CN106682151A - 一种教育资源个性化推荐方法及系统 - Google Patents
一种教育资源个性化推荐方法及系统 Download PDFInfo
- Publication number
- CN106682151A CN106682151A CN201611203167.3A CN201611203167A CN106682151A CN 106682151 A CN106682151 A CN 106682151A CN 201611203167 A CN201611203167 A CN 201611203167A CN 106682151 A CN106682151 A CN 106682151A
- Authority
- CN
- China
- Prior art keywords
- resource
- user
- target
- similarity
- rating matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 100
- 238000012360 testing method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007630 basic procedure Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种教育资源个性化推荐方法及系统,方法步骤包括:1)预先设置用户‑资源评分矩阵R、资源关键词标签矩阵L、关键词标签相似性阈值St、资源评分相似性阈值S1,进行推荐时遍历选择目标资源x;针对每一个目标资源x,计算和用户‑资源评分矩阵R中其他任一资源y之间的相似度并筛选资源候选集SRx,计算目标资源x和资源候选集SRx中其他任一资源y之间的相似度并筛选最近领域集SRx1,基于最近领域集SRx1计算目标用户u对目标资源x的预测评分,选择TOP N个教育资源输出;系统包括输入程序模块、预测评分程序模块和选择推荐程序模块。本发明能够实现教育资源个性化推荐,为教育用户推荐更加精准的兴趣内教育资源,具有推荐准确可靠、方法实现简单的优点。
Description
技术领域
本发明涉及计算机领域的推荐技术,具体涉及一种教育资源个性化推荐方法及系统。
背景技术
随着信息技术以及互联网的发展,人们逐渐从信息匮乏的时代步入信息过载时代,在这个时代无论信息消费者还是信息生产者都遇到了很大的挑战:对于信息消费者,从大量信息中找到自己感兴趣的信息是一件非常困难的事情;对于信息生产者,让自己生产的信息脱颖而出,受到广大用户的关注,也是一件非常困难的事。在这一时代背景下,各种个性化推荐算法以及推荐系统层出不穷,且在电子商务领域取得了普遍应用。在教育资源领域,由于每个教育用户的学习精力有限,很多资源的自身属性特征完全不同,仅仅依靠评分来预测很可能会对用户推荐出和研究方向偏差较大的资源。另外,所有教育用户看到的资源都是一样的,缺少个性化。总之,教育资源领域的个性化推荐仍然处于起步研究阶段。
发明内容
本发明要解决的技术问题:针对现有技术的上述问题,提供一种能够实现教育资源个性化推荐,为教育用户推荐更加精准的兴趣内教育资源,推荐准确可靠、方法实现简单的教育资源个性化推荐方法及系统。
为了解决上述技术问题,本发明采用的技术方案为:
一方面,本发明提供一种教育资源个性化推荐方法,实施步骤包括:
1)预先设置用户-资源评分矩阵R、资源关键词标签矩阵L、关键词标签相似性阈值St、资源评分相似性阈值S1,所述用户-资源评分矩阵R为m×n维的用户-资源评分矩阵,用户-资源评分矩阵R中的每一个资源包含给定的k个具有代表性的关键词标签描述,所述资源关键词标签矩阵L为基于用户-资源评分矩阵R中的每一个资源包含给定的k个具有代表性的关键词标签描述建立的n×k的资源关键词标签矩阵;当需要针对用户-资源评分矩阵R中包含的目标用户u进行教育资源个性化推荐时,跳转执行步骤2);
2)从用户-资源评分矩阵R从遍历选择一个资源作为目标资源x;针对每一个目标资源x,依次根据资源关键词标签矩阵L计算目标资源x和用户-资源评分矩阵R中其他任一资源y之间的相似度,将相似度大于关键词标签相似性阈值St的资源y生成和目标资源x拥有相似关键词标签的资源候选集SRx,根据用户-资源评分矩阵R计算目标资源x和资源候选集SRx中其他任一资源y之间的相似度,将相似度大于资源评分相似性阈值S1的资源y生成目标资源x的最近领域集SRx1,基于最近领域集SRx1计算目标用户u对目标资源x的预测评分;
3)选择预测评分最高的前N个教育资源推荐给当前用户u。
优选地,步骤2)中计算目标资源x和用户-资源评分矩阵R中其他任一资源y之间的相似度的函数表达式如式(1)所示;
式(1)中,Sim(x,y)表示目标资源x和用户-资源评分矩阵R中其他任一资源y之间的相似度,xi表示资源x在k维空间上第i个关键词标签值,yi表示资源y在k维空间上第i个关键词标签值,k表示用户-资源评分矩阵R中的每一个资源包含具有代表性的关键词标签描述的数量。
