CN111401525A - 一种基于深度学习的适应性学习***和方法 - Google Patents

Abstract

本发明公开了一种基于深度学***台数量的增多，学习资源形式也越来越多样化，设计开发基于深度学习的适应性学习***和方法，通过设计基于互信息特征选择模型(MIFS)的深度神经网络输入优化策略，建立了学习者‑资源二部图关联模型下的输出直观化描述，其次利用深度神经网络训练获得资源推荐模型，实现个性化学习资源推荐。利用深度学习算法对数据适应性强、处理性能好等特点，将其用于学习者偏好、学习者的特征类型等方面的分析研究，对学习者偏好的预测准确度高，进而改善学习者在线学习的体验与效果。

Description

一种基于深度学习的适应性学习***和方法

技术领域

本发明属于发明涉及在线学习技术领域，具体涉及一种基于深度学习的适应性学习***和方法。

背景技术

随着大数据时代的到来，与教育领域结合所产生的教育大数据可以从海量教育数据中发现教学规律，进而优化教学模式、展开更高效的教学工作。教育大数据的本质是教育领域的大数据，其数据来源不仅包括学习者的学习数据，更包括日常教育活动中人的一切行为数据，具有多主题、多维度、多形态等特点。基于个性化学习思想，构建的适应性在线学习***可以收集学生的学习行为数据，分析构建学生能力，推荐合适的专属学习资源。也正因为适应性学习在根据学生个体差异进行适应性学习指导方面有较好的效果与优势。本专利提出一种新的基于深度学习的适应性学习资源推荐方法，设计并开发了一个适应性学习***，在推荐学习资源时有较好的准确性、稳定性和有效性。

发明内容

本发明的目的是为克服已有技术的不足，提出一种基于深度学习的适应性学习***和方法。

本发明提供了一种基于深度学习的适应性学习***，其特征在于，包括前端模块、后端模块和存储模块组成。前端模块为学生、教师和管理员等用户的操作界面，负责处理用户信息的输入、输出及教学、试题内容展示，通过网络与后端模块连接。后端模块包括基础服务和业务服务两个部分，负责处理、修改、查询用户及教学、试题数据等工作。后端模块连接存储模块将用户和教学数据进行存储。

应用所述一种基于深度学习的适应性学习方法主要包括以下步骤：

步骤1，用户通过前端模块进行登录和学习，后端模块分析处理存储模块中用户的数据集，获取学生与学习资源的数据；

步骤2，在学习资源数据的众多特征中寻获学习者与资源之间关联并建立特征选择模型，以此来完成推荐方法的输入过程；

步骤3，建立学习者-资源的二部图关联模型，得到推荐方法的输出；

步骤4，基于深度神经网络模型，判断学习者是否学习某一学习资源及对该学习资源的重视程度；

步骤5，确定最终的学习资源推荐列表，将推荐的学习资源通过前端模块向用户展示。

优选的，步骤2中的建立特征选择模型方式为：

选用基于互信息特征选择(MIFS)方法，基于MIFS的特征选择方法中，信息度量评价函数对于其至关重要，信息度量评价函数可表示为：

其中S为已选择的特征，s为单个特征，f为候选特征，C为类别，β为调节系数函数g(C，f)是C、f之间的信息量，g(s，f)是s、f之间的信息量。

已选择的特征表示确定会影响学习者选择资源的一些特征，其包含资源的知识内容、学习时长、资源展现形式。

优选的，步骤3中的建立二部图关联模型方式为：

定义学习者集合为：L＝{l₁，l₂，l₃，…l_m}；资源集合为：R＝{r₁，r₂，r₃，…r_m}。可得到一个由学习者集合和资源集合构成的二值关系矩阵X_m×n：

其中行向量代表学***均频率可定义为：

其中

代表l_i使用学***均次数，n(l_i)代表l_i已学习资源的数量，

代表l_i学习资源的总次数。由于该频率大小与对学习者是否有兴趣学习该资源有很大关系，学习者对某一学习资源学习次数较多，可以认为该学习者对该资源或者该类资源具有较高关注度。

