基于知识图谱的个性化学习过程的自动生成方法及系统.pdf

上传人:zhu****_FC 文档编号:6020312 上传时间:2019-04-03 格式:PDF 页数:29 大小:2.52MB
返回 下载 相关 举报
摘要
申请专利号:

CN201611169952.1

申请日:

2016.12.16

公开号:

CN106777127A

公开日:

2017.05.31

当前法律状态:

实审

有效性:

审中

法律详情:

实质审查的生效IPC(主分类):G06F 17/30申请日:20161216|||公开

IPC分类号:

G06F17/30; G06Q10/04(2012.01)I; G06Q50/20(2012.01)I

主分类号:

G06F17/30

申请人:

中山大学

发明人:

孙雪冬

地址:

510275 广东省广州市海珠区新港西路135号

优先权:

专利代理机构:

广州新诺专利商标事务所有限公司 44100

代理人:

张玲春

PDF下载: PDF下载
内容摘要

本发明公开了一种基于知识图谱的个性化学习过程的自动生成方法及系统。该方法在有向超图描述的个性化知识图谱的基础上,利用知识元和学习活动之间的关系,根据学习者的学习性能目标、学习能力、学习习惯和学习方式等个性化特点自动生成相应的学习过程框架;基于此框架,根据学习者的特点、活动所学知识元及活动类别自动生成活动所有可能的支持资源;利用学习资源、学习者和学习活动属性的关系,活动属性与过程属性之间的关系以及学习者的个性化目标,进行过程结构和学习资源的优选,生成优化的学习过程。该方法能自动地生成大型个性化学习过程;该方法用于根据学习者的具体情况进行学习过程结构与学习资源的优选,从总体的角度对学习进行分析优化。此外,本发明的研究成果也是进一步个性化学习方案制定的基础。

