CN115357632A - 一种学习者个性化可解释性潜在好友推荐方法及装置 - Google Patents
一种学习者个性化可解释性潜在好友推荐方法及装置 Download PDFInfo
- Publication number
- CN115357632A CN115357632A CN202210859182.2A CN202210859182A CN115357632A CN 115357632 A CN115357632 A CN 115357632A CN 202210859182 A CN202210859182 A CN 202210859182A CN 115357632 A CN115357632 A CN 115357632A
- Authority
- CN
- China
- Prior art keywords
- learners
- learner
- trust
- similarity
- degree
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000002452 interceptive effect Effects 0.000 claims abstract description 41
- 238000010586 diagram Methods 0.000 claims abstract description 13
- 230000001149 cognitive effect Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 42
- 230000006399 behavior Effects 0.000 claims description 8
- 238000005065 mining Methods 0.000 claims description 5
- 230000019771 cognition Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Educational Technology (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种学***台进行模型化处理,得到一个无向的复杂网络图结构;根据复杂网络图结构,获取社交化在线课程平台中所有学习者的三度好友关系;通过认识信任和交互信任混合加权计算各个好友间的信任度;计算得到学习者间的学术兴趣相似度;获取每位学习者所处的地理位置信息;根据各个好友间的信任度以及学术兴趣相似度,结合学习者的地理位置信息,计算三度内学习者的综合相似度;选取综合相似度最高的若干位学习者作为潜在好友进行推荐并生成推荐理由。本发明的效率高且准确率高,能够解决数据稀疏无法为冷启动学习者提供潜在好友推荐的问题,可广泛应用于计算机技术领域。
Description
技术领域
本发明涉及计算机技术领域,尤其是一种学习者个性化可解释性潜在好友推荐方法及装置。
背景技术
数据稀疏和冷启动问题是推荐***面临的难题,在社交化在线课程平台中,如何精准挖掘学***台的粘度和兴趣度,解决在线课程平台学习者高流失率问题。
相关技术中,社交化在线课程平台中存在学习者交互数据稀疏以及推荐算法的不可解释性问题。
发明内容
有鉴于此,本发明实施例提供一种学习者个性化可解释性潜在好友推荐方法及装置,以解决数据稀疏无法为冷启动学习者提供潜在好友推荐的问题。
本发明实施例的一方面提供了一种学习者个性化可解释性潜在好友推荐方法,包括:
将社交化在线课程平台进行模型化处理,得到一个无向的复杂网络图结构;
根据所述复杂网络图结构,获取社交化在线课程平台中所有学习者的三度好友关系;
通过认识信任和交互信任混合加权计算各个好友间的信任度;
采用余弦相似度方法计算学习者兴趣爱好数据间文本的相似度,使用TF-IDF模型计算学习者近期发表的学术成果的相似度,将两种相似度进行加权混合计算,得到学习者间的学术兴趣相似度;
获取每位学习者所处的地理位置信息;
根据所述各个好友间的信任度以及所述学术兴趣相似度,结合所述学习者的地理位置信息,计算三度内学习者的综合相似度;
选取综合相似度最高的若干位学习者作为潜在好友进行推荐并生成推荐理由。
可选地,所述根据所述复杂网络图结构,获取社交化在线课程平台中所有学习者的三度好友关系,包括:
根据所述复杂网络图结构,构建学习者直接好友关系集;
将所述复杂网络图结构中已经成为好友的节点组成好友节点对;
通过好友节点对来寻找两个非好友关系节点的好友节点对,挖掘两个非好友关系节点间存在的公共节点,进而获得社交化在线课程平台所有学习者间的二度好友关系集;
将获得的二度好友关系与已有的一度好友关系进行头节点配对,获得学***台中所有学习者的三度好友关系。
