【技术实现步骤摘要】
本专利技术属于计算机，具体涉及一种面向学习者胜任力模型的知识点智能导航方法。
技术介绍
1、“构建网络化、数字化、个性化、终身化的教育体系”是实现建设学习型社会的重要条件。在移动互联网、大数据、人工智能、云计算等众多新技术的支持下，教育模式、教学方法、学习方式等均在发生深刻变革，促使我国教育向着智慧化、智能化的方向迈进，其中“关注学习者的个体差异”“为每个学习者提供合适的教育”这些理念在社会上逐渐共识，个性化教育与个性化学习成为解决当前社会教育供需矛盾的主要途径。以自媒体为代表的新媒体环境下，学习资源极大丰富，如何利用智能技术为学习者提供定制化的学习路径是当前个性化学习研究领域一个热点。
2、现有的个性化推荐课程是基于学习者之前的学习水平和学习目标，平台会定制学习路径使学习者有效的进行学习。一些个性化学习平台还会使用机器学习算法来分析学习者的学习行为和能力等，从而进行学习课程推荐。但该方法也存在一些缺点，比如该算法会偏向于推荐学习者过去比较感兴趣的内容，过度依赖学习者的一些历史行为来进行推荐，会导致学习者没有办法学习到更新的知识，并且该算法推荐可能会受到系统中的一些偏见的影响，使对一些学习者的分析产生一些偏差，影响了推荐系统的准确性和公平性。
技术实现思路
1、为了解决现有技术中存在的问题，本专利技术提供一种面向学习者胜任力模型的知识点智能导航方法，基于学习者学习能力、知识背景、学习兴趣、达成目标等方面的差异，通过智能技术为学习者定制一条符合教育规律且能达到学习目标的学
2、为了实现上述目的，本专利技术采用的技术方案是：一种面向学习者胜任力模型的知识点智能导航方法，基于低成本的深度神经网络模型，从知识点层面，获取到一个学习者的初始胜任力信息和达到目标胜任力所要学习的目标知识点，为学习者推荐一个当前能学习的知识点，学习者进入所包含该知识点的课程进行学习，在学习前后进行测验，根据奖励函数计算出执行完当前动作所获得的奖励，并在学习结束后，根据获得的奖励为学习者推荐下一个知识点，不断重复；直至学习者学习到目标知识点，达到目标胜任力，得到学习者所达到目标胜任力所要学习的课程路径；
3、低成本的深度神经网络模型将整个过程转化为由状态st、动作at、奖励rt元素组成的马尔可夫决策过程，通过探索马尔可夫决策过程学习如何生成达到目标胜任力所学课程的课程路线，在学习过程中，当前状态作为智能体的输入，智能体输出一个动作，并得到在当前状态下做这个动作的奖励用于刺激智能体不断学习；
4、其中，当前能学习的知识点从候选知识点集中获取，通过知识点导航方法获取候选知识点集。
5、进一步的，训练低学习成本的深度神经网络模型的具体方法包括以下步骤：
6、s1，随机初始化低学习成本的深度神经网络模型的参数；
7、s2，初始化经验池h；
8、s3，初始化新的课程集合用于存放某一学习者已经学习过且对其胜任力有所提升的课程，集合初始为空；
9、s4，随机选择一个学习者li并获取其目标知识点
10、s5，初始化知识点学习记录并获得初始状态s0；
11、s6，通过知识点导航方法，获取候选知识点集；
12、s7，从候选知识点集中选择一个知识点作为当前动作然后进入包含该知识点的课程进行学习；
