CN109447865A - 一种学习内容推荐方法及*** - Google Patents
一种学习内容推荐方法及*** Download PDFInfo
- Publication number
- CN109447865A CN109447865A CN201811260436.9A CN201811260436A CN109447865A CN 109447865 A CN109447865 A CN 109447865A CN 201811260436 A CN201811260436 A CN 201811260436A CN 109447865 A CN109447865 A CN 109447865A
- Authority
- CN
- China
- Prior art keywords
- learning
- learning records
- records
- decision tree
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000003066 decision tree Methods 0.000 claims abstract description 208
- 230000008569 process Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 description 28
- 238000010586 diagram Methods 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于内容推荐技术领域,公开了一种学习内容推荐方法及***,其方法包括:S100获取用户在学习设备上的学习记录表,学习记录表包括多条学习记录,每条学习记录包括学习内容的属性及对应的学习时长;S200根据学习记录表生成推荐决策树;S300根据每条学习记录对应的学习时长,对推荐决策树中与每条学习记录对应的节点加权;S400根据加权后推荐决策树的节点的权重值,向用户推荐学习内容。本发明根据用户的学习记录表生成推荐决策树,然后根据推荐决策树中的节点的权重值向用户推荐学习内容,使得向用户推荐的学习内容是与用户的学习记录高度相关的内容,提高了推荐效率和推荐准确度。
Description
技术领域
本发明属于内容推荐技术领域,特别涉及一种学习内容推荐方法及***。
背景技术
随着智能终端及网络技术的迅速发展,人们越来越习惯地使用智能终端来完成各种需求,如目前很多家长的工作压力较大,没有较多的时间辅导孩子的学习,所以会利用智能学习设备对孩子进行学习辅导。
目前,为了对不同年龄段的学生进行学习辅导,智能学习设备中收录了大量的学习内容。而随着学习内容的种类和数量的增长,用户需要花费大量的时间和精力在海量的学习内容中查找自己感兴趣和所需的学习内容,导致学习内容查找的效率和准确度较低,从而影响了用户的使用体验。
发明内容
本发明的目的是提供一种学习内容推荐方法及***,通过决策树为用户推荐相关的学习内容,实现提高推荐效率和准确度的目的。
本发明提供的技术方案如下:
第一方面,提供一种学习内容推荐方法,包括:
S100获取用户在学习设备上的学习记录表,所述学习记录表包括多条学习记录,每条学习记录包括学习内容的属性及对应的学习时长;
S200根据所述学习记录表生成推荐决策树,所述推荐决策树的每个节点代表学习内容所属知识体系中不同层级的属性信息;
S300根据每条学习记录对应的学习时长,对所述推荐决策树中与每条学习记录对应的节点加权;
S400根据加权后所述推荐决策树的节点的权重值,向用户推荐学习内容。
优选地,所述的步骤S200根据所述学习记录表生成推荐决策树具体包括:
S210在所述学习记录表中选取一条学习记录作为目标学习记录;
S220根据预设的学习内容的属性分类规则与所述目标学习记录中的学习内容的属性生成推荐决策树;
S230在所述学习记录表剩余的学习记录中选取一条学习记录作为当前学习记录,并根据预设的学习内容的属性分类规则,将所述当前学习记录中的学习内容的属性按层级高低依次与所述推荐决策树中的节点进行对比,当某一节点出现与其包含的属性不同的属性时,根据所述不同的属性,在该节点处生成新的分支节点,并在所述新的分支节点下生成与所述当前学习记录中的学习内容的剩余属性对应的节点;
S240重复步骤S230,当所述当前学习记录为所述学习记录表中的最后一条学习记录时,结束推荐决策树生成过程。
优选地,所述的S220根据预设的学习内容的属性分类规则与所述目标学习记录中的学习内容的属性生成推荐决策树具体包括:
S221根据预设的学习内容的属性分类规则,确定所述目标学习记录中的学习内容的属性对应的层级信息以及每一层级对应的属性信息;
S222根据所述层级信息和每一层级对应的属性信息,生成对应层数的推荐决策树。
优选地,所述的S300根据每条学习记录对应的学习时长,对所述推荐决策树中与每条学习记录对应的节点加权具体包括:
S310在所述学习记录表中选取一条学习记录作为目标学习记录;
S320将所述推荐决策树中与所述目标学习记录的学习内容的属性相关的节点的权重值设置为所述目标学习记录对应的学习时长的值;
S330在所述学习记录表剩余的学习记录中选取一条学习记录作为当前学习记录,将所述推荐决策树中与所述当前学习记录的学习内容的属性相关的节点的权重值加上所述当前学习记录对应的学习时长的值;
S340重复步骤S330,当所述当前学习记录为所述学习记录表中的最后一条学习记录时,流程结束。
优选地,所述的S400根据加权后所述推荐决策树的节点的权重值,向用户推荐学习内容具体包括:
S410根据加权后的所述推荐决策树中的各个节点的权重值,确定各个层级权重值最大的属性信息;
S420根据各个层级权重值最大的属性信息,向用户推荐学习内容。
第二方面,还提供一种学习内容推荐***,包括:
获取模块,用于获取用户在学习设备上的学习记录表,所述学习记录表包括多条学习记录,每条学习记录包括学习内容的属性及对应的学习时长;
决策树生成模块,用于根据所述学习记录表生成推荐决策树,所述推荐决策树的每个节点代表学习内容所属知识体系中不同层级的属性信息;
节点加权模块,用于根据每条学习记录对应的学习时长,对所述推荐决策树中与每条学习记录对应的节点加权;
推荐模块,用于根据加权后所述推荐决策树的节点的权重值,向用户推荐学习内容。