可选地,所述通过认识信任和交互信任混合加权计算各个好友间的信任度,包括:
将两个已经建立了好友关系的学习者确定为认识信任;
将一对好友在社交化在线课程平台中的交流频繁度高于预设条件的两个学习者确定为交互信任;
计算两个学***台中的交互行为进行权重调整,计算好友间的信任度。
可选地,所述好友间的信任度的计算公式为:
Fr(u,v)=Kr(u,v)+Ir(u,v)
其中,Fr(u,v)表示学习者u对学习者v的信任度,Kr(u,v)代表两位学习者为认识信任时的信任度;Ir(u,v)为代表两位学习者为交互信任时的信任度;
其中所述两位学习者为交互信任时的信任度根据两位学习者的访问交互信任和点赞交互信任来确定;
通过计算不同学习者之间的二度好友信任度值以及三度好友信任度值,确定三度内学习者好友间的信任度。
可选地,所述采用余弦相似度方法计算学习者兴趣爱好数据间文本的相似度的计算公式为:
其中,Scos(u,v)表示学习者u和学习者v之间兴趣爱好的相似度值,ui和vi分别表示不同学习者的兴趣爱好;
所述使用TF-IDF模型计算学习者近期发表的学术成果的相似度的计算公式为:
其中,STF-IDF(u,v)表示学习者u和学习者v的学术成果的相似度值,pui和pvi分别表示学习者u和学习者v的特征向量的第i个的值;
所述将两种相似度进行加权混合计算,得到学习者间的学术兴趣相似度的计算公式为:
S(u,v)=βScos(u,v)+(1-β)STF-IDF(u,v)
其中,S(u,v)代表最终计算得到的学术兴趣相似度;β代表对应的权重值。
可选地,所述方法还包括:
根据地球上任意两点的经纬度差值计算公式,计算两位学习者之间的距离;
其中,所述两位学习者之间的距离的计算公式为:
其中,D(u,v)表示学***均半径;C(u,v)表示学习者u和v之间的经纬度差值。
可选地,所述综合相似度的计算公式为:
其中,Sim(u,v)代表学习者u和v之间的综合相似度;D(u,v)代表学习者u和v之间的距离;S(u,v)代表学习者u和v之间的学术兴趣相似度;T(u,v)代表学习者u和v之间的信任度。
本发明实施例的另一方面还提供了一种学习者个性化可解释性潜在好友推荐装置,包括:
第一模块,用于将社交化在线课程平台进行模型化处理,得到一个无向的复杂网络图结构;
第二模块,用于根据所述复杂网络图结构,获取社交化在线课程平台中所有学习者的三度好友关系;
第三模块,用于通过认识信任和交互信任混合加权计算各个好友间的信任度;
第四模块,用于采用余弦相似度方法计算学习者兴趣爱好数据间文本的相似度,使用TF-IDF模型计算学习者近期发表的学术成果的相似度,将两种相似度进行加权混合计算,得到学习者间的学术兴趣相似度;
第五模块,用于获取每位学习者所处的地理位置信息;
第六模块,用于根据所述各个好友间的信任度以及所述学术兴趣相似度,结合所述学习者的地理位置信息,计算三度内学习者的综合相似度;
第七模块,用于选取综合相似度最高的若干位学习者作为潜在好友进行推荐并生成推荐理由。
本发明实施例的另一方面还提供了一种电子设备,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例的另一方面还提供了一种计算机可读存储介质,所述存储介质存储有程序,所述程序被处理器执行实现如前面所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行前面的方法。
本发明的实施例将社交化在线课程平台进行模型化处理,得到一个无向的复杂网络图结构;根据所述复杂网络图结构,获取社交化在线课程平台中所有学习者的三度好友关系;通过认识信任和交互信任混合加权计算各个好友间的信任度;采用余弦相似度方法计算学习者兴趣爱好数据间文本的相似度,使用TF-IDF模型计算学习者近期发表的学术成果的相似度,将两种相似度进行加权混合计算,得到学习者间的学术兴趣相似度;获取每位学习者所处的地理位置信息,以解决冷启动学习者数据稀疏导致的推荐准确度不高问题;根据所述各个好友间的信任度以及所述学术兴趣相似度,结合所述学习者的地理位置信息,计算三度内学习者的综合相似度;选取综合相似度最高的若干位学习者作为潜在好友进行推荐并生成推荐理由。本发明的效率高且准确率高,能够解决数据稀疏无法为冷启动学习者提供潜在好友推荐的问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为社交化在线课程平台的图结构示意图;
图2为本发明实施例提供的具体应用场景下的整体实施步骤流程图;
图3为实施例的具体应用场景下的推荐效果示意图;
图4为本发明实施例提供的整体步骤流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
