CN110175942B - 一种基于学习依赖关系的学习序列生成方法 - Google Patents
一种基于学习依赖关系的学习序列生成方法 Download PDFInfo
- Publication number
- CN110175942B CN110175942B CN201910408967.6A CN201910408967A CN110175942B CN 110175942 B CN110175942 B CN 110175942B CN 201910408967 A CN201910408967 A CN 201910408967A CN 110175942 B CN110175942 B CN 110175942B
- Authority
- CN
- China
- Prior art keywords
- learning
- knowledge point
- knowledge
- dependency relationship
- graph
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 5
- 230000001502 supplementing effect Effects 0.000 claims abstract description 5
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000002910 structure generation Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims 1
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
Images
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)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种基于学习依赖关系的学习序列生成方法,将包含and与or两类依赖关系的学习依赖关系图,转换为由知识点或知识点簇为结点,以or类型依赖关系为边的加权图;根据加权图中知识点或知识点簇结点到学习者要学习的知识点的距离,将图中所有结点划分为层次结构;在同层中补充双向学习依赖关系,并添加虚拟起始知识点;采用Dijkstra算法找出加权图中起始知识点到要学习的知识点的最短路径,还原路径中的知识点簇,并去除首个知识点与重复知识点,最终生成学习序列;能够针对学习者要学习的知识点,生成由一系列知识点构成的满足学习依赖关系约束且长度最短的学习序列,本发明所生成的学习序列更准确反映导航学习中知识点间的约束关系。
Description
技术领域
本发明涉及计算机科学与技术中的人工智能、图数据分析挖掘领域,特别涉及一种基于学习依赖关系的学习序列生成方法。
背景技术
知识的学习是一个渐增的过程,并且新知识的学习依赖于学习者已掌握的知识。这种学习依赖关系表现为在学习某项知识点之前必须掌握该知识点的前提知识。根据现代认知科学理论,基于学习依赖关系的导航学习是降低认知负荷的有效手段。其中的关键问题就是如何根据知识点之间的学习依赖关系与学习者要学习的目标知识点,自动生成一个最短学习序列。
现有技术中关于发明名称为学习路径规划方法和装置;申请号:201610600544.0的发明公开了一种学习路径规划方法和装置,该学习路径规划方法包括:收集学生对每个知识点的做题记录;根据所述做题记录,构建学生学习的知识图谱;根据所述知识图谱,规划以知识点为基本单元的学习路径。该方法能够以知识点为粒度,对学习路径进行规划,从而保证了学生从易到难的学习顺序,更有效的提升学生的学习能力;但不考虑两类学习依赖关系,且不能实现生成的学习序列最短。
发明内容
为了解决现有技术中存在的问题,本发明公开一种基于学习依赖关系的学习序列生成方法,能够针对学习者要学习的知识点,生成一个由一系列知识点构成的最短学习序列,该序列满足学习依赖关系约束。
为了实现上述目的,本发明采用的技术方案是,
一种基于学习依赖关系的学习序列生成方法,包括如下步骤:
S1,学习依赖关系图转换
学习依赖关系图G可表示为二元组(K,LD),其中,K={k1,k2,...,ki,...,kn}为某一课程的知识点集合,为知识点之间的学习依赖关系集合;T={and,or}表示学习依赖关系的两种类型,(ki,kj,and)∈LD表示要学习知识点kj,必须先要完成知识点ki的学习,(ki,kj,or)∈LD表示学习知识点ki后,就能学习知识点kj;
