【技术实现步骤摘要】
本专利技术属于自适应学习领域，尤其涉及一种考虑学习交互方式的自适应学习推荐方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、随着信息技术的飞速发展，自适应学习成为教育领域的研究和实践的热点。自适应学习通过根据学生的兴趣、能力和学习风格提供定制化的学习体验，旨在最大程度地激发学生的学习潜力。在这一背景下，学习内容的个性化推荐算法应运而生，为学生提供了根据其个体差异进行定制的教育资源。
3、传统的个性化内容推荐方法采用的方法包括：corbett等人提出了一种模拟学生在技能习得过程中知识状态变化的方法，被称为贝叶斯知识追踪(bkt)，其是通过将学习者的潜在知识状态建模为一组二元变量来实现，每个变量代表对单个概念的理解或不理解，核心在于应用隐马尔可夫模型(hidden markov model，hmm)。当学习者回答给定习题集中的练习时，无论是正确还是错误，隐马尔可夫模型(hmm)都用于更新这些二元变量中每一个的概率，从学习者的练习表现出发，该模型推断学习者的知识掌握程度。yudelson等人提出在标准的bkt实现中，只有特定于技能的参数，当考虑到数据中学生特定的可变性时，如学习者的先验知识，可以提高模型的准确性。piech等人首次提出了使用递归神经网络(rnn)来模拟学生学习的效果，rnn不需要对人类领域知识进行显式编码，并且可以捕获学习者知识的更复杂的表示，piech等人提出的dkt模型可以找出知识点之间的关联性，且更适合处理时间序列的问题。dkt取
4、专利技术人发现，上述的个性化内容推荐方法均忽略了学生在学习中的交互方式，事实上，学生的学习不仅仅是知识的吸收和记忆，还涉及他们与学习环境的互动，目前的内容推荐主要基于学科兴趣、学习历史等静态因素进行推荐，忽略了学生在学习过程中采用的不同交互方式，导致推荐结果的不准确以及个性化程度不足。
技术实现思路
1、为了解决上述
技术介绍
中存在的至少一项技术问题，本专利技术提供一种考虑学习交互方式的自适应学习推荐方法及系统，其考虑了学生在学习中的交互方式对内容推荐的影响，通过强化学习提高交互的精确度，能全面考虑学生交互的各项因素，不仅有助于提高内容推荐算法的准确性，还能够为学生提供更具个性化和贴近实际需求的学习体验。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、本专利技术的第一方面提供一种考虑学习交互方式的自适应学习推荐方法，包括如下步骤：
4、获取用户特征数据和学习交互界面特征数据；
5、基于用户特征数据和学习交互界面特征数据，结合训练后的学习交互界面推荐模型为用户推荐最佳学习交互界面；
6、结合irt模型，获取用户在最佳学习交互界面的学习模拟数据集；
7、基于学习模拟数据集，结合训练后的深度知识追踪模型进行预测，根据预测结果为用户推荐相应的个性化学习内容。
8、本专利技术的第二方面提供一种考虑学习交互方式的自适应学习推荐系统，包括：
9、数据获取模块，其用于获取用户特征数据和学习交互界面特征数据；
10、交互界面推荐模块，其用于基于用户特征数据和学习交互界面特征数据，结合训练后的学习交互界面推荐模型为用户推荐最佳学习交互界面；
11、模拟数据集获取模块，其用于结合irt模型，获取用户在最佳学习交互界面的学习模拟数据集；
12、内容推荐模块，其用于基于学习模拟数据集，结合训练后的深度知识追踪模型进行预测，根据预测结果为用户推荐相应的个性化学习内容。
13、本专利技术的第三方面提供一种计算机可读存储介质。
14、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的一种考虑学习交互方式的自适应学习推荐方法中的步骤。
15、本专利技术的第四方面提供一种计算机设备。
16、一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述的一种考虑学习交互方式的自适应学习推荐方法中的步骤。
17、与现有技术相比，本专利技术的有益效果是：
18、本专利技术考虑不同的交互方式可能会对学生的学习体验和效果产生显著影响，通过对支持脚运动的交互方式进行研究，探索了脚交互的交互方式在学习内容推荐中的作用，将学生在学习中的交互方式与个性化推荐算法结合起来，分析了学生在学习中的交互方式对内容推荐的影响，能全面考虑学生交互的各项因素，不仅有助于提高内容推荐算法的准确性，还能够为学生提供更具个性化和贴近实际需求的学习体验。
19、本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种考虑学习交互方式的自适应学习推荐方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种考虑学习交互方式的自适应学习推荐方法，其特征在于，所述基于用户特征数据和学习交互界面特征数据，结合训练后的学习交互界面推荐模型为用户推荐最佳学习交互界面，包括：
3.如权利要求2所述的一种考虑学习交互方式的自适应学习推荐方法，其特征在于，所述将界面元素位置的推荐转化为多臂强盗求解的过程，借助UCB方法根据用户历史操作过程产生的记录求解，计算出界面元素最佳的位置，包括：
4.如权利要求1所述的一种考虑学习交互方式的自适应学习推荐方法，其特征在于，所述学习交互界面推荐模型构建时，使用隐向量分解稀疏矩阵和加入特征交叉。
5.如权利要求1所述的一种考虑学习交互方式的自适应学习推荐方法，其特征在于，所述结合IRT模型，获取用户在最佳学习交互界面的学习模拟数据集，包括：基于三参数模型，在为用户推荐的最佳学习交互界面上，结合用户的潜在能力水平，分别模拟练习题目的难度和随机猜测参数，模拟虚拟用户学习知识，得到练习题目标签、题目分类以及题目回答的结果。
6.如权利要求1所述的一种考虑学习交互方式的自适应学习推荐方法，其特征在于，所述基于学习模拟数据集，结合训练后的深度知识追踪模型进行预测，根据预测结果为用户推荐相应的个性化学习内容，包括：
7.如权利要求1所述的一种考虑学习交互方式的自适应学习推荐方法，其特征在于，所述深度知识追踪模型包括嵌入层、自注意力层、前馈层和预测层；
8.一种考虑学习交互方式的自适应学习推荐系统，其特征在于，包括：
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的一种考虑学习交互方式的自适应学习推荐方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种考虑学习交互方式的自适应学习推荐方法中的步骤。
...【技术特征摘要】
1.一种考虑学习交互方式的自适应学习推荐方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种考虑学习交互方式的自适应学习推荐方法，其特征在于，所述基于用户特征数据和学习交互界面特征数据，结合训练后的学习交互界面推荐模型为用户推荐最佳学习交互界面，包括：
3.如权利要求2所述的一种考虑学习交互方式的自适应学习推荐方法，其特征在于，所述将界面元素位置的推荐转化为多臂强盗求解的过程，借助ucb方法根据用户历史操作过程产生的记录求解，计算出界面元素最佳的位置，包括：
4.如权利要求1所述的一种考虑学习交互方式的自适应学习推荐方法，其特征在于，所述学习交互界面推荐模型构建时，使用隐向量分解稀疏矩阵和加入特征交叉。
5.如权利要求1所述的一种考虑学习交互方式的自适应学习推荐方法，其特征在于，所述结合irt模型，获取用户在最佳学习交互界面的学习模拟数据集，包括：基于三参数模型，在为用户推荐的最佳学习交互界面上，结合用户的潜在能力水平，分别模拟练习题目的难度和随...
【专利技术属性】
技术研发人员：盖伟，王雯菲，臧晨宇，李曼祎，刘浩，杨承磊，
申请(专利权)人：山东大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。