CN115455310A - 一种基于协同过滤算法的知识推荐方法 - Google Patents

一种基于协同过滤算法的知识推荐方法 Download PDF

Info

Publication number
CN115455310A
CN115455310A CN202211155265.XA CN202211155265A CN115455310A CN 115455310 A CN115455310 A CN 115455310A CN 202211155265 A CN202211155265 A CN 202211155265A CN 115455310 A CN115455310 A CN 115455310A
Authority
CN
China
Prior art keywords
knowledge
learning
dependency
class
student
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.)
Granted
Application number
CN202211155265.XA
Other languages
English (en)
Other versions
CN115455310B (zh
Inventor
李亚东
李三鸣
张丽莎
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 Daoda Tianji Technology Co ltd
Original Assignee
Beijing Daoda Tianji 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 Daoda Tianji Technology Co ltd filed Critical Beijing Daoda Tianji Technology Co ltd
Priority to CN202211155265.XA priority Critical patent/CN115455310B/zh
Publication of CN115455310A publication Critical patent/CN115455310A/zh
Application granted granted Critical
Publication of CN115455310B publication Critical patent/CN115455310B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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
    • 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)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于协同过滤算法的知识推荐方法，包括以下步骤：采集学员及其学习知识列表，根据学员及其学习知识之间的依赖程度，构建知识依赖关系矩阵，并计算知识关系依赖度；根据知识关系依赖度和学员的历史行为，计算学员对其学习知识的推荐值；根据学员对其学习知识的推荐值，生成所有学员的知识推荐集合。本发明基于物品的协同过滤算法，可以根据学员对知识类别的兴趣以及该学员对于知识类别的掌握情况，很大程度上精准的给学员推荐知识，以便学员针对自己的不足，有效的进行学习。