采用图转换算法将学习依赖关系图G=(K,LD)转换为只包含or类型学习依赖关系的学习依赖关系图G′=(K′,LD′),其中,K′包含了K中部分知识点以及某一组知识点形成的知识点簇,对于一个知识点簇C,对于为K′中元素之间的or类型学习依赖关系,N为整数集;(kx,ky,w)∈LD′表示知识点kx或知识点簇ky,存在or类型学习依赖关系,在所述学习依赖关系图G′中对应的边的权重为w;
S2,层次结构生成
根据S1所得学习依赖关系图G′中知识点或知识点簇结点到学习者要学习的知识点结点kg∈K′的距离,将图中所有结点划分为层次结构,同层内的结点到kg的距离相同;在同层中补充双向的学习依赖关系,并添加k0,k0是一个虚拟起始知识点,从而生成边上带有权重的学习依赖关系图G″=(K″,LD″);
S3,学习序列生成
找出G″中起始知识点k0到要学习的知识点kg的最短路径,将所述最短路径中的知识点依次排列,用知识点簇包含的知识点替换到知识点簇,形成知识点组成的序列S′,去除S′中首个知识点k0,再去掉重复知识点,最终生成最短学习序列。
特别地,所述S1中的图转换算法包括以下步骤:
S121,K′=K′∪{k};
S122,若Kor={kor|(kor,k,or)∈LD}不为则K′=K′∪Kor,LD′=LD′∪{(kor,k,1)|(kor,k,or)∈LD};该步骤把与结点k具有or类型依赖关系的知识点加入K′,把or类型依赖关系加入LD′,并设置边的权重为1;
S123,若Kand={kand|(kand,k,and)∈LD}不为则K′=K′∪{Kand},LD′=LD′∪(Kand,k,|Kand|);把结点k具有and类型依赖关系的知识点作为一个知识点簇Kand加入K′,把Kand与k的学习依赖关系加入LD′,并设置边的权重为Kand内的知识点数目;
S124,转向S14;
S13,设k是K′中知识点簇C内的结点,执行以下步骤:
S131,若Kor={kor|(kor,k,or)∈LD}不为则K′=K′∪Kor,LD′=LD′∪{(kor,C,1)|(kor,k,or)∈LD};把结点k具有or类型依赖关系的知识点加入K′,把指向结点k的or类型依赖关系改为指向C,然后加入LD′,并设置边的权重为1;
S132,若Kand={kand|(kand,k,and)∈LD}不为则K′=K′∪{Kand},LD′=LD′∪(Kand,C,|Kand|);该步骤把结点k具有and类型依赖关系的知识点作为一个知识点簇Kand加入K′,把Kand到k的学习依赖关系改为Kand到C,然后加入LD′,并设置边的权重为Kand内的知识点数目;
S133,若k还属于K′中其它知识点簇,对于每个知识点簇,重复执行S131与S132;
S14,K=K-{k};LD=LD-K×{k};从图G=(K,LD)中去除知识点k以及连接k的学习依赖关系;
特别地,所述S2中层次结构生成,具体包括以下步骤:
S21,在S1所得学习依赖关系G′中,以学习者要学习的知识点kg∈K′为起点,沿着LD′中学习依赖关系反方向进行广度优先遍历,得到K′中每个知识点与知识点簇在G′中到kg的距离;设未被遍历到的知识点或知识点簇结点构成的集合为K′_,令K″=K′-K′_,LD″=LD′-K′×K′_-K′_×K′,G″=(K″,LD″)为学习知识点kg前必须要学习的知识点或知识点簇及其学习依赖关系构成的图结构;在G″中根据到kg距离将K″中每个知识点与知识点簇划分到不同层次L0,L1,...,Ll,...,Lm中,其中,L0是kg本身构成的集合,Ll为到kg距离为l的知识点与知识点簇构成的集合;Lm为到kg距离为m的知识点与知识点簇构成的集合;
S22,对于每个Ll,检测其中任意两个知识点或知识点簇ki、kj之间是否存在学习依赖关系,如果不存在,则LD″=LD″∪{(ki,kj,1),(kj,ki,1)};
S23,设k0是一个虚拟的起始知识点,在学习中不依赖其它任何知识点,将k0加入G″中,并建立k0与Lm中知识点与知识点簇之间的学习依赖关系,即K″=K″∪{k0},LD″=LD″∪{(k0,kj,1)|kj∈Lm};生成的G″=(K″,LD″)是一个边上带有权重的学习依赖关系图结构。
S3找出S2所得加权学习依赖关系图中起始知识点到要学习的知识点的最短路径,还原最短路径中的知识点簇,并去除首个知识点和重复知识点,最终生成学习序列,具体包括以下步骤:
S31,采用Dijkstra算法找出S2所得加权学习依赖关系图G″中起始知识点k0到要学习的知识点kg的最短路径;将所述最短路径中的知识点依次排成序列S;
S32,S31所得序列S中如果包含知识点簇,则用所述知识点簇包含的知识点替换到知识点簇,不用考虑簇内知识点在序列中的次序;得到全是由知识点组成的序列S′;S31所得序列S中如果序列S中如果不包含知识点簇,则令S′=S;
