面向在线学习的知识图谱推荐方法研究 ——以高中数学为例

作     者：陈寰宇 

作者单位：东北石油大学 

学位级别：硕士

导师姓名：杜睿山

授予年度：2021年

学科分类：0401[教育学-教育学] 04[教育学] 081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 040110[教育学-教育技术学（可授教育学、理学学位）] 

主      题：在线学习 知识图谱 表示学习 高中数学 推荐系统 

摘      要：随着“互联网+教育的不断深入,在线学习系统成为许多人获取知识的新途径,但在海量的学习资源背景下,在线学习系统中存在着同质化、个性化不足的问题,为此研究者们开始研究将个性化学习与信息技术相结合,但目前传统的在线学习平台大多使用协同过滤算法等成熟的推荐技术,而当用户历史数据较稀疏时,传统的推荐算法的性能就会受到限制。因此许多的研究者引入以深度学习为代表的表示学习技术,该技术将知识图谱嵌入到一个连续的向量空间来解决数据稀疏、冷启动问题。但是目前对表示学习的研究基本上都是针对旅游、医学等领域,而用于数学教学相关的研究较少,理论研究深度不够,初中的数学主要以通俗的语言方式进行表达,而高中数学语言的抽象化对思维能力提出了更高的要求,导致处在该阶段的学生在学习数学过程中存在知识偏差等问题。基于此,本文从认知主义学习理论角度出发,依托知识图谱表示学习技术,进行了表示学习算法与高中数学知识推荐系统的研究。主要研究内容如下:首先,本文对在线学习、知识图谱表示学习理论的国内外现状进行分析,对传统的推荐算法、知识图谱表示学习以及在线学习进行概念界定,深入讨论认知主义学习理论、CTCL指导框架（Culture,Technology,Content,Learning）以及最近发展区理论对研究过程的指导作用。其次,本文引入表示学习方法解决传统推荐算法数据稀疏与冷启动问题,并基于该方法提出基于翻译模型的共享变量网络表示学习算法,该算法通过共享变量网络的方法将预测问题视为排序问题以解决表示学习模型在处理复杂关系时效率低下问题。经过验证,改进的表示学习算法在链接预测任务中优于经典翻译模型,为推荐算法流程框架提供支撑。然后,本文从认知主义学习理论的角度对推荐算法的流程进行设计,将改进的表示学习算法与传统协同过滤算法进行融合推荐,在此基础上解决传统的协同过滤算法仅仅考虑用户与物品间的行为信息而忽略用户和物品本身内容信息的问题。最后,本文构建了高中数学知识图谱作为数据基础,依托协同过滤与表示学习推荐技术,根据推荐系统设计原则设计并实现了高中数学知识推荐系统,验证推荐方法的有效性。最后通过问卷调查结果分析推荐算法与系统存在的问题。