CN106682035A - 一种个性化学习推荐方法及装置 - Google Patents

Abstract

本发明提供了一种个性化学习推荐方法及装置，解决由于现有个性化学习方案缺少对用户学习环境的关注，从而影响用户的学习效率和学习效果的问题。本发明的方法包括：获取目标用户当前所处环境的环境信息及目标用户的用户学习信息；根据所述环境信息及用户学习信息，确定待推荐样本模型，待推荐样本模型包括推荐环境样本和推荐用户样本，其中，推荐环境样本与所述目标环境的相似度大于第一预设阈值，所述推荐用户样本与目标用户的相似度大于第二预设阈值；根据所述推荐样本模型，确定与推荐样本模型对应的推荐学习信息，并将所述推荐学习信息推荐给目标用户。本发明实施例能够提供更加真实的学习场景，从而能够提高学习者的学习效果及学习效率。

Description

一种个性化学习推荐方法及装置

技术领域

本发明涉及数据推荐技术领域，特别是指一种个性化学习推荐方法及装置。

背景技术

目前的个性化学习方案，以在线学习行为的数据和静态的学习能力测试数据为基础，这些数据主要是与学习行为本身相关，缺少对用户外部学习环境的关注。随着智能手机的普及，移动环境下的碎片化学习正在成为主流的学习方式，与传统基于PC的学习不同，移动碎片化学习需要关注到学习者外部的地理和时间环境，而目前的个性化学习方案缺少对用户外部学习环境的关注，不利于提升用户的学习效果和学习效率。

同时在知识地图的构建上，需要实现了解不同知识点之间的逻辑关系，并按照知识点之间的联系组成知识地图，这种对知识的组织管理方式需要相关学科的专业人员深度参与，无论是效率还是成本，都非常的高昂，造成个性化学习的内容生产低效、质量不高，使知识地图成为阻碍个性化学习规模发展的重要因素。

发明内容

本发明的目的在于提供一种个性化学习推荐方法及装置，用以解决由于现有个性化学习方案缺少对用户学习环境的关注，从而影响用户的学习效率和学习效果的问题。

为了实现上述目的，本发明提供了一种个性化学习推荐方法，包括：

获取目标用户当前所处环境的环境信息及所述目标用户的用户学习信息；

根据所述环境信息及所述用户学习信息，确定待推荐样本模型，所述待推荐样本模型包括推荐环境样本和推荐用户样本，其中，所述推荐环境样本与所述目标环境的相似度大于第一预设阈值，所述推荐用户样本与所述目标用户的相似度大于第二预设阈值；

根据所述推荐样本模型，确定与所述推荐样本模型对应的推荐学习信息，并将所述推荐学习信息推荐给所述目标用户。

其中，在所述根据所述推荐样本模型，确定与所述推荐样本模型对应的推荐学习信息，并将所述推荐学习信息推荐给所述目标用户之后，所述方法还包括：

获取所述目标用户根据所述推荐学习信息进行学习后的学习效果；

若所述目标用户的学习效果低于预设样本库中每个样本模型对应的学习效果，则根据所述目标环境的环境信息及所述目标用户的用户学习信息，建立临时样本个体；

当匹配的多个临时样本个体的数量大于第三预设阈值时，则根据所述多个临时样本个体，生成新的样本模型并存储于所述预设样本库中，所述匹配是指临时样本个体之间的相似度大于第四预设阈值。

其中，所述根据所述环境信息及所述用户学习信息，确定待推荐样本模型，包括：

根据所述环境信息，计算所述目标环境与预设样本库中环境样本的相似度，并获取与所述目标环境的相似度大于第一预设阈值的推荐环境样本；

根据所述用户学习信息，计算所述目标用户与所述预设样本库中用户样本的相似度，并获取与所述目标用户的相似度大于第二预设阈值的推荐用户样本；

根据所述推荐环境样本及所述推荐用户样本，确定所述待推荐样本模型。

其中，所述根据所述推荐样本模型，确定与所述推荐样本模型对应的推荐学习信息，包括：

根据所述目标用户的历史学习信息，在知识地图中获取所述待推荐样本模型对应的推荐学习信息，所述知识地图中记录有按照K最近邻算法预先统计到的、特定用户在特定环境下学习频率大于所述第五预设阈值的学习信息。

