基于层次任务网规划模型学习的专业学习路径系统及方法

摘要

本发明公开了基于层次任务网规划模型学习的专业学习路径系统，包括专业知识结构的分层任务网络(HTN)模型、知识结构HTN模型学习模块(HTNML)和学习路径生成模块(SHOP2)。本发明涉及人工智能规划和在线教育技术领域，具体提供了一种基于层次任务网规划模型学习的专业学习路径系统及方法，该方法将学习路径抽象理解为一种层次任务网规划模型，在专家构建的不完整的专业知识结构HTN模型基础上，从观察不完整的在线教育状态数据(即用户数据)出发，构建专业学习层次任务网规划模型，根据在线教育系统用户的学习目标和需求，计算出合适的学习路径推荐给用户。

说明书

技术领域

本发明涉及人工智能规划和在线教育技术领域，具体为基于层次任务网规划模型学习的专业学习路径系统及方法。

背景技术

个性化的学习路径推荐是在线教育系统的重要功能。基于层次任务网规划模型学习的学习路径推荐方法是将学习路径抽象理解为一种层次任务网规划模型，从观察不完整的在线教育状态数据出发，构建专业学习层次任务网规划模型，根据在线教育系统用户的学习目标，计算出合适的学习路径推荐给用户。

近几年来，随着在线教育在全社会各层次各行业的盛行，学习路径推荐也得到了较为广泛的研究，各种学习路径推荐方法和系统层出不穷。

陈诚提出了一种基于知识图谱的学习路径推荐方法和装置，该方法基于对用户的个人知识图谱进行建模和评价，根据评价结果向用户推荐学习路径，该方法依赖于对用户个人的知识结构进行知识图谱建模，其准确性和有效性严重依赖于对用户的知识结构完整性的把握程度，对客观的专业知识结构和内在逻辑缺乏了解和应用；王昂、张富春等人提出了一种基于用户行为数据分析的课程学习路径推荐方法及装置，该方法从用户行为(在线修读课程)数据中挖掘学习课程之间的关联权值，以该权值为依据向用户推荐学习路径，此方法依赖于系统已有的用户数据，以用户数据为依据推荐学习路径，具有一定的客观性，但该客观性同样不能全面反映知识内在逻辑的客观性，显得较为狭隘，同时缺乏对用户个性化需求的分析；黄立林、何渔等提出了一种基于知识网络的学习路径推荐方法，该方法基于知识点网络和题库的管理，根据用户的学习进度动态地推荐用户的学习路径，该方法能够体现专业知识结构客观的内在逻辑，也能依据用户学习轨迹进行动态的推荐，但知识点网络的维护是一个较大的知识工程，维护难度和成本较大；张佳磊提出了一种个性化学习路径规划方法，该方法结合了知识图谱和用户的学习状态进行动态的学习路径推荐，此外，该方法依赖于教材中的知识点结构，更适合用于中小学标准化教育，对职业类教育而言难以体现专业知识点结构的层次区分和内在逻辑，因此不太适合用于职业类专业学习；段玉聪、湛楼高、曹凯等人提出的应用驱动的基于数据图谱、信息图谱和知识图谱的学习路径推荐方法，该方法依赖于各类知识图谱的构建，通过获得用户的学习动态进行学习点和学习路径的推荐，此方法同样面临知识图谱难以自动演化从而导致维护困难等问题；王春枝、蔡文成等人提出了一种基于闪电搜索算法的个性化学习路径优化方法，该方法通过建立学习路径优化问题的数学模型、使用闪电搜索算法进行问题求解，从而得到最优的学习路径，这种方法以数学模型来对学习路径相关因素进行建模，当外部因素发生变化时必须重新设计数学模型，因此数学模型难以适应外部因素的变化，同时数学模型的建立严重依赖于建模者的个人经验，难以反映客观的专业知识结构的内在逻辑，同时维护极为困难，使得该方法过于理想化而难以应用到实际工程中。

层次任务网(Hierarchical Task Network，简称为HTN)规划是一种人工智能规划(AI planning)方法。该方法在给定的初始状态下，将实现某些目标的过程看作是一个个任务的完成过程，而任务可以表示为层次型结构，即：任务可以继续细分为一系列的子任务依次完成的过程，一个最原始的子任务称为动作(action)。动作不可再分的原子活动，动作由动作名称、参数、动作执行的前提条件和效果来定义。动作的前提条件和效果又可以定义为逻辑命题的集合。在HTN规划的框架下，将每一门课程的学习定义为一个动作，一系列动作可以组合成一个子任务，而将专业知识的目的表示为一个任务。这样可以很好地描述专业知识学习的层次性，以及课程之间的内在逻辑。

