9篇关于学习路径的计算机毕业论文

今天分享的是关于学习路径的9篇计算机毕业论文范文, 如果你的论文涉及到学习路径等主题,本文能够帮助到你

基于课程知识图谱的学习路径推荐算法研究

这是一篇关于知识图谱,图卷积神经网络,学习路径,注意力机制,特征传播的论文, 主要内容为随着“互联网+教育”的迅速发展,教育资源日益丰富,当面临海量的学习资源,学习者找到适合自己的学习路径难度高、耗时长,学习路径规划的重要性逐步增加。学习路径推荐算法根据学习者的偏好信息和教育学规律为学习者推荐合理的学习路线,已成为推荐算法领域的研究热点之一。论文研究基于知识图谱的学习路径推荐算法,主要工作如下:(1)构建课程知识图谱模型。论文以数据结构课程为研究对象,以知识点为中心,学习资源为辅,使用BERT+Bi LSTM+CRF获取语义信息更丰富的词向量并进行课程知识点实体抽取,进一步使用模板规则的方式对课程知识点间的五种语义关系进行抽取,确保课程知识图谱的知识点间关系准确性,使用Neo4j图数据库存储数据。(2)提出一种融合时序信息与知识图谱双端信息的知识点推荐算法(Combining Temporal Information and Knowledge Graph Neighborhood Double-Ended Information,CTIKGND)。首先,交替利用知识图谱在学习者端和知识点端进行偏好传播和邻居信息聚合,共享彼此获取的最新信息,提高两端特征提取的质量。然后,对学习者学习过程中产生的时序信息进行语义信息增强并利用Bi GRU学习时序信息,再基于自注意力机制获取全局特征,进而获得具有时间属性的学习者特征向量。最后,对两端特征向量进行交互概率计算。实验结果表明,与最优基线模型相比,该算法在AUC和ACC上分别提高了1.29%和1.66%。(3)提出基于课程知识图谱的学习路径推荐算法。首先,从多个维度对学习者的信息进行建模从而获取学习者的个性化特征,利用CTIKGND算法获取学习目标并对其进行映射。然后,分别提出基于课程知识图谱的全局型和序列型学习路径推荐策略,根据学习者的学习风格规划最优学习路径。最后,设计并开发学习路径推荐系统,对课程知识图谱查询、个性化学习路径推荐和知识点查询功能进行测试,提供全方位的学习支持。综上所述,论文首先研究课程知识图谱模型的构建,然后提出CTIKGND算法实现对学习者学习目标的预测,最后提出基于课程知识图谱的学习路径推荐算法为学习者规划学习路径,并依此设计实现了一个学习路径推荐系统。

基于事件超图的多目标学习路径优化方法

这是一篇关于学习行为建模,事件超图,学习路径,多目标优化的论文, 主要内容为随着互联网的发展及在线学习的快速普及,越来越多的学习者通过在线学习平台进行知识学习。然而海量的在线学习资源在为学习者提供有效的知识同时,同样也造成了严重的知识过载和学习迷航问题。个性化学习推荐作为解决上述问题的有效方法,其能够满足学习者特定的知识需求。在传统的线下教学模式中,学习者在学习过程中存在对课程知识点网络结构不清晰,知识体系缺乏逻辑性等问题,为帮助学习者更好地对细粒度知识点的学习和掌握,为学习者生成符合其个性化特征的学习路径成为当前的热点研究问题。学习路径优化旨在基于学习者的学习行为模型和课程知识结构特征为学习者生成并优化最符合其知识需求的知识学习顺序。在线学习过程中,学习者的历史行为数据从侧面可以反映出其学习偏好及学习情况。学习行为模型是当前挖掘学习者学习行为偏好的一种通用方法,此类方法能够从深层次反映出学习者的课程学习情况,并进一步挖掘其学习中存在的问题。因此,本文提出了一种基于事件超图的多目标学习路径优化方法,通过对学习行为进行建模,挖掘其背后蕴含的动态学习偏好,进而对下一项行为进行预测,最后通过构建多目标优化模型,实现为学习者推荐符合其学习偏好和需求的学习路径。首先,本文给出了在线学习过程中的学习事件的定义,并基于此构建了学习事件超图来对学习行为进行建模。基于学习者的历史学习行为数据,通过分析其行为数据的特点,以时间属性信息将学习行为数据划分为多个学习事件,接着以学习事件为超边构建出个体的学习事件超图,然后利用所有学习者的学习事件超图对个体的事件超图进行补全,以获得相对完整的学习者行为特征表示。其次,本文构建了基于事件超图的学习行为预测模型(Event Hypergraph Learning Behavior Prediction,EHLBP)模型。基于构建的事件超图结构,通过利用超图神经网络和带有时间位置信号的自注意力机制来捕捉学习者的动态学习偏好并进行特征表示,进而对学习者下一项学习行为进行预测。最后,本文构建了多目标学习路径优化模型(Multi-objective Learning Path Optimization Model,MLPOM)。基于学习行为预测模型生成以学习资源为节点的初始学习路径,结合课程知识图谱抽取初始学习路径中的学习资源所包含的知识点构成的子图,选择学习难度、重要程度、学习成本和学习体验四个方面作为优化目标进而构建多目标优化模型,然后利用线性加权法将多目标问题转化为单目标问题,构造知识点间的差异度函数,并基于改进的BPSO算法进行求解,最终实现为学习者推荐符合其个性化动态学习偏好和知识需求的以细粒度知识点为节点的学习路径。

