CN114491057A - 基于知识图谱的学习路径推荐方法、系统、计算机及介质 - Google Patents
基于知识图谱的学习路径推荐方法、系统、计算机及介质 Download PDFInfo
- Publication number
- CN114491057A CN114491057A CN202111534152.6A CN202111534152A CN114491057A CN 114491057 A CN114491057 A CN 114491057A CN 202111534152 A CN202111534152 A CN 202111534152A CN 114491057 A CN114491057 A CN 114491057A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- course
- learner
- learning
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004140 cleaning Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims description 48
- 230000006399 behavior Effects 0.000 claims description 23
- 230000002068 genetic effect Effects 0.000 claims description 13
- 239000000463 material Substances 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 11
- 239000013589 supplement Substances 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 238000005065 mining Methods 0.000 claims description 8
- 238000011160 research Methods 0.000 claims description 7
- 230000001502 supplementing effect Effects 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 239000002243 precursor Substances 0.000 claims description 5
- 230000019771 cognition Effects 0.000 claims description 4
- 230000009193 crawling Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000013138 pruning Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000009469 supplementation Effects 0.000 claims description 3
- 210000001520 comb Anatomy 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000013506 data mapping Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
- G06F16/951—Indexing; Web crawling techniques
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Educational Technology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Animal Behavior & Ethology (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于知识图谱的学习路径推荐方法,包括:获取课程知识点相关数据、学习者相关数据以及学习者学习环境相关数据;对所述课程知识点相关数据、学习者相关数据以及学习者学习环境相关数据进行清洗处理分析;根据清洗处理分析后的所述课程知识点相关数据构建课程知识点本体,进而根据所述课程知识点本体生成课程体系知识图谱;分别根据清洗处理分析后的所述学习者相关数据以及学习者学习环境相关数据构建学习者本体以及学习情景本体。本发明还公开了一种基于知识图谱的学习路径推荐系统、计算机设备及可读存储介质。采用本发明,能够解决现有大多数学习路径生成推荐方法存在的难题,从而向学习者精准地推荐个性化的学习路径。
Description
技术领域
本发明涉及大数据领域,尤其涉及一种基于知识图谱的学习路径推荐方法、系统、计算机及介质。
背景技术
人工智能、大数据等信息技术的创新与发展,给传统教育带来了深刻的影响,智慧教育日益受到教育行业的关注。大数据驱动下的智慧教育对学生个性化管理和学校教学质量管理等方面起到着重要的推动作用。教育大数据,是指整合个人在整个受教育活动过程中产生的教育数据,并从海量的、复杂多样的教育数据中诊断现存教育教学问题、评估教学预测发展趋势、探索教育教学模式;客观了解学生现有的学科知识、学习动机、学习能力、发掘学习行为数据与学习效果间的隐性关联、实现精准的个性化教育,从而在提升教育管理质量、促进学生个性化管理、辅助高校科学化决策等方面的发挥重要作用。
大量的数据时代也随之带来了信息价值密度低的问题,面对海量的学习内容以及学习资源,学习者很难从海量信息中寻找适合自己所需要的知识以及适合自身的个性化学习路径。利用大数据技术设计和构建精准高效的学习路径推荐方法已成为国内外研究热点;目前市场上还没有真正的产品实现该功能需求,大多数路径生成推荐方法不能融合多源异构数据,无法细粒度地描述情景特征、学习者特征、学习内容特征以及隐形知识的缺失,从而导致难以真正地做到学习路径推荐的个性化。
发明内容
本发明所要解决的技术问题在于,提供一种基于知识图谱的学习路径推荐方法、系统、计算机及介质,能够解决现有大多数学习路径生成推荐方法存在的以上技术问题,从而向学习者精准地推荐个性化的学习路径。
