CN113806412B - 一种基于全息拓扑的个性化学习资源快速推荐方法 - Google Patents

一种基于全息拓扑的个性化学习资源快速推荐方法 Download PDF

Info

Publication number
CN113806412B
CN113806412B CN202111132879.1A CN202111132879A CN113806412B CN 113806412 B CN113806412 B CN 113806412B CN 202111132879 A CN202111132879 A CN 202111132879A CN 113806412 B CN113806412 B CN 113806412B
Authority
CN
China
Prior art keywords
knowledge point
learning
holographic
knowledge
topology
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.)
Active
Application number
CN202111132879.1A
Other languages
English (en)
Other versions
CN113806412A (zh
Inventor
陈志贤
韩嵩
陈尧潇
林俊安
叶泽楷
林悦章
包婉婷
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.)
Zhejiang Gongshang University
Original Assignee
Zhejiang Gongshang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Gongshang University filed Critical Zhejiang Gongshang University
Priority to CN202111132879.1A priority Critical patent/CN113806412B/zh
Publication of CN113806412A publication Critical patent/CN113806412A/zh
Application granted granted Critical
Publication of CN113806412B publication Critical patent/CN113806412B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于全息拓扑的个性化学习资源快速推荐方法。本发明基于学习者的学习行为日志，利用全息拓扑算法对各学习资源知识点集合进行关联分析与拓扑排序，为学习者提供个性化快速推荐。本发明利用全息拓扑的制约关系，可以有效解决推荐不准确、缺乏个性化等问题。基于预先构造的课程AOV图，可以解决当系统没有或者仅有少量的用户行为日志时，无法实现有效的个性化推荐的冷启动问题。

