计算机科学 ›› 2019, Vol. 46 ›› Issue (11A): 172-177.
熊慧君, 宋一凡, 张鹏, 刘立波
XIONG Hui-jun, SONG Yi-fan, ZHANG Peng, LIU Li-bo
摘要: 个性化试题推荐是实现高效学习的有效途径,帮助学生从“题海战术”中解脱出来,对实现适应性教学、促进教育公平具有重要意义。但目前个性化试题推荐方法大多是基于协同过滤进行试题层面的个性化推荐,没有聚焦到知识点层面,存在推荐试题定位不准确的问题。针对上述问题,对基于深度自编码器和二次协同过滤的个性化试题推荐方法进行了研究。首先考虑到学生对知识点的认知情况进行基于知识点的二次协同过滤试题推荐,然后应用项目反应理论和深度自编码器来预测学生在推荐试题上涉及推荐知识点的得分以及综合得分,最后对预测结果协同判断并控制最终个性化推荐试题的难度,产生最终的推荐试题列表。通过对比实验验证提出的推荐方法的推荐结果相对于传统试题推荐更具个性化和准确性。
中图分类号:
[1]杨现民,唐斯斯,李冀红.发展教育大数据:内涵、价值和挑战[J].现代远程教育研究,2016(1):50-61. [2]杜婧敏,方海光,李维杨,等.教育大数据研究综述[J].中国教育信息化,2016(19):1-3. [3]OXMAN S,WONG W,INNOVATIONS D V X.WhitePaper:Adaptive Learning Systems[EB/OL].[2015-01-02].http://www.integratededsolution.com/wp-content/uploads/2014/10/DVx-Adaptive-Learning-White-Paper-February-20131.pdf. [4]徐立芳,莫宏伟,李金,等.智能教育与教育智能化技术研究[J].教育现代化,2018,4(3):115-117,119. [5]刘邦奇.智慧教育:新时代的教育变革与转型[N].中国教育报,2018-01-27(3). [6]LORD F.Some test theory for tailored testing[C]∥Computer assisted instruction,testing,and guidance.New York:Harper&Row,1970:139-183. [7]BATMAZ Z,YUREKLI A,BILGE A,et al.A review on deep learning for recommender systems:challenges and remedies[J].Artificial Intelligence Review,2018:1-37. [8]蒋一君,邱飞岳,刘迎春,等.基于错题库的个性化练习生成模型研究[J].中国教育信息化,2011(8):73-74. [9]郭辰.高中英语诊断性练习系统的需求分析、模块设计和知识体系构建[D].合肥:中国科学技术大学,2013:22. [10]王文泉.错题管理系统中个性化推荐练习算法的设计与实现[J].中国教育信息化,2016(11):67-70. [11]申瑞民,汤轶阳,韩鹏.基于概念图的教学内容智能调整模型及算法实现[J].上海交通大学学报,2002(5):102-105. [12]牛文娟.基于协同过滤的学习资源个性化推荐研究[D].北京:北京理工大学,2014. [13]杨超.基于粒子群优化算法的学习资源推荐方法[J].计算机应用,2014,34(5):1350-1353. [14]ADACHE I,FOURNIER S,CHIFU A G.Harnessing Ratings and Aspect-Sentiment to Estimate Contradiction Intensity in Temporal-Related Reviews[J].Procedia Computer Science,2017,112(C):1711-1720. [15]DASCALU M I,BODEA C N,MOLDOVEANU A,et al.A recommender agent based on learning styles for better virtual collaborative learning experiences[J].Computers in Human Beha-vior,2015,45(45):243-253. [16]黄立威,江碧涛,吕守业,等.基于深度学习的推荐系统研究综述[J].计算机学报,2018,41(7):1619-1647. [17]孙琳琳.认知诊断评估对实现有效诊断教学的促进作用[J].世界最新医学信息文摘,2018,18(20):243. [18]RAMI S,BENNANI S,IDRISSI M K.Towards a method for analyzing learning style using item response theory[C]∥International Conference on Information Technology Based Higher Education and Training.IEEE,2017:1-5. [19]SIGKDD:KDD Cup 2010:Student performance evaluation[OL].http://www.kdd.org/kdd-cup/view/kdd-cup-2010-student-performance-evaluation/Data. [20]KIRK J.jfkirk/tensorrec[OL].https://github.com/jfkirk/tensorrec. |
[1] | 饶志双, 贾真, 张凡, 李天瑞. 基于Key-Value关联记忆网络的知识图谱问答方法 Key-Value Relational Memory Networks for Question Answering over Knowledge Graph 计算机科学, 2022, 49(9): 202-207. https://doi.org/10.11896/jsjkx.220300277 |
