CN106156354A - 一种学习资源推荐*** - Google Patents

Abstract

本发明提供了一种学习资源推荐***，包括：第一接收模块、生成模块、推荐模块、第二接收模块；所述第一接收模块，用于接收教学课程和所述教学课程的推送时间；及，接收题库，所述题库包括每个课程章节对应的题目；所述生成模块，用于根据所述题库生成每个课程章节对应的试卷，并为所述试卷设置试卷的推荐时间，结合所述试卷和所述推荐时间生成课堂答题卷，将所述课堂答题卷发送给推荐模块；所述推荐模块，用于推送所述课堂答题卷，及推送课程章节的文章；所述第二接收模块，用于接收检索条件，获得检索结果；及，接收课堂答题卷的答案。

Description

一种学习资源推荐***

技术领域

本发明涉及一种教学技术领域的装置，具体讲涉及一种学习资源推荐***。

背景技术

随着个性化服务技术的发展，互联网上的个性化服务呈雨后春笋般出现在人们的眼前，在这方面的研究也取得了显著的成就。现在大部分个性化推荐方法主要应用在电商推荐上，关于针对学习资源的推荐并不多，而且使用商品推荐模型算法对学习资源推送的结果并不准确。大部分高校老师只是制定了教学进程供学生查看，但是并没有应用在推荐自己课程资源方面，还有关于课堂测试也都是纸质的试卷的形式。

现有技术中的教学***中，缺乏学生学习兴趣的识别、缺乏从学生的学习内容中提取兴趣的方法，缺少兴趣预测方法，无法更好的了解学生的学习情况；且老师编题过程复杂，学生答题后还需进行批卷操作，而现在每节课中针对课程章节大多为提供随堂考试卷以巩固学习过程，若每节课都需要进行编卷、批卷等操作，对于教师而言其工作量非常大；以上问题都对提高教学质量、教学效率带来阻碍。

发明内容

为克服上述现有技术的不足，本发明提供一种学习资源推荐***，能够自动编卷、批卷、向学生推荐课程资源等。

实现上述目的所采用的解决方案为：

一种学习资源推荐***，其改进之处在于：所述***包括：第一接收模块、生成模块、推荐模块、第二接收模块；其中，

所述第一接收模块，用于接收教学课程和所述教学课程的推送时间；及，接收题库，所述题库包括每个课程章节对应的题目；

所述生成模块，用于根据所述题库生成每个课程章节对应的课堂答题卷，将所述课堂答题卷发送给推荐模块；

所述推荐模块，用于推送所述课堂答题卷，推送课程章节，及推荐课程资源；

所述第二接收模块，用于接收检索条件，获得检索结果；及，接收课堂答题卷的答案。

进一步的，所述第一接收模块，具体用于：接收教学课程和所述教学课程的推送日期，判断所述推送日期是否超过设定日期，若所述推送日期超过设定日期则确定所述推送日期，若所述推送日期未超过设定日期则提示重新选择；

进一步的，所述第一接收模块，还用于接收包括每个课程章节对应的题目的题库、课程章节、班级信息、题目类型、题目数量、答题开始时间和答题结束时间；

所述题目数量，包括：题库的题目数量，任一课程章节的测试卷的题目数量；

所述题目类型，包括：选择题和判断题。

进一步的，所述生成模块，具体用于：接收题库、课程章节、班级信息、题目数量、答题开始时间和答题结束时间；

读取课程章节、题库、某一所述课程章节的题目数量，判断所述题库中所述课程章节的题目数量是否满足数量要求，满足数量要求则生成测试卷；结合所述测试卷、班级信息、答题开始时间、答题结束时间生成课堂测试卷；

所述满足数量要求，包括：题目数量是否超过测试卷的题目数量。

进一步的，所述推荐模块，用于推送所述课堂答题卷，推送课程章节的文章；及，

读取学生的访问记录、学习时长、课程评分，根据所述访问记录、学习时长和课程评分的数据确定学生的兴趣度函数，根据所述兴趣度函数推荐学生感兴趣的课程资源。

进一步的，所述推荐模块，具体用于读取学生的访问记录、学习时长、课程评分，根据所述访问记录、学习时长和课程评分确定学生的兴趣度函数，根据所述兴趣度函数推荐学生感兴趣的课程资源，包括：

