CN116028702A - 学习资源推荐方法、***及电子设备 - Google Patents
学习资源推荐方法、***及电子设备 Download PDFInfo
- Publication number
- CN116028702A CN116028702A CN202111238979.2A CN202111238979A CN116028702A CN 116028702 A CN116028702 A CN 116028702A CN 202111238979 A CN202111238979 A CN 202111238979A CN 116028702 A CN116028702 A CN 116028702A
- Authority
- CN
- China
- Prior art keywords
- learning
- knowledge point
- learner
- condition
- knowledge
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种学习资源推荐方法、***及电子设备,方法包括:根据当前课程所涉及的知识点,从预先构建的知识点图谱中提取出包含各所述知识点的知识点路径;所述知识点路径指示有各所述知识点之间的依赖关系;获取学习者的能力情况,并选取所述知识点路径中的初始知识点下,与所述能力情况相匹配的第一初始学习资源进行推荐;获取所述学习者对所述第一初始学习资源的学习情况;根据所述学习情况确定所述知识点路径中下一知识点下的下一学习资源,并推荐所述下一学习资源。这样,对于不同的学习者,就可以提供不同的学习资源组合,做到因材施教,提高学习者的学习体验与效果。
Description
技术领域
本申请涉及资源智能推荐技术领域,具体而言,涉及一种学习资源推荐方法、***及电子设备。
背景技术
随着互联网和大数据时代的到来,传统的教育方式越来越难以满足用户日益增长的学***是千差万别,一份固定的学习课件无法适合所有的学员,固定的课程模式和课程内容给到所有学员,无法做到因材施教。
发明内容
本申请实施例的目的在于提供一种学习资源推荐方法、***及电子设备,用以为不同学习者提供合适的学习资源。
本申请实施例提供了一种学习资源推荐方法,包括:根据当前课程所涉及的知识点,从预先构建的知识点图谱中提取出包含各所述知识点的知识点路径;所述知识点路径指示有各所述知识点之间的依赖关系;获取学习者的能力情况,并选取所述知识点路径中的初始知识点下,与所述能力情况相匹配的第一初始学习资源进行推荐;获取所述学习者对所述第一初始学习资源的学习情况;根据所述学习情况确定所述知识点路径中下一知识点下的下一学习资源,并推荐所述下一学习资源。
在上述实现过程中,通过预先构建包含各知识点的知识点图谱,从而在学***,实现对于学习者学习资源的适配推荐。这样,对于不同的学习者,就可以提供不同的学习资源组合,做到因材施教,提高学习者的学习体验与效果。
进一步地,根据所述学习情况确定所述知识点路径中下一知识点下的下一学习资源,包括:根据所述学习情况更新所述学习者的能力情况;选取所述下一知识点下,与更新后的所述能力情况相匹配的目标学习资源;所述目标学习资源为所述下一学习资源。
在上述实现过程中,通过不断根据当前知识点的学习情况来动态更新学习者的能力情况,进而在下一知识点处,再根据最新的能力情况来匹配学习资源,这就使得推荐给学习者的学习资源始终是与学习者最新的能力情况相适配的,得以提高学习者的学习体验与效果。
进一步地,在根据所述学习情况更新所述学习者的能力情况之前,所述方法还包括:获取所述学习者的历史学习数据;根据所述历史学习数据,确定所述学习情况为非异常值。
在实际应用过程中,往往可能采集到许多明显不是学***的学***均每一题的答题时长不超过1s,但是根据该学***均不低于75%。那么,这种情况大概率是该学***的不符。而上述实现过程,通过根据历史学***的适配,从而保证了后续推荐的学习资源的适配性。
进一步地,在根据所述学习情况确定所述知识点路径中下一知识点下的下一学习资源之前,所述方法还包括:确定所述学习情况满足预设的下一知识点学习条件。
进一步地,所述方法还包括:若所述学习情况不满足预设的下一知识点学习条件,选取所述初始知识点下的第二初始学习资源进行推荐;所述第二初始学习资源的难度值低于所述第一初始学习资源。
