[發明專利]一種基于典型度和難度的題目推薦方法及其推薦裝置

有效

• 申請號: 201510540419.0
• 申請日: 2015-08-28
• 公開（公告）號: CN105138653B
• 公開（公告）日: 2018-08-21
• 發明（設計）人: 于瑞國;劉志強;王建榮;喻梅;于健;趙滿坤
• 申請（專利權）人: 天津大學
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06Q50/20
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 李林娟

本發明公開了一種基于典型度和難度的題目推薦方法，方法包括：計算每個目標用戶在每一類型題目上的做題情況，包括：題目的數量、難度以及目標用戶在此類型題目上的通過率；根據目標用戶特征向量，計算任意目標用戶特征向量之間的相似性，并對每個目標用戶，選擇若干相似度最高的用戶作為最近鄰；依據最近鄰用戶的做題情況，預測目標用戶對未做題目的評分；對目標用戶，選擇若干評分最高的目標題目作為目標用戶的推薦結果。裝置包括：計算模塊、第一選擇模塊、評分模塊和第二選擇模塊，本發明實現利用題目具有“難度”的特點來改進傳統推薦方法，獲得了較好的效果。本發明將來可以應用到學習網站中，幫助用戶選擇學習內容，制定個性化學習方案。

技術領域

本發明涉及數據挖掘、機器學習和信息檢索領域，涉及協同過濾的推薦領域，尤其涉及一種基于典型度和難度的題目推薦方法及其推薦裝置。

背景技術

目前，已經有比較成熟的推薦系統和推薦算法，當前主流的推薦算法主要分為協同過濾推薦(collaborative filtering，CF)、基于內容的推薦(content based，CB)和混合推薦方法(hybrid methods)。混合推薦算法即綜合前兩者，達到更好的效果。

在基于內容的推薦系統中，物品可以被描述為一系列屬性值的向量，而描述物品特征的屬性值被稱為“內容”。基于內容的推薦系統就是根據用戶的歷史評分行為，發現用戶偏好，并推薦與其偏好相近似的物品。這種方法主要用于推薦能以文本描述的物品，比如：文獻資料、新聞等等。

協同過濾算法通過用戶之間的相似性或物品之間的相似性來預測用戶對未知物品的評分。主要依據用戶之間相似性的被稱為基于用戶的最近鄰推薦；主要依據物品間相似度的被稱為基于物品的最近鄰推薦。協同過濾推薦方法成立的前提是假設用戶的興趣愛好長期不變。

不論是基于內容的推薦系統，還是傳統的協同過濾推薦系統，將其應用到知識推薦領域時都有其不足。基于內容的推薦系統要能夠準確地描述所推薦的物品的特征，并將其與用戶偏好對應起來，當面臨類似題目這樣特征較為模糊的數據時，就難以準確描述，以致使推薦不準確。傳統協同過濾方法不需要準確描述物品，卻需要大量的評分數據，當將其應用到推薦知識、推薦題目這一方面時，很難有足夠的評分數據。

發明內容

本發明提供了一種基于典型度和難度的題目推薦方法及其推薦裝置，本發明能夠有效克服傳統推薦技術在應用到知識推薦上時，物品特征難以描述、評分信息少、且未充分考慮題目難度這一重要特征的技術性問題，詳見下文描述：

一種基于典型度和難度的題目推薦方法，所述題目推薦方法包括以下步驟：

計算每個目標用戶在每一類型題目上的做題情況，包括：題目的數量、難度以及目標用戶在此類型題目上的通過率；

根據目標用戶特征向量，計算任意目標用戶特征向量之間的相似性，并對每個目標用戶，選擇若干相似度最高的用戶作為最近鄰；

依據最近鄰用戶的做題情況，預測目標用戶對未做題目的評分；

對目標用戶，選擇若干評分最高的目標題目作為目標用戶的推薦結果。

其中，所述題目推薦方法還包括：

排除錯誤或無效的數據，然后按提交時間從小到大排序；

統計數據涉及的用戶與題目，形成一個用戶集合和一個題目集合。

其中，所述目標用戶特征向量具體為：

＜type₁:typicality₁,type₂:typicality₂,…,type_i:typicality_i…,type_n:typicality_n＞