一种基于知识地图的多约束学习路径推荐方法技术

本发明专利技术公开了一种基于知识地图的多约束学习路径推荐方法：首先，结合课程知识地图和用户在移动端和PC端的学习日志，在知识地图上对知识元进行标记，生成用户在t时刻的已学知识子图G(id,t)；其次，给定一对起始知识元和目标知识元(S,E)，基于深度优先遍历算法获取(S,E)间的所有路径，进而得到用户目标子图G’(id,t,S,E)；最后，通过计算学习路径的约束因子f，在G’(id,t,S,E)上挖掘满足约束条件的网络学习路径并推荐给用户。本发明专利技术解决了不同网络学习场景下，基于知识地图的网络学习路径集成分析与推荐问题，可以为网络学习者提供满足多约束条件的学习路径。

【技术实现步骤摘要】
一种基于知识地图的多约束学习路径推荐方法
本专利技术涉及一种网络学习路径分析与推荐算法，特别涉及一种基于知识地图的多约束学习路径推荐方法。
技术介绍
根据联接主义(Connectivism)认知理论的观点，学习是一个不断联接知识节点/资源的过程，知识间的内在关联在该过程中具有重要作用。最新的认知科学研究也表明：知识间的关联关系对认知具有显著影响。与传统的文本资源或视频课件相比，知识地图通过知识元以及知识元之间的关系很好地展现了知识间的关联关系。通过知识元检索功能，学习者可以很容易找到自己感兴趣的知识元，进而通过知识元之间的关系进行导航式学习。但知识迷航、知识过载等问题也随之而来。因此，如何结合用户的先验知识和学习目标，为用户推荐个性化的学习路径是基于知识地图学习中亟待解决的一个重要问题。从已有的研究来看，Vazquez等提出基于蚁群优化的学习路径生成方法，该方法采用贝叶斯网络描述知识单元之间的认知序关系；程岩等提出基于群体智能的学习路径推荐方法，选取邻近用户对启发信息与信息素的贡献进行路径的选择；Yang等人通过对学习风格进行分类，测量了某一学习路径被某一特定学习风格用户采用的频率，从而提高了群体智能算法的效率；Chun-HsiungLee和Gwo-GuangLee等提出建立“鹰架学习路径”，通过挖掘评估优秀学生的学习路径来建立学习导航路径，但该方法面临优秀学生日志缺失的问题；张超等根据知识地图上知识单元之间的学习先后序关系计算出了知识地图节点的偏序层次，对目标知识节点补偿集以学习中心度进行再次排序，得出学习导航路径；Kuo-KuangChu等人提出用本体的思想解决学习导航路径的生成问题。综合来看，以上研究中并没有针对移动端和PC端混合学习的路径分析，且普遍缺乏对知识间本身约束的考虑，未考虑学习者当前的先验知识到学习目标的必要性，也忽略了学生间先验知识的不同，且多针对某些特定属性或者特定目标进行路径生成，缺乏对用户需求的全面定制分析。
技术实现思路
本专利技术的目的在于提供一种基于知识地图的多约束学习路径推荐方法。为达到以上目的，本专利技术采用了以下技术方案：1)采用邻接矩阵表示知识地图将某门课程的知识地图中各知识元的依赖关系用邻接矩阵表示，得到所述知识地图的邻接矩阵；2)获取用户的已学知识子图依据标识号为id的用户的学习日志，在所述知识地图的邻接矩阵上对所述用户学习知识元的情况进行标注，得到所述用户在t时刻的已学知识子图G(id,t)；3)构造用户目标子图经过步骤2)后，在所述用户的已学知识子图G(id,t)上获取学习知识元对(S,E)中起始知识元S与目标知识元E之间的所有学习路径，得到用户目标子图G'(id,t,S,E)；4)获得满足约束条件的推荐路径根据给定的约束条件，计算步骤3)获取的每条学习路径的约束因子，根据约束因子从用户目标子图G'(id,t,S,E)中确定满足约束条件的学习路径并推荐给所述用户。对于包含n个知识元的有向知识地图KM＝(KU,KE)，kui∈KU，kuj∈KU，0≤i<n，0≤j<n，i≠j，定义一个n×n的矩阵A＝(aij)n×n，若矩阵A满足公式(1)，则称A是KM的邻接矩阵：其中，KU表示KM中的知识元集合，KE表示KM中知识元间的邻接关系集合。