[0004] 本发明的目的是提供一种基于学习风格与认知水平的个性化资源推荐方法，在为学习者进行学习资源推荐的过程中对学习者和学习资源之间的差异进行了区分，实现了个性化学习资源推荐。
[0005] 本发明所采用的技术方案是，一种基于学习风格与认知水平的个性化资源推荐方法，具体按照以下步骤实施：
[0006] 步骤1、从学习行为记录得到学习者的历史学习风格
[0007] 学习行为包括查阅资源类型、学习时长、对资源的浏览次数、对论坛的发帖量、读帖量行为数据，学习风格包括四个维度，每个维度包括两种行为方式A和B，第一个维度的行为方式包括A活跃型和B沉思型，第二个维度的行为方式包括A感悟型和B直觉型，第三个维度的行为方式包括A序列型和B综合型，第四个维度的行为方式包括A视频型和B言语型，上述每种行为方式即为一种学习风格，将学习行为记录中的历史学习行为通过估算规则进行计算，获得历史学习行为对应的历史学习风格；
[0008] 步骤2、根据学习者历史测验记录判断学习者的历史认知水平；
[0009] 步骤3、判断学习者当前的学习风格，并利用当前的学习风格对历史的学习风格进行更新；
[0010] 步骤4、通过认知诊断得到学习者当前认知水平，利用当前的认知水平对历史的认知水平进行更新；
[0011] 步骤5、结合构建的学科知识图谱，联系资源对应的知识点难度，进行学习者学习风格和学习资源类型之间差异度计算；
[0012] 步骤6、计算学习者认知水平与学习资源难度之间的差异度；
[0013] 步骤7、通过深度神经网络输出个性化学习资源，完成向学习者推荐符合学习需求的个性化学习资源。
[0014] 本发明的特点还在于，
[0015] 步骤1中，将学习行为记录中的历史学习行为通过估算规则进行计算，获得历史学习行为对应的历史学习风格具体按照以下步骤实施：
[0016] 步骤1.1、将每个历史学习行为作为一个节点，利用贝叶斯定理计算学习风格全概率，即学习行为对应的学习风格：
[0017] P(si＝true，k1…kn)＝∑P(k1…kn) (1)
[0018] 式(1)中，Si表示学习风格，true为学习风格中的一种，k1…kn代表节点，P(si＝true，k1…kn)表示第n个节点对应的学习风格；
[0019] 步骤1.2、计算贝叶斯网络条件概率，利用贝叶斯网络条件概率表示学习风格条件概率，即一系列学习行为对应的学习风格：
[0020]
[0021] 式(2)中，Parents(Yi)是ki的双亲节点的集合，学习风格条件概率为一系列节点的条件概率，根据所计算的条件概率判断出学习者属于哪种学习风格。
[0022] 认知水平即学习者在某一学习阶段的知识掌握情况，学习者在学习的过程中是由多个知识点组成的，学习者对知识的掌握程度反应出学习者的学习情况；
[0023] 步骤2具体按照以下步骤实施：
[0024] 步骤2.1、将认知水平分为三个等级，并给每个等级赋予属性值，认知水平的等级包括属性值为1的识别、属性值为2的理解、属性值为3的运用；将试题难度分为三个等级，并给每个等级赋予属性值，试题难度的等级包括属性值为1的简单、属性值为2的中等、属性值为3的难，简单试题的难度级别td为[0.1‑0.3]，中等试题的难度级别td为[0.1‑0.3]，难试题的难度级别td为[0.1‑0.3]；
[0025] 步骤2.2、从学习平台获取每个概念知识点出的题目数量N、题目数量的难度级别td[0‑1]、学习者回答正确题目的数量m；
[0026] 步骤2.3、根据累计积分＝学习者回答正确题目的数量*试题级别属性值，参考值＝每个概念知识点出的题目数量*试题级别属性值，计算每个学习者每个知识点的如下参数：
[0027] 累计积分：Allscore＝m×c (3)
[0028] 参考值：Rescore＝N×c (4)
[0029] 累计积分与参考值比值： 0≤V≤1(5)
[0030] 试题的平均难度级别：
[0031] 步骤2.4、整合、分析、对比步骤2.3计算的参数，若V∈(0，1/3)且Avelevel∈(0，0.3)，则学习者的认知水平为识记；若V∈(1/3，2/3)且Avelevel∈(0.4，0.7)，则学习者的认知水平为理解；若V∈(2/3，1)且Avelevel∈(0.8，1)，则学习者的认知水平为应用。
[0032] 步骤3具体为：