Description

一种基于协同过滤算法的知识推荐方法
技术领域
本发明涉及知识数据智能推荐技术领域，特别涉及一种基于协同过滤算法的知识推荐方法。
背景技术
专业领域高新技术人才培养，需要在基础知识教育的基础上，有个长期的学习过程。传统的学历教育和培训时间无法满足专业领域高新技术人才的培养要求，需要进入个性化自主学习的模式，解决专业领域高技术人才的培养困境。面向个体的专业领域知识智能推荐技术，是人才个性化自主学习的核心技术，通过知识推荐的方式，使学员发现掌握不好的知识，通过知识推荐的方式，引导学员弥补在知识方面的缺陷。
常用的智能推荐模式分为单一推荐模式和协同推荐模式，其中协同推荐模式的协同过滤算法是目前推荐算法中最成功和应用最广泛的技术，在理论研究和实践中都取得了快速的发展，它计算学员偏好的相似性，在相似学员的基础上自动的为目标学员进行过滤和筛选，其基本思想为具有相同或相似的价值观、思想观、知识水平和兴趣偏好的学员，其对信息的需求也是相似的。因此相对于传统的推荐方法，协同过滤技术体现出的一个显著优势是能够推荐一些难以进行内容分析的信息。
发明内容
本发明的目的在于以物品的协同过滤算法为基础，结合领域知识学习方式，面向专业领域推出合适专业领域知识推荐学习的方法，提供一种基于协同过滤算法的知识推荐方法。
一种基于协同过滤算法的知识推荐方法，包括以下步骤：
步骤S1，采集学员及其学习知识列表，根据学员及其学习知识之间的依赖程度，构建知识依赖关系矩阵，并计算知识关系依赖度；
步骤S2，根据知识关系依赖度和学员的历史行为，计算学员对其学习知识的推荐值；
步骤S3，根据学员对其学习知识的推荐值，生成所有学员的知识推荐集合。
所述采集学员及其学习知识列表，根据学员及其学习知识之间的依赖程度，构建知识依赖关系矩阵，并计算知识关系依赖度的步骤，包括：
将学习知识进行分类，形成K个类别，分别为q1、q2、...、qK；列出M位学员的名单，在每个学员的后续添加该学员所学的知识类别，形成学员及其学习知识列表；
分别针对每个学员创建其学习知识共现矩阵，所述学习知识共现矩阵的行和列均为该学员所学的知识类别，当知识类别交叉时，矩阵值为1，否则为0；
结合所有学员的学习知识共现矩阵形成累加共现矩阵，并根据所有学员的学习知识列表和累加共现矩阵计算知识关系依赖度。
所述根据所有学员的学习知识共现矩阵和累加共现矩阵计算知识关系依赖度的步骤，具体为：
Figure BDA0003858223080000021
其中，Wij表示知识类别i与知识类别j之间的知识关系依赖度，Ni为学员及其学习知识列表中学习知识类别i的人数，Nj为学员及其学习知识列表中学习知识类别j的人数，Ni∩Nj为累加共现矩阵中知识类别i所在行和知识类别j所在列的矩阵值，或者Ni∩Nj为累加共现矩阵中知识类别j所在行和知识类别i所在列的矩阵值，Rij为知识类别i和知识类别j之间的关系权重。
所述根据知识关系依赖度和学员的历史行为，计算学员对其学习知识的推荐值的步骤，包括：
学员u对知识类别j的推荐值为：
Figure BDA0003858223080000031
其中，M(u)表示学员u推荐的知识类别集合，S(j,k)表示知识类别j依赖关系相近的k个知识类别集合，Wij表示知识类别i和知识类别j之间的知识依赖关系度，Su表示学员u应该掌握知识类别j的权重系数，Cu表示学员u收藏知识类别j的权重系数，Fu表示学员u对于知识类别j的学习权重系数，Ei表示对知识i的能力值。
本发明带来的有益效果：
本发明以物品的协同过滤算法(ItemCF-Norm)为基础，结合知识类别之间客观存在的关系，分析某一领域范围内众多学员学习知识过程中知识类别之间的依赖关系，建立知识依赖关系矩阵。根据学员对知识类别的掌握程度，向学员推荐掌握程度较差的知识，从知识依赖关系矩阵中，知识类别之间的依赖关系，并结合学员对知识类别的收藏、所属知识类别的学习和工作中应具备知识的情况，综合计算知识对单个学员的推荐值。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明方法流程图。
具体实施方式
下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
实施例：
本发明通过下述技术方案实现，如图1所示，一种基于协同过滤算法的知识推荐方法，包括以下步骤：
步骤S1，采集学员及其学习知识列表，根据学员及其学习知识之间的依赖程度，构建知识依赖关系矩阵，并计算知识关系依赖度。
由于学员可以学习的知识有很多种，但不是每个学员都需要学习所有的知识，因此将学习知识进行分类，形成K个类别，可以分别为q1、q2、...、qK。然后列出M位学员的名单，在每个学员的后续添加该学员所需学习的知识类别，形成学员及其学习知识列表，如表1所示：
表1
学员 学习的知识类别
A {q1,q2,q5}
B {q2,q4,q5}
C {q1,q5}
D {q2,q3,q5}
假设学习知识一共分为5类，即K＝5，从表1中可以看出，学员A需要学习的知识类别包括{q1,q2,q5}，学员B需要学习的知识类别包括{q2,q4,q5}，学员C需要学习的知识包括{q1,q5}，学员D需要学习的知识类别包括{q2,q3,q5}，表1即形成学员及其学习知识列表。
分别针对每个学员创建其学习知识共现矩阵，比如学员A在学习知识类别q1的同时，也学习了知识类别q2、知识类别q5，那么学员A的学习知识共现矩阵可以如表2所示：
表2
q1 q2 q5
q1 0 1 1