使用HTN规划的一大困难是HTN模型建立是一个较复杂的知识工程，更新维护难度较大。为解决这一问题，本发明提出了使用HTNML学习工具，通过观察用户学习中产生的数据，得到较完整的专业知识HTN模型，根据用户输入的学习目标，使用SHOP2等HTN规划工具计算得到学习路径。

发明内容

针对上述情况，为克服当前的技术缺陷，本发明提供了一种基于层次任务网规划模型学习的专业学习路径系统及方法，该方法将学习路径抽象理解为一种层次任务网规划模型，在专家构建的不完整的专业知识结构HTN模型基础上，从观察不完整的在线教育状态数据(即用户数据)出发，构建专业学习层次任务网规划模型，根据在线教育系统用户的学习目标和需求，计算出合适的学习路径推荐给用户。

本发明采取的技术方案如下：本发明基于层次任务网规划模型学习的专业学习路径系统，包括专业知识结构的分层任务网络(HTN)模型、知识结构HTN模型学习模块(HTNML)和学习路径生成模块(SHOP2)，所述分层任务网络(HTN)模型规划问题被定义为四元组：(S

进一步地，所述知识结构HTN模型学习模块的算法流程具体如下：以不完整HTN模型为基础，应用已有的HTNML系统，输入数据集，从观察到的用户数据中提取出谓词列表、动作模型列表和方法列表，分别构建状态约束、行动约束和分解约束，将这些约束赋予权值一起输入MAX-SAT工具进行求解，得到较完整的动作模型以及方法的前提条件，最后形成了较完整的HTN模型。

进一步地，所述动作模型包括动作参数、前提条件和效果描述。

进一步地，所述学习路径生成模块使用已有的SHOP2等HTN规划器，以用户的学习目标为基础构建HTN规划问题，即problem文件，SHOP2可根据输入的模型文件和问题文件求解得到学习路径。

基于层次任务网规划模型学习的专业学习路径的方法，具体包括下列步骤：

步骤一：系统配置，在使用HTNML(分层任务网络模型学习系统)前，需要对Profile文件进行配置，配置文件中第一行为数据集的目录，第二行为数据集的数量，第三行为观察所占的权重，第四行为在数据集中的分解树不完整描述所占的比例，第五六行分别是MAX—SAT求解器文件，最后一行为输出结果的地址；

步骤二：提取HTN模型，在这个步骤中，提取出HTN模型，包括预测列表、动作模式列表和方法结构列表；首先，先对所有分解树进行扫描，并用其对应的变量替换所有的对象，每一个变量都由一个类型约束；其次，收集所有的谓词构成谓词列表例如(on x y)变成(on？x？y)变成一个谓词列表；然后所有不同的动作模型科以作为一个动作模型列表；最后所有不同的任务分解，每一个任务都有相应的子任务组成，作为一个方法结构列表；

步骤三：建立状态约束，在分解树中，如果谓词执行动作之前频繁的出现，并且它的参数也是动作的参数，那么谓词很有可能是动作的前提条件，同样，如果在应用方法之前经常出现谓词，那么它很有可能是该方法的先决条件；如果在执行动作约束操作之后频繁的出现谓词，那么它很有可能就是动作效果；在我们学习的过程中，这些信息将以约束的形式编码，由于这些约束是由状态和动作、状态和方法之间的关系建立的，所以我们称这些约束为状态约束；

步骤四：建立分解约束，在这个步骤中，建立分解约束编码分解树所提供的结构信息，如果任务T可以分解成N个子任务ST1，ST2，…，STn，子任务STi提供子任务STi+1的方法的一些先决条件，因此，该方法可以应用下一个子任务STi+1，此外，预条件(或效果)的参数应该包含在前提条件(效果)所属的动作或方法的参数中；

步骤五：建立行动约束，确保所学的动作模型是有效的、且可重复的，并能反应真实世界的某些特征的动作模型，并进一步诱导一些约束在不同的行动种，上述约束作用于不可分割的个人行为，可分为以下两种类型：(1)在应用动作之前，动作可能不添加已经纯在的事实；(2)一个动作不能删除在应用动作之前不存在的事实；这些约束被放置以前确保所学的动作模型是简洁的，并且大多数现有的规划域满足它们。然而，我们的学习算法在没有它们的情况下是完美的；

步骤六：解决约束，通过建立三种约束来编码动作模型信息和方法的先决条件，在约束通过加权Max-set求解之前，必须确定三种约束的相对重要性，为此，引入三个新的参数B

