所述第一学习路径中多个知识点相关联的多个子结果数据;
所述根据所述第一学习路径和所述第二知识图谱生成第二学习路径包括:
从所述多个子结果数据中获取所述子结果数据的最小值;
从所述第二知识图谱中确定与所述子结果数据的最小值对应的基准知识点;
从与所述基准知识点连接的多个候选知识点中确定目标知识点,其中,所述目标知识点与所述知识点的连接权重满足预设条件;
根据所述目标知识点对所述第一学习路径进行调整,生成所述第二学习路径。
7.根据权利要求1所述的方法,其中,所述方法还包括:
根据所述第一学习路径和所述第二学习路径,得到差异知识点;
基于所述差异知识点向所述学习者进行知识点推送。
8.一种学习路径规划装置,包括:
分配模块,用于基于预先配置完成的第一知识图谱,为学习者分配第一学习路径,其中,所述第一知识图谱包括多个知识点,所述第一学习路径由所述第一知识图谱中的一个或多个知识点构建得到;
获取模块,用于获取所述学习者基于所述第一学习路径进行学习后得到的学习结果数据;
更新模块,用于根据所述学习结果数据,对所述第一知识图谱进行更新,生成第二知识图谱;以及
生成模块,用于根据所述第一学习路径和所述第二知识图谱生成所述学习者的第二学习路径。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~7中任一项所述的方法。
11.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1~7中任一项所述的方法。
CN202110957380.8A 2021-08-19 2021-08-19 学习路径规划方法及装置 Pending CN113610237A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110957380.8A CN113610237A (zh) 2021-08-19 2021-08-19 学习路径规划方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110957380.8A CN113610237A (zh) 2021-08-19 2021-08-19 学习路径规划方法及装置

Publications (1)

Publication Number Publication Date
CN113610237A true CN113610237A (zh) 2021-11-05

Family

ID=78341396

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110957380.8A Pending CN113610237A (zh) 2021-08-19 2021-08-19 学习路径规划方法及装置

Country Status (1)

Country Link
CN (1) CN113610237A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107665473A (zh) * 2016-07-27 2018-02-06 科大讯飞股份有限公司 学习路径规划方法和装置
WO2018040067A1 (zh) * 2016-09-02 2018-03-08 浙江核新同花顺网络信息股份有限公司 用户指导系统及方法
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
CN110782092A (zh) * 2019-10-25 2020-02-11 北京京东乾石科技有限公司 无人配送车在非结构化场景中的轨迹规划方法及装置
CN111309927A (zh) * 2020-02-17 2020-06-19 山东大学 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
CN112184500A (zh) * 2019-07-03 2021-01-05 浙江有教信息科技有限公司 基于深度学习和知识图谱的课外学习辅导系统及实现方法
CN112598554A (zh) * 2020-12-25 2021-04-02 上海高顿教育科技有限公司 一种基于动态推荐学习的在线学习服务引擎

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107665473A (zh) * 2016-07-27 2018-02-06 科大讯飞股份有限公司 学习路径规划方法和装置
WO2018040067A1 (zh) * 2016-09-02 2018-03-08 浙江核新同花顺网络信息股份有限公司 用户指导系统及方法
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
CN112184500A (zh) * 2019-07-03 2021-01-05 浙江有教信息科技有限公司 基于深度学习和知识图谱的课外学习辅导系统及实现方法
CN110782092A (zh) * 2019-10-25 2020-02-11 北京京东乾石科技有限公司 无人配送车在非结构化场景中的轨迹规划方法及装置
CN111309927A (zh) * 2020-02-17 2020-06-19 山东大学 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
CN112598554A (zh) * 2020-12-25 2021-04-02 上海高顿教育科技有限公司 一种基于动态推荐学习的在线学习服务引擎

Similar Documents

Publication Publication Date Title
US10223646B1 (en) Machine learning approach for query resolution via a dynamic determination and allocation of expert resources
US20160293034A1 (en) Question answering system-based generation of distractors using machine learning
US20190340945A1 (en) Automatic generation and personalization of learning paths
US11102276B2 (en) System and method for providing more appropriate question/answer responses based upon profiles
US20200034776A1 (en) Managing skills as clusters using machine learning and domain knowledge expert
Kiemde et al. Towards an ethics of AI in Africa: rule of education
US20180075765A1 (en) System and method for transmission of market-ready education curricula
US11188517B2 (en) Annotation assessment and ground truth construction
US20190139431A1 (en) Contextual test alteration
US20200412682A1 (en) Feedback enabled network curation of relevant content thread
Parker et al. User-centred design of neogeography: the impact of volunteered geographic information on users' perceptions of online map ‘mashups’
US10332048B2 (en) Job profile generation based on intranet usage
US20200173889A1 (en) Component testing plan considering distinguishable and undistinguishable components
CN114398556A (zh) 学习内容的推荐方法、装置、设备及存储介质
US20160364996A1 (en) Matching learning content to learners
US10963639B2 (en) Systems and methods for identifying sentiment in text strings
US20220406208A1 (en) Systems and methods for adaptive goal-oriented learning paths
US20200175455A1 (en) Classification of skills
CN113610237A (zh) 学习路径规划方法及装置
US11868729B2 (en) Analyzing and explaining a temporal evolution of policies and suggesting next steps
JP2023002475A (ja) コンピュータシステム、コンピュータプログラムおよびコンピュータで実装される方法(因果関係知識の識別および抽出)
US20200294167A1 (en) Systems and methods for aiding higher education administration using machine learning models
US20230237590A1 (en) Optimizing mentorship matches
US20100241602A1 (en) Method and system for facilitating dynamic learning
US20230394351A1 (en) Intelligent Data Ingestion

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