本發明涉及電數字數據處理相關，具體地說，是涉及基于學生學習成效預測的學習方案推薦方法及系統。

背景技術：

1、本部分的陳述僅僅是提供了與本發明相關的背景技術信息，并不必然構成在先技術。

2、隨著互聯網技術的快速發展，在線學習平臺已經成為獲取知識的重要途徑。然而，由于平臺上的學習資源數量龐大、內容復雜，學生往往難以快速定位最適合自身需求的學習內容，導致學習效率低下。同時，學生的學習能力、學習興趣及知識掌握程度存在較大差異，統一的課程推薦方式無法滿足個性化學習需求。為提升學習體驗，優化學習資源利用率，基于學習方案推薦的智能系統應運而生，通過分析學生的學習行為和知識掌握情況，為其推薦最優的學習路徑，從而提高學習效果。

3、目前，學習推薦方案主要基于內容推薦以及數據挖掘技術，結合學生的歷史學習記錄和行為數據進行個性化推薦。其中，最有效的方法是基于學習預測的推薦，即通過對學生的學習行為數據進行分析，預測其未來的學習成效，并基于預測結果調整推薦內容。這類方法能夠有效發現學生的學習短板，實現針對性地學習干預，從而提高學習效率和學習成功率。

4、盡管基于學習預測的推薦方法具有較好的個性化推薦效果，但目前的學習預測方法仍存在以下問題：

5、（1）學習行為數據分布復雜，特征提取能力受限；學生的學習行為數據呈現出復雜的個性化特征，并具有不同的分布特點。然而，現有特征提取方法主要依賴于卷積神經網絡（cnn），傳統的卷積核采樣位置固定，感受野范圍有限，無法充分學習學生個性化學習行為數據的不同分布特征，導致學習特征提取不充分。

6、（2）忽略了學習行為的時序特征：學生的學習過程具有連續性和時序性，例如學習進度、學習頻率等因素都會影響其學習成效。然而，現有的學習預測模型大多采用靜態特征提取方法，影響了預測的準確性。

7、（3）模型泛化能力差，預測準確率受限當前主流的學習預測方法大多采用單一的深度學習模型，例如多層感知機（mlp）或卷積神經網絡（cnn）。mlp在處理高維特征時容易過擬合，而傳統的cnn在提取長序列學習行為數據時性能下降，導致預測準確率受限?？梢姡瑔我簧疃葘W習模型的泛化能力較差，難以適應不同類型學生的學習行為模式，影響推薦系統的魯棒性。

技術實現思路

1、本發明為了解決上述問題，提出了一種基于學生學習成效預測的學習方案推薦方法及系統，充分挖掘學生個性化學習行為特征和時間序列特征，融合多種深度學習方法的學生學習成效預測模型，實現了對在線學習平臺學生的學習成效的準確預測，進而能夠生成更優的學習方案實現學習方案的推薦。

2、為了實現上述目的，本發明采用如下技術方案：

3、一個或多個實施例提供了基于學生學習成效預測的學習方案推薦方法，包括如下步驟：

4、獲取待預測用戶的學習行為日志，進行預處理并構造為學習行為矩陣；

5、基于改進后的卷積神經網絡對學習行為矩陣進行特征提取，生成學習行為特征向量；

6、所述改進后的卷積神經網絡為：在原卷積神經網絡的卷積層上設置附加卷積層，附加卷積層對學習行為矩陣的數據分布進行學習得到位置偏移量，動態調整原有卷積核采樣位置；

7、將學習行為特征向量采用雙向長短時記憶網絡，提取學習行為特征中的時序信息，生成時序特征向量；

8、構建具有兩層神經元結構的全連接網絡，對時序特征向量進行全連接操作處理得到主要特征成分，并對特征向量進行降維，得到學習效果預測結果，基于學習效果生成推薦學習方案。

9、進一步地，雙向長短時記憶網絡在正向長短時記憶網絡基礎上，增加反向長短時記憶網絡，正向長短時記憶網絡用于捕獲學習行為特征隨時間推移的前向依賴關系，反向長短時記憶網絡建模學習行為特征的反向依賴關系；