q2 1 0 1
q5 1 1 0
共现矩阵中的行和列均为该学员所学的知识类别，当知识类别交叉时，矩阵值为1，否则为0，比如学员A在学习知识类别q1时，也要学习知识类别q2，所以在知识类别q1和知识类别q2的交叉处为1。
同理，学员B在学习知识类别q2的同时，也学习了知识类别q4、知识类别q5，那么学员B的学习知识共现矩阵可以如表3所示：
表3
q2 q4 q5
q2 0 1 1
q4 1 0 1
q5 1 1 0
学员C在学习知识类别q1的同时，也学习了知识类别q5，那么学员C的学习知识共现矩阵可以如表4所示：
表4
q1 q5
q1 0 1
q5 1 0
学员D在学习知识类别q2的同时，也学习了知识类别q3、知识类别q5，那么学员D的学习知识共现矩阵可以如表5所示：
表5
q2 q3 q5
q2 0 1 1
q3 1 0 1
q5 1 1 0
结合所有学员的学习知识共现矩阵形成累加共现矩阵，将表2、表3、表4、表5的学习知识共现矩阵累加，形成累加共现矩阵，如表6所示：
表6
q1 q2 q3 q4 q5
q1 0 1 0 0 1
q2 1 0 0 1 3
q3 0 2 0 0 1
q4 0 1 0 0 0
q5 2 3 1 1 0
然后根据所有学员的学习知识列表(表1)和累加共现矩阵(表6)计算知识关系依赖度：
Figure BDA0003858223080000071
其中，Wij表示知识类别i与知识类别j之间的知识关系依赖度，Ni为学员及其学习知识列表中学习知识类别i的人数，Nj为学员及其学习知识列表中学习知识类别j的人数，Ni∩Nj为累加共现矩阵中知识类别i所在行和知识类别j所在列的矩阵值，表示既学习知识类别i又学习知识类别j的人数，或者Ni∩Nj为累加共现矩阵中知识类别j所在行和知识类别i所在列的矩阵值，Rij为知识类别i和知识类别j之间的关系权重。
比如要计算知识类别q1(i＝q1)和知识类别q2(j＝q2)之间的关系依赖度时，通过表6可以获得Nq1∩Nq2＝1，也就是说既学习知识类别q1又学习知识类别q2的学员有1位。通过表1可以获得Nq1＝2，表示学习知识类别q1的人数；也可以获得Nq2＝3，表示学习知识类别q2的人数，Rq1q2表示知识类别q1和知识类别q2之间的关系权重，可以得到知识类别q1和知识类别q2之间的关系依赖度：
Figure BDA0003858223080000072
上式的理论依据是，基于物品的协同过滤算法原理(ItemCF)再结合专业领域中专业知识学习方式的需要，Rij是知识的实际关联关系，如知识图谱中的关系，作为两个知识类别之间的客观关系权重。
步骤S2，根据知识关系依赖度和学员的历史行为，计算学员对其学习知识的推荐值。
建立了累加共现矩阵并计算出知识类别之间的关系依赖度后，通过下式计算学员对其学习知识的推荐值，假设学员u对于知识类别j的推荐值为：
Figure BDA0003858223080000081
其中，M(u)表示学员u推荐的知识类别集合；
S(j,k)表示知识类别j依赖关系相近的k个知识类别集合，判断两个知识类别相近是对知识类别j感兴趣的同时也对其他知识类别感兴趣，则说明这两个知识类别是相近的，比如对知识类别q1感兴趣的学员，同时又大都对知识类别q2感兴趣，则知识类别q1和知识类别q2相近；
Wij表示知识类别i和知识类别j之间的知识依赖关系度；
Su表示学员u应该掌握知识类别j的权重系数，根据实际的场景去计算Su的值，比如对于学员必须掌握的知识类别则Su＝1，其他情况可修改，通常在[0,1]范围内取值；
Cu表示学员u收藏知识类别j的权重系数，根据实际的场景去定义Cu的值，比如在一个学习计划周期内，相关的知识类别j恰好在这个学习计划内，而且用户已收藏，那么这个权重系数就高，通常在[0,1]范围内取值；
Fu表示学员u对于知识类别j的学习权重系数，根据实际的场景去定义Fu的值，比如学员u的学习计划中包含了知识类别q1、q2、q3，且对知识类别q1、q2、q3的学习权重系数为1，如果学习计划中该有其他的知识类别q4、q5、q6与q1、q2、q3相近，那么可调整对于知识类别q4、q5、q6的学习权重系数，通常在[0,1]范围内取值。
Ei表示对知识类别i的能力值，Ei的计算公式为：
Figure BDA0003858223080000082
其中，v表示第v个难度分组，u表示难度分组的数量，d表示难度等级系数，h表示所选考核周期内最大的难度等级，难度等级指从低到高，阿拉伯数字1开始，间隔为1的连续数字。
例如：
低难度等级为1，系数(d1)为0.6；中难度等级为2，系数(d2)为0.8；高难度等级为3，系数(d3)为1。
知识类别a的能力值：Ea＝(Ca高+Ca中+Ca低)/3*1*100；
知识类别b的能力值：Eb＝(Cb高+Cb中)/3*1*100；
知识类别c的能力值：Ec＝(Cc高+Cc中+Cc低)/3*1*100；
知识类别d的能力值：Ed＝(Cd高+Cd中+Cd低)/3*1*100；
知识类别e的能力值：Ee＝(Ce中+Ce低)/2*0.8*100。
步骤S3，根据学员对其学习知识的推荐值，生成所有学员的知识推荐集合。
根据步骤S2可以计算出一个学员对多个知识类别(或为所需学习的知识类别)的推荐值，从而生成该学员的知识推荐集合，其中即包含了各个知识类别相对于该学员的推荐值。使用同样的方式，可以生成所有学员的知识推荐集合。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (4)

