间隔重复记忆之SM-4

SM-4算法说明

1. 将知识拆分长最小单元。

2. 每一个知识点分配一个efactor，初始值为2.5。

3. 使用重复次数和efactor制作一张表，叫做OI Matrix。

4. 使用以下公式初始化OI Matrix:

   OI(1,EF):=1

   OI(2,EF):=6

   for n>2 OI(n,EF):=OI(n-1,EF)*EF

   其中:
   ◦ OI(n,EF) - 第n次重复后的最优重复间隔时间。

5. 使用OI Mactrix来决定间隔时间:

   I(n,EF):=OI(n,EF)

   其中:
   ◦ I(n,EF) - 某知识点的第n次重复的间隔时间，按天计算。
   ◦ OI(n,EF) - 重复次数和efactor对应OI Matrix中的值。

6. 评估每次重复记忆的结果，得出记忆质量。具体见SM-2中介绍。

7. 按照以下公式更新刚刚记忆的知识点对应的efactor值:

   EF’:=EF+(0.1-(5-q)*(0.08+(5-q)*0.02))

   其中:
   ◦ EF’ - 新的efactor值,
   ◦ EF - 旧的efactor值,
   ◦ q - 记忆质量，值为0,1,2,3,4,5。

   如果计算后的efactor小于1.3，则赋值为1.3。

8. 更新OI Matrix 中相关的值.

9. 示范公式如下（实际使用在SuperMemo4中的要更复杂一些）:

   OI’:=interval+interval*(1-1/EF)/2*(0.25*q-1)

   OI*:=(1-fraction)OI+fractionOI’*

   其中:
   ◦ OI - 新值
   ◦ OI’ - 临时辅助
   ◦ OI - 旧值,
   ◦ interval - 之前的间隔时间,
   ◦ fraction - 用来调整矩阵收敛速度的系数，0-1之间，1为最快。
   ◦ EF - 知识点相关efactor,
   ◦ q - 知识点记忆质量，0-5。

10. 如果记忆质量小于3，则重置该知识点为初始状态（efactor不变），再次记忆该知识点。

11. 如果记忆质量小于4，则再次记忆该知识点。

相关代码及使用示例

NPM

已经发布到了npm，可以直接安装使用：

npm install spaced-repetition.js

GITHUB

Github仓库地址：spaced-repetition.js