CN113672809A - 一种基于个性化推荐算法的智能导学方法及系统 - Google Patents
一种基于个性化推荐算法的智能导学方法及系统 Download PDFInfo
- Publication number
- CN113672809A CN113672809A CN202110948545.5A CN202110948545A CN113672809A CN 113672809 A CN113672809 A CN 113672809A CN 202110948545 A CN202110948545 A CN 202110948545A CN 113672809 A CN113672809 A CN 113672809A
- Authority
- CN
- China
- Prior art keywords
- module
- learning
- student
- algorithm
- intelligent
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 137
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000006870 function Effects 0.000 claims abstract description 20
- 238000010801 machine learning Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000001914 filtration Methods 0.000 claims description 23
- 238000004891 communication Methods 0.000 claims description 22
- 238000005259 measurement Methods 0.000 claims description 19
- 238000002156 mixing Methods 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000003745 diagnosis Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000005065 mining Methods 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000001483 mobilizing effect Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 abstract description 2
- 238000011161 development Methods 0.000 abstract description 2
- 230000000750 progressive effect Effects 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 2
- 238000003475 lamination Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及智能导学技术领域，具体地说，涉及一种基于个性化推荐算法的智能导学方法及系统。包括研发基于个性化推荐算法的智能导学系统、获取大量的学生信息并构建学生画像、平台认证学生的身份信息、系统选择最优推荐算法、定制个性化的学习引导方案、实施方案并提供综合学习服务、采用多样化方式进行形成性考核、系统提供专家答疑功能、系统通过机器学习提高工作效率等步骤。本发明设计的方法基于多种个性化推荐算法、在开放性的应用环境下，通过适应性的学习支架给每个学生量身定制有计划、有目的、有监督、循序渐进的个别化教育导学方案，促进学生快速的全面发展；其系统可以更好地引导学生提升学习能力，帮助学生获取知识技能并解决问题。
Description
技术领域
本发明涉及智能导学技术领域，具体地说，涉及一种基于个性化推荐算法的智能导学方法及系统。
背景技术
智能导学系统是指借助人工智能技术，结合具体学科的教学知识，让计算机扮演教师对学生进行个别化指导的系统。智能导学系统与传统导学系统最主要的区别在于，智能导学系统是结合学习者特征为其提供个别化指导的。但是，现有技术中的智能导学系统中，对学习者的特点挖掘不够充足，导致其对学习者提供的导学方案不够个性化，无法准确实现针对每一个学习者进行量身定制。同时，网络信息呈指数级增长，海量信息在方便人们生活的同时也增加了用户检索目标信息的难度；因此，基于信息超越的情况，通过挖掘用户在网络上留下的“信息足迹”，采集并分析用户的网络行为与兴趣偏好，根据不同的推荐算法将精准的、契合度高的内容推荐给用户的个性化推荐算法应运而生。若能够将个性化推荐算法引入智能导学系统，则可以有效提高智能导学的个性化指导的精准度。然而，目前却没有较为完善的基于个性化推荐算法的智能导学方法及系统。
发明内容
本发明的目的在于提供一种基于个性化推荐算法的智能导学方法及系统，以解决上述背景技术中提出的问题。
为实现上述技术问题的解决，本发明的目的之一在于，提供了一种基于个性化推荐算法的智能导学方法，包括如下步骤：
S1、搭建智能导学平台，研发基于个性化推荐算法的智能导学系统，并设定系统的应用环境和运行机制，将智能导学系统与校园或网校的信息管理系统连接；
S2、从校园的信息管理系统及其他多方信息来源获取大量的学生信息，对信息数据进行处理分析，并针对每个学生构建唯一的学生画像；
S3、学生以合法身份访问系统平台，平台认证学生的身份信息后，调取该学生的唯一画像特点；
S4、系统根据该学生的资料内容，从基于内容的推荐、协同过滤推荐及若干混合形式的推荐算法中自动选择最优的推荐算法，并对选取的推荐算法进行综合评价；
S5、基于选取的推荐算法，针对学生定制个性化的学习引导方案，实现个别化教育；
S6、实施方案，引导学生自学，基于自然语言给学生提供面授辅导服务，分享网上教学资源，提供综合学习服务，布置作业及对作业进行批改评讲；
S7、在满足网检要求的前提下，采用多样化的方式对学生的学习效果进行形成性的考核，并采用加权平均算法进行考核评分；
其中，考核评分的具体算法表达式为：
式中，F表示学习效果的整体考核评估分值；x1，x2，…，x3分别表示不同考核指标项目的评估分数；f1+f2+…+fk＝n,(n＝1)，f1，f2，…，f3叫做权，分别表示x1，x2，…，x3对应的分值在评估总分值中的占比权重；
S8、系统提供专家答疑功能，学生经由系统平台可以通过语音电话、视频电话、电子邮件、论坛等方式与教师、专家进行无障碍交流；
S9、系统通过机器学习，将往期的工作记录作为训练数据集进行训练学习，逐渐提高智能导学的工作效率及个性化导学的精确度。
