[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

说明书

本发明公开了一种融合知识背景和学习时间预测的学习路径推荐方法，属于学习路径推荐技术领域，该研究同时满足学生有限时间约束和学习得分最大化，具体包括：(1)基于学生历史学习数据，利用关联规则算法挖掘概念图，生成包含概念层和学习资源层的两层概念图；(2)根据新学生知识背景，基于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，并为每一个概念分配一组学习资源，继而针对每条学习路径预测所需学习时间、估算学习得分；(3)推荐满足学生有限学习时间且得分最高的学习路径。本发明能够根据学生的有限学习时间和知识背景推荐个性化的学习路径，满足了学生在时间限制下个性化学习的需要，有利于提高学生的学习效率和效果。

技术领域

本发明属于学习路径推荐技术领域，具体涉及一种融合知识背景和学习时间预测的学习路径推荐方法。

背景技术

随着大数据时代的到来，在线教育平台和系统如雨后春笋一般蓬勃涌现，层出不穷。在线学习系统简化了学习任务，使学习者根据自己的学习速度和舒适度进行自主学习。但却面临一些挑战，比如提供符合用户要求和时间限制的学习资源，尤其是当学习者剩余学习时间减少时，学习者是否可以按时完成学习资源的学习，这就需要结合学习者的知识背景进行资源学习时间的预测，进而推荐满足学生有限学习时间的最优学习路径。

由于学习者的时间管理不当、年龄和知识背景等原因，学习者不一定有足够的时间完成所有资源和课程的学习。现已有技术方案的研究目的是为新学习者推荐一条在限制时间内的学习路径，同时最大限度地提高学习者分数。但是，在已有方案中所推荐学习路径的时间是估算的，具体做法是通过取历史学习者的时间和得分均值、中值等方法为新用户计算学习路径的总学习时间和得分。

现有的技术方法虽然也是基于概念图，通过计算根据学习者知识背景生成的学习路径的时间和分数，在限定时间内或预期分数内推荐学习路径，但是其概念图由专家手工创建，不能很好地体现概念之间的隐性关联关系，而且该方法耗时且计算代价昂贵。在有向图中加入学习资源可以成倍地增加路径数，这使得路径生成耗时且计算量大，由于需要估计所有路径的时间和分数，这使得问题更加困难，难以满足大数据环境下复杂计算的需要。

发明内容

为了解决上述问题，本发明提出了一种融合知识背景和学习时间预测的学习路径推荐方法，采用数据挖掘等技术，在学生学习过程中自动收集学习者的学习过程数据和学习需要，并随时调整学习路径，为不同知识背景的学生找到符合自己需求的个性化学习路径，提升学习效果。

本发明的技术方案如下：

一种融合知识背景和学习时间预测的学习路径推荐方法，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。

优选地，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。