CN111400602A - 一种基于个性化推荐的在线学习***和方法 - Google Patents

一种基于个性化推荐的在线学习***和方法 Download PDF

Info

Publication number
CN111400602A
CN111400602A CN202010199530.9A CN202010199530A CN111400602A CN 111400602 A CN111400602 A CN 111400602A CN 202010199530 A CN202010199530 A CN 202010199530A CN 111400602 A CN111400602 A CN 111400602A
Authority
CN
China
Prior art keywords
user
recommendation
course
learning
personalized recommendation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010199530.9A
Other languages
English (en)
Inventor
陈家峰
李书兵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhuhai Dulang Online Education Co ltd
Original Assignee
Zhuhai Dulang Online Education Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhuhai Dulang Online Education Co ltd filed Critical Zhuhai Dulang Online Education Co ltd
Priority to CN202010199530.9A priority Critical patent/CN111400602A/zh
Publication of CN111400602A publication Critical patent/CN111400602A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/3332—Query translation
    • G06F16/3334—Selection or weighting of terms from queries, including natural language queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B5/00—Electrically-operated educational appliances
    • G09B5/02—Electrically-operated educational appliances with visual presentation of the material to be studied, e.g. using film strip

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于个性化推荐的在线学***台，还能够根据用户的兴趣特征推荐其感兴趣的学习资源，有效解决在线学习***中的学习资源过载问题，提升用户的体验效果和学习效率。

