CN109829110A - 一种学习资料的个性化推荐方法 - Google Patents
一种学习资料的个性化推荐方法 Download PDFInfo
- Publication number
- CN109829110A CN109829110A CN201910086833.7A CN201910086833A CN109829110A CN 109829110 A CN109829110 A CN 109829110A CN 201910086833 A CN201910086833 A CN 201910086833A CN 109829110 A CN109829110 A CN 109829110A
- Authority
- CN
- China
- Prior art keywords
- learner
- portrait
- user
- learning materials
- data
- 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
Abstract
本发明公开了学习资料的个性化推荐方法,包括以下步骤:(1)首先采用基于内容的推荐算法计算学习者的物品画像与用户画像,然后计算用户画像与物品画像之间的余弦相似度,得到用户画像与所有物品画像的相似度矩阵,并输入集成分类器,对学习者进行基于内容的推荐;(2)学习者使用步骤(1)的推荐方法学习一段时间后,学习者在每个资料属性特征上的用户画像就有了数据支撑,计算不同用户画像之间的余弦相似度,得到学习者与其他用户的相似度矩阵,并输入集成分类器,采用基于用户的协同过滤来为学习者进行推荐;(3)对每个学习者进行基于物品的协同过滤推荐。该方法实现对学习资料更精准地推荐。
Description
技术领域
本发明涉及大数据分析技术领域,具体涉及一种学习资料的个性化推荐方法。
背景技术
在如今大数据时代之下,学习者经常要面对海量的学习资源,而出现选择困难,因此学习资料的推荐方法应运而生。现有的学习资料推荐方法与系统主要是基于思维地图来进行推荐。思维地图的技术特征是,将其系统与学习者之间的学习行为日志采集到,依据此构建阈值,与学习事务图,再依据学习事务图挖掘泡图,依据泡图找到候选子图集合,然后找到与候选子图有边连接且此边具有最大权值的节点,再将该节点加入候选子图,形成新的候选子图,最后不断重复此过程,直到候候选子图的节点数达到给定阈值为止,最后将支持度最大的候选子图作为挖掘结果推荐给学习者。该方法在对每一个学习者进行推荐时,没有对学习者的学习行为日志进行深度剖析,从而不能量化精确描述学习者的用户画像等特征,从而做不到精准的个性化推荐。
发明内容
为了克服上述技术缺陷,本发明提供了一种学习资料的个性化推荐方法,该方法将基于内容的推荐算法与协同过滤算法应用在学习资料的推荐方法中,实现对学习资料更精准地推荐。
为了达到上述技术效果,本发明提供了一种学习资料的个性化推荐方法,其特征在于,包括以下步骤:
(1)首先采用基于内容的推荐算法计算学习者的物品画像与用户画像,然后计算用户画像与物品画像之间的余弦相似度,得到用户画像与所有物品画像的相似度矩阵,并输入集成分类器,对学习者进行基于内容的推荐;
(2)在学习者使用步骤(1)的推荐方法学习一段时间后,学习者在每个资料属性特征上的用户画像就有了数据支撑,计算不同用户画像之间的余弦相似度,得到学习者与其他用户的相似度矩阵,并输入集成分类器,采用基于用户的协同过滤来为学习者进行推荐;
(3)对每个学习者进行基于物品的协同过滤推荐。
本发明中余弦相似度的计算如下公式所示:
xu和xv分别表示学习者的用户画像;rui与rvj为学习者对资料的评分;
Iu和Iv表示两个学习者的评分的学习资料集合;
Iuv为两个学习者评分的学习资料的交集。
进一步的技术方案为,所述步骤(1)中用户画像的获取是通过对学习者的行为数据进行分析得到的。
具体的,学习者的行为数据包括学习的资料的所属领域类别、学习的时长、学习行为发生的时间段、学习时长与资料(视频或音频类)总时长的百分比等等维度。
以电影推荐数据为例,数据A为用户对看过的电影的评分,通过将每一个用户看过的每一个题材的初步评分(0或1)与看过之后的评分A进行相乘,获取到用户对每一个题材的评分,然后将评分进行归一化,即可获取每一个电影用户的用户画像,A为显式评分数据,还有用户对电影观看的时长百分比,收藏,观看次数等等隐式行为数据,可进一步完善电影用户的用户画像。同理学习者的显式评分与隐式行为数据亦可进行获取,例如,学习者对某一资料的观看百分比,观看时长,收藏等等行为。
进一步的技术方案为,所述步骤(1)中物品画像的获取是通过对学习资料库中的资料的标题以及内容进行识别来进行打标签得到的。
进一步的技术方案为,所述用户画像的获取方法还可以为在社交平台中通过对学习者的行为数据进行动态分析得到。
进一步的技术方案为,所述步骤(2)中基于用户的协同过滤具体为将余弦相似度作为集成分类器的输入,计算得到与学习者的学习方向最为相似的K个学习者,最后将这K个学习者的喜好学习资料与该用户的做差集,推荐给该学习者,与此同时,也将这K个学习者推荐给该学习者,完成基于用户的协同过滤。
进一步的技术方案为,所述步骤(3)的基于物品的协同过滤推荐具体为获取学习者喜好的学习资料,然后以这些资料为核心,构建用户物品关系矩阵,计算其他学习资料库中资料与这些资料的余弦相似度,然后获取相似度矩阵,并输入集成分类器,为学习者生成推荐列表,完成基于物品的协同过滤。
