[发明专利]一种基于深度学习的适应性学习系统和方法

权利要求书

1.本发明提供了一种基于深度学习的适应性学习系统，其特征在于，该学习系统包括前端模块、后端模块和存储模块组成；前端模块为学生用户、教师用户、管理员用户的操作界面，负责处理用户信息的输入、输出及教学、试题内容展示，通过网络与后端模块连接；后端模块包括基础服务和业务服务两个部分，负责处理、修改、查询用户及教学、试题数据的工作；后端模块连接存储模块将用户和教学数据进行存储。

2.应用所述一种基于深度学习的适应性学习方法主要包括以下步骤：

步骤1，用户通过前端模块进行登录和学习，后端模块分析处理存储模块中用户的数据集，获取学生及其学习资源的数据；

步骤2，在学习资源数据的众多特征中寻获学习者与资源之间关联并建立特征选择模型，以此来完成推荐方法的输入过程；

步骤3，建立学习者-资源的二部图关联模型，得到推荐方法的输出；

步骤4，基于深度神经网络模型，判断学习者是否学习某一学习资源及对该学习资源的重视程度；

步骤5，确定最终的学习资源推荐列表，将推荐的学习资源通过前端模块向用户展示。

3.如权利要求2所述的基于深度学习的适应性学习方法，其特征在于，

步骤2中的建立特征选择模型方式为：选用基于互信息特征选择(MIFS)方法，获取信息度量评价函数，信息度量评价函数可表示为：

其中S为已选择的特征，s为单个特征，f为候选特征，C为类别，β为调节系数函数g(C，f)是C、f之间的信息量，g(s，f)是s、f之间的信息量，已选择的特征表示确定会影响学习者选择资源的一些特征，其包含资源的知识内容、学习时长、资源展现形式。

4.如权利要求2所述的基于深度学习的适应性学习方法，其特征在于：

步骤3中的建立二部图关联模型方式为：定义学习者集合为：L＝{l₁，l₂，l₃，…l_m}；资源集合为：R＝{r₁，r₂，r₃，…r_m}，可得到一个由学习者集合和资源集合构成的二值关系矩阵X_m×n：

其中行向量代表学习者，列向量则代表学习者学习过该资源，若X_m×n＝1，则表示学习者学习过该资源，若X_m×n＝0，则没有学习过，这样简单的归一处理并不能客观地反映出学习者对学习资源的关注程度，因此学习某一资源的频次是不能忽略的；学习者对学习资源的学习频率可反映不同的偏好程度，资源学习的平均频率可定义为：

其中代表l_i使用学习资源的平均次数，n(l_i)代表l_i已学习资源的数量，代表l_i学习资源的总次数，由于该频率大小与对学习者是否有兴趣学习该资源有很大关系，学习者对某一学习资源学习次数较多，可以认为该学习者对该资源或者该类资源具有较高关注度；

同时对具体的学习频率进行预测，将其与实际学习次数比较，判断其误差大小，即推荐模型的回归分析，进一步为了决定某一学习是否推荐给学习者，将学习资源的平均使用次数作为临界值，即为推荐模型的分类分析，决定条件为：

5.如权利要求2所述的基于深度学习的适应性学习方法，其特征在于：

步骤4中的建立深度神经网络模型方式为：

针对学习资源推荐问题所设计的深度神经网络模型由输入层、多个隐藏层和输出层组成，根据上述两节模型的构建，对该深度神经网络模型具体设计如下：

隐藏层设计：隐藏层采用Sigmoid激活函数，其中x为横坐标的值，f(x)为纵坐标的值，其函数表达式为：

代价函数设计：本方法使用了标准的二次代价函数，函数中C表示代价，y代表实际值，a代表输出值，，其函数公式如下：

输出层设计：本方法解决的学习资源推荐问题最终是转换为推荐或者不推荐的问题，因此输出层采用经典的逻辑回归模型，Sigmoid函数就是其概率函数。