基于个性化学习推荐算法的学习计划路径规划方法与流程

本发明涉及个性化学习，具体地说，涉及基于个性化学习推荐算法的学习计划路径规划方法。

背景技术：

1、运用动态学习技术，根据学习者的实时表现和反馈动态调整学习路径。例如，如果学习者在某个知识点上表现出困难，系统可以自动提供额外的资源或调整学习顺序。

2、在传统的学习环境中，反馈和调整往往不够及时。教师可能难以实时监控每一个学生的学习进程，更难做到即时发现问题并提供针对性的帮助。这导致学习者在遇到困难时得不到及时指导，可能导致问题积累，形成学习障碍，影响后续知识的理解和技能的习得，且长期面对难以克服的难题而无有效支持，学习者可能会丧失信心，降低学习动力，甚至产生厌学情绪，因此，设计基于个性化学习推荐算法的学习计划路径规划方法。

技术实现思路

1、本发明的目的在于提供基于个性化学习推荐算法的学习计划路径规划方法，以解决上述背景技术中提出的反馈和调整往往不够及时的问题。

2、为实现上述目的，本发明目的在于提供了基于个性化学习推荐算法的学习计划路径规划方法，包括如下步骤：

3、s1：从在线学习平台的日志记录中收集学习者的基础数据；

4、s2：从收集的数据中提取出关键特征，根据关键特征建立学习者画像，确定学习者的需求偏好；

5、s3：根据学习者的需求偏好，基于混合推荐算法确定学习者的个性化推荐的学习路径方向；

6、s4：基于数据挖掘技术，根据学习效率、学习行为数据以及情感态度获得学习者对学习内容的学习积极性；

7、s5：根据数据挖掘技术得到的学习积极性以及混合推荐算法，实时调整学习者的学习路径方向。

8、作为本技术方案的进一步改进，所述s1中基础数据包括用户基本信息、学习历史记录和能力评估数据。

9、作为本技术方案的进一步改进，所述s2中关键特征包括学习行为特征、学习偏好特征、能力特征和社交参与度；需求偏好包括课程评分以及兴趣值。

10、作为本技术方案的进一步改进，所述s3中，混合推荐算法涉及的表达式为：

11、

12、其中，为用户间的相似度；和是两个用户；和分别是两个用户已评价过的课程集合；和是他们在第门课程上的评分；

13、

14、其中，用户对未评价课程的评分预测值；是与用户最相似的一组用户；是用户对课程的评分；

15、

16、其中，为用户对课程的兴趣预测值：是特征集合；为用户对特征的偏好权重；为课程在特征上的值；

17、

18、其中，为学习路径方向；为所有的学习路径集合；为候选学习路径集合；为用户间的相似度的权重；为用户对未评价课程的评分预测的权重；为用户对课程的兴趣预测的权重；为学习积极性的权重；为学习积极性对路径推荐的影响。

