基于關(guān)聯(lián)規(guī)則與知識追蹤的編程題目推薦算法

向程冠，周東波，李 雷，王 英

(1.華中師范大學(xué) 教育大數(shù)據(jù)應(yīng)用技術(shù)國家工程實驗室，湖北 武漢 430079；2.貴州師范學(xué)院 數(shù)學(xué)與大數(shù)據(jù)學(xué)院，貴州 貴陽 550018)

0 引 言

編程題目推薦是在線編程教學(xué)平臺不可缺少的智能導(dǎo)學(xué)功能之一，但目前大多數(shù)的在線編程教學(xué)平臺還停留在教師傳統(tǒng)課堂的網(wǎng)絡(luò)化時空延伸，缺乏智能，只是起到連接師生的作用，教師可以給學(xué)生安排編程練習(xí)或考試，但針對學(xué)生個性化差異的智能導(dǎo)學(xué)功能薄弱，缺少針對編程題目推薦的服務(wù)，并未很好發(fā)揮對學(xué)習(xí)者學(xué)習(xí)行為分析、學(xué)習(xí)意圖理解、學(xué)習(xí)狀態(tài)追蹤的作用，很難實現(xiàn)真正意義上的自適應(yīng)學(xué)習(xí)診斷與有效學(xué)習(xí)。因此，通過學(xué)習(xí)者做題情況推薦新的編程題目成為了編程教育智能導(dǎo)學(xué)的研究熱點之一。針對編程題目的特殊性與傳統(tǒng)推薦算法的缺點，提出一種基于關(guān)聯(lián)規(guī)則與知識追蹤的編程題目推薦算法。

1 相關(guān)工作

個性化題目推薦是智能教育領(lǐng)域中的重要問題之一[1]。通過計算學(xué)生做題的歷史數(shù)據(jù)或用戶特征數(shù)據(jù)，給用戶推薦合乎規(guī)則的題目，以達到個性化的智能導(dǎo)學(xué)服務(wù)。題目推薦時大多采用基于協(xié)同過濾、基于認(rèn)知診斷與知識追蹤的推薦算法，然而基于協(xié)同過濾的算法忽略了題目之間的關(guān)聯(lián)信息，難以保證所推薦題目的解釋性與合理性。認(rèn)知診斷與知識追蹤的方法通過計算學(xué)生對知識點的掌握情況，預(yù)測待推薦題目的得分情況，但忽略了學(xué)生學(xué)習(xí)行為的共性，難以將隱藏的潛在屬性加入計算中，極易產(chǎn)生推薦誤差。

Raciel Yera等提出了一種基于問題記憶的協(xié)同過濾算法[2]，用問題矩陣記錄學(xué)生解決問題時失敗的信息，從而為學(xué)生推薦編程題目，但未記錄問題與知識點之間的關(guān)聯(lián)信息，不能判斷學(xué)習(xí)者是否已經(jīng)掌握知識點，反復(fù)推薦題目，浪費了學(xué)習(xí)者寶貴的學(xué)習(xí)時間。馬驍睿等提出了一種結(jié)合深度知識追蹤的個性化習(xí)題推薦方法[3]，然而忽略了學(xué)習(xí)者學(xué)習(xí)行為過程，未考慮學(xué)習(xí)過程中推薦拔高題或鞏固題。Avi Segal等提出了一種將協(xié)同過濾與投票相結(jié)合的教學(xué)內(nèi)容個性化排序算法[4]，通過協(xié)同過濾算法計算相似學(xué)生在分?jǐn)?shù)、重試次數(shù)和解題時間方面的難度排名，從而預(yù)測學(xué)生的難度排名，給學(xué)生定制個性化的試題，但忽略了學(xué)生對知識點的掌握狀態(tài)。黃振亞提出了一種融合題目語義的知識追蹤框架[5]，挖掘題目內(nèi)容的個性特征對學(xué)生學(xué)習(xí)行為過程的影響，并在英語與數(shù)學(xué)題目上作了驗證，但對于編程題目卻很難從題目描述層面判斷題目間的關(guān)聯(lián)性。柏茂林通過計算能力水平相近的用戶組，將kNN協(xié)同過濾算法應(yīng)用于數(shù)學(xué)習(xí)題的個性化推薦中[6]。Surya Kant等提出了基于用戶和項目的協(xié)同過濾算法[7]，通過計算用戶相似度與項目相似度進行推薦。萬永權(quán)等提出反饋式個性化試題推薦方法[8]，從試題難度與認(rèn)知層次進行標(biāo)準(zhǔn)化，構(gòu)造能力矩陣計算學(xué)生的能力進行試題推薦，但只能應(yīng)用于客觀題，不能應(yīng)用于編程題目的推薦中。