S33,去除序列S′中的首个知识点k0,得到S″;
S34,从序列S″中的首个知识点开始,检测每个知识点在S″中是否重复,若重复,这去掉后出现的知识点;最终生成的知识点序列就是要学习特定知识点的最短学习序列。
与现有技术相比,本发明至少具有以下有益效果:本发明将包含and与or两类依赖关系的学习依赖关系图,转换为由知识点或知识点簇为结点,以or类型依赖关系为边的加权图;根据加权图中知识点或知识点簇结点到学习者要学习的知识点的距离,将图中所有结点划分为层次结构;在同层中补充双向学习依赖关系,并添加虚拟起始知识点;找出加权图中起始知识点到要学习的知识点的最短路径,还原路径中的知识点簇,并去除首个知识点与重复知识点,最终生成学习序列;能够针对学习者要学习的知识点,生成由一系列知识点构成的满足学习依赖关系约束且长度最短的学习序列;现有技术往往没有区分and与or两类依赖关系在生成学习序列中的作用,与现有技术相比,本发明所生成的学习序列更准确反映导航学习中知识点间的约束关系。
附图说明
图1为基于学习依赖关系的学习序列生成过程示意图。
具体实施方式
下面结合附图对本发明进行解释。
参照图1,本发明所述方法的具体实施方案可分为学习依赖关系图转换、层次结构生成、学习系列生成三个步骤。
T={and,or}表示学习依赖关系的两种类型;若(ki,kj,and)∈LD表示要学习知识点kj,必须先要完成知识点ki的学习,若(ki,kj,or)∈LD表示学习知识点ki后,就能学习知识点kj。
①学习者要学习的知识点kg∈K。
输出为:一个以由知识点构成的、以kg结尾的序列,满足两个条件:①对于序列中的任意一个知识点k,如果学习完序列中k之前的知识点,则能够学习知识点k;②满足条件①的所有序列中最短的序列,即包含知识点数量最少的序列。
本发明所述方法具体包括以下步骤:
S1,学习依赖关系图转换
该步骤将学习依赖关系图G=(K,LD)转换为只包含or类型学习依赖关系的依赖图G′=(K′,LD′),其中,K′包含了K中部分知识点以及一组知识点形成的知识点簇,对于一个知识点簇C,对于(kc,k′,and)∈LD;为K′中元素之间的or类型学习依赖关系,N为整数集;(kx,ky,w)∈LD′表示知识点kx或知识点簇ky存在or类型学习依赖关系,在学习依赖关系图G′中对应的边的权重为w。
具体步骤如下:
S121,K′=K′∪{k}
S122,若Kor={kor|(kor,k,or)∈LD}不为则K′=K′∪Kor,LD′=LD′∪{(kor,k,1)|(kor,k,or)∈LD};该步骤把与结点k具有or类型依赖关系的知识点加入K′,把or类型依赖关系加入LD′,并设置边的权重为1;
S123,若Kand={kand|(kand,k,and)∈LD}不为则K′=K′∪{Kand},LD′=LD′∪(Kand,k,|Kand|);该步骤把结点k具有and类型依赖关系的知识点作为一个知识点簇Kand加入K′,把Kand与k的学习依赖关系加入LD′,并设置边的权重为Kand内的知识点数目;
S124,转向S14;
S13,设k是K′中知识点簇C内的结点,执行以下步骤:
S131,若Kor={kor|(kor,k,or)∈LD}不为则K′=K′∪Kor,LD′=LD′∪{(kor,C,1)|(kor,k,or)∈LD};该步骤把结点k具有or类型依赖关系的知识点加入K′,把指向结点k的or类型依赖关系改为指向C,然后加入LD′,并设置边的权重为1;
S132,若Kand={kand|(kand,k,and)∈LD}不为则K′=K′∪{Kand},LD′=LD′∪(Kand,C,|Kand|);该步骤把结点k具有and类型依赖关系的知识点作为一个知识点簇Kand加入K′,把Kand到k的学习依赖关系改为Kand到C,然后加入LD′,并设置边的权重为Kand内的知识点数目;
S133,若k还属于K′中其它知识点簇,对于每个知识点簇,重复执行S131与S132;
S14,K=K-{k};LD=LD-K×{k};从图G=(K,LD)中去除知识点k以及连接k的学习依赖关系;
步骤二:层次结构生成
根据学习依赖关系图G′中知识点或知识点簇结点到学习者要学习的知识点结点kg∈K′的距离,将图中所有结点划分为层次结构,同层内的结点到kg的距离相同;在同层中补充双向的学习依赖关系,并添加k0是一个虚拟起始知识点k0,从而生成边上带有权重的图结构G″=(K″,LD″);