权利要求书

1.一种基于知识图谱的个性化学习过程的自动生成方法,其特征在于,包括以下步骤:
步骤1,进行相关建模,其中包括:基于知识的学习者描述,基于有向超图的学习内容描
述,基于有向超图的学习过程描述,基于知识的资源分类描述;
步骤2,由知识图谱向通用学习过程框架的映射,包括:知识元向活动的映射,知识元之
间的逻辑关系向活动之间逻辑关系的映射;开始知识元和目标知识元的处理;
步骤3,过程模型的个性化处理,根据学习者的学习习惯、学习能力进行相应的处理;
步骤4,可能支持资源的生成;根据活动所处理的知识元、学习者的类别、资源所包含的
知识元以及资源的类别生成活动可能的支持资源。
步骤5,建立活动属性、学习者、学习资源之间的关系模型;根据活动属性与过程属性之
间的关系及学习者的性能目标,利用遗传算法进行活动与资源的优选,生成相对于学习者
的个性化的优化的学习过程。
步骤6,监测资源环境及学习者本身,若二者任一出现变化时,则进行相关性判断以及
相应处理。
2.根据权利要求1所述的基于知识图谱的个性化学习过程的自动生成方法,该方法的
主要思想是利用比较稳定的、容易获得的知识图谱、学习者模型以及学习资源模型自动生
成个性化的学习过程模型,其特征在于,具体包括以下步骤:
步骤1,进行相关建模:
该建模具体包括个性化学习内容建模、学习者建模、学习资源建模,过程模型描述,获
得相应的学习内容模型、学习过程模型、学习者模型和学习资源模型,其中学习者模型包括
个性化学习内容和个性化学习过程,个性化学习内容为已知,个性化学习过程模型为本发
明所要自动生成部分;
步骤2,由知识图谱向通用学习过程框架的映射;
根据实际的学习情况,在进行分析之前,我们做了如下的假设:
假设1:对于存在前序后序关系的两个知识元,学习者只有掌握的前面的知识元才能学
习后序的知识元;
假设2:如果学习者掌握了一个知识元,这就意味着掌握了从开始知识元到该知识元的
某条路径上的所有知识元。
基于上述的假设,我们将给出知识模型向过程模型的映射规则。
知识模型向学习过程映射:对于一个知识模型KHM,其知识元集为KV,对于kej∈KV,
使得ai=f(kei),aj=f(kej),且<kei,kej>=<ai,aj>,其中ai,aj∈PLM,PLM为过程模型。
上述规则还可用于模型间的一致性检查。此时的学习过程,由于没有考虑具体的学习
者,我们称作通用过程框架;
步骤3,过程框架的个性化处理:
对于同一组知识元,不同的学习者可能采取不同的学习方式进行学习,例如,有的学习
者希望学完每个知识元后都进行测验,只有通过测验之后再进行下一个知识元的学习,否
则,要返回重新学习该知识元;而有的学习者就希望学习多个知识元之后进行、测验。同样,
对于同一知识元的学习,有的学习者希望独立完成学习,而有一些学习者希望和他人讨论
来完成学习;因此,相应的映射也需要考虑学习者的具体情况;考虑到学习者学习习惯、学
习方式和学习能力的映射规则可以描述为:
知识模型向学习过程个性化映射:给定知识模型KHM和学习者模型UM,对于
使得f(kmi,leri)∈LPM,其中,LPM为学习过程模型,f为单射;
在通用过程框架的基础上,考虑学习者具体的学习习惯和学习方式,生成针对某学习
者的学习过程,因为此时没有生成学习者所用的资源,所以我们称此时的过程模型为个性
化过程框架;
步骤4,活动可能支持资源的生成:
学习过程的执行需要资源的支持,学习者只有选择了恰当、合理的资源才能进行有效
的学习,对于一个资源只有包含了活动要学习的知识元,才能支持该活动;此外,对于同一
个学习活动,不同类型的学习者会选用不同的学习资源,例如,如果该学习者有视觉障碍,
在进行学习资源选择时,应尽量选择听力相关的资源;如果听觉有障碍,可以选择视频资源
等;因此,可以通过规则生成活动个性化的可能的支持资源;
在网络环境下可能存在着大量的学习资源,对于任意一个学习过程,如果直接利用上
述的规则,根据学习者的类型和知识背景进行学习资源的选择,它的工作量是非常巨大,为
了减少求解的计算量,我们首先根据资源的类型和所包含的知识元对资源进行分类;
步骤5,资源的优选:
1)优化指标的选择:
进行资源的优选,首先要明确优化的指标。学习活动有多种属性,这里我们拟主要讨论
三种常用活动属性:学习时间(T)、学习质量(Q)以及学习成本(C);
2)建立活动属性、学习者、学习资源之间的关系模型;
在学习过程的优化求解过程中,我们主要关注学习活动属性的定义以及根据学习过程
之间关系的特点进行相应处理;
在相同的知识学习过程中,不同的学习者即使采用相同的学习资源,其学习所用时间
和学习质量可能不同;相同的学习者采用不同的学习资源,学习时间和学习质量也不尽相
同;此外,学习的质量通常与学习所用时间有关,所花时间越多,所获的质量越好。结合实际
的学习,我们拟对活动属性进行如下定义:
对于一个学习者lerl,学习过程中的一个活动acti,活动acti可能的支持资源为:SRSeti
={sri1,sri2,...,},当lerl选用不同的学习资源时,完成活动acti的时间、成本和质量为:
<mrow> <msub> <mi>T</mi> <mi>i</mi> </msub> <mo>=</mo> <msubsup> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>n</mi> <mi>i</mi> </msub> </msubsup> <mi>&delta;</mi> <mo>&CenterDot;</mo> <msub> <mi>ATX</mi> <mrow> <mi>l</mi> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mo>,</mo> </mrow>
<mrow> <msub> <mi>C</mi> <mi>i</mi> </msub> <mo>=</mo> <msubsup> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>n</mi> <mi>i</mi> </msub> </msubsup> <mi>&delta;</mi> <mo>&CenterDot;</mo> <msub> <mi>ACX</mi> <mrow> <mi>l</mi> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mo>,</mo> </mrow>
<mrow> <msub> <mi>Q</mi> <mi>i</mi> </msub> <mo>=</mo> <msubsup> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>n</mi> <mi>i</mi> </msub> </msubsup> <mi>&delta;</mi> <mo>&CenterDot;</mo> <msub> <mi>AQX</mi> <mrow> <mi>l</mi> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mo>,</mo> </mrow>
其中,AQXlik,ATXlik,ACXlik是学习者lerl使用学习资源srik的活动属性,δik∈{0,1},并
且当活动acti的支持资源为srik,δik=1,否则δik=0;
通常情况下,具有不同能力的学习者为了获得同样的学习质量所花的时间不同,能力
越强花的时间越少,而能力弱的花的时间要相对多些,这里我们假设一个活动所用时间与
学习者的能力成反比,
AVTlik=srk.AVT*(srk.CapLev/lerl.CapLev),
其中,srk.AVT是srk,的平均时间,srk.CapLev是srk的平均能力水平,lerl.CapLev是
lerl的平均能力水平;
这里,我们规定lerl所用的时间是以0为最小值,AVTlik为峰值的正态分布函数,即:
ATXlik∈[0,2*AVTlik],
对于一个学习者,用同样的资源,当他花不同的时间学习时,学习的质量不同,通常情
况是花的时间越多,学习的质量越高。因此我们定义活动的质量与学习者所花的时间成正
比;
AQXlik=(lerl.CapLel/srk.CapLev)*(srk.AVQ/srk.AVT)*ATXlik,
ACXlik=k*srk.AVC,
<mrow> <mi>k</mi> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mn>1</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>w</mi> <mi>h</mi> <mi>e</mi> <mi>n</mi> <mi> </mi> <msub> <mi>ACX</mi> <mrow> <mi>l</mi> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mi>i</mi> <mi>s</mi> <mi> </mi> <mi>i</mi> <mi>r</mi> <mi>r</mi> <mi>e</mi> <mi>l</mi> <mi>e</mi> <mi>v</mi> <mi>a</mi> <mi>n</mi> <mi>t</mi> <mi> </mi> <mi>t</mi> <mi>o</mi> <mi> </mi> <mi>t</mi> <mi>i</mi> <mi>m</mi> <mi>e</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>ATX</mi> <mrow> <mi>l</mi> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>w</mi> <mi>h</mi> <mi>e</mi> <mi>n</mi> <mi> </mi> <msub> <mi>ACX</mi> <mrow> <mi>l</mi> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mi>i</mi> <mi>s</mi> <mi> </mi> <mi>r</mi> <mi>e</mi> <mi>l</mi> <mi>e</mi> <mi>v</mi> <mi>a</mi> <mi>n</mi> <mi>t</mi> <mi> </mi> <mi>t</mi> <mi>o</mi> <mi> </mi> <mi>t</mi> <mi>i</mi> <mi>m</mi> <mi>e</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