知識追蹤通過歷史數(shù)據(jù)實時追蹤學(xué)習(xí)者對知識掌握狀態(tài)的變化，并預(yù)測學(xué)習(xí)者在未來學(xué)習(xí)中的表現(xiàn)，目前流行的知識追蹤方法主要有貝葉斯知識追蹤(BKT)模型與基于循環(huán)神經(jīng)網(wǎng)絡(luò)的深度知識追蹤(DKT)模型[9,10]，BKT只是將知識的掌握情況簡單分為“掌握”與“未掌握”，忽略了學(xué)習(xí)過程，而DKT模型只能對學(xué)習(xí)者整個知識水平建模，不能反映學(xué)習(xí)者對各個知識點的掌握情況。Jiani Zhang等提出了基于記憶網(wǎng)絡(luò)的DKVMN模型[11]，用值矩陣表示學(xué)習(xí)者對各個知識點的掌握情況，并記錄題目與各知識點的依賴關(guān)系，從而追蹤學(xué)習(xí)者對各知識點的掌握情況，取得了良好的應(yīng)用效果，但忽略了學(xué)習(xí)者遺忘行為對知識點掌握的真實影響。Fangzhe Ai等在DKVMN模型的基礎(chǔ)上，加入了知識點的包含關(guān)系，改良了記憶矩陣[12]。李曉光等研究者提出了學(xué)習(xí)與遺忘融合的深度知識追蹤模型[13]，考慮了遺忘行為對知識追蹤影響，取得了較好的預(yù)測性能。

編程能力是計算機相關(guān)專業(yè)的學(xué)生應(yīng)具備的關(guān)鍵能力之一，編程能力水平主要體現(xiàn)在完成編程題目的得分情況，學(xué)習(xí)者對于編程的學(xué)習(xí)過程不是簡單的“對”與“錯”，一道編程題往往要經(jīng)過多次提交與反復(fù)修改才能完成，見表1，學(xué)習(xí)者完成一道程序題嘗試提交了10次。因此，直接使用傳統(tǒng)的個性化題目推薦算法推薦編程題目是不合適的。同時，在推薦題目時不考慮學(xué)生對知識點的掌握狀態(tài)，不斷推薦題目將會浪費學(xué)習(xí)者寶貴的時間。

表1 編程題目提交列表

針對現(xiàn)有算法在編程題目推薦中的缺點，結(jié)合編程題特點，考慮學(xué)習(xí)者的遺忘規(guī)律特征，本文提出了一種基于關(guān)聯(lián)規(guī)則與知識追蹤的編程題目推薦算法，將關(guān)聯(lián)規(guī)則挖掘與知識追蹤結(jié)合起來，按提交次數(shù)閾值，把同一學(xué)習(xí)者在同一知識點下同時做對或做錯的題目組成交易記錄，從而挖掘出推薦規(guī)則，通過知識追蹤模型計算學(xué)習(xí)者對知識點的掌握情況，決定推薦鞏固題、拔高題或下一知識點的題目。

2 編程題目推薦算法

在編程題目推薦時，如果學(xué)習(xí)者已經(jīng)掌握了當(dāng)前知識點，就應(yīng)該推薦下一個知識點的題目，否則應(yīng)根據(jù)學(xué)習(xí)者的學(xué)習(xí)狀態(tài)，決定推薦鞏固題或者拔高題，以免浪費學(xué)習(xí)時間，提高學(xué)習(xí)效率。因此，在設(shè)計推薦算法時需要解決兩個關(guān)鍵問題：

