CN112001825B - 基于认知图谱的学习认知路径规划*** - Google Patents
基于认知图谱的学习认知路径规划*** Download PDFInfo
- Publication number
- CN112001825B CN112001825B CN202010833727.3A CN202010833727A CN112001825B CN 112001825 B CN112001825 B CN 112001825B CN 202010833727 A CN202010833727 A CN 202010833727A CN 112001825 B CN112001825 B CN 112001825B
- Authority
- CN
- China
- Prior art keywords
- learning
- sub
- knowledge point
- point data
- cognitive
- 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.)
- Active
Links
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 125
- 238000001228 spectrum Methods 0.000 claims description 27
- 238000011156 evaluation Methods 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 21
- 239000000126 substance Substances 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 6
- 230000004048 modification Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000007792 addition Methods 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000002360 preparation method Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Educational Technology (AREA)
- Databases & Information Systems (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明提供了基于认知图谱的学习认知路径规划***,其通过将认知图谱划分为若干子图谱来提高对认知图谱的分析细化程度,并且还能够根据不同学习者对不同子图谱的感兴趣程度来调整不同用户对相应知识点数据的学习顺序和/或学习进度,从而有效地教学质量和教学效率。
Description
技术领域
本发明涉及智能教育的技术领域,特别涉及基于认知图谱的学习认知路径规划***。
背景技术
目前的教学模式都是对所有学习者根据同一的认知图谱进行无差别的***学,虽然这种教学模式能够适宜大多数学习者的学习需求和有效地减少教学事前准备工作量,但是其不能针对具有不同学习需求和学习能力的学习者进行适应性的学习认知路径规划,从而降低教学质量和教学效率。可见,现有技术急需一种能够根据不同学习者的学习需求和学习兴趣进行学习认知路径匹配调整的教学模式。
发明内容
针对现有技术存在的缺陷,本发明提供基于认知图谱的学习认知路径规划***,其包括知识数据采集模块、认知图谱构建模块、认知图谱划分模块、用户-认知图谱兴趣度评价模块和学习认知路径规划模块,该知识数据采集模块用于获取关于预设学科门类的若干知识点数据;该认知图谱构建模块用于对若干该知识点数据进行预处理,再根据预处理后的知识点数据对应的文本语义信息,构建得到关于若干该知识点数据的认知图谱;该认知图谱划分模块用于根据知识点的难度类型,将该认知图谱划分为若干个子图谱;该用户-认知图谱兴趣度评价模块用于评价若干不同用户中的每一个用户对每一个该子图谱的学习兴趣度值;该学习认知路径规划模块用于根据所有用户对应的学习兴趣度值,确定不同用户若干该知识点数据的学习顺序和/或学习进度;可见,该基于认知图谱的学习认知路径规划***通过将认知图谱划分为若干子图谱来提高对认知图谱的分析细化程度,并且还能够根据不同学习者对不同子图谱的感兴趣程度来调整不同用户对相应知识点数据的学习顺序和/或学习进度,从而有效地教学质量和教学效率。
