[发明专利]基于知识图谱的个性化学习过程的自动生成方法及系统

权利要求书

1.一种基于知识图谱的个性化学习过程的自动生成方法，其特征在于，包括以下步骤：

步骤1，进行相关建模，其中包括：基于知识的学习者描述，基于有向超图的学习内容描述，基于有向超图的学习过程描述，基于知识的资源分类描述；

步骤2，由知识图谱向通用学习过程框架的映射，包括：知识元向活动的映射，知识元之间的逻辑关系向活动之间逻辑关系的映射；开始知识元和目标知识元的处理；

步骤3，过程模型的个性化处理，根据学习者的学习习惯、学习能力进行相应的处理；

步骤4，可能支持资源的生成；根据活动所处理的知识元、学习者的类别、资源所包含的知识元以及资源的类别生成活动可能的支持资源；

步骤5，建立活动属性、学习者、学习资源之间的关系模型；根据活动属性与过程属性之间的关系及学习者的性能目标，利用遗传算法进行活动与资源的优选，生成相对于学习者的个性化的优化的学习过程；

步骤6，监测资源环境及学习者本身，若二者任一出现变化时，则进行相关性判断以及相应处理；

该方法是利用比较稳定且容易获得的知识图谱、学习者模型以及学习资源模型自动生成个性化的学习过程模型，具体包括以下步骤：

步骤1，进行相关建模：

该建模具体包括个性化学习内容建模、学习者建模、学习资源建模，过程模型描述，获得相应的学习内容模型、学习过程模型、学习者模型和学习资源模型，其中学习者模型包括个性化学习内容和个性化学习过程，个性化学习内容为已知，个性化学习过程模型为所要自动生成部分；

步骤2，由知识图谱向通用学习过程框架的映射；

根据实际的学习情况，在进行分析之前，我们做了如下的假设：

假设1：对于存在前序后序关系的两个知识元，学习者只有掌握了前面的知识元才能学习后序的知识元；

假设2：如果学习者掌握了一个知识元，这就意味着掌握了从开始知识元到该知识元的某条路径上的所有知识元；

基于上述的假设，我们将给出知识模型向过程模型的映射规则；

知识模型向学习过程映射：对于一个知识模型KHM，其知识元集为KV，对于使得a_i＝f(ke_i)，a_j＝f(ke_j)，且a_i,a_j＝ke_i,ke_j，其中a_i,a_j∈PLM，PLM为过程模型；

上述规则还可用于模型间的一致性检查；此时的学习过程，由于没有考虑具体的学习者，我们称作通用过程框架；

步骤3，过程框架的个性化处理：

对于同一组知识元，不同的学习者可能采取不同的学习方式进行学习，有的学习者希望学完每个知识元后都进行测验，只有通过测验之后再进行下一个知识元的学习，否则，要返回重新学习该知识元；而有的学习者就希望学习多个知识元之后进行测验；同样，对于同一知识元的学习，有的学习者希望独立完成学习，而有一些学习者希望和他人讨论来完成学习；因此，相应的映射也需要考虑学习者的具体情况；考虑到学习者学习习惯、学习方式和学习能力的映射规则可以描述为：

知识模型向学习过程个性化映射：给定知识模型KHM和学习者模型对于使得f(km_i,ler_i)∈LPM，其中，LPM为学习过程模型，f为单射；

在通用过程框架的基础上，考虑学习者具体的学习习惯和学习方式，生成针对某学习者的学习过程，因为此时没有生成学习者所用的资源，所以我们称此时的过程模型为个性化过程框架；

步骤4，活动可能支持资源的生成：

学习过程的执行需要资源的支持，学习者只有选择了恰当、合理的资源才能进行有效的学习，对于一个资源只有包含了活动要学习的知识元，才能支持该活动；此外，对于同一个学习活动，不同类型的学习者会选用不同的学习资源，如果该学习者有视觉障碍，在进行学习资源选择时，应尽量选择听力相关的资源；如果听觉有障碍，可以选择视频资源；因此，可以通过规则生成活动个性化的可能的支持资源；

在网络环境下存在着大量的学习资源，对于任意一个学习过程，如果直接利用上述的规则，根据学习者的类型和知识背景进行学习资源的选择，它的工作量是非常巨大，为了减少求解的计算量，我们首先根据资源的类型和所包含的知识元对资源进行分类；

