การวางแผนเชิงกลยุทธ์และปัญหาเป้สะพายหลังแบบหลายมิติ


11

ฉันกำลังพยายามหาวิธีการวางแผนเพื่อแก้ปัญหาที่พยายามทำแบบจำลองการเรียนรู้ของวัสดุใหม่ เราคิดว่าเรามีแหล่งข้อมูลเพียงแหล่งเดียวเช่น Wikipedia ซึ่งมีรายการบทความที่แสดงเป็นเวกเตอร์ของความรู้ที่มีอยู่และความพยายามในการอ่านบทความนั้น

เวกเตอร์ความรู้และความพยายาม

ก่อนที่เราจะเริ่มเราตั้งขนาดของเวกเตอร์ขึ้นอยู่กับจำนวนความรู้ประเภทต่างๆ ตัวอย่างเช่นเราสามารถกำหนดรายการในเวกเตอร์ที่จะเป็น(algebra, geometry, dark ages)แล้ว 'วัด' บทความทั้งหมดจากมุมมองนี้ ดังนั้นบทความทางคณิตศาสตร์น่าจะเป็น(5,7,0)เพราะมันจะพูดถึงพีชคณิตและเรขาคณิตเป็นจำนวนมาก แต่ไม่เกี่ยวกับยุคมืด นอกจากนี้ยังจะมีความพยายามในการอ่านซึ่งเป็นเพียงจำนวนเต็ม

ปัญหา

จากบทความทั้งหมด (แสดงเป็นเวกเตอร์ความรู้ด้วยความพยายาม) เราต้องการค้นหาชุดบทความที่ดีที่สุดที่ช่วยให้เราไปถึงเป้าหมายความรู้ (หรือเป็นเวกเตอร์)

ดังนั้นเป้าหมายความรู้อาจเป็นไปได้(4,4,0)และก็เพียงพอที่จะอ่านบทความ(2,1,0)และ(2,3,0)เนื่องจากเมื่อเพิ่มเข้ามามันจึงรวมเข้ากับเป้าหมายความรู้ เราต้องการที่จะทำเช่นนี้กับความพยายามน้อยที่สุด

คำถาม

ฉันลองใช้ฮิวริสติกส์เพื่อหาค่าประมาณ แต่ฉันสงสัยว่ามีวิธีการวางแผนกลยุทธ์ที่ทันสมัยที่สามารถใช้แทนได้หรือไม่?


มันอาจช่วยแบ่งเวกเตอร์ความรู้ด้วยความพยายาม - วิธีนี้คุณจะรู้ว่าความรู้ต่อความพยายามเท่าไหร่ที่บทความให้คุณ
user6916458

คำถามที่มีโครงสร้างและน่าสนใจมาก ยินดีต้อนรับสู่ AI!
DukeZhou

นอกจากเวกเตอร์แล้วพวกเขาจึงรวมกับเวกเตอร์ความรู้เป็นเกณฑ์เท่านั้น? ถ้าเป็นเช่นนั้นปัญหาของคุณดูเหมือนจะเป็นปัญหาหลายมิติของปัญหาเหรียญen.wikipedia.org/wiki/Coin_problem msp.org/involve/2011/4-2/involve-v4-n2-p07-p pdf
Daniel

คุณสามารถอธิบายได้หรือไม่ว่าคุณไม่ต้องการคำวิจารณ์เกี่ยวกับรูปแบบ "การเรียนรู้ของวัสดุใหม่" (IMO ซึ่งดูเหมือนจะเป็นวิธีที่ผิดปกติในการสร้างแบบจำลองความรู้ในขณะที่เป้าหมายของการบรรลุคะแนนโดยพลการภายในโมเดลนั้น ฉันไม่คิดว่าคุณทำจากสิ่งที่เขียน แต่ตอนนี้ถูกกระแทกไปด้านบนเป็นไปได้ว่ามีใครบางคนจะตอบสนองต่อเรื่องนี้และไม่ใช่ปัญหาเป้ที่นำเสนอ
Neil Slater

คำตอบ:


1

นี่คือการเก็งกำไรของปัญหากับปัญหาพนักงานขายการเดินทางซึ่งจะนำไปสู่อัลกอริทึมเส้นทางที่สั้นที่สุด

โปรดทราบความคิดนี้ชี้ให้เห็นข้อ จำกัด ที่แตกต่างในการสำรวจ

  • ให้เวกเตอร์ความรู้และความพยายามในการสร้างกราฟกำกับ acyclic (acyclic ตามที่เราไม่ควรเข้าใจ) จุดสุดยอดเป็นบทความที่แสดงโดยเวกเตอร์ความรู้ของมัน ขอบเชื่อมโยงบทความสองรายการโดยถ่วงน้ำหนักด้วยความพยายามที่จะ "ย้าย" ไปยังบทความ / จุดสุดยอดเป้าหมาย (เช่นได้รับความรู้ในบทความนั้น)
  • กำหนดเวกเตอร์ศูนย์ให้กับผู้เข้าร่วมใหม่ นั่นคือจุดเริ่มต้นของกราฟคือจุดยอด V0 = (0, ... , 0)
  • กำหนดวัตถุประสงค์การเรียนรู้เป็นเวกเตอร์ V
  • ใช้อัลกอริทึมเส้นทางที่สั้นที่สุดเพื่อค้นหาแผน (V0, V)

ขั้นตอนนี้ไม่เพียงพอเนื่องจากมีหลายวิธีในการสร้างกราฟ (ในคำอื่น ๆ ข้างต้นไม่มีจุดหมายอย่างสมบูรณ์ตามที่เป็น ) จำเป็นต้องมีข้อ จำกัด เพิ่มเติมเพื่อให้สามารถใช้งานได้จริง ตัวอย่างเช่นเราสามารถสั่งซื้อจุดยอดได้โดยการสั่งซื้อตามแต่ละมิติ การตั้งค่าดังกล่าวจะทำให้ผู้เรียนเริ่มต้นด้วยบทความ "ง่าย" (V [i] ต่ำ) และเลื่อนทีละขั้นไปยังหัวข้อที่ซับซ้อนมากขึ้น ((V [i] สูงขึ้น)

การสร้างกราฟขึ้นอยู่กับข้อมูลที่มี ตัวอย่างเช่นเวกเตอร์ความรู้ "สมบูรณ์" หรือพวกเขาสามารถเป็นญาติได้หรือไม่? ความสัมพันธ์สามารถช่วยในการสร้างเส้นทางเนื่องจากการย้ายจาก V เป็น W ต้องใช้ความพยายามที่ขึ้นอยู่กับเงื่อนไขเริ่มต้นของผู้เรียน (V0 อาจไม่ใช่ 0 ทุกที่หลังจากนั้น)


มันเป็นคำถาม AI หรือไม่? อย่างแน่นอน.

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.