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: 2021113676188
申请人: 南京邮电大学
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.面向个性化学习的在线教育资源推荐方法,其特征在于,包括如下步骤:(1)采集学生观看教育视频的学习行为记录,对学习行为记录进行数据清洗,提取有效信息;

(2)从学生的角度整合学习行为记录,基于教育心理学的知识计算学生学习能力,根据学生学习教育视频数量与学习能力用聚类方法对学生群体进行分类;

(3)从教育视频的角度整合学习行为记录,提取教育视频的属性并计算难度,形成教育视频的特征向量;

(4)以教育视频的特征向量为输入,利用LinUCB算法为学生提供合适难度的教育视频,引入学生的学习能力与注意力机制设计个性化探索系数,形成最终的推荐列表;

步骤(2)从学生的角度整合学习行为记录,基于教育心理学的知识计算学生学习能力,根据学生学习教育视频数量与学习能力用聚类方法对学生群体分类包括:(201)获取每个学生学习的教育视频数量、对于每个教育视频的完成度、观看教育视频后是否正确回答了对应的随堂测验;

(202)基于布鲁姆模型、经典测试理论的教育心理学知识分析影响学生学习能力的因素,包括学生的参与度、完成度与正确率,并利用整合的学习行为记录估算学生的学习能力,表达式如下:其中,abilityi表示学生i的学习能力,i=1,2,…,I,I为学生总数;学生i观看教育视频的学习行为记录构成集合Ni,ni为集合Ni中教育视频数量,即学生i学习的教育视频数量;fracCompij表示学生i对于集合Ni中第j个教育视频的完成度,successij表示学生i观看集合Ni中第j个教育视频后是否正确回答了随堂测验;J为教育视频总数;

在上式中,ni与教育视频总数J的比值表示学生i对于教育视频学习的参与度,后两项分别表示学生i对于教育视频内容的平均完成度与随堂测验的平均正确率;k1,k2,k3为控制三种影响因素重要性的权值,k1+k2+k3=1;

(203)根据各个学生的学习能力abilityi与各个学生学习的教育视频数量ni,利用K均值聚类算法将学生分为三种不同特点的学生群体:活跃学生、潜在学生、不活跃学生;

活跃学生、潜在学生、不活跃学生的平均学习能力和观看教育视频的平均数量依次降低。

2.根据权利要求1所述的在线教育资源推荐方法,其特征在于,步骤(3)从教育视频的角度整合学习行为记录,提取教育视频的属性并计算难度,形成教育视频的特征向量包括:(301)获取与每个教育视频产生学习行为记录的学生数,每个教育视频的完成度、被回放次数以及该视频对应的随堂测验是否被正确回答;

(302)从整合学习行为记录,提取教育视频的四种属性:学习率fracStudy、平均完成程度avgfracComp、回放次数比率fracnumRWs以及正确率fraccorrect;

(303)计算教育视频的难度,表达式为:

difj=l1*(1-avgfracCompj)+l2*(1-fraccorrectj)+l3*fracnumRWsj,式中,difj表示教育视频j的难度;l1,l2,l3为重要性权值,l1+l2+l3=1;

(304)每个教育视频的五种特征形成一个特征向量,即:

3.根据权利要求2所述的在线教育资源推荐方法,其特征在于,学习率fracStudy表示与视频产生学习行为记录的学生比例,表达式为:平均完成程度avgfracComp表示观看视频所有学生的平均完成度,表达式为:回放次数比率fracnumRWs表示观看视频所有学生的回放总次数相对于阈值回放次数的比率,表达式为:正确率fraccorrect表示观看视频学生中正确回答随堂测验的比例,表达式为:其中,下标j代表教育视频j,j=1,2,…,J,J为教育视频总数,mj代表与教育视频j产生学习行为记录的学生数;fracCompij表示第i个学生对于教育视频j的完成度;numRWsij表示第i个学生观看教育视频j时回放的次数,numRWsmax为回放教育视频次数的阈值;successij表示第i个学生观看教育视频j后是否正确回答了随堂测验。

4.根据权利要求3所述的在线教育资源推荐方法,其特征在于,步骤(4)以教育视频的特征向量为输入,利用LinUCB算法为学生提供合适难度的教育视频,引入学生的学习能力与注意力机制设计个性化探索比例系数,形成最终的推荐列表包括:(401)根据学生群体聚类的结果,将所有学生的学习行为记录按照活跃学生、潜在学生与不活跃学生进行分离,并分别输入LinUCB算法中,对特定的学生群体进行教育视频推荐;