步骤5，资源的优选：

1)优化指标的选择：

进行资源的优选，首先要明确优化的指标；学习活动有多种属性，这里我们讨论三种常用活动属性：学习时间T、学习质量Q以及学习成本C；

2)建立活动属性、学习者、学习资源之间的关系模型；

在学习过程的优化求解过程中，我们关注学习活动属性的定义以及根据学习过程之间关系的特点进行相应处理；

在相同的知识学习过程中，不同的学习者即使采用相同的学习资源，其学习所用时间和学习质量可能不同；相同的学习者采用不同的学习资源，学习时间和学习质量也不尽相同；此外，学习的质量通常与学习所用时间有关，所花时间越多，所获的质量越好；结合实际的学习，我们对活动属性进行如下定义：

对于一个学习者ler_l,学习过程中的一个活动act_i,活动act_i可能的支持资源为:SRSet_i＝{sr_ik|k＝1,……,n},其中sr_ik为活动act_i的一个可能的支持资源，n为act_i可能的支持资源数，当ler_l选用不同的学习资源时,完成活动act_i的时间、成本和质量为：

其中,AQX_lik,ATX_lik,ACX_lik是学习者ler_l使用学习资源sr_ik的活动属性,δ_ik∈{0,1},并且当活动act_i的支持资源为sr_ik,δ_ik＝1,否则δ_ik＝0；

通常情况下，具有不同能力的学习者为了获得同样的学习质量所花的时间不同，能力越强花的时间越少，而能力弱的花的时间要相对多些，这里我们假设一个活动所用时间与学习者的能力成反比，

AVT_lik＝sr_k.AVT*(sr_k.CapLev/ler_l.CapLev),

其中，sr_k.AVT是sr_k,的平均时间，sr_k.CapLev是sr_k的平均能力水平,ler_l.CapLev是ler_l的平均能力水平；

这里,我们规定ler_l所用的时间是以0为最小值，AVT_lik为峰值的正态分布函数,即：ATX_lik∈[0,2*AVT_lik],

对于一个学习者，用同样的资源，当他花不同的时间学习时，学习的质量不同，通常情况是花的时间越多，学习的质量越高；因此我们定义活动的质量与学习者所花的时间成正比；

AQX_lik＝(ler_l.CapLel/sr_k.CapLev)*(sr_k.AVQ/sr_k.AVT)*ATX_lik,

ACX_lik＝k*sr_k.AVC,

其中,sr_i.AVQ和sr_i.AVC分别表示sr_i的平均质量及平均成本；

3)过程属性与活动属性的关系，学习过程的指标参数按照以下方式得出：

OBJT是过程所包含活动的时间的总和，由于学习内容为优选之后的必学习内容，因此，学习过程的总时间计算可以表示为：

其中t_i是执行a_i所用的时间；

OBJQ由所包含的活动的质量决定，其计算可以表示为：

其中q_i是a_i的质量，w_i为a_i对过程的质量影响因子，

OBJC由所包含的活动成本决定，而活动成本又等于学习资源的成本；因此，OBJC可以由下面的等式来计算：其中c_i是a_i的资源成本；

根据学习者的非功能性目标，进行学习资源的优化求解，得到学习过程和学习资源都优化的学习计划；

4)优化求解

利用遗传算法，根据学习者的性能目标，利用活动属性与资源属性及学习者、活动属性与过程属性之间的关系，来进行活动与资源的优选；生成相对于学习者的个性化的优化的学习过程；

步骤6，监测学习内容、学习习惯和资源环境，若三者任一出现变化时，则进行相关性判断以及相应处理：

1)当监测到学习内容发生变化时，先对变化后的学习内容与原学习内容的相关性进行判断，找到相关的学习内容，并进行相应的处理；

①改变后的学习内容和原内容的相关性判断按照如下方式进行：

给定一个学习者，其原学习内容为知识元集LCKE_i，改变后的学习内容为知识元集LCKE_j，如果则变化的学习内容与原学习内容不相关；如果LCKE_i则变化的学习内容与原学习内容相关；

②相应的处理按以下方式进行：

如果变化后的学习内容与原过程不相关，则对新学习内容依据步骤1到步骤5进行处理；

如果变化后的学习内容与原过程相关，则根据原过程的执行情况对新学习内容进行处理，如果相关内容已经完成学习，则在新内容中去掉该学习内容，并对处理后的学习内容依据步骤1到步骤5进行处理；

2)当监测到学习习惯发生变化时，根据原过程的执行情况进行相应的处理；

当学习习惯发生变化时，首先判断原过程的执行情况，之后，在原学习内容中去掉已学习的内容，之后对剩余的内容，依据步骤2到步骤5进行处理；

3)当监测到资源环境发生变化时，先对变化的资源环境与学习过程的相关性进行判断，对于相关的资源，根据过程的执行情况，进行相应的处理。