[發(fā)明專利]基于大數(shù)據(jù)科學(xué)和動(dòng)態(tài)權(quán)重調(diào)整的課程推薦方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 201811376466.6
• 申請(qǐng)日: 2018-11-19
• 公開(kāi)（公告）號(hào): CN109582864B
• 公開(kāi)（公告）日: 2020-11-10
• 發(fā)明（設(shè)計(jì)）人: 黃昌勤;張捷;朱佳;趙美華
• 申請(qǐng)（專利權(quán)）人: 華南師范大學(xué)
• 主分類號(hào): G06F16/9535
• 分類號(hào): G06F16/9535;G06N3/08
• 代理公司: 廣州嘉權(quán)專利商標(biāo)事務(wù)所有限公司 44205
• 代理人: 胡輝

1.基于大數(shù)據(jù)科學(xué)和動(dòng)態(tài)權(quán)重調(diào)整的課程推薦方法，其特征在于：包括以下步驟：

根據(jù)用戶對(duì)課程的評(píng)分，生成用戶課程矩陣；

根據(jù)用戶課程矩陣，生成學(xué)生的偏好信息；

根據(jù)用戶課程矩陣和學(xué)生的偏好信息，構(gòu)建約束模型和獨(dú)立評(píng)分模型；

根據(jù)約束模型和獨(dú)立評(píng)分模型，基于動(dòng)態(tài)權(quán)重調(diào)整方法生成課程評(píng)分預(yù)測(cè)值；

根據(jù)課程評(píng)分預(yù)測(cè)值進(jìn)行課程推薦；

所述根據(jù)用戶課程矩陣，生成學(xué)生的偏好信息這一步驟，包括以下步驟：

對(duì)用戶課程矩陣進(jìn)行運(yùn)算，生成第一結(jié)果，所述第一結(jié)果包括課程共存矩陣和用戶共存矩陣；

通過(guò)web日志對(duì)用戶課程矩陣的運(yùn)算結(jié)果進(jìn)行信息提取，得到學(xué)生的偏好信息；

所述根據(jù)用戶課程矩陣和學(xué)生的偏好信息，構(gòu)建約束模型和獨(dú)立評(píng)分模型這一步驟，包括以下步驟：

通過(guò)矩陣分解法對(duì)第一結(jié)果進(jìn)行求解，得到第二結(jié)果；

通過(guò)正則化奇異值對(duì)第二結(jié)果進(jìn)行求解，得到第三結(jié)果；

根據(jù)第三結(jié)果，構(gòu)建得到約束模型和獨(dú)立評(píng)分模型；

所述根據(jù)用戶課程矩陣和學(xué)生的偏好信息，構(gòu)建約束模型和獨(dú)立評(píng)分模型這一步驟，還包括以下步驟：

通過(guò)約束模型和獨(dú)立評(píng)分模型，建立多視圖神經(jīng)網(wǎng)絡(luò)；

所述通過(guò)約束模型和獨(dú)立評(píng)分模型，建立多視圖神經(jīng)網(wǎng)絡(luò)這一步驟，包括以下步驟：

將約束模型的實(shí)時(shí)解輸入全連接層進(jìn)行第一訓(xùn)練；

將獨(dú)立評(píng)分模型的實(shí)時(shí)解輸入卷積層進(jìn)行第二訓(xùn)練；

將約束模型的歷史解輸入全連接層進(jìn)行第三訓(xùn)練；

將獨(dú)立評(píng)分模型的歷史解輸入卷積層進(jìn)行第四訓(xùn)練；

根據(jù)第一訓(xùn)練、第二訓(xùn)練、第三訓(xùn)練和第四訓(xùn)練的結(jié)果，建立多視圖神經(jīng)網(wǎng)絡(luò)；

所述根據(jù)約束模型和獨(dú)立評(píng)分模型，基于動(dòng)態(tài)權(quán)重調(diào)整方法生成課程評(píng)分預(yù)測(cè)值這一步驟，包括以下步驟：

通過(guò)多視圖神經(jīng)網(wǎng)絡(luò)生成第一預(yù)測(cè)分量；

通過(guò)學(xué)生偏好信息生成第二預(yù)測(cè)分量；

通過(guò)最近鄰分類算法生成第三預(yù)測(cè)分量；

基于動(dòng)態(tài)調(diào)整權(quán)重機(jī)制，分別對(duì)第一預(yù)測(cè)分量、第二預(yù)測(cè)分量和第三預(yù)測(cè)分量的權(quán)重進(jìn)行配置；

根據(jù)權(quán)重配置結(jié)果，通過(guò)第一預(yù)測(cè)分量、第二預(yù)測(cè)分量和第三預(yù)測(cè)分量生成課程評(píng)分預(yù)測(cè)值；

所述根據(jù)課程評(píng)分預(yù)測(cè)值進(jìn)行課程推薦這一步驟，包括以下步驟：

根據(jù)用戶課程矩陣生成課程序列集合；

計(jì)算課程序列集合中每個(gè)課程序列的支持度，并獲取支持度大于第一閾值的第一課程序列；

將第一課程序列作為當(dāng)前課程序列，并根據(jù)第一課程序列和當(dāng)前課程序列，生成課程序列矩陣；

計(jì)算課程序列矩陣中每個(gè)課程序列的支持度；

判斷課程序列矩陣中是否存在課程序列的支持度大于第一閾值，若是，則將大于第一閾值的所有課程序列作為當(dāng)前課程序列，并返回執(zhí)行根據(jù)第一課程序列和當(dāng)前課程序列，生成課程序列矩陣的步驟；反之，則執(zhí)行下一步驟；

篩選課程矩陣中支持度大于第二閾值的課程序列，并將該課程序列作為課程推薦結(jié)果。