学习行为的个性化推荐方法及系统技术方案

本发明专利技术公开了一种学习行为的个性化推荐方法及系统，该方法包括以下步骤：S1，获取学习者-学习资源矩阵信息；S2，计算学习者-学习资源矩阵稀疏性，若稀疏性Sparsity＜α，对学习者学习行为进行挖掘，否则执行步骤S4；S3，根据挖掘的学习者学习行为，对未进行主动评价的学习资源计算出学习者学习行为的最终权值，将该最终权值替换到学习者-学习资源矩阵中的相应位置上；S4，通过相似性计算得出学习者学习需求最相似的学习者集合；S5，将最相似的学习资源推送给学习者。本发明专利技术提高了在线学习资源的利用率，避免了原有协同过滤算法中存在的稀疏性问题，并且考虑了学习者学习需要随时间变化而迁移的因素，最终提高了学习资源推荐的精确度。

【技术实现步骤摘要】

本专利技术涉及一种数据挖掘协同领域，特别是涉及一种学习行为的个性化推荐方法 及系统。
技术介绍
为了使学习者在学习过程中感受到自己应有的主体地位，在不受时间以及空间的 限制下，学习者不仅可以选择和其他学习者进行协作学习，也可以根据自身的惯有的学习 模式进行独立学习，有必要将学习者的学习行为记录下来并进行分析，从而为学习者快速、 准确地推荐有效地资源和学习模式来提高学习者的学习效率。 对于个性化推荐，在对学习者学习行为的跟踪和记录的基础上对学习者进行个性 化推荐是目前个性化推荐从电子商务向学习平台转移的一项重大挑战。现如今使用最广泛 的个性化推荐技术可分为基于关联规则的推荐、内容过滤推荐、协同过滤推荐等三种。协同 过滤推荐技术则是应用最为广泛的推荐方法。但是其本身自带的冷启动、稀疏性等问题都 会对个性化推荐的精确率有很大的影响。因此针对上述存在的种种问题和挑战，学习者迫 切需要更加成熟稳定的个性化推荐平台。
技术实现思路
本专利技术旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种学习行 为的个性化推荐方法及系统。 为了实现本专利技术的上述目的，本专利技术提供了一种学习行为的个性化推荐方法，包 括以下步骤：S1，获取学习者-学习资源矩阵信息：获取Μ个学习者对N个学习资源的主动评 分，未主动评分的学习资源评分为空值，形成一个ΜΧΝ矩阵Ε;其中元素Eu代表了第i个 学习者对第j个学习资源的评分；所述M、N均为正整数，i、j依次为不大于M、N的正整数；S2,计算学习者-学习资源矩阵稀疏性，若稀疏性Sparsity<α，对学习者学习行 为进行挖掘，其中，α为设定稀疏性阈值，否则执行步骤S4;S3,根据挖掘的学习者学习行为，对未进行主动评分的学习资源的学习行为分别 赋予相应的权值，并根据学习者的学习行为计算出学习者学习行为的最终权值，所述最终 权值为学习者对该项学习资源的学习行为权值相加之和；将该最终权值替换到学习者-学 习资源矩阵中的相应位置上；S4,通过相似性计算得出学习者学习需求最相似的学习者集合； S5,将最相似的学习资源推送给学习者。 利用本专利技术，对学习者的学习需求给予正确的推荐；并且随着时间的变化推移，学 习者学习兴趣和学习需求变化的，从而大大提高了推荐的准确率。 在本专利技术的一种优选实施方式中，步骤S2中稀疏性的计算方法为： 其中，EvalTotal表示学习者对学习资源的评价数量，LearnerTotal表示学习者 数量，ResTotal表示学习资源数量。 通过计算Sparsity值，防止学习者-学习资源矩阵过于稀疏，提高了推荐的准确 性。 在本专利技术的一种优选实施方式中，步骤S3中，学习行为包括资源访问状态行为、 学习状态行为和测试状态行为； 资源访问状态行为包括收藏权值、分享权值和下载权值，它们的权值分配为：收藏 权值为3、分享权值为3、下载权值为3、收藏+分享权值为4. 5、分享+下载权值为4. 5、收藏 +分享+下载权值为5 ; 学习状态行为包括学习中权值和已学习权值，它们的权值分配为：学习中权值为 4. 5和已学习权值为5 ; 测试状态行为包括合格权值、良好权值和优秀权值，它们的权值分配为：合格权值 为3. 5、良好权值为4和优秀权值为5。 通过对学习者行为进行权重赋值，保证在学习者主动评分矩阵过于稀疏的情况 下，也能够进行准确推荐。 本专利技术为学习行为建立了学习行为对应权值比重表，其中最高权值为5，权值越 高，表明学习者学习兴趣越浓。 在本专利技术的一种优选实施方式中，步骤S4中相似性的计算方法为： 其中，sim(u，v)是学习者u和学习者v之间的相似性； WUii是学习者u对学习资源i，在稀疏性Sparsity<α时的最终权值或主动评分； 或者稀疏性Sparsity多α时WUii为主动评分或非主动评分； WVii是学习者v对学习资源i，在稀疏性Sparsity<α时的最终权值或主动评分； 稀疏性Sparsity多α时WVii为主动评分或非主动评分； /^_是学习者u对所有学习资源的平均评分； 是学习者v对所有学习资源的平均评分； Itemu，v是学习者u和学习者v共同评分的学习资源集合。 计算查找出与学习者最相似的学习者资源集合，便于推荐给学习者学习。 在本专利技术的一种优选实施方式中，步骤S5的推送方法为： 其中，PUilS学习者u对学习资源i的评分； I是学习者u所有已经评分分值的平均值； U sim(u，X)是表示学习者u与学习者邻居集中某位学习者的相似度； RXil是学习者邻居集中某位学习者对学习资源i的评分； 是学习者邻居集中某位学习者对学习资源的平均评分； X是最相似的学习者邻居集N中的学习者之一； 时间函数/(7；..〇 =卜0.5x/"'取值范围是（0, 1) ;1^是学习者u对学习资源i产 生学习兴趣和需求的时间； N是得出最相似的学习者邻居集中取出相似度最高的学习资源的个数。 本专利技术的推荐学习资源随着时间的变化而变化，学习者的学习需求也会不断变 化，这样学习者不会只学习一种学习资源，从而大大提高了推荐的准确率。 在本专利技术的一种优选实施方式中，对学习行为进行挖掘的方法为： 获得服务器日志文件中对学习者的行为记录，包括学习者的id，和学习者的学习 行为，包括分享、下载、已学习； 建立二维矩阵，存放学习者id以及该学习者对某资源的学习行为； 按照事先设定的行为权值表对学习资源进行赋值； 把相应的值添加到对应的学习者-学习资源评分矩阵中，提高推荐准确性。 本专利技术还公开了一种学习行为的个性化推荐系统，包括：学习者模块，用于保存用 户信息，包括个人信息和学习兴趣；学习行为日志模块，将学习者学习行为分为显式行为和 隐式行为；学习资源模块，用于保存学习资源，包括文本、音频和视频；数据采集模块，用于 将学习者在登录学习平台后，对学习资源进行的行为操作进行记录和跟踪；推荐模块，用于 对学习者进行个性化的学习资源的推荐；数据采集模块采集学习者模块内每一个学习者在 学习行为日志模块中记录的信息，将该信息在推荐模块内根据本专利技术所述的学习行为的个 性化推荐方法得到推荐学习资源保存在学习资源模块上，最后将学习资源模块中最相似的 学习资源推荐给学习者。 在本专利技术的一种优选实施方式中，当用户进入学习系统后，若是新用户，则需要对 学习者进行个人信息、学习兴趣的获取并保存至学习者模块；非新用户补充最新学习需求 和学习兴趣并保存至学习者模块。 在本专利技术的一种优选实当前第1页1 2 3 本文档来自技高网...

