[发明专利]一种基于协同过滤思想的学习者学科总测成绩预测系统及方法有效

专利信息
申请号: 201710454618.9 申请日: 2017-06-15
公开(公告)号: CN107274020B 公开(公告)日: 2020-05-22
发明(设计)人: 余胜泉;卢宇;杨博达;李葆萍 申请(专利权)人: 北京师范大学
主分类号: G06Q10/04 分类号: G06Q10/04;G06Q50/20;G06F16/2458
代理公司: 北京科迪生专利代理有限责任公司 11251 代理人: 杨学明;顾炜
地址: 100875 北*** 国省代码: 北京;11
权利要求书: 查看更多 说明书: 查看更多
摘要: 发明涉及一种基于协同过滤思想的学习者学科总测成绩预测系统及方法,包括:数据采集标注模块、学习者的量化特征提取模块、基于学习者量化特征的相似度向量提取模块、基于相似度向量的成绩预测模块。本发明可以解决对学习者学业成绩的预测问题,适用于一般在线学习平台和系统,也可以应用于实际教学评估和诊断中,为学习者提供个性化的教学服务,提高学习针对性和学习效率。
搜索关键词: 一种 基于 协同 过滤 思想 学习者 学科 成绩 预测 系统 方法
【主权项】:
一种基于协同过滤思想的学习者学科总测成绩预测系统,其特征在于:包括数据采集标注模块、学习者的量化特征提取模块、基于学习者量化特征的相似度向量提取模块和基于相似度向量的成绩预测模块;其中:数据采集标注模块:根据具体学科科目的课程标准,对该学科科目的知识点进行划分,按照学习的时间顺序排列划分知识点;学习者在对每个知识点进行学习后,进行该知识点的水平测试,测试将通过线上电子化课堂或者线下课堂或作业的形式进行,从而收集各知识点对应的测试数据和成绩。测试数据中包括题目本身及题目标注所属的知识点,每一个知识点都包含至少一道以上的测试题目,每个知识点所包含的测试题目数量可以不等;同时,在测试过程中,收集学习者本身的基础数据,包括所在学校及地区;学习者的量化特征提取模块:基于数据采集标注模块中所收集的基础数据,计算学习者i在知识点p的得分率vp:vp=学习者答对的p的题目的数量/p涵盖的题目的数量对每个知识点计算得分率,得到学习者i在每个知识点的能力值Vi={vp|p∈P},此处的P为某一学习过程中知识点p的集合;除此之外,根据项目反映理论,通过整合学习者i对于每个知识点答题情况,得到学习者i在每个知识点的能力值完成所有知识点P的学习者i的成绩测试层面,该学习者对应的特征向量有得分率向量Vi={vp|p∈P}和能力值向量同时,将学习者i的所在的学校、地区的基础数据进行量化,作为补充特征向量Gi,来细化学习者个体区别之间的差异,从而形成多维度特征向量;最终,学习者i的多维度特征向量包括已学习过的知识点的得分率向量Vi,能力值向量以及学习者个体特征向量Gi;基于学习者多维度特征向量的相似度计算模块:根据学习者的量化特征提取模块产生的学习者i的多维度特征Ti,计算Ti与具有相同学习过程的其他学习者j的欧氏距离,从而得到学习者i与其余学习者之间的距离向量{Dij|j∈J},其中J为其余学习者的集合,然后利用高斯函数作为反转函数将学习者i与其余学习者j之间的欧氏距离Dij,转变为学习者i与其余学习者j之间的相似度Sij;基于相似度向量的成绩预测模块:基于学习者多维度特征向量的相似度计算模块中得到的学习者i与其余学习者J之间的相似度向量{Sij|j∈J}。从J个其余学习者中,筛选出前N个与学习者i相似度最高的学习者,JN表示这N个学习者的集合。以学习者i与挑选出的N个学习者的相似度{Sij|j∈JN}作为权重,用N个学习者学业成绩{Yj|j∈JN}进行加权平均,从而预测学习者i的成绩。预测的准确率随着N的变化而变化,在进行预测前需要先根据预测效果调试N的数值。
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京师范大学,未经北京师范大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/patent/201710454618.9/,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top