Personalized Learning Push Technology Based on Knowledge Graph and Improved BiLSTM-CRF Model

Q: 이 논문에서 정의한 개인화 학습 푸시(Personalized learning push)란 무엇인가?

학습자의 행동, 지식 수준 및 특성 데이터를 분석하여 개별적인 인지 차이와 학습 스타일을 반영하고, 지식 그래프와 AI 기술을 결합해 최적의 학습 자원과 경로를 능동적으로 전달함으로써 학습 효율과 품질을 높이는 맞춤형 교육 서비스 제공 기술이다.

Q: 개선된 BiLSTM-CRF 모델과 xDeepFM의 결합이 학습 추천 성능을 어떻게 향상시키는가?

연구 결과, 다중 헤드 주의 집중 메커니즘을 통해 학습자 프로필의 키워드 추출 정확도를 높이고, 지식 그래프의 시맨틱 제약 조건을 xDeepFM에 통합함으로써 단순 콘텐츠 추천의 한계를 극복하고 학습자의 취약 지점에 최적화된 자원을 정밀하게 추천하여 학습 효율을 극대화한다.

Jiaying Liu; Haochuan Jia

doi:10.5626/JCSE.2026.20.3.131

학술저널

Personalized Learning Push Technology Based on Knowledge Graph and Improved BiLSTM-CRF Model

저자정보: Jiaying Liu (Jilin Business and Technology College) Haochuan Jia (Jilin Business and Technology College)

저널정보: Korean Institute of Information Scientists and Engineers Journal of Computing Science and Engineering Journal of Computing Science and Engineering Vol.20 No.3

발행연도: 2026.9

수록면: 131 - 141 (11page)

DOI: 10.5626/JCSE.2026.20.3.131

오류 신고하기

피인용 1

Personalized Learning Push Technology Based on Knowledge Graph and Improved BiLSTM-CRF Model

검색

초록·키워드

Traditional online education employs a uniform delivery model, neglecting learners’ personalized needs, resulting in low efficiency and poor quality. To solve the above defects, a personalized learning push framework integrating knowledge graph (KG) and deep learning is proposed by the research. The study first constructs the knowledge background using an improved bidirectional long short-term memory network-conditional random field (BiLSTM-CRF) model with a multi-head attention mechanism to enhance semantic capture, and builds learner profiles by combining entropy weighting and quantization models to analyze learning styles. It then introduces an educational KG to mine knowledge point connections and combines a multi-head self-attention optimized extreme depth factorization machine to achieve personalized learning delivery. In entity extraction, the model’s average recall, precision, and F1-score are 0.923 (±0.011), 0.916 (±0.014), and 0.938 (±0.012), outperforming similar models. In learner knowledge point mastery analysis, the model accurately analyzes test item mastery, with a maximum mastery threshold deviation of 0.02. In personalized learning recommendation experiments, the model adapts to various user groups; for direct learners, average accuracy is 0.815, showing the best overall performance. The proposed technology demonstrates good application effects and provides precise technical support for personalized recommendations in online education.

#Personalized learning #BiLSTM-CRF #xDeepFM #Multi-head self-attention #Push notifications

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

Personalized Learning Push Technology Based on Knowledge Graph and Improved BiLSTM-CRF Model

논문 기본 정보

초록·키워드

참고문헌

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

본문·목차

DBpia Pick! 추천 자료

함께 본 자료

저자 정보

최근 본 자료 전체보기

피인용 자료 DBpia에 구축된 참고문헌을기준으로 집계되어, 타 사이트의피인용 수와 다를 수 있습니다.

댓글(0)

피인용 자료