【技术实现步骤摘要】
一种融合知识背景和学习时间预测的学习路径推荐方法
[0001]本专利技术属于学习路径推荐
，具体涉及一种融合知识背景和学习时间预测的学习路径推荐方法。
技术介绍
[0002]随着大数据时代的到来，在线教育平台和系统如雨后春笋一般蓬勃涌现，层出不穷。在线学习系统简化了学习任务，使学习者根据自己的学习速度和舒适度进行自主学习。但却面临一些挑战，比如提供符合用户要求和时间限制的学习资源，尤其是当学习者剩余学习时间减少时，学习者是否可以按时完成学习资源的学习，这就需要结合学习者的知识背景进行资源学习时间的预测，进而推荐满足学生有限学习时间的最优学习路径。
[0003]由于学习者的时间管理不当、年龄和知识背景等原因，学习者不一定有足够的时间完成所有资源和课程的学习。现已有技术方案的研究目的是为新学习者推荐一条在限制时间内的学习路径，同时最大限度地提高学习者分数。但是，在已有方案中所推荐学习路径的时间是估算的，具体做法是通过取历史学习者的时间和得分均值、中值等方法为新用户计算学习路径的总学习时间和得分。
[0004...
【技术保护点】
【技术特征摘要】
1.一种融合知识背景和学习时间预测的学习路径推荐方法，其特征在于，包括如下步骤：S1.基于历史学生学习数据，利用关联规则算法构建包含概念层和资源层的两层概念图；S2.结合新学生的知识背景，基于两层概念图利用深度优先搜索遍历得到所有可能的概念学习路径；S3.基于历史学生访问资源所获得的得分来估计未访问资源的学习得分；S4.构建基于注意力机制的双向循环神经网络学习时间预测模型，并对资源所需学习时间进行预测；S5.为概念学习路径中每个概念分配资源，并结合资源所需学习时间与估计得分推荐满足学生有限学习时间且得分最高的个性化学习路径。2.根据权利要求1所述一种融合知识背景和学习时间预测的学习路径推荐方法，其特征在于，所述步骤S1的具体过程如下：S101.根据历史学生访问学习资源的记录，计算任意两个学习资源间访问情况的一致性；S102.统计资源访问情况的频繁一项集和频繁二项集；S103.计算学习资源间关联规则的置信度；S104.计算概念间的关联度，得到概念矩阵；S105.根据概念矩阵构造概念图。3.根据权利要求1所述一种融合知识背景和学习时间预测的学习路径推荐方法，其特征在于，所述步骤S2中，以新学生知识背景为深度优先搜索方式的起点，以学习最终概念为目的生成所有概念学习路径。4.根据权利要求1所述一种融合知识背景和学习时间预测的学习路径推荐方法，其特征在于，所述步骤S3中，估计学习得分的方法包括：平均值和中值法、用户调整法、矩阵分解法、K均值聚类法；其中，用户调整法又包括用户调整平均值方法和用户调整中值方法。5.根据权利要求1所述一种融合知识背景和学习时间预测的学习路径推荐方法，其特征在于，所述步骤S4中，采用双向循环神经网络对学习过程数据进行建模，同时引入注意力机制自动学习学习过程中不同学习行为的权重，具体过程如下：S401.针对每个学生的历史学习过程轨迹σ，对整个轨迹进行不同长度的截取，将得到的不同长度的轨迹前缀σ
(k)
和其对应的学习时间remain(σ
j
,k)(1≤k≤|σ|)，当作训练数据集train
k
；S402.基于获得的训练数据集train
k
，利用注意力双向循环网络构建学习时间预测模型；S403.运用迁移学习训练学习时间预测模型。6.根据权利要求5所述一种融合知识背景和学习时间预测的学习路径推荐方法，其特征在于，所述步骤S402中，包括学习行为表示、基于双向RNN的上下文编码、基于注意力机制的学习过程轨迹编码和学习时间预测四个模块；其中，学习行为表示：基于步骤S401获得的训练集，σ
(k)
表示学生学习过程轨迹σ的前k个学习行为，将其中的各个学习行为表示为向量r
t
(1≤t≤k)，一个学习行为由学习资源和学习时
间两个属性组成，对于学习资源这种离散属性，采用one
‑
hot编码表示为0/1向量，对于学习时间这种连续属性，首先进行离散化处理，然后进行one
‑
hot编码；最后学习行为向量由学习资源向量和学习时间向量拼接而成；基于双向RNN的上下文编码：从正向和反向两个角度对输入轨迹进行建模，t时刻正向RNN和反向RNN得到的隐向量分别表示为和隐向量表示各个学习行为间的关联性，其中每个时刻的上下文编码由正向和反向编码连接得到，即基于注意力机制的学习过程轨迹编码：得到轨迹前缀每个时刻的上下文编码后，便能够得到学生整个学习轨迹的编码，如公式(3)所示，公式中，e为整个学习轨迹的编码，h
...
【专利技术属性】
技术研发人员：刁秀丽，曾庆田，倪维健，王卓凡，宋正国，鲁法明，温彦，赵华，周长红，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。