为了解决上述技术问题,本发明提供了一种基于知识图谱的学习路径推荐方法,包括:获取课程知识点相关数据、学习者相关数据以及学习者学习环境相关数据;对所述课程知识点相关数据、学习者相关数据以及学习者学习环境相关数据进行清洗处理分析;根据清洗处理分析后的所述课程知识点相关数据构建课程知识点本体,进而根据所述课程知识点本体生成课程体系知识图谱;分别根据清洗处理分析后的所述学习者相关数据以及学习者学习环境相关数据构建学习者本体以及学习情景本体,进而根据所述学习者本体以及学习情景本体生成学习者画像知识图谱;根据所述课程体系知识图谱以及学习者画像知识图谱并结合混合推荐算法生成学习者个性化的学习路径,其中,所述混合推荐算法包括协同过滤、知识图谱路径、知识嵌入以及遗传算法。
优选地,所述获取课程知识点相关数据、学习者相关数据以及学习者学习环境相关数据的步骤包括;获取校园环境中的异构数据,其中,所述异构数据包括教务数据、学工数据、图书馆数据、学科数据、在线课程数据、上网数据以及网络爬取数据;根据所述异构数据提取课程知识点相关数据、学习者相关数据以及学习者学习环境相关数据。
优选地,所述根据清洗处理分析后的所述课程知识点相关数据构建课程知识点本体,进而根据所述课程知识点本体生成课程体系知识图谱的步骤包括:S301,对清洗处理分析后的所述课程知识点相关数据进行逻辑定义、关系描述以及标签标注处理以构建多个课程知识点本体,进而形成课程知识点本体库,其中,所述课程知识点相关数据包括课程、教程、教师讲义、教师教学大纲、学生培养计划、图书馆书籍以及学术论文;S302,根据所述课程知识点本体并结合所述课程知识点相关数据创建课程知识点本体实例,其中,结合获取的校园环境中的课程相关数据如培养计划,教程信息,教材以及老师讲义等数据,以课程教材为主结合老师讲义以及教学大纲将其中的知识点以本体实例形式表现出来,此外,结合学习者学习课程期间借阅的同类书籍以及线上相同课程的记录为辅助,梳理隐形知识点以及相关知识点,作为课程知识点的补充,同时,通过对课程简介以及网络爬取的知识点的简介进行NLP处理,形成课程和知识点本体实例的知识描述,通过对学习者在线学习平台的行为数据进行处理分析,对大多数学习者都学习或是经常回溯的课程和知识点实例进行重要程度属性标注为重点,其他标注为普通,统计所有学习者的成绩对课程和知识点的难度属性标注为高难度,普通,简单;S303,根据所述课程知识点本体实例,以课程知识点作为关联点,并结合章节以及学校提供的课程之间前驱后继关系,进行知识融合,以生成基础课程体系知识图谱;S304,由专业教师或专家学者对所述基础课程体系知识图谱进行评估审核,并判断所述基础课程体系知识图谱是否符合预定标准;S305,当判断为是时,则生成最终的课程体系知识图谱,并执行S306;当判断为否时,则返回S301;S306,提取到新的课程以及新的知识点时,根据课程体系知识图谱,可自动将新知识元实体映射到相应的关系中,实现课程体系知识图谱的自动化知识补充和知识合并。
优选地,所述分别根据清洗处理分析后的所述学习者相关数据以及学习者学习环境相关数据构建学习者本体以及学习情景本体,进而根据所述学习者本体以及学习情景本体生成学习者画像知识图谱的步骤包括:对所述学习者相关数据进行分析和挖掘,通过对不同特征因子设置初始权重参数以构建学习者本体,其中,学习者本体包括学习者的学习能力特征因子、学习风格特征因子、学习目标特征因子以及认知水平特征因子,所述学习能力特征因子包括学习能力、跨学科学习、科研能力以及实践创新四个二级因子,根据所述学习者学习环境相关数据构建学习情景本体;根据所述学习者本体,并根据每个学习者的具体数据生成学习者实例,结合获取的异构数据,根据所述学习情景本体生成学习情境实例;针对所有学习者实例,以及其对应的学习情境实例,生成学习者画像知识图谱。
优选地,所述根据所述课程体系知识图谱以及学习者画像知识图谱并结合混合推荐算法生成学习者个性化的学习路径的步骤包括:S501,遍历整个所述课程体系知识图谱以及学习者画像知识图谱,以前驱后继关系为基准,生成各个课程的初始课程学习路径;S502,针对历史学习者实例,根据学习者本体,以所述学习者本体中四个特征因子为基础,基于余弦相似度计算得到多个相似学习者,将相似学习者目标课程映射到课程知识图谱中,以前驱后继关系为基准,生成相似学习者课程学习路径,与步骤S501中生成的所述初始课程学习路径进行比对,挑选出课程重叠率最高的路径,并利用ApprioriAll算法,对所述初始课程学习路径进行修剪、补充和优化;S503,对于没有任何学习记录的初学者,步骤S502中生成的课程学习路径即可,对于已经有学习记录的学习者,参考前驱课程的成绩,如果有功课成绩为差时,可参考知识图谱中该课程的同义课程以及并列课程,挑选相关性或是相似度最高的课程加入上述课程学习路径中进行补充;S504,将步骤S503中生成的课程学习路径,以前驱后继关系为基准,映射到所述课程体系知识图谱中,获取所述课程体系知识图谱中的知识点,既可得到每一门功课的初始知识点集合;S505,针对每一门功课的知识点集合,结合校园以及在线平台上所有该课程学习者学习记录,以前驱后继关系为基准,对步骤S504中生成的初始知识点集合进行补充,形成该功课最大前驱后继知识点学习集,此学习集即为该课程的完整学习路径;S506,针对每一门功课的最大知识点学习集合,结合学习者本体,利用遗传算法,以知识点难易程度与学习能力差异信息、学习者学习该知识点所用资源和时间的支出信息、学习者学习风格与知识点类型匹配度信息以及功课最终成绩或根据课程相关性利用逐步回归算法进行的成绩预测为四个因子,结合学习者个人意愿,根据其选择的最易学习路径、最短学习路径、兴趣最佳学习路径以及成绩最佳学习路径四个方向配置四个因子权值,累计加权构造学习路径适应度函数,进行全局搜索,生成该学习者基于该功课的个性化知识点学习集;S507,重复步骤S504~步骤S506,直到所有的课程的知识点集合完成,将所有的知识点集合映射到课程体系知识图谱中,根据课程体系知识图谱中的关系,既可得到学习者学习路径;S508,针对步骤S507生成的学习路径中的每个知识点进行微调,对于已经学习过的知识点,如果掌握程度一般则进行并列知识点补充,如果掌握较差则进行同义知识点补充或是提供反复学习的建议,结合历史数据,对于大多数学习者会产生回溯行为的知识点,给予回溯复习推荐。