(1)如何計算推薦鞏固題或拔高題？

(2)如何計算學(xué)習(xí)者對知識點的掌握情況？

對于問題(1)，考慮將同一學(xué)習(xí)者在同一個知識點下，嘗試提交次數(shù)超過給定閾值時同時做錯、同時做對的題目組成交易數(shù)據(jù)庫，根據(jù)知識點的順序關(guān)系，使用關(guān)聯(lián)規(guī)則算法挖掘出推薦規(guī)則，對于嘗試提交次數(shù)超過給定閾值的學(xué)習(xí)者推薦鞏固題，嘗試次數(shù)小于閾值時推薦拔高題，直到學(xué)習(xí)者掌握當(dāng)前知識點時，推薦下一知識點的題目，學(xué)習(xí)者不需要做完當(dāng)前知識點下的所有題目。

對于問題(2)，考慮編程題目的特殊性與學(xué)習(xí)者遺忘規(guī)律，不能只是簡單地從結(jié)果的“對”與“錯”來評估學(xué)習(xí)者對知識點的掌握情況，雖然DKVMN模型可以通過記錄題目與各知識點的依賴關(guān)系，從而追蹤學(xué)習(xí)者對各知識點的掌握情況，然而沒有考慮到學(xué)習(xí)者的遺忘規(guī)律，也不適合編程題目的特殊性。在編程題目推薦算法時，先用DKVMN模型計算出學(xué)習(xí)者對知識點的掌握情況，再聯(lián)合使用判別分析模型，從編程題目的特殊性與學(xué)習(xí)者遺忘規(guī)律的維度評估學(xué)習(xí)者對知識點的掌握情況。

2.1 關(guān)聯(lián)規(guī)則挖掘

編程題目推薦時，可根據(jù)學(xué)生完成題目x的情況推薦題目集 {y1,y2,…,yn} (由n個鞏固題或拔高題組成的集合)，x與yi(1≤i≤n) 是二元的推薦關(guān)系，不考慮yi與yj之間是否有推薦關(guān)系 (i≠j, 1≤i≤n, 1≤j≤n)。 因此，用關(guān)聯(lián)規(guī)則挖掘題目之間滿足規(guī)則的二階大項集。

關(guān)聯(lián)規(guī)則作為數(shù)據(jù)挖掘中的研究熱點之一，用于挖掘數(shù)據(jù)間隱含的、未知的、有價值的關(guān)聯(lián)性[14]。Agrawal等提出了關(guān)聯(lián)規(guī)則挖掘的Apriori算法與AprioriTid算法[15]，使用上一次生成的大項集作為生成新候選項集的數(shù)據(jù)基礎(chǔ)，達到剪枝的目的，提高算法的執(zhí)行效率。其優(yōu)點是在首次計算大項集時掃描交易數(shù)據(jù)庫，以后每次用得到的候選項集構(gòu)造k階TID表，由k階TID表生成k+1階候選項集，除了在算法的開始階段，所構(gòu)造的TID表都要比交易數(shù)據(jù)庫小，從而減少數(shù)據(jù)掃描次數(shù)。可其缺點是在開始階段生成的TID表數(shù)據(jù)量有可能比交易數(shù)據(jù)庫大，存儲了k階TID表中下一次計算k+1階候選項集時不用的噪聲交易項，增加了掃描次數(shù)，造成了不必要的I/O操作。針對上述缺點，算法改進的關(guān)鍵在于減少I/O操作與壓縮數(shù)據(jù)量[16]，因編程題目推薦時需要計算二階大項集，正處于AprioriTid算法的開始階段，本文提出了一種AprioriTid的改進算法，用于計算題目集的二階大項集。

