一种基于思维地图的网络学习资源推荐方法
【专利摘要】本发明公开了一种基于思维地图的网络学习资源推荐方法，包括以下步骤：分析学习者访问基于知识地图的网络学习系统的学习行为日志，计算学习时长阈值，并对学习行为日志进行预处理；构建学习路径网络与学习事务图集合；然后，基于学习路径网络挖掘针对特定知识元集合的思维地图（起泡图或者双起泡图）；最后，将挖掘结果反馈给学习者，以实现基于思维地图的网络学习知识推荐。本发明可以为网络学习者提供基于认知策略的图式知识推荐服务，进而提高其学习效率。
【专利说明】—种基于思维地图的网络学习资源推荐方法
【技术领域】
[0001]本发明属于网络学习资源推荐【技术领域】，涉及一种基于思维地图的网络学习资源推荐方法。
【背景技术】
[0002]随着信息技术的不断发展，人类求知的形式也发生了巨大的变化。e-Learning因其能突破时空限制、便于资源共享和支持自主学习等特点已成为人们继续教育和获取知识的重要手段。现有e-Learning学习模式主要依据行为主义理论，该理论认为学习是外部知识向学习者记忆的简单“搬迁”过程。而认知理论认为，学习是认知主体通过同化与顺应机制不断形成新认知结构的过程，知识的内在关联性在该过程中具有重要作用。现有学习模式缺乏表达这种内在关联性的能力，难以有效地协助学习者完成知识建构，容易引发认知过载。因此，有学者依据认知科学的研究成果，提出了知识地图的概念。知识地图描述了某个领域所包含的知识单元以及知识单元之间的内在关联，但却没有指出应当如何学习这些知识单元，即学习这些知识单元的思维方式。
[0003]思维地图作为一种支持思维方式训练的视觉语言工具，能促进e-Learning学习者对不同类型知识的具体学习。目前的教育实践当中，思维地图多用于对学习者进行技能训练，即使为学习者进行基于思维地图的知识推荐服务，思维地图也多是由指导老师或有经验的学习者绘制，需要较大的人工标注工作量，难以在智能e-Learning系统中推广。
[0004]申请号为201210178807的中国发明专利，公开了一种个性化网络学习资源推荐方法。该专利公开了一种基于用户兴趣度的个性化网络学习资源推荐方法，包括分析学习者访问基于扩展主题图的网络学习系统的行为数据，获得学习者及其群组对学习内容相关的概念和知识元的学习兴趣路径变化模式，然后根据学习者个体及其所在群组的学习兴趣路径变化模式以及扩展主题图的学习对象之间的前后序等关系，实现给学习者主动推荐合适的学习资源的个性化推荐。其具有如下特点:
[0005]1、给出了 e-Learning学习者的学习兴趣识别方法，用于识别学习者在某一时间段内的学习兴趣变迁模式及相应的兴趣度；
[0006]2、从学习者学习的内容中提取兴趣，用于提取出用户感兴趣的知识点。
[0007]3、给出了 e-Learning学习者兴趣删减和融合的方法，用于调整用户的学习兴趣变迁模式；
[0008]4、给出了 e-Learning学习者兴趣预测的方法，用于预测学习者将来的兴趣点，从而根据学习者的兴趣进行学习资源推荐。
[0009]根据上述查新发现，现有的网络学习资源推荐方法存在如下三个方面问题:1、缺乏基于认知策略的网络学习推荐方法。2、对于策略性知识、程序性知识和陈述性知识等类型，缺乏具体的学习思维方式。3、思维地图作为一种认知策略的学习工具，且支持思维方式训练，但缺乏一种由机器自动生成的方法。
【发明内容】
[0010]本发明的目的在于提供一种基于思维地图的网络学习资源推荐方法，在知识地图系统当中根据学习者的请求，自动生成与其相关的图示的学习资源。
[0011]为了实现上述目的，本发明采用如下技术方案:
[0012]一种基于思维地图的网络学习资源推荐方法，其特征在于:包括以下操作:
[0013]I)采集学习者与基于知识地图的网络学习系统交互过程中产生的学习行为日志，分析学习行为日志中的学习时长，获取学习时长阈值，并以该阈值对学习行为日志进行过滤，获取有效日志；
