CN104809127A - 一种远程教育资源的推荐方法和装置 - Google Patents

Abstract

本发明提供一种远程教育资源的推荐方法和装置，所述方法包括如下步骤：(1)根据用户的信息，计算得到用户对教育资源的兴趣程度R，并存储于用户兴趣表；(2)根据用户的信息，计算用户的用户-资源评分率T；(3)比较用户-资源评分率T与指定阈值V_T的大小，若用户-资源评分率T小于等于指定阈值V_T，对用户对所述教育资源的兴趣程度进行预测，将预测值填充为所述兴趣程度R，存储于用户兴趣表，并根据用户兴趣表，推荐用户感兴趣的教育资源；若用户-资源评分率T大于指定阈值V_T，则直接根据用户兴趣表，推荐用户感兴趣的教育资源。本技术方案不仅能准确地为用户推荐资源，还可解决协同过滤技术对新成立的教育网站的“冷启动”问题。

Description

一种远程教育资源的推荐方法和装置

技术领域

本发明涉及信息处理领域，尤其涉及一种远程教育资源的推荐方法和装置。

背景技术

近年来，互联网上的教育资源数量急剧增长，用户为寻找需要的教育资源所花费的时间也越来越长，产生了“信息超载现象”。为了降低用户寻找所需教育资源的代价，教育资源推荐技术应运而生。教育资源推荐技术一般通过分析用户的行为(例如，对教育资源进行评分)，自动向用户推荐其可能感兴趣的教育资源。协同过滤技术是教育资源推荐系统中应用最为广泛的技术之一。它的基本思想是寻找与目标用户兴趣相似的用户群体(邻居用户集)，然后将邻居用户集感兴趣的内容推荐给目标用户。现有的教育资源推荐系统中，一般以用户对教育资源的评分作为寻找邻居用户集的主要数据来源。但是，很多用户不愿意对资源进行评分，或者评分较为随意，导致系统无法产生精确的推荐结果。

此外，协同过滤技术存在“冷启动”的技术缺陷。对于新成立的教育网站，教育资源被浏览和评分的比率较低，推荐系统难以生成目标用户的邻居用户集，产生的推荐结果难以令人满意。对于新上线的教育资源，由于没有用户的浏览或评价历史记录，系统不能将其归属到邻居用户集的兴趣范围，从而无法将最新的资源推荐给用户。

发明内容

本发明解决的问题是提供一种远程教育资源的推荐方法和装置，不仅能准确地为用户推荐资源，还可解决协同过滤技术对新成立的教育网站的“冷启动”问题。

为了解决上述问题，本发明提供了一种远程教育资源的推荐方法，包括如下步骤：

(1)根据用户的信息，计算得到所述用户对教育资源的兴趣程度R，并存储于用户兴趣表；

(2)根据所述用户的信息，计算所述用户的用户-资源评分率T；

(3)比较所述用户-资源评分率T与指定阈值V_T的大小，若所述用户-资源评分率T小于等于所述指定阈值V_T，对所述用户对所述教育资源的兴趣程度进行预测，将所述预测值填充为所述兴趣程度R，存储于所述用户兴趣表，并根据所述用户兴趣表，推荐所述用户感兴趣的教育资源；若所述用户-资源评分率T大于所述指定阈值V_T，则直接根据所述用户兴趣表，推荐所述用户感兴趣的教育资源。

上述所述一种远程教育资源的推荐方法，其中，所述用户信息包括显式兴趣信息和隐式兴趣信息。

上述所述一种远程教育资源的推荐方法，其中，所述显式兴趣信息为所述用户对所述教育资源的收藏、评分以及下载。

上述所述一种远程教育资源的推荐方法，其中，所述隐式兴趣信息为所述用户对所述教育资源的浏览时长、浏览内容大小和资源类型。

上述所述一种远程教育资源的推荐方法，其中，得到所述用户对所述教育资源的兴趣程度R的过程为：

(1)根据所述显式兴趣信息，计算所述用户对所述教育资源的显示兴趣度R_S；

(2)根据所述隐式兴趣信息，计算所述用户对所述教育资源的隐式兴趣度R_T；

(3)分别设置所述显示兴趣度R_S和隐式兴趣度R_T的权重a_S和a_T，并计算所述显示兴趣度R_S和隐式兴趣度R_T的加权和，其中，所述权重a_S和a_T均大于等于0小于等于1，且所述a_S和a_T之和为1。

