CN117726082A - 一种教学资源推荐方法、装置、电子设备及可读存储介质 - Google Patents
一种教学资源推荐方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN117726082A CN117726082A CN202410179119.3A CN202410179119A CN117726082A CN 117726082 A CN117726082 A CN 117726082A CN 202410179119 A CN202410179119 A CN 202410179119A CN 117726082 A CN117726082 A CN 117726082A
- Authority
- CN
- China
- Prior art keywords
- target
- teaching
- teaching resource
- user
- target user
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000006870 function Effects 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Classifications
-
- 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
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供了一种教学资源推荐方法、装置、电子设备及可读存储介质,其中,该方法包括:收集目标用户使用教学资源推荐系统时的用户反馈信息,接收为目标用户设定的目标科目中各项学习任务的目标学习进度和目标用户当前待学习的目标知识点;根据用户反馈信息,确定目标用户的当前学习进度和目标用户对各教学资源类型的偏好程度;评估各教学资源对目标科目中各项学习任务产生的效用,和目标用户使用该教学资源时产生的消耗;根据效用、消耗、目标学习进度、当前学习进度、偏好程度和目标知识点与该教学资源之间的关联强度,计算该教学资源对目标知识点的教学增量;根据教学增量向目标用户推荐目标教学资源。通过该方式提高教学资源推荐的精准度。
Description
技术领域
本申请涉及计算机技术领域,尤其是涉及一种教学资源推荐方法、装置、电子设备及可读存储介质。
背景技术
随着信息技术的快速发展,尤其是大数据、人工智能和机器学习技术的成熟,教学资源推荐系统应运而生。教学资源推荐系统用于向用户(例如学生)推荐教学资源,教学资源例如:教学视频资源、题目答题资源等。现有的教学资源推荐系统通常向用户推荐点击率高或者用户使用率高的教学资源。而这种推荐方式由于缺乏对学生个体差异和偏好的考虑,会导致推荐资源的针对性较弱、推荐精准度较低,使得推荐效果不尽如人意。
发明内容
有鉴于此,本申请的目的在于提供一种教学资源推荐方法、装置、电子设备及可读存储介质,以提高教学资源推荐的精准度。
第一方面,本申请实施例提供了一种教学资源推荐方法,所述方法应用于教学资源推荐系统,所述方法包括:
针对每个目标用户,收集该目标用户在使用所述教学资源推荐系统过程中的用户反馈信息,以及接收为所述目标用户设定的目标科目中各项学习任务的目标学习进度、和所述目标科目中所述目标用户当前待学习的目标知识点;
根据所述用户反馈信息,确定所述目标用户在执行所述目标科目中各项学习任务的当前学习进度以及所述目标用户对各种教学资源类型的偏好程度;
针对教学资源知识图谱中的每个教学资源,评估该教学资源对所述目标科目中各项学习任务产生的效用,以及所述目标用户在使用该教学资源时产生的消耗;所述教学资源知识图谱中包含有各个科目中各个知识点与各个教学资源之间的关联关系和关联强度;
根据该教学资源对所述目标科目中各项学习任务产生的效用、所述目标用户在使用该教学资源时产生的消耗、为所述目标用户设定的目标科目中各项学习任务的目标学习进度、所述目标用户在执行所述目标科目中各项学习任务的当前学习进度、所述目标用户对该教学资源对应的教学资源类型的偏好程度、以及所述教学资源知识图谱中所述目标知识点与该教学资源之间的关联强度,计算该教学资源对所述目标知识点的教学增量;
根据每个所述教学资源对所述目标知识点的所述教学增量,向所述目标用户推荐目标教学资源。
结合第一方面,本申请实施例提供了第一方面的第一种可能的实施方式,其中,所述用户反馈信息包括:所述目标用户对各科目中各知识点的掌握程度、对各种教学资源类型的使用次数;所述学习任务包括:每个学科下的各项培养维度;每个所述学习任务的所述当前学习进度为所述目标用户对该学习任务当前的掌握程度;每个所述学习任务的所述目标学习进度为所述目标用户对该学习任务的目标掌握程度。
