CN108733784A - 一种教学课件推荐方法、装置及设备 - Google Patents
一种教学课件推荐方法、装置及设备 Download PDFInfo
- Publication number
- CN108733784A CN108733784A CN201810437600.2A CN201810437600A CN108733784A CN 108733784 A CN108733784 A CN 108733784A CN 201810437600 A CN201810437600 A CN 201810437600A CN 108733784 A CN108733784 A CN 108733784A
- Authority
- CN
- China
- Prior art keywords
- courseware
- teacher
- teaching
- sequential correlation
- indicate
- 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
Classifications
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Abstract
一种教学课件推荐方法包括:获取教师的授课历史数据、教师对课件的评分数据以及课件的内容标签;根据所述授课历史数据和所述课件的内容标签,构建课件的时序关联因子矩阵;根据所述教师对课件的评分数据和所述课件的内容标签,计算课件与课件的相似度矩阵;根据所述相似度矩阵和所述教师对课件的评分数据,计算教师对未使用课件的评分估计;根据所述评分估计和所述时序关联因子矩阵,计算所述未使用课件相对于所述教师的推荐估计值。使得推荐的课件既包括教师的评价信息、标签信息,又能够有效的结合教师当前的教学课件的时序信息,从而能够有利于快速有效的推荐更为匹配的教学课件。
Description
技术领域
本申请属于数字教学领域,尤其涉及一种教学课件推荐方法、装置及设备。
背景技术
随着数字型教室的普及,增强现实AR或虚拟现实VR技术在课堂上得到了广泛的应用,与增强现实AR或虚拟现实VR技术对应的数字资源也会越来越多,极大的改善了教师的便利性,有利于学生更好的理解教学内容,提高教学效果。
当教学资源越来越多时,教师在寻找匹配的,或者更加合适的课件的难度也越来越大。为了提高教师查找课件的便利性,目前一般通过基于内容特征进行教学课件的推荐,但是,由于提取教学课件内容特征的难度较大,不利于快速准确的查找到所需要使用的课件。
发明内容
有鉴于此,本申请实施例提供了一种教学课件推荐方法、装置及设备,以解决现有技术中基于内容特征进行推荐时,由于提取教学课件内容特征的难度较大,不利于快速准确的查找到所需要使用的课件的问题。
本申请实施例的第一方面提供了一种教学课件推荐方法,所述教学课件推荐方法包括:
获取教师的授课历史数据、教师对课件的评分数据以及课件的内容标签;
根据所述授课历史数据和所述课件的内容标签,构建课件的时序关联因子矩阵;
根据所述教师对课件的评分数据和所述课件的内容标签,计算课件与课件的相似度矩阵;
根据所述相似度矩阵和所述教师对课件的评分数据,计算教师对未使用课件的评分估计;
根据所述评分估计和所述时序关联因子矩阵,计算所述未使用课件相对于所述教师的推荐估计值。
结合第一方面,在第一方面的第一种可能实现方式中,所述根据所述授课历史数据和所述课件的内容标签,构建课件的时序关联因子矩阵的步骤包括:
根据课件的内容标签构建课件的第一时序关联度表;
根据教师的教学行为数据,对所述第一时序关联度表进行更新,得到第二时序关联度表;
根据所述第二时序关联度表计算得到时序关联因子矩阵。
结合第一方面的第一种可能实现方式,在第一方面的第二种可能实现方式中,所述根据课件的内容标签构建课件的第一时序关联度表的步骤包括:
根据公式:
构建第一时序关联度表TSA,其中:su表示教师u的最近教学记录数量,Hu,i表示教师u的最近教学记录的第i个课件,1<=u<=m,1=i<=su,Ti表示课件i的标签特征向量,如果包含则为1,否则为0,其中,p为标签总数,AB表示舒尔Schur积,Normalize(V)表示将矩阵V正规化。
结合第一方面的第一种可能实现方式,在第一方面的第三种可能实现方式中,所述根据教师的教学行为数据,对所述第一时序关联度表进行更新,得到第二时序关联度表的步骤包括:
根据公式
TS=σ×TS+(1-σ)×ρ×TSA
更新所述第一时序关联度表,得到第二时序关联度表TS,其中:0≤σ≤1,σ与教学行为数据量成正比,Cover(H)表示教学行为矩阵的课件内容标签覆盖率,ρ为教学行为关联影响因数,且ρ=Mean(TS),TSA为第一时序关联度表。