Description

一种基于全息拓扑的个性化学习资源快速推荐方法
技术领域
本发明涉及个性化学习资源推荐领域，具体为一种基于全息拓扑的个性化学习资源快速推荐方法。
背景技术
目前，我国的在线教育平台众多，譬如中国大学慕课(MOOC)、超星泛雅学习平台等，这些在线教育平台为高校近年线上教学的有序开展提供了强有力保障。与此同时，针对计算机类、信息技术类等专业的线上程序设计实训平台为学生提供了良好的编程实训环境，帮助学生进一步巩固课堂所学、提高实战能力。如何对学习者的学习行为日志进行数据分析，从而对其进行有针对性及精细化的学习资源推荐，是这两类平台在个性化推荐中的共性问题，也是支撑这两类平台的关键核心技术。
目前主流的推荐算法主要分为两类，一类是协同过滤推荐，另一类是基于内容的推荐。前者基于用户之间的兴趣相似性，通过某种算法查找与目标用户最为相似的N个邻居，利用这N个邻居对目标用户还未评分的某个项目的评分来预测目标用户对该项目的评分；后者通过分析项目的内在结构和语义信息，找出目标用户可能感兴趣的某些项目，从而做出推荐。两种算法各有优劣，在不同的系统中都得到了应用。有时为了得到更好的推荐效果，会混合使用两种推荐算法，混合的方式有加权、变换、特征组合、层叠等。但是，上述推荐算法存在一些不可忽视的缺陷，主要包括：1.冷启动问题：当系统没有或者仅有少量的用户行为日志时，无法实现有效的个性化推荐；2.稀疏性问题：当系统的用户数量十分庞大时，会极大影响推荐系统的效率及准确性，导致推荐速度较慢和准确性下降，造成用户等待过久、体验不佳等。
发明内容
为了弥补现有技术的不足，本发明提供了一种基于全息拓扑的个性化学习资源快速推荐方法。
本发明采用的技术方案为：
一种基于全息拓扑的个性化学习资源快速推荐方法，包括以下步骤：
步骤1、根据课程的知识点集合V中的制约关系，预先构造V对应的AOV图(ActivityOn Vertex Network)，并且利用拓扑排序确定每一个知识点ki(i表示当前是哪个知识点)的先学条件从而生成V的先学条件集合/>
步骤2、设用户的当前学习周期为T，第T周期内学习完成的知识点集合记为U，处理用户原始数据，获得集合U。
步骤3、针对集合U，快速对预先生成的先学条件集合P进行遍历，确定与集合U中各个知识点相对应的先学条件(ki指知识点ki)。
步骤4、对各个知识点的先学条件和U求并集运算，生成集合Q，即第T周期内及之前学习完成的知识点集合，也就是系统可推荐的知识点集合。
步骤5、每个学习资源都对应着相关联的一个知识点集合S，其中包含一个或多个知识点。系统对学习资源的知识点进行匹配过滤，筛选出满足条件的学习资源，并根据加权拓扑距离进行相关度排序，取前n个学习资源执行推荐操作，从而实现个性化推荐。
这里定义：拓扑距离D(ki,kj)为AOV图中任意两个知识点ki和kj之间的最短路径长度(显然，如果课程的AOV图确定，则图中任意两个知识点之间拓扑距离可预先计算)；知识点ki与任意一个知识点集合Z之间的拓扑距离为加权拓扑距离为某学习资源的知识点集合X中所有知识点ki和某知识点集合Y之间拓扑距离的总和/>
本发明采用基于全息拓扑的个性化学习资源推荐方法，利用全息拓扑的制约关系，可以有效解决推荐不准确、缺乏个性化等问题。基于预先构造的课程AOV图，可以解决当系统没有或者仅有少量的用户行为日志时，无法实现有效的个性化推荐的冷启动问题。其次，由于全息拓扑算法具有较好的可操作性，保证了本发明具有较强的技术可行性。此外，由于预先确定了每个知识点ki的先学条件所以在实现个性化推荐时可以对学习资源进行快速的匹配过滤，体现了本发明的高效性，可以有效解决稀疏性问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一个简单的介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的个性化学习资源推荐方法的流程图。
图2为本发明实施例提供的AOV图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下将结合附图对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述实施例仅仅是本发明的一部分实施例，而不是全部的实施例，并非用于限定本发明的范围。
本发明基于学习者的学习行为日志，利用全息拓扑算法对各学习资源知识点集合进行关联分析与拓扑排序，为学习者提供个性化快速推荐，如图1所示：
一种基于全息拓扑的个性化学习资源推荐方法，具体包括以下步骤：
1.根据课程的知识点集合V中的制约关系，预先构造V对应的AOV图，并且利用拓扑排序确定每一个知识点ki(i表示当前是哪个知识点)的先学条件从而生成V的先学条件集合/>
具体地，每门课程中都对应一个知识点集合V，且V中的知识点之间存在某种制约关系，例如：学习第二个知识点需要以第一个知识点的学习结束为前提(即用户需要完成第一个知识点之后才能进行第二个知识点的学习)。根据这些制约关系，可以预先构造该课程对应的AOV图。
如图2所示，用户当前所学课程含有k1、k2、…、k14共14个知识点(即V＝{k1,k2,…,k14})，其需要完成知识点k1才能继续学习知识点k4，但不能学习知识点k3，因为k3的先学条件还有知识点k2，故需要完成知识点k1和k2后才能继续学习k3。
根据构造的课程AOV图，预先生成了先学条件集合基于本实例，下面只列出一部分相关数据：/>
2.处理用户原始数据，获得集合U。
具体地，通过对用户行为日志进行数据分析，获取集合U。本实施例中假设集合U＝{k10,k11}。
3.针对集合U，快速对预先生成的先学条件集合P进行遍历，确定与U中各个知识点相对应的先学条件(ki指知识点ki)。
具体地，本实例中集合U＝{k10,k11}，遍历先学条件集合P，确定与U中知识点k10和k11相对应的先学条件
4.对各个知识点的先学条件和U求并集运算，生成集合Q，即系统可推荐的知识点集合。
具体地，对k10、k11和U求并集运算，生成系统可推荐知识点集合Q＝{k1,k2,k4,k5,k6,k7,k10,k11}。
5.每个学习资源都对应着相关联的一个知识点集合S，其中包含一个或多个知识点。系统对学习资源的知识点进行匹配过滤，筛选出满足条件的学习资源，并根据加权拓扑距离进行相关度排序，取前n个学习资源执行推荐操作，从而实现个性化推荐。
具体地，每个学习资源都对应着相关联的一个知识点集合S，假设学习资源1的S值为{k1,k5}，学习资源2的S值为{k10}，学习资源3的S值为{k5,k8}。系统对学习资源进行匹配过滤，将筛选出满足条件的学习资源1和2，计算出它们与集合U的加权拓扑距离分别为5和0，则按加权拓扑距离进行相关度排序，系统优先推荐学习资源2，次之推荐学习资源1。

Claims (3)