采用上述结构本发明取得的有益效果如下：本发明基于层次任务网规划模型学习的专业学习路径系统及方法，该系统可以更好地体现专业知识的客观内在逻辑，同时兼顾用户数据的应用和用户个人的专业知识需求，且可以使系统维护性更好，本发明的另一个优势在于使用了知识结构HTN模型学习模块(HTNML)，该模块使用一个HTN学习工具——HTNML，可以在给定一个不完整的HTN模型的情况下，通过观察用户每一个课程学习的效果，通过MAX-SAT方法来得到一个更完善的HTN模型，在这样一个更完善的HTN模型下，用户通过输入自己的专业学习目标，便可以使用HTN规划工具——SHOP2来计算得到适合的学习路径，该方法将学习路径抽象理解为一种层次任务网规划模型，从观察不完整的在线教育状态数据(即用户数据)出发，构建专业学习层次任务网规划模型，根据在线教育系统用户的学习目标和需求，计算出合适的学习路径推荐给用户。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明基于层次任务网规划模型学习的专业学习路径系统及方法的结构框图；

图2为本发明基于层次任务网规划模型学习的专业学习路径系统及方法的状态约束图；

图3为本发明基于层次任务网规划模型学习的专业学习路径系统及方法以算法方向软件工程师为例的专业知识结构的分层任务网络(HTN)模型结构图；

图4为本发明基于层次任务网规划模型学习的专业学习路径系统及方法知识结构HTN模型学习模块的算法流程框图；

图5为本发明基于层次任务网规划模型学习的专业学习路径系统及方法以用于训练的动作模型为例学习路径生成模块(SHOP2)的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，下面描述中使用的词语“前”、“后”、“左”、“右”、“上”和“下”指的是附图中的方向，词语“内”和“外”分别指的是朝向或远离特定部件几何中心的方向。

如图3简要描述了一个算法方向软件工程师所需要的知识HTN结构和需要修读的课程，以图3所示算法方向软件工程师知识结构为例，这个专业知识结构的HTN模型定义为(S

其中：(finished highSchool)指完成了高中阶段学习，clear谓词表示未具有某些知识，cpgm指C语言程序设计知识，amath指高等数学知识，lagb表示线性代数知识，pst表示概率论与数理统计知识，ds指数据结构知识，adn指算法设计；

T＝{AcquireProgrammingSkills,AcquireMathBasics,AcquireAlgorithmBasics,AcquireEngineeringBasics}

分别表示需要具有编程基础、数学基础、算法基础和工程基础；

M＝{MethodProgrammingSkills,MethodMathBasics,MethodAlgorithmBasics,MethodEngineeringBasics}以MethodProgrammingSkills为例，其定义为(MethodProgrammingSkills，languageC，constr，Sub)，Pre＝{(finished highSchool)}，Sub＝{languageC,languageCPP}，其中languageC和languageCPP分别都是原子任务(动作)，定义为。以languageC为例，name＝”languageC”,precondition＝{(finished highSchool)},ADD＝{(acquire programBasics),(acquireCprogramming)},DEL＝{}。

以图3的算法工程师为例，其problem文件包含内容如下：

(defproblem problem ALG

((clear c)(clear am)(clear la)(clear ps)(clear ds)(clear ad)(clear

uml)(clear se)(clear st)(clear bofca)(clear daac)(clear ed)(clear

nb)(clear ns))

((Alogrithm_engineer c am la ps ds ad))

图4为本发明基于层次任务网规划模型学习的专业学习路径系统及方法知识结构HTN模型学习模块的算法流程框图，从观察数据集中，提取出谓词列表、动作模型列表和方法列表，分别构建状态约束、动作约束和分解约束结合，这些约束集合一起输入给MAX-SAT求解器，计算得到动作的前提条件、效果谓词，以及方法的前提条件，最后形成了较完整的HTN模型。

图5为以用于训练的动作模型为例学习路径生成模块(SHOP2)的示意图，通过输入数据集数量分别为10、100、200进行训练动作模型，分别对比通过HTNML动作模型学习生成的课程推荐模型与我所设计的课程推荐模型的拟合程度。图5是数据集大小为200得情况下训练出来得课程推荐模型通过JSHOP2规划器还原出来的对算法工程师课程学习路线的规划示例。

综上所述，本发明一种基于机器学习的动作模型学习方法，从用户学习数据中获得用户个性化的学习模型，再以此为基础针对用户目标为用户建议一个可行的个性化学习路径。

要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物料或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物料或者设备所固有的要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。