本发明专利技术提供一种个性化教育资源的推荐方法和装置，所述方法包括如下步骤：(1)根据用户对所述教育资源的当前初始偏好信息，确定所述用户的当前初始推荐向量；(2)根据所述用户的学习记录以及所述当前初始推荐向量，得到所述用户的当前个性化推荐向量；(3)计算所述当前初始推荐向量和当前个性化推荐向量的相关性r；(4)若所述相关性r大于指定阈值s，则根据所述当前个性化推荐向量，过滤得到推荐的资源；若所述相关性r小于等于指定阈值s，则提示所述用户重新选择兴趣类别，并返回所述步骤(1)。本技术方案为不同的用户推荐准确的个性化教育资源，使用户可以快速地找到与自己兴趣相符的内容。
【技术实现步骤摘要】
本专利技术涉及数据处理领域，尤其涉及一种个性化教育资源的推荐方法和装置。
技术介绍
在当今互联网时代，信息的制造、复制和传播都变得越来越容易，使得各种信息都 呈现爆炸增长的趋势。但在海量的数据面前，用户不得不把大量的时间浪费在信息的筛选 上。为了解决这个问题，各种个性化信息推荐方法越来越引起人们的注意。 目前的信息推荐技术主要分为两类。一类是基于邻居用户的兴趣内容进行信息推 荐的协同过滤技术，即找到与用户相似度最高的邻居用户，把邻居用户感兴趣的信息推荐 给用户。这种推荐技术有利于发现用户新的兴趣点，比较适用于社交类网站及一般商业类 网站。但是，教育资源推荐和商业推荐存在差异，一般在商业场景中用户的兴趣广泛，而在 远程教育领域用户的兴趣只在一个或几个特定的类别。例如，医学教育系统的用户大多是 医疗机构的医生、技师等，他们的工作领域往往是较为固定的医学类别，希望获取工作领域 的相关知识（如某类疾病的影像诊断知识）。因此，协同过滤的高发散性不适用于远程教育 资源的推荐。 另一类是基于内容的推荐，这种推荐以所有资源项为基础，从中提取特征词，通过 特征词之间的对比和相似性计算找到资源项之间的关联性，从而为用户推荐与过去感兴趣 的资源相似的内容。但是，在资源项基数庞大的情况下，这种方法的运算复杂度很高。并 且，医学教育系统中的资源多以视频为主，特征词提取的难度大并且准确率低，得到的特征 词很难准确地描述资源的实际内容，因此，采用这种方式推荐的医学资源会与用户的兴趣 有较大的偏差。 另外，这两类技术的核心都是基于历史数据（通过用户过往的行为记录来推算用 户的兴趣或找到邻居用户），当系统使用此类技术对新用户进行信息推荐时，由于系统没有 用户的历史数据，推荐带有较大的盲目性。
技术实现思路
本专利技术解决的问题是提供一种个性化教育资源的推荐方法和装置，为不同的用户 推荐准确的个性化教育资源，使用户可以快速地找到与自己兴趣相符的内容。 为了解决上述问题，本专利技术提供了一种个性化教育资源的推荐方法，包括如下步 骤： (1)根据用户对所述教育资源的当前初始偏好信息，确定所述用户的当前初始推 荐向量； (2)根据所述用户的学习记录以及所述当前初始推荐向量，得到所述用户的当前 个性化推荐向量； (3)计算所述当前初始推荐向量和当前个性化推荐向量的相关性r; (4)若所述相关性r大于指定阈值s，则根据所述当前个性化推荐向量，过滤得到 推荐的资源；若所述相关性r小于等于指定阈值s，则提示所述用户重新选择兴趣类别，并 返回所述步骤（1)。 上述所述一种个性化教育资源的推荐方法，其中，确定所述用户的当前初始推荐 向量的过程为： (1)建立所述教育资源网站的类别字典，并确定所述类别字典的基向量； (2)所述用户选择的所述类别字典基向量中的多个元素为兴趣类别； (3)将所述用户选择的元素赋值为a，其余元素赋值为0,即得到所述当前初始推 荐向量，其中，a为正整数。 上述所述一种个性化教育资源的推荐方法，其中，得到所述用户的当前个性化推 荐向量的过程为： (1)将所述当前初始推荐向量赋值于个性化推荐向量，得到当前初始化个性化推 荐向量； (2)根据所述用户的学习记录，提取所述用户的个性化偏好信息，确定所述用户的 个性化偏好向量； (3)将所述当前初始化个性化推荐向量和所述个性化偏好向量相加，得到所述当 前个性化推荐向量。 上述所述一种个性化教育资源的推荐方法，其中，确定所述用户的个性化偏好向 量的过程为： (1)分析所述用户的上一次学习记录，得到所述用户打开所述教育资源的频率； (2)将所述频率与指定阈值t进行比较，若所述频率大于所述指定阈值t，则所述 频率对应的教育资源为所述用户的个性化偏好信息； (3)将所述用户打开所述个性化偏好信息的频数作为所述个性化偏好向量中对应 元素的元素值，即得到所述用户的个性化偏好向量。 