同时对具体的学***均使用次数

作为临界值，即为推荐模型的分类分析，决定条件为：

优选的，步骤4中的建立深度神经网络模型方式为：

针对学习资源推荐问题所设计的深度神经网络模型由输入层、多个隐藏层和输出层组成，根据上述两节模型的构建，对该深度神经网络模型具体设计如下。

隐藏层设计：隐藏层采用Sigmoid激活函数，其中x为横坐标的值，f(x)为纵坐标的值，其函数表达式为：

代价函数设计：本方法使用了标准的二次代价函数，函数中C表示代价，y代表实际值，a代表输出值，，其函数公式如下：

输出层设计：本方法解决的学习资源推荐问题最终是转换为推荐或者不推荐的问题，因此输出层采用经典的逻辑回归模型，Sigmoid函数就是其概率函数。

本发明与现有技术相比，其有益的技术效果为：在传统的在线学习***中加入个性化推荐可以使用户在学习过程中拥有更大的针对性和能动性，基于推荐模型、课程推荐引擎和具体的业务需求，设计并实现了在线学习***，采用了学习者-资源的二部图关联模型，得到推荐方法的输出，***能够根据用户行为构建用户模型，从而有针对性地向用户推荐其可能喜欢的学习资源，以此激发他们的学习热情，提高其学习的积极性。

附图表明

图1是本发明的步骤流程图。

图2是本发明的结构框架图。

具体实施方式

本发明提供了一种基于深度学习的适应性学习***，其特征在于，包括前端模块、后端模块和存储模块组成。前端模块为学生、教师和管理员等用户的操作界面，负责处理用户信息的输入、输出及教学、试题内容展示，通过网络与后端模块连接。后端模块包括基础服务和业务服务两个部分，负责处理、修改、查询用户及教学、试题数据等工作。后端模块连接存储模块将用户和教学数据进行存储。

应用所述一种基于深度学习的适应性学习方法主要包括以下步骤：

步骤1，用户通过前端模块进行登录和学习，后端模块分析处理存储模块中用户的数据集，获取学生与学习资源的数据；

步骤2，在学习资源数据的众多特征中寻获学习者与资源之间关联并建立特征选择模型，以此来完成推荐方法的输入过程；

具体是，选用基于互信息特征选择(MIFS)方法，基于MIFS的特征选择方法中，信息度量评价函数对于其至关重要，信息度量评价函数可表示为：

其中S为已选择的特征，s为单个特征，f为候选特征，C为类别，β为调节系数函数g(C，f)是C、f之间的信息量，g(s，f)是s、f之间的信息量。

已选择的特征表示确定会影响学习者选择资源的一些特征，其包含资源的知识内容、学习时长、资源展现形式。

步骤3，建立学习者-资源的二部图关联模型，得到推荐方法的输出；

具体是，生成模型训练数据集。对数据集进行独热编码，形成m个二元特征的稀疏数据，逐项运行学生与学习资源的交互记录，在每个时间步中，输入是当前项的独热编码，输出是目录中每个学习资源神经元的全连接层，神经元被激活最多的学习资源作为推荐。

步骤3，基于项目反应理论构造预测模型，判断学生在推荐试题上使用该知识点的步骤能否作对；

具体是，定义学习者集合为：L＝{l₁，l₂，l₃，…l_m}；资源集合为：R＝{r₁，r₂，r₃，…r_m}。可得到一个由学习者集合和资源集合构成的二值关系矩阵X_m×n：

其中行向量代表学***均频率可定义为：

其中

代表l_i使用学***均次数，n(l_i)代表l_i已学习资源的数量，

代表l_i学习资源的总次数。由于该频率大小与对学习者是否有兴趣学习该资源有很大关系，学习者对某一学习资源学习次数较多，可以认为该学习者对该资源或者该类资源具有较高关注度。

