一种基于用户大数据的课程智能推荐系统及方法技术方案

本发明专利技术涉及大数据技术领域，具体为一种基于用户大数据的课程智能推荐系统及方法，所述系统包括课程预推荐模型构建模块、预推荐课程方案课程体验效益分析模块、预警条件值设定模块以及预推荐课程方案调整模块，所述预推荐课程方案课程体验效益分析模块用于实时监测当前待监测用户预推荐课程方案课程体验效益，结合效益结果分析当前待监测用户与预推荐课程方案的适用率，本发明专利技术通过结合待监测用户的历史网络行为轨迹筛选符合待监测用户的课程，结合用户初步选择结果以及筛选结果构建课程推荐优先级序列，并实时监测当前用户实行对应方案时候的状态，结合监测结果实时调整最佳课程，进而避免了用户盲目选择课程的问题，同时提高用户学习的效率。提高用户学习的效率。提高用户学习的效率。

【技术实现步骤摘要】
一种基于用户大数据的课程智能推荐系统及方法


[0001]本专利技术涉及大数据
，具体为一种基于用户大数据的课程智能推荐系统及方法。

技术介绍

[0002]通信技术的发展对教育环境产生了巨大的影响，在线教育系统作为其中发展最迅猛、扩散速度最快的领域，广泛地影响着我们的生活，在线课程学习网站作为当前最为流行的学习方式之一，在一定程度上为学习用户提供了广泛的资源与开放的平台，随着在线教育系统的普及,系统上的学生和课程的数量正在快速增长,那么如何让学生更好地挑选更感兴趣的、更适应学生特点的、知识量足、知识面全面的课程,已成为当今广受争议的问题，当前社会中，课程推荐已经成了高校教学工作中不可或缺的部分，在对大部分学生推荐课程的同时，往往结合当前热门专业进行制定推荐计划，在一定程度上既忽视了学生的兴趣爱好，并不能准确判断采取的推荐课程是否能够完成适合学生，为了解决该问题，设计一种基于用户大数据的课程智能推荐系统及方法是必不可少的。

