CN107885846A - 一种基于隐式属性和隐式关系挖掘的知识点推荐方法 - Google Patents
一种基于隐式属性和隐式关系挖掘的知识点推荐方法 Download PDFInfo
- Publication number
- CN107885846A CN107885846A CN201711107927.5A CN201711107927A CN107885846A CN 107885846 A CN107885846 A CN 107885846A CN 201711107927 A CN201711107927 A CN 201711107927A CN 107885846 A CN107885846 A CN 107885846A
- Authority
- CN
- China
- Prior art keywords
- implicit
- web
- mrow
- learners
- knowledge point
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开了一种基于隐式属性和隐式关系挖掘的知识点推荐方法，包括以下步骤：1)获取网络学习者的隐式属性；2)获取网络学习者之间的隐式关系；3)根据步骤1)获取得到的网络学习者的隐式属性构建隐式兴趣因子矩阵C；4)根据步骤2)获取的网络学习者之间的隐式关系构建网络学习者的隐式关系矩阵R；5)基于步骤3)构建的隐式兴趣因子矩阵C及步骤4)构建的网络学习者的隐式关系矩阵R进行协同过滤推荐，获取满足用户偏好的知识点，然后将满足用户偏好的知识点推荐给用户，完成基于隐式属性和隐式关系挖掘的知识点推荐，该方法能够实现基于隐式属性及隐式关系挖掘进行知识点的推荐。
Description
技术领域
本发明涉及一种知识点推荐方法，具体涉及一种基于隐式属性和隐式关系挖掘的知识点推荐方法。
背景技术
个性化推荐系统如今已经广泛运用于在线购物、影视娱乐、社交网络等多个领域、各种平台上。传统的推荐系统中，主要是通过用户的显示属性、显示关系为依据进行推荐，如电子商务和电影网站等有显式的购买记录和显示评分，社交网络有显式的关注与被关注，好友等显示关系。而这些推荐往往忽略了在这些显式信息背后大量的隐式反馈信息。尤其在网络学习领域，学习者对学习过的课程视频等教学资源缺少显示的反馈，比如观看后的评价，另一方面学习者与学习者之间也缺少显式关联。
相比评分反馈等显示属性，隐式特征更难定义，针对隐式信息和隐私关系的挖掘也更具有挑战性。已有的隐式信息获取的研究主要是针对用户评论部分进行抽取，以文本分析为主。Liu B等最早提出了利用显示Feature-Opinion的映射关系来抽取隐式属性。Poria S等提出在英语环境下，利用常识性的知识和句子的依存树来检测文本中的隐式和显示属性。Xu H等从扩展的文档主题生成模型构建的显示模型，抽取隐式属性。张莉等提出根据在匹配到意见词和字典原有的意见词之间的相似度的情况下，使用多策略隐式属性提取算法抽取字典中的隐式属性。
与此同时，基于大数据的隐式反馈数据的研究日渐增多。例如李峰等设计了一种改进的基于隐式反馈的自适应用户兴趣模型，改进了现有模型建立和更新阶段漂移策略的缺陷；印鉴等提出了潜在要素模型IFRM(Implicit Feed-back Recommendation Model，IFRM)，将推荐问题转化为概率优化问题，并克服了没有负反馈造成的不平衡类标问题(Unbalanced Class Problem)，克服在隐式反馈推荐场景下只有正反馈而缺乏负反馈导致的困难。王智圣等提出了在线隐式反馈推荐模型(online Implicit Feed-backRecommendation Model，oIFRM)通过动态调节学习步长，在降低噪声影响的同时强化了学习用户的兴趣转移。李宝等结合学习过程中动态数据和静态数据构建学习者特征模型，将它和资源特征协同过滤，比较相似度，实现推荐。
总之，已有的与隐式属性、隐式关系相关的推荐技术中，主要利用了数学统计、机器学习和数据挖掘的方法，对数据集中的隐式特征或者隐式关系进行挖掘，用在推荐算法中，得出推荐的对象或者推荐的路径。然而多是针对隐式属性或隐式关系中的一个方面进行推荐，而不是将它们两者结合起来，这从一定程度上影响了个性推荐的准确性。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供了一种基于隐式属性和隐式关系挖掘的知识点推荐方法，该方法能够实现基于隐式属性及隐式关系挖掘进行知识点的推荐。
为达到上述目的，本发明所述的基于隐式属性和隐式关系挖掘的知识点推荐方法包括以下步骤：
1)获取网络学习者的隐式属性；
2)获取网络学习者之间的隐式关系；
3)根据步骤1)获取得到的网络学习者的隐式属性构建隐式兴趣因子矩阵C；
4)根据步骤2)获取的网络学习者之间的隐式关系构建网络学习者的隐式关系矩阵R；
