基于粒子群优化算法的学习资源推荐方法

针对学习者的能力、学习目标、学习时间的个别差异,提出以粒子群优化（PSO）算法为基础的学习资源推荐方法,提供每位学习者个性化的数字课程。综合概念图和知识结构相关理论构建知识点网络结构图,运用项目反应理论（IRT）分析不同学习者的学习目标和能力程度,再应用PSO算法从多样性的学习资源中挑选学习内容,形成个性化的课程推荐给学生。初始化粒子时考虑学习者的学习时间上下限,过滤掉一些不必要的粒子来提高算法效率,在确定最优解位置时,使用Sigmoid函数修正粒子更新速度,保证其在有效范围内。实验结果表明,随着迭代次数增加,所推荐的内容与学习者预定目标差异为0,挑选出的课程与学习者能力差异为0.6,整体差异为0.25,说明所使用的方法具有较好的收敛性,推荐的学习资源能够满足学习者要求。     

基于知识图谱和图嵌入的个性化学习资源推荐

面对海量的在线学习资源,学习者往往面临“信息过载”和“信息迷航”等问题,帮助学习者高效准确地获取适合自己的学习资源来提升学习效果,已成为研究热点.针对现有方法存在的可解释性差、推荐效率和准确度不足等问题,提出了一种基于知识图谱和图嵌入的个性化学习资源推荐方法,它基于在线学习通用本体模型构建在线学习环境知识图谱,利用图嵌入算法对知识图谱进行训练,以优化学习资源推荐中的图计算效率.基于学习者的学习风格特征进行聚类来优化学习者的资源兴趣度,以获得排序后的学习资源推荐结果.实验结果表明,相对于现有方法,所提方法能在大规模图数据场景下显著提升计算效率和个性化学习资源推荐的准确度.     

协作学习中基于协同过滤的学习资源推荐研究

符合学习者特征的学习资源对于提高协作学习效率具有重要的影响。但是传统的学习资源推荐,没有充分考虑学习者、学习资源的特征和高效的推荐算法。针对上述问题,提出了基于协同过滤的学习资源推荐算法,根据学习者学习特征、学习资源特征和学习者对学习资源历史评价信息,采用协同过滤推荐算法,实现学习资源推荐。首先,通过学习者特征和学习资源的评分,寻找相似学习者并计算学习资源预测评分,然后根据该评分值和学习资源与学习者匹配度推荐学习资源,从而为学习者推荐符合自己兴趣爱好最合适的学习资源。实验结果表明该算法在个性化学习资源推荐的准确性上优于传统算法。     

个性化小学英语学习系统的设计与实现

针对目前资源学习系统缺乏个性化导致小学英语学习者的资源选择迷航问题,构建以个性化资源组织为核心的学习系统。通过纪录用户信息和个性化学习行为,建立小学英语学习者信息模型;以知识点标注的方式描述英语学习资源,建立学习资源库;运用学习偏好算法和学习水平算法计算学习者偏好,采用新型智能推荐技术,向用户推荐个性化的学习资源。通过原型系统运行实例,其结果验证了个性化学习和智能推荐的有效性。     

基于学习风格的个性化自适应资源推荐算法研究

个性化自适应资源推荐是以学习者为中心、以人工智能和大数据技术为基础,模拟人类思维进行学习资源推荐的过程。论文在分析学习者和资源学习风格的基础上,分别构建学习者模型和资源模型,运用基于学习风格过滤推荐算法、协同过滤推荐算法、关联规则推荐算法,展开个性化自适应资源推荐研究。研究结果表明,以学习风格为基础的混合式自适应推荐的结果,更贴合学习者的个性化学习需求。     