[0014]2)根据过滤后的日志数据构建学习路径网络与学习事务图集合；
[0015]3)根据外界服务请求和学习路径网络、学习事务图集合挖掘起泡图或双起泡图；当请求为一个知识元时挖掘起泡图，请求为两个知识元时挖掘双起泡图；在挖掘时先初始化候选子图集合，然后在学习路径网路当中找到与候选子图有边连接且此边具有最大权值的节点，则将此节点与此边加入该候选子图，形成新的候选子图集合；重复此过程，直到候选子图的节点个数达到给定的阈值为止，最后选取相对支持度最大的候选子图作为挖掘结果的起泡图或双起泡图；
[0016]4)将挖掘结果推荐给学习者，并在学习者与学习系统进行交互的过程中采集学习日志。
[0017]所述获取有效日志的步骤如下:
[0018]学习者与基于知识地图的网络学习系统交互过程中产生的学习行为日志表示为{clicklnforj ;其中 clicklnfor= (userid, objectld, timeStamp, clickLength) ,userid表示学习者标识，objectld表示该日志所对应的学习对象标识，timeStamp表示该日志所对应的学习过程的开始时间，clickLength表示该日志所对应的学习过程的学习时长；
[0019]首先对学习行为日志中所有点击行为进行分析，统计出学习时长clickLength与相应点击次数clickCount之间的对应关系，将学习行为日志中的点击行为看作两种类型点击的集合:
[0020]一种是用户与系统进行一般性交互产生的，其点击次数f (t)随停留时长t变化的规律服从韦伯分布
【权利要求】
1.一种基于思维地图的网络学习资源推荐方法，其特征在于:包括以下操作: 1)采集学习者与基于知识地图的网络学习系统交互过程中产生的学习行为日志，分析学习行为日志中的学习时长，获取学习时长阈值，并以该阈值对学习行为日志进行过滤，获取有效日志； (2)根据过滤后的日志数据构建学习路径网络与学习事务图集合； (3)根据外界服务请求和学习路径网络、学习事务图集合挖掘起泡图或双起泡图；当请求为一个知识元时挖掘起泡图，请求为两个知识元时挖掘双起泡图；在挖掘时先初始化候选子图集合，然后在学习路径网路当中找到与候选子图有边连接且此边具有最大权值的节点，则将此节点与此边加入该候选子图，形成新的候选子图集合；重复此过程，直到候选子图的节点个数达到给定的阈值为止，最后选取相对支持度最大的候选子图作为挖掘结果的起泡图或双起泡图； (4)将挖掘结果推荐给学习者，并在学习者与学习系统进行交互的过程中采集学习日
2.根据权利要求1所述的基于思维地图的网络学习资源推荐方法，其特征在于，获取有效日志的步骤如下: 学习者与基于知识地图的网络学习系统交互过程中产生的学习行为日志表示为{clicklnforj ;其中 clicklnfor= (userid, objectld, timeStamp, clickLength) ,userid表示学习者标识，objectld表示该日志所对应的学习对象标识，timeStamp表示该日志所对应的学习过程的开始时间，clickLength表示该日志所对应的学习过程的学习时长； 首先对学习行为日志中所有点击行为进行分析，统计出学习时长clickLength与相应点击次数clickCount之间的对应关系，将学习行为日志中的点击行为看作两种类型点击的集合: 一种是用户与系统进行一般性交互产生的，其点击次数f(t)随停留时长t变化的规律服从韦伯分布/⑴=/b) t ； 另一种是学习者的真实学习过程产生的日志，其点击次数g(t)随停留时长t变化的规律服从高斯分布gG) = C=V…-新、; 将clickLength作为自变量t, clickCount看作f (t)与g(t)的取值之和,对f (t)与g(t)进行拟合:
g(i) = 94.14*eH(i_38.98)/2U2)_).按照g(t)置信度为90%的置信区间，选取学习者的学习行为的点击停留时长阈值为clickLengthThreshold ； 然后过滤掉学习行为日志IclickInforJ中所有点击时长clickLength－clickLengthThreshold 的 ClickInfori,得到有效日志集{clicklnfj。
3.根据权利要求1所述的基于思维地图的网络学习资源推荐方法，其特征在于:根据效日志集IclickInfJ构建学习路径网络LM的步骤如下: 学习路径网络表示为LM(LU，LE，Ib (LU)，Ib(LE))，其中，LU表示学习者所学习过的知识元集合； LE表示学习者在学习过程中形成的学习路径上各条无向边的集合； Ib (LU)表示LU中所有节点Vi的标记所组成的集合，对任意节点Vi e LU, Ib (Vi) = (e)i,ccv (Vi)，Itv (Vi)，Iqv (Vi)) ；ccv (Vi)表示对节点Vi的累计点击次数，Itv (Vi)表示对节点Vi的累计停留时长，；lqV(Vi)表示学习过节点Vi的不同学习者的数量； Ib(LE)表示LE中所有ei的标记所组成的集合,对任意边ei e LE, Ib (ej = (e” jce (e)，Ite (ei, Iqe (ei) ；jce(ei)表示沿Oi的累计跳转次数,IteGi)表示沿Oi的累计学习时长，Iqe (e,)表示沿&跳转过的不同学习者的累计数量；(Vi,')与(',Vi)均表示同一条边；首先统计有效日志集IclickInfJ中所有学习对象标识ObjectIdi,组成集合LU,根据有效日志集IclickInfJ统计LU中每一个节点Vi所对应的累计点击次数CCV(Vi)、累计停留时长Itv (Vi)、不同学习者的数量Iqv (Vi)，组成集合Ib (LU)； 其次统计有效日志集IclickInfJ中每一个学习者UserIdk所对应的日志集{clicklnfkl, clicklnfk2,...，clicklnfkn},并将边(objectIdki, objectldk(i+1))构成集合 LE 中；根据有效日志集IclickInfJ统计LE中每一条边Gi的累计跳转次数jce (ej ,累计学习时长Ite (e,)，不同学习者的累计数量Iqe (e,)，组成集合Ib (LE)。
4.根据权利要求3所述的基于思维地图的网络学习资源推荐方法，其特征在于:根据有效日志集IclickInfJ构建学习事务图集合TG的步骤如下: 学习事务图集合表示为TG(tgl，tg2,...，tgm)，其中，tgi表示学习者一次登录的学习路径构成的无向图，tgi= (TVi, TEi) ;!表示学习事务图tgi的节点集合，G: LU表示学习者所学习过的知识元集合，TEi表示学习事务图tgi的边集合，TEiTVi XTVi, (Vi> v.)与(vj, Vi)表示相同的边表示学习者登录学习的次数； 首先统计有效日志集IclickInfJ中每一个学习者UserIdk每次登录后的学习过程所对应的日志集IclickInfkl, clicklnfk2,...，clicklnfto}，则该过程所对应的学习事务图1g1=(TYuTE1)为:
TVi=1bjectIdkl, objectIdk2,...，objectIdkn}, ObjectIdkn 表示第 k 个学习者所学习的第η个学习对象； 两个学习对象构成一条边，则
TEi= {(objectldkl, objectldk2), (objectldk2, objectIdk3),..., (ObjectIdk(1), objectIdkn) I ; 学习事务图集合TG为根据有效日志集IclickInfJ分析得出的所有学习事务图丨&组成的集合。