[2] | 汤凌韬, 王迪, 张鲁飞, 刘盛云. 基于安全多方计算和差分隐私的联邦学习方案 Federated Learning Scheme Based on Secure Multi-party Computation and Differential Privacy 计算机科学, 2022, 49(9): 297-305. https://doi.org/10.11896/jsjkx.210800108 |
[3] | 程章桃, 钟婷, 张晟铭, 周帆. 基于图学习的推荐系统研究综述 Survey of Recommender Systems Based on Graph Learning 计算机科学, 2022, 49(9): 1-13. https://doi.org/10.11896/jsjkx.210900072 |
[4] | 王冠宇, 钟婷, 冯宇, 周帆. 基于矢量量化编码的协同过滤推荐方法 Collaborative Filtering Recommendation Method Based on Vector Quantization Coding 计算机科学, 2022, 49(9): 48-54. https://doi.org/10.11896/jsjkx.210700109 |
[5] | 徐涌鑫, 赵俊峰, 王亚沙, 谢冰, 杨恺. 时序知识图谱表示学习 Temporal Knowledge Graph Representation Learning 计算机科学, 2022, 49(9): 162-171. https://doi.org/10.11896/jsjkx.220500204 |
[6] | 王剑, 彭雨琦, 赵宇斐, 杨健. 基于深度学习的社交网络舆情信息抽取方法综述 Survey of Social Network Public Opinion Information Extraction Based on Deep Learning 计算机科学, 2022, 49(8): 279-293. https://doi.org/10.11896/jsjkx.220300099 |
[7] | 郝志荣, 陈龙, 黄嘉成. 面向文本分类的类别区分式通用对抗攻击方法 Class Discriminative Universal Adversarial Attack for Text Classification 计算机科学, 2022, 49(8): 323-329. https://doi.org/10.11896/jsjkx.220200077 |
[8] | 姜梦函, 李邵梅, 郑洪浩, 张建朋. 基于改进位置编码的谣言检测模型 Rumor Detection Model Based on Improved Position Embedding 计算机科学, 2022, 49(8): 330-335. https://doi.org/10.11896/jsjkx.210600046 |
[9] | 孙奇, 吉根林, 张杰. 基于非局部注意力生成对抗网络的视频异常事件检测方法 Non-local Attention Based Generative Adversarial Network for Video Abnormal Event Detection 计算机科学, 2022, 49(8): 172-177. https://doi.org/10.11896/jsjkx.210600061 |
[10] | 孙晓寒, 张莉. 基于评分区域子空间的协同过滤推荐算法 Collaborative Filtering Recommendation Algorithm Based on Rating Region Subspace 计算机科学, 2022, 49(7): 50-56. https://doi.org/10.11896/jsjkx.210600062 |
[11] | 胡艳羽, 赵龙, 董祥军. 一种用于癌症分类的两阶段深度特征选择提取算法 Two-stage Deep Feature Selection Extraction Algorithm for Cancer Classification 计算机科学, 2022, 49(7): 73-78. https://doi.org/10.11896/jsjkx.210500092 |
[12] | 程成, 降爱莲. 基于多路径特征提取的实时语义分割方法 Real-time Semantic Segmentation Method Based on Multi-path Feature Extraction 计算机科学, 2022, 49(7): 120-126. https://doi.org/10.11896/jsjkx.210500157 |
[13] | 侯钰涛, 阿布都克力木·阿布力孜, 哈里旦木·阿布都克里木. 中文预训练模型研究进展 Advances in Chinese Pre-training Models 计算机科学, 2022, 49(7): 148-163. https://doi.org/10.11896/jsjkx.211200018 |
[14] | 周慧, 施皓晨, 屠要峰, 黄圣君. 基于主动采样的深度鲁棒神经网络学习 Robust Deep Neural Network Learning Based on Active Sampling 计算机科学, 2022, 49(7): 164-169. https://doi.org/10.11896/jsjkx.210600044 |
[15] | 杜航原, 李铎, 王文剑. 一种面向电商网络的异常用户检测方法 Method for Abnormal Users Detection Oriented to E-commerce Network 计算机科学, 2022, 49(7): 170-178. https://doi.org/10.11896/jsjkx.210600092 |
|