基于主题学习的学习伙伴推荐算法

学习伙伴是开放虚拟学习社区的重要资源,学习伙伴中的助学者可以帮助普通学习者克服学习障碍,相互提高沟通交流能力。在构建出基于本体的知识库后,综合学习者的兴趣、认知和热心度特征,提出了一种基于主题学习的学习伙伴推荐算法。实验结果表明,学习者在提供学习经历后,算法可以计算出它与其他学习者之间的伙伴评分,评分差异较好反映了真实学习环境中的最佳学习伙伴经验,有效地提高了开放虚拟学习社区构建的个性化和智能化,从而提升开放学习社区中学习者的学习效率和效果。     

基于行为序列分析的学习资源推荐算法研究

利用数据挖掘技术分析网络学习行为数据可以挖掘出其隐含的行为规律特征,为学习者提供个性化的学习资源服务。针对现有的数据挖掘算法在对网络学习行为数据进行分析时普遍存在模型适用性不高的问题,提出了一种基于行为序列分析的学习资源推荐算法。首先,提出行为序列及其相关概念的定义,并提出行为序列相似度计算方法;然后提出基于行为序列相似度的协同过滤推荐算法,计算学习者相似度并为待推荐学习者生成学习资源推荐列表;接着给出基于学习风格的推荐方法,将学习者学习风格特征融入推荐过程;最后,给出基于行为序列分析的学习资源推荐算法的模型。提出的算法没有对行为序列的模式进行限制,具有较高的适用性,对深入研究网络学习行为序列数据为学习者提供个性化学习服务具有一定的借鉴作用。     

基于兴趣特征向量的端对端仿真学习社区研究

为了正确分类远程教育环境中具有相同学习兴趣的学习者,提出了一个基于学习者兴趣特征向量的端对端自适应仿真学习社区构建算法.算法着眼于一个开放的分布式仿真学习环境,在一个端对端的系统框架下,赋予每个学习者一个学习兴趣向量,并通过模拟学习者之间相互推荐学习资料来对学习者进行分组.仿真实验结果表明:经过一段学习者之间关系调整的时间,算法能显著提高学习资源推荐的正确率,提高学习者的满意度.所以,算法很合适应用于远程学习社区的构建.     

基于情境感知的学习资源个性化推荐机制研究

面对海量的学习资源,如何为学习者推荐与情境相匹配的学习资源是亟需解决的问题.文章在详细描述学习资源个性化推荐情境要素的基础上,构建了包含情境感知层、资源管理层、学习诊断层、个性推荐层及学习者界面的学习资源个性化推荐系统,并阐述了系统的推荐流程及实现.在情境感知理论的基础上,构建以情境感知技术为核心的学习资源个性化推荐系...     

基于阶段衍变双向自均衡的个性化学习资源推荐方法

针对现有个性化学习资源推荐方法存在推荐模型单一、速度较慢和匹配度不高等问题,文中提出基于阶段衍变双向自均衡的个性化学习资源推荐方法.首先构建基于阶段衍变双向自均衡的学习资源推荐模型,完善资源推荐特征参数化表示与适应度函数构建.然后采用基于进化状态判定的模糊自适应二进制粒子群优化算法求解模型.实验表明,相比采用经典算法的推荐方法,文中方法推荐的学习资源序列匹配度更高,推荐速度更快.     

基于多维信息特征映射模型的在线学习路径优化方法

针对目前在线学习路径优化方法存在学习路径与学习者匹配度不高的问题,首先构建在线学习路径的多维信息特征映射模型(MIFMM),该模型根据学习者与学习资源的多维信息特征建立,融合了kolb学习风格和学习资源类型信息;然后设计双映射二进制粒子群优化算法(DMBPSO),DMBPSO算法根据进化因子ef将学习路径推荐过程分为收敛和跳出局部最优两种进化状态,采用与进化状态特征相匹配的映射函数选择策略,并对惯性权重进行动态非线性调整,提高学习路径推荐性能;接着将MIFMM模型与DMBPSO算法相融合提出基于多维信息特征映射模型的在线学习路径优化方法(MIFMM-POA);最后将MIFMM-POA方法与其他4种粒子群算法为核心的学习路径优化方法相比较,从寻优精度、寻优过程与寻优时间3个角度进行分析,实验表明MIFMM-POA方法是优化学习路径的有效方法.     