S21:在学习依赖关系图G′中,以学习者要学习的知识点kg∈K′为起点,沿着LD′中学习依赖关系反方向进行广度优先遍历,得到K′中每个知识点与知识点簇在图G′中到kg的距离;设未被遍历到的知识点或知识点簇结点构成的集合为K′_,令K″=K′-K′_,LD″=LD′-K′×K′_-K′_×K′,G″=(K″,LD″)为学习知识点kg前必须要学习的知识点或知识点簇及其学习依赖关系构成的图结构;在图G″中根据到kg距离将K″中每个知识点与知识点簇划分到不同层次L0,L1,...,Ll,...,Lm中,其中,L0是kg本身构成的集合,Ll为到kg距离为l的知识点与知识点簇构成的集合;
S22:对于每个Ll,检测其中任意两个知识点或知识点簇ki、kj之间是否存在学习依赖关系,如果不存在,则LD″=LD″∪{(ki,kj,1),(kj,ki,1)};
S23:设k0是一个虚拟的起始知识点,在学习中不依赖其它任何知识点,将k0加入图G″中,并建立k0与Lm中知识点与知识点簇之间的学习依赖关系,即K″=K″∪{k0},LD″=LD″∪{(k0,kj,1)|kj∈Lm};生成的G″=(K″,LD″)是一个边上带有权重的图结构。
步骤三,找出加权图中起始知识点到要学习的知识点的最短路径,还原最短路径中的知识点簇,并去除首个知识点和重复知识点,最终生成学习序列,具体包括以下步骤:
S31,采用Dijkstra算法找出S2所得加权学习依赖关系图G″中起始知识点k0到要学习的知识点kg的最短路径;将所述最短路径中的知识点依次排成序列S;
S32,S31所得序列S中如果包含知识点簇,则用所述知识点簇包含的知识点替换到知识点簇,不用考虑簇内知识点在序列中的次序;得到全是由知识点组成的序列S′;S31所得序列S中如果序列S中如果不包含知识点簇,则令S′=S;
S33,去除序列S′中的首个知识点k0,得到S″;
S34,从序列S″中的首个知识点开始,检测每个知识点在S″中是否重复,若重复,这去掉后出现的知识点;最终生成的知识点序列就是要学习特定知识点的最短学习序列。
Claims (4)
1.一种基于学习依赖关系的学习序列生成方法,其特征在于,包括如下步骤:
S1,学习依赖关系图转换
采用图转换算法将学习依赖关系图G转换为只包含or类型学习依赖关系的学习依赖关系图G′;
S2,层次结构生成
根据S1所得学习依赖关系图G′中的知识点或知识点簇结点到学习者要学习的知识点结点kg的距离,将所述学习依赖关系图G′中所有结点划分为层次结构,同层内的结点到kg的距离相同;在同层中补充双向的学习依赖关系,并添加一个虚拟起始知识点k0,从而生成图G′边上带有权重的学习依赖关系图结构,即加权学习依赖关系图G″=(K″,LD″);
S3,学习系列生成
找出S2所得加权学习依赖关系图中起始知识点到要学习的知识点的最短路径,还原最短路径中的知识点簇,并去除首个知识点和重复知识点,最终生成学习序列;S1中,学习依赖关系图G=(K,LD)包含了课程中知识点集合K以及K中知识点之间关系集合LD,其中,K={k1,k2,...,ki,...,kn}为某一课程的知识点集合,为知识点之间的学习依赖关系集合;T={and,or}表示学习依赖关系的两种类型,(ki,kj,and)∈LD表示要学习知识点kj,必须先要完成知识点ki的学习,(ki,kj,or)∈LD表示学习知识点ki后,就能学习知识点kj;S1中,采用图转换算法将G转换为只包含or类型学习依赖关系的依赖图G′=(K′,LD′),其中,K′包含了K中部分知识点以及一组知识点形成的知识点簇,对于一个知识点簇 为K′中元素之间的or类型学习依赖关系,N为整数集;(kx,ky,w)∈LD′表示知识点kx或知识点簇ky存在or类型学习依赖关系,kx和ky在图G′中对应的边的权重为w;在S1中所述的图转换算法包括以下步骤:
S121:K′=K′∪{k}
S122:若Kor={kor|(kor,k,or)∈LD}不为则K′=K′∪Kor,LD′=LD′∪{(kor,k,1)|(kor,k,or)∈LD};将与所述结点k具有or类型依赖关系的知识点加入K′,把or类型依赖关系加入LD′,并设置边的权重为1;
S123:若Kand={kand|(kand,k,and)∈LD}不为则K′=K′∪{Kand},LD′=LD′∪(Kand,k,|Kand|);将所述结点k具有and类型依赖关系的知识点作为一个知识点簇Kand加入K′,把Kand与k的学习依赖关系加入LD′,并设置边的权重为Kand内的知识点数目;
S124:转向S14;
S13:设k是K′中知识点簇C内的结点,执行以下步骤:
S131:若Kor={kor|(kor,k,or)∈LD}不为则K′=K′∪Kor,LD′=LD′∪{(kor,C,1)|(kor,k,or)∈LD};将结点k具有or类型依赖关系的知识点加入K′,把指向结点k的or类型依赖关系改为指向C,然后加入LD′,并设置边的权重为1;