5)基于步骤3)构建的隐式兴趣因子矩阵C及步骤4)构建的网络学习者的隐式关系矩阵R进行协同过滤推荐，获取满足用户偏好的知识点，然后将满足用户偏好的知识点推荐给用户，完成基于隐式属性和隐式关系挖掘的知识点推荐。
所述网络学习者的隐式属性包括网络学习者对学习平台选择的偏好，网络学习者对网络学习时间段的偏好以及网络学习者通过拖动、暂停视频表现出的对某个知识点的感兴趣度。
网络学习者对学习平台的选择偏好度为：
其中，pi为网络学习者i在该门课程学习中使用PC端平台的日志数量，Ti为网络学习者i在该门课程学习中所有日志数量，s为该门课程所有学习者的数量。
一天中网络学习者对网络学习时间段的偏好度k2为网络学习者在一个完整学期中在该门课程的学习过程中，倾向在白天学习的程度，即
其中，di为网络学习者i在该门课程学习过程中白天的日志数量；
一周中网络学习者对网络学习时间段的偏好度为网络学习者在一个完整学期中在该门课程的学习过程中，倾向在周内学习的程度，即
其中，wi为网络学习者i在该门课程学习中周内平均每天学习的日志数量，ti为网络学习者i在该门课程学习中一周内平均每天学习的日志数量。
网络学习者通过拖动、暂停视频表现出的对某个知识点的感兴趣度为：
其中，pai为网络学习者i在该门课程中该知识点的暂停、拖动学习行为的日志数量，max(paj)为所有这个学期选修该门课程的网络学习者在该知识点上暂停、拖动日志数量的最大值。
网络学习者之间的隐式关系包括发帖用户与回帖用户的关系以及回复同一个帖子的两个用户的关系，其中，发帖用户与回帖用户关系为在同一个学期同一门课程中，一个用户回复另一个用户发表在学习平台的主题帖；回复同一个帖子的两个用户的关系是指在同一个学期同一门课程中，两个用户回复了同一个主题贴。
本发明具有以下有益效果：
本发明所述的基于隐式属性和隐式关系挖掘的知识点推荐方法在具体操作时，通过挖掘网络学习数据中的隐式属性和隐式关系，然后基于隐式属性和隐式关系构建隐式兴趣因子矩阵C及隐式关系矩阵R，最后采用协同过滤推荐的方法获取用户偏好的知识点，然后再将获取的知识点推荐给用户，实现基于隐式属性及隐式关系挖掘进行知识点的推荐，解决了传统评分中通过是否学习过知识点来衡量用户对该知识点感兴趣，避免现有评分矩阵带来的评分误差问题，能够为学习者提供更加符合用户偏好的知识点推荐。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图对本发明做进一步详细描述：
参考图1，本发明在具体操作之前，首先对存在联系、能够反映网络学习者自身特点的学习日志数据进行分析，筛选出其中能够体现出网络学习者个体之间差异、反映出网络学习者对于知识点偏好或者能够建立网络学习者与网络学习者之间的联系的数据，为进一步获取隐式属性、隐式关系提供基础。学习日志格式如表1所示：
表1
在彭文辉等人提出的OCPC模型中，学习行为被层次化分类，从低到高分为操作行为(Operational Behavior,OB)、认知行为(Cognitive Behavior,CogB)、协作行为(Collaborative Behavior,ColB)及解决问题行为(Problem-solving Behavior,PSB)，由于底层的认知行为难以直接测量，本发明考虑认知之外的三类学习行为，如表2所示。
表2
在这些学习行为中，个人相关类、登录登出类及资料查看类日志与课程本身关系不大，主要反映了网络学习者对于整体学习的积极程度。而视频观看类日志则与每个课程的每一个视频对应，反映了学习者对某门课程的具体知识点的感兴趣程度，可以在后续分析过程中探索如何从中获取学习者对某个知识点感兴趣的隐式属性。
解决问题行为中的作业类、论文类是与课程相关的，反映了学习者对具体课程的兴趣程度，但是并没有具体到每个知识点，因此难以利用这类学习行为反映学习者对具体知识点的偏好程度。协作行为中的课程论坛类反映了学习者之间通过协作交流，共同学习进步。在后续的工作中，可以将其作为衡量学习者与学习者之间隐式关联的信息。
学习平台的选择反映出网络学习者个人偏好，同时针对网络学习者习惯使用的学习平台为网络学习者进行推荐，网络学习者更倾向于使用该学习平台投入到学习中去，以达到推荐的效果。因此，平台选择偏好可以作为一种反映学习者自身学习特征的隐式属性。
学习时间数据体现出了网络学习者选择进行网络学习的偏好，具有强烈的个人特点，在学生习惯学习的时间段进行推荐，有助于网络学习者采纳推荐结果，提高个性推荐的利用率，因此，学习时间的偏好也作为一种反映网络学习者自身学习特征的隐式属性。
在现有技术中，通常以是否学习过某一视频来衡量用户是否对该视频感兴趣，其评分矩阵为0、1矩阵，这样仅仅观看了极少部分视频的学习者与完整观看了该视频的学习者对该视频的感兴趣程度被视作相同，造成了很大程度上的误差。而对学习行为、学习行为与学习成绩的关系等方面进行初步分析的基础上，可以发现，很多学习者的学习行为隐式的反映了他们个人的学习习惯、对具体某门课程各个知识点的感兴趣程度学习和学习者与学习者之间的关系。
