System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及个性化学习路径生成,具体涉及基于多课程知识图谱融合个性化学习路径生成方法及系统。
技术介绍
1、个性化教学是一种注重学生个体差异和需求的教学方法。它将学习者置于教学过程的核心,致力于根据学生的特点、能力水平和兴趣,为他们提供个性化的学习支持和资源。个性化教学的目标是促进学生的全面发展。学生可以在自己的节奏下进行学习,并根据自身的兴趣选择学习内容。
2、目前通过了解学生特点、能力水平和兴趣,为他们量身定制教学,从而提高学生的学习效果和兴趣,促进他们全面发展的个性化教学很多。但他们大都集中在单科目教材的教学设计中,没有考虑多学科的教学衔接过程。
技术实现思路
1、为解决现有个性化知识图谱教材唯一、无法实现多课程学习路径自动生成等问题。
2、本专利技术提供如下技术方案:基于多课程知识图谱融合个性化学习路径生成方法,通过构建个性化知识库,得到学生在本学年中所需学习的所有课程的个性化知识图谱,包括以下步骤:
3、步骤1:采用实体对齐技术实现对所有课程的个性化知识图谱融合,通过建立索引表,自动化生成多课程融合的个性化知识图谱;
4、步骤2:根据用户当前学习进度及多课程融合的个性化知识图谱,生成后续学习路径;
5、步骤3:对生成的学习路径从链接预测准确率方面进行评估。
6、优选的,构建个性化知识库步骤如下:
7、a.通过头戴式脑电设备、贴片式心电设备、悬挂式监控设备收集学生生理数据信号,包括脑电信号
8、b.对收集的生理数据信号进行关键特征提取处理,得到学生关键数据特征,包括脑电、心电、体温、体态以及面部表情特征;
9、c.设计多模态生理数据融合挖掘方法实现数据挖掘,预测学生学习偏好;
10、所述多模态生理数据融合挖掘方法设计如下:
11、将脑电关键特征、心电关键特征及视频关键特征分别进行训练,为不同关键特征配置匹配特征的最佳参数模型;将脑电关键特征、心电关键特征及视频关键特征模型输出结果作为训练特征输入cnn模型进行训练,并采用logits函数进行处理,得到最终预测结果。
12、d.根据预测出的学习偏好更新基础知识图谱,生成符合学生学习情况的所有课程的个性化知识图谱;
13、e.对学生当前学年所需学习的所有课程的个性化知识图谱进行收集,生成专属个人的个性化知识库。
14、优选的,步骤1中,所有课程的个性化知识图谱实现融合包括以下步骤:
15、1.1.提取学生当前学年所有个性化知识图谱的知识点和结构信息,索引表包括知识点及关系;
16、1.2.依据索引表采用知识点表示学习方法进行表示学习;
17、1.3.依据索引表计算知识点及关系间的相似度进行知识点对齐及链接预测任务;
18、1.4.自动化生成多课程融合的个性化知识图谱。
19、优选的,索引表结构设计步骤如下:
20、1.1.1.对多本教材文档进行编号;
21、1.1.2.以知识图谱中的知识点关键词为键值;
22、1.1.3.记录知识点在基础概念讲解、应用讲解、强化讲解及测试四种类型中所占篇幅;
23、1.1.4.文档频率p,记录知识点在文档集合中出现的频率;
24、1.1.5.关联的文档id;
25、1.1.6.词项频率q,记录关键词在特定文档中的出现频率;
26、1.1.7.位置信息,记录关键词在文档中的具体位置信息;
27、1.1.8.关系信息,用于描述知识点之间的连接和关联。
28、优选的,知识点表示学习设计步骤如下:
29、1.2.1.使用transr模型学习实体和关系的初始嵌入向量:通过最小化头实体、关系和尾实体之间的转换误差来训练transr模型,得到每个实体和关系的初步嵌入向量;
30、1.2.2.根据任务需求,确定多个不同层次的嵌入向量:设置两个层次的嵌入向量,一个较低维度用于表示表面语义,一个较高维度用于表示更深层次的语义;
31、1.2.3.对于每个实体和关系,将学习到的多个嵌入向量进行融合,将多个嵌入向量连接起来形成更高维的嵌入表示,得到带有多层次嵌入的transr模型;
32、其中,表面语义比如用1维表示,更深层次的语义的语义就是大于1维,例如2维,更高层次就是大于2维,比如3维。
33、1.2.4.使用步骤1.2.3得到的带有多层次嵌入的transr模型进行联合训练:在训练过程中,使用关系三元组、知识图谱实体属性信息、知识图谱上下文信息来辅助学习更准确的嵌入表示;