技术实现思路

[0003]本专利技术的目的在于提供一种基于用户大数据的课程智能推荐系统及方法，以解决上述
技术介绍
中提出的问题，本专利技术提供如下技术方案：
[0004]一种基于用户大数据的课程智能推荐方法，所述方法包括以下步骤：
[0005]S1、通过历史数据获取待监测用户网络操作行为轨迹，并结合待监测用户网络操作行为轨迹中浏览记录设定行为类标签和对应属性标签，根据待监测用户初步选择结果构建课程预推荐模型；
[0006]S2、实时监测当前待监测用户预推荐课程方案课程体验效益，结合效益结果分析当前待监测用户与预推荐课程方案的适用率；
[0007]S3、结合S2中分析结果，判断当前待监测用户运行对应预推荐课程方案的适用率是否达标，根据判断结果设定预警条件值；
[0008]S4、结合S3中预警条件值对当前预推荐课程方案进行实时监测并调整。
[0009]进一步的，所述S1中的方法包括以下步骤：
[0010]步骤1001、通过历史数据获取待监测用户网络操作行为轨迹，提取待监测用户操作行为轨迹中的浏览记录，结合浏览记录中数据进行类别划分，并将不同类别附属行为类别标签和属性标签，生成集合A，
[0011]A＝{[A1，B
A(1)
]，[A2，B
A(2)
]，[A3，B
A(3)
]，...，[A
n
，B
A(n)
]}，
[0012]其中A
n
表示第n种类别数据的行为类别标签，B
A(n)
表示第n种类别数据的属性标签，n表示数据类别划分总个数；
[0013]步骤1002、获取云课堂平台中不同数据类别的行为类别标签和对应属性标签，生成集合C，
[0014]C＝{[C1，D
C(1)
]，[C2，D
C(2)
]，[C3，D
C(3)
]，...，[C
m
，D
C(m)
]}，
[0015]其中C
m
表示云课堂平台中第m种类数据的行为类别标签，D
C(m)
表示云课堂平台中第m种类数据的属性标签，m表述云课堂平台中数据类别总个数；
[0016]步骤1003、结合步骤1001与步骤1002的分析结果，将历史数据获取待监测用户网络操作行为轨迹与云课堂平台中数据类别进行匹配，
[0017]以点o作为原点，以数据行为类别标签作为x轴，以数据属性标签作为y轴，构建第一平面直角坐标系，
[0018]在第一平面直角坐标系中将待监测用户网络操作行为中的浏览记录不同划分类别对应的行为类别标签和属性标签的坐标点进行标注，依次连接相邻两个坐标点，生成第一拟合曲线，
[0019]在第一平面直角坐标系中将云课堂平台中不同数据类别的行为类别标签和对应属性标签的坐标点进行标注，以对应坐标点为参考点，依次构建一条平行于x轴的直线，记为集合E，
[0020][0021]其中表示云课堂平台中第m种类数据在第一平面直角坐标系中的行为类别标签和对应属性标签的坐标点所在直线，
[0022]依次将第一拟合曲线与集合E中元素进行匹配，若第一拟合曲线与集合E中元素存在交集，则将第一拟合曲线与集合E中对应交集元素进行标记，并将标记结果记录至表格M中；
[0023]步骤1004、结合历史浏览记录次数对集合A进行序列更新，并结合标记结果生成新的集合，记为集合A
*
，
[0024][0025]其中表示序列更新后的第n种数据类别对应的行为类别标签和属性标签，表示序列更新后的第n种类别的行为类别标签和属性标签对应的标记结果；
[0026]步骤1005、结合步骤1004分析结果以及待监测用户初步选择结果构建课程预推荐模型，将序列更新后的第n种数据类别的课程预推荐值记为
[0027][0028]其中ω
n
表示权重值，所述权重值通过数据库预置表单查询，其中数据库预置表单中将云课堂平台中课程以及待监测用户选择结果进行捆绑，根据待监测用户选择顺序依次设定对应课程权重值，表示权重值，所述权重值通过数据库预置表单查询，其中数据库预置表单中根据集合A
*
中元素不同序列顺序进行设定相应权重值；
[0029]步骤1006、重复步骤1005得到集合A
*
中各个元素的课程预推荐值，并按课程预推荐值由大到小顺序进行集合A
*
中元素序列校准，记为集合A
**
，
[0030][0031]其中表示序列校准后的第n种数据类别对应的行为类别标签和属性标签，表示序列校准后的第n种类别的行为类别标签和属性标签对应的标记结果。
[0032]本专利技术通过历史数据获取待监测用户网络操作行为轨迹，提取待监测用户操作行为轨迹中的浏览记录，结合浏览记录中数据进行类别划分，并将不同类别附属行为类别标签和属性标签，并将划分后的结果与云课堂平台中的数据进行匹配，得到符合当前待监测用户的课程，并结合待监测用户的浏览次数以及初步选择结果进行设定课程预推荐序列，为后续分析采纳的课程预推荐方案是否符合当前待监测用户提供数据参照。
[0033]进一步的，所述S2中的方法包括以下步骤：
[0034]步骤2001、获取步骤1005中校准后的结果，并将校准后序列中第一元素对应的方案作为当前待监测用户预推荐课程方案；