基于认知诊断的协同过滤试题推荐

针对协同过滤忽略了学习者的知识点掌握情况（学习状态）,对个性化教育试题推荐中运用的协同过滤算法进行了一定改进研究,该推荐算法分为三个步骤：（1）结合认知诊断模型,对学习者所练习题目中反映的知识点掌握情况进行建模分析;（2）利用协同过滤算法,结合学习者的知识点掌握情况,来对学习者的表现情况进行相似度分析;（3）根据相似用户的历史行为数据和目标用户的知识点掌握状态,针对学习者的近邻用户进行试题推荐.该推荐办法借鉴了群体相似学习者的共性,也考虑到了个体学习者的独特性,结合二者来对学习者进行个性化试题推荐,保证了试题推荐的准确性和性能,在个性化教育系统中,结合认知诊断改进了原有的协同过滤算法来对试题做出推荐.     

一种面向学习路径推荐的知识网络构建方法

随着在线教育的迅速发展,互联网上的教学资源数量也呈现出快速增长的趋势。针对当前在线学习平台普遍存在着教学资源内容重复、人们难以辨别与选择,导致学习者很难应用这些资源构建适合自己的学习路径的问题,提出一种面向学习路径推荐的领域知识网络构建方法。通过对每个学习对象的预备知识与目标知识进行社会标注,构建相应的领域知识网络,然后,运用弗洛伊德算法计算领域知识网络里任意两个知识点间的最短路径,为学习路径推荐提供基础。     

个性化学习路径推荐综述

近年来，伴随着现代信息技术的迅猛发展，以人工智能为代表的新兴技术在教育领域得到了广泛应用，引发了学习理念和方式的深刻变革.在这种大背景下，在线学习超越了时空的限制，为学习者“随时随地”学习提供了更多的可能性，从而得到了蓬勃发展.然而，在线学习中师生时间、空间分离的特征，导致教师无法及时掌握学生的学习状态，一定程度上制约了在线学习中教学质量的提升.面对多元化的学习需求及海量学习资源，如何迅速完成学习目标、降低学习成本、合理分配学习资源等问题成为限制个人和时代发展的重大问题.然而，传统的“一刀切”的教育模式已经不能满足人们获取知识的需求了，需要一个更高效、更科学的个性化教育模式，以帮助学习者以最小的学习成本最大限度地完成学习目标.基于以上背景，如何自动高效识别学习者特征，高效地组织和分配学习资源，为每一位学习者规划个性化路径，成为面向个体的精准化教育资源匹配机制研究中亟待解决的问题.系统地综述并分析了当前个性化学习路径推荐的研究现状，并从多学科领域的角度分析了对于同一问题的不同研究思路，同时也归纳总结了当前研究中最为主流的核心推荐算法.最后，强调当前研究存在的主要不足之处.     

面向智能教育的自适应学习关键技术与应用

本文是关于我们获得2020年度吴文俊人工智能科学技术奖主要工作的一个介绍。该成果针对自适应学习中面临的教学资源表示困难、学习状态诊断困难以及学习策略设计困难等关键技术难题,首先构建数据驱动的教学资源无监督表示新框架,提高了教学资源质量评估和内容检索的精度和效率。其次提出基于深度学习的学习者认知诊断新方法,突破了以量表为基础的教育测量理论研究范式。然后设计基于知识匹配的个性化推荐技术以及多目标匹配的自适应推荐技术,满足了智能教育场景的复杂约束与学习者的多样目标需求。最后,本文成果研发了面向基础教育的智能教育系统——智学网,已在全国推广使用,对我国智能教育发展具有积极意义。     

e‐Learning recommender system for a group of learners based on the unified learner profile approach