结合第一方面的第一种可能实现方式,在第一方面的第四种可能实现方式中,所述根据所述第二时序关联度表计算得到时序关联因子矩阵的步骤包括:
根据公式:
计算第二时序关联度表Li,j,其中,Li,j表示课件i和j之间的第二时序关联因子,λ为时序影响收缩因子,取值为TS为第二时序关联度表,Ti表示课件i的标签特征向量,Tj表示课件j的标签特征向量。
结合第一方面,在第一方面的第五种可能实现方式中,所述根据所述教师对课件的评分数据和所述课件的内容标签,计算课件与课件的相似度矩阵的步骤包括:
通过余弦相似度公式:
计算课件i与课件j之间的相似度,其中:
λi,j=f(RCi,RCj),
Si,j表示课件i和课件j之间的相似度,
Ru,i表示教师u对课件i的评分,
Ui,j表示同时使用过课件i和课件j的教师集合,
Ti表示课件i的内容标签特征向量,维数等于标签的总数p,
RCi表示课件i的总评价次数,
结合第一方面,在第一方面的第六种可能实现方式中,所述根据所述相似度矩阵和所述教师对课件的评分数据,计算教师对未使用课件的评分估计的步骤包括:
根据公式
计算教师u对未使用课件的评分估计,其中Cu表示用户u参与过评分的课件集合,Si,j表示课件i和课件j之间的相似度,Ru,j表示教师u对课件j的评分。
结合第一方面,在第一方面的第七种可能实现方式中,所述根据所述评分估计和所述时序关联因子矩阵,计算所述未使用课件相对于所述教师的推荐估计值的步骤包括:
根据公式
R‘u,i=Ru,i·Li,h
计算所述未使用课件相对于所述教师的推荐估计值R‘u,i,其中:Ru,i表示教师u对课件i的评分,Li,j表示课件i和j之间的第二时序关联因子。
本申请实施例的第二方面提供了一种教学课件推荐装置,所述教学课件推荐装置包括:
数据获取单元,用于获取教师的授课历史数据、教师对课件的评分数据以及课件的内容标签;
时序关联因子矩阵构建单元,用于根据所述授课历史数据和所述课件的内容标签,构建课件的时序关联因子矩阵;
相似度矩阵计算单元,用于根据所述教师对课件的评分数据和所述课件的内容标签,计算课件与课件的相似度矩阵;
评分估计单元,用于根据所述相似度矩阵和所述教师对课件的评分数据,计算教师对未使用课件的评分估计;
推荐估计值计算单元,用于根据所述评分估计和所述时序关联因子矩阵,计算所述未使用课件相对于所述教师的推荐估计值。
本申请实施例的第三方面提供了一种教学课件推荐设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如第一方面任一项所述教学课件推荐方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质,包括计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面任一项所述教学课件推荐方法的步骤。
本申请实施例与现有技术相比存在的有益效果是:本申请通过评分数据和课件的内容标签计算课件的相似度矩阵,根据所述相似度矩阵和教师对课件的评分数据,计算教师未使用的课件的评分估计,并且进一步引入课件的时序关联因子矩阵,从而使得推荐的课件既包括教师的评价信息、标签信息,又能够有效的结合教师当前的教学课件的时序信息,从而能够有利于快速有效的推荐更为匹配的教学课件。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的教学课件推荐方法的实施场景示意图;
图2是本申请实施例提供的一种教学课件推荐方法的实现流程示意图;
图3为本申请实施例提供的一种构建课件的时序关联因子矩阵方法的实现流程示意图;
图4为本申请实施例提供的一种基于课件时序的层级示意图;
图5是本申请实施例提供的教学课件推荐装置的示意图;
图6是本申请实施例提供的教学课件推荐设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。
图1所示为本申请实施例提供的教学课件推荐方法的实施场景的示意图,如图1所示,所述教学课件实施场景包括服务器、多个教学终端,所述服务器可以用于完成对海量的教师的授课历史数据进行记录、教师对课件的评分信息,可以存储课件的内容以及课件的内容标签的时序信息,对教师未使用的课件进行统计,通过本申请所述的教学课件推荐方法,可以对当前正在教学的教师进行课件推荐。
所述教学终端可以为虚拟现实VR设备、增强现实AR设备,或者教师所使用的智能手机、平板电脑或者台式计算机等。通过所述教学终端可以完成对数据的采集,比如教师对课件的评分数据,教师的授课历史数据,教师当前正在授课的课件等数据。
如图2为本申请实施例提供的一种教学课件推荐方法的实现流程示意图,详述如下:
在步骤S201中,获取教师的授课历史数据、教师对课件的评分数据以及课件的内容标签;
