一种基于复数传导矩阵的个性化学习内容推荐方法与流程
本技术涉及教育信息化与人工智能,尤其涉及一种基于复数传导矩阵的个性化学习内容推荐方法。
背景技术:
1、在在线教育、智能教学等众多领域,个性化学习内容推荐已经得到广泛应用。用户在学习过程中通常需要针对不同题目进行答题,学习平台根据用户的答题结果以及题目所涉及的知识点,对用户的知识掌握情况进行分析,并依据分析结果向用户推荐相应的学习内容。例如,对于包含多个知识点的课程内容,学习平台可以根据用户针对相关题目的答题正确率、错误率等统计信息,判断用户对相应知识点的掌握程度,并向用户推荐练习题、课程视频或知识讲解内容。当前针对用户知识掌握程度评估及学习内容推荐的手段,基本都是基于单个知识点的答题统计结果展开分析,这种数据处理方式大多将各次答题记录相互独立处理,通过对用户针对同一知识点的答题次数、答题正确率、错误率等统计特征进行计算,得到对应知识点的掌握度,并根据所述掌握度进行学习内容推荐。
2、显然,相关技术中,基于单个知识点答题统计特征进行掌握度评估及学习内容推荐的方案,仅根据用户在当前知识点上的答题结果更新该知识点的掌握度,难以反映用户针对一个知识点的学习或答题行为对其他具有关联关系知识点所产生的掌握度影响;同时,对于知识点数量较多且具有层级关联关系的知识体系,仅通过答题正确率等单一统计指标进行掌握度计算,容易受到用户答题数量、题目难度以及知识点之间关联关系等因素的影响,导致获得的知识点掌握度与用户实际掌握情况存在偏差,进而造成学习内容推荐不准确。
技术实现思路
1、(一)要解决的技术问题
2、鉴于现有技术的上述缺点、不足,本技术提供一种基于复数传导矩阵的个性化学习内容推荐方法,其解决了现有技术中学习内容推荐不准确的技术问题。
3、(二)技术方案
4、为了达到上述目的,本技术采用的主要技术方案包括:
5、一种基于复数传导矩阵的个性化学习内容推荐方法,包括:获取用户针对目标题目的答题记录;其中,所述答题记录至少包括题目标识、答题结果以及末级标签标识,所述末级标签标识用于指示所述目标题目对应的预设知识标签树中的末级标签,所述末级标签用于表征所述目标题目所涉及的知识点;根据所述答题记录中的所述末级标签标识,确定所述答题记录对应的末级标签,并根据所述答题结果对所述答题记录对应的末级标签进行复数编码,以生成与所述预设知识标签树中的各末级标签一一对应的复数扫描向量;将预先构建的复数传导矩阵与所述复数扫描向量进行矩阵相乘,并对矩阵相乘结果取实部,得到所述答题记录对应的各末级标签的掌握度变化值;基于所述用户的多条答题记录分别对应的掌握度变化值,对各所述末级标签对应的掌握度变化值进行累积,得到各末级标签对应的累计掌握度得分,并根据预设归一化参数以及所述用户对应的答题记录数量,对所述累计掌握度得分进行归一化处理,得到各末级标签对应的归一化掌握度;根据所述归一化掌握度与预设掌握度分级阈值之间的关系,确定各末级标签对应的掌握程度等级,并根据各末级标签对应的掌握程度等级,进行相应学习内容推荐。
6、优选地,在本技术的一些实施例中,所述复数传导矩阵通过以下方式预先构建:获取预设的知识标签树以及前置知识链路关系;其中,所述知识标签树包括按照章标签、次末级标签和末级标签形成的三级层次结构,所述章标签用于表征预设知识体系中的知识领域或章节,所述次末级标签用于表征所述章标签下的知识模块,所述末级标签用于表征所述知识模块下与目标题目直接关联的具体知识点;所述知识标签树还包括各章标签对应的章权重、各次末级标签对应的次末级权重以及各末级标签对应的难度值,所述难度值为针对各末级标签预先配置的、用于表征对应具体知识点认知难度的参数;根据所述三级层次结构确定任一源末级标签与任一目标末级标签之间的传导路径类型,并根据所述传导路径类型、所述源末级标签和所述目标末级标签对应的章权重、次末级权重及难度值,以及