CN105718582A

CN105718582A - 一种E-learning平台下学习资源个性化推荐系统及方法

Info

Publication number: CN105718582A
Application number: CN201610050699.1A
Authority: CN
Inventors: 付芬; 豆育升; 卢国丽
Original assignee: Chongqing University of Post and Telecommunications
Current assignee: Chongqing University of Post and Telecommunications
Priority date: 2016-01-25
Filing date: 2016-01-25
Publication date: 2016-06-29
Anticipated expiration: 2036-01-25
Also published as: CN105718582B

Abstract

本发明请求保护一种E?learning平台下学习资源个性化推荐系统及方法。系统主要包括：管理模块：主要用于对用户信息进行管理和学习资源的管理；推荐策略模块，用于向登录学习平台的用户推荐学习资源；数据库模块，用于存放所需要的包括信息表在内的各种基础数据。方法的步骤包括：用户登录学习系统，包括对学习资源进行学习和评分，根据本发明优化后的协同过滤推荐算法为用户推荐出可能感兴趣的学习资源。本发明优化后的方法解决了传统的协同过滤算法中由于评分矩阵稀疏带来的相似性计算不准确问题，此外，考虑了用户兴趣漂移，引入时间因子，最终提高了学习资源个性化推荐的效率和准确度。

Description

一种E-learning平台下学习资源个性化推荐系统及方法

技术领域

本发明属于E-learning平台下数据挖掘领域，具体涉及一种E-learning平台下学习资源个性化推荐系统及方法。

背景技术

随着互联网的发展，学习活动从教室扩展到Internet，出现了很多E-learning平台，但是现如今的在线学习系统还存在很多的缺陷:教学资源利用率不高；学习资源数不胜数,学习者如大海捞针一般无法快速地找到所需的资源；学习者需要手动输入描述词汇进行搜索,系统不能根据用户自身的信息主动推荐。这些缺陷使得网络学习失去了原有的优势,因此,急需将个性化服务融入到E-learning平台中。这样通过系统的主动推送使用户能够快速、准确地获取所需的资源,而不必自己去检索、寻找资源,从而提高了用户找寻资源的效率,为用户节省大量的时间。另外,通过个性化推荐技术,可以保证推荐资源的质量,提高资源利用率,为处于“学习迷航”的学习者指明学习方向。

个性化推荐技术在电子商务领域的应用非常成功，而应用于学习平台的个性化推荐仍然是理论大于实践，协同过滤推荐算法不会受到推荐资源的复杂性和多样性的限制，但是由于协同过滤推荐算法中存在的数据稀疏性问题会在很大程度上导致推荐资源的不准确性。因此针对以上描述的问题和缺陷，广大用户迫切需要能够高效的主动推荐学习资源的个性化系统。

发明内容

针对以上现有技术的不足，提出了一种E-learning平台下学习资源个性化推荐系统及方法。。本发明的技术方案如下：一种E-learning平台下学习资源个性化推荐系统，其包括：管理模块、推荐策略模块及数据库模块，其中

管理模块：主要用于对用户信息进行管理和学习资源的管理；

推荐策略模块，用于向登录学习平台的用户推荐学习资源；

数据库模块，用于存放系统所需要的包括信息表在内的各种基础数据，数据库模块与管理模块之间是数据之间的存放关系，管理模块中产生的数据表都会存入数据库中，管理模块中的用户信息、学习资源信息各自的管理都会产生相应的数据表。

进一步的，所述管理模块，包括用户管理模块和学习资源管理模块，所述用户管理模块主要是对用户的登录、注册信息进行管理；学习资源管理模块主要包括学习资源的类型管理以及用户对资源的操作，学习资源的类型主要包括视频资源和文本资源，所述的用户对资源的操作，主要有评分、点赞、下载以及分享。

