一种学习路径规划的模型及方法

传统教育以预设课程内容为主进行教学,缺乏对知识点之间关系和学习状态的动态建模和评估,难于实现个性化学习路径规划和自适应学习。近几年,人工智能技术不断发展,使得对知识体系的海量数据检索分析和对学习者的状态评估成为了可能,每个领域的知识都可以抽象地表示为连接众多相关概念的复杂网络,精确地使用概念关系网络有助于制定高效的学习路径。本文提出了一种基于知识概念网络拓扑结构优化学习路径的建模方法,充分考虑了所学新知识与学习者已掌握知识之间的相互作用,同时根据知识的基础性和重要性程度差别提供不同的复习间隔。通过对生成的学习路径在全面性、一致性和准确性三个方面的实验评估,验证了提出的学习路径优化策略对所需掌握的知识点涵盖率达到 85% 以上,生成的学习序列与专家设计的合理序列的吻合程度最高达到 95%,并且通过学习者的实际测试显示了良好的学习效果。     

基于知识图谱的智能信息推荐模型构建仿真

网络大数据之间独立性较强,导致信息推荐难度较大,无法满足用户个性化要求.提出基于知识图谱的智能信息推荐模型.扩展与改进单元模型,设计领域知识模型,并动态更新知识图谱,设计学习者模型架构.利用牛顿-拉夫逊迭代法求取认知水平,界定信息推荐达成度,实现最优路径的智能信息推荐.仿真结果证明,所构建的模型信息推荐路径更优,且推荐...     

基于Web的智能教学系统知识模型与学习控制

目前,基于Web的智能教学系统是计算机应用于教育领域的研究方向之一。其中教学知识模型和基于模型的学,控制,是实现教学系统智能控制的关键之一。从知识点及其关系出发构建一个知识网络模型,并基于该模型探讨了正向和反向两种推理控制策略。     

智能推荐技术在网络学习空间中的应用

随着信息网络技术与教育领域融合程度的不断加深,国内外的专家学者都十分热衷于研究智能推荐技术在网络学习空间中的应用。本文围绕这一热点问题展开了分析。     

基于建构主义学习理论的个性化知识推荐模型

个性化推荐正成为“互联网+”和“大数据”时代信息网络服务的基本形式,虽然其已在电子商务和社交媒体的广泛应用中产生了巨大的商业价值,但在具有巨大潜在社会价值的个性化知识学习领域,相关研究与应用还较为稀少.研究提出一种基于建构主义学习理论的个性化知识推荐方法——建构推荐模型.新模型首先考虑将知识系统以知识网络的形式进行表达,随后引入最近邻优先的候选知识选择策略,以及基于最大可学习支撑度优先的top-K未学知识推荐算法.建构推荐模型通过知识网络的知识关联结构挖掘用户知识需求,并推荐给出最具建构学习价值的待学新知识.以饮食健康知识系统学习为例的实验分析表明,新模型在多种情况下推荐产生的个性化知识序列均具有较强的知识关联性和较高的知识体系覆盖率.     

基于多Agent的网络学习智能推荐模型

针对网络学习者面临海量信息选择的困扰,提出了一个基于多Agent的网络学习智能推荐模型.运用界面Agent采实现与学习者的交互,利用基于知识推荐的Agent提供与学习者兴趣相关的推荐,以及基于相似学习者推荐的Agent向特定学习者推荐新的知识,并对模型中推荐的相似度算法进行了阐述.通过多Agent技术的运用,较好的解决了网络学习推荐的智能化,个性化以及灵活性的问题,使网络学习者能在一种交互式的学习环境中得到更人性化的学习推荐服务.     

旅游知识图谱特征学习的景点推荐

基于知识图谱的推荐算法在多个领域取得了较好的效果，但仍然存在一些问题，如不能有效提取知识图谱中实体关系标签中的特征，推荐准确率会降低。因而提出将网络嵌入方法（network embedding）用于旅游知识图谱的特征提取，使得特征的提取更加充分。通过对旅游知识图谱中不同标签的属性子图独立建模，利用深度学习模型挖掘游客及景点等图节点语义特征，进而获得融合各个标签语义的游客和景点特征向量，最终通过计算游客和景点相关性生成景点推荐列表。通过在真实旅游知识图谱上的实验，验证了利用网络嵌入方法对知识图谱中数据建模后，可以有效提取节点的深层特征。     

基于LOM的知识模型与个性化学习控制

在智能教学系统中,知识模型是专家模型的核心,是实现智能教学的一个关键问题。本文讨论知识点及其相互关系的形式表示,提出基于LOM的知识点模型与学习控制策略。知识点被设计、封装为学习对象,提高了学习内容的可重用性、可管理性、可定制性与互操作性。LOM的语义描述能力,使得系统本身具有一定程度的知识理解能力。以知识点LOM模型为结点的知识网络是语义网络,其语义计算能力便于知识的发现与关联。将专家知识网络动态映射为学生知识网络,实现了个性化学习。     

