CN105117460A - 学习资源推荐方法和系统 - Google Patents

Abstract

本发明提供一种学习资源推荐方法，其包括：采集用户的学习信息；对所述学习信息进行预处理得到有效学习信息；分析所述有效学习信息以提取知识点；根据所述有效学习信息获取所述知识点的权重；根据所述知识点之间的关联强度和所述知识点的权重形成知识点无向图；根据所述知识点无向图中所述知识点的权重大小向所述用户推送学习资源。本发明进一步提供一种学习资源推荐系统，通过为不同的用户分别建立符合自身个性特点的知识点无向图，并记录和实时跟踪用户的学习动态，提高了学习资源推荐的准确度，提升用户的学习效率和体验度。

Description

学习资源推荐方法和系统

技术领域

本发明涉及电子教学领域，尤其涉及一种基于计算机网络学习的学习资源的推荐方法和系统。

背景技术

传统的资源推送方法一般将用户下载率最高的资源推送给用户，虽然下载率的高低在一定程度上体现了资源的受欢迎程度，但无法做到对不同的使用者的个性化推荐，尤其在包含了众多学科和专业知识点的学习系统中，使用者对学习资源内容的需求也各不相同，即使是点击率较高的学习资源，也只能反映小部分使用者的学习需求和偏好。

因此，现有的学习资源推送方法缺乏针对性，不能根据用户的学习需求和兴趣来推送个性化的学习资源，从而不能改善使用者的学习体验，激发使用者的学习兴趣，用户体验度差。

发明内容

基于此，本发明在于提供能够针对性和准确的为用户推荐学习资源的学习资源推荐方法和系统，。

根据本发明的一个方面，提供一种学习资源推荐方法，其包括：采集用户的学习信息；对所述学习信息进行预处理得到有效学习信息；分析所述有效学习信息以提取知识点；根据所述有效学习信息获取所述知识点的权重；根据所述知识点之间的关联强度和所述知识点的权重形成知识点无向图；根据所述知识点无向图中所述知识点的权重大小向所述用户推送学习资源。

根据本发明的另一方面，提供一种学习资源推荐系统，包括采集模块，用于采集用户的学习信息；数据预处理模块，用于对所述学习信息进行预处理得到有效学习信息；分析模块，用于分析所述有效学习信息以提取知识点；获取模块，用于根据所述有效学习信息获取所述知识点的权重；知识点无向图形成模块，用于根据所述知识点之间的关联强度和所述知识点的权重形成知识点无向图；资料推送模块，用于根据所述知识点无向图中所述知识点的权重大小向所述用户推送学习资源。

通过采集用户学习信息分析出符合用户个性的知识点及权重，以知识点权重为节点而形成知识点无向图，从而可以为不同的用户分别建立符合其自身个性特点的知识点无向图，并实时跟踪用户的学习动态，智能记录和分析用户的学习进展，实现更加针对性的进行学习资源的推送，提高了推荐的准确度，提升学习效率和用户体验度。

附图说明

图1为本发明第一实施例所提供的学习资源推荐方法的流程图。

图2为本发明第二实施例所提供的学习资源推荐方法的流程图。

图3为本发明第三实施例所提供的学习资源推荐方法的流程图。

图4为本发明第一实施例所提供的学习资源推荐系统的结构示意图。

图5为本发明第二实施例所提供的学习资源推荐系统的结构示意图。

图6为本发明第三实施例所提供的学习资源推荐系统的结构示意图。

附图标记说明

10采集模块

20数据处理模块

30分析模块

31知识点确定单元

32知识点分类单元

40获取模块

50知识点无向图形成模块

60资料推送模块

70遗忘因子模块

80确定模块

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施方式，对本发明进行进一步的详细说明。应当理解的是，此处所描述的具体实施方式仅用以解释本发明，并不限定本发明的保护范围。

请参阅图1，为本发明一实施例所提供学习资源推荐方法，其包括：采集用户学习信息；对学习信息进行预处理得到有效学习信息；分析有效学习信息以提取知识点；根据有效学习信息获取知识点的权重；根据所述知识点之间的关联强度和知识点的权重形成知识点无向图；根据知识点无向图中知识点的权重大小向所述用户推送学习资源。

该学习资源推荐方法通过采集用户学习信息分析出有效知识点，以有效知识点为节点而形成个性化的知识点无向图，从而可以为不同的用户分别建立符合自身个性特点的知识点无向图，并实时跟踪用户的学习动态，智能记录和分析用户的学习进展，实现更加针对性的进行学习资源的推送，提高了推荐的准确度和学习效率。

