CN114969528A - 基于能力评测的用户画像和学习路径推荐方法、装置及设备 - Google Patents
基于能力评测的用户画像和学习路径推荐方法、装置及设备 Download PDFInfo
- Publication number
- CN114969528A CN114969528A CN202210594683.2A CN202210594683A CN114969528A CN 114969528 A CN114969528 A CN 114969528A CN 202210594683 A CN202210594683 A CN 202210594683A CN 114969528 A CN114969528 A CN 114969528A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- user
- learning
- target user
- domain
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000007115 recruitment Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 238000007596 consolidation process Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 239000000463 material Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012356 Product development Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于能力评测的用户画像和学习路径推荐方法,属于推荐方法及***领域。本发明可以基于领域中各知识点间的固有关系构建领域知识树并嵌入与知识点对应的学习资源,同时借助用户注册信息填写机会收集用户基本信息,基于用户的兴趣领域进行用户能力评测,测试用户在该领域的知识储备情况,根据用户的基本信息与其能力评测结果构建用户画像;最后基于用户画像(用户在兴趣领域的知识储备情况以及用户的学习需求)在领域知识树中搜索与用户当前学习进度相匹配的知识点,并推荐知识点中的学习材料供用户自主学习。本发明可有效提高在线学习背景下的学习路径推荐效率,提升用户的学习效果。
Description
技术领域
本发明属于推荐方法及***领域,具体涉及一种基于能力评测的用户画像和学习路径推荐方法、装置及设备。
背景技术
推荐***(Recommendation system)是一种基于用户兴趣偏好,为用户筛选其感兴趣信息,降低信息过载的推荐工具。随着信息时代的到来,互联网上的信息量呈指数增长态势,用户需要花费大量的时间从中获取自己真正感兴趣的信息,从而降低了信息的使用效率。用户学习路径推荐为推荐***中的一个细分子任务,其主要功能为给用户推荐其感兴趣的学习内容。近期,在线学习的兴起带来了大量的学习路径推荐需求,面对多元化的学习需求以及互联网中海量的学习资源,如何为学习者“随时随地”推荐其需要的学习资源显得尤为重要。
现有技术通常基于知识图谱构建学习路径模型,进而将知识图谱映射成通用学习路径图;根据学习者特征对通用学习路径图做个性化处理,得到备选学习路径图;将备选学习路径图中所有学习路径作为初始学习路径,利用遗传算法及学习路径的自适应值生成新的学习路径,当达到预设迭代次数或生成的所有新的学习路径的自适应值大于预设阈值时,停止迭代并筛选出自适应值最高的学习路径作为推荐结果。然而,此类方法依赖于领域知识图谱的有效性,无法保证领域知识的完备性和实用性,同其描述的学习者特征仍有较大改善空间。
发明内容
本发明的目的在于解决现有技术中存在的问题,并提供一种基于能力评测的用户画像和学习路径推荐方法、装置及设备。
本发明所采用的具体技术方案如下:
第一方面,本发明提供了一种基于能力评测的用户画像和学习路径推荐方法,其包括:
S1、获取目标用户的用户基本信息并从中提取用户的兴趣领域和学习模式需求,向目标用户发送关于其兴趣领域的用户能力评测,并收集关于目标用户在其兴趣领域知识储备情况的能力评测结果,形成由目标用户的兴趣领域、学习模式需求和能力评测结果组成的目标用户画像;
S2、根据目标用户画像中的兴趣领域,获取针对该兴趣领域预先构建的领域知识树;其中,每棵所述领域知识树以所在领域各种知识节点形成知识图谱形式的领域知识树框架,在每一个知识节点中嵌有该知识节点对应的学习资源,且每一个知识节点均赋予与能力评测结果相关联的难度等级;同时所述领域知识树定期保持更新,且更新过程中,一方面获取所在领域最新招聘信息中的岗位需求,从中提取领域知识树框架中不存在的知识节点对领域知识树框架进行补全,另一方面对领域知识树框架中的各节点中的学习资源进行失效资源替换和最新资源更新;
