[發明專利]一種圖書館（學習空間）的學習推薦方法

在審

• 申請號: 201910021753.3
• 申請日: 2019-01-10
• 公開（公告）號: CN109918561A
• 公開（公告）日: 2019-06-21
• 發明（設計）人: 王妃;楊囡
• 申請（專利權）人: 王妃
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06Q50/26
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種圖書館（學習空間）的學習推薦方法，其主要特征和實現步驟為：

步驟1：用戶身份識別；

進行登錄用戶的身份效驗，其所述用戶身份效驗，包括但不局限于以下效驗方式：賬號登錄信息、指紋登錄信息、虹膜登錄信息、掌紋登錄信息、面部識別（人臉識別）登錄信息，身份效驗同已有身份信息比對，相同，則使用同一獨立ID和獨立數據庫，不同，則為該用戶新建ID和獨立信息數據庫，其所述指紋登錄方式需要從指紋識別設備獲取數據，其所述虹膜登錄方式需要從虹膜識別設備獲取數據，其所述掌紋登錄方式需要從掌紋識別設備獲取數據，其所述人臉識別登錄方式需要從人臉識別裝置獲取數據，其中所述用戶獨立信息數據庫，以用戶ID作為所述信息數據庫的唯一標識，其所述的獨立信息數據庫為存儲該ID用戶所對應的空間內操作信息、個人信息的數據庫；

步驟2：用戶信息獲取；

進行用戶信息獲取，包括獲取用戶個人信息、用戶操作信息，其中所述用戶個人信息包括但不局限于以下信息：用戶個人情況信息，個人所在領域或專業信息、個人短期目標或學習目標信息，

獲取機構信息相關信息，其中所述機構相關信息包括但不局限于以下信息：機構所在領域、機構性質、機構作用、機構培養不同人員的培養目的、培養方式、培養方法、考核培養效果的考核方式，；

獲取領域（行業或專業）信息，其中所述領域（行業或專業）信息包括但不局限于以下信息：領域（行業或專業）涉及具體學科、領域（行業或專業）涉及的具體特征知識點、領域（行業或專業）發展趨勢、領域（行業或專業）發展現狀、領域（行業或專業）發展歷史，；

步驟3：為用戶建立特征標簽；

根據用戶的學業目標或短期目標信息，結合用戶所在領域（行業或專業）信息、所在機構或單位信息、用戶操作信息，進行所有關聯信息的特征標簽提取，建立用戶特征標簽庫，其中所述用戶特征標簽庫可為全部用戶特征標簽存儲，或為將同語義（近義詞）特征標簽進行歸類，建立特征標簽同類（近義詞）知識圖譜，形成由多個上級特征標簽同義詞知識圖譜組成的用戶特征標簽庫；并為所有特征標簽（上級特征標簽同義詞知識圖譜）建立學習計數，其中所述學習計數為用戶瀏覽相關知識點次數、檢索相關知識點次數計數每檢索或瀏覽一次，響應增加計數值；

步驟4：用戶學習需求數據處理：

根據需求目標建立不同用戶特征標簽的“需求值”，其所述用戶特征標簽的需求值，為用戶需要學習的所述該用戶對應的特征標簽的知識點（特征標簽同類知識圖譜的知識點）需要學習的迫切度，建立量化等級；其所述需求目標為以下目標但不局限于以下目標：用戶短期目標數據、學業目標數據、所使用學習空間單位（機構）培養目數據，

其所述需求值，增加需求值（計數或等級范圍）的條件，包括但不限于以下增加需求值的條件，且沒順序要求：根據用戶短期目標或用戶學習目標數據，確定用戶需要學習的知識點的覆蓋范圍（領域或專業行業），為所述覆蓋范圍內的知識點，增加需求值，其所述學習空間單位（機構）培養目標和計劃的用戶需要所學知識點的覆蓋范圍（領域或專業行業），為所述覆蓋范圍的知識點，增加需求值，為用戶短期目標（用戶學習目標）和空間單位（機構）培養目標和計劃的用戶需要學習知識點的覆蓋范圍交集，其所述的覆蓋范圍知識點，增加需求值，具體培養課程涉及知識點，其所述知識點均增加需求值，行業要求標準或考試大綱標準中涉及的知識點，根據而不同知識點的對應應學程度，應掌握程度，應懂程度，對應不同程度增加需求值；

步驟5：用戶學習推薦；

建立用戶操作偏好特征標簽計數，其所述用戶操作特征標簽計數為用戶在學習空間中的操作行為的個人偏好數據，根據用戶對不同特征標簽所在相關知識點的偏好程度，對特征標簽進行用戶“偏好計數”，

其所述“偏好計數”增加偏好計數的條件，包括但不局限于以下條件，且無順序要求：用戶檢索信息點涉及的知識點，其所述知識點增加偏好計數，用戶瀏覽信息點涉及的知識點，其所述知識點增加偏好計數，其所述屬于的用戶群中，偏好計數較高的涉及知識點，對應不同程度增加偏好計數；

通過前幾步驟建立的個體用戶特征標簽，具有“學習計數值”，“需求值”，其中所述的計數值為特征標簽相關詞的瀏覽數量，其所屬的需求值為該特征標簽相關詞的需要被學習的需求度，當對用戶進行推薦學習知識點相關書籍資料時，同一特征標簽的“學習計數值”，反向，影響同一特征標簽的“需求值”在用戶推薦計算中的所占權重，需求值和所占推薦算法的權重的乘積，同用戶“偏好計數”共同作為學習推薦的基礎數據推薦，并具有類似特征標簽群的用戶做用戶歸類，形成相似“特征標簽的用戶群”，一個用戶可以同時屬于多種類特征標簽用戶群。