优选地,步骤2)中计算目标资源x和资源候选集SRx中其他任一资源y之间的相似度的函数表达式如式(2)所示;
式(2)中,sim(i,j)表示目标资源x和资源候选集SRx中其他任一资源y之间的相似度,Ui,j表示对资源i和j都有评分的用户集合,Ru,i表示用户u对资源i的评分,表示用户u对资源i的平均评分,表示用户u对资源j的平均评分。
优选地,步骤2)中基于最近领域集SRx1计算目标用户u对目标资源x的预测评分函数表达式如式(3)所示;
式(3)中,Pu,x表示目标用户u对目标资源x的预测评分,表示用户u对资源x的平均评分,SRx1表示最近领域集SRx1,sim(x,j)表示目标资源x和资源候选集SRx中邻居j之间的相似度,Ru,j表示用户u对资源j的评分,表示用户u对资源j的平均评分。
另一方面,本发明还提供一种教育资源个性化推荐系统,包括:
输入程序模块,用于预先设置用户-资源评分矩阵R、资源关键词标签矩阵L、关键词标签相似性阈值St、资源评分相似性阈值S1,所述用户-资源评分矩阵R为m×n维的用户-资源评分矩阵,用户-资源评分矩阵R中的每一个资源包含给定的k个具有代表性的关键词标签描述,所述资源关键词标签矩阵L为基于用户-资源评分矩阵R中的每一个资源包含给定的k个具有代表性的关键词标签描述建立的n×k的资源关键词标签矩阵;当需要针对用户-资源评分矩阵R中包含的目标用户u进行教育资源个性化推荐时,跳转执行步骤2);
预测评分程序模块,用于从用户-资源评分矩阵R从遍历选择一个资源作为目标资源x;针对每一个目标资源x,依次根据资源关键词标签矩阵L计算目标资源x和用户-资源评分矩阵R中其他任一资源y之间的相似度,将相似度大于关键词标签相似性阈值St的资源y生成和目标资源x拥有相似关键词标签的资源候选集SRx,根据用户-资源评分矩阵R计算目标资源x和资源候选集SRx中其他任一资源y之间的相似度,将相似度大于资源评分相似性阈值S1的资源y生成目标资源x的最近领域集SRx1,基于最近领域集SRx1计算目标用户u对目标资源x的预测评分;
选择推荐程序模块,用于选择预测评分最高的前N个教育资源推荐给当前用户u。
优选地,所述预测评分程序模块计算目标资源x和用户-资源评分矩阵R中其他任一资源y之间的相似度的函数表达式如式(1)所示;
式(1)中,Sim(x,y)表示目标资源x和用户-资源评分矩阵R中其他任一资源y之间的相似度,xi表示资源x在k维空间上第i个关键词标签值,yi表示资源y在k维空间上第i个关键词标签值,k表示用户-资源评分矩阵R中的每一个资源包含具有代表性的关键词标签描述的数量。
优选地,所述预测评分程序模块计算目标资源x和资源候选集SRx中其他任一资源y之间的相似度的函数表达式如式(2)所示;
式(2)中,sim(i,j)表示目标资源x和资源候选集SRx中其他任一资源y之间的相似度,Ui,j表示对资源i和j都有评分的用户集合,Ru,i表示用户u对资源i的评分,表示用户u对资源i的平均评分,表示用户u对资源j的平均评分。
优选地,所述预测评分程序模块基于最近领域集SRx1计算目标用户u对目标资源x的预测评分函数表达式如式(3)所示;
式(3)中,Pu,x表示目标用户u对目标资源x的预测评分,表示用户u对资源x的平均评分,SRx1表示最近领域集SRx1,sim(x,j)表示目标资源x和资源候选集SRx中邻居j之间的相似度,Ru,j表示用户u对资源j的评分,表示用户u对资源j的平均评分。
本发明教育资源个性化推荐方法具有下述优点:本发明基于个性化协同过滤机制来进行教育资源个性化推荐,能够为教育用户推荐更加精准的兴趣内教育资源,充分考虑资源本身属性以及用户评分两种影响:在进行目标资源最近邻居查询时,首先基于资源关键词标签矩阵计算资源间相似性,筛选资源形成新的拥有相似关键词标签的资源候选集SRx,然后根据用户-资源评分矩阵R计算目标资源x和资源候选集SRx中其他任一资源y之间的相似度,将相似度大于资源评分相似性阈值S1的资源y生成目标资源x的最近领域集SRx1。最后依据传统协同过滤算法原理计算预测评分,最终做出推荐,能够实现教育资源个性化推荐,为教育用户推荐更加精准的兴趣内教育资源,具有推荐准确可靠、方法实现简单的优点。
本发明教育资源个性化推荐系统为本发明教育资源个性化推荐方法完全对应的程序模块构建的系统,因此同样也具有本发明前述教育资源个性化推荐方法的优点,在此不再赘述。
附图说明
图1为本发明实施例方法的基本流程示意图。
具体实施方式
如图1所示,本实施例教育资源个性化推荐方法的实施步骤包括:
1)预先设置用户-资源评分矩阵R、资源关键词标签矩阵L、关键词标签相似性阈值St、资源评分相似性阈值S1,所述用户-资源评分矩阵R为m×n维的用户-资源评分矩阵,用户-资源评分矩阵R中的每一个资源包含给定的k个具有代表性的关键词标签描述,所述资源关键词标签矩阵L为基于用户-资源评分矩阵R中的每一个资源包含给定的k个具有代表性的关键词标签描述建立的n×k的资源关键词标签矩阵;当需要针对用户-资源评分矩阵R中包含的目标用户u进行教育资源个性化推荐时,跳转执行步骤2);
