CN103544663A - 网络公开课的推荐方法、系统和移动终端 - Google Patents

Abstract

本发明公开了一种网络公开课的推荐方法、系统和移动终端，其中，所述推荐方法包括以下步骤：首先，采集网络公开课数据和用户访问网络公开课时产生的用户历史行为数据；然后，根据网络公开课数据和用户历史行为数据共同确定网络公开课的关联程度；最后，根据用户属性并结合网络公开课的关联程度，获取对用户的最终推荐列表。其在节省用户时间的同时为用户提供了更加个性化、符合用户兴趣的课程。本发明的方法由于结合了用户行为数据，能够从用户角度去衡量课程间的相关性，因此更加准确。另外，在向用户推荐课程时，本发明结合用户日志的时间属性和用户的负反馈数据对候选推荐列表进行调整，因此提高了推荐的准确性。

Description

网络公开课的推荐方法、系统和移动终端

技术领域

本发明涉及智能推荐技术领域，尤其涉及一种网络公开课的推荐方法、系统和移动终端。

背景技术

随着互联网的发展，网络上的学习资源越来越丰富。网络公开课作为当下高质量的学习资源，深受互联网用户的喜爱，成为人们获取知识的重要方式。面对大量的网络公开课资源，用户寻找感兴趣的课程变得非常困难。当前的网络公开课学习系统多依靠热门统计方式向用户推荐课程资源，缺乏个性化，因此不能满足差异化的学习需求。虽然用户可以根据分类导航或者采用搜索关键词方式检索、筛选可能感兴趣的课程，但是费时费力。

现有技术中公开了一些网络学习资源的推荐方法，例如：分析学习者访问基于扩展主题图的网络学习系统的行为数据，获得学习者及其群组对学习内容相关的概念和知识元的学习兴趣路径变化模式，然后根据学习者个体及其所在群组的学习兴趣路径变化模式以及扩展主题图的学习对象之间的前后序等关系，实现给学习者主动推荐合适的学习资源的个性化推荐。其虽然能够通过分析用户的行为来预测用户的兴趣从而做出推荐，但是仍然存在一定的不足：例如需要重新计算用户对课件的偏好，该计算过程复杂度高，因此无法实时更新推荐结果，以反映用户近期的学习兴趣；在给用户推荐课件时，都没有考虑根据用户负反馈数据调整、优化推荐结果，因此使得推荐结果不够准确，因此不贴近用户的真实需求。

发明内容

鉴于现有技术中的不足，本发明目的在于提供一种网络公开课的推荐方法、系统和移动终端。旨在解决现有技术中采用传统热门统计方式向用户推荐课程资源费缺乏个性化，不能满足用户差异化的学习需求的问题，推荐结果不够准确的问题。

本发明的技术方案如下：

一种网络公开课的推荐方法，其中，所述推荐方法包括以下步骤：

A、采集网络公开课数据和用户访问网络公开课时产生的用户历史行为数据；

B、根据网络公开课数据和用户历史行为数据共同确定网络公开课的关联程度；

C、根据用户属性并结合网络公开课的关联程度，获取对用户的最终推荐列表。

所述的网络公开课的推荐方法，其中，所述步骤B中具体包括以下步骤：

B1、根据用户历史行为数据统计网络公开课被用户共同学习的频率，并以此为依据借助用户共同学习过的网络公开课的内容数据初步分析网络公开课的关联性；

B2、借助用户历史行为数据，采用回归模型学习每一类网络公开课属性的权重，并以此为依据汇总每一类网络公开课属性的相关性，确定网络公开课的关联程度。

所述的网络公开课的推荐方法，其中，所述步骤B1中进一步包括以下步骤：

B11、根据用户历史行为数据，构建网络公开课之间的共同学习的无向带权图，将共同学习的频率作为边的权值，用于对网络公开课的内容特征进行扩充；

B12、根据网络公开课的内容特征扩充后的向量，初步计算相应的网络公开课之间的关联程度；

B13、汇总所有的网络公开课之间的关联程度，初步形成网络公开课的关联表。

所述的网络公开课的推荐方法，其中，所述步骤B2中，采用线性回归模型学习每一类网络公开课属性的权重。

所述的网络公开课的推荐方法，其中，所述步骤B2中，在回归模型中引入用于提高回归学习的准确性的样本置信度，所述置信度的计算方法如下：

conf(i,j)＝1.0+σ×|U(i)∩U(j)|；

其中，σ为调节参数，取值为正数；i、j分别代表网络公开课标号；|U(i)|、|U(j)|分别为学习网络公开课i和网络公开课j的用户数量，所述|U(i)∩U(j)|为共同学习课程i和课程j的用户数量。