隐式属性指不需要用户付出额外的精力提出来，例如，打分或者贴标签，而是通过对数据进行分析，根据先验知识和数据自身表现出的特征挖掘出来的，能够体现出学习者自身行为习惯或者学习者对具体课程、知识点的偏好的属性。例如，用户对学习时间段的偏好、学习者通过拖动、暂停视频表现出的对具体知识点的感兴趣程度。
本发明所述的基于隐式属性和隐式关系挖掘的知识点推荐方法包括以下步骤：
1)获取网络学习者的隐式属性；
2)获取网络学习者之间的隐式关系；
3)根据步骤1)获取得到的网络学习者的隐式属性构建隐式兴趣因子矩阵C；
4)根据步骤2)获取的网络学习者之间的隐式关系构建网络学习者的隐式关系矩阵R；
5)基于步骤3)构建的隐式兴趣因子矩阵C及步骤4)构建的网络学习者的隐式关系矩阵R进行协同过滤推荐，获取满足用户偏好的知识点，然后将满足用户偏好的知识点推荐给用户，完成基于隐式属性和隐式关系挖掘的知识点推荐。
所述网络学习者的隐式属性包括网络学习者对学习平台选择的偏好，网络学习者对网络学习时间段的偏好以及网络学习者通过拖动、暂停视频表现出的对某个知识点的感兴趣度。
其中，网络学习者对学习平台的选择偏好度为：
其中，pi为网络学习者i在该门课程学习中使用PC端平台的日志数量，Ti为网络学习者i在该门课程学习中所有日志数量，s为该门课程所有学习者的数量。
一天中网络学习者对网络学习时间段的偏好度为网络学习者在一个完整学期中在该门课程的学习过程中，倾向在白天学习的程度，即
其中，d为网络学习者在该门课程学习过程中白天的日志数量；
一周中网络学习者对网络学习时间段的偏好度为网络学习者在一个完整学期中在该门课程的学习过程中，倾向在周内学习的程度，即
其中，wi为网络学习者i在该门课程学习中周内平均每天学习的日志数量，ti为网络学习者i在该门课程学习中一周内平均每天学习的日志数量。
网络学习者通过拖动、暂停视频表现出的对某个知识点的感兴趣度为：
其中，pai为网络学习者在该门课程中该知识点的暂停、拖动学习行为的日志数量，max(paj)为所有这个学期选修该门课程的网络学习者在该知识点上暂停、拖动日志数量的最大值。
网络学习者之间的隐式关系包括发帖用户与回帖用户的关系以及回复同一个帖子的两个用户的关系，其中，发帖用户与回帖用户关系为在同一个学期同一门课程中，一个用户回复另一个用户发表在学习平台的主题帖；回复同一个帖子的两个用户的关系是指在同一个学期同一门课程中，两个用户回复了同一个主题贴。
网络学习者之间的隐式关系指不同于社交网络中由用户本身操作产生的显式关系，例如关注与被关注、互为好友等，而是由学习过程中的内在逻辑或借助其他方式间接关联起来的关系；本发明中网络学习者之间的隐式关系是指网络学习者在论坛交流中反映出来的关系，即通过分析在同一个学期中、选择同一门课程的学习者发布和回复该门课程的帖子的行为，找到学习者之间类似关注、被关注的隐式关系，作为学习者之间相似度的衡量标准之一。
网络学习者之间的隐式关系矩阵R中每个元素都是由多个隐式关系乘以相应的系数构成；网络学习者之间的隐式关系矩阵R＝(rij)s*s，其中，rij＝∑ηk*rij，k表示所有网络学习者之间的隐式关系的加权和，ηk为设定的系数。
本发明采用余弦相似度计算出网络学习者i及j之间的相似度，选择与网络学习者i最相似的n个网络学习者，选择该网络学习者最感兴趣的k个知识点推荐给网络学习者j。其核心思想包括：网络学习者对知识点的感兴趣程度由隐式属性衡量；另一方面网络学习者与网络学习者之间对知识点选择的偏好，不仅仅可以通过两者过往日志中对相同知识点有操作记录，也可以通过他们之间隐式的关系来预测。
本发明核心思想在于学习者对知识点的感兴趣程度由隐式属性衡量，学习者与学习者之间对知识点选择的偏好。具体特点为以下两点：
1、输入的评分矩阵不再是显示评分构成的学习者和知识点的对应关系的矩阵，而由代表学习者对知识点感兴趣程度隐式属性构成的隐式兴趣因子矩阵。
2、输入增加了学习者之间的隐式关系矩阵，隐式关系矩阵中每个元素都是由多个隐式关系乘以相应的系数构成。不同的关系对应的系数不一样。例如，发帖者对于回贴者感兴趣的程度要低于回贴者对发帖者感兴趣的程度，并不是所有的回贴都是发帖者感兴趣的内容，但是回贴者一定是因为对这个帖子感兴趣所以才会回复该帖。因此代表“回复该学习者”的隐式关系所乘的系数要比代表“该学习者被回复”的隐式关系所乘的系数要大。
实施例一
采用的训练集来自某网络学院2014年秋季学期选修《计算机应用基础》且存在论坛交流学习行为的学生在8至11月份的共3262条日志，测试集为学生在12月至次年1月份的数据，共916条日志。其中，构建隐式兴趣因子矩阵的训练集共包含226名学习者共3262条记录，发帖用户与回帖用户隐式关系的训练集包含201个帖子的记录，回复同一个帖子的用户的关系共包含60个帖子的记录。测试集共包含109名学习者共626条记录。下面以学习者10698056****0296为例进行算法验证。
学习者10698056****0296在2014年8月份到11月份曾有过有效学习记录的知识点共4个，其知识点编号、名称和其知识点完成率，如表3所示：
表3
学习者10698056****0296的论坛操作行为共1次，回复帖子的行为记录如下：