上述所述一种远程教育资源的推荐方法，其中，计算所述显式兴趣度R_S的过程为：

(1)设置所述各项显式兴趣信息的权重，其中，所述权重之和为1，且均大于等于0小于等于1；

(2)根据所述用户的学习行为，对所述各项显式兴趣信息进行赋值；

(3)计算所述显示兴趣信息的赋值加权和，即为所述显示兴趣度R_S。

上述所述一种远程教育资源的推荐方法，其中，计算所述隐式兴趣度R_T的过程为：

(1)根据所述用户的学习行为，对所述各项隐式兴趣信息进行赋值；

(2)计算所述用户对当前教育资源的浏览兴趣I以及所述用户对历史教育资源的浏览兴趣I’；

(3)根据所述浏览兴趣I’，计算阈值，并比较所述I和所述阈值之间的大小，得到所述隐式兴趣度R_T。

上述所述一种远程教育资源的推荐方法，其中，计算所述用户的用户-资源评分率T的公式为：

$T=\frac{{\mathrm{\Σ}}_{i=1}^N{\mathrm{num}}_i}{N*M},$

其中，N为网站中的用户数量；M为所述教育资源数量；num_i为第i个用户的浏览次数。

上述所述一种远程教育资源的推荐方法，其中，对所述用户对所述教育资源的兴趣程度进行预测的过程为：统计所述用户在历史学习记录中所述教育资源出现的次数m；比较所述次数m和指定阈值V_m的大小，若所述次数m大于所述指定阈值V_m，则以所述用户历史记录中对所述教育资源的平均兴趣程度作为所述兴趣程度R，若所述次数m小于等于所述指定阈值V_m，则以评分范围的均值作为所述兴趣程度R。

上述所述一种远程教育资源的推荐方法，其中，通过协同过滤技术分析所述用户兴趣表，推荐所述用户感兴趣的教育资源。

为了解决上述问题，本发明还提供了一种远程教育资源的推荐装置，包括：

获取用户兴趣表单元，适用于根据用户的信息，计算得到所述用户对教育资源的兴趣程度R，并存储于用户兴趣表；

计算单元，适用于根据所述用户的信息，计算所述用户的用户-资源评分率T；

比较单元，适用于比较所述用户-资源评分率T与指定阈值V_T的大小，若所述用户-资源评分率T小于等于所述指定阈值VT，对所述用户对所述教育资源的兴趣程度进行预测，将所述预测值填充为所述兴趣程度R，存储于所述用户兴趣表，并根据所述用户兴趣表，推荐所述用户感兴趣的教育资源；若所述用户-资源评分率T大于所述指定阈值V_T，则直接根据所述用户兴趣表，推荐所述用户感兴趣的教育资源。

与现有技术相比，本发明将用户对资源的评分、收藏、推荐、浏览时长等能够体现用户对资源偏好的行为因素转化为可定量的资源兴趣程度，从而提高用户对资源的评分率和评分的准确率；

进一步地，通过设定阈值，判断是否需要对用户未评分的资源进行预测，并将预测值填充为用户对该资源的兴趣程度，预测过程通过用户的历史学习行为来计算其对资源的评分，预测值具有较高的准确性，不仅提升用户对资源的评分率，还可解决协同过滤技术对新成立的教育网站的“冷启动“问题；

