CN107800801A - 一种基于用户学习偏好的学习资源推送方法及系统 - Google Patents

Abstract

本发明提供了一种基于用户学习偏好的学习资源推送方法，首先获取不同用户的学习偏好，根据不同的学习偏好建立用户属性库；然后对各类学习资源按照不同的属性进行分类，建立数字资源属性库；最后根据用户属性库与数字资源属性库之间的对应关系建立推荐模型，根据不同的用户属性，推荐模型自动选择对应属性的数字资源进行个性化学习资源推送。本发明还提供了一种基于用户学习偏好的学习资源推送系统。本发明采用基于用户学习偏好的学习资源推送方法可满足学习者个性化学习的需求，结合学习者的学习活动做到快速和准确的推送学习资源，有效提升资源推荐服务效果。本发明有较好的应用推广价值，具有较好的市场前景和社会效益。

Description

一种基于用户学习偏好的学习资源推送方法及系统

技术领域

本发明涉及资源推送方法技术领域，特别是涉及一种基于用户学习偏好的学 习资源推送方法及系统。

背景技术

随着数字化网络化学习的发展，个性化学习有着日趋提高的需求。所谓个性 化学习，是指学员可以依据本人的学习偏好，获取与之匹配的学习资源进行学习。 但是纵观诸多在线学习平台或专业网站，不仅没有满足学员个性化学习的需求， 也没有结合学习者的学习活动做到快速和准确的推送学习资源。

海量的教育信息资源、丰富的平台工具增加了学习者甄选难度，带来“信息 迷航”。据分析调查，目前学员存在的最大困惑之一是如何面对网站给出的数百 个甚至数千个的学习资源清单，要么无从下手，要么花费大量时间精力漫无边际 的搜寻查找。如果能基于用户的学习偏好进行学习资源的推送，将会大大节省用 户的时间，然而现有技术中还没有这样的推送方法或设备。

发明内容

本发明要解决的技术问题是如何基于用户学习偏好进行学习资源的推送，以 节省用户的时间，提高学习效率。

为了解决上述技术问题，本发明的技术方案是提供一种基于用户学习偏好的 学习资源推送方法，其特征在于，包括如下步骤：

步骤1：获取不同用户的学习偏好，根据不同的学习偏好建立用户属性库；

步骤2：对各类学习资源按照不同的属性进行分类，建立数字资源属性库；

步骤3：根据用户属性库与数字资源属性库之间的对应关系建立推荐模型， 根据不同的用户属性，推荐模型自动选择对应属性的数字资源进行个性化学习资 源推送。

优选地，所述步骤1中，采用直接调查问卷法获取用户的学习偏好；所述直 接调查问卷法是将学习偏好分类设计为多个区，学习者在各区圈选符合个人学习 兴趣的选项，然后将各区的圈选数加总起来，计算各区圈选数占自己圈选总数的 比率，比率最高的即为个人所属学习特质分区。

优选地，所述步骤1中，采用间接学习行为数据分析法获取用户的学习偏好； 所述间接学习行为数据分析法是选取分析用户网络学习的行为指标，分析WEB 日志，捕获其某个时间段内的资源访问路径，识别和分析学习者的资源访问路径， 通过行为数据建模，最后使用协同过滤技术从用户访问的URL数据和资源访问 路径数据等进行行为分析，获取用户的学习偏好。

优选地，所述步骤3中，推荐模型采用协同过滤推荐算法为主、内容推荐算 法为辅进行分析和推荐；

所述协同过滤推荐算法中，首先计算学习者的兴趣相似性，然后选择相似性 最高的若干学习者作为目标学习者的最近邻居，根据最近邻学习者对资源的兴趣 度，预测目标学习者对未选择和访问的那些类别资源的兴趣度，并将兴趣度高于 设定阈值的那些类别资源推荐给目标学习者；

所述内容推荐算法基于学习者以往的浏览行为和日志数据来计算学习者的 兴趣，从而推荐与学习者以往兴趣相吻合的资源

本发明还提供了一种基于用户学习偏好的学习资源推送系统，其特征在于： 采用上述的基于用户学习偏好的学习资源推送方法，系统包括展现界面层、推送 服务层和资源服务层；资源服务层负责数据存储，由学习资源管理引擎管理学习 资源库、学习者信息库和偏好模式库；推送服务层通过推荐引擎进行业务逻辑处 理，用于根据学习者的偏好实施学习资源的个性化推送；展现界面层基于浏览器 的WebOS、门户网站进行学习资源推送的界面展示。