Description

一种基于个性化推荐的在线学习***和方法
技术领域
本发明属于发明涉及在线学习技术领域，具体涉及一种基于个性化推荐的在线学习***和方法。
背景技术
随着互联网生活方式的普及与学***衡的情况。在线学***台，还能够根据用户的兴趣特征推荐其感兴趣的学习资源，有效解决在线学习***中的学习资源过载问题，提升用户的体验效果和学习效率。
发明内容
本发明的目的是为克服已有技术的不足，提出一种基于个性化推荐的在线学习***和方法。
本发明提供了一种基于个性化推荐的在线学***板，负责处理用户的输入信息，以及向用户进行输出和展示，通过网络与控制器模块连接。控制器模块的作用是将视图模块与业务模块的数据结合起来，并进行信息处理。业务模块负责业务的处理、数据的修改、存储以及查询等操作。其中数据访问功能会将由控制器传递进来的数据，转化为数据可以识别的表达方式，实现数据库的访问。
应用所述一种基于个性化推荐的在线学习方法主要包括以下步骤：
步骤1，用户通过视图模块进行在线学习，控制器模块根据用户在业务模块中的历史数据融合深度学习的概率矩阵分解推荐模型计算用户对课程的喜爱度，获取推荐候选集；
步骤2，控制器模块根据基于用户的协同过滤推荐算法计算用户对课程的喜爱度，获取推荐候选集；
步骤3，控制器模块采用粗粒度权重计算方法获取步骤1、2得到的两种方法对应的线性加权权重；
步骤4，控制器模块根据对应权重将两种方法获得的推荐候选集进行线性加权融合，得到最终的个性化推荐候选集并存储在业务模块中，通过视图模块的电脑和学习平板显示给用户。
优选的，步骤1中的获取推荐候选集方式为：
将用户特征向量和课程特征向量作为输入，计算用户对课程的喜爱度，然后选取用户喜爱度最高的课程。根据选取的课程，获取该类别下所有课程的隐式特征向量，然后根据式计算用户对该类别下每门课程的喜爱度：
Figure BDA0002418874360000021
其中，u为用户特征向量，v为课程特征向量，un为用户n的特征向量，vn为课程n的特征向量。
将计算所得的喜爱度进行降序排序，为每位用户选取喜爱度前30的课程作为其推荐候选集。
优选的，步骤2中的获取推荐候选集方式为：
将用户特征向量作为的输入，然后根据式计算用户特征向量间的余弦相似度：
Figure BDA0002418874360000031
其中ui为用户i的特征向量，uj为用户j的特征向量。
将计算所得的余弦相似度进行降序排序，为每位用户选取余弦相似度前30的用户作为其相似用户群体。获取相似用户群体的历史评分课程，根据式计算用户对相似用户历史评分课程的喜爱度：
Figure BDA0002418874360000032
其中K(i)表示对课程i有过评分的用户集合，S(u，N)表示与用户u最相似的N个用户，此处N等于30，
Figure BDA0002418874360000033
为用户u所有评分课程的平均评分，rvi为用户v对课程i的评分。
然后根据喜爱度进行降序排序。
优选的，步骤3中的线性加权方式为：
根据融合深度学***方和，目标函数为：
Figure BDA0002418874360000034
其中α1+α2＝1，0≤α1≤1，0≤α2≤1，α1表示融合深度学习的概率矩阵分解推荐模型对应的权重值，α2表示基于用户的协同过滤推荐算法对应的权重值，
Figure BDA0002418874360000041
表示根据融合深度学习的概率矩阵分解推荐模型计算获得的用户i对自己已评分课程j的预测喜爱度。
Figure BDA0002418874360000042
表示根据基于用户的协同过滤推荐算法计算获得的用户i对自己已评分课程j的预测喜爱度，Rij表示用户i对自己已评分课程j的喜爱度。
优选的，步骤4中的线性加权融合方式为：
根据式将两个推荐候选集进行融合，得到融合后的推荐候选集：
Figure BDA0002418874360000043
其中Iij示融合后用户i对课程j的喜爱度。
将融合后的推荐候选集根据喜爱度进行降序排序，为每位用户选取喜爱度前10的课程作为其最终的个性化推荐候选集，将个性化推荐候选集存储到个性化推荐数据库中。