所述源末级标签与所述目标末级标签之间的前置知识链路关系,分别确定所述源末级标签答题正确时对所述目标末级标签产生的加分系数,以及所述源末级标签答题错误时对所述目标末级标签产生的减分系数;将各所述源末级标签与各所述目标末级标签之间对应的所述加分系数和所述减分系数分别编码为复数的实部和虚部,以构建所述复数传导矩阵;其中,所述复数传导矩阵的行分别对应各目标末级标签,列分别对应各源末级标签,每一行与每一列的交叉位置对应一个矩阵元素,所述矩阵元素用于表示对应的源末级标签向对应的目标末级标签传导时的传导关系,所述矩阵元素的实部表示对应的源末级标签答题正确时对对应的目标末级标签的加分系数,所述矩阵元素的虚部表示对应的源末级标签答题错误时对对应的目标末级标签的减分系数的绝对值。
7、优选地,在本技术的一些实施例中,所述前置知识链路关系包括源末级标签、目标末级标签以及所述源末级标签与所述目标末级标签之间的前置等级;其中,所述源末级标签用于表示作为前置知识的知识点对应的末级标签,所述目标末级标签用于表示依赖所述前置知识进行学习或理解的知识点对应的末级标签,所述前置等级用于表示所述源末级标签对应的知识点与所述目标末级标签对应的知识点之间的前置依赖层级;其中,所述前置等级包括等级0、等级1和等级2;其中,所述等级0表示所述源末级标签对应的知识点与所述目标末级标签对应的知识点之间不存在前置依赖关系,所述等级1表示所述源末级标签对应的知识点作为所述目标末级标签对应的知识点的前置知识,且所述源末级标签对应的知识点与所述目标末级标签对应的知识点之间具有一级前置依赖关系,所述等级2表示所述源末级标签对应的知识点作为所述目标末级标签对应的知识点的前置知识,且所述源末级标签对应的知识点与所述目标末级标签对应的知识点之间具有二级前置依赖关系;根据所述前置等级分别确定对应的加分放大系数和减分放大系数。
8、优选地,在本技术的一些实施例中,根据所述三级层次结构确定任一源末级标签与任一目标末级标签之间的传导路径类型,具体包括:当所述源末级标签与所述目标末级标签为所述三级层次结构中同一末级标签时,将所述源末级标签与所述目标末级标签之间的传导路径类型确定为自身传导路径;当所述源末级标签与所述目标末级标签属于所述三级层次结构中同一次末级标签且为不同末级标签时,将所述源末级标签与所述目标末级标签之间的传导路径类型确定为同次末级传导路径;当所述源末级标签与所述目标末级标签属于所述三级层次结构中同一章标签下的不同次末级标签时,将所述源末级标签与所述目标末级标签之间的传导路径类型确定为同章跨次末级传导路径;当所述源末级标签与所述目标末级标签属于所述三级层次结构中不同章标签时,将所述源末级标签与所述目标末级标签之间的传导路径类型确定为跨章传导路径。
9、优选地,在本技术的一些实施例中,确定所述源末级标签答题正确时对所述目标末级标签产生的加分系数,以及所述源末级标签答题错误时对所述目标末级标签产生的减分系数的过程,具体包括:对于所述自身传导路径,将所述源末级标签答题正确时对所述目标末级标签产生的加分系数确定为1,并将所述源末级标签答题错误时对所述目标末级标签产生的减分系数确定为1;对于所述同次末级传导路径、所述同章跨次末级传导路径以及所述跨章传导路径,分别根据所述传导路径类型确定对应的预设路径系数;根据所述源末级标签对应的难度值与所述目标末级标签对应的难度值之间的关系,按照预设难度影响系数确定规则确定难度影响系数;根据所述源末级标签对应的次末级权重与所述目标末级标签对应的次末级权重之间的关系,按照预设次末级权重影响系数确定规则确定次末级权重影响系数;以及根据所述源末级标签对应的章权重与所述目标末级标签对应的章权重之间的关系,按照预设章权重影响系数确定规则确定章权重影响系数;根据所述预设路径系数、所述难度影响系数、所述次末级权重影响系数、所述章权重影响系数以及所述前置等级对应的预先配置的加分放大系数,确定所述源末级标签答题正确时对所述目标末级标签产生的加分系数;根据所述预设路径系数、所述难度影响系数、所述次末级权重影响系数、所述章权重影响系数以及所述前置等级对应的预先配置的减分放大系数,确定所述源末级标签答题错误时对所述目标末级标签产生的减分系数;其中,所述加分系数和所述减分系数均为非负数。
