[發明專利]一種基于學習生成網絡相似度的網絡學習群組劃分方法

有效

• 申請號: 201810369026.1
• 申請日: 2018-04-23
• 公開（公告）號: CN108628967B
• 公開（公告）日: 2020-07-28
• 發明（設計）人: 朱海萍;倪逸夫;田鋒;陳妍;馮沛;鄭慶華
• 申請（專利權）人: 西安交通大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/9536;G06K9/62;G06Q50/00
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 徐文權

本發明公開了一種基于學習生成網絡相似度的網絡學習群組劃分方法，包括以下步驟：1)建立用戶知識點關聯網絡，再計算用戶學習序列中第i+1個知識點與前i個知識點的時序相關度；2)構建用戶學習生成網絡；3)獲取學習生成網絡及之間的內容相似度4)計算用戶學習生成網絡與之間的結構相似度5)使用內容相似度與結構相似度加權求和的結果作為用戶學習生成網絡的總體相似性，再將用戶學習生成網絡的總體相似性采用基于相似度的CURE層次聚類算法對用戶學習生成網絡進行聚類，實現基于學習生成網絡相似度的網絡學習群組劃分，該劃分方法考慮用戶學習過程及認知特征實現網絡學習群組劃分。

技術領域

本發明涉及一種網絡學習用戶的群組劃分方法，具體涉及一種基于學習生成網絡相似度的網絡學習群組劃分方法。

背景技術

大部分推薦系統主要關注單個用戶的推薦，然而在許多日常活動中需要為多個用戶形成的群組進行推薦。近年來，組推薦系統(Group recommendation system)逐漸成為推薦系統領域的研究熱點之一，如何融合群組成員偏好以滿足成員的偏好需求進行群組劃分是組推薦的主要任務。

具體而言，群組劃分是指將用戶分配至不同的組合，使得每個組合內的用戶在某些方面有著相同的特征。王中卿提出一種隱含因子圖模型，利用各種隱含與顯式的社交與文本信息對用戶的群組進行識別，并對用戶群組識別模型進行學習與預測；Chen L采用學習者的選課信息、學習興趣、知識水平，量化用戶特征，使用遺傳算法劃分群組；張暉基于用戶基本信息、業務興趣相似度、業務順序相似度，構建基于用戶綜合相似度的模糊聚類模型，從而進行用戶分群；Boratto L瀏嘗試多種特征，構建多種群組模型，進而找出最佳建模策略；金濤提出使用局部敏感哈希技術(Locality Sensitive Hash，即LSH)以達到群組快速生成的目的；譚昶提出典型用戶群組(Typical User Group，TUG)的概念，通過比較候選新增典型用戶對典型用戶群組的貢獻度，逐一擴大典型用戶群組規模，最終達到較高的推薦項目覆蓋率和評分準確度；Zhang C提出了一種群體推薦的用戶聚類算法，采用奇異值分解算法提取了主要用戶特征，通過減少用戶特征向量的維數簡化了計算；Young-Duk Seo提出了一種向上均衡聚合方法(upward leveling aggregation method)用于解決群組推薦中的成員偏好差異。

由上述文獻可看出，在群組劃分時用戶特征選擇是一個重要的方面，往往需要結合用戶的靜態和動態特征以建立最佳的群組模型。尤其隨著時間的推移，用戶的興趣偏好會發生變化，群組也隨之動態變化。在學習領域，學習群組通常是指具有相類似學習興趣的用戶，比如，訪問了相同學習資源的用戶，因此用戶對學習資源的顯示評分及對資源訪問的隱式屬性(學習時長、學習頻次)等特征常被用于計算用戶的相似度。然后，已有特征往往缺乏用戶認知的考慮，無法完整刻畫用戶整個學習過程，這從一定程度上影響了群組劃分的準確性。比如，學習了兩個相同知識點或者訪問了相同學習資源的用戶，如果各自學習時間間隔相差非常遠，根據艾賓浩斯提出的遺忘曲線，則基本上可以忽略其相似性。因此，如何體現用戶的學習過程及認知特征是群組劃分時應該解決的一個重要問題。

發明內容

本發明的目的在于克服上述現有技術的缺點，提供了一種基于學習生成網絡相似度的網絡學習群組劃分方法，該劃分方法考慮用戶學習過程及認知特征實現網絡學習群組劃分。

為達到上述目的，本發明所述的基于學習生成網絡相似度的網絡學習群組劃分方法包括以下步驟：

1)根據用戶信息、知識點信息及用戶的網絡學習日志構建用戶知識點關聯網絡，再利用隨機游走的方法計算用戶知識點關聯網絡中各節點之間的相似度；同時，獲取用戶學習知識點之間的學習順序相關性及學習時間相關性，再根據用戶學習知識點之間的學習順序相關性及學習時間相關性依次計算用戶學習序列中第i+1個知識點與前i個知識點的時序相關度，其中，1≤i≤n，n為用戶學習知識點的序列長度；