作为本技术方案的进一步改进，所述S2中，对学生的信息数据进行处理分析的方法包括如下步骤：
S2.1、从多数据来源获取大量的学生数据，分别提取属于每个学生的数据并进行归类；
S2.2、对每个学生的数据分别进行抽样、降维、去噪、变换等预处理；
S2.3、分别将每个学生的多方面数据进行碰撞分析，对数据进行相似性度量；
S2.4、分别提取独属于每个学生的个人特征点，包括性格特征、学习习惯、擅长项目及弱势项目等；
S2.5、结合普遍特征及个性特征，针对每个学生构建唯一的学生画像。
作为本技术方案的进一步改进，所述S2.1中，分别提取属于每个学生的数据并进行归类采用K-Means均值聚类算法，其算法步骤如下：
Step1、选K个初始聚类中心，Z1 I，Z2 I，∧ZK I，其中，(1,2，...，k)为寻找聚类中心的迭代运算的次序号；
Step2、逐个将需分类模式样本{X}按最小距离准则分配给K个聚类中心中的某一个Zj (1)；对所有的i≠j，j＝1，2，...，K，如果Z1 I，Z2 I，∧ZK I,则X∈Sj k，其中，k为迭代运算的次序号，第一次迭代k＝1，Sj表示第j个聚类，其聚类中心为Zj；
Step3、计算各个聚类中心的新的向量值Zj (k+1)，j＝1,2，...，K，求各聚类域中所包含样本的均值向量：
其中，Nj为第j个聚类域Sj中所包含的样本个数；
其中，以均值向量作为新的聚类中心，可使如下聚类准则函数J最小：
Step4、若Zj (k+1)≠Zj (k+1)，j＝1,2，...，K，则返回S2，将模式样本逐个重新分类，重复迭代运算；若Zj (k+1)＝Zj (k+1)，j＝1,2，...，K，则算法收敛，计算结束。
作为本技术方案的进一步改进，所述S2.2中，对数据进行降维预处理采用PCA降维算法，其算法步骤如下：
输入：训练样本集$D＝{x{(1)},x{(2)},...,xΛ{(m)}}，低维空间维数d′$；
算法过程：
Step1、对所有样本进行中心化，即去均值操作：
Step2、计算样本的协方差矩阵XXT；
Step3、对协方差矩阵XXT做特征值分解；
Step4、取最大的d′个特征值所对应的特征向量w1,w2,...,wd′；
Step5、将原样本矩阵与投影矩阵相乘：X·W，即为降维后的数据集X′，其中X为m×n维，W＝[w1,w2,...,wd′]为n×d′维；
输出：降维后的数据集X′。
其中，协方差矩阵的表达式如下：
(1)特征Xi与特征Xj的协方差为：
其中，
表示特征Xi，Xj的第k个样本中的取值，而
则是表示两个特征的样本均值；
可以看出，当Xi＝Xj时，协方差即为方差；
(2)对于一个只有两个特征的样本来说，其协方差矩阵为：
当特征数为n时，协方差矩阵为n×n维的矩阵，且对角线为各特征的方差值。
其中，特征向量与特征值的定义为：
对于矩阵A，若满足Aζ＝λζ，则称ζ是矩阵A的特征向量，而λ则是矩阵A的特征值；将特征值按照从大到小的顺序进行排序，选择前k个特征值所对应的特征向量即为所求投影向量。
本发明的目的之二在于，提供了一种基于个性化推荐算法的智能导学系统，该系统用于支持上述任一所述的基于个性化推荐算法的智能导学方法步骤的运行，包括
用户管理单元、算法管理单元、智能导学单元和功能应用单元；所述用户管理单元、所述算法管理单元、所述智能导学单元与所述功能应用单元依次通过网络通信连接；所述用户管理单元用于针对学生用户进行信息处理、画像构建、身份认证及个性定制的管理；所述算法管理单元用于对个性化推荐算法进行管理及选调；所述智能导学单元用于针对每个学生的特点定制并实施多样化的课程学习引导方案；所述功能应用单元用于通过增设多种扩展服务来完善系统的功能性；
所述用户管理单元包括信息采集模块、数据处理模块、身份认证模块和个性定制模块；
所述算法管理单元包括内容推荐模块、协同过滤模块、混合算法模块和最优选择模块；
所述智能导学单元包括自学引导模块、面授辅导模块、网教资源模块和多样考核模块；
所述功能应用单元包括专家沟通模块、答疑指导模块、诊断报告模块和机器学习模块。
作为本技术方案的进一步改进，所述信息采集模块的信号输出端与所述数据处理模块的信号输入端连接，所述数据处理模块的信号输出端与所述身份认证模块的信号输入端连接，所述身份认证模块的信号输出端与所述个性定制模块的信号输入端连接；所述信息采集模块用于从以校园信息管理系统为主的多方数据来源采集获取大量的学生信息数据；所述数据处理模块用于对采集的大量数据进行处理分析操作；所述身份认证模块用于通过实名认证来对访问系统的用户的学生身份进行认证；所述个性定制模块用于结合学生的个人特点给学生定制个性化的课程学习方案。
作为本技术方案的进一步改进，所述数据处理模块包括预处理模块、相似度量模块、特征提取模块和学生画像模块；所述预处理模块的信号输出端与所述相似度量模块的信号输入端连接，所述相似度量模块的信号输出端与所述特征提取模块的信号输入端连接，所述特征提取模块的信号输出端与所述学生画像模块的信号输入端连接；所述预处理模块用于对大量的数据进行清理、分类、抽样、降维、去噪、变换等处理；所述相似度量模块用于将多方面的数据信息进行碰撞分析并进行相似性度量；所述特征提取模块用于在对大量的数据进行挖掘分析过程中提取每个学生的特征点；所述学生画像模块用于以提取出的特征点构建每个学生的唯一的学生画像。
作为本技术方案的进一步改进，所述内容推荐模块、所述协同过滤模块与所述混合算法模块依次通过网络通信连接且并列运行，所述内容推荐模块、所述协同过滤模块、所述混合算法模块的信号输出端与所述最优选择模块的信号输入端连接；所述内容推荐模块用于以信息检索和信息过滤技术为基础，根据用户以往对项目的偏好兴趣建立用户特征，经分析评估项目与用户兴趣之间的相关性，从而找出用户可能感兴趣的项目进行推荐；所述协同过滤模块用于根据用户的历史信息计算用户之间的相似性，利用与目标用户相似性较高的邻居对其他项目的评价来预测目标用户对特定项目的喜好程度；所述混合算法模块用于通过混合上述两种推荐算法或其他推荐算法来提高个性化推荐的效果；所述最优选择模块用于根据信息内容及推荐需求选调最优的推荐算法或混合算法的组合并对算法进行评价。
其中，混合算法的混合方式包括加权、变换、特征组合、层叠等，具体应用方法有：分别使用两种算法产生两个推荐结果集，直接呈现给用户；先用基于内容的过滤算法得到一个结果集，在这个结果集上使用协同过滤算法得到更加精确的结果；将上述两种算法与其他推荐算法混合，弥补这两种方法的共同缺陷等。
其中，对算法进行评价的方法包括但不限于预测准确度、覆盖率、多样性、召回率等。
作为本技术方案的进一步改进，所述自学引导模块、所述面授辅导模块、所述网教资源模块与所述多样考核模块依次通过网络通信连接；所述自学引导模块用于引导学生提高个人的自主学习的能力来促进其获取学科知识的学习效果；所述面授辅导模块用于基于自然语言来给学生提供对课程主要框架、重点、难点问题进行直接的讲解、辅导及答疑；所述网教资源模块用于通过系统平台将网上学习的教学资源分享给学生；所述多样考核模块用于在满足网检要求的基础上，通过多样化的形成性考核来调动学习者的学习兴趣并让学生形成利用网络开展自主学习的习惯。