其中，所述将所述推荐学习信息推荐给所述目标用户，包括：

对所述推荐学习信息进行优化和排序处理，并将优化和排序处理后的推荐学习信息推荐给所述目标用户。

本发明还提供了一种个性化学习推荐装置，包括：

第一获取模块，用于获取目标用户当前所处环境的环境信息及所述目标用户的用户学习信息；

第一确定模块，用于根据所述环境信息及所述用户学习信息，确定待推荐样本模型，所述待推荐样本模型包括推荐环境样本和推荐用户样本，其中，所述推荐环境样本与所述目标环境的相似度大于第一预设阈值，所述推荐用户样本与所述目标用户的相似度大于第二预设阈值；

第二确定模块，用于根据所述推荐样本模型，确定与所述推荐样本模型对应的推荐学习信息，并将所述推荐学习信息推荐给所述目标用户。

其中，上述个性化学习推荐装置，还包括：

第二获取模块，用于获取所述目标用户根据所述推荐学习信息进行学习后的学习效果；

建立模块，用于若所述目标用户的学习效果低于预设样本库中每个样本模型对应的学习效果，则根据所述目标环境的环境信息及所述目标用户的用户学习信息，建立临时样本个体；

生成模块，用于当匹配的多个临时样本个体的数量大于第三预设阈值时，则根据所述多个临时样本个体，生成新的样本模型并存储于所述预设样本库中，所述匹配是指临时样本个体之间的相似度大于第四预设阈值。

其中，所述第一确定模块包括：

第一计算单元，用于根据所述环境信息，计算所述目标环境与预设样本库中环境样本的相似度，并获取与所述目标环境的相似度大于第一预设阈值的推荐环境样本；

第二计算单元，用于根据所述用户学习信息，计算所述目标用户与所述预设样本库中用户样本的相似度，并获取与所述目标用户的相似度大于第二预设阈值的推荐用户样本；

确定单元，用于根据所述推荐环境样本及所述推荐用户样本，确定所述待推荐样本模型。

其中，所述第二确定模块包括：

获取单元，用于根据所述目标用户的历史学习信息，在知识地图中获取所述待推荐样本模型对应的推荐学习信息，所述知识地图中记录有按照K最近邻算法预先统计到的、特定用户在特定环境下学习频率大于所述第五预设阈值的学习信息。

其中，所述第二确定模块包括：

推荐单元，用于对所述推荐学习信息进行优化和排序处理，并将优化和排序处理后的推荐学习信息推荐给所述目标用户。

本发明实施例具有以下有益效果：

本发明实施例的个性化推荐方法，获取目标用户当前所处环境的环境信息及目标用户的用户学习信息，根据所述环境信息及所述用户学习信息，确定待推荐样本模型，并进一步确定与待推荐样本模型对应的推荐学习信息，最后将所述推荐学习信息推荐给用户，本发明实施例将用户的学习环境引入到个性化学习方案中，与只关注学习者的学习能力和知识水平的传统方法相比，本发明实施例提供更加真实的学习场景，从而能够提高学习者的学习效果及学习效率。

附图说明

图1为本发明实施例的个性化学习推荐方法的第一工作流程图；

图2为本发明实施例的个性化学习推荐方法的第二工作流程图；

图3为本发明实施例的个性化学习推荐方法的第三工作流程图；

图4为本发明实施例的个性化学习推荐装置的结构示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合具体实施例及附图进行详细描述。

