本发明专利技术公开了一种基于改进鸽群算法的个性化学习资源推荐方法及系统，所述方法包括：获取学习者的个性化特征和学习需求；将所述个性化特征和学习需求输入至预先训练好的学习资源推荐模型中，所述学习资源推荐模型根据学习者的个性化特征和学习需求构建学习者与个性化学习资源间的多维匹配适应度函数，通过改进鸽群算法求解所述多维匹配适应度函数并输出最优的学习资源序列。该基于改进鸽群算法的个性化学习资源推荐方法及系统，能够根据学习者的个性化特征与学习需求，生成符合其能力水平与兴趣偏好的学习资源序列，为学习者提供更加丰富、多样且个性化的学习体验。
【技术实现步骤摘要】
本专利技术涉及一种基于改进鸽群算法的个性化学习资源推荐方法及系统，属于智慧教育。
技术介绍
1、在当今时代，人工智能技术的迅猛发展与教育应用的深度融合，正以前所未有的速度重塑着学习生态。一个以教师经验引导、学习者主动探索为核心，辅以精细构建的特定领域知识模型为支撑的个性化学习系统框架，正逐步走向成熟与完善。该类系统不仅有效解决了传统教育模式中的地理限制、时间固定和资源有限等问题，还通过其便利性、即时互动以及个性化的学习体验，在智慧教育领域中脱颖而出，成为推动教育创新的重要力量。
2、个性化学习的实现，核心在于三大支柱的稳固构建：学习情境的深度计算能力，学习主体需求的精准理解能力，以及学习服务的高度定制化能力。面对学习者间迥异的认知能力，如何从海量的学习资源中精准筛选出、合理组合并动态生成符合每位学习者独特能力与需求的学习资源序列，成为提升个性化学习效率、实现个性化教育的关键。因此，开发智能化、动态化、个性化学习资源推荐机制，已成为智慧教育领域的研究热点与前沿方向。然而，个性化学习的推进过程中存在诸多挑战。学习者的个性化特征具有高度动态性和不可预测性，难以通过简单量化来全面描述，同时，个性化学习资源的广泛性和多样性（即海量化、异构化）特性，给学习资源推荐带来了显著难题。具体而言，当前的推荐算法在精确捕捉学习者真实需求方面存在局限，推荐流程的效率有待提高，推荐结果的准确性尚不满足期望，学习路径的个性化适配程度仍需加强。这些问题构成了实现个性化学习目标过程中的关键障碍，需要跨学科的技术创新和优化策略来逐一克服。
>3、在“人工智能+教育”快速发展的大背景下，研究者们通过构建多目标优化模型，运用群体智能优化算法，如粒子群优化算法([1]杨超.基于粒子群优化算法的学习资源推荐方法[j].计算机应用,2014,34(05):1350-1353.[2]李浩君,刘中锋,李赛,等.基于改进二进制粒子群算法的个性化网络学习资源推荐方法[j].系统科学与数学,2017,37(08):1770-1779.)等经典方法，以期为每位学生量身定制学习方案。通过不断优化算法参数、改进搜索策略，研究者们力求提升个性化学习资源推荐的精准度与学习路径的优化效果，从而有效促进个性化学习效率的提升。然而，尽管这些技术革新已带来可观进展，演化计算技术在克服早熟收敛、减少重复搜索以及平衡局部探索与全局开发能力方面，仍面临挑战，尚需进一步的技术突破。尤其是随着迭代次数的增加，种群多样性的逐渐丧失，更易导致算法陷入局部最优的困境，进而影响学习者特征和学习资源特征之间的匹配度。4、可见，为根据学习者的个性化特征与学习需求，生成符合其能力水平与兴趣偏好的学习资源序列，亟需一种基于改进鸽群算法的个性化学习资源推荐方法及系统。
技术实现思路
1、本专利技术的目的在于克服现有技术中的不足，提供一种基于改进鸽群算法的个性化学习资源推荐方法及系统，能够根据学习者的个性化特征与学习需求，生成符合其能力水平与兴趣偏好的学习资源序列，为学习者提供更加丰富、多样且个性化的学习体验，同时，在构建的学习资源推荐模型中，创新定义了学习者特征与学习资源特征之间匹配度、学习时间成本及知识点覆盖率与分布均衡性在内的多维评价指标。
2、为达到上述目的，本专利技术是采用下述技术方案实现的：
3、第一方面，本专利技术提供了一种基于改进鸽群算法的个性化学习资源推荐方法，包括：
4、获取学习者的个性化特征和学习需求；
5、将所述个性化特征和学习需求输入至预先训练好的学习资源推荐模型中，所述学习资源推荐模型根据学习者的个性化特征和学习需求构建学习者与个性化学习资源间的多维匹配适应度函数，通过改进鸽群算法求解所述多维匹配适应度函数并输出最优的学习资源序列；
6、所述改进鸽群算法包括：
7、随机初始化鸽群位置及速度；
8、迭代进行第一迭代步骤，直到第一迭代步骤的迭代次数达到预设的第一最大迭代次数时，执行第二迭代步骤，由第二迭代步骤输出最优的学习资源序列；