本发明提供基于认知图谱的学习认知路径规划***,其包括知识数据采集模块、认知图谱构建模块、认知图谱划分模块、用户-认知图谱兴趣度评价模块和学习认知路径规划模块;其中,
所述知识数据采集模块用于获取关于预设学科门类的若干知识点数据;
所述认知图谱构建模块用于对若干所述知识点数据进行预处理,再根据预处理后的知识点数据对应的文本语义信息,构建得到关于若干所述知识点数据的认知图谱;
所述认知图谱划分模块用于根据知识点的难度类型,将所述认知图谱划分为若干个子图谱;
所述用户-认知图谱兴趣度评价模块用于评价若干不同用户中的每一个用户对每一个所述子图谱的学习兴趣度值;
所述学习认知路径规划模块用于根据所有用户对应的学习兴趣度值,确定不同用户若干所述知识点数据的学习顺序和/或学习进度;
进一步,所述知识数据采集模块包括学科门类确定子模块、知识点数据采集子模块和知识点数据缓存子模块;其中,
所述学科门类确定子模块用于确定当前学习方案规划对应的学科门类,从而得到所述预设学科门类,其中,所述预设学科门类包括语文、数学、英语、物理、化学、生物、政治、地理和历史中的任意一者;
所述知识点数据采集子模块用于根据所述预设学科门类,在预设学科知识数据库中摘选与所述预设学科门类匹配的若干知识点数据;
所述知识点数据缓存子模块用于根据若干所述知识点数据自身的数据长度,对所有知识点数据进行关于数据长度的升序排列缓存;
进一步,所述认知图谱构建模块包括知识点数据降噪子模块、知识点数据文本语义转换子模块和认知图谱生成子模块;其中,
所述知识点数据降噪子模块用于对若干所述知识点数据进行卡尔曼滤波预处理,从而去除若干所述知识点数据的噪声成分;
所述知识点数据文本语义转换子模块用于将所述知识点数据转换为具有上下文语境含义的文本语义信息;
所述认知图谱生成子模块用于根据所述文本语义信息,生成关于若干所述知识点数据的认知图谱;
进一步,所述认知图谱划分模块包括知识点难度类型确定子模块和子图谱生成子模块;其中,
所述知识点难度类型确定子模块用于根据预设知识点数据难度评价模型,确定每一项知识点数据自身的难度评价值;
所述子图谱生成子模块用于根据所述难度评价值,将所述认知图谱划分为N个子图谱,其中每一个子图谱包含的所有知识点数据的难度评价值均落在该个子图谱相应的一个预定的数值区间内;
进一步,所述用户-认知图谱兴趣度评价模块包括用户-子图谱兴趣度值计算子模块和兴趣度值筛选子模块;其中,
所述用户-子图谱兴趣度值计算子模块用于根据下面公式(1)计算M个用户中的每一个用户对N个子图谱中的每一个子图谱的兴趣度值
在上述公式(1)中,Pgk表示第g个用户对第k个子图谱的兴趣度值,并且g=1、2、3、…、M,k=1、2、3、…、N,Tgk表示第g个用户浏览第k个子图谱的时间,T1表示每一个子图谱的预设的浏览上限时间,λ表示第g个用户在浏览第k个子图谱对应的预设外界影响因子,其取值为[0.05,0.1],Dk表示第k个子图谱进行知识点数据更新的周期时间,所述知识点数据更新是指对所述第k个子图谱进行知识点数据修改、删除或者增加;
所述兴趣度值筛选子模块用于从计算得到的所有兴趣度值中筛选出处于预设兴趣度合格范围的若干兴趣度值,以此作为有效兴趣度值;
进一步,所述学习认知路径规划模块包括兴趣度序列生成子模块、兴趣度序列处理子模块、目标人群划分模块和学习顺序和/或学习进度确定子模块;其中,
所述兴趣度序列生成子模块用于对所有所述有效兴趣度值进行降序排列,从而生成相应的兴趣度序列;
所述兴趣度序列处理子模块用于计算所述M个用户中任意一个用户的兴趣度序列与其余用户的兴趣度序列之间的相似度;
所述目标人群划分模块用于根据所述相似度,将所述M个用户划分为互不重叠的第一目标人群和第二目标人群;
所述学习顺序和/或学习进度确定子模块用于针对所述第一目标人群和所述第二目标人群,分别确定不同的知识点数据学习顺序和/或知识点数据学习进度;
进一步,所述兴趣度序列处理子模块用于根据下面公式(2)计算所述M个用户中任意一个用户的兴趣度序列与其余用户的兴趣度序列之间的相似度
在上述公式(2)中,sim(a,b)表示所述M个用户中的第a个用户的兴趣度序列与其余用户中的第b个用户的兴趣度序列之间的相似度,Pai表示第a个用户对第i个子图谱的兴趣度值,且i=1、2、3、…、N,Pbj表示第b个用户对第j个子图谱的兴趣度值,且j=1、2、3、…、N,Qa表示对第a个用户进行标准化测试后确定的测试评分值,Qb表示对第b个用户进行所述标准化测试后确定的测试评分值,其中所述标准化测试是指根据预设测试题库对用户进行知识点的测试,K表示预设经验值、且其取值为(0,1];
