[发明专利]一种基于知识图谱挖掘的个性化学习路径推荐方法及系统

说明书

本发明属于学习路径推荐领域，提供了一种基于知识图谱挖掘的个性化学习路径推荐方法及系统，其解决了传统方法得到的学习路径与相应学习者匹配性差的问题，能够提高学习者的学习路径推荐的精度，使得该学习路径与学习者匹配程度更高。其中，该个性化学习路径推荐方法包括：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。

技术领域

本发明属于在线教育数据处理领域，尤其涉及一种基于知识图谱挖掘的个性化学习路径推荐方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

随着互联网技术的飞速发展以及大众学习观念的不断进步，以网络作为媒介进行在线学习活动已经成为一种非常普遍的社会活动。然而伴随而来的海量知识和数据同样给在线教育领域带来了严重的“信息过载”和“学习迷航”问题。随着知识图谱技术在智能搜索、智能翻译、个性化推荐等领域的广泛发展，以知识图谱技术为基础，生成智能解决方案和个性化推荐结果，是解决在线学习领域的“信息过载”问题的有效措施。知识图谱用结点表示实体，这个实体可以是项目、用户、数据等，用边来表示结点实体间的任意关系。基于知识图谱构建特征模型，是以知识图谱为起点到最终生成智能解决方案和得到个性化推荐结果的关键步骤。关于特征建模的研究，由于学习者和知识内容的复杂多变性，不同的学习者采用同一学习路径学习某一知识时的学习效率往往是不同的。

发明人发现，现有的学习路径推荐方法一方面未考虑学习者的自身特征(比如学习者类型、学习背景、学习目标等特征)和个性化需，使得传统方法得到的学习路径具有一定的局限性，另一方面学习路径优化过程只考虑了学习者已经学过的知识点，最终筛选出的学习路径并不能区分优先级，不能达到学习路径个性化推荐的目的，可能会降低学习者的学习效率。

发明内容

为了解决上述问题，本发明的第一个方面提供一种基于知识图谱挖掘的个性化学习路径推荐方法，其结合学习者的自身特征和个性化需求，能够提高学习者的学习路径推荐的精度，并利用遗传算法及学习路径的自适应值筛选出自适应值最高的学习路径作为推荐结果，使得该学习路径与学习者匹配程度更高，提高学习者的学习效率。

为了实现上述目的，本发明采用如下技术方案：

一种基于知识图谱挖掘的个性化学习路径推荐方法，包括：

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。

为了解决上述问题，本发明的第二个方面提供一种基于知识图谱挖掘的个性化学习路径推荐系统，其结合学习者的自身特征和个性化需求，能够提高学习者的学习路径推荐的精度，并利用遗传算法及学习路径的自适应值筛选出自适应值最高的学习路径作为推荐结果，使得该学习路径与学习者匹配程度更高，提高学习者的学习效率。

为了实现上述目的，本发明采用如下技术方案：

一种基于知识图谱挖掘的个性化学习路径推荐系统，包括：

知识图谱转换模块，其用于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；

个性化处理模块，其用于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；