优选地,所述决策树生成模块包括:
第一选取单元,用于在所述学习记录表中选取一条学习记录作为目标学习记录;
决策树生成单元,用于根据预设的学习内容的属性分类规则与所述目标学习记录中的学习内容的属性生成推荐决策树;
新节点生成单元,用于在所述学习记录表剩余的学习记录中选取一条学习记录作为当前学习记录,并根据预设的学习内容的属性分类规则,将所述当前学习记录中的学习内容的属性按层级高低依次与所述推荐决策树中的节点进行对比,当某一节点出现与其包含的属性不同的属性时,根据所述不同的属性,在该节点处生成新的分支节点,并在所述新的分支节点下生成与所述当前学习记录中的学习内容的剩余属性对应的节点;当所述当前学习记录为所述学习记录表中的最后一条学习记录时,结束推荐决策树生成过程。
优选地,所述决策树生成单元包括:
属性信息确定子单元,用于根据预设的学习内容的属性分类规则,确定所述目标学习记录中的学习内容的属性对应的层级信息以及每一层级对应的属性信息;
决策树生成子单元,用于根据所述层级信息和每一层级对应的属性信息,生成对应层数的推荐决策树。
优选地,所述节点加权模块包括:
第二选取单元,用于在所述学习记录表中选取一条学习记录作为目标学习记录;
权重值设置单元,用于将所述推荐决策树中与所述目标学习记录的学习内容的属性相关的节点的权重值设置为所述目标学习记录对应的学习时长的值;
所述权重值设置单元,还用于在所述学习记录表剩余的学习记录中选取一条学习记录作为当前学习记录,将所述推荐决策树中与所述当前学习记录的学习内容的属性相关的节点的权重值加上所述当前学习记录对应的学习时长的值;当所述当前学习记录为所述学习记录表中的最后一条学习记录时,结束各个节点的权重值的设置。
优选地,所述推荐模块包括:
权重值确定单元,用于根据加权后的所述推荐决策树中的各个节点的权重值,确定各个层级权重值最大的属性信息;
推荐单元,用于根据各个层级权重值最大的属性信息,向用户推荐学习内容。
与现有技术相比,本发明提供的一种学习内容推荐方法及***具有以下有益效果:
1、本发明根据用户的学习记录表生成推荐决策树,然后根据推荐决策树中的节点的权重值向用户推荐学习内容,使得向用户推荐的学习内容是与用户的学习记录高度相关的内容,提高了推荐效率和推荐准确度。
2、本发明先根据学习记录表中的一条学习记录生成推荐决策树,然后根据学习记录表中的其他学习记录,在推荐决策树中逐一添加分支节点以生成推荐决策树,使得学习记录表中的所有学习记录都体现在推荐决策树中,进一步使得基于推荐决策树推荐的学习内容更符合用户的需求,提高用户的使用体验。
附图说明
下面将以明确易懂的方式,结合附图说明优选实施方式,对一种学习内容推荐方法及***的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明一种学习内容推荐方法的第一实施例的流程示意图;
图2是本发明一种学习内容推荐方法的第二实施例的流程示意图一;
图3是本发明一种学习内容推荐方法的第二实施例的流程示意图二;
图4是本发明一种学习内容推荐方法的推荐决策树的生成过程示意图;
图5是本发明一种学习内容推荐方法的第三实施例的流程示意图;
图6是本发明一种学习内容推荐方法的第四实施例的流程示意图;
图7是本发明一种学习内容推荐***的一个实施例的结构示意框图;
图8是本发明一种学习内容推荐***的另一个实施例的结构示意框图。
附图标号说明
100、获取模块; 200、决策树生成模块;
210、第一选取单元; 220、决策树生成单元;
221、属性信息确定子单元; 222、决策树生成子单元;
230、新节点生成单元; 300、节点加权模块;
310、第二选取单元; 320、权重值设置单元;
400、推荐模块; 410、权重值确定单元;
420、推荐单元。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
为使图面简洁,各图中只示意性地表示出了与本发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
根据本发明提供的第一实施例,如图1所示,一种学习内容推荐方法,包括:
S100获取用户在学习设备上的学习记录表,所述学习记录表包括多条学习记录,每条学习记录包括学习内容的属性及对应的学习时长;
具体地,可预先在学习设备上设置学习内容的属性分类规则,学习内容的属性分类规则是指如何将学习内容的知识体系进行分类的规则。如属性分类规则可以是先按科目进行分类,然后再按年级进行分类,最后按具体知识点进行分类;还可以是先按年级进行分类,再按科目进行分类,最后按具体知识点进行分类;当然还可以根据其他分类规则对学习内容的知识体系进行分类。
当用户在学习设备上学习某一学习内容时,学习设备按预设的学习内容的属性分类规则记录下该学习内容的属性及对应的学习时长,如记录的学习内容的属性为“一年级、语文、作文”,记录的学习时长是指学习的时间时长。通过记录下用户每次的学习内容的属性及对应的学习时长,即可在学习设备上形成用户的学习记录表。
S200根据所述学习记录表生成推荐决策树,所述推荐决策树的每个节点代表学习内容所属知识体系中不同层级的属性信息;
具体地,决策树是一种预测模型,用来进行分类,是一种有监督学习。决策树中每个节点表示某个对象,而每个分叉路径则代表的某个可能的属性值,而每个叶节点则对应从根节点到该叶节点所经历的路径所表示的对象的值。
当获取到用户在学习设备上的学习记录表后,根据学习记录表中的每条学习记录对应的学习内容的属性即可生成推荐决策树,推荐决策树的每个节点代表学习内容所属知识体系中不同层级的属性信息,如推荐决策树的根节点代表一级分类,其可以为科目或年级,与根节点紧邻的叶节点为二级分类,叶节点下的分支节点为三级分类,以此类推,形成推荐决策树的各个节点。
S300根据每条学习记录对应的学习时长,对所述推荐决策树中与每条学习记录对应的节点加权;
具体地,当根据每条学习记录的学习内容的属性生成推荐决策树后,再根据每条学习记录的学习时长,对推荐决策树中的节点进行加权,即根据学习时长为推荐决策树中的节点赋予权重值,学习时长越长表示用户需要学习这类型的内容,即赋予对应的节点较高的权重值。
例如,某一学习记录对应的学习内容的属性为“一年级、语文、作文”,学习时长为1小时,则依次对“一年级”、“语文”和“作文”各自对应的节点进行加权,赋予他们的权重值分别为1,若学习时长为半小时,则赋予他们的权重值分别为0.5,赋予的权重值还可以进行一定规则的换算。