5.根据权利要求4所述的基于思维地图的网络学习资源推荐方法，其特征在于，根据学习路径网络LM与学习事务图集合TG挖掘得到的起泡图或双起泡图表示为cm(DV, CV, CE)，其中，DV为输入的学习目标知识元组成的集合，当DV中仅有一个知识元时挖掘起泡图，如果DV中有两个知识元时则挖掘双起泡图；CV为起泡图或双起泡图中知识元节点的集合；CE为起泡图或双起泡图中节点之间边的集合，CEgCVxCV 根据学习路径网络LM与学习事务图集合TG挖掘以学习目标知识元集合DV为中心的起泡图或双起泡图的具体步骤为: (1)如果DV中元素个数DV|=1，则初始化1-CM={(DV，CV，CE)}，CV=DV, CE=0 ;如果|DV|=2，则初始化2-011={(0￥，CV, CE)}, CV=DV, CE=φ ;其中，k_CM为具有k个节点的候选子图组成的集合； (2)初始化候选节点集合VS={Vi|dis(DV，Vi，LM)( r}-DV，初始化候选边集合ES={(Vi, Vj) I Vi, Vj e VS, (Vi, Vj) e LE},其中，dis (DV, Vi, LM) =min {dis (Vi, Vj, LM)}, Vj e DV ；dis (Vi, Vj, LM)表示Vi与Vj在LM中的距离； (3)将VS中的每一个节点分别加入CV中，将ES中对应的边加入CE中，形成新的k+Ι节点候选子图集(k+1)-CM，加入节点与边的方法为:首先将节点\加入CV中，然后计算节点Vj与DV中各个节点Vi之间的边的权重weight ((Vi, Vj))；
weight ((Vi, vJ))=jce((vi, Vj)) / [dis (DV, Vi, LM)+dis(DV, Vj, LM)], Vi e DV,将weight ((Vi, Vj))最大的边加入 CE 中形成(k+1)-cm= (DV, CV U {v」}，CE U并将k+1节点候选子图(k+1)-cm加入k+1节点候选子图集(k+l)_CM中；如果对VS中某个节点Vj,所有weight ((Vi, Vj))都等于O,则不加入该节点,k_cm表示某个具有k个节点的候选子图；
(4)对k-CM 中的任意两个候选子图11-Cmi (DV, k-CVi, k-CEj 与 k-cm」(DV, k-CV」，k-CEj):如果 Ik-CVi n k-CVj I =k-l,合并 k-cnii 与 k-cm」为新的(k+1) _cmh(DV, I1-CVi U k-CVj,(k+1) -CEh)，其中，(k+1) -CEh为I1-CVi U k-CVj中节点的最大生成树中的边组成的集合；k-CVi U k-CVj 中任意两个节点 Vi 与 Vj 间的权重 weight ((Vi, Vj)) =jce ((Vi, Vj)) /[dis (DV, Vi, LM) +dis (DV, Vj, LM)]； (5)判断(k+1)-cmh是否满足约束条件,如果满足,则将(k+l)_cmh加入(k+l)_CM中；否贝U，将(k+1)-Cmh删除；约束条件的表述为:
6.如权利要求5所述的基于思维地图的网络学习资源推荐方法，其特征在于，对于起泡图，约束条件中各阈值为:
7.如权利要求5所述的基于思维地图的网络学习资源推荐方法，其特征在于，所述的请求为学习者的显式查询，学习者对知识地图中某个知识元的点击，或者为领域教学专家针对教学习题的标注。
8.根据权利要求1所述的基于思维地图的网络学习资源推荐方法，其特征在于:基于思维地图的网络学习资源推荐方法的输入为学习目标知识元集合DV，输出为起泡图或双起泡图cm，学习资源推荐的具体步骤为: (1)对日志进行预处理，分析学习时长阈值，并对学习日志进行过滤获取有效日志集{clicklnfj ； (2)根据有效日志集{clicklnfj构建学习路径网络LM与学习事务图集合TG; (3)挖掘以DV为中心的起泡图或双起泡图cm； (4)将挖掘结果推荐给学习者并采集学习日志。
【文档编号】G06F17/30GK103455576SQ201310370799
【公开日】2013年12月18日 申请日期:2013年8月22日 优先权日:2013年8月22日
【发明者】田锋, 陈妍, 付雁, 曾彬, 郑庆华 申请人:西安交通大学