具体的,所述授课历史数据,可以包括课件、课件的授课时间,或者还可以进一步包括上课时长、学生数量等。通过课件的授课时间可以确定课件的时序信息,即在先授课的课件的时序比在后授权的课件的时序靠前。通过上课时长、学生数量,可以进一步对所述时序信息的准确性进行辅助判断,比如上课时长越长、或者学生数量越多,则所述课件的时序信息越可靠。
所述授课历史数据可以通过教学终端进行自动的采集,所述教师对课件的评分数据,可以通过APP、页面的形式来进行采集,所述课件的内容标签可以预先进行设定,或者也可以由教师对其进行输入或确认。
在步骤S202中,根据所述授课历史数据和所述课件的内容标签,构建课件的时序关联因子矩阵;
在本申请中,构建课件的时序关联因子矩阵,可以根据如图3所示的步骤完成,具体可以包括:
在步骤S301中,根据课件的内容标签构建课件的第一时序关联度表;
对于整体的课件的内容标签的集合可以表示为Tag{1...p},p为标签总数,通过整体,可以构建标签之间的时序及层级关系,如图4所示,对于该时序和层级关系,从下至上,时序递增,并且从左至右,导致为包含关系。比如图4中的节点a,b,a表示节点所在的层数,b表示节点位于该层的级数,节点3,2表示节点位于第3层第2级的节点。假设每一个子层结构从最小单位u0(u0>0)开始,增长符合某函数y=g(x),其中使得该层级数为b的时序值为g(b),g(1)=u0。
优选的一种计算方式中,可以根据公式:
构建第一时序关联度表TSA,其中:su表示教师u的最近教学记录数量,Hu,i表示教师u的最近教学记录的第i个课件,i越大则表示该课件上课时间距离现在越近,1<=u<=m,1<=i<=su,Ti表示课件i的标签特征向量,如果包含则为1,否则为0,其中,p为标签总数,AB表示舒尔Schur积,即(AB)i,j=(A)i,j(B)i,j,Normalize(V)表示将矩阵V正规化,比如,比如0-1标准化
在步骤S302中,根据教师的教学行为数据,对所述第一时序关联度表进行更新,得到第二时序关联度表;
可选的实施方式中,可以通过公式
TS=σ×TS+(1-σ)×ρ×TSA
更新所述第一时序关联度表,得到第二时序关联度表TS,其中:0≤σ≤1,σ与教学行为数据量成正比,Cover(H)表示教学行为矩阵的课件内容标签覆盖率,ρ为教学行为关联影响因数,且ρ=Mean(TS),TSA为第一时序关联度表。
在步骤S303中,根据所述第二时序关联度表计算得到时序关联因子矩阵。
可选的一种实施方式中,可以根据公式:
计算第二时序关联度表Li,j,其中,Li,j表示课件i和j之间的第二时序关联因子,λ为时序影响收缩因子,取值为TS为第二时序关联度表,Ti表示课件i的标签特征向量,Tj表示课件j的标签特征向量。该式子表明,课件之间时序差距愈大,则时序关联因子愈小。
当然,图3中的时序关联因子的计算方式,是根据教学行为实时进行更新的一种实施方式,作为其它的可选实施方式中,还可以由教师或者其它用户输入的现有的时序关联因子矩阵,或者通过其它学习方式获取时序关联因子矩阵,在此不一一举例。
在步骤S203中,根据所述教师对课件的评分数据和所述课件的内容标签,计算课件与课件的相似度矩阵;
步骤S202所计算得到的时序关联因子矩阵,与本步骤获取相似度矩阵的步骤并不严格限定先后,可以根据实际需要灵活选择计算的顺序。
可选的一种实施方式中,所述课件与课件的相似度矩阵的计算,可以通过余弦相似度公式,或者也可以采用其它加权过滤的方式,计算得到。
采用余弦相似度公式进行计算时,所采用的公式如下:
其中:
λi,j=f(RCi,RCj),
Si,j表示课件i和课件j之间的相似度,
Ru,i表示教师u对课件i的评分,
Ui,j表示同时使用过课件i和课件j的教师集合,
Ti表示课件i的内容标签特征向量,维数等于标签的总数p,
RCi表示课件i的总评价次数,f表示二元函数,可以定义成两个课件的新鲜度因数,例如可以选择
在步骤S204中,根据所述相似度矩阵和所述教师对课件的评分数据,计算教师对未使用课件的评分估计;
根据所计算的相似度矩阵,结合教师对课件的评分数据,可以采用如下公式计算教师对未使用课件的评分估计:
计算教师u对未使用课件的评分估计,其中Cu表示用户u参与过评分的课件集合,Si,j表示课件i和课件j之间的相似度,Ru,j表示教师u对课件j的评分。
在步骤S205中,根据所述评分估计和所述时序关联因子矩阵,计算所述未使用课件相对于所述教师的推荐估计值。
在获取教师对未使用课件的评分估计后,进一步结合课件的时序特征,进一步计算得到课件相对于所述教师的推荐估计值:
R‘u,i=Ru,i·Li,h
计算所述未使用课件相对于所述教师的推荐估计值R‘u,i,其中:Ru,i表示教师u对课件i的评分,Li,j表示课件i和j之间的第二时序关联因子。根据所述推荐值计值R‘u,i的大小,可以确定不同课件的推荐值的大小,从而能够有效的查找到更优的推荐课件。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