所述的网络公开课的推荐方法，其中，所述步骤C中用户属性包括：已登陆用户属性和未登陆用户属性，其中，所述已登陆用户属性进一步包括：用户日志的时间信息。

所述的网络公开课的推荐方法，其中，所述步骤C中进一步包括以下步骤：

针对已登陆用户属性：

C11、根据用户日志的时间信息对用户行为按时间倒序方式排序，得到行为列表；

C12、结合网络公开课的关联程度，获取与用户当前学习课程相关的课程，形成用户推荐列表，

C13、判断所述已登录用户属性是否包括用户日志的负反馈数据信息，若是则转向步骤C14，否则向用户推荐所述用户推荐列表；

C14、根据用户日志的负反馈数据信息，剔除与所述负反馈数据信息对应的课程，调整所述用户推荐列表后向用户推荐；针对未登录用户属性：

C21、根据未登录用户当前浏览的网络公开课，查找网络公开课的关联表并筛选出相应的网络公开课进行推荐。

所述的网络公开课的推荐方法，其中，所述步骤C12具体包括：

C121、基于所述行为列表，计算行为的权重；

C122、基于所计算的权重及网络公开课的关联程度，计算用户对课程的感兴趣程度，并将所计算的感兴趣程度与对应的课程存储下来；

C123、根据所述感兴趣程度，形成用户推荐列表。

一种网络公开课的推荐系统，其中，所述推荐系统包括：

采集单元，用于采集网络公开课数据和用户访问网络公开课时产生的用户历史行为数据；

关联单元，用于根据网络公开课数据和用户历史行为数据共同确定网络公开课的关联程度；

获取单元，用于根据用户属性并结合网络公开课的关联程度，获取对用户的最终推荐列表。

一种移动终端，其中，包括所述的网络公开课的推荐系统。

有益效果：

本发明的方法由于结合了用户行为数据，能够从用户角度去衡量课程间的相关性，因此更加准确。另外，在向用户推荐课程时，本发明结合用户日志的时间属性和用户的负反馈数据对候选推荐列表进行调整，因此提高了推荐的准确性。

附图说明

图1为本发明的网络公开课的推荐方法的流程图。

图2为本发明的网络公开课的推荐系统的结构框图。

具体实施方式

本发明提供一种网络公开课的推荐方法、系统和移动终端，为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

请参阅图1，其为本发明的网络公开课的推荐方法的流程图。所述网络公开课的推荐方法，用于向用户推荐网络公开课，如图所示，所述推荐方法包括以下步骤：

S1、采集网络公开课数据和用户访问网络公开课时产生的用户历史行为数据；

S2、根据网络公开课数据和用户历史行为数据共同确定网络公开课的关联程度；

S3、根据用户属性并结合网络公开课的关联程度，获取对用户的最终推荐列表。

下面分别针对上述步骤进行详细描述：

所述步骤S1为采集网络公开课数据和用户访问网络公开课时产生的用户历史行为数据。在本实施例中，采集网络公开课数据的具体内容包括课程基本属性，如课程标题、开课机构、课程类别、课程描述、纲要、等级、作者、语言等内容属性数据。一般来说，采集用户历史行为数据的具体内容可以包括用户“已学习”、“不喜欢”等正反馈和负反馈行为数据。其中所述负反馈行为数据可理解为用户的一些负面的评价，但是该用户历史行为数据不一定包括该负反馈行为（例如用户喜欢的情况下就不会反馈不喜欢等评价），此处对此不作限制。即用户访问网络公开课系统时产生的历史行为数据。需要注意的是，当有新的公开课或者用户行为产生时，所述用户历史行为数据以及网络公开课数据会自动地被采集。

所述步骤S2为根据网络公开课数据和用户历史行为数据共同确定网络公开课的关联程度。相比纯粹基于课程属性计算课程之间的相关性的方法，本发明的方法结合了用户行为数据，从用户角度学习计算课程之间相关性的各种要素的权重，因此更加准确，反映了用户角度的课程相关性。在本实施例中，所述步骤S2中具体包括以下步骤：

