CN109241405B - 一种基于知识关联的学习资源协同过滤推荐方法及系统 - Google Patents

Abstract

本发明属于个性化智能推荐领域，公开了一种基于知识关联的学习资源协同过滤推荐方法及系统,结合知识间关联关系和资源与知识点的关联关系，在用户相似度计算和兴趣度计算方法中引入与学习者相关联的知识点信息，进而获得目标学习者的最近邻用户群，并构建学习者‑学习资源兴趣度评分矩阵；接着，通过相似用户群的知识点偏好预测当前用户尚未学习且可能感兴趣的资源的兴趣度评分；最后，选取兴趣度评分较高的N个结果推荐给当前学习者。本发明统筹学习者、知识点和学习资源三者之间的关系设计了一种基于知识关联的学习资源协同过滤推荐算法，使得推荐结果更符合学习者的实际学习需求。

Description

一种基于知识关联的学习资源协同过滤推荐方法及系统

技术领域

本发明属于个性化智能推荐领域，尤其涉及一种基于知识关联的学习资源协同过滤推荐方法及系统。

背景技术

目前，业内常用的现有技术是这样的：

在信息技术飞速发展的今天，面对互联网上海量的学习资源，学习者往往会面临“资源迷航”的问题，亟需个性化智能推荐系统来提高学习效率。协同过滤利用群体智慧为用户提供推荐服务，迅速成长为个性化推荐系统中应用最广泛的一项技术。

例如，Yang YJ等采用蚁群算法和Kolb学习风格模型设计了AACS学习资源推荐系统，该系统依据学习者特征，为学习者提供个性化的服务。王永固等人提出了学习资源的个性化推荐技术，通过设置用户与学习资源之间的相似度阈值引入内容过滤来解决协同过滤的“冷启动”问题，引入隐式评分法来缓解“数据稀疏”问题。叶树鑫等从学习者与学习资源出发，根据学习者学习特征、学习资源特征和学习者对学习资源历史评价信息，引入基于内存的协同过滤推荐算法，实现学习资源推荐。

综上所述，现有技术存在的问题是：

研究者大多从学习者和资源两个维度进行研究，试图找出与目标学习者相似的群体，根据匹配相似用户群的学习记录和偏好产生推荐。这种传统的协同过滤在电子商务领域或许够用，在一定程度上能够缓解“冷启动”和“数据稀疏”问题，但是在教育领域，只有充分挖掘学习者与知识之间的内在联系，才能有效提高用户相似度计算的准确度。

针对现有学习资源协同过滤推荐系统中由于“冷启动”和“数据稀疏”导致的用户相似度计算不准确，兴趣度评分预测准确率低下以及推荐质量不高的问题。本发明从学习者-知识点-学习资源三维空间出发，设计了一种基于知识关联的学习资源协同过滤推荐方法，通过建立学习者、知识点与学习资源关联模型，在传统协同过滤算法的用户相似度计算和评分预测中加入与学习者相关的知识信息，结合Top-N推荐方法将推荐结果反馈给学习者，更有利于使推荐结果符合学习者的学习需求，提高学习资源个性化推荐的准确率和推荐质量。

发明内容

针对现有技术存在的问题，本发明提供了一种基于知识关联的学习资源协同过滤推荐方法及系统。

本发明是这样实现的，一种基于知识关联的学习资源协同过滤推荐方法，包括：

构建学习者、知识点与学习资源三维关联模型；数据源于学习者基本信息库、学习行为数据库、知识点间关联库和知识点与学习资源关联库；

获取与目标学习者关联的知识点信息，结合知识点与学习资源的关联，将知识点与资源之间的关联权重映射为学习者与知识点的关联权重，构建学习者与父知识点的权重向量矩阵，进一步度量学习者之间的相似性并获取目标学习者的最近邻用户群；

