[發明專利]一種基于移動學習的學習資源自動推薦方法

有效

• 申請號: 201710973349.7
• 申請日: 2017-10-18
• 公開（公告）號: CN107784095B
• 公開（公告）日: 2022-04-01
• 發明（設計）人: 姜國義;劉海波;楊倩倩;李文震;康凱;龔慶武;喬卉
• 申請（專利權）人: 國網內蒙古東部電力有限公司;國家電網公司;武漢大學
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06F16/9537;G06Q30/06
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 魯力

本發明屬于社交網絡中興趣推薦研究體系中學習資源推薦研究范疇，涉及一種基于移動學習的學習資源自動推薦方法，建立模型解決移動用戶學習平臺上的用戶學習興趣發現問題，把用戶學習興趣這一問題看作是基于時間和位置維度上的用戶學習資源的軌跡特征發現問題，把具有同一資源興趣的用戶看作是一組資源用戶群，從用戶學習軌跡和資源用戶群學習特點角度預測用戶可能學習的下一個資源，繼而實現用戶的學習興趣發現。

技術領域

本發明屬于興趣推薦的研究范疇，涉及協同過濾推薦、基于內容的推薦、基于上下文感知的推薦等技術領域，特別提出了一種基于移動學習的學習資源自動推薦方法。

背景技術

百度百科：個性化推薦是根據用戶的興趣特點和購買行為，向用戶推薦用戶感興趣的信息和商品。隨著電子商務規模的不斷擴大，商品個數和種類快速增長，顧客需要花費大量的時間才能找到自己想買的商品。這種瀏覽大量無關的信息和產品過程無疑會使淹沒在信息過載問題中的消費者不斷流失。為了解決這些問題，個性化推薦系統應運而生。個性化推薦系統是建立在海量數據挖掘基礎上的一種高級商務智能平臺，以幫助電子商務網站為其顧客購物提供完全個性化的決策支持和信息服務。

智庫百科：個性化推薦是根據用戶的興趣特點和購買行為，向用戶推薦用戶感興趣的信息和商品。隨著電子商務規模的不斷擴大，商品個數和種類快速增長，顧客需要花費大量的時間才能找到自己想買的商品。這種瀏覽大量無關的信息和產品過程無疑會使淹沒在信息過載問題中的消費者不斷流失。為了解決這些問題，個性化推薦系統應運而生。

基于上下文感知的推薦：上下文可以是用戶所有的關鍵詞、用戶的位置、時間、設備等信息。Wang等人在電子商務中進行商品推薦時，根據用戶購買商品的時間、位置等信息進行個性化推薦。Bakhshi等人向用戶推薦餐館時，不僅要考慮餐館的風格，還要考慮餐館離用戶的距離、餐館的停車位、餐館的人均消費水平等信息；宋曉宇等人在為用戶外出旅游進行推薦時，考慮到用戶只需要行程時間為兩三天的短期旅行，提出了一個基于簽到數據的短時間體驗式路線搜索方法。

基于位置社交網絡(LBSN)的用戶興趣推薦：余永紅等人根據社交網絡中用戶的簽到行為特點，利用泊松分布模型替代高斯分布模型建模用戶在興趣點上簽到行為，然后采用貝葉斯個性化排序方法擬合用戶在興趣點對上的偏序關系，進行正則化因子約束泊松矩陣分解。Gao等人通過分析用戶的簽到數據，發現用戶的出行具有規律性。例如用戶的每天出行具有早出晚歸的上班族規律，用戶的每周有工作日出行和周末出行規律等。Ye等人根據用戶當前的活動，能預測用戶的下一個位置。Liu等人根據用戶所在位置對其推薦周邊可能感興趣的興趣點。Noulas等人根據用戶位置之間的距離、時間的間隔、位置類型的差異，為用戶進行位置推薦[8]。

移動推薦：Gabrilovinch等人通過分析新聞文檔之間的動態性和新聞文檔自身動態性為用戶進行移動新聞推薦。Bao等人利用離線和在線相結合方式進行位置推薦。Yu等人根據移動用戶共享的位置、路徑等信息，建立了異構網絡關系圖，根據移動用戶的活動頻率和用戶之間的關聯關系，進行地理位置近鄰好友推薦。

基于矩陣因子分解的興趣推薦：Cheng等人根據概率矩陣分解模型，結合社交正則化因子和地域影響力為用戶進行興趣點推薦，以此來改善興趣點推薦算法的性能。高榕等人在矩陣分解模型基礎上，融合評論信息、社交網絡信息和地理信息提供興趣點推薦服務。最近，Lian等人把用戶的簽到信息看作隱士反饋，在含有權重的矩陣分解模型基礎上增加了地域影響力約束分析，建立興趣推薦模型，以此方法對項目中缺失項賦予較低權重，對已有項目賦予較高權重，從而擬合用戶的簽到數據。

發明內容

針對移動學習平臺向不同用戶推薦不同學習資源效果不佳、目前相關技術研究不夠深入等問題，本發明的技術方案是一種基于移動學習的學習資源自動推薦方法，包括以下步驟：

步驟1，建立用戶-資源-時間-位置四元組

Z＝(U,K,T,L)