S21、根据用户历史行为数据统计网络公开课被用户共同学习的频率，并以此为依据借助用户共同学习过的网络公开课的内容数据初步分析网络公开课的关联性；

S22、借助用户历史行为数据，采用回归模型学习每一类网络公开课属性的权重，并以此为依据汇总每一类网络公开课属性的相关性，确定网络公开课的关联程度。

在步骤S21中，进一步包括以下步骤：

S211、根据用户历史行为数据，构建网络公开课之间的共同学习的无向带权图，将共同学习的频率作为边的权值，用于对网络公开课的内容特征进行扩充；

S212、根据网络公开课的内容特征扩充后的向量，初步计算相应的网络公开课之间的关联程度；

S213、汇总所有的网络公开课之间的关联程度，初步形成网络公开课的关联表。

为了更加准确地分析课程关联性，针对不同类型的特征分别计算课程关联程度，包括课程标题关联程度、开课机构关联程度、课程类别关联程度、课程描述关联程度、纲要关联程度、作者关联程度、语言关联程度等，然后进行线性汇总得到课程之间的关联程度。

下面通过一个具体例子来说明上述步骤S21，针对课程（即网络公开课，下同）i的第k类内容特征，扩充其内容特征的具体计算方法如下：

$f_k^{\′}\left(i\right)=\underset{j\∈I}{\mathrm{\Σ}}w(i,j)\×\frac{f_k\left(j\right)}{\left|\right|f_k\left(j\right){\left|\right|}_2},$ $w(i,j)=\frac{E(i,j)}{\underset{t\∈I}{\mathrm{\Σ}}E(i,t)};$

$E(i,j)=\left\{\begin{array}{c}\frac{|U\left(i\right)\∩U\left(j\right)|}{{\left|U\left(i\right)\right|}^{\mathrm{\α}}\×{\left|U\left(j\right)\right|}^{1-\mathrm{\α}}},i\≠j\\ \mathrm{\λ},i=j\end{array}\right.;$

其中，I为课程集合的大小，|U(i)|、|U(j)|分别为学习课程i和课程j的用户数量，|U(i)∩U(j)|为共同学习课程i和课程j的用户数量，E(i,j)表示用课程j内容特征扩充课程i内容特征时的扩充系数，W(i,j)表示归一化的扩充系数，以保证用于扩充课程i内容特征的所有课程的扩充系数之和为1。f_k(i)为课程i的第k类内容特征对应的特征向量，||f_k(i)||₂为特征向量f_k(i)的二范数，f_k′(i)为课程i的第k类内容特征扩充后的特征向量，α,λ为调节参数，取值分别为α∈[0,1]、λ∈(0,+∞)。

然后，根据课程i和课程j的第k类内容特征扩充后的特征向量f_k′(i)和f_k′(j)计算课程i和课程j的第k类内容特征之间的关联程度。具体的计算方法如下：

$\mathrm{Sim}(f_k^{\′}\left(i\right),f_k^{\′}\left(j\right))=\frac{f_k^{\′}\left(i\right)\·f_k^{\′}\left(j\right)}{{\left|\right|f_k^{\′}\left(i\right)\left|\right|}_2\×{\left|\right|f_k^{\′}\left(j\right)\left|\right|}_{\text{2}}}$

最后，对于课程i和课程j，线性汇总后的关联程度的具体计算方法如下：

$\mathrm{Sim}(i,j)=\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\β}}_k\×\mathrm{Sim}(f_k^{\′}\left(i\right),f_k^{\′}\left(j\right)),$ 其中，所述Sim(i,j)表示课程i和课程j的关联程度，β_k为第k类内容特征在度量课程i和课程j关联程度时的权重,L为课程内容属性的类别总数。

在步骤S22中，借助用户历史行为数据，采用回归模型学习每一类网络公开课属性的权重，并以此为依据汇总每一类网络公开课属性的相关性，确定网络公开课的关联程度。其中，所述回归模型优选为线性回归模型，该线性回归的模型如下：

$Y(i,j)={\mathrm{\β}}_0+\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\β}}_k\×\mathrm{Sim}(f_k^{\′}\left(i\right),f_k^{\′}\left(j\right)),$

其中 $Y(i,j)=\left\{\begin{array}{c}1,|U\left(i\right)\∩U\left(j\right)|>0\\ 0,|U\left(i\right)\∩U\left(J\right)|=0\end{array}\right.,$ β₀为线性回归的截距，Y(i,j)表示在线性回归模型下的课程i与j之间的关联程度。