S3、从目标用户画像中解析目标用户的学习模式需求和能力评测结果,根据目标用户的学习模式需求以及能力评测结果确定目标用户下一步学习所需的知识节点难度等级,再从S2中所述领域知识树中搜索到符合该知识节点难度等级的知识节点集合,并将搜索到的知识节点集合以及其中各知识节点嵌有的学习资源作为推荐给目标用户的学习路径。
作为上述第一方面的优选,所述领域知识树中的知识节点分为N个不同的难度等级,第j个难度等级对应设置知识门槛分值为5j-1*3;
向目标用户发送关于其兴趣领域的用户能力评测时,需通过调查问卷的形式按照难度等级递增的顺序依次记录目标用户对N个难度等级知识点的掌握等级,其中目标用户对每个难度等级知识点的掌握程度分为五个掌握等级,掌握程度从第一掌握等级到第五掌握等级依次递增;根据调查问卷结果,计算目标用户在其兴趣领域的知识储备分其中k表示目标用户在填写调查问卷过程中第一次碰到掌握程度为第一掌握等级或第二掌握等级时对应的难度等级知识点的索引i,Ci表示目标用户在第i个难度等级知识点的得分,其中第一掌握等级得0分,第二掌握等级得1分,第三掌握等级得3分,第四掌握等级得4分,第五掌握等级得5分;
在进行学习路径推荐时,先按照调查问卷中得到的目标用户在其兴趣领域的知识储备分Score,从N个难度等级中查找到知识门槛分值不高于Score的最高难度等级I,再按照目标用户的学习模式需求基于该难度等级I调整推荐给用户进行学习的知识节点难度等级。
作为上述第一方面的优选,所述学习模式需求分为基础巩固和进阶学习;若目标用户选择的学习模式需求为基础巩固,则推荐给目标用户的知识节点集合中主要包含难度等级为I或者I-1的知识节点;若目标用户选择的学习模式需求为进阶学习,则推荐给目标用户的知识节点集合中主要包含难度等级为I+1的知识节点。
作为上述第一方面的优选,所述目标用户的用户基本信息通过用户在平台上进行注册时收集,包括姓名、年龄、职业、兴趣领域和学习模式需求。
作为上述第一方面的优选,定期向目标用户发送关于其兴趣领域的用户能力评测,并更新目标用户画像。
作为上述第一方面的优选,所述所在领域最新招聘信息来源于目标用户的兴趣领域对应的前沿公司在招聘网站上发布的招聘信息,每个兴趣领域对应的前沿公司预先通过筛选指定形成用于监控招聘信息发布的公司列表。
作为上述第一方面的优选,所述领域知识树中每一个知识节点中嵌入的学习资源包括相关的论文、视频、博客、开源项目。
第二方面,本发明提供了一种基于能力评测的用户画像和学习路径推荐装置,其包括:
用户画像模块,用于获取目标用户的用户基本信息并从中提取用户的兴趣领域和学习模式需求,向目标用户发送关于其兴趣领域的用户能力评测,并收集关于目标用户在其兴趣领域知识储备情况的能力评测结果,形成由目标用户的兴趣领域、学习模式需求和能力评测结果组成的目标用户画像;
领域知识树模块,用于根据目标用户画像中的兴趣领域,获取针对该兴趣领域预先构建的领域知识树;其中,每棵所述领域知识树以所在领域各种知识节点形成领域知识树框架,在每一个知识节点中嵌有该知识节点对应的学习资源,且每一个知识节点均赋予与能力评测结果相关联的难度等级;同时所述领域知识树定期保持更新,且更新过程中,一方面获取所在领域最新招聘信息中的岗位需求,从中提取领域知识树框架中不存在的知识节点对领域知识树框架进行补全,另一方面对领域知识树框架中的各节点中的学习资源进行失效资源替换和最新资源更新;
学习路径推荐模块,用于从目标用户画像中解析目标用户的学习模式需求和能力评测结果,根据目标用户的学习模式需求以及能力评测结果确定目标用户下一步学习所需的知识节点难度等级,再从S2中所述领域知识树中搜索到符合该知识节点难度等级的知识节点集合,并将搜索到的知识节点集合以及其中各知识节点嵌有的学习资源作为推荐给目标用户的学习路径。
第三方面,本发明提供了一种计算机可读存储装置,所述存储装置上存储有计算机程序,当所述计算机程序被处理器执行时,能实现如第一方面任一方案所述的基于能力评测的用户画像和学习路径推荐方法。
第四方面,本发明提供了一种电子设备,其包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现如第一方面任一方案所述的基于能力评测的用户画像和学习路径推荐方法。
本发明相对于现有技术而言,具有以下有益效果:
学习路径推荐能够为在线学习者提升学习效率,是在线教育的重要基石。而多学习路径推荐中不可或缺的部分是用户画像构建与领域知识搭建。本发明提出了一种基于用户能力评测的用户画像刻画方法,以及知识点自动补全的领域知识树,可有效提高在线学习背景下的学习路径推荐效率,提升用户的学习效果。总体而言,本发明所提供的技术方案至少在以下一个或多个方面得到了优化:
1)本发明利用实际岗位需求对领域知识树进行自动补全,提升了领域知识树的可靠性、实用性与完备性。
2)本发明利用了用户注册收集用户兴趣领域、学习需求,并针对兴趣领域进行用户能力评测,更细致地捕捉了用户需求。
3)本发明设计了阶梯式匹配框架,通过领域知识门槛分值与用户知识储备分进行匹配推荐,能够为用户推荐符合其学习进度的知识点。