10、一個或多個實施例提供了基于學生學習成效預測的學習方案推薦系統，包括：

11、學習行為矩陣構建模塊，被配置為獲取待預測用戶的學習行為日志，進行預處理并構造為學習行為矩陣；

12、學習行為特征提取模塊，被配置為將構造的學習行為矩陣基于改進后的卷積神經網絡，動態調整采樣位置進行特征提取，生成學習行為特征向量；

13、時序特征提取模塊，被配置為將學習行為特征向量采用雙向長短時記憶網絡，雙向提取學習行為特征中的時序信息，生成待預測用戶的時序特征向量；

14、預測推薦模塊，被配置為采用全連接網絡對時序特征向量進行全連接操作處理，并對特征向量進行降維，得到學習效果預測結果，基于學習效果生成推薦學習方案。

15、與現有技術相比，本發明的有益效果為：

16、本發明結合深度學習和智能推薦算法，對學生學習成效進行預測，并基于預測結果為學生提供個性化的學習方案推薦。通過改進的卷積神經網絡（cnn）自適應卷積提取個性化學習行為特征，雙向長短時記憶網絡（bilstm）提取時序信息，并通過全連接網絡（fc）進行成效預測，使學習方案推薦更具針對性和智能化。最終，該方法能夠顯著提升在線學習平臺的學習資源匹配度，提高學生學習效果，實現更精準、高效的個性化學習推薦。

17、本發明的優點以及附加方面的優點將在下面的具體實施例中進行詳細說明。

技術特征：

1.基于學生學習成效預測的學習方案推薦方法，其特征在于，包括如下步驟：

2.如權利要求1所述的基于學生學習成效預測的學習方案推薦方法，其特征在于：雙向長短時記憶網絡在正向長短時記憶網絡基礎上，增加反向長短時記憶網絡，正向長短時記憶網絡用于捕獲學習行為特征隨時間推移的前向依賴關系，反向長短時記憶網絡建模學習行為特征的反向依賴關系。

3.如權利要求1所述的基于學生學習成效預測的學習方案推薦方法，其特征在于：對學習行為矩陣進行學生行為特征提取，包括如下步驟：

4.如權利要求3所述的基于學生學習成效預測的學習方案推薦方法，其特征在于，采用附加卷積層對學習行為矩陣中數據位置的分布進行學習，得到位置偏移量，并將偏移量加入原始卷積核采樣位置中的方法，包括如下步驟：

5.如權利要求1所述的基于學生學習成效預測的學習方案推薦方法，其特征在于：全連接操作處理采用多層感知機的全連接網絡。

6.如權利要求1所述的基于學生學習成效預測的學習方案推薦方法，其特征在于，學習方案推薦方法采用協同過濾算法，包括如下步驟：

7.如權利要求1所述的基于學生學習成效預測的學習方案推薦方法，其特征在于：還包括構建學習成效預測模型，學習成效預測模型包括學習特征提取模塊、時序特征提取模塊以及全連接網絡；

8.基于學生學習成效預測的學習方案推薦系統，其特征在于，包括：

9.如權利要求8所述的基于學生學習成效預測的學習方案推薦系統，其特征在于：雙向長短時記憶網絡在正向長短時記憶網絡基礎上，增加反向長短時記憶網絡，正向長短時記憶網絡用于捕獲學習行為特征隨時間推移的前向依賴關系，反向長短時記憶網絡建模學習行為特征的反向依賴關系。

10.如權利要求8所述的基于學生學習成效預測的學習方案推薦系統，其特征在于：

技術總結
本發明涉及電數字數據處理技術領域，提出了一種基于學生學習成效預測的學習方案推薦方法及系統，包括：獲取待預測用戶的學習行為日志，進行預處理并構造為學習行為矩陣；基于改進后的卷積神經網絡對學習行為矩陣進行特征提取，生成學習行為特征向量；所述改進后的卷積神經網絡為：在原卷積神經網絡的卷積層上設置附加卷積層，附加卷積層對學習行為矩陣的數據分布進行學習得到位置偏移量，動態調整原有卷積核采樣位置；從學習行為特征向量中提取時序特征向量；基于全連接網絡進行全連接操作處理，得到預測結果，進行學習方案推薦。實現了對在線學習平臺學生的學習成效的準確預測，進而能夠生成更優的學習方案實現學習方案的推薦。

技術研發人員：馬坤,邵永偉,陳佳音
受保護的技術使用者：濟南大學
技術研發日：
技術公布日：2025/4/28