在上述实现过程中,通过学习者的学习情况,可以动态地实现继续让学习者继续学习当前知识点的学习资源,以帮助学习者强化其知识薄弱点,巩固知识点学习效果,或者让学习者继续学习下一知识点的学习资源,从而有效保证学习效果。
进一步地,在所述知识点路径中的所有知识点均学习完毕后,所述方法还包括:获取所述学习者在所述知识点路径中的各知识点处的学习情况;根据所述学习者在所述知识点路径中的各知识点处的学习情况,确定所述学习者在所述当前课程中的知识薄弱点;根据所述学习者在所述当前课程中的知识薄弱点,向所述学习者进行学习资源推荐。
在上述实现过程中,在将知识点路径中的所有知识点都学习完毕后,通过统一对知识薄弱点进行学习资源推荐,便于学习者进行有效复习,从而达到更好的学习效果。
进一步地,所述方法还包括:在出现***异常时,终端按照本地预设的与所述能力情况对应的学习路径依次推荐学习资源;所述学习路径为设定有各学习资源以及各学习资源的先后学习顺序的路径。
在上述实现过程中,在出现***异常时,终端仍可按照本地预设的与所述能力情况对应的学习路径依次推荐学习资源,从而保证学习者可以正常进行学习。
本申请实施例还提供了一种学习资源推荐***,包括:学习内容数据库,存储有预先构建的知识点图谱;所述知识点图谱包括各知识点之间的依赖关系、以及各知识点对应的学习资源;学习者模型数据库,存储有学习者的能力情况;智能推荐引擎,用于根据当前课程所涉及的知识点,从预先构建的知识点图谱中提取出包含各所述知识点的知识点路径;所述知识点路径指示有各所述知识点之间的依赖关系;获取学习者的能力情况,并选取所述知识点路径中的初始知识点下,与所述能力情况相匹配的第一初始学习资源进行推荐;获取所述学习者对所述第一初始学习资源的学习情况;根据所述学习情况确定所述知识点路径中下一知识点下的下一学习资源,并推荐所述下一学习资源。
上述***,通过在学***,实现对于学习者学习资源的适配推荐。这样,对于不同的学习者,就可以提供不同的学习资源组合,做到因材施教,提高学习者的学习体验与效果。
进一步地,各知识点对应的学习资源标记有区分度;所述区分度表征学习资源对于不同学习者的能力情况的区分能力;所述智能推荐引擎还用于根据所述学习者的学习情况,更新所学习的学习资源的区分度,并将更新后区分度低于预设阈值的学习资源删除。
在上述实现过程中,可以根据学习者的学习情况,不断更新学习资源的区分度,从而基于学习者的真实反馈,实现对于学习资源的动态筛选,自动剔除掉对于不同学习者的能力情况的区分效果不明显的学习资源。
本申请实施例还提供了一种电子设备,包括处理器、存储器及通信总线;所述通信总线用于实现处理器和存储器之间的连接通信;所述处理器用于执行存储器中存储的一个或者多个程序,以实现上述任一种的学习资源推荐方法。
本申请实施例中还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述任一种的学习资源推荐方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的一种学习资源推荐方法的流程示意图;
图2为本申请实施例提供的一种知识点路径及其挂载的学习资源的示意图;
图3为本申请实施例提供的一种学习资源推荐***的结构示意图;
图4为本申请实施例提供的一种较具体的学习资源推荐***的结构示意图;
图5为本申请实施例提供的一种学习资源推荐装置的结构示意图;
图6为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
实施例一:
为了为不同学习者提供合适的学习资源,本申请实施例中提供了一种学习资源推荐方法和学习资源推荐***。可以参见图1所示,图1为本申请实施例中提供的学习资源推荐方法的流程示意图,包括:
S101:根据当前课程所涉及的知识点,从预先构建的知识点图谱中提取出包含各知识点的知识点路径。
需要说明的是,在本申请实施例中,工程师或者教师可以预先根据各个课程,创建知识点和知识点路径,并在各知识点下,绑定相应的学习资源,从而构建得到知识点图谱并保存。
应理解,对于各个课程而言,每个课程可能会涉及到多个知识点,且这多个知识点之间,还可能存在依赖关系,比如知识点B必须在学习了知识点A以后才能进行学习。为此,工程师或者教师在构建知识点路径时,建立的连接关系可以是有向的。当然,对于相互之间不存在依赖关系的知识点,两者间的连接关系也可以是无向的。这样构建得到的知识点图谱,在提取出知识点路径时,知识点路径中即可包含有指示有所需学习的课程中各知识点之间的依赖关系,从而保证对于各知识点的学习得以按序进行。