其中，面授辅导应以教学大纲为指南，通过讲解、讨论、座谈、答疑等方式培养学生独立思考、解决问题的能力。
其中，网上教学资源包括课程说明、教师介绍、教学大纲、教学辅导、多样考核说明、作业机制、作业讲评、综合练习等项目。
作为本技术方案的进一步改进，所述专家沟通模块、所述答疑指导模块、所述诊断报告模块与所述机器学习模块依次通过网络通信连接；所述专家沟通模块用于给学生提供通过音视频电话、电子邮件、论坛等方式与教师或专家进行无障碍交流的通道；所述答疑指导模块用于通过系统预设的智能知识库或教师、专家来针对学生的疑难问题进行答疑和学习指导；所述诊断报告模块用于对学生的导学方案、学习效果、考核结果进行诊断并生成综合性的诊断报告；所述机器学习模块用于通过机器学习对系统的智能导学过程进行深度学习以提高个性化智能导学的工作效率及推荐精确度。
本发明的目的之三在于，提供了一种基于个性化推荐算法的智能导学系统的运行装置，包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序，处理器用于执行计算机程序时实现上述任一的基于个性化推荐算法的智能导学系统及方法的步骤。
本发明的目的之四在于，提供了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上述任一的基于个性化推荐算法的智能导学系统及方法的步骤。
与现有技术相比，本发明的有益效果：
1.该基于个性化推荐算法的智能导学方法通过研究开发智能导学系统，针对每个学生构建画像，基于多种个性化推荐算法、在开放性的应用环境下，通过适应性的学习支架给每个学生量身定制有计划、有目的、有监督、循序渐进的个别化教育导学方案，并通过多样化的考核方式及诊断报告，对学生的学习效果进行再评补救，促进学生快速的全面发展；
2.该基于个性化推荐算法的智能导学系统通过载入多种个性化推荐算法，对获取的大量学生信息进行分析处理及深度挖掘，获取学生鲜明的特征点，通过选调最优的推荐算法，为每个学生量身定制个性化的课程学习引导方案，并给学生提供多项智能的学习指导服务，可以更好地引导学生提升学习能力，帮助学生获取知识技能并解决问题，为学生的学习过程提供学习支架、提示及反馈。
附图说明
图1为本发明的整体方法流程框图；
图2为本发明的局部方法流程框图；
图3为本发明的整体系统装置结构图；
图4为本发明的局部系统装置结构图之一；
图5为本发明的局部系统装置结构图之二；
图6为本发明的局部系统装置结构图之三；
图7为本发明的局部系统装置结构图之四；
图8为本发明的局部系统装置结构图之五；
图9为本发明的示例性电子计算机产品装置结构示意图。
图中：
100、用户管理单元；101、信息采集模块；102、数据处理模块；1021、预处理模块；1022、相似度量模块；1023、特征提取模块；1024、学生画像模块；103、身份认证模块；104、个性定制模块；
200、算法管理单元；201、内容推荐模块；202、协同过滤模块；203、混合算法模块；204、最优选择模块；
300、智能导学单元；301、自学引导模块；302、面授辅导模块；303、网教资源模块；304、多样考核模块；
400、功能应用单元；401、专家沟通模块；402、答疑指导模块；403、诊断报告模块；404、机器学习模块。
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。
实施例1
如图1-图2所示，本实施例提供了一种基于个性化推荐算法的智能导学方法，包括如下步骤：
S1、搭建智能导学平台，研发基于个性化推荐算法的智能导学系统，并设定系统的应用环境和运行机制，将智能导学系统与校园或网校的信息管理系统连接；
S2、从校园的信息管理系统及其他多方信息来源获取大量的学生信息，对信息数据进行处理分析，并针对每个学生构建唯一的学生画像；
S3、学生以合法身份访问系统平台，平台认证学生的身份信息后，调取该学生的唯一画像特点；
S4、系统根据该学生的资料内容，从基于内容的推荐、协同过滤推荐及若干混合形式的推荐算法中自动选择最优的推荐算法，并对选取的推荐算法进行综合评价；
S5、基于选取的推荐算法，针对学生定制个性化的学习引导方案，实现个别化教育；
S6、实施方案，引导学生自学，基于自然语言给学生提供面授辅导服务，分享网上教学资源，提供综合学习服务，布置作业及对作业进行批改评讲；
S7、在满足网检要求的前提下，采用多样化的方式对学生的学习效果进行形成性的考核，并采用加权平均算法进行考核评分；
其中，考核评分的具体算法表达式为：
式中，F表示学习效果的整体考核评估分值；x1，x2，…，x3分别表示不同考核指标项目的评估分数；f1+f2+…+fk＝n,(n＝1)，f1，f2，…，f3叫做权，分别表示x1，x2，…，x3对应的分值在评估总分值中的占比权重；
S8、系统提供专家答疑功能，学生经由系统平台可以通过语音电话、视频电话、电子邮件、论坛等方式与教师、专家进行无障碍交流；
S9、系统通过机器学习，将往期的工作记录作为训练数据集进行训练学习，逐渐提高智能导学的工作效率及个性化导学的精确度。
本实施例中，S2中，对学生的信息数据进行处理分析的方法包括如下步骤：
S2.1、从多数据来源获取大量的学生数据，分别提取属于每个学生的数据并进行归类；
S2.2、对每个学生的数据分别进行抽样、降维、去噪、变换等预处理；
S2.3、分别将每个学生的多方面数据进行碰撞分析，对数据进行相似性度量；
S2.4、分别提取独属于每个学生的个人特征点，包括性格特征、学习习惯、擅长项目及弱势项目等；
S2.5、结合普遍特征及个性特征，针对每个学生构建唯一的学生画像。
具体地，S2.1中，分别提取属于每个学生的数据并进行归类采用K-Means均值聚类算法，其算法步骤如下：
Step1、选K个初始聚类中心，Z1 I，Z2 I，∧ZK I，其中，(1,2，...，k)为寻找聚类中心的迭代运算的次序号；
Step2、逐个将需分类模式样本{X}按最小距离准则分配给K个聚类中心中的某一个Zj (1)；对所有的i≠j，j＝1，2，...，K，如果Z1 I，Z2 I，∧ZK I,则X∈Sj k，其中，k为迭代运算的次序号，第一次迭代k＝1，Sj表示第j个聚类，其聚类中心为Zj；
Step3、计算各个聚类中心的新的向量值Zj (k+1)，j＝1,2，...，K，求各聚类域中所包含样本的均值向量：
其中，Nj为第j个聚类域Sj中所包含的样本个数；
其中，以均值向量作为新的聚类中心，可使如下聚类准则函数J最小：
Step4、若Zj (k+1)≠Zj (k+1)，j＝1,2，...，K，则返回S2，将模式样本逐个重新分类，重复迭代运算；若Zj (k+1)＝Zj (k+1)，j＝1,2，...，K，则算法收敛，计算结束。