与现有技术相比,本发明具有如下有益效果:本发明将基于内容的推荐算法与协同过滤算法应用在学习资料的推荐方法中,实现对学习资料更精准地推荐。
附图说明
图1为本发明的个性化推荐方法的流程图。
具体实施方式
实施例1
一种学习资料的个性化推荐方法,具体包括以下步骤:
1、首先采用基于内容的推荐算法计算学习者的物品画像与用户画像,根据确定的用户画像,对用户进行基于内容的推荐,计算用户画像与物品画像之间的余弦相似度,
具体例如,学习资料的属性特征有:前端,后端,算法,运维,管理,财务,人力等,某学习者学习过的资料的在这七个维度的用户画像为x=(0.23,0.45,0.56,0.86,0.01,0.00,0.00),并以这七个属性特征为基础来分析该学习者多次学习或者学习时间较长的某一资料,得到该学习资料的物品画像为y=(0.35,0.00,0.56,0.86,0.21,0.00,0.00),计算该学习者与该学习资料的余弦相似度:
经计算得二者的余弦相似度为0.84,容易理解,该学习者在前后涉猎不多,后端一般,算法较多,运维最多,管理,财务以及人力不涉及。然后将其他学习资料在这七个属性特征的物品画像与该学习资料进行相似度计算,得到用户画像与所有物品画像的相似度矩阵,并输入KNN分类器,将TOP10推荐给该学习者。
2、在学习者使用该方法进行学习资料需求推荐一段时间后,学习者在每个资料属性特征上的用户画像就有了充足的数据支撑,此时,对学习者进行基于用户的协同过滤推荐,计算学习者之间用户画像的余弦相似度,例如,假设存在学习者1,学习者2和学习者3在如上的七个属性特征的用户画像分别是y1=(0.35,0.00,0.56,0.86,0.21,0.00,0.00),y2=(0.31,0.02,0.58,0.56,0.11,0.20,0.00),y3=(0.12,0.56,0.00,0.00,0.71,0.91,0.82),分别依次计算y1和y2,y1和y3之间的余弦相似度,计算得cos(y1,y2)=0.67,cos(y1,y3)=0.26,在从三者用户画像来进行理解,学习者1和学习者2均在算法与运维中有较多学习,二者的工作内容交集较多,而学习者3则是在管理,财务,人力方面学习较多,学习者3和学习者1的学习领域相差较远,所以则不必将学习者3的学习过喜欢的资料推荐给学习者1,而可以将学习者2与学习者1学习过的资料的差集推荐给学习者1,以此类推广到所有用户,即可得到学习者1与其他用户的相似度矩阵,再利用KNN得到top10,将top10学习者所有学习过的评分高的资料与学习者1取差集,将差集推荐给学习者1,其他学习者以此类推。
3、对每个学习者进行基于物品的协同过滤推荐,将学习者学习过的资料中物品画像与其用户画像的余弦相似度大于0.9的学习资料筛选出来,并将其作为根基,计算这些资料的物品画像与其他所有资料的物品画像的余弦相似度,得到相似度矩阵,最后依据KNN分类器得到top10学习资料,推荐给学习者。
Claims (6)
1.一种学习资料的个性化推荐方法,其特征在于,包括以下步骤:
(1)首先采用基于内容的推荐算法计算学习者的物品画像与用户画像,然后计算用户画像与物品画像之间的余弦相似度,得到用户画像与所有物品画像的相似度矩阵,并输入集成分类器,对学习者进行基于内容的推荐;
(2)在学习者使用步骤(1)的推荐方法学习一段时间后,学习者在每个资料属性特征上的用户画像就有了数据支撑,计算不同用户画像之间的余弦相似度,得到学习者与其他用户的相似度矩阵,并输入集成分类器,采用基于用户的协同过滤来为学习者进行推荐;
(3)对每个学习者进行基于物品的协同过滤推荐。
2.根据权利要求1所述的学习资料的个性化推荐方法,其特征在于,所述步骤(1)中用户画像的获取是通过对学习者的学习行为数据进行分析得到的。
3.根据权利要求1所述的学习资料的个性化推荐方法,其特征在于,所述步骤(1)中物品画像的获取是通过对学习资料库中的资料的标题以及内容进行识别来进行打标签得到的。
4.根据权利要求2所述的学习资料的个性化推荐方法,其特征在于,所述用户画像的获取方法还可以为在社交平台中通过对学习者的行为数据进行动态分析得到。
5.根据权利要求1所述的学习资料的个性化推荐方法,其特征在于,所述步骤(2)中基于用户的协同过滤具体为将余弦相似度作为集成分类器的输入,计算得到与学习者的学习方向最为相似的K个学习者,最后将这K个学习者的喜好学习资料与该用户的做差集,推荐给该学习者,与此同时,也将这K个学习者推荐给该学习者,完成基于用户的协同过滤。
6.根据权利要求1所述的学习资料的个性化推荐方法,其特征在于,所述步骤(3)的基于物品的协同过滤推荐具体为获取学习者喜好的学习资料,然后以这些资料为核心,构建用户物品关系矩阵,计算其他学习资料库中资料与这些资料的余弦相似度,然后获取相似度矩阵,并输入集成分类器,为学习者生成推荐列表,完成基于物品的协同过滤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910086833.7A CN109829110A (zh) | 2019-01-29 | 2019-01-29 | 一种学习资料的个性化推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910086833.7A CN109829110A (zh) | 2019-01-29 | 2019-01-29 | 一种学习资料的个性化推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109829110A true CN109829110A (zh) | 2019-05-31 |