其中,sri.AVQ,和sri.AVC表示sri相应的属性;
3)过程属性与活动属性的关系,学习过程的指标参数按照以下方式得出:
OBJT是过程所包含活动的时间的总和,由于学习内容为优选之后的必学习内容,因此,
学习过程的总时间计算可以表示为:
其中ti是执行ai所用的时间。
OBJQ由所包含的活动的质量决定,其计算可以表示为:
其中qi是ai的质量,wi为ai对过程的质量影响因子,
OBJC由所包含的活动成本决定,而活动成本又等于学习资源的成本。因此,OBJC可以由
下面的等式来计算:
其中ci是ai的资源成本;
根据学习者的非功能性目标,进行学习资源的优化求解,得到学习过程和学习资源都
优化的学习计划;
4)优化求解
利用遗传算法,根据学习者的性能目标,利用活动属性与资源属性及学习者、活动属性
与过程属性之间的关系,来进行活动与资源的优选。生成相对于学习者的个性化的优化的
学习过程;
步骤6,监测学习内容、学习习惯和资源环境,若三者任一出现变化时,则进行相关性判
断以及相应处理:
1)当监测到学习内容发生变化时,先对变化后的学习内容与原学习内容的相关性进行
判断,找到相关的学习内容,并进行相应的处理;
①改变后的学习内容和原内容的相关性判断按照如下方式进行:
给定一个学习者,其原学习内容为知识元集LCKEi,改变后的学习内容为知识元集
LCKEj,如果则变化的学习内容与原学习内同不相关;如果
则变化的学习内容与原学习内同相关;
②相应的处理按以下方式进行:
如果变化后的学习内容与原过程不相关,则对新学习内容依据步骤1到步骤5进行处
理;
如果变化后的学习内容与原过程相关,则根据原过程的执行情况对新学习内容进行处
理,如果相关内容已经完成学习,则在新内容中去掉该学习内容,并对处理后的学习内容依
据步骤1到步骤5进行处理。
2)当监测到学习习惯发生变化时,根据原过程的执行情况进行相应的处理;
当学习习惯发生变化时,首先判断原过程的执行情况,之后,在原学习内容中去掉已学
习的内容,之后对剩余的内容,依据步骤2到步骤5进行处理;
3)当监测到资源环境发生变化时,先对变化的资源环境与学习过程的相关性进行判
断,对于相关的资源,根据过程的执行情况,进行相应的处理。
3.根据权利要求2所述的基于知识图谱的个性化学习过程的自动生成方法,其特征在
于:步骤1的具体建模过程为:
1)学习内容建模:
根据知识元之间的逻辑关系及有向超图的性质,采用有向超图对相关知识进行建模;
根据分析问题的需要,并借鉴课堂教学中知识元的表述,根据知识元间的聚集程度,在进行
知识建模时,加入知识单元描述,可以是课程,也可以是学科领域等,我们把这个模型称为
个性化知识图谱,可形式化描述为:PKHM=(KV,KE),KE=(UKE,IE,BE),其中KHM为知识模
型,KV为超图模型中的节点,表示模型中的知识元;KE为超图模型中的边,UKE为知识单元,
表示课程或领域,内部包含的节点为知识单元内包含的知识元;IE表示课程内部知识元之
间的依赖关系,超边表示逻辑“AND”,不同的边描述逻辑“XOR”,可选其中的一边;BE表示不
同知识单元之间的知识元之间的依赖关系,可用做知识背景关系描述;
2)学习者建模
主要包括学习者的类别(是正常的人群还是有缺陷的人群)、学习目标、学习背景、学习
习惯、学习能力,学习内容(包含学习路径)以及与之相对应的学习过程,相应的学习者模型
为:UM=(Type,UO,BK,LC,LP,LR),其中,UM是用户模型,Type为学习者类型;UO是学习目标,
它又分为非功能性目标NFO和功能性目标FO,即UO=(NFO,FO),FO={ki|i=1,…,n},ki是实
现功能性目标FO所用到的知识元;BK是相对UO的学习背景,BK={kj|j=1,…,n},kj是背景
知识,由过程模型推出;LC为个性化学习内容;LP是给出了相关学习资源的学习过程。LR是
学习者达到学习目标用到的资源;
3)学习资源建模
为了降低求解的复杂度,我们对资源进行了分类组织,相应的模型为RCM;对于给定的
资源,其类型已定、学习方式已定,里面包含的知识元以及知识元的讲解顺序已定;因此,我
们用资源类型、包含的知识元以及知识元之间的关系对资源进行描述;此外,根据分析问题
的需要,我们对资源的平均学习时间、使用成本以及质量等属性进行了描述,可以形式化描
述为:RCM=(Con,PR,SRSet,D,R),其中,Con为资源分类所在的环境,PR为父类资源,SRSet
为子类资源集,D为分类器,R为分类规则,假设ResSet表示资源实体集,那么,对于
可以描述为:(Type,KESet,T,C,Q,…),Type为资源类型,KESet为资源所包
含的知识元,KESet={kei|i=1,…,n},kei为知识元,T为资源平均时间,C为资源的平均成
本,Q为资源的平均质量;
4)学习过程描述
利用有向超图对学习过程进行描述,该模型可形式化描述为:LPM=(AV,IOE),其中LPM
为学习过程模型.AV为模型中的节点,代表活动,AV=(ID,Name,Type,KE,SR,LNER),其中,
Type为活动类型,可为:学习活动、循环活动、哑元活动、复习活动、测试活动,学习活动可以
再细分:自学、与人讨论活动、需要实验设备支持…;KE为活动处理的知识元;SR为活动的支
持资源;LNER为活动的学习者;IOE为模型中的边,表示活动的输入、输出,IOE=(ID,Name,
FAct,TAct,…),FAct表示边的"from"活动节点,TAct表示“to”的活动节点。我们用超边描
述输入的“AND”逻辑;用不同的边描述不同的输入和输出;
学习的目的是获得学习资源中的知识元,学习资源在活动执行的前后不发生变化,活
动输出的知识元是输入知识元和资源中包含的活动资源需求知识元之和(资源中的知识元
既包括活动资源需求知识元也包括非活动资源需求知识元);并且,一个活动当满足最小输
入需求是可行的,则包含该输入需求的输入亦可行;
对于学习过程p,在其用于个性化优化的超图模型中,其活动集为AV,对于如果
其输入(I),输出(O),服务资源(SR),以及学习者(LNR)都用知识元来描述,那么过程属性可
以描述如下:
1)和且SRb=SRa,其中,SRb和SRa表示活动执行前后的服务资源。
2)如果并且那么且O-I=Oe-Ie,其中,表示在资源R
的支持下输入I可以产生输出O。
4.根据权利要求2所述的基于知识图谱的个性化学习过程的自动生成方法,其特征在
于:步骤2中,所述知识模型与过程模型不完全同构;知识模型有多个开始节点、多个目标节
点;而过程模型只有一个开始节点,可能有多个结束点;虽然两种模型都有可能有多个结束
节点;但多个目标节点不等同于多个结束活动节点;在过程模型中,具体的结束节点是由具
体执行情况来确定,也就是这些结束节点是“XOR”关系;而在知识模型中的目标节点,表示
这些知识元都是学习者要掌握的,也就是这些结束节点为逻辑或的关系,正是因为知识模
型和过程模型的不完全同构性,在进行映射时,需要进行相应的处理;
开始知识元的判定:在基于有向超图的知识图谱中,如果一个知识元,它的直接前序知
识元为空或者包含在学习者的背景知识中,则该知识元为开始知识元;
开始知识元的处理:在映射生成的过程模型框架中,我们在过程模型的开始知识元对
应的活动之前加一个路由活动,这个活动没有任何意义,只起一个逻辑路由的作用,并且所
有开始知识元对应的活动连接到该节点,并且该活动的输出逻辑为“与”;
目标知识元的判定:在基于有向超图的知识图谱中,如果一个知识元,它只有直接前序
知识元,后序知识元为空,则该知识元为目标知识元;
目标知识元的处理:在映射生成的过程模型框架中,我们在过程模型中与目标知识元
对应的活动之后加一个路由活动,这个活动没有任何意义,只起一个逻辑路由的作用,并且
所有目标节点对应的活动连接到该节点,并且该活动的输入逻辑为“与”,即当所有活动都
到达时才结束。
5.根据权利要求2所述的基于知识图谱的个性化学习过程的自动生成方法,其特征在
于:步骤4中,活动可能支持资源生成:给定过程模型PLM,知识模型为KHM,相应的节点集分
别为AV和KV,对于kei∈KV,<ai,kei>;对于一个学习者ui,如果
且则resi∈SR(ai),其中,RCM为资源模型,KE
(resi)为resi包含的知识元,TP(resi)和TP(ui)分别为resi和ui的类型,SR(ai)为ai的支持资
源集。
6.根据权利要求2所述的基于知识图谱的个性化学习过程的自动生成方法,其特征在
于:步骤6中,还包括步骤:
①资源和过程的相关性判断按照如下方式进行:
给定一个资源r,其包含的知识元为Kr,一个过程p,其输出知识元为Kp,如果
则该资源与这个过程相关;
②相应的处理按以下方式进行:
给定一个过程p以及一个相关资源r,如果p中与r相关的活动为RASet,对于任意
如果改变资源r时,该活动已执行完,则资源变化对该活动没有影响,否则,对该
活动进行相应支持资源修改。
7.一种基于知识图谱的个性化学习过程的自动生成系统,其特征在于:所述系统包括
三层结构,分别是建模层、分析层及数据库层;其中,
所述建模层包括:学习者建模模块、学习内容建模模块、学习过程建模模块、学习资源
建模模块;
所述分析层包括:模型库管理工具、模型转换和一致性检查工具、学习过程生成工具、
学习过程的解释执行工具、反馈信息处理工具、试题库管理工具;
所述数据库层包括模型数据库和试题库;
其中,所述建模层的各个模块分别通过分析层的各个工具与数据库层进行交互。