本发明与现有技术相比，其有益的技术效果为：在传统的在线学习***中加入个性化推荐可以使用户在学习过程中拥有更大的针对性和能动性，基于推荐模型、课程推荐引擎和具体的业务需求，设计并实现了在线学习***，通过粗粒度权重计算方法将根据融合深度学习的概率矩阵分解算法、基于用户的协同过滤推荐算法进行线性加权融合，得到最终的个性化推荐候选集；***能够根据用户行为构建用户模型，从而有针对性地向用户推荐其可能喜欢的学习资源，以此激发他们的学习热情，提高其学习的积极性。
附图表明
图1是本发明的步骤流程图。
图2是本发明的结构框架图。
具体实施方式
一种基于个性化推荐的在线学***板，负责处理用户的输入信息，以及向用户进行输出和展示，通过网络与控制器模块连接。控制器模块的作用是将视图模块与业务模块的数据结合起来，并进行信息处理。业务模块负责业务的处理、数据的修改、存储以及查询等操作。其中数据访问功能会将由控制器传递进来的数据，转化为数据可以识别的表达方式，实现数据库的访问。
应用所述一种基于个性化推荐的在线学习方法主要包括以下步骤：
步骤1，用户通过视图模块进行在线学习，控制器模块根据用户在业务模块中的历史数据融合深度学习的概率矩阵分解推荐模型计算用户对课程的喜爱度，获取推荐候选集；
具体是，将用户特征向量和课程特征向量作为输入，计算用户对课程的喜爱度，然后选取用户喜爱度最高的课程。根据选取的课程，获取该类别下所有课程的隐式特征向量，然后根据式计算用户对该类别下每门课程的喜爱度：
Figure BDA0002418874360000051
其中，u为用户特征向量，v为课程特征向量，un为用户n的特征向量，vn为课程n的特征向量。
将计算所得的喜爱度进行降序排序，为每位用户选取喜爱度前30的课程作为其推荐候选集。
步骤2，控制器模块根据基于用户的协同过滤推荐算法计算用户对课程的喜爱度，获取推荐候选集；
具体是，将用户特征向量作为的输入，然后根据式计算用户特征向量间的余弦相似度：
Figure BDA0002418874360000061
其中ui为用户i的特征向量，uj为用户j的特征向量。
将计算所得的余弦相似度进行降序排序，为每位用户选取余弦相似度前30的用户作为其相似用户群体。获取相似用户群体的历史评分课程，根据式计算用户对相似用户历史评分课程的喜爱度：
Figure BDA0002418874360000062
其中K(i)表示对课程i有过评分的用户集合，S(u，N)表示与用户u最相似的N个用户，此处N等于30，
Figure BDA0002418874360000063
为用户u所有评分课程的平均评分，rvi为用户v对课程i的评分。
然后根据喜爱度进行降序排序。
步骤3，控制器模块采用粗粒度权重计算方法获取步骤1、2得到的两种方法对应的线性加权权重；
具体是，根据融合深度学***方和，目标函数为：
Figure BDA0002418874360000064
其中α1+α2＝1，0≤α1≤1，0≤α2≤1，α1表示融合深度学习的概率矩阵分解推荐模型对应的权重值，α2表示基于用户的协同过滤推荐算法对应的权重值，
Figure BDA0002418874360000071
表示根据融合深度学习的概率矩阵分解推荐模型计算获得的用户i对自己已评分课程j的预测喜爱度。
Figure BDA0002418874360000072
表示根据基于用户的协同过滤推荐算法计算获得的用户i对自己已评分课程j的预测喜爱度，Rij表示用户i对自己己评分课程j的喜爱度。
步骤4，控制器模块根据对应权重将两种方法获得的推荐候选集进行线性加权融合，得到最终的个性化推荐候选集并存储在业务模块中，通过视图模块的电脑和学习平板显示给用户。
具体是，根据式将两个推荐候选集进行融合，得到融合后的推荐候选集：
Figure BDA0002418874360000073
其中Iij示融合后用户i对课程j的喜爱度。
将融合后的推荐候选集根据喜爱度进行降序排序，为每位用户选取喜爱度前10的课程作为其最终的个性化推荐候选集，将个性化推荐候选集存储到个性化推荐数据库中。
以上对本发明进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的表明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本表明书内容不应理解为对本发明的限制。