构建余弦相似度函数：其中，i和j分别为学生i和j的兴趣度向量，所述兴趣度向量包括：访问次数、学习时长、课程评分；i和j的夹角越小，相似度越高；

根据所述访问记录、学习时长、课程评分确定学生的兴趣度函数：

其中，α₁、α₂、α₃为调节系数，α₁，α₂，α₃∈[0,1]；f、t、r分别为学生的访问次数、学习时长、课程评分；所述访问次数、学习时长、课程评分分别设置初始值；f_ij表示用户i对课程资源j的访问次数，f_min为数据库中记录的最小的访问次数，f_max为数据库中记录的最大的访问次数；t_ij为用户i对课程资源j的学习时长，t_max为数据库中记录的最大的学习时长，t_min为数据库中记录的最小的学习时长；r_ij为用于i对课程资源j的课程评分；r_max为数据库中记录的最大的课程评分；r_min为数据库中记录的最小的课程评分；

构造遗传算法的适应度函数评价兴趣度函数ω_ij的优劣的程度，获得所述调节系数α₁、α₂、α₃的最优解；根据所述调节系数α₁、α₂、α₃的最优解计算出兴趣度函数ω_ij，根据所述兴趣度函数ω_ij判断是否将学生i和学生j的感兴趣的课程资源互相推荐。

进一步的，所述第二接收模块，用于接收检索条件，获得检索结果；

所述检索条件，包括：教师名称、课程章节的标题、学习科目。

进一步的，所述***还包括统计模块，所述统计模块，用于接收每个学生的课堂答题卷的答案，根据所述课堂答题卷的答案，批复每个学生的课堂答题卷的答案，获取每个学生的每份课堂答题卷的分数并保存；

根据批复的每个学生的课堂答题卷的答案，统计每个学生的错题；

获取班级内每个学生的课堂答题卷的分数，获得班级学生的课堂答题卷的平均分并保存。

与最接近的现有技术相比，本发明具有以下有益效果：

本发明实施例提供的学***均分情况等，获得学生的学习情况，大大减轻了教师的工作量，使得学生能够针对性的学习，提高了教学的质量。该***根据设定测试卷的页数，根据页数生成题目，提高查询效率；相对于一道一道题目生成，需要多次进行数据库的查询，可以减少执行查询的次数；并且，保证题目的随机性。

附图说明

图1为本发明实施例提供一种学习资源推荐***的结构示意图；

图2为本发明实施例中生成测试卷的流程示意图。

具体实施方式

下面结合附图对本发明的具体实施方式做进一步的详细说明。

图1为本发明实施例提供一种学习资源推荐***的结构示意图，如图1所示，所述学习资源推荐***，包括：第一接收模块、生成模块、推荐模块、第二接收模块；其中，

所述第一接收模块，用于接收教学课程和所述教学课程的推送时间；及，接收题库，所述题库包括每个课程章节对应的题目；

所述生成模块，用于根据所述题库生成每个课程章节对应的课堂答题卷，将所述课堂答题卷发送给推荐模块；

所述推荐模块，用于推送所述课堂答题卷，及推送课程章节的文章；

所述第二接收模块，用于接收检索条件，获得检索结果；及，接收课堂答题卷的答案；

所述***还包括，所述统计模块，用于根据所述课堂答题卷的答案，批复每个学生的课堂答题卷的答案，获取每个学生的每份课堂答题卷的分数并保存；

根据批复的每个学生的课堂答题卷的答案，统计每个学生的错题；

获取班级内每个学生的课堂答题卷的分数，获得班级学生的课堂答题卷的平均分并保存。所述统计结果推送给教师，了解该学生的学习状况。所述学生的课堂答题卷的答案，错题，分数等推送给学生，用于了解自身不足。

所述***还包括：数据库；所述数据库用于保存题目、课程章节、班级信息、题目类型、题目数量、答题开始时间、答题结束时间、生成的课堂答案卷、学生输入的答案、学生的访问记录、学生的学习时长、收藏记录等信息。

具体的，所述第一接收模块，具体用于：接收教师输入的教学课程和所述教学课程的推送日期，判断所述推送日期是否超过设定日期，若所述推送日期超过设定日期则确定所述推送日期，若所述推送日期未超过设定日期则提示重新选择。

所述推送时间为教师制定的教学进程中设置的教学课程的推送时间。学生可以在设定的时间内查看到教师推荐的教学课程，预习教学课程的内容。

所述第一接收模块，还用于接收题库、课程章节、班级信息、题目类型、题目数量、答题开始时间和答题结束时间；将接收的题库、课程章节、班级信息、题目类型、题目数量、答题开始时间和答题结束时间发送到生成模块。