性質(zhì)1 A、B為題目構(gòu)成的兩個交易集合，若A是B的子集，則A的范數(shù)不大于B的范數(shù)。反之，若A的范數(shù)大于B的范數(shù)，A必然不是B的子集。

性質(zhì)2 當(dāng)k>1時，k階候選項集一定是k-1階候選項集的子集，那么k階候選項集的元素一定取自于k-1階候選項集。

算法改進的基本思想：由性質(zhì)1、性質(zhì)2可知，k+1階候選項集是k階候選項集的子集，它的生成依賴于k階TID表，在構(gòu)造k階TID表時，先計算k階大項集的冪集，再計算當(dāng)前交易項與k階大項集冪集的交集，如果交集的范數(shù)大于k，則將交集寫入k階TID表中，可極大減少k階TID表的記錄數(shù)，故而減少計算k+1階候選項集時的數(shù)據(jù)掃描量與I/O操作，TID表記錄數(shù)不可能比交易數(shù)據(jù)庫大，可讓算法在執(zhí)行效率上得到明顯優(yōu)化。

用偽代碼描述改進后的AprioriTid 算法如下：

(1)掃描題目構(gòu)成的交易數(shù)據(jù)庫D生成L[1];

(2)TID[1]=D;//1階TID表就是交易數(shù)據(jù)庫D

(3)for(k=2;L[k-1] !=null&&TID[k-1]!=null;k++){

(4)C[k]=Apriori_gen(L[k-1]);

(5) //使用Apriori_gen生成k階候選項集

(6) TID[k]=null;

(7) foreach(tin TID[k-1]){

(8) foreach(cinC[k])if(cint)c.Sup=c.Sup+1;

(9)L[k]=null;

(10) foreach(cinC[k])if(c.Sup≥Minsup)L[k]=L[k]+c;

(11)M=PowerSet(L[k]);//計算L[k]的冪集

(12)MT=t.item∩M;//交易項與候選項集冪集的交集

(13) if(MT!=null&&|MT|>k){//|MT|>k的項寫入TID[k]

(14)p.id=t.id;

(15)p.item=MT;

(16) TID[k]=TID[k]+p;

(17) //加入k階TID表， 包含交易id與交易項

(18) }

(19) }

(20)}

表2給出了上述算法中所涉及的符號及描述。

表2 算法中的符號及描述

例：現(xiàn)有交易數(shù)據(jù)庫D，見表3，設(shè)最小支持?jǐn)?shù)為3，計算候選項集與大項集。

表3 交易數(shù)據(jù)庫D

C[1]={{A},{B},{C},{D},{E},{F},{G}}，L[1]={{A},{B},{C},{D},{E}}，L[1]的冪集M={A,B,C,D,E}， 求M與每個交易項的交集MT， |MT|>1時寫入TID[1]中。由TID[1]生成C[2]={{A,B},{A,C},{A,D},{A,E},{B,C},{B,D},{B,E},{C,D},{C,E},{D,E}}，L[2]={{A,B},{A,C},{A,D},{B,C},{B,D},{C,D},{D,E}}，L[2] 的冪集M={A,B,C,D,E}， 求M與每個交易項的交集MT， |MT|>2時寫入TID[2]中。迭代算法直到TID為空時結(jié)束，算法過程如圖1所示。

圖1 改進的AprioriTid算法過程

2.2 基于知識追蹤的知識點掌握分析模型

題目推薦的目的是為了讓學(xué)習(xí)者通過練習(xí)掌握知識，如果掌握了當(dāng)前知識點，就應(yīng)推薦下一知識點的題目。如果推薦時不考慮知識點掌握狀態(tài)，不斷為其推送當(dāng)前知識點的題目顯然是不合理的。對于編程題目，一道題目需要經(jīng)過若干次反復(fù)修改與提交才能完成，在計算學(xué)習(xí)者對知識點的掌握情況時需要滿足兩個方面的要求：一是能反應(yīng)學(xué)習(xí)者對當(dāng)前知識點的掌握情況，二是要考慮編程題需要經(jīng)過若干次反復(fù)修改與提交才能完成的特殊性，一般認(rèn)為學(xué)習(xí)者對一道編程題目嘗試提交次數(shù)越多，反應(yīng)出學(xué)習(xí)者對知識點的掌握越不好。因此，考慮在DKVMN模型的基礎(chǔ)上，加入學(xué)習(xí)者每次提交的狀態(tài)、所用知識點及提交次數(shù)、學(xué)習(xí)間隔時間、上次提交時所用知識點間隔時間等行為特征，運用判別分析計算學(xué)習(xí)者學(xué)習(xí)行為對DKVMN模型預(yù)測結(jié)果的影響。