10、优选地,在本技术的一些实施例中,根据所述答题结果对所述答题记录对应的末级标签进行复数编码,以生成与所述末级标签一一对应的复数扫描向量,具体包括:针对所述预设知识标签树中的每一末级标签,根据所述答题记录确定所述末级标签是否被涉及,并在确定所述末级标签被涉及的情况下,根据所述答题结果确定所述末级标签对应的答题状态;对于答题状态表征答题正确的末级标签,将对应的复数扫描向量元素设置为第一实数值;对于答题状态表征答题错误的末级标签,将对应的复数扫描向量元素设置为虚数单位i;对于未被所述答题记录涉及的末级标签,将对应的复数扫描向量元素设置为0。
11、优选地,在本技术的一些实施例中,将预先构建的复数传导矩阵与所述复数扫描向量进行矩阵相乘,对矩阵相乘结果取实部,得到所述答题记录对应的各目标末级标签的掌握度变化值,具体包括:将所述复数传导矩阵中的每一矩阵元素确定为对应源末级标签与目标末级标签之间的复数传导系数,其中,所述复数传导系数的实部为所述源末级标签答题正确时对所述目标末级标签产生的加分系数,所述复数传导系数的虚部为所述源末级标签答题错误时对所述目标末级标签产生的减分系数的绝对值;将所述复数扫描向量中的每一元素分别与所述复数传导矩阵中对应源末级标签与目标末级标签之间的复数传导系数进行复数相乘,得到对应的复数相乘结果;当所述源末级标签对应的答题结果为答题正确时,将所述复数传导系数与所述第一实数值进行复数相乘,并将所得复数相乘结果的实部确定为所述源末级标签对所述目标末级标签产生的掌握度变化量,所述掌握度变化量为正向掌握度变化量,且所述正向掌握度变化量等于所述复数传导系数的实部对应的加分系数;其中,所述第一实数值为1;当所述源末级标签对应的答题结果为答题错误时,将所述复数传导系数与所述虚数单位i进行复数相乘,并将所得复数相乘结果的实部确定为所述源末级标签对所述目标末级标签产生的掌握度变化量,所述掌握度变化量为负向掌握度变化量,且所述负向掌握度变化量等于所述复数传导系数的虚部对应的减分系数的负值;当所述源末级标签未被所述答题记录涉及时,将所述复数传导系数与0进行相乘,使所述源末级标签对应的掌握度变化量为0;针对每一所述目标末级标签,对各所述源末级标签对应的掌握度变化量进行累加,并将累加结果的实部确定为所述目标末级标签对应的掌握度变化值。
12、优选地,在本技术的一些实施例中,预设归一化参数为包括预设归一化倍数和传导系数标准差;其中,所述传导系数标准差根据所述复数传导矩阵中的复数传导系数确定。
13、优选地,在本技术的一些实施例中,根据所述归一化掌握度与预设掌握度分级阈值之间的关系,确定各末级标签对应的掌握程度等级,并根据各末级标签对应的掌握程度等级,进行相应学习内容推荐,具体包括:根据所述归一化掌握度与预设掌握度分级阈值之间的关系,确定各末级标签对应的掌握程度等级,并根据所述掌握程度等级从各所述末级标签中确定待加强末级标签;根据所述待加强末级标签对应的掌握程度等级、所述待加强末级标签与所述源末级标签之间的前置知识链路关系,以及所述待加强末级标签所属的章标签和次末级标签,确定所述待加强末级标签对应的学习优先级;根据所述学习优先级以及预先建立的末级标签与学习内容之间的对应关系,从与各所述待加强末级标签对应的学习内容中确定推荐学习内容,并生成针对所述用户的个性化学习推荐结果。