附图说明
图1为基于能力评测的用户画像和学习路径推荐方法的步骤示意图;
图2为在线学习平台上的学习路径推荐流程图;
图3为基于能力评测的用户画像和学习路径推荐装置的模块示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施例的限制。本发明各个实施例中的技术特征在没有相互冲突的前提下,均可进行相应组合。
在本发明的描述中,需要理解的是,当一个元件被认为是“连接”另一个元件,可以是直接连接到另一个元件或者是间接连接即存在中间元件。相反,当元件为称作“直接”与另一元件连接时,不存在中间元件。
在本发明的描述中,需要理解的是,术语“第一”、“第二”、“第三”等仅用于区分描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。
在本发明的一个较佳实施例中,提供了一种基于能力评测的用户画像和学***台上针对用户进行个性化的学习路径推荐。为了便于叙述,将待推荐的用户称为目标用户。上述推荐方法具体包括以下步骤:
S1、获取目标用户的用户基本信息并从中提取用户的兴趣领域和学习模式需求,向目标用户发送关于其兴趣领域的用户能力评测,并收集关于目标用户在其兴趣领域知识储备情况的能力评测结果,形成由目标用户的兴趣领域、学习模式需求和能力评测结果组成的目标用户画像。
需要说明的是,本步骤中获取的目标用户的用户基本信息,需要包含会影响用户希望学***台上进行注册时收集,其包含字段为姓名、年龄、职业、兴趣领域和学习模式需求。需要特别说明的是,本发明中的学习模式需求是指用户对于期望的学习内容的难度与自身当前已掌握知识点的难度之间的匹配程度,例如可设置基础巩固和进阶学习两种学习模式需求。基础巩固代表用户希望尽可能巩固已掌握的知识点,因此其期望的学习内容所对应的知识点难度应当与自身当前已掌握知识点的难度相匹配,或者略低于自身当前已掌握知识点的难度。而进阶学习则代表用户希望进一步需学习自己尚未掌握的知识点,因此其期望的学习内容所对应的知识点难度应当适当高于自身当前已掌握知识点的难度。学习模式需求的不同会决定后续学习路径推荐时的策略,因此是一个用户画像中需要收集的重要信息。
S2、根据目标用户画像中的兴趣领域,获取针对该兴趣领域预先构建的领域知识树;其中,每棵所述领域知识树以所在领域各种知识节点形成知识图谱形式的领域知识树框架,在每一个知识节点中嵌有该知识节点对应的学习资源,且每一个知识节点均赋予与能力评测结果相关联的难度等级;同时所述领域知识树定期保持更新,且更新过程中,一方面获取所在领域最新招聘信息中的岗位需求,从中提取领域知识树框架中不存在的知识节点对领域知识树框架进行补全,另一方面对领域知识树框架中的各节点中的学习资源进行失效资源替换和最新资源更新。
需要说明的是,本发明中通过设计领域知识树来实现领域知识的构建,但不同的兴趣领域所包含的知识点是不同的,因此需要分别构建领域知识树。一棵领域知识树代表了某一特定领域的知识点以及学习资源的集合,各知识点可通过节点的方式按照知识层级进行构建。在构建某一领域的领域知识树时,首先需要基于由该领域的专业人士梳理由知识节点组成的领域知识树框架,保证知识框架合理可靠;然后使用知识图谱等工具构建领域知识树框架;最后在领域知识树框架的知识图谱的各知识节点中嵌入具体的学习资源,学习资源的形式可以根据实际进行选择。作为本发明实施例的一种具体实现形式,针对所有的可选择领域,本发明可基于各领域专业人士梳理领域知识树框架,记为Ll,其中l为某个知识领域标识符;然后使用Neo4j图形数据库等知识图谱实现工具构建由知识节点组成的领域知识树框架,知识节点之间按照其知识层级保持固有关系(例如前提、包含、并列);再使用Neo4j图形数据库在领域知识树的各知识节点中嵌入具体的学习资源,学习资源类型包括但不限于论文、视频、博客、开源项目,分别将上述四种形式的学习资源类型记为Kp,Kv,Kb,Ko。由此,即可形成初始的领域知识树。
但是,由于领域知识是在不断动态更新的,因此为了使用户能够学***台、资源分享平台等地方获取,对此不做限制。
本发明中,对于节点层级的更新需要定期收集各领域对应代表性职位的岗位需求,其中的岗位需求可从职位描述、岗位需求等结构化文本中提取,对此类岗位需求本文进行实体识别即可获取该岗位对于应聘者所要求掌握的知识点。岗位需求中提取的知识点可与领域知识树的内容进行比对,对于知识树中缺少的对应岗位知识点进行补全,以此保证知识树的实用性。而且,为了保证对于知识补全的前沿性,用于提取知识点的所在领域最新招聘信息可优选采用目标用户的兴趣领域对应的前沿公司在招聘网站上发布的招聘信息。所谓前沿公司是指在这一领域中产品研发或者相关研究处于前沿的公司,每个兴趣领域对应的前沿公司可预先通过专家筛选指定形成一个公司列表,后续可根据该列表监控各公司的招聘信息发布。当然该公司列表亦可实时进行更新维护,以保证所有信息的实时性。
