多模态在线学习资源网络推荐系统及其推荐方法技术方案

本发明专利技术提供一种多模态在线学习资源网络推荐系统。所述网络推荐系统包括数据采集模组、学习能力评估模组、学习资源难度计算模组及学习资源推荐模组，所述数据采集模组采集学习者信息及学习资源信息，所述学习能力评估模组根据所述学习者信息获得学习者的学习能力值，所述学习资源难度计算模组根据所述学习资源信息计算学习资源难度值，所述学习资源推荐模组分别接收所述学习能力值以及所述学习资源难度值，并根据所述学习能力值及所述学习资源难度值之间的相互匹配值生成学习资源推荐方案，并选择性推荐满足匹配值的学习资源至学习者。同时，本发明专利技术还提供一种采用上述网络推荐系统的推荐方法。

【技术实现步骤摘要】
多模态在线学习资源网络推荐系统及其推荐方法
本专利技术涉及在线学习
，特别的，涉及一种基于学习者学习能力和资源难度的多模态在线学习资源网络推荐系统及推荐方法。
技术介绍
人们对公平教育的不断探索和线下学习对时间和空间的诸多限制，促进了在线学习领域的蓬勃发展。在线学习可以通过网络将名校名师课程以低廉的价格和快捷的方式分享给数以万计的学习者。同时，快节奏的现代生活使得越来越多的人有了终生学习的需求，但与之冲突的学习时间碎片化，使得占用大片时间的线下学习模式的时空代价超过人们的承受能力。因此，不受时间地点限制、随时随地学习和暂停的线上学习模式，受到越来越多学习者的青睐。众所周知，对于学习者通过学习行为来掌握知识或者技能的过程中，其是由多种因素共同决定学习者的学习结果。其中对于学习结果有较大影响的因素主要包括如下三个方面，分别是：学习者的学习能力、所学知识或者技能的难易度(或“学习资源难度”)及学习资源的表达形式。所谓学习者的学习能力是指学习个体从事学习活动所需具备的心理特征和智力特征，所述心理特征和智力特征是指能够进行学习的生理能力和潜力的总和，包括感知观察能力、记忆能力、阅读能力、解决问题能力等。对学习者个体而言，能够容纳、储存知识、信息的种类和数量、行为活动模式种类、新旧信息更替的能力等外延出学习者的学习能力高低，所述学习者的学习能力在有机体一生中呈动态变化。所谓所学知识或者技能的难易度是指知识或者技能客观的复杂程度，针对具有统一学习能力的学习者来学习特定知识或者特定技能时，相对复杂的知识或者技能，可以认定为具有难度的知识或者技能，例如：核动力学相关能量转换原理；相对容易掌握的知识或者技能，可以认定为容易的知识或者技能，例如：数学公式1+1＝2。所学知识或者技能的难易度是相对的，即：相对于不同学习能力的学习者而言，所学知识或者技能的难易度可以对应变换。所谓学习资源的表达形式是指学习资源的呈现方式和学习者所采用的硬件设备所支持的各种格式。相比于传统线下学习模式，线上学习模式中的学习资源对资源上传者的要求较低，任何机构和个人都可以上传各种各样的学习资源，例如：文字、图像、音频、视频等形式表达的学习资源。针对不同的所述学习者，学习资源的不同呈现方式对于在线学习有较大区别，例如：对于儿童型学习者，图片及视频的表达形式有利于其学习，但是文字类表达形式则不利于其学习。因此，所述学习者在线学习时，需要兼顾学习者的学习能力、所学知识或者技能的难易度、学习资源的表达形式等因素对学习效果的影响。现有技术中，所述学习者在线上学习时，需要从纷繁芜杂数以万计的学习资源中找到适合自己的资源，如何为学习者挑选合适的学习资源成为复杂的技术难题，因此，针对在线学习模式的学习资源网络推荐技术应运而生。但现有技术中的学习资源推荐技术存在还存在如下技术问题：缺陷一：鉴于学习者的学习能力的动态变化属性，及所学知识或者技能的难易度针对不同学习者，其难易度对应变换的特点，使得当在线学习模式中推荐在线学习资源时，不能孤立考虑任何单一因素，需要综合考虑学习者学习能力与学习资源难度的匹配程度；缺陷二：对于不同的学习者，鉴于学习资源的不同表达形式影响学习效果，因此，当想学习者推荐学习资源时，需要兼顾不同学习者对不同类型表达形式的学习资源的偏好。