一种多粒度学习路径推荐方法、设备、介质及产品

本发明涉及电数字数据处理，特别是涉及一种多粒度学习路径推荐方法、设备、介质及产品。

背景技术：

1、随着现代信息技术的快速发展，在线学习已成为教育领域不可或缺的学习方式。其中，以大规模开放在线课程(moocs)和智能导学系统为代表的智能学习系统得到推广普及，极大地促进了在线学习资源的海量积累与爆炸式增长，使得学习者难以凭借自身的知识积累与能力经验从中获取符合其个性化需求的学习资源，易引发“认知过载”和“学习迷航”等问题。为破解上述难题，将个性化学习路径推荐技术整合至在线学习系统，通过学习状态的智能诊断和学习需求的分析建模，为学习者提供适切的资源推送和精准的导航支持，可以促进在线学习效果和满意度的有效提升。然而，在线学习系统中往往蕴含多种知识粒度的学习资源(由细粒度的微型学习单元到粗粒度课程学习资源不等)，但现有推荐技术往往集中于单一粒度视角下的资源组织与路径规划，其仅能实现对同种粒度学习资源的有效整合和建序优化，而无法面向不同粒度学习资源实施有效的路径规划，显然无法满足真实在线学习系统的应用需求。

技术实现思路

1、为解决现有技术存在的上述问题，本发明提供了一种多粒度学习路径推荐方法、设备、介质及产品。

2、为实现上述目的，本发明提供了如下方案。

3、一种多粒度学习路径推荐方法，所述方法包括：构建领域知识图谱模型、学习者模型和学习资源模型。

4、基于所述领域知识图谱模型、所述学习者模型和所述学习资源模型构建多粒度学习路径推荐问题。

5、根据所述领域知识图谱模型、所述学习者模型和所述学习资源模型基于结构层建模多粒度学习路径推荐问题的优化目标和约束条件。

6、在所述学习者模型和所述学习资源模型的基础上，通过学习者-学习资源多维属性特征的关联计算，构造学习路径的适配度评价函数，以基于内容层建模多粒度学习路径推荐问题的优化目标。

7、将结构层和内容层所涉及的多粒度学习路径推荐问题的优化目标以及约束条件进行集成融合，构建多粒度学习路径推荐问题的整合数学模型。

8、基于改进蚁群算法对多粒度学习路径推荐问题的整合数学模型进行优化求解，得到最优学习路径。

9、可选地，构建领域知识图谱模型、学习者模型和学习资源模型，具体包括：根据领域知识空间内的知识节点以及各知识节点间的依赖约束关系构建有向无环图模型。

10、将构建得到的有向无环图模型作为所述领域知识图谱模型。

11、将每个学习者定义为一个八元组，以构建得到所述学习者模型；所述八元组中元素分别表示学习者的学习目标、认知图谱、目标图谱、学习能力、学习时间、媒体偏好、内容偏好以及学习路径。

12、将每个学习资源定义为一个六元组，以构建得到所述学习资源模型；所述六元组中元素分别表示学习资源的知识结构、粒度水平、难度系数、建议学习时间、媒体类型以及内容类型。

13、可选地，根据所述领域知识图谱模型、所述学习者模型和所述学习资源模型基于结构层建模多粒度学习路径推荐问题的优化目标和约束条件，具体包括：根据所述领域知识图谱模型、所述学习者模型和所述学习资源模型，构建多粒度学习路径推荐问题的认知结构约束。

14、根据所述领域知识图谱模型、所述学习者模型和所述学习资源模型，构建多粒度学习路径推荐问题的认知目标约束。

15、根据所述领域知识图谱模型、所述学习者模型和所述学习资源模型，构建多粒度学习路径推荐问题的唯一选择约束。

16、根据所述领域知识图谱模型、所述学习者模型和所述学习资源模型，构建多粒度学习路径推荐问题的结构层优化目标。

17、可选地，在所述学习者模型和所述学习资源模型的基础上，通过学习者-学习资源多维属性特征的关联计算，构造学习路径的适配度评价函数，以基于内容层建模多粒度学习路径推荐问题的优化目标，具体包括：在所述学习者模型和所述学习资源模型的基础上，确定学习者的个性化需求与偏好的适配度，以构造学习路径的适配度评价函数；所述学习者的个性化需求与偏好的适配度包括：学习者能力水平与学习路径难度系数的适配度、学习者媒体偏好与学习路径媒体呈现类型的适配度、学习者内容偏好与学习路径内容呈现类型的适配度以及学习者可用学习时间与学习路径建议学习时长的适配度。