19、作为本技术方案的进一步改进，所述s4中，情感态度通过实时监测和分析学习者在学习过程中的情绪反应获得，具体步骤如下：

20、s41：通过麦克风或其他语音采集设备捕捉学习者在学习过程中的语音信号；

21、s42：利用摄像头或其他视觉采集设备捕捉学习者在学习过程中的面部图像；

22、s43：对收集到的语音信号和图像进行预处理；

23、s44：使用多模态深度学习模型对预处理后的语音和面部表情特征分别进行训练，以识别学习者的情绪状态；

24、s45：将语音情感识别结果和面部表情识别结果进行融合，得到综合的情感状态判断；

25、s46：将综合的情感状态映射到预定义的情感类别。

26、作为本技术方案的进一步改进，所述情感态度涉及的表达式为：

27、对输入的面部表情进行预训练：

28、

29、其中，为面部表情特征向量；为输入的面部表情图像；为预训练的参数；

30、对输入的语音信号提取声学特征：

31、

32、

33、其中，为声学特征；为声学特征提取函数；为输入的语音信号；为语音语调特征；为网络的参数；为语音特征提取函数；

34、将面部表情和语音语调的特征向量进行融合，得到融合特征向量：

35、

36、其中，为融合特征向量；为融合函数；为融合层的参数；

37、将融合特征向量输入到全连接层，得到分类特征向量：

38、

39、其中，为分类特征向量；为全连接层的权重矩阵；为全连接层的偏置向量；

40、通过分类器得到情感类别概率分布：

41、

42、其中，为分类器得到的情感类别概率分布；y为学习者的情感类别。

43、作为本技术方案的进一步改进，在所述情感态度的表达式中引入学习时间特征与面部表情和语音语调特征进行融合优化，优化后的情感态度的表达式为：

44、

45、

46、其中，为学习时间特征映射到固定维度的向量；为嵌入函数；为学习时间特征；为嵌入层的参数；为引入学习时间特征后的融合特征向量；

47、则：

48、

49、

50、其中，为引入学习特征后的分类特征向量；为引入学习特征后的情感类别概率分布。

51、作为本技术方案的进一步改进，所述s46中，情感类别包括喜欢情绪、困惑情绪和厌恶情绪。

52、作为本技术方案的进一步改进，所述s4中，学习者对学习内容的学习积极性的表达式为：

53、

54、其中，为学习效率指标的权重系数；为学习效率指标；为学习行为特征的数量；为第个学习行为特征的权重系数；；为第个学习行为特征；为第个情感类别的权重系数；；为不同情感类别的概率分布；为常数项。

55、作为本技术方案的进一步改进，所述s5中实时调整学习路径基于增量学习，当实时的学习积极性获得时，混合推荐模型能够吸收并调整学习积极性的权重参数。

56、与现有技术相比，本发明的有益效果：

57、该基于个性化学习推荐算法的学习计划路径规划方法中，实时监测学习者的学习积极性，并据此实时调整学习路径，确保推荐内容始终与学习者当前的学习状态、情感态度保持同步。这种动态调整机制克服了传统固定路径推荐可能带来的滞后性问题，有助于维持学习者持续的参与热情和高效学习状态。同时利用混合推荐算法和数据挖掘技术，实现了对海量学习数据的自动化分析与智能决策，减轻了教育工作者的人工干预负担，提高了教育资源分配与管理的效率。

技术特征：

1.基于个性化学习推荐算法的学习计划路径规划方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于个性化学习推荐算法的学习计划路径规划方法，其特征在于：s1中基础数据包括用户基本信息、学习历史记录和能力评估数据。

3.根据权利要求2所述的基于个性化学习推荐算法的学习计划路径规划方法，其特征在于：s2中关键特征包括学习行为特征、学习偏好特征、能力特征和社交参与度；需求偏好包括课程评分以及兴趣值。

4.根据权利要求3所述的基于个性化学习推荐算法的学习计划路径规划方法，其特征在于：s3中，混合推荐算法涉及的表达式为：

5.根据权利要求4所述的基于个性化学习推荐算法的学习计划路径规划方法，其特征在于：s4中，情感态度通过实时监测和分析学习者在学习过程中的情绪反应获得，具体步骤如下为：

6.根据权利要求5所述的习推荐算法基于个性化学的学习计划路径规划方法，其特征在于，情感态度涉及的表达式为：

7.根据权利要求6所述的基于个性化学习推荐算法的学习计划路径规划方法，其特征在于：在情感态度的表达式中引入学习时间特征与面部表情和语音语调特征进行融合优化，优化后的情感态度的表达式为：

8.根据权利要求7所述的基于个性化学习推荐算法的学习计划路径规划方法，其特征在于：s46中，情感类别包括喜欢情绪、困惑情绪和厌恶情绪。

9.根据权利要求8所述的基于个性化学习推荐算法的学习计划路径规划方法，其特征在于：s4中，学习者对学习内容的学习积极性的表达式为：

10.根据权利要求9所述的基于个性化学习推荐算法的学习计划路径规划方法，其特征在于：s5中实时调整学习路径基于增量学习，当实时的学习积极性获得时，混合推荐模型能够吸收并调整学习积极性的权重参数。

技术总结本发明涉及个性化学习技术领域，具体地说，涉及基于个性化学习推荐算法的学习计划路径规划方法。其包括S1：从在线学习平台的日志记录中收集学习者的基础数据；S2：从收集的数据中提取出关键特征，根据关键特征建立学习者画像，确定学习者的需求偏好；S3：根据学习者的需求偏好，基于混合推荐算法确定学习者的个性化推荐的学习路径方向；S4：基于数据挖掘技术，根据学习效率、学习行为数据以及情感态度获得学习者对学习内容的学习积极性；S5：根据数据挖掘技术得到的学习积极性以及混合推荐算法，实时调整学习者的学习路径方向。该方法能够根据学习者的实时表现和反馈动态调整学习路径，实现了个性化教学，提升了学习效果与满意度。技术研发人员：宿琼,李添,曹永鸣,崔洪顺,赵书瑞受保护的技术使用者：哈尔滨天健高新技术有限公司技术研发日：技术公布日：2024/7/29