课程i和课程j相关性取决于是否有用户同时学习课程i和课程j。为了保证拟合线性回归模型时样本数据的相对平衡，对于满足条件|U(i)∩U(j)|＝0的所有课程i和课程j的组合，随机地抽取一部分课程i和课程j的组合，保证其数量小于|U(i)∩U(j)|＞0的所有课程i和课程j的组合数量，最终得到拟合线性回归模型的全部样本数据集T。

进一步地，由于共同学习课程i和课程j的用户数量越大，课程i和课程j越相关，所述步骤S22中，引入为提高回归学习的准确性，在回归模型中样本置信度，所述置信度的计算方法如下：

conf(i,j)＝1.0+σ×|U(i)∩U(j)|；

其中，σ为调节参数，取值为正数；i、j分别代表网络公开课，|U(i)∩U(j)|为共同学习课程i和课程j的用户数量。

根据上述线性回归模型和样本置信度，使用上述样本数据集T拟合该模型以求解β₀和β₁,β₂,…,β_L，该求解过程涉及的最优化问题的具体数学模型如下：

$\underset{{\mathrm{\β}}_0,{\mathrm{\β}}_1,{\mathrm{\β}}_2,...,{\mathrm{\β}}_L}{\min }\left\{\begin{array}{c}\frac{1}{2}\underset{(i,j)\∈T}{\mathrm{\Σ}}\[\mathrm{con}(\mathrm{fi},j)\×{(Y(i,j)-{\mathrm{\β}}_0-\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\β}}_k\×\mathrm{Sim}(f_k^{\′}\left(i\right),f_k^{\′}\left(j\right)))}^2\]\end{array}\right\}$

通过上述数学模型，计算出一个最小的值，获取计算所述最小的值所使用的一组数据（从β₁、β₂、、、直到β_L这一组数据），便于后续过程使用。

基于上述回归模型，结合内容特征和用户历史行为数据学习权重β₀和β₁,β₂,…,β_L，用于计算课程之间的关联程度，形成网络公开课的关联表，此时的网络公开课的关联表，其所包括的网络公开课的关联程度是使用线性回归模型拟合后得到的关联程度：此处计算课程之间关联程度时无需对课程之间关联程度的权重进行赋值，使用线性回归模型进行拟合，使得计算的网络公开课之间的关联程度更加科学准确。

上述步骤S1和S2为训练阶段，其结合课程属性和用户历史行为数据共同计算课程之间的关联。而步骤S3则是推荐阶段。

所述步骤S3为根据用户属性并结合网络公开课的关联程度，获取对用户的最终推荐列表。其中，所述用户属性包括：已登陆用户属性和未登陆用户属性，所述已登陆用户属性进一步包括：用户日志的时间信息和用户日志的负反馈数据信息。

简单来说，即将用户分为已登陆用户和未登陆用户（即新用户，没有用户日志数据）。

则针对已登陆用户，其推荐步骤具体为结合行为列表及网络公开课的关联程度，获取与用户当前学习课程相关的课程，形成用户推荐列表。其主要包括以下步骤：

首先，根据用户日志的时间信息对用户行为按时间顺序进行排序，形成行为列表；

其次，基于所述行为列表，计算用户行为的权重；

然后，基于所计算的权重及网络公开课的关联程度，计算用户对课程的感兴趣程度，并将所计算的感兴趣程度与对应的课程存储下来；

最后，根据所述感兴趣程度（筛选用户感兴趣程度较高的前N门课程），形成用户推荐列表，其中所述N为大于1的自然数，课程数量N可按用户需求而设，此处对此不作限制。

为了便于理解，下面以具体例子来具体说明推荐列表的形成过程：

首先，根据用户日志的时间信息对用户行为按时间倒序方式排序，得到行为列表；即由新到旧排列。因此最新产生的行为排在首位，最旧产生的行为排在末位。对于用户u，按时间倒序方式排序后的行为列表为

RankList＝{b₁,b₂,…,b_N(u)}；

其中，N(u)为用户日志数据中用户u的行为数量。

其次，针对上述用户u排序后的行为列表RankList，计算行为b_m权重的具体方法如下：

$w\left(b_m\right)=1.0-\mathrm{\τ}\×\frac{(\mathrm{RankList}\left(b_m\right)-1)}{N\left(u\right)};$

其中，参数τ为用于调整权重的衰减速度，RankList(b_m)为行为b_m在其行为列表RankList的排序序号。通过提高用户近期行为的权重，降低用户历史行为的权重，以此推荐与用户近期学习课程相关的可能感兴趣的课程。