18、基于所述学习路径的适配度评价函数，构建内容层的多粒度学习路径推荐问题的优化目标。

19、可选地，所述多粒度学习路径推荐问题的整合数学模型包括目标函数和约束条件；所述目标函数为：minimize f(pi)＝we*e(pi)+ws*s(pi)。

20、所述约束条件为：

21、

22、

23、式中，minimize f(pi)表示表示多粒度学习路径推荐问题的总体优化目标，e(pi)表示结构层的多粒度学习路径推荐问题的优化目标，s(pi)表示内容层的多粒度学习路径推荐问题的优化目标，we和ws分别表示e(pi)和s(pi)的权重系数，表示构成学习路径pi的学习资源序列所涵盖的非重复知识节点序列，k′(i)表示学习者目标图谱g′(i)中所包含的知识节点集合，e′(i)表示k′(i)中所有知识节点之间的依赖约束关系集合，pi表示学习路径，rm和rn表示pi上的任意两个学习资源，表示空集。

24、可选地，基于改进蚁群算法对多粒度学习路径推荐问题的整合数学模型进行优化求解，得到最优学习路径，具体包括：对与领域知识图谱、目标学习者特征以及学习资源属性相关的数据进行标准化处理得到标准化数据，并将所述标准化数据作为输入数据。

25、确定目标学习者的资源搜索空间。

26、改进启发函数和信息素函数，输入算法参数，完成改进蚁群算法的初始化设置。

27、将所述输入数据输入初始化设置后的改进蚁群算法中，并为每只蚂蚁构建多粒度学习路径的可行解。

28、判断每只蚂蚁是否均完成路径搜索，得到第一判断结果。

29、当所述第一判断结果为否时，返回将所述输入数据输入改进蚁群算法中，并为每只蚂蚁构建多粒度学习路径的可行解的步骤。

30、当所述第一判断结果为是时，确定各学习路径解对应的适应度值，并保留当前最佳学习路径评价值，将所述当前最佳学习路径评价值与历史最佳学习路径评价值进行比较，当比较结果为当前最佳学习路径评价值优于历史最佳学习路径评价值时，将当前最佳学习路径评价值作为新的历史最佳评价值，记录与当前最佳学习路径评价值对应的路径作为最佳学习路径。

31、基于局部信息素更新策略对蚂蚁经过的每条路径上的信息素浓度进行更新。

32、基于全局信息素更新策略对蚂蚁经过的每条路径上的信息素浓度进行更新，利用精英策略对当前迭代中蚂蚁搜索的最佳学习路径进行信息素增强；

33、判断是否满足最大迭代次数，得到第二判断结果。

34、当所述第二判断结果为是时，将进行全局信息素更新后的最佳学习路径作为最优学习路径。

35、当所述第二判断结果为否时，返回将所述输入数据输入改进蚁群算法中，并为每只蚂蚁构建多粒度学习路径的可行解的步骤。

36、可选地，将所述输入数据输入改进蚁群算法中，并为每只蚂蚁构建多粒度学习路径的可行解，具体包括：基于动态候选集合策略为每只蚂蚁的初始节点选择构建第一待选节点集合。

37、基于启发策略和第一待选节点集合为每只蚂蚁选择路径初始节点，并为每只蚂蚁的下一节点选择构建第二待选节点集合。

38、基于状态转移在所述第二待选节点集合中为每只蚂蚁选择下一节点，动态更新搜索空间，以得到多粒度学习路径的可行解。

39、一种计算机设备，包括：存储器、处理器以存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述任一项所述的多粒度学习路径推荐方法的步骤。

40、一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一项所述的多粒度学习路径推荐方法的步骤。

41、一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述任一项所述的多粒度学习路径推荐方法的步骤。

42、根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明基于结构层和内容层的双层规划视角全面建模多粒度学习路径推荐问题的优化目标和约束条件，并引入线性加权法构建整合数学模型，将该问题转化为约束优化问题，基于改进蚁群算法对多粒度学习路径推荐问题的整合数学模型进行优化求解，得到最优学习路径，能够通过整合知识图谱和进化计算技术实现网络学习空间内多粒度学习资源的有效整合与建序优化，为在线学习者生成与其个性化需求高度适配且满足结构化知识约束的最优学习路径，以期缓解在线学习中的“学习迷航”和“认知过载”等问题，助力适应性学习效果和满意度的提升。