S400根据加权后所述推荐决策树的节点的权重值,向用户推荐学习内容。
具体地,当得到推荐决策树中各个的节点的权重值后,即可根据权重值的高低,向用户推荐所需的学习内容。
本实施例中,根据用户的学习记录表生成推荐决策树,然后根据推荐决策树中的节点的权重值向用户推荐学习内容,使得向用户推荐的学习内容是与用户的学习记录高度相关的内容,提高了推荐效率和推荐准确度。
根据本发明提供的第二实施例,如图2和3所示,
一种学习内容推荐方法,包括:
S100获取用户在学习设备上的学习记录表,所述学习记录表包括多条学习记录,每条学习记录包括学习内容的属性及对应的学习时长;
S210在所述学习记录表中选取一条学习记录作为目标学习记录;
具体地,为了生成推荐决策树,首先我们在学习记录表中选取一条学习记录作为目标学习记录,目标学习记录可在学习记录表中随机选取,也可以按照学习记录表中的学习记录产生的时间先后顺序进行选取,即选取学习记录表中的第一条学习记录作为目标学习记录。
S220根据预设的学习内容的属性分类规则与所述目标学习记录中的学习内容的属性生成推荐决策树;
优选地,如图3所示,步骤S220具体包括:
S221根据预设的学习内容的属性分类规则,确定所述目标学习记录中的学习内容的属性对应的层级信息以及每一层级对应的属性信息;
S222根据所述层级信息和每一层级对应的属性信息,生成对应层数的推荐决策树;
具体地,获取目标学习记录后,根据预设的学习内容的属性分类规则确定目标学习记录中的学习内容的属性对应的层级信息,并得到每一层级对应的属性信息;根据根据目标学习记录对应的层级信息和每一层级对应的属性信息生成推荐决策树。
例如,假设目标学习记录的学习内容的属性为“一年级、语文、作文”,而根据预设的学习内容的属性分类规则可知,“一年级”对应的属性为年级,而年级为最高层级,“语文”对应的属性为科目,而科目为第二层级,“作文”对应的属性为知识点,而知识点为第三层级,根据“一年级、语文、作文”即可生成一个三个层级的决策树。
假如预设的学习内容的属性分类规则为科目为最高层级,年级为第二层级,知识点为第三层级,则可生成另一推荐决策树。生成的推荐决策树的各个节点的层级根据预设的学习内容的属性分类规则而定。
S230在所述学习记录表剩余的学习记录中选取一条学习记录作为当前学习记录,并根据预设的学习内容的属性分类规则,将所述当前学习记录中的学习内容的属性按层级高低依次与所述推荐决策树中的节点进行对比,当某一节点出现与其包含的属性不同的属性时,根据所述不同的属性,在该节点处生成新的分支节点,并在所述新的分支节点下生成与所述当前学习记录中的学习内容的剩余属性对应的节点;
具体地,生成推荐决策树后,在学习记录表剩余的学习记录中选取一条学习记录作为当前学习记录,当前学习记录可在剩余的学习记录中随机选取,也可在剩余的学习记录中按学习记录产生的时间先后顺序进行选取,如先选取学习记录表中的第二条学习记录作为当前学习记录,然后再选取学习记录表中的第三条学习记录作为当前学习记录,以此顺序依次进行选取。
选取到当前学习记录后,根据预设的学习内容的属性分类规则和当前学习记录中的学习内容的属性在推荐决策树中添加新的属性节点,即生成新的分支节点。
例如,根据目标学习记录对应的属性“一年级、语文、作文”生成推荐决策树后,选取到的当前学习记录的学习内容的属性为“三年级、数学、算术”,将年级属性与推荐决策树中的年级属性进行对比,发现推荐决策树中的年级属性只包含一年级,不包含三年级的年级属性,因此,在年级属性对应的节点处生成一个新的分支节点,然后在该新的分支节点下依次生成科目“数学”和知识点“算术”的节点。
S240重复步骤S230,当所述当前学习记录为所述学习记录表中的最后一条学习记录时,结束推荐决策树生成过程;
具体地,重复步骤S230,即如果是按学习记录的产生顺序选取当前学习记录,则将学习记录表中的第二条学习记录作为当前学习记录,在推荐决策树中新生成对应的节点后,在将学习记录表中的第三条学习记录作为当前学习记录,继续在推荐决策树中生成新的节点,重复上述过程,直至当前学习记录为学习记录表中的最后一条学习记录时,结束推荐决策树的生成过程,即根据上述过程得到了包含学习记录表中的所有学习记录的推荐决策树。
例如,假设预设的学习内容的属性分类规则为年级为最高层级,科目为第二层级,知识点为第三层级,年级可包括一年级、二年级、三年级、四年级、五年级、六年级等,科目可包括语文、数学、英语等,知识点根据对应的年级和科目进行分类,如二年级语文科目对应的知识点可分为写作、拼音、字词、古诗等,二年级数学科目对应的知识点可分为加减算术、乘除算术、应用题等。通过预设的学习内容的属性分类规则对学习内容所属知识体系进行分类后,即可根据学习记录表中的学习记录生成推荐决策树。
目标学习记录对应的属性为“一年级、语文、作文”,第一个当前学习记录对应的属性为“一年级、数学、算术”,第二个当前学习记录对应的属性为“三年级、数学、算术”,推荐决策树的生成过程如图4所示,即先根据目标学习记录生成推荐决策树,然后依次根据第一个当前学习记录和第二个当前学习记录在推荐决策树上生成新的节点,通过不断地在推荐决策树上增加新的节点,即可得到最终的推荐决策树。
S300根据每条学习记录对应的学习时长,对所述推荐决策树中与每条学习记录对应的节点加权;
S400根据加权后所述推荐决策树的节点的权重值,向用户推荐学习内容。
本实施例中,先根据学习记录表中的一条学习记录生成推荐决策树,然后根据学习记录表中的其他学习记录,在推荐决策树中逐一添加分支节点以生成推荐决策树,使得学习记录表中的所有学习记录都体现在推荐决策树中,进一步使得基于推荐决策树推荐的学习内容更符合用户的需求,提高用户的使用体验。
根据本发明提供的第三实施例,如图5所示,一种学习内容推荐方法,包括:
S100获取用户在学习设备上的学习记录表,所述学习记录表包括多条学习记录,每条学习记录包括学习内容的属性及对应的学习时长;
S200根据所述学习记录表生成推荐决策树,所述推荐决策树的每个节点代表学习内容所属知识体系中不同层级的属性信息;
S310在所述学习记录表中选取一条学习记录作为目标学习记录;
具体地,在学习记录表中选取一条学习记录作为目标学习记录,目标学习记录可在学习记录表中随机选取,也可以按照学习记录表中的学习记录产生的时间先后顺序进行选取,即选取学习记录表中的第一条学习记录作为目标学习记录。
