(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210343103.2 (22)申请日 2022.04.02 (71)申请人 西安电子科技大 学 地址 710000 陕西省西安市雁塔区太白南 路2号 (72)发明人 蔺一帅　李悦辰　王文野　牛振兴　 褚华　张菊莉　王婧丽　夏若恒　 (74)专利代理 机构 西安嘉思特知识产权代理事 务所(普通 合伙) 6123 0 专利代理师 高晓倩 (51)Int.Cl. G06F 16/9535(2019.01) G06F 16/36(2019.01) G06Q 50/20(2012.01) (54)发明名称 一种向学习者推荐学习路径的方法及电子 设备 (57)摘要 本发明公开了一种 向学习者推荐学习路径 的方法， 包括： 获取学习者对各个教学视频进行 观看的时长信息， 并基于时长信息生成第一信息 矩阵； 第一信息矩阵用于表征学习者在学习时长 方面对各个教学视频的观看程度； 基于第一信息 矩阵， 利用一改进型DINA认知诊断模型 获取学习 者对各项知识点的掌握程度； 该改进型DINA认知 诊断模型中， 预设有各个教学视频对 各项知识点 的包含关系， 且该改进型DINA认知诊断模型将学 习者对单项知识点的掌握程度处理为0～1之间 的概率值； 根据学习者对各项知识点的掌握程 度、 各项知识点间的相似性以及各项知识点的先 后继关系， 向学习者推荐学习路径。 本发明可避 免使学习者陷入知识孤岛， 帮助学习者的学识进 步。 权利要求书3页 说明书12页 附图4页 CN 114741591 A 2022.07.12 CN 114741591 A 1.一种向学习者推荐学习路径的方法， 其特 征在于， 包括： 获取学习者对各个教学视频进行观看的时长信 息， 并基于所述 时长信息生成第 一信息 矩阵； 所述第一信息矩阵用于表征学习者在学习时长方面对所述各个教学视频的观看程 度； 基于所述第 一信息矩阵， 利用一改进型DINA认知诊断模型获取学习者对各项知识点的 掌握程度； 所述改进型DINA认知诊断模型中， 预设有所述各个教学视频对所述各项知识点 的包含关系， 且所述改进型DINA认知诊断模型将学习者对单项知识点的掌握程度处理为0 ～1之间的概 率值； 根据学习者对所述各项知识点的掌握程度、 所述各项知识点间的相似性以及所述各项 知识点的先后继关系， 向学习者推荐学习路径。 2.根据权利要求1所述的方法， 其特征在于， 所述相似性是对知识点的语义相似性以及 知识点被广大 学习者学习的情况相似性进行融合处 理得到的。 3.根据权利 要求2所述的方法， 其特征在于， 所述知识点语义相似性是使用TransR模型 将知识点嵌入为 一维向量后， 通过计算 一维向量间的相似度得到的。 4.根据权利 要求3所述的方法， 其特征在于， 使用TransR模型将知识点嵌入为一维向量 的方式包括： 基于预设的知识图谱中定义的实体以及实体间的关系， 使用d2rq工具将教学数据库转 换为RDF数据； 其中， 所述知识图谱中定义的实体包括： 知识点、 课程、 学校、 教师以及领域； 所述实体间的关系包括： 领域与课程的关系、 课程与知识点的关系、 学校与课程的关系、 领 域与知识点的关系 、 教师与课程的关系， 以及学 校与教师的关系； 将所述RDF数据输入至TransR模型， 以使所述TransR模型输出每个所述实体对应 的一 维向量以及每对实体间的关系对应的一维向量。 5.根据权利要求2所述的方法， 其特征在于， 知识点被广 大学习者学习的情况相似性是 基于协同过 滤算法计算得到的。 6.