题库、课程章节、班级信息、题目类型、题目数量、答题开始时间和答题结束时间可以用教师通过人机交互界面输入。

通过第一接收模块批量导入题库，接收教师输入的课程章节、班级信息、题目类型、题目数量、答题开始时间和答题结束时间；将上述内容发送到生成模块，所述生成模块根据上述内容制定出课堂答题卷。所述推荐模块接收到课堂答题卷，将所述课堂答题卷推送给学生。学生查看课堂答题卷并输入答案，第二接收模块接收到学生输入的答案，后台保存。

该***包括教师端和学生端。教师端和学生端可以通过移动终端上安装的应用软件APP或者登录网页登录学习资源推荐***；进行各自的操作。上述第一接收模块属于教师端操作的模块，接收教师的操作，上述第二接收模块属于学生端操作的模块，接收学生的操作。教师端和学生端安装在移动终端或者计算机上，通过移动终端或者计算机的人机交互界面可以查看并输入信息。

具体的，所述生成模块，具体用于：接收题库、课程章节、班级信息、题目类型、题目数量、答题开始时间和答题结束时间；根据所述题库、课程章节、班级信息、题目类型、题目数量、答题开始时间和答题结束时间课堂答题卷；并将所述课堂答题卷发送给推送模块。

所述题目数量，包括：题库的题目数量，任一课程章节的测试卷的题目数量；

所述题目类型，包括：选择题和判断题。

所述生成模块，具体用于：接收题库、课程章节、班级信息、题目数量、答题开始时间和答题结束时间；

读取课程章节、题库、某一所述课程章节的题目数量，判断所述题库中所述课程章节的题目数量是否满足数量要求，满足数量要求则生成测试卷；结合所述测试卷、班级信息、答题开始时间、答题结束时间生成课堂测试卷；

所述满足数量要求，包括：题目数量是否超过测试卷的题目数量。

本发明实施例中，所述试卷题目数量设定值是由***管理员设置，也可以对试卷题目数量进行修改，由老师在人机交互界面上选择具体的数值，一般设置为10,15,20等。

这里，判断是否满足数量要求的方法如下：

管理员或者教师设定每一页的题目数量，即页大小是固定值，从而根据测试卷计算出对应课程章节的题目页数；然后在页数范围内生成满足题目数量的随机页码，然后生成测试卷。页大小一般取较小的值，这样随机出来的页码相对分散。

这里，一页可以包含多道题目，后面要生成随机数产生题目，这里只要生成需要的多少页即可，要生成的随机数变少(因为生成随机数可能重复，还要判断是否重复)，提高查询效率；若是一道一道题目生成，需要多次进行数据库的查询，这样的可以减少执行查询的次数；并且，分成多页可以保证题目的随机性。

所述题目类型包括：单选题、判断题；还可以设定单选题的数量设定值和判断题的数量设定值；所述课堂测试卷的单选题和判断题分别需要满足单选题的数量设定值和判断题的数量设定值。

具体的，所述推荐模块，用于推送所述课堂答题卷，推送课程章节的文章；这里所述推荐模块可以根据所述课程章节推荐所述课堂答题卷。所述课堂答题卷用于该课程章节的随堂测试。

具体的，所述推荐模块，还用于获取学生的访问记录、学习时长、课程评分的信息，根据所述访问记录、学习时长、课程评分确定学生的兴趣度函数，推荐学习资源；

所述学习资源为课程资源。

具体的，所述推荐模块，具体用于构建余弦相似度函数：

$sim(i,j)=cos\left(\stackrel{\→}{i,}\stackrel{\→}{j}\right)=\frac{\stackrel{\→}{i}*\stackrel{\→}{j}}{\left|\stackrel{\→}{i}\right|*\left|\stackrel{\→}{j}\right|}$

其中，i和j分别为学生i和学生j的兴趣度向量；i和j的夹角越小，相似度越高；所述兴趣度向量，可以包括：课程访问次数、课程学习时长、课程评分等；

学生可以通过人机交互界面给任意课程进行评分；所述课程评分为学生给任意课程的分数；

例如，这里兴趣度向量的格式可以为三元组(x1，x2，x3)

根据所述访问记录、学习时长、课程评分确定学生的兴趣度函数：

${\mathrm{\ω}}_{ij}=\[1-\exp \left(-{\mathrm{\α}}_1\frac{f_{ij}-f_{\min }}{f_{\max }-f_{ij}}\right)\]*\[1-\exp \left(-{\mathrm{\α}}_2\frac{t_{ij}-t_{\min }}{t_{\max }-t_{ij}}\right)\]*\[1-\exp \left(-{\mathrm{\α}}_3\frac{r_{ij}-r_{\min }}{r_{\max }-r_{ij}}\right)\]$