2)从用户-资源评分矩阵R从遍历选择一个资源作为目标资源x;针对每一个目标资源x,依次根据资源关键词标签矩阵L计算目标资源x和用户-资源评分矩阵R中其他任一资源y之间的相似度,将相似度大于关键词标签相似性阈值St的资源y生成和目标资源x拥有相似关键词标签的资源候选集SRx,根据用户-资源评分矩阵R计算目标资源x和资源候选集SRx中其他任一资源y之间的相似度,将相似度大于资源评分相似性阈值S1的资源y生成目标资源x的最近领域集SRx1,基于最近领域集SRx1计算目标用户u对目标资源x的预测评分;
3)选择预测评分最高的前N个教育资源推荐给当前用户u。
本实施例中,步骤2)中计算目标资源x和用户-资源评分矩阵R中其他任一资源y之间的相似度的函数表达式如式(1)所示;
式(1)中,Sim(x,y)表示目标资源x和用户-资源评分矩阵R中其他任一资源y之间的相似度,xi表示资源x在k维空间上第i个关键词标签值,yi表示资源y在k维空间上第i个关键词标签值,k表示用户-资源评分矩阵R中的每一个资源包含具有代表性的关键词标签描述的数量。
本实施例中,步骤2)中计算目标资源x和资源候选集SRx中其他任一资源y之间的相似度的函数表达式如式(2)所示;
式(2)中,sim(i,j)表示目标资源x和资源候选集SRx中其他任一资源y之间的相似度,Ui,j表示对资源i和j都有评分的用户集合,Ru,i表示用户u对资源i的评分,表示用户u对资源i的平均评分,表示用户u对资源j的平均评分。
本实施例中,步骤2)中基于最近领域集SRx1计算目标用户u对目标资源x的预测评分函数表达式如式(3)所示;
式(3)中,Pu,x表示目标用户u对目标资源x的预测评分,表示用户u对资源x的平均评分,SRx1表示最近领域集SRx1,sim(x,j)表示目标资源x和资源候选集SRx中邻居j之间的相似度,Ru,j表示用户u对资源j的评分,表示用户u对资源j的平均评分。
本实施例教育资源个性化推荐方法具体是通过计算机程序的形式来实现的,基于计算机程序实现的本实施例教育资源个性化推荐方法对应的教育资源个性化推荐系统包括:
输入程序模块,用于预先设置用户-资源评分矩阵R、资源关键词标签矩阵L、关键词标签相似性阈值St、资源评分相似性阈值S1,所述用户-资源评分矩阵R为m×n维的用户-资源评分矩阵,用户-资源评分矩阵R中的每一个资源包含给定的k个具有代表性的关键词标签描述,所述资源关键词标签矩阵L为基于用户-资源评分矩阵R中的每一个资源包含给定的k个具有代表性的关键词标签描述建立的n×k的资源关键词标签矩阵;当需要针对用户-资源评分矩阵R中包含的目标用户u进行教育资源个性化推荐时,跳转执行步骤2);
预测评分程序模块,用于从用户-资源评分矩阵R从遍历选择一个资源作为目标资源x;针对每一个目标资源x,依次根据资源关键词标签矩阵L计算目标资源x和用户-资源评分矩阵R中其他任一资源y之间的相似度,将相似度大于关键词标签相似性阈值St的资源y生成和目标资源x拥有相似关键词标签的资源候选集SRx,根据用户-资源评分矩阵R计算目标资源x和资源候选集SRx中其他任一资源y之间的相似度,将相似度大于资源评分相似性阈值S1的资源y生成目标资源x的最近领域集SRx1,基于最近领域集SRx1计算目标用户u对目标资源x的预测评分;
选择推荐程序模块,用于选择预测评分最高的前N个教育资源推荐给当前用户u。
本实施例中,所述预测评分程序模块计算目标资源x和用户-资源评分矩阵R中其他任一资源y之间的相似度的函数表达式如式(1)所示;
式(1)中,Sim(x,y)表示目标资源x和用户-资源评分矩阵R中其他任一资源y之间的相似度,xi表示资源x在k维空间上第i个关键词标签值,yi表示资源y在k维空间上第i个关键词标签值,k表示用户-资源评分矩阵R中的每一个资源包含具有代表性的关键词标签描述的数量。
本实施例中,所述预测评分程序模块计算目标资源x和资源候选集SRx中其他任一资源y之间的相似度的函数表达式如式(2)所示;
式(2)中,sim(i,j)表示目标资源x和资源候选集SRx中其他任一资源y之间的相似度,Ui,j表示对资源i和j都有评分的用户集合,Ru,i表示用户u对资源i的评分,表示用户u对资源i的平均评分,表示用户u对资源j的平均评分。
本实施例中,所述预测评分程序模块基于最近领域集SRx1计算目标用户u对目标资源x的预测评分函数表达式如式(3)所示;
式(3)中,Pu,x表示目标用户u对目标资源x的预测评分,表示用户u对资源x的平均评分,SRx1表示最近领域集SRx1,sim(x,j)表示目标资源x和资源候选集SRx中邻居j之间的相似度,Ru,j表示用户u对资源j的评分,表示用户u对资源j的平均评分。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种教育资源个性化推荐方法,其特征在于实施步骤包括:
1)预先设置用户-资源评分矩阵R、资源关键词标签矩阵L、关键词标签相似性阈值St、资源评分相似性阈值S1,所述用户-资源评分矩阵R为m×n维的用户-资源评分矩阵,用户-资源评分矩阵R中的每一个资源包含给定的k个具有代表性的关键词标签描述,所述资源关键词标签矩阵L为基于用户-资源评分矩阵R中的每一个资源包含给定的k个具有代表性的关键词标签描述建立的n×k的资源关键词标签矩阵;当需要针对用户-资源评分矩阵R中包含的目标用户u进行教育资源个性化推荐时,跳转执行步骤2);
2)从用户-资源评分矩阵R从遍历选择一个资源作为目标资源x;针对每一个目标资源x,依次根据资源关键词标签矩阵L计算目标资源x和用户-资源评分矩阵R中其他任一资源y之间的相似度,将相似度大于关键词标签相似性阈值St的资源y生成和目标资源x拥有相似关键词标签的资源候选集SRx,根据用户-资源评分矩阵R计算目标资源x和资源候选集SRx中其他任一资源y之间的相似度,将相似度大于资源评分相似性阈值S1的资源y生成目标资源x的最近领域集SRx1,基于最近领域集SRx1计算目标用户u对目标资源x的预测评分;
3)选择预测评分最高的前N个教育资源推荐给当前用户u。
2.根据权利要求1所述的教育资源个性化推荐方法,其特征在于,步骤2)中计算目标资源x和用户-资源评分矩阵R中其他任一资源y之间的相似度的函数表达式如式(1)所示;
式(1)中,Sim(x,y)表示目标资源x和用户-资源评分矩阵R中其他任一资源y之间的相似度,xi表示资源x在k维空间上第i个关键词标签值,yi表示资源y在k维空间上第i个关键词标签值,k表示用户-资源评分矩阵R中的每一个资源包含具有代表性的关键词标签描述的数量。
3.根据权利要求1所述的教育资源个性化推荐方法,其特征在于,步骤2)中计算目标资源x和资源候选集SRx中其他任一资源y之间的相似度的函数表达式如式(2)所示;
式(2)中,sim(i,j)表示目标资源x和资源候选集SRx中其他任一资源y之间的相似度,Ui,j表示对资源i和j都有评分的用户集合,Ru,i表示用户u对资源i的评分,表示用户u对资源i的平均评分,表示用户u对资源j的平均评分。
4.根据权利要求1所述的教育资源个性化推荐方法,其特征在于,步骤2)中基于最近领域集SRx1计算目标用户u对目标资源x的预测评分函数表达式如式(3)所示;
式(3)中,Pu,x表示目标用户u对目标资源x的预测评分,表示用户u对资源x的平均评分,SRx1表示最近领域集SRx1,sim(x,j)表示目标资源x和资源候选集SRx中邻居j之间的相似度,Ru,j表示用户u对资源j的评分,表示用户u对资源j的平均评分。
5.一种教育资源个性化推荐系统,其特征在于包括:
输入程序模块,用于预先设置用户-资源评分矩阵R、资源关键词标签矩阵L、关键词标签相似性阈值St、资源评分相似性阈值S1,所述用户-资源评分矩阵R为m×n维的用户-资源评分矩阵,用户-资源评分矩阵R中的每一个资源包含给定的k个具有代表性的关键词标签描述,所述资源关键词标签矩阵L为基于用户-资源评分矩阵R中的每一个资源包含给定的k个具有代表性的关键词标签描述建立的n×k的资源关键词标签矩阵;当需要针对用户-资源评分矩阵R中包含的目标用户u进行教育资源个性化推荐时,跳转执行步骤2);
预测评分程序模块,用于从用户-资源评分矩阵R从遍历选择一个资源作为目标资源x;针对每一个目标资源x,依次根据资源关键词标签矩阵L计算目标资源x和用户-资源评分矩阵R中其他任一资源y之间的相似度,将相似度大于关键词标签相似性阈值St的资源y生成和目标资源x拥有相似关键词标签的资源候选集SRx,根据用户-资源评分矩阵R计算目标资源x和资源候选集SRx中其他任一资源y之间的相似度,将相似度大于资源评分相似性阈值S1的资源y生成目标资源x的最近领域集SRx1,基于最近领域集SRx1计算目标用户u对目标资源x的预测评分;
选择推荐程序模块,用于选择预测评分最高的前N个教育资源推荐给当前用户u。
6.根据权利要求5所述的教育资源个性化推荐系统,其特征在于,所述预测评分程序模块计算目标资源x和用户-资源评分矩阵R中其他任一资源y之间的相似度的函数表达式如式(1)所示;
式(1)中,Sim(x,y)表示目标资源x和用户-资源评分矩阵R中其他任一资源y之间的相似度,xi表示资源x在k维空间上第i个关键词标签值,yi表示资源y在k维空间上第i个关键词标签值,k表示用户-资源评分矩阵R中的每一个资源包含具有代表性的关键词标签描述的数量。
7.根据权利要求5所述的教育资源个性化推荐系统,其特征在于,所述预测评分程序模块计算目标资源x和资源候选集SRx中其他任一资源y之间的相似度的函数表达式如式(2)所示;
式(2)中,sim(i,j)表示目标资源x和资源候选集SRx中其他任一资源y之间的相似度,Ui,j表示对资源i和j都有评分的用户集合,Ru,i表示用户u对资源i的评分,表示用户u对资源i的平均评分,表示用户u对资源j的平均评分。