优选地,所述基于知识图谱的学习路径推荐方法还包括:根据学生对推荐知识点的查看和收藏行为、回溯行为以及学习者反馈校验学习路径的推荐精准度,并不断优化课程知识的图谱以及推荐匹配参数权重。
本发明还提供了一种基于知识图谱的学习路径推荐系统,用于实现任一上述的基于知识图谱的学习路径推荐方法,包括:数据获取模块,用于获取课程知识点相关数据、学习者相关数据以及学习者学习环境相关数据;数据清洗模块,用于对所述课程知识点相关数据、学习者相关数据以及学习者学习环境相关数据进行清洗处理分析;课程知识点本体构建模块,用于根据清洗处理分析后的所述课程知识点相关数据构建课程知识点本体;课程体系知识图谱生成模块,用于根据所述课程知识点本体生成课程体系知识图谱;学习者本体构建模块,用于根据清洗处理分析后的所述学习者相关数据构建学习者本体;学习情景本体构建模块,用于根据清洗处理分析后的所述学习者学习环境相关数据构建学习情景本体;学习者画像知识图谱生成模块,用于根据所述学习者本体以及学习情景本体生成学习者画像知识图谱;学习路径生成模块,用于根据所述课程体系知识图谱以及学习者画像知识图谱并结合混合推荐算法生成学习者个性化的学习路径,其中,所述混合推荐算法包括协同过滤、知识图谱路径、知识嵌入以及遗传算法。
优选地,所述基于知识图谱的学习路径推荐系统还包括:优化模块,用于根据学生对推荐知识点的查看和收藏行为、回溯行为以及学习者反馈校验学习路径的推荐精准度,并不断优化课程知识的图谱以及推荐匹配参数权重。
本发明还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现任一上述方法的步骤。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现任一上述方法的步骤。
实施本发明的有益效果在于:
本发明提供一种基于知识图谱的学习路径推荐方法、系统、计算机设备及可读存储介质,通过获取课程知识点相关数据、学习者相关数据以及学习者学习环境相关数据;并对所述课程知识点相关数据、学习者相关数据以及学习者学习环境相关数据进行清洗处理分析;再根据清洗处理分析后的所述课程知识点相关数据构建课程知识点本体,进而根据所述课程知识点本体生成课程体系知识图谱;并分别根据清洗处理分析后的所述学习者相关数据以及学习者学习环境相关数据构建学习者本体以及学习情景本体,进而根据所述学习者本体以及学习情景本体生成学习者画像知识图谱;最后根据所述课程体系知识图谱以及学习者画像知识图谱并结合混合推荐算法生成学习者个性化的学习路径。
采用本发明,能够解决现有大多数学习路径生成推荐方法存在的以上技术问题,从而向学习者精准地推荐个性化的学习路径;基于可获取的多源数据进行清洗、处理以及分析,借助于相关性分析、深度学习等大数据技术,构建课程知识点,学习者以及学习情景本体模型,根据本体模型基于教育大数据多源异构数据,创建本体实例,进而形成知识图谱;通过融合协同过滤,知识图谱路径以及遗传算法等算法形成混合推荐算法,实现个性化学习路径的生成。
附图说明
图1是本发明提供的基于知识图谱的学习路径推荐方法流程图;
图2是本发明提供的数据获取的方法流程图;
图3是本发明提供的课程体系知识图谱的生成方法流程图;
图4是本发明提供的学习者画像知识图谱的生成方法流程图;
图5是本发明提供的学习路径的推荐方法流程图;
图6是本发明提供的基于知识图谱的学习路径推荐系统的第一实施例图;
图7是本发明提供的基于知识图谱的学习路径推荐系统的第二实施例图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。仅此声明,本发明在文中出现或即将出现的上、下、左、右、前、后、内、外等方位用词,仅以本发明的附图为基准,其并不是对本发明的具体限定。
如图1所示,本发明提供了一种基于知识图谱的学习路径推荐方法,包括:
S101,获取课程知识点相关数据、学习者相关数据以及学习者学习环境相关数据;
S102,对所述课程知识点相关数据、学习者相关数据以及学习者学习环境相关数据进行清洗处理分析;
S103,根据清洗处理分析后的所述课程知识点相关数据构建课程知识点本体,进而根据所述课程知识点本体生成课程体系知识图谱;
S104,分别根据清洗处理分析后的所述学习者相关数据以及学习者学习环境相关数据构建学习者本体以及学习情景本体,进而根据所述学习者本体以及学习情景本体生成学习者画像知识图谱;
S105,根据所述课程体系知识图谱以及学习者画像知识图谱并结合混合推荐算法生成学习者个性化的学习路径,其中,所述混合推荐算法包括协同过滤、知识图谱路径、知识嵌入以及遗传算法。
本发明,通过获取课程知识点相关数据、学习者相关数据以及学习者学习环境相关数据;并对所述课程知识点相关数据、学习者相关数据以及学习者学习环境相关数据进行清洗处理分析;再根据清洗处理分析后的所述课程知识点相关数据构建课程知识点本体,进而根据所述课程知识点本体生成课程体系知识图谱;并分别根据清洗处理分析后的所述学习者相关数据以及学习者学习环境相关数据构建学习者本体以及学习情景本体,进而根据所述学习者本体以及学习情景本体生成学习者画像知识图谱;最后根据所述课程体系知识图谱以及学习者画像知识图谱并结合混合推荐算法生成学习者个性化的学习路径。采用本发明,能够解决现有大多数学习路径生成推荐方法存在的以上技术问题,从而向学习者精准地推荐个性化的学习路径;基于可获取的多源数据进行清洗、处理以及分析,借助于相关性分析、深度学习等大数据技术,构建课程知识点,学习者以及学习情景本体模型,根据本体模型基于教育大数据多源异构数据,创建本体实例,进而形成知识图谱;通过融合协同过滤,知识图谱路径以及遗传算法等算法形成混合推荐算法,实现个性化学习路径的生成。
具体地,首先,以教育大数据平台为基础,获取校园环境如学工系统、教务系统、图书馆系统、在线课程系统、学术系统以及学生个人信息等多源异构数据。依赖于上诉数据,挖掘学习者,学习情境,课程知识点以及隐形知识点特征,借助于语义本体技术建立学习者,学习情境以及知识点的多纬关联本体模型,结合真实数据映射,融合生成对应的知识图谱。其次,基于知识图谱,解析学习者,学习情境以及知识点三者之间的关联,借助于知识图谱以及它们之间的关联向学习者推荐个性化学习路径。本发明通过获取校园环境中的各系统数据、图书馆数据以及线上课程、学生交互行为数据,借助于语义本体技术,通过多纬度数据关联以及数据深度挖掘等大数据技术建立学习者,学习情境以及课程知识点的多纬关联本体模型,进而构建学习者,学习情景以及知识点知识图谱。利用知识图谱,通过混合推荐算法实现个性化学习路径的推荐。