结合第一方面的第一种可能的实施方式,本申请实施例提供了第一方面的第二种可能的实施方式,其中,所述根据所述用户反馈信息,确定所述目标用户对各种教学资源类型的偏好程度,包括:
针对每种教学资源类型,将该种教学资源类型的使用次数与所有教学资源的使用总次数的比值作为该种教学资源类型的偏好程度。
结合第一方面,本申请实施例提供了第一方面的第三种可能的实施方式,其中,所述根据每个所述教学资源对所述目标知识点的所述教学增量,向所述目标用户推荐目标教学资源,包括:
根据每个所述教学资源对所述目标知识点的所述教学增量,选取出教学增量中的最大增量值,将该最大增量值对应的所述教学资源作为目标教学资源,以将所述目标教学资源推荐至所述目标用户的用户端。
结合第一方面,本申请实施例提供了第一方面的第四种可能的实施方式,其中,所述根据每个所述教学资源对所述目标知识点的所述教学增量,向所述目标用户推荐目标教学资源,包括:
从所述教学资源知识图谱中确定出与所述目标知识点具有关联关系的教学资源作为候选教学资源;
将目标优化函数、约束条件以及所述候选教学资源输入到求解器中,以通过所述求解器求解出目标优化函数的最优解,得到教学资源最优组合;其中,所述目标优化函数为:
其中,m表示所述候选教学资源的个数,表示第k个候选教学资源的取值,/>表示第k个候选教学资源与目标知识点A之间的所述教学增量;
所述约束条件包括:的取值为0或1,以及所述教学资源最优组合中所有所述候选教学资源对应的消耗的和值小于预设阈值;
将所述教学资源最优组合中的各所述候选教学资源作为目标教学资源,推荐至所述目标用户的用户端;其中,所述教学资源最优组合中每个所述候选教学资源的取值为1。
第二方面,本申请实施例还提供一种教学资源推荐装置,所述装置应用于教学资源推荐系统,所述装置包括:
收集模块,用于针对每个目标用户,收集该目标用户在使用所述教学资源推荐系统过程中的用户反馈信息,以及接收为所述目标用户设定的目标科目中各项学习任务的目标学习进度、和所述目标科目中所述目标用户当前待学习的目标知识点;
确定模块,用于根据所述用户反馈信息,确定所述目标用户在执行所述目标科目中各项学习任务的当前学习进度以及所述目标用户对各种教学资源类型的偏好程度;
评估模块,用于针对教学资源知识图谱中的每个教学资源,评估该教学资源对所述目标科目中各项学习任务产生的效用,以及所述目标用户在使用该教学资源时产生的消耗;所述教学资源知识图谱中包含有各个科目中各个知识点与各个教学资源之间的关联关系和关联强度;
计算模块,用于根据该教学资源对所述目标科目中各项学习任务产生的效用、所述目标用户在使用该教学资源时产生的消耗、为所述目标用户设定的目标科目中各项学习任务的目标学习进度、所述目标用户在执行所述目标科目中各项学习任务的当前学习进度、所述目标用户对该教学资源对应的教学资源类型的偏好程度、以及所述教学资源知识图谱中所述目标知识点与该教学资源之间的关联强度,计算该教学资源对所述目标知识点的教学增量;
推荐模块,用于根据每个所述教学资源对所述目标知识点的所述教学增量,向所述目标用户推荐目标教学资源。
结合第二方面,本申请实施例提供了第二方面的第一种可能的实施方式,其中,所述用户反馈信息包括:所述目标用户对各科目中各知识点的掌握程度、对各种教学资源类型的使用次数;所述学习任务包括:每个学科下的各项培养维度;每个所述学习任务的所述当前学习进度为所述目标用户对该学习任务当前的掌握程度;每个所述学习任务的所述目标学习进度为所述目标用户对该学习任务的目标掌握程度。
结合第二方面的第一种可能的实施方式,本申请实施例提供了第二方面的第二种可能的实施方式,其中,所述确定模块在用于根据所述用户反馈信息,确定所述目标用户对各种教学资源类型的偏好程度时,具体用于:
针对每种教学资源类型,将该种教学资源类型的使用次数与所有教学资源的使用总次数的比值作为该种教学资源类型的偏好程度。
结合第二方面,本申请实施例提供了第二方面的第三种可能的实施方式,其中,所述推荐模块在用于根据每个所述教学资源对所述目标知识点的所述教学增量,向所述目标用户推荐目标教学资源时,具体用于:
根据每个所述教学资源对所述目标知识点的所述教学增量,选取出教学增量中的最大增量值,将该最大增量值对应的所述教学资源作为目标教学资源,以将所述目标教学资源推荐至所述目标用户的用户端。
结合第二方面,本申请实施例提供了第二方面的第四种可能的实施方式,其中,所述推荐模块在用于根据每个所述教学资源对所述目标知识点的所述教学增量,向所述目标用户推荐目标教学资源时,具体用于:
从所述教学资源知识图谱中确定出与所述目标知识点具有关联关系的教学资源作为候选教学资源;
将目标优化函数、约束条件以及所述候选教学资源输入到求解器中,以通过所述求解器求解出目标优化函数的最优解,得到教学资源最优组合;其中,所述目标优化函数为:
其中,m表示所述候选教学资源的个数,表示第k个候选教学资源的取值,/>表示第k个候选教学资源与目标知识点A之间的所述教学增量;