优选地，所述展现界面层为学习者提供学习资源定制、浏览、学习和评价的 个性化界面；不同学习偏好的学习者看到的资源列表、推荐信息和评价的界面都 是不同的，每当授权学习者登录系统，经过身份认证之后，识别并调取其偏好模 式，基于其偏好模式为其呈现符合个性化需要的资源界面。

优选地，所述推送服务层根据学习者的偏好模式构建学习者模型，为推荐引 擎提供推荐依据；同时根据学习者的偏好模式构建资源模型，不同偏好模式所对 应的资源的组织、呈现和推荐序列是不同的；基于学习者模型和资源模型构建推 荐模型，进而实现个性化推荐的目的。

优选地，所述学习者模型的构建过程其实质是学习者-资源兴趣矩阵的形成 过程，基于学习者-资源兴趣矩阵计算学习社区中学习者之间的兴趣相似性，依 据兴趣的相似性进行学习者聚类分析，从而实现基于相似学习者的资源兴趣预测 目标学习者的资源需求。

优选地，所述推荐引擎采用协同过滤推荐算法为主、内容推荐算法为辅进行 分析和推荐；

所述协同过滤推荐算法中，首先计算学习者的兴趣相似性，然后选择相似性 最高的若干学习者作为目标学习者的最近邻居，根据最近邻学习者对资源的兴趣 度，预测目标学习者对未选择和访问的那些类别资源的兴趣度，并将兴趣度高于 设定阈值的那些类别资源推荐给目标学习者；

所述内容推荐算法基于学习者以往的浏览行为和日志数据来计算学习者的 兴趣，从而推荐与学习者以往兴趣相吻合的资源。

优选地，所述资源服务层为推送服务层提供所需要的各类数据源，包括学习 者的基本信息数据、偏好模式数据和学习资源数据，用于个性化资源推荐的资源 匹配服务。

本发明创造性地提出了个性化学习资源推送方法，是基于用户学习偏好进行 学习资源推送，使用者在学习活动中获取所需资源的一种新机制。在资源推送的 过程中针对不同的用户(学习者)，应推送不同的资源，这种因人而异的学习资 源推送称之为“个性化的资源推送服务”，亦可称为投其所好的资源推送服务。

本发明依据学习者的学习背景、学习偏好等主客观属性，选取与之匹配的学 习资源推荐到学习者资源列表中。它在一定程度上将学习者从“信息迷航”的焦 虑中解救出来，快速、准确地从海量的学习资源中找到合适的学习资源，实现了 以人为中心的学习系统。采用基于用户学习偏好的学习资源推送方法可满足学习 者个性化学习的需求，结合学习者的学习活动做到快速和准确的推送学习资源， 有效提升资源推荐服务效果。本发明有较好的应用推广价值，具有较好的市场前 景和社会效益。

附图说明

图1为个性化学习资源推送图；

图2为基于用户学习偏好的学习资源推送系统的总体架构图；

图3为学习偏好各区说明。

具体实施方式

下面结合具体实施例，进一步阐述本发明。

本实施例提供了一种基于用户学习偏好的学习资源推送方法，包括如下步骤：

步骤1：获取不同用户的学习偏好，根据不同的学习偏好建立用户属性库；

获取用户的学习偏好的方法有直接调查问卷法和间接学习行为数据分析法 两种，分别具体阐述如下：

一、直接调查问卷法

直接调查问卷法：将学习偏好设计为A、B、C、D四个区，学习者在各区 圈选符合个人学习兴趣的选项，然后将各区的圈选数加总起来，计算各区圈选数 占自己圈选总数的比率，比率最高的即为个人所属学习特质分区。

表1为本实施例中采用的学习偏好调查问卷。

表1学习偏好调查问卷

表1填好后通过如下计分方式进行记分：

1)算出自己在各区圈选的项目有几个。

2)将各区的圈选数加总起来。

3)计算各区圈选数占自己圈选总数的比率。

4)检查各区比率的总和是否为100。

例如：A区＝12；B区＝3；C区＝7；D区＝8。加总得到30。

A区比率＝(12/30)×100％＝40％；B区比率＝(3/30)×100％＝10％；

C区比率＝(7/30)×100％＝23％；D区比率＝(8/30)×100％＝27％。

如果想要同质分组，这位学生可以与同样在A区比率较高的一组，或者与 AD两区比率高的学生一组。

如果想要异质分组，这位学生可以与在B、C、D区比率高的学生一组。

A、B、C、D四个区的学习偏好说明如图3所示，A、B、C、D四个区的学 习偏好具体分析如表2所示，注意各区特质是可扩展、可学习的，可由教学设计 中达成顺性学习及培养不同能力的目标。