根据权利要求1所述的方法， 其特征在于， 基于所述第一信息矩阵， 利用一改进型 DINA认知诊断模型获取 学习者对各项知识点的掌握程度， 包括： 使用EM算法最大化第一建模公式的边缘似然， 得到广大学习者已掌握教学视频中的知 识点、 但未看完教学视频的第一概率， 以及广大学习者已看完教学视频、 但未掌握教学视频 中的知识点的第二 概率； 基于所述第一信息矩阵、 所述第一概率以及所述第二概率， 使用第二建模公式计算学 习者对各项知识点的掌握程度； 其中， 所述第一建模公式为： 其中， qv为表征所述包含关系的第二信息矩阵QV×K的第v∈[1,V]行元素构成的向量， V 为所述各个教学视频的总数， K为所述各项知识点的总数， qv中为0的元素表示第 v个教学视 频包含该元素对应的知识点， 为1的元素表示第v个教学视频不包含该元素对应的知识点； sv为U个学习者针对第v个教学视频的所述第 一概率组成的向量， gv为U个学习者针对第v个权　利　要　求　书 1/3 页 2 CN 114741591 A 2教学视频的所述第二概率组成的向量， U为学习者的总数； ruv为所述第一信息矩阵RU×V中位 于第u∈[1,U]行、 第v∈[1,V]列的元素， ruv的数值等于第u个学习者观看第v个教学视频的 时长与第v个视频的总时长的比值； αu＝{αu1, αu2,......, αuK}是表示第u个学习 者对K个知 识点是否掌握的二值化向量， αu中为1的元素表示第u个学习者已掌握该元素对应的知识 点， 为0的元素表示第u个学习者未掌握该元素对应的知识点； P(ruv＝1|αu)表示第u个学习 者在已知αu的条件下看过第v个视频的概率； 上标T表 示矩阵转置； ηuv表示第u个学习者对第 v个视频的潜在观看进度； 所述第二建模公式为： 其中， 表示第u个学习者对第k个知识点的掌握程度， 为一概率值； 为通过EM算法 得到的上述sv的估计值， 为通过EM算法得到的上述gv的估计值； Ru为RU×V的第u行元素构 成的向量； αx为αu的2K种取值中的第x种； 所述2K种取值中， 第x＝[x1,x2,x3,…,xM]种取值的 第k个元素等于1； P( αx)表示αu＝αx的先验概率； P( αx|Ru)表示在已知Ru的条件下αu＝αx的后 验概率； 表示在已知 和 的条件下， 当αu＝αx时ruv的最大似然概 率。 7.根据权利要求1所述的方法， 其特征在于， 根据学习者对所述各项知识点的掌握程 度、 所述各项知识点间的相似性以及所述各项知识点的先后 继关系， 向学习者推荐学习路 径， 包括： A、 根据学习者对所述各项知识点的掌握程度， 确定学习者的薄弱知识点集合， 并从所 述薄弱知识点 集合中取出一薄弱知识点； B、 确定所述薄弱知识点的先继知识点 集合； C、 计算所述先继知识点 集合中的每 个先继知识点与所述薄弱知识点的相似度； D、 根据学习者对每个所述先继知识点的掌握程度以及每个所述先继知识点与所述薄 弱知识点的相似度， 计算每 个所述先继知识点的推荐分数； E、 将推荐分数最高的先继知识点作为目标知识点添加至学习路径节点集合中， 并判断 新添加的目标知识点是否仍有先继知识点； 若仍有， 将新添加的目标知识点作为新的薄弱 知识点返回步骤B； 若没有， 继续执 行步骤F； F、 根据已加入学习路径的目标知识点生成一条学习路径， 以向学习者推荐该学习路 径。 8.根据权利要求1所述的方法， 其特 征在于， 在执 行步骤F之后， 所述方法还 包括： G、 返回步骤A， 以从所述薄弱知识点集合中取出下一薄弱知识点， 并继续执行后续步 骤， 直至所述薄弱知识点 集合为空。 9.一种电子设备， 其特征在于， 包括处理器、 通信接口、 存储器和通信总线， 其中， 处理 器， 通信接口， 存 储器通过通信总线完成相互间的通信；权　利　要　求　书 2/3 页 3 CN 114741591 A 3