说明书

基于知识图谱的个性化学习过程的自动生成方法及系统

技术领域

本发明涉及信息与网络技术领域,具体涉及一种基于知识图谱的个性化学习过程
的自动生成方法及系统。

背景技术

随着计算机、网络等技术的发展以及电子教学资源的日益丰富,教学过程正在发
生巨大变化,正在从传统的以教师的教为主导的教学过程转向为以学生为中心的、以学生
主动学习为主的教学过程。若要实现既能充分发挥新教学技术所支持的新教学过程的优
势,又能防止学生在学习过程中迷航的目标,就需要解决:“如何根据学习者的具体情况及
其所处的资源环境状况,从长远、发展的角度为其学习制定个性化的、优化的学习方案”这
一难题。

由于学习过程是连接学习者、学习资源和所学知识的纽带,并且能够打破时间和
空间的界限,因此,通过对学习过程进行分析、优化能够使学习得到全面、长远的优化;而进
行学习过程的分析与优化,建立学习过程模型是基础。

关于过程建模研究,由于学习本身所具有的复杂性:不同的学习者在不同的资源
环境下,对于同一组知识元的学习过程不同。在进行过程描述时,既要考虑到过程的活动构
成、还需要考虑到相关的资源环境以及学习者的类型、能力、学习方式、学习习惯等个性化
特点,使得模型的描述异常复杂。这对手工建模者提出了非常高的要求:既要熟悉相关领域
的教学过程,又要具备一定的建模知识。虽然有些学者应用数据挖掘等方法实现了学习过
程的自动建模,但是由于学习本身所具有的复杂、多变性以及所用方法本身的局限性,上述
方法只能实现局部过程的自动建模。

正是因为个性化的学习过程建模存在着上述问题,它限制了基于e-learning学习
过程的分析与优化,使其优越性不能得以充分体现。所以需要对大型个性化e-learning学
习过程自动建模进行研究。

发明内容

针对网络教学资源过多及动态多变无法根据学习者的动态目标和知识背景优化
学习过程的现状,本发明的目的是提出一种基于知识图谱的个性化学习过程的自动生成方
法。该方法对学习内容进行有向超图建模;之后,利用超图的性质及模型的语义,通过知识
元向其学习活动映射,生成通用的过程框架;之后根据学习者的特性以及资源环境情况,通
过对学习过程进行优化,向学习者推荐符合其需求的过程结构及学习资源,从而实现学习
过程的自动生成与优化。

本发明的技术方案具体包括两个方面,一方面提出了一种基于知识图谱的个性化
学习过程的自动生成方法,具体包括以下步骤:

步骤1,进行相关建模,其中包括:基于知识的学习者描述,基于有向超图的学习内
容描述,基于有向超图的学习过程描述,基于知识的资源分类描述;

步骤2,由知识图谱向通用学习过程框架的映射,包括:知识元向活动的映射,知识
元之间的逻辑关系向活动之间逻辑关系的映射;开始知识元和目标知识元的处理;

步骤3,过程模型的个性化处理,根据学习者的学习习惯、学习能力进行相应的处
理;

步骤4,可能支持资源的生成;根据活动所处理的知识元、学习者的类别、资源所包
含的知识元及资源的类别生成活动可能的支持资源;

步骤5,建立活动属性、学习者、学习资源之间的关系模型;根据活动属性与过程属
性之间的关系及学习者的性能目标,利用遗传算法进行活动与资源的优选,生成相对于学
习者的个性化的优化的学习过程;

步骤6,监测资源环境及学习者本身,若二者任一出现变化时,则进行相关性判断
以及相应处理。

进一步,本发明所述步骤1中,各模型之间的关系具体为:

资源模型描述学习环境中的已有资源及其分类,并描述每个资源节点包含的知识
元;

学习内容模型是以知识元为单位,并根据知识元之间的关系及知识元的集聚程度
对所要学习的内容进行描述与划分;

过程模型由若干学习活动组成,是为了达到学习目标要进行的学习。

学习者模型包括对学习背景、学习目标、学习内容、和学习过程的描述,其中,学习
背景是已掌握的、与学习相关的知识元的总和,学习目标是指需要掌握的知识元的总和,学
习内容是为了达到学习目标要学习的知识内容,学习过程是为了达到学习目标要进行的学
习,是我们主要的研究对象,是我们要自动生成的部分;

建立模型是进行进一步过程自动生成的基础。

进一步,本发明所述步骤2,由个性化知识图谱向通用学习过程框架映射是一个一
对一的映射,当知识图谱一定,由知识元向活动映射、知识元逻辑向活动逻辑映射及由开始
知识元和目标知识元的处理规则生成的过程框架一定。

进一步,本发明所述步骤3,是一个由通用过程框架到个性化学习过程框架的一对
多的映射。对于同一组知识元,不同的学习者可能采用不同的方式进行学习,有的学习者希
望学完每个知识元后都做作业进行测验,只有通过测验之后再进行下一个知识元的学习,
否则,要返回重新学习该知识元;而有的学习者就希望学习多个知识元之后进行练习、测
验。同样,对于同一知识元的学习,有的学习者希望独立完成学习,而有一些学习者希望和
他人讨论来完成学习;因此,在由个性化知识图谱生成学习过程的过程中,需要考虑学习者
的具体情况——学习者学习习惯、学习方式和学习能力等因素。