进一步,所述目标人群划分模块根据所述相似度,将所述M个用户划分为互不重叠的第一目标人群和第二目标人群具体包括,
将计算得到的相似度与预设相似度阈值进行比较,若所述相似度大于或者等于所述预设相似度阈值,则将当前相似度对应的用户划分入所述第一目标人群,若所述相似度小于所述预设相似度阈值,则将当前相似度对应的用户划分入所述第二目标人群;
所述学习顺序和/或学习进度确定子模块针对所述第一目标人群和所述第二目标人群,分别确定不同的知识点数据学习顺序和/或知识点数据学习进度具体包括
针对所述第一目标人群,按照先难后易的顺序调整对所述知识点数据的学习顺序和/或学习进度;
针对所述第二目标人群,按照先易后难的顺序调整对所述知识点数据的学习顺序和/或学习进度。
相比于现有技术,该基于认知图谱的学习认知路径规划***包括知识数据采集模块、认知图谱构建模块、认知图谱划分模块、用户-认知图谱兴趣度评价模块和学习认知路径规划模块,该知识数据采集模块用于获取关于预设学科门类的若干知识点数据;该认知图谱构建模块用于对若干该知识点数据进行预处理,再根据预处理后的知识点数据对应的文本语义信息,构建得到关于若干该知识点数据的认知图谱;该认知图谱划分模块用于根据知识点的难度类型,将该认知图谱划分为若干个子图谱;该用户-认知图谱兴趣度评价模块用于评价若干不同用户中的每一个用户对每一个该子图谱的学习兴趣度值;该学习认知路径规划模块用于根据所有用户对应的学习兴趣度值,确定不同用户若干该知识点数据的学习顺序和/或学习进度;可见,该基于认知图谱的学习认知路径规划***通过将认知图谱划分为若干子图谱来提高对认知图谱的分析细化程度,并且还能够根据不同学习者对不同子图谱的感兴趣程度来调整不同用户对相应知识点数据的学习顺序和/或学习进度,从而有效地教学质量和教学效率。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
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,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,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。
图1为本发明提供的基于认知图谱的学习认知路径规划***的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参阅图1,为本发明实施例提供的基于认知图谱的学习认知路径规划***的结构示意图。该基于认知图谱的学习认知路径规划***包括知识数据采集模块、认知图谱构建模块、认知图谱划分模块、用户-认知图谱兴趣度评价模块和学习认知路径规划模块;其中,
该知识数据采集模块用于获取关于预设学科门类的若干知识点数据;
该认知图谱构建模块用于对若干该知识点数据进行预处理,再根据预处理后的知识点数据对应的文本语义信息,构建得到关于若干该知识点数据的认知图谱;
该认知图谱划分模块用于根据知识点的难度类型,将该认知图谱划分为若干个子图谱;
该用户-认知图谱兴趣度评价模块用于评价若干不同用户中的每一个用户对每一个该子图谱的学习兴趣度值;
该学习认知路径规划模块用于根据所有用户对应的学习兴趣度值,确定不同用户若干该知识点数据的学习顺序和/或学习进度。
该基于认知图谱的学习认知路径规划***有别于现有技术的对所有用户进行统一形式知识点数据的学习认识路径设计,其通过对收集到的若干知识点数据组成认知图谱,再对该认知图谱划分为若干子图谱,再根据不同用户对不同子图谱的感兴趣程度,从而针对不同用户的感兴趣程度进行区别化的知识点数据的学习顺序和/或学习进度调整,以提高用户学习不同知识点数据的学习质量和/或顺序,这样能够根据不同学习者对不同子图谱的感兴趣程度来调整不同用户对相应知识点数据的学习顺序和/或学习进度,从而有效地教学质量和教学效率。
优选地,该知识数据采集模块包括学科门类确定子模块、知识点数据采集子模块和知识点数据缓存子模块;其中,
该学科门类确定子模块用于确定当前学习方案规划对应的学科门类,从而得到该预设学科门类,其中,该预设学科门类包括语文、数学、英语、物理、化学、生物、政治、地理和历史中的任意一者;
该知识点数据采集子模块用于根据该预设学科门类,在预设学科知识数据库中摘选与该预设学科门类匹配的若干知识点数据;
该知识点数据缓存子模块用于根据若干该知识点数据自身的数据长度,对所有知识点数据进行关于数据长度的升序排列缓存。