然后，结合行为列表及网络公开课的关联程度，获取与用户当前学习课程相关的课程，形成用户推荐列表，具体来说，根据行为列表RankList行为的权重以及涉及的课程的关联程度，计算用户u对课程集合I中每个课程i的感兴趣程度P(u,i)，具体计算公式如下：

$P(u,i)=\underset{b_m\∈\mathrm{RankList}}{\mathrm{\Σ}}w\left(b_m\right)\×\mathrm{Sim}(i,c\left(b_m\right));$

其中，c(b_m)为行为b_m对应的课程。

本实施例中，计算每个课程的感兴趣程度后，按照感兴趣程度的大小将与感兴趣程度对应的课程进行排序，此时可以是按感兴趣程度大小由大到小或由小到大的顺序进行排列，此处对此不作限制，作为优选，此处以从大到小的顺序对课程进行排序，并挑选排列在前的若干课程形成推荐列表，其中选择推荐的数量可根据需要而定，在本实施例中，可选排列在前十位的课程形成推荐列表，其中该推荐列表可包括课程名称、用户的感兴趣程度等信息，此外还可包括其他相关信息，例如用户日志时间等，此处对此不作限制。

接着，判断所述已登录用户属性是否包括用户日志的负反馈数据信息，若是则进行后续步骤，否则向用户推荐所形成的列表；

此时，由于用户有负反馈数据信息，当前的推荐列表中的课程形成的候选课程列表，需要根据用户日志的负反馈数据信息，剔除与所述负反馈数据信息对应的课程，调整推荐列表后向用户推荐该调整列表。具体地，根据用户日志的负反馈数据，如“不喜欢”等反馈数据，调整向用户推荐的候选课程列表。例如，如果行为列表RankList中b_m为用户u的负反馈行为，即用户u不喜欢的课程c(b_m)，可以剔除候选课程列表中与其关联程度较高的课程。简单来说，即剔除用户负反馈数据对应的课程后，重新进行排列，形成相应的推荐列表。例如，推荐时选用感兴趣程度排列在前十位的课程作为候选课程列表（即之前形成的推荐列表），当用户的负反馈对应的课程为所述前十位的课程之一或者与候选课程列表中的某一课程关联程度较大时，将该课程剔除，将之前排列在第十一位的课程添加到候选课程列表，并遵从之前的排列顺序再次排序，得到调整后的推荐列表。

而针对未登陆用户，其推荐步骤包括以下内容：

根据未登录用户当前浏览的网络公开课，查找网络公开课的关联表并筛选出关联程度较高的相应的若干网络公开课进行推荐。进一步地，当用户未登陆时，系统可根据用户的浏览情况，自行查找到与该浏览课程关联度较大的课程，并将查找到的课程推荐给用户。具体来说，由于系统内没有用户日志数据，因此即使在“冷启动”情况下也能给用户进行推荐。其中，冷启动是指新的用户或者新的课程，由于没有相应的用户行为，导致无法给新的用户进行推荐，以及无法将新的课程推荐给用户。本发明由于事先根据课程内容特征和系统已有的用户行为数据分析课程关联性并存入关联关系表，因此可根据新用户当前浏览的课程查找课程关联关系表并筛选关联程度较高的课程进行推荐，因此可以避免“冷启动”问题。

本发明还提供了一种网络公开课的推荐系统，如图2所示，所述推荐系统包括：

采集单元100，用于采集网络公开课数据和用户访问网络公开课时产生的用户历史行为数据；

关联单元200，用于根据网络公开课数据和用户历史行为数据共同确定网络公开课的关联程度；

获取单元300，用于根据用户属性并结合网络公开课的关联程度，获取对用户的最终推荐列表。

上述系统中各个部分的功能都已经在上述方法中进行了详细介绍，这里就不再冗述了。

另外，本发明还提供了一种移动终端（如手机、平板电脑等），其设置有上述实施例所述的网络公开课的推荐系统，令用户可以通过移动终端随时随地的获取网络公开课的推荐信息，其中该推荐系统的具体结构及功能见上述实施例，此处不再赘述。综上所述，本发明的网络公开课的推荐方法、系统和移动终端，其中，所述推荐方法包括以下步骤：首先，采集网络公开课数据和用户访问网络公开课时产生的用户历史行为数据；然后，根据网络公开课数据和用户历史行为数据共同确定网络公开课的关联程度；最后，根据用户属性并结合网络公开课的关联程度，获取对用户的最终推荐列表。其在节省用户时间的同时为用户提供了更加个性化、符合用户兴趣的课程。本发明的方法由于结合了用户行为数据，能够从用户角度去衡量课程间的相关性，因此更加准确。另外，在向用户推荐课程时，本发明结合用户日志的时间属性和用户的负反馈数据对候选推荐列表进行调整，因此提高了推荐的准确性，更能贴近用户的实际需求。