S3、从目标用户画像中解析目标用户的学习模式需求和能力评测结果,根据目标用户的学习模式需求以及能力评测结果确定目标用户下一步学习所需的知识节点难度等级,再从S2中所述领域知识树中搜索到符合该知识节点难度等级的知识节点集合,并将搜索到的知识节点集合以及其中各知识节点嵌有的学习资源作为推荐给目标用户的学习路径。
需要说明的是,用户在平台上的学习需要按照难度等级从低到高的顺序递进,符合实际的学习状态,因此在确定目标用户下一步学习所需的知识节点难度等级时,即需要考虑目标用户的能力评测结果,也需要考虑目标用户的学习模式需求,两者缺一不可。目标用户的能力评测结果体现了目标用户当前所掌握的知识点难度等级,这是向目标用户推荐下一步学习的知识点的基准;而目标用户的学习模式需求则反映了用户对于期望的学习内容的难度与自身当前已掌握知识点的难度之间的匹配程度,在目标用户当前所掌握的知识点难度等级基础上课进一步结合目标用户的学习模式需求对实际推荐的知识点难度等级进行微调,以便于符合用户所希望学习到的内容。
同时,随着用户学习过程的不断深入,其用户画像中的能力评测结果也需要不断进行更新。因此作为本发明实施例的一种具体实现形式,亦可在定期向目标用户发送关于其兴趣领域的用户能力评测,并更新目标用户画像,以便于动态更新推荐结果。
由此可见,通过上述S1~S3所描述的基于能力评测的用户画像和学习路径推荐方法,本发明可以基于领域中各知识点间的固有关系构建领域知识树并嵌入与知识点对应的学习资源,同时借助用户注册信息填写机会收集用户基本信息,基于用户的兴趣领域进行用户能力评测,测试用户在该领域的知识储备情况,根据用户的基本信息与其能力评测结果构建用户画像;最后基于用户画像(用户在兴趣领域的知识储备情况以及用户的学习需求)在领域知识树中搜索与用户当前学习进度相匹配的知识点,并推荐知识点中的学习材料供用户自主学习。上述领域知识树可定时进行知识节点更新和学习资源更新,保证其实时性和前沿性。
根据上述S1~S3所描述的基于能力评测的用户画像和学习路径推荐方法,其在学习路径推荐过程中的需要同时考虑目标用户的能力评测结果和学习模式需求,进而根据两者进行综合推荐。作为本发明实施例的一种具体实现形式,下面提供了一种考虑目标用户的能力评测结果和学习模式需求进行综合推荐的具体做法:
首先,领域知识树中的知识节点分为N个不同的难度等级,每一个难度等级设置一个知识门槛分值,N个难度等级的知识点难度逐渐递增,其中第j个难度等级对应设置知识门槛分值为5j-1*3,知识点难度等级越高,其知识门槛分值也越高。与知识门槛分值对应的是赋给用户的知识储备分,只有用户的知识储备分超过某一个难度等级的知识门槛分值后,才视为用户掌握了这一个难度等级的知识点。在后续推荐任务中正是基于这两个分值来实现学习路径的综合推荐的。
其次,向目标用户发送关于其兴趣领域的用户能力评测时,需通过调查问卷的形式让目标用户按照难度等级递增的顺序依次填写对N个难度等级知识点的掌握等级,其中目标用户对每个难度等级知识点的掌握程度分为五个掌握等级,掌握程度从第一掌握等级到第五掌握等级依次递增。根据调查问卷结果,计算目标用户在其兴趣领域的知识储备分:
其中:k表示目标用户在填写调查问卷过程中第一次碰到掌握程度为第一掌握等级或第二掌握等级时对应的难度等级知识点的索引i,Ci表示目标用户在第 i个难度等级知识点的得分,其中第一掌握等级得0分,第二掌握等级得1分,第三掌握等级得3分,第四掌握等级得4分,第五掌握等级得5分。
最后,在进行学习路径推荐时,先按照调查问卷中得到的目标用户在其兴趣领域的知识储备分Score,从N个难度等级中查找到知识门槛分值不高于Score的最高难度等级I,再按照目标用户的学习模式需求基于该难度等级I调整推荐给用户进行学习的知识节点难度等级。
在按照目标用户的学习模式需求对难度等级I进行调整时,可以设置一定的调整规则,以便于得到最终推荐给目标用户的知识节点难度等级。例如,在本发明的一种优选实施例中,学习模式需求分为前述所说的基础巩固和进阶学习;若目标用户选择的学习模式需求为基础巩固,则推荐给目标用户的知识节点集合中主要包含难度等级为I或者I-1的知识节点;若目标用户选择的学习模式需求为进阶学习,则推荐给目标用户的知识节点集合中主要包含难度等级为I+1的知识节点。
基于上述通过知识门槛分值和知识储备分来实现学***台上实现的具体示例性的方案,以便于理解本发明实现过程中的细节性内容。如图2所示,为该方案中的流程框架,其具体过程如下:
1)首先,具体的借助用户注册信息填写机会收集用户基本信息,包括姓名、年龄、职业、兴趣领域、学习需求(基础、进阶),将用户基本信息存入NOSQL 数据库中,各字段名分别为:Name、Age、Job、Interest、Requirement。Interest 字段中存储用户的兴趣领域,Requirements字段中存储用户的学习需求,以0,1 的形式区分基础与进阶,其中0表示基础巩固,1表示进阶学习。基于用户的兴趣领域进行用户能力评测,以调查问卷的形式测试用户在该领域的知识储备情况,调查问卷包含该领域知识树中10个由基础到进阶不同难度的知识点,调查问卷可以提问-回答的形式来进行,用户需要对每个知识点的问题选择对该知识点掌握等级,其中掌握等级又细分为完全掌握、基本掌握、一般、基本不懂、完全不懂5个层级。最终,形成由目标用户的兴趣领域、学习模式需求和能力评测结果组成的目标用户画像。