1.一种基于协同过滤算法的知识推荐方法，其特征在于：包括以下步骤：
步骤S1，采集学员及其学习知识列表，根据学员及其学习知识之间的依赖程度，构建知识依赖关系矩阵，并计算知识关系依赖度；
步骤S2，根据知识关系依赖度和学员的历史行为，计算学员对其学习知识的推荐值；
步骤S3，根据学员对其学习知识的推荐值，生成所有学员的知识推荐集合。
2.根据权利要求1所述的一种基于协同过滤算法的知识推荐方法，其特征在于：所述采集学员及其学习知识列表，根据学员及其学习知识之间的依赖程度，构建知识依赖关系矩阵，并计算知识关系依赖度的步骤，包括：
将学习知识进行分类，形成K个类别，分别为q1、q2、...、qK；列出M位学员的名单，在每个学员的后续添加该学员所学的知识类别，形成学员及其学习知识列表；
分别针对每个学员创建其学习知识共现矩阵，所述学习知识共现矩阵的行和列均为该学员所学的知识类别，当知识类别交叉时，矩阵值为1，否则为0；
结合所有学员的学习知识共现矩阵形成累加共现矩阵，并根据所有学员的学习知识列表和累加共现矩阵计算知识关系依赖度。
3.根据权利要求2所述的一种基于协同过滤算法的知识推荐方法，其特征在于：所述根据所有学员的学习知识共现矩阵和累加共现矩阵计算知识关系依赖度的步骤，具体为：
Figure FDA0003858223070000011
其中，Wij表示知识类别i与知识类别j之间的知识关系依赖度，Ni为学员及其学习知识列表中学习知识类别i的人数，Nj为学员及其学习知识列表中学习知识类别j的人数，Ni∩Nj为累加共现矩阵中知识类别i所在行和知识类别j所在列的矩阵值，或者Ni∩Nj为累加共现矩阵中知识类别j所在行和知识类别i所在列的矩阵值，Rij为知识类别i和知识类别j之间的关系权重。
4.根据权利要求3所述的一种基于协同过滤算法的知识推荐方法，其特征在于：所述根据知识关系依赖度和学员的历史行为，计算学员对其学习知识的推荐值的步骤，包括：
学员u对知识类别j的推荐值为：
Figure FDA0003858223070000021
其中，M(u)表示学员u推荐的知识类别集合，S(j,k)表示知识类别j依赖关系相近的k个知识类别集合，Wij表示知识类别i和知识类别j之间的知识依赖关系度，Su表示学员u应该掌握知识类别j的权重系数，Cu表示学员u收藏知识类别j的权重系数，Fu表示学员u对于知识类别j的学习权重系数，Ei表示对知识i的能力值。
CN202211155265.XA 2022-09-22 2022-09-22 一种基于协同过滤算法的知识推荐方法 Active CN115455310B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211155265.XA CN115455310B (zh) 2022-09-22 2022-09-22 一种基于协同过滤算法的知识推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211155265.XA CN115455310B (zh) 2022-09-22 2022-09-22 一种基于协同过滤算法的知识推荐方法