采集用户学习信息包括获取用户在学习网站上的学习活动痕迹和用户注册的身份信息。其中，学习活动痕迹包括在网站上对知识点的搜索记录、在线提问记录、网页浏览记录、学习资料的购买记录及模拟测试题的做题记录等。身份信息包括注册时填写的姓名、所在地区、所在学校和年级等。其中，用户学习信息还可以与用户身份匹配的历年学历考试考点，其中用户身份可以通过用户注册时采用的身份信息或者根据用户学习活动痕迹所确定用户身份信息。网站是指的特定的教育网站，本实施例中，网站是指萤窗在线教育网站。

对学习信息进行预处理的方式包括抽样和去噪。通过抽样和去噪可以减少后续分析的数据量，对于使用记录特别多的用户，通过抽样和去噪可以提高分析的效率和结果的准确性。其中，抽样是对采集的用户的学习活动的记录按照预设比例进行抽选。去噪可以是去掉明显错误的信息记录，例如：用户注册时填写的明显错误的信息；或者用户的网页浏览记录中大量浏览的是高三年级相关的学习资料，只有极少数几次的点击了小学三年级的学习资料专区的网页记录，小学三年级相关的浏览记录可以视为是错误的信息记录，通过去噪的方式予以删除。

分析有效学习信息以提取知识点的步骤中，分析有效学习信息以提取知识点包括通过预设的分类算法或者规则对有效学习信息所涉及的知识点进行分类。本实施例中采用决策树分类方法对知识点进行分类。通常，针对不同学习阶段的学习用户均形成有知识结构图，如初三年级学生的知识结构图、高三学生的知识结构图等，网站的学习信息所涉及到的知识点均包含于对应的知识结构图的范围内，根据有效学习信息对照知识结构图对其中所涉及到的相关的知识点进行匹配和提取。以有效学习信息为用户进行的某一次模拟测试为例，分析模拟中每一道题目并最终提取所有题目所涉及到的知识点。其中，知识结构图可以是不同教育网站依据自身所掌握的资源和自身的特点而设置的。

根据有效学习信息获取知识点的权重包括首先对所有知识点预设一个权值初始值，然后根据有效学习信息判断用户对于知识点的掌握程度对相应知识点的权重进行调整。其中权值初始值可以是相同的值，也可是根据知识点的重要程度而设置为不同。知识点的权重的调整以有效学习信息所反应出来的对知识点的掌握程度按照预设的规则增加或者减少。以有效学习信息为用户进行的某一次模拟测试为例，根据测试的结果统计错题的数量，并分析出与所述错题相关联的知识点，根据错误的概率和次数对知识点无向图中的知识点的权重可以按照比例进行调整。以有效学习信息为用户在网站上对某部分知识点的搜索记录为例，根据用户对于知识点搜索使用的频率对知识点无向图中的知识点的权重进行调整。以有效学习信息为用户的在线提问记录为例，根据用户提问问题相关联的知识点对无向图中相应的知识点的权重进行调整。以有效学习信息为网页浏览记录为例，根据浏览网页的频率及网页中所涉及到的学习内容判断用户想了解的知识点，对无向图中相应的知识点的权重进行调整。以有效学习信息为学习资料的购买记录为例，根据用户所购买的学习资料判断用户想了解的知识点，对无向图中相应的知识点的权重进行调整。其中，根据用户的每一次学习动态所得到的有效学习信息，均对每一次学习动态中所涉及到的知识点的权重进行对应的更新。通过形成知识点无向图及对知识点无向图中知识点的权重的实时更新，从而持续、智能的跟踪用户的学习动态，得出最真实的反映用户自身特点的知识点掌握结果。

根据知识点之间的关联强度和知识点的权重形成知识点无向图的步骤中，图中每一节点为一个知识点权重，根据知识点的分类结果，知识点所处的知识结构图的位置，可以判断出知识点之间的关联程度，通过节点之间的连线代表知识点两两之间的关联强度，用权重标示出对应知识点的掌握情况，从而形成知识点无向图。

根据知识点无向图中知识点的权重大小向所述用户推送学习资源的步骤中，权重即代表用户对相应知识点的掌握程度，如，权重越小，代表对该知识点的掌握越差，权重越大，代表对该知识点的掌握越好，可以根据权重按比例向用户推送匹配的学习资源。通过设置权值的方式，可以动态、直观的反映出用户的学习动态，了解弱势和优势，从而能够高效的帮助到用户。推送的频率可以是预设的时间间隔，也可以是根据知识点无向图中知识点权值的更新状况结合用户参考重大考试的临近时间设置不同的推送频率和推送不同学习强度的学习资料。

