[发明专利]一种基于深度学习的适应性学习系统和方法

说明书

本发明公开了一种基于深度学习的适应性学习系统和方法：针对线学习平台数量的增多，学习资源形式也越来越多样化，设计开发基于深度学习的适应性学习系统和方法，通过设计基于互信息特征选择模型(MIFS)的深度神经网络输入优化策略，建立了学习者‑资源二部图关联模型下的输出直观化描述，其次利用深度神经网络训练获得资源推荐模型，实现个性化学习资源推荐。利用深度学习算法对数据适应性强、处理性能好等特点，将其用于学习者偏好、学习者的特征类型等方面的分析研究，对学习者偏好的预测准确度高，进而改善学习者在线学习的体验与效果。

技术领域

本发明属于发明涉及在线学习技术领域，具体涉及一种基于深度学习的适应性学习系统和方法。

背景技术

随着大数据时代的到来，与教育领域结合所产生的教育大数据可以从海量教育数据中发现教学规律，进而优化教学模式、展开更高效的教学工作。教育大数据的本质是教育领域的大数据，其数据来源不仅包括学习者的学习数据，更包括日常教育活动中人的一切行为数据，具有多主题、多维度、多形态等特点。基于个性化学习思想，构建的适应性在线学习系统可以收集学生的学习行为数据，分析构建学生能力，推荐合适的专属学习资源。也正因为适应性学习在根据学生个体差异进行适应性学习指导方面有较好的效果与优势。本专利提出一种新的基于深度学习的适应性学习资源推荐方法，设计并开发了一个适应性学习系统，在推荐学习资源时有较好的准确性、稳定性和有效性。

发明内容

本发明的目的是为克服已有技术的不足，提出一种基于深度学习的适应性学习系统和方法。

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，包括前端模块、后端模块和存储模块组成。前端模块为学生、教师和管理员等用户的操作界面，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、试题数据等工作。后端模块连接存储模块将用户和教学数据进行存储。

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，获取学生与学习资源的数据；

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。

优选的，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，基于MIFS的特征选择方法中，信息度量评价函数对于其至关重要，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。

优选的，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：