值得注意的是,在本申请实施例中,每个知识点下,绑定有该知识点相应的学习资源。但是在实际应用过程中,一个学习资源可能涉及多个知识点。对于这种学习资源,可以以其主要涉及的知识点为准进行绑定。
在本申请实施例中,学习资源可以是视频、动画、PPT、试题关卡互动等。
在本申请实施例中,在构建知识点图谱时,为保证知识点图谱中的知识点能够与当下的教学大纲先匹配,可以针对每个学科,选取3至5位学科教研专家进行编辑和审核,以保证内容的权威性和准确性。
应理解,在构建的知识点图谱中,各知识点之间的路径可能不止一条。因此在根据当前课程所涉及的知识点,从预先构建的知识点图谱中提取出包含各知识点的知识点路径时,可能可以查找出多条包含各知识点的知识点路径。为此,在本申请实施例中取路径长度最短的包含各知识点的知识点路径作为最终输出,用于进行学习的知识点路径。
还需要说明的是,本申请实施例中提供的学习资源推荐方法,可以应用于学习者所持有的终端中,也可以用于提供服务的服务端。
在应用于终端时,终端根据学习者在提供的学习页面中的操作,即可获取到学习者所选择学习的当前课程,从而可以向服务端请求包含当前课程所涉及的各知识点的知识点路径,实现从预先构建的知识点图谱中提取出包含各知识点的知识点路径。
在应用于服务端时,服务端可以接收终端上报的学习者所选择的当前课程,进而查找知识点图谱,从知识点图谱中提取出包含各知识点的知识点路径。
S102:获取学习者的能力情况,并选取该知识点路径中的初始知识点下,与能力情况相匹配的第一初始学习资源进行推荐。
应理解,在本申请实施例中,服务端可以预先构建各学习者的能力模型,以评估各学习者的能力情况。
示例性的,在本申请实施例中,可以获取各学习者的特征数据,进而根据学习者的特征数据,按照设定的模型算法评估得到各学习者的能力情况。
其中,学***、兴趣偏好和学习历史。
其中,基础信息是指如学习者的姓名、性别、地域、家庭情况等信息,其可以通过学习者注册时输入的信息获取得到。
学习风格是指如“主动”、“活跃”、“被动”、“一般”等学习者的学习偏好。学习风格可根据学习者的学习频率,以及学习者主动打开学习界面进行学习的频率,以及学习者在收到催课信息后才进行学习的频率来统计得到学习者的学习风格。例如,当学习者主动打开学习界面进行学习的频率高于预设第一频率阈值时,可以标记学习风格为“主动”,在学习者在收到催课信息后才进行学习的频率高于预设第二频率阈值时,可以标记学习风格为“被动”,当学习者主动打开学习界面进行学习的频率不高于预设第一频率阈值时,且学习者在收到催课信息后才进行学习的频率也不高于预设第二频率阈值时,可以标记学习风格为“一般”,在学习者的整体学习频率大于预设第三频率阈值时,还可以标记学习风格为“活跃”。以上学习风格的分类,以及学习风格的自适应确定方式,仅为本申请实施例所示例出的一种可选实现,不代表本申请实施例仅可采用上述分类以及确定方式实现。
认知水平可以包括学***测试题的测试结果,以及历史学***测试题的测试结果为80,历史学***均成绩为80,可以确定学习者的背景知识为小学三年级,知识熟练程度为一般,认知能力为一般。
兴趣偏好可以包括偏好资源类型(如视频、动画、关卡互动等)、互动的参与程度、偏好的学***时主动选择的学习资源类型、互动的参与次数、主要的学习时间段得到。
学习历史可以包括已学知识点掌握情况、各次学习过程中采用的学习路径(即所学习的学习资源构成的路径)、重复学习次数、学习时长、每个环节停留时长、尝试通关次数、求助次数、点击提示次数等。
在本示例中,可以将学习者的特征数据数值化,然后为不同的特征数据分配不同的权重,进而加权求和,得到学习者的能力值。
比如,对于基础信息,可以根据不同地域赋予不同的基础值,比如A省市等学***、兴趣偏好、学习历史等信息,同样可以通过类似方式赋予不同的值,从而实现数值化。
对于不同的特征数据,其分配的权重可以由工程师根据实际需要进行设备。比如,可以按照1:2:3:3:6的比例,分别为基础信息、学***、兴趣偏好和学习历史分配权重。
还需要注意的是,在本申请实施例中,可以直接将学习者的能力值作为学习者的能力情况。此外,也可以预先将学习者的能力情况进行分级,然后根据学习者的能力值所处范围,确定出学习者的能力等级,进而以学习者的能力等级作为学习者的能力情况。