进一步地，引入新进资源推荐算法，通过分析用户的兴趣为其推荐相关领域的最新资源，以提高最新资源的被访问率。

附图说明

图1所示为本发明实施例一种远程教育资源的推荐方法的流程示意图；

图2所示为本发明实施例得到所述用户对所述教育资源的兴趣程度R的流程示意图；

图3所示为本发明实施例计算所述显式兴趣度R_S的流程示意图；

图4所示为本发明实施例计算所述隐式兴趣度R_T的流程示意图；

图5所示为本发明实施例一种远程教育资源的推荐装置的结构示意图。

具体实施方式

在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施的限制。

其次，本发明利用示意图进行详细描述，在详述本发明实施例时，为便于说明，所述示意图只是实例，其在此不应限制本发明保护的范围。

下面结合附图和实施例对本发明一种远程教育资源的推荐方法和装置进行详细地描述。本发明实施例远程教育资源推荐方法如图1所示，首先，执行步骤S1，根据用户的信息，计算得到所述用户对教育资源的兴趣程度R，并存储于用户兴趣表。其中，所述用户信息包括显式兴趣信息和隐式兴趣信息。需要说明的是，对于显示兴趣信息和隐式兴趣信息可以根据实际的需要进行配置。在本实施例中，所述显式兴趣信息为所述用户对所述教育资源的收藏、评分以及下载；所述隐式兴趣信息为所述用户对所述教育资源的浏览时长、浏览内容大小和资源类型。对于上述信息数据存储于表中，具体地，在本实施例中，用户信息表用于保存用户的个人信息，包括注册时填写的基本信息以及感兴趣的资源类别；学习行为表用于保存用户在学习过程中产生的行为记录，即系统从web日志中抽取能够体现用户对教育资源偏好的行为数据(显式兴趣信息集合和隐式兴趣信息集合)；资源信息表用于保存教育资源的信息，如所述类别、文件类型(文本文件和多媒体文件)；用户兴趣表用于保存用户对学习资源的兴趣程度；预测用户兴趣表用于保存填充后的用户兴趣表。

具体地，得到所述用户对所述教育资源的兴趣程度R的过程如图2所示，首先，执行步骤S201，根据所述显式兴趣信息，计算所述用户对所述教育资源的显示兴趣度R_S。其中，计算所述显式兴趣度R_S的过程如图3所示，首先，执行步骤S301，设置所述各项显式兴趣信息的权重，其中，所述权重之和为1，且均大于等于0小于等于1。具体地，定义显式评分项目(即所述显式兴趣信息)集合S，并设置显式评分项目中各个子项目的权重。在本实施例中，所述显式评分项目为收藏、评分和下载，即集合S＝{收藏，评分，下载}，对应的权重向量为b＝{0.15，0.6，0.25}。需要说明的是，若是某项显式评分项目为空，则其所对应的权重按照比例分配给其它项，例如，若用户未下载资源，则资源的权重按照1∶4分配给收藏和评分。接着，执行步骤S302，根据所述用户的学习行为，对所述各项显式兴趣信息进行赋值。其中，各显式评分项目的取值范围均为[0，1]。在本实施例中，收藏对应的赋值为0(未收藏)和1(已收藏)；评分对应的赋值为0-1，若用户已评分，则赋值为用户评分/最高评分，；下载对应的赋值为0(未下载)和1(已下载)。接着，执行步骤S303，计算所述显示兴趣信息的赋值加权和，即为所述显示兴趣度R_S。在本实施例中，用户对于教育资源X，收藏但未下载，评分为4(其中，最高评分为5分)，将下载的权重按1∶4分配给收藏和评分，分配完成后收藏的权重为0.2，评分的权重为0.8，所述用户对所述教育资源X的显示兴趣度R_S为R_S＝0.2*1+0.8*4/5＝0.84。

接着，执行步骤S202，根据所述隐式兴趣信息，计算所述用户对所述教育资源的隐式兴趣度R_T。具体地，计算所述隐式兴趣度R_T的过程如图4所示，首先，执行步骤S401，根据所述用户的学习行为，对所述各项隐式兴趣信息进行赋值。在本实施例中，从web日志信息中(即从学习行为表中)读取所述用户对所述教育资源的浏览时长t、浏览内容大小g以及所述教育资源X的资源类型p，作为所述隐式评分项目(即隐式兴趣信息)集合T中的元素。所述浏览时长t的赋值为客户端结束访问的时间减去客户端请求页面的时间；所述浏览内容大小g的赋值为客户端访问过程中接收的字节数；资源类型p的赋值如下：(1)将教育资源分为文本(txt、word、ppt等)和多媒体(图像、动画、音频、视频等)两类，统计用户的历史学习记录中两类资源所占的比例，若当前教育资源类型所占比例较高，则p＝1，若当前教育资源类型所占比例较低，则p为当前资源类型所占比例/其它资源类型所占比例；(2)若用户无历史学习记录，则p＝1。在本实施例中，教育资源X的类型为ppt，用户的历史学习记录中文本类资源的比例为35％，则p＝0.35，浏览时长为80分钟，浏览内容大小为100KB。