用GA表示掌握知識點，GB表示未掌握知識點。X(i) 表示學(xué)習(xí)者特征，X(1)表示嘗試提交次數(shù)，X(2)表示課程學(xué)習(xí)間隔時間，X(3)表示同一知識點學(xué)習(xí)間隔時間。X(2)、X(3)屬于學(xué)習(xí)者遺忘特征數(shù)據(jù)，根據(jù)德國心理學(xué)家艾賓浩斯遺忘曲線，學(xué)習(xí)間隔時間按間隔天數(shù)t分段計算，即

(1)

因此，學(xué)習(xí)者數(shù)據(jù)被分成兩組： {X1i(A),X2i(A),X3i(A)|i≤n1} 與 {X1j(B),X2j(B),X3j(B)|j≤n2}，n1+n2為學(xué)習(xí)者人數(shù)。

下面給出求判別指標(biāo)的過程[17]。

通過線性組合構(gòu)造一個判別函數(shù)，用于判斷學(xué)習(xí)者學(xué)習(xí)狀態(tài)，判別函數(shù)為

Y=L(X1,X2,X3)=C1X1+C2X2+C3X3

其中，C1、C2、C3為判別系數(shù)。

對于GA，n1個學(xué)生共有3*n1條數(shù)據(jù)，其觀測數(shù)據(jù)矩陣為

對于GB，n2個學(xué)生共有3*n2個數(shù)據(jù)，其觀測數(shù)據(jù)矩陣為

判別函數(shù)Y可最大限度區(qū)分GA與GB兩組狀態(tài)。GA有n1個樣本

i為1到n1的自然數(shù)。代入判別函數(shù)，可得

yi(A)=C1X1i(A)+C2X2i(A)+C3X3i(A)

GB有n2個樣本

i為1到n2的自然數(shù)。代入判別函數(shù)，可得

yi(B)=C1X1i(B)+C2X2i(B)+C3X3i(B)

在判斷學(xué)生是否掌握知識點時，將學(xué)習(xí)特征數(shù)據(jù) {X(1),X(2),X(3)} 代入判別函數(shù)Y，如果Y的值大于等于yAB時判別為未掌握該知識點，否則判別為已掌握該知識點。

2.3 編程題目推薦算法步驟

針對編程題目的特點，按學(xué)習(xí)者嘗試提交次數(shù)閾值把作答歷史記錄數(shù)據(jù)庫劃分為兩個庫，在提交次數(shù)小于等于閾值的數(shù)據(jù)庫中，將同一學(xué)習(xí)者在同一知識點下同時做對或做錯的題目組成交易項，使用關(guān)聯(lián)規(guī)則挖掘出鞏固題推薦規(guī)則。解決一道編程題目需要多次修改與提交，熟練掌握了知識點的學(xué)生解決編程題目的提交次數(shù)相對較少，可用掌握了知識點的學(xué)生在完成編程作業(yè)時的平均提交次數(shù)作為劃分閾值。

同理，在提交次數(shù)大于閾值的數(shù)據(jù)庫中，將同一學(xué)習(xí)者在同一知識點下同時做對或做錯的題目組成交易項，挖掘出拔高題目推薦規(guī)則。推薦時考慮題目提交次數(shù)與學(xué)習(xí)者遺忘特征，使用知識追蹤的DKVMN模型與判別分析模型計算學(xué)習(xí)者對當(dāng)前知識點的掌握狀態(tài)，決定推薦鞏固題、拔高題或下一知識點的題目。