10698345****0066,10698030****0005,10698056****0296
输入训练集，设置参数k＝5，n＝10，其中，k为协同过滤时选取邻近用户即相似学习者的个数，n为推荐知识点的个数。运行算法，得到推荐列表如下：
3758，3759，3761，3762，3763，3765，3766，3770，3775，3777
具体的知识点编号及名称对应如表4所示：
表4
而在测试集中，学习者10698115****0895在12月至次年1月份新学习的知识点如表5所示：
表5
从表4和表5可以看出，推荐结果包含了学习者新学的知识点，验证了所提出算法的有效性。
本发明利用测试集对知识点推荐的结果进行测试，其衡量指标包括精确率、召回率及F值。对比在不同k,n条件下，精确率、召回率及F值的变化趋势。
表6为基于隐式属性构建的评分矩阵下进行基于用户的协同过滤推荐结果的性能评价：
表6
分析表6可以看出，随着n的增加，精确率也随之下降，召回率随之升高，这是由于n的增加导致推荐课程的门数增加，准确推荐的课程占总推荐课程的比例下降，而推荐命中课程的比例占总命中课程的可能性增加。而随着k的增加，精确率及召回率整体上都有提升，这说明选择更多的相似学习者进行推荐可以提供更好的结果，即综合更多的学习者的隐式属性评分情况，可以更加全面的得到学习者之间的相似情况，从而进行更加准确和全面的预测。表7是在基于隐式属性构建的评分矩阵基础上，利用学习者协作学习行为中呈现的隐式关系对学习者之间的相似度进行修正后，得到的基于用户的协同过滤推荐结果的性能评价。其中，标记为黑体的部分为优于原有结果的部分。
表7
由表6和表7可以看出，引入隐式关系后整体推荐效果变好。
综上，本专利中提出的网络学习者在观看视频行为中的隐式属性和论坛交互中的隐式关联对于学习者的知识点推荐起了显著的作用。
Claims (6)
1.一种基于隐式属性和隐式关系挖掘的知识点推荐方法，其特征在于，包括以下步骤：
1)获取网络学习者的隐式属性；
2)获取网络学习者之间的隐式关系；
3)根据步骤1)获取得到的网络学习者的隐式属性构建隐式兴趣因子矩阵C；
4)根据步骤2)获取的网络学习者之间的隐式关系构建网络学习者的隐式关系矩阵R；
5)基于步骤3)构建的隐式兴趣因子矩阵C及步骤4)构建的网络学习者的隐式关系矩阵R进行协同过滤推荐，获取满足用户偏好的知识点，然后将满足用户偏好的知识点推荐给用户，完成基于隐式属性和隐式关系挖掘的知识点推荐。
2.根据权利要求1所述的基于隐式属性和隐式关系挖掘的知识点推荐方法，其特征在于，所述网络学习者的隐式属性包括网络学习者对学习平台选择的偏好，网络学习者对网络学习时间段的偏好以及网络学习者通过拖动、暂停视频表现出的对某个知识点的感兴趣度。
3.根据权利要求2所述的基于隐式属性和隐式关系挖掘的知识点推荐方法，其特征在于，网络学习者对学习平台的选择偏好度为：
<mrow>
<msubsup>
<mi>k</mi>
<mn>1</mn>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<mfrac>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<msub>
<mi>T</mi>
<mi>i</mi>
</msub>
</mfrac>
<mrow>
<mfrac>
<mn>1</mn>
<mi>s</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>s</mi>
</munderover>
<mfrac>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<msub>
<mi>T</mi>
<mi>i</mi>
</msub>
</mfrac>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，pi为网络学习者i在该门课程学习中使用PC端平台的日志数量，Ti为网络学习者i在该门课程学习中所有日志数量，s为该门课程所有学习者的数量。
4.根据权利要求2所述的基于隐式属性和隐式关系挖掘的知识点推荐方法，其特征在于，一天中网络学习者对网络学习时间段的偏好度为其在一个完整学期中在该门课程的学习过程中，倾向在白天学习的程度，即
<mrow>
<msubsup>
<mi>k</mi>
<mn>2</mn>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
<msub>
<mi>T</mi>
<mi>i</mi>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，di为网络学习者i在该门课程学习过程中白天的日志数量；
一周中网络学习者对网络学习时间段的偏好度为网络学习者在一个完整学期中在该门课程的学习过程中，倾向在周内学习的程度，即
