一种融合主题标签和用户偏好的课程推荐系统及方法技术方案

本发明专利技术提供了一种融合主题标签和用户偏好的课程推荐系统及方法，课程推荐系统包括：课程标签提取模块，用于提取每一门课程标签；课程聚类模块，用于根据每一门课程标签出现的次数对每一门课程进行聚类分析，将课程划分成不同类别；特征信息提取模块，用于提取用户特征信息；用户聚类模块，用于根据用户特征信息构建用户特征向量，并根据用户特征向量对用户进行聚类分析，将用户划分成不同类别；课程提取模块，用于根据用户与课程之间的选课关系，提取未被用户选择的课程；最终推荐模块，用于根据用户类别、课程类别以及未被用户选择的课程进行课程推荐。本发明专利技术可以为用户推荐适合其自身情况的课程内容，提高了课程推荐精度和用户的学习效率。户的学习效率。户的学习效率。

【技术实现步骤摘要】
一种融合主题标签和用户偏好的课程推荐系统及方法


[0001]本专利技术涉及互联网教育
，具体而言，涉及一种融合主题标签和用户偏好的课程推荐系统及方法。

技术介绍

[0002]随着教育信息化2.0实施以及“互联网+教育”的普及，在线教育得到了巨大的发展。据CNNIC统计，截至2021年10月我国在线教育用户规模数已达2亿6378万人，并还在高速增长。在线教育带来的各种各样在线课程大量涌现，海量的在线教育资源为学习提供了多种形式。但面对如此大量的在线教育资源，用户从中挑选适合自身学习的课程变得非常困难。因此，根据课程属性结合用户自身特点的课程推荐化算法尤为重要。
[0003]传统的推荐方法主要有协同过滤推荐方法、基于内容推荐方法、混合型推荐方法。传统的推荐方法存在如下问题：1、主要以电商数据为研究对象，注重挖掘商品与用户间的内在联系，然而一门在线课程包含有多个属性，且多门课程构成课程体系，传统推荐算法难以分析各课程间的联系及课程体系间的联系。2、研究只是用户历史行为数据，应用到课程推荐中时，不能对学习者信息进行全面的分析挖掘，不能根据学习者的学习兴趣、学习层次、学习能力进行全面分析，实现在线课程推荐。
[0004]即是说，传统推荐方法不能很好地将课程推荐给用户。为此，有必要研发一种课程推荐方法以解决上述问题。

