基于BERT和LSTM的知识学习体系推荐方法、设备及介质技术

本申请公开了基于BERT和LSTM的知识学习体系推荐方法、设备及介质，方法包括：接收用户计划学习的目标知识点和目标掌握程度；获取所述用户的历史学习数据，并将所述目标知识点、所述目标掌握程度和所述历史学习数据进行编码，形成输入向量；将所述输入向量输入到训练好的基于BERT和LSTM的知识学习体系推荐模型，以向所述用户输出推荐的学习路径。本发明专利技术实施例利用模型针对学习者的具体需求进行个性化推荐，能提供更符合学习者能力的学习路径，使学习者可以更快的获取并掌握知识点形成能力。另外，学习者根据推荐的学习路径进行学习并及时进行反馈，持续优化推荐模型。

【技术实现步骤摘要】
基于BERT和LSTM的知识学习体系推荐方法、设备及介质
本申请涉及深度学习
，尤其涉及一种基于BERT和LSTM的知识学习体系推荐方法、设备及介质。
技术介绍
近年来，人工智能技术发展迅速，其商业化速度超出预期，人工智能将会给整个社会带来颠覆性的变化，已经成为未来各国重要的发展战略。特别是以深度学习为核心的算法演进，其超强的进化能力，在大数据的支持下，通过训练构建得到类似人脑结构的大规模神经网络，已经可以解决各类问题。随着互联网技术的快速发展，传统的教育行业也迎来了“互联网+”的新模式，教育信息化的发展也使学习者的学习方式从传统的课堂学习转变成在线学习，在线学习作为"互联网+教育"的经典应用,正深刻影响着现有的教育观念和教育方法。特别是从互联网到移动互联网，创造了跨时空的生活、工作和学习方式，使知识获取的方式发生了根本变化。但是面对知识信息的大爆炸，学习者很难通过自己的判断，系统的学习一些跨领域的知识。
技术实现思路
本说明书实施例提供一种基于BERT和LSTM的知识学习体系推荐方法、设备及介质，用于解决现有技术中的如下技术问题：如何根据现有的在线教育大数据，为学习者量身制定学习方案和路径。本说明书实施例采用下述技术方案：本专利技术实施例的第一方面提供了一种基于BERT和LSTM的知识学习体系推荐方法，包括：接收用户计划学习的目标知识点和目标掌握程度；获取所述用户的历史学习数据，并将所述目标知识点、所述目标掌握程度和所述历史学习数据进行编码，形成输入向量；将所述输入向量输入到训练好的基于BERT和LSTM的知识学习体系推荐模型，以向所述用户输出推荐的学习路径。本专利技术实施例利用模型针对学习者的具体需求进行个性化推荐，能提供更符合学习者能力的学习路径，使学习者可以更快的获取并掌握知识点形成能力。在一个示例中，所述将所述输入向量输入到训练好的基于BERT和LSTM的知识学习体系推荐模型，以向所述用户输出推荐的学习路径，包括：将所述历史学习数据对应的输入向量送至训练好的上下文向量编码器处理，其中，所述上下文向量编码器基于BERT实现，是所述知识学习体系推荐模型的一部分；将所述目标知识点和目标掌握程度对应的输入向量送至训练好的学习路径预测器处理，其中，所述学习路径预测器基于LSTM实现，是所述知识学习体系推荐模型的另一部分；通过所述上下文向量编码器和学习路径预测器的处理结果，确定向所述用户输出的学习路径。本专利技术实施例基于BERT和LSTM两种神经网络不通的特点，分别处理不同的参数，提高了预测的准确性。在一个示例中，所述将所述输入向量输入到训练好的基于BERT和LSTM的知识学习体系推荐模型，以向所述用户输出推荐的学习路径，包括：将所述历史学习数据对应的输入向量送至所述训练好的上下文向量编码器，进行基于上下文的语义处理，得到知识点编码向量序列，将所述目标知识点和目标掌握程度对应的输入向量、所述知识点编码向量序列送至所述训练好的学习路径预测器处理，确定向所述用户输出的学习路径。本专利技术实施例将BERT神经网络的输出向量作为LSTM神经网络的输入向量，综合和考虑目标知识点、目标学习程度以及学习者已经学习的知识点的掌握程度，使得到的学习路径对学习者更加有效。在一个示例中，还包括：通过数据集对知识学习体系推荐模型进行训练，训练的步骤包括：训练所述知识学习体系推荐模型中的上下文向量编码器；将所述训练好的所述上下文向量编码器与所述知识学习体系中的学习路径预测器共同训练，得到训练好的知识学习体系推荐模型。在一个示例中，所述将训练好的所述上下文向量编码器与所述知识学习体系中的学习路径预测器共同训练，得到训练好的知识学习体系推荐模型，包括：通过调整所述训练好的上下文向量编码器的参数，训练所述学习路径预测器，以得到训练好的知识学习体系推荐模型。在一个示例中，所述训练所述知识学习体系推荐模型中的上下文向量编码器，包括：基于收集的学习者的学习资源数据，提取学习者的知识点向量和掌握程度向量；基于收集的学习者的学习过程数据、所述知识点向量和掌握程度向量，形成学习路径向量序列；通过所述学习路径向量序列训练所述上下文向量编辑器。在一个示例中，所述提取学习者的知识点向量和掌握程度向量，包括：根据专家设计的知识点评估考题，获取学习者学习知识点的掌握程度，形成掌握程度向量。在一个示例中，还包括：根据专家经验，设计递进的知识点序列；通过所述递进的知识点序列训练所述知识学习体系推荐模型，得到基于先验知识的知识学习体系推荐模型。本专利技术实施例的第二方面提供了一种基于BERT和LSTM的知识学习体系推荐设备，包括：处理器；以及与所述处理器通信连接的存储器，所述存储器上存储有可被所述处理器执行的指令，所述指令被所述处理器执行，以使所述处理器能够：接收用户计划学习的目标知识点和目标掌握程度；获取所述用户的历史学习数据，并将所述目标知识点、所述目标掌握程度和所述历史学习数据进行编码，形成输入向量；将所述输入向量输入到训练好的基于BERT和LSTM的知识学习体系推荐模型，以向所述用户输出推荐的学习路径。本专利技术实施例的第三方面提供了一种基于BERT和LSTM的知识学习体系推荐非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：接收用户计划学习的目标知识点和目标掌握程度；获取所述用户的历史学习数据，并将所述目标知识点、所述目标掌握程度和所述历史学习数据进行编码，形成输入向量；将所述输入向量输入到训练好的基于BERT和LSTM的知识学习体系推荐模型，以向所述用户输出推荐的学习路径。本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：基于BERT和LSTM技术设计知识学习体系推荐模型，充分考虑在线学习的特点，特别是可以反复进行在线学习，同时结合优秀学习者的知识学习路径，并且兼顾不同等级学习者的自身状况、学习历史及实际能力，以在线考试和设计的在线知识点评估为依据，基于海量的学习资源数据和学习者在线学习过程数据，通过训练形成知识学习体系推荐模型。与传统基于学习者相似度的推荐方式，基于深度学习的知识学习推荐方法更符合在线学习的学习特点，在训练过程中加入领域专家的经验设计，能更好的满足学习者循序渐进、知识由浅到深的学习习惯；利用模型针对学习者的具体需求进行个性化推荐，能提供更符合学习者能力的学习路径，使学习者可以更快的获取并掌握知识点形成能力。另外，学习者根据推荐的学习路径进行学习并及时进行反馈，持续优化推荐模型。附图说明此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1为本专利技术实施本文档来自技高网...