针对现有技术存在的问题,本发明实施例的一方面提供了一种学习者个性化可解释性潜在好友推荐方法,参考图4,方法包括:
将社交化在线课程平台进行模型化处理,得到一个无向的复杂网络图结构;
根据所述复杂网络图结构,获取社交化在线课程平台中所有学习者的三度好友关系;
通过认识信任和交互信任混合加权计算各个好友间的信任度;
采用余弦相似度方法计算学习者兴趣爱好数据间文本的相似度,使用TF-IDF模型计算学习者近期发表的学术成果的相似度,将两种相似度进行加权混合计算,得到学习者间的学术兴趣相似度;
获取每位学习者所处的地理位置信息;
根据所述各个好友间的信任度以及所述学术兴趣相似度,结合所述学习者的地理位置信息,计算三度内学习者的综合相似度;
选取综合相似度最高的若干位学习者作为潜在好友进行推荐并生成推荐理由。
可选地,所述根据所述复杂网络图结构,获取社交化在线课程平台中所有学习者的三度好友关系,包括:
根据所述复杂网络图结构,构建学习者直接好友关系集;
将所述复杂网络图结构中已经成为好友的节点组成好友节点对;
通过好友节点对来寻找两个非好友关系节点的好友节点对,挖掘两个非好友关系节点间存在的公共节点,进而获得社交化在线课程平台所有学习者间的二度好友关系集;
将获得的二度好友关系与已有的一度好友关系进行头节点配对,获得学***台中所有学习者的三度好友关系。
可选地,所述通过认识信任和交互信任混合加权计算各个好友间的信任度,包括:
将两个已经建立了好友关系的学习者确定为认识信任;
将一对好友在社交化在线课程平台中的交流频繁度高于预设条件的两个学习者确定为交互信任;
计算两个学***台中的交互行为进行权重调整,计算好友间的信任度。
可选地,所述好友间的信任度的计算公式为:
Fr(u,v)=Kr(u,v)+Ir(u,v)
其中,Fr(u,v)表示学习者u对学习者v的信任度,Kr(u,v)代表两位学习者为认识信任时的信任度;Ir(u,v)为代表两位学习者为交互信任时的信任度;
其中所述两位学习者为交互信任时的信任度根据两位学习者的访问交互信任和点赞交互信任来确定;
通过计算不同学习者之间的二度好友信任度值以及三度好友信任度值,确定三度内学习者好友间的信任度。
可选地,所述采用余弦相似度方法计算学习者兴趣爱好数据间文本的相似度的计算公式为:
其中,Scos(u,v)表示学习者u和学习者v之间兴趣爱好的相似度值,ui和vi分别表示不同学习者的兴趣爱好;
所述使用TF-IDF模型计算学习者近期发表的学术成果的相似度的计算公式为:
其中,STF-IDF(u,v)表示学习者u和学习者v的学术成果的相似度值,pui和pvi分别表示学习者u和学习者v的特征向量的第i个的值;
所述将两种相似度进行加权混合计算,得到学习者间的学术兴趣相似度的计算公式为:
S(u,v)=βScos(u,v)+(1-β)STF-IDF(u,v)
其中,S(u,v)代表最终计算得到的学术兴趣相似度;β代表对应的权重值。
可选地,所述方法还包括:
根据地球上任意两点的经纬度差值计算公式,计算两位学习者之间的距离;
其中,所述两位学习者之间的距离的计算公式为:
其中,D(u,v)表示学***均半径;C(u,v)表示学习者u和v之间的经纬度差值。
可选地,所述综合相似度的计算公式为:
其中,Sim(u,v)代表学习者u和v之间的综合相似度;D(u,v)代表学习者u和v之间的距离;S(u,v)代表学习者u和v之间的学术兴趣相似度;T(u,v)代表学习者u和v之间的信任度。
本发明实施例的另一方面还提供了一种学习者个性化可解释性潜在好友推荐装置,包括:
第一模块,用于将社交化在线课程平台进行模型化处理,得到一个无向的复杂网络图结构;
第二模块,用于根据所述复杂网络图结构,获取社交化在线课程平台中所有学习者的三度好友关系;
第三模块,用于通过认识信任和交互信任混合加权计算各个好友间的信任度;
第四模块,用于采用余弦相似度方法计算学习者兴趣爱好数据间文本的相似度,使用TF-IDF模型计算学习者近期发表的学术成果的相似度,将两种相似度进行加权混合计算,得到学习者间的学术兴趣相似度;
第五模块,用于获取每位学习者所处的地理位置信息;
第六模块,用于根据所述各个好友间的信任度以及所述学术兴趣相似度,结合所述学习者的地理位置信息,计算三度内学习者的综合相似度;
第七模块,用于选取综合相似度最高的若干位学习者作为潜在好友进行推荐并生成推荐理由。
本发明实施例的另一方面还提供了一种电子设备,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例的另一方面还提供了一种计算机可读存储介质,所述存储介质存储有程序,所述程序被处理器执行实现如前面所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行前面的方法。