14、优选地,在本技术的一些实施例中,所述根据所述待加强末级标签对应的掌握程度等级、所述待加强末级标签与所述源末级标签之间的前置知识链路关系,以及所述待加强末级标签所属的章标签和次末级标签,确定所述待加强末级标签对应的学习优先级,具体包括:根据各所述待加强末级标签对应的掌握程度等级,按照掌握程度等级由低到高的顺序对各所述待加强末级标签进行排序,得到第一学习优先级排序结果;针对各所述待加强末级标签,根据所述前置知识链路关系确定作为所述待加强末级标签的前置知识的源末级标签,并根据所述源末级标签与所述待加强末级标签之间的前置等级确定对应的前置依赖关系;当所述源末级标签为所述待加强末级标签的前置知识,且所述源末级标签对应的掌握程度等级低于所述待加强末级标签对应的掌握程度等级时,根据所述前置依赖关系,将所述源末级标签在所述第一学习优先级排序结果中的排序位置调整至所述待加强末级标签之前;当所述源末级标签与所述待加强末级标签之间不存在前置知识链路关系,或者所述源末级标签对应的掌握程度等级不低于所述待加强末级标签对应的掌握程度等级时,保持所述第一学习优先级排序结果不变;根据调整后的第一学习优先级排序结果,确定各所述待加强末级标签对应的学习优先级。
15、(三)有益效果
16、本技术实施例提供的一种基于复数传导矩阵的个性化学习内容推荐方法,通过获取用户针对目标题目的答题记录,并利用所述答题记录中的末级标签标识确定目标题目所涉及的末级标签,从而能够将用户的答题结果与预设知识标签树中的具体知识点建立对应关系;进一步根据所述答题结果对所述答题记录对应的末级标签进行复数编码,生成与预设知识标签树中的各末级标签一一对应的复数扫描向量,使得用户针对目标题目的答题结果能够以统一的数据形式表征,并为后续对不同末级标签之间的关联影响进行计算提供数据基础。因此,相较于仅根据单个知识点的答题正确率、错误率等统计特征进行掌握度评估的方式,本技术能够基于用户的答题记录对知识点掌握情况进行更全面的分析。
17、进一步地,本技术通过将预先构建的复数传导矩阵与所述复数扫描向量进行矩阵相乘,并对矩阵相乘结果取实部,得到所述答题记录对应的各末级标签的掌握度变化值,使得一次答题记录所对应的答题结果能够用于确定多个末级标签对应的掌握度变化值,而不再局限于仅对当前答题所对应的单个知识点进行掌握度更新。由此,能够利用预设知识标签树所反映的知识点关联关系,将用户针对一个知识点的答题行为所对应的掌握度变化反映至相关末级标签,从而提高不同知识点之间关联信息的利用程度,并使获得的各末级标签的掌握度变化值能够更加全面地反映用户答题行为所对应的知识掌握状态变化。
18、进一步地,本技术基于用户的多条答题记录分别对应的掌握度变化值,对各末级标签对应的掌握度变化值进行累积,得到各末级标签对应的累计掌握度得分,并根据预设归一化参数以及用户对应的答题记录数量,对所述累计掌握度得分进行归一化处理,得到各末级标签对应的归一化掌握度。通过对多条答题记录对应的掌握度变化值进行累积,能够综合利用用户的历史答题记录,而不是仅依据单次答题结果确定知识点掌握情况;同时,通过结合用户对应的答题记录数量进行归一化处理,能够降低不同用户答题数量差异或者同一用户不同知识点答题次数差异对掌握度评价结果的影响,使不同末级标签对应的掌握程度具有更加一致的评价尺度,从而提高知识点掌握程度评价的稳定性和准确性。
19、进一步地,本技术根据所述归一化掌握度与预设掌握度分级阈值之间的关系,确定各末级标签对应的掌握程度等级,并根据各末级标签对应的掌握程度等级进行相应学习内容推荐,使学习内容推荐能够与用户在不同末级标签上的实际掌握程度相对应。由此,可以针对不同掌握程度的末级标签确定相应的学习需求,避免仅依据有限的答题统计结果进行统一推荐,从而提高学习内容与用户实际知识掌握情况之间的匹配程度,实现更加准确的个性化学习内容推荐。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com