所述约束条件包括:的取值为0或1,以及所述教学资源最优组合中所有所述候选教学资源对应的消耗的和值小于预设阈值;
将所述教学资源最优组合中的各所述候选教学资源作为目标教学资源,推荐至所述目标用户的用户端;其中,所述教学资源最优组合中每个所述候选教学资源的取值为1。
第三方面,本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行上述第一方面中任一种可能的实施方式中的步骤。
第四方面,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述第一方面中任一种可能的实施方式中的步骤。
本申请实施例提供的一种教学资源推荐方法、装置、电子设备及可读存储介质,其中,首先,确定为目标用户设定的目标科目中各项学习任务的目标学习进度、目标用户在执行目标科目中各项学习任务的当前学习进度、以及目标用户对各种教学资源类型的偏好程度。然后,评估每个教学资源对目标科目中各项学习任务产生的效用,和目标用户在使用各教学资源时产生的消耗。接下来,利用上述信息计算每个教学资源对目标知识点的教学增量;最后,根据每个教学资源对目标知识点的教学增量,向目标用户推荐目标教学资源。可见,本实施例中,在向目标用户推荐目标教学资源时,不仅考虑了目标用户的以及当前学习进度,还结合了为目标用户设定的目标学习进度(即学习目标)和偏好,有利于使得推荐给目标用户的目标教学资源与目标用户的学习目标相吻合。也就是说,本实施例中,考虑了目标用户的个体差异,这与有利于实现个性化的教学资源推荐,从而有利于提高教学资源推荐的精准度。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,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申请的某些实施例,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示出了本申请实施例所提供的一种教学资源推荐方法的流程图;
图2示出了本申请实施例所提供的一种教学资源知识图谱的示意图;
图3示出了本申请实施例所提供的一种教学资源推荐装置的结构示意图;
图4示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请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申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,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,都属于本申请保护的范围。
考虑到向用户推荐点击率高或者用户使用率高的教学资源的推荐方式,会导致推荐资源的针对性较弱、推荐精准度较低的问题。基于此,本申请实施例提供了一种教学资源推荐方法、装置、电子设备及可读存储介质,以提高教学资源推荐的精准度。下面通过实施例进行描述。
实施例一:
为便于对本实施例进行理解,首先对本申请实施例所公开的一种教学资源推荐方法进行详细介绍。该方法应用于教学资源推荐系统,图1示出了本申请实施例所提供的一种教学资源推荐方法的流程图,如图1所示,包括以下步骤S101- S105:
S101:针对每个目标用户,收集该目标用户在使用教学资源推荐系统过程中的用户反馈信息,以及接收为目标用户设定的目标科目中各项学习任务的目标学习进度、和目标科目中目标用户当前待学习的目标知识点。
该实施例中,目标用户可以是教学资源推荐系统中的任意一个用户,用户可以是学生、老师、家长等。用户反馈信息包括目标用户对各科目中各知识点的掌握程度、对各种教学资源类型的使用次数、学习时间等。其中,各科目包括以下中的任意一种或多种:数学、英语、语文、地理、生物、化学、物理、历史、绘画、软件使用教程。教学资源类型包括以下中的任意一种或多种:视频、习题、文本、音频。
目标科目中各项学习任务的目标学习进度可以是目标用户自己设定的,也可以是目标用户的老师、家长设定的。
目标科目是各科目中的任一科目,每个科目下包含多个学习任务。每个学习任务对应一个目标学习进度。其中,学习任务包括:每个学科下的各项培养维度。每个学习任务的目标学习进度为目标用户对该学习任务的目标掌握程度,也就是说,目标学习进度指的是想要让目标用户达成的目标,目标学习进度可以通过对学习任务的掌握程度评分以及该学习任务重要性程度表示。
示例性的,当目标科目为英语时,该目标科目下的各学习任务可以包括以下中的任意一种或多种:听力水平、课本词汇掌握、课外词汇掌握。各项学习任务的目标学习进度可以为:{听力水平≥80分,课本词汇掌握≥90分,课外词汇掌握≥60分},重要性程度依次为{30%, 50%, 20%}。