通过确定学科门类来进行知识点数据的摘选能够保证知识点数据摘选的正确性,从而避免后续发生知识点数据误摘选的情况。
优选地,该认知图谱构建模块包括知识点数据降噪子模块、知识点数据文本语义转换子模块和认知图谱生成子模块;其中,
该知识点数据降噪子模块用于对若干该知识点数据进行卡尔曼滤波预处理,从而去除若干该知识点数据的噪声成分;
该知识点数据文本语义转换子模块用于将该知识点数据转换为具有上下文语境含义的文本语义信息;
该认知图谱生成子模块用于根据该文本语义信息,生成关于若干该知识点数据的认知图谱。
对知识点数据进行滤波降噪和文本语义转换能够提高该认知图谱数据的精简程度和数据的可信度。
优选地,该认知图谱划分模块包括知识点难度类型确定子模块和子图谱生成子模块;其中,
该知识点难度类型确定子模块用于根据预设知识点数据难度评价模型,确定每一项知识点数据自身的难度评价值;
该子图谱生成子模块用于根据该难度评价值,将该认知图谱划分为N个子图谱,其中每一个子图谱包含的所有知识点数据的难度评价值均落在该个子图谱相应的一个预定的数值区间内。
对每一项知识点数据进行难度评价值的计算能够准确地将每一项知识点数据归类到合适的子图谱中,从而提高子图谱的划分可信度。
优选地,该用户-认知图谱兴趣度评价模块包括用户-子图谱兴趣度值计算子模块和兴趣度值筛选子模块;其中,
该用户-子图谱兴趣度值计算子模块用于根据下面公式(1)计算M个用户中的每一个用户对N个子图谱中的每一个子图谱的兴趣度值
在上述公式(1)中,Pgk表示第g个用户对第k个子图谱的兴趣度值,并且g=1、2、3、…、M,k=1、2、3、…、N,Tgk表示第g个用户浏览第k个子图谱的时间,T1表示每一个子图谱的预设的浏览上限时间,λ表示第g个用户在浏览第k个子图谱对应的预设外界影响因子,其取值为[0.05,0.1],Dk表示第k个子图谱进行知识点数据更新的周期时间,该知识点数据更新是指对该第k个子图谱进行知识点数据修改、删除或者增加;
该兴趣度值筛选子模块用于从计算得到的所有兴趣度值中筛选出处于预设兴趣度合格范围的若干兴趣度值,以此作为有效兴趣度值。
优选地,该学习认知路径规划模块包括兴趣度序列生成子模块、兴趣度序列处理子模块、目标人群划分模块和学习顺序和/或学习进度确定子模块;其中,
该兴趣度序列生成子模块用于对所有该有效兴趣度值进行降序排列,从而生成相应的兴趣度序列;
该兴趣度序列处理子模块用于计算该M个用户中任意一个用户的兴趣度序列与其余用户的兴趣度序列之间的相似度;
该目标人群划分模块用于根据该相似度,将该M个用户划分为互不重叠的第一目标人群和第二目标人群;
该学习顺序和/或学习进度确定子模块用于针对该第一目标人群和该第二目标人群,分别确定不同的知识点数据学习顺序和/或知识点数据学习进度。
优选地,该兴趣度序列处理子模块用于根据下面公式(2)计算该M个用户中任意一个用户的兴趣度序列与其余用户的兴趣度序列之间的相似度
在上述公式(2)中,sim(a,b)表示该M个用户中的第a个用户的兴趣度序列与其余用户中的第b个用户的兴趣度序列之间的相似度,Pai表示第a个用户对第i个子图谱的兴趣度值,且i=1、2、3、…、N,Pbj表示第b个用户对第j个子图谱的兴趣度值,且j=1、2、3、…、N,Qa表示对第a个用户进行标准化测试后确定的测试评分值,Qb表示对第b个用户进行该标准化测试后确定的测试评分值,其中该标准化测试是指根据预设测试题库对用户进行知识点的测试,K表示预设经验值、且其取值为(0,1]。
通过计算每个用户对认知图谱中的不同子图谱的兴趣度值来确定每个用户对知识点数据的学习顺序和/或学习进度,去除掉无用部分占用的时间,能够有效地改善知识点数据的学习效率,提高了用户的体验感,可有针对性的对用户生成合理的学习顺序和/或学习进度规划方案,并且减少了用户等待的时间,可使用户第一时间获得自己的学习规划方案,进一步地提高了用户的体验感。
优选地,该目标人群划分模块根据该相似度,将该M个用户划分为互不重叠的第一目标人群和第二目标人群具体包括,
将计算得到的相似度与预设相似度阈值进行比较,若该相似度大于或者等于该预设相似度阈值,则将当前相似度对应的用户划分入该第一目标人群,若该相似度小于该预设相似度阈值,则将当前相似度对应的用户划分入该第二目标人群;
该学习顺序和/或学习进度确定子模块针对该第一目标人群和该第二目标人群,分别确定不同的知识点数据学习顺序和/或知识点数据学习进度具体包括
针对该第一目标人群,按照先难后易的顺序调整对该知识点数据的学习顺序和/或学习进度;
针对该第二目标人群,按照先易后难的顺序调整对该知识点数据的学习顺序和/或学习进度。
