[发明专利]行为数据的路径寻优方法

说明书

本发明公开了一种行为数据的路径寻优方法，该方法分为两个阶段，第一阶段是训练阶段，在教育大数据下，计算每种学习风格中，每个学习对象中每个学习概念对学习对象的贡献力，以及各个学习概念间的相似度距离；第二阶段是优化阶段，先对当前学习者进行聚类，将其归到相应的学习风格小组中，然后利用改进的人工蜂群算法对学习路径进行优化，寻找最大化学习效果的学习路径。本发明基于大数据研究学习者的学习行为，根据学习风格为学习者提供个性化指导，利用改进的人工蜂群算法对学习路径进行优化，可大大提高学习者的学习效果。

技术领域

本发明涉及路径优化研究领域，特别涉及一种行为数据的路径寻优方法。

背景技术

学习路径是学习活动的路线或者学习知识点的选择序列。学习者在设定学习目标之后，如何确定学习知识点的学习先后顺序是完成学习目标的必要条件。而选择最优的学习路径对于学习目标的完成程度显得尤其重要。

国内外在研究学习路径优化问题上主要针对学习者的个性化、学习风格等给学习者推荐合适的学习路径。例如，陈其晖等人在2008年提出的改进的微粒群算法对学习状态空间的学习路径进行最优化控制，程岩借助蚁群算法提出的基于群体智能的学习路径推荐，国外学者Eugenijus Kurilovas2014年提出根据学者兴趣爱好利用改进的蚁群算法对学习路径进行优化，Chun Fu Lin在提高学生创造力上基于决策树推荐学习路径的方法等。这些方法在一定程度上优化了学习路径，但都是在基于路径选择上做出优化，其目的都是最小化完成学习任务花费的学习时间。而且大部分研究都是在假定学习目标为解决某个问题上提出的优化，而现实很多情况下学习目标的评估不单单是为了解决某个问题，而是学习之后在学习结果上有个总评估，而这些评估有时候不能用解决问题的准确率来衡量。如某学习者选定学习目标进行学习之后，提供一份关于该学习目标的检测题目给学习者，然后根据这份检测题目的准确率去评估学习者的学习效果。这种方法是不全面的，因为该检查题目覆盖的检查范围有限，而且在现有的大部分学习系统中，学习者按照推荐的学习路径学习完之后，系统没有评测环节或者学习者不去自行评测，因此就无法检验学习效果。

因此，研究一种能够在优化学习路径之后也保证学习效果的最大化的路径寻优方法具有重要意义。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种行为数据的路径寻优方法，该方法在大数据下研究学习者的学习行为，利用蜂群算法对学习路径进行优化，寻找最大化学习效果的学习路径推荐给学习者，为学习者提供个性化指导，可大大提高学习者的学习效果。

本发明的目的通过以下的技术方案实现：行为数据的路径寻优方法，包括：

(1)训练阶段：首先在已知教育大数据下，确定样本学习者的学习风格，各个学习概念间的相似度距离，然后计算每种学习风格中，每个学习概念对对应学习对象的贡献力；

(2)优化阶段：包括步骤：

(2-1)基于学习风格模型对当前学习者进行聚类，将当前学习者归到其相应的学习风格小组中；调取训练阶段得到的当前学习风格小组中每个学习概念对对应学习对象的贡献力，以及各个学习概念间的相似度距离；

(2-2)设定当前学习者的起始学习概念C_or和终点学习概念C_I；

(2-3)在C_orr半径内采用人工蜂群算法(Artificial Bee Colony Algorithm,简称ABC算法)，得到最优的学习概念C_{P_max}；

(2-4)判断C_{P_max}是否为终点学习概念C_I，如果是则终止优化，执行步骤(2-5)，否则在C_{P_max}r半径内采用人工蜂群算法继续优化，依次类推，直到到达终点学习概念C_I；