[发明专利]一种基于学习风格与认知水平的个性化资源推荐方法

权利要求书

1.一种基于学习风格与认知水平的个性化资源推荐方法，其特征在于，具体按照以下步骤实施：

步骤1、从学习行为记录得到学习者的历史学习风格

所述学习行为包括查阅资源类型、学习时长、对资源的浏览次数、对论坛的发帖量、读帖量行为数据，所述学习风格包括四个维度，每个维度包括两种行为方式A和B，第一个维度的行为方式包括A活跃型和B沉思型，第二个维度的行为方式包括A感悟型和B直觉型，第三个维度的行为方式包括A序列型和B综合型，第四个维度的行为方式包括A视频型和B言语型，上述每种行为方式即为一种学习风格，将学习行为记录中的历史学习行为通过估算规则进行计算，获得历史学习行为对应的历史学习风格；

步骤2、根据学习者历史测验记录判断学习者的历史认知水平；

步骤3、判断学习者当前的学习风格，并利用当前的学习风格对历史的学习风格进行更新；

所述步骤3具体为：

通过学习风格问卷判断学习者当前的学习风格，并利用当前的学习风格对历史的学习风格进行修正和更新；所述学习风格问卷由多道题目组成，每种学习风格的维度对应相同数量题目，根据作答结果计算学习者偏向学习风格程度，并由此判断学习者的学习风格种类，该学习风格种类即为当前的学习风格，更新历史学习风格记录；

步骤4、通过认知诊断得到学习者当前认知水平，利用当前的认知水平对历史的认知水平进行更新；

所述步骤4具体为，

步骤4.1、每个学习者u描述为一个知识点掌握程度向量，学习者u对第k个知识点的掌握程度表示为α_u，α_u＝{α_u1，α_u2，...，α_uk}，其中每一维对应一个知识点，α_uk＝1表示学习者u掌握第k个知识点，α_uk＝0表示学习者u未掌握第k个知识点；

步骤4.2、在已知学习者u的知识点掌握向量α_uk的情况下，对于学生u未作答的试题Jv根据下式获得学习者u对试题Jv的潜在作答：

步骤4.3、基于步骤4.2对学习者建模DINA模型，DINA模型为Deterministic Inputs，Noisy“And”gate model，DINA模型表达式：

式(8)中，g_v表示猜测率，即未掌握答对任何试题技能的学生答对试题v的概率；s_v表示失误率，即掌握答对任何试题技能的学生答错试题v的概率；Pv表示学习者对未作答的试题Jv的掌握；

步骤4.4、对学习者知识点掌握进行建模得到学生的个性化知识点掌握程度，并根据学习者的个性化知识点掌握程度获得学习者在试题上的掌握程度，判断学习者当前的认知水平；

步骤5、结合构建的学科知识图谱，联系资源对应的知识点难度，进行学习者学习风格和学习资源类型之间差异度计算；

所述步骤5具体按照以下步骤实施：

步骤5.1、将初中数学知识点整理为csv格式文件，并使用图数据库Neo4j将知识点实体信息和关系信息进行知识存储并构建知识图谱，定义Q个学习资源的集合为：

O＝{o₁，o₂，...，o_Q}

学习资源选择矩阵：

步骤5.2、学习资源的媒体表现形式为四种，分别是：文字e_n1、图片e_n2、音频e_n3、视频e_n4，学习资源对象Q_n采用各种表现方式的程度LRE_n：

LRE_n＝{e_n1，e_n2，e_n3，e_n4} (9)；

步骤5.3、基于知识图谱，计算学习者学习风格和学习资源类型之间的差异度：

式(10)中，x_ij表示从学习资源矩阵随机抽取的个体；

步骤6、计算学习者认知水平与学习资源难度之间的差异度；

所述步骤6学习者认知水平与学习资源难度之间的差异度为，

f_2(x)＝x_ij×|rd_i-r_i| (11)

式(11)中，rd表示学习资源的难度，其中，资源难度0≤rd_n≤1，i属于n；

步骤7、通过深度神经网络输出个性化学习资源，完成向学习者推荐符合学习需求的个性化学习资源。