S132:若Kand={kand|(kand,k,and)∈LD}不为则K′=K′∪{Kand},LD′=LD′∪{(Kand,C,|Kand|)};将结点k具有and类型依赖关系的知识点作为一个知识点簇Kand加入K′,把Kand到k的学习依赖关系改为Kand到C,然后加入LD′,并设置边的权重为Kand内的知识点数目;
S133:若k还属于K′中其它知识点簇,对于每个知识点簇,重复执行S131与S132;生成知识点簇,在G′中将所述知识点簇添加到C的结点与边;
S14:从图G=(K,LD)中去除知识点k以及连接k的学习依赖关系,K=K-{k};LD=LD-K×{k};
2.根据权利要求1所述的基于学习依赖关系的学习序列生成方法,其特征在于,在S2中所述的层次结构生成包括以下步骤:
S21:在依赖图G′中,以学习者要学习的知识点kg为起点,沿着LD′中学习依赖关系反方向进行广度优先遍历,得到K′中每个知识点与知识点簇在图G′中到kg的距离;
设未被遍历到的知识点或知识点簇结点构成的集合为K′-,令K″=K′-K′-,LD″=LD′-K′×K′--K′-×K′,G″=(K″,LD″)为学习知识点kg前必须要学习的知识点或知识点簇及其学习依赖关系构成的学习依赖关系图;在G″中根据到kg距离将K″中每个知识点与知识点簇划分到不同层次L0,L1,...,Ll,...,Lm中,其中,L0是kg本身构成的集合,Ll为到kg距离为l的知识点与知识点簇构成的集合,Lm为到kg距离为m的知识点与知识点簇构成的集合;
S22:对于S21所述每个Ll,检测其中任意两个知识点ki或知识点簇kj之间是否存在学习依赖关系,如果不存在,则LD″=LD″∪{(ki,kj,1),(kj,ki,1)};
S23:设k0是一个虚拟的起始知识点,在学习中不依赖其它任何知识点,将k0加入S21所得G″中,并建立k0与Lm中知识点与知识点簇之间的学习依赖关系,即K″=K″∪{k0},LD″=LD″∪{(k0,kj,1)|kj∈Lm};生成的G″=(K″,LD″)为一个边上带有权重的图结构。
3.根据权利要求1所述的基于学习依赖关系的学习序列生成方法,其特征在于,S3学习序列生成具体包括以下步骤:
S31,找出S2所得加权学习依赖关系图G″中起始知识点k0到要学习的知识点kg的最短路径;将所述最短路径中的知识点依次排成序列S;
S32,S31所得序列S中如果包含知识点簇,则用所述知识点簇包含的知识点替换到知识点簇,不用考虑簇内知识点在序列中的次序;得到全是由知识点组成的序列S′;S31所得序列S中如果序列S中如果不包含知识点簇,则令S′=S;
S33,去除序列S′中的首个知识点k0,得到S″;
S34,从序列S″中的首个知识点开始,检测每个知识点在S″中是否重复,若重复,这去掉后出现的知识点;最终生成的知识点序列就是要学习特定知识点的最短学习序列。
4.根据权利要求3所述的基于学习依赖关系的学习序列生成方法,其特征在于,S31中采用Dijkstra算法查找最短路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910408967.6A CN110175942B (zh) | 2019-05-16 | 2019-05-16 | 一种基于学习依赖关系的学习序列生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910408967.6A CN110175942B (zh) | 2019-05-16 | 2019-05-16 | 一种基于学习依赖关系的学习序列生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110175942A CN110175942A (zh) | 2019-08-27 |
CN110175942B true CN110175942B (zh) | 2021-12-07 |
Family
ID=67691353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910408967.6A Expired - Fee Related CN110175942B (zh) | 2019-05-16 | 2019-05-16 | 一种基于学习依赖关系的学习序列生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110175942B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907004B (zh) * | 2019-12-03 | 2022-03-08 | 北京新唐思创教育科技有限公司 | 学习规划方法、装置及计算机存储介质 |