[0035]步骤2002、设定当前预推荐课程方案体验次数为3次，结合当前待监测用户每次课程体验反馈报告分析预推荐课程方案的课程体验效益，将当前待监测用户第i次课程体验反馈报告分析预推荐课程方案的课程体验效益真实值记为benefit
i
，
[0036]benefit
i
＝β1·
P
i
+β2·
N
i
+β3·<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于用户大数据的课程智能推荐方法，其特征在于，所述方法包括以下步骤：S1、通过历史数据获取待监测用户网络操作行为轨迹，并结合待监测用户网络操作行为轨迹中浏览记录设定行为类标签和对应属性标签，根据待监测用户初步选择结果构建课程预推荐模型；S2、实时监测当前待监测用户预推荐课程方案课程体验效益，结合效益结果分析当前待监测用户与预推荐课程方案的适用率；S3、结合S2中分析结果，判断当前待监测用户运行对应预推荐课程方案的适用率是否达标，根据判断结果设定预警条件值；S4、结合S3中预警条件值对当前预推荐课程方案进行实时监测并调整。2.根据权利要求1所述的一种基于用户大数据的课程智能推荐方法，其特征在于，所述S1中的方法包括以下步骤：步骤1001、通过历史数据获取待监测用户网络操作行为轨迹，提取待监测用户操作行为轨迹中的浏览记录，结合浏览记录中数据进行类别划分，将不同类别附属行为类别标签和属性标签，并将附属后的数据按照浏览记录次数由大到小进行排序，构建集合A，A＝{[A1，B
A(1)
]，[A2，B
A(2)
]，[A3，B
A(3)
]，...，[A
n
，B
A(n)
]}，其中A
n
表示第n种类别数据的行为类别标签，B
A(n)
表示第n种类别数据的属性标签，n表示数据类别划分总个数；步骤1002、获取云课堂平台中不同数据类别的行为类别标签和对应属性标签，生成集合C，C＝{[C1，D
C(1)
]，[C2，D
C(2)
]，[C3，D
C(3)
]，...，[C
m
，D
C(m)
]}，其中C
m
表示云课堂平台中第m种类数据的行为类别标签，D
C(m)
表示云课堂平台中第m种类数据的属性标签，m表述云课堂平台中数据类别总个数；步骤1003、将集合A中第n种类别数据的属性标签作为参考，在集合C中提取对应属性标签与B
A(n)
相似的元素，并将提取的元素中对应行为类别标签依次与集合A中第n种类别数据进行组合，并将组合结果按照集合C中提取对应属性标签与B
A(n)
相似程度进行由大到小排序，生成集合序，生成集合其中C
Similaritya
表示组合序列中第a种类数据的行为类别标签，a表示集合C中提取元素的总个数，a＜m；步骤1004、结合步骤1003中的分析结果以及待监测用户初步选择结果构建课程预推荐模型，获取步骤1001中第n种类别数据在序列中的位置信息，记为获取步骤1003中组合序列中第a种类数据在序列中的位置信息，记为将集合中的第n种数据类别的课程预推荐值记为中的第n种数据类别的课程预推荐值记为其中ω
n
表示权重值，所述ω
n
通过数据库预置表单一查询，其中数据库预置表单一中将集合A中元素附属相应权重值，表示权重值，所述通过数据库预置表单二查询，其中数
据库预置表单二中将集合中元素附属相应权重值；步骤1005、重复步骤1004得到集合中各个元素的课程预推荐值，并按课程预推荐值由大到小顺序进行集合中元素序列校准，记为集合中元素序列校准，记为集合其中表示序列校准后的第n种数据类别对应的行为类别标签和属性标签，表示序列校准后的组合序列中第a种类数据的行为类别标签。3.根据权利要求2所述的一种基于用户大数据的课程智能推荐方法，其特征在于，所述S2中的方法包括以下步骤：步骤2001、获取步骤1005中校准后的结果，并将校准后序列中第一元素对应的方案作为当前待监测用户预推荐课程方案；步骤2002、设定当前预推荐课程方案体验次数为3次，结合当前待监测用户每次课程体验反馈报告分析预推荐课程方案的课程体验效益，将当前待监测用户第i次课程体验反馈报告分析预推荐课程方案的课程体验效益真实值记为benefit
i
，benefit
i
＝β1·
P
i
+β2·
N
i
+β3·
T
i
，0&lt;i≤3，其中β1、β2和β3均表示比例系数，所述比例系数为数据库预设值，P
i
表示当前待监测用户第i次课程体验反馈报告中课程兴趣中意指数值，N
i
表示当前待监测用户第i次课程体验反馈报告中课程难易程度评分值，T
i
表示对应课程教师反馈报告中对待监测用户的状态反馈值；步骤2003、重复步骤2002得到当前待监测用户采纳当前预推荐课程方案时对应的每次课程体验效益真实值情况，结合每次课程体验效益变化趋势初步分析当前预推荐课程方案与当前待监测用户之间的适用情况，以当前待监测用户第1次课程体验反馈报告分析预推荐课程方案对应课程体验效益作为参考值，计算第j次课程体验效益的预测值，记为YC
j
，YC
j
＝YC
j
‑1+γ
...

【专利技术属性】
技术研发人员：赵斌，胡祥春，
申请(专利权)人：广东蕾特恩科技发展有限公司，
类型：发明
国别省市：