[发明专利]一种基于D-S证据理论的自适应学习路径推荐方法及系统

说明书

本发明涉及自适应学习技术领域，公开了一种基于D‑S证据理论的自适应学习路径推荐方法及系统，包括：从领域知识库中选取单元知识点群中入度为零的元知识点，建立推荐队列，将元知识点作为第一个知识点存入推荐队列；判断推荐队列中元知识点的直接后继结点集合是否为空；获取直接后继结点集合中贡献值最大的知识点；通过D‑S证据理论判断知识点是否可达；按照推荐队列中知识点的排序，输出知识点作为一条推荐的路径。解决了现有技术中通常仅基于一维度的属性对学习者与学习内容进行匹配，或者是静态的属性值匹配，而导致自适应学习系统学习路径推荐准确度低，且无法达到学习路径实时动态推荐的功能的技术问题。

技术领域

本发明涉及自适应学习技术领域，更具体地说，它涉及一种基于D-S证据理论的自适应学习路径推荐方法及系统。

背景技术

自适应学习旨在为不同学习者提供适应性的学习内容和学习路径，达到个性化学习的目的。美国匹兹堡大学信息科学家Peter Brusilovsky于1996年首次提出自适应学习概念，并提出了一个自适应学习系统模型，该模型主要包括领域模型、学生模型、教育学模型、自适应引擎及接口模型。

领域模型(Domain Model，DM)主要通过定义概念的属性以及概念之间的关系来描述学科领域知识的结构；用户模型(User Model，UM)对学习者的知识状态、认知风格及兴趣偏好等信息进行描述，是学习者的个性化特征模型；教育学模型(Pedagogical Model，PM)定义了如何根据用户模型对领域模型进行访问的规则，决定了一个系统如何在特定的时间选择特定的学习内容给特定的学习者；自适应引擎(Adaptive Engine，AE)代表自适应功能的实现部分；在接口模块(Interface Module，IM)学习者与自适应学习系统进行交互，系统通过接口处获得的数据能对学习者的个性化特征进行分析，实时进行双向的更新与反馈，进而对系统进行适应性调整。

其中，学习路径推荐是自适应学习系统教育学模型的核心技术，主要通过学生模型中的学习者特征值与领域模型的知识结构信息及知识点特征值的匹配进行学习内容和学习活动的个性化推荐。

现有的自适应系统中通常使用贝叶斯模型和决策树模型等预测学习者对知识点的达成度，再根据达成度进行学习内容的推荐。而达成度的预测通常仅基于某一维度的属性对学习者与学习内容进行匹配，或者完全是静态的属性值匹配，达成度预测准确度低，且无法达到自适应学习系统要求的实时动态学习路径推荐的功能。

发明内容

针对上述问题，本发明的目的在于提供一种基于D-S证据理论的自适应学习路径推荐方法及系统，利用证据理论具有更好的处理不确定和不知道问题的能力的特点，采用D-S证据理论将学习者知识水平、学习风格及学习力的特征向量转化为三维异构证据，并通过证据融合，达到更准确预测学习者对某知识点的达成度的目的，继而可进行更契合学习者个性化特征的学习路径推荐。另外，由于学习者特征及知识点特征的实时动态性，该方法具有学习路径动态实时推荐的优点。

本发明的上述发明目的是通过以下技术方案得以实现的：

学习路径推荐是自适应学习系统实现个性化学习的关键部分，主要基于学生模型中的学习者特征值与领域模型的知识结构信息及知识点特征值进行学习内容和学习活动的自适应匹配和推荐。本发明对学习路径的推荐主要考虑知识图谱中知识点的贡献度及学习达成度两个因素，将某个知识单元的知识图谱看做有向无环图，具体包括一种基于D-S证据理论的自适应学习路径推荐方法，包括以下步骤：

S1：从领域知识库中选取待推荐单元知识点群，所述单元知识点群包括若干个单元知识点，且所述若干个单元知识点以知识图谱拓扑结构存储；

S2：基于知识点贡献度和知识点学习可达度从所述单元知识点群中选取符合要求的知识点，并将选取的所述知识点按序存储于推荐队列中；

S3：将所述推荐队列中的各所述知识点形成所述待推荐单元知识点群的学习路径。