Intelligent web-based learning system with personalized learning path guidance

Personalized curriculum sequencing is an important research issue for web-based learning systems because no fixed learning paths will be appropriate for all learners. Therefore, many researchers focused on developing e-learning systems with personalized learning mechanisms to assist on-line web-based learning and adaptively provide learning paths in order to promote the learning performance of individual learners. However, most personalized e-learning systems usually neglect to consider if learner ability and the difficulty level of the recommended courseware are matched to each other while performing personalized learning services. Moreover, the problem of concept continuity of learning paths also needs to be considered while implementing personalized curriculum sequencing because smooth learning paths enhance the linked strength between learning concepts. Generally, inappropriate courseware leads to learner cognitive overload or disorientation during learning processes, thus reducing learning performance. Therefore, compared to the freely browsing learning mode without any personalized learning path guidance used in most web-based learning systems, this paper assesses whether the proposed genetic-based personalized e-learning system, which can generate appropriate learning paths according to the incorrect testing responses of an individual learner in a pre-test, provides benefits in terms of learning performance promotion while learning. Based on the results of pre-test, the proposed genetic-based personalized e-learning system can conduct personalized curriculum sequencing through simultaneously considering courseware difficulty level and the concept continuity of learning paths to support web-based learning. Experimental results indicated that applying the proposed genetic-based personalized e-learning system for web-based learning is superior to the freely browsing learning mode because of high quality and concise learning path for individual learners.     

基于超图网络的产品设计知识智能推荐方法研究

面向产品设计的知识管理系统中,为了提高知识库中海量设计知识推荐的效率和效果,从产品结构知识、过程知识以及知识标识三个维度构建了设计知识文档超图网络,利用hyper2vec技术建立了知识表示模型,生成了知识特征向量库。采用用户行为信息,提出了基于超边序列的Markov知识推荐模型,预测候选知识文档。通过知识特征向量相似度扩充候选集,建立个性化用户兴趣模型对候选推荐集进行过滤和排序。在冷镦机专利的知识服务系统中进行应用验证,实验表明该推荐方法在推荐准确度和多样性方面有着良好的效果,验证了其可行性和有效性。     

一种基于学习自动机的推荐算法改进

针对原有的基于隐语义模型（LFM）的推荐算法中,当训练样本数减少时,训练误差和测试误差都明显增大的问题进行改进研究,提出了一种全新的基于学习自动机的矩阵训练算法。该算法充分利用连续型学习自动机在随机和高噪声环境中优化参数的卓越性能,代替原有的梯度下降算法进行大型稀疏矩阵的奇异值分解计算,使得重构矩阵与原矩阵的之间的误差进一步降低,提高了后续预测算法的精确度。为了检验新算法的寻优性能,本文在大量真实的用户对电影的评分数据集上,进行了新旧两种算法的对比实验。实验结果表明改进后的基于学习自动机的推荐算法在样本数较少和更随机的测试环境中,相比原算法可以实现更精确的预测,有效地弥补了原算法的不足。     

基于知识图偏好注意力网络的长短期推荐模型及其更新方法

目前,知识图谱推荐的研究主要集中在模型建立和训练上。然而在实际应用中,需要使用增量更新方法定期更新模型来适应新用户和老用户偏好的改变。针对大部分该类模型仅利用用户的长期兴趣表示做推荐,而没有考虑用户的短期兴趣且聚合邻域实体得到项目向量表示时聚合方式的可解释性不足,以及更新模型的过程中存在灾难性遗忘的问题,提出基于知识图偏好注意力网络的长短期推荐（KGPATLS）模型及其更新方法。首先,通过KGPATLS模型提出偏好注意力网络的聚合方式以及结合用户长期兴趣和短期兴趣的用户表示方法;然后,为了缓解更新模型存在的灾难性遗忘问题,提出融合预测采样和知识蒸馏的增量更新方法（FPSKD）。将提出的KGPATLS模型和FPSKD方法在MovieLens-1M和Last.FM两个数据集上进行实验。相较于最优基线模型知识图谱卷积网络（KGCN）,KGPATLS模型的曲线下面积（AUC）指标在两个数据集上分别有2.2%和1.4%的提升,准确率（Acc）指标分别有2.5%和2.9%的提升。在两个数据集上对比FPSKD与三个基线增量更新方法Fine Tune、Random Sampling、Full Batch,FPSKD在AUC和Acc指标上优于Fine Tune、Random Sampling,在训练时间指标上FPSKD分别降低到Full Batch的大约1/8和1/4。实验结果验证了KGPATLS模型的性能,而FPSKD在保持模型性能的同时可以高效地更新模型。     