为了使得能力等级的分级更为合理,在本申请实施例中,可以预先获取大量学习者的能力值,然后将各学习者的能力值作正态分布,进行等级划分,使得各个等级内的学员能够满足正态分布。
在本申请实施例中,知识点下所绑定的学习资源对应有难度值,并与响应的能力情况相对应,从而根据学习者的能力情况,可以选择出与该学习者的能力情况相适配的学习资源进行推荐。
S103:获取学习者对第一初始学习资源的学习情况。
在本申请实施例中,针对每一个知识点路径中的每一个知识点所推荐的学习资源,都会监控其学习情况。
所谓学习情况,其包括但不限于学习者的对于学习资源的学习时长、是否请求求助、点击提示次数、尝试通关次数、通关时长、随堂测试和阶段测评中每个知识点对应的得分等。
为了实现对于学习情况的监控,在本申请实施例中,可以采用前端埋点的形式实现对学习者学习情况的统计,并实现数据格式的标准化,以便于数据的后续使用。
S104:根据学习情况确定知识点路径中下一知识点下的下一学习资源,并推荐下一学习资源。
在本申请实施例的一种可行示例中,可以根据获取到的学习情况,更新学习者的能力情况。比如,能力情况是通过将学习者的特征数据数值化,然后为不同的特征数据分配不同的权重,进而加权求和,得到学习者的能力值,进而根据能力值确定出的能力等级。那么,可以将获取到的学习情况数值化,然后结合该学习者的已有特征数据,重新计算出学习者的能力值,进而重新确定出能力等级。
在更新学习者的能力情况之后,即可从下一知识点下绑定的各学习资源中,选取与更新后的能力情况相匹配的目标学习资源作为下一学习资源推荐给学习者。
需要理解的是,在实际应用过程中,往往可能采集到许多明显不是学***的学***均每一题的答题时长不超过1秒,但是根据该学***均不低于75%。那么,这种情况大概率是该学***,应属于异常数据。若将这种异常的学***的不符。
为此,在本申请实施例中,在根据学习情况更新学习者的能力情况之前,还可以先获取学习者的历史学习数据,进而根据学习者的历史学习数据判断本次学习情况是否为异常值。若不为异常值,则按照前文所述的方式更新学习者的能力情况。若为异常值,那么则不更新学习者的能力情况,此时仍以原有的能力情况,从下一知识点绑定的学习资源中,选取出与原有的能力情况相匹配的目标学习资源推荐给学习者。
在本申请实施例的另一种可行示例中,也可以将获取到的学习情况数值化,得到本次学习评分,然后根据该学习评分,从下一知识点下绑定的各学习资源中,选取与该学习评分相匹配的目标学习资源作为下一学习资源推荐给学习者。
应理解,在本可行示例中,在将获取到的学习情况数值化,得到本次学习评分之前,同样可以先根据历史学习数据,判断该学习情况是否为异常值。若不为异常值,则可以按照上述示例方式选取出下一学习资源推荐给学习者。若为异常值,那么则不计算本次学习评分,此时仍以原有的能力情况,从下一知识点绑定的学习资源中,选取出与原有的能力情况相匹配的目标学习资源推荐给学习者。
值得注意的是,在本申请实施例中,工程师或教师在给定学习资源的同时,还可以给各学习资源配置难度值,从而可以为不同的能力情况和学习评分配置不同的难度值区间,从而便于匹配学习资源。
应理解,在实际应用过程中,对于一个知识点,可能存在学习者学习效果不佳的情况。为此需要对该知识点进行强化学习,以保证学习效果。
为此,在本申请实施例中可以通过以下两种可行实施例实现强化学习:
可行实施例一,可以根据知识点路径,在每一个知识点的学习资源被学习后,即根据学习情况确定知识点路径中下一知识点下的下一学习资源,直至整个知识点路径中的知识点均被学习完毕。
此后,可以获取学习者在知识点路径中的各知识点处的学习情况,然后根据学习者在知识点路径中的各知识点处的学习情况,确定学习者在当前课程中的知识薄弱点。进而根据学习者在当前课程中的知识薄弱点,向学习者进行学习资源推荐。
可行实施例二,可以在每学习完一个知识点的学习资源后,即根据该知识点的学习情况,判断该学习情况是否满足预设的下一知识点学习条件。
若满足,才执行步骤S104。
若不满足,则可以选取当前学习的知识点下,难度值低于本次学习的学习资源的另一学习资源进行推荐。