所述用户的已学知识子图G(id,t)采用邻接矩阵表示，对于每个知识元采用存放于数组的权值进行标注，权值包括用户是否学习过知识元的标记、用户对知识元的学习次数、学习端来源以及该知识元是否适合于移动端学习。G(id,t)＝{ku,ke,(sig,w,p,mo)}其中，ku表示知识地图上的知识元；ke表示知识元之间的邻接关系；sig是用户在知识元ku上的学习标记，sig＝1表示学习过的知识元，sig＝0表示没有学习过的知识元；w是用户在知识元ku的学习次数；p表示用户学习知识元ku的学习端来源，p＝-1对应未学习知识元学习端不确定的情况，p＝0代表来自PC端，p＝1代表同时来自移动端和PC端，p＝2代表来自移动端；mo表示根据知识元ku对应视频的长短，确定知识元ku是否适合移动端学习，mo＝0表示知识元ku适合通过PC端学习，mo＝1表示知识元ku适合通过移动端学习。在G(id,t)上利用深度优先遍历算法获取起始知识元S与目标知识元E之间的所有学习路径。所述约束条件为未学知识元个数、加权路径长度、学习路径长度或适合移动端学习中的任意一种或多种的组合。所述约束因子的计算方法如公式(2)所示：其中，mu是所述起始知识元S与目标知识元E之间某一学习路径中包含的未学知识元个数；nt是用户的已学知识子图G(id,t)包含的未学知识元个数；l是所述起始知识元S与目标知识元E之间某一学习路径的学习路径长度；lw是所述起始知识元S与目标知识元E之间某一学习路径的加权路径长度，所述加权路径长度是指一条学习路径上包含的知识元的权重之和，记为wi是该学习路径中的第i个知识元的权重，所述权重的取值为对应知识元的学习次数；lM是所述起始知识元S与目标知识元E之间学习路径长度的最大值，学习路径长度用一条学习路径包含的已学和未学知识元个数总和表示；lmo是所述起始知识元S与目标知识元E之间某一学习路径中适合移动端学习的知识元个数；α、β、γ和η是权重因子，其中α、β和γ的取值范围均为[0，1]，η取值为0或1，0表示不区分学习端，1表示推荐采用移动端学习。根据公式(2)计算出所述起始知识元S与目标知识元E之间所有学习路径各自的约束因子，并将约束因子取值最小的学习路径推荐给所述用户。与现有技术对比，本专利技术的有益效果体现在：本专利技术以基于知识地图的网络学习为背景，通过用户学习日志，构建用户的已学知识子图和用户目标子图，进而提出一种面向多终端网络学习的学习路径推荐算法。该算法考虑了移动端学习者在学习时间和学习内容上更加呈现离散化、碎片化等特点，解决了移动端和PC端混合学习出现后基于知识地图的网络学习路径集成分析与推荐问题，并且可以为网络学习者提供满足多约束条件的学习路径。附图说明图1为本专利技术方法涉及的数据处理流程图；图2为本专利技术涉及的用户的已学知识子图，图中括号内数字对应(sig,w,p,mo)；图3为本专利技术(ku2,ku5)的用户目标子图，图中括号内数字对应(sig,w,p,mo)。具体实施方式下面结合附图和实施例对本专利技术作详细描述，所述是对本专利技术的解释而不是限定。不同于传统的网络学习路径分析与推荐，本专利技术方法应用于基于知识地图(又称主题图)的网络学习模式。这里知识地图是以知识元为节点，由知识元与其之间的学习依赖关系构成的有向图，是描述某一个领域(课程或学科)内的知识以及这些知识之间的关联的实体。知识元是指具有完备表达能力的基本知识单位，诸如定义、定理、算法等。通过知识元检索功能，学习者可以很容易找到自己感兴趣的知识元，进而通过知识元之间的关系进行导航式学习。与传统的面向文本资源或课件资源的网络学习系统相比，基于知识地图的网络学习模式以知识地图的形式对学习资源进行组织，能为用户提供更加细粒度的知识元导航式学习。随着移动学习的发展，网络学习的形式更加多元化。用户既可以采用传统的PC端学习，也可以采用手机、平板电脑等移动设备进行随时随地的自主学习。相比PC端而本文档来自技高网...

