[发明专利]一种基于学习情况相似度的协同过滤个性化学习推荐方法

说明书

本发明公开了一种基于学习情况相似度的协同过滤个性化学习推荐方法，引入了知识点掌握程度相似性因子、平均分相似性因子和知识点难度系数修正因子来衡量学习者的学习情况，由此形成基于学习情况的相似度计算公式。知识点掌握程度相似性因子考虑了学习者在不同知识点掌握程度的相似性；平均分相似性因子则是考虑了学习者在该课程中，知识点的总体掌握程度；知识点难度系数修正因子减小了用于考查同一个知识点的不同题目存在难度上的差异。通过引入三个因子形成基于学习情况的相似度计算公式，在计算学习者之间的相似度时，能够考量学习者之间学习情况的相似性，使得筛选的邻居更加准确。

技术领域

本发明涉及在线教育技术领域，更具体地，涉及一种基于学习情况相似度的协同过滤个性化学习推荐方法。

背景技术

互联网的快速发展促进了教学资源和在线教育平台的大量涌现，国内外的互联网教育平台如腾讯课堂、网易云课堂、MOOC、SPOC等发展迅速。然而海量的教育资源以及学习途径也导致了信息迷航(Information trek)的出现：一方面，学习者由于自身知识水平限制，难以选择和制定真正适合于自身的学习方案；另一方面，庞大的教育规模、交流不便的在线教育方式等因素成为了教师为学习者定制合适的学习方案的制约。因此，研制高度自动化的个性化学习推荐系统，为学习者针对某一课程或领域推荐适合于自身学习情况的学习方案，成为了当前教育领域学者的研究热点之一。

个性化推荐算法是个性化学习推荐系统的核心支撑，可分为基于协同过滤的推荐算法、基于内容的推荐算法、混合推荐算法等几大类，其中基于用户的协同过滤算法由于其面向用户的特点，适合于应用在个性化学习推荐领域。

相似度计算是协同过滤算法的关键步骤。传统的相似度计算方法例如余弦相似度、修正的余弦相似度、皮尔逊相似度等，应用于计算学习者之间学习情况的相似度时，忽略了学习者学习某门课程的知识点掌握程度、知识点平均分以及测试题目难度差异等重要因素，导致其被应用到个性化学习推荐时，影响了计算学习者之间学习情况相似度的准确性，进而导致学习者的知识点预测得分出现偏差，影响了最终的推荐效果。

申请号201711417283.X公开了一种基于在线学习行为分析的个性化学习推荐方法，该方法通过在线学习平台采集以及问卷调查的形式来收集学生的性格特征(自律性评价)，应用余弦相似度计算不同学习者之间的相似度，筛选相似度高的学习者，进而推荐适合的学习内容。该发明以自律性评价作为标准，计算学习者之间相似度，忽略了能够体现学习者学习情况的属性。同时该方法的部分数据以问卷调查的形式获得，存在较强的不确定性，影响学习者之间相似度的计算。

申请号201910092878.5公开了一种基于教育平台大数据分析的个性化自适应学习推荐方法，该方法将学习者的学习状态以及对学习内容变化的敏感程度共同作为学习者的性格特征，两者综合聚类之后作为学习推荐策略的建立基础。该方法结合两种特征，能够更准确地筛选近邻，进而提供学习内容。但是，该方法忽略了用于考查同一个知识点的不同题目存在难度上的差异，导致推荐的学习内容存在偏差。同时缺乏知识网络结构的引导，学习者不能充分理解知识体系，也会导致学习效果不佳。

申请号201910313212.8公开了一种基于知识图谱的个性化学习特征模型的建构方法，该方法构建课程的知识图谱，然后利用认知模型来预测学习者知识点的掌握情况。该认知模型以课程知识图谱为基础，能够有效引导学习者，更清晰地了解课程知识结构。但是，该方法未考虑学习者自身的学习情况，这样就可能导致推荐结果缺乏个性化，影响最终的推荐效果。

发明内容

本发明针对现有技术中缺乏知识网络的引导，并且难以评价处于网络中知识点的重要程度，同时协同过滤算法应用于个性化学习推荐会忽略学习者在学习过程中展现的各种学习情况属性的情况，提供一种基于学习情况相似度的协同过滤个性化学习推荐方法。

为解决上述技术问题，本发明的技术方案如下：

一种基于学习情况相似度的协同过滤个性化学习推荐方法，包括以下步骤：