征在于，所述構(gòu)建學(xué)科知識技能 圖的步驟包括： 提取每個知識點文件中的知識點名稱、知識點描述、先修知識點名稱、知識點對應(yīng)的題 目，并寫入知識點優(yōu)先級次序文件A中，讀取所述知識點優(yōu)先級次序文件A中的每條記錄， 存入知識庫的知識表中； 構(gòu)建知識點的有向無環(huán)圖DAG，讀取知識表中的每條記錄，生成當前知識點和先修知識 點集合在DAG中對應(yīng)的節(jié)點集合，設(shè)置當前知識點為先修知識點的子節(jié)點，設(shè)置先修知識 點的孩子節(jié)點為當前知識點； 利用圖形化的界面語言生成圖形化的知識技能圖； 獲取用戶設(shè)定該學(xué)科的總學(xué)習(xí)時間，獲取用戶輸入的在圖形化的知識技能圖中各知識 點的個人偏好值； 根據(jù)所述總學(xué)習(xí)時間和各知識點的個人偏好值，更新知識技能圖中知識點中個人偏好 值。
3. 如權(quán)利要求1所述的最佳學(xué)習(xí)方案推送方法，其特征在于，所述根據(jù)知識點評分方 法對所述學(xué)科知識技能圖中所有知識點進行評分，獲得每個知識點的評分的步驟包括： 設(shè)定一個知識點評分的集合，容量為知識點數(shù)目，將每個知識點的評分初始化為〇 ; 判斷是否遍歷完成知識技能圖中所有知識點，若是，則將知識點評分集合輸出；若否， 則獲取知識技能圖當前訪問的結(jié)點，為其構(gòu)建神經(jīng)網(wǎng)絡(luò)模型； 獲取當前訪問結(jié)點的權(quán)重集編碼，為神經(jīng)網(wǎng)絡(luò)權(quán)重賦值； 通過遺傳算法對權(quán)重集編碼進行訓(xùn)練，并用已訓(xùn)練完成的權(quán)重集編碼更新此結(jié)點的權(quán) 重集編碼； 對當前訪問結(jié)點執(zhí)行神經(jīng)網(wǎng)絡(luò)算法，計算其評分； 將當前訪問結(jié)點的評分放入知識點評分集合中。
4. 如權(quán)利要求3所述的最佳學(xué)習(xí)方案推送方法，其特征在于，所述通過遺傳算法對權(quán) 重集編碼進行訓(xùn)練，并用已訓(xùn)練完成的權(quán)重集編碼更新此結(jié)點的權(quán)重集編碼的步驟包括： 輸入待訓(xùn)練的權(quán)重集編碼； 初始化遺傳算法中的種群； 遍歷當前種群，并計算每個物種的適應(yīng)性評分，其中，所述物種是權(quán)重集編碼，所述種 群是權(quán)重集編碼的集合； 判斷是否出現(xiàn)限定條件下的最佳權(quán)重集編碼，若是，則輸出該最佳權(quán)重集編碼；若否， 則通過波茲曼變比調(diào)整適應(yīng)性評分； 執(zhí)行基于當前適應(yīng)性評分下的精英選擇算子，獲取父代物種集合； 通過細胞邊界雜交算子，完成父代物種集合的雜交步驟，產(chǎn)生子代物種集合； 通過浮點數(shù)突變算子對子代物種集合進行突變。
5. 如權(quán)利要求4所述的最佳學(xué)習(xí)方案推送方法，其特征在于，所述遍歷當前種群，并計 算每個物種的適應(yīng)性評分的步驟包括： 初始化，獲取知識技能圖中的剩余時間，生成知識技能圖的一個副本圖； 遍歷副本圖，對每個節(jié)點執(zhí)行神經(jīng)網(wǎng)絡(luò)算法，得到結(jié)點評分集合； 篩選最尚評分的知識點； 獲取25分鐘的知識點熟練度增加期望； 將副本圖中當前知識點熟練度更新為當前知識點熟練度與當前知識點熟練度增加期 望之和，并將當前知識點的學(xué)習(xí)時間點設(shè)置為原點； 將當前學(xué)習(xí)時間疊加25分鐘； 判定當前學(xué)習(xí)時間是否超過剩余時間，若否，則遍歷副本圖；若是，通過當前副本圖中 各知識點熟練度，進行模擬能力測試，獲取其考試成績； 輸出考試成績作為此權(quán)重序列的適應(yīng)性評分。
6. 如權(quán)利要求3所述的最佳學(xué)習(xí)方案推送方法，其特征在于，所述對當前訪問結(jié)點執(zhí) 行神經(jīng)網(wǎng)絡(luò)算法，計算其評分的步驟包括： 獲取知識點的記憶率值參數(shù)A，通過艾賓浩斯遺忘函數(shù)計算當前時間下的記憶率； 獲取知識點的邊際效用值參數(shù)B; 獲取用戶求知欲值參數(shù)C; 獲取用戶對當前知識點的個人偏好值參數(shù)D; 將參數(shù)A、B、C、D輸入到神經(jīng)網(wǎng)絡(luò)的輸入層； 將數(shù)據(jù)從輸入層輸入到隱藏層； 計算隱藏層各神經(jīng)細胞內(nèi)數(shù)據(jù)與權(quán)重乘積，將結(jié)果傳遞給輸出層，輸出層根據(jù)激勵函 數(shù)輸出O~1之間某浮點值，即知識點評分。