学生个性化学习资源推送系统的设计与实现

这是一篇关于知识图谱,中心度,学习路径,个性化推荐的论文, 主要内容为近年来,随着“互联网+教育”建设的不断发展,我国的教育事业得到了不断的变革和创新。伴随着我国教育行业的发展,网络平台上不断涌现出新的在线学习平台,为学习者的学习提供了极大的便利。由于在线学习平台上存在着海量的学习资源,当学习者在学习的过程中容易出现学习迷航、认知过载以及碎片化的学习所导致无法全面掌握学习课程的问题。在这种背景下,个性化学习概念为在线学习平台的发展带来了新的方向。本文从学习者角度出发,充分考虑了影响个性化学习的各种因素,设计与实现了学生个性化学习资源推送系统,为个性化学习的研究和应用提供了参考。本文主要完成了以下三部分工作:首先,本文通过对国内外对个性化学习、个性化推荐的研究资料进行收集、整理和分析。结合在线学习的特点,从学习者、教师、学习环境及学习资源四个角度分析了影响个性化学习的因素。学习了课程知识点、课程知识图谱的概念以及构建课程知识图谱的步骤和Unity移动开发技术,为系统的设计与实现提供基础。其次,通过分析目前个性化学习存在的问题,并对广州市内部分公立学校、私立学校和培训机构的教师和学生进行走访和了解,确定了教师用户和学生用户对系统的实际需求。根据用户需求,完成系统架构设计和功能模块设计,并根据系统具体功能完成系统流程的设计。最后,根据系统应用框图和流程图完成系统各个功能模块的开发。系统包括教师应用端、学生应用端、后台数据模块与个性化学习资源推送模块。通过构建课程知识图谱,根据课程知识图谱中知识点的中心度完成课程学习路径的规划,按照学习路径向学生推送学习资源和配套测试习题。系统通过采集的学生的学习行为数据和学生基本信息构建学生个人模型,结合学生个人模型实现个性化学习资源的推送。完成系统开发后,通过测试用例对系统的功能和性能进行测试,并对系统测试结果进行总结和分析。

基于知识图谱的个性化学习路径推荐研究

这是一篇关于用户画像,知识表示,知识图谱,学习路径,个性化推荐的论文, 主要内容为在教育信息化快速发展的背景下,数字教育资源总量呈指数增长,线下教育不再是学习者获取知识的唯一途径,线上教育实现了用户的自我学习,拓展了知识获取途径。但随之而来的问题是:如何在数字教育资源规模急剧增大的环境中,实现用户需求资源个性化获取和课程系统化学习?虽然现阶段资源的搜索引擎利用倒排索引提高知识实体搜寻的命中率,提高了学习者获取教育资源的效率,但学习者完成当前阶段的学习后,仍存在学习方向正确定位和课程的系统学习两方面的困难。因此符合学科知识逻辑结构的个性化学习路径推荐成为当下线上教育的研究热点,具有很强的时代性和开发价值。为提高知识获取的系统性,本文对基于知识图谱的个性化学习路径推荐进行了研究,提出了利用知识间关系将知识实体进行图谱化,在准确了解用户偏好和学习风格后实现学习方向定位与个性化推荐的方法。并在相关研究基础上设计实现了个性化学习路径推荐系统,本文主要内容如下:(1)学习者用户画像构建,为个性化学习路径推荐奠定基础。提出了一种自适应学习风格的生成方法获取学习风格,该方法结合用户行为从显隐两方面获取Felder-Silverman学习风格进行分析,提高画像的真实性和时效性;利用BERT+Bi-LSTM+CRF模型提高抽取兴趣关键词的正确率,用户兴趣实体获取精度;改进了向量表示学习的嵌入算法优化了训练时间,提高训练速度。(2)通过改进Page Rank算法提出了基于知识图谱的个性化学习路径推荐算法,依据学习风格对各关系系数权重进行调整,获取不同学习风格对应的结点重要性系数,排序后生成个性化学习路径。通过在三个数据集上的路径生成结果进行分析,证明算法的可行性,通过仿真实验比对生成路径和课本路径与真实路径的课程偏移量证明算法的可用性。(3)搭建了一套个性化学习路径推荐系统,将用户学习风格生成、兴趣实体的抽取和个性化学习路径的推荐等模块进行实现,为数字化教育平台提供了基于知识图谱的个性化路径推荐功能,并以可视化的方式进行展示。文章从模型构建、算法设计与系统实现开展研究,为基于知识图谱的个性化学习路径推荐提供了解决方案,推动了数字教育的发展。

