1.一种融合知识背景和学习时间预测的学习路径推荐方法，其特征在于，包括如下步骤：S1.基于历史学生学习数据，利用关联规则算法构建包含概念层和资源层的两层概念图；

S2.结合新学生的知识背景，基于两层概念图利用深度优先搜索遍历得到所有可能的概念学习路径；

S3.基于历史学生访问资源所获得的得分来估计未访问资源的学习得分；

S4.构建基于注意力机制的双向循环神经网络学习时间预测模型，并对资源所需学习时间进行预测；

所述步骤S4中，采用双向循环神经网络对学习过程数据进行建模，同时引入注意力机制自动学习学习过程中不同学习行为的权重，具体过程如下：S401.针对每个学生的历史学习过程轨迹σ，对整个轨迹进行不同长度的截取，将得到(k)的不同长度的轨迹前缀σ 和其对应的学习时间remain(σj,k)(1≤k≤|σ|)，当作训练数据集traink；

S402.基于获得的训练数据集traink，利用注意力双向循环网络构建学习时间预测模型；

所述步骤S402中，包括学习行为表示、基于双向RNN的上下文编码、基于注意力机制的学习过程轨迹编码和学习时间预测四个模块；其中，(k)

学习行为表示：基于步骤S401获得的训练集，σ 表示学生学习过程轨迹σ的前k个学习行为，将其中的各个学习行为表示为向量rt(1≤t≤k)，一个学习行为由学习资源和学习时间两个属性组成，对于学习资源这种离散属性，采用one‑hot编码表示为0/1向量，对于学习时间这种连续属性，首先进行离散化处理，然后进行one‑hot编码；最后学习行为向量由学习资源向量和学习时间向量拼接而成；

基于双向RNN的上下文编码：从正向和反向两个角度对输入轨迹进行建模，t时刻正向RNN和反向RNN得到的隐向量分别表示为 和 隐向量表示各个学习行为间的关联性，其中 每个时刻的上下文编码由正向和反向编码连接得到，即

基于注意力机制的学习过程轨迹编码：得到轨迹前缀每个时刻的上下文编码后，便能够得到学生整个学习轨迹的编码，如公式(3)所示，公式中，e为整个学习轨迹的编码，ht为t时刻输出向量上下文编码，αt为第t时刻输出向量上下文编码的权重，能够反映出学生学习第t个学习资源对整个学习时间预测模型的影响度的大小；

使用注意力网络计算不同时刻的上下文权重αt，见公式(4)，公式(5)；

attT att att

αt′＝softmax(g ·tanh(w ·ht+b ))                       (4)att att att

其中，g 、w 、b 均为注意力网络的参数；

学习时间预测：根据以上学习轨迹编码，使用全连接网络构建学习时间预测模型，具体计算方式如公式(6)所示，(k) T

remain_time(σ )＝g·ReLU(w·e+b))                        (6)其中w、b、g是全连接网络的模型参数，使用线性整流函数(ReLU)作为激活函数；

S403.运用迁移学习训练学习时间预测模型；迁移学习的模型训练算法的具体过程为：(1)输入训练集trainmin、trainmin+1、…、trainmax，即以长度为min的训练数据集到长度为max的训练数据集作为输入；

(2)根据基于注意力机制的双向循环神经网络下以一定的初始参数训练长度为min的训练数据集trainmin得到长度为min的训练模型fmin；

(3)紧接着将fmin的模型参数作为训练长度为min+1的训练数据集的模型初始值，推进直到得到fmax；

(4)fmax的模型参数又可作为训练长度为min的训练数据集的模型初始值，迭代整个过程直到收敛(模型的预测效果达到稳定)；

(5)输出不同长度预测效果较好的预测模型fmin、fmin+1、…、fmax；

S5.为概念学习路径中每个概念分配资源，并结合资源所需学习时间与估计得分推荐满足学生有限学习时间且得分最高的个性化学习路径；

所述步骤S5中，采用个性化路径推荐算法推荐个性化学习路径，算法具体过程为：(1)输入所有概念序列paths、学生u、时间上限t；

(2)取得paths中的一条概念路径newpath；

(3)取得newpath上的一个概念concept；

(4)取得concept上的一组学习资源Rm和Rn；

(5)若学生u学习Rm时间Time(u,Rm)和学习Rn时间Time(u,Rn)之和不大于剩余学习时间t，添加资源Rm和Rn，Queue.append[Rm],Queue.append[Rn]；

(6)剩余学习时间t变为t＝t‑Time(u,Rm)‑Time(u,Rn)；

(7)总得分变为score＝score+score(u,Rm)+score(u,Rn)；

(8)重复过程(3)‑(7)，直至不满足过程(5)；

(9)若score>scoremax,则scoremax＝score；

(10)重复过程(2)‑(9)直至每条newpath均访问过，最终返回分数最高的路径newpathmax及最高得分scoremax。

2.根据权利要求1所述一种融合知识背景和学习时间预测的学习路径推荐方法，其特征在于，所述步骤S1的具体过程如下：S101.根据历史学生访问学习资源的记录，计算任意两个学习资源间访问情况的一致性；

S102.统计资源访问情况的频繁一项集和频繁二项集；

S103.计算学习资源间关联规则的置信度；

S104.计算概念间的关联度，得到概念矩阵；

S105.根据概念矩阵构造概念图。

3.根据权利要求1所述一种融合知识背景和学习时间预测的学习路径推荐方法，其特征在于，所述步骤S2中，以新学生知识背景为深度优先搜索方式的起点，以学习最终概念为目的生成所有概念学习路径。

4.根据权利要求1所述一种融合知识背景和学习时间预测的学习路径推荐方法，其特征在于，所述步骤S3中，估计学习得分的方法包括：平均值和中值法、用户调整法、矩阵分解法、K均值聚类法；其中，用户调整法又包括用户调整平均值方法和用户调整中值方法。

5.根据权利要求1所述一种融合知识背景和学习时间预测的学习路径推荐方法，其特征在于，一个概念包含多组学习资源，每组学习资源包括描述性资源和评价性资源两大类；

描述性资源包括文本、视频，评价性资源包括习题、作业；一个概念的学习需先访问一个描述性资源，再访问一个与之配套的评价性资源。

6.根据权利要求5所述一种融合知识背景和学习时间预测的学习路径推荐方法，其特征在于，所述步骤S5中，每个概念分配一个描述性资源和一个与之对应的评价性资源，若学习描述性资源后剩余学习时间不足以学习评价性资源，则该描述性资源学习得分无效；每组资源的分配需满足时间限制内，针对每一个概念的分配累加其得分并取最大值作为推荐。