[發(fā)明專(zhuān)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(zhuān)利權(quán)）人: 華南師范大學(xué)
• 主分類(lèi)號(hào): G06F16/9535
• 分類(lèi)號(hào): G06F16/9535;G06N3/08
• 代理公司: 廣州嘉權(quán)專(zhuān)利商標(biāo)事務(wù)所有限公司 44205
• 代理人: 胡輝

本發(fā)明公開(kāi)了基于大數(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)，方法包括：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。本發(fā)明通過(guò)約束模型和獨(dú)立評(píng)分模型來(lái)預(yù)測(cè)課程的評(píng)分，能夠同時(shí)考慮全局信息和局部信息，且可以對(duì)預(yù)測(cè)的結(jié)果根據(jù)實(shí)際情況進(jìn)行調(diào)整，效果穩(wěn)定；另外，本發(fā)明在預(yù)測(cè)課程評(píng)分的時(shí)候，還采用了動(dòng)態(tài)權(quán)重調(diào)整方法，大大提高了預(yù)測(cè)結(jié)果的準(zhǔn)確性，可廣泛應(yīng)用于深度學(xué)習(xí)技術(shù)領(lǐng)域。

技術(shù)領(lǐng)域

本發(fā)明涉及深度學(xué)習(xí)技術(shù)領(lǐng)域，尤其是基于大數(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)。

背景技術(shù)

當(dāng)今社會(huì)，信息與通訊技術(shù)的進(jìn)步以及普及，對(duì)教育環(huán)境產(chǎn)生了巨大的影響和發(fā)展，在線教育系統(tǒng)作為其中發(fā)展最迅猛、擴(kuò)散速度最快之一的領(lǐng)域，廣泛地影響著我們的生活。隨著在線教育系統(tǒng)變得普及，系統(tǒng)上的學(xué)生和課程的數(shù)量正在快速增長(zhǎng)，那么如何讓學(xué)生更好地挑選更感興趣的、更適應(yīng)學(xué)生特點(diǎn)的、知識(shí)量足、知識(shí)面全面的課程，已成為當(dāng)今廣受爭(zhēng)議的問(wèn)題：課程推薦問(wèn)題、課程路徑推薦問(wèn)題。為了解決該問(wèn)題，一個(gè)設(shè)計(jì)合理、效率保證且能夠從大量的數(shù)據(jù)中根據(jù)學(xué)生的具體情況來(lái)推薦課程和課程路徑的系統(tǒng)是必不可少的。

在此大前提下，各種課程和課程路徑推薦系統(tǒng)層次不窮。這些系統(tǒng)使用的方法大致可以這么分為兩類(lèi)：基于歷史數(shù)據(jù)的推薦方法、基于內(nèi)容的推薦方法。其中，基于歷史數(shù)據(jù)的推薦方法：通過(guò)對(duì)歷史數(shù)據(jù)進(jìn)行過(guò)濾、處理來(lái)直接對(duì)用戶進(jìn)行課程的推薦，但同時(shí)缺少了對(duì)實(shí)際情況的考慮，對(duì)數(shù)據(jù)量的要求也比較大；基于內(nèi)容的推薦方法：通過(guò)對(duì)用戶的觀察、測(cè)試、收集數(shù)據(jù)等方法把具體某個(gè)用戶的特征保存在一個(gè)對(duì)應(yīng)的數(shù)據(jù)集中，然后通過(guò)領(lǐng)域的方法和建模的方法來(lái)對(duì)用戶進(jìn)行課程的推薦，但其忽略了歷史數(shù)據(jù)的價(jià)值，同時(shí)對(duì)噪聲比較敏感；有一小部分的推薦系統(tǒng)同時(shí)考慮了基于歷史數(shù)據(jù)的方法和基于內(nèi)容的方法，但是其多數(shù)采用統(tǒng)計(jì)的方法或者只是把其中一者作為參考來(lái)設(shè)計(jì)系統(tǒng)，難以在數(shù)據(jù)量龐大時(shí)達(dá)到較好的效果，同時(shí)對(duì)數(shù)據(jù)的處理也相當(dāng)困難；還有一部分系統(tǒng)使用了大數(shù)據(jù)的方法來(lái)實(shí)現(xiàn)，但是其使用的方法和模型過(guò)于傳統(tǒng)、簡(jiǎn)單，細(xì)節(jié)上存在著漏洞和不足，沒(méi)有充分地利用大數(shù)據(jù)科學(xué)的優(yōu)勢(shì)，效果只能說(shuō)是差強(qiáng)人意，因此也并不被廣泛認(rèn)可。此外，上述推薦系統(tǒng)還面臨兩個(gè)困境：難以同時(shí)考慮全局信息和局部信息、難以對(duì)預(yù)測(cè)的結(jié)果根據(jù)實(shí)際情況進(jìn)行調(diào)整。目前基于大數(shù)據(jù)技術(shù)的模型主要包括：BP神經(jīng)網(wǎng)絡(luò)模型(Back PropagationNeural Networks)和決策樹(shù)模型(Decision Tree)，決策樹(shù)模型運(yùn)用概率的思想來(lái)凈現(xiàn)值的期望值大于等于零的概率，但其難以解決系統(tǒng)的課程和用戶的數(shù)量和性質(zhì)會(huì)動(dòng)態(tài)變化且變化速度大導(dǎo)致模型不精準(zhǔn)的問(wèn)題；BP神經(jīng)網(wǎng)絡(luò)運(yùn)用深度學(xué)習(xí)的思想來(lái)實(shí)現(xiàn)目標(biāo)值的預(yù)測(cè)，但其學(xué)習(xí)速度慢且輸入的參數(shù)沒(méi)有一個(gè)系統(tǒng)的理論方法，預(yù)測(cè)效果不穩(wěn)定。

發(fā)明內(nèi)容

為解決上述技術(shù)問(wèn)題，本發(fā)明的目的在于：提供一種準(zhǔn)確度高且效果穩(wěn)定的，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)。

本發(fā)明一方面所采取的技術(shù)方案為：

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，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。

進(jìn)一步，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；