一种基于学习路径的考研在线课程资源智能推送优化方法与流程

本发明涉及在线教育、智能推荐与教育大数据，尤其是一种基于学习路径的考研在线课程资源智能推送优化方法。

背景技术：

1、随着在线教育的快速发展，考研在线课程资源规模持续增长，考生面临资源过载、选择成本高的问题，传统的课程推送多采用通用化推荐策略，难以适配考研备考的阶段性、体系化特点，存在以下不足：

2、1、推送逻辑脱离考研完整学习路径，仅基于单点知识点或用户浏览记录推荐，缺乏全局备考规划的引导性；

3、2、资源匹配维度单一，难以同时兼顾知识点契合度、难度适配性与学习时长合理性，推送精准度不足；

4、3、缺乏动态反馈优化机制，无法根据用户实时学习效果调整推送策略，难以适配考生不同备考阶段的能力变化。

5、因此，针对上述技术问题有必要提出一种基于学习路径的考研在线课程资源智能推送优化方法。

技术实现思路

1、本发明提供了一种多校区实验室设备分时共享预约动态分配优化方法，通过构建跨校区统一资源池、多目标优化分配算法、动态冲突消解与反馈迭代机制，实现多校区实验设备的高效共享与智能调度，提升设备整体利用率与用户预约满意度。

2、为实现上述目的，本发明采用如下技术方案：

3、一种基于学习路径的考研在线课程资源智能推送优化方法，包括以下步骤：

4、s1、采集考研用户的基础信息与历史学习行为数据，构建多维度用户学习画像；

5、s2、根据用户目标院校专业、考试科目与当前知识掌握水平，生成阶段性动态学习路径，所述学习路径包含多个按知识逻辑排序的学习节点；

6、s3、基于当前学习节点与用户画像，计算各在线课程资源与学习需求的匹配度，按匹配度排序生成初始推送列表；

7、s4、实时采集用户在学习过程中的行为数据与测评数据，更新知识掌握状态并动态调整学习路径；

8、s5、根据学习效果反馈数据迭代优化推送匹配模型，输出优化后的课程资源推送结果。

9、优选地，所述步骤s1中构建多维度用户学习画像的具体步骤包括：采集用户的目标专业、考试科目、备考周期基础属性数据，以及历史学习时长、知识点正确率、错题分布、学习时段偏好行为数据，分别提取属性特征与行为特征并进行归一化处理，生成用户特征向量。

10、优选地，所述步骤s2中生成阶段性动态学习路径的具体步骤包括：依据考研大纲构建知识点知识图谱，根据用户当前知识掌握水平确定起始节点，结合备考剩余时长与知识点权重分配学习进度，生成包含基础阶段、强化阶段、冲刺阶段的三级学习路径，每个阶段对应若干知识点学习节点。

11、优选地，所述步骤s3中计算各在线课程资源与学习需求的匹配度，具体通过以下匹配度计算公式得到：

12、；

13、其中为第个课程资源的匹配度值，为课程资源与当前学习节点知识点的重合度，为课程难度与用户当前水平的适配度，为课程时长与用户当前可用学习时长的适配度；、、分别为对应权重系数，且满足。

14、优选地，所述知识点重合度通过课程资源覆盖的目标知识点数量与当前学习节点包含的总知识点数量的比值计算得到；所述课程难度适配度根据用户历史测评正确率与课程对应的难度等级进行映射计算；所述时长适配度根据用户单次平均学习时长与课程单节时长的偏差程度计算。

15、优选地，所述步骤s4中更新知识掌握状态并动态调整学习路径，具体通过学习路径节点掌握度评分公式计算各节点的掌握程度，公式如下：

16、；

17、其中为第个学习节点的掌握度评分，为该节点对应的错题数量，为该节点对应的总答题数量，为该节点在当前学习阶段的权重值；当低于预设阈值时，在学习路径中插入该节点对应的补学资源节点。

18、优选地，所述步骤s4中实时采集的学习行为数据包括：学习停留时长、倍速播放占比、暂停回看次数、随堂测试正确率、错题标记数量，通过多维度行为数据融合计算用户的专注度指标，当专注度低于预设阈值时，调整后续推送课程的时长与难度。

19、优选地，所述步骤s5中根据学习效果反馈数据迭代优化推送匹配模型，具体包括：以用户学习后的测评成绩提升幅度作为反馈标签，采用梯度下降法更新匹配度计算中的权重系数、、，实现推送模型的动态优化。

