一种基于全息拓扑的个性化学习资源快速推荐方法与流程

1.本发明涉及个性化学习资源推荐领域，具体为一种基于全息拓扑的个性化学习资源快速推荐方法。


背景技术：

2.目前，我国的在线教育平台众多，譬如中国大学慕课(mooc)、超星泛雅学习平台等，这些在线教育平台为高校近年新冠疫情防控期间线上教学的有序开展提供了强有力保障。与此同时，针对计算机类、信息技术类等专业的线上程序设计实训平台为学生提供了良好的编程实训环境，帮助学生进一步巩固课堂所学、提高实战能力。如何对学习者的学习行为日志进行数据分析，从而对其进行有针对性及精细化的学习资源推荐，是这两类平台在个性化推荐中的共性问题，也是支撑这两类平台的关键核心技术。
3.目前主流的推荐算法主要分为两类，一类是协同过滤推荐，另一类是基于内容的推荐。前者基于用户之间的兴趣相似性，通过某种算法查找与目标用户最为相似的n个邻居，利用这n个邻居对目标用户还未评分的某个项目的评分来预测目标用户对该项目的评分；后者通过分析项目的内在结构和语义信息，找出目标用户可能感兴趣的某些项目，从而做出推荐。两种算法各有优劣，在不同的系统中都得到了应用。有时为了得到更好的推荐效果，会混合使用两种推荐算法，混合的方式有加权、变换、特征组合、层叠等。但是，上述推荐算法存在一些不可忽视的缺陷，主要包括：1.冷启动问题：当系统没有或者仅有少量的用户行为日志时，无法实现有效的个性化推荐；2.稀疏性问题：当系统的用户数量十分庞大时，会极大影响推荐系统的效率及准确性，导致推荐速度较慢和准确性下降，造成用户等待过久、体验不佳等。


技术实现要素：

4.为了弥补现有技术的不足，本发明提供了一种基于全息拓扑的个性化学习资源快速推荐方法。
5.本发明采用的技术方案为：
6.一种基于全息拓扑的个性化学习资源快速推荐方法，包括以下步骤：
7.步骤1、根据课程的知识点集合v中的制约关系，预先构造v对应的aov图(activity on vertex network)，并且利用拓扑排序确定每一个知识点k
i
(i表示当前是哪个知识点)的先学条件从而生成v的先学条件集合
8.步骤2、设用户的当前学习周期为t，第t周期内学习完成的知识点集合记为u，处理用户原始数据，获得集合u。
9.步骤3、针对集合u，快速对预先生成的先学条件集合p进行遍历，确定与集合u中各个知识点相对应的先学条件(k
i
指知识点k
i
)。
10.步骤4、对各个知识点的先学条件和u求并集运算，生成集合q，即第t周期内及之
前学习完成的知识点集合，也就是系统可推荐的知识点集合。
11.步骤5、每个学习资源都对应着相关联的一个知识点集合s，其中包含一个或多个知识点。系统对学习资源的知识点进行匹配过滤，筛选出满足条件的学习资源，并根据加权拓扑距离进行相关度排序，取前n个学习资源执行推荐操作，从而实现个性化推荐。
12.这里定义：拓扑距离d(k
i
,k
j
)为aov图中任意两个知识点k
i
和k
j
之间的最短路径长度(显然，如果课程的aov图确定，则图中任意两个知识点之间拓扑距离可预先计算)；知识点k
i
与任意一个知识点集合z之间的拓扑距离为加权拓扑距离为某学习资源的知识点集合x中所有知识点k
i
和某知识点集合y之间拓扑距离的总和
13.本发明采用基于全息拓扑的个性化学习资源推荐方法，利用全息拓扑的制约关系，可以有效解决推荐不准确、缺乏个性化等问题。基于预先构造的课程aov图，可以解决当系统没有或者仅有少量的用户行为日志时，无法实现有效的个性化推荐的冷启动问题。其次，由于全息拓扑算法具有较好的可操作性，保证了本发明具有较强的技术可行性。此外，由于预先确定了每个知识点k
i
的先学条件所以在实现个性化推荐时可以对学习资源进行快速的匹配过滤，体现了本发明的高效性，可以有效解决稀疏性问题。
附图说明
14.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一个简单的介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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的附图。
15.图1为本发明的个性化学习资源推荐方法的流程图。
16.图2为本发明实施例提供的aov图。
具体实施方式
17.为了使本发明的目的、技术方案及优点更加清楚明白，以下将结合附图对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述实施例仅仅是本发明的一部分实施例，而不是全部的实施例，并非用于限定本发明的范围。
18.本发明基于学习者的学习行为日志，利用全息拓扑算法对各学习资源知识点集合进行关联分析与拓扑排序，为学习者提供个性化快速推荐，如图1所示：
19.一种基于全息拓扑的个性化学习资源推荐方法，具体包括以下步骤：
20.1.根据课程的知识点集合v中的制约关系，预先构造v对应的aov图，并且利用拓扑排序确定每一个知识点k
i
(i表示当前是哪个知识点)的先学条件从而生成v的先学条件集合
21.具体地，每门课程中都对应一个知识点集合v，且v中的知识点之间存在某种制约关系，例如：学习第二个知识点需要以第一个知识点的学习结束为前提(即用户需要完成第
一个知识点之后才能进行第二个知识点的学习)。根据这些制约关系，可以预先构造该课程对应的aov图。
22.如图2所示，用户当前所学课程含有k1、k2、
…
、k
14
共14个知识点(即v＝{k1,k2,
…
,k
14
})，其需要完成知识点k1才能继续学习知识点k4，但不能学习知识点k3，因为k3的先学条件还有知识点k2，故需要完成知识点k1和k2后才能继续学习k3。
23.根据构造的课程aov图，预先生成了先学条件集合基于本实例，下面只列出一部分相关数据：
24.2.处理用户原始数据，获得集合u。
25.具体地，通过对用户行为日志进行数据分析，获取集合u。本实施例中假设集合u＝{k
10
,k
11
}。
26.3.针对集合u，快速对预先生成的先学条件集合p进行遍历，确定与u中各个知识点相对应的先学条件(k
i
指知识点k
i
)。
27.具体地，本实例中集合u＝{k
10
,k
11
}，遍历先学条件集合p，确定与u中知识点k
10
和k
11
相对应的先学条件相对应的先学条件
28.4.对各个知识点的先学条件和u求并集运算，生成集合q，即系统可推荐的知识点集合。
29.具体地，对k
10
、k
11
和u求并集运算，生成系统可推荐知识点集合q＝{k1,k2,k4,k5,k6,k7,k
10
,k
11
}。
30.5.每个学习资源都对应着相关联的一个知识点集合s，其中包含一个或多个知识点。系统对学习资源的知识点进行匹配过滤，筛选出满足条件的学习资源，并根据加权拓扑距离进行相关度排序，取前n个学习资源执行推荐操作，从而实现个性化推荐。
31.具体地，每个学习资源都对应着相关联的一个知识点集合s，假设学习资源1的s值为{k1,k5}，学习资源2的s值为{k
10
}，学习资源3的s值为{k5,k8}。系统对学习资源进行匹配过滤，将筛选出满足条件的学习资源1和2，计算出它们与集合u的加权拓扑距离分别为5和0，则按加权拓扑距离进行相关度排序，系统优先推荐学习资源2，次之推荐学习资源1。