<mrow>
<msubsup>
<mi>k</mi>
<mn>3</mn>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，wi为网络学习者i在该门课程学习中周内平均每天学习的日志数量，ti为网络学习者i在该门课程学习中一周内平均每天学习的日志数量。
5.根据权利要求2所述的基于隐式属性和隐式关系挖掘的知识点推荐方法，其特征在于，网络学习者通过拖动、暂停视频表现出的对某个知识点的感兴趣度为：
<mrow>
<msubsup>
<mi>k</mi>
<mn>4</mn>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>pa</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>pa</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，pai为网络学习者i在该门课程中该知识点的暂停、拖动学习行为的日志数量，max(paj)为所有这个学期选修该门课程的网络学习者在该知识点上暂停、拖动日志数量的最大值。
6.根据权利要求1所述的基于隐式属性和隐式关系挖掘的知识点推荐方法，其特征在于，网络学习者之间的隐式关系包括发帖用户与回帖用户的关系以及回复同一个帖子的两个用户的关系，其中，发帖用户与回帖用户关系为在同一个学期同一门课程中，一个用户回复另一个用户发表在学习平台的主题帖；回复同一个帖子的两个用户的关系是指在同一个学期同一门课程中，两个用户回复了同一个主题贴。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711107927.5A CN107885846A (zh) | 2017-11-10 | 2017-11-10 | 一种基于隐式属性和隐式关系挖掘的知识点推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711107927.5A CN107885846A (zh) | 2017-11-10 | 2017-11-10 | 一种基于隐式属性和隐式关系挖掘的知识点推荐方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107885846A true CN107885846A (zh) | 2018-04-06 |
Family
ID=61780170
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711107927.5A Pending CN107885846A (zh) | 2017-11-10 | 2017-11-10 | 一种基于隐式属性和隐式关系挖掘的知识点推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107885846A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109241405A (zh) * | 2018-08-13 | 2019-01-18 | 华中师范大学 | 一种基于知识关联的学习资源协同过滤推荐方法及系统 |
| CN109376269A (zh) * | 2018-12-05 | 2019-02-22 | 西安交通大学 | 一种基于图谱关联的跨课程视频子图推荐方法 |
| CN110599377A (zh) * | 2019-09-16 | 2019-12-20 | 中国人民解放军国防科技大学 | 在线学习的知识点排序方法和装置 |
| CN110955775A (zh) * | 2019-11-11 | 2020-04-03 | 南通大学 | 一种基于隐式问询的绘本推荐方法 |
| CN115422470A (zh) * | 2022-11-03 | 2022-12-02 | 中国传媒大学 | 基于新闻异构网络的关系感知新闻推荐方法、系统、设备 |
| CN118711276A (zh) * | 2024-08-26 | 2024-09-27 | 深圳市轩宇车鼎科技有限公司 | 融合云边计算的车载智能诊断方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102737120A (zh) * | 2012-06-01 | 2012-10-17 | 西安交通大学 | 一种个性化网络学习资源推荐方法 |
| CN104809127A (zh) * | 2014-01-26 | 2015-07-29 | 上海联影医疗科技有限公司 | 一种远程教育资源的推荐方法和装置 |
| CN105095256A (zh) * | 2014-05-07 | 2015-11-25 | 阿里巴巴集团控股有限公司 | 基于用户之间相似度进行信息推送的方法及装置 |