Claims (6)

1.一种基于个性化推荐的在线学***板，负责处理用户的输入信息，以及向用户进行输出和展示，其通过网络与控制器模块连接；控制器模块的作用是将视图模块与业务模块的数据结合起来，并进行信息处理，业务模块负责业务的处理、数据的修改、存储以及查询等操作；其中数据访问功能会将由控制器传递进来的数据，转化为数据可以识别的表达方式，实现数据库的访问。
2.应用所述一种基于个性化推荐的在线学习方法主要包括以下步骤：
步骤1，用户通过视图模块进行在线学习，控制器模块根据用户在业务模块中的历史数据融合深度学习的概率矩阵分解推荐模型计算用户对课程的喜爱度，获取推荐候选集；
步骤2，控制器模块根据基于用户的协同过滤推荐算法计算用户对课程的喜爱度，获取推荐候选集；
步骤3，控制器模块采用粗粒度权重计算方法获取步骤1、2得到的两种方法对应的线性加权权重；
步骤4，控制器模块根据对应权重将两种方法获得的推荐候选集进行线性加权融合，得到最终的个性化推荐候选集并存储在业务模块中，通过视图模块的电脑和学习平板显示给用户。
3.如权利要求2所述的基于个性化推荐的在线学习方法，其特征在于，
步骤1中的获取推荐候选集方式为：将用户特征向量和课程特征向量作为输入，计算用户对课程的喜爱度，然后选取用户喜爱度最高的课程，根据选取的课程，获取该类别下所有课程的隐式特征向量，然后根据式计算用户对该类别下每门课程的喜爱度：
Figure FDA0002418874350000011
其中，u为用户特征向量，v为课程特征向量，un为用户n的特征向量，vn为课程n的特征向量，将计算所得的喜爱度进行降序排序，为每位用户选取喜爱度前30的课程作为其推荐候选集。
4.如权利要求2所述的基于个性化推荐的在线学习方法，其特征在于：
步骤2中的获取推荐候选集方式为：将用户特征向量作为的输入，然后根据式计算用户特征向量间的余弦相似度：
Figure FDA0002418874350000021
其中ui为用户i的特征向量，uj为用户j的特征向量；将计算所得的余弦相似度进行降序排序，为每位用户选取余弦相似度前30的用户作为其相似用户群体；获取相似用户群体的历史评分课程，根据式计算用户对相似用户历史评分课程的喜爱度：
Figure FDA0002418874350000022
其中K(i)表示对课程i有过评分的用户集合，S(u，N)表示与用户u最相似的N个用户，此处N等于30，
Figure FDA0002418874350000023
为用户u所有评分课程的平均评分，rvi为用户v对课程i的评分；然后根据喜爱度进行降序排序。
5.如权利要求2所述的基于个性化推荐的在线学习方法，其特征在于：
步骤3中的线性加权方式为：根据融合深度学***方和，目标函数为：
Figure FDA0002418874350000031
其中α1+α2＝1，0≤α1≤1，0≤α2≤1，α1表示融合深度学习的概率矩阵分解推荐模型对应的权重值，α2表示基于用户的协同过滤推荐算法对应的权重值，
Figure FDA0002418874350000032
表示根据融合深度学习的概率矩阵分解推荐模型计算获得的用户i对自己已评分课程j的预测喜爱度，
Figure FDA0002418874350000033
表示根据基于用户的协同过滤推荐算法计算获得的用户i对自己已评分课程j的预测喜爱度，Rij表示用户i对自己已评分课程j的喜爱度。
6.如权利要求2所述的基于个性化推荐的在线学习方法，其特征在于：
步骤4中的线性加权融合方式为：根据式将两个推荐候选集进行融合，得到融合后的推荐候选集：
Figure FDA0002418874350000034
其中Iij示融合后用户i对课程j的喜爱度；将融合后的推荐候选集根据喜爱度进行降序排序，为每位用户选取喜爱度前10的课程作为其最终的个性化推荐候选集，将个性化推荐候选集存储到个性化推荐数据库中。
CN202010199530.9A 2020-03-20 2020-03-20 一种基于个性化推荐的在线学习***和方法 Pending CN111400602A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010199530.9A CN111400602A (zh) 2020-03-20 2020-03-20 一种基于个性化推荐的在线学习***和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010199530.9A CN111400602A (zh) 2020-03-20 2020-03-20 一种基于个性化推荐的在线学习***和方法

Publications (1)

Publication Number Publication Date
CN111400602A true CN111400602A (zh) 2020-07-10

Family

ID=71428976

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010199530.9A Pending CN111400602A (zh) 2020-03-20 2020-03-20 一种基于个性化推荐的在线学习***和方法

Country Status (1)

Country Link
CN (1) CN111400602A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112733036A (zh) * 2021-01-21 2021-04-30 唐亮 知识点推荐方法、装置、存储介质及电子装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110178964A1 (en) * 2010-01-21 2011-07-21 National Cheng Kung University Recommendation System Using Rough-Set and Multiple Features Mining Integrally and Method Thereof
CN106600302A (zh) * 2015-10-19 2017-04-26 玺阅信息科技（上海）有限公司 基于Hadoop的商品推荐***
CN107436950A (zh) * 2017-08-07 2017-12-05 苏州大学 一种旅行路线推荐方法及***
CN108492230A (zh) * 2018-04-03 2018-09-04 四川长虹电器股份有限公司 基于分布式架构的互联网服务资源推广的***及方法
CN109241405A (zh) * 2018-08-13 2019-01-18 华中师范大学 一种基于知识关联的学习资源协同过滤推荐方法及***
CN109684538A (zh) * 2018-12-03 2019-04-26 重庆邮电大学 一种基于用户个人特征的推荐方法及推荐***
CN109919810A (zh) * 2019-01-22 2019-06-21 山东科技大学 在线学习***中的学生建模与个性化课程推荐方法
CN110399549A (zh) * 2018-04-24 2019-11-01 河南理工大学 一种面向用户兴趣调和相似度的协同过滤方法
CN110807154A (zh) * 2019-11-08 2020-02-18 内蒙古工业大学 一种基于混合深度学习模型的推荐方法与***