具体地，S2.2中，对数据进行降维预处理采用PCA降维算法，其算法步骤如下：
输入：训练样本集$D＝{x{(1)},x{(2)},...,xΛ{(m)}}，低维空间维数d′$；
算法过程：
Step1、对所有样本进行中心化，即去均值操作：
Step2、计算样本的协方差矩阵XXT；
Step3、对协方差矩阵XXT做特征值分解；
Step4、取最大的d′个特征值所对应的特征向量w1,w2,...,wd′；
Step5、将原样本矩阵与投影矩阵相乘：X·W，即为降维后的数据集X′，其中X为m×n维，W＝[w1,w2,...,wd′]为n×d′维；
输出：降维后的数据集X′。
其中，协方差矩阵的表达式如下：
(1)特征Xi与特征Xj的协方差为：
其中，
表示特征Xi，Xj的第k个样本中的取值，而
则是表示两个特征的样本均值；
可以看出，当Xi＝Xj时，协方差即为方差；
(2)对于一个只有两个特征的样本来说，其协方差矩阵为：
当特征数为n时，协方差矩阵为n×n维的矩阵，且对角线为各特征的方差值。
其中，特征向量与特征值的定义为：
对于矩阵A，若满足Aζ＝λζ，则称ζ是矩阵A的特征向量，而λ则是矩阵A的特征值；将特征值按照从大到小的顺序进行排序，选择前k个特征值所对应的特征向量即为所求投影向量。
如图3-图9所示，本实施例提供了一种基于个性化推荐算法的智能导学系统，该系统用于支持上述任一的基于个性化推荐算法的智能导学方法步骤的运行，包括
用户管理单元100、算法管理单元200、智能导学单元300和功能应用单元400；用户管理单元100、算法管理单元200、智能导学单元300与功能应用单元400依次通过网络通信连接；用户管理单元100用于针对学生用户进行信息处理、画像构建、身份认证及个性定制的管理；算法管理单元200用于对个性化推荐算法进行管理及选调；智能导学单元300用于针对每个学生的特点定制并实施多样化的课程学习引导方案；功能应用单元400用于通过增设多种扩展服务来完善系统的功能性；
用户管理单元100包括信息采集模块101、数据处理模块102、身份认证模块103和个性定制模块104；
算法管理单元200包括内容推荐模块201、协同过滤模块202、混合算法模块203和最优选择模块204；
智能导学单元300包括自学引导模块301、面授辅导模块302、网教资源模块303和多样考核模块304；
功能应用单元400包括专家沟通模块401、答疑指导模块402、诊断报告模块403和机器学习模块404。
本实施例中，信息采集模块101的信号输出端与数据处理模块102的信号输入端连接，数据处理模块102的信号输出端与身份认证模块103的信号输入端连接，身份认证模块103的信号输出端与个性定制模块104的信号输入端连接；信息采集模块101用于从以校园信息管理系统为主的多方数据来源采集获取大量的学生信息数据；数据处理模块102用于对采集的大量数据进行处理分析操作；身份认证模块103用于通过实名认证来对访问系统的用户的学生身份进行认证；个性定制模块104用于结合学生的个人特点给学生定制个性化的课程学习方案。
进一步地，数据处理模块102包括预处理模块1021、相似度量模块1022、特征提取模块1023和学生画像模块1024；预处理模块1021的信号输出端与相似度量模块1022的信号输入端连接，相似度量模块1022的信号输出端与特征提取模块1023的信号输入端连接，特征提取模块1023的信号输出端与学生画像模块1024的信号输入端连接；预处理模块1021用于对大量的数据进行清理、分类、抽样、降维、去噪、变换等处理；相似度量模块1022用于将多方面的数据信息进行碰撞分析并进行相似性度量；特征提取模块1023用于在对大量的数据进行挖掘分析过程中提取每个学生的特征点；学生画像模块1024用于以提取出的特征点构建每个学生的唯一的学生画像。
本实施例中，内容推荐模块201、协同过滤模块202与混合算法模块203依次通过网络通信连接且并列运行，内容推荐模块201、协同过滤模块202、混合算法模块203的信号输出端与最优选择模块204的信号输入端连接；内容推荐模块201用于以信息检索和信息过滤技术为基础，根据用户以往对项目的偏好兴趣建立用户特征，经分析评估项目与用户兴趣之间的相关性，从而找出用户可能感兴趣的项目进行推荐；协同过滤模块202用于根据用户的历史信息计算用户之间的相似性，利用与目标用户相似性较高的邻居对其他项目的评价来预测目标用户对特定项目的喜好程度；混合算法模块203用于通过混合上述两种推荐算法或其他推荐算法来提高个性化推荐的效果；最优选择模块204用于根据信息内容及推荐需求选调最优的推荐算法或混合算法的组合并对算法进行评价。
其中，混合算法的混合方式包括加权、变换、特征组合、层叠等，具体应用方法有：分别使用两种算法产生两个推荐结果集，直接呈现给用户；先用基于内容的过滤算法得到一个结果集，在这个结果集上使用协同过滤算法得到更加精确的结果；将上述两种算法与其他推荐算法混合，弥补这两种方法的共同缺陷等。
其中，对算法进行评价的方法包括但不限于预测准确度、覆盖率、多样性、召回率等。
本实施例中，自学引导模块301、面授辅导模块302、网教资源模块303与多样考核模块304依次通过网络通信连接；自学引导模块301用于引导学生提高个人的自主学习的能力来促进其获取学科知识的学习效果；面授辅导模块302用于基于自然语言来给学生提供对课程主要框架、重点、难点问题进行直接的讲解、辅导及答疑；网教资源模块303用于通过系统平台将网上学习的教学资源分享给学生；多样考核模块304用于在满足网检要求的基础上，通过多样化的形成性考核来调动学习者的学习兴趣并让学生形成利用网络开展自主学习的习惯。
其中，面授辅导应以教学大纲为指南，通过讲解、讨论、座谈、答疑等方式培养学生独立思考、解决问题的能力。
其中，网上教学资源包括课程说明、教师介绍、教学大纲、教学辅导、多样考核说明、作业机制、作业讲评、综合练习等项目。
本实施例中，专家沟通模块401、答疑指导模块402、诊断报告模块403与机器学习模块404依次通过网络通信连接；专家沟通模块401用于给学生提供通过音视频电话、电子邮件、论坛等方式与教师或专家进行无障碍交流的通道；答疑指导模块402用于通过系统预设的智能知识库或教师、专家来针对学生的疑难问题进行答疑和学习指导；诊断报告模块403用于对学生的导学方案、学习效果、考核结果进行诊断并生成综合性的诊断报告；机器学习模块404用于通过机器学习对系统的智能导学过程进行深度学习以提高个性化智能导学的工作效率及推荐精确度。
如图9所示，本实施例还提供了一种基于个性化推荐算法的智能导学系统的运行装置，该装置包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序。