进一步的，所述推荐策略模块，主要包括热门学习资源推荐模块和协同过滤推荐模块：其中

a)热门学习资源推荐模块，主要针对新用户，当新用户初次进入系统后，通过热门学习资源排行对新用户进行推荐，并要求新用户对热门学习资源进行评分，初次预测用户的学习兴趣；

b)协同过滤推荐模块，主要针对的是非新用户，通过分析用户对学习资源的评分来计算用户间的相似度，寻找出最近邻居集，根据相似用户的学习经历对目标用户进行推荐；

进一步的，所述数据库模块存放有包括：用户信息表、用户对资源学习的数据表格信息、学习资源类型表、资源评分表。

进一步的，所述协同过滤推荐模块采用协同过滤推荐算法，包括步骤：

首先，构建用户资源评价矩阵，即E-learning平台中用户对资源的评分；然后，设置共同评分数量门限值T；

其次，判断用户共同评分项目数量是否大于T，若是，则使用传统的相似度计算方法并产生最近邻居集合，否则，则使用优化后的相似度计算方法并产生最近邻居集合；再次，使用加入时间函数得评分预测公式预测用户对资源的评分；最后对用户产生推荐。

一种E-learning平台下学习资源个性化推荐方法，其包括以下步骤：

a)获取用户-资源评分矩阵；包括m个用户对n个资源的评分，形成m×n矩阵。

b)选择相似度计算公式，计算产生最近邻居集合；设置用户共同评分数量阈值T,若共同评分数量<T，则使用改进的相似度计算方法；反之，则使用余弦相似度或者皮尔森相关系数相似度计算方法；

c)引入时间函数，评分预测计算并产生推荐结果，。

进一步的，所述步骤b)改进的相似度计算方法为：

S_{U, V} = \frac{\underset{i &Element; R U, V}{Σ} F (r_{U, i}, r_{V, i})}{| R_{U, V} |}

r_{m} = \frac{R a t i n g S t a r t + R a t i n g E n d}{2}

其中S_U,V表示用户U与用户V的相似度；R_U,V表示用户U和用户V的共同评分资源集合；r_U,i表示用户U对资源i的评分；r_V,i表示用户V对资源i的评分；表示用户U对资源的平均评分；表示用户V对资源的平均评分；

F(r_U,i,r_V,i)表示包含用户u对资源i的评分、用户V对资源i的评分的评分约束函数；d_i表示用户U和用户V对资源i评分的绝对距离；r_m表示系统设定的评分范围的评分中值；RatingStart表示系统设置评分范围的其实质；RatingEnd表示系统设置的评分范围的结束值。

进一步的，所述步骤c)引入时间函数，具体为：

P_{U, i} = \overset{&OverBar;}{r_{U}} + \frac{\underset{X &Element; N_{U}}{Σ} S_{U, V} (r_{X, i} - \overset{&OverBar;}{r_{U}}) f_{t}}{\underset{X &Element; N_{U}}{Σ} S_{U, V} f_{t}}

f_{t} = {Ne}^{- {μt}_{u i}}

P_U,i表示用户U对资源i的预测评分；表示用户U对所有资源的平均评分；r_X,i表示表示用户X对资源i的评分；f_t表示本发明提出的时间函数；

其中，表示用户U对资源的平均评分；

S_U,V表示用户U与用户V的相似度；

r_X,i表示用户X对资源i的评分；

N_U表示与用户U最相似的邻居集合；

X表示用户U最相似的邻居集合中的用户之一；

f_t表示时间函数，时间函数越大，用户兴趣越新，t_ui表示用户对学习资源的评分时间；

N和μ为时间衰减参数。

本发明的优点及有益效果如下：

1.本发明充分借鉴了电子商务中协同过滤推荐算法的优点，将协同过滤技术与学习平台相结合，不仅大大的提高了在线学习资源的利用率，还能在很大程度上为广大的用户解决学习迷航的问题。