In the age of information explosion, e‐learning recommender systems (eL_RSs) have emerged as effective information filtering techniques that attempt to provide the most appropriate learning resources for learners while using e‐learning systems. These learners are differentiated on the basis of their learning styles, goals, knowledge levels and others. Several attempts have been made in the past to design eL_RSs to recommend resources to individuals; however, an investigation of recommendations to a group of learners in e‐learning is still in its infancy. In this paper, we focus on the problem of recommending resources to a group of learners rather than to an individual. The major challenge in group recommendation is how to merge the individual preferences of different learners that form a group and extract a pseudo unified learner profile (ULP) that closely reflects the preferences of all learners. Firstly, we propose a profile merging scheme for the ULP by utilizing learning styles, knowledge levels and ratings of learners in a group. Thereafter, a collaborative approach is proposed based on the ULP for effective group recommendations. Experimental results are presented to demonstrate the effectiveness of the proposed group recommendation strategy for e‐learning.     

Knowledge-based recommendation: a review of ontology-based recommender systems for e-learning

Recommender systems in e-learning domain play an important role in assisting the learners to find useful and relevant learning materials that meet their learning needs. Personalized intelligent agents and recommender systems have been widely accepted as solutions towards overcoming information retrieval challenges by learners arising from information overload. Use of ontology for knowledge representation in knowledge-based recommender systems for e-learning has become an interesting research area. In knowledge-based recommendation for e-learning resources, ontology is used to represent knowledge about the learner and learning resources. Although a number of review studies have been carried out in the area of recommender systems, there are still gaps and deficiencies in the comprehensive literature review and survey in the specific area of ontology-based recommendation for e-learning. In this paper, we present a review of literature on ontology-based recommenders for e-learning. First, we analyze and classify the journal papers that were published from 2005 to 2014 in the field of ontology-based recommendation for e-learning. Secondly, we categorize the different recommendation techniques used by ontology-based e-learning recommenders. Thirdly, we categorize the knowledge representation technique, ontology type and ontology representation language used by ontology-based recommender systems, as well as types of learning resources recommended by e-learning recommenders. Lastly, we discuss the future trends of this recommendation approach in the context of e-learning. This study shows that use of ontology for knowledge representation in e-learning recommender systems can improve the quality of recommendations. It was also evident that hybridization of knowledge-based recommendation with other recommendation techniques can enhance the effectiveness of e-learning recommenders.     

System of Information Systems to support learners (a case study at the University of Technology of Compiègne)

ABSTRACT

Working with Information and Communications Technologies (ICT) is challenging, especially for learners, as ICT control most of their work environment. These learners need to be supported with solutions that are up-to-date with the technological challenges, and can keep up with the fast-paced evolving ICT. Acquiring new knowledge is important for the progress of learners, but it is getting harder to obtain with the overwhelming amount of resources produced by many Information Systems (ISs) in the learning environment. In order to help learners manage resources, we are following the approach of System of Information Systems (SoIS) to support learners. The SoIS gives the opportunity to explore how individual and organisational learning can be enhanced through a combination of different ISs in the learning environment. In this context, we look into the orchestration of SoIS that can provide the ability to index, share, annotate, and recommend important resources in the learning environment. In that sense, this paper presents the approach of SoIS to support learners with a case study at the University of Technology of Compiègne.     

融入学习者模型在线学习资源协同过滤推荐方法

在线教育存在“信息迷航”问题,而传统的信息推荐方法往往忽视教育的主体—学习者的特征。本文依据教育教学理论,根据在线教育平台中的学习者相关数据,研究构建了适用于在线学习资源个性化推荐的学习者模型。以协同过滤推荐方法为切入点,融合学习者模型中的静态特征和动态特征对协同过滤方法进行改进,建立融入学习者模型的在线学习资源协同过滤推荐方法。以2020年3~7月时间段的东北石油大学“C程序设计”课程学生的真实学习数据和行为数据为数据集,对本文提出的方法进行验证和对比,最后证明本文提出的方法在性能上均优于对比方法。