行为数据的路径寻优方法
【技术领域】
[0001] 本发明设及路径优化研究领域，特别设及一种行为数据的路径寻优方法。
【背景技术】
[0002] 学习路径是学习活动的路线或者学习知识点的选择序列。学习者在设定学习目标 之后，如何确定学习知识点的学习先后顺序是完成学习目标的必要条件。而选择最优的学 习路径对于学习目标的完成程度显得尤其重要。
[0003] 国内外在研究学习路径优化问题上主要针对学习者的个性化、学习风格等给学习 者推荐合适的学习路径。例如，陈其辟等人在2008年提出的改进的微粒群算法对学习状态 空间的学习路径进行最优化控制，程岩借助蚁群算法提出的基于群体智能的学习路径推 荐，国外学者6雌611。'118 1(11'11(^曰32014年提出根据学者兴趣爱好利用改进的蚁群算法对 学习路径进行优化，化un Fu Lin在提高学生创造力上基于决策树推荐学习路径的方法等。 运些方法在一定程度上优化了学习路径，但都是在基于路径选择上做出优化，其目的都是 最小化完成学习任务花费的学习时间。而且大部分研究都是在假定学习目标为解决某个问 题上提出的优化，而现实很多情况下学习目标的评估不单单是为了解决某个问题，而是学 习之后在学习结果上有个总评估，而运些评估有时候不能用解决问题的准确率来衡量。如 某学习者选定学习目标进行学习之后，提供一份关于该学习目标的检测题目给学习者，然 后根据运份检测题目的准确率去评估学习者的学习效果。运种方法是不全面的，因为该检 查题目覆盖的检查范围有限，而且在现有的大部分学习系统中，学习者按照推荐的学习路 径学习完之后，系统没有评测环节或者学习者不去自行评测，因此就无法检验学习效果。
[0004] 因此，研究一种能够在优化学习路径之后也保证学习效果的最大化的路径寻优方 法具有重要意义。
【发明内容】
[0005] 本发明的目的在于克服现有技术的缺点与不足，提供一种行为数据的路径寻优方 法，该方法在大数据下研究学习者的学习行为，利用蜂群算法对学习路径进行优化，寻找最 大化学习效果的学习路径推荐给学习者，为学习者提供个性化指导，可大大提高学习者的 学习效果。
[0006] 本发明的目的通过W下的技术方案实现:行为数据的路径寻优方法，包括：
[0007] (1)训练阶段:首先在已知教育大数据下，确定样本学习者的学习风格，各个学习 概念间的相似度距离，然后计算每种学习风格中，每个学习概念对对应学习对象的贡献力； [000引（2)优化阶段:包括步骤：
[0009] (2-1)基于学习风格模型对当前学习者进行聚类，将当前学习者归到其相应的学 习风格小组中；调取训练阶段得到的当前学习风格小组中每个学习概念对对应学习对象的 贡献力，W及各个学习概念间的相似度距离；
[0010] (2-2)设定当前学习者的起始学习概念Cw和终点学习概念Cl;
[0011] (2-3)在Corr半径内采用人工蜂群算法(Artificial Bee Colony Algorithm,简称 ABC算法），得到最优的学习概念Cp_max;
[001^ (2-4)判断Cp_max是否为终点学习概念Cl,如果是则终止优化，执行步骤(2-5)，否则 在Cp_maxr半径内采用人工蜂群算法继续优化，依次类推，直到到达终点学习概念Cl;
[OOK] (2-5)导出Cnr、所有经过的Cp_ma山及Cl,即得到达到最大化学习效果的学习路径。 [0014]优选的，所述步骤（1)中，基于化Vid A.Ko化的学习风格模型采用线上调查的方式 对学习者进行聚类，将学习风格分为:聚合型、发散型、同化型和调节型。
[001引优选的，所述步骤(1)中，贡献力HiJ的计算公式是：
[0017] 其中，馬:邱'表示学习概念Ci在学习对象Oj的比重，i = 1，2，…，I，I表示学习对象Oj 中的学习概念个数，Cl为学习对象化的终点学习概念，j = 1，2，…，J，J表示学习对象的个数； Km,z,j表示在一个成员数为M的特定的学习风格小组里，第m个学习者参加学习对象Qj对应的 测试项目Qz时，针对学习概念Ci的得分，m=l, 2,…，M，Z = I, 2,…，Z，Z表示测试项目的个数； 化康示学习概念Ci与终点学习概念Cl之间的相似度距离。
[001引优选的，所述步骤（1)中，在已知教育大数据下，预设学习概念之间的邻接矩阵Axy =[axy]，axy = 1表示学习学习概念Cy前要先学习学习概念Cx，axy = 0表示学习概念Cy和Cx之 间没有联系;然后，在所述步骤(2-3)得到最优的学习概念Cp_max后，先根据学习概念之间的 邻接矩阵Au,判断在学习学习概念Cp_max前是否要先学习学习概念Cnr,如果是，则执行步骤 (2-4)，否则，删除该学习概念Cp_max，重新采用人工蜂群算法得到新的最优的学习概念 Cp max O