2.充分考虑了传统算法中由于数据稀疏性带来的相似度计算出现的不准确缺陷，通过优化后的计算方法能够显著的提高相似度计算的准确率，最终提高系统推荐的精度。

3.充分考虑用户兴趣漂移现象，加入时间函数，从而大大提高了推荐的准确率。

附图说明

图 1是本发明提供优选实施例E-learning平台下学习资源个性化推荐推荐系统总体框架图；

图 2为本发明所述的系统推荐流程图；

图 3为本发明所述的推荐算法流程图。

具体实施方式

以下结合附图，对本发明作进一步说明：

如图 1所示，本发明的E-learning平台下学习资源个性化推荐推荐系统总体框架图，包括管理模块2、推荐策略模块3、数据库模块4。

所述管理模块2，主要包括对用户信息的管理和学习资源的管理；所述管理模块，用户管理则存储用户的详细个人信息，包括对用户学习兴趣的调查等；学习资源管理则存储学习资源的详细信息，包括资源类型，所属专业、以及用户对资源的分享、下载等操作等。

所述推荐策略模块3，用于向登录学习平台的用户推荐学习资源；所述推荐策略模块，主要包括：

a)热门学习资源推荐，主要针对新用户，当新用户初次进入系统后，通过热门学习资源排行对新用户进行推荐，并要求新用户对热门学习资源进行评分，初次预测用户的学习兴趣；

b)协同过滤推荐，主要针对的是非新用户，通过分析用户对学习资源的评分来计算用户间的相似度，寻找出最近邻居集，根据相似用户的学习经历对目标用户进行推荐；所述推荐策略模块是本发明的核心模块，主要包括以下步骤：

b)选择相似度计算公式，计算产生最近邻居集合；设置用户共同评分数量阈值T,若共同评分数量<T，则使用本发明改进的新的相似度计算方法；反之，则使用传统的相似度计算方法，本系统使用的传统的相似度计算方法为余弦相似度或者皮尔森相关系数；优化后的相似度计算方法如下：

S_{U, V} = \frac{\underset{i &Element; R_{U, V}}{Σ} F (r_{U, i}, r_{V, i})}{| R_{U, V} |}

r_{m} = \frac{R a t i n g S t a r t + R a t i n g E n d}{2}

本系统使用的传统的相似度计算方法为皮尔森相关系数，计算公式如下：

S_{U, V} = \frac{\underset{i &Element; R_{U, V}}{Σ} (r_{U, i} - \overset{&OverBar;}{r_{U}}) (r_{V, i} - \overset{&OverBar;}{r_{V}})}{\sqrt{\underset{i &Element; R_{U, V}}{Σ} {(r_{U, i} - \overset{&OverBar;}{r_{U}})}^{2} \underset{i &Element; R_{U, V}}{Σ} {(r_{V, i} - \overset{&OverBar;}{r_{V}})}^{2}}}

其中，S_U,V表示用户U与用户V的相似度；

R_U,V表示用户U和用户V的共同评分资源集合；

r_U,i表示用户U对资源i的评分；

r_V,i表示用户V对资源i的评分；

表示用户U对资源的平均评分；

表示用户V对资源的平均评分；

c)评分预测并产生推荐结果，本发明考虑了用户兴趣漂移现象，引入时间函数，则评分预测公式如下：

P_{U, i} = \overset{&OverBar;}{r_{U}} + \frac{\underset{X &Element; N_{U}}{Σ} S_{U, V} (r_{X, i} - \overset{&OverBar;}{r_{U}}) f_{t}}{\underset{X &Element; N_{U}}{Σ} S_{U, V} f_{t}}

f_{t} = {Ne}^{- {μt}_{u i}}

更进一步地，所述E-learning平台下学习资源个性化推荐方法及系统中，考虑到用户兴趣漂移现象，用户在选择学习资源的过程中学习兴趣发生偏移，影响兴趣偏移的最大因素则是时间，因此在本发明所述的协同过滤推荐算法中考虑了时间函数，时间函数越大，用户的需求就越新。

所述数据库模块4，用于存放支撑本发明所述学习资源推荐系统所需要的各种信息表等基础数据；所述数据库模块，存放的是本发明所述学习资源推荐系统所需要的各种信息表，例如，用户信息表、学习资源类型表、资源评分表等。