图5为本申请实施例提供的一种教学课件推荐装置的结构示意图,详述如下:
所述教学课件推荐装置包括:
数据获取单元501,用于获取教师的授课历史数据、教师对课件的评分数据以及课件的内容标签;
时序关联因子矩阵构建单元502,用于根据所述授课历史数据和所述课件的内容标签,构建课件的时序关联因子矩阵;
相似度矩阵计算单元503,用于根据所述教师对课件的评分数据和所述课件的内容标签,计算课件与课件的相似度矩阵;
评分估计单元504,用于根据所述相似度矩阵和所述教师对课件的评分数据,计算教师对未使用课件的评分估计;
推荐估计值计算单元505,用于根据所述评分估计和所述时序关联因子矩阵,计算所述未使用课件相对于所述教师的推荐估计值。
优选的,所述时序关联因子矩阵构建单元包括:
第一构建子单元,用于根据课件的内容标签构建课件的第一时序关联度表;
第二构建子单元,用于根据教师的教学行为数据,对所述第一时序关联度表进行更新,得到第二时序关联度表;
计算子单元,用于根据所述第二时序关联度表计算得到时序关联因子矩阵。
图5所述教学课件推荐装置,与图2所述教学课件推荐方法对应。
图6是本申请一实施例提供的教学课件推荐设备的示意图。如图6所示,该实施例的教学课件推荐设备6包括:处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62,例如教学课件推荐程序。所述处理器60执行所述计算机程序62时实现上述各个教学课件推荐方法实施例中的步骤,例如图2所示的步骤201至205。或者,所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能,例如图5所示模块501至505的功能。
示例性的,所述计算机程序62可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器61中,并由所述处理器60执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序62在所述教学课件推荐设备6中的执行过程。例如,所述计算机程序62可以被分割成数据获取单元、时序关联因子矩阵构建单元、相似度矩阵计算单元、评分估计单元和推荐估计值计算单元,各单元具体功能如下:
数据获取单元,用于获取教师的授课历史数据、教师对课件的评分数据以及课件的内容标签;
时序关联因子矩阵构建单元,用于根据所述授课历史数据和所述课件的内容标签,构建课件的时序关联因子矩阵;
相似度矩阵计算单元,用于根据所述教师对课件的评分数据和所述课件的内容标签,计算课件与课件的相似度矩阵;
评分估计单元,用于根据所述相似度矩阵和所述教师对课件的评分数据,计算教师对未使用课件的评分估计;
推荐估计值计算单元,用于根据所述评分估计和所述时序关联因子矩阵,计算所述未使用课件相对于所述教师的推荐估计值。
所述教学课件推荐设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述教学课件推荐设备可包括,但不仅限于,处理器60、存储器61。本领域技术人员可以理解,图6仅仅是教学课件推荐设备6的示例,并不构成对教学课件推荐设备6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述教学课件推荐设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61可以是所述教学课件推荐设备6的内部存储单元,例如教学课件推荐设备6的硬盘或内存。所述存储器61也可以是所述教学课件推荐设备6的外部存储设备,例如所述教学课件推荐设备6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器61还可以既包括所述教学课件推荐设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述教学课件推荐设备所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种教学课件推荐方法,其特征在于,所述教学课件推荐方法包括:
获取教师的授课历史数据、教师对课件的评分数据以及课件的内容标签;
根据所述授课历史数据和所述课件的内容标签,构建课件的时序关联因子矩阵;
根据所述教师对课件的评分数据和所述课件的内容标签,计算课件与课件的相似度矩阵;
根据所述相似度矩阵和所述教师对课件的评分数据,计算教师对未使用课件的评分估计;
根据所述评分估计和所述时序关联因子矩阵,计算所述未使用课件相对于所述教师的推荐估计值。
2.根据权利要求1所述的教学课件推荐方法,其特征在于,所述根据所述授课历史数据和所述课件的内容标签,构建课件的时序关联因子矩阵的步骤包括:
根据课件的内容标签构建课件的第一时序关联度表;
根据教师的教学行为数据,对所述第一时序关联度表进行更新,得到第二时序关联度表;
根据所述第二时序关联度表计算得到时序关联因子矩阵。
3.根据权利要求2所述的教学课件推荐方法,其特征在于,所述根据课件的内容标签构建课件的第一时序关联度表的步骤包括:
根据公式:
构建第一时序关联度表TSA,其中:su表示教师u的最近教学记录数量,Hu,i表示教师u的最近教学记录的第i个课件,1<=u<=m,1<=i<=su,Ti表示课件i的标签特征向量,如果包含则为1,否则为0,其中, p为标签总数,AB表示舒尔Schur积,Normalize(V)表示将矩阵V正规化。
4.根据权利要求2所述的教学课件推荐方法,其特征在于,所述根据教师的教学行为数据,对所述第一时序关联度表进行更新,得到第二时序关联度表的步骤包括:
根据公式
TS=σ×TS+(1-σ)×ρ×TSA
更新所述第一时序关联度表,得到第二时序关联度表TS,其中:0≤σ≤1,σ与教学行为数据量成正比,Cover(H)表示教学行为矩阵的课件内容标签覆盖率,ρ为教学行为关联影响因数,且ρ=Mean(TS),TSA为第一时序关联度表。
5.根据权利要求2所述的教学课件推荐方法,其特征在于,所述根据所述第二时序关联度表计算得到时序关联因子矩阵的步骤包括:
根据公式:
计算第二时序关联度表Li,j,其中,Li,j表示课件i和j之间的第二时序关联因子,λ为时序影响收缩因子,取值为TS为第二时序关联度表,Ti表示课件i的标签特征向量,Tj表示课件j的标签特征向量。
6.根据权利要求1所述的教学课件推荐方法,其特征在于,所述根据所述教师对课件的评分数据和所述课件的内容标签,计算课件与课件的相似度矩阵的步骤包括:
通过余弦相似度公式:
计算课件i与课件j之间的相似度,其中:
λi,j=f(RCi,RCj),
Si,j表示课件i和课件j之间的相似度,
Ru,i表示教师u对课件i的评分,
Ui,j表示同时使用过课件i和课件j的教师集合,
Ti表示课件i的内容标签特征向量,维数等于标签的总数p,
RCi表示课件i的总评价次数,
7.根据权利要求1所述的教学课件推荐方法,其特征在于,所述根据所述相似度矩阵和所述教师对课件的评分数据,计算教师对未使用课件的评分估计的步骤包括:
根据公式
计算教师u对未使用课件的评分估计,其中Cu表示用户u参与过评分的课件集合,Si,j表示课件i和课件j之间的相似度,Ru,j表示教师u对课件j的评分。
8.根据权利要求1所述的教学课件推荐方法,其特征在于,所述根据所述评分估计和所述时序关联因子矩阵,计算所述未使用课件相对于所述教师的推荐估计值的步骤包括:
根据公式
R‘u,i=Ru,i·Li,h
计算所述未使用课件相对于所述教师的推荐估计值R‘u,i,其中:Ru,i表示教师u对课件i的评分,Li,j表示课件i和j之间的第二时序关联因子。
9.一种教学课件推荐装置,其特征在于,所述教学课件推荐装置包括:
数据获取单元,用于获取教师的授课历史数据、教师对课件的评分数据以及课件的内容标签;
时序关联因子矩阵构建单元,用于根据所述授课历史数据和所述课件的内容标签,构建课件的时序关联因子矩阵;
相似度矩阵计算单元,用于根据所述教师对课件的评分数据和所述课件的内容标签,计算课件与课件的相似度矩阵;
评分估计单元,用于根据所述相似度矩阵和所述教师对课件的评分数据,计算教师对未使用课件的评分估计;
推荐估计值计算单元,用于根据所述评分估计和所述时序关联因子矩阵,计算所述未使用课件相对于所述教师的推荐估计值。
10.一种教学课件推荐设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述教学课件推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810437600.2A CN108733784B (zh) | 2018-05-09 | 2018-05-09 | 一种教学课件推荐方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810437600.2A CN108733784B (zh) | 2018-05-09 | 2018-05-09 | 一种教学课件推荐方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108733784A true CN108733784A (zh) | 2018-11-02 |
CN108733784B CN108733784B (zh) | 2020-12-29 |
Family