【技术保护点】
1.一种基于BERT和LSTM的知识学习体系推荐方法，其特征在于，包括：/n接收用户计划学习的目标知识点和目标掌握程度；/n获取所述用户的历史学习数据，并将所述目标知识点、所述目标掌握程度和所述历史学习数据进行编码，形成输入向量；/n将所述输入向量输入到训练好的基于BERT和LSTM的知识学习体系推荐模型，以向所述用户输出推荐的学习路径。/n

【技术特征摘要】
1.一种基于BERT和LSTM的知识学习体系推荐方法，其特征在于，包括：
接收用户计划学习的目标知识点和目标掌握程度；
获取所述用户的历史学习数据，并将所述目标知识点、所述目标掌握程度和所述历史学习数据进行编码，形成输入向量；
将所述输入向量输入到训练好的基于BERT和LSTM的知识学习体系推荐模型，以向所述用户输出推荐的学习路径。


2.根据权利要求1所述的方法，其特征在于，所述将所述输入向量输入到训练好的基于BERT和LSTM的知识学习体系推荐模型，以向所述用户输出推荐的学习路径，包括：
将所述历史学习数据对应的输入向量送至训练好的上下文向量编码器处理，其中，所述上下文向量编码器基于BERT实现，是所述知识学习体系推荐模型的一部分；
将所述目标知识点和目标掌握程度对应的输入向量送至训练好的学习路径预测器处理，其中，所述学习路径预测器基于LSTM实现，是所述知识学习体系推荐模型的另一部分；
通过所述上下文向量编码器和学习路径预测器的处理结果，确定向所述用户输出的学习路径。


3.根据权利要求2所述的方法，其特征在于，所述将所述输入向量输入到训练好的基于BERT和LSTM的知识学习体系推荐模型，以向所述用户输出推荐的学习路径，包括：
将所述历史学习数据对应的输入向量送至所述训练好的上下文向量编码器，进行基于上下文的语义处理，得到知识点编码向量序列，
将所述目标知识点和目标掌握程度对应的输入向量、所述知识点编码向量序列送至所述训练好的学习路径预测器处理，确定向所述用户输出的学习路径。


4.根据权利要求1所述的方法，其特征在于，还包括：通过数据集对知识学习体系推荐模型进行训练，训练的步骤包括：
训练所述知识学习体系推荐模型中的上下文向量编码器；
将所述训练好的所述上下文向量编码器与所述知识学习体系中的学习路径预测器共同训练，得到训练好的知识学习体系推荐模型。


5.根据权利要求4所述的方法，其特征在于，所述将训练好的所述上下文向量编码器与所述知识学习体系中的学习路径预测器共同训练，得到训练好的知识学习体...

【专利技术属性】
技术研发人员：孙善宝，乔廷慧，罗清彩，闫盼盼，于玲，
申请(专利权)人：济南浪潮高新科技投资发展有限公司，
类型：发明
国别省市：山东;37