本文算法具體步驟如下：

步驟1 根據(jù)學(xué)習(xí)者做題歷史記錄，使用改進后的關(guān)聯(lián)規(guī)則挖掘算法生成推薦規(guī)則。

步驟2 生成DKVMN模型。

步驟3 生成各知識點的判別函數(shù)Y與yAB。

步驟4 輸入學(xué)生做題記錄，由DKVMN模型評估學(xué)生是否通過當(dāng)前知識點，未通過執(zhí)行步驟6，否則執(zhí)行步驟5。

步驟5 輸入學(xué)生學(xué)習(xí)特征數(shù)據(jù)：題目提交次數(shù)、同一知識點學(xué)習(xí)間隔時間、課程學(xué)習(xí)間隔時間，并代入與判別函數(shù)Y，如果函數(shù)值大于等于yAB執(zhí)行步驟6，否則執(zhí)行步驟7。

步驟6 嘗試提交次數(shù)超過給定閾值時推薦鞏固題，嘗試次數(shù)小于閾值時，推薦拔高題，執(zhí)行步驟4。

步驟7 推薦下一知識點的題目。

3 實驗評估

3.1 實驗數(shù)據(jù)集

為了驗證本文提出的編程題目推薦算法的可行性與有效性，采用某高校在線編程教學(xué)平臺的實際生產(chǎn)數(shù)據(jù)進行實驗，以C程序設(shè)計課程為對象，經(jīng)過專家標(biāo)注的知識點共124個，學(xué)生754人，程序提交1 358 973次，編程題目6230道。

算法實現(xiàn)采用Python語言編寫，運行的硬件環(huán)境為Intel(R) Core(TM)i7-8550U CPU @1.80 GHz(8 CPUs)，16 G內(nèi)存，操作系統(tǒng)為CentOS6。

3.2 評測指標(biāo)選擇

關(guān)聯(lián)規(guī)則的改進算法評估從算法效率與精準(zhǔn)性2個方面進行考量，算法效率從時間復(fù)雜度方面考量，精準(zhǔn)性反映算法的可靠程度與可行性，它們是推薦算法可靠可行的基礎(chǔ)保障。

題目推薦算法評價從題目推薦的覆蓋率(Coverage)和準(zhǔn)確率 (Precision)2個方面進行考量，覆蓋率主要用于觀察算法推薦的題目集合Prc與實際可推薦的題目集合Preal交集中題目數(shù)量占實際可推薦的題目比率，計算公式如下

(2)

準(zhǔn)確率主要用于觀察題目推薦算法的正確性與可行性，其計算方式為所推薦的準(zhǔn)確題目所占推薦題目總數(shù)的百分比，值越大表示推薦算法的正確性越高，計算公式如下

(3)

3.3 實驗結(jié)果與分析

3.3.1 改進的AprioriTid算法分析

算法效率分析：選取最小支持?jǐn)?shù)為50，從1 358 973條提交記錄中隨機選擇0.5 w、1 w、1.5 w、2 w、2.5 w、3 w、3.5 w和4 w進行對比測試，運行結(jié)果如圖2所示。另外選取數(shù)據(jù)量為4.5 w，最小支持?jǐn)?shù)分別為60、80、100、120、140、160、180和200進行對比測試，運行結(jié)果如圖3所示。

圖2 最小支持?jǐn)?shù)為50時兩種算法的運行時間

圖3 隨最小支持?jǐn)?shù)增大時執(zhí)行效率比較

從圖2、圖3中可以看出，在最小支持?jǐn)?shù)為50的情況下，改進后的AprioriTid算法比AprioriTid算法在時間性能上平均提升了1826 MS，當(dāng)數(shù)據(jù)量增加到4 W時，改進后比改進前少用了2982 MS。在數(shù)據(jù)量不變的情況下，支持?jǐn)?shù)由60增加到120時，改進后的AprioriTid算法在時間性能上平均提升了871 MS。