其中，α₁、α₂、α₃为调节系数，α₁，α₂，α₃∈[0,1]；f、t、r分别为学生的访问次数、学习时长、课程评分；所述访问次数、学习时长、课程评分分别设置初始值，及数据库中读取的值；

f_ij表示用户i对课程资源j的访问次数，f_min为数据库中记录的最小的访问次数，f_max为数据库中记录的最大的访问次数；t_ij为用户i对课程资源j的学习时长，t_max为数据库中记录的最大的学习时长，t_min为数据库中记录的最小的学习时长；r_ij为用于i对课程资源j的课程评分；r_max为数据库中记录的最大的课程评分；r_min为数据库中记录的最小的课程评分。

所述调节系数α₁、α₂、α₃可以在指定范围内，即[0,1]生成随机数；后面会通过遗传算法优化系数；

所述f、t、r即为记录学生的数据，将设定的初值代入目标函数ω_ij，通过遗传算法优化系数和初值，可以使用matlab软件中自带的遗传算法工具箱进行迭代计算。

构造遗传算法的适应度函数评价兴趣度函数ω_ij的优劣的程度，适应度值越大说明个体越好，从而得到目标函数的最优解，适应度函数如下：

$Fit\left({\mathrm{\&omega;}}_{ij}\right)=\left\{\begin{array}{c}1-0.5\&times;\left(\left|\frac{{\mathrm{\&omega;}}_{ij}-b}{a}\right|\right),|{\mathrm{\&omega;}}_{ij}-b|<a\\ \frac{1}{1+{\left(\frac{{\mathrm{\&omega;}}_{ij}-b}{a}\right)}^{\mathrm{\&beta;}}},|{\mathrm{\&omega;}}_{ij}-b|\&GreaterEqual;a\end{array}\right.$

β为常数，取不同的值对应不同的适应度函数，可以取1,2,3等；

当b＝min{ω_ij}，Fit(ω_ij)＝0.5时，a即为ω_ij到min{ω_ij}的距离，a，b的初值可以人为设定，通常a和b的值通过遗传算法交叉变异进化的下一代不断修正，从而得到ω_ij的值，带入到学生兴趣度目标函数ω_ij中优化最初的调节系数α₁、α₂、α₃，即可得到调节系数的最优解。

根据获得的调节系数α₁、α₂、α₃的最优解，根据所述调节系数的最优解带入确定兴趣度函数ω_ij，兴趣度函数ω_ij越大，表示对课程资源的兴趣越大，则学生i和学生j相互推荐感兴趣的课程资源。

这里，可以设定兴趣度阈值，兴趣度函数ω_ij的结果大于所述兴趣度阈值时则认为感兴趣并可以推荐资源；所述感兴趣的课程资源，为另一学生收藏记录中的课程资源和访问记录中的课程资源；例如，计算学生A和学生B的兴趣度函数，认为感兴趣则向学生A推荐学生B的收藏记录中的课程资源和访问记录中的课程资源；向学生B推荐学生A的收藏记录中的课程资源和访问记录中的课程资源。

图2为本发明实施例中生成测试卷的流程示意图；如图2所示，生成测试卷包括：设置页大小为m，读取判断题页数，判断所述判断题页数对应的题目数是否小于所需要生成的判断题题目数量，小于则结束；大于或等于则读取单选题页数，判断单选题页数对应的题目是否小于所需生成的单选题题目的数量，小于则结束，大于或等于则在有效页码范围N内生成满足题目数量的随机数，N＝总页码数-1，因为最后一页的题目数可能不是完整的一页，所以排除最后一页，然后读取对应随机页中的题目***到测试卷中。