8.根据权利要求5所述的教育资源个性化推荐系统,其特征在于,所述预测评分程序模块基于最近领域集SRx1计算目标用户u对目标资源x的预测评分函数表达式如式(3)所示;
式(3)中,Pu,x表示目标用户u对目标资源x的预测评分,表示用户u对资源x的平均评分,SRx1表示最近领域集SRx1,sim(x,j)表示目标资源x和资源候选集SRx中邻居j之间的相似度,Ru,j表示用户u对资源j的评分,表示用户u对资源j的平均评分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611203167.3A CN106682151B (zh) | 2016-12-23 | 2016-12-23 | 一种教育资源个性化推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611203167.3A CN106682151B (zh) | 2016-12-23 | 2016-12-23 | 一种教育资源个性化推荐方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106682151A true CN106682151A (zh) | 2017-05-17 |
CN106682151B CN106682151B (zh) | 2019-12-10 |
Family
ID=58871313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611203167.3A Expired - Fee Related CN106682151B (zh) | 2016-12-23 | 2016-12-23 | 一种教育资源个性化推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106682151B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679242A (zh) * | 2017-10-30 | 2018-02-09 | 河海大学 | 融合多信息源耦合张量分解的标签推荐方法 |
CN111476482A (zh) * | 2020-04-03 | 2020-07-31 | 北京弘远博学科技有限公司 | 基于人物画像的个性化推荐方法 |
CN112182416A (zh) * | 2020-09-10 | 2021-01-05 | 北京市科学技术情报研究所 | 一种基于用户群体偏好的科技资源动态协同过滤推荐方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103092911A (zh) * | 2012-11-20 | 2013-05-08 | 北京航空航天大学 | 一种融合社会标签相似度基于k近邻的协同过滤推荐系统 |
US20160217374A1 (en) * | 2015-01-27 | 2016-07-28 | Milq Inc. | Method and system utilizing collaborative filtering |
-
2016
- 2016-12-23 CN CN201611203167.3A patent/CN106682151B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103092911A (zh) * | 2012-11-20 | 2013-05-08 | 北京航空航天大学 | 一种融合社会标签相似度基于k近邻的协同过滤推荐系统 |
US20160217374A1 (en) * | 2015-01-27 | 2016-07-28 | Milq Inc. | Method and system utilizing collaborative filtering |
Non-Patent Citations (2)
Title |
---|
张鹏等: "融合标签相似度的k近邻slope one算法", 《重庆邮电大学学报(自然科学版)》 * |
朱明编著: "《数据挖掘导论》", 15 March 2016 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679242A (zh) * | 2017-10-30 | 2018-02-09 | 河海大学 | 融合多信息源耦合张量分解的标签推荐方法 |
CN107679242B (zh) * | 2017-10-30 | 2018-07-27 | 河海大学 | 融合多信息源耦合张量分解的标签推荐方法 |
CN111476482A (zh) * | 2020-04-03 | 2020-07-31 | 北京弘远博学科技有限公司 | 基于人物画像的个性化推荐方法 |