KR102377320B1 (ko) * | 2021-05-31 | 2022-03-22 | 주식회사 애자일소다 | 학습 경로 추천 장치 및 그 방법 |
CN113297419B (zh) * | 2021-06-23 | 2024-04-09 | 南京谦萃智能科技服务有限公司 | 视频知识点确定方法、装置、电子设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102508874A (zh) * | 2011-10-15 | 2012-06-20 | 西安交通大学 | 一种知识地图上导航学习路径的生成方法 |
CN107092706A (zh) * | 2017-05-31 | 2017-08-25 | 海南大学 | 一种面向5w的基于图谱的目标驱动的学习点和学习路径推荐方法 |
CN107203584A (zh) * | 2017-04-01 | 2017-09-26 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于知识点目标集的学习路径规划方法 |
CN107665472A (zh) * | 2016-07-27 | 2018-02-06 | 科大讯飞股份有限公司 | 学习路径规划方法和装置 |
CN107784088A (zh) * | 2017-09-30 | 2018-03-09 | 杭州博世数据网络有限公司 | 基于知识点连接关系的知识图谱构建方法 |
CN108573628A (zh) * | 2018-04-23 | 2018-09-25 | 中山大学 | 基于学习轨迹的学习能力评估与扩展知识点集推荐的方法 |
CN108628967A (zh) * | 2018-04-23 | 2018-10-09 | 西安交通大学 | 一种基于学习生成网络相似度的网络学习群组划分方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020178181A1 (en) * | 2001-05-23 | 2002-11-28 | Subramanyan Shyam K | Method and system for creation and development of content for e-learning |
-
2019
- 2019-05-16 CN CN201910408967.6A patent/CN110175942B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102508874A (zh) * | 2011-10-15 | 2012-06-20 | 西安交通大学 | 一种知识地图上导航学习路径的生成方法 |
CN107665472A (zh) * | 2016-07-27 | 2018-02-06 | 科大讯飞股份有限公司 | 学习路径规划方法和装置 |
CN107203584A (zh) * | 2017-04-01 | 2017-09-26 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于知识点目标集的学习路径规划方法 |
CN107092706A (zh) * | 2017-05-31 | 2017-08-25 | 海南大学 | 一种面向5w的基于图谱的目标驱动的学习点和学习路径推荐方法 |
CN107784088A (zh) * | 2017-09-30 | 2018-03-09 | 杭州博世数据网络有限公司 | 基于知识点连接关系的知识图谱构建方法 |
CN108573628A (zh) * | 2018-04-23 | 2018-09-25 | 中山大学 | 基于学习轨迹的学习能力评估与扩展知识点集推荐的方法 |
CN108628967A (zh) * | 2018-04-23 | 2018-10-09 | 西安交通大学 | 一种基于学习生成网络相似度的网络学习群组划分方法 |
Non-Patent Citations (2)
Title |
---|
一种自适应的个性化学习序列生成研究;蒋艳荣,韩坚华,吴伟民;《计算机科学》;20130831;第40卷(第8期);第204-209页 * |