进一步,本发明所述步骤4,活动可能支持资源的生成。学习活动的执行需要资源
的支持,学习者只有选择了恰当、合理的资源才能进行有效的学习。对于一个资源只有包含
了活动要学习的知识元,才能支持该活动;此外,对于同一个学习活动,不同类型的学习者
会选用不同的学习资源,因此,我们根据活动学习的知识元、资源包含的知识元,学习者的
类型进行可能学习资源的选择。

在网络环境下可能存在着大量的学习资源。对于任意一个学习过程,如果我们直
接利用活动、学习者和学习资源的映射规则,根据学习者的类型和知识背景进行学习资源
的选择,其工作量非常巨大。为了减少求解的计算量,我们首先根据资源的类型和所包含的
知识元对资源进行分类,这样能使求解的工作量呈指数级减少。

进一步,本发明所述步骤5,活动与资源的优选;此步骤又分为下面几方面:

(1)选择评价过程的性能指标。所述过程的指标参数包括:所用的时间(OBJT)、完
成过程的成本(OBJC)、完成过程的质量(OBJQ)。

(2)计算学习活动的属性,其属性可描述为:APi=fi(LPj,RPk),其中,APi、LPj、RPk
分别为活动、该活动的学习者、相应服务资源及过程的属性;fi为这三者之间的函数关系,
由具体的学习情况而定。

(3)过程属性的计算,作为优选,本发明所述过程性能指标的计算方式为:OBJT是
所包含活动的时间的总和;OBJQ是所包含的活动的质量与质量影响因子乘积的总和;OBJC
则是所包含活动的资源成本的总和。

(4)优化求解,利用遗传算法,根据学习者的性能目标,利用活动属性与资源属性
及学习者、活动属性与过程属性之间的关系,来进行活动与资源的优选。生成相对于学习者
的个性化的优化的学习过程。

进一步,本发明所述步骤6中,当学习内容发生变化时,先对变化后的学习内容与
原学习内容的相关性进行判断,找到相关的学习内容,并进行相应的处理。

改变后的学习内容和原学习内容的相关性判断:主要判断原学习内容与变化后的
学习内容是否存在交集,如果存在交集,说明前后内容先关,否则,不相关。

相应的处理按以下方式进行:如果变化后的学习内容与原过程不相关,则对新学
习内容依据步骤1到步骤5进行处理。如果变化后的学习内容与原过程相关,则根据原过程
的执行情况对新学习内容进行处理。如果相关内容已经完成学习,则在新内容中去掉该学
习内容,并对处理后的学习内容依据步骤1到步骤5进行处理。

进一步,本发明所述步骤6中,当学习习惯发生变化时,首先判断原过程的执行情
况,之后,在原学习内容中去掉已学习的内容,之后对剩余后的内容,依据步骤2到步骤5进
行处理。

进一步,本发明所述步骤6中,当资源环境发生变化时,对变化的资源进行资源与
过程、资源与活动的相关性判断。如果不相关,则不用进行相应的处理,如果相关,找到与变
化的资源相关的活动,再进行相应的处理;

其中,资源与过程的相关性判断为:判断资源所包含知识元与过程输出知识元的
交集是否为空,若为空,则二者不相关;若不为空,则二者相关;

所述的处理为:对于与过程相关的资源改变,若资源改变时,与该资源相关的活动
已执行完,则资源变化对该活动没有影响,否则,在新的资源环境下重复步骤4与步骤5。

此外,本发明的另一方面是提出了一种基于知识图谱的个性化学习过程的自动生
成系统,所述系统包括三层结构,分别是建模层、分析层及数据库层;其中,

所述建模层包括:学习者建模模块、学习内容建模模块、学习过程建模模块、学习
资源建模模块;

所述分析层包括:模型库管理工具、模型转换和一致性检查工具、学习过程生成工
具、学习过程的解释执行工具、反馈信息处理工具、试题库管理工具;

所述数据库层包括模型数据库和试题库;

其中,所述建模层的各个模块分别通过分析层的各个工具与数据库层进行交互。

1、本发明提供了一种基于知识图谱的个性化学习过程的自动生成方法及系统,其
可以在有向超图描述的个性化知识图谱的基础上,利用知识元和学习活动之间的关系,根
据学习者的学习性能目标、学习能力、学习习惯和学习方式等个性化特点自动生成相应的
学习过程框架。

2、本发明基于此框架,根据学习者的特点、活动所学知识元及活动类别自动生成
活动所有可能的支持资源;利用学习资源、学习者和学习活动属性的关系,活动属性与过程
属性之间的关系以及学习者的个性化目标,进行过程结构和学习资源的优选,生成优化的
学习过程。

3、该方法能自动地生成大型个性化学习过程;此外,本发明的研究成果也是进一
步个性化学习方案制定的基础。

附图说明

图1是本发明所述方法的主要流程图。

图2是本发明所述方法的模型转换图。

图3是本发明所述知识模型向过程模型的映射。

图4是本发明所述知识模型向过程模型的个性化映射。

图5是本发明所述的系统结构示意图。

图6是本发明实施例1的学习内容模型。

图7是本发明实施例1的通用过程框架。

图8是本发明实施例1的相对于LNER1的个性化过程框架。

图9是本发明实施例1的相对于LNER2的个性化过程框架。

图10是本发明实施例1的相对于LNER3的个性化过程框架。

具体实施方式

下面结合说明书附图及较佳实施例对本发明做进一步详细说明,但本发明并不仅
限于以下的实施例。

本发明所述的一种基于知识图谱的个性化学习过程的自动生成方法,该方法分为
三部分:1)基于知识元和有向超图的、多视图集成化学习(E-Learning)建模;2)在集成化学
习建模基础上,利用有向超图的性质,根据学习者的学习内容、学习类型和学习资源等个性
化特点自动生成个性化的学习过程;3)分析学习过程如何随学习内容、资源环境及学习者
的个性化特点变化而变化。该方法的具体流程图请参照附图1所示,模型转换如图2所示。

一种基于知识的个性化学习过程的自动生成方法,本方法的主要思想是利用比较
稳定的、容易获得的知识图谱、学习者模型、以及资源模型自动生成动态多变的个性化的学
习过程模型,具体包括以下步骤:

步骤1,进行相关建模

该建模具体包括个性化学习内容建模、学习者建模、学习资源建模,过程模型描
述,获得相应的学习内容模型、学习过程模型、学习者模型和学习资源模型,其中学习者模
型包括个性化学习内容和个性化学习过程,个性化学习内容为已知,学习过程模型为本发
明所要自动生成部分,每个要素的分别建模的过程如下:

1)学习内容建模

根据知识元之间的逻辑关系及有向超图的性质,我们采用有向超图对相关知识进
行建模。根据分析问题的需要,并借鉴课堂教学中知识元的表述,根据知识元间的聚集程
度,在进行知识建模时,加入知识单元描述,可以是课程,也可以是学科领域等,我们把这个
模型称为个性化知识图谱,可形式化描述为:PKHM=(KV,KE),KE=(UKE,IE,BE),其中KHM为
知识模型,KV为超图模型中的节点,表示模型中的知识元;KE为超图模型中的边,UKE为知识
单元,表示课程或领域,内部包含的节点为知识单元内包含的知识元;IE表示课程内部知识
元之间的依赖关系,超边表示逻辑“AND”,不同的边描述逻辑“XOR”,可选其中的一边;BE表
示不同知识单元之间的知识元之间的依赖关系,可用做知识背景关系描述。

2)学习者建模

主要包括学习者的类别(是正常的人群还是有缺陷的人群)、学习目标、学习背景、
学习习惯、学习能力,学习内容(包含学习路径)以及与之相对应的学习过程,相应的学习者
模型为:UM=(Type,UO,BK,LC,LP,LR),其中,UM是用户模型,Type为学习者类型;UO是学习
目标,它又分为非功能性目标NFO和功能性目标FO,即UO=(NFO,FO),FO={ki|i=1,…,n},
ki是实现功能性目标FO所用到的知识元;BK是相对UO的学习背景,BK={kj|j=1,…,n},kj
是背景知识,由过程模型推出;LC为个性化学习内容;LP是给出了相关学习资源的学习过
程。LR是学习者达到学习目标用到的资源。

3)学习资源建模

为了降低求解的复杂度,我们对资源进行了分类组织,相应的模型为RCM。对于给
定的资源,其类型已定、学习方式已定,里面包含的知识元以及知识元的讲解顺序已定。因
此,我们用资源类型、包含的知识元以及知识元之间的关系对资源进行描述。此外,根据分
析问题的需要,我们对资源的平均学习时间、使用成本以及质量等属性进行了描述,可以形
式化描述为:RCM=(Con,PR,SRSet,D,R),其中,Con为资源分类所在的环境,PR为父类资源,
SRSet为子类资源集,D为分类器,R为分类规则,假设ResSet表示资源实体集,那么,对于
可以描述为:(Type,KESet,T,C,Q,…),Type为资源类型,KESet为资源所包
含的知识元,KESet={kei|i=1,…,n},kei为知识元,T为资源平均时间,C为资源的平均成
本,Q为资源的平均质量。

4)学习过程描述

利用有向超图对学习过程进行描述,该模型可形式化描述为:LPM=(AV,IOE),其
中LPM为学习过程模型.AV为模型中的节点,代表活动,AV=(ID,Name,Type,KE,SR,LNER),
其中,Type为活动类型,可为:学习活动、循环活动、哑元活动、复习活动、测试活动,学习活
动可以再细分:自学、与人讨论活动、需要实验设备支持…;KE为活动处理的知识元;SR为活
动的支持资源;LNER为活动的学习者。IOE为模型中的边,表示活动的输入、输出,IOE=(ID,
Name,FAct,TAct,…),FAct表示边的"from"活动节点,TAct表示“to”的活动节点。我们用超
边描述输入的“AND”逻辑;用不同的边描述不同的输入和输出。

学习的目的是获得学习资源中的知识元,学习资源在活动执行的前后不发生变
化,活动输出的知识元是输入知识元和资源中包含的活动资源需求知识元之和(资源中的
知识元既包括活动资源需求知识元也包括非活动资源需求知识元);并且,一个活动当满足
最小输入需求是可行的,则包含该输入需求的输入亦可行。

对于学习过程p,在其用于个性化优化的超图模型中,其活动集为AV,对于
如果其输入(I),输出(O),服务资源(SR),以及学习者(LNR)都用知识元来描述,那么过程属
性可以描述如下:

1)和且SRb=SRa,其中,SRb和SRa表示活动执行前后的服务资源。

2)如果并且那么且O-I=Oe-Ie,其中,表示在
资源R的支持下输入I可以产生输出O。

步骤2,由知识图谱向通用学习过程框架的映射

根据实际的学习情况,在进行分析之前,我们做了如下的假设:

假设1:对于存在前序后序关系的两个知识元,学习者只有掌握的前面的知识元才
能学习后序的知识元;

假设2:如果学习者掌握了一个知识元,这就意味着掌握了从开始知识元到该知识
元的某条路径上的所有知识元。

基于上述的假设,我们将给出知识模型向过程模型的映射规则。

知识模型向学习过程映射:对于一个知识模型KHM,其知识元集为KV,对于
使得ai=f(kei),aj=f(kej),且<kei,kej>=<ai,aj>,其中ai,aj∈PLM,PLM
为过程模型。

知识模型与过程模型不完全同构。知识模型有多个开始节点、多个目标节点;而过
程模型只有一个开始节点,可能有多个结束点。虽然两种模型都有可能有多个结束节点;但
多个目标节点不等同于多个结束活动节点。在过程模型中,具体的结束节点是由具体执行
情况来确定,也就是这些结束节点是“XOR”关系;而在知识模型中的目标节点,表示这些知
识元都是学习者要掌握的,也就是这些结束节点为逻辑或的关系。

正是因为知识模型和过程模型的不完全同构性,在进行映射时,需要进行相应的
处理。

开始知识元的判定:在基于有向超图的知识图谱中,如果一个知识元,它的直接前
序知识元为空或者包含在学习者的背景知识中,则该知识元为开始知识元。

开始知识元的处理:在映射生成的过程模型框架中,我们在过程模型的开始知识
元对应的活动之前加一个路由活动,这个活动没有任何意义,只起一个逻辑路由的作用,并
且所有开始知识元对应的活动连接到该节点,并且该活动的输出逻辑为“与”。

目标知识元的判定:在基于有向超图的知识图谱中,如果一个知识元,它只有直接
前序知识元,后序知识元为空,则该知识元为目标知识元。

目标知识元的处理:在映射生成的过程模型框架中,我们在过程模型中与目标知
识元对应的活动之后加一个路由活动,这个活动没有任何意义,只起一个逻辑路由的作用,
并且所有目标节点对应的活动连接到该节点,并且该活动的输入逻辑为“与”,即当所有活
动都到达时才结束。