当目标科目为数学时,该目标科目下的各学习任务可以包括以下中的任意一种或多种:四则运算准确率、课本知识点掌握、做题题目准确率。各项学习任务的目标学习进度可以为:{四则运算准确率≥80分,课本知识点掌握≥90分,做题题目准确率≥60分},重要性程度为{10%, 50%, 40%}。其中,同一科目下各项学习任务的重要性程度的总和为100%。
目标科目中目标用户当前待学习的目标知识点可以是目标用户自己设定的,也可以是目标用户的老师、家长设定的。
目标科目下包含多个知识点,目标知识点是目标用户准备要学习的知识点。
S102:根据用户反馈信息,确定目标用户在执行目标科目中各项学习任务的当前学习进度以及目标用户对各种教学资源类型的偏好程度。
该实施例中,目标科目下的每个学习任务对应一个当前学习进度,每个学习任务的当前学习进度为目标用户对该学习任务当前的掌握程度,当前学习进度可以通过对学习任务的掌握程度评分表示。
示例性的,当目标科目为英语时,各项学习任务的当前学习进度可以为:{听力水平=60分,课本词汇掌握=59分,课外词汇掌握=36分}。当目标科目为数学时,各项学习任务的当前学习进度可以为:{四则运算准确率=80分,课本知识点掌握=10分,做题题目准确率=35分}。
在一种可能的实施方式中,在执行步骤S102:根据用户反馈信息,确定目标用户对各种教学资源类型的偏好程度时,具体可以按照以下步骤执行:
针对每种教学资源类型,将该种教学资源类型的使用次数与所有教学资源的使用总次数的比值作为该种教学资源类型的偏好程度。
该实施例中,教学资源类型u的偏好程度Pu=教学资源类型u的使用次数/所有教学资源的使用总次数。其中,教学资源类型u可以是任一教学资源类型。
S103:针对教学资源知识图谱中的每个教学资源,评估该教学资源对目标科目中各项学习任务产生的效用,以及目标用户在使用该教学资源时产生的消耗;教学资源知识图谱中包含有各个科目中各个知识点与各个教学资源之间的关联关系和关联强度。
该实施例中,教学资源知识图谱中包括教学资源的树状结构关系,以及教学资源与知识点的关联关系。图2示出了本申请实施例所提供的一种教学资源知识图谱的示意图,如图2所示,黑色的圆表示完整课程,例如,听力练习课程;使用网格填充的圆表示完整资源,例如,听力练习的每一套练习试卷;长方形表示课程资源(也即资源片段),例如,每一套练习试卷中的每一道习题。白色的圆表示知识点,知识点与教学资源之间的虚线表示知识点和教学资源之间存在关联关系,每个关联关系对应一个关联强度。
关联强度可以根据节点属性相似性、教学资源时长等因素来计算,例如在教学资源只有2个属性的情况下:
关联强度=( (α1×属性1相似性+α2×属性2相似性)×教学资源时长)/教学资源对应的完整资源的总时长。
其中,α1和α2为预设权重;属性用于描述教学资源的类型、知识点、时长等。属性相似度为教学资源与知识点的语义相似度,表征教学资源与知识点的匹配程度。
该实施例中,同一教学资源对目标科目中的每项学习任务产生的效用不同,效用指的是教学资源对该学习任务产生有用效果。
目标用户在使用该教学资源时产生的消耗包括时间消耗和虚拟资源消耗,虚拟资源例如虚拟货币等。
S104:根据该教学资源对目标科目中各项学习任务产生的效用、目标用户在使用该教学资源时产生的消耗、为目标用户设定的目标科目中各项学习任务的目标学习进度、目标用户在执行目标科目中各项学习任务的当前学习进度、目标用户对该教学资源对应的教学资源类型的偏好程度、以及教学资源知识图谱中目标知识点与该教学资源之间的关联强度,计算该教学资源对目标知识点的教学增量。
该实施例中,可以通过以下公式计算教学资源K对目标知识点的教学增量:
其中,表示教学资源K对目标知识点A的教学增量;/>表示教学资源K与目标知识点A之间的关联强度;i表示目标科目中的第i个学习任务;/>表示学习任务i的目标学习进度;/>表示学习任务i的当前学习进度;/>表示教学资源K对目标科目中学习任务i产生的效用;/>表示目标用户对教学资源K对应的教学资源类型的偏好程度;/>表示目标用户在使用该教学资源K时产生的第j个消耗。
S105:根据每个教学资源对目标知识点的教学增量,向目标用户推荐目标教学资源。
在一种可能的实施方式中,在执行步骤S105时,具体可以通过以下步骤执行:
根据每个教学资源对目标知识点的教学增量,选取出教学增量中的最大增量值,将该最大增量值对应的教学资源作为目标教学资源,以将目标教学资源推荐至目标用户的用户端。
在另一种可能的实施方式中,在执行步骤S105时,还可以通过以下步骤执行:
从教学资源知识图谱中确定出与目标知识点具有关联关系的教学资源作为候选教学资源;
将目标优化函数、约束条件以及候选教学资源输入到求解器中,以通过求解器求解出目标优化函数的最优解,得到教学资源最优组合;其中,目标优化函数为:
其中,m表示候选教学资源的个数,表示第k个候选教学资源的取值,/>表示第k个候选教学资源与目标知识点A之间的教学增量;
约束条件包括:的取值为0或1,以及教学资源最优组合中所有候选教学资源对应的消耗的和值小于预设阈值;
将教学资源最优组合中的各候选教学资源作为目标教学资源,推荐至目标用户的用户端;其中,教学资源最优组合中每个候选教学资源的取值为1。
实施例二:
基于相同的技术构思,本申请还提供了一种教学资源推荐装置,所述装置应用于教学资源推荐系统;图3示出了本申请实施例所提供的一种教学资源推荐装置的结构示意图,如图3所示,所述装置包括:
收集模块301,用于针对每个目标用户,收集该目标用户在使用所述教学资源推荐系统过程中的用户反馈信息,以及接收为所述目标用户设定的目标科目中各项学习任务的目标学习进度、和所述目标科目中所述目标用户当前待学习的目标知识点;
确定模块302,用于根据所述用户反馈信息,确定所述目标用户在执行所述目标科目中各项学习任务的当前学习进度以及所述目标用户对各种教学资源类型的偏好程度;
评估模块303,用于针对教学资源知识图谱中的每个教学资源,评估该教学资源对所述目标科目中各项学习任务产生的效用,以及所述目标用户在使用该教学资源时产生的消耗;所述教学资源知识图谱中包含有各个科目中各个知识点与各个教学资源之间的关联关系和关联强度;
计算模块304,用于根据该教学资源对所述目标科目中各项学习任务产生的效用、所述目标用户在使用该教学资源时产生的消耗、为所述目标用户设定的目标科目中各项学习任务的目标学习进度、所述目标用户在执行所述目标科目中各项学习任务的当前学习进度、所述目标用户对该教学资源对应的教学资源类型的偏好程度、以及所述教学资源知识图谱中所述目标知识点与该教学资源之间的关联强度,计算该教学资源对所述目标知识点的教学增量;
推荐模块305,用于根据每个所述教学资源对所述目标知识点的所述教学增量,向所述目标用户推荐目标教学资源。
可选地,所述用户反馈信息包括:所述目标用户对各科目中各知识点的掌握程度、对各种教学资源类型的使用次数;所述学习任务包括:每个学科下的各项培养维度;每个所述学习任务的所述当前学习进度为所述目标用户对该学习任务当前的掌握程度;每个所述学习任务的所述目标学习进度为所述目标用户对该学习任务的目标掌握程度。
可选地,所述确定模块302在用于根据所述用户反馈信息,确定所述目标用户对各种教学资源类型的偏好程度时,具体用于:
针对每种教学资源类型,将该种教学资源类型的使用次数与所有教学资源的使用总次数的比值作为该种教学资源类型的偏好程度。
可选地,所述推荐模块305在用于根据每个所述教学资源对所述目标知识点的所述教学增量,向所述目标用户推荐目标教学资源时,具体用于:
根据每个所述教学资源对所述目标知识点的所述教学增量,选取出教学增量中的最大增量值,将该最大增量值对应的所述教学资源作为目标教学资源,以将所述目标教学资源推荐至所述目标用户的用户端。
可选地,所述推荐模块305在用于根据每个所述教学资源对所述目标知识点的所述教学增量,向所述目标用户推荐目标教学资源时,具体用于:
从所述教学资源知识图谱中确定出与所述目标知识点具有关联关系的教学资源作为候选教学资源;
将目标优化函数、约束条件以及所述候选教学资源输入到求解器中,以通过所述求解器求解出目标优化函数的最优解,得到教学资源最优组合;其中,所述目标优化函数为:
其中,m表示所述候选教学资源的个数,表示第k个候选教学资源的取值,/>表示第k个候选教学资源与目标知识点A之间的所述教学增量;
所述约束条件包括:的取值为0或1,以及所述教学资源最优组合中所有所述候选教学资源对应的消耗的和值小于预设阈值;
将所述教学资源最优组合中的各所述候选教学资源作为目标教学资源,推荐至所述目标用户的用户端;其中,所述教学资源最优组合中每个所述候选教学资源的取值为1。
实施例三:
图4为本申请实施例提供的一种电子设备的结构示意图,包括:处理器401、存储器402和总线403,所述存储器402存储有所述处理器401可执行的机器可读指令,当电子设备运行上述的信息处理方法时,所述处理器401与所述存储器402之间通过总线403通信,所述处理器401执行所述机器可读指令,以执行实施例一中所述的方法步骤。
实施例四:
本申请实施例四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上存储有计算机程序,该计算机程序被处理器运行时执行实施例一中所述的方法步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置、电子设备和计算机可读存储介质的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种教学资源推荐方法,其特征在于,所述方法应用于教学资源推荐系统,所述方法包括:
针对每个目标用户,收集该目标用户在使用所述教学资源推荐系统过程中的用户反馈信息,以及接收为所述目标用户设定的目标科目中各项学习任务的目标学习进度、和所述目标科目中所述目标用户当前待学习的目标知识点;
根据所述用户反馈信息,确定所述目标用户在执行所述目标科目中各项学习任务的当前学习进度以及所述目标用户对各种教学资源类型的偏好程度;
针对教学资源知识图谱中的每个教学资源,评估该教学资源对所述目标科目中各项学习任务产生的效用,以及所述目标用户在使用该教学资源时产生的消耗;所述教学资源知识图谱中包含有各个科目中各个知识点与各个教学资源之间的关联关系和关联强度;
根据该教学资源对所述目标科目中各项学习任务产生的效用、所述目标用户在使用该教学资源时产生的消耗、为所述目标用户设定的目标科目中各项学习任务的目标学习进度、所述目标用户在执行所述目标科目中各项学习任务的当前学习进度、所述目标用户对该教学资源对应的教学资源类型的偏好程度、以及所述教学资源知识图谱中所述目标知识点与该教学资源之间的关联强度,计算该教学资源对所述目标知识点的教学增量;
根据每个所述教学资源对所述目标知识点的所述教学增量,向所述目标用户推荐目标教学资源。
2.根据权利要求1所述方法,其特征在于,所述用户反馈信息包括:所述目标用户对各科目中各知识点的掌握程度、对各种教学资源类型的使用次数;所述学习任务包括:每个学科下的各项培养维度;每个所述学习任务的所述当前学习进度为所述目标用户对该学习任务当前的掌握程度;每个所述学习任务的所述目标学习进度为所述目标用户对该学习任务的目标掌握程度。
3.根据权利要求2所述方法,其特征在于,所述根据所述用户反馈信息,确定所述目标用户对各种教学资源类型的偏好程度,包括:
针对每种教学资源类型,将该种教学资源类型的使用次数与所有教学资源的使用总次数的比值作为该种教学资源类型的偏好程度。
4.根据权利要求1所述方法,其特征在于,所述根据每个所述教学资源对所述目标知识点的所述教学增量,向所述目标用户推荐目标教学资源,包括:
根据每个所述教学资源对所述目标知识点的所述教学增量,选取出教学增量中的最大增量值,将该最大增量值对应的所述教学资源作为目标教学资源,以将所述目标教学资源推荐至所述目标用户的用户端。
5.根据权利要求1所述方法,其特征在于,所述根据每个所述教学资源对所述目标知识点的所述教学增量,向所述目标用户推荐目标教学资源,包括:
从所述教学资源知识图谱中确定出与所述目标知识点具有关联关系的教学资源作为候选教学资源;
将目标优化函数、约束条件以及所述候选教学资源输入到求解器中,以通过所述求解器求解出目标优化函数的最优解,得到教学资源最优组合;其中,所述目标优化函数为:
其中,m表示所述候选教学资源的个数,表示第k个候选教学资源的取值,/>表示第k个候选教学资源与目标知识点A之间的所述教学增量;
所述约束条件包括:的取值为0或1,以及所述教学资源最优组合中所有所述候选教学资源对应的消耗的和值小于预设阈值;
将所述教学资源最优组合中的各所述候选教学资源作为目标教学资源,推荐至所述目标用户的用户端;其中,所述教学资源最优组合中每个所述候选教学资源的取值为1。
6.一种教学资源推荐装置,其特征在于,所述装置应用于教学资源推荐系统,所述装置包括:
收集模块,用于针对每个目标用户,收集该目标用户在使用所述教学资源推荐系统过程中的用户反馈信息,以及接收为所述目标用户设定的目标科目中各项学习任务的目标学习进度、和所述目标科目中所述目标用户当前待学习的目标知识点;
确定模块,用于根据所述用户反馈信息,确定所述目标用户在执行所述目标科目中各项学习任务的当前学习进度以及所述目标用户对各种教学资源类型的偏好程度;
评估模块,用于针对教学资源知识图谱中的每个教学资源,评估该教学资源对所述目标科目中各项学习任务产生的效用,以及所述目标用户在使用该教学资源时产生的消耗;所述教学资源知识图谱中包含有各个科目中各个知识点与各个教学资源之间的关联关系和关联强度;
计算模块,用于根据该教学资源对所述目标科目中各项学习任务产生的效用、所述目标用户在使用该教学资源时产生的消耗、为所述目标用户设定的目标科目中各项学习任务的目标学习进度、所述目标用户在执行所述目标科目中各项学习任务的当前学习进度、所述目标用户对该教学资源对应的教学资源类型的偏好程度、以及所述教学资源知识图谱中所述目标知识点与该教学资源之间的关联强度,计算该教学资源对所述目标知识点的教学增量;
推荐模块,用于根据每个所述教学资源对所述目标知识点的所述教学增量,向所述目标用户推荐目标教学资源。
7.根据权利要求6所述装置,其特征在于,所述用户反馈信息包括:所述目标用户对各科目中各知识点的掌握程度、对各种教学资源类型的使用次数;所述学习任务包括:每个学科下的各项培养维度;每个所述学习任务的所述当前学习进度为所述目标用户对该学习任务当前的掌握程度;每个所述学习任务的所述目标学习进度为所述目标用户对该学习任务的目标掌握程度。
