CN106682151A - 一种教育资源个性化推荐方法及系统 - Google Patents

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

一种教育资源个性化推荐方法及系统

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，x_i表示资源x在k维空间上第i个关键词标签值，y_i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，R_u，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，P_u，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，R_u,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，x_i表示资源x在k维空间上第i个关键词标签值，y_i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，R_u,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，P_u,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，R_u,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，x_i表示资源x在k维空间上第i个关键词标签值，y_i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，R_u,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，P_u,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，R_u,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，x_i表示资源x在k维空间上第i个关键词标签值，y_i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，R_u，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，P_u,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，R_u,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；

$Sim(x,y)=\frac{{\mathrm{\Σ}}_{i=1}^k(x_i*y_i)}{\sqrt{{\mathrm{\Σ}}_{i=1}^k{x}_i^2}*\sqrt{{\mathrm{\Σ}}_{i=1}^k{y}_i^2}}---\left(1\right)$

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，x_i表示资源x在k维空间上第i个关键词标签值，y_i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；

$sim(i,j)=\frac{{\mathrm{\Σ}}_{u\∈Ui,j}(R_{u,i}-\stackrel{-}{R_i})(R_{u,j}-\stackrel{\‾}{R_j})}{\sqrt{{\mathrm{\Σ}}_{u\∈Ui,j}{(R_{u,i}-\stackrel{-}{R_i})}^2}\sqrt{{\mathrm{\Σ}}_{u\∈Ui,j}{(R_{u,j}-\stackrel{-}{R_j})}^2}}---\left(2\right)$

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，R_u,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；

$P_{u,x}=\stackrel{\‾}{R_x}+\frac{{\mathrm{\Σ}}_{j\∈SRx1}sim(x,j)*(R_{u,j}-\stackrel{\‾}{R_j})}{{\mathrm{\Σ}}_{j\∈SRx1}\left(\right|sim\left(x,j\right)\left|\right)}---\left(3\right)$

式(3)中，P_u,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，R_u,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；

$Sim(x,y)=\frac{{\mathrm{\Σ}}_{i=1}^k(x_i*y_i)}{\sqrt{{\mathrm{\Σ}}_{i=1}^k{x}_i^2}*\sqrt{{\mathrm{\Σ}}_{i=1}^k{y}_i^2}}---\left(1\right)$

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，x_i表示资源x在k维空间上第i个关键词标签值，y_i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；

$sim(i,j)=\frac{{\mathrm{\Σ}}_{u\∈Ui,j}(R_{u,i}-\stackrel{-}{R_i})(R_{u,j}-\stackrel{\‾}{R_j})}{\sqrt{{\mathrm{\Σ}}_{u\∈Ui,j}{(R_{u,i}-\stackrel{-}{R_i})}^2}\sqrt{{\mathrm{\Σ}}_{u\∈Ui,j}{(R_{u,j}-\stackrel{-}{R_j})}^2}}---\left(2\right)$

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，R_u,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；

$P_{u,x}=\stackrel{\‾}{R_x}+\frac{{\mathrm{\Σ}}_{j\∈SRx1}sim(x,j)*(R_{u,j}-\stackrel{\‾}{R_j})}{{\mathrm{\Σ}}_{j\∈SRx1}\left(\right|sim\left(x,j\right)\left|\right)}---\left(3\right)$

式(3)中，P_u,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，R_u,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。