一种学习路径生成方法和系统技术方案

本申请提出一种学习路径生成方法，包括以下步骤：多个样本的行为特征数据、知识点特征数据和测试成绩，形成训练数据集；根据当前学员的行为特征数据、待排序知识点的特征数据，结合所述训练数据集进行回归拟合计算，得出与当前学员、待排序知识点对应的测试成绩预测值；比较当前学员的多个待排序知识点的测试成绩预测值，生成学习路径。本申请还提出实现所述方法的装置。本申请解决现有技术的学习软件在反复学习时输出学习资源效率低、不能适应学员具体情况的问题。员具体情况的问题。员具体情况的问题。

【技术实现步骤摘要】
一种学习路径生成方法和系统


[0001]本申请涉及计算机
，尤其涉及智能学习应用场景中的学习路径生成方法和系统。

技术介绍

[0002]目前录播形式的在线学习过程中，所有学员会在统一安排的内容和进度框架下学习，学习反馈主要通过学员自发询问的方式。因为个人情况差异，花费相同的时间，每个学员的学习效果往往不尽相同。
[0003]目前的学习形式中，缺乏高效反馈和有效跟踪，也难以满足学员个性化的学习需求。同时，学员难以准确评估内容重要程度和自己薄弱点之间的关系，合理安排学习和复习的节奏。学员本身认知的局限性会导致无法正确地选择合适的学习路径，从而导致学习效率低下。因此，需要开发一种在学习过程中为不同水平的学员实时推送合适的学习内容并及时收集学习反馈、计算出学员的最佳学习路径，从而帮助学员有效提升学习效率的智能学习系统。

