结合深度知识追踪与矩阵补全的习题推荐方法
2023-07-21郭英清肖明胜
计算机技术与发展 2023年7期
郭英清,王 敏,2,肖明胜
(1.赣南师范大学 数学与计算机科学学院,江西 赣州 341000;2.江西省数值模拟与仿真技术重点实验室,江西 赣州 341000)
0 引 言
随着教育资源规模日益增大,学习者难以在数量庞大的教学资源中找到符合自身需求的资源。同样地,教师面对大量的学习者也难以做到为每一位学习者提供个性化学习推荐。特别地,在信息过载的今天,为满足不同认知能力和知识水平的学习者需求,如何在大量的习题中精准地推荐合适的习题是个性化学习研究的一项重要课题。
近年来,许多研究者将推荐技术用于习题推荐,其主要思路是以学习者的习题成绩作为评分,将习题得分预测转换成评分预测,从而实现习题推荐。现有的习题推荐方法主要分为基于协同过滤的方法和基于认知诊断的方法。基于协同过滤的习题推荐方法有:Linden等人[1]根据学生做题记录计算相似性得到相似用户,利用相似用户的习题得分预测目标学生得分情况,再用预测结果进行习题推荐。Wu等人[2]结合时间效应提出张量因子分解方法,用矩阵分解方法预测学生习题成绩并依此进行学习资源推荐。Toledo等人[3]在编程平台使用协同过滤方法实现学生的在线习题推荐。周亚[4]将学习者分为新老用户,以协同过滤算法为基础,提出一种混合推荐方法来提高习题推荐效果。蒋昌猛等人[5]通过更新学生-知识点失分率矩阵,获取薄弱知识点并以此进行习题推荐。马骁睿等人[6]用深度知识追踪得到的知识水平矩阵代替交互矩阵,融合相似用户的知识水平向量,得到的推荐结果准确性高、解释性好。……
登录APP查看全文
