[发明专利]一种融合知识背景和学习时间预测的学习路径推荐方法

权利要求书

1.一种融合知识背景和学习时间预测的学习路径推荐方法，其特征在于，包括如下步骤：

S1.基于历史学生学习数据，利用关联规则算法构建包含概念层和资源层的两层概念图；

S2.结合新学生的知识背景，基于两层概念图利用深度优先搜索遍历得到所有可能的概念学习路径；

S3.基于历史学生访问资源所获得的得分来估计未访问资源的学习得分；

S4.构建基于注意力机制的双向循环神经网络学习时间预测模型，并对资源所需学习时间进行预测；

S5.为概念学习路径中每个概念分配资源，并结合资源所需学习时间与估计得分推荐满足学生有限学习时间且得分最高的个性化学习路径。

2.根据权利要求1所述一种融合知识背景和学习时间预测的学习路径推荐方法，其特征在于，所述步骤S1的具体过程如下：

S101.根据历史学生访问学习资源的记录，计算任意两个学习资源间访问情况的一致性；

S102.统计资源访问情况的频繁一项集和频繁二项集；

S103.计算学习资源间关联规则的置信度；

S104.计算概念间的关联度，得到概念矩阵；

S105.根据概念矩阵构造概念图。

3.根据权利要求1所述一种融合知识背景和学习时间预测的学习路径推荐方法，其特征在于，所述步骤S2中，以新学生知识背景为深度优先搜索方式的起点，以学习最终概念为目的生成所有概念学习路径。

4.根据权利要求1所述一种融合知识背景和学习时间预测的学习路径推荐方法，其特征在于，所述步骤S3中，估计学习得分的方法包括：平均值和中值法、用户调整法、矩阵分解法、K均值聚类法；其中，用户调整法又包括用户调整平均值方法和用户调整中值方法。

5.根据权利要求1所述一种融合知识背景和学习时间预测的学习路径推荐方法，其特征在于，所述步骤S4中，采用双向循环神经网络对学习过程数据进行建模，同时引入注意力机制自动学习学习过程中不同学习行为的权重，具体过程如下：

S401.针对每个学生的历史学习过程轨迹σ，对整个轨迹进行不同长度的截取，将得到的不同长度的轨迹前缀σ^(k)和其对应的学习时间remain(σ_j,k)(1≤k≤|σ|)，当作训练数据集train_k；

S402.基于获得的训练数据集train_k，利用注意力双向循环网络构建学习时间预测模型；

S403.运用迁移学习训练学习时间预测模型。