CN112182416A (zh) * | 2020-09-10 | 2021-01-05 | 北京市科学技术情报研究所 | 一种基于用户群体偏好的科技资源动态协同过滤推荐方法 |
CN112182416B (zh) * | 2020-09-10 | 2024-02-02 | 北京市科学技术情报研究所 | 一种基于用户群体偏好的科技资源动态协同过滤推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106682151B (zh) | 2019-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103631961B (zh) | 一种情感词与评价对象的关系识别方法 | |
CN103353872B (zh) | 一种基于神经网络的教学资源个性化推荐方法 | |
CN107273490A (zh) | 一种基于知识图谱的组合错题推荐方法 | |
Akerkar et al. | Intelligent techniques for data science | |
CN106250438A (zh) | 基于随机游走模型的零引用文章推荐方法及系统 | |
Johansson | Understanding recycling behavior: a study of motivational factors behind waste recycling | |
Manjunatheshwara et al. | Application of TISM and MICMAC for analysis of influential factors of sustainable development of tablet devices: a case study | |
CN104361102A (zh) | 一种基于群组匹配的专家推荐方法及系统 | |
CN104484431A (zh) | 一种基于领域本体的多源个性化新闻网页推荐方法 | |
CN116860978B (zh) | 基于知识图谱和大模型的小学语文个性化学习系统 | |
CN105893362A (zh) | 获取知识点语义向量的方法、确定相关知识点的方法及系统 | |
CN103853789A (zh) | 一种用于向用户推荐信息的方法和设备 | |
CN106682151A (zh) | 一种教育资源个性化推荐方法及系统 | |
CN105809478A (zh) | 一种广告标签的标注方法及系统 | |
CN106127506A (zh) | 一种基于主动学习解决商品冷启动问题的推荐方法 | |
CN108255881A (zh) | 一种生成投放关键词的方法及装置 | |
Welling et al. | Distribution of environmental performance in life cycle assessments—implications for environmental benchmarking | |
CN102156747A (zh) | 一种引入社会化标签的协作过滤评分预测方法及装置 | |
Kathuria et al. | AOH-Senti: aspect-oriented hybrid approach to sentiment analysis of students’ feedback | |
Li et al. | Capturing and analyzing e-WOM for travel products: A method based on sentiment analysis and stochastic dominance | |
Prudêncio et al. | A modal symbolic classifier for selecting time series models | |
Hasanati et al. | Implementation of support vector machine with lexicon based for sentimenT ANALYSIS ON TWITter | |
Ross et al. | A case-based reasoning system for conflict resolution: design and implementation | |
KR102675005B1 (ko) | 학습 나침반 서비스를 제공하는 방법 | |
Kinra et al. | Textual data in transportation research: Techniques and opportunities |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191210 Termination date: 20201223 |