从上述实施例的内容可知,该基于认知图谱的学习认知路径规划***包括知识数据采集模块、认知图谱构建模块、认知图谱划分模块、用户-认知图谱兴趣度评价模块和学习认知路径规划模块,该知识数据采集模块用于获取关于预设学科门类的若干知识点数据;该认知图谱构建模块用于对若干该知识点数据进行预处理,再根据预处理后的知识点数据对应的文本语义信息,构建得到关于若干该知识点数据的认知图谱;该认知图谱划分模块用于根据知识点的难度类型,将该认知图谱划分为若干个子图谱;该用户-认知图谱兴趣度评价模块用于评价若干不同用户中的每一个用户对每一个该子图谱的学习兴趣度值;该学习认知路径规划模块用于根据所有用户对应的学习兴趣度值,确定不同用户若干该知识点数据的学习顺序和/或学习进度;可见,该基于认知图谱的学习认知路径规划***通过将认知图谱划分为若干子图谱来提高对认知图谱的分析细化程度,并且还能够根据不同学习者对不同子图谱的感兴趣程度来调整不同用户对相应知识点数据的学习顺序和/或学习进度,从而有效地教学质量和教学效率。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (5)
1.基于认知图谱的学习认知路径规划***,其特征在于,其包括知识数据采集模块、认知图谱构建模块、认知图谱划分模块、用户-认知图谱兴趣度评价模块和学习认知路径规划模块;其中,
所述知识数据采集模块用于获取关于预设学科门类的若干知识点数据;
所述认知图谱构建模块用于对若干所述知识点数据进行预处理,再根据预处理后的知识点数据对应的文本语义信息,构建得到关于若干所述知识点数据的认知图谱;
所述认知图谱划分模块用于根据知识点的难度类型,将所述认知图谱划分为若干个子图谱;
所述用户-认知图谱兴趣度评价模块用于评价若干不同用户中的每一个用户对每一个所述子图谱的学习兴趣度值;
所述学习认知路径规划模块用于根据所有用户对应的学习兴趣度值,确定不同用户若干所述知识点数据的学习顺序和/或学习进度;
其中,所述认知图谱划分模块包括知识点难度类型确定子模块和子图谱生成子模块;其中,
所述知识点难度类型确定子模块用于根据预设知识点数据难度评价模型,确定每一项知识点数据自身的难度评价值;
所述子图谱生成子模块用于根据所述难度评价值,将所述认知图谱划分为N个子图谱,其中每一个子图谱包含的所有知识点数据的难度评价值均落在该个子图谱相应的一个预定的数值区间内;
其中,所述用户-认知图谱兴趣度评价模块包括用户-子图谱兴趣度值计算子模块和兴趣度值筛选子模块;其中,
所述用户-子图谱兴趣度值计算子模块用于根据下面公式(1)计算M个用户中的每一个用户对N个子图谱中的每一个子图谱的兴趣度值
在上述公式(1)中,Pgk表示第g个用户对第k个子图谱的兴趣度值,并且g=1、2、3、…、M,k=1、2、3、…、N,Tgk表示第g个用户浏览第k个子图谱的时间,T1表示每一个子图谱的预设的浏览上限时间,λ表示第g个用户在浏览第k个子图谱对应的预设外界影响因子,其取值为[0.05,0.1],Dk表示第k个子图谱进行知识点数据更新的周期时间,所述知识点数据更新是指对所述第k个子图谱进行知识点数据修改、删除或者增加;
所述兴趣度值筛选子模块用于从计算得到的所有兴趣度值中筛选出处于预设兴趣度合格范围的若干兴趣度值,以此作为有效兴趣度值;
其中,所述学习认知路径规划模块包括兴趣度序列生成子模块、兴趣度序列处理子模块、目标人群划分模块和学习顺序和/或学习进度确定子模块;其中,
所述兴趣度序列生成子模块用于对所有所述有效兴趣度值进行降序排列,从而生成相应的兴趣度序列;
所述兴趣度序列处理子模块用于计算所述M个用户中任意一个用户的兴趣度序列与其余用户的兴趣度序列之间的相似度;
所述目标人群划分模块用于根据所述相似度,将所述M个用户划分为互不重叠的第一目标人群和第二目标人群;
所述学习顺序和/或学习进度确定子模块用于针对所述第一目标人群和所述第二目标人群,分别确定不同的知识点数据学习顺序和/或知识点数据学习进度。
2.如权利要求1所述的基于认知图谱的学习认知路径规划***,其特征在于:
所述知识数据采集模块包括学科门类确定子模块、知识点数据采集子模块和知识点数据缓存子模块;其中,
所述学科门类确定子模块用于确定当前学习方案规划对应的学科门类,从而得到预设学科门类,其中,所述预设学科门类包括语文、数学、英语、物理、化学、生物、政治、地理和历史中的任意一者;
所述知识点数据采集子模块用于根据所述预设学科门类,在预设学科知识数据库中摘选与所述预设学科门类匹配的若干知识点数据;