接着，执行步骤S402，计算所述用户对当前教育资源的浏览兴趣I以及所述用户对历史教育资源的浏览兴趣I’。具体地，计算所述用户对当前教育资源的浏览兴趣I的公式为：I＝μ*p*t/g，其中，μ为资源类型系数。在本实施例中，文本类资源系数为1，多媒体类资源系数为10。从而可知，所述用户对教育资源X的浏览兴趣I为0.28；统计得到所述用户对历史资源的浏览兴趣I’为0.5。接着，执行步骤S403，根据所述浏览兴趣I’，计算阈值，并比较所述I和所述阈值之间的大小，得到所述隐式兴趣度R_T。具体地，在本实施例中，若I＞0.9*I’，则R_T＝1；若I＜0.5*I’，则R_T＝0；否则R_T＝0.5。由步骤S402可知，I’为0.5，I为0.28，则隐式兴趣度R_T为0.5。

接着，执行步骤S203，分别设置所述显示兴趣度R_S和隐式兴趣度R_T的权重a_S和a_T，并计算所述显示兴趣度R_S和隐式兴趣度R_T的加权和。其中，所述权重a_S和a_T均大于等于0小于等于1，且所述a_S和a_T之和为1。具体地，对于某个用户，若集合S和集合T均为非空，则权重a_S和a_T分别为0.7和0.3；若集合S为空，则权重a_S和a_T分别为0和1；若集合T为空，则权重a_S和a_T分别为1和0。在本实施例中，由上述可知，集合S和集合T均为非空，则权重a_S和a_T分别为0.7和0.3，所述显示兴趣度R_S和隐式兴趣度R_T分别为0.63和0.5，则所述用户对教育资源X的兴趣程度R＝0.7*0.63+0.3*0.5＝0.591，并将所述兴趣程度R存储于用户兴趣表中。

接着，执行步骤S2，根据所述用户的信息，计算所述用户的用户-资源评分率T。具体地，在本实施例中，将显式兴趣度和隐式兴趣度的加权和定义为用户对教育资源的兴趣程度，因此，以浏览次数计算用户-资源评分率。计算所述用户的用户-资源评分率T的公式为：

$T=\frac{{\mathrm{\Σ}}_{i=1}^N{\mathrm{num}}_i}{N*M},$

其中，N为网站中的用户数量；M为所述教育资源数量；num_i为第i个用户的浏览次数。在本实施例中，根据存储的数据可知，所述用户-资源评分率为0.6。

接着，执行步骤S3，比较所述用户-资源评分率T与指定阈值V_T的大小，若若所述用户-资源评分率T小于等于所述指定阈值V_T，则执行步骤S4，对所述用户对所述教育资源的兴趣程度进行预测，将所述预测值填充为所述兴趣程度R，存储于所述用户兴趣表，并根据所述用户兴趣表，推荐所述用户感兴趣的教育资源；若所述用户-资源评分率T大于所述指定阈值V_T，则执行步骤S5，直接根据所述用户兴趣表，推荐所述用户感兴趣的教育资源。具体地，在本实施例中，所诉指定阈值V_T为0.8。由步骤S2中可知，用户-资源评分率T为0.6，小于指定阈值，则认为该网站的用户-资源评分率不满足推荐要求，对所述用户对所述教育资源的兴趣程度进行预测，即对进行数据填充。