下面结合说明书附图,对本发明的具体实现过程进行详细描述:
针对现有技术存在的问题,本发明将具有相似专业背景、学***台中的相关数据信息为学***台功能演化及预测提供决策性支持。在已有的学习者个性化推荐算法研究中,多数是为学习者提供资源推荐服务。该类推荐服务很难解决冷启动学习者的个性化推荐问题,也无法评估和预测学习者学习的发展动向/潜在问题。
本发明针对社交化在线课程平台中学***台中三度影响力好友关系以及学***台学***台演化以及学习者学习趋势预测等提供决策支持。
该方法利用学***台中缺失的学习数据,并利用该数据对学习者进行好友推荐,解决数据稀疏无法为冷启动学习者提供潜在好友推荐等问题。其中,数据补全包括(三度内好友关系以及IP签到信息)两部分,利用提取后的三度内好友关系以及学术兴趣爱好计算学习者间的信任度和相似度,最后通过IP签到信息得到的距离矩阵并结合学习者间的信任度和相似度,得到最终的相似度矩阵,挖掘学习者的潜在好友并给出推荐理由。具体实现步骤如下:
步骤1:将社交化在线课程平台模型化为一个无向的复杂网络图结构G(V,E)的形式,其中V表示社交化在线课程平台中的学习者集合,E表示学习者间的好友关系集合,若两个学习者间存在好友关系,则图1中两个顶点间就存在直接关系(边)。在图1中,U1~U7表示学习者,节点间的连线表示学习者间的直接好友关系。
步骤2:通过三度影响力寻找二度好友和三度好友。在实际生活中,存在共同好友的两个用户更容易成为好友。例如教师U1与教师U3互为好友,学生U2作为教师U1的学生,可能对教师U3的课程同样有兴趣,因此,教师U3可以作为学生U2的推荐目标。本发明首先通过社交化在线课程平台复杂网络图结构得出学***台所有学***台中所有学习者的三度好友关系。
步骤3:通过认识信任和交互信任混合加权计算好友间的信任度。其中在实际中,两个学***台中的交流通常比较频繁,比如:访问主页,动态点赞等。本发明将这类行为定义为好友间的交互信任。注意:交互信任不需要建立在认识信任的基础上,可以是两个陌生人之间偶然的一些信息交流。计算方法如公式(1)所示:
Fr(u,v)=Kr(u,v)+Ir(u,v) (1)
公式(1)中Fr(u,v)表示学习者u对学习者v的信任度,Kr(u,v)为认识信任,表示学习者u与学习者v是否已经是好友关系,如果是好友关系,则将Kr(u,v)设定为定值0.1,否则为0,Ir(u,v)为交互信任,表示学习者u对学习者v的交互行为。本发明使用交互行为中的主页访问和动态点赞计算学习者间的信任度,各项交互信任度计算方法如式(2)和式(3)所示。
其中Ar(u,v)和Zr(u,v)分别表示学习者u对学习者v的访问交互信任和点赞交互信任,Ia(u,v)和Iz(u,v)分别表示学习者u对学习者v主页的访问次数和动态点赞次数,Sum(Ia(u,v))和Sum(Iz(u,v))分别表示学习者u对所有学习者的总访问次数和总点赞次数。根据上述公示(2)、(3)综合得到交互信任度Ir(u,v)的计算方法,如公式(4)所示。
通过三度影响力得到的二度好友和三度好友计算三度内学习者好友间信任度,具体计算方法如公式(5)、(6)所示。
其中T2(u,v)表示学习者u和学习者v间的二度好友信任度值;S代表关于学习者u的二度好友集合,Fr(u,i)表示学习者u和学习者i间的信任度值,分母2表示学习者u和学习者v间的路径数。
其中T3(u,v)表示学习者u和学习者v间的三度好友信任度值;T代表关于学习者u的三度好友集合,分母3表示学习者u和学习者v间的路径数。
将三度内好友信任度进行混合加权获得最终的学习者u对学习者v的信任度
T(u,v),如公式(7)所示。
T(u,v)=αT2(u,v)+(1-α)T3(u,v) (7)
其中α为调节二度和三度好友信任度参数且α>0.5。因为在实际生活中,二度好友往往比三度好友更容易结识。然而在社交化在线课程平台中,有时往往会出现该好友即是学习者的二度好友,又是其三度好友,如图1所示学习者U1和U7。从二度好友的角度可以看成<U1,U2,U7>,从三度好友的角度可以看成<U1,U3,U4,U7>。遇到该情况,本发明仅考虑学习者U1和U7成为二度好友关系的情况即可。
步骤4:采用余弦相似度方法计算学习者兴趣爱好数据间的文本相似度,并使用TF-IDF模型计算学习者近期发表的学术成果(论文)的相似度,最后将这两种方法进行加权混合计算学习者间的学术兴趣相似度。在使用余弦相似度进行文本计算前,先对每位学习者的兴趣爱好进行分词处理,再对分词进行编码,对词频向量化,最后通过余弦函数计算学习者间的文本相似度。计算方法如公式(8)所示:
其中Scos(u,v)表示学习者u和学习者v兴趣爱好的相似度值,ui和vi表示学习者的兴趣爱好。