具体的，第二接收模块，具体用于接收学生输入的检索条件，获得检索结果；及，接收学生输入的课堂答题卷的答案。

所述检索条件可以包括：任课教师名称、学习科目、课程章节的标题等。

第二接收模块进行查询的一种实施例，以根据任课教师查询教学的课程章节为例；代码如下：

相应的，本发明实施例还提供一种学习资源推荐方法，所述方法包括；

步骤101：接收教学课程和所述教学课程的推送时间；及，接收题库，所述题库包括每个课程章节对应的题目；

步骤102：根据所述题库生成每个课程章节对应的试卷，并为所述试卷设置试卷的推荐时间，结合所述试卷和所述推荐时间生成课堂答题卷，将所述课堂答题卷发送给推荐模块；

步骤103：推送所述课堂答题卷；

步骤104：接收检索条件，获得检索结果；及，接收课堂答题卷的答案。

所述方法还包括：推送课程章节，及推荐课程资源。

所述推荐课程资源，包括：

构建余弦相似度函数：

$sim(i,j)=cos\left(\stackrel{\&RightArrow;}{i,}\stackrel{\&RightArrow;}{j}\right)=\frac{\stackrel{\&RightArrow;}{i}*\stackrel{\&RightArrow;}{j}}{\left|\stackrel{\&RightArrow;}{i}\right|*\left|\stackrel{\&RightArrow;}{j}\right|}$

其中，i和j分别为学生i和学生j的兴趣度向量；i和j的夹角越小，相似度越高；所述兴趣度向量，可以包括：课程访问次数、课程学习时长、课程评分等；

学生可以通过人机交互界面给任意课程进行评分；所述课程评分为学生给任意课程的分数；

例如，这里兴趣度向量的格式可以为三元组(x1，x2，x3)

根据所述访问记录、学习时长、课程评分确定学生的兴趣度函数：

${\mathrm{\&omega;}}_{ij}=\&lsqb;1-\exp \left(-{\mathrm{\&alpha;}}_1\frac{f_{ij}-f_{\min }}{f_{\max }-f_{ij}}\right)\&rsqb;*\&lsqb;1-\exp \left(-{\mathrm{\&alpha;}}_2\frac{t_{ij}-t_{\min }}{t_{\max }-t_{ij}}\right)\&rsqb;*\&lsqb;1-\exp \left(-{\mathrm{\&alpha;}}_3\frac{r_{ij}-r_{\min }}{r_{\max }-r_{ij}}\right)\&rsqb;$

其中，α₁、α₂、α₃为调节系数，α₁，α₂，α₃∈[0,1]；f、t、r分别为学生的访问次数、学习时长、课程评分；所述访问次数、学习时长、课程评分分别设置初始值；

f_ij表示用户i对课程资源j的访问次数，f_min为数据库中记录的最小的访问次数，f_max为数据库中记录的最大的访问次数；t_ij为用户i对课程资源j的学习时长，t_max为数据库中记录的最大的学习时长，t_min为数据库中记录的最小的学习时长；r_ij为用于i对课程资源j的课程评分；r_max为数据库中记录的最大的课程评分；r_min为数据库中记录的最小的课程评分。

所述调节系数α₁、α₂、α₃可以在指定范围内，即[0,1]生成随机数；后面会通过遗传算法优化系数；

所述f、t、r即为记录学生的数据，将设定的初值代入目标函数ω_ij，通过遗传算法优化系数和初值，可以使用matlab软件中自带的遗传算法工具箱进行迭代计算。

构造遗传算法的适应度函数评价兴趣度函数ω_ij的优劣的程度，适应度值越大说明个体越好，从而得到目标函数的最优解，适应度函数如下：

$Fit\left({\mathrm{\&omega;}}_{ij}\right)=\left\{\begin{array}{c}1-0.5\&times;\left(\left|\frac{{\mathrm{\&omega;}}_{ij}-b}{a}\right|\right),|{\mathrm{\&omega;}}_{ij}-b|<a\\ \frac{1}{1+{\left(\frac{{\mathrm{\&omega;}}_{ij}-b}{a}\right)}^{\mathrm{\&beta;}}},|{\mathrm{\&omega;}}_{ij}-b|\&GreaterEqual;a\end{array}\right.$

β为常数，取不同的值对应不同的适应度函数，可以取1,2,3等；

当b＝min{ω_ij}，Fit(ω_ij)＝0.5时，a即为ω_ij到min{ω_ij}的距离，a，b的初值可以人为设定，通常a和b的值通过遗传算法交叉变异进化的下一代不断修正，从而得到ω_ij的值，带入到学生兴趣度目标函数ω_ij中优化最初的调节系数α₁、α₂、α₃，即可得到调节系数的最优解。

根据获得的调节系数α₁、α₂、α₃的最优解，根据所述调节系数的最优解带入确定兴趣度函数ω_ij，兴趣度函数ω_ij越大，表示对课程资源的兴趣越大，则学生i和学生j相互推荐课程资源。

最后应当说明的是:以上实施例仅用于说明本申请的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。

Claims (8)