将学习者所学资源与知识点的关联和隐式评分法结合，构建学习者-学习资源兴趣度评分矩阵；

结合最近邻用户群和经过k-means算法处理后的兴趣度评分矩阵，利用相似用户群的偏好预测当前学习者可能感兴趣的资源的兴趣度评分。

对系统预测的兴趣度评分降序排列，选择评分较高的N个序列结果推荐给目标学习者。

进一步，构建学习者、知识点与学习资源三维关联模型，包括：

获取能够反映学习者特征和偏好的相关信息；采用显式与隐式相结合的采集方式，显式采集通过学习者的注册信息，直接收集学习者属性信息；隐式采集通过Web日志分析学习者的学习行为信息，利用机器学习的方法提取学习者学习的资源相关信息；

通过学习者所学资源与知识点的关联，建立起学习者与知识点的关联，构建学习者、知识点和学习资源三维空间模型；

利用学习者属性信息和新学习的资源内容传递调整的方式对关系模型进行更新；基于学习者基本属性信息的变更和学习者不断学习新资源导致的学习偏好变化，更新学习者基本信息库和学习者与学习资源的关联关系，进一步，获取与学习者相关联的最新知识点集合及关联权重。

进一步，构建学习者、知识点与学习资源之间的关系模型，数据源于学习者基本信息库、学习行为数据库、知识点间关联库、知识点与学习资源关联库；

学习者基本信息库，包括学科subject、年级grade、专业major的学习者基本知识属性；

学习行为数据库，记录学习者的学习行为信息，包括：浏览时长browse_time、是否下载is_download、是否分享is_share、学习的资源编号resource_id；

知识点间关联库，记录知识体系中知识点与知识点之间的关联，包括知识点编号knowid、知识点名称title、知识点内容description、父知识点pre_knowid、子知识点next_knowid；

知识点与学习资源关联库，通过学习资源编号和关联权重将学习资源与知识点关联起来，相关属性为：资源编号resource_id、资源名称name、资源内容content、资源类型type、与资源关联的知识点编号knowid、资源与知识点的关联权重weight。

进一步，学习者、知识点与学习资源的关联模型构建中，进一步包括：

对于新用户，提取学习者相关知识点，依据学习者的基本属性信息，对于非新用户，同时结合学习者基本属性信息和已学习的资源信息；依据知识点间关联和知识点与学习资源间关联，得到与当前学习者相关联的知识点集合K_i；

将知识点与学习资源间的关联权重映射为知识点与学习者间的关联权重；在一个知识点下学习者没有学习任何资源，则学习者与该知识点的关联度为0；反之，则对学习资源与知识点的权重加权求平均值，为学习者与该知识点的关联度。

进一步，已求得的学习者与知识点之间的关联权重构建学习者与父知识点的权重向量，进而度量学习者之间的相似性，并获取当前学习者的最近邻用户群；具体包括：

1)由关联模型得知学习者u_i和u_j的关联知识点集合K_i和K_j及其对应的关联权重；

2)根据知识点间关联，获取u_i和u_j的共同父知识点集合P_G，然后计算u_i和u_j与每个父知识点的关联权重；其中学习者与父知识点之间的关联权重为学习者与此父知识点下所有子知识点关联权重之和，值越大，表示关联度越高，计算公式为：

；

为学习者u_i和父知识点P_i的关联权重；P_G为学习者u_i在父知识点P_i下学过的所有子知识点集合；

为学习者u_i与子知识点k的关联权重；

构建学习者的父知识点权重向量矩阵，公式为：

3)计算学习者之间的相似度，构建学习者之间的相似度关联矩阵，公式为：

和

分别表示学习者u_i和u_j的父知识点向量；

将学习者所学资源与知识点的关联关系和隐式评分法结合，构建学习者-学习资源兴趣度评分矩阵；

首先通过跟踪、记录学习者的学习行为，出现表示学习者对资源偏好的行为，就把这些行为转化为学习者对资源的隐式评分，用S、D、B分别表示分享、下载和浏览，对应的行为与分值表示为：