目前在教育领域，个性化学习是对用户的学习能力静态评估和动态学习行为数据采集为基础的，即通过在线的方式获取用户对知识的掌握程度，为用户提供个性化的学习建议指导，同时在用户的在线学习过程中，通过采集用户学习的行为，再动态调整学习内容和学习路径。在目前的方案中，个性化学习的核心侧重在知识地图的构建和用户学习能力平台和学习行为检测，缺少对用户外部学习环境的关注，导致用户的学习效果和学习效率受到限制。

因此，本发明的实施例提供了一种个性化学习推荐方法及装置，解决了由于现有个性化学习方案缺少对用户学习环境的关注，从而影响用户的学习效率和学习效果的问题。

第一实施例：

如图1所示，本发明实施例的个性化学习推荐方法，包括：

步骤11：获取目标用户当前所处环境的环境信息及所述目标用户的用户学习信息。

这里，可具体通过该目标用户自身携带或者部署在目标用户学习地点的外部环境信息采集设备来获取上述环境信息，该环境信息采集设备可具体包括图像采集设备、GPS传感器、光照传感器、加速度传感器、心率传感器、噪声传感器等。本发明实施例通过上述环境信息采集设备对用户的学习环境进行采集，确定用户的学习环境，形成模式固化的典型移动学习场景，比如固定教室、汽车驾驶、火车旅行、运动跑步、乘坐公交等移动学习场景。

上述的用户学习信息可包括用户的基本信息及用户的在线学习信息，其中，用户的基本信息可具体包括：用户的年龄、性别及受教育程度等，用户的在线学习信息主要是指与用户在线学习行为相关的数据，如当前知识的掌握程度信息、上一次的学习历史记录信息等。

步骤12：根据所述环境信息及所述用户学习信息，确定待推荐样本模型，所述待推荐样本模型包括推荐环境样本和推荐用户样本，其中，所述推荐环境样本与所述目标环境的相似度大于第一预设阈值，所述推荐用户样本与所述目标用户的相似度大于第二预设阈值。

在本发明的具体实施例中，在确定用户的学习环境及用户学习信息之后，系统把学习环境信息及用户学习信息作为变量输入到个性化推荐系统，得到待推荐样本模型，具体的，个性化推荐系统根据所述环境信息，计算所述目标环境与预设样本库中环境样本的相似度，并获取与所述目标环境的相似度大于第一预设阈值的推荐环境样本；根据所述用户学习信息，计算所述目标用户与所述预设样本库中用户样本的相似度，并获取与所述目标用户的相似度大于第二预设阈值的推荐用户样本；根据所述推荐环境样本及所述推荐用户样本，确定所述待推荐样本模型，进一步地，该待推荐样本模型可具体为一环境-用户二维相似矩阵。本发明实施例按照环境相似和用户相似两个指标计算该用户在特定环境下需要学习的下一步内容，同时计算后续的学习路径。另外，在本发明的具体实施例中，可具体通过余弦算法等来计算两个样本之间的相似度。

步骤13：根据所述推荐样本模型，确定与所述推荐样本模型对应的推荐学习信息，并将所述推荐学习信息推荐给所述目标用户。

具体的，根据所述目标用户的历史学习信息，在知识地图中获取所述待推荐样本模型对应的推荐学习信息，对所述推荐学习信息进行优化和排序处理，并将优化和排序处理后的推荐学习信息推荐给所述目标用户。所述知识地图中记录有按照K最近邻算法预先统计到的、特定用户在特定环境下学习频率大于所述第五预设阈值的学习信息。

在知识地图建立的方面，系统引入深度学习技术作为新的知识地图建立的方法。本发明实施例选择主流的机器学习算法-k最近邻(k-Nearest Neighbor，KNN)分类算法，作为知识地图优化的算法。系统在静态的知识地图中引入用户环境信息，作为K最近邻算法的输入，当相同学习环境下的人，对特定知识点的学习频率超过特定阀值后，系统对这些知识点进行合并，合并为在同一学习环境下的知识点。当相似用户进入相似环境下学习时，这些之前不同的知识点被看作同一个知识点推荐给用户学习，本发明实施例中基于环境信息动态更新知识地图的方法缩短了用户学习路径的距离和复杂度。