处理器包括一个或一个以上处理核心，处理器通过总线与存储器相连，存储器用于存储程序指令，处理器执行存储器中的程序指令时实现上述的基于个性化推荐算法的智能导学系统及方法的步骤。
可选的，存储器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实现，如静态随时存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
此外，本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的基于个性化推荐算法的智能导学系统及方法的步骤。
可选的，本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各方面基于个性化推荐算法的智能导学系统及方法的步骤。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储与计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种基于个性化推荐算法的智能导学方法，其特征在于：包括如下步骤：
S1、搭建智能导学平台，研发基于个性化推荐算法的智能导学系统，并设定系统的应用环境和运行机制，将智能导学系统与校园或网校的信息管理系统连接；
S2、从校园的信息管理系统及其他多方信息来源获取大量的学生信息，对信息数据进行处理分析，并针对每个学生构建唯一的学生画像；
S3、学生以合法身份访问系统平台，平台认证学生的身份信息后，调取该学生的唯一画像特点；
S4、系统根据该学生的资料内容，从基于内容的推荐、协同过滤推荐及若干混合形式的推荐算法中自动选择最优的推荐算法，并对选取的推荐算法进行综合评价；
S5、基于选取的推荐算法，针对学生定制个性化的学习引导方案，实现个别化教育；
S6、实施方案，引导学生自学，基于自然语言给学生提供面授辅导服务，分享网上教学资源，提供综合学习服务，布置作业及对作业进行批改评讲；
S7、在满足网检要求的前提下，采用多样化的方式对学生的学习效果进行形成性的考核，并采用加权平均算法进行考核评分；
其中，考核评分的具体算法表达式为：
式中，F表示学习效果的整体考核评估分值；x1，x2，…，x3分别表示不同考核指标项目的评估分数；f1+f2+…+fk＝n,(n＝1)，f1，f2，…，f3叫做权，分别表示x1，x2，…，x3对应的分值在评估总分值中的占比权重；
S8、系统提供专家答疑功能，学生经由系统平台可以通过语音电话、视频电话、电子邮件、论坛等方式与教师、专家进行无障碍交流；
S9、系统通过机器学习，将往期的工作记录作为训练数据集进行训练学习，逐渐提高智能导学的工作效率及个性化导学的精确度。
2.根据权利要求1所述的基于个性化推荐算法的智能导学方法，其特征在于：所述S2中，对学生的信息数据进行处理分析的方法包括如下步骤：
S2.1、从多数据来源获取大量的学生数据，分别提取属于每个学生的数据并进行归类；
S2.2、对每个学生的数据分别进行抽样、降维、去噪、变换等预处理；
S2.3、分别将每个学生的多方面数据进行碰撞分析，对数据进行相似性度量；
S2.4、分别提取独属于每个学生的个人特征点，包括性格特征、学习习惯、擅长项目及弱势项目等；
S2.5、结合普遍特征及个性特征，针对每个学生构建唯一的学生画像。
3.根据权利要求2所述的基于个性化推荐算法的智能导学方法，其特征在于：所述S2.1中，分别提取属于每个学生的数据并进行归类采用K-Means均值聚类算法，其算法步骤如下：
Step1、选K个初始聚类中心，Z1 I，Z2 I，∧ZK I，其中，(1,2，...，k)为寻找聚类中心的迭代运算的次序号；
Step2、逐个将需分类模式样本{X}按最小距离准则分配给K个聚类中心中的某一个Zj (1)；对所有的i≠j，j＝1，2，...，K，如果Z1 I，Z2 I，∧ZK I,则X∈Sj k，其中，k为迭代运算的次序号，第一次迭代k＝1，Sj表示第j个聚类，其聚类中心为Zj；
Step3、计算各个聚类中心的新的向量值Zj (k+1)，j＝1,2，...，K，求各聚类域中所包含样本的均值向量：
其中，Nj为第j个聚类域Sj中所包含的样本个数；
其中，以均值向量作为新的聚类中心，可使如下聚类准则函数J最小：
Step4、若Zj (k+1)≠Zj (k+1)，j＝1,2，...，K，则返回S2，将模式样本逐个重新分类，重复迭代运算；若Zj (k+1)＝Zj (k+1)，j＝1,2，...，K，则算法收敛，计算结束。
4.根据权利要求2所述的基于个性化推荐算法的智能导学方法，其特征在于：所述S2.2中，对数据进行降维预处理采用PCA降维算法，其算法步骤如下：
输入：训练样本集$D＝{x{(1)},x{(2)},...,xΛ{(m)}}，低维空间维数d′$；
算法过程：
Step1、对所有样本进行中心化，即去均值操作：
Step2、计算样本的协方差矩阵XXT；
Step3、对协方差矩阵XXT做特征值分解；
Step4、取最大的d′个特征值所对应的特征向量w1,w2,...,wd′；
Step5、将原样本矩阵与投影矩阵相乘：X·W，即为降维后的数据集X′，其中X为m×n维，W＝[w1,w2,...,wd′]为n×d′维；
输出：降维后的数据集X′。
5.一种基于个性化推荐算法的智能导学系统，该系统用于支持权利要求1-4任一所述的基于个性化推荐算法的智能导学方法步骤的运行，其特征在于：包括
用户管理单元(100)、算法管理单元(200)、智能导学单元(300)和功能应用单元(400)；所述用户管理单元(100)、所述算法管理单元(200)、所述智能导学单元(300)与所述功能应用单元(400)依次通过网络通信连接；所述用户管理单元(100)用于针对学生用户进行信息处理、画像构建、身份认证及个性定制的管理；所述算法管理单元(200)用于对个性化推荐算法进行管理及选调；所述智能导学单元(300)用于针对每个学生的特点定制并实施多样化的课程学习引导方案；所述功能应用单元(400)用于通过增设多种扩展服务来完善系统的功能性；
所述用户管理单元(100)包括信息采集模块(101)、数据处理模块(102)、身份认证模块(103)和个性定制模块(104)；
所述算法管理单元(200)包括内容推荐模块(201)、协同过滤模块(202)、混合算法模块(203)和最优选择模块(204)；
所述智能导学单元(300)包括自学引导模块(301)、面授辅导模块(302)、网教资源模块(303)和多样考核模块(304)；
所述功能应用单元(400)包括专家沟通模块(401)、答疑指导模块(402)、诊断报告模块(403)和机器学习模块(404)。
