38、基于TGKT - RL的个性化学习路径推荐与高阶NMF社区检测方法

基于TGKT - RL的个性化学习路径推荐与高阶NMF社区检测方法

在当今的教育和网络分析领域，个性化学习路径推荐以及社区检测都是非常重要的研究方向。下面将分别介绍基于TGKT - RL的个性化学习路径推荐模型和一种高阶非负矩阵分解（NMF）的社区检测方法。

基于TGKT - RL的个性化学习路径推荐

学习路径推荐网络（LPRN）

LPRN是一个强化学习网络。实际训练时，首先要基于历史数据训练知识追踪网络（KTN），将KTN作为强化学习环境，在每个时间步提供知识状态，并参与LPRN的训练，以训练一个智能体来推荐个性化练习。

我们将推荐过程建模为部分可观察马尔可夫决策过程（POMDP），其中状态是从KTN获得的学习者潜在知识状态，动作是推荐一个练习。

在训练开始前，预先设置一个目标知识状态 $h_{goal} = {p_{k1}, p_{k2}, \ldots, p_{kn} | p_{ki} \in [0, 1]}$ ，表示学习者希望达到的每个知识技能 $k_i$ 的掌握程度。在每个时间步生成知识状态后，将其与 $h_{goal}$ 进行比较：
$C_t = h_{goal} - s_t = {d_{k1}, d_{k2}, \ldots, d_{kn}}$
其中 $d_{ki}$ 表示当前知识状态与技能 $k_i$ 的目标知识状态之间的差异。如果 $|C_t - \epsilon| \to 0$ ，则强化学习网络训练完成，LPRN生成的练习序列就是推荐的个性化学习路径；否则，需要进一步训练LPRN。

此时，考虑所有历史知识状态 ${s_1, s_2, \ldots, s_t}$ 的全局变化稳定度