[发明专利]基于知识图谱的学习能力建模及动态自适应的目标驱动的学习点组织及执行路径推荐方法

摘要

本发明是一种基于知识图谱的学习能力建模及动态自适应的目标驱动的学习点组织及执行路径推荐方法，属于分布式计算和软件工程学技术交叉领域。从应对自动增量式结合经验知识和减少人工专家交互负担等两个方面考虑，本发明从资源建模、资源处理、处理优化和资源管理等角度进行研究，提出了一种三层可自动抽象调整的解决架构，借助从数据图谱上以实体综合频度计算为核心的分析到信息图谱和知识图谱上的自适应的自动抽象的资源优化过程支持兼容经验知识引入和高效自动语义分析，对应5W(谁(Who)/何时(When)/何地(Where)、什么(What)和如何(How))问题的分类接口衔接用户的学习需求、学习过程和学习目标等的资源化描述，为用户提供个性化学习服务推荐。

主权项

一种基于知识图谱的学习能力建模及动态自适应的目标驱动的学习点组织及执行路径推荐方法，其特征在于学习点推荐和学习路径优化的步骤：步骤 1) 构建有向的学习点知识图谱，通过大数据训练得出学习者群体学习每个知识点所要花费时间和精力的平均水平，即学习投入，作为学习点的权重在图谱上做出标记；步骤 2）构建习题测试库和能力调查问卷，根据学习点构建相应的习题测试，根据能力考查类型构建学习者能力调查问卷；步骤 3）提示学习者进行习题测试，根据习题测试结果，初步获取学习者对学习点的掌握情况；步骤4）根据步骤3得到的学习者对知识点的学习情况，建立学习者资源子模型；步骤 5) 以问卷的形式对学习者能力进行调查，本发明将学习者能力水平划分三个等级分别是“弱”“中”“强”，根据问卷调查结果，获取学习者记忆能力、计算能力和推理能力等水平，初步评估学习者学习效率；步骤6) 根据步骤5的结果，建立学习者能力子模型；步骤 7) 比较学习者个体与学习者群体的平均能力水平差异，划分出学习者的能力等级；步骤 8) 建立学习者模型，根据步骤4和步骤6的结果，建立学习者模型；步骤 9) 获取学习者预期学习投入Expected_effort，学习投入是指学习者计划可以为达到学习目标投入的时间和精力；步骤10) 获取学习者学习目标，并根据公式1计算预期学习效率Expected_effi，其中Total_know是指目标知识包含的知识点总量：  (1)；步骤11) 根据步骤8得到的学习者模型和步骤10获取到的学习者目标对学习目标进行模式匹配，将学习目标进行划分，确定目标类型；步骤12) 根据步骤11得到的目标类型，确定在哪一层资源处理框架上进行遍历，若学习者学习目标比较简单，预期学习投入较少，学习能力较弱，则在数据图谱上基于元知识向学习者推荐学习点和学习路径；若学习者学习目标难度一般，预期学习投入一般，学习能力一般，则在信息图谱上基于章知识向学习者推荐学习点和学习路径；若学习者学习目标难度较大，预期学习投入多，学习能力较强，则在知识图谱上基于篇知识向学习者推荐学习点和学习路径；步骤 13) 在资源处理框架上标记学习者已学知识和目标知识点；步骤14) 依赖于步骤13所得到的结果，遍历图谱找出目标知识点的所有先序结点；步骤15) 将步骤14产生的所有未学知识点，将存在或关系的知识结点按学习该知识点所需学习投入（即权重）进行排序；步骤16) 对于存在涵盖关系的结点，假定结点A涵盖结点B和结点C所含知识，判断结点B和结点C是否都是学习者为达成学习目标所需要的知识，若需要，计算学习结点A和同时学习结点B和结点C所需的时间和精力；若不需要，选择需要时间和精力较少的结点添加到学习路径中；步骤17) 基于步骤16产生的结果，将其它必要结点和并行结点添加至学习路径中；步骤18) 输出完整的学习路径，推荐给学习者；步骤19) 在学习者学习过程中，不断获取学习者的反馈，并监测外部学习环境的变化；步骤20) 根据步骤19得到的结果，根据公式2计算学习者实际学习效率Actual_effi，Got_know表示学习者已学到的学习点，Actual_effort是学习者的实际学习投入，并统计学习者的能力变化，更新学习者模型；根据外部学习环境的变化，更新处理资源框架：  (2)；步骤21) 根据步骤20得到的更新后的学习者模型，返回步骤9重新获取学习者的学习目标及预期学习投入，根据学习者当前学习状况重新规划学习路径。