6.根据权利要求5所述的基于个性化推荐算法的智能导学系统，其特征在于：所述信息采集模块(101)的信号输出端与所述数据处理模块(102)的信号输入端连接，所述数据处理模块(102)的信号输出端与所述身份认证模块(103)的信号输入端连接，所述身份认证模块(103)的信号输出端与所述个性定制模块(104)的信号输入端连接；所述信息采集模块(101)用于从以校园信息管理系统为主的多方数据来源采集获取大量的学生信息数据；所述数据处理模块(102)用于对采集的大量数据进行处理分析操作；所述身份认证模块(103)用于通过实名认证来对访问系统的用户的学生身份进行认证；所述个性定制模块(104)用于结合学生的个人特点给学生定制个性化的课程学习方案。
7.根据权利要求6所述的基于个性化推荐算法的智能导学系统，其特征在于：所述数据处理模块(102)包括预处理模块(1021)、相似度量模块(1022)、特征提取模块(1023)和学生画像模块(1024)；所述预处理模块(1021)的信号输出端与所述相似度量模块(1022)的信号输入端连接，所述相似度量模块(1022)的信号输出端与所述特征提取模块(1023)的信号输入端连接，所述特征提取模块(1023)的信号输出端与所述学生画像模块(1024)的信号输入端连接；所述预处理模块(1021)用于对大量的数据进行清理、分类、抽样、降维、去噪、变换等处理；所述相似度量模块(1022)用于将多方面的数据信息进行碰撞分析并进行相似性度量；所述特征提取模块(1023)用于在对大量的数据进行挖掘分析过程中提取每个学生的特征点；所述学生画像模块(1024)用于以提取出的特征点构建每个学生的唯一的学生画像。
8.根据权利要求5所述的基于个性化推荐算法的智能导学系统，其特征在于：所述内容推荐模块(201)、所述协同过滤模块(202)与所述混合算法模块(203)依次通过网络通信连接且并列运行，所述内容推荐模块(201)、所述协同过滤模块(202)、所述混合算法模块(203)的信号输出端与所述最优选择模块(204)的信号输入端连接；所述内容推荐模块(201)用于以信息检索和信息过滤技术为基础，根据用户以往对项目的偏好兴趣建立用户特征，经分析评估项目与用户兴趣之间的相关性，从而找出用户可能感兴趣的项目进行推荐；所述协同过滤模块(202)用于根据用户的历史信息计算用户之间的相似性，利用与目标用户相似性较高的邻居对其他项目的评价来预测目标用户对特定项目的喜好程度；所述混合算法模块(203)用于通过混合上述两种推荐算法或其他推荐算法来提高个性化推荐的效果；所述最优选择模块(204)用于根据信息内容及推荐需求选调最优的推荐算法或混合算法的组合并对算法进行评价。
9.根据权利要求5所述的基于个性化推荐算法的智能导学系统，其特征在于：所述自学引导模块(301)、所述面授辅导模块(302)、所述网教资源模块(303)与所述多样考核模块(304)依次通过网络通信连接；所述自学引导模块(301)用于引导学生提高个人的自主学习的能力来促进其获取学科知识的学习效果；所述面授辅导模块(302)用于基于自然语言来给学生提供对课程主要框架、重点、难点问题进行直接的讲解、辅导及答疑；所述网教资源模块(303)用于通过系统平台将网上学习的教学资源分享给学生；所述多样考核模块(304)用于在满足网检要求的基础上，通过多样化的形成性考核来调动学习者的学习兴趣并让学生形成利用网络开展自主学习的习惯。
10.根据权利要求5所述的基于个性化推荐算法的智能导学系统，其特征在于：所述专家沟通模块(401)、所述答疑指导模块(402)、所述诊断报告模块(403)与所述机器学习模块(404)依次通过网络通信连接；所述专家沟通模块(401)用于给学生提供通过音视频电话、电子邮件、论坛等方式与教师或专家进行无障碍交流的通道；所述答疑指导模块(402)用于通过系统预设的智能知识库或教师、专家来针对学生的疑难问题进行答疑和学习指导；所述诊断报告模块(403)用于对学生的导学方案、学习效果、考核结果进行诊断并生成综合性的诊断报告；所述机器学习模块(404)用于通过机器学习对系统的智能导学过程进行深度学习以提高个性化智能导学的工作效率及推荐精确度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110948545.5A CN113672809A (zh) | 2021-08-18 | 2021-08-18 | 一种基于个性化推荐算法的智能导学方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110948545.5A CN113672809A (zh) | 2021-08-18 | 2021-08-18 | 一种基于个性化推荐算法的智能导学方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113672809A true CN113672809A (zh) | 2021-11-19 |
Family
ID=78543547
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110948545.5A Pending CN113672809A (zh) | 2021-08-18 | 2021-08-18 | 一种基于个性化推荐算法的智能导学方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113672809A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114066695A (zh) * | 2022-01-18 | 2022-02-18 | 广东数业智能科技有限公司 | 一种基于劳动项目的教育内容分析方法、系统和存储介质 |
| CN116579671A (zh) * | 2023-07-14 | 2023-08-11 | 新亿成科技(江苏)有限公司 | 一种自动匹配指标的绩效考核方法、系统、终端及存储介质 |
| CN117406866A (zh) * | 2023-12-14 | 2024-01-16 | 南昌大藏科技有限公司 | 一种vr体验系统及方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150242979A1 (en) * | 2014-02-25 | 2015-08-27 | University Of Maryland, College Park | Knowledge Management and Classification in a Quality Management System |
| CN109801197A (zh) * | 2019-01-09 | 2019-05-24 | 东华大学 | 一种基于协同过滤推荐算法的教务助手系统 |
| CN110598770A (zh) * | 2019-08-30 | 2019-12-20 | 华中师范大学 | 一种多空间融合学习环境构建方法和装置 |
| CN111191122A (zh) * | 2019-12-20 | 2020-05-22 | 重庆邮电大学 | 一种基于用户画像的学习资源推荐系统 |
