[發明專利]一種教學資源推薦模型訓練方法

在審

• 申請號: 202011186065.1
• 申請日: 2020-10-30
• 公開（公告）號: CN112347348A
• 公開（公告）日: 2021-02-09
• 發明（設計）人: 周靖;趙子瑩;尹東梁
• 申請（專利權）人: 中教云智數字科技有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06Q50/20
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種教學資源推薦模型訓練方法，S1、選定一定數量的目標資源T資源歸屬的學科學科老師進行推薦；S2、收集每一個學科老師針對目標資源的行為數據，訓練機器學習模型ExtraModel；S3、按照步驟S2中的模型對目標資源進行推薦；S4、繼續訓練模型；S5、重復步驟S3和S4一段時間T1，時間結束后，結束，本發明涉及在線教育技術領域。該教學資源推薦模型訓練方法，可實現讓已有的推薦模型具備能夠有效支持新資源的平滑發布，能夠快速提高新資源的曝光率，并將好的資源被快速篩選出來，并且能夠建立良性的資源更新機制，很好的達到了通過基于指定數據集的輔助模型訓練，來增強新的教學資源在基礎模型推薦能力的目的。

技術領域

本發明涉及在線教育技術領域，具體為一種教學資源推薦模型訓練方法。

背景技術

隨著教育信息化的深入發展，互聯網上的教學資源數量呈現出指數級的飛速增長，教學資源的類型也更加多元。同時在電子商務、社交網站等廣泛應用的推薦系統，也逐漸應用到教育領域，能夠在一定程度上實現教學資源的個性化推薦。

而當前的推薦方法通常基于系統中已積淀的大規模數據進行模型訓練，再應用于個性化推薦。這些方法往往都忽視了以下重要問題：(1)系統在初始運行或者新用戶/新資源的加入時，因缺少歷史行為記錄，在推薦系統中不會被推薦出來，造成冷啟動等問題；(2)隨著時代發展教學資源在不斷更新，而當前教學資源的推薦缺乏更新機制，舊資源往往處在推薦頂端，不利于新的資源推薦給用戶，不利于舊資源的平滑下架，造成整個資源庫不能有效更新迭代，不能可持續生長；(3)教育場景下對資源的質量、意識形態的正確性等方面都有很高的要求，而當前資源的發布和推薦，針對目標用戶往往直接全量發布，會有很大的風險。

參考中國專利一種基于網絡學習環境的資源推薦系統及方法(申請號：CN201710799698.1公開號：CN107590232A)此發明包括：數據采集模塊、用戶多維度特征向量和評分向量提取模塊、評分可信度向量提取模塊、學習資源推薦模塊。此發明利用協同過濾的思想，篩選出與目標用戶相似的用戶群體，結合相似用戶群與目標用戶的相似度和用戶評分的可信度進行學習資源的評分與推薦，使學習資源的評分具有用戶針對性和評分客觀性，從而為用戶推薦個性化和高質量的學習資源。

現有技術需要利用大規模數據集，形成用戶多維度特征向量和用戶評分可信度向量，從而進一步進行個性化推薦。此技術依賴于已有數據，不能解決新資源的冷啟動問題，不能有效地將新的優質的資源推薦給用戶，不利于新舊資源的更新迭代。

參考中國專利一種網絡教學資源的個性化推薦系統和推薦方法(申請號：CN201410093793.6公開號：CN103886054A)此發明公開了一種網絡教學資源推薦系統及方法。該系統包括：數據構建模塊，其構建教師行為數據、教師模型數據、課程模型數據、資源模型數據；離線數據處理模塊，其用于初始化和調整課程模型數據和資源模型數據，并利用教師行為數據推斷教師身份，根據教師行為數據計算資源之間的關聯度，根據資源模型數據計算資源之間的相似度，根據資源模型數據和課程模型數據計算課程與資源之間的關聯度；在線推薦模塊，其利用資源之間的關聯度、資源之間的相似度、課程與資源的關聯度、教師的動態描述在線推薦資源，還根據教師對推薦資源的反饋推薦資源標簽，并通過UI交互，將教師的行為數據傳輸到數據構建模塊的教師行為數據中。

現有技術采用基于內容和標簽的推薦方法，新內容可以根據內容特征提取初始化的標簽，然后通過教師行為記錄對內容的標簽進行過濾擴展，降低內容推薦方法在初始提取關鍵詞的不準確性。此方法可以避免新內容冷啟動給推薦系統帶來的影響，但是不能做到新內容的平滑發布，新內容提取到了初始標簽，系統會根據初始標簽將此資源推到所有涉及此標簽的用戶界面，如果初始標簽提取的不準確或者內容質量存在問題，反而最大化了該內容帶來的負面影響，不利于風險控制。