欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021110439320
申请人: 西安理工大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于蚁群算法的个性化学习路径推荐方法,其特征在于,具体按照如下方法实施:

步骤1,建立相似学习者模型,相似学习者模型中包括学习者的学习目标、学习风格、知识水平、学习动机;

步骤2,根据建立的相似学习者模型确定相似学习者集合,对目标学习者的邻近学习者进行识别;

步骤3,建立知识点特征模型;

步骤4,构建对应领域的知识图谱;

步骤5,根据相似学习者的学习目标与步骤4建立起来的知识图谱进行搜索匹配,找到学习者需要进行学习的学习起点;

步骤6,根据学习起点与学习目标,结合知识图谱生成属于每个学习者独有的个性化知识子图;

步骤7,结合蚁群算法,将邻近学习者的最优路径选择推荐给目标学习者,为学习者推荐出一条最佳的学习路径。

2.根据权利要求1所述的一种基于蚁群算法的个性化学习路径推荐方法,其特征在于,所述步骤1中的学习者的学习目标通过对学习者在学习平台中行为数据的统计,将选择同一学习目标的学习者作为一类相似学习者进行集群;

所述学习风格根据Knob学习风格划分方法分为聚合型、发散型、同化型、调节型,同一个学习者会表现出多种学习类型倾向,不同的学习者在各种学习风格上的倾向程度不同,因此用向量S=(s1,s2,s3,s4)描述学习者的风格倾向,其中s1,s2,s3,s4分别表示学习者属于聚合型、发散型、同化型和调节型的程度,且有0≤si≤1,i=1,2,3,4,s1+s2+s3+s4=1;

所述学习者的知识水平通过学习测试获得,学习者的知识水平分为三个等级,即一般、中等、优秀,具体为:

学习者进入自适应学习引导系统后,会首先选择要学习的知识点,并进入相应知识点的学前测试页面,通过测试会得到学习者的初始知识水平,即知识点的掌握程度W;将学习者的知识点掌握程度通过试题得分映射为[0,1]区间里的某个值,并规定:当学习者对一个知识点的掌握程度0≤W≤0.3,则该学习者的知识水平为一般;当学习者知识点掌握程度

0.3<W≤0.6,则该学习者的知识水平为中等;当学习者知识点掌握程度0.6<W≤1,则该学习者的知识水平为优秀;

所述学习者的学习动机分为了解、掌握、精通三个等级,学习者的学习动机由学习者根据相应知识点的重要程度自行选择。

3.根据权利要求2所述的一种基于蚁群算法的个性化学习路径推荐方法,其特征在于,所述步骤2中根据建立的相似学习者模型确定相似学习者集合具体为:首先学习者进入学习平台后选择学习目标、学习动机,将选择相同学习目标和学习动机的学习者集群形成相似学习者集合。

4.根据权利要求3所述的一种基于蚁群算法的个性化学习路径推荐方法,其特征在于,所述步骤2中对邻近学习者进行识别具体为:在确定的相似学习者集合中根据知识水平与学习风格确定邻近学习者,具体为:步骤2.1,在相似学习者集合确定知识水平相似的学习者群体 令L={L1,L2,…,Lm}表示所有完成了学习任务的学习者的集合,lj,j=1,2,…,m,表示相似学习者集合中第j个学习者的知识水平,令L0表示目标学习者,l0表示目标学习者的知识水平,用r1表示知识水平的邻近参数,0≤r1≤1,则知识水平相似的学习者群体 表示为:步骤2.2,在步骤2.1获得的知识水平相似的学习者群体 根据学习者的学习风格确定目标学习者的邻近学习者群体Lo,similar,具体为:用 表示目标学习者的学习风格向量, 分别表示目标学习者属于聚合型、发散型、同化型和调节型的程度,且有表示集合 中学习者的学习风格向量,o k o k

令r2表示学习风格之间的邻近参数,0≤r2≤1,|s ‑s|表示向量s 与s之间的欧式距离,则目标学习者的邻近学习者群体确定为:

5.根据权利要求4所述的一种基于蚁群算法的个性化学习路径推荐方法,其特征在于,所述步骤3中的知识点特征模型包括知识点采用各种表达方式的程度以及知识点的难度系数d,其中,知识点采用各种表达方式的程度用向量C表示,C=(c1,c2,c3,c4),其中c1,c2,c3,c4分别表示一个知识点采用课件PPT、视频、音频、文档表达的知识含量所占该知识点全部知识含量的比重,且0≤ci≤1(i=1,2,3,4),c1+c2+c3+c4=1;0≤d≤1,d越接近于0,表示知识点难度越小,d越接近于1,该知识点难度越大。

6.根据权利要求5所述的一种基于蚁群算法的个性化学习路径推荐方法,其特征在于,所述步骤4具体为:

步骤4.1,将对应领域的电子课本按照三层知识框架进行分类,第一层是对应领域知识的大纲,即章,第二层是章下面对应的每个小节,元知识为第三层,其中,章中包含的字段有章id、章名、章的描述以及章节下所包含节的id;节中包含的字段有节id、节名、节的描述及所属的章id;元知识不可再分,包含的字段有元知识id、元知识名、先驱知识点id、后继知识点id、其他关系知识点id及所属节id,完成对应知识领域本体结构的构建;