应理解,在可行实施例二中,在学习情况不满足预设的下一知识点学习条件时,还可以判断学习情况是否满足预设的上一知识点复学条件。若满足上一知识点复学条件,则选取当前学习的知识点的上一知识点下,未学习过的学习资源进行推荐。若不满足上一知识点复学条件,才选取当前学习的知识点下,难度值低于本次学习的学习资源的另一学习资源进行推荐。
需要理解的是,在上述可行实施例二提供的两种实现方式中,由于对于知识点路径中的初始知识点(即需学习的第一个知识点)而言,其不存在上一知识点,因此在学习情况不满足预设的下一知识点学习条件时,均执行“选取当前学习的知识点下,难度值低于本次学习的学习资源的另一学习资源进行推荐”这一动作。
需要注意的是,在本申请实施例中,在一个知识点下,可能存在多个与学习者的能力情况相适配的学习资源。此时,可以按照学习者的偏好资源类型,推荐这多个与学习者的能力情况相适配的学习资源中,符合学习者的偏好资源类型的学习资源。
此外,在本申请实施例中,各知识点对应的学习资源还可以标记有区分度,区分度表征学习资源对于不同学习者的能力情况的区分能力。
示例性的,区分度可以通过以下公式计算得到:D=PH-PL。其中,D为区分度,PH为高分组(即所有学习者中,能力情况最优的n%(n为大于0的常数,可由工程师根据实际需要设置,例如设置为27))的学习者在该学习资源上的通过率,PL为低分组(即所有学习者中,能力情况最优的m%(m为大于0的常数,可由工程师根据实际需要设置,例如设置为27))的学习者在该学习资源上的通过率。
通常,D的值越大,即表明学习资源的区分度越好,该学习资源的可用性越高。反之,则表明学习资源的区分度越差,该学习资源的可用性越差。
为此,在本申请实施例中,在学习者学习完一个学习资源后,可以重新计算该学习资源的区分度,并判断重新计算出的该学习资源的区分度是否低于预设阈值,若低于,则可以将该学习资源删除。
此外,在本申请实施例中,也可以是服务端在规定的某一时段,统一对学习者学习过的学习资源重新计算区分度,然后将区分度低于预设阈值的学习资源删除。
通过以上方式,即可有效保证提供给学习者学习的学习资源的质量,进而保证学习效果。
需要说明的是,在本申请实施例的一种可选实施方式中,还可以在构建知识点图谱时,为各课程的知识点路径,分别针对不同的能力情况构建一条学习路径。所谓学习路径是指:设定有各学习资源以及各学习资源的先后学习顺序的路径。
比如,假设某一课程需要学习A、B、C、D、E五个知识点,知识点路径如图2所示。假设知识点A下具有学习资源A1、A2,知识点B下具有学习资源B1、B2、B3,知识点C下具有学习资源C1、C2、C3,知识点D下具有学习资源D1、D2,知识点E下具有学习资源E1、E2、E3。假设能力情况包括能力等级1、能力等级2和能力等级3。
那么,可以为能力等级1预先构建一条学习路径:A1、B1、C1、D1、E1。为能力等级2预先构建一条学习路径:A2、B2、C2、D2、E2。为能力等级3预先构建一条学习路径:A2、B3、C3、D2、E3。
终端在首次接入服务端请求某一课程的知识点学习路径时,服务端即可以将该课程的各设定的学习路径以及相关学习资源下发至终端进行本地保存。学习者在后续课程学习的过程中,如果出现***异常(比如网络掉线等情况),此时终端可以按照与学习者的能力情况对应的学习路径,依次推荐学习资源。
示例性的,假设学习者正按照图2所示的知识点路径进行学习,目前正学习到知识点C,然后网络断开了。此时假设学习者的能力情况为能力等级2,此时即可以自动匹配到能力等级2对应的学习路径,然后在知识点C学习完毕后,自动推荐学习资源D2,在学习资源D2学习完毕后,自动推荐学习资源E2。从而保证在***异常时,仍旧可以让学习者可以正常进行学习。
此外,参见图3所示,本申请实施例中还提供了一种学习资源推荐***,包括学习内容数据库、学习者模型数据库和智能推荐引擎。
其中,学习内容数据库中存储有预先构建的知识点图谱。知识点图谱包括各知识点之间的依赖关系、以及各知识点对应的学习资源。
学习者模型数据库中存储有各学习者的能力情况。
智能推荐引擎,其可以通过在服务端的处理器或处理器集群上运行设定的程序实现,可以用于执行前述学习资源推荐方法中的各个执行步骤。
需要注意的是,在本申请实施例中,除了可以包括学习内容数据库和学习者模型数据库外,参见图4所示,学习资源推荐***中还可以包括学习过程数据库,用于保存学习者的所有的学习过程数据,形成学习者的历史学习数据。在保存时,所有数据全部标准化存储(即按照***的同一格式标准进行存储)。在方法中所需获取的历史学习数据,即可从该学习过程数据库中获取得到。