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110178964A1 (en) * 2010-01-21 2011-07-21 National Cheng Kung University Recommendation System Using Rough-Set and Multiple Features Mining Integrally and Method Thereof
CN106600302A (zh) * 2015-10-19 2017-04-26 玺阅信息科技（上海）有限公司 基于Hadoop的商品推荐***
CN107436950A (zh) * 2017-08-07 2017-12-05 苏州大学 一种旅行路线推荐方法及***
CN108492230A (zh) * 2018-04-03 2018-09-04 四川长虹电器股份有限公司 基于分布式架构的互联网服务资源推广的***及方法
CN110399549A (zh) * 2018-04-24 2019-11-01 河南理工大学 一种面向用户兴趣调和相似度的协同过滤方法
CN109241405A (zh) * 2018-08-13 2019-01-18 华中师范大学 一种基于知识关联的学习资源协同过滤推荐方法及***
CN109684538A (zh) * 2018-12-03 2019-04-26 重庆邮电大学 一种基于用户个人特征的推荐方法及推荐***
CN109919810A (zh) * 2019-01-22 2019-06-21 山东科技大学 在线学习***中的学生建模与个性化课程推荐方法
CN110807154A (zh) * 2019-11-08 2020-02-18 内蒙古工业大学 一种基于混合深度学习模型的推荐方法与***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
巩晓悦: "基于个性化推荐的在线学习***研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112733036A (zh) * 2021-01-21 2021-04-30 唐亮 知识点推荐方法、装置、存储介质及电子装置

Similar Documents

Publication Publication Date Title
CN107273490B (zh) 一种基于知识图谱的组合错题推荐方法
CN111753060B (zh) 信息检索方法、装置、设备及计算机可读存储介质
CN110555112B (zh) 一种基于用户正负偏好学习的兴趣点推荐方法
CN111797321B (zh) 一种面向不同场景的个性化知识推荐方法及***
CN105808590B (zh) 搜索引擎实现方法、搜索方法以及装置
CN112434517B (zh) 一种结合主动学习的社区问答网站答案排序方法及***
CN107122455A (zh) 一种基于微博的网络用户增强表示方法
CN110795571A (zh) 基于深度学习和知识图谱的文化旅游资源推荐方法
CN113744032B (zh) 一种图书推荐的方法、相关装置、设备及存储介质
CN110110225A (zh) 基于用户行为数据分析的在线教育推荐模型及构建方法
CN106610970A (zh) 基于协同过滤的内容推荐***与方法
CN106776928A (zh) 基于内存计算框架、融合社交环境及时空数据的位置推荐方法
CN112527993B (zh) 一种跨媒体层次化深度视频问答推理框架
CN109446414A (zh) 一种基于神经网络分类的软件信息站点快速标签推荐方法
CN112132536A (zh) 一种岗位推荐方法、***、计算机设备及存储介质
CN115964560B (zh) 基于多模态预训练模型的资讯推荐方法及设备
CN115577185A (zh) 基于混合推理和中智群决策的慕课推荐方法及装置
CN113239209A (zh) 基于RankNet-transformer的知识图谱个性化学习路径推荐方法
CN113158077A (zh) 一种基于用户画像的学术资源推荐方法
CN109492085A (zh) 基于数据处理的答案确定方法、装置、终端及存储介质
CN114781503A (zh) 一种基于深度特征融合的点击率预估方法
CN111400602A (zh) 一种基于个性化推荐的在线学习***和方法
CN111949894B (zh) 一种基于多空间交互的协同过滤个性化推荐方法
CN116957128A (zh) 业务指标预测方法、装置、设备和存储介质
CN110795640A (zh) 一种弥补群组成员差异的自适应组推荐方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200710

RJ01 Rejection of invention patent application after publication