如图2所示,所述获取课程知识点相关数据、学习者相关数据以及学习者学习环境相关数据的步骤包括;
S201,获取校园环境中的异构数据,其中,所述异构数据包括教务数据、学工数据、图书馆数据、学科数据、在线课程数据、上网数据以及网络爬取数据;
S202,根据所述异构数据提取课程知识点相关数据、学习者相关数据以及学习者学习环境相关数据。
需要说明的是,本实施例中,基于上述系统,提取包括学生基本信息、专业信息、课程信息、教材信息、教师讲义、成绩信息、荣誉信息、竞赛信息、双创信息、科研信息、双创、习惯信息以及社会活动等学生数据;获取学校信息,院系信息,院系课程体系以及学生培养计划等信息;获取图书馆包括图书信息,学生借阅信息;获取学校在线学习平台包括学生信息、课程信息、教材信息、课堂练习、课后作业、课程点评信息以及学生行为数据等;获取有线及无限网络数据包括学生网络使用偏好信息等数据。通过爬虫获取网络多源异构数据,所述数据包括:教材基本介绍信息、教材目录以及教材评价。
如图3所示,所述根据清洗处理分析后的所述课程知识点相关数据构建课程知识点本体,进而根据所述课程知识点本体生成课程体系知识图谱的步骤包括:
S301,对清洗处理分析后的所述课程知识点相关数据进行逻辑定义、关系描述以及标签标注处理以构建多个课程知识点本体,进而形成课程知识点本体库,其中,所述课程知识点相关数据包括课程、教程、教师讲义、教师教学大纲、学生培养计划、图书馆书籍以及学术论文;
S302,根据所述课程知识点本体并结合所述课程知识点相关数据创建课程知识点本体实例;
S303,根据所述课程知识点本体实例,以课程知识点作为关联点,并结合章节以及学校提供的课程之间前驱后继关系,进行知识融合,以生成基础课程体系知识图谱;
S304,由专业教师或专家学者对所述基础课程体系知识图谱进行评估审核,并判断所述基础课程体系知识图谱是否符合预定标准;
S305,当判断为是时,则生成最终的课程体系知识图谱,并执行S306;
当判断为否时,则返回S301;
S306,提取到新的课程以及新的知识点时,根据课程体系知识图谱,可自动将新知识元实体映射到相应的关系中,实现课程体系知识图谱的自动化知识补充和知识合并。
需要说明的是,本实施例中,课程体系知识图谱主要采用自顶向下的方式由学科专家采用半自动构建模。在构建课程本体时,以知识点作为基本单位,以课程、章、节、知识点以及教学资源为知识本体的6个顶层类,通过前驱后继关系、包含关系、相关关系、并列关系、同义关系、属性关系以及人物-概念关系来描述课程知识点之间的关系,同时定义各个课程和知识点本体的包括知识描述、重要程度,难易程度等属性。本体构建完成之后,结合获取的校园环境中的课程相关数据如培养计划,教程信息,教材以及老师讲义等数据,以课程教材为主结合老师讲义以及教学大纲将其中的知识点以本体实例形式表现出来;此外,结合学习者学习课程期间借阅的同类书籍以及线上相同课程的记录为辅助,梳理隐形知识点以及相关知识点,作为课程知识点的补充;同时,通过对课程简介以及网络爬取的知识点的简介进行NLP处理,形成课程和知识点本体实例的知识描述;通过对学习者在线学习平台的行为数据进行处理分析,对大多数学习者都学习或是经常回溯的课程和知识点实例进行重要程度属性标注为重点,其他标注为普通;统计所有学习者的成绩对课程和知识点的难度属性标注为高难度,普通,简单。最后以知识点作为关联点,结合章节以及学校提供的课程之间前驱后继关系,进行知识融合即可得到基础课程体系的知识图谱。基础课程知识图谱实现之后,在提取到新的课程以及新的知识点时,使用知识图谱中的TransR算法,可自动将新知识元实体映射到相应的关系中,实现知识图谱的自动化知识补充和知识合并。
如图4所示,所述分别根据清洗处理分析后的所述学习者相关数据以及学习者学习环境相关数据构建学习者本体以及学习情景本体,进而根据所述学习者本体以及学习情景本体生成学习者画像知识图谱的步骤包括:
S401,对所述学习者相关数据进行分析和挖掘,通过对不同特征因子设置初始权重参数以构建学习者本体,其中,学习者本体包括学习者的学习能力特征因子、学习风格特征因子、学习目标特征因子以及认知水平特征因子,所述学习能力特征因子包括学习能力、跨学科学习、科研能力以及实践创新四个二级因子,根据所述学习者学习环境相关数据构建学习情景本体;
S402,根据所述学习者本体,并根据每个学习者的具体数据生成学习者实例,结合获取的异构数据,根据所述学习情景本体生成学习情境实例;
S403,针对所有学习者实例,以及其对应的学习情境实例,生成学习者画像知识图谱。
需要说明的是,本实施例中,学习者本体包括学习者详细信息,包括学习能力评估,学习目标,学习风格以及认知水平四个方向,其中,学习风格以kolb风格类型进行划分;针对获取的校园环境系统中获取的包括学生基本信息、成绩信息、荣誉信息、竞赛信息、双创信息、科研信息、双创、习惯以及社会活动,图书借阅信息,在线课程以及学术论文等多纬静态数据进行分析和挖掘,通过对不同特征因子设置初始权重参数生成学习能力,跨学科学习,科研能力以及实践创新四个二级因子,进而构成学习者学习能力特征因子;根据学习风格问卷,结合图书馆获取的学习者借阅书籍类别,在线学习课程的类别以及在线学习回溯等数据,通过对不同特征因子设置初始权重参数生成学习者学习风格特征因子;通过获取校园系统中学生的培养计划,结合图书馆的学习者借阅信息以及在线学习记录,生成学习者学习目标特征因子;通过学校课程,在线课程以及图书馆借阅信息,分析学习者已经学习过的课程,知识点,结合在线课程的作业,测评以及课后评价等数据,记录学习者学习过的知识点学习路径,结合测验、考试以及作业的结果对各个课程和知识点进行掌握程度标注生成学习者知识认知水品特征因子;基于学习者本体模型,根据每个学生的具体数据生成学习者实例。针对统计学习者学习时间、学习时长、学习地点、网络环境以及设备电量等相关数据,构建学习情境模型。结合获取的多源异构数据,生成学习情境实例。针对所有学习者实例,以及其对应的学习情境实例,生成学习者个性化画像知识图谱。
如图5所示,所述根据所述课程体系知识图谱以及学习者画像知识图谱并结合混合推荐算法生成学习者个性化的学习路径的步骤包括:
S501,遍历整个所述课程体系知识图谱以及学习者画像知识图谱,以前驱后继关系为基准,生成各个课程的初始课程学习路径;
以学校的培养计划或是学生顺利毕业为目标,针对某一门具体的课程,根据学校提供的课程以及学校课程体系设定的关系,以课程为单位,依据图的深度遍历原则遍历整个知识图谱,以前驱后继关系为基准,生成该课程的初始课程学习路径,此时课程学习路径可能不止一条。
S502,针对历史学习者实例,根据学习者本体,以所述学习者本体中四个特征因子为基础,基于余弦相似度计算得到多个相似学习者,将相似学习者目标课程映射到课程知识图谱中,以前驱后继关系为基准,生成相似学习者课程学习路径,与步骤S501中生成的所述初始课程学习路径进行比对,挑选出课程重叠率最高的路径,并利用ApprioriAll算法,对所述初始课程学习路径进行修剪、补充和优化;
针对历史学习者实例,根据学习者本体模型,以模型中四个特征纬度为基础,基于余弦相似度计算得到top(n)相似学习者。将相似学习者目标课程映射到课程知识图谱中,以前驱后继关系为基准,生成相似学习者课程学习路径,与步骤1中生成的初始课程学习路径进行比对,挑选课程重叠率最高的路径,利用ApprioriAll算法,对初始课程学习路径进行修剪、补充和优化。
S503,对于没有任何学习记录的初学者,步骤S502中生成的课程学习路径即可,对于已经有学习记录的学习者,参考前驱课程的成绩,如果有功课成绩为差时,可参考知识图谱中该课程的同义课程以及并列课程,挑选相关性或是相似度最高的课程加入上述课程学习路径中进行补充;
S504,将步骤S503中生成的课程学习路径,以前驱后继关系为基准,映射到所述课程体系知识图谱中,获取所述课程体系知识图谱中的知识点,既可得到每一门功课的初始知识点集合;
S505,针对每一门功课的知识点集合,结合校园以及在线平台上所有该课程学习者学习记录,以前驱后继关系为基准,对步骤S504中生成的初始知识点集合进行补充,形成该功课最大前驱后继知识点学习集,此学习集即为该课程的完整学习路径;
S506,针对每一门功课的最大知识点学习集合,结合学习者本体,利用遗传算法,以知识点难易程度与学习能力差异信息、学习者学习该知识点所用资源和时间的支出信息、学习者学习风格与知识点类型匹配度信息以及功课最终成绩或根据课程相关性利用逐步回归算法进行的成绩预测为四个因子,结合学习者个人意愿,根据其选择的最易学习路径、最短学习路径、兴趣最佳学习路径以及成绩最佳学习路径四个方向配置四个因子权值,累计加权构造学习路径适应度函数,进行全局搜索,生成该学习者基于该功课的个性化知识点学习集;
S507,重复步骤S504~步骤S506,直到所有的课程的知识点集合完成,将所有的知识点集合映射到课程体系知识图谱中,根据课程体系知识图谱中的关系,既可得到学习者学习路径;
S508,针对步骤S507生成的学习路径中的每个知识点进行微调,对于已经学习过的知识点,如果掌握程度一般则进行并列知识点补充,如果掌握较差则进行同义知识点补充或是提供反复学习的建议,结合历史数据,对于大多数学习者会产生回溯行为的知识点,给予回溯复习推荐。
优选地,所述基于知识图谱的学习路径推荐方法还包括:根据学生对推荐知识点的查看和收藏行为、回溯行为以及学习者反馈校验学习路径的推荐精准度,并不断优化课程知识的图谱以及推荐匹配参数权重。
如图6所示,本发明还提供了一种基于知识图谱的学习路径推荐系统100,用于实现任一上述的基于知识图谱的学习路径推荐方法,包括:数据获取模块1,用于获取课程知识点相关数据、学习者相关数据以及学习者学习环境相关数据;数据清洗模块2,用于对所述课程知识点相关数据、学习者相关数据以及学习者学习环境相关数据进行清洗处理分析;课程知识点本体构建模块3,用于根据清洗处理分析后的所述课程知识点相关数据构建课程知识点本体;课程体系知识图谱生成模块4,用于根据所述课程知识点本体生成课程体系知识图谱;学习者本体构建模块5,用于根据清洗处理分析后的所述学习者相关数据构建学习者本体;学习情景本体构建模块6,用于根据清洗处理分析后的所述学习者学习环境相关数据构建学习情景本体;学习者画像知识图谱生成模块7,用于根据所述学习者本体以及学习情景本体生成学习者画像知识图谱;学习路径生成模块8,用于根据所述课程体系知识图谱以及学习者画像知识图谱并结合混合推荐算法生成学习者个性化的学习路径,其中,所述混合推荐算法包括协同过滤、知识图谱路径、知识嵌入以及遗传算法。
本发明,通过数据获取模块1获取课程知识点相关数据、学习者相关数据以及学习者学习环境相关数据;通过数据清洗模块2对所述课程知识点相关数据、学习者相关数据以及学习者学习环境相关数据进行清洗处理分析;通过课程知识点本体构建模块3根据清洗处理分析后的所述课程知识点相关数据构建课程知识点本体;通过课程体系知识图谱生成模块4根据所述课程知识点本体生成课程体系知识图谱;通过学习者本体构建模块5根据清洗处理分析后的所述学习者相关数据构建学习者本体;通过学习情景本体构建模块6根据清洗处理分析后的所述学习者学习环境相关数据构建学习情景本体;通过学习者画像知识图谱生成模块7根据所述学习者本体以及学习情景本体生成学习者画像知识图谱;通过学习路径生成模块8根据所述课程体系知识图谱以及学习者画像知识图谱并结合混合推荐算法生成学习者个性化的学习路径,其中,所述混合推荐算法包括协同过滤、知识图谱路径、知识嵌入以及遗传算法。采用本发明,能够解决现有大多数学习路径生成推荐方法存在的以上技术问题,从而向学习者精准地推荐个性化的学习路径;基于可获取的多源数据进行清洗、处理以及分析,借助于相关性分析、深度学习等大数据技术,构建课程知识点,学习者以及学习情景本体模型,根据本体模型基于教育大数据多源异构数据,创建本体实例,进而形成知识图谱;通过融合协同过滤,知识图谱路径以及遗传算法等算法形成混合推荐算法,实现个性化学习路径的生成。
具体地,首先,以教育大数据平台为基础,获取校园环境如学工系统、教务系统、图书馆系统、在线课程系统、学术系统以及学生个人信息等多源异构数据。依赖于上诉数据,挖掘学习者,学习情境,课程知识点以及隐形知识点特征,借助于语义本体技术建立学习者,学习情境以及知识点的多纬关联本体模型,结合真实数据映射,融合生成对应的知识图谱。其次,基于知识图谱,解析学习者,学习情境以及知识点三者之间的关联,借助于知识图谱以及它们之间的关联向学习者推荐个性化学习路径。本发明通过获取校园环境中的各系统数据、图书馆数据以及线上课程、学生交互行为数据,借助于语义本体技术,通过多纬度数据关联以及数据深度挖掘等大数据技术建立学习者,学习情境以及课程知识点的多纬关联本体模型,进而构建学习者,学习情景以及知识点知识图谱。利用知识图谱,通过混合推荐算法实现个性化学习路径的推荐。