对推荐决策树中的节点加权时,选取目标学习记录的顺序与生成推荐决策树时选取目标学习记录的顺序相同。即如在生成推荐决策树时,按学习记录的产生时间的先后顺序选取,则在对推荐决策树中的节点加权时,也按学习记录的产生时间的先后顺序选取。如在生成推荐决策树时,目标学习记录按随机顺序选取,则在对推荐决策树中的节点加权时,也按随机顺序进行选取,并且随机选取的顺序与在生成推荐决策树时选取的顺序相同。
S320将所述推荐决策树中与所述目标学习记录的学习内容的属性相关的节点的权重值设置为所述目标学习记录对应的学习时长的值;
具体地,例如,目标学习记录对应的属性为“一年级、语文、作文”,其对应的学习时长为1小时,则将对应的节点的权重值设置为1,即将年级对应的一年级路径下的节点的权重值设置为1,将科目对应的语文路径下的节点的权重值设置为1,将知识点对应的作文路径下的节点的权重值设置为1。
S330在所述学习记录表剩余的学习记录中选取一条学习记录作为当前学习记录,将所述推荐决策树中与所述当前学习记录的学习内容的属性相关的节点的权重值加上所述当前学习记录对应的学习时长的值;
具体地,第一个当前学习记录对应的属性为“一年级、数学、算术”,对应的学习时长为半小时,则将年级对应的一年级路径下的节点的权重值加上0.5,其总的权重值变为1.5,将科目对应的数学路径下的节点的权重值设置为0.5,将知识点对应的算术路径下的节点的权重值设置为0.5。
同理,当第二个当前学习记录对应的属性为“三年级、数学、算术”,对应的学习时长为0.5小时,则将年级对应的三年级路径下的节点的权重值设置为0.5,将科目对应的数学路径下的节点的权重值设置为0.5,将知识点对应的算术路径下的节点的权重值设置为0.5。
S340重复步骤S330,当所述当前学习记录为所述学习记录表中的最后一条学习记录时,流程结束;
S400根据加权后所述推荐决策树的节点的权重值,向用户推荐学习内容。
根据本发明提供的第四实施例,如图6所示,一种学习内容推荐方法,包括:
S100获取用户在学习设备上的学习记录表,所述学习记录表包括多条学习记录,每条学习记录包括学习内容的属性及对应的学习时长;
S200根据所述学习记录表生成推荐决策树,所述推荐决策树的每个节点代表学习内容所属知识体系中不同层级的属性信息;
S300根据每条学习记录对应的学习时长,对所述推荐决策树中与每条学习记录对应的节点加权;
S410根据加权后的所述推荐决策树中的各个节点的权重值,确定各个层级权重值最大的属性信息;
具体地,通过对推荐决策树中的各个节点进行加权后,即可得到各个节点的权重值,例如,年级对应的一年级路径下的节点的权重值为1.5,三年级为0.5,则可知,在年级这个层级,一年级的权重值最大,同理,可根据其他层级的节点的权重值确定其他层级的权重值最大的属性信息。
S420根据各个层级权重值最大的属性信息,向用户推荐学习内容。
具体地,确定各个层级权重值最大的属性信息后,按照从高层级到低层级的顺序依次选取,最后得到目标属性,根据目标属性向用户推荐学习内容。
例如,一年级的权重值为5,二年级的权重值为4,三年级的权重值为4;一年级对应的科目中语文的权重值为2,一年级语文中作文的权重值为2,拼音的权重值为1,数学的权重值为1.5,英语的权重值为1.5;二年级对应的科目中语文的权重值为1,数学的权重值为2.5,英语的权重值为0.5;三年级对应的科目中语文的权重值为2,数学的权重值为1.5,英语的权重值为0.5,按照从高层级到低层级的顺序依次选取,即先选出年级的权重值对应的属性信息“一年级”,然后在“一年级”对应的下一层级科目中选取权重值最大的属性信息“语文”,同理,再在选出的该一年级语文对应的下一层级知识点中选取权重值最大的属性信息“作文”,作文即为目标属性,根据该目标属性即可向用户推荐与作文相关的学习内容。
根据本发明提供的第五实施例,如图7所示,一种学习内容推荐***,包括:
获取模块100,用于获取用户在学习设备上的学习记录表,所述学习记录表包括多条学习记录,每条学习记录包括学习内容的属性及对应的学习时长;
具体地,可预先在学习设备上设置学习内容的属性分类规则,学习内容的属性分类规则是指如何将学习内容的知识体系进行分类的规则。如属性分类规则可以是先按科目进行分类,然后再按年级进行分类,最后按具体知识点进行分类;还可以是先按年级进行分类,再按科目进行分类,最后按具体知识点进行分类;当然还可以根据其他分类规则对学习内容的知识体系进行分类。
当用户在学习设备上学习某一学习内容时,学习设备按预设的学习内容的属性分类规则记录下该学习内容的属性及对应的学习时长,如记录的学习内容的属性为“一年级、语文、作文”,记录的学习时长是指学习的时间时长。通过记录下用户每次的学习内容的属性及对应的学习时长,即可在学习设备上形成用户的学习记录表。获取模块100获取学习设备上记录的学习记录表。
决策树生成模块200,用于根据所述学习记录表生成推荐决策树,所述推荐决策树的每个节点代表学习内容所属知识体系中不同层级的属性信息;
具体地,决策树是一种预测模型,用来进行分类,是一种有监督学习。决策树中每个节点表示某个对象,而每个分叉路径则代表的某个可能的属性值,而每个叶节点则对应从根节点到该叶节点所经历的路径所表示的对象的值。
当获取到用户在学习设备上的学习记录表后,决策树生成模块200根据学习记录表中的每条学习记录对应的学习内容的属性即可生成推荐决策树,推荐决策树的每个节点代表学习内容所属知识体系中不同层级的属性信息,如推荐决策树的根节点代表一级分类,其可以为科目或年级,与根节点紧邻的叶节点为二级分类,叶节点下的分支节点为三级分类,以此类推,形成推荐决策树的各个节点。
节点加权模块300,用于根据每条学习记录对应的学习时长,对所述推荐决策树中与每条学习记录对应的节点加权;
具体地,当根据每条学习记录的学习内容的属性生成推荐决策树后,节点加权模块300根据每条学习记录的学习时长,对推荐决策树中的节点进行加权,即根据学习时长为推荐决策树中的节点赋予权重值,学习时长越长表示用户需要学习这类型的内容,即赋予对应的节点较高的权重值。
例如,某一学习记录对应的学习内容的属性为“一年级、语文、作文”,学习时长为1小时,则依次对“一年级”、“语文”和“作文”各自对应的节点进行加权,赋予他们的权重值分别为1,若学习时长为半小时,则赋予他们的权重值分别为0.5,赋予的权重值还可以进行一定规则的换算。