技术实现思路

[0004]本申请提出一种学习路径生成方法和系统，解决现有技术的学习软件在反复学习时输出学习资源效率低、不能适应学员具体情况的问题。
[0005]第一方面，本申请实施例提出一种学习路径生成方法，包括以下步骤：多个样本的行为特征数据、知识点特征数据和测试成绩，形成第一训练数据集；所述行为特征数据，包含对资源的访问行为的统计数据；所述知识点特征数据，是用于量化表示所述知识点的数据；根据当前学员的行为特征数据、待排序知识点的特征数据，结合所述第一训练数据集进行回归拟合计算，得出与当前学员、待排序知识点对应的第一测试成绩预测值；比较当前学员的多个待排序知识点的第一测试成绩预测值，将第一测试成绩预测值大于第一设定阈值的待排序知识点按照第一测试成绩预测值降序排列，生成学习路径。
[0006]在本申请的另一个实施例中，进一步包含以下步骤：多个样本的行为特征数据、知识点的特征数据、试题特征数据和测试成绩，形成第二训练数据集；所述试题特征数据，是用于量化表示所述试题的数据；根据当前学员的行为特征数据、所述学习路径的任一知识点的特征数据、待分发试题的特征数据，结合所述第二训练数据集进行回归拟合计算，得出与当前学员、所述任一知识点、待分发试题对应的第二测试成绩预测值；比较当前学员的多个待分发试题的第二测试成绩预测值，确定第二测试成绩预测值与所述任一知识点第一成绩预测值之差大于第二设定阈值的待分发试题。
[0007]优选地，所述进行回归拟合计算的步骤使用GBDT+LR模型。
[0008]优选地，所述行为特征包含以下至少一种：访问资源的时长、次数、频率、资源量；
所述试题特征包含以下至少一种：试题标识、真题占比、成绩统计值、难度、重要性；所述知识点特征包含以下至少一种：知识点标识、考试占比、难度、重要性。
[0009]优选地，所述测试成绩，包含用设定试题集合对所述样本进行测试的成绩值。
[0010]进一步优选地，将所述学习路径的每一个知识点和每一个待分发试题组合为一个学习集，按照第二测试成绩预测值与第一测试成绩预测值的差按降序对学习集进行排序。
[0011]进一步优选地，所述待分发试题/待排序知识点中，排除当前时间与当前学员上次访问时间之间的时长小于第三设定阈值的待分发试题/待排序知识点，和/或，排除当前时间与当前学员上次访问时间之间的时长大于第四设定阈值的待分发试题/待排序知识点。
[0012]第二方面，本申请还提出一种学习路径生成装置，用于实现本申请任意一个实施例所述方法，包含：第一模块，用于识别资源访问行为，生成行为特征数据；第二模块，用于计算第一测试成绩预测值和/或第二测试成绩预测值；第三模块，用于按照第一测试成绩预测值降序访问所述资源，取得对应的知识点，和/或，用于按照第二测试成绩预测值与第一测试成绩预测值的差降序访问所述资源，取得对应的学习集；训练数据库，用于存储第一训练数据集和/或第二训练数据集；所述资源包含以下至少一种：知识点数据库、试题数据库、读取所述知识点数据库和/或所述试题数据库的应用程序。
[0013]本申请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：本申请的方法和系统以提高测试分数为优化目标，及时结合学员学习反馈特征、艾宾浩斯记忆曲线，对学习路径生成器进行优化，进一步地对学习路径生成器和试题个性化选择器进行联合优化，为学员提供合理、高效的个性化学习路径，提高学习效率和考试分数。
附图说明
[0014]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为本申请方法的实施例流程图；图2为本申请方法的另一实施例流程图；图3为根据当前学员动态生成训练集分群的学习路径方法实施例；图4为本申请装置的实施例；图5为本申请装置资源数据库结构实施例；图6为本申请装置第二模块结构实施例。
具体实施方式
[0015]为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0016]以下结合附图，详细说明本申请各实施例提供的技术方案。
[0017]图1为本申请方法的实施例流程图。
[0018]本申请实施例提出一种学习路径生成方法，包括以下步骤：步骤101、记录多个样本的行为特征数据、知识点特征数据和测试成绩，形成第一训练数据集；所述行为特征数据，包含对资源的访问行为的统计数据；所述知识点特征数据，是用于量化表示所述知识点的数据；本申请中的样本可包含当前学员和/或历史学员。所述样本的相关数据，还可以是专用于训练的设定样本数据。
[0019]所述测试成绩，包含用设定试题集合对所述样本进行测试的成绩值。
[0020]优选地，所述行为特征包含以下至少一种特征类型：访问资源的时长、次数、频率、资源量；每一种特征类型用数值或数值的范围来表示特征值。
[0021]优选地，所述知识点特征包含以下至少一种特征类型：知识点标识、以及考试占比、难度、重要性等统计值和/或评价值；每一种特征类型用数值或数值的范围来表示特征值。
[0022]步骤102、根据当前学员的行为特征数据、待排序知识点的特征数据，结合所述第一训练数据集进行回归拟合计算，得出与当前学员、待排序知识点对应的第一测试成绩预测值；优选地，所述进行回归拟合计算的步骤使用GBDT+LR模型。
[0023]关于待排序知识点，在学习起始，可对当前学员进行学习前测试，以确定学员的知识等级，进而根据等级值确定待排序知识点的集合。优选地，多个知识点之间存在预设的递进顺序关系。
[0024]考虑到人脑记忆特性曲线，进一步优选地，所述待排序知识点中，排除当前时间与当前学员上次访问时间之间的时长小于第三设定阈值的待排序知识点，和或，排除当前时间与当前学员上次访问时间之间的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种学习路径生成方法，其特征在于，包括以下步骤：多个样本的行为特征数据、知识点特征数据和测试成绩，形成第一训练数据集；所述行为特征数据，包含对资源的访问行为的统计数据；所述知识点特征数据，是用于量化表示所述知识点的数据；根据当前学员的行为特征数据、待排序知识点的特征数据，结合所述第一训练数据集进行回归拟合计算，得出与当前学员、待排序知识点对应的第一测试成绩预测值；比较当前学员的多个待排序知识点的第一测试成绩预测值，将第一测试成绩预测值大于第一设定阈值的待排序知识点按照第一测试成绩预测值降序排列，生成学习路径。2.如权利要求1所述的学习路径生成方法，其特征在于，进一步包含以下步骤：多个样本的行为特征数据、知识点的特征数据、试题特征数据和测试成绩，形成第二训练数据集；所述试题特征数据，是用于量化表示所述试题的数据；根据当前学员的行为特征数据、所述学习路径的任一知识点的特征数据、待分发试题的特征数据，结合所述第二训练数据集进行回归拟合计算，得出与当前学员、所述任一知识点、待分发试题对应的第二测试成绩预测值；比较当前学员的多个待分发试题的第二测试成绩预测值，确定第二测试成绩预测值与所述任一知识点的第一成绩预测值之差大于第二设定阈值的待分发试题。3.如权利要求1或2所述学习路径生成方法，其特征在于，所述进行回归拟合计算的步骤使用GBDT+LR模型。4.如权利要求2所述学习路径生成方法，其特征在于，所述行为特征包含以下至少一种：访问资源的时长、次数、频率、资源量；所述试题特征包含以下至少一种：试题标识、真题占比、成绩统计值、难度、重要性；所述知识点特征包含以下至少一种：知识点标识、考试占比、难度、重要性。...

【专利技术属性】
技术研发人员：郑曜曜，赵雄伟，张帆，
申请(专利权)人：北京东大正保科技有限公司，
类型：发明
国别省市：