2)根据用户问卷调查结果,获取用户领域知识储备分,储备分值计算公式如下所示:
其中,k表示目标用户在填写调查问卷过程中第一次碰到掌握程度为基本不懂或完全不懂时对应的难度等级知识点的索引i,由于每个知识点的问题都带有编号为1~10递增的题号,因此k即表示第一次遇到基本不懂的题号;Ci表示目标用户在第i个难度等级知识点的得分,完全掌握为5分,基本掌握为4分,一般为3分,基本不懂为1分,完全不懂为0分。
问卷题目分布形式为题号越大则其知识点难度越高,呈阶梯状分布,用户最终得分为其遇到的第一个“基本不懂”或“完全不懂”的问答题前答题结果分值的总和。例:用户第1~3题选择“基本掌握”,第4题选择“基本不懂”,第5 题选择一般,那么用户最终得分Score为前3题的得分之和,而不包括第4和第 5题,即k=3。
为进一步细分推荐结果,在领域知识树中为所有知识点按难度添加知识门槛分,记为Sn,其中n为知识点等级。如1级为最基础的知识点。知识门槛分以阶梯形式递增分布(知识门槛分值为:5j-1*3,其中j为门槛等级,取值从1到10),共分为10个等级,知识点难度等级从低到高分别为:S1,S2,S3,S4,S5,S6,S7,S8,S9,S10。基于用户知识储备分,在领域知识树中搜索知识门槛分值不高于用户领域知识储备分并与其最相近的门槛等级作为用户等级,对于需求为基础巩固的用户,多为其推荐知识门槛分值低一等级或者同级的知识点,少量推荐知识门槛分值高一等级的知识点,对于需求为进阶的用户,少量为其推荐知识门槛分值同级的知识点、大量为其推荐高一等级的知识点。例如:用户A的知识储备分为30分,其需求为基础巩固,在领域知识树中与其最接近的小于等于其储备分的门槛分为15分,即等级2。以等级2为用户的同级,由于其需求为基础巩固,所以多为其推荐等级1与等级2的知识,少量推荐等级3的知识点。知识点等级划分以及知识门槛分值的设置与前期用户能力评测中的用户领域知识储备分计算方法相匹配,使得特定知识储备分的用户能学习到对应等级的知识点。
由此,本发明的上述推荐方法中,可以高效地由综合用户基本信息与其知识储备情况,为其推荐合适的学习内容,用于在线学习中提升推荐效果,从而提高用户学习效率。
另外,基于同一发明构思,本发明的另一较佳实施例中还提供了与上述实施例提供的基于能力评测的用户画像和学习路径推荐方法对应的基于能力评测的用户画像和学习路径推荐装置。如图3所示,在该基于能力评测的用户画像和学习路径推荐装置中包括三个基本的模块,分别为:
用户画像模块,用于获取目标用户的用户基本信息并从中提取用户的兴趣领域和学习模式需求,向目标用户发送关于其兴趣领域的用户能力评测,并收集关于目标用户在其兴趣领域知识储备情况的能力评测结果,形成由目标用户的兴趣领域、学习模式需求和能力评测结果组成的目标用户画像。
领域知识树模块,用于根据目标用户画像中的兴趣领域,获取针对该兴趣领域预先构建的领域知识树;其中,每棵所述领域知识树以所在领域各种知识节点形成领域知识树框架,在每一个知识节点中嵌有该知识节点对应的学习资源,且每一个知识节点均赋予与能力评测结果相关联的难度等级;同时所述领域知识树定期保持更新,且更新过程中,一方面获取所在领域最新招聘信息中的岗位需求,从中提取领域知识树框架中不存在的知识节点对领域知识树框架进行补全,另一方面对领域知识树框架中的各节点中的学习资源进行失效资源替换和最新资源更新。
学习路径推荐模块,用于从目标用户画像中解析目标用户的学习模式需求和能力评测结果,根据目标用户的学习模式需求以及能力评测结果确定目标用户下一步学习所需的知识节点难度等级,再从S2中所述领域知识树中搜索到符合该知识节点难度等级的知识节点集合,并将搜索到的知识节点集合以及其中各知识节点嵌有的学习资源作为推荐给目标用户的学习路径。
由于本发明实施例中的基于能力评测的用户画像和学习路径推荐装置解决问题的原理与本发明上述实施例的基于能力评测的用户画像和学习路径推荐方法相似,因此该实施例中装置的各模块具体实现形式未尽之处亦可可以参见上述方法的具体实现形式,重复之处不再赘述。
同样的,基于同一发明构思,本发明的另一较佳实施例中还提供了与上述实施例提供的基于能力评测的用户画像和学习路径推荐方法对应的一种电子设备,其包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现如前所述的基于能力评测的用户画像和学习路径推荐方法。
此外,上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储装置中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储装置中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