应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种网络公开课的推荐方法，其特征在于，所述推荐方法包括以下步骤：

A、采集网络公开课数据和用户访问网络公开课时产生的用户历史行为数据；

B、根据网络公开课数据和用户历史行为数据共同确定网络公开课的关联程度；

C、根据用户属性并结合网络公开课的关联程度，获取对用户的最终推荐列表。

2.根据权利要求1所述的网络公开课的推荐方法，其特征在于，所述步骤B中具体包括以下步骤：

B1、根据用户历史行为数据统计网络公开课被用户共同学习的频率，并以此为依据借助用户共同学习过的网络公开课的内容数据初步分析网络公开课的关联性；

B2、借助用户历史行为数据，采用回归模型学习每一类网络公开课属性的权重，并以此为依据汇总每一类网络公开课属性的相关性，确定网络公开课的关联程度。

3.根据权利要求2所述的网络公开课的推荐方法，其特征在于，所述步骤B1中进一步包括以下步骤：

B11、根据用户历史行为数据，构建网络公开课之间的共同学习的无向带权图，将共同学习的频率作为边的权值，用于对网络公开课的内容特征进行扩充；

B12、根据网络公开课的内容特征扩充后的向量，初步计算相应的网络公开课之间的关联程度；

B13、汇总所有的网络公开课之间的关联程度，初步形成网络公开课的关联表。

4.根据权利要求2所述的网络公开课的推荐方法，其特征在于，所述步骤B2中，采用线性回归模型学习每一类网络公开课属性的权重。

5.根据权利要求4所述的网络公开课的推荐方法，其特征在于，所述步骤B2中，在回归模型中引入用于提高回归学习的准确性的样本置信度，所述置信度的计算方法如下：

conf(i,j)＝1.0+σ×|U(i)∩U(j)|；

其中，σ为调节参数，取值为正数；i、j分别代表网络公开课标号；|U(i)|、|U(j)|分别为学习网络公开课i和网络公开课j的用户数量，所述|U(i)∩U(j)|为共同学习课程i和课程j的用户数量。

6.根据权利要求1所述的网络公开课的推荐方法，其特征在于，所述步骤C中用户属性包括：已登陆用户属性和未登陆用户属性，其中，所述已登陆用户属性进一步包括：用户日志的时间信息。

7.根据权利要求6所述的网络公开课的推荐方法，其特征在于，所述步骤C中进一步包括以下步骤：

针对已登陆用户属性：

C11、根据用户日志的时间信息对用户行为按时间倒序方式排序，得到行为列表；

C12、结合网络公开课的关联程度，获取与用户当前学习课程相关的课程，形成用户推荐列表，

C13、判断所述已登录用户属性是否包括用户日志的负反馈数据信息，若是则转向步骤C14，否则向用户推荐所述用户推荐列表；

C14、根据用户日志的负反馈数据信息，剔除与所述负反馈数据信息对应的课程，调整所述用户推荐列表后向用户推荐；针对未登录用户属性：

C21、根据未登录用户当前浏览的网络公开课，查找网络公开课的关联表并筛选出相应的网络公开课进行推荐。

8.根据权利要求7所述的网络公开课的推荐方法，其特征在于，所述步骤C12具体包括：

C121、基于所述行为列表，计算行为的权重；

C122、基于所计算的权重及网络公开课的关联程度，计算用户对课程的感兴趣程度，并将所计算的感兴趣程度与对应的课程存储下来；

C123、根据所述感兴趣程度，形成用户推荐列表。

9.一种网络公开课的推荐系统，其特征在于，所述推荐系统包括：

采集单元，用于采集网络公开课数据和用户访问网络公开课时产生的用户历史行为数据；

关联单元，用于根据网络公开课数据和用户历史行为数据共同确定网络公开课的关联程度；

获取单元，用于根据用户属性并结合网络公开课的关联程度，获取对用户的最终推荐列表。

10.一种移动终端，其特征在于，包括权利要求9所述的网络公开课的推荐系统。

Images