{S:3.5；D:3.5；B:3.5；S+D+B:5；S+D:4；S+B:4；D+B:4}，

同时结合知识点与学习资源之间的关联权重，得出最终学习者u_i对资源r的兴趣度评分：

表示学习者u_i对资源r的兴趣度评分；

表示学习资源r与学习者u_i所学知识点间的关联权重；Mark表示学习者u_i对资源r的隐式评分；

结合最近邻用户群和经过k-means算法处理后的兴趣度评分矩阵，预测目标学习者对尚未学习的资源的兴趣度评分：

为目标学习者u_i对推荐对象c的预测评分，S(u_i，u_j)表示学习者u_i和学习者u_j的相似性，

表示学习者u_j对推荐对象c的评分，N_u表示学习者u_i的最近邻用户群。

和

分别表示学习者u_i和学习者u_j对资源的平均评分，如果学习者u_i为新用户，则

为0。

本发明的另一目的在于提供一种实现所述基于知识关联的学习资源协同过滤推荐方法的计算机程序。

本发明的另一目的在于提供一种实现所述基于知识关联的学习资源协同过滤推荐方法的信息数据处理终端。

本发明的另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的基于知识关联的学习资源协同过滤推荐方法。

本发明的另一目的在于提供一种实现所述基于知识关联的学习资源协同过滤推荐方法及系统，所述基于知识关联的学习资源协同过滤推荐系统包括：

本发明的另一目的在于提供一种实现基于知识关联的学习资源协同过滤推荐系统，包括：

学习者知识资源关联模型建立模块，从学习者的学习行为数据中提取学习者已学习的资源信息，结合学习者基本信息、知识点间关联信息和知识点与学习资源关联关系，建立学习者的知识资源关联模型。

学习者—资源兴趣度评分矩阵获取模块，采用改进的基于知识关联的兴趣度计算方法来求得学习者—资源兴趣度评分矩阵；

推荐序列结果呈现模块，在学习者—学习资源兴趣度评分矩阵中利用相似用户群的偏好预测当前用户对可能感兴趣的学习资源的兴趣度评分，进而采用Top-N推荐为学习者呈现推荐序列结果。

本发明的另一目的在于提供一种搭载所述基于知识关联的学习资源协同过滤推荐系统的网络教育平台。

综上所述，本发明的优点及积极效果为：

本发明基于学习者的学习行为数据、学习者基本属性信息、知识点间关联关系和知识点与学习资源的关联关系，建立学习者、知识点与学习资源三维关联模型；在传统的用户相似度计算和兴趣度计算方法中引入与学习者相关联的知识点信息，进而获得目标学习者的最近邻用户群，并构建学习者-学习资源兴趣度评分矩阵；接着，通过相似用户群的知识点偏好预测当前用户尚未学习且可能感兴趣的资源的兴趣度评分；最后，选取兴趣度评分较高的N个序列结果推荐给当前学习者，能够使得推荐结果更符合学习者的学习需求，提高学习资源个性化推荐系统的推荐质量。

附图说明

图1是本发明实施例提供的基于知识关联的学习资源协同过滤推荐系统示意图。

图2是本发明实施例提供的基于知识关联的学习资源协同过滤推荐方法流程图。

图3是本发明实施例提供的学习者、知识点与学习资源的三维空间模型图。

图4为本发明提供的基于知识关联的用户相似度计算示意图。

图5是本发明实施例提供的基于知识关联的学习资源协同过滤推荐系统示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

针对现有学习资源协同过滤推荐系统中由于“冷启动”和“数据稀疏”导致的用户相似度计算不准确，兴趣度评分预测准确率低下以及推荐质量不高的问题。本发明结合知识间关联关系和资源与知识点的关联关系，在传统的用户相似度计算和兴趣度计算方法中引入与学习者相关联的知识点信息，进而获得目标学习者的最近邻用户群，并构建学习者-学习资源兴趣度评分矩阵；接着，通过相似用户群的知识点偏好预测当前用户尚未学习且可能感兴趣的资源的兴趣度评分；最后，选取兴趣度评分较高的N个序列结果推荐给当前学习者。

