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】
本专利技术涉及计算机应用,尤其涉及一种基于知识图谱的自适应学习路径规划方法及系统。
技术介绍
1、信息技术高速发展所带来的呈喷涌式增长的数字化资源,使得学习者在学习中面临着“知识迷航”、“信息过载”等问题,学习者需要耗费大量精力从复杂知识体系和海量在线资源中查找和分辨自己所需信息,导致学习效果较差、学习效率较低。现有的在线学习平台大多是资源的线性堆砌,或仅仅只提供简单的分类或检索功能,无法为学习者提供自适应学习路径规划,导致无法有效的解决问题。
2、目前,主流的学习路径规划方法主要包括:基于个体特征的学习路径规划方法和基于群体协同过滤的学习路径规划方法。基于个体特征的学习路径规划方法,是根据学习者个体的学习偏好、能力特征和历史记录,依据计算资源和个体特征的匹配程度,采用遗传算法、粒子群算法等来规划学习路径的;基于群体协同过滤的学习路径规划方法,是以大数据技术为基础,通过协同过滤算法挖掘相似学生群体的学习路径数据来生成学习路径的。
3、然而,这些方法虽然能在一定程度上生成个性化的学习路径,但却忽略了学习是动态发展的过程、学习者的认知特征是随之动态发展的、以及各个学科知识点之间也存在关联关系和认知依赖关系;这样会造成所规划的学习路径存在冗余或无关的学习资源,违背学习者的认知规律,无法保证学习路径的质量以及学习者的学习收益。
技术实现思路
1、本专利技术提供一种基于知识图谱的自适应学习路径规划方法及系统,用以解决现有路径规划方法忽略学习者的认知动态发展规律以及学科
2、一方面,本专利技术提供一种基于知识图谱的自适应学习路径规划方法,该方法包括:
3、获取课程知识图谱和目标学习者对当前课程中的知识点的认知掌握度,生成认知差异子图;
4、从所述认知差异子图中提取知识点和知识点之间的认知依赖关系,生成包括所有可执行学习路径的可执行矩阵;
5、获取目标学习者在每条学习路径的路径迁移值,生成包括所有可执行学习路径的路径迁移矩阵;
6、基于所述可执行矩阵和所述路径迁移矩阵,生成包括所有可执行学习路径的路径收益值矩阵,得到每条可执行学习路径的学习收益值;
7、基于所述学习收益值得到目标学习者的自适应学习路径。
8、进一步的,所述可执行矩阵的生成步骤包括:
9、基于提取规则从所述认知差异子图中提取知识点和知识点之间的认知依赖关系,对应得到知识点集合和依赖关系集合;
10、基于所述知识点集合和所述依赖关系集合生成直接依赖矩阵;
11、将所述直接依赖矩阵与同维度的单位矩阵相加,进行n+1次的乘方布尔运算,得到全依赖矩阵;其中,n为正整数;
12、基于所述全依赖矩阵生成所述可执行矩阵。
13、进一步的,所述提取规则包括:
14、第一规则:对于知识点实体kx、ky,若存在先验-后继关系<kx,requires,ky>、父-子关系<kx,subclassof,ky>、整体-部分关系<kx,partof,ky>中的任意一种关系或多种关系,则依赖关系<kx,r,ky>成立;
15、第二规则:对于知识点实体kx、ky,若存在兄弟关系<kx,brotherclass,ky>、相关关系<kx,relatedof,ky>中的任意一种关系或多种关系,则依赖关系<kx,r,ky>、<ky,r,kx>成立;
16、第三规则:对于知识簇gm、知识簇gn和知识点kx,若存在层级关系<gm,partgsof,gn>、包含关系<kx,belongto,gn>中的的任意一种关系或多种关系,则依赖关系<kx,belongto,gm>成立;
17、第四规则:对于知识簇gm和知识簇gn,若存在顺序关系<gm,nextgsof,gn>,对于所有的则依赖关系<kx,r,ky>成立。
18、进一步的,所述全依赖矩阵的生成包括:
19、基于所述知识点集合的元素个数确定所述直接依赖矩阵a的维度,基于所述依赖关系集合确定所述直接依赖矩阵a的值;
20、将所述直接依赖矩阵a与同维度的n×n的单位矩阵i相加,进行n+1次的乘方布尔运算;其中,n为正整数,从1开始;
21、若存在n满足公式
22、则全依赖矩阵m即为(a+i)n。
23、进一步的,基于所述全依赖矩阵m生成所述可执行矩阵s包括:
24、将所述全依赖矩阵m的同维度的矩阵作为初始可执行矩阵;
25、获取所述全依赖矩阵m,基于公式更新所述初始可执行矩阵中每个元素的值,得到所述可执行矩阵s。
26、进一步的,所述路径迁移值va[x][y]的获取方式包括:
