[發明專利]一種基于個性化推薦的在線學習系統和方法

在審

• 申請號: 202010199530.9
• 申請日: 2020-03-20
• 公開（公告）號: CN111400602A
• 公開（公告）日: 2020-07-10
• 發明（設計）人: 陳家峰;李書兵
• 申請（專利權）人: 珠海讀書郎網絡教育有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/33;G06F16/335;G06K9/62;G09B5/02
• 代理公司: 長沙軒榮專利代理有限公司 43235
• 代理人: 黃藝平

1.一種基于個性化推薦的在線學習系統，其特征在于，該學習系統包括視圖模塊、控制器模塊和業務模塊組成；視圖模塊為電腦和學習平板，負責處理用戶的輸入信息，以及向用戶進行輸出和展示，其通過網絡與控制器模塊連接；控制器模塊的作用是將視圖模塊與業務模塊的數據結合起來，并進行信息處理，業務模塊負責業務的處理、數據的修改、存儲以及查詢等操作；其中數據訪問功能會將由控制器傳遞進來的數據，轉化為數據可以識別的表達方式，實現數據庫的訪問。

2.應用所述一種基于個性化推薦的在線學習方法主要包括以下步驟：

步驟1，用戶通過視圖模塊進行在線學習，控制器模塊根據用戶在業務模塊中的歷史數據融合深度學習的概率矩陣分解推薦模型計算用戶對課程的喜愛度，獲取推薦候選集；

步驟2，控制器模塊根據基于用戶的協同過濾推薦算法計算用戶對課程的喜愛度，獲取推薦候選集；

步驟3，控制器模塊采用粗粒度權重計算方法獲取步驟1、2得到的兩種方法對應的線性加權權重；

步驟4，控制器模塊根據對應權重將兩種方法獲得的推薦候選集進行線性加權融合，得到最終的個性化推薦候選集并存儲在業務模塊中，通過視圖模塊的電腦和學習平板顯示給用戶。

3.如權利要求2所述的基于個性化推薦的在線學習方法，其特征在于，

步驟1中的獲取推薦候選集方式為：將用戶特征向量和課程特征向量作為輸入，計算用戶對課程的喜愛度，然后選取用戶喜愛度最高的課程，根據選取的課程，獲取該類別下所有課程的隱式特征向量，然后根據式計算用戶對該類別下每門課程的喜愛度：

其中，u為用戶特征向量，v為課程特征向量，u_n為用戶n的特征向量，v_n為課程n的特征向量，將計算所得的喜愛度進行降序排序，為每位用戶選取喜愛度前30的課程作為其推薦候選集。

4.如權利要求2所述的基于個性化推薦的在線學習方法，其特征在于：

步驟2中的獲取推薦候選集方式為：將用戶特征向量作為的輸入，然后根據式計算用戶特征向量間的余弦相似度：

其中u_i為用戶i的特征向量，u_j為用戶j的特征向量；將計算所得的余弦相似度進行降序排序，為每位用戶選取余弦相似度前30的用戶作為其相似用戶群體；獲取相似用戶群體的歷史評分課程，根據式計算用戶對相似用戶歷史評分課程的喜愛度：

其中K(i)表示對課程i有過評分的用戶集合，S(u，N)表示與用戶u最相似的N個用戶，此處N等于30，為用戶u所有評分課程的平均評分，r_vi為用戶v對課程i的評分；然后根據喜愛度進行降序排序。

5.如權利要求2所述的基于個性化推薦的在線學習方法，其特征在于：

步驟3中的線性加權方式為：根據融合深度學習的概率矩陣分解推薦模型和基于用戶的協同過濾推薦算法，分別計算每位用戶對自己已評分課程的預測喜愛度，根據預測喜愛度構建目標函數，通過最小化目標函數求解不同方法對應的權重值；其含義是最小化實際喜愛度與預測喜愛度誤差的平方和，目標函數為：

其中α₁+α₂＝1，0≤α₁≤1，0≤α₂≤1，α₁表示融合深度學習的概率矩陣分解推薦模型對應的權重值，α₂表示基于用戶的協同過濾推薦算法對應的權重值，表示根據融合深度學習的概率矩陣分解推薦模型計算獲得的用戶i對自己已評分課程j的預測喜愛度，表示根據基于用戶的協同過濾推薦算法計算獲得的用戶i對自己已評分課程j的預測喜愛度，R_ij表示用戶i對自己已評分課程j的喜愛度。

6.如權利要求2所述的基于個性化推薦的在線學習方法，其特征在于：

步驟4中的線性加權融合方式為：根據式將兩個推薦候選集進行融合，得到融合后的推薦候選集：

其中I_ij示融合后用戶i對課程j的喜愛度；將融合后的推薦候選集根據喜愛度進行降序排序，為每位用戶選取喜愛度前10的課程作為其最終的個性化推薦候選集，將個性化推薦候選集存儲到個性化推薦數據庫中。