[發(fā)明專利]一種在線教育場(chǎng)景下的混合推薦系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202010722243.1
• 申請(qǐng)日: 2020-07-24
• 公開(kāi)（公告）號(hào): CN111831918A
• 公開(kāi)（公告）日: 2020-10-27
• 發(fā)明（設(shè)計(jì)）人: 段練;姚璐
• 申請(qǐng)（專利權(quán)）人: 上海掌學(xué)教育科技有限公司
• 主分類號(hào): G06F16/9535
• 分類號(hào): G06F16/9535;G06F16/9536;G06Q50/20
• 代理公司: 北京酷愛(ài)智慧知識(shí)產(chǎn)權(quán)代理有限公司 11514
• 代理人: 占麗君

本發(fā)明提供的在線教育場(chǎng)景下的混合推薦系統(tǒng)，構(gòu)建模塊構(gòu)建若干個(gè)不同的子推薦引擎；子推薦引擎包括基于用戶行為的第一推薦引擎、基于用戶偏好及人口統(tǒng)計(jì)的第二推薦引擎、以及基于內(nèi)容相似度的第三推薦引擎；混合推薦模塊接收查詢用戶錄入的用戶信息，將用戶信息與所述子推薦引擎進(jìn)行匹配；當(dāng)子推薦引擎匹配成功時(shí)，根據(jù)該子推薦引擎生成該用戶信息對(duì)應(yīng)的推薦內(nèi)容，返回給對(duì)應(yīng)的查詢用戶。該系統(tǒng)中子推薦引擎由自上而下三個(gè)推薦引擎組成，通過(guò)對(duì)多個(gè)推薦引擎的推薦結(jié)果融合，保證了最終得到的推薦內(nèi)容的多樣性，實(shí)現(xiàn)了高效、穩(wěn)定地個(gè)性化推薦，提升用戶體驗(yàn)。

技術(shù)領(lǐng)域

本發(fā)明屬于推薦系統(tǒng)技術(shù)領(lǐng)域，具體涉及一種在線教育場(chǎng)景下的混合推薦系統(tǒng)。

背景技術(shù)

在線教育場(chǎng)景下，全國(guó)各地的教育體制、政策存在極大的差異性，不同地域的考情、考綱、教材多樣性明顯。現(xiàn)有的在線教育企業(yè)雖然積累了海量的數(shù)據(jù)資料，用戶也會(huì)頻繁使用在線教育app進(jìn)行試卷、題目等資料的搜索及下載，但是依然存在用戶的查找效率低下，用戶體驗(yàn)較差等缺陷。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)中的缺陷，本發(fā)明提供一種在線教育場(chǎng)景下的混合推薦系統(tǒng)，實(shí)現(xiàn)了高效、穩(wěn)定地個(gè)性化推薦，提升用戶體驗(yàn)。

一種在線教育場(chǎng)景下的混合推薦系統(tǒng)，包括：

構(gòu)建模塊：用于構(gòu)建若干個(gè)不同的子推薦引擎；所述子推薦引擎包括基于用戶行為的第一推薦引擎、基于用戶偏好及人口統(tǒng)計(jì)的第二推薦引擎、以及基于內(nèi)容相似度的第三推薦引擎；

混合推薦模塊：用于接收查詢用戶錄入的用戶信息，將所述用戶信息與所述子推薦引擎進(jìn)行匹配；當(dāng)子推薦引擎匹配成功時(shí)，根據(jù)該子推薦引擎生成該用戶信息對(duì)應(yīng)的推薦內(nèi)容，返回給對(duì)應(yīng)的查詢用戶。

優(yōu)選地，所述第一推薦引擎通過(guò)以下方法構(gòu)建：

采集用戶的歷史行為；

對(duì)所述歷史行為進(jìn)行清洗轉(zhuǎn)化，構(gòu)建評(píng)分矩陣；

采用所述評(píng)分矩陣分別訓(xùn)練出基于物品的協(xié)同過(guò)濾模型以及基于用戶的協(xié)同過(guò)濾模型；

根據(jù)預(yù)設(shè)的優(yōu)化策略對(duì)基于物品的協(xié)同過(guò)濾模型和基于用戶的協(xié)同過(guò)濾模型進(jìn)行融合，得到所述第一推薦引擎。

優(yōu)選地，所述評(píng)分矩陣包括物品相似度矩陣，所述物品相似度矩陣的構(gòu)建方法包括：

從預(yù)設(shè)的物品候選集中選取兩個(gè)不同的物品，分別統(tǒng)計(jì)對(duì)該兩個(gè)物品有過(guò)歷史行為的用戶總數(shù)，以及同時(shí)對(duì)該兩個(gè)物品有過(guò)歷史行為的用戶總數(shù)，計(jì)算該兩個(gè)物品間的相似度；

依次遍歷物品候選集中所有的物品，計(jì)算所有物品間的相似度，構(gòu)建所述物品相似度矩陣；

基于物品的協(xié)同過(guò)濾模型的訓(xùn)練方法包括：

獲取目標(biāo)用戶在預(yù)設(shè)的時(shí)間段內(nèi)有過(guò)歷史行為的物品，篩選出與該物品間的相似度大于預(yù)設(shè)值、且目標(biāo)用戶未發(fā)生過(guò)歷史行為的物品作為推薦內(nèi)容。

優(yōu)選地，所述評(píng)分矩陣包括用戶相似度矩陣，所述用戶相似度矩陣的構(gòu)建方法包括：

選取兩個(gè)不同的用戶，分別統(tǒng)計(jì)該兩個(gè)用戶有過(guò)歷史行為的物品總數(shù)，以及該兩個(gè)用戶同時(shí)有過(guò)歷史行為的物品總數(shù)，計(jì)算該兩個(gè)用戶間的相似度；

依次遍歷所有用戶，計(jì)算所有用戶間的相似度，構(gòu)建所述用戶相似度矩陣；

基于用戶的協(xié)同過(guò)濾模型的訓(xùn)練方法包括：

獲取與目標(biāo)用戶相似度較高的用戶，篩選出與獲取到的用戶有過(guò)歷史行為、且目標(biāo)用戶還未發(fā)生過(guò)歷史行為的物品作為推薦內(nèi)容。

優(yōu)選地，所述歷史行為包括用戶的點(diǎn)擊行為、收藏行為和購(gòu)買(mǎi)行為；

所述優(yōu)化策略包括熱門(mén)物品降權(quán)和時(shí)效性衰減。