20、优选地，所述采用梯度下降法更新权重系数的过程中，引入学习效果反馈修正系数，修正后的学习率计算公式为：

21、；

22、其中为第轮迭代的学习率，为初始学习率，为第轮反馈对应的成绩提升值，为预设的成绩提升基准值；当成绩提升显著时增大学习率，加快模型收敛速度。

23、优选地，所述步骤s3生成初始推送列表时，针对考研公共课与专业课分别构建资源池，公共课资源按照学科模块分类，专业课资源按照目标院校考试大纲知识点分类，推送时优先匹配对应类别的资源；

24、所述步骤s4中还包括：根据用户的错题数据，关联知识图谱中对应的前置知识点与关联知识点，在推送当前节点课程的同时，补充推送前置知识点的回顾课程与关联知识点的拓展课程；所述在线课程资源包括视频课程、电子讲义、习题库、真题解析多种模态资源，推送时根据用户当前学习阶段与学习场景，组合推送不同模态的资源包；

25、所述方法还包括：在每个学习阶段结束后，生成阶段学习评估报告，结合评估结果对下一阶段的学习路径进行全局优化，调整各学习节点的时间分配与资源推送优先级。

26、与现有技术相比，本发明有益效果：

27、1、本发明以阶段性动态学习路径为核心推送框架，替代传统单点式推荐，符合考研备考体系化、分阶段的学习规律，兼具资源推荐与备考规划双重价值。

28、2、本发明通过包含知识点重合度、难度适配度、时长适配度的匹配度算法，从内容、难度、场景三个维度综合评估资源适配性，显著提升推送精准度。

29、3、本发明通过节点掌握度评估实现学习路径动态调整，通过带修正系数的梯度下降算法实现推送模型迭代优化，能够持续适应用户能力变化与备考阶段演进。

30、4、本发明专门针对考研备考场景设计，适配公共课与专业课的不同资源体系，支持多模态资源组合推送，满足考生多样化学习需求。

1.一种基于学习路径的考研在线课程资源智能推送优化方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于学习路径的考研在线课程资源智能推送优化方法，其特征在于：所述步骤s1中构建多维度用户学习画像的具体步骤包括：采集用户的目标专业、考试科目、备考周期基础属性数据，以及历史学习时长、知识点正确率、错题分布、学习时段偏好行为数据，分别提取属性特征与行为特征并进行归一化处理，生成用户特征向量。

3.根据权利要求1所述的一种基于学习路径的考研在线课程资源智能推送优化方法，其特征在于：所述步骤s2中生成阶段性动态学习路径的具体步骤包括：依据考研大纲构建知识点知识图谱，根据用户当前知识掌握水平确定起始节点，结合备考剩余时长与知识点权重分配学习进度，生成包含基础阶段、强化阶段、冲刺阶段的三级学习路径，每个阶段对应若干知识点学习节点。

4.根据权利要求1所述的一种基于学习路径的考研在线课程资源智能推送优化方法，其特征在于：所述步骤s3中计算各在线课程

5.根据权利要求4所述的一种基于学习路径的考研在线课程资源智能推送优化方法，其特征在于，所述知识点重合度通过课程资源覆盖的目标知识点数量与当前学习节点包含的总知识点数量的比值计算得到；所述课程难度适配度根据用户历史测评正确率与课程对应的难度等级进行映射计算；所述时长适配度根据用户单次平均学习时长与课程单节时长的偏差程度计算。

6.根据权利要求1所述的一种基于学习路径的考研在线课程资源智能推送优化方法，其特征在于：所述步骤s4中更新知识掌握状态并动态调整学习路径，具体通过学习路径节点掌握度评分公式计算各节点的掌握程度，公式如下：

7.根据权利要求1所述的一种基于学习路径的考研在线课程资源智能推送优化方法，其特征在于：所述步骤s4中实时采集的学习行为数据包括：学习停留时长、倍速播放占比、暂停回看次数、随堂测试正确率、错题标记数量，通过多维度行为数据融合计算用户的专注度指标，当专注度低于预设阈值时，调整后续推送课程的时长与难度。

8.根据权利要求1所述的一种基于学习路径的考研在线课程资源智能推送优化方法，其特征在于：所述步骤s5中根据学习效果反馈数据迭代优化推送匹配模型，具体包括：以用户学习后的测评成绩提升幅度作为反馈标签，采用梯度下降法更新匹配度计算中的权重系数、、，实现推送模型的动态优化。

9.根据权利要求8所述的一种基于学习路径的考研在线课程资源智能推送优化方法，其特征在于：所述采用梯度下降法更新权重系数的过程中，引入学习效果反馈修正系数，修正后的学习率计算公式为：

10.根据权利要求1所述的一种基于学习路径的考研在线课程资源智能推送优化方法，其特征在于，所述步骤s3生成初始推送列表时，针对考研公共课与专业课分别构建资源池，公共课资源按照学科模块分类，专业课资源按照目标院校考试大纲知识点分类，推送时优先匹配对应类别的资源；