本发明实施例，把学习者的环境信息作为影响用户学习的重要因素引入到个性化学习推荐技术中，并把学习环境作为构建知识地图的关键因素，为用户提供更加真实的学习场景信息，能够提高学习者的学习效果。

第二实施例：

如图2所示，本发明实施例的个性化学习推荐方法，包括：

步骤21：获取目标用户当前所处环境的环境信息及所述目标用户的用户学习信息。

步骤22：根据所述环境信息及所述用户学习信息，确定待推荐样本模型，所述待推荐样本模型包括推荐环境样本和推荐用户样本，其中，所述推荐环境样本与所述目标环境的相似度大于第一预设阈值，所述推荐用户样本与所述目标用户的相似度大于第二预设阈值。

步骤23：根据所述推荐样本模型，确定与所述推荐样本模型对应的推荐学习信息，并将所述推荐学习信息推荐给所述目标用户。

步骤24：获取所述目标用户根据所述推荐学习信息进行学习后的学习效果。

步骤25：若所述目标用户的学习效果低于预设样本库中每个样本模型对应的学习效果，则根据所述目标环境的环境信息及所述目标用户的用户学习信息，建立临时样本个体。

步骤26：当匹配的多个临时样本个体的数量大于第三预设阈值时，则根据所述多个临时样本个体，生成新的样本模型并存储于所述预设样本库中，所述匹配是指临时样本个体之间的相似度大于第四预设阈值。

在本发明的具体实施例中，当用户开始学习时，系统记录其学习环境的变化、学习行为以及学习效果。如果该用户的学习效果低于预设样本库中环境-用户相似矩阵中所有用户的平均效果，则系统为该用户建立临时环境-用户相似矩阵，当进入临时矩阵的用户超过一定的阀值，则系统自动形成新的环境-用户相似矩阵并保存到预设样本库中。该实施例中系统按照环境-用户相似矩阵作为输入，通过知识地图形成用户特定环境下的学习路径和学习内容的推送。

第三实施例：

如图3所示，本发明实施例的个性化学习推荐方法，包括：

步骤S31：检测用户环境，得到用户环境信息，并将用户环境信息发送给数据分析处理模块。

步骤S32：数据分析处理模块根据所述用户环境信息，识别出用户的学习环境并发送给个性化推荐系统。

步骤S33：个性化推荐系统根据用户的学习环境，计算该学习环境与环境样本的相似度。

步骤S34：数据分析处理模块获取用户的学习信息并发送给个性化推荐系统。

步骤S35：个性化推荐系统根据用户的学习信息，计算该用户与用户样本的相似度。

步骤S36：个性化推荐系统根据环境相似度及用户相似度，得到与所述用户及所述用户的环境匹配的环境-用户相似矩阵。

步骤S37：知识地图根据环境-用户相似矩阵及用户历史学习记录信息，计算学习路径及学习内容并发送给个性化推荐系统。

步骤S38：个性化推荐系统对学习路径和学习内容进行优化和排序处理，并将发送给用户。

进一步地，如图3所示，本发明实施例的个性化学习推荐方法，还包括：

步骤S39：将用户环境信息作为k最近邻算法的输入，更新知识地图中的知识点学习信息。

本发明实施例，把学习者的环境信息作为影响用户学习的重要因素引入到个性化学习推荐技术中，并把学习环境作为构建知识地图的关键因素，为用户提供更加真实的学习场景信息，从而有效提高学习者的学习效果及学习效率。

第三实施例：

如图4所示，本发明的实施例还提供了一种个性化学习推荐装置，包括：

第一获取模块41，用于获取目标用户当前所处环境的环境信息及所述目标用户的用户学习信息；

第一确定模块42，用于根据所述环境信息及所述用户学习信息，确定待推荐样本模型，所述待推荐样本模型包括推荐环境样本和推荐用户样本，其中，所述推荐环境样本与所述目标环境的相似度大于第一预设阈值，所述推荐用户样本与所述目标用户的相似度大于第二预设阈值；