9、所述第二迭代步骤包括：
10、依据地标引导更新种群个体位置；
11、更新发现概率；
12、判断是否扰动最优个体，若是，实行基于混沌映射的动态步长局部搜索变异策略扰动最优个体，判断是否保留经扰动后的个体，否则，判断各匹配函数值是否均低于阈值或第二迭代步骤是否达到预设的第二最大迭代次数，若符合其中任意条件，输出最优学习资源序列，否则重新执行第二迭代步骤。
13、进一步的，所述迭代步骤包括：
14、依据地标引导更新种群个体位置；
15、更新发现概率；
16、判断是否扰动最优个体，若是，实行基于混沌映射的动态步长局部搜索变异策略扰动最优个体，判断是否保留经扰动后的个体，否则，判断各匹配函数值是否均低于阈值或算法的混合优化阶段是否达到最大迭代次数，若符合其中任意条件，输出最优学习资源，否则重新执行迭代步骤。
17、进一步的，所述多维匹配适应度函数包括五个次级适应度函数，其中，
18、 (1)；
19、表示学习资源包含知识点与学生期望知识点间的差异；
20、 (2)；
21、表示学习资源难度与学生能力水平间的差异；
22、 (3)；
23、为评估完成学习资源所需时间是否超越学生可接受学习时长上限；
24、 (4)；
25、其中；
26、为评估学习资源中知识点覆盖率高低；
27、 (5)；
28、为评估学习资源中知识点分布均衡性；
29、 (6)；
30、(6)式为多维匹配适应度函数，其中、、、及为次级适应度函数权重系数，设匹配阈值；值越小反映推荐的学习资源质量越高，越适合推荐给学生，反之数值越高则学习资源越不适合推荐给学生；
31、学生群体表示为<mstyle displaystyle="true" mathcolor="#000000"><mi>s</mi><mi>=</mi><mrow><mo>[</mo><mrow><msub><mi>s</mi><mn>1</mn></msub><mi>,</mi><mi>…</mi><mi>,</mi><msub><mi>s</mi><mi>n</mi></msub><mi>,</mi><mi>…</mi><mi本文档来自技高网...
【技术保护点】
1.一种基于改进鸽群算法的个性化学习资源推荐方法，其特征是，包括：
2.根据权利要求1所述的基于改进鸽群算法的个性化学习资源推荐方法，其特征是，所述第二迭代步骤包括：
3.根据权利要求2所述的基于改进鸽群算法的个性化学习资源推荐方法，其特征是，所述多维匹配适应度函数包括五个次级适应度函数，其中，
4.根据权利要求3所述的基于改进鸽群算法的个性化学习资源推荐方法，其特征是，采用非强制性决策元素更新法确定最优学习资源，包括：
5.根据权利要求4所述的基于改进鸽群算法的个性化学习资源推荐方法，其特征是，实行基于最优解邻域信息的指南针引导策略更新种群个体，包括：
6.根据权利要求5所述的基于改进鸽群算法的个性化学习资源推荐方法，其特征是，所述依据地标引导更新种群个体位置，包括：
7.根据权利要求6所述的基于改进鸽群算法的个性化学习资源推荐方法，其特征是，所述判断是否保留经扰动后的个体，包括：
8.一种基于改进鸽群算法的个性化学习资源推荐系统，其特征在于，包括：
9.一种计算机设备，其特征在于，包括处理器及存储介质；
10.一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权利要求1~7任一项所述方法的步骤。
...
【技术特征摘要】
1.一种基于改进鸽群算法的个性化学习资源推荐方法，其特征是，包括：
2.根据权利要求1所述的基于改进鸽群算法的个性化学习资源推荐方法，其特征是，所述第二迭代步骤包括：
3.根据权利要求2所述的基于改进鸽群算法的个性化学习资源推荐方法，其特征是，所述多维匹配适应度函数包括五个次级适应度函数，其中，
4.根据权利要求3所述的基于改进鸽群算法的个性化学习资源推荐方法，其特征是，采用非强制性决策元素更新法确定最优学习资源，包括：
5.根据权利要求4所述的基于改进鸽群算法的个性化学习资源推荐方法，其特征是，实行基于最优解邻域信息的指南...
【专利技术属性】
技术研发人员：祁峥东，谢绍虎，陈姝彤，汤赟，杨茜，徐蕴，桂利，亢馨田，孙雅祺，王恒轩，王小正，陆放，张磊，于昊挺，徐进，张羽，高国明，尹小木，庞卜丹，钮曼，韩美琪，刘梦洁，
申请(专利权)人：南京晓庄学院，
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。