一种教学内容智能推荐方法与流程

本发明涉及信息推送，具体为一种教学内容智能推荐方法。

背景技术：

1、教学内容是学与教相互作用过程中有意传递的主要信息，一般包括课程标准、教材和课程等等，当下正值新课程改革，基于生成性教学思维观念，人们对于教学内容有了新的认识。教学内容系指教学过程中同师生发生交互作用、服务于教学目的达成的动态生成的素材及信息。学校给学生传授的知识和技能，灌输的思想和观点，培养的习惯和行为等的总和，也叫课程。

2、教学内容是教育教学中的重要组成部分，影响着教学的效果和质量，教学内容应该紧密围绕教学目标，符合学生的年龄、认知水平、学科背景等特点，确保教学内容能够有效地帮助学生实现预设的学习目标，通过智能化系统建立教学模型，从而帮助学生建立系统的知识结构，实现教学资源的推荐，同时需要监测调整，不断进行优化和完善，以确保教学内容符合教学目标和学生的实际情况，提高教学效果。

3、现有对教学内容进行推荐，通常是教师通过自媒体将学习内容展示给学生，再对教学内容进行详细解释，通过测试反馈出学生所领悟的技能水平，这种教学内容推荐方式，虽然能够让学生学习到一些技能，但是这种方法教学效率较低，不够深入了解学生的学习状况和自身的兴趣特点，不能激发学生的兴趣和注意力，从而无法有效的对教学内容进行推荐。

4、为此，我们研发出了新的一种教学内容智能推荐方法。

技术实现思路

1、（一）解决的技术问题

2、针对现有技术的不足，本发明提供了一种教学内容智能推荐方法，解决了现有的教学内容推荐方法教学效率较低，不够深入了解学生的学习状况和自身的兴趣特点，不能激发学生的兴趣和注意力，从而无法有效的对教学内容进行推荐的问题。

3、（二）技术方案

4、为实现以上目的，本发明通过以下技术方案予以实现：一种教学内容智能推荐方法，包括以下具体步骤：

5、s1、智能推荐：智能推荐包括知识图谱推荐、学习行为推荐、数据模型推荐和教师评价推荐，根据学生自身学习情况、学习行为、学习兴趣以及教师对学生的评价，构建推荐数据模型；

6、s2、知识图谱推荐：根据学生学习兴趣数据构建学生画像，通过智能系统匹配适合学生的学习资源和教材，根据匹配结果获取数据；

7、s3、学习行为推荐：根据学生学习行为数据构建学习矩阵，通过智能系统计算学生之间相似度，根据计算结果获取数据；

8、s4、数据模型推荐：根据学生学习行为数据构建学习模型，通过智能系统将模型应用到实际场合中，通过模型引用出数据；

9、s5、教师评价推荐：根据教师对学生的评价，建立学生画像，通过学生画像匹配教学资源，智能系统将匹配结果生产数据；

10、s6、分别对智能推荐、知识图谱推荐、学习行为推荐、数据模型推荐、教师评价推荐所采集的数据进行收集，通过数据融合模型对其进行融合，得到较为科学的推荐内容；

11、s7、智能反馈：根据学生反馈情况优化系统模型，提高对数据分析精准度，将教学内容推荐更准确。

12、优选的，所述s1中，结合学生自身学习情况、学习行为、学习兴趣以及教师对学生的评价，综合采用知识图谱推荐、学习行为推荐、数据模型推荐和教师评价推荐，提高教学内容推荐的精准性。

13、通过上述技术方案。通过多个方面结合分析，大大提高了智能推荐的精准度，同时也比较多元化。

14、优选的，所述s2中,知识图谱推荐包括建立图谱、采集数据、构建画像、匹配资源和推荐资源，建立图谱是根据学科领域的知识体系和学习资源的关系，构建一个知识图谱，采集数据是需要收集和记录学生的兴趣数据，包括学生的爱好、学科偏好和阅读历史，构建画像是根据学生兴趣数据，通过系统分析学生的学习特点、兴趣爱好和学习能力，并建立学生的个人画像，匹配资源是根据学生个人画像和知识图谱，系统匹配适合学生的学习资源和教材，推荐资源是系统根据匹配结果，将适合学生的学习资源和教材推荐给学生。

15、通过上述技术方案。可以通过人工构建或利用自然语言处理等技术对知识图谱建立，可以通过问卷调查和学生自我评价方式对数据获得，真实性较强，从而提高数据的精准性，可以通过基于知识图谱的推理和匹配算法对数据进行处理和分析，可以通过系统界面和推送通知方式对学习资源进行展示和推送。

16、优选的，所述s3中,学习行为推荐包括收集数据、建立矩阵、计算数据、分析数据和推荐资源，收集数据是通过系统收集和记录学生的学习行为数据，包括浏览学习资源、学习资源下载和收藏学习资源，建立矩阵是将收集数据构成一个学习历史矩阵，计算数据是根据学习的历史矩阵，系统通过计算找出学生之间的相似度，分析数据是根据相似度计算结果，找到与目标学生最相似的一些学生，推荐资源是根据相似学生所使用的教材和学习资源，推荐给目标学生。

