[發明專利]一種基于深度學習的適應性學習系統和方法

在審

• 申請號: 202010199603.4
• 申請日: 2020-03-20
• 公開（公告）號: CN111401525A
• 公開（公告）日: 2020-07-10
• 發明（設計）人: 陳家峰;李書兵
• 申請（專利權）人: 珠海讀書郎網絡教育有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06K9/62
• 代理公司: 長沙軒榮專利代理有限公司 43235
• 代理人: 黃藝平

1.本發明提供了一種基于深度學習的適應性學習系統，其特征在于，該學習系統包括前端模塊、后端模塊和存儲模塊組成；前端模塊為學生用戶、教師用戶、管理員用戶的操作界面，負責處理用戶信息的輸入、輸出及教學、試題內容展示，通過網絡與后端模塊連接；后端模塊包括基礎服務和業務服務兩個部分，負責處理、修改、查詢用戶及教學、試題數據的工作；后端模塊連接存儲模塊將用戶和教學數據進行存儲。

2.應用所述一種基于深度學習的適應性學習方法主要包括以下步驟：

步驟1，用戶通過前端模塊進行登錄和學習，后端模塊分析處理存儲模塊中用戶的數據集，獲取學生及其學習資源的數據；

步驟2，在學習資源數據的眾多特征中尋獲學習者與資源之間關聯并建立特征選擇模型，以此來完成推薦方法的輸入過程；

步驟3，建立學習者-資源的二部圖關聯模型，得到推薦方法的輸出；

步驟4，基于深度神經網絡模型，判斷學習者是否學習某一學習資源及對該學習資源的重視程度；

步驟5，確定最終的學習資源推薦列表，將推薦的學習資源通過前端模塊向用戶展示。

3.如權利要求2所述的基于深度學習的適應性學習方法，其特征在于，

步驟2中的建立特征選擇模型方式為：選用基于互信息特征選擇(MIFS)方法，獲取信息度量評價函數，信息度量評價函數可表示為：

其中S為已選擇的特征，s為單個特征，f為候選特征，C為類別，β為調節系數函數g(C，f)是C、f之間的信息量，g(s，f)是s、f之間的信息量，已選擇的特征表示確定會影響學習者選擇資源的一些特征，其包含資源的知識內容、學習時長、資源展現形式。

4.如權利要求2所述的基于深度學習的適應性學習方法，其特征在于：

步驟3中的建立二部圖關聯模型方式為：定義學習者集合為：L＝{l₁，l₂，l₃，…l_m}；資源集合為：R＝{r₁，r₂，r₃，…r_m}，可得到一個由學習者集合和資源集合構成的二值關系矩陣X_m×n：

其中行向量代表學習者，列向量則代表學習者學習過該資源，若X_m×n＝1，則表示學習者學習過該資源，若X_m×n＝0，則沒有學習過，這樣簡單的歸一處理并不能客觀地反映出學習者對學習資源的關注程度，因此學習某一資源的頻次是不能忽略的；學習者對學習資源的學習頻率可反映不同的偏好程度，資源學習的平均頻率可定義為：

其中代表l_i使用學習資源的平均次數，n(l_i)代表l_i已學習資源的數量，代表l_i學習資源的總次數，由于該頻率大小與對學習者是否有興趣學習該資源有很大關系，學習者對某一學習資源學習次數較多，可以認為該學習者對該資源或者該類資源具有較高關注度；

同時對具體的學習頻率進行預測，將其與實際學習次數比較，判斷其誤差大小，即推薦模型的回歸分析，進一步為了決定某一學習是否推薦給學習者，將學習資源的平均使用次數作為臨界值，即為推薦模型的分類分析，決定條件為：

5.如權利要求2所述的基于深度學習的適應性學習方法，其特征在于：

步驟4中的建立深度神經網絡模型方式為：

針對學習資源推薦問題所設計的深度神經網絡模型由輸入層、多個隱藏層和輸出層組成，根據上述兩節模型的構建，對該深度神經網絡模型具體設計如下：

隱藏層設計：隱藏層采用Sigmoid激活函數，其中x為橫坐標的值，f(x)為縱坐標的值，其函數表達式為：

代價函數設計：本方法使用了標準的二次代價函數，函數中C表示代價，y代表實際值，a代表輸出值，，其函數公式如下：

輸出層設計：本方法解決的學習資源推薦問題最終是轉換為推薦或者不推薦的問題，因此輸出層采用經典的邏輯回歸模型，Sigmoid函數就是其概率函數。