8.根据权利要求7所述装置,其特征在于,所述确定模块在用于根据所述用户反馈信息,确定所述目标用户对各种教学资源类型的偏好程度时,具体用于:
针对每种教学资源类型,将该种教学资源类型的使用次数与所有教学资源的使用总次数的比值作为该种教学资源类型的偏好程度。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至5任一所述方法的步骤。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至5任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410179119.3A CN117726082B (zh) | 2024-02-18 | 2024-02-18 | 一种教学资源推荐方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410179119.3A CN117726082B (zh) | 2024-02-18 | 2024-02-18 | 一种教学资源推荐方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117726082A true CN117726082A (zh) | 2024-03-19 |
CN117726082B CN117726082B (zh) | 2024-06-11 |
Family
ID=90203837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410179119.3A Active CN117726082B (zh) | 2024-02-18 | 2024-02-18 | 一种教学资源推荐方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117726082B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100041007A1 (en) * | 2008-08-13 | 2010-02-18 | Chi Wang | Method and System for Knowledge Diagnosis and Tutoring |
CN105761183A (zh) * | 2016-03-14 | 2016-07-13 | 成都爱易佰网络科技有限公司 | 知识点体系教学方法及基于知识点测度的自适应教学系统 |
CN106384319A (zh) * | 2016-09-20 | 2017-02-08 | 四川教云网络科技有限公司 | 一种基于遗忘曲线的教学资源个性化推荐方法 |
CN111177413A (zh) * | 2019-12-30 | 2020-05-19 | 北京谦仁科技有限公司 | 学习资源推荐方法、装置和电子设备 |
CN111325643A (zh) * | 2020-02-17 | 2020-06-23 | 合肥工业大学 | 一种慕课教学能力引导方法 |
US20230005383A1 (en) * | 2021-07-01 | 2023-01-05 | Riiid Inc. | Device and method for recommending educational content |
CN116340624A (zh) * | 2023-03-17 | 2023-06-27 | 华中师范大学 | 自适应学习信息推荐方法、装置、设备及存储介质 |
CN117390277A (zh) * | 2023-10-27 | 2024-01-12 | 深圳华云科技研发有限公司 | 一种课程资源和服务的管理方法及系统 |
-
2024
- 2024-02-18 CN CN202410179119.3A patent/CN117726082B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100041007A1 (en) * | 2008-08-13 | 2010-02-18 | Chi Wang | Method and System for Knowledge Diagnosis and Tutoring |
CN105761183A (zh) * | 2016-03-14 | 2016-07-13 | 成都爱易佰网络科技有限公司 | 知识点体系教学方法及基于知识点测度的自适应教学系统 |
CN106384319A (zh) * | 2016-09-20 | 2017-02-08 | 四川教云网络科技有限公司 | 一种基于遗忘曲线的教学资源个性化推荐方法 |
