[发明专利]一种学习过程序列化推荐方法

权利要求书

1.一种学习过程序列化推荐方法，其特征在于该方法包括以下步骤：

（1）生成学习过程序列元素特征点；根据学习过程历史数据使用聚类方法得到N个簇，选取每个簇的几何中心作为潜在的学习过程特征点集合；生成一个潜在的学习过程特征点集合C，用点表示学习过程特征点，C中包含n个潜在学习过程特征点c_i，集合C中的元素为所有特征点{c₁, c₂, c₃, c₄,……, c_n}，1≤i≤n；

（2）以学习过程历史数据作为样本集，生成学习过程特征点利用概率，作为推荐的学习过程序列的评价基础指标；学习过程中的特征点的利用概率计算方法为：首先对聚类结果进行分析，获得每个类簇的区域点覆盖，然后根据覆盖中包含的点，统计该区域所包含的点的利用频数记为Q，设置所有区域中所包含点的可能的利用总频数为归一化参数T，则该区域所对应簇的利用概率为Q/T，Q是某一聚类中学生较为关注即关注频次超过某一阈值的知识点的数量，T为知识点总数，对于每一个潜在特征点，把该特征点所代表的簇的利用概率近似作为该点的利用概率；根据样本分析，赋予每个特征点一个不同的利用概率p_i，用浮点数表示利用概率，得到一个概率集合P，P中元素p_i的值为0到1之间的一个随机小数，即P中的元素为{p₁, p₂, p₃,_……,p_n}，0≤p_i≤1，1≤i≤n；

（3）生成学习过程的序列信息，即学习序列活动图；序列活动图定义为三元组：（C, P,E），其中C表示学习过程中的特征点集合，P表示每个特征点对应的利用概率集合，E表示边集，即两个特征点之间的序列，E中包含m条边e_i ，1≤i≤m，E中元素e_i定义为（c_a,c_b,d_i），其中c_a，c_b为表示起点和终点的两个特征点，1≤a，b≤n，d_i为边的长度，首先生成边的长度，边的长度由学习过程中所关注的焦点结合实际情况来决定，然后结合步骤（1）、（2）所获得的学习过程特征点集和概率集构成学习过程序列活动图；

根据学习过程序列活动图生成学习过程序列；生成学习过程序列集合R，R中包含k条完整的序列r_i，1≤i≤k，用点的集合形式表示，即R中的元素为{r₁, r₂, r₃,……,r_k}，R中元素r_i的长度设为r_c，r_i实际形式为（c_a,c_b……c_rc），其中点序列c_a,c_b……c_rc为序列中的紧邻的点，1≤a,b，r_c≤n，c_a为起始点，c_rc为结束点，为了控制序列长度r_c，r_c取1到n的开平方之间的一个随机整数，即1≤r_c≤sqrt（n）；

（4）计算学习过程序列活动图中潜在的空载学习过程序列距离期望值，结合活动点的当前位置选择并推荐最优学习过程序列；最优过程序列的选择方法基于潜在的空载学习过程序列距离期望值，空载序列距离期望值计算方法如下：假设点A到点B之间有一条长度为dist的学习过程序列， A为活动点位置，点B的利用概率为P_b，若在B点可以得以应用，那么由A到B构成的过程序列可看作是有价值的，反之，若B点没有得到利用，则需要前往下一个潜在学习过程特征点，那么由A到B构成的过程序列是无用的，假设较坏的情况，即前往的下一个潜在学习过程特征点是无用的，将这段序列的消耗记为CostA，计算方式如下：

CostA=dist×(1-P_b)

即这段学习过程序列的消耗等于两点之间的长度乘以B点不利用的概率，对于点B的选取，根据A得到与之最近的k个点作为待判定点，对其预估的消耗为对应的CostA的值，选取其中CostA值最小者向后构造后继序列，依此类推，建立一个消耗值为L的有向过程序列，作为所求的推荐的学习过程序列候选；将集合C中n个特征点依次作为活动点起始位置来生成M条消耗为L的推荐序列候选集合，计算每一条序列的潜在空载距离期望值，并在此基础上选择潜在空载距离期望值最小者作为推荐的学习过程序列。

2.根据权利要求1所述的学习过程序列化推荐方法，其特征在于步骤（4）中所述的空载序列距离期望值计算方法的优化方法，具体过程如下：

对于当前位置PoCab，有k条完整的学习过程序列，分别为r1，r2，r3，……，rk，每条序列记为（c_1,a，c_1,b，……，c_1,rc），（c_2,a，c_2,b，……，c_2,rc），（c_3,a，c_3,b，……，c_3,rc），……，（c_k,a，c_k,b，……，c_k,rc），首先计算序列PoCab→c1,a→c1,b→……→c1,rc的空载序列期望，并存放为最小值变量min中；然后再依次计算其他学习过程序列，若计算得到的其他序列的空载序列期望小于当前min值时，将此值存入当前min变量中，如此不断迭代，当出现在计算某一序列的过程中，其中间结果值超过min值时，便不再继续计算，舍弃此序列进行剪枝。