针对以上两个技术问题，本专利提出基于学习能力和学习资源难度匹配的多模态在线学习资源推荐方法。从多个维度评估学习资源难度以及学习资源的表达形式，分别得到资源难度分数向量和资源表达分数向量；根据学习者资料和学习者记录中学习资源的难度来评估学习者的学习能力和资源类型偏好。最后，根据学习者学习能力和学习资源难度的匹配，结合学习者对学习资源的类型偏好，向学习者推荐相应的学习资源。
技术实现思路
鉴于现有技术的缺陷，本专利技术的目的在于提供一种基于学习者学习能力和资源难度的多模态在线学习资源推荐系统。同时，还提供一种采用上述基于学习者学习能力和资源难度的多模态在线学习资源推荐系统的推荐方法。一种基于学习者学习能力和资源难度的多模态在线学习资源推荐系统，其包括数据采集模组、学习能力评估模组、学习资源难度计算模组及学习资源推荐模组，所述数据采集模组采集学习者信息及学习资源信息，所述学习能力评估模组根据所述数据采集模组所采集的学习者信息获得学习者的学习能力值，所述学习资源难度计算模组根据所述数据采集模组所采集的学习资源信息计算学习资源难度值，所述学习资源推荐模组分别接收来自所述学习能力评估模组的学习能力值以及所述学习资源难度计算模组的学习资源难度值，并根据所述学习能力值及所述学习资源难度值之间的相互匹配值生成学习资源推荐方案，并选择性推荐满足设定匹配值的学习资源至学习者。进一步的，所述学习资源信息包括多种表达形式，所述学习资源网络推荐系统还包括学习资源表达形式识别模组，所述学习资源表达形式识别模组接收所述学习资源信息，并识别所述学习资源信息的表达形式。进一步的，所述学习资源推荐模组根据所述学习资源信息的表达形式、所述学习能力值与所述学习资源难度值之间的相互匹配值生成学习资源推荐方案，其中所述学习资源的表达形式包括文字、语音、图片、音频及视频中的任意一种或多种。进一步的，所述学习资源网络推荐系统还包括学习行为识别模组，所述数据采集模组还进一步采集所述学习者的学习行为信息，所述学习行为识别模组接收所述学习行为信息，并识别所述学习行为，所述学习资源推荐模组根据所述学习者学习行为结合所述学习资源表达形式的匹配值，对应推荐学习资源至所述学习者。进一步的，所述学习资源信息包括多个概念，所述学习资源难度计算模组根据所述多个概念之间的关系及对所述概念的限定通过评估计算学习资源的难度值和/或所述学习资源难度计算模组根据所述学习者的学习行为信息计算所述学习资源的难度值。进一步的，所述学习资源难度计算模组根据学习资源信息包括所述多个概念之间的关系及所述概念的内容、以及所述学习者的学习行为计算学习资源的至少一难度值，将其分别标准化并连接在一起组成学习资源难度向量；所述标准化公式如下：其中，x是当前变量，xmin是所有x变量中的最小值，xmax是所有x变量中的最大值，xnew是标准化之后的变量值；所述连接方法公式如下：D＝D1⊕D2⊕D3⊕D4⊕D5⊕D6其中，D1-D6是根据不同方法并经过标准化后获得的学习资源难度值，至此，获得所述学习资源的难度值，D1是根据学习资源中所述概念之间的关系计算获得的学习资源难度值，D2是根据学习资源的学习人数计算获得的学习资源难度值，D3是根据学习资源中的文字描述计算获得的学习资源难度值，D4是根据学习资源的评分计算获得的学习资源难度值，D5是根据学习者在学习资源中的行为信息计算获得的学习资源难度值，D6是根据学习者在学习资源中做题、考试的得分计算获得的学习资源难度值，符号⊕为向量拼接操作。一种基于学习者学习能力和资源难度的多模态在线学习资源网本文档来自技高网...