7. -種最佳學(xué)習(xí)方案推送系統(tǒng)，其特征在于，所述系統(tǒng)包括： 構(gòu)建模塊，用于構(gòu)建學(xué)科知識技能圖； 評分模塊，用于根據(jù)知識點評分方法對所述構(gòu)建模塊所構(gòu)建的學(xué)科知識技能圖中所有 知識點進行評分，獲得每個知識點的評分； 獲取模塊，用于根據(jù)所述評分模塊所獲得的每個知識點的評分獲取最佳知識點； 推送模塊，用于從題庫中獲取最佳知識點所對應(yīng)的題目，形成最佳學(xué)習(xí)方案，并將所述 最佳學(xué)習(xí)方案推送給用戶。
8. 如權(quán)利要求7所述的最佳學(xué)習(xí)方案推送系統(tǒng)，其特征在于，所述構(gòu)建模塊包括： 提取單元，用于提取每個知識點文件中的知識點名稱、知識點描述、先修知識點名稱、 知識點對應(yīng)的題目，并寫入知識點優(yōu)先級次序文件A中，讀取所述知識點優(yōu)先級次序文件A中的每條記錄，存入知識庫的知識表中； 構(gòu)建單元，用于構(gòu)建知識點的有向無環(huán)圖DAG，讀取知識表中的每條記錄，生成當前知 識點和先修知識點集合在DAG中對應(yīng)的節(jié)點集合，設(shè)置當前知識點為先修知識點的子節(jié) 點，設(shè)置先修知識點的孩子節(jié)點為當前知識點； 生成單元，用于利用圖形化的界面語言生成圖形化的知識技能圖； 獲取單元，用于獲取用戶設(shè)定該學(xué)科的總學(xué)習(xí)時間，獲取用戶輸入的在圖形化的知識 技能圖中各知識點的個人偏好值； 更新單元，用于根據(jù)總學(xué)習(xí)時間和各知識點的個人偏好值，更新知識技能圖中知識點 中個人偏好值。
9. 如權(quán)利要求8所述的最佳學(xué)習(xí)方案推送方法，其特征在于，所述評分模塊包括： 設(shè)定單元，用于設(shè)定一個知識點評分的集合，容量為知識點數(shù)目，將每個知識點的評分 初始化為〇 ; 判斷單元，用于判斷是否遍歷完成知識技能圖中所有知識點，若是，則將知識點評分集 合輸出；若否，則獲取知識技能圖當前訪問的結(jié)點，為其構(gòu)建神經(jīng)網(wǎng)絡(luò)模型； 賦值單元，用于獲取當前訪問結(jié)點的權(quán)重集編碼，為神經(jīng)網(wǎng)絡(luò)權(quán)重賦值； 訓(xùn)練單元，用于通過遺傳算法對權(quán)重集編碼進行訓(xùn)練，并用已訓(xùn)練完成的權(quán)重集編碼 更新此結(jié)點的權(quán)重集編碼； 計算單元，對當前訪問結(jié)點執(zhí)行神經(jīng)網(wǎng)絡(luò)算法，計算其評分； 集合單元，用于將當前訪問結(jié)點的評分放入知識點評分集合中。
10. 如權(quán)利要求9所述的最佳學(xué)習(xí)方案推送方法，其特征在于，所述訓(xùn)練單元還用于輸 入待訓(xùn)練的權(quán)重集編碼，初始化遺傳算法中的種群，遍歷當前種群，并計算每個物種的適應(yīng) 性評分，其中，所述物種是權(quán)重集編碼，所述種群是權(quán)重集編碼的集合；判斷是否出現(xiàn)限定 條件下的最佳權(quán)重集編碼，若是，則輸出該最佳權(quán)重集編碼；若否，則通過波茲曼變比調(diào)整 適應(yīng)性評分；執(zhí)行基于當前適應(yīng)性評分下的精英選擇算子，獲取父代物種集合；通過細胞 邊界雜交算子，完成父代物種集合的雜交步驟，產(chǎn)生子代物種集合；通過浮點數(shù)突變算子對 子代物種集合進行突變。
【專利摘要】本發(fā)明實施例公開了一種最佳學(xué)習(xí)方案推送方法及系統(tǒng)，其中，該方法包括：構(gòu)建學(xué)科知識技能圖；根據(jù)知識點評分方法對學(xué)科知識技能圖中所有知識點進行評分，獲得每個知識點的評分；根據(jù)每個知識點的評分獲取最佳知識點；從題庫中獲取最佳知識點所對應(yīng)的題目，形成最佳學(xué)習(xí)方案，并將最佳學(xué)習(xí)方案推送給用戶。在本發(fā)明實施例中，通過構(gòu)建知識技能圖，解決知識點的標準化、可視化和優(yōu)先級問題，通過對知識技能圖中各知識點的重要性進行評估形成最佳學(xué)習(xí)方案；將所形成的最佳學(xué)習(xí)方案推送給學(xué)生，用于解決不能根據(jù)學(xué)生實際學(xué)習(xí)狀態(tài)的缺陷，解決了傳統(tǒng)計算機輔助教育中存在的學(xué)生學(xué)習(xí)缺乏針對性的問題，使學(xué)生在限定時間中產(chǎn)生最大學(xué)習(xí)效益。
【IPC分類】G06F17-30, G06N3-08
【公開號】CN104765842
【申請?zhí)枴緾N201510181080
【發(fā)明人】林格, 陳湘萍, 馬超, 訾飛
【申請人】中山大學(xué)
【公開日】2015年7月8日
【申請日】2015年4月15日