【技术保护点】
一种学习行为的个性化推荐方法，其特征在于，包括以下步骤：S1，获取学习者‑学习资源矩阵信息：获取M个学习者对N个学习资源的主动评分，未主动评分的学习资源评分为空值，形成一个M×N矩阵E；其中元素Ei,j代表了第i个学习者对第j个学习资源的评分；所述M、N均为正整数，i、j依次为不大于M、N的正整数；S2，计算学习者‑学习资源矩阵稀疏性，若稀疏性Sparsity＜α，对学习者学习行为进行挖掘，执行步骤S3，否则执行步骤S4，其中，α为设定稀疏性阈值；S3，根据挖掘的学习者学习行为，对未进行主动评分的学习资源的学习行为分别赋予相应的权值，并根据学习者的学习行为计算出学习者学习行为的最终权值，所述最终权值为学习者对该项学习资源的学习行为权值相加之和；将该最终权值替换到学习者‑学习资源矩阵中的相应位置上；S4，通过相似性计算得出学习者学习需求最相似的学习者集合；S5，将最相似的学习资源推送给学习者。

【技术特征摘要】

【专利技术属性】
技术研发人员：付芬，韩鹏，王少青，苗晓龙，
申请(专利权)人：重庆市科学技术研究院，
类型：发明
国别省市：重庆;85