| CN105404687A (zh) * | 2015-12-11 | 2016-03-16 | 重庆市科学技术研究院 | 学习行为的个性化推荐方法及系统 |
| CN106202299A (zh) * | 2016-07-01 | 2016-12-07 | 复旦大学 | 一种基于残疾人特征的残疾人权威用户推荐方法 |
-
2017
- 2017-11-10 CN CN201711107927.5A patent/CN107885846A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102737120A (zh) * | 2012-06-01 | 2012-10-17 | 西安交通大学 | 一种个性化网络学习资源推荐方法 |
| CN104809127A (zh) * | 2014-01-26 | 2015-07-29 | 上海联影医疗科技有限公司 | 一种远程教育资源的推荐方法和装置 |
| CN105095256A (zh) * | 2014-05-07 | 2015-11-25 | 阿里巴巴集团控股有限公司 | 基于用户之间相似度进行信息推送的方法及装置 |
| CN105404687A (zh) * | 2015-12-11 | 2016-03-16 | 重庆市科学技术研究院 | 学习行为的个性化推荐方法及系统 |
| CN106202299A (zh) * | 2016-07-01 | 2016-12-07 | 复旦大学 | 一种基于残疾人特征的残疾人权威用户推荐方法 |
Non-Patent Citations (1)
| Title |
|---|
| 曾凡兴: "《基于用户兴趣和浏览行为的个性化推荐技术研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109241405A (zh) * | 2018-08-13 | 2019-01-18 | 华中师范大学 | 一种基于知识关联的学习资源协同过滤推荐方法及系统 |
| CN109376269A (zh) * | 2018-12-05 | 2019-02-22 | 西安交通大学 | 一种基于图谱关联的跨课程视频子图推荐方法 |
| CN109376269B (zh) * | 2018-12-05 | 2021-01-19 | 西安交通大学 | 一种基于图谱关联的跨课程视频子图推荐方法 |
| CN110599377A (zh) * | 2019-09-16 | 2019-12-20 | 中国人民解放军国防科技大学 | 在线学习的知识点排序方法和装置 |
| CN110955775A (zh) * | 2019-11-11 | 2020-04-03 | 南通大学 | 一种基于隐式问询的绘本推荐方法 |
| CN115422470A (zh) * | 2022-11-03 | 2022-12-02 | 中国传媒大学 | 基于新闻异构网络的关系感知新闻推荐方法、系统、设备 |
| CN118711276A (zh) * | 2024-08-26 | 2024-09-27 | 深圳市轩宇车鼎科技有限公司 | 融合云边计算的车载智能诊断方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107885846A (zh) | 一种基于隐式属性和隐式关系挖掘的知识点推荐方法 | |
| Zheng et al. | Bibliometric analysis of construction education research from 1982 to 2017 | |
| CN111339415A (zh) | 一种基于多交互式注意力网络的点击率预测方法与装置 | |
| Gallego et al. | Open source software: The effects of training on acceptance | |
| Bistline et al. | Deepening transparency about value-laden assumptions in energy and environmental modelling: improving best practices for both modellers and non-modellers | |
| CN103714413A (zh) | 基于职位信息构建素质模型的系统与方法 | |
| Gomez et al. | Large scale analysis of open MOOC reviews to support learners’ course selection | |
| Choi et al. | Quality evaluation for multimedia contents of e-learning systems using the ANP approach on high speed network | |