| CN111429044A (zh) * | 2020-05-22 | 2020-07-17 | 中国科学院自动化研究所 | 基于学习行为的智能科技教学系统及控制方法 |
| 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 |
| CN112256964A (zh) * | 2020-10-22 | 2021-01-22 | 重庆邮电大学 | 一种基于多维度数据学习的金融机构潜在客户推荐方法 |
| WO2021109464A1 (zh) * | 2019-12-02 | 2021-06-10 | 南京莱斯网信技术研究院有限公司 | 一种面向大规模用户的个性化教学资源推荐方法 |
-
2021
- 2021-08-18 CN CN202110948545.5A patent/CN113672809A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150242979A1 (en) * | 2014-02-25 | 2015-08-27 | University Of Maryland, College Park | Knowledge Management and Classification in a Quality Management System |
| CN109801197A (zh) * | 2019-01-09 | 2019-05-24 | 东华大学 | 一种基于协同过滤推荐算法的教务助手系统 |
| 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 |
| CN110598770A (zh) * | 2019-08-30 | 2019-12-20 | 华中师范大学 | 一种多空间融合学习环境构建方法和装置 |
| WO2021109464A1 (zh) * | 2019-12-02 | 2021-06-10 | 南京莱斯网信技术研究院有限公司 | 一种面向大规模用户的个性化教学资源推荐方法 |
| CN111191122A (zh) * | 2019-12-20 | 2020-05-22 | 重庆邮电大学 | 一种基于用户画像的学习资源推荐系统 |
| CN111429044A (zh) * | 2020-05-22 | 2020-07-17 | 中国科学院自动化研究所 | 基于学习行为的智能科技教学系统及控制方法 |
| CN112256964A (zh) * | 2020-10-22 | 2021-01-22 | 重庆邮电大学 | 一种基于多维度数据学习的金融机构潜在客户推荐方法 |
Non-Patent Citations (14)
| Title |
|---|
| FAN OUYANG 等: "Artificial intelligence in education: The three paradigms", COMPUTERS AND EDUCATION: ARTIFICIAL INTELLIGENCE, pages 1 - 6 * |
| TIANTIAN WU 等: "Research on Recommendation system based on user portrait", 2020 IEEE INTERNATIONAL CONFERENCE ON ARTIFICIAL INTELLIGENCE AND INFORMATION SYSTEMS (ICAIIS), pages 462 - 465 * |
| XIAOYING LI 等: "Research and Analysis of Student Portrait Based on Campus Big Data", 2021 IEEE 6TH INTERNATIONAL CONFERENCE ON BIG DATA ANALYTICS (ICBDA), pages 1 - 4 * |
| 仲兆满 等: "多异构信息网络融合的在线学习资源推荐", 实验室研究与探索, no. 09, pages 198 - 203 * |
| 尹婷婷 等: "基于用户画像技术的教育资源个性化推荐服务研究", 数字图书馆论坛, pages 29 - 35 * |
| 师亚飞;彭红超;童名文;: "基于学习画像的精准个性化学习路径生成性推荐策略研究", 中国电化教育, no. 05, pages 84 - 90 * |
| 张所娟 等: "多场域导向的大学计算机基础课程实践教学范式研究", 计算机工程与科学, no. 1, pages 85 - 90 * |
| 徐亚军 等: "K12学习平台个性化学习资源推荐", 计算机系统应用, no. 07, pages 217 - 221 * |
| 林海平;檀晓红;: "适合大规模网络学习的个性化导学系统", 中国远程教育, no. 09, pages 68 - 71 * |
| 祝士明 等: "深度融合智能技术的金课建设：框架与路径", 现代教育技术, no. 08, pages 34 - 40 * |
| 肖健 等: "聚类分析算法在数字图书馆中的应用研究", 信息与电脑（理论版）, no. 16, pages 137 - 138 * |
| 肖立英 等: "基于深度学习的个性化智能导学平台的研究", 网络安全技术与应用, no. 05, pages 31 - 32 * |
| 黎孟雄;: "基于IM的智能导学机器人的研究与设计", 现代教育技术, no. 01, pages 97 - 101 * |
| 黑池: "AI+教育笔记系列（3）_认知篇_ 智能导学系统（ITS）", pages 1, Retrieved from the Internet <URL:https://zhuanlan.zhihu.com/p/84635030> * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114066695A (zh) * | 2022-01-18 | 2022-02-18 | 广东数业智能科技有限公司 | 一种基于劳动项目的教育内容分析方法、系统和存储介质 |
| CN114066695B (zh) * | 2022-01-18 | 2022-05-24 | 广东数业智能科技有限公司 | 一种基于劳动项目的教育内容分析方法、系统和存储介质 |
| CN116579671A (zh) * | 2023-07-14 | 2023-08-11 | 新亿成科技(江苏)有限公司 | 一种自动匹配指标的绩效考核方法、系统、终端及存储介质 |
| CN116579671B (zh) * | 2023-07-14 | 2024-01-02 | 新亿成科技(江苏)有限公司 | 一种自动匹配指标的绩效考核方法、系统、终端及存储介质 |