(402)计算每个教育视频的特征奖励向量表达式为:

其中,Di是指通过步骤(401)分离的某类学生群体的学习行为记录中,学生i观看教育视频的学习行为记录集合Ni所对应的教育视频的特征矩阵;维度为ni×d,ni表示集合Ni中教育视频的数量,d为教育视频的特征维数;表示集合Ni中的第j个教育视频通过步骤(304)生成的特征向量;是Di的转置;ci是集合Ni中每个教育视频所获得的奖励值向量,维度为ni×1,rj表示集合Ni中的第j个教育视频所获得的奖励值,该奖励值定义为学生i对第j个教育视频的完成度fracCompij;Ai是维度为d×d的对角矩阵,由Di计算得出;bi为d×1维的向量,其元素表示每个教育视频特征的累计奖励值;Id为d维的单位矩阵;

(403)计算学生i对所有视频的预估收益期望值E[ri|X],表达式为:其中,ri是学生i对于所有教育视频构成的集合C中每个教育视频的反馈收益向量,维度为J×1,J为集合C中教育视频的数量,即教育视频总数;是集合C中所对应的教育视频的特征矩阵,维度为J×d;

(404)引入注意力机制,计算LinUCB算法中控制探索比例系数αi;

(405)根据LinUCB准则,计算学生i对每个教育视频的总预估收益pi:其中,pi指对于学生i,集合C中每个教育视频所获得的总预估收益向量;是取矩阵的对角元素所构成的向量,表示预估收益期望值的预测方差;αi与的Hadamard积表示的不确定度;

(406)根据总预估收益pi,选择预估收益最高的前L个节目形成最终的推荐列表,即list=topL(pij),pi=[pij],

其中,topL(pij)表示在所有教育视频构成的集合C中选出pij值最大的L个教育视频作为向学生i推荐的L个视频;pij是学生i对集合C中第j个教育视频的预估收益值,组成了pi中的行元素。

5.根据权利要求4所述的在线教育资源推荐方法,其特征在于,步骤(404)计算LinUCB算法中控制探索比例系数αi包括:(4041)计算集合Ni与集合C中教育视频的差异值矩阵

其中,表示差异值矩阵中的第p行第q列元素,它由集合C中第p个视频的难度与集合Ni中第q个视频的难度之间的欧氏距离计算而得;

(4042)计算学生i对每个教育视频的注意力分数向量Si:

其中,Si是一个J×1维的向量,它指的是学生的注意力分数,由ci对中的行元素进行加权求和获得;

(4043)引入学生的学习能力,计算动态控制探索比例系数αi:

6.根据权利要求1所述的在线教育资源推荐方法,其特征在于,步骤(1)每条学习行为记录包括四个方面信息:观看行为信息、暂停行为信息、跳跃行为信息以及随堂测验信息;

观看行为信息包括:学生观看视频花费的总时间与视频总时长的比例fracSpent、学生观看视频时播放和回放的时间与视频总时长的比例fracPlayed、学生播放视频的比例fracComp;

学生观看视频花费的总时间包含播放、暂停与回看;

学生播放视频的比例fracComp中不包括暂停与回放;

暂停行为信息包含:学生学习视频内容时暂停的次数numPaused、暂停的时间与视频总时长的比例fracPaused;

跳跃行为信息包含:学生学习视频内容时回放的次数numRWs与快进的次数numFFs;

随堂测验信息指学生在学习视频内容后是否正确回答了对应的随堂测验,每个教育视频对应一个随堂测验,success=1时表示正确,success=0时表示错误。

7.根据权利要求1所述的在线教育资源推荐方法,其特征在于,步骤(1)数据清洗是指删除包含空条目与含有错误时间信息的学习行为记录;

步骤(1)提取有效信息包括:

观看行为信息中,fracComp不包含重复或暂停播放,代表视频内容的完成度;

暂停行为信息由意外情况导致,包括网络卡顿、学生临时离开;

跳跃行为信息中,回放次数numRWs反映学习的视频有一定难度需要重复观看,用于后续教育视频的难度计算;

随堂测验信息success反映学生能力,用于视频难度计算。