[0033] 通过学习风格问卷判断学习者当前的学习风格，并利用当前的学习风格对历史的学习风格进行修正和更新；学习风格问卷由多道题目组成，每种学习风格的维度对应相同数量题目，根据作答结果计算学习者偏向学习风格程度，并由此判断学习者的学习风格种类，该学习风格种类即为当前的学习风格，更新历史学习风格记录。
[0034] 步骤4具体为，
[0035] 步骤4.1、每个学习者u描述为一个知识点掌握程度向量，学习者u对第k个知识点的掌握程度表示为αu，αu＝{αu1，αu2，…，αuk}，其中每一维对应一个知识点，αuk＝1表示学习者u掌握第k个知识点，αuk＝0表示学习者u未掌握第k个知识点；
[0036] 步骤4.2、在已知学习者u的知识点掌握向量αuk的情况下，对于学生u未作答的试题Jv根据下式获得学习者u对试题Jv的潜在作答：
[0037]
[0038] 步骤4.3、基于步骤4.2对学习者建模DINA模型，DINA模型为Deterministic Inputs，Noisy“And”gate model，DINA模型表达式：
[0039]
[0040] 式(8)中，gv表示猜测率，即未掌握答对任何试题技能的学生答对试题v的概率；sv表示失误率，即掌握答对任何试题技能的学生答错试题v的概率；Pv表示学习者对未作答的试题Jv的掌握；
[0041] 步骤4.4、对学习者知识点掌握进行建模得到学生的个性化知识点掌握程度，并根据学习者的个性化知识点掌握程度获得学习者在试题上的掌握程度，判断学习者当前的认知水平。
[0042] 步骤5具体按照以下步骤实施：
[0043] 步骤5.1、将初中数学知识点整理为csv格式文件，并使用图数据库Neo4j将知识点实体信息和关系信息进行知识存储并构建知识图谱，定义Q个学习资源的集合为：
[0044] O＝{o1，o2，…，oQ}
[0045] 学习资源选择矩阵：
[0046]
[0047] 步骤5.2、学习资源的媒体表现形式为四种，分别是：文字en1、图片en2、音频en3、视频en4，学习资源对象Qn采用各种表现方式的程度LREn：
[0048] LREn＝{en1，en2，en3，en4} (9)；
[0049] 步骤5.3、基于知识图谱，计算学习者学习风格和学习资源类型之间的差异度：
[0050]
[0051] 式(10)中，xij表示从学习资源矩阵随机抽取的个体。
[0052] 步骤6学习者认知水平与学习资源难度之间的差异度为，
[0053] f2(x)＝xij×|rdi‑si| (11)
[0054] 式(11)中，rd表示学习资源的难度，其中，资源难度0≤rdn≤1，i属于n。
[0055] 步骤7具体为，建立三层结构的神经网络，构造目标函数
[0056] minF(x)＝ω1f1(x)+ω2f2(x) (12)
[0057] 式(12)中，ω1+ω2＝1 (13)
[0058] 式(13)中，ω1为目标函数中f1(x)对应的权重，ω2为目标函数中f2(x)对应的权重；
[0059] 向神经网络输入学习者的当前学习风格和当前认知水平，在神经网络第一层中构建特征选择模型，特征选择模型限定学习资源是否推荐的条件；满足条件输入第二层神经网络，在神经网络第二层中建立深度神经网络学习模型，将目标函数通过训练迭代收敛至最小值，得到学习资源推荐模型；第三层神经网络中，将模拟的测试数据输入训练完毕的学习资源推荐模型，输出资源库中推荐的个性化学习资源，完成向学习者推荐符合学习需求的个性化学习资源。
[0060] 知识点关系信息包括依赖、被依赖、属于、包含、反义、近义和同位。
[0061] 本发明的有益效果是，
[0062] 1)考虑到了学习者的个性特征。本发明考虑了学习者历史的学习风格与认知水平，并利用测评的方式对构建的学习者模型进行了修正与更新；
[0063] 2)学习者特征数据和知识点特征数据的匹配度计算。本发明进行了学习者学习风格和学习资源类型之间的差异计算，同时也进行学习者认知水平与学习资源难度之间的差异计算，进而可以根据学习者的情况，给学习者推荐适合学习者学习类型和学习难度的个性化资源；
[0064] 3)组合优化，由于认知水平是动态的，在本发明中，基于学习者模型和学习资源模型的推荐，利用神经网络算法进行推荐，分类、预测准确性好，在数据处理的过程中更具优势。