表2学习偏好各区分析

二、间接学习行为数据分析法

间接学习行为数据分析法：首先选取分析用户网络学习的行为指标，分析 WEB日志，捕获其某个时间段内的资源访问路径，识别和分析学习者的资源访 问路径，通过行为数据建模，最后使用协同过滤技术从用户访问的URL数据和 资源访问路径数据等进行行为分析，获取用户的学习偏好。

基于数据的用户个性化分析的核心思想就是事先根据用户的事件，分析出一 些典型的行为，再通过采集用户的事件来匹配这些行为。由于行为的发生会再影 响到用户的个性化的标签，标签匹配度会由于行为的不同有增有减，而不是一旦 赋予终身不变，这符合人性变化的特点，经过一段时间的数据积累，将逐渐清楚 用户各方面的特征。

首先，选取分析用户网络学习的行为指标。然后，通过字符串模式匹配方法 获取行为指标数据，由URL、访问量、频率、时间、内容类别、引用页表示的 用户偏好源数据以二维表的形式存储在结构数据库中，这些数据表征了不同的用 户学习行为。识别和分析学习者的资源访问路径，学习者在虚拟社区的学习过程 就是资源的访问、选择和使用的过程，这个过程会被记录到学习者的WEB访问 日志中。要想获取学习者的资源偏好和需求，需要分析WEB日志，捕获其某个 时间段内的资源访问路径，该路径信息隐含着学习者的学习偏好模式。基于上述 非结构化的数据预处理思路，采用WEB挖掘技术挖掘出与学习者学习资源相关 的日志信息，从而以结构化的方式构造出学习资源的访问路径，该路径信息包括访问资源的所属学科、主题类别、该类主题数量、内容访问链、浏览所有主题数 量、资源类别、该资源停留时长、浏览总体时长。通过行为数据建模，最后使用 “协同过滤”技术从用户访问的URL数据和资源访问路径数据等进行行为分析， 获取用户的学习偏好。

步骤2：对各类学习资源按照不同的属性进行分类，建立数字资源属性库；

步骤3：根据用户属性库与数字资源属性库之间的对应关系建立推荐模型， 根据不同的用户属性，推荐模型自动选择对应属性的数字资源进行个性化学习资 源推送；

实现资源推送的关键是要找出资源与人之间的关系。上文中已描述了分析学 习偏好的两种方法，即直接调查问卷法和间接学习行为数据分析法，两种方法只 是在用户的学习偏好数据的获取方式上不同。

面向直接调查问卷法的学习资源推送就是采取人为定义一些偏好与资源之 间对应关系，这样做可以很方便的实现有针对性的资源推送。而面向间接学习行 为数据分析法的学习资源推送的做法是通过对人在使用资源时的行为进行统计 数据分析，从而找出人的学习偏好与资源间的某种关系。

本实施例采用个性化学习资源推送机制，个性化学习资源推送机制是基于用 户学习偏好让使用者在学习活动中获取所需资源的一种新机制。在资源推送的过 程中，针对不同的用户(学习者)，应推送不同的资源，这种因人而异的学习资 源推送称之为“个性化的资源推送服务”，亦可称为投其所好的资源推送服务。

个性化学习资源推送机制主要由数字资源属性库、用户属性库以及用户学习 偏好模型等几个模块组成，如图1所示。用户学习偏好模型是整个资源推送机制 的“灵魂”，负责为用户和资源“牵线搭桥”，找出资源属性与用户属性之间的某 种关系，来实现个性化的资源推送服务。

本实施例还提供了一种基于用户学习偏好的学习资源推送系统，主要包括展 现界面层、推送服务层和资源服务层。其中推送服务层主要负责业务逻辑处理， 核心组件是推荐引擎。资源服务层主要负责数据存储，由学习资源管理引擎管理 学习资源库、学习者信息库和偏好模式库。展现界面层基于浏览器的WebOS、 门户网站进行学习资源推送的界面展示。用户可通过手机、平板电脑、PC等终 端设备登陆相应的展现界面层获取需要的学习资源。

本实施例的基于用户学习偏好的学习资源推送系统的总体框架设计如图2 所示。

展现界面层为学习者提供学习资源定制、浏览、学习和评价的个性化界面。 每个学习者看到的资源列表、推荐信息和评价的界面都是不同的，每当授权学习 者登录系统，经过身份认证之后，识别并调取其偏好模式，基于其偏好模式为其 呈现符合个性化需要的资源界面。