上述规则还可用于模型间的一致性检查。

根据上述规则,如图3(a)所示的知识模型映射生成如图3(b)所示的过程框架。

此时的学习过程,由于没有考虑具体的学习者,我们称作通用过程框架。

步骤3,过程框架的个性化处理

对于同一组知识元,不同的学习者可能采取不同的学习方式进行学习,例如,有的
学习者希望学完每个知识元后都进行测验,只有通过测验之后再进行下一个知识元的学
习,否则,要返回重新学习该知识元;而有的学习者就希望学习多个知识元之后进行测验。
同样,对于同一知识元的学习,有的学习者希望独立完成学习,而有一些学习者希望和他人
讨论来完成学习;因此,相应的映射也需要考虑学习者的具体情况。考虑到学习者学习习
惯、学习方式和学习能力的映射规则可以描述为:

知识模型向学习过程的个性化映射:给定知识模型KHM和学习者模型UM,
对于使得f(kmi,leri)∈LPM,其中,LPM为学习过程模型,f为单射。

根据上述规则,如图4(a)所示的过程框架映射生成如图4(b)所示的个性化过程框
架。

在通用过程框架的基础上,考虑学习者具体的学习习惯和学习方式,生成针对某
学习者的学习过程,因为此时没有生成学习者所用的资源,所以我们称此时的过程模型为
个性化过程框架。

步骤4,活动可能支持资源的生成

学习过程的执行需要资源的支持。学习者只有选择了恰当、合理的资源才能进行
有效的学习。对于一个资源只有包含了活动要学习的知识元,才能支持该活动。此外,对于
同一个学习活动,不同类型的学习者会选用不同的学习资源,例如,如果该学习者有视觉障
碍,在进行学习资源选择时,应尽量选择听力相关的资源;如果听觉有障碍,可以选择视频
资源等。因此,可以通过如下规则生成活动个性化的可能的支持资源:

活动可能支持资源生成:给定过程模型PLM,知识模型为KHM,相应的节点集分别为
AV和KV,对于kei∈KV,<ai,kei>;对于一个学习者ui,如果
且则resi∈SR(ai),其中,RCM为资源模型,KE(resi)为resi包
含的知识元,TP(resi)和TP(ui)分别为resi和ui的类型,SR(ai)为ai的支持资源集。

在网络环境下可能存在着大量的学习资源。对于任意一个学习过程,如果直接利
用上述的规则,根据学习者的类型和知识背景进行学习资源的选择,它的工作量是非常巨
大。为了减少求解的计算量,我们首先根据资源的类型和所包含的知识元对资源进行分类。

步骤5,资源的优选

1)优化指标的选择

进行资源的优选,首先要明确优化指标。学习活动有多种属性,这里我们拟主要讨
论三种常用活动属性:学习时间(T)、学习质量(Q)以及学习成本(C)。

2)建立活动属性、学习者、学习资源之间的关系模型。

在学习过程的优化求解过程中,我们主要关注学习活动属性的定义以及根据学习
过程之间关系的特点进行相应处理。

在相同的知识学习过程中,不同的学习者即使采用相同的学习资源,其学习所用
时间和学习质量可能不同;相同的学习者采用不同的学习资源,学习时间和学习质量也不
尽相同;此外,学习的质量通常与学习所用时间有关,所花时间越多,所获的质量越好。结合
实际的学习,我们拟对活动属性进行如下定义:

对于一个学习者lerl,学习过程中的一个活动acti,活动acti可能的支持资源为:
SRSeti={sri1,sri2,...,},当lerl选用不同的学习资源时,完成活动acti的时间、成本和质
量为:




其中,AQXlik,ATXlik,ACXlik是学习者lerl使用学习资源srik的活动属性,δik∈{0,
1},并且当活动acti的支持资源为srik,δik=1,否则δik=0;

通常情况下,具有不同能力的学习者为了获得同样的学习质量所花的时间不同。
能力越强花的时间越少,而能力弱的花的时间要相对多些。这里我们假设一个活动所用时
间与学习者的能力成反比。

AVTlik=srk.AVT*(srk.CapLev/lerl.CapLev),

其中,srk.AVT是srk,的平均时间,srk.CapLev是srk的平均能力水平,lerl.CapLev
是lerl的平均能力水平。

这里,我们规定lerl所用的时间是以0为最小值,AVTlik为峰值的正态分布函数,
即:

ATXlik∈[0,2*AVTlik],

对于一个学习者,用同样的资源,当他花不同的时间学习时,学习的质量不同,通
常情况是花的时间越多,学习的质量越高。因此我们定义活动的质量与学习者所花的时间
成正比。

AQXlik=(lerl.CapLel/srk.CapLev)*(srk.AVQ/srk.AVT)*ATXlik,

ACXlik=k*srk.AVC,


其中,sri.AVQ,和sri.AVC表示sri相应的属性。

3)过程属性与活动属性的关系。

学习过程的指标参数按照以下方式得出。

OBJT是过程所包含活动的时间的总和,由于学习内容为优选之后的必学习内容,
因此学习过程的总时间计算可以表示为:

其中ti是执行ai所用的时间。

OBJQ由所包含的活动的质量决定,其计算可以表示为:

其中qi是ai的质量,wi为ai对过程的质量影响因子,

OBJC由所包含的活动成本决定,而活动成本又等于学习资源的成本。因此,OBJC可
以由下面的等式来计算:

其中ci是ai的资源成本。

根据学习者的非功能性目标,进行学习资源的优化求解,得到学习过程和学习资
源都优化的学习计划。

4)优化求解。

利用遗传算法,根据学习者的性能目标,利用活动属性与资源属性及学习者、活动
属性与过程属性之间的关系,来进行活动与资源的优选。生成相对于学习者的个性化的优
化的学习过程。

步骤6,监测学习内容、学习习惯和资源环境,若三者任一出现变化时,则进行相关
性判断以及相应处理。

1)当监测到学习内容发生变化时,先对变化后的学习内容与原学习内容的相关性
进行判断,找到相关的学习内容,并进行相应的处理。

①改变后的学习内容和原内容的相关性判断按照如下方式进行:

给定一个学习者,其原学习内容为知识元集LCKEi,改变后的学习内容为知识元集
LCKEj,如果则变化的学习内容与原学习内容不相关;如果
则变化的学习内容与原学习内容相关;

②相应的处理按以下方式进行:

如果变化后的学习内容与原过程不相关,则对新学习内容依据步骤1到步骤5进行
处理。

如果变化后的学习内容与原过程相关,则根据原过程的执行情况对新学习内容进
行处理,如果相关内容已经完成学习,则在新内容中去掉该学习内容,并对处理后的学习内
容依据步骤1到步骤5进行处理。