Publications (2)

Publication Number Publication Date
CN115455310A true CN115455310A (zh) 2022-12-09
CN115455310B CN115455310B (zh) 2023-04-14

Family

ID=84307313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211155265.XA Active CN115455310B (zh) 2022-09-22 2022-09-22 一种基于协同过滤算法的知识推荐方法

Country Status (1)

Country Link
CN (1) CN115455310B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160321585A1 (en) * 2015-04-30 2016-11-03 Tata Consultancy Services Limited Systems and methods for contextual recommendation of learning content
CN107016122A (zh) * 2017-04-26 2017-08-04 天津大学 基于时间迁移的知识推荐方法
CN108804565A (zh) * 2018-01-24 2018-11-13 北京理工大学 一种基于知识表示学习的协同矩阵分解方法
CN110378818A (zh) * 2019-07-22 2019-10-25 广西大学 基于难度的个性化习题推荐方法、系统及介质
CN112861019A (zh) * 2021-01-27 2021-05-28 山东师范大学 基于惩罚课程热力度和用户活跃度的课程推荐方法及系统
CN114491057A (zh) * 2021-12-15 2022-05-13 三盟科技股份有限公司 基于知识图谱的学习路径推荐方法、系统、计算机及介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160321585A1 (en) * 2015-04-30 2016-11-03 Tata Consultancy Services Limited Systems and methods for contextual recommendation of learning content
CN107016122A (zh) * 2017-04-26 2017-08-04 天津大学 基于时间迁移的知识推荐方法
CN108804565A (zh) * 2018-01-24 2018-11-13 北京理工大学 一种基于知识表示学习的协同矩阵分解方法
CN110378818A (zh) * 2019-07-22 2019-10-25 广西大学 基于难度的个性化习题推荐方法、系统及介质
CN112861019A (zh) * 2021-01-27 2021-05-28 山东师范大学 基于惩罚课程热力度和用户活跃度的课程推荐方法及系统
CN114491057A (zh) * 2021-12-15 2022-05-13 三盟科技股份有限公司 基于知识图谱的学习路径推荐方法、系统、计算机及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨海龙: "基于物品的协同过滤算法的电影推荐系统", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
高立强等: "改进型协同过滤的网络课程推荐算法", 《电脑与电信》 *

Also Published As

Publication number Publication date
CN115455310B (zh) 2023-04-14

Similar Documents

Publication Publication Date Title
CN109299372B (zh) 一种基于协同过滤的智慧选课推荐方法
Dutt et al. Clustering algorithms applied in educational data mining
Rondinelli et al. Planning education reforms in developing countries: the contingency approach
Hsu et al. Development of a reading material recommendation system based on a knowledge engineering approach
CN112184500A (zh) 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
Tian et al. Academic achievement assessment
CN110162713A (zh) 基于卷积神经网络的自适应学习内容推荐方法及系统
McMahon Needs--of People and Their Communities--and the Adult Educator: A Review of the Literature of Need Determination.
CN111461442A (zh) 基于联邦学习的知识追踪的方法及系统
Nowakowska et al. Use of data mining in a two‐step process of profiling student preferences in relation to the enhancement of English as a foreign language teaching
José-García et al. C3-IoC: A career guidance system for assessing student skills using machine learning and network visualisation
Oreski et al. CRISP-DM process model in educational setting
Savić et al. Students’ preferences in selection of computer science and informatics studies: A comprehensive empirical case study
Chen et al. Assessment model for improving educational curriculum materials based on the DANP Technique with Grey Relational Analysis
CN115455310B (zh) 一种基于协同过滤算法的知识推荐方法
Ramadiani et al. Evaluation of student academic performance using e-learning with the association rules method and the importance of performance analysis
CN115600834A (zh) 一种基于过程性数据的中小学教师数字素养测评方法及系统
Tyler EXAMINING COGNITIVE PREDICTORS OF ACADEMIC CHEATING AMONG URBAN MIDDLE SCHOOL STUDENTS: The Role of Home–School Dissonance.
Recker et al. Analyzing learner and instructor interactions within learning management systems: Approaches and examples
CN112699933A (zh) 用户教学素材加工处理能力自动识别方法及系统
Ma et al. Design a course recommendation system based on association rule for hybrid learning environments
Azevedo et al. Application of Pattern Recognition Techniques for MathE Questions Difficulty Level Definition
Sherzad Shaping the selection of fields of study in Afghanistan through educational data mining approaches
Lu et al. Influence of experiential teaching and itinerary assessment on the improvement of key competencies of students
CN113704610B (zh) 一种基于学习成长数据的学习风格画像生成方法及系统

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