推荐模块400,用于根据加权后所述推荐决策树的节点的权重值,向用户推荐学习内容。
具体地,当得到推荐决策树中各个的节点的权重值后,推荐模块400即可根据权重值的高低,向用户推荐所需的学习内容。
本实施例中,根据用户的学习记录表生成推荐决策树,然后根据推荐决策树中的节点的权重值向用户推荐学习内容,使得向用户推荐的学习内容是与用户的学习记录高度相关的内容,提高了推荐效率和推荐准确度。
根据本发明提供的第六实施例,如图8所示,一种学习内容推荐***,包括:
获取模块100,用于获取用户在学习设备上的学习记录表,所述学习记录表包括多条学习记录,每条学习记录包括学习内容的属性及对应的学习时长;
决策树生成模块200,用于根据所述学习记录表生成推荐决策树,所述推荐决策树的每个节点代表学习内容所属知识体系中不同层级的属性信息;
节点加权模块300,用于根据每条学习记录对应的学习时长,对所述推荐决策树中与每条学习记录对应的节点加权;
推荐模块400,用于根据加权后所述推荐决策树的节点的权重值,向用户推荐学习内容。
优选地,所述决策树生成模块200包括:
第一选取单元210,用于在所述学习记录表中选取一条学习记录作为目标学习记录;
具体地,为了生成推荐决策树,首先我们在学习记录表中选取一条学习记录作为目标学习记录,目标学习记录可在学习记录表中随机选取,也可以按照学习记录表中的学习记录产生的时间先后顺序进行选取,即选取学习记录表中的第一条学习记录作为目标学习记录。
决策树生成单元220,用于根据预设的学习内容的属性分类规则与所述目标学习记录中的学习内容的属性生成推荐决策树;
优选地,所述决策树生成单元220包括:
属性信息确定子单元221,用于根据预设的学习内容的属性分类规则,确定所述目标学习记录中的学习内容的属性对应的层级信息以及每一层级对应的属性信息;
决策树生成子单元222,用于根据所述层级信息和每一层级对应的属性信息,生成对应层数的推荐决策树。
具体地,获取目标学习记录后,属性信息确定子单元221根据预设的学习内容的属性分类规则确定目标学习记录中的学习内容的属性对应的层级信息,并得到每一层级对应的属性信息;决策树生成子单元222根据根据目标学习记录对应的层级信息和每一层级对应的属性信息生成推荐决策树。
例如,假设目标学习记录的学习内容的属性为“一年级、语文、作文”,而根据预设的学习内容的属性分类规则可知,“一年级”对应的属性为年级,而年级为最高层级,“语文”对应的属性为科目,而科目为第二层级,“作文”对应的属性为知识点,而知识点为第三层级,根据“一年级、语文、作文”即可生成一个三个层级的决策树。
假如预设的学习内容的属性分类规则为科目为最高层级,年级为第二层级,知识点为第三层级,则可生成另一推荐决策树。生成的推荐决策树的各个节点的层级根据预设的学习内容的属性分类规则而定。
新节点生成单元230,用于在所述学习记录表剩余的学习记录中选取一条学习记录作为当前学习记录,并根据预设的学习内容的属性分类规则,将所述当前学习记录中的学习内容的属性按层级高低依次与所述推荐决策树中的节点进行对比,当某一节点出现与其包含的属性不同的属性时,根据所述不同的属性,在该节点处生成新的分支节点,并在所述新的分支节点下生成与所述当前学习记录中的学习内容的剩余属性对应的节点;当所述当前学习记录为所述学习记录表中的最后一条学习记录时,结束推荐决策树生成过程。
具体地,生成推荐决策树后,在学习记录表剩余的学习记录中选取一条学习记录作为当前学习记录,当前学习记录可在剩余的学习记录中随机选取,也可在剩余的学习记录中按学习记录产生的时间先后顺序进行选取,如先选取学习记录表中的第二条学习记录作为当前学习记录,然后再选取学习记录表中的第三条学习记录作为当前学习记录,以此顺序依次进行选取。
选取到当前学习记录后,根据预设的学习内容的属性分类规则和当前学习记录中的学习内容的属性在推荐决策树中添加新的属性节点,即生成新的分支节点。重复上述过程,直至当前学习记录为学习记录表中的最后一条学习记录时,结束推荐决策树的生成过程,即根据上述过程得到了包含学习记录表中的所有学习记录的推荐决策树。
例如,根据目标学习记录对应的属性“一年级、语文、作文”生成推荐决策树后,选取到的当前学习记录的学习内容的属性为“三年级、数学、算术”,将年级属性与推荐决策树中的年级属性进行对比,发现推荐决策树中的年级属性只包含一年级,不包含三年级的年级属性,因此,在年级属性对应的节点处生成一个新的分支节点,然后在该新的分支节点下依次生成科目“数学”和知识点“算术”的节点。
假设预设的学习内容的属性分类规则为年级为最高层级,科目为第二层级,知识点为第三层级,年级可包括一年级、二年级、三年级、四年级、五年级、六年级等,科目可包括语文、数学、英语等,知识点根据对应的年级和科目进行分类,如二年级语文科目对应的知识点可分为写作、拼音、字词、古诗等,二年级数学科目对应的知识点可分为加减算术、乘除算术、应用题等。通过预设的学习内容的属性分类规则对学习内容所属知识体系进行分类后,即可根据学习记录表中的学习记录生成推荐决策树。
目标学习记录对应的属性为“一年级、语文、作文”,第一个当前学习记录对应的属性为“一年级、数学、算术”,第二个当前学习记录对应的属性为“三年级、数学、算术”,推荐决策树的生成过程如图4所示,即先根据目标学习记录生成推荐决策树,然后依次根据第一个当前学习记录和第二个当前学习记录在推荐决策树上生成新的节点,通过不断地在推荐决策树上增加新的节点,即可得到最终的推荐决策树。
优选地,所述节点加权模块300包括:
第二选取单元310,用于在所述学习记录表中选取一条学习记录作为目标学习记录;
具体地,在学习记录表中选取一条学习记录作为目标学习记录,目标学习记录可在学习记录表中随机选取,也可以按照学习记录表中的学习记录产生的时间先后顺序进行选取,即选取学习记录表中的第一条学习记录作为目标学习记录。
对推荐决策树中的节点加权时,选取目标学习记录的顺序与生成推荐决策树时选取目标学习记录的顺序相同。即如在生成推荐决策树时,按学习记录的产生时间的先后顺序选取,则在对推荐决策树中的节点加权时,也按学习记录的产生时间的先后顺序选取。如在生成推荐决策树时,目标学习记录按随机顺序选取,则在对推荐决策树中的节点加权时,也按随机顺序进行选取,并且随机选取的顺序与在生成推荐决策树时选取的顺序相同。
