【摘要】：習(xí)題是教育領(lǐng)域重要的學(xué)習(xí)資源。個性化的習(xí)題推薦算法在在線教育平臺中發(fā)揮著重要作用。由于認知診斷模型很好地描述了學(xué)生、知識點和習(xí)題三者之間的關(guān)系,因此在習(xí)題推薦領(lǐng)域得到了廣泛的應(yīng)用,但仍然存在一些問題。首先,基于認知診斷模型的習(xí)題推薦算法依賴于Q矩陣作為輸入。Q矩陣是習(xí)題與知識點的關(guān)系映射矩陣,通常由領(lǐng)域?qū)＜沂謩訕俗?因此有較強的主觀依賴性。其次,Q矩陣的標注費時費力,含有Q矩陣標注的習(xí)題數(shù)量有限。對于缺少Q(mào)矩陣標注的習(xí)題,一直沒有行之有效的推薦算法。因此,針對Q矩陣標注不準確和大量習(xí)題缺少Q(mào)矩陣標注這兩個問題,本文分別提出兩種不同的習(xí)題推薦算法,均在公開數(shù)據(jù)集上取得了較好的實驗結(jié)果,優(yōu)于現(xiàn)有的算法。同時,基于這兩種算法開發(fā)了在線教學(xué)系統(tǒng)原型。研究內(nèi)容與創(chuàng)新點如下:(1)提出基于隱含知識點的習(xí)題推薦算法。首先,該算法利用知識追蹤技術(shù)得到習(xí)題和隱含知識點的動態(tài)映射結(jié)果,即習(xí)題—隱含知識點矩陣。然后,將專家標注的Q矩陣作為橋梁,結(jié)合習(xí)題—隱含知識點矩陣重新構(gòu)建Q矩陣,并將該矩陣作為認知診斷模型的輸入。最后,利用認知診斷模型預(yù)測習(xí)題得分并進行習(xí)題推薦。(2)提出基于學(xué)生—習(xí)題加權(quán)矩陣分解的習(xí)題推薦算法。該算法無需Q矩陣作為輸入,僅在基礎(chǔ)矩陣分解模型中加入習(xí)題難度和學(xué)生能力值作為未知數(shù)據(jù)的先驗知識,并采用基于元素的快速交替最小二乘更新策略優(yōu)化模型參數(shù),最后,利用模型的預(yù)測值進行習(xí)題推薦。(3)設(shè)計并實現(xiàn)了基于習(xí)題推薦算法的在線教學(xué)系統(tǒng)原型。該系統(tǒng)將提出的兩種習(xí)題推薦算法應(yīng)用在教學(xué)系統(tǒng)中,利用學(xué)生的做題記錄檢驗學(xué)生是否掌握所學(xué)知識,并為學(xué)生推薦合適的習(xí)題,避免重復(fù)作答已經(jīng)掌握的習(xí)題。實驗結(jié)果表明,提出的兩種習(xí)題推薦算法在公開數(shù)據(jù)集的F1值均取得了較好的結(jié)果。不僅緩解了認知診斷領(lǐng)域手動標注Q矩陣帶來的誤差問題,還為大量缺少Q(mào)矩陣標注的習(xí)題提供了一種可行的推薦策略。在線教學(xué)系統(tǒng)上對這兩種算法的成功應(yīng)用更有利于改善學(xué)生的學(xué)習(xí)過程并提升教師的教學(xué)效果。
【圖文】：

第一章 緒論的偏好，而且也可利用相似用戶的行為數(shù)據(jù)趙營[9]采用 CF 推薦算法，根據(jù)習(xí)題練中的相似學(xué)生的做錯的習(xí)題進行推薦。Matrix Factorization，簡稱 MF）的推薦算法[ 中也得到了成功的應(yīng)用。該類算法只從一個學(xué)習(xí)，就能得到一個精確的推薦。如圖 1 所習(xí)題和學(xué)生得分集合，用“＋”表示學(xué)生已已經(jīng)觀測到的值來預(yù)測未知的值，即“？”部