1.一种基于全息拓扑的个性化学习资源快速推荐方法，包括以下步骤：
步骤1、根据课程的知识点集合V中的制约关系，预先构造知识点集合V对应的AOV图，并且利用拓扑排序确定每一个知识点ki的先学条件从而生成知识点集合V的先学条件集合/>
步骤2、设用户的当前学习周期为T，第T周期内学习完成的知识点集合记为U，处理用户原始数据，获得集合U；
步骤3、针对集合U，快速对预先生成的先学条件集合P进行遍历，确定与集合U中各个知识点相对应的先学条件
步骤4、对各个知识点的先学条件和U求并集运算，生成集合Q，即第T周期内及之前学习完成的知识点集合，也就是系统可推荐的知识点集合；
步骤5、每个学习资源都对应着相关联的一个知识点集合S，其中包含一个或多个知识点；对学习资源的知识点进行匹配过滤，筛选出满足条件的学习资源，并根据加权拓扑距离进行相关度排序，取前n个学习资源执行推荐操作，从而实现个性化推荐。
2.根据权利要求1所述的一种基于全息拓扑的个性化学习资源快速推荐方法，其特征在于：步骤2中处理用户原始数据，获得集合U具体是通过对用户行为日志进行数据分析，获取集合U。
3.根据权利要求1所述的一种基于全息拓扑的个性化学习资源快速推荐方法，其特征在于：步骤5中的拓扑距离D(ki,kj)为AOV图中任意两个知识点ki和kj之间的最短路径长度；知识点ki与任意一个知识点集合Z之间的拓扑距离为加权拓扑距离为某学习资源的知识点集合X中所有知识点ki和某知识点集合Y之间拓扑距离的总和/>
CN202111132879.1A 2021-09-27 2021-09-27 一种基于全息拓扑的个性化学习资源快速推荐方法 Active CN113806412B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111132879.1A CN113806412B (zh) 2021-09-27 2021-09-27 一种基于全息拓扑的个性化学习资源快速推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111132879.1A CN113806412B (zh) 2021-09-27 2021-09-27 一种基于全息拓扑的个性化学习资源快速推荐方法

Publications (2)

Publication Number Publication Date
CN113806412A CN113806412A (zh) 2021-12-17
CN113806412B true CN113806412B (zh) 2023-12-22

Family

ID=78938725

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111132879.1A Active CN113806412B (zh) 2021-09-27 2021-09-27 一种基于全息拓扑的个性化学习资源快速推荐方法

Country Status (1)

Country Link
CN (1) CN113806412B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101625799A (zh) * 2008-07-07 2010-01-13 梁昌年 用于个性化学习的界面
WO2016197855A1 (zh) * 2015-06-08 2016-12-15 中兴通讯股份有限公司 一种学习心得推荐方法及装置
CN113239209A (zh) * 2021-05-19 2021-08-10 上海应用技术大学 基于RankNet-transformer的知识图谱个性化学习路径推荐方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8666298B2 (en) * 2008-05-15 2014-03-04 Coentre Ventures Llc Differentiated, integrated and individualized education

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101625799A (zh) * 2008-07-07 2010-01-13 梁昌年 用于个性化学习的界面
WO2016197855A1 (zh) * 2015-06-08 2016-12-15 中兴通讯股份有限公司 一种学习心得推荐方法及装置
CN113239209A (zh) * 2021-05-19 2021-08-10 上海应用技术大学 基于RankNet-transformer的知识图谱个性化学习路径推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于知识点网络的自动化专业学习路径推荐;刘萌;阎高伟;续欣莹;;计算机仿真(06);全文 *

Also Published As

Publication number Publication date
CN113806412A (zh) 2021-12-17

Similar Documents

Publication Publication Date Title
US10671620B2 (en) Method for recommending a teacher in a network teaching system
US20200193382A1 (en) Employment resource system, method and apparatus
Feng et al. Extracting action sequences from texts based on deep reinforcement learning
CN110276456B (zh) 一种机器学习模型辅助构建方法、系统、设备及介质
Wong et al. Swarm intelligence: new techniques for adaptive systems to provide learning support
US20160364115A1 (en) Method, system, and media for collaborative learning
Patel et al. CaPaR: a career path recommendation framework
CN112214670A (zh) 一种在线课程推荐方法、装置、电子设备及存储介质
CN108491421B (zh) 一种生成问答的方法、装置、设备和计算存储介质
CN112463976B (zh) 一种以群智感知任务为中心的知识图谱构建方法
CN113886567A (zh) 一种基于知识图谱的教学方法及系统
CN112307336B (zh) 热点资讯挖掘与预览方法、装置、计算机设备及存储介质
CN111143539A (zh) 基于知识图谱的教学领域问答方法
Aryal et al. MoocRec: Learning styles-oriented MOOC recommender and search engine
He et al. A personalized e-learning services recommendation algorithm based on user learning ability
CN112330510A (zh) 一种志愿推荐方法、装置、服务器及计算机可读存储介质
CN110990639B (zh) 一种教育信息化水平趋势分析的数据处理方法及装置
CN113656687A (zh) 基于教研数据的教师画像构建方法
CN117077679B (zh) 命名实体识别方法和装置
CN107430824B (zh) 用于评价响应的半自动系统和方法
CN110929169A (zh) 基于改进Canopy聚类协同过滤算法的职位推荐方法
CN113806412B (zh) 一种基于全息拓扑的个性化学习资源快速推荐方法
Kozlova et al. Development of the toolkit to process the internet memes meant for the modeling, analysis, monitoring and management of social processes
JP2005267095A (ja) 情報表示方法及び装置及び情報表示プログラム
US11558471B1 (en) Multimedia content differentiation

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
GR01 Patent grant
GR01 Patent grant