ID=63937305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810437600.2A Active CN108733784B (zh) | 2018-05-09 | 2018-05-09 | 一种教学课件推荐方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108733784B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111179129A (zh) * | 2019-12-17 | 2020-05-19 | 广州视源电子科技股份有限公司 | 课件质量的评价方法、装置、服务器及存储介质 |
CN111667178A (zh) * | 2020-06-07 | 2020-09-15 | 中信银行股份有限公司 | 培训机构教师的评估和推荐方法、装置、电子设备及介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130086082A1 (en) * | 2011-09-29 | 2013-04-04 | Postech Academy-Industry Foundation | Method and system for providing personalization service based on personal tendency |
CN105247555A (zh) * | 2013-05-09 | 2016-01-13 | 微软技术许可有限责任公司 | 在生成推荐时考虑社交信息 |
CN105468598A (zh) * | 2014-08-18 | 2016-04-06 | 大连民族学院 | 好友推荐方法及装置 |
US20160188704A1 (en) * | 2014-12-31 | 2016-06-30 | Facebook, Inc. | Systems and methods to determine trending topics for a user based on social graph data |
CN106844577A (zh) * | 2017-01-06 | 2017-06-13 | 天津大学 | 协同过滤推荐系统中基于时序熵的用户相似度计算方法 |
CN106951462A (zh) * | 2017-02-27 | 2017-07-14 | 四川大学 | 一种基于Time‑Trust相似度的电影推荐方法 |
CN107545471A (zh) * | 2017-09-19 | 2018-01-05 | 北京工业大学 | 一种基于高斯混合的大数据智能推荐方法 |
CN107729542A (zh) * | 2017-10-31 | 2018-02-23 | 咪咕音乐有限公司 | 一种信息评分方法及装置和存储介质 |
CN107741978A (zh) * | 2017-10-13 | 2018-02-27 | 北京中教在线科技有限公司 | 一种个性化学习资源推送方法及其系统 |
-
2018
- 2018-05-09 CN CN201810437600.2A patent/CN108733784B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130086082A1 (en) * | 2011-09-29 | 2013-04-04 | Postech Academy-Industry Foundation | Method and system for providing personalization service based on personal tendency |
CN105247555A (zh) * | 2013-05-09 | 2016-01-13 | 微软技术许可有限责任公司 | 在生成推荐时考虑社交信息 |
CN105468598A (zh) * | 2014-08-18 | 2016-04-06 | 大连民族学院 | 好友推荐方法及装置 |
US20160188704A1 (en) * | 2014-12-31 | 2016-06-30 | Facebook, Inc. | Systems and methods to determine trending topics for a user based on social graph data |
CN106844577A (zh) * | 2017-01-06 | 2017-06-13 | 天津大学 | 协同过滤推荐系统中基于时序熵的用户相似度计算方法 |
CN106951462A (zh) * | 2017-02-27 | 2017-07-14 | 四川大学 | 一种基于Time‑Trust相似度的电影推荐方法 |