基于课程知识图谱的学习路径推荐算法研究

基于认知诊断的编程试题推荐系统设计与研究

这是一篇关于教育资源,推荐算法,认知诊断模型,AprioriAll算法,学习路径的论文, 主要内容为最近几年来,大数据技术与互联网络技术发展迅速,在海量数据的背景下我们可以搜集大量的数据资源。特别是在教育领域,试题以及知识更是海量的存在。在我们学习生活中会需要在网络上去收集一些我们需要学习的知识,但如今这种海量的数据情况下,找到自己想要的知识或者一些试题是很浪费时间的,以至于会降低学习效率。近几年来,随着推荐算法的普及,在电商平台应用非常广泛,可以推荐用户合适的商品,当电商平台有更大的受益化,因此,我们可以将推荐算法应用到教育领域,给学习者推荐合适的学习资源,可以更高效的学习。但是,在传统的电商推荐商品领域中,系统可以根据用户的兴趣偏好进行推荐相似的商品,其中大部电商网站都采用协同过滤推荐算法以及混合算法推荐,取得的不错的效果。然而,在教育领域中可能会有些问题,我们不能根据用户的喜好来进行试题推荐,因为每个用户的能力水平不是一致的,即便当前用户可能对某一个试题感兴趣,但是由于试题难度不适合用户所以该试题不应该作为待推荐试题,这也是教育推荐和商品推荐的一个区别。因此,我们在进行推荐试题是要考虑用户自身的能力,再结合用户可能感兴趣的试题进行推荐,从而会提升推荐试题的可解释性以及准确性。在进行对用户分析自身能力时,本文采取的是使用认知诊断模型进行分析,认知诊断模型主要应用在心理学,它是在认知心理学和心理计量学相结合的基础上发展起来的,是一种新型的现代心理学计量学理论。它基于诸如现代统计方法和计算机技术之类的基本工具,使用认知诊断模型可以对某一个用户诊断出它的认知结构以及认知过程,可以分析出用户的知识掌握程度。接下来我们可以通过数据挖掘的方式找到用户的频繁序列,这里的序列指的是通过用户行为信息产生的频繁序列,本文采取的算法是Apriori All算法生成频繁序列集。根据频繁序列我们可以获得待推荐的学习路径。最后,我们根据用户的知识掌握程度在学习路径上找到合适的编程试题资源,生成编程试题资源推荐列表。本文主要研究教育学习中编程试题部分,向用户推荐编程试题,针对我国大学生以及研究生推出的在线编程试题平台。通过对在线教育领域的了解后,在结合认知诊断模型应用在教育学中,相对比传统的试题推荐的网站,推荐的编程试题更加适合用户,也将本文系统进行满意度调查,大部分用户在本系统进行练习测试后对推荐的编程试题是满意的。因此,本文的在线编程系统结合认知诊断模型推荐的编程试题有较高的可靠性。

自适应学习系统中基于知识图谱的学习路径推荐算法研究

这是一篇关于混合推荐,学习路径,知识图谱,认知诊断,神经网络的论文, 主要内容为传统教育模式一般采用班级授课制来组织教学,这充分发挥了教师的主导作用,也在很大程度上解决了知识的大规模传授问题,但限制了学生学习的主动性,不利于因材施教。在线教育的高速发展极大地丰富了在线学习资源,突破了教育在时间和空间上的限制,但同时也带来了信息过载和知识迷航的难题。随着人工智能和大数据等技术的兴起,如何在技术支持下实现大规模的个性化学习成为计算机科学和教育领域研究者们关注的焦点。而在自适应学习系统上为在线学习者提供个性化的学习路径推荐和智能化的学习服务是实现这一目标的方法之一。本文在对学习路径推荐算法的理论文献进行研究的基础上,以知识图谱技术为抓手构建了学习者模型和领域知识模型。学习者模型使用了学习者的注册信息和学习风格调查问卷反馈数据进行初始化,而领域知识模型则是基于特定学科专家的标注自顶向下地初始化的。在线学习的过程中,系统不断地采集学习行为数据,量化和更新模型中的学习者特征值,如学习风格、学习偏好、认知水平等。在模型数据支撑的基础上,本文设计和实现了一种学习路径混合推荐的算法,它融合了认知诊断评价子算法、基于规则的推荐子算法和基于神经网络的推荐子算法。认知诊断评价子算法使用DINA模型和题目作答结果数据推断学习者在每个知识点上的掌握情况。基于规则的推荐子算法本质上是将学科知识的逻辑和优秀教师的教学经验抽象成规则集合,再使用规则引擎drools计算出推荐结果。在基于神经网络的推荐子算法中,选择长短期记忆网络(LSTM)作为网络模型,使用同一聚类中的相似学习者的学习对象序列数据作为训练数据。经过逐步地调优算法超参数和训练网络模型,混合推荐算法为学习者推荐一个学习对象的候选集,呈现在页面上供进一步选择,从而形成了一条动态的个性化学习路径。该算法目前已经在自主研发的自适应学习系统中应用,经过对实际学情数据和调查问卷结果的分析可证明,该算法有助于提升完课率,提高学习效率并带来学习满意度。此外,它在解决冷启动问题和推荐多样性问题方面也具有可接受的表现。