用户1登录系统，与系统进行交互，用户的信息以及用户对学习资源的学习被后台记录，产生的数据表被记录到数据库模块4，系统根据用户的评分信息分析计算用户的兴趣，通过推荐策略模块3向用户1产生推荐。

参考图 2，给出了本发明所述的系统推荐流程图。用户首先登录系统，判断是否为新用户，若是新用户，则要求用户对热门学习资源首次进行评分，然后使用本发明优化后的协同过滤推荐算法；若是非新用户，则直接使用本发明优化后的协同过滤推荐算法；最后给出推荐列表

参考图 3，本发明所述的推荐算法流程图。首先，构建用户资源评价矩阵，即E-learning平台中用户对资源的评分；然后，由于系统中用户对资源的共同评分项目稀疏，因此本发明需要设置共同评分数量门限值T；其次，判断用户共同评分项目数量是否大于T，若是，则使用传统的相似度计算方法并产生最近邻居集合，否则，则使用本发明优化后的相似度计算方法并产生最近邻居集合；再次，使用加入时间函数得评分预测公式预测用户对资源的评分；最后对用户产生推荐。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims

1.一种E-learning平台下学习资源个性化推荐系统，其特征在于，包括：管理模块、推荐策略模块及数据库模块，其中

推荐策略模块，用于向登录学习平台的用户推荐学习资源；

2.根据权利要求1所述的E-learning平台下学习资源个性化推荐系统，其特征在于，所述管理模块，包括用户管理模块和学习资源管理模块，所述用户管理模块主要是对用户的登录、注册信息进行管理；学习资源管理模块主要包括学习资源的类型管理以及用户对资源的操作，学习资源的类型主要包括视频资源和文本资源，所述的用户对资源的操作，主要有评分、点赞、下载以及分享。

3.根据权利要求1或2所述的E-learning平台下学习资源个性化推荐系统，其特征在于，所述推荐策略模块，主要包括热门学习资源推荐模块和协同过滤推荐模块：其中

b)协同过滤推荐模块，主要针对的是非新用户，通过分析用户对学习资源的评分来计算用户间的相似度，寻找出最近邻居集，根据相似用户的学习经历对目标用户进行推荐。

4.根据权利要求1或2所述的E-learning平台下学习资源个性化推荐系统，其特征在于，所述数据库模块存放有包括：用户信息表、用户对资源学习的数据表格信息、学习资源类型表、资源评分表。

5.根据权利要求3所述的E-learning平台下学习资源个性化推荐系统，其特征在于，所述协同过滤推荐模块采用协同过滤推荐算法，包括步骤：

其次，判断用户共同评分项目数量是否大于T，若是，则使用传统的相似度计算方法并产生最近邻居集合，否则，则使用优化后的相似度计算方法并产生最近邻居集合；

再次，使用加入时间函数得评分预测公式预测用户对资源的评分；最后对用户产生推荐。

6.一种E-learning平台下学习资源个性化推荐方法，其特征在于，包括以下步骤：

a)获取用户-资源评分矩阵；包括m个用户对n个资源的评分，形成m×n矩阵；

c)引入时间函数，评分预测计算并产生推荐结果。

7.根据权利要求6所述的E-learning平台下学习资源个性化推荐方法，其特征在于，所述步骤b)改进的相似度计算方法为：

8.根据权利要求6所述的E-learning平台下学习资源个性化推荐方法，其特征在于，所述步骤c)引入时间函数，具体为：

P_U,i表示用户U对资源i的预测评分；表示用户U对所有资源的平均评分；r_X,i表示表示用户X对资源i的评分；f_t表示时间函数；其中，表示用户U对资源的平均评分；S_U,V表示用户U与用户V的相似度；r_X,i表示用户X对资源i的评分；N_U表示与用户U最相似的邻居集合；X表示用户U最相似的邻居集合中的用户之一；f_t表示时间函数，时间函数越大，用户兴趣越新，t_ui表示用户对学习资源的评分时间；N和μ为时间衰减参数。