通过TF-IDF模型计算每位学习者近期的学术成果(发表的论文)相似度。TF-IDF模型通过某个单词在一篇文章中出现的频率,并且在其他文章中出现得较少进行区分。首先,遍历所有学习者获取对应的学术成果数据,然后使用TF-IDF算法计算学习者的学术成果向量,最后计算两位学习者的相似度。计算方法如公式(9)所示:
其中STF-IDF(u,v)表示学习者u和学习者v学术成果的相似度值,pui和pvi表示学习者u和学习者v特征向量的第i个的值。将得到兴趣爱好相似度Scos(u,v)和学术成果相似度STF-IDF(u,v)加权混合得到最终的相似度S(u,v)计算公式如公式(10)所示:
S(u,v)=βScos(u,v)+(1-β)STF-IDF(u,v) (10)
步骤5:通过每位学习者签到信息获取对应的IP信息确定该学习者所处的地理位置,例如:学校、公司、小区等,查找这些单位的经纬度,并通过经纬度计算出两个学习者之间的地理距离,推荐附近的学习者,方便线下交流合作。本发明通过IP签到信息获取新用户附近的学习者信息,解决没有更多可用信息的冷启动学习者的推荐问题。其中地球上任意两点的经纬度差值计算公式如公式(11)所示:
C(u,v)=sin(MLat(u)×sin(MLat(v))×cos(MLon(u)-MLon(v))+cos(MLat(u))×cos(MLat(v)) (11)
其中C(u,v)表示学习者u和v之间的经纬度差值;MLat(u)表示学习者u的纬度;MLat(v)表示学习者v的纬度;MLon(u)表示学习者u的经度;MLon(v)表示学习者v的经度。最终学习者u和v之间的距离如公式(12)所示:
其中D(u,v)表示学***均半径。
步骤6:通过公式(7)和公式(10)得到三度内好友信任度和相似度后,将两者加权混合并结合两位学习者间的地理距离,计算三度内学习者的综合相似度Sim(u,v)。综合相似度计算公式如公式(13)所示:
其中θ为融合信任度和相似度的混合参数。
步骤7:选择相似度最高的Top-N学习者作为潜在好友进行推荐,并根据信任度、学术兴趣相似度以及地理距离形成推荐语句,向学习者解释推荐理由。推荐语句以完整的语义连贯的句子模板进行构造,例如“存在()位共同好友对()研究感兴趣,和您相距()公里。”根据个性化算法选择特征来构建解释语句,增强推荐结果的可接受性。
参考图2,本发明实施例以社交化在线课程平台学者网作为实施例,提取学者网中部分用户的好友关系、访问信息、点赞信息、兴趣爱好、学术成果以及签到信息等数据。首先,本发明构建好友关系矩阵、访问矩阵以及点赞矩阵进行学***均值F1-measure等验证其性能,具体流程图如图2所示。
当算法停止后,图1中学习者潜在好友推荐效果如图3所示。
综上所述,本发明具有以下特点:
(1)挖掘潜在好友,该方法通过学***台中三度影响力的好友关系信息以及IP签到信息提取出可能成为学***台中的学习关系网络。同时,该方法可以有效解决冷启动学习者的推荐问题。
(2)融合信任度、相似度以及IP信息的混合推荐,利用社交网络信息对学习者偏好进行预测,结合学习者间学术兴趣筛选出相似度较高的学习者。考虑到实际情况中,学习者更愿意与距离相近的人成为好友或者说距离相近的学习者某种程度上更可能兴趣相似程度更高,例如同城、同校甚至同宿舍的同学。因此本发明将学习者签到信息作为推荐的影响因素。
(3)可解释性推荐,在以往的社交化在线课程平台推荐中,对于推荐可解释性尚未提及,该方法通过对学习者信任度、学术兴趣相似度以及地理距离三者结合给出综合的推荐理由,增强学习者对推荐效果的可信度。
相较于现有技术,本发明具有以下优点:
学***台中三度影响力好友关系以及IP签到信息对学***台中的数据稀疏问题,使得学***台中获得更精准、高效的服务和管理。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种学习者个性化可解释性潜在好友推荐方法,其特征在于,包括:
将社交化在线课程平台进行模型化处理,得到一个无向的复杂网络图结构;
根据所述复杂网络图结构,获取社交化在线课程平台中所有学习者的三度好友关系;
通过认识信任和交互信任混合加权计算各个好友间的信任度;
采用余弦相似度方法计算学习者兴趣爱好数据间文本的相似度,使用TF-IDF模型计算学习者近期发表的学术成果的相似度,将两种相似度进行加权混合计算,得到学习者间的学术兴趣相似度;
获取每位学习者所处的地理位置信息;
根据所述各个好友间的信任度以及所述学术兴趣相似度,结合所述学习者的地理位置信息,计算三度内学习者的综合相似度;
选取综合相似度最高的若干位学习者作为潜在好友进行推荐并生成推荐理由。
2.根据权利要求1所述的一种学***台中所有学习者的三度好友关系,包括:
根据所述复杂网络图结构,构建学习者直接好友关系集;
将所述复杂网络图结构中已经成为好友的节点组成好友节点对;
通过好友节点对来寻找两个非好友关系节点的好友节点对,挖掘两个非好友关系节点间存在的公共节点,进而获得社交化在线课程平台所有学习者间的二度好友关系集;
将获得的二度好友关系与已有的一度好友关系进行头节点配对,获得学***台中所有学习者的三度好友关系。
3.根据权利要求1所述的一种学习者个性化可解释性潜在好友推荐方法,其特征在于,所述通过认识信任和交互信任混合加权计算各个好友间的信任度,包括:
将两个已经建立了好友关系的学习者确定为认识信任;
将一对好友在社交化在线课程平台中的交流频繁度高于预设条件的两个学习者确定为交互信任;
计算两个学***台中的交互行为进行权重调整,计算好友间的信任度。
4.根据权利要求3所述的一种学习者个性化可解释性潜在好友推荐方法,其特征在于,
所述好友间的信任度的计算公式为:
Fr(u,v)=Kr(u,v)+Ir(u,v)
其中,Fr(u,v)表示学习者u对学习者v的信任度,Kr(u,v)代表两位学习者为认识信任时的信任度;Ir(u,v)为代表两位学习者为交互信任时的信任度;
其中所述两位学习者为交互信任时的信任度根据两位学习者的访问交互信任和点赞交互信任来确定;
通过计算不同学习者之间的二度好友信任度值以及三度好友信任度值,确定三度内学习者好友间的信任度。
5.根据权利要求1所述的一种学习者个性化可解释性潜在好友推荐方法,其特征在于,
所述采用余弦相似度方法计算学习者兴趣爱好数据间文本的相似度的计算公式为:
其中,Scos(u,v)表示学习者u和学习者v之间兴趣爱好的相似度值,ui和vi分别表示不同学习者的兴趣爱好;
所述使用TF-IDF模型计算学习者近期发表的学术成果的相似度的计算公式为:
其中,STF-IDF(u,v)表示学习者u和学习者v的学术成果的相似度值,pui和pvi分别表示学习者u和学习者v的特征向量的第i个的值;
所述将两种相似度进行加权混合计算,得到学习者间的学术兴趣相似度的计算公式为:
S(u,v)=βScos(u,v)+(1-β)STF-IDF(u,v)
其中,S(u,v)代表最终计算得到的学术兴趣相似度;β代表对应的权重值。
8.一种学习者个性化可解释性潜在好友推荐装置,其特征在于,包括:
第一模块,用于将社交化在线课程平台进行模型化处理,得到一个无向的复杂网络图结构;
第二模块,用于根据所述复杂网络图结构,获取社交化在线课程平台中所有学习者的三度好友关系;
第三模块,用于通过认识信任和交互信任混合加权计算各个好友间的信任度;
第四模块,用于采用余弦相似度方法计算学习者兴趣爱好数据间文本的相似度,使用TF-IDF模型计算学习者近期发表的学术成果的相似度,将两种相似度进行加权混合计算,得到学习者间的学术兴趣相似度;
第五模块,用于获取每位学习者所处的地理位置信息;
第六模块,用于根据所述各个好友间的信任度以及所述学术兴趣相似度,结合所述学习者的地理位置信息,计算三度内学习者的综合相似度;
第七模块,用于选取综合相似度最高的若干位学习者作为潜在好友进行推荐并生成推荐理由。
9.一种电子设备,其特征在于,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有程序,所述程序被处理器执行实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210859182.2A CN115357632A (zh) | 2022-07-21 | 2022-07-21 | 一种学习者个性化可解释性潜在好友推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210859182.2A CN115357632A (zh) | 2022-07-21 | 2022-07-21 | 一种学习者个性化可解释性潜在好友推荐方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115357632A true CN115357632A (zh) | 2022-11-18 |
Family
ID=84031084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210859182.2A Pending CN115357632A (zh) | 2022-07-21 | 2022-07-21 | 一种学习者个性化可解释性潜在好友推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115357632A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102695121A (zh) * | 2011-03-25 | 2012-09-26 | 北京千橡网景科技发展有限公司 | 向社交网络中的用户推送好友信息的方法和*** |
