基于知识图谱的认知诊断及推荐系统研究和应用实现
这是一篇关于智能在线教育,知识图谱,项目反映理论,认知诊断模型,个性化推荐的论文, 主要内容为近年来,随着人工智能技术的发展,越来越多的研究者将人工智能技术应用到教育领域。人工智能凭借其独特的技术优势,在教育行业掀起了一股热潮。由于互联网行业的日益更新,在线学习、上网课已经发展成了多数学生学习生活中不可或缺的一部分,推动了新一代智能教育在线平台的发展。与传统的大规模开放式在线课程平台专注于提供学习资源不同,新一代智能在线教育平台则针对不同个体提供个性化教育服务,而知识图谱(Knowledge Graph,KG)是用于新一代智能教育在线平台的核心组成部分。此外,计算机辅助学习系统的发展又促进了对认知诊断的研究,使认知诊断技术可以随着时间的推移预测学生在课程作业中的表现。本文在现有的教育辅助系统基础上融入知识图谱、认知诊断技术以及个性化推荐算法的方法进行了研究,具体工作如下:1.构建了基于知识图谱的认知诊断算法模型。本文首先通过网络爬虫获取知识点,然后构建了基于初、高中数学的学科知识图谱,最后通过认知诊断模型判断学生的知识状态。在认知诊断模型部分,本文提出的知识图谱认知诊断算法(Knowledge Graph Item Response Theory,KGIRT)模型完成了预测学生表现的认知评估任务,并在大规模真实数据集上进行的大量实验,证明了该系统的有效性和解释能力;2.构建了基于隐语义算法的推荐模型。本文设计了一个基于层次相似度量的深层潜在因子模型(Deep Latent Factor Model with Hierarchical Similarity,DLFM-HS)来解决评级预测问题。同时,为了更好地度量用户和项目之间的相似度,本文设计了一个层次化的相似度度量来代替目前广泛使用的内积。此外,为了降低模型对数据稀疏性问题的敏感性,本文采用深度神经网络从项目描述中学习用户偏好和项目轮廓。在五个真实的数据集上进行了实验,结果表明DLFM-HS与传统模型相比具有更高的准确性;3.在联合知识图谱和认知诊断模型的应用基础上,开发了一款智能教辅系统—深辅AI教育系统,实现了从理论到应用的转化。该系统在完成认知检测后,根据学生对于当前知识点的掌握情况,使用知识图谱获取相关联的知识点进行学习资源的个性化推荐。另外,为了方便对于教学内容以及任教老师的管理,本文开发了内容管理平台,实现了知识点管理、视频管理、题库管理以及教师管理等功能。
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。
基于知识图谱的认知诊断及推荐系统研究和应用实现
这是一篇关于智能在线教育,知识图谱,项目反映理论,认知诊断模型,个性化推荐的论文, 主要内容为近年来,随着人工智能技术的发展,越来越多的研究者将人工智能技术应用到教育领域。人工智能凭借其独特的技术优势,在教育行业掀起了一股热潮。由于互联网行业的日益更新,在线学习、上网课已经发展成了多数学生学习生活中不可或缺的一部分,推动了新一代智能教育在线平台的发展。与传统的大规模开放式在线课程平台专注于提供学习资源不同,新一代智能在线教育平台则针对不同个体提供个性化教育服务,而知识图谱(Knowledge Graph,KG)是用于新一代智能教育在线平台的核心组成部分。此外,计算机辅助学习系统的发展又促进了对认知诊断的研究,使认知诊断技术可以随着时间的推移预测学生在课程作业中的表现。本文在现有的教育辅助系统基础上融入知识图谱、认知诊断技术以及个性化推荐算法的方法进行了研究,具体工作如下:1.构建了基于知识图谱的认知诊断算法模型。本文首先通过网络爬虫获取知识点,然后构建了基于初、高中数学的学科知识图谱,最后通过认知诊断模型判断学生的知识状态。在认知诊断模型部分,本文提出的知识图谱认知诊断算法(Knowledge Graph Item Response Theory,KGIRT)模型完成了预测学生表现的认知评估任务,并在大规模真实数据集上进行的大量实验,证明了该系统的有效性和解释能力;2.