CN118628308B 基于知识追踪的学习内容推 荐方法及系统 （肇庆学院）

化学习算法对初始知识图谱和多特征融合路径2获取学习者所有需要学习的知识点，并对所述知识点进行分类对所述学习者进行知识状态数据采集和预处理，得到所述学习者分别将所述多个候选学习路径输入预置的多特征融合路径分析模型进行学习路径评根据所述路径综合评分和预设目标值选取多个目标学习路径，并根3采集所述学习者的状态反馈数据，并通过概率多目标强化学习算法对2.一种基于知识追踪的学习内容推荐系统，其特构建模块，用于获取学习者所有需要学习的知识点，并对采集模块，用于对所述学习者进行知识状态数据采集和预处理，得到所计算模块，用于分别将所述多个候选学习路径输入预置4将所述多个路径特征注意力向量输入所述多个深度神经网络进行特征关系和特征权重分征关系和所述特征权重对所述多个路径特征注意力向量进行学习路径评分计算和加权融选取模块，用于根据所述路径综合评分和预设目标值选取多个目标学习优化模块，用于采集所述学习者的状态反馈数据，并掌握度向量和所述学习任务特征向量输入概率多目标强化学习算法进行概率计算和多目5[0009]分别将所述多个候选学习路径输入预置的多特征融合路径分析模型进行学习路6根据所述多个目标学习路径生成所述学习者的7斯网络作为一种概率模型，能够揭示知识点之间的因果关系，得到关系信息集合。基于态。通过BKT模型对所述知识状态特征数据进行知识地图映射，BKT模型(Bayesian8当前知识状态到目标知识结构的多种可能的学习路线。对多个初始学习路径进行权重计点的难度系数等。对每个候选学习路径的多个路径特征进行特征归一化和特征向量编码，9[0052](4)通过BKT模型对知识状态特征数据进行知识地图映射，得到学习者的知识地主成分特征提取。主成分特征提取(PCA)是一种降维技术，通过将高维数据转换到低维空[0057]BKT(BayesianKnowledgeTracing)模型是一种基于贝叶斯网络的知识追踪模者的知识节点与图谱节点之间的最佳匹配关系，可以采用多种方法进行特征匹配，如导学习者从当前知识状态逐步掌握目标知识结构。[0067](1)分别对多个候选学习路径进行特征提取，得到每个候选学习路径的多个路径[0068](2)对每个候选学习路径的多个路径特征进行特征归一化和特征向量编码，得到[0069](3)分别将每个候选学习路径的路径特征编码向量输入预置的多特征融合路径分[0070](4)对路径特征编码向量进行多头自注意力机制分析，生成多个路径特征注意力[0071](5)将多个路径特征注意力向量输入多个深度神经网络进行特征关系和特征权重[0072](6)在全连接层中，根据特征关系和特征权重对多个路径特征注意力向量进行学[0083](3)将知识掌握度向量和学习任务特征向量输入概率多目标强化学习算法进行概[0086](6)根据强化学习结果对多特征融合路径分析模型进行路径分析模型更新，得到标强化学习算法进行概率计算和多目标分析。概率多目标强化学习算法是一种优化方法，[0091]匹配模块203，用于对知识地图与知识图谱进行特征匹配，得到多个候选学习路[0092]计算模块204，用于分别将多个候选学习路径输入预置的多特征融合路径分析模[0097]所述集成的单元如果以软件功能单元