技术实现思路

[0005]基于此，为了解决传统推荐方法不能很好地将课程推荐给用户的问题，本专利技术提供了一种融合主题标签和用户偏好的课程推荐系统及方法，其具体技术方案如下：r/>[0006]一种融合主题标签和用户偏好的课程推荐系统，其包括课程标签提取模块、课程聚类模块、特征信息提取模块、用户聚类模块、课程提取模块以及最终推荐模块。
[0007]课程标签提取模块用于提取每一门课程标签；课程聚类模块用于根据每一门课程标签出现的次数对每一门课程进行聚类分析，将课程划分成不同类别。
[0008]特征信息提取模块用于提取用户特征信息；用户聚类模块用于根据用户特征信息构建用户特征向量，并根据用户特征向量对用户进行聚类分析，将用户划分成不同类别。
[0009]课程提取模块用于根据用户与课程之间的选课关系，提取未被用户选择的课程；最终推荐模块用于根据用户类别、课程类别以及未被用户选择的课程进行课程推荐。
[0010]所述融合主题标签和用户偏好的课程推荐系统先通过用户特征信息，根据用户特征信息构建用户特征向量，并根据用户特征向量对用户进行聚类分析，将用户划分成不同类别，同时提取每一门课程标签，根据每一门课程标签出现的次数对每一门课程进行聚类分析，将课程划分成不同类别，再根据用户与课程之间的选课关系，提取未被用户选择的课程，最后根据用户类别、课程类别以及未被用户选择的课程进行课程推荐，结合用户特征向量以及课程标签，可以为用户推荐适合其自身情况的课程内容，提高了课程推荐精度和用
户的学习效率。
[0011]进一步地，所述课程标签提取模块根据教学大纲以及课程介绍提取每一门课程的关键词组，并根据每一门课程的关键词组获取每一门课程标签。
[0012]进一步地，所述课程聚类模块包括：
[0013]初始化单元，用于初始化标签集合CT＝{{CTID1，T1}，{CTID2，T2}，{CTID3，T3}，
…
，{CTID
n
，Tn}}；
[0014]记录单元，用于遍历计算标签集合CT中每一个节点与其他节点的互信息，判断互信息是否超过阈值，若是，则将对应的节点记录至列表T中；
[0015]聚类单元，用于遍历集合MAP，分别判断每一门课程标签是否存在于列表T中，若是，则对课程进行聚类分析；
[0016]其中，n表示课程的类别数，CTID
n
表示第n门聚类识别出来的课程名称，T
n
表示第n门聚类识别出来的课程标签出现的次数。
[0017]一种融合主题标签和用户偏好的课程推荐方法，其包括如下步骤：
[0018]提取每一门课程标签；
[0019]根据每一门课程标签出现的次数对每一门课程进行聚类分析，将课程划分成不同类别；
[0020]提取用户特征信息；
[0021]根据用户特征信息构建用户特征向量，并根据用户特征向量对用户进行聚类分析，将用户划分成不同类别；
[0022]根据用户与课程之间的选课关系，提取未被用户选择的课程；
[0023]根据用户类别、课程类别以及未被用户选择的课程进行课程推荐。
[0024]所述融合主题标签和用户偏好的课程推荐方法结合了用户个人特征以及课程标签，可以为用户推荐适合其自身情况的课程内容，提高了课程推荐精度和用户的学习效率。
[0025]进一步地，提取每一门课程标签的具体方法包括如下步骤：根据教学大纲以及课程介绍提取每一门课程的关键词组，并根据每一门课程的关键词组获取每一门课程标签。
[0026]进一步地，根据每一门课程标签出现的次数对每一门课程进行聚类分析，将课程划分成不同类别的具体方法包括如下步骤：
[0027]初始化标签集合CT＝{{CTID1，T1}，{CTID2，T2}，{CTID3，T3}，
…
，{CTID
n
，Tn}}；
[0028]遍历计算标签集合CT中每一个节点与其他节点的互信息，判断互信息是否超过阈值，若是，则将对应的节点记录至列表T中；
[0029]遍历集合MAP，分别判断每一门课程标签是否存在于列表T中，若是，则对课程进行聚类分析；
[0030]其中，n表示课程的类别数，CTID
n
表示第n门聚类识别出来的课程名称，T
n
表示第n门聚类识别出来的课程标签出现的次数。
[0031]进一步地，使用Topk算法进行课程推荐。
[0032]一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被执行时实现如权利要求4～7中任一项所述的融合主题标签和用户偏好的课程推荐方法。
[0033]一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计
算机程序，所述处理器执行所述计算机程序时实现上述的融合主题标签和用户偏好的课程推荐方法。
附图说明
[0034]从以下结合附图的描述可以进一步理解本专利技术。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在不同的视图中，相同的附图标记指定对应的部分。
[0035]图1是本专利技术一实施例中一种融合主题标签和用户偏好的课程推荐系统的整体结构示意图；
[0036]图2是本专利技术一实施例中一种融合主题标签和用户偏好的课程推荐方法的整体流程示意图。
具体实施方式
[0037]为了使得本专利技术的目的、技术方案及优点更加清楚明白，以下结合其实施例，对本专利技术进行进一步详细说明。应当理解的是，此处所描述的具体实施方式仅用以解释本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合主题标签和用户偏好的课程推荐系统，其特征在于，所述课程推荐系统包括：课程标签提取模块，用于提取每一门课程标签；课程聚类模块，用于根据每一门课程标签出现的次数对每一门课程进行聚类分析，将课程划分成不同类别；特征信息提取模块，用于提取用户特征信息；用户聚类模块，用于根据用户特征信息构建用户特征向量，并根据用户特征向量对用户进行聚类分析，将用户划分成不同类别；课程提取模块，用于根据用户与课程之间的选课关系，提取未被用户选择的课程；最终推荐模块，用于根据用户类别、课程类别以及未被用户选择的课程进行课程推荐。2.如权利要求1所述的一种融合主题标签和用户偏好的课程推荐系统，其特征在于，所述课程标签提取模块根据教学大纲以及课程介绍提取每一门课程的关键词组，并根据每一门课程的关键词组获取每一门课程标签。3.如权利要求2所述的一种融合主题标签和用户偏好的课程推荐系统，其特征在于，所述课程聚类模块包括：初始化单元，用于初始化标签集合CT＝{{CTID1，T1}，{CTID2，T2}，{CTID3，T3}，
…
，{CTID
n
，Tn}}；记录单元，用于遍历计算标签集合CT中每一个节点与其他节点的互信息，判断互信息是否超过阈值，若是，则将对应的节点记录至列表T中；聚类单元，用于遍历集合MAP，分别判断每一门课程标签是否存在于列表T中，若是，则对课程进行聚类分析；其中，n表示课程的类别数，CTID
n
表示第n门聚类识别出来的课程名称，T
n
表示第n门聚类识别出来的课程标签出现的次数。4.一种融合主题标签和用户偏好的课程推荐方法，其特征在于，所述课程推荐方法包括如下步骤：提取每一门课程标签；根据每一门课程标签出现的次数对每一门课程进行聚类分析，将课程划分成不同类别；提取用户特征信息；根据用户特征信息构建用户...

【专利技术属性】
技术研发人员：胡安明，
申请(专利权)人：广州理工学院，
类型：发明
国别省市：