权重值设置单元320,用于将所述推荐决策树中与所述目标学习记录的学习内容的属性相关的节点的权重值设置为所述目标学习记录对应的学习时长的值;
具体地,例如,目标学习记录对应的属性为“一年级、语文、作文”,其对应的学习时长为1小时,则将对应的节点的权重值设置为1,即将年级对应的一年级路径下的节点的权重值设置为1,将科目对应的语文路径下的节点的权重值设置为1,将知识点对应的作文路径下的节点的权重值设置为1。
所述权重值设置单元320,还用于在所述学习记录表剩余的学习记录中选取一条学习记录作为当前学习记录,将所述推荐决策树中与所述当前学习记录的学习内容的属性相关的节点的权重值加上所述当前学习记录对应的学习时长的值;当所述当前学习记录为所述学习记录表中的最后一条学习记录时,结束各个节点的权重值的设置。
具体地,第一个当前学习记录对应的属性为“一年级、数学、算术”,对应的学习时长为半小时,则将年级对应的一年级路径下的节点的权重值加上0.5,其总的权重值变为1.5,将科目对应的数学路径下的节点的权重值设置为0.5,将知识点对应的算术路径下的节点的权重值设置为0.5。
同理,当第二个当前学习记录对应的属性为“三年级、数学、算术”,对应的学习时长为0.5小时,则将年级对应的三年级路径下的节点的权重值设置为0.5,将科目对应的数学路径下的节点的权重值设置为0.5,将知识点对应的算术路径下的节点的权重值设置为0.5。
优选地,所述推荐模块400包括:
权重值确定单元410,用于根据加权后的所述推荐决策树中的各个节点的权重值,确定各个层级权重值最大的属性信息;
具体地,通过对推荐决策树中的各个节点进行加权后,即可得到各个节点的权重值,例如,年级对应的一年级路径下的节点的权重值为1.5,三年级为0.5,则可知,在年级这个层级,一年级的权重值最大,同理,可根据其他层级的节点的权重值确定其他层级的权重值最大的属性信息。
推荐单元420,用于根据各个层级权重值最大的属性信息,向用户推荐学习内容。
具体地,确定各个层级权重值最大的属性信息后,按照从高层级到低层级的顺序依次选取,最后得到目标属性,根据目标属性向用户推荐学习内容。
例如,一年级的权重值为5,二年级的权重值为4,三年级的权重值为4;一年级对应的科目中语文的权重值为2,一年级语文中作文的权重值为2,拼音的权重值为1,数学的权重值为1.5,英语的权重值为1.5;二年级对应的科目中语文的权重值为1,数学的权重值为2.5,英语的权重值为0.5;三年级对应的科目中语文的权重值为2,数学的权重值为1.5,英语的权重值为0.5,按照从高层级到低层级的顺序依次选取,即先选出年级的权重值对应的属性信息“一年级”,然后在“一年级”对应的下一层级科目中选取权重值最大的属性信息“语文”,同理,再在选出的该一年级语文对应的下一层级知识点中选取权重值最大的属性信息“作文”,作文即为目标属性,根据该目标属性即可向用户推荐与作文相关的学习内容。
本实施例中,根据用户的学习记录表生成推荐决策树,然后根据推荐决策树中的节点的权重值向用户推荐学习内容,使得向用户推荐的学习内容是与用户的学习记录高度相关的内容,提高了推荐效率和推荐准确度。
同时,本实施例先根据学习记录表中的一条学习记录生成推荐决策树,然后根据学习记录表中的其他学习记录,在推荐决策树中逐一添加分支节点以生成推荐决策树,使得学习记录表中的所有学习记录都体现在推荐决策树中,进一步使得基于推荐决策树推荐的学习内容更符合用户的需求,提高用户的使用体验。
应当说明的是,上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种学习内容推荐方法,其特征在于,包括:
S100获取用户在学习设备上的学习记录表,所述学习记录表包括多条学习记录,每条学习记录包括学习内容的属性及对应的学习时长;
S200根据所述学习记录表生成推荐决策树,所述推荐决策树的每个节点代表学习内容所属知识体系中不同层级的属性信息;
S300根据每条学习记录对应的学习时长,对所述推荐决策树中与每条学习记录对应的节点加权;
S400根据加权后所述推荐决策树的节点的权重值,向用户推荐学习内容。
2.根据权利要求1所述的一种学习内容推荐方法,其特征在于,所述的步骤S200根据所述学习记录表生成推荐决策树具体包括:
S210在所述学习记录表中选取一条学习记录作为目标学习记录;
S220根据预设的学习内容的属性分类规则与所述目标学习记录中的学习内容的属性生成推荐决策树;
S230在所述学习记录表剩余的学习记录中选取一条学习记录作为当前学习记录,并根据预设的学习内容的属性分类规则,将所述当前学习记录中的学习内容的属性按层级高低依次与所述推荐决策树中的节点进行对比,当某一节点出现与其包含的属性不同的属性时,根据所述不同的属性,在该节点处生成新的分支节点,并在所述新的分支节点下生成与所述当前学习记录中的学习内容的剩余属性对应的节点;
S240重复步骤S230,当所述当前学习记录为所述学习记录表中的最后一条学习记录时,结束推荐决策树生成过程。
3.根据权利要求2所述的一种学习内容推荐方法,其特征在于,所述的S220根据预设的学习内容的属性分类规则与所述目标学习记录中的学习内容的属性生成推荐决策树具体包括:
S221根据预设的学习内容的属性分类规则,确定所述目标学习记录中的学习内容的属性对应的层级信息以及每一层级对应的属性信息;
S222根据所述层级信息和每一层级对应的属性信息,生成对应层数的推荐决策树。
4.根据权利要求1所述的一种学习内容推荐方法,其特征在于,所述的S300根据每条学习记录对应的学习时长,对所述推荐决策树中与每条学习记录对应的节点加权具体包括:
S310在所述学习记录表中选取一条学习记录作为目标学习记录;
S320将所述推荐决策树中与所述目标学习记录的学习内容的属性相关的节点的权重值设置为所述目标学习记录对应的学习时长的值;
S330在所述学习记录表剩余的学习记录中选取一条学习记录作为当前学习记录,将所述推荐决策树中与所述当前学习记录的学习内容的属性相关的节点的权重值加上所述当前学习记录对应的学习时长的值;
S340重复步骤S330,当所述当前学习记录为所述学习记录表中的最后一条学习记录时,流程结束。
5.根据权利要求1-4任一项所述的一种学习内容推荐方法,其特征在于,所述的S400根据加权后所述推荐决策树的节点的权重值,向用户推荐学习内容具体包括:
S410根据加权后的所述推荐决策树中的各个节点的权重值,确定各个层级权重值最大的属性信息;
