[發明專利]基于時變及協同過濾的課程推薦方法、裝置、設備及介質

在審

• 申請號: 202110087908.0
• 申請日: 2021-01-22
• 公開（公告）號: CN112860990A
• 公開（公告）日: 2021-05-28
• 發明（設計）人: 廖伯軒;徐守梅;吳震東;宋喆;汪坪;呂斌
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/9536;G06Q50/20
• 代理公司: 深圳市賽恩倍吉知識產權代理有限公司 44334
• 代理人: 遲珊珊;劉麗華

1.一種基于時變及協同過濾的課程推薦方法，其特征在于，所述基于時變及協同過濾的課程推薦方法包括：

響應于基于時變及協同過濾的課程推薦指令，根據所述課程推薦指令獲取待處理數據；

根據所述待處理數據構建初始特征矩陣；

基于隱語義模型構建修正因子，其中，所述修正因子包括用戶修正因子及課程修正因子；

將所述修正因子引入所述初始特征矩陣，得到待修正矩陣；

定義時間漂移函數，并基于所述時間漂移函數修正所述用戶修正因子，得到用戶時變因子；

將所述課程修正因子按照時間進行拆分處理，得到課程時變因子；

利用所述用戶時變因子及所述課程時變因子更新所述待修正矩陣，并對更新后的所述待修正矩陣進行協同過濾，得到目標矩陣；

獲取待推薦用戶數據，及與所述待推薦用戶數據對應的至少一個待推薦課程數據；

根據所述待推薦用戶數據及所述至少一個待推薦課程數據計算所述目標矩陣的至少一個特征值；

根據所述至少一個特征值構建課程推薦列表。

2.如權利要求1所述的基于時變及協同過濾的課程推薦方法，其特征在于，所述根據所述待處理數據構建初始特征矩陣包括：

從所述待處理數據中獲取每個課程的特征q_i，及獲取每個用戶的特征p_u；

根據每個課程的特征及每個用戶的特征構建每個課程相對于每個用戶的初始特征矩陣：

其中，u表示用戶，i表示課程，表示課程i相對于用戶u的初始特征矩陣。

3.如權利要求2所述的基于時變及協同過濾的課程推薦方法，其特征在于，所述修正因子的公式如下：

b_ui＝μ+b_u+b_i

其中，b_ui表示課程i相對于用戶u的修正因子，μ表示全局特征，b_u表示所述用戶修正因子，b_i表示所述課程修正因子。

4.如權利要求2所述的基于時變及協同過濾的課程推薦方法，其特征在于，采用下述公式定義所述時間漂移函數：

dev_u(t)＝sign(S(t)-S(t)_u)·|t-t_u|^β

其中，dev_u(t)表示所述時間漂移函數，S(t)代表課程在t時刻的總體評分，S(t)_u代表用戶u在t時刻對課程的平均評分，β表示四方修正項。

5.如權利要求3所述的基于時變及協同過濾的課程推薦方法，其特征在于，所述基于所述時間漂移函數修正所述用戶修正因子，得到用戶時變因子包括：

當執行線性修正時，采用下述公式基于所述時間漂移函數修正所述用戶修正因子：

其中，表示線性修正得到的所述用戶時變因子，α_u表示時間漂移修正參數，b_u，t表示用戶u在t時刻的特征；

當執行非線性修正時，采用下述公式基于所述時間漂移函數修正所述用戶修正因子：

其中，表示非線性修正得到的所述用戶時變因子，γ表示修正參數，k_u表示用戶總數，l為正整數，S(t1)^μ表示用戶u在t1時刻的平均評分，表示用戶u的時間修正因子。

6.如權利要求1所述的基于時變及協同過濾的課程推薦方法，其特征在于，所述將所述課程修正因子按照時間進行拆分處理，得到課程時變因子包括：

按照所述課程修正因子隨時間的變化識別所述課程修正因子中的靜態因子及浮動因子；

采用下述公式根據所述靜態因子及所述動態因子計算所述課程時變因子：

b_i(t)＝b_i0+b_i，Bin(t)

其中，b_i(t)表示課程i的課程時變因子，b_i0表示所述靜態因子，b_i，Bin(t)表示所述浮動因子。