1.一种学习资源推荐***，其特征在于：所述***包括：第一接收模块、生成模块、推荐模块、第二接收模块；其中，

所述第一接收模块，用于接收教学课程和所述教学课程的推送时间；及，接收题库，所述题库包括每个课程章节对应的题目；

所述生成模块，用于根据所述题库生成每个课程章节对应的课堂答题卷，将所述课堂答题卷发送给推荐模块；

所述推荐模块，用于推送所述课堂答题卷，推送课程章节，及推荐课程资源；

所述第二接收模块，用于接收检索条件，获得检索结果；及，接收课堂答题卷的答案。

2.如权利要求1所述一种学习资源推荐***，其特征在于：所述第一接收模块，具体用于：接收教学课程和所述教学课程的推送日期，判断所述推送日期是否超过设定日期，若所述推送日期超过设定日期则确定所述推送日期，若所述推送日期未超过设定日期则提示重新选择。

3.如权利要求1所述一种学习资源推荐***，其特征在于：所述第一接收模块，还用于接收包括每个课程章节对应的题目的题库、课程章节、班级信息、题目类型、题目数量、答题开始时间和答题结束时间；

所述题目数量，包括：题库的题目数量，任一课程章节的测试卷的题目数量；

所述题目类型，包括：选择题和判断题。

4.如权利要求1所述一种学习资源推荐***，其特征在于：所述生成模块，具体用于：接收题库、课程章节、班级信息、题目数量、答题开始时间和答题结束时间；

读取课程章节、题库、某一所述课程章节的题目数量，判断所述题库中所述课程章节的题目数量是否满足数量要求，满足数量要求则生成测试卷；结合所述测试卷、班级信息、答题开始时间、答题结束时间生成课堂测试卷；

所述满足数量要求，包括：题目数量是否超过测试卷的题目数量。

5.如权利要求1所述一种学习资源推荐***，其特征在于：所述推荐模块，用于推送所述课堂答题卷，推送课程章节的文章；及，

读取学生的访问记录、学习时长、课程评分，根据所述访问记录、学习时长和课程评分的数据确定学生的兴趣度函数，根据所述兴趣度函数推荐学生感兴趣的课程资源。

6.如权利要求5所述一种学习资源推荐***，其特征在于：所述推荐模块，具体用于读取学生的访问记录、学习时长、课程评分，根据所述访问记录、学习时长和课程评分确定学生的兴趣度函数，根据所述兴趣度函数推荐学生感兴趣的课程资源，包括：

构建余弦相似度函数：其中，i和j分别为学生i和j的兴趣度向量，所述兴趣度向量包括：访问次数、学习时长、课程评分；i和j的夹角越小，相似度越高；

根据所述访问记录、学习时长、课程评分确定学生的兴趣度函数：

其中，α₁、α₂、α₃为调节系数，α₁，α₂，α₃∈[0,1]；f、t、r分别为学生的访问次数、学习时长、课程评分；所述访问次数、学习时长、课程评分分别设置初始值；f_ij表示用户i对课程资源j的访问次数，f_min为数据库中记录的最小的访问次数，f_max为数据库中记录的最大的访问次数；t_ij为用户i对课程资源j的学习时长，t_max为数据库中记录的最大的学习时长，t_min为数据库中记录的最小的学习时长；r_ij为用于i对课程资源j的课程评分；r_max为数据库中记录的最大的课程评分；r_min为数据库中记录的最小的课程评分；

构造遗传算法的适应度函数评价兴趣度函数ω_ij的优劣的程度，获得所述调节系数α₁、α₂、α₃的最优解；根据所述调节系数α₁、α₂、α₃的最优解计算出兴趣度函数ω_ij，根据所述兴趣度函数ω_ij判断是否将学生i和学生j的感兴趣的课程资源互相推荐。

7.如权利要求1所述一种学习资源推荐***，其特征在于：所述第二接收模块，用于接收检索条件，获得检索结果；

所述检索条件，包括：教师名称、课程章节的标题、学习科目。

8.如权利要求1所述一种学习资源推荐***，其特征在于：所述***还包括统计模块，所述统计模块，用于接收每个学生的课堂答题卷的答案，根据所述课堂答题卷的答案，批复每个学生的课堂答题卷的答案，获取每个学生的每份课堂答题卷的分数并保存；

根据批复的每个学生的课堂答题卷的答案，统计每个学生的错题；

获取班级内每个学生的课堂答题卷的分数，获得班级学生的课堂答题卷的平均分并保存。