如图7所示,所述基于知识图谱的学习路径推荐系统还包括:优化模块9,用于根据学生对推荐知识点的查看和收藏行为、回溯行为以及学习者反馈校验学习路径的推荐精准度,并不断优化课程知识的图谱以及推荐匹配参数权重。
本发明还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现任一上述方法的步骤。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现任一上述方法的步骤。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种基于知识图谱的学习路径推荐方法,其特征在于,包括:
获取课程知识点相关数据、学习者相关数据以及学习者学习环境相关数据;
对所述课程知识点相关数据、学习者相关数据以及学习者学习环境相关数据进行清洗处理分析;
根据清洗处理分析后的所述课程知识点相关数据构建课程知识点本体,进而根据所述课程知识点本体生成课程体系知识图谱;
分别根据清洗处理分析后的所述学习者相关数据以及学习者学习环境相关数据构建学习者本体以及学习情景本体,进而根据所述学习者本体以及学习情景本体生成学习者画像知识图谱;
根据所述课程体系知识图谱以及学习者画像知识图谱并结合混合推荐算法生成学习者个性化的学习路径,其中,所述混合推荐算法包括协同过滤、知识图谱路径、知识嵌入以及遗传算法。
2.如权利要求1所述的基于知识图谱的学习路径推荐方法,其特征在于,所述获取课程知识点相关数据、学习者相关数据以及学习者学习环境相关数据的步骤包括;
获取校园环境中的异构数据,其中,所述异构数据包括教务数据、学工数据、图书馆数据、学科数据、在线课程数据、上网数据以及网络爬取数据;
根据所述异构数据提取课程知识点相关数据、学习者相关数据以及学习者学习环境相关数据。
3.如权利要求2所述的基于知识图谱的学习路径推荐方法,其特征在于,所述根据清洗处理分析后的所述课程知识点相关数据构建课程知识点本体,进而根据所述课程知识点本体生成课程体系知识图谱的步骤包括:
S301,对清洗处理分析后的所述课程知识点相关数据进行逻辑定义、关系描述以及标签标注处理以构建多个课程知识点本体,进而形成课程知识点本体库,其中,所述课程知识点相关数据包括课程、教程、教师讲义、教师教学大纲、学生培养计划、图书馆书籍以及学术论文,其中,在构建课程本体时,以知识点作为基本单位,以课程、章、节、知识点以及教学资源为知识本体的6个顶层类,通过前驱后继关系、包含关系、相关关系、并列关系、同义关系、属性关系以及人物-概念关系来描述课程知识点之间的关系,同时定义各个课程和知识点本体的包括知识描述、重要程度,难易程度等属性;
S302,根据所述课程知识点本体并结合所述课程知识点相关数据创建课程知识点本体实例,其中,
结合获取的校园环境中的课程相关数据如培养计划,教程信息,教材以及老师讲义等数据,以课程教材为主结合老师讲义以及教学大纲将其中的知识点以本体实例形式表现出来,
此外,结合学习者学习课程期间借阅的同类书籍以及线上相同课程的记录为辅助,梳理隐形知识点以及相关知识点,作为课程知识点的补充,
同时,通过对课程简介以及网络爬取的知识点的简介进行NLP处理,形成课程和知识点本体实例的知识描述,
通过对学习者在线学习平台的行为数据进行处理分析,对大多数学习者都学习或是经常回溯的课程和知识点实例进行重要程度属性标注为重点,其他标注为普通,
统计所有学习者的成绩对课程和知识点的难度属性标注为高难度,普通,简单;
S303,根据所述课程知识点本体实例,以课程知识点作为关联点,并结合章节以及学校提供的课程之间前驱后继关系,进行知识融合,以生成基础课程体系知识图谱;
S304,由专业教师或专家学者对所述基础课程体系知识图谱进行评估审核,并判断所述基础课程体系知识图谱是否符合预定标准;
S305,当判断为是时,则生成最终的课程体系知识图谱,并执行S306;
当判断为否时,则返回S301;
S306,提取到新的课程以及新的知识点时,使用知识图谱中的TransR算法,可自动将新知识元实体映射到相应的关系中,实现课程体系知识图谱的自动化知识补充和知识合并。
4.如权利要求3所述的基于知识图谱的学习路径推荐方法,其特征在于,所述分别根据清洗处理分析后的所述学习者相关数据以及学习者学习环境相关数据构建学习者本体以及学习情景本体,进而根据所述学习者本体以及学习情景本体生成学习者画像知识图谱的步骤包括:
对所述学习者相关数据进行分析和挖掘,通过对不同特征因子设置初始权重参数以构建学习者本体,其中,学习者本体包括学习者的学习能力特征因子、学习风格特征因子、学习目标特征因子以及认知水平特征因子,所述学习能力特征因子包括学习能力、跨学科学习、科研能力以及实践创新四个二级因子,
根据所述学习者学习环境相关数据构建学习情景本体;
根据所述学习者本体,并根据每个学习者的具体数据生成学习者实例,
结合获取的异构数据,根据所述学习情景本体生成学习情境实例;
针对所有学习者实例,以及其对应的学习情境实例,生成学习者画像知识图谱。
5.如权利要求4所述的基于知识图谱的学习路径推荐方法,其特征在于,所述根据所述课程体系知识图谱以及学习者画像知识图谱并结合混合推荐算法生成学习者个性化的学习路径的步骤包括:
S501,遍历整个所述课程体系知识图谱以及学习者画像知识图谱,生成各个课程的初始课程学习路径;
S502,针对历史学习者实例,根据学习者本体模型,采用余弦相似度计算得到top(n)相似历史学习者,利用ApprioriAll算法,结合相似学习者课程路径,对所述初始课程学习路径进行修剪、补充和优化;
S503,对于没有任何学习记录的初学者,步骤S502中生成的课程学习路径即可,对于已经有学习记录的学习者,如果有功课成绩为差时,参考知识图谱中该课程的同义课程以及并列课程,挑选相关性或是相似度最高的课程加入上述课程学习路径中进行补充;
S504,将步骤S503中生成的课程学习路径,映射到所述课程体系知识图谱中,获取所述课程体系知识图谱中的知识点,既可得到每一门功课的初始知识点集合;
