[发明专利]一种基于全息拓扑的个性化学习资源快速推荐方法

说明书

本发明公开了一种基于全息拓扑的个性化学习资源快速推荐方法。本发明基于学习者的学习行为日志，利用全息拓扑算法对各学习资源知识点集合进行关联分析与拓扑排序，为学习者提供个性化快速推荐。本发明利用全息拓扑的制约关系，可以有效解决推荐不准确、缺乏个性化等问题。基于预先构造的课程AOV图，可以解决当系统没有或者仅有少量的用户行为日志时，无法实现有效的个性化推荐的冷启动问题。

技术领域

本发明涉及个性化学习资源推荐领域，具体为一种基于全息拓扑的个性化学习资源快速推荐方法。

背景技术

目前，我国的在线教育平台众多，譬如中国大学慕课(MOOC)、超星泛雅学习平台等，这些在线教育平台为高校近年新冠疫情防控期间线上教学的有序开展提供了强有力保障。与此同时，针对计算机类、信息技术类等专业的线上程序设计实训平台为学生提供了良好的编程实训环境，帮助学生进一步巩固课堂所学、提高实战能力。如何对学习者的学习行为日志进行数据分析，从而对其进行有针对性及精细化的学习资源推荐，是这两类平台在个性化推荐中的共性问题，也是支撑这两类平台的关键核心技术。

目前主流的推荐算法主要分为两类，一类是协同过滤推荐，另一类是基于内容的推荐。前者基于用户之间的兴趣相似性，通过某种算法查找与目标用户最为相似的N个邻居，利用这N个邻居对目标用户还未评分的某个项目的评分来预测目标用户对该项目的评分；后者通过分析项目的内在结构和语义信息，找出目标用户可能感兴趣的某些项目，从而做出推荐。两种算法各有优劣，在不同的系统中都得到了应用。有时为了得到更好的推荐效果，会混合使用两种推荐算法，混合的方式有加权、变换、特征组合、层叠等。但是，上述推荐算法存在一些不可忽视的缺陷，主要包括：1.冷启动问题：当系统没有或者仅有少量的用户行为日志时，无法实现有效的个性化推荐；2.稀疏性问题：当系统的用户数量十分庞大时，会极大影响推荐系统的效率及准确性，导致推荐速度较慢和准确性下降，造成用户等待过久、体验不佳等。

发明内容

为了弥补现有技术的不足，本发明提供了一种基于全息拓扑的个性化学习资源快速推荐方法。

本发明采用的技术方案为：

一种基于全息拓扑的个性化学习资源快速推荐方法，包括以下步骤：

步骤1、根据课程的知识点集合V中的制约关系，预先构造V对应的AOV图(ActivityOn Vertex Network)，并且利用拓扑排序确定每一个知识点k_i(i表示当前是哪个知识点)的先学条件从而生成V的先学条件集合

步骤2、设用户的当前学习周期为T，第T周期内学习完成的知识点集合记为U，处理用户原始数据，获得集合U。

步骤3、针对集合U，快速对预先生成的先学条件集合P进行遍历，确定与集合U中各个知识点相对应的先学条件(k_i指知识点k_i)。

步骤4、对各个知识点的先学条件和U求并集运算，生成集合Q，即第T周期内及之前学习完成的知识点集合，也就是系统可推荐的知识点集合。

步骤5、每个学习资源都对应着相关联的一个知识点集合S，其中包含一个或多个知识点。系统对学习资源的知识点进行匹配过滤，筛选出满足条件的学习资源，并根据加权拓扑距离进行相关度排序，取前n个学习资源执行推荐操作，从而实现个性化推荐。

这里定义：拓扑距离D(k_i,k_j)为AOV图中任意两个知识点k_i和k_j之间的最短路径长度(显然，如果课程的AOV图确定，则图中任意两个知识点之间拓扑距离可预先计算)；知识点k_i与任意一个知识点集合Z之间的拓扑距离为加权拓扑距离为某学习资源的知识点集合X中所有知识点k_i和某知识点集合Y之间拓扑距离的总和