算法精準(zhǔn)性分析：分別設(shè)置支持?jǐn)?shù)為50、60、80、100、120、140、160、180和200，從1 358 973條提交記錄中隨機選擇了10組數(shù)據(jù)對算法的準(zhǔn)確率進行實驗，數(shù)據(jù)量分別為2000、4000、6000、8000、10 000、12 000、14 000、16 000、18 000和20 000，用改進前后的AprioriTid算法分別生成大項集。實驗結(jié)果表明，改進前后算法生成的大項集是一致的，究其原因主要在于k階TID表是構(gòu)造k+1階候選項集的數(shù)據(jù)基礎(chǔ)，計算k階TID表時，先計算k階大項集的冪集，再計算出當(dāng)前交易項與k階大項集冪集的交集，如果交集的元素個數(shù)小于等于k，便不可能產(chǎn)生k+1階候選項集，并且k+1階候選項集只能產(chǎn)生于k階大項集中，通過計算交集可對不在k階大項集中元素進行剪枝，并不影響計算k+1階候選項集，故改進后的算法不會損耗原有算法的精準(zhǔn)性。

3.3.2 編程題目推薦算法分析

在實驗數(shù)據(jù)集上，設(shè)置題目提交嘗試次數(shù)閾值為5，將實驗數(shù)據(jù)集分為鞏固題數(shù)據(jù)集(提交嘗試次數(shù)小于等于5，共537 681條數(shù)據(jù))與拔高題數(shù)據(jù)集(提交嘗試次數(shù)大于5，共821 292條數(shù)據(jù))。選取400名學(xué)生的期末考試數(shù)據(jù)，將考試中每個知識點的得分率超過0.8的學(xué)生劃分到GA組，其他學(xué)生劃分到GB組，統(tǒng)計學(xué)生平時練習(xí)的程序提交次數(shù)、知識點學(xué)習(xí)間隔時間與課程學(xué)習(xí)間隔時間3項學(xué)習(xí)者特征數(shù)據(jù)，生成各知識點的判別指標(biāo)。設(shè)置關(guān)聯(lián)規(guī)則挖掘的支持?jǐn)?shù)為200，最多推薦題目數(shù)為20，在鞏固題數(shù)據(jù)集與拔高題數(shù)據(jù)集上分別設(shè)置訓(xùn)練集/實驗數(shù)據(jù)集為60%、70%、80%與90%的情況下，將本文算法與基于用戶的協(xié)同過濾算法(UserCF)、kNN協(xié)同過濾算法[6]、BiUCF[7]進行10次對比實驗取平均值，實驗結(jié)果見表4、表5。

表4 鞏固題推薦的覆蓋率與準(zhǔn)確率比較

在覆蓋率與準(zhǔn)確率2個指標(biāo)上，本文提出的推薦算法在推薦鞏固題與拔高題方面均優(yōu)于其它3種推薦算法，原因在于本文算法考慮了編程題目的特征、學(xué)習(xí)者對知識點的掌握狀態(tài)以及學(xué)習(xí)者遺忘特征。

4 結(jié)束語

本文提出了一種基于關(guān)聯(lián)規(guī)則與知識追蹤的編程題目推薦算法，算法根據(jù)編程題目的特點，使用關(guān)聯(lián)規(guī)則挖掘出同一知識點下同一學(xué)習(xí)者在嘗試提交一定次數(shù)后同時“做對”與“做錯”的題目推薦規(guī)則，通過分析學(xué)習(xí)者的遺忘特征，使用知識追蹤模型與判別分析模型計算學(xué)習(xí)者對知識點的掌握狀態(tài)，決定推薦鞏固題或拔高題，或進入下一知識點學(xué)習(xí)，從而優(yōu)化學(xué)習(xí)者學(xué)習(xí)效率。實驗結(jié)果表明，本文提出的推薦算法具有較好的推薦效果，并已成功應(yīng)用于某高校的在線智慧教學(xué)平臺中。

表5 拔高題推薦的覆蓋率與準(zhǔn)確率比較