所述知识点数据缓存子模块用于根据若干所述知识点数据自身的数据长度,对所有知识点数据进行关于数据长度的升序排列缓存。
3.如权利要求1所述的基于认知图谱的学习认知路径规划***,其特征在于:
所述认知图谱构建模块包括知识点数据降噪子模块、知识点数据文本语义转换子模块和认知图谱生成子模块;其中,
所述知识点数据降噪子模块用于对若干所述知识点数据进行卡尔曼滤波预处理,从而去除若干所述知识点数据的噪声成分;
所述知识点数据文本语义转换子模块用于将所述知识点数据转换为具有上下文语境含义的文本语义信息;
所述认知图谱生成子模块用于根据所述文本语义信息,生成关于若干所述知识点数据的认知图谱。
4.如权利要求1所述的基于认知图谱的学习认知路径规划***,其特征在于:
所述兴趣度序列处理子模块用于根据下面公式(2)计算所述M个用户中任意一个用户的兴趣度序列与其余用户的兴趣度序列之间的相似度
在上述公式(2)中,sim(a,b)表示所述M个用户中的第a个用户的兴趣度序列与其余用户中的第b个用户的兴趣度序列之间的相似度,Pai表示第a个用户对第i个子图谱的兴趣度值,且i=1、2、3、…、N,Pbj表示第b个用户对第j个子图谱的兴趣度值,且j=1、2、3、…、N,Qa表示对第a个用户进行标准化测试后确定的测试评分值,Qb表示对第b个用户进行所述标准化测试后确定的测试评分值,其中所述标准化测试是指根据预设测试题库对用户进行知识点的测试,K表示预设经验值、且其取值为(0,1]。
5.如权利要求4所述的基于认知图谱的学习认知路径规划***,其特征在于:
所述目标人群划分模块根据所述相似度,将所述M个用户划分为互不重叠的第一目标人群和第二目标人群具体包括,
将计算得到的相似度与预设相似度阈值进行比较,若所述相似度大于或者等于所述预设相似度阈值,则将当前相似度对应的用户划分入所述第一目标人群,若所述相似度小于所述预设相似度阈值,则将当前相似度对应的用户划分入所述第二目标人群;
所述学习顺序和/或学习进度确定子模块针对所述第一目标人群和所述第二目标人群,分别确定不同的知识点数据学习顺序和/或知识点数据学习进度具体包括:
针对所述第一目标人群,按照先难后易的顺序调整对所述知识点数据的学习顺序和/或学习进度;
针对所述第二目标人群,按照先易后难的顺序调整对所述知识点数据的学习顺序和/或学习进度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010833727.3A CN112001825B (zh) | 2020-08-18 | 2020-08-18 | 基于认知图谱的学习认知路径规划*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010833727.3A CN112001825B (zh) | 2020-08-18 | 2020-08-18 | 基于认知图谱的学习认知路径规划*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112001825A CN112001825A (zh) | 2020-11-27 |
CN112001825B true CN112001825B (zh) | 2021-06-01 |
Family
ID=73472301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010833727.3A Active CN112001825B (zh) | 2020-08-18 | 2020-08-18 | 基于认知图谱的学习认知路径规划*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112001825B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170193393A1 (en) * | 2016-01-04 | 2017-07-06 | International Business Machines Corporation | Automated Knowledge Graph Creation |
CN106156365B (zh) * | 2016-08-03 | 2019-06-18 | 北京儒博科技有限公司 | 一种知识图谱的生成方法及装置 |
CN109859554A (zh) * | 2019-03-29 | 2019-06-07 | 上海乂学教育科技有限公司 | 自适应英语词汇学习分级推题装置及计算机学习*** |