CN104202319A (zh) * | 2014-08-28 | 2014-12-10 | 北京淘友天下科技发展有限公司 | 一种社交关系推荐方法及装置 |
CN105893639A (zh) * | 2016-06-29 | 2016-08-24 | 合肥民众亿兴软件开发有限公司 | 一种基于移动用户位置的网络服务推荐方法 |
CN107506455A (zh) * | 2017-08-29 | 2017-12-22 | 重庆邮电大学 | 一种融合用户社交圈相似度的好友推荐方法 |
CN108427715A (zh) * | 2018-01-30 | 2018-08-21 | 重庆邮电大学 | 一种融合信任度的社交网络好友推荐方法 |
CN108874821A (zh) * | 2017-05-11 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 一种应用推荐方法、装置及服务器 |
CN109190033A (zh) * | 2018-08-23 | 2019-01-11 | 微梦创科网络科技(中国)有限公司 | 一种用户好友推荐方法及*** |
CN110929171A (zh) * | 2019-11-26 | 2020-03-27 | 湖南科技职业学院 | 一种基于场景和社交网络位置的兴趣点推荐方法 |
-
2022
- 2022-07-21 CN CN202210859182.2A patent/CN115357632A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102695121A (zh) * | 2011-03-25 | 2012-09-26 | 北京千橡网景科技发展有限公司 | 向社交网络中的用户推送好友信息的方法和*** |
CN104202319A (zh) * | 2014-08-28 | 2014-12-10 | 北京淘友天下科技发展有限公司 | 一种社交关系推荐方法及装置 |
CN105893639A (zh) * | 2016-06-29 | 2016-08-24 | 合肥民众亿兴软件开发有限公司 | 一种基于移动用户位置的网络服务推荐方法 |
CN108874821A (zh) * | 2017-05-11 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 一种应用推荐方法、装置及服务器 |
CN107506455A (zh) * | 2017-08-29 | 2017-12-22 | 重庆邮电大学 | 一种融合用户社交圈相似度的好友推荐方法 |
CN108427715A (zh) * | 2018-01-30 | 2018-08-21 | 重庆邮电大学 | 一种融合信任度的社交网络好友推荐方法 |
CN109190033A (zh) * | 2018-08-23 | 2019-01-11 | 微梦创科网络科技(中国)有限公司 | 一种用户好友推荐方法及*** |
CN110929171A (zh) * | 2019-11-26 | 2020-03-27 | 湖南科技职业学院 | 一种基于场景和社交网络位置的兴趣点推荐方法 |
Non-Patent Citations (1)
Title |
---|
孙赛美 等: "一种基于信任度和研究兴趣的学者推荐方法" * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111061946B (zh) | 场景化内容推荐方法、装置、电子设备及存储介质 | |
Li et al. | Students' learning style detection using tree augmented naive Bayes | |
Abech et al. | A model for learning objects adaptation in light of mobile and context-aware computing | |
Bordogna et al. | On predicting and improving the quality of Volunteer Geographic Information projects | |
Fogli et al. | Exploiting semantics for context-aware itinerary recommendation | |