13、s8，将完成动作at所产生的新胜任力与初始胜任力相比较，得到当前状态下对应的奖励更新知识点学习记录l，并获取下一步的状态st+1；
14、s9，将此时选择的课程放入集合中；
15、s10，将(st,at,rt,st+1)放入经验池h中。
16、s11，用状态st+1取代st；
17、s12，从经验回放池h中随机采集一个样本(si,ai,ri,si+1)；
18、s13，计算目标q值：
19、s14，计算误差用于训练模型参数；
20、s15，若di-ti＝0，则学习者达到目标胜任力；若di＜ti，则返回从步骤s7依次执行，直至学习者达到目标胜任力。
21、进一步的，从候选知识点集中选择一个知识点作为当前动作时，采用epsilon-greedy算法进行探索。
22、进一步的，通过知识点导航方法获取候选知识点集包括：
23、根据用户的知识点学习记录和知识结构图，筛选出当前适合学习的候选知识点集合。知识点导航方法可以减少所模型在环境中的不必要的探索。
24、已知知识点结构图g结点对应知识点，边对应知识点间的先序关系，是一个有向无环图，已学过的知识点集ka，还未学过的知识点集ke，目标知识点集kt，确定候选知识点集k的步骤为：
25、s21，将所有已学习的知识点ka及知识点ka的边从知识点结构图g中删除；
26、s22，将还未学过的知识点ke放入候选知识点集k中，并从知识点结构图g中删除ke及其边；
27、s23，遍历知识点结构图g中所有结点，若未学过的知识点集ke与目标知识点集kt之间不存在通路，则在知识点结构图g中删除该未学过的知识点；
28、s24，遍历知识点结构图g中所有结点，将所有入度为0的结点存入候选知识点集k中。
29、s25，输出候选知识点集k。
30、进一步的，深度神经网络模型训练过程的损失函数如下：
31、
32、其中xi是dqn算法在训练第i步时使用的目标q值：
33、
34、其中表示q(st,at)初始网络的参数，表示目标网络的参数。
35、进一步的，目标q值通过下式计算：
36、
37、进一步的，初始胜任力和目标胜任力都由学习者的知识构成，初始胜任力和目标胜任力均通过习题测试。
38、进一步的，深度神经网络模型中，设置状态空间，状态s∈s中包含的信息，需要足够使深度神经网络模型判断出在当前状态下能达到目标胜任力所获得学习成本最小的动作，信息包括以下四部分：学习者li、学习者的初始胜任力di、学习者的目标胜任力ti以及学生的课程体系集合
39、选定学习者的信息后，智能体从起点开始，通过学习者li、学习者的初始胜任力di、学习者的目标胜任力ti以及学生的课程体系集合得到当前第t步的状态，表示为
40、
41、给定t步的状态st，从动作空间中选择一个动作执行，在动作空间中，第t步的动作由学习者和学习者选择的一个知识点组成；从当前的动作确定之后，选择下一门课程，第t步的动作表示为表示第t步所对应的学习者，表示第t步所选择的知识点；智能体第t步的动作之后，环境将计算第t步的奖励值，作为当次动作的反馈。
42、进一步的，智能体做出的决策将受到奖励函数的影响，学习者学习完一门课程后，胜任力所提升的幅度越大，则获得的奖励就越大，第t步的奖励rt为：本文档来自技高网...