CN111177413A (zh) * | 2019-12-30 | 2020-05-19 | 北京谦仁科技有限公司 | 学习资源推荐方法、装置和电子设备 |
CN111325643A (zh) * | 2020-02-17 | 2020-06-23 | 合肥工业大学 | 一种慕课教学能力引导方法 |
US20230005383A1 (en) * | 2021-07-01 | 2023-01-05 | Riiid Inc. | Device and method for recommending educational content |
CN116340624A (zh) * | 2023-03-17 | 2023-06-27 | 华中师范大学 | 自适应学习信息推荐方法、装置、设备及存储介质 |
CN117390277A (zh) * | 2023-10-27 | 2024-01-12 | 深圳华云科技研发有限公司 | 一种课程资源和服务的管理方法及系统 |
Non-Patent Citations (1)
Title |
---|
虞凤娟: "基于数据挖掘算法的思政教学资源推荐方法设计", 信息与电脑(理论版), no. 23, 15 December 2023 (2023-12-15), pages 248 - 250 * |
Also Published As
Publication number | Publication date |
---|---|
CN117726082B (zh) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109903617B (zh) | 个性化练习方法和系统 | |
CN107544973B (zh) | 一种对数据进行处理的方法和装置 | |
CN111274411A (zh) | 课程推荐方法、装置、电子设备及可读存储介质 | |
CN110941723A (zh) | 一种知识图谱的构建方法、系统及存储介质 | |
CN112784608B (zh) | 试题推荐方法、装置、电子设备和存储介质 | |
CN111651677B (zh) | 课程内容推荐方法、装置、计算机设备和存储介质 | |
CN111831831A (zh) | 一种基于知识图谱的个性化学习平台及其构建方法 | |
CN108446768A (zh) | 一种学生建模的方法和装置 | |
WO2022170985A1 (zh) | 选题方法、装置、计算机设备和存储介质 | |
CN114254208A (zh) | 薄弱知识点的识别方法、学习路径的规划方法与装置 | |
CN113851020A (zh) | 一种基于知识图谱的自适应学习平台 | |
CN111651676A (zh) | 基于能力模型进行职业推荐的方法、装置、设备和介质 | |
CN117252047B (zh) | 基于数字孪生的教学信息处理方法及系统 | |
Turgut | A meta-analysis of the effects of realistic mathematics education-based teaching on mathematical achievement of students in Turkey | |
CN116776855A (zh) | 基于LLaMA模型解决职业教育机器自主学习方法和装置及设备 | |
CN116383481A (zh) | 一种基于学生画像的个性化试题推荐方法及系统 | |
Mühling | Investigating knowledge structures in computer science education | |
CN112950038B (zh) | 一种基于学情数据的个性化作业布置方法 | |
Malikin et al. | Research of Methods for Practical Educational Tasks Generation Based on Various Difficulty Levels. | |
CN114254122A (zh) | 测试题的生成方法、装置、电子设备和可读存储介质 | |
CN112419815A (zh) | 一种学习路径的规划方法及装置 | |
CN111932160A (zh) | 知识掌握信息处理方法、装置、计算机设备及存储介质 | |
JP2010243662A (ja) | リメディアル教育支援システム、リメディアル教育支援方法、およびメディアル教育支援プログラム | |
CN117726082B (zh) | 一种教学资源推荐方法、装置、电子设备及可读存储介质 | |
CN114461786B (zh) | 一种学习路径生成方法和系统 |
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 |