27、
28、其中,va[x][y]表示目标学习者a在学习路径为知识点x到知识点y的迁移值;simai为目标学习者a与参考学习者i的相似度;表示参考学习组所包括的学习路径集合中存在学习路径x→y;scorei[x][y]表示参考学习者i在学习路径为x→y的学习值;h表示存在学习路径x→y的参考学习者i的个数;表示所有学习路径迁移值的均值。
29、进一步的,所述路径收益值矩阵ηa的生成方式包括:将所述路径迁移矩阵va与所述可执行矩阵s求哈达玛积。
30、进一步的,利用引入所述路径收益值矩阵的改进蚁群路径规划算法包括:
31、以所述路径收益值矩阵作为蚁群算法的启发信息矩阵;设置一个虚拟节点作为蚁群算法的初始节点,所述虚拟节点表示目标学习者当前阶段的认知掌握度;
32、进行寻路迭代,在每次迭代中,每只蚂蚁根据信息素浓度和每条可执行学习路径的学习收益值进行寻路;其中,若在寻路过程中蚂蚁在某一时刻处在知识节点ki上时,对蚂蚁未学过的知识点集kj set,且在所述可执行矩阵中不存在知识节点ki→知识节kj和/或不存在知识节ki→知识点集kj set,则将该可执行路径丢弃,不进行信息浓度更新和学习收益值的计算;
33、在单次迭代中,对完成当前迭代的所有蚂蚁进行学习收益值的计算;
34、选取所述学习收益值最高的可执行学习路径作为目标学习者的最优学习路径。
35、进一步的,所述学习收益值patc_vala的计算方式包括:
36、
37、其中,patc_vala表示目标学习者a完成一次所述认知差异子图中所有知识点的学习所获得的所述学习收益值;vis_kga表示蚂蚁此次迭代中知识点的学习序列;vis_kga[x]表示位置为x的知识点;vis_kga[x+1]表示位置为x的知识点的下一个知识点;η[vis_kga[x]][vis_kga[x+1]]本文档来自技高网...
【技术保护点】
1.一种基于知识图谱的自适应学习路径规划方法,其特征在于,该方法包括:
2.如权利要求1所述的一种基于知识图谱的自适应学习路径规划方法,其特征在于,所述可执行矩阵的生成步骤包括:
3.如权利要求2所述的一种基于知识图谱的自适应学习路径规划方法,其特征在于,所述提取规则包括:
4.如权利要求2所述的一种基于知识图谱的自适应学习路径规划方法,其特征在于,所述全依赖矩阵的生成包括:
5.如权利要求2所述的一种基于知识图谱的自适应学习路径规划方法,其特征在于,基于所述全依赖矩阵M生成所述可执行矩阵S包括:
6.如权利要求1所述的一种基于知识图谱的自适应学习路径规划方法,其特征在于,所述路径迁移值Va[x][y]的获取方式包括:
7.如权利要求1所述的一种基于知识图谱的自适应学习路径规划方法,其特征在于,所述路径收益值矩阵ηa的生成方式包括:将所述路径迁移矩阵Va与所述可执行矩阵S求哈达玛积。
8.如权利要求1所述的一种基于知识图谱的自适应学习路径规划方法,其特征在于,利用引入所述路径收益值矩阵的改进蚁群路
9.如权利要求1或8所述的一种基于知识图谱的自适应学习路径规划方法,其特征在于,所述学习收益值Path_vala的计算方式包括:
10.一种基于知识图谱的自适应学习路径规划系统,其特征在于,该系统至少包括课程知识图谱构建模块、学习过程数据存储模块、学习者动态认知管理模块、自适应学习路径规划模块和自适应学习路径推荐模块,用于执行权利要求1~9中任一项所述方法的步骤。
...【技术特征摘要】
1.一种基于知识图谱的自适应学习路径规划方法,其特征在于,该方法包括:
2.如权利要求1所述的一种基于知识图谱的自适应学习路径规划方法,其特征在于,所述可执行矩阵的生成步骤包括:
3.如权利要求2所述的一种基于知识图谱的自适应学习路径规划方法,其特征在于,所述提取规则包括:
4.如权利要求2所述的一种基于知识图谱的自适应学习路径规划方法,其特征在于,所述全依赖矩阵的生成包括:
5.如权利要求2所述的一种基于知识图谱的自适应学习路径规划方法,其特征在于,基于所述全依赖矩阵m生成所述可执行矩阵s包括:
6.如权利要求1所述的一种基于知识图谱的自适应学习路径规划方法,其特征在于,所述路径迁移值va[x][y]的获取方式包括:
7...
【专利技术属性】
技术研发人员:刘清堂,马鑫倩,高喻,蒋如意,王登,张行,于爽,吴林静,
申请(专利权)人:华中师范大学,
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。