由此,基于同一发明构思,本发明的另一较佳实施例中还提供了与上述实施例提供的基于能力评测的用户画像和学习路径推荐方法对应的一种计算机可读存储装置,该所述存储装置上存储有计算机程序,当所述计算机程序被处理器执行时,能实现如前所述的基于能力评测的用户画像和学习路径推荐方法。
可以理解的是,上述存储装置或存储器均可以包括随机存取存储器(RandomAccess Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。同时存储装置还可以是U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
可以理解的是,上述的处理器可以是通用处理器,包括中央处理器(CentralProcessing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array, FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
另外需要说明的是,所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。在本申请所提供的各实施例中,所述的装置和方法中对于步骤或者模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或步骤可以结合或者可以集成到一起,一个模块或者步骤亦可进行拆分。
以上所述的实施例只是本发明的一种较佳的方案,然其并非用以限制本发明。有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (10)
1.一种基于能力评测的用户画像和学习路径推荐方法,其特征在于,包括:
S1、获取目标用户的用户基本信息并从中提取用户的兴趣领域和学习模式需求,向目标用户发送关于其兴趣领域的用户能力评测,并收集关于目标用户在其兴趣领域知识储备情况的能力评测结果,形成由目标用户的兴趣领域、学习模式需求和能力评测结果组成的目标用户画像;
S2、根据目标用户画像中的兴趣领域,获取针对该兴趣领域预先构建的领域知识树;其中,每棵所述领域知识树以所在领域各种知识节点形成知识图谱形式的领域知识树框架,在每一个知识节点中嵌有该知识节点对应的学习资源,且每一个知识节点均赋予与能力评测结果相关联的难度等级;同时所述领域知识树定期保持更新,且更新过程中,一方面获取所在领域最新招聘信息中的岗位需求,从中提取领域知识树框架中不存在的知识节点对领域知识树框架进行补全,另一方面对领域知识树框架中的各节点中的学习资源进行失效资源替换和最新资源更新;
S3、从目标用户画像中解析目标用户的学习模式需求和能力评测结果,根据目标用户的学习模式需求以及能力评测结果确定目标用户下一步学习所需的知识节点难度等级,再从S2中所述领域知识树中搜索到符合该知识节点难度等级的知识节点集合,并将搜索到的知识节点集合以及其中各知识节点嵌有的学习资源作为推荐给目标用户的学习路径。
2.如权利要求1所述的基于能力评测的用户画像和学习路径推荐方法,其特征在于,所述领域知识树中的知识节点分为N个不同的难度等级,第j个难度等级对应设置知识门槛分值为5j-1*3;
向目标用户发送关于其兴趣领域的用户能力评测时,需通过调查问卷的形式按照难度等级递增的顺序依次记录目标用户对N个难度等级知识点的掌握等级,其中目标用户对每个难度等级知识点的掌握程度分为五个掌握等级,掌握程度从第一掌握等级到第五掌握等级依次递增;根据调查问卷结果,计算目标用户在其兴趣领域的知识储备分其中k表示目标用户在填写调查问卷过程中第一次碰到掌握程度为第一掌握等级或第二掌握等级时对应的难度等级知识点的索引i,Ci表示目标用户在第i个难度等级知识点的得分,其中第一掌握等级得0分,第二掌握等级得1分,第三掌握等级得3分,第四掌握等级得4分,第五掌握等级得5分;
在进行学习路径推荐时,先按照调查问卷中得到的目标用户在其兴趣领域的知识储备分Score,从N个难度等级中查找到知识门槛分值不高于Score的最高难度等级I,再按照目标用户的学习模式需求基于该难度等级I调整推荐给用户进行学习的知识节点难度等级。
3.如权利要求1所述的基于能力评测的用户画像和学习路径推荐方法,其特征在于,所述学习模式需求分为基础巩固和进阶学习;若目标用户选择的学习模式需求为基础巩固,则推荐给目标用户的知识节点集合中主要包含难度等级为I或者I-1的知识节点;若目标用户选择的学习模式需求为进阶学习,则推荐给目标用户的知识节点集合中主要包含难度等级为I+1的知识节点。
4.如权利要求1所述的基于能力评测的用户画像和学***台上进行注册时收集,包括姓名、年龄、职业、兴趣领域和学习模式需求。
5.如权利要求1所述的基于能力评测的用户画像和学习路径推荐方法,其特征在于,定期向目标用户发送关于其兴趣领域的用户能力评测,并更新目标用户画像。