优选的，请参阅图2，该学习资源推荐方法还包括设置遗忘因子，根据遗忘因子调整知识点的权重的步骤。其中，遗忘因子可以为常数，对于知识点无向图中掌握较好的知识点的权值随着时间的变化进行预设比例的调整，从而可以促进知识点的巩固与复习。尤其是对于权值较高、又属于学历考试重要考点的知识点，通过设置遗忘因子，可以确保用户对于重要知识点的掌握程度，确保学习的效果。

优选的，请参阅图3，该学习资源推荐方法还包括确定与所述用户关联的最近邻其它用户，所述最近邻其它用户的知识点无向图与所述用户的知识点无向结构图具有最大相似度；根据所述最近邻其它用户的学习记录向所述用户推送学习资源。其中，所述最近邻其它用户与所述用户具有最大相似度是指，根据各个用户的知识点无向图，具有相同知识点的用户中，将每一位用户的知识点无向图均视为以知识点权重为分量的向量，计算向量之间的夹角，其中用户之间夹角越小的视为相似度越高，夹角最小的即为最大相似度。向量之间的夹角的计算公式如下：

$\cos <\stackrel{\&RightArrow;}{a},\stackrel{\&RightArrow;}{b}>=\frac{\stackrel{\&RightArrow;}{a},\stackrel{\&RightArrow;}{b}}{\left|\stackrel{\&RightArrow;}{a}\right|\&CenterDot;\left|\stackrel{\&RightArrow;}{b}\right|};$

其中，a，b分别为用户的知识点无向图中以知识点权重为分量的向量。根据相似度最高的最近邻其它用户的学习记录向用户推送学习资源可以充分利用用户之间的共性特点，从而形成更加准确和有参考价值的推荐结果。其中，学习记录包括用户的资料购买记录、做题记录、阅读记录等与学习有关的记录。

请参阅图4，为本发明另一实施例所提供的学习资源推荐系统，其包括采集模块10，用于采集用户学习信息；数据预处理模块20，用于对学习信息进行预处理得到有效学习信息；分析模块30，用于分析有效学习信息以提取知识点；获取模块40，用于根据有效学习信息获取知识点的权重；知识点无向图形成模块50，用于根据知识点之间的关联强度和知识点的权重形成知识点无向图；资料推送模块60，用于根据知识点无向图中知识点的权重大小向所述用户推送学习资源。

采集模块10所采集的用户学习信息包括获取用户在学习网站上的学习活动痕迹和用户注册的身份信息等。其中，学习活动痕迹包括在网站上对知识点的搜索记录、在线提问记录、网页浏览记录、学习资料的购买记录及模拟测试题的做题记录等。身份信息包括注册时填写的姓名、所在地区、所在学校和年级等。其中，用户学习信息还可以与用户身份匹配的历年学历考试考点，其中用户身份可以通过用户注册时采用的身份信息或者根据用户学习活动痕迹所确定用户身份信息。网站是指的特定的教育网站，采集模块10可以对用户在网站上的所有动作进行记录和备份。本实施例中，网站是指萤窗在线教育网站。

数据预处理模块20包括抽样单元和去噪单元。抽样单元对采集的用户的学习活动的记录按照预设比例进行抽选，对于使用记录特别多的用户，通过抽样可以提高后续数据分析的效率。去噪单元用于识别和删除错误的信息记录，例如：用户注册时填写的明显错误的信息；或者用户的网页浏览记录中大量浏览的是高三年级相关的学习资料，只有少数几次的点击了小学三年级的学习资料专区的网页记录，小学三年级相关的浏览记录可以视为是错误的信息记录，通过去噪的方式予以删除。

请同时参阅图5，分析模块30包括知识点确定单元31和知识点分类单元32。其中知识点确定单元31通过提取有效学习信息中与知识点相关的关键字从而确定知识点。知识点分类单元32对确定的知识点通过预设的分类算法或者规则对知识点进行分类。具体的可以采用决策树分类方法对知识点进行分类。通常，针对不同的学习用户均形成有知识结构图，网站的学习信息所涉及到的知识点均包含于对应的知识结构图的范围内，知识点确定单元根据有效学习信息对照知识结构图对其中所涉及到的相关的知识点进行匹配并提取。以有效学习信息为用户进行的某一次模拟测试为例，知识点确定单元31分析模拟中每一道题目并最终提取所有题目的相关知识点。知识点分类单元32则对知识点对照知识结构图进行相应的分类。