S420根据各个层级权重值最大的属性信息,向用户推荐学习内容。
6.一种学习内容推荐***,其特征在于,包括:
获取模块,用于获取用户在学习设备上的学习记录表,所述学习记录表包括多条学习记录,每条学习记录包括学习内容的属性及对应的学习时长;
决策树生成模块,用于根据所述学习记录表生成推荐决策树,所述推荐决策树的每个节点代表学习内容所属知识体系中不同层级的属性信息;
节点加权模块,用于根据每条学习记录对应的学习时长,对所述推荐决策树中与每条学习记录对应的节点加权;
推荐模块,用于根据加权后所述推荐决策树的节点的权重值,向用户推荐学习内容。
7.根据权利要求6所述的一种学习内容推荐***,其特征在于,所述决策树生成模块包括:
第一选取单元,用于在所述学习记录表中选取一条学习记录作为目标学习记录;
决策树生成单元,用于根据预设的学习内容的属性分类规则与所述目标学习记录中的学习内容的属性生成推荐决策树;
新节点生成单元,用于在所述学习记录表剩余的学习记录中选取一条学习记录作为当前学习记录,并根据预设的学习内容的属性分类规则,将所述当前学习记录中的学习内容的属性按层级高低依次与所述推荐决策树中的节点进行对比,当某一节点出现与其包含的属性不同的属性时,根据所述不同的属性,在该节点处生成新的分支节点,并在所述新的分支节点下生成与所述当前学习记录中的学习内容的剩余属性对应的节点;当所述当前学习记录为所述学习记录表中的最后一条学习记录时,结束推荐决策树生成过程。
8.根据权利要求7所述的一种学习内容推荐***,其特征在于,所述决策树生成单元包括:
属性信息确定子单元,用于根据预设的学习内容的属性分类规则,确定所述目标学习记录中的学习内容的属性对应的层级信息以及每一层级对应的属性信息;
决策树生成子单元,用于根据所述层级信息和每一层级对应的属性信息,生成对应层数的推荐决策树。
9.根据权利要求6所述的一种学习内容推荐***,其特征在于,所述节点加权模块包括:
第二选取单元,用于在所述学习记录表中选取一条学习记录作为目标学习记录;
权重值设置单元,用于将所述推荐决策树中与所述目标学习记录的学习内容的属性相关的节点的权重值设置为所述目标学习记录对应的学习时长的值;
所述权重值设置单元,还用于在所述学习记录表剩余的学习记录中选取一条学习记录作为当前学习记录,将所述推荐决策树中与所述当前学习记录的学习内容的属性相关的节点的权重值加上所述当前学习记录对应的学习时长的值;当所述当前学习记录为所述学习记录表中的最后一条学习记录时,结束各个节点的权重值的设置。
10.根据权利要求6-9任一项所述的一种学习内容推荐***,其特征在于,所述推荐模块包括:
权重值确定单元,用于根据加权后的所述推荐决策树中的各个节点的权重值,确定各个层级权重值最大的属性信息;
推荐单元,用于根据各个层级权重值最大的属性信息,向用户推荐学习内容。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811260436.9A CN109447865A (zh) | 2018-10-26 | 2018-10-26 | 一种学习内容推荐方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811260436.9A CN109447865A (zh) | 2018-10-26 | 2018-10-26 | 一种学习内容推荐方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109447865A true CN109447865A (zh) | 2019-03-08 |
Family
ID=65548661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811260436.9A Pending CN109447865A (zh) | 2018-10-26 | 2018-10-26 | 一种学习内容推荐方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109447865A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062449A (zh) * | 2019-12-26 | 2020-04-24 | 成都终身成长科技有限公司 | 预测模型的训练方法、兴趣度预测方法、装置和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101105853A (zh) * | 2007-08-16 | 2008-01-16 | 上海交通大学 | 网络教学中基于非零起点的个性化导学*** |
WO2014037872A2 (en) * | 2012-09-06 | 2014-03-13 | Koninklijke Philips N.V. | Guideline-based decision support |
CN103902538A (zh) * | 2012-12-25 | 2014-07-02 | ***股份有限公司 | 基于决策树的信息推荐装置及方法 |
US20150106111A1 (en) * | 2013-10-10 | 2015-04-16 | Sage Health Management Solutions, Inc. | System, method and computer program product for diagnostic and treatment enhancement |
CN105095504A (zh) * | 2015-08-28 | 2015-11-25 | 广东小天才科技有限公司 | 一种基于学习习惯推荐学习内容的方法、装置和*** |
CN105843858A (zh) * | 2016-03-17 | 2016-08-10 | 广东小天才科技有限公司 | 一种学习资源的推送方法及装置 |
-
2018
- 2018-10-26 CN CN201811260436.9A patent/CN109447865A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101105853A (zh) * | 2007-08-16 | 2008-01-16 | 上海交通大学 | 网络教学中基于非零起点的个性化导学*** |