第二确定模块43，用于根据所述推荐样本模型，确定与所述推荐样本模型对应的推荐学习信息，并将所述推荐学习信息推荐给所述目标用户。

进一步地，本发明实施例的个性化学习推荐装置，还包括：

第二获取模块44，用于获取所述目标用户根据所述推荐学习信息进行学习后的学习效果；

建立模块45，用于若所述目标用户的学习效果低于预设样本库中每个样本模型对应的学习效果，则根据所述目标环境的环境信息及所述目标用户的用户学习信息，建立临时样本个体；

生成模块46，用于当匹配的多个临时样本个体的数量大于第三预设阈值时，则根据所述多个临时样本个体，生成新的样本模型并存储于所述预设样本库中，所述匹配是指临时样本个体之间的相似度大于第四预设阈值。

进一步地，所述第一确定模块42包括：

第一计算单元421，用于根据所述环境信息，计算所述目标环境与预设样本库中环境样本的相似度，并获取与所述目标环境的相似度大于第一预设阈值的推荐环境样本；

第二计算单元422，用于根据所述用户学习信息，计算所述目标用户与所述预设样本库中用户样本的相似度，并获取与所述目标用户的相似度大于第二预设阈值的推荐用户样本；

确定单元423，用于根据所述推荐环境样本及所述推荐用户样本，确定所述待推荐样本模型。

进一步地，所述第二确定模块43包括：

获取单元431，用于根据所述目标用户的历史学习信息，在知识地图中获取所述待推荐样本模型对应的推荐学习信息，所述知识地图中记录有按照K最近邻算法预先统计到的、特定用户在特定环境下学习频率大于所述第五预设阈值的学习信息。

进一步地，所述第二确定模块43包括：

推荐单元432，用于对所述推荐学习信息进行优化和排序处理，并将优化和排序处理后的推荐学习信息推荐给所述目标用户。

需要说明的是，该装置是与上述方法实施例对应的装置，上述方法实施例中所有实现方式均适用于该装置的实施例中，也能达到相同的技术效果。

本发明实施例的个性化学习推荐方法及装置，获取目标用户当前所处环境的环境信息及目标用户的用户学习信息，根据所述环境信息及所述用户学习信息，确定待推荐样本模型，并进一步确定与待推荐样本模型对应的推荐学习信息，最后将所述推荐学习信息推荐给用户，本发明实施例将用户的学习环境引入到个性化学习方案中，与只关注学习者的学习能力和知识水平的传统方法相比，本发明实施例提供更加真实的学习场景，从而能够提高学习者的学习效果及学习效率。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种个性化学习推荐方法，其特征在于，包括：

获取目标用户当前所处环境的环境信息及所述目标用户的用户学习信息；

根据所述环境信息及所述用户学习信息，确定待推荐样本模型，所述待推荐样本模型包括推荐环境样本和推荐用户样本，其中，所述推荐环境样本与所述目标环境的相似度大于第一预设阈值，所述推荐用户样本与所述目标用户的相似度大于第二预设阈值；

根据所述推荐样本模型，确定与所述推荐样本模型对应的推荐学习信息，并将所述推荐学习信息推荐给所述目标用户。

2.根据权利要求1所述的个性化学习推荐方法，其特征在于，在所述根据所述推荐样本模型，确定与所述推荐样本模型对应的推荐学习信息，并将所述推荐学习信息推荐给所述目标用户之后，所述方法还包括：

获取所述目标用户根据所述推荐学习信息进行学习后的学习效果；

若所述目标用户的学习效果低于预设样本库中每个样本模型对应的学习效果，则根据所述目标环境的环境信息及所述目标用户的用户学习信息，建立临时样本个体；

当匹配的多个临时样本个体的数量大于第三预设阈值时，则根据所述多个临时样本个体，生成新的样本模型并存储于所述预设样本库中，所述匹配是指临时样本个体之间的相似度大于第四预设阈值。