[0019] 优选的，采用人工蜂群算法对学习概念进行优化时，选择概率和适应度的计算公 式如下：
[0023] 式中，SN表示在当前学习概念Csnr半径内存在的学习概念数量，Sn=I，2,…，SN, DsnI表示当前学习概念Csn与此学习对象的终点学习概念Cl之间的相似度距离，出n为学习概 念Csn对学习对象的贡献力。
[0024] 更进一步的，所述人工蜂群算法的步骤是：
[0025] 曰、设捜索距离为r，在捜索范围内存在的蜜源，即学习概念个数为SN,最大迭代次 数为Max_C，影响侦察蜂出现的最大滞留次数为limit;
[0026] b、在捜索范围内随机产生初始解Csn，Sn = 1，2，…，SN,计算并评估每个初始解的适 应度值；
[0027] C、开始循环，引领蜂对解Csn进行邻域捜索产生新解Cnew，并计算其适应度值；
[002引d、义用贪婪选择,如果Cnew的适应度值优于Csn ,则用Cnew替换Csn ,将Cnew作为当自IJ巧 优解，否则保持Csn不变；
[0029] e、根据选择概率的计算公式计算得到当前最优解Csn的选择概率Psn;
[0030] f、跟随蜂在[0，1]区间内产生一个随机数，如果选择概率Psn大于该随机数，那么跟 随蜂对当前最优解Csn进行跟随，并在当前最优解Csn的邻域捜索产生新解，仍记为Cnew,计算 当前新解Cnew的适应度；
[0031] g、采用贪婪选择，如果Cnew的适应度值优于Csn,则用Cnew替换Csn,将Cnew作为当前最 优解，否则保持Csn不变；
[0032] h、判断当前解是否经过limit次循环仍没有被进一步更新，若是，则侦察蜂随机产 生一新解将其替换；
[0033] i、记录到目前为止的最优解；
[0034] j、判断是否达到最大迭代次数Max_C，若是，则循环结束，输出最优解，否则返回步 骤C继续捜索。
[0035] 本发明与现有技术相比，具有如下优点和有益效果：
[0036] 本发明在大数据下研究学习者的学习行为，提出根据学习风格对学习者进行聚 类，根据学习风格为学习者提供个性化指导。同时利用改进的蜂群算法对学习路径进行优 化，寻找最大化学习效果的学习路径，推荐给学习者，可大大提高学习者的学习效果。
【附图说明】
[0037] 图1是本发明方法的流程图。
[0038] 图2是本发明中采用的人工蜂群算法流程图。
【具体实施方式】
[0039] 下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限 于此。
[0040] 实施例1
[0041] 如图1所示，本实施例行为数据的路径寻优方法，包括两个阶段，第一阶段为训练 阶段，主要是为了为评估学习效果的学习路径做铺垫的。训练阶段主要是在教育大数据下， 确定样本学习者的学习风格，提取学习概念间的相似度距离，然后计算在该学习风格下，学 习概念对学习对象的贡献力。第二阶段为优化阶段，首先是对学习者进行聚类，判定学习者 的类型，W便调取测试阶段的相关数据，利用人工蜂群算法来对学习路径进行优化。下面结 合附图1对各个阶段进行具体说明。
[00创一、训练阶段
[0043]在W前的学习路径优化研究中，无论是基于微粒群算法或者是蚁群算法的优化， 考虑的主要问题是把学习的花费时间成本将为最低，而没有考虑到优化之后的学习路径的 学习效果是怎样的。本实施例将在学习路径的优化上，把学习效果考虑进来，并且使学习效 果最大化。在评估学习路径学习效果上，首先应该明确学习效果的评估方法。本实施例是采 用学习概念的贡献力来评估完成学习对象的学习路径效果。
[0044] 对于现有的学习系统来说，每个学习对象有多个学习概念，而在完成对应的学习 对象的学习之后，会有相应的测试项目，测试项目中包含有多个相关的学习对象。而每个测 试项目中的学习对象化有多个学习概念。已知学习概念Cl在学习对象化的比重为Cq,O,.。
[0045] 基于教育大数据背景，已知在一个特定的学习风格小组里，全体成员在测试项目 Qz中，第m个学习者在参加测试项目Qz中学习概念Cl时的得分为Km,z,j。
[0046] 假设学习概念Cl与学习概念Cl'之间的相似度为化1'，而Cl为测试项目Qz的终点学习 概念。设出J为学习概念Cl对学习对象化的贡献力，贝U
(1)
[004引其中，M为特定的学习风格小组全部成员数，Z表示测试项目的个数，Dii表示学习概 念Ci与终点学习概念Cl之间的相似度距离。