获取模块40根据有效学习信息获取知识点的权重包括首先对所有知识点预设一个初始值，然后根据有效学习信息判断用户对于知识点的掌握程度对相应知识点的权重进行调整。其中权值初始值可以是相同的值，也可是根据知识点的重要程度而设置为不同。知识点的权重的调整以有效学习信息所反应出来的对知识点的掌握程度按照预设的规则增加或者减少。以有效学习信息为用户进行的某一次模拟测试为例，根据测试的结果统计错题的数量，并分析出与所述错题相关联的知识点，根据错误的概率和次数对知识点的权重可以按照比例进行调整。以有效学习信息为用户在网站上对某部分知识点的搜索记录为例，根据用户对于知识点搜索使用的频率对相应知识点的权重按照次数或者比例进行调整。以有效学习信息为用户的在线提问记录为例，根据用户提问问题相关联的知识点对相关知识点的权重依据预设比例进行调整。以有效学习信息为网页浏览记录为例，根据浏览网页的频率及网页中所涉及到的学习内容判断用户想了解的知识点，对相应的知识点的权重进行调整。以有效学习信息为学习资料的购买记录为例，根据用户所购买的学习资料判断用户想了解的知识点，对无向图中相应的知识点的权重进行调整。用户的每一次学习记录经过数据预处理模块所形成的有效学习信息，获取模块40均会根据这些有效学习信息判断用户对于知识点的掌握的动态变化情况，对知识点的权重进行动态更新。通过形成知识点无向图及对知识点无向图中知识点的权重的实时更新，从而能够实现持续、智能的跟踪用户的学习动态，得出最真实的反映用户自身特点的知识点掌握结果。

知识点无向图形成模块50以每一知识点权重为一个节点，根据知识点分类单元32对知识点的分类结果，知识点所处的知识结构图的位置，可以判断出知识点之间的关联程度，通过节点之间的连线代表知识点两两之间的关联强度，用权重标示出对应知识点的掌握情况，从而形成知识点无向图。

资料推送模块60根据知识点无向图中知识点的权重大小向所述用户推送学习资源，可以根据权重按比例向用户推送匹配的学习资源。一般而言，权重越小，代表对该知识点的掌握越差，权重越大，代表对该知识点的掌握越好。通过设置权值的方式，可以动态、直观的反映出用户的学习动态，了解弱势和优势，从而能够高效的帮助到用户。推送的频率可以是预设的时间间隔，也可以是根据知识点无向图中知识点权值的更新状况结合用户参考重大考试的临近时间设置不同的推送频率和推送不同学习强度的学习资料。

优选的，请参阅图5，该学习资源推荐系统还包括遗忘因子模块70，遗忘因子模块70与获取模块40连接，通过设置遗忘因子调整知识点的权值，并通过获取模块40对相应的权值进行及时更新。具体的，遗忘因子可以对知识点无向图中掌握较好的知识点的权值随着时间的变化进行预设比例的调整，从而可以促进对知识点的巩固与复习。尤其是对于权值较高、又属于学历考试中的重要考点的知识点，通过设置遗忘因子，可以确保用户对于重要知识点掌握的熟练程度，确保学习的效果。

优选的，请参阅图6，该学习资源推荐系统还包括确定模块80，用于确定与所述用户关联的最近邻其它用户，所述最近邻其它用户的知识点无向图与所述用户的知识点无向结构图具有最大相似度；所述资料推送模块60还用于根据所述最近邻其它用户的学习记录向所述用户推送学习资源。其中，所述最近邻其它用户与所述用户具有最大相似度是指，根据各个用户的知识点无向图，具有相同知识点的用户中，将每一位用户的知识点无向图均视为以知识点权重为分量的向量，计算向量之间的夹角，其中用户之间夹角越小的视为相似度越高，夹角最小的即为最大相似度。向量之间的夹角的计算公式如下：

$\cos <\stackrel{\&RightArrow;}{a},\stackrel{\&RightArrow;}{b}>=\frac{\stackrel{\&RightArrow;}{a},\stackrel{\&RightArrow;}{b}}{\left|\stackrel{\&RightArrow;}{a}\right|\&CenterDot;\left|\stackrel{\&RightArrow;}{b}\right|};$