下面结合具体分析对本发明作进一步描述。

如图1，本发明实施例提供的基于知识关联的学习资源协同过滤推荐系统。包括：

基于学习者的学习行为数据库、学习者基本信息库、知识点间关联库和知识点与学习资源关联库，建立学习者、知识点与学习资源三维关联模型；

图2，本发明实施例提供的基于知识关联的学习资源协同过滤推荐方法，包括步骤S1-步骤S5：

S1、作为本发明的一种改进，构建学习者、知识点与学习资源三维关联模型，请参阅图3。

具体地，所述步骤S1包括：

S11、获取能够反映学习者特征和偏好的相关信息。采用显式和隐式相结合的信息采集方式，显式采集通过学习者的注册信息，直接收集学习者的知识属性信息如学科、年级、专业等；隐式采集通过Web日志分析学习者的学习行为信息，利用机器学习的方法提取学习者学习的资源相关信息。

S12、构建学习者、知识点与学习资源之间的关系模型。数据源于学习者基本信息库、学习行为数据库、知识点间关联库、知识点与学习资源关联库。

1)学习者基本信息库。定义了学习者基本知识属性，如学科subject、年级grade、专业major等。

2)学习行为数据库。记录了学习者的学习行为信息，如浏览时长browse_time、是否下载is_download、是否分享is_share、学习的资源编号resource_id等。

3)知识点间关联库。记录了知识体系中知识点与知识点之间的关联，如知识点编号knowid、知识点名称title、知识点内容description、父知识点pre_knowid、子知识点next_knowid等。

4)知识点与学习资源关联库。通过学习资源编号和关联权重将学习资源与知识点关联起来，相关属性定义为：资源编号resource_id、资源名称name、资源内容content、资源类型type、与该资源关联的知识点编号knowid、资源与知识点的关联权重weight等。

进一步地，学习者、知识点与学习资源的关联模型构建流程如下：

优选的，对于新用户，提取学习者相关知识点主要依据学习者的基本属性信息，对于非新用户，要同时结合学习者基本属性信息和已学习的资源信息，依据知识点间关联和知识点与学习资源间关联，得到与当前学习者相关联的知识点集合K_i；

作为本发明实施例的优选方案，将知识点与学习资源间的关联权重映射为知识点与学习者间的关联权重。若在一个知识点下学习者没有学习任何资源，则学习者与该知识点的关联度为0；反之，则对学习资源与知识点的权重加权求平均值，即是学习者与该知识点的关联度。

S13、利用学习者知识属性信息和新学习的资源内容传递调整的方式对关系模型进行更新。在学习者进入系统学习时，首先根据初始化构建的学习者、知识点与学习资源三维关联模型为学习者推荐学习资源。基于学习者基本属性信息的变更和学习者不断学习新资源导致的学习偏好变化，更新学习者基本信息库和与学习者相关的资源信息，进一步地，获取与学习者相关联的最新知识集合及关联权重。

S2、作为本发明的一种改进，在传统的用户相似度计算中加入与学习者相关的知识信息，基于步骤S1中已求得的学习者与知识点之间的关联权重构建学习者与父知识点的权重向量，进而度量学习者之间的相似性，并获取当前学习者的最近邻用户群。

具体地，所述步骤S2包括：

S21、由上述步骤S1的关联模型得知学习者u_i和u_j的关联知识点集合K_i和K_j及其对应的关联权重；

S22、根据知识点间关联，获取u_i和u_j的共同父知识点集合P_G，然后计算u_i和u_j与每个父知识点的关联权重，请参阅图4。其中学习者与父知识点之间的关联权重为学习者与此父知识点下所有子知识点关联权重之和，值越大，表示关联度越高，计算公式为：

为学习者u_i和父知识点P_i的关联权重；P_G为学习者u_i在父知识点P_i下学过的所有子知识点集合；

为学习者u_i与子知识点k的关联权重。

作为本发明实施例的优选方案，构建学习者的父知识点权重向量矩阵，公式为：

S23、计算学习者之间的相似度，构建学习者之间的相似度关联矩阵，公式为：

和

分别表示学习者u_i和u_j的父知识点向量。

S3、作为本发明的一种改进，将学习者所学资源与知识点的关联关系和隐式评分法结合，构建学习者-学习资源兴趣度评分矩阵，这样既可避免学习者参与度低，也可缓解隐式评分对学习者缺乏引导的不足。