34、1.2.5.迭代训练过程,不断优化多层次嵌入和多层次嵌入的transr模型参数,得到最终的实体嵌入向量和关系嵌入向量;关系包括实体的属性值、关系信息以及语义关联其中的一种或多种因素。
35、优选的,实体对齐过程步骤如下:
36、1a.对得到的实体嵌入向量和关系嵌入向量进行相似度计算,输出的实体嵌入向量表示实体在语义空间中的位置,这些向量通常具有固定的维度,并捕捉实体之间的语义相似性;通过计算实体向量之间的相似度f(s),进行实体对齐任务;
37、1b.输出的关系嵌入向量捕捉不同关系之间的语义差异,通过计算关系向量之间的相似度f(g),进行链接预测任务,得到多课程融合的个性化知识图谱。
38、优选的,常用的相似度计算方法包括余弦相似度、欧氏距离以及马氏距离。
39、优选的,步骤3的评估方法如下:
40、对生成的学习路径使用链接预测的准确率指标进行评估,链接预测准确率:
41、;
42、其中,表示链接预测结果;表示真实链接结果,acc。
43、本专利技术还提供了基于多课程知识图谱融合个性化学习路径生成系统,系统包括个性化知识图谱库模块、多课程知识图谱融合模块、路径生成模块及路径评估模块;系统通过定义有限状态形成对外部事件响应,响应机制如下:
44、当用户登录系统,此时系统从init状态转换为log_in状态,进入个性化知识图谱库模块;系统根据用户登录信息进行信息匹配,此时系统状态由log_in态转换match态,直到找到属于该用户的所有课程的个性化知识图谱,之后系统状态由match态转换为merge态,系统进入多课程知识图谱融合模块;对所有课程的个性化知识图谱进行融合,融合完成后,系统状态由merge态转换为path_g态系统进入路径生成模块;根据用户自身情况生成后续学习路径,生成学习路径后,系统状态由path_g态转换为path_e态系统进入路径评估模块,对生成的学习路径使用链接预测的准确率指标进行评估。
45、优选的,该系统有限状态及转换规则设计如下:
46、(1)init状态:此时系统处于初始状态;
<本文档来自技高网...【技术保护点】
1.基于多课程知识图谱融合个性化学习路径生成方法,通过构建个性化知识库,得到学生在本学年中所需学习的所有课程的个性化知识图谱,其特征在于,还包括以下步骤:
2.根据权利要求1所述的基于多课程知识图谱融合个性化学习路径生成方法,其特征在于:构建个性化知识库步骤如下:
3.根据权利要求2所述的基于多课程知识图谱融合个性化学习路径生成方法,其特征在于:步骤1中,所有课程的个性化知识图谱实现融合包括以下步骤:
4.根据权利要求3所述的基于多课程知识图谱融合个性化学习路径生成方法,其特征在于:索引表结构设计步骤如下:
5.根据权利要求3所述的基于多课程知识图谱融合个性化学习路径生成方法,其特征在于:知识点表示学习设计步骤如下:
6.根据权利要求5所述的基于多课程知识图谱融合个性化学习路径生成方法,其特征在于:实体对齐过程步骤如下:
7.根据权利要求6所述的基于多课程知识图谱融合个性化学习路径生成方法,其特征在于:相似度计算方法包括余弦相似度、欧氏距离以及马氏距离。
8.根据权利要求6所述的基于多课程知识图谱
9.基于多课程知识图谱融合个性化学习路径生成系统,系统包括个性化知识图谱库模块、多课程知识图谱融合模块、路径生成模块及路径评估模块;系统通过定义有限状态形成对外部事件响应,响应机制如下:
10.根据权利要求9所述的基于多课程知识图谱融合个性化学习路径生成系统,其特征在于:所述系统有限状态及转换规则设计如下:
...【技术特征摘要】
1.基于多课程知识图谱融合个性化学习路径生成方法,通过构建个性化知识库,得到学生在本学年中所需学习的所有课程的个性化知识图谱,其特征在于,还包括以下步骤:
2.根据权利要求1所述的基于多课程知识图谱融合个性化学习路径生成方法,其特征在于:构建个性化知识库步骤如下:
3.根据权利要求2所述的基于多课程知识图谱融合个性化学习路径生成方法,其特征在于:步骤1中,所有课程的个性化知识图谱实现融合包括以下步骤:
4.根据权利要求3所述的基于多课程知识图谱融合个性化学习路径生成方法,其特征在于:索引表结构设计步骤如下:
5.根据权利要求3所述的基于多课程知识图谱融合个性化学习路径生成方法,其特征在于:知识点表示学习设计步骤如下:
6.根据...
【专利技术属性】
技术研发人员:吴响,张士廷,王丽丽,张永婷,余泽华,王换换,
申请(专利权)人:徐州医科大学,
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。