S505,针对每一门功课的知识点集合,结合该课程学习者学习记录,对步骤S504中生成的初始知识点集合进行补充,形成该功课最大知识点学习集;
S506,针对每一门功课的最大知识点学习集合,根据遗传算法,结合学习者个人意愿,根据其选择的最易学习路径,最短学习路径,兴趣最佳学习路径以及成绩最佳学习路径四个方向构造适应度函数,生成该学习者基于该功课的个性化知识点学习集;
S507,重复步骤S504~步骤S506,将所有的知识点集合映射到课程体系知识图谱中,进而得到学习者学习路径;
S508,针对步骤S507生成的学习路径中,结合学习者个人学习行为以及相似学习者学习行为,对每个知识点进行微调。
6.如权利要求1~5任一所述的基于知识图谱的学习路径推荐方法,其特征在于,还包括:
根据学生对推荐知识点的查看和收藏行为、回溯行为以及学习者反馈校验学习路径的推荐精准度,并不断优化课程知识的图谱以及推荐匹配参数权重。
7.一种基于知识图谱的学习路径推荐系统,其特征在于,用于实现权利要求1~5任一所述的基于知识图谱的学习路径推荐方法,包括:
数据获取模块,用于获取课程知识点相关数据、学习者相关数据以及学习者学习环境相关数据;
数据清洗模块,用于对所述课程知识点相关数据、学习者相关数据以及学习者学习环境相关数据进行清洗处理分析;
课程知识点本体构建模块,用于根据清洗处理分析后的所述课程知识点相关数据构建课程知识点本体;
课程体系知识图谱生成模块,用于根据所述课程知识点本体生成课程体系知识图谱;
学习者本体构建模块,用于根据清洗处理分析后的所述学习者相关数据构建学习者本体;
学习情景本体构建模块,用于根据清洗处理分析后的所述学习者学习环境相关数据构建学习情景本体;
学习者画像知识图谱生成模块,用于根据所述学习者本体以及学习情景本体生成学习者画像知识图谱;
学习路径生成模块,用于根据所述课程体系知识图谱以及学习者画像知识图谱并结合混合推荐算法生成学习者个性化的学习路径,其中,所述混合推荐算法包括协同过滤、知识图谱路径、知识嵌入以及遗传算法。
8.如权利要求7所述的基于知识图谱的学习路径推荐系统,其特征在于,还包括:
优化模块,用于根据学生对推荐知识点的查看和收藏行为、回溯行为以及学习者反馈校验学习路径的推荐精准度,并不断优化课程知识的图谱以及推荐匹配参数权重。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111534152.6A CN114491057A (zh) | 2021-12-15 | 2021-12-15 | 基于知识图谱的学习路径推荐方法、系统、计算机及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111534152.6A CN114491057A (zh) | 2021-12-15 | 2021-12-15 | 基于知识图谱的学习路径推荐方法、系统、计算机及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114491057A true CN114491057A (zh) | 2022-05-13 |
Family
ID=81494080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111534152.6A Pending CN114491057A (zh) | 2021-12-15 | 2021-12-15 | 基于知识图谱的学习路径推荐方法、系统、计算机及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114491057A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115129895A (zh) * | 2022-07-05 | 2022-09-30 | 武汉达芬奇教育科技有限公司 | 一种自适应学习系统 |
CN115455310A (zh) * | 2022-09-22 | 2022-12-09 | 北京道达天际科技股份有限公司 | 一种基于协同过滤算法的知识推荐方法 |
CN117171337A (zh) * | 2023-11-02 | 2023-12-05 | 山东国数发展股份有限公司 | 一种基于知识图谱的煤炭行业智适应培训平台搭建方法 |
CN117787402A (zh) * | 2024-02-28 | 2024-03-29 | 徐州医科大学 | 基于多课程知识图谱融合个性化学习路径生成方法及系统 |
CN117952072A (zh) * | 2024-03-22 | 2024-04-30 | 浙江蓝鸽科技有限公司 | Ai校本化英语教材编辑方法及系统 |
-
2021
- 2021-12-15 CN CN202111534152.6A patent/CN114491057A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115129895A (zh) * | 2022-07-05 | 2022-09-30 | 武汉达芬奇教育科技有限公司 | 一种自适应学习系统 |
CN115129895B (zh) * | 2022-07-05 | 2023-05-23 | 武汉达芬奇科技有限公司 | 一种自适应学习系统 |
CN115455310A (zh) * | 2022-09-22 | 2022-12-09 | 北京道达天际科技股份有限公司 | 一种基于协同过滤算法的知识推荐方法 |
CN117171337A (zh) * | 2023-11-02 | 2023-12-05 | 山东国数发展股份有限公司 | 一种基于知识图谱的煤炭行业智适应培训平台搭建方法 |
CN117787402A (zh) * | 2024-02-28 | 2024-03-29 | 徐州医科大学 | 基于多课程知识图谱融合个性化学习路径生成方法及系统 |
CN117787402B (zh) * | 2024-02-28 | 2024-05-07 | 徐州医科大学 | 基于多课程知识图谱融合个性化学习路径生成方法及系统 |