6.如权利要求1所述的基于能力评测的用户画像和学习路径推荐方法,其特征在于,所述所在领域最新招聘信息来源于目标用户的兴趣领域对应的前沿公司在招聘网站上发布的招聘信息,每个兴趣领域对应的前沿公司预先通过筛选指定形成用于监控招聘信息发布的公司列表。
7.如权利要求1所述的基于能力评测的用户画像和学习路径推荐方法,其特征在于,所述领域知识树中每一个知识节点中嵌入的学习资源包括相关的论文、视频、博客、开源项目。
8.一种基于能力评测的用户画像和学习路径推荐装置,其特征在于,包括:
用户画像模块,用于获取目标用户的用户基本信息并从中提取用户的兴趣领域和学习模式需求,向目标用户发送关于其兴趣领域的用户能力评测,并收集关于目标用户在其兴趣领域知识储备情况的能力评测结果,形成由目标用户的兴趣领域、学习模式需求和能力评测结果组成的目标用户画像;
领域知识树模块,用于根据目标用户画像中的兴趣领域,获取针对该兴趣领域预先构建的领域知识树;其中,每棵所述领域知识树以所在领域各种知识节点形成领域知识树框架,在每一个知识节点中嵌有该知识节点对应的学习资源,且每一个知识节点均赋予与能力评测结果相关联的难度等级;同时所述领域知识树定期保持更新,且更新过程中,一方面获取所在领域最新招聘信息中的岗位需求,从中提取领域知识树框架中不存在的知识节点对领域知识树框架进行补全,另一方面对领域知识树框架中的各节点中的学习资源进行失效资源替换和最新资源更新;
学习路径推荐模块,用于从目标用户画像中解析目标用户的学习模式需求和能力评测结果,根据目标用户的学习模式需求以及能力评测结果确定目标用户下一步学习所需的知识节点难度等级,再从S2中所述领域知识树中搜索到符合该知识节点难度等级的知识节点集合,并将搜索到的知识节点集合以及其中各知识节点嵌有的学习资源作为推荐给目标用户的学习路径。
9.一种计算机可读存储装置,其特征在于,所述存储装置上存储有计算机程序,当所述计算机程序被处理器执行时,能实现如权利要求1~8任一所述的基于能力评测的用户画像和学习路径推荐方法。
10.一种电子设备,其特征在于,包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现如权利要求1~8任一所述的基于能力评测的用户画像和学习路径推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210594683.2A CN114969528A (zh) | 2022-05-27 | 2022-05-27 | 基于能力评测的用户画像和学习路径推荐方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210594683.2A CN114969528A (zh) | 2022-05-27 | 2022-05-27 | 基于能力评测的用户画像和学习路径推荐方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114969528A true CN114969528A (zh) | 2022-08-30 |
Family
ID=82956869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210594683.2A Pending CN114969528A (zh) | 2022-05-27 | 2022-05-27 | 基于能力评测的用户画像和学习路径推荐方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114969528A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116628339A (zh) * | 2023-06-09 | 2023-08-22 | 国信蓝桥教育科技股份有限公司 | 一种基于人工智能的教育资源推荐方法及*** |
CN117057683A (zh) * | 2023-10-13 | 2023-11-14 | 四川中电启明星信息技术有限公司 | 基于知识图谱与多源应用数据的员工画像管理*** |
-
2022
- 2022-05-27 CN CN202210594683.2A patent/CN114969528A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116628339A (zh) * | 2023-06-09 | 2023-08-22 | 国信蓝桥教育科技股份有限公司 | 一种基于人工智能的教育资源推荐方法及*** |
CN116628339B (zh) * | 2023-06-09 | 2023-11-17 | 国信蓝桥教育科技股份有限公司 | 一种基于人工智能的教育资源推荐方法及*** |