Uni-LSDPM：基于预训练的统一在线学习会话退出预测模型

为了辅助学习者维持在线学习的连贯性以引导最优学习路径的执行,智能辅导系统（intelligent tutoring system,ITS）需要及时发现学习者退出学习的倾向,在合适的时间采取相应的干预措施,因此,在线学习会话退出预测研究十分必要. 然而,与传统的课程辍学相比,会话退出发生的频率更高,单次学习时长更短,故需要在有限的行为数据中对学习会话退出状态进行准确预测. 因此,学习行为的碎片性和预测结果的即时性、准确性是学习会话退出预测任务的挑战和难点. 针对会话退出预测任务,提出了一种基于预训练-微调的统一在线学习会话退出预测模型 （unified online learning session dropout prediction model,Uni-LSDPM）. 该模型采用多层Transformer结构,分为预训练阶段和微调阶段. 在预训练阶段,使用双向注意机制对学习者连续行为交互特征序列的特征表示进行学习. 在微调阶段,应用序列到序列（sequence-to-sequence,Seq2Seq）的注意力机制对学习者连续行为交互特征序列与退出状态联合序列进行学习. 基于EdNet公共数据集对模型进行预训练和微调,通过消融实验以获得最佳预测效果,并基于多个数据集进行了对比测试实验. 实验结果表明,Uni-LSDPM在AUC和ACC方面优于现有的模型,并证明该模型具有一定的鲁棒性和扩展性.

     

基于知识图嵌入的协同过滤推荐算法

利用知识图谱进行推荐的一个巨大挑战在于如何获取项目的结构化知识并对其进行语义特征提取.针对这一问题,提出了一种基于知识图嵌入的协同过滤推荐算法(KGECF).首先从Freebase知识图谱中提取与项目相关的知识信息,并与历史交互项目进行链接构建子知识库;然后通过基于TransR的Xavier-TransR方法得到子知识库中实体、关系表征;设计一种端到端的联合学习模型,将结构化信息与历史偏好信息嵌入到统一的向量空间中;最后利用协同过滤方法进一步计算这些向量并生成精确的推荐列表.在MovieLens-1 M和Amazon-book两个公开数据集上的实验表明,该算法在推荐准确率、召回率、F1值和NDCG四个指标上均优于基线方法,能够集成大规模的结构化和非结构化数据,同时获得高精度的推荐结果.     

基于Petri网的知识空间建模方法与学习路径控制

对学生学习路径的控制和学习状态的了解在自主学习系统中是一个重要的问题,以知识空间理论为基础建立了学习状态空间,并通过Petri网对该学习状态空间进行了建模,利用Petri网实现了学习状态空间中所有可能的学习路径控制和学生学习状态的了解,在此模型中学生可以利用Petri网的变迁实现自由的学习控制,并通过Petri网库所标识来了解学生的学习状态,达到个性化学习路径的目的。     

基于层次意图解耦的图卷积神经网络推荐模型

当前意图推荐研究提取出的用户意图趋向扁平化,忽略了意图间的层次关系。针对以上问题,提出了一种基于层次意图解耦的图卷积神经网络推荐模型(HIDR),将用户—项目交互图划分为多个动态交互子图,以刻画从细粒度到粗粒度的用户意图层次图。首先,在每个意图交互子图中根据节点高阶连接性自适应地聚合来自高阶邻域的信息,解耦提取用户细粒度意图表示;然后,依据低层次细粒度意图之间的相似关系在高层网络上构建粗粒度意图超节点,显式建模从细粒度到粗粒度的意图层次结构;最后,将解耦得到的层次意图向量聚合为高质量的用户和项目表示,并进行内积预测和迭代优化。在Gowalla和Amazon-book两个数据集上的实验结果表明,相较于最优基线模型CLSR,HIDR的召回率(recall)分别提升了10.82%、6.63%,归一化折损累计增益(NDCG)分别提升了14.65%、9.63%,精度(precision)分别提升了10.46%和7.73%。     

基于知识图谱和图注意力的众包任务推荐算法

为解决目前众包任务推荐存在未考虑任务文本信息和数据稀疏的问题,提出一种基于知识图谱与图注意力的众包任务推荐模型。该模型首先利用自然语言处理技术提取任务文本信息中的关键要素,用于丰富图谱信息和缓解数据稀疏性;通过融合用户—任务交互图中的协同信息来构建协同知识图谱,在协同知识图谱中按协同邻居的类型分别运用图注意力网络;为获取用户准确的偏好,聚合邻居信息时按注意力得分从高到低采样固定数目的邻居;最后通过聚合不同类型的协同信息生成用户和任务的嵌入表示并得到交互概率。在构建的众包数据集上进行实验的结果表明,该模型在AUC、精准率、召回率和NDCG四个指标上均优于基线模型,验证了模型的可行性和有效性。