推送服务层为了实施学习资源的个性化推送，服务层的主要功能是根据学习 者的偏好模式构建学习者模型，为推荐引擎提供推荐依据，同时根据学习者的偏 好模式构建资源模型。不同偏好模式所对应的资源的组织、呈现和推荐序列是不 同的，所以资源模型也是推荐的重要组成部分。基于学习者偏好模型和资源模型 构建推荐模型，进而实现个性化推荐的目的，这是个性化推荐框架中的核心功能 层。构建学习者偏好模型是实施学习资源个性化推荐的基础与核心，一切个性化 学习资源推送服务的实施都是以学习者的学习偏好和个性差异为依据的，因此学 习者偏好模型描述的准确性和有效性直接关系着个性化推荐的效果和效率。

资源服务层为推送服务层提供所需要的各类数据源，主要包括学习者的基本 信息数据、偏好模式数据和学习资源数据，用于个性化资源推荐的资源匹配服务。

本实施例中，推荐引擎采用了基于内容的推荐和基于协同过滤的推荐混合的 推荐算法取长补短，发挥了两种方法的优势。

推荐引擎的功能是通过分析学习者模型，获得学习者的兴趣度，调用相应的 推荐算法进行个性化推荐。学习者模型的构建过程其实质就是学习者-资源兴趣 矩阵的形成过程。基于该资源兴趣矩阵可以计算学习社区中学习者之间的兴趣相 似性，依据兴趣的相似性就可以进行学习者聚类分析，从而实现基于相似学习者 的资源兴趣预测目标学习者的资源需求。本发明提出的个性化推荐研究思路是基 于当前个性化推荐中使用较为成功的协同过滤推荐算法为主、内容推荐为辅进行 分析的。在协同过滤推荐算法中，首先计算学习者的兴趣相似性，然后选择相似 性最高的若干学习者作为目标学习者的最近邻居，根据最近邻学习者对资源的兴 趣度，预测目标学习者对未选择和访问的那些类别资源的兴趣度，并将兴趣度较 高的那些类别资源推荐给目标学习者。度量相似性的方法有多种，常用的有余弦 相似性和修正的余弦相似性。

协同过滤推荐算法虽然是当前使用较为成功的个性化推荐技术，但其推荐效 果依赖于学习者共同浏览过的资源数量和时间，由于学习者的兴趣和学习目的差 异，共同浏览过的资源数量是非常有限的。随着学习资源种类的不断丰富，就会 出现学习者一资源兴趣矩阵非常稀疏的现象，尤其当有大量注册的学习者参与虚 拟学习社区学习的时候，那么基于该矩阵进行相似学习者聚类分析时就会存在误 差，因此推荐的准确性就会降低。为了解决系统过滤算法的这个不足，本发明在 选择个性化推荐算法时将结合内容推荐和协同推荐算法的优点协作进行推荐。

基于内容的个性化推荐能够充分考虑学习者已有兴趣，它是基于学习者以往 的浏览行为和日志数据来计算学习者的兴趣的，能够推荐与学习者以往兴趣相吻 合的资源，但是学习者的兴趣也会随着时间的迁移和兴趣的变化而发生变化，对 于学习者潜在和新奇兴趣的挖掘而言，内容推荐算法就显得无能为力了，而这正 是协同过滤推荐算法的优势所在。协同过滤算法可以很好地发现和推荐符合学习 者潜在兴趣需要和新奇的学习资源，并实施推荐。因此，两种算法可以很好地实 现优势互补。

资源推荐引擎的作用在于能够基于内容过滤和协同过滤的推荐算法对具有 相似偏好模式的学习者进行聚类，以邻居学习者的资源偏好和评价为依据预测目 标学习者的资源偏好和兴趣，从而进行资源的推荐。这种推荐策略的优势在于系 统不用去分析学习资源的特质和内容，仅仅是依据相似学习者的资源偏好和使用 模式进行推荐，提高了个性化推荐的效率和效果。

以上所述，仅为本发明的较佳实施例，并非对本发明任何形式上和实质上的 限制，应当指出，对于本技术领域的普通技术人员，在不脱离本发明方法的前提 下，还将可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。 凡熟悉本专业的技术人员，在不脱离本发明的精神和范围的情况下，当可利用以 上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的 等效实施例；同时，凡依据本发明的实质技术对上述实施例所作的任何等同变化 的更动、修饰与演变，均仍属于本发明的技术方案的范围内。

Claims (10)