构建了基于隐语义算法的推荐模型。本文设计了一个基于层次相似度量的深层潜在因子模型(Deep Latent Factor Model with Hierarchical Similarity,DLFM-HS)来解决评级预测问题。同时,为了更好地度量用户和项目之间的相似度,本文设计了一个层次化的相似度度量来代替目前广泛使用的内积。此外,为了降低模型对数据稀疏性问题的敏感性,本文采用深度神经网络从项目描述中学习用户偏好和项目轮廓。在五个真实的数据集上进行了实验,结果表明DLFM-HS与传统模型相比具有更高的准确性;3.在联合知识图谱和认知诊断模型的应用基础上,开发了一款智能教辅系统—深辅AI教育系统,实现了从理论到应用的转化。该系统在完成认知检测后,根据学生对于当前知识点的掌握情况,使用知识图谱获取相关联的知识点进行学习资源的个性化推荐。另外,为了方便对于教学内容以及任教老师的管理,本文开发了内容管理平台,实现了知识点管理、视频管理、题库管理以及教师管理等功能。
基于认知诊断与协同过滤的试题推荐算法研究及应用
这是一篇关于认知诊断模型,协同过滤,试题推荐,个性化学习评估与推荐系统的论文, 主要内容为近年来,数据挖掘、机器学习以及第5代移动通信系统等新兴信息处理与数据传输技术的飞速发展,加速了教育信息化改革的进程,使得传统的线下课堂逐渐转变为线上教育与线下教学融合发展的新模式。在互联网广泛普及以及国家政策的大力支持下,接受在线教育的人数和在线教育的市场需求逐年增长,同时也使得运用现代信息技术来促进教与学的智慧教育成为全球教育领域关注的热点。目前,针对智慧教育的研究主要包含了对学习者知识水平的评估和个性化试题资源推荐两个方面。其中,用于学习者知识水平评估的测验方法已经发展为融合了高阶学习能力特征的认知诊断模型,但是,已有的认知诊断模型在高阶特征参数考虑中还存在可以完善的地方。关于个性化试题资源推荐方法的研究主要有基于认知诊断的方法、基于协同过滤的方法以及基于深度学习的方法。本文的研究工作在以上基础上展开,具体如下:(1)在现有认知诊断模型的基础上,对引入努力程度高阶特征构建的认知诊断模型C&RM进行研究,并对模型中的试题知识点关联矩阵进行改进,将离散化的试题知识点关联矩阵建模为连续化表征的试题知识点依赖矩阵。最后,将C&RM与MIRT、HO-DINA和FuzzyCDF三种模型进行对比分析,试验结果表明,在30%至90%训练集数据比例下,C&RM的准确率保持在77.7%-84.2%,而后者中最优为72.3%-81.9%,与之相比,C&RM具有更优的性能。(2)现有基于协同过滤的试题资源推荐方法常常忽视学习者个性特征(知识水平),基于认知诊断的试题资源推荐方法忽视相似学习者之间的共性特征,以及基于深度学习的试题资源推荐方法需要大量训练数据且推荐结果缺乏解释性。针对上述三种方法存在的不足,本文提出了一种融合认知诊断与协同过滤的PMF-C&RM试题推荐方法。试验结果表明,PMF-C&RM方法在30%至90%训练集数据比例下的平均误差率为0.192,而PMF方法为0.284,C&RM方法为0.206,与之相比,PMF-C&RM方法具有更优的性能。(3)以认知诊断模型C&RM和个性化试题资源推荐方法PMF-C&RM为核心,本文设计了一款面向教师和学习者的个性化学习评估与推荐系统,该系统界面友好,包含了对学习者学习能力评估、知识水平评估以及个性化试题推荐等丰富功能。
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。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设工坊 ，原文地址：https://m.bishedaima.com/lunwen/56098.html