步骤4.2,人工抽取本体结构中的实体、关系和属性,实体即就是章、节、元知识,关系是指通过边将两个实体连接起来,属性是指实体对象所具有的特点,实现知识图谱初步构建;

步骤4.3,使用八爪鱼数据采集器爬取百度百科数据:先导入所收集对应领域知识点的网络地址,然后自定义关键词、摘要、英文名、简介和目录所需爬取字段,批量处理导入的对应领域知识点,得到爬取的数据;

步骤4.4,将步骤4.3爬取的数据即就是部分语料句子数据进行人工标注,对标注的数据进行实体抽取,并对一条语料中含有的多个实体进行不重复两两组队,抽取后结果存入Mysql数据库中,对抽取结果两个实体完全一样的数据进行去重;

步骤4.5,进行关系抽取,将步骤3.4得到的去重后的数据的一部分数据通过人工判断实体间关系,生成<实体,实体,关系,语料句子>这种格式的数据,将抽取出来的三元组<实体,实体,关系,语料句子>与人工手工初步建立的知识图谱进行融合,实现领域知识图谱的构建。

7.根据权利要求6所述的一种基于蚁群算法的个性化学习路径推荐方法,其特征在于,所述步骤5具体为:

步骤5.1,对步骤4建立的知识图谱进行关系抽取,获得了知识点间存在的语义关系,其中语义关系包括依赖、被依赖、包含、属于、近义、反义、同位七种关系;

步骤5.2,将相似学习者的学习目标定位到已经构建好的层级知识图谱中,如果目标知识点为第一层知识点,则通过父子关系查询到该知识点的所有第二层子知识点,然后再通过所有第二层知识点分别查询它们的第三层子知识点,将第三层知识点作为学习起点随机分配给每个相似学习者;

如果目标知识点为第二层的知识点,则通过父子关系查询该知识点的所有第三层的子知识点,将第三层知识点作为学习起点随机分配给每个相似学习者;如果目标知识点是第三层的元知识,将第三层知识点作为学习起点随机分配给每个相似学习者。

8.根据权利要求7所述的一种基于蚁群算法的个性化学习路径推荐方法,其特征在于,所述步骤6中的个性化知识子图即就是:将学习起点和学习目标之间的一条或多条由知识点连接起来的学习路径,组成学习者的个性化知识子图。

9.根据权利要求8所述的一种基于蚁群算法的个性化学习路径推荐方法,其特征在于,所述步骤7具体为:

步骤7.1,初始化蚁群算法中的各个参数:设定影响参数α1,α2,β和信息挥发度,初始化各路段的信息素τij(t),初始化目标学习者Lo的知识水平lo和学习风格So;

步骤7.2,将步骤2中确定邻近学习者群体Lo,similar中的每个学习者作为一个蚂蚁,根据目标学习者的学习目标依据步骤5中学习起点的分配方法给每个邻近学习者随机分配一个学习起点oi,即就是给每个蚂蚁分配一个学习起点;

步骤7.3,若蚂蚁已经学习完成分配的学习起点知识点oi,则根据个性化知识子图中知识点的排列顺序,遍历所有与学习起点相对应的下一级知识点oj,计算蚂蚁选择下个知识点oj作为下一个知识点学习的概率为:其中, 为蚂蚁从知识点oi到知识点oj的选择概率,τij(t)表示在时间点t路径oi→oj上留存的信息素的数量, 表示学习者的知识水平与知识点oj难度之间的匹配度,表示目标学习者Lo的学习风格与知识点oj的表达方式之间的匹配度,α1和α2分别表示 和 对决策的影响参数,β表示信息素τij(t)对决策的影响参数;

所述 按照如下公式计算:

其中,lo表示学习者Lo的知识水平,dj表示知识点oj的难度系数;

所述 按照如下公式计算:

其中,用 表示目标学习者的学习风格向量, 分别表示目标学习者属于聚合型、发散型、同化型和调节型的程度, 表示知识点oj知识表达方式的特征向量,其中 分别表示一个知识点oj采用课件PPT、视频、音频、文档表达的知识含量所占该知识点全部知识含量的比重;

J(i)表示处于知识点oi的蚂蚁下一步所有可选路径的集合;

步骤7.4,选择概率最大的知识点oj作为下一个知识点学习,待学习者学完后进行从知识点oi到知识点oj路段上信息素的更新,更新后的信息素为:其中,ρ为信息挥发度挥发因子,0≤ρ≤1, 为学习者对知识点oi到知识点oj路段的评分,即就是学习者在路段oi→oj上产生的信息素;

步骤7.5,然后将知识点oj作为起点重复执行步骤7.3‑7.4选择下一个知识点直到到达终点,产生一条学习路径J(i),即就是每个邻近学习者产生一条学习路径J(i);

步骤7.6,对产生的学习路径J(i)上的所有路段oi→oj信息素强度的更新,公式为:步骤7.7,计算每个邻近学习者最终选择并产生学习路径J(i)的整体概率即就是,将学习路径J(i)上的选择每段路径的概率的乘积;

步骤7.8,对所有邻近学习者产生学习路径J(i)的整体概率进行排序,将概率 最大的学习路径推荐给学习者。