CN117952072A (zh) * | 2024-03-22 | 2024-04-30 | 浙江蓝鸽科技有限公司 | Ai校本化英语教材编辑方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Papanikolaou et al. | Personalizing the Interaction in a Web-based Educational Hypermedia System: the case of INSPIRE | |
CN114491057A (zh) | 基于知识图谱的学习路径推荐方法、系统、计算机及介质 | |
Alsubait et al. | Generating Multiple Choice Questions From Ontologies: Lessons Learnt. | |
Ren et al. | Exploring an on-line course applicability assessment to assist learners in course selection and learning effectiveness improving in e-learning | |
Asefi et al. | Effects of active strategic teaching model (ASTM) in creative and critical thinking skills of architecture students | |
Baker et al. | Learning analytics and educational data mining | |
Çakiroğlu et al. | Exploring perceived cognitive load in learning programming via Scratch | |
CN113434563A (zh) | 自适应学习路径推荐中的强化学习方法及系统 | |
Wang et al. | Learning engagement in massive open online courses: A systematic review | |
Mohamed et al. | Developing adaptive intelligent tutoring system based on item response theory and metrics | |
Yang et al. | Artificial intelligence-enabled interactive system modeling for teaching and learning based on cognitive web services | |
Zhou et al. | Personalized mobile health and fitness apps guidance model for students | |
Ababneh et al. | Guiding the students in high school by using machine learning. | |
Saad | A case-based system for lesson plan construction | |
Wang et al. | Analyzing Teaching Effects of Blended Learning with LMS: An Empirical Investigation | |
Vinutha et al. | Innovative practices in education systems using artificial intelligence for advanced society | |
Shi | Deep Learning for College English Education Evaluation | |
Kulmagambetova et al. | Comparative Review of Pedagogical Technologies in the Educational Process of Higher Educational Institutions. | |
Adeolu | Preservice teachers' construction of computational thinking practices through mathematical modeling activities | |
Margatama et al. | Analyzing the Practice of Critical Thinking Skills for Islamic Education Students in the International Campus | |
Hiba | ATTITUDES TOWARDS E-LEARNING SYSTEMS IN A CONVENTIONAL TEACHING-LEARNING ENIRONMENT IN TUNISIA COLLEGES AND UNIERSITIES | |
Dissanayake et al. | Activity Based Teaching Method for Effective English Language Teaching in Primary Education. | |
Jia et al. | Research on Personalized Resource Recommendation of Artificial Intelligence Specialty Based on Big Data | |
Embong et al. | Holistic thoughtful classroom for promoting higher order thinking skills in the 21st century learning | |
Timmi et al. | Learning analytics: a review of the literature |
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 |