(2)当监测到学习习惯发生变化时,根据原过程的执行情况进行相应的处理。

当学习习惯发生变化时,首先判断原过程的执行情况,之后,在原学习内容中去掉
已学习的内容,之后对剩余的内容,依据步骤2到步骤5进行处理。

(3)当监测到资源环境发生变化时,先对变化的资源环境与学习过程的相关性进
行判断,对于相关的资源,根据过程的执行情况,进行相应的处理。

①资源和过程的相关性判断按照如下方式进行:

给定一个资源r,其包含的知识元为Kr,一个过程p,其输出知识元为Kp,如果
则该资源与这个过程相关;

②相应的处理按以下方式进行:

给定一个过程p以及一个相关资源r,如果p中与r相关的活动为RASet,对于任意
如果改变资源r时,该活动已执行完,则资源变化对该活动没有影响,否则,对该
活动进行相应支持资源修改。

此外,基于上述方法,本发明还开发了一个基于知识图谱的个性化学习过程的自
动生成方法及系统。该系统分三个层次,其系统架构如图5所示。该系统包括:建模层、分析
层及数据库层,建模层是对学习者及学习资源分别建模,并通过位于分析层的各种相应的
工具与数据库层的数据进行交互。该建模层包括:学习者建模模块、学习内容建模模块、学
习过程建模模块及学习资源建模模块;该分析层包括:模型库管理工具、模型转换和一致性
检查工具、学习过程生成工具、学习过程的仿真工具、反馈信息处理工具、试题库管理工具;
数据库层包括模型数据库、知识图谱库和试题库。此外,该系统定义了四个角色:教师、学习
者、资源维护人员和系统维护人员,分别进行学习建模、个性化学习过程的使用、资源维护
以及系统维护。

实施例1

下面选择有代表性的领域-计算机领域的课程学习进行建模。为了提高模型的通
用性,知识图谱(学习内容)选择有代表性的、抽象的、通用的知识元进行描述,没有具体到
某些知识元、某些课程。同样,采用相同的方式进行学习者的背景和目标描述。

为了进行对比,我们选择了三个有代表性的学习者LNER1,LNER2和LNER3,其中,
LNER1,LNER2所处资源环境相同,但是学习习惯不同,LNER1和LNER3所处资源环境不同,但
学习习惯相同。假设LNER1,LNER2所处资源环境为A环境,LNER3所处资源环境为B环境。

步骤1:进行相关建模。

(1)学习内容建模。根据学习内容建模的定义对三个学习者的学习内容进行建模,
建得的模型如图6所示:

(2)学习者建模。对学习者的类型、学习目标、学习习惯、学习能力等属性进行描
述,如表1所示。

表1学习者模型



(3)资源环境建模。

为了对比分析,我们用同一张表对两个资源环境进行描述,字母“C”开头的资源表
示两个资源环境中的公共资源,字母“A”开头的表示资源环境A中独有的资源,字母“B”开头
的表示资源环境B中独有的资源。根据分析问题需要,这里假设所有资源所对应的学习者的
平均学习能力相同,为中等水平。学习者所处的资源环境如表2所示。

表2资源环境模型









步骤2:生成通用过程框架。

对于给定的学习内容,我们根据知识元的映射规则以及开始结束节点的处理规
则,生成通用过程框架,如图7所示,其中,节点描述活动,节点间的连线描述知识元之间的
关系。

步骤3:根据学习者的个性化特点,根据个性化处理规则生成个性化知识框架:

对于学习者LNER1个性化知识框架如图8所示;

对于学习者LNER2个性化知识框架如图9所示;

对于学习者LNER3个性化知识框架如图10所示。

步骤4:活动可能支持资源的生成。

根据学习者的属性及活动所学的知识元以及资源包含的知识元,生成活动所有可
能的支持资源。对于学习者LNER1各个活动可能的支持资源为如表3所示;对于学习者LNER2
各个活动可能的支持资源为如表4所示;对于学习者LNER3各个活动可能的支持资源为如表
5所示。

表3学习者LNER1各个活动可能的支持资源



表4学习者LNER2各个活动可能的支持资源





表5学习者LNER3各个活动可能的支持资源



步骤5:进行资源的优选。

根据学习者的性能目标,以及活动属性与资源属性、活动属性与过程属性之间的
关系、过程的时间、成本和质量之间的关系,进行资源的优选,生成活动的优化的支持资源。
对于学习者LNER1各个活动优化的支持资源为如表6所示;对于学习者LNER2各个活动优化
的支持资源为如表7所示;对于学习者LNER3各个活动优化的支持资源为如8所示。

表6学习者LNER1各个活动优化的支持资源





表7学习者LNER2各个活动优化的支持资源



表8学习者LNER3各个活动优化的支持资源



根据上述的例子我们可以得出如下结论:

(1)两个学习者,如果所处资源环境相同,但是学习习惯不同,得到优化的学习过
程不一定相同。

(2)两个学习者,如果学习习惯相同,但是所处资源环境不同,得到优化的学习过
程不一定相同。

本发明并不局限于上述实施方式,如果对本发明的各种改动或变形不脱离本发明
的精神和范围,倘若这些改动和变形属于本发明的权利要求和等同技术范围之内,则本发
明也意图包含这些改动和变形。

基于知识图谱的个性化学习过程的自动生成方法及系统.pdf_第1页
第1页 / 共29页
基于知识图谱的个性化学习过程的自动生成方法及系统.pdf_第2页
第2页 / 共29页
基于知识图谱的个性化学习过程的自动生成方法及系统.pdf_第3页
第3页 / 共29页
点击查看更多>>
资源描述

《基于知识图谱的个性化学习过程的自动生成方法及系统.pdf》由会员分享,可在线阅读,更多相关《基于知识图谱的个性化学习过程的自动生成方法及系统.pdf(29页珍藏版)》请在专利查询网上搜索。

本发明公开了一种基于知识图谱的个性化学习过程的自动生成方法及系统。该方法在有向超图描述的个性化知识图谱的基础上,利用知识元和学习活动之间的关系,根据学习者的学习性能目标、学习能力、学习习惯和学习方式等个性化特点自动生成相应的学习过程框架;基于此框架,根据学习者的特点、活动所学知识元及活动类别自动生成活动所有可能的支持资源;利用学习资源、学习者和学习活动属性的关系,活动属性与过程属性之间的关系以及学。

展开阅读全文
相关资源
猜你喜欢
相关搜索

当前位置:首页 > 物理 > 计算;推算;计数


copyright@ 2017-2020 zhuanlichaxun.net网站版权所有
经营许可证编号:粤ICP备2021068784号-1