其中，a，b分别为用户的知识点无向图中以知识点权重为分量的向量。根据相似度最高的最近邻其它用户的学习记录向用户推送学习资源可以充分利用用户之间的共性特点，从而形成更加准确和有参考价值的推荐结果。其中，学习记录包括用户的资料购买记录、做题记录、阅读记录等与学习有关的记录。

该学习资源推荐系统可以为不同的用户分别建立符合自身个性特点的知识点无向图，并实时跟踪用户的学习动态，智能记录和分析用户的学习进展，从而更加针对性的进行学习资源的推送，其至少具有以下有益效果：综合了用户动态学习情况，自测情况等因素进行知识掌握情况的分析进行推荐，提高了推荐的准确度，极大地方便了学生用户，提高学习效率与学习兴趣。通过学习资源推荐系统可以保留学生长期使用情况，学习记录，能够准确地针对每个学生用户的学习情况为他们提供个性化的推荐服务，设置遗忘因子，根据知识点掌握情况和时间变化，根据遗忘因子反馈情况推荐相关学习资源巩固知识点。在用户学习过程中向用户提供其他有价值的知识点推荐，用户能够从系统提供的推荐列表中获取自己确实需要但在没有想到的知识资源，从而有效提高了优秀教学资源的共享与传播。

以上描述了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明范围的限制。对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (10)

1.一种学习资源推荐方法，其包括：

采集用户的学习信息；

对所述学习信息进行预处理得到有效学习信息；

分析所述有效学习信息以提取知识点；

根据所述有效学习信息获取所述知识点的权重；

根据所述知识点之间的关联强度和所述知识点的权重形成知识点无向图；

根据所述知识点无向图中所述知识点的权重大小向所述用户推送学习资源。

2.如权利要求1中所述的学习资源推荐方法，其特征在于：所述学习信息包括用户在学习网站上的学习活动痕迹，所述学习活动痕迹包括对知识点的搜索记录、在线提问记录、网页浏览记录、学习资料的购买记录以及测试题做题记录。

3.如权利要求1中所述的学习资源推荐方法，其特征在于：还包括：

确定与所述用户最近邻的其它用户，所述最近邻的其它用户的知识点无向图与所述用户的知识点无向结构图具有最大相似度；

根据所述最近邻的其它用户的学习记录向所述用户推送学习资源。

4.如权利要求1中所述的学习资源推荐方法，其特征在于：所述分析所述有效学习信息以提取知识点的步骤中，包括根据所述有效学习信息确定与所述有效学习信息相关联的知识点及对所述知识点进行分类。

5.如权利要求1中所述的学习资源推荐方法，其特征在于：所述根据所述有效学习信息获取所述知识点的权重的步骤包括：

对所述知识点预设一个权重初始值；

根据所述有效学习信息判断用户对于知识点的掌握程度以对相应知识点的权重进行调整。

6.如权利要求1中所述的学习资源推荐方法，其特征在于：还包括：

设置遗忘因子，根据所述遗忘因子调整所述知识点的权重。

7.一种学习资源推荐系统，其特征在于：包括：

采集模块，用于采集用户的学习信息；

数据预处理模块，用于对所述学习信息进行预处理得到有效学习信息；

分析模块，用于分析所述有效学习信息以提取知识点；

获取模块，用于根据所述有效学习信息获取所述知识点的权重；

知识点无向图形成模块，用于根据所述知识点之间的关联强度和所述知识点的权重形成知识点无向图；

资料推送模块，用于根据所述知识点无向图中所述知识点的权重大小向所述用户推送学习资源。

8.如权利要求7所述的学习资源推荐系统，其特征在于：所述分析模块包括知识点确定单元和知识点分类单元，所述知识点确定单元能够根据所述有效学习信息确定与所述有效学习信息相关联的知识点，所述知识点分类单元能够对所述知识点进行分类。

9.如权利要求7所述的学习资源推荐系统，其特征在于：还包括与所述获取模块连接的遗忘因子模块，所述遗忘因子模块通过设置遗忘因子调整所述知识点的权值。

10.如权利要求7所述的学习资源推荐系统，其特征在于：还包括：

确定模块，用于确定与所述用户关联的最近邻其它用户，所述最近邻其它用户的知识点无向图与所述用户的知识点无向结构图具有最大相似度；

所述资料推送模块还用于根据所述最近邻其它用户的学习记录向所述用户推送学习资源。