圖 3 習(xí)題—隱含知識點矩陣的建模過程圖從圖 3 可以看出，DKVMN 模型首先輸入習(xí)題編號（如 1、2、3...等）。之后，習(xí)題編號經(jīng)過一個 embedding 層來得到維度是 50 的向量。之后將這個向量輸入“讀過程”，在這個過程中，該向量與 矩陣之間進行內(nèi)積計算，再利用 softmax 激活函數(shù)來進一步計算相關(guān)權(quán)重。因為 矩陣存儲了隱含知識點的表示，因此經(jīng)過 softmax激活函數(shù)得到的習(xí)題—隱含知識點相關(guān)權(quán)重 ，就是習(xí)題—隱含知識點的映射關(guān)系。該映射關(guān)系說明了習(xí)題所屬的隱含知識點。因此，在下一步的計算中，找到 矩陣中目前該隱含知識點的掌握狀態(tài)來預(yù)測學(xué)生是否會做對這道習(xí)題。在經(jīng)過預(yù)測之后，接下來再利用習(xí)題標簽來更新 矩陣。具體地，，在“寫過程”輸入習(xí)題編號和標簽，經(jīng)過 embedding 層之后得到的向量與 矩陣進行內(nèi)積運算。由于 矩陣是存儲隱含知識點掌握程度的表示矩陣并且在此次輸入時將習(xí)題是否做對的標簽也進行了輸入，因此經(jīng)過內(nèi)積計算之后， 的隱含知識點掌握程度得到了更新。第二步，利用 DKVMN 模型訓(xùn)練好的 構(gòu)建習(xí)題-隱含知識點矩陣。 的計
【學(xué)位授予單位】：西北大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：G434;TP391.3

【相似文獻】

相關(guān)期刊論文 前10條

1 成保梅;;基于協(xié)同過濾的電子商務(wù)個性化推薦算法研究[J];現(xiàn)代電子技術(shù);2019年20期

2 俞偉;徐德華;;推薦算法概述與展望[J];科技與創(chuàng)新;2019年04期

3 張世東;;推薦算法概述[J];科技傳播;2019年04期

4 張艷紅;諶頏;;基于標簽的自助教育資源推薦算法研究[J];現(xiàn)代信息科技;2019年12期

5 李欣鞠;;個性化推薦算法下的“信息繭房”效應(yīng)研究——以“天天快報”為例[J];西部廣播電視;2019年13期

6 陳軍;謝衛(wèi)紅;陳揚森;;國內(nèi)外大數(shù)據(jù)推薦算法領(lǐng)域前沿動態(tài)研究[J];中國科技論壇;2018年01期

7 向洋樂;;大數(shù)據(jù)背景下互聯(lián)網(wǎng)購物推薦算法應(yīng)用研究[J];中國戰(zhàn)略新興產(chǎn)業(yè);2018年04期

8 喻國明;劉鈺菡;王暢穎;王丹敏;;推薦算法:信息推送的王者品性與進階重點[J];山東社會科學(xué);2018年03期

9 劉順程;岳思穎;鐘瑞敏;;基于拉普拉斯噪聲的輕型推薦算法[J];中國戰(zhàn)略新興產(chǎn)業(yè);2018年20期

10 劉濤;劉佐;;一種面向新文章的個性化推薦算法研究[J];控制工程;2018年06期

相關(guān)會議論文 前10條

1 米傳民;彭鵬;單曉菲;馬靜;;考慮顯式評分的基于二部圖的推薦算法[A];第十七屆中國管理科學(xué)學(xué)術(shù)年會論文集[C];2015年

2 秦國;杜小勇;;基于用戶層次信息的協(xié)同推薦算法[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2004年

3 王韜丞;羅喜軍;杜小勇;;基于層次的推薦:一種新的個性化推薦算法[A];第二十四屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2007年

4 唐燦;;基于模糊用戶心理模式的個性化推薦算法[A];2008年計算機應(yīng)用技術(shù)交流會論文集[C];2008年

5 蘇日啟;胡皓;汪秉宏;;基于網(wǎng)絡(luò)的含時推薦算法[A];第五屆全國復(fù)雜網(wǎng)絡(luò)學(xué)術(shù)會議論文（摘要）匯集[C];2009年

6 梁莘q

本文編號：2659463