具体地，首先通过跟踪、记录学习者的学习行为，如果出现了可以表示学习者对资源偏好的行为(分享、下载、浏览)，就把这些行为转化为学习者对资源的隐式评分，用S、D、B分别表示分享、下载和浏览(>5min)，对应的行为与分值可表示为(5分制)：

{S:3.5；D:3.5；B:3.5；S+D+B:5；S+D:4；S+B:4；D+B:4}

同时结合知识点与学习资源之间的关联权重，得出最终学习者u_i对资源r的兴趣度评分：

表示学习者u_i对资源r的兴趣度评分；

表示学习资源r与学习者u_i所学知识点间的关联权重；Mark表示学习者u_i对资源r的隐式评分。

S4、结合最近邻用户群和经过k-means算法处理后的兴趣度评分矩阵，预测目标学习者对尚未学习的资源的兴趣度评分：

为目标学习者u_i对推荐对象c的预测评分，S(u_i，u_j)表示学习者u_i和学习者u_j的相似性，

表示学习者u_j对推荐对象c的评分，N_u表示学习者u_i的最近邻用户群。

和

分别表示学习者u_i和学习者u_j对资源的平均评分，如果学习者u_i为新用户，则

为0。

S5、对系统预测的兴趣度评分降序排列，选择评分值较高的N个序列结果推荐给目标学习者。

如图5所示，本发明实施例提供的基于知识关联的学习资源协同过滤推荐系统，包括：

学习者知识资源关联模型建立模块1，从学习者的学习行为数据中提取学习者已学习的资源信息，结合学习者基本信息、知识点间关联信息和知识点与学习资源关联关系，建立学习者的知识资源关联模型。

学习者—资源兴趣度评分矩阵获取模块2，采用改进的基于知识关联的兴趣度计算方法来求得学习者—资源兴趣度评分矩阵；

推荐序列结果呈现模块3，在学习者—学习资源兴趣度评分矩阵中利用相似用户群的偏好预测当前用户对可能感兴趣的学习资源的兴趣度评分，进而采用Top-N推荐为学习者呈现推荐序列结果。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于知识关联的学习资源协同过滤推荐方法，其特征在于，所述基于知识关联的学习资源协同过滤推荐方法包括：

构建学习者、知识点与学习资源三维关联模型；数据源于学习者基本信息库、学习行为数据库、知识点间关联库和知识点与学习资源关联库；

获取与目标学习者关联的知识点信息，结合知识点与学习资源的关联，将知识点与资源之间的关联权重映射为学习者与知识点的关联权重，构建学习者与父知识点的权重向量矩阵，进一步度量学习者之间的相似性并获取目标学习者的最近邻用户群；

其中将知识点与学习资源间的关联权重映射为知识点与学习者间的关联权重具体包括：在一个知识点下学习者没有学习任何资源，则学习者与所述知识点的关联度为0；反之，则对学习资源与知识点的权重加权求平均值，为学习者与所述知识点的关联度；

其中构建学习者与父知识点的权重向量矩阵具体包括：根据求得的学习者与知识点之间的关联权重构建学习者与父知识点的权重向量，进而度量学习者之间的相似性，并获取当前学习者的最近邻用户群；具体包括：

1)由关联模型得知学习者u_i和u_j的关联知识点集合K_i和K_j及其对应的关联权重；

2)根据知识点间关联，获取u_i和u_j的共同父知识点集合P_G，然后计算u_i和u_j与每个父知识点的关联权重；其中学习者与父知识点之间的关联权重为学习者与此父知识点下所有子知识点关联权重之和，值越大，表示关联度越高，计算公式为：

为学习者u_i和父知识点P_i的关联权重；P_G为学习者u_i在父知识点P_i下学过的所有子知识点集合；

为学习者u_i与子知识点k的关联权重；

构建学习者的父知识点权重向量矩阵，公式为：

将学习者所学资源与知识点的关联和隐式评分法结合，构建学习者-学习资源兴趣度评分矩阵；

结合最近邻用户群和经过k-means算法处理后的兴趣度评分矩阵，利用相似用户群的偏好预测当前学习者可能感兴趣的资源的兴趣度评分；

对系统预测的兴趣度评分降序排列，选择评分较高的N个序列结果推荐给目标学习者。

2.如权利要求1所述基于知识关联的学习资源协同过滤推荐方法，其特征在于，构建学习者、知识点与学习资源三维关联模型，包括：

获取能够反映学习者特征和偏好的相关信息；采用显式与隐式相结合的采集方式，显式采集通过学习者的注册信息，直接收集学习者属性信息；隐式采集通过Web日志分析学习者的学习行为信息，利用机器学习的方法提取学习者学习的资源相关信息；