同时对具体的学***均使用次数

作为临界值，即为推荐模型的分类分析，决定条件为：

步骤4，基于深度神经网络模型，判断学习者是否学习某一学习资源及对该学习资源的重视程度；

具体是，针对学习资源推荐问题所设计的深度神经网络模型由输入层、多个隐藏层和输出层组成，根据上述两节模型的构建，对该深度神经网络模型具体设计如下。

隐藏层设计：隐藏层采用Sigmoid激活函数，其中x为横坐标的值，f(x)为纵坐标的值，其函数表达式为：

代价函数设计：本方法使用了标准的二次代价函数，函数中C表示代价，y代表实际值，a代表输出值，，其函数公式如下：

输出层设计：本方法解决的学习资源推荐问题最终是转换为推荐或者不推荐的问题，因此输出层采用经典的逻辑回归模型，Sigmoid函数就是其概率函数。

步骤5，确定最终的学习资源推荐列表，将推荐的学习资源通过前端模块向用户展示。

以上对本发明进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的表明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本表明书内容不应理解为对本发明的限制。

Claims (5)

1.本发明提供了一种基于深度学习的适应性学习***，其特征在于，该学习***包括前端模块、后端模块和存储模块组成；前端模块为学生用户、教师用户、管理员用户的操作界面，负责处理用户信息的输入、输出及教学、试题内容展示，通过网络与后端模块连接；后端模块包括基础服务和业务服务两个部分，负责处理、修改、查询用户及教学、试题数据的工作；后端模块连接存储模块将用户和教学数据进行存储。

2.应用所述一种基于深度学习的适应性学习方法主要包括以下步骤：

步骤1，用户通过前端模块进行登录和学习，后端模块分析处理存储模块中用户的数据集，获取学生及其学习资源的数据；

步骤2，在学习资源数据的众多特征中寻获学习者与资源之间关联并建立特征选择模型，以此来完成推荐方法的输入过程；

步骤3，建立学习者-资源的二部图关联模型，得到推荐方法的输出；

步骤4，基于深度神经网络模型，判断学习者是否学习某一学习资源及对该学习资源的重视程度；

步骤5，确定最终的学习资源推荐列表，将推荐的学习资源通过前端模块向用户展示。

3.如权利要求2所述的基于深度学习的适应性学习方法，其特征在于，

步骤2中的建立特征选择模型方式为：选用基于互信息特征选择(MIFS)方法，获取信息度量评价函数，信息度量评价函数可表示为：

其中S为已选择的特征，s为单个特征，f为候选特征，C为类别，β为调节系数函数g(C，f)是C、f之间的信息量，g(s，f)是s、f之间的信息量，已选择的特征表示确定会影响学习者选择资源的一些特征，其包含资源的知识内容、学习时长、资源展现形式。

4.如权利要求2所述的基于深度学习的适应性学习方法，其特征在于：

步骤3中的建立二部图关联模型方式为：定义学习者集合为：L＝{l₁，l₂，l₃，…l_m}；资源集合为：R＝{r₁，r₂，r₃，…r_m}，可得到一个由学习者集合和资源集合构成的二值关系矩阵X_m×n：

其中行向量代表学***均频率可定义为：

其中

代表l_i使用学***均次数，n(l_i)代表l_i已学习资源的数量，

代表l_i学习资源的总次数，由于该频率大小与对学习者是否有兴趣学习该资源有很大关系，学习者对某一学习资源学习次数较多，可以认为该学习者对该资源或者该类资源具有较高关注度；

同时对具体的学***均使用次数

作为临界值，即为推荐模型的分类分析，决定条件为：

5.如权利要求2所述的基于深度学习的适应性学习方法，其特征在于：

步骤4中的建立深度神经网络模型方式为：

针对学习资源推荐问题所设计的深度神经网络模型由输入层、多个隐藏层和输出层组成，根据上述两节模型的构建，对该深度神经网络模型具体设计如下：

隐藏层设计：隐藏层采用Sigmoid激活函数，其中x为横坐标的值，f(x)为纵坐标的值，其函数表达式为：

代价函数设计：本方法使用了标准的二次代价函数，函数中C表示代价，y代表实际值，a代表输出值，，其函数公式如下：

输出层设计：本方法解决的学习资源推荐问题最终是转换为推荐或者不推荐的问题，因此输出层采用经典的逻辑回归模型，Sigmoid函数就是其概率函数。

Images