17、通过上述技术方案。可以通过学习管理系统和在线教育平台对学生的学习行为数据进行采集，矩阵中的每个元素表示学生对该资源的行为，比如评分和点击次数，可以通过余弦相似度和皮尔逊相关系数方法计算相似度，从而为学生提供个性化的学习资源，可以发现学生可能未意识到的学习资源，丰富学生的学习体验，同时能够促进学生之间的互动和合作，提高学习效果。

18、优选的，所述s4中,数据模型推荐包括收集数据、数据处理、建立模型、优化模型和推荐资源，收集数据是通过系统收集和记录学生的学习行为数据，包括浏览学习资源、下载学习资源和成绩评分，数据处理是对收集到的学生行为数据进行清洗、去噪和特征提取处理，建立模型是根据处理后的学生行为数据，构建适合教学内容推荐的推荐模型，优化模型是利用学生行为数据和构建好的推荐模型，进行训练和调整，推荐资源是将训练好的推荐模型应用到实际的推荐场景中，将适合学生的学习资源和教材推荐给学生。

19、通过上述技术方案。可以通过学习管理系统和在线教育平台对学生学习行为数据进行采集，对采集数据进行处理是以便于后续的模型训练和使用，建立模型常用的推荐算法包括协同过滤、基于内容的推荐和深度学习模型，优化模型可以得到更准确和个性化的推荐结果，可以通过系统界面和推送通知方式对教学内容进行展示，利用模型算法实现自动化的推荐过程，提高效率和精度，能够结合学科和课程特点，提供针对性的推荐策略和方案。

20、优选的，所述s5中,教师评价推荐包括收集数据、建立画像、匹配资源和推荐资源，收集数据是通过系统收集和记录教师对学生的评价数据，包括学生的学习表现、学习态度和知识掌握程度，建立画像是根据教师评价数据，通过系统分析学生的学习特点、兴趣爱好和学习能力，并建立学生的个人画像，匹配资源是根据学生的个人画像，通过系统匹配适合学生的学习资源和教材，推荐资源是系统根据匹配结果，将适合学生的学习资源和教材推荐给学生。

21、通过上述技术方案。可以通过教师的评语、成绩单和课堂互动记录方式获得学生的评价数据，可以通过机器学习算法和数据挖掘技术对学生个人画像进行处理和分析，可以通过与已有的学习资源和教材进行对比和匹配，找到与学生画像相符的资源，能够充分利用教师的专业知识和经验，为学生提供个性化的学习资源和教材，同时也促进了教师和学生之间的互动和合作，帮助教师更好地了解学生的学习情况，并根据学生的需求进行指导和辅导。

22、优选的，所述s6中,数据融合模型为粒子滤波器，将收集的数据进行初始化，初始化成一组粒子，每个粒子代表了系统可能的状态值，并且具有相应的权重，根据系统的状态转移模型，对每个粒子进行预测，根据观测值和系统的观测模型，对每个粒子的权重进行更新，根据粒子的权重，再进行重采样操作，根据重采样后的粒子集合，对系统的状态进行估计，根据系统的观测和状态转移模型，重复执行预测、权重更新、重采样和状态估计的步骤，以逐步改进对系统状态的估计，完成对采集数据的融合，将融合的数据形成较为科学内容结果。

23、通过上述技术方案。大大提高对教学内容推荐的准确性，同时让推荐的内容更加科学，从而更好满足每一个学生。

24、优选的，所述s7中,智能反馈包括收集数据、处理数据和优化系统，收集数据是通过系统收集学生采用此方法学习后的成绩数据，收集学生对智能教学内容的推荐反馈建议，处理数据是将学生原有成绩数据与现有成绩数据进行对比，记录学生反馈信息，优化系统是通过对比的成绩数据和学生反馈信息对图谱、矩阵、模型和画像进一步优化。

25、通过上述技术方案。处理数据将学生的过去学习成绩和行为数据展示出来，通过智能推送后，再对学习成绩和行为数据进行收集做对比，不断优化推荐算法和方法，提供更准确和个性化的推荐。

26、（三）有益效果

27、本发明提供了一种教学内容智能推荐方法。具备以下有益效果：

28、1、该教学内容智能推荐方法，通过设计有知识图谱推荐、学习行为推荐、数据模型推荐和教师评价推荐，结合学生自身学习情况、学习行为、学习兴趣以及教师对学生的评价，综合采用知识图谱推荐、学习行为推荐、数据模型推荐和教师评价推荐，大大提高了教学内容推荐的精准性。

29、2、该教学内容智能推荐方法，通过设计有智能反馈，通过系统收集学生采用此方法学习后的成绩数据，收集学生对智能教学内容的推荐反馈建议，通过对比的成绩数据和学生反馈信息对图谱、矩阵、模型和画像进一步优化，从而提高教学内容的精准度。