WO2014037872A2 (en) * | 2012-09-06 | 2014-03-13 | Koninklijke Philips N.V. | Guideline-based decision support |
CN103902538A (zh) * | 2012-12-25 | 2014-07-02 | ***股份有限公司 | 基于决策树的信息推荐装置及方法 |
US20150106111A1 (en) * | 2013-10-10 | 2015-04-16 | Sage Health Management Solutions, Inc. | System, method and computer program product for diagnostic and treatment enhancement |
CN105095504A (zh) * | 2015-08-28 | 2015-11-25 | 广东小天才科技有限公司 | 一种基于学习习惯推荐学习内容的方法、装置和*** |
CN105843858A (zh) * | 2016-03-17 | 2016-08-10 | 广东小天才科技有限公司 | 一种学习资源的推送方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062449A (zh) * | 2019-12-26 | 2020-04-24 | 成都终身成长科技有限公司 | 预测模型的训练方法、兴趣度预测方法、装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107610012B (zh) | 一种选课和排课***及其选课和排课方法 | |
Dwivedi et al. | e‐Learning recommender system for a group of learners based on the unified learner profile approach | |
CN108614865B (zh) | 基于深度强化学习的个性化学习推荐方法 | |
CN104765842B (zh) | 一种最佳学习方案推送方法及*** | |
CN105810045B (zh) | 一种基于认知模型的计算思维训练方法及装置 | |
CN106528656A (zh) | 一种基于学员历史和实时学习状态参量实现课程推荐的方法和*** | |
Breunig et al. | Students’ experiences with/in integrated environmental studies programs in Ontario | |
CN109800300A (zh) | 一种学习内容推荐方法及*** | |
CN104239969A (zh) | 一种个性化教育的评测和推题*** | |
Chen et al. | Identification of λ-fuzzy measures using sampling design and genetic algorithms | |
Tam et al. | Toward a complete e-learning system framework for semantic analysis, concept clustering and learning path optimization | |
Srisawasdi et al. | Technology-enhanced learning in science, technology, and mathematics education: results on supporting student learning | |
CN109300069A (zh) | 用户学习路径模型的获取方法、装置以及电子设备 | |
CN114491057A (zh) | 基于知识图谱的学习路径推荐方法、***、计算机及介质 | |
CN107665472A (zh) | 学习路径规划方法和装置 | |
CN114201684A (zh) | 一种基于知识图谱的自适应学习资源推荐方法及*** | |
CN110134871A (zh) | 一种基于课程和学习者网络结构的动态课程推荐方法 | |
Wang | Fuzzy comprehensive evaluation of physical education based on high dimensional data mining | |
CN112380429A (zh) | 一种习题推荐方法及装置 | |
Dey et al. | Evaluation of the convincing ability through presentation skills of pre-service management wizards using AI via T2 linguistic fuzzy logic | |
CN109447865A (zh) | 一种学习内容推荐方法及*** | |
Simpson et al. | Structural modeling | |
OROZOVA et al. | Generalized net model for dynamic decision making and prognoses | |
Knez et al. | Implementation of group formation algorithms in the ELARS recommender system | |
Biehler et al. | Data science education in secondary schools: Teaching and learning decision trees with CODAP and Jupyter Notebooks as an example of integrating machine learning into statistics education |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190308 |