CN107545471A (zh) * | 2017-09-19 | 2018-01-05 | 北京工业大学 | 一种基于高斯混合的大数据智能推荐方法 |
CN107741978A (zh) * | 2017-10-13 | 2018-02-27 | 北京中教在线科技有限公司 | 一种个性化学习资源推送方法及其系统 |
CN107729542A (zh) * | 2017-10-31 | 2018-02-23 | 咪咕音乐有限公司 | 一种信息评分方法及装置和存储介质 |
Non-Patent Citations (2)
Title |
---|
YU LEI,等: "Time-Aware Semantic Web Service Recommendation", 《2015 IEEE INTERNATIONAL CONFERENCE ON SERVICES COMPUTING》 * |
韩亚楠,等: "基于评分矩阵填充与用户兴趣的协同过滤推荐算法", 《计算机工程》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111179129A (zh) * | 2019-12-17 | 2020-05-19 | 广州视源电子科技股份有限公司 | 课件质量的评价方法、装置、服务器及存储介质 |
CN111667178A (zh) * | 2020-06-07 | 2020-09-15 | 中信银行股份有限公司 | 培训机构教师的评估和推荐方法、装置、电子设备及介质 |
CN111667178B (zh) * | 2020-06-07 | 2023-10-20 | 中信银行股份有限公司 | 培训机构教师的评估和推荐方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108733784B (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3385919B1 (en) | Method of processing passage record and device | |
WO2020207190A1 (zh) | 一种三维信息确定方法、三维信息确定装置及终端设备 | |
WO2022141861A1 (zh) | 情感分类方法、装置、电子设备及存储介质 | |
CN108664897A (zh) | 票据识别方法、装置及存储介质 | |
CN107992595A (zh) | 一种学习内容推荐方法、装置及智能设备 | |
CN109740048A (zh) | 一种课程推荐方法及装置 | |
CN105045818A (zh) | 一种图片的推荐方法、装置和系统 | |
CN114357193B (zh) | 一种知识图谱实体对齐方法、系统、设备与存储介质 | |
CN109472305A (zh) | 答案质量确定模型训练方法、答案质量确定方法及装置 | |
CN110472154A (zh) | 一种资源推送方法、装置、电子设备及可读存储介质 | |
CN109255000A (zh) | 一种标签数据的维度管理方法及装置 | |
CN108734587A (zh) | 金融产品的推荐方法及终端设备 | |
CN111324740B (zh) | 纠纷事件的识别方法、识别装置和识别系统 | |
CN108733784A (zh) | 一种教学课件推荐方法、装置及设备 | |
CN105069129A (zh) | 自适应多标签预测方法 | |
US9830533B2 (en) | Analyzing and exploring images posted on social media | |
CN112069329A (zh) | 文本语料的处理方法、装置、设备及存储介质 | |
CN110472227A (zh) | 一种词汇掌握程度评估方法、装置、终端设备及存储介质 | |
CN112861934A (zh) | 一种嵌入式终端的图像分类方法、装置及嵌入式终端 | |
CN112860851A (zh) | 基于根因分析的课程推荐方法、装置、设备及介质 | |
CN112328881A (zh) | 文章推荐方法、装置、终端设备及存储介质 | |
CN110851708A (zh) | 负样本的抽取方法、装置、计算机设备和存储介质 | |
CN109101631A (zh) | 数据建模方法及装置 | |
CN112507098B (zh) | 问题处理方法、装置、电子设备、存储介质及程序产品 | |
CN112559640B (zh) | 图谱表征系统的训练方法及装置 |
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 |