此外,还可以包括内容路径数据库,用于保存学习者每一次实际进行学习的学习路径,从而便于进行学习者的能力情况分析。
需要注意的是,在本申请实施例中,学习资源推荐***中还可以提供教学辅助工具,该教学辅助工具可以通过接口形式提供给学习者,以供学习者通过该教学辅助工具,呼叫教学者或者教学辅助人员请求帮助。
本申请实施例所提供的学***,实现对于学习者学习资源的适配推荐。这样,对于不同的学习者,就可以提供不同的学习资源组合,做到因材施教,提高学习者的学习体验与效果。
实施例二:
基于同一发明构思,本申请实施例中还提供了一种学习资源推荐装置500。请参阅图5所示,图5示出了采用图1所示的方法的学习资源推荐装置。应理解,装置500具体的功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。装置500包括至少一个能以软件或固件的形式存储于存储器中或固化在装置500的操作***中的软件功能模块。具体地:
参见图5所示,装置500包括:路径提取模块501,获取模块502和处理模块503。其中:
所述路径提取模块501,用于根据当前课程所涉及的知识点,从预先构建的知识点图谱中提取出包含各所述知识点的知识点路径;所述知识点路径指示有各所述知识点之间的依赖关系。
所述获取模块502,用于获取学习者的能力情况,并选取所述知识点路径中的初始知识点下,与所述能力情况相匹配的第一初始学习资源进行推荐;以及用于获取所述学习者对所述第一初始学习资源的学习情况。
所述处理模块503,用于根据所述学习情况确定所述知识点路径中下一知识点下的下一学习资源,并推荐所述下一学习资源。
在本申请实施例的一种可行实施方式中,所述处理模块503具体用于:根据所述学习情况更新所述学习者的能力情况;选取所述下一知识点下,与更新后的所述能力情况相匹配的目标学习资源;所述目标学习资源为所述下一学习资源。
在上述可行实施方式中,在根据所述学习情况更新所述学习者的能力情况之前,所述获取模块502还用于获取所述学习者的历史学习数据;所述处理模块503还用于根据所述历史学习数据,确定所述学习情况为非异常值。
在本申请实施例的一种可行实施方式中,在根据所述学习情况确定所述知识点路径中下一知识点下的下一学习资源之前,所述处理模块503还用于确定所述学习情况满足预设的下一知识点学习条件。
在上述可行实施方式中,所述处理模块503还用于若所述学习情况不满足预设的下一知识点学习条件,选取所述初始知识点下的第二初始学习资源进行推荐;所述第二初始学习资源的难度值低于所述第一初始学习资源。
在本申请实施例中,在所述知识点路径中的所有知识点均学习完毕后,所述获取模块502还用于获取所述学习者在所述知识点路径中的各知识点处的学习情况;所述处理模块503还用于根据所述学习者在所述知识点路径中的各知识点处的学习情况,确定所述学习者在所述当前课程中的知识薄弱点;根据所述学习者在所述当前课程中的知识薄弱点,向所述学习者进行学习资源推荐。
需要理解的是,出于描述简洁的考量,部分实施例一中描述过的内容在本实施例中不再赘述。
实施例三:
本实施例提供了一种电子设备,参见图6所示,其包括处理器601、存储器602以及通信总线603。其中:
通信总线603用于实现处理器601和存储器602之间的连接通信。
处理器601用于执行存储器602中存储的一个或多个程序,以实现上述实施例一中的学习资源推荐方法。
可以理解,图6所示的结构仅为示意,电子设备还可包括比图6中所示更多或者更少的组件,或者具有与图6所示不同的配置。
还可以理解,本实施例所描述的电子设备可以是服务器等具有数据处理能力与数据交互能力的设备。
本实施例还提供了一种计算机可读存储介质,如软盘、光盘、硬盘、闪存、U盘、SD(Secure Digital Memory Card,安全数码卡)卡、MMC(Multimedia Card,多媒体卡)卡等,在该计算机可读存储介质中存储有实现上述各个步骤的一个或者多个程序,这一个或者多个程序可被一个或者多个处理器执行,以实现上述实施例一中学习资源推荐方法。在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,又例如,多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
