基于知识图谱的个性化学习资源智能推荐方法与系统

本发明涉及智能推荐，具体是基于知识图谱的个性化学习资源智能推荐方法与系统。

背景技术：

1、随着教育信息化与个性化教学模式的深度普及，课堂教学与数字化学习融合，各类学习资源呈现海量增长、多模态呈现的发展趋势，个性化学习资源推荐作为教学、因材施教的核心支撑，其适配性、精准性与科学性直接影响学生知识掌握效果、学习效率提升及课堂教学目标的落地达成。

2、然而，传统学习资源推荐方式在应对海量资源筛选、知识点关联匹配、学情适配等场景时，往往面临以下问题：首先，推荐精准性不足，易引发信息过载与学习迷航，传统推荐多依赖协同过滤、关键词简单匹配等方式，未结合学科知识体系与知识点内在逻辑，推送资源与学生真实学习需求、知识掌握状态脱节；其次，缺乏知识语义关联与薄弱点智能诊断能力，传统推荐未构建学科知识图谱，无法挖掘知识点间的先决、关联、包含等关系，仅基于学习行为浅层分析，难以识别学生知识薄弱节点，推荐内容缺乏针对性，无法有效弥补知识漏洞；此外，推荐模式静态僵化，缺乏个性化学习规划与动态适配能力，传统方法多为单一资源推送，未结合学生历史学习数据、学习用时规划个性化学习方案，也未对学习方案与学生学情的匹配度进行量化评估，无法适配不同学生的学习节奏与能力差异。

技术实现思路

1、本发明的目的在于提供基于知识图谱的个性化学习资源智能推荐方法与系统，以解决现有技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：基于知识图谱的个性化学习资源智能推荐方法，该方法包括以下步骤：

3、获取课堂教学目标对应的知识点集合；

4、基于知识图谱映射知识点集合，生成历史学习数据集合；

5、其中，所述知识图谱中的节点为知识节点并对应教学知识点，边对应知识点间关系；

6、计算学生在知识节点的历史掌握深度值，将低于预设掌握程度阈值的知识节点标记为薄弱知识点，形成薄弱知识点集合；

7、规划个性化学习方案，确定知识节点的学习顺序与预计用时，遍历并结合薄弱知识点集合进行判定，统计其中薄弱知识点总数；

8、计算学生与学习方案的匹配值；

9、基于所述匹配值及学习方案中各知识节点的资源预计用时，构建推荐模型计算学习方案的推荐得分；遍历学习方案获取推荐得分集合；选取最高得分方案推送，并根据用户完成情况更新历史数据或继续推荐下一方案。

10、获取课堂教学目标对应的知识点集合；基于知识图谱映射知识点集合，生成历史学习数据集合，具体步骤包括：

11、获取课堂教学目标，提取所述课堂教学目标所覆盖的知识点集合；

12、基于知识图谱将所述知识点集合进行映射，其中，知识图谱中的节点称为知识节点，知识节点对应教学知识点，知识图谱中的边对应知识点之间的先决关系、关联关系或包含关系；

13、具体的，将课堂教学目标所覆盖的各个教学知识点分别映射为知识图谱中的知识节点，使每一个知识节点唯一对应一个教学知识点；根据知识点之间的内在逻辑关系，在相应的知识节点之间构建边，所述边用于表征知识点之间的先决关系、关联关系或包含关系；其中，先决关系表示一个知识点的学习依赖于另一知识点的掌握，关联关系表示多个知识点之间具有并列或相互支撑的联系，包含关系表示一个知识点由若干子知识点组成；通过上述映射，将所述知识点集合转换为由知识节点和边构成的结构化知识图谱子图；

14、生成历史学习数据集合{h1,h2,...,hk,...,hk}，其中，hk表示第k个学生的历史学习数据信息，k表示班级学生总人数；

15、任意选取一个学生的历史学习数据信息为ha；所述历史学习数据信息包括学生在知识图谱中各知识节点的历史答题正确率ran以及历史学习停留时长tan，其中，ran表示学生a在知识节点n的历史答题正确率，tan表示学生a在知识节点n的历史学习停留时长，n＝1,2,…,n，n表示课堂教学目标所覆盖的知识点总数，a∈{1,2,…,k}。