3.根据权利要求1所述的个性化学习推荐方法，其特征在于，所述根据所述环境信息及所述用户学习信息，确定待推荐样本模型，包括：

根据所述环境信息，计算所述目标环境与预设样本库中环境样本的相似度，并获取与所述目标环境的相似度大于第一预设阈值的推荐环境样本；

根据所述用户学习信息，计算所述目标用户与所述预设样本库中用户样本的相似度，并获取与所述目标用户的相似度大于第二预设阈值的推荐用户样本；

根据所述推荐环境样本及所述推荐用户样本，确定所述待推荐样本模型。

4.根据权利要求1所述的个性化学习推荐方法，其特征在于，所述根据所述推荐样本模型，确定与所述推荐样本模型对应的推荐学习信息，包括：

根据所述目标用户的历史学习信息，在知识地图中获取所述待推荐样本模型对应的推荐学习信息，所述知识地图中记录有按照K最近邻算法预先统计到的、特定用户在特定环境下学习频率大于所述第五预设阈值的学习信息。

5.根据权利要求1所述的个性化学习推荐方法，其特征在于，所述将所述推荐学习信息推荐给所述目标用户，包括：

对所述推荐学习信息进行优化和排序处理，并将优化和排序处理后的推荐学习信息推荐给所述目标用户。

6.一种个性化学习推荐装置，其特征在于，包括：

第一获取模块，用于获取目标用户当前所处环境的环境信息及所述目标用户的用户学习信息；

第一确定模块，用于根据所述环境信息及所述用户学习信息，确定待推荐样本模型，所述待推荐样本模型包括推荐环境样本和推荐用户样本，其中，所述推荐环境样本与所述目标环境的相似度大于第一预设阈值，所述推荐用户样本与所述目标用户的相似度大于第二预设阈值；

第二确定模块，用于根据所述推荐样本模型，确定与所述推荐样本模型对应的推荐学习信息，并将所述推荐学习信息推荐给所述目标用户。

7.根据权利要求6所述的个性化学习推荐装置，其特征在于，还包括：

第二获取模块，用于获取所述目标用户根据所述推荐学习信息进行学习后的学习效果；

建立模块，用于若所述目标用户的学习效果低于预设样本库中每个样本模型对应的学习效果，则根据所述目标环境的环境信息及所述目标用户的用户学习信息，建立临时样本个体；

生成模块，用于当匹配的多个临时样本个体的数量大于第三预设阈值时，则根据所述多个临时样本个体，生成新的样本模型并存储于所述预设样本库中，所述匹配是指临时样本个体之间的相似度大于第四预设阈值。

8.根据权利要求6所述的个性化学习推荐装置，其特征在于，所述第一确定模块包括：

第一计算单元，用于根据所述环境信息，计算所述目标环境与预设样本库中环境样本的相似度，并获取与所述目标环境的相似度大于第一预设阈值的推荐环境样本；

第二计算单元，用于根据所述用户学习信息，计算所述目标用户与所述预设样本库中用户样本的相似度，并获取与所述目标用户的相似度大于第二预设阈值的推荐用户样本；

确定单元，用于根据所述推荐环境样本及所述推荐用户样本，确定所述待推荐样本模型。

9.根据权利要求6所述的个性化学习推荐装置，其特征在于，所述第二确定模块包括：

获取单元，用于根据所述目标用户的历史学习信息，在知识地图中获取所述待推荐样本模型对应的推荐学习信息，所述知识地图中记录有按照K最近邻算法预先统计到的、特定用户在特定环境下学习频率大于所述第五预设阈值的学习信息。

10.根据权利要求6所述的个性化学习推荐装置，其特征在于，所述第二确定模块包括：

推荐单元，用于对所述推荐学习信息进行优化和排序处理，并将优化和排序处理后的推荐学习信息推荐给所述目标用户。