【技术保护点】
1.一种面向学习者胜任力模型的知识点智能导航方法，其特征在于，基于低成本的深度神经网络模型，从知识点层面，获取到一个学习者的初始胜任力信息和达到目标胜任力所要学习的目标知识点，为学习者推荐一个当前能学习的知识点，学习者进入所包含该知识点的课程进行学习，在学习前后进行测验，根据奖励函数计算出执行完当前动作所获得的奖励，并在学习结束后，根据获得的奖励为学习者推荐下一个知识点，不断重复；直至学习者学习到目标知识点，达到目标胜任力，得到学习者所达到目标胜任力所要学习的课程路径；低成本的深度神经网络模型将整个过程转化为由状态st、动作at以及奖励rt组成的马尔可夫决策过程，通过探索马尔可夫决策过程学习如何生成达到目标胜任力所学课程的课程路线，在学习过程中，当前状态作为智能体的输入，智能体输出一个动作，并得到在当前状态下做这个动作的奖励用于刺激智能体不断学习；其中，当前能学习的知识点从候选知识点集中获取，通过知识点导航方法获取候选知识点集。
2.根据权利要求1所述的面向学习者胜任力模型的知识点智能导航方法，其特征在于，训练低学习成本的深度神经网络模型的具体方法包括以下步骤：>
3.根据权利要求2所述的面向学习者胜任力模型的知识点智能导航方法，其特征在于，从候选知识点集中选择一个知识点作为当前动作时，采用Epsilon-Greedy算法进行探索。
4.根据权利要求2所述的面向学习者胜任力模型的知识点智能导航方法，其特征在于，通过知识点导航方法获取候选知识点集包括：
5.根据权利要求2所述的面向学习者胜任力模型的知识点智能导航方法，其特征在于，深度神经网络模型训练过程的损失函数如下：
6.根据权利要求5所述的面向学习者胜任力模型的知识点智能导航方法，其特征在于，目标Q值通过下式计算：
7.根据权利要求1所述的面向学习者胜任力模型的知识点智能导航方法，其特征在于，初始胜任力和目标胜任力都由学习者的知识构成，初始胜任力和目标胜任力均通过习题测试。
8.根据权利要求1所述的面向学习者胜任力模型的知识点智能导航方法，其特征在于，深度神经网络模型中，设置状态空间，状态s∈S中包含的信息，需要足够使深度神经网络模型判断出在当前状态下能达到目标胜任力所获得学习成本最小的动作，信息包括以下四部分：学习者li、学习者的初始胜任力di、学习者的目标胜任力ti以及学生的课程体系集合
9.根据权利要求1所述的面向学习者胜任力模型的知识点智能导航方法，其特征在于，
10.根据权利要求1所述的面向学习者胜任力模型的知识点智能导航方法，其特征在于，低成本的深度神经网络模型中，进行两次卷积操作，用于对该学习者所要学习的所有的课程进行特征提取，在经过两层卷积后，得到的特征经过重新排列，作为后续含有三层全连接层的神经网络的输入，最终得到当前状态下的可选动作所对应的Q(st,at)值，智能体将选取Q(st,at)值最大的一个动作，作为当前第t步的动作at。
...【技术特征摘要】
1.一种面向学习者胜任力模型的知识点智能导航方法，其特征在于，基于低成本的深度神经网络模型，从知识点层面，获取到一个学习者的初始胜任力信息和达到目标胜任力所要学习的目标知识点，为学习者推荐一个当前能学习的知识点，学习者进入所包含该知识点的课程进行学习，在学习前后进行测验，根据奖励函数计算出执行完当前动作所获得的奖励，并在学习结束后，根据获得的奖励为学习者推荐下一个知识点，不断重复；直至学习者学习到目标知识点，达到目标胜任力，得到学习者所达到目标胜任力所要学习的课程路径；低成本的深度神经网络模型将整个过程转化为由状态st、动作at以及奖励rt组成的马尔可夫决策过程，通过探索马尔可夫决策过程学习如何生成达到目标胜任力所学课程的课程路线，在学习过程中，当前状态作为智能体的输入，智能体输出一个动作，并得到在当前状态下做这个动作的奖励用于刺激智能体不断学习；其中，当前能学习的知识点从候选知识点集中获取，通过知识点导航方法获取候选知识点集。
2.根据权利要求1所述的面向学习者胜任力模型的知识点智能导航方法，其特征在于，训练低学习成本的深度神经网络模型的具体方法包括以下步骤：
3.根据权利要求2所述的面向学习者胜任力模型的知识点智能导航方法，其特征在于，从候选知识点集中选择一个知识点作为当前动作时，采用epsilon-greedy算法进行探索。
4.根据权利要求2所述的面向学习者胜任力模型的知识点智能导航方法，其特征在于，通过知识点导...
【专利技术属性】
技术研发人员：任美睿，姜灿，郭龙江，张立臣，李鹏，李津，
申请(专利权)人：陕西师范大学，
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。