16、计算学生在知识节点的历史掌握深度值，将低于预设掌握程度阈值的知识节点标记为薄弱知识点，形成薄弱知识点集合，具体步骤包括：

17、计算学生a在知识节点n的历史掌握深度值，定义如下所示：dan＝[ran＋(ran/tan)]×wn；其中，dan表示学生a在知识节点n的历史掌握深度值，wn表示预设的知识节点n在课堂教学目标中的权重系数；

18、对学生的历史学习数据信息进行遍历，得到学生在各知识节点上的历史掌握深度值；

19、对历史掌握深度值小于预设掌握程度阈值的知识节点进行标记，形成学生历史薄弱知识点集合为ba，ba＝{ba1,ba2,...,ban',...,ban'}，ban'表示学生a在第n'个知识节点上的历史掌握深度值低于预设掌握程度阈值，n'表示学生在课堂教学目标所覆盖的知识点中检测得到掌握不足的知识点总数，ba表示学生a的历史薄弱知识点集合；

20、其中，所述预设掌握程度阈值采用百分位数方式确定，对于课堂教学目标所覆盖的任一知识节点n，获取班级内所有k个学生在该知识节点的历史掌握深度值集合{d1n,d2n,...,dkn,...,dkn}，计算该集合的第p百分位数作为该知识节点的预设掌握程度阈值，p表示百分位系数；当学生a在知识节点n的历史掌握深度值dan小于预设掌握程度阈值时，将该知识节点标记为薄弱知识点。

21、规划个性化学习方案，确定知识节点的学习顺序与预计用时，遍历并结合薄弱知识点集合进行判定，统计其中薄弱知识点总数，具体步骤包括：

22、基于学生的当前掌握的知识节点以及课堂教学目标所覆盖的知识点集合进行学习方案规划，生成个性化学习方案，任意选取一个学习方案记为sc，根据学习方案sc分别得到学习方案sc第i个学习顺序对应的知识节点为l(ci)以及学习方案sc规划的第i个知识节点上学习推荐资源所需的预计用时t(ci)，其中，t(ci)表示学生在学习方案sc规划的第i个知识节点上学习推荐资源所需的预计用时，l(ci)表示按照学习方案sc第i个学习顺序对应的知识节点；

23、规划个性化学习方案具体为：基于学生当前已掌握的知识节点与课堂教学目标所覆盖的知识节点集合，结合知识图谱中知识节点之间的先决关系、关联关系及包含关系，生成多条候选学习方案；每条学习方案以知识节点为基本单元，按照知识图谱中的先决关系约束确定知识节点的学习顺序，确保任何知识节点在其依赖的前序知识节点之后出现；学习方案根据侧重点不同分为多种类型，包括完整覆盖型方案、薄弱点聚焦型方案及关键节点强化型方案，其中完整覆盖型方案包含所有教学目标覆盖的知识节点，薄弱点聚焦型方案仅包含学生薄弱知识点集合中的知识节点及必要的依赖节点，关键节点强化型方案在薄弱点基础上补充连接前后知识的关键节点；每条学习方案生成后，分别记录其中知识节点的排列顺序；

24、预计用时根据知识节点对应的推荐资源属性及学生个体学习特征综合确定，具体为：

25、对于学习方案中的任一知识节点，获取该知识节点所关联的推荐资源集合，包括教学视频、习题练习及知识点讲解，并分别提取各资源的预设标准用时；同时，获取该学生在历史学习过程中完成各类资源所用的实际时长，分别计算该学生在各类资源上的学习速度系数，具体为：对于每一类资源，将该学生历史上完成该类资源所有记录的实际用时之和除以对应的预设标准用时之和，得到该类资源的学习速度系数；

26、根据所述知识节点所关联推荐资源的类型构成，确定该知识节点对应的综合学习速度系数，具体为：若知识节点仅关联单一类型资源，则以该类资源的学习速度系数作为综合学习速度系数；若知识节点关联多种类型资源，则对各类资源的学习速度系数按照各类型资源的标准用时占比进行加权平均，得到综合学习速度系数；