| CN117406866A (zh) * | 2023-12-14 | 2024-01-16 | 南昌大藏科技有限公司 | 一种vr体验系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Nabizadeh et al. | Adaptive learning path recommender approach using auxiliary learning objects | |
| Chen et al. | Prerequisite-driven deep knowledge tracing | |
| CN109919810B (zh) | 在线学习系统中的学生建模与个性化课程推荐方法 | |
| Osmanbegovic et al. | Data mining approach for predicting student performance | |
| Peña-Ayala | Educational data mining: A survey and a data mining-based analysis of recent works | |
| CN113672809A (zh) | 一种基于个性化推荐算法的智能导学方法及系统 | |
| Almasri et al. | Clustering-based EMT model for predicting student performance | |
| García et al. | Model prediction of academic performance for first year students | |
| CN114254208A (zh) | 薄弱知识点的识别方法、学习路径的规划方法与装置 | |
| Raleiras et al. | Automatic learning styles prediction: A survey of the State-of-the-Art (2006–2021) | |
| CN113656687B (zh) | 基于教研数据的教师画像构建方法 | |
| Maraza-Quispe et al. | A predictive model implemented in knime based on learning analytics for timely decision making in virtual learning environments | |
| Sorour et al. | Comments data mining for evaluating student's performance | |
| Kumar et al. | Data, machine learning, and human domain experts: none is better than their collaboration | |
| Aydoğdu | A new student modeling technique with convolutional neural networks: Learnerprints | |
| Lee et al. | Empowering active learning to jointly optimize system and user demands | |
| Wu et al. | Student achievement analysis and prediction based on the whole learning process | |
| Sethi et al. | Machine learning based performance evaluation system based on multi-categorial factors | |
| CN115687910A (zh) | 一种数据处理方法、装置、计算机设备以及可读存储介质 | |
| Jiang et al. | Learning analytics in a blended computer education course | |
| Shao et al. | A Combinatorial optimization framework for scoring students in University Admissions | |
| Wu et al. | [Retracted] Studying the Diagnostic Effectiveness of English Education Based on Rule Mining and Question Type Association Analysis | |
| Tang et al. | Computer-aided teaching system based on data mining | |
| Troussas et al. | Automatic predictions using LDA for learning through social networking services | |
| Qasem et al. | Educational data mining (EDM): a review |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240402 Address after: Room 404-2, Building 1, No. 28 Qinglan Street, Xiaoguwei Street, Panyu District, Guangzhou City, Guangdong Province, 511400 Applicant after: GUANGZHOU ZHIJUXING TECHNOLOGY CO.,LTD. Country or region after: China Address before: 510032 Room 302, building 16, Tian'an headquarters center, No. 555, North Panyu Avenue, Donghuan street, Panyu District, Guangzhou City, Guangdong Province Applicant before: GUANGZHOU CREATEVIEW OPTOELECTRONICS TECHNOLOGY Co.,Ltd. Country or region before: China |
|
| TA01 | Transfer of patent application right |