| Savin et al. | Agent‐based modeling to integrate elements from different disciplines for ambitious climate policy | |
| Demarest et al. | Argue, observe, assess: Measuring disciplinary identities and differences through socio‐epistemic discourse | |
| He et al. | Design and implementation of a unified MOOC recommendation system for social work major: Experiences and lessons | |
| AL-Hawamleh | Exploring the satisfaction and continuance intention to use e-learning systems: An integration of the information systems success model and the technology acceptance model | |
| Li et al. | [Retracted] Design of the Online Learning System for College Physical Education Teaching Based on the BP Neural Network | |
| Chen et al. | E-learning behavior analysis based on fuzzy clustering | |
| Gendron | Introduction to R for Business Intelligence | |
| Li et al. | A Study of Efficiency Evaluation of National Quality Online Courses during the Epidemic: Based on Fuzzy Logic Calculation and Bootstrap‐DEA | |
| Ramadhan et al. | Optimizing sustainability reporting through business process automation and innovation: Insights from technology acceptance and diffusion theories | |
| Aljawarneh | Effect of User Satisfaction between Cloud Learning Applications & University Education Agility | |
| Alharbi et al. | Explaining and predicting continuance usage intention of e-learning recommender systems: An empirical evidence from Saudi Arabia | |
| Warner et al. | Demystifying Chinese Management | |
| Wang et al. | Building consumer confidence index based on social media big data | |
| Nuortimo | Measuring public acceptance with opinion mining: The case of the energy industry with long-term coal R&D investment projects | |
| Yahya et al. | The Effect of Digital Marketing and Customer Satisfaction on Company Image And Its Impact on Customer Loyalty Local Water Supply Utility (PDAM) Semarang Regency | |
| Wijekoon et al. | Online participation and crowdsourcing as a solution to mitigate news bias | |
| Hayrapetyan et al. | A DECISION SUPPORT SYSTEM FOR COLLEGE MAJOR SELECTION. |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180406 |