【技术保护点】
一种基于知识地图的多约束学习路径推荐方法，其特征在于：包括以下步骤：1)采用邻接矩阵表示知识地图将某门课程的知识地图中各知识元的依赖关系用邻接矩阵表示，得到所述知识地图的邻接矩阵；2)获取用户的已学知识子图依据标识号为id的用户的学习日志，在所述知识地图的邻接矩阵上对所述用户学习知识元的情况进行标注，得到所述用户在t时刻的已学知识子图G(id,t)；3)构造用户目标子图经过步骤2)后，在所述用户的已学知识子图G(id,t)上获取起始知识元S与目标知识元E之间的所有学习路径，得到用户目标子图G'(id,t,S,E)；4)获得满足约束条件的推荐路径根据给定的约束条件，计算步骤3)获取的每条学习路径的约束因子，根据约束因子从用户目标子图G'(id,t,S,E)中确定满足约束条件的学习路径并推荐给所述用户。

【技术特征摘要】
1.一种基于知识地图的多约束学习路径推荐方法，其特征在于：包括以下步骤：1)采用邻接矩阵表示知识地图将某门课程的知识地图中各知识元的依赖关系用邻接矩阵表示，得到所述知识地图的邻接矩阵；对于包含n个知识元的有向知识地图KM＝(KU,KE)，kui∈KU，kuj∈KU，0≤i<n，0≤j<n，i≠j，定义一个n×n的矩阵A＝(aij)n×n，若矩阵A满足公式(1)，则称A是KM的邻接矩阵：其中，KU表示KM中的知识元集合，KE表示KM中知识元间的邻接关系集合；2)获取用户的已学知识子图依据标识号为id的用户的学习日志，在所述知识地图的邻接矩阵上对所述用户学习知识元的情况进行标注，得到所述用户在t时刻的已学知识子图G(id,t)；对于每个知识元采用存放于数组的权值进行标注，权值包括用户是否学习过知识元的标记、用户对知识元的学习次数、学习端来源以及该知识元是否适合于移动端学习；3)构造用户目标子图经过步骤2)后，在所述用户的已学知识子图G(id,t)上获取起始知识元S与目标知识元E之间的所有学习路径，得到用户目标子图G'(id,t,S,E)；4)获得满足约束条件的推荐路径根据给定的约束条件，计算步骤3)获取的每条学习路径的约束因子的值，根据约束因子从用户目标子图G'(id,t,S,E)中确定满足约束条件的学习路径并推荐给所述用户，约束条件是指用户给定的学习需求；所述约束条件为未学知识元个数、加权路径长度、学习路径长度或学习路径中适合移动端学习的知识元个数中的任意一种或多种的组合；加权路径长度是指一条学习路径上包含的知识元的权重之和，记为：wi是该学习路径中的第i个知识元的权重，所述权重的取值为对应知识元的学习次数。2.根据权利要求1所述一种基于知识地图的多约束学习路径推荐方法，其特征在于：G(id,t)＝{ku,ke,(sig,w,p,mo)}其中，ku...

【专利技术属性】
技术研发人员：朱海萍，田锋，陈妍，张新慧，郑庆华，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61