在本文中,多个是指两个或两个以上。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种学习资源推荐方法,其特征在于,包括:
根据当前课程所涉及的知识点,从预先构建的知识点图谱中提取出包含各所述知识点的知识点路径;所述知识点路径指示有各所述知识点之间的依赖关系;
获取学习者的能力情况,并选取所述知识点路径中的初始知识点下,与所述能力情况相匹配的第一初始学习资源进行推荐;
获取所述学习者对所述第一初始学习资源的学习情况;
根据所述学习情况确定所述知识点路径中下一知识点下的下一学习资源,并推荐所述下一学习资源。
2.如权利要求1所述的学习资源推荐方法,其特征在于,根据所述学习情况确定所述知识点路径中下一知识点下的下一学习资源,包括:
根据所述学习情况更新所述学习者的能力情况;
选取所述下一知识点下,与更新后的所述能力情况相匹配的目标学习资源;所述目标学习资源为所述下一学习资源。
3.如权利要求2所述的学习资源推荐方法,其特征在于,在根据所述学习情况更新所述学习者的能力情况之前,所述方法还包括:
获取所述学习者的历史学习数据;
根据所述历史学习数据,确定所述学习情况为非异常值。
4.如权利要求1所述的学习资源推荐方法,其特征在于,在根据所述学习情况确定所述知识点路径中下一知识点下的下一学习资源之前,所述方法还包括:
确定所述学习情况满足预设的下一知识点学习条件。
5.如权利要求4所述的学习资源推荐方法,其特征在于,所述方法还包括:
若所述学习情况不满足预设的下一知识点学习条件,选取所述初始知识点下的第二初始学习资源进行推荐;所述第二初始学习资源的难度值低于所述第一初始学习资源。
6.如权利要求1所述的学习资源推荐方法,其特征在于,在所述知识点路径中的所有知识点均学习完毕后,所述方法还包括:
获取所述学习者在所述知识点路径中的各知识点处的学习情况;
根据所述学习者在所述知识点路径中的各知识点处的学习情况,确定所述学习者在所述当前课程中的知识薄弱点;
根据所述学习者在所述当前课程中的知识薄弱点,向所述学习者进行学习资源推荐。
7.如权利要求1-6任一项所述的学习资源推荐方法,其特征在于,所述方法还包括:
在出现***异常时,终端按照本地预设的与所述能力情况对应的学习路径依次推荐学习资源;所述学习路径为设定有各学习资源以及各学习资源的先后学习顺序的路径。
8.一种学习资源推荐***,其特征在于,包括:
学习内容数据库,存储有预先构建的知识点图谱;所述知识点图谱包括各知识点之间的依赖关系、以及各知识点对应的学习资源;
学习者模型数据库,存储有学习者的能力情况;
智能推荐引擎,用于根据当前课程所涉及的知识点,从预先构建的知识点图谱中提取出包含各所述知识点的知识点路径;所述知识点路径指示有各所述知识点之间的依赖关系;获取学习者的能力情况,并选取所述知识点路径中的初始知识点下,与所述能力情况相匹配的第一初始学习资源进行推荐;获取所述学习者对所述第一初始学习资源的学习情况;根据所述学习情况确定所述知识点路径中下一知识点下的下一学习资源,并推荐所述下一学习资源。
9.如权利要求8所述的学习资源推荐***,其特征在于,各知识点对应的学习资源标记有区分度;所述区分度表征学习资源对于不同学习者的能力情况的区分能力;
所述智能推荐引擎还用于根据所述学习者的学习情况,更新所学习的学习资源的区分度,并将更新后区分度低于预设阈值的学习资源删除。
10.一种电子设备,其特征在于,包括:处理器、存储器及通信总线;
所述通信总线用于实现处理器和存储器之间的连接通信;
所述处理器用于执行存储器中存储的一个或者多个程序,以实现如权利要求1-7任一项所述的学习资源推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111238979.2A CN116028702A (zh) | 2021-10-25 | 2021-10-25 | 学习资源推荐方法、***及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111238979.2A CN116028702A (zh) | 2021-10-25 | 2021-10-25 | 学习资源推荐方法、***及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116028702A true CN116028702A (zh) | 2023-04-28 |