1.一种基于用户学习偏好的学习资源推送方法，其特征在于，包括如下步骤：

步骤1：获取不同用户的学习偏好，根据不同的学习偏好建立用户属性库；

步骤2：对各类学习资源按照不同的属性进行分类，建立数字资源属性库；

步骤3：根据用户属性库与数字资源属性库之间的对应关系建立推荐模型，根据不同的用户属性，推荐模型自动选择对应属性的数字资源进行个性化学习资源推送。

2.如权利要求1所述的一种基于用户学习偏好的学习资源推送方法，其特征在于：所述步骤1中，采用直接调查问卷法获取用户的学习偏好；所述直接调查问卷法是将学习偏好分类设计为多个区，学习者在各区圈选符合个人学习兴趣的选项，然后将各区的圈选数加总起来，计算各区圈选数占自己圈选总数的比率，比率最高的即为个人所属学习特质分区。

3.如权利要求1所述的一种基于用户学习偏好的学习资源推送方法，其特征在于：所述步骤1中，采用间接学习行为数据分析法获取用户的学习偏好；所述间接学习行为数据分析法是选取分析用户网络学习的行为指标，分析WEB日志，捕获其某个时间段内的资源访问路径，识别和分析学习者的资源访问路径，通过行为数据建模，最后使用协同过滤技术从用户访问的URL数据和资源访问路径数据等进行行为分析，获取用户的学习偏好。

4.如权利要求1所述的一种基于用户学习偏好的学习资源推送方法，其特征在于：所述步骤3中，推荐模型采用协同过滤推荐算法为主、内容推荐算法为辅进行分析和推荐；

所述协同过滤推荐算法中，首先计算学习者的兴趣相似性，然后选择相似性最高的若干学习者作为目标学习者的最近邻居，根据最近邻学习者对资源的兴趣度，预测目标学习者对未选择和访问的那些类别资源的兴趣度，并将兴趣度高于设定阈值的那些类别资源推荐给目标学习者；

所述内容推荐算法基于学习者以往的浏览行为和日志数据来计算学习者的兴趣，从而推荐与学习者以往兴趣相吻合的资源。

5.一种基于用户学习偏好的学习资源推送系统，其特征在于：采用如权利要求1～3任一项所述的基于用户学习偏好的学习资源推送方法，系统包括展现界面层、推送服务层和资源服务层；资源服务层负责数据存储，由学习资源管理引擎管理学习资源库、学习者信息库和偏好模式库；推送服务层通过推荐引擎进行业务逻辑处理，用于根据学习者的偏好实施学习资源的个性化推送；展现界面层基于浏览器的WebOS、门户网站进行学习资源推送的界面展示。

6.如权利要求5所述的一种基于用户学习偏好的学习资源推送系统，其特征在于：所述展现界面层为学习者提供学习资源定制、浏览、学习和评价的个性化界面；不同学习偏好的学习者看到的资源列表、推荐信息和评价的界面都是不同的，每当授权学习者登录系统，经过身份认证之后，识别并调取其偏好模式，基于其偏好模式为其呈现符合个性化需要的资源界面。

7.如权利要求5所述的一种基于用户学习偏好的学习资源推送系统，其特征在于：所述推送服务层根据学习者的偏好模式构建学习者模型，为推荐引擎提供推荐依据；同时根据学习者的偏好模式构建资源模型，不同偏好模式所对应的资源的组织、呈现和推荐序列是不同的；基于学习者模型和资源模型构建推荐模型，进而实现个性化推荐的目的。

8.如权利要求7所述的一种基于用户学习偏好的学习资源推送系统，其特征在于：所述学习者模型的构建过程其实质是学习者一资源兴趣矩阵的形成过程，基于学习者一资源兴趣矩阵计算学习社区中学习者之间的兴趣相似性，依据兴趣的相似性进行学习者聚类分析，从而实现基于相似学习者的资源兴趣预测目标学习者的资源需求。

9.如权利要求5或7所述的一种基于用户学习偏好的学习资源推送系统，其特征在于：所述推荐引擎采用协同过滤推荐算法为主、内容推荐算法为辅进行分析和推荐；

所述协同过滤推荐算法中，首先计算学习者的兴趣相似性，然后选择相似性最高的若干学习者作为目标学习者的最近邻居，根据最近邻学习者对资源的兴趣度，预测目标学习者对未选择和访问的那些类别资源的兴趣度，并将兴趣度高于设定阈值的那些类别资源推荐给目标学习者；

所述内容推荐算法基于学习者以往的浏览行为和日志数据来计算学习者的兴趣，从而推荐与学习者以往兴趣相吻合的资源。

10.如权利要求5所述的一种基于用户学习偏好的学习资源推送系统，其特征在于：所述资源服务层为推送服务层提供所需要的各类数据源，包括学习者的基本信息数据、偏好模式数据和学习资源数据，用于个性化资源推荐的资源匹配服务。