【技术保护点】
1.一种多模态在线学习资源网络推荐系统，其特征在于，包括：/n数据采集模组，其采集学习者信息及学习资源信息；/n学习能力评估模组，其根据所述数据采集模组所采集的学习者信息获得学习者的学习能力值；/n学习资源难度计算模组，其根据所述数据采集模组所采集的学习资源信息计算学习资源难度值；及/n学习资源推荐模组，其分别接收来自所述学习能力评估模组的学习能力值以及所述学习资源难度计算模组的学习资源难度值，并根据所述学习能力值及所述学习资源难度值之间的相互匹配值生成学习资源推荐方案，并选择性推荐满足设定匹配值的学习资源至学习者。/n

【技术特征摘要】
1.一种多模态在线学习资源网络推荐系统，其特征在于，包括：
数据采集模组，其采集学习者信息及学习资源信息；
学习能力评估模组，其根据所述数据采集模组所采集的学习者信息获得学习者的学习能力值；
学习资源难度计算模组，其根据所述数据采集模组所采集的学习资源信息计算学习资源难度值；及
学习资源推荐模组，其分别接收来自所述学习能力评估模组的学习能力值以及所述学习资源难度计算模组的学习资源难度值，并根据所述学习能力值及所述学习资源难度值之间的相互匹配值生成学习资源推荐方案，并选择性推荐满足设定匹配值的学习资源至学习者。


2.根据权利要求1所述的多模态在线学习资源网络推荐系统，其特征在于，所述学习资源信息包括多种表达形式，所述学习资源网络推荐系统还包括学习资源表达形式识别模组，所述学习资源表达形式识别模组接收所述学习资源信息，并识别所述学习资源信息的表达形式。


3.根据权利要求2所述的多模态在线学习资源网络推荐系统，其特征在于，所述学习资源推荐模组根据所述学习资源信息的表达形式、所述学习能力值与所述学习资源难度值之间的相互匹配值生成学习资源推荐方案，其中所述学习资源的表达形式包括文字、语音、图片、音频及视频中的任意一种或多种。


4.根据权利要求3所述的多模态在线学习资源网络推荐系统，其特征在于，所述学习资源网络推荐系统还包括学习行为识别模组，所述数据采集模组还进一步采集所述学习者的学习行为信息，所述学习行为识别模组接收所述学习行为信息，并识别所述学习行为，所述学习资源推荐模组根据所述学习者学习行为信息结合所述学习资源表达形式的匹配值，对应推荐学习资源至所述学习者。


5.根据权利要求4所述的多模态在线学习资源网络推荐系统，其特征在于，所述学习资源信息包括多个概念，所述学习资源难度计算模组根据所述多个概念之间的关系及对所述概念的限定通过评估计算学习资源的难度值和/或所述学习资源难度计算模组根据所述学习者的学习行为信息计算所述学习资源的难度值。


6.根据权利要求5所述的多模态在线学习资源网络推荐系统，其特征在于，所述学习资源难度计算模组根据所述学习资源信息的多个概念之间的关系、以及所述学习者的学习行为计算学习资源的至少一难度值，将其分别标准化并连接在一起组成学习资源难度向量。


7.根据权利要求6所述的多模态在线学习资源网络推荐系统，其特征在于，所述标准化公式如下：



其中，x是当前变量，xmin是所有x变量中的最小值，xmax是所有x变量中的最大值，xnew是标准化之后的变量值；
所述连接方法公式如下：
D＝D1⊕D2⊕D3⊕D4⊕D5⊕D6
其中，D1-D6是根据不同方法并经过标准化后获得的学习资源难度值，至此，获得所述学习资源的难度值，其中D1是根据学习资源中所述概念之间的关系计算获得的学习资源难度值，D2是根据学习资源的学习人数计算获得的学习资源难度值，D3是根据学习资源中的文字描述计算获得的学习资源难度值，D4是根据学习资源的评分计算获得的学习资源难度值，D5是根据学习者在学习资源中的行为信息计算获得的学习资源难度值，D6是根据学习者在学习资源中做题、考试的得分计算获得的学习资源难度值，符号⊕为向量拼接操作。


8.一种采用如权利要求1所述的多模态在线学习资源网络...

【专利技术属性】
技术研发人员：姜文君，杨喜喜，任德盛，张吉，任演纳，
申请(专利权)人：之江实验室，湖南大学，
类型：发明
国别省市：浙江;33