通过学习者所学资源与知识点的关联，建立起学习者与知识点的关联，构建学习者、知识点和学习资源三维空间模型；

利用学习者属性信息和新学习的资源内容传递调整的方式对关系模型进行更新；基于学习者基本属性信息的变更和学习者不断学习新资源导致的学习偏好变化，更新学习者基本信息库和学习者与学习资源的关联关系，进一步，获取与学习者相关联的最新知识点集合及关联权重。

3.如权利要求1所述基于知识关联的学习资源协同过滤推荐方法，其特征在于，学习者、知识点与学习资源的关联模型构建中，进一步包括：

对于新用户，提取学习者相关知识点，依据学习者的基本属性信息，对于非新用户，同时结合学习者基本属性信息和已学习的资源信息；依据知识点间关联和知识点与学习资源间关联，得到与当前学习者相关联的知识点集合K_i；

计算学习者之间的相似度，构建学习者之间的相似度关联矩阵，公式为：

和

分别表示学习者u_i和u_j的父知识点向量。

4.如权利要求1所述基于知识关联的学习资源协同过滤推荐方法，其特征在于，

将学习者所学资源与知识点的关联关系和隐式评分法结合，构建学习者-学习资源兴趣度评分矩阵；具体包括：

首先通过跟踪、记录学习者的学习行为，如果出现表示学习者对资源偏好的行为，就把这些行为转化为学习者对资源的隐式评分，用S、D、B分别表示分享、下载和浏览，对应的行为与分值表示为：

{S：3.5；D：3.5；B：3.5；S+D+B：5；S+D：4；S+B：4；D+B：4}，

同时结合知识点与学习资源之间的关联权重，得出最终学习者u_i对资源r的兴趣度评分：

表示学习者u_i对资源r的兴趣度评分；

表示学习资源r与学习者u_i所学知识点间的关联权重；Mark表示学习者u_i对资源r的隐式评分。

5.如权利要求1所述基于知识关联的学习资源协同过滤推荐方法，其特征在于，结合最近邻用户群和经过k-means算法处理后的兴趣度评分矩阵，预测目标学习者对尚未学习的资源的兴趣度评分：

为目标学习者u_i对推荐对象c的预测评分，S(u_i，u_j)表示学习者u_i和学习者u_j的相似性，

表示学习者u_j对推荐对象c的评分，N_u表示学习者u_i的最近邻用户群，

和

分别表示学习者u_i和学习者u_j对资源的平均评分，学习者u_i为新用户，则

为0。

6.一种实现权利要求1～5任意一项所述基于知识关联的学习资源协同过滤推荐方法的信息数据处理终端。

7.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-5任意一项所述的基于知识关联的学习资源协同过滤推荐方法。

8.一种实现权利要求1所述基于知识关联的学习资源协同过滤推荐方法的基于知识关联的学习资源协同过滤推荐系统，其特征在于，所述基于知识关联的学习资源协同过滤推荐系统包括：

学习者知识资源关联模型建立模块，从学习者的学习行为数据中提取学习者已学习的资源信息，结合学习者基本信息、知识点间关联信息和知识点与学习资源关联关系，建立学习者的知识资源关联模型；

学习者-资源兴趣度评分矩阵获取模块，采用改进的基于知识关联的兴趣度计算方法来求得学习者-资源兴趣度评分矩阵；

推荐序列结果呈现模块，在学习者-学习资源兴趣度评分矩阵中利用相似用户群的偏好预测当前用户对可能感兴趣的学习资源的兴趣度评分，进而采用Top-N推荐为学习者呈现推荐序列结果。

9.一种搭载权利要求8所述基于知识关联的学习资源协同过滤推荐系统的网络教育平台。

Images