论文部分内容阅读
随着网络技术的快速发展,网络学习在教育领域得到加速发展,通过网络学习已是普遍现象,因此,对学习者需要掌握知识的深度和广度提出了更高的要求。人工智能技术的发展虽提高了学习者对资源的获取程度,但在海量的学习资源背景下,如何使学习者在有限的时间里明确学习方向,向学习者推荐合适的学习资源以帮助其提高学习效率,更全面地掌握专业知识是目前亟待解决的问题。克服网络学习中的“学习迷航”和“认知过载”的关键在于怎样让学习者在海量增长的学习资源中找到合适的学习路径,以便给学习者提供准确和个性化的试题推荐,帮助学习者有的放矢。针对上述问题,本文对学习资源中的学习路径推荐与个性化试题推荐进行了研究。以下是本文的主要工作:(1)阐述了知识图谱的有关理论,研究了知识点间的关联关系与性质,并且研究了知识点知识图谱的构建方法。根据课程中的知识点构建知识图谱,研究了通过专家知识以及知识点间的依赖关系如何构建知识点知识图谱。(2)根据知识点间的依赖关系定义知识点的个体贡献值,然后提出了基于知识点贡献值的知识点中心度计算方法和基于知识点度值与贡献值的知识点中心度的计算方法。通过仿真实验与现有的知识点中心度计算方法进行比较来验证本文提出的算法的有效性。最后对知识点知识图谱不同阶层的知识点中心度进行排序,选择中心度的降序排序为学习者推荐学习路径。(3)针对海量试题导致知识过载使学习者盲目学习,效率不高等问题,提出了基于知识点知识图谱的个性化试题推荐算法。首先根据试题与知识点的关系建立试题知识点矩阵,通过学习者的试题作答记录,计算知识点失分率。然后利用知识点间贡献值和知识点失分率计算新的知识点失分率,与设定的阈值进行比较,选出学习者掌握薄弱的知识点。最后为学习者推荐试题。实验表明,本文提出的试题推荐算法能够提高准确率与效果。