对用户未评分的资源进行预测，即用户对该资源未做过任何操作，将预测值填充为用户该资源的兴趣程度。具体地，在本实施例中，对所述用户对所述教育资源的兴趣程度进行预测的过程为：统计所述用户在历史学习记录中所述教育资源出现的次数m。在本实施例中，推荐系统的应用对象是医学影像类教育网站，当前教育资源，即未评分的资源，类别为MRI，统计得到当前教育资源MRI在所述用户历史学习记录中出现的次数为20次。接着，比较所述次数m和指定阈值V_m的大小，若所述次数m大于所述指定阈值V_m，则以所述用户历史记录中对所述教育资源的平均兴趣程度作为所述兴趣程度R，若所述次数m小于等于所述指定阈值V_m，则以评分范围的均值作为所述兴趣程度R。在本实施例中，指定阈值V_m为50，则以评分范围的均值作为所述兴趣程度R，即评分范围为0-5，均值为2.5，则所述兴趣程度R为2.5。将所述填充结果保存至预测用户兴趣表。

通过上述方法，可以得到用户对各种教育资源的兴趣程度，并将所述用户对各种教育资源的兴趣程度存储于用户兴趣表中。通过协同过滤技术分析所述用户兴趣表，生成推荐结果。其中，所述协同过滤技术指根据用户对物品或者信息的偏好，发现物品或者内容本身的相关性，或者是发现用户的相关性，然后再基于这些关联性进行推荐。需要说明的是，系统返回的推荐结果数量q是可以由管理员配置的，q为正整数。对应于上述远程教育资源的推荐方法，本发明还提供了一种远程教育资源的推荐装置，如图5所示，所述装置包括获取用户兴趣表单元1、计算单元2和比较推荐单元3。

所述获取用户兴趣表单元1适于根据用户的信息，计算得到所述用户对教育资源的兴趣程度R，并存储于用户兴趣表。具体地，在本实施例中，所述用户信息包括显式兴趣信息和隐式兴趣信息。所述显式兴趣信息为所述用户对所述教育资源的收藏、评分以及下载；所述隐式兴趣信息为所述用户对所述教育资源的浏览时长、浏览内容大小和资源类型。根据所述显式兴趣信息和隐式兴趣信息，可以分别得到所述用户对所述教育资源的显示兴趣度R_S和所述用户对所述教育资源的隐式兴趣度R_T，再对所述显示兴趣度R_S和隐式兴趣度R_T进行加权和，从而得到兴趣程度R。

所述计算单元2适于根据所述用户的信息，计算所述用户的用户-资源评分率T。

所述比较推荐单元3适于比较所述用户-资源评分率T与指定阈值V_T的大小，若所述用户-资源评分率T小于等于所述指定阈值V_T，对所述用户对所述教育资源的兴趣程度进行预测，将所述预测值填充为所述兴趣程度R，存储于所述用户兴趣表，并根据所述用户兴趣表，推荐所述用户感兴趣的教育资源；若所述用户-资源评分率T大于所述指定阈值V_T，则直接根据所述用户兴趣表，推荐所述用户感兴趣的教育资源。具体地，在本实施例中，对所述用户对所述教育资源的兴趣程度进行预测的过程为：统计所述用户在历史学习记录中所述教育资源出现的次数m；比较所述次数m和指定阈值V_m的大小，若所述次数m大于所述指定阈值V_m，则以所述用户历史记录中对所述教育资源的平均兴趣程度作为所述兴趣程度R，若所述次数m小于等于所述指定阈值V_m，则以评分范围的均值作为所述兴趣程度R。

上述远程教育资源推荐装置中各单元的配合及工作过程可以参考上述远程教育资源推荐方法的说明，在此不再赘述。

本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。

Claims (11)

1.一种远程教育资源的推荐方法，其特征在于，包括如下步骤：

(1)根据用户的信息，计算得到所述用户对教育资源的兴趣程度R，并存储于用户兴趣表；

(2)根据所述用户的信息，计算所述用户的用户-资源评分率T；

(3)比较所述用户-资源评分率T与指定阈值V_T的大小，若所述用户-资源评分率T小于等于所述指定阈值V_T，对所述用户对所述教育资源的兴趣程度进行预测，将所述预测值填充为所述兴趣程度R，存储于所述用户兴趣表，并根据所述用户兴趣表，推荐所述用户感兴趣的教育资源；若所述用户-资源评分率T大于所述指定阈值V_T，则直接根据所述用户兴趣表，推荐所述用户感兴趣的教育资源。