上述所述一种个性化教育资源的推荐方法，其中，所述指定阈值t为20%。 上述所述一种个性化教育资源的推荐方法，其中，计算所述相关性r的过程为：将 所述当前初始推荐向量和所述当前个性化推荐向量进行归一化处理；通过Pearson相关系 数度量所述相关性r。 上述所述一种个性化教育资源的推荐方法，其中，通过Top-N推荐、新资源推荐和 /或基于内容的过滤推荐，过滤得到所述推荐资源。 为了解决上述问题，本专利技术还提供了一种个性化教育资源的推荐装置，包括： 确定初始向量单元，适用于根据用户对所述教育资源的当前初始偏好信息，确定 所述用户的当前初始推荐向量； 确定个性化向量单元，适用于根据所述用户的学习记录以及所述当前初始推荐向 量，得到所述用户的当前个性化推荐向量； 计算单元，适用于计算所述当前初始推荐向量和当前个性化推荐向量的相关性 r； 判断推荐单元，适用于若所述相关性r大于指定阈值s，则根据所述当前个性化推 荐向量，过滤得到推荐的资源；若所述相关性r小于等于指定阈值s，则提示所述用户重新 选择兴趣类别，并返回所述步骤（1)。 与现有技术相比，本专利技术引入个性化推荐的校正环节，在推荐的资源和用户的初 始兴趣类别差异较大时，主动向用户确认兴趣类别，这种机制在资源推荐有偏差的情况下 可以通过用户确认来校正推荐误差，还可以帮助用户发现自己的真实兴趣，在推荐的内容 与用户初始兴趣背离但接近用户真实兴趣的情况下，用户可以通过校正环节确认自己的真 实兴趣； 进一步地，利用用户初始兴趣类别，解决了现有推荐技术无法为初次使用系统的 用户提供准确推荐的问题，实现了在用户初始登录时即可以查看到个性化教育资源； 进一步地，利用医学类别的划分，事先建立类别字典，避免了提取特征词的过程， 以及内容推荐方法中资源项数目大的问题，从而使运算复杂度大大降低，有效提高了推荐 的效率。【附图说明】 图1所示为本专利技术实施例一种个性化教育资源的推荐方法的流程示意图； 图2所示为本专利技术实施例确定所述用户的当前初始推荐向量的流程示意图； 图3所示为本专利技术实施例得到所述用户的当前个性化推荐向量的流程示意图； 图4所示为本专利技术实施例确定用户的个性化偏好向量的流程示意图； 图5所示为本专利技术实施例一种个性化教育资源的推荐装置的结构示意图。【具体实施方式】 在下面的描述中阐述了很多具体细节以便于充分理解本专利技术。但是本专利技术能够以 很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本专利技术内涵的情况 下做类似推广，因此本专利技术不受下面公开的具体实施的限制。 其次，本专利技术利用示意图进行详细描述，在详述本专利技术实施例时，为便于说明，所 述示意图只是实例，其在此不应限制本专利技术保护的范围。 下面结合附图和实施例对本专利技术一种个性化教育资源的推荐方法和装置进行详 细地描述。本专利技术实施例个性化教育资源的推荐方法如图1所示，首先，执行步骤S1，根据 用户对所述教育资源的当前初始偏好信息，确定所述用户的当前初始推荐向量。具体地， 确定所述用户的当前初始推荐向量的过程如图2所示，首先，执行步骤S201，建立所述教育 资源网站的类别字典，并确定所述类别字典的基向量。具体地，在本实施例中，远程教育网 站提供的教育资源为医学影像类，类别字典为设备类型，如〇1?、(：1\1?、超声、？￡1/(：1'本文档来自技高网...
【技术保护点】
一种个性化教育资源的推荐方法，其特征在于，包括如下步骤：(1)根据用户对所述教育资源的当前初始偏好信息，确定所述用户的当前初始推荐向量；(2)根据所述用户的学习记录以及所述当前初始推荐向量，得到所述用户的当前个性化推荐向量；(3)计算所述当前初始推荐向量和当前个性化推荐向量的相关性r；(4)若所述相关性r大于指定阈值s，则根据所述当前个性化推荐向量，过滤得到推荐的资源；若所述相关性r小于等于指定阈值s，则提示所述用户重新选择兴趣类别，并返回所述步骤(1)。
【技术特征摘要】
【专利技术属性】
技术研发人员：陈文娟，秦畅，
申请(专利权)人：武汉联影医疗科技有限公司，上海联影医疗科技有限公司，
类型：发明
国别省市：湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。