Family
ID=86089840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111238979.2A Pending CN116028702A (zh) | 2021-10-25 | 2021-10-25 | 学习资源推荐方法、***及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116028702A (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*** |
CN116797052A (zh) * | 2023-08-25 | 2023-09-22 | 之江实验室 | 基于编程学习的资源推荐方法、装置、***和存储介质 |
-
2021
- 2021-10-25 CN CN202111238979.2A patent/CN116028702A/zh active Pending
Cited By (3)
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*** |
CN116797052A (zh) * | 2023-08-25 | 2023-09-22 | 之江实验室 | 基于编程学习的资源推荐方法、装置、***和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107040397B (zh) | 一种业务参数获取方法及装置 | |
CN106022826A (zh) | 一种网络直播平台中的作弊用户识别方法与*** | |
CN110032623B (zh) | 用户问句与知识点标题的匹配方法和装置 | |
CN104717124A (zh) | 一种好友推荐方法、装置及服务器 | |
CN116028702A (zh) | 学习资源推荐方法、***及电子设备 | |
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 | |
CN116541538B (zh) | 基于大数据的智慧学习知识点挖掘方法及*** | |
CN114418035A (zh) | 决策树模型生成方法、基于决策树模型的数据推荐方法 | |
CN112995690B (zh) | 直播内容品类识别方法、装置、电子设备和可读存储介质 | |
CN111797320A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN112214688A (zh) | 选修课的推荐方法、装置和服务器 | |
CN112287227A (zh) | 在线学习推荐方法及在线学习*** | |
CN112613321A (zh) | 一种抽取文本中实体属性信息的方法及*** | |
CN115049397A (zh) | 识别社交网络中的风险账户的方法及装置 | |
CN108681505A (zh) | 一种基于决策树的测试用例排序方法和装置 | |
CN113313470B (zh) | 一种基于大数据的就业类型评估方法及*** | |
CN111611781B (zh) | 数据标注方法、问答方法、装置及电子设备 | |
CN112598405A (zh) | 一种基于大数据的商业项目数据管理方法及*** | |
CN110880117A (zh) | 虚假业务识别方法、装置、设备和存储介质 | |
CN115422457A (zh) | 一种基于教育云平台的试题随机生成方法及*** | |
CN112948251B (zh) | 软件自动测试方法及装置 | |
CN112734142B (zh) | 基于深度学习的资源学习路径规划方法及装置 | |
CN109885504B (zh) | 推荐***的测试方法、装置、介质及电子设备 | |
CN114238106A (zh) | 测试时间预测方法及装置、电子设备、存储介质 | |
CN113869569A (zh) | 一种基于决策树的学习成绩预测及个性化干预的方法 |
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 |