CN117057683A (zh) * | 2023-10-13 | 2023-11-14 | 四川中电启明星信息技术有限公司 | 基于知识图谱与多源应用数据的员工画像管理*** |
CN117057683B (zh) * | 2023-10-13 | 2023-12-22 | 四川中电启明星信息技术有限公司 | 基于知识图谱与多源应用数据的员工画像管理*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102737120B (zh) | 一种个性化网络学习资源推荐方法 | |
Boucher et al. | Do peers affect student achievement? Evidence from Canada using group size variation | |
Kim et al. | Discriminant analysis for predicting ranges of cost variance in international construction projects | |
CN114969528A (zh) | 基于能力评测的用户画像和学习路径推荐方法、装置及设备 | |
Sukhija et al. | The recent state of educational data mining: A survey and future visions | |
EP2960849A1 (en) | Method and system for recommending an item to a user | |
CN112634056A (zh) | 快速计算、更新企业股权结构的方法、设备和存储介质 | |
Kokkodis et al. | Have you done anything like that? Predicting performance using inter-category reputation | |
US10537801B2 (en) | System and method for decision making in strategic environments | |
CN113851020A (zh) | 一种基于知识图谱的自适应学习平台 | |
Kokkodis et al. | The utility of skills in online labor markets | |
JP2017199355A (ja) | レコメンデーション生成 | |
CN112214688A (zh) | 选修课的推荐方法、装置和服务器 | |
Mai | Ten strategies towards successful calibration of environmental models | |
Kim | Spatiotemporal scale dependency and other sensitivities in dynamic land-use change simulations | |
CN112150094A (zh) | 模型训练方法、基于模型的评估方法及装置 | |
CN113918806A (zh) | 自动推荐培训课程的方法及相关设备 | |
He et al. | Design and implementation of a unified MOOC recommendation system for social work major: Experiences and lessons | |
CN106575418A (zh) | 建议的关键词 | |
Lei | [Retracted] Association Rule Mining Algorithm in College Students’ Quality Evaluation System | |
Langarudi et al. | Resurrecting a forgotten model: Updating Mashayekhi’s model of Iranian Economic Development | |
CN112988821A (zh) | 一种基于互联网的题目资料获取方法、装置和电子设备 | |
Lin et al. | Fuzzy product line design model while considering preference uncertainty: A case study of notebook computer industry in Taiwan | |
Taylor et al. | Rankings are the sorcerer’s new apprentice | |
CN114971962A (zh) | 学生作业的评价方法、装置、电子设备及存储介质 |
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 |