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

发布时间：2021-02-27 16:47

　　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。 

【文章来源】：计算机科学. 2019,46(S2)北大核心

【文章页数】：6 页

【部分图文】：

图５确定试题推荐列表流程图实验与结果分析

ｓｉｏｎ＋Ｒｅｃａｌｌ（９）其中，ＴＲ表示推荐结果中推荐正确的项，ＦＲ表示推荐结果中错误的项，ＮＲ表示正确的结果但是没有进行推荐。４．２．２平均得分ＡＲ试题推荐与传统的电影推荐或者音乐推荐并不相同，其本质是根据学生对知识点的实际掌握情况进行相应难度试题的推荐，既不能过于简单也不能过于困难。所以仅使用传统基于ＴＯＰ－Ｎ或者评分预测思想进行推荐的评估参数（准确率、召回率、Ｆ１）进行实验的评估结果并不十分全面，因此本文提出了平均得分ＡＲ来作为试题推荐结果的一个评估参数，计算方式为ＡＲ＝∑ｎｉ＝１Ｒｎ，其中Ｒ是每个试题的学生得分，ｎ是推荐试题的数量。ＡＲ表示学生在推荐试题上的平均得分，若果ＡＲ值偏大，则表明推荐试题较为简单，无法达到练习的目的；如果ＡＲ值偏小，则表明推荐试题难度过大，学生正确率偏低。推荐结果的ＡＲ值应保持在适当范围内。４．３实验结果与分析为了对实验结果进行评估，本文引入了以下方法进行对比分析。１）基于项目的协同过滤方法。根据学生的学习记录，找出跟学生表现较好的试题最相似的项目，然后根据项目的相似分数从高到低进行推荐。２）基于ＫＮＮ推荐方法。通过学生的做题记录，计算学生之间的相似度，并根据最相似的Ｋ个学生的得分情况预测目标学生在试题上的得分情况，并进行推荐。３）基于矩阵分解的推荐方法。将学生与试题得分矩阵Ｒｍ×ｎ，分解为学生矩阵Ｓｍ×ｋ和试题矩阵ＰＴｎ×ｋ，其中学生矩阵Ｓｍ×ｋ表示学生

【参考文献】：
期刊论文
[1]认知诊断评估对实现有效诊断教学的促进作用[J]. 孙琳琳.  世界最新医学信息文摘. 2018(20)
[2]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅.  计算机学报. 2018(07)
[3]智能教育与教育智能化技术研究[J]. 徐立芳,莫宏伟,李金,梁红,栾宽.  教育现代化. 2018(03)
[4]教育大数据研究综述[J]. 杜婧敏,方海光,李维杨,仝赛赛.  中国教育信息化. 2016(19)
[5]错题管理系统中个性化推荐练习算法的设计与实现[J]. 王文泉.  中国教育信息化. 2016(11)
[6]发展教育大数据:内涵、价值和挑战[J]. 杨现民,唐斯斯,李冀红.  现代远程教育研究. 2016(01)
[7]基于粒子群优化算法的学习资源推荐方法[J]. 杨超.  计算机应用. 2014(05)
[8]基于错题库的个性化练习生成模型研究[J]. 蒋一君,邱飞岳,刘迎春,吴皖赣.  中国教育信息化. 2011(08)
[9]基于概念图的教学内容智能调整模型及算法实现[J]. 申瑞民,汤轶阳,韩鹏,杨帆.  上海交通大学学报. 2002(05)



本文编号：3054519