27、将所述知识节点下所有推荐资源的预设标准用时之和乘以所述综合学习速度系数，得到该学生在所述知识节点上的预计用时；

28、当学生完成当前学习方案中的第i−1个知识节点后，开始学习第i个知识节点时，根据学生历史学习数据计算其在该知识节点上的历史掌握深度值da,l(ci)，其中，da,l(ci)表示学生a在知识节点l(ci)的历史掌握深度值，查询所述学生历史薄弱知识点集合ba，若l(ci)∈ba，则将该知识节点标记为学生a的薄弱知识点；对学习方案sc中所有知识节点进行遍历，统计被标记为薄弱知识点的节点个数z，其中，z表示学习方案中属于学生薄弱知识节点的累计个数。

29、计算学生与学习方案的匹配值，具体步骤包括：

30、计算学生与学习方案的匹配值，定义如下所示：ec=1-z/i；其中，ec表示学生与学习方案sc之间的匹配值，i表示学习方案包含的知识节点总数。

31、基于所述匹配值及学习方案中各知识节点的资源预计用时，构建推荐模型计算学习方案的推荐得分；遍历学习方案获取推荐得分集合；选取最高得分方案推送，并根据用户完成情况更新历史数据或继续推荐下一方案，具体步骤包括：

32、构建学习资源推荐模型，定义如下所示：yc=ec/σi=1it(ci)；其中，yc表示学习方案sc的推荐得分；

33、对生成的学习方案进行遍历，得到全部学习方案的推荐得分集合；

34、依据所述学习方案的推荐得分选取最高推荐得分的学习方案作为推送结果，确定学习资源序列对用户进行资源推送，若用户完成推送的学习方案中的全部学习资源，则记录学习进度并更新用户历史学习数据；若用户未完成或主动请求更换方案，则继续推荐下一个得分最高的学习方案，直至用户完成学习或所有学习方案均被尝试完毕。

35、基于知识图谱的个性化学习资源智能推荐系统，该系统包括：

36、数据采集模块、知识映射模块、方案规划模块和推荐推送模块；

37、所述数据采集模块的输出端连接所述知识映射模块的输入端；所述知识映射模块的输出端连接所述方案规划模块的输出端；所述方案规划模块的输出端连接所述推荐推送模块的输入端。

38、所述数据采集模块包括目标获取单元、历史获取单元；

39、所述目标获取单元获取课堂教学目标，提取所覆盖的知识点集合；

40、所述历史获取单元用于获取学生历史学习数据，包括各知识节点的答题正确率及学习停留时长；

41、所述知识映射模块包括图谱构建单元、深度计算单元、薄弱识别单元；

42、所述图谱构建单元用于基于知识图谱将知识点映射为知识节点，建立节点间先决、关联、包含关系；

43、所述深度计算单元用于计算学生在各知识节点的历史掌握深度值；

44、所述薄弱识别单元用于确定预设掌握程度阈值，标记薄弱知识点，形成薄弱集合。

45、所述方案规划模块包括方案生成单元、用时预估单元、匹配计算单元；

46、所述方案生成单元用于基于学生当前掌握情况及教学目标，生成个性化学习方案；

47、所述用时预估单元预估学习方案中各知识节点的学习资源预计用时；

48、所述匹配计算单元用于结合薄弱集合判定学习方案中薄弱节点个数，计算学生与学习方案的匹配值；

49、所述推荐推送模块包括得分计算单元、方案筛选单元、反馈更新单元；

50、所述得分计算单元用于基于匹配值及资源用时构建推荐模型，计算各学习方案推荐得分；

51、所述方案筛选单元用于遍历所有学习方案，选取最高得分方案作为推送结果；

52、所述反馈更新单元用于根据用户完成情况更新历史数据，或继续推荐下一方案。

53、与现有技术相比，本发明的有益效果是：

54、1、通过基于知识图谱构建学科知识点关联体系，结合学生历史答题正确率、学习停留时长多维度学习数据，计算知识节点掌握深度，识别学生薄弱知识点；

55、2、结合学习顺序、预计用时及学情匹配度计算方案推荐得分，筛选最优学习方案并根据学习进度更新历史数据，与现有技术中静态单一的资源推送不同，本发明能够根据学生学情差异与学习状态，自动生成适配的个性化学习方案并择优推送。