2.如权利要求1所述一种远程教育资源的推荐方法，其特征在于，所述用户信息包括显式兴趣信息和隐式兴趣信息。

3.如权利要求2所述一种远程教育资源的推荐方法，其特征在于，所述显式兴趣信息为所述用户对所述教育资源的收藏、评分以及下载。

4.如权利要求2所述一种远程教育资源的推荐方法，其特征在于，所述隐式兴趣信息为所述用户对所述教育资源的浏览时长、浏览内容大小和资源类型。

5.如权利要求1所述一种远程教育资源的推荐方法，其特征在于，得到所述用户对所述教育资源的兴趣程度R的过程为：

(1)根据所述显式兴趣信息，计算所述用户对所述教育资源的显示兴趣度R_S；

(2)根据所述隐式兴趣信息，计算所述用户对所述教育资源的隐式兴趣度R_T；

(3)分别设置所述显示兴趣度R_S和隐式兴趣度R_T的权重a_S和a_T，并计算所述显示兴趣度R_S和隐式兴趣度R_T的加权和，其中，所述权重a_S和a_T均大于等于0小于等于1，且所述a_S和a_T之和为1。

6.如权利要求5所述一种远程教育资源的推荐方法，其特征在于，计算所述显式兴趣度R_S的过程为：

(1)设置所述各项显式兴趣信息的权重，其中，所述权重之和为1，且均大于等于0小于等于1；

(2)根据所述用户的学习行为，对所述各项显式兴趣信息进行赋值；

(3)计算所述显示兴趣信息的赋值加权和，即为所述显示兴趣度R_S。

7.如权利要求1所述一种远程教育资源的推荐方法，其特征在于，计算所述隐式兴趣度R_T的过程为：

(1)根据所述用户的学习行为，对所述各项隐式兴趣信息进行赋值；

(2)计算所述用户对当前教育资源的浏览兴趣I以及所述用户对历史教育资源的浏览兴趣I’；

(3)根据所述浏览兴趣I’，计算阈值，并比较所述I和所述阈值之间的大小，得到所述隐式兴趣度R_T。

8.如权利要求1所述一种远程教育资源的推荐方法，其特征在于，计算所述用户的用户-资源评分率T的公式为：

$T=\frac{{\mathrm{\Σ}}_{i=1}^N{\mathrm{num}}_i}{N*M},$

其中，N为网站中的用户数量；M为所述教育资源数量；num_i为第i个用户的浏览次数。

9.如权利要求1所述一种远程教育资源的推荐方法，其特征在于，对所述用户对所述教育资源的兴趣程度进行预测的过程为：统计所述用户在历史学习记录中所述教育资源出现的次数m；比较所述次数m和指定阈值V_m的大小，若所述次数m大于所述指定阈值V_m，则以所述用户历史记录中对所述教育资源的平均兴趣程度作为所述兴趣程度R，若所述次数m小于等于所述指定阈值V_m，则以评分范围的均值作为所述兴趣程度R。

10.如权利要求1所述一种远程教育资源的推荐方法，其特征在于，通过协同过滤技术分析所述用户兴趣表，推荐所述用户感兴趣的教育资源。

11.如权利要求1所述一种远程教育资源的推荐装置，其特征在于，所述装置包括：

获取用户兴趣表单元，适用于根据用户的信息，计算得到所述用户对教育资源的兴趣程度R，并存储于用户兴趣表；

计算单元，适用于根据所述用户的信息，计算所述用户的用户-资源评分率T；

比较单元，适用于比较所述用户-资源评分率T与指定阈值V_T的大小，若所述用户-资源评分率T小于等于所述指定阈值V_T，对所述用户对所述教育资源的兴趣程度进行预测，将所述预测值填充为所述兴趣程度R，存储于所述用户兴趣表，并根据所述用户兴趣表，推荐所述用户感兴趣的教育资源；若所述用户-资源评分率T大于所述指定阈值V_T，则直接根据所述用户兴趣表，推荐所述用户感兴趣的教育资源。