基于知识地图拓扑的核心知识单元识别方法;何绯娟等;《计算机技术与发展》;20170731;第27卷(第7期);第34-42页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110175942A (zh) | 2019-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110175942B (zh) | 一种基于学习依赖关系的学习序列生成方法 | |
CN112085204A (zh) | 一种用于量子编译的线路变换方法 | |
CN107590139B (zh) | 一种基于循环矩阵翻译的知识图谱表示学习方法 | |
CN106850289B (zh) | 结合高斯过程与强化学习的服务组合方法 | |
CN112711475B (zh) | 一种基于图卷积神经网络的工作流调度方法及*** | |
CN111209410B (zh) | 一种基于锚点的动态知识图谱表示学习方法及*** | |
Sethi et al. | Asynchronous cellular automata and pattern classification | |
CN103810388A (zh) | 基于面向映射的分块技术的大规模本体映射方法 | |
Gupta et al. | A generative model for dynamic networks with applications | |
CN110717043A (zh) | 基于网络表示学习训练的学术团队构建方法 | |
CN108614932B (zh) | 基于边图的线性流重叠社区发现方法、***及存储介质 | |
CN112529057A (zh) | 一种基于图卷积网络的图相似性计算方法及装置 | |
Kocacoban et al. | Fast online learning in the presence of latent variables | |
Fang et al. | Uncovering the fuzzy community structure accurately based on steepest descent projection | |
CN112836511B (zh) | 基于协同关系的知识图谱上下文嵌入方法 | |
CN114781808A (zh) | 基于学生心理算法的分布式InSAR卫星任务规划方法 | |
Banati et al. | TL-GSO:-A hybrid approach to mine communities from social networks | |
Nakama | Theoretical analysis of genetic algorithms in noisy environments based on a Markov model | |
Chourasia et al. | Visualization of two-dimensional interval type-2 fuzzy membership functions using general type-2 fuzzy membership functions | |
Danilenka et al. | Using adversarial images to improve outcomes of federated learning for non-iid data | |
Antunovic et al. | Detecting communities in directed acyclic networks using modified LPA algorithms | |
Lv et al. | New Teaching Model of Professional Big Data Courses in Universities Based on an Outcome-Oriented Educational Concept | |
Liu et al. | Network anomaly detection based on BQPSO-BN algorithm | |
Dodwadmath et al. | Preserving privacy with PATE for heterogeneous data | |
WO2019064461A1 (ja) | 学習ネットワーク生成装置、及び学習ネットワーク生成プログラム |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211207 |
|
CF01 | Termination of patent right due to non-payment of annual fee |