CN110544414A (zh) * | 2019-07-31 | 2019-12-06 | 安徽淘云科技有限公司 | 知识图谱的处理方法和装置 |
CN110737776A (zh) * | 2019-08-27 | 2020-01-31 | 南京源涂信息技术有限公司 | 一种基于知识图谱和目标本体的路径学习规划*** |
-
2020
- 2020-08-18 CN CN202010833727.3A patent/CN112001825B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112001825A (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Morrison | A comparison of procedures for the calculation of forensic likelihood ratios from acoustic–phonetic data: Multivariate kernel density (MVKD) versus Gaussian mixture model–universal background model (GMM–UBM) | |
CN111368024A (zh) | 文本语义相似度的分析方法、装置及计算机设备 | |
US9443193B2 (en) | Systems and methods for generating automated evaluation models | |
CN103680493A (zh) | 区分地域性口音的语音数据识别方法和装置 | |
CN107301164B (zh) | 数学公式的语义解析方法及装置 | |
CN104699614B (zh) | 一种软件缺陷组件预测的方法 | |
JP6807909B2 (ja) | データ評価方法、装置、機器及び読み取り可能な記憶媒体 | |
CN109582773A (zh) | 智能问答匹配方法及装置 | |
EP3929800A1 (en) | Skill word evaluation method and device, electronic device, and computer readable medium | |
CN109119069A (zh) | 特定人群识别方法、电子装置及计算机可读存储介质 | |
CN112052686B (zh) | 一种用户交互式教育的语音学习资源推送方法 | |
CN112489628B (zh) | 语音数据选择方法、装置、电子设备及存储介质 | |
CN106503050B (zh) | 一种基于大数据进行阅读文章推荐的方法与*** | |
CN112001825B (zh) | 基于认知图谱的学习认知路径规划*** | |
CN114120367B (zh) | 元学习框架下基于圆损失度量的行人重识别方法及*** | |
CN109272262A (zh) | 一种自然语言特征的分析方法 | |
CN114429140A (zh) | 一种基于相关图信息进行因果推断的案由认定方法及*** | |
CN109086387A (zh) | 一种音频流评分方法、装置、设备及存储介质 | |
CN114971425A (zh) | 数据库信息监控方法、装置、设备及存储介质 | |
CN110111810B (zh) | 基于卷积神经网络的语音人格预测方法 | |
CN113962216A (zh) | 文本处理方法、装置、电子设备及可读存储介质 | |
CN115618092A (zh) | 一种信息推荐方法和信息推荐*** | |
CN112133312A (zh) | 基于深度学习的口语训练方法和*** | |
JP3913626B2 (ja) | 言語モデル生成方法、その装置及びそのプログラム | |
CN112131889A (zh) | 基于大数据的智能语文主观题评分方法和*** |
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 | ||
PP01 | Preservation of patent right | ||
PP01 | Preservation of patent right |
Effective date of registration: 20221020 Granted publication date: 20210601 |