[發(fā)明專利]一種基于個(gè)性化推薦的在線學(xué)習(xí)系統(tǒng)和方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010199530.9
• 申請(qǐng)日: 2020-03-20
• 公開（公告）號(hào): CN111400602A
• 公開（公告）日: 2020-07-10
• 發(fā)明（設(shè)計(jì)）人: 陳家峰;李書兵
• 申請(qǐng)（專利權(quán)）人: 珠海讀書郎網(wǎng)絡(luò)教育有限公司
• 主分類號(hào): G06F16/9535
• 分類號(hào): G06F16/9535;G06F16/33;G06F16/335;G06K9/62;G09B5/02
• 代理公司: 長(zhǎng)沙軒榮專利代理有限公司 43235
• 代理人: 黃藝平

本發(fā)明公開了一種基于個(gè)性化推薦的在線學(xué)習(xí)系統(tǒng)和方法：針對(duì)在線學(xué)習(xí)系統(tǒng)中學(xué)習(xí)資源的增加，學(xué)習(xí)資源過載，海量的學(xué)習(xí)資源給用戶造成了很大困擾，用戶往往需要花費(fèi)大量的時(shí)間和精力去查找自己所需的學(xué)習(xí)資源的問題。設(shè)計(jì)開發(fā)基于個(gè)性化推薦的在線學(xué)習(xí)系統(tǒng)，通過粗粒度權(quán)重計(jì)算方法將根據(jù)融合深度學(xué)習(xí)的概率矩陣分解算法、基于用戶的協(xié)同過濾推薦算法進(jìn)行線性加權(quán)融合，得到最終的個(gè)性化推薦候選集。本系統(tǒng)不僅能夠?yàn)橛脩籼峁╇S時(shí)隨地學(xué)習(xí)的平臺(tái)，還能夠根據(jù)用戶的興趣特征推薦其感興趣的學(xué)習(xí)資源，有效解決在線學(xué)習(xí)系統(tǒng)中的學(xué)習(xí)資源過載問題，提升用戶的體驗(yàn)效果和學(xué)習(xí)效率。

技術(shù)領(lǐng)域

本發(fā)明屬于發(fā)明涉及在線學(xué)習(xí)技術(shù)領(lǐng)域，具體涉及一種基于個(gè)性化推薦的在線學(xué)習(xí)系統(tǒng)和方法。

背景技術(shù)

隨著互聯(lián)網(wǎng)生活方式的普及與學(xué)習(xí)方式的革新，在線學(xué)習(xí)這個(gè)概念迅速火熱起來。在線學(xué)習(xí)沒有地域、時(shí)間等因素的限制，所有學(xué)習(xí)資源都是共享的，有效緩和了不同地區(qū)學(xué)習(xí)資源不平衡的情況。在線學(xué)習(xí)系統(tǒng)在給用戶提供豐富的學(xué)習(xí)資源的同時(shí)也給用戶帶來了困擾。隨著系統(tǒng)中學(xué)習(xí)資源的增加，學(xué)習(xí)資源過載問題逐漸顯現(xiàn)出來。海量的學(xué)習(xí)資源給用戶造成了很大困擾，用戶往往需要花費(fèi)大量的時(shí)間和精力去查找自己所需的學(xué)習(xí)資源。所以，如何使用戶在海量的學(xué)習(xí)資源中能快速找到自己需要的資源，成為當(dāng)前在線學(xué)習(xí)系統(tǒng)亟待解決的問題。因此，設(shè)計(jì)開發(fā)基于個(gè)性化推薦的在線學(xué)習(xí)系統(tǒng)，不僅能夠?yàn)橛脩籼峁╇S時(shí)隨地學(xué)習(xí)的平臺(tái)，還能夠根據(jù)用戶的興趣特征推薦其感興趣的學(xué)習(xí)資源，有效解決在線學(xué)習(xí)系統(tǒng)中的學(xué)習(xí)資源過載問題，提升用戶的體驗(yàn)效果和學(xué)習(xí)效率。

發(fā)明內(nèi)容

本發(fā)明的目的是為克服已有技術(shù)的不足，提出一種基于個(gè)性化推薦的在線學(xué)習(xí)系統(tǒng)和方法。

本發(fā)明提供了一種基于個(gè)性化推薦的在線學(xué)習(xí)系統(tǒng)，其特征在于，包括視圖模塊、控制器模塊和業(yè)務(wù)模塊組成。視圖模塊為電腦和學(xué)習(xí)平板，負(fù)責(zé)處理用戶的輸入信息，以及向用戶進(jìn)行輸出和展示，通過網(wǎng)絡(luò)與控制器模塊連接。控制器模塊的作用是將視圖模塊與業(yè)務(wù)模塊的數(shù)據(jù)結(jié)合起來，并進(jìn)行信息處理。業(yè)務(wù)模塊負(fù)責(zé)業(yè)務(wù)的處理、數(shù)據(jù)的修改、存儲(chǔ)以及查詢等操作。其中數(shù)據(jù)訪問功能會(huì)將由控制器傳遞進(jìn)來的數(shù)據(jù)，轉(zhuǎn)化為數(shù)據(jù)可以識(shí)別的表達(dá)方式，實(shí)現(xiàn)數(shù)據(jù)庫(kù)的訪問。

應(yīng)用所述一種基于個(gè)性化推薦的在線學(xué)習(xí)方法主要包括以下步驟：

步驟1，用戶通過視圖模塊進(jìn)行在線學(xué)習(xí)，控制器模塊根據(jù)用戶在業(yè)務(wù)模塊中的歷史數(shù)據(jù)融合深度學(xué)習(xí)的概率矩陣分解推薦模型計(jì)算用戶對(duì)課程的喜愛度，獲取推薦候選集；

步驟2，控制器模塊根據(jù)基于用戶的協(xié)同過濾推薦算法計(jì)算用戶對(duì)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(quán)重計(jì)算方法獲取步驟1、2得到的兩種方法對(duì)應(yīng)的線性加權(quán)權(quán)重；

步驟4，控制器模塊根據(jù)對(duì)應(yīng)權(quán)重將兩種方法獲得的推薦候選集進(jìn)行線性加權(quán)融合，得到最終的個(gè)性化推薦候選集并存儲(chǔ)在業(yè)務(wù)模塊中，通過視圖模塊的電腦和學(xué)習(xí)平板顯示給用戶。

優(yōu)選的，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(jì)算用戶對(duì)課程的喜愛度，然后選取用戶喜愛度最高的課程。根據(jù)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(jù)式計(jì)算用戶對(duì)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(jì)算所得的喜愛度進(jìn)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。

優(yōu)選的，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(jù)式計(jì)算用戶特征向量間的余弦相似度：