Meehan et al. | Aggregating social media data with temporal and environmental context for recommendation in a mobile tour guide system | |
Ji et al. | Mining students activities from a computer supported collaborative learning system based on peer to peer network | |
CN109635206B (zh) | 融合隐式反馈和用户社会地位的个性化推荐方法及*** | |
Smith | Macrostructure from microstructure: Generating whole systems from ego networks | |
Braunhofer et al. | STS: A Context-Aware Mobile Recommender System for Places of Interest. | |
Berkani | A semantic and social‐based collaborative recommendation of friends in social networks | |
Hassan et al. | Smart media-based context-aware recommender systems for learning: A conceptual framework | |
Ahmedi et al. | A bimodal social network analysis to recommend points of interest to tourists | |
da S Dias et al. | Recommender system for learning objects based in the fusion of social signals, interests, and preferences of learner users in ubiquitous e-learning systems | |
US20180247214A1 (en) | Network node analysis and link generation system | |
CN115146161A (zh) | 一种基于内容推荐的个性化学习资源推荐方法及*** | |
CN114398556A (zh) | 学习内容的推荐方法、装置、设备及存储介质 | |
Kashian et al. | Automatic analysis of positional plausibility for points of interest in OpenStreetMap using coexistence patterns | |
Halimi et al. | Semantic web based learning styles identification for social learning environments personalization | |
de Graaff et al. | Towards geosocial recommender systems | |
CN115357632A (zh) | 一种学习者个性化可解释性潜在好友推荐方法及装置 | |
Fisher | Social space diffusion: applications of a latent space model to diffusion with uncertain ties | |
Ramírez-Noriega et al. | Determination of the course sequencing to intelligent tutoring systems using an ontology and Wikipedia | |
Wang et al. | Matching area selection of an underwater terrain navigation database with fuzzy multi-attribute decision making method | |
Do et al. | A context-aware recommendation framework in e-learning environment |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221118 |