Family
ID=66862860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910086833.7A Pending CN109829110A (zh) | 2019-01-29 | 2019-01-29 | 一种学习资料的个性化推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109829110A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110750733A (zh) * | 2019-10-15 | 2020-02-04 | 赛尔网络有限公司 | 基于在校生身份画像的业务推荐方法、装置、设备及介质 |
CN110766047A (zh) * | 2019-09-16 | 2020-02-07 | 平安科技(深圳)有限公司 | 数据匹配方法、系统、计算机设备和计算机可读存储介质 |
CN116932920A (zh) * | 2023-09-18 | 2023-10-24 | 青岛理工大学 | 基于大数据的健康科普资料精准推荐方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718582A (zh) * | 2016-01-25 | 2016-06-29 | 重庆邮电大学 | 一种E-learning平台下学习资源个性化推荐系统及方法 |
CN105989056A (zh) * | 2015-02-06 | 2016-10-05 | 北京中搜网络技术股份有限公司 | 一种汉语新闻推荐系统 |
CN106126582A (zh) * | 2016-06-20 | 2016-11-16 | 乐视控股(北京)有限公司 | 推荐方法及装置 |
CN107800801A (zh) * | 2017-11-07 | 2018-03-13 | 上海电机学院 | 一种基于用户学习偏好的学习资源推送方法及系统 |
CN108241619A (zh) * | 2016-12-23 | 2018-07-03 | 西北大学 | 一种基于用户多兴趣的推荐方法 |
CN108304556A (zh) * | 2018-02-06 | 2018-07-20 | 中国传媒大学 | 基于内容与协同过滤相结合的个性化推荐方法 |
CN108763314A (zh) * | 2018-04-26 | 2018-11-06 | 深圳市腾讯计算机系统有限公司 | 一种兴趣推荐方法、装置、服务器及存储介质 |
CN109213863A (zh) * | 2018-08-21 | 2019-01-15 | 北京航空航天大学 | 一种基于学习风格的自适应推荐方法及系统 |
-
2019
- 2019-01-29 CN CN201910086833.7A patent/CN109829110A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105989056A (zh) * | 2015-02-06 | 2016-10-05 | 北京中搜网络技术股份有限公司 | 一种汉语新闻推荐系统 |
CN105718582A (zh) * | 2016-01-25 | 2016-06-29 | 重庆邮电大学 | 一种E-learning平台下学习资源个性化推荐系统及方法 |
CN106126582A (zh) * | 2016-06-20 | 2016-11-16 | 乐视控股(北京)有限公司 | 推荐方法及装置 |
CN108241619A (zh) * | 2016-12-23 | 2018-07-03 | 西北大学 | 一种基于用户多兴趣的推荐方法 |
CN107800801A (zh) * | 2017-11-07 | 2018-03-13 | 上海电机学院 | 一种基于用户学习偏好的学习资源推送方法及系统 |
CN108304556A (zh) * | 2018-02-06 | 2018-07-20 | 中国传媒大学 | 基于内容与协同过滤相结合的个性化推荐方法 |
CN108763314A (zh) * | 2018-04-26 | 2018-11-06 | 深圳市腾讯计算机系统有限公司 | 一种兴趣推荐方法、装置、服务器及存储介质 |
CN109213863A (zh) * | 2018-08-21 | 2019-01-15 | 北京航空航天大学 | 一种基于学习风格的自适应推荐方法及系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110766047A (zh) * | 2019-09-16 | 2020-02-07 | 平安科技(深圳)有限公司 | 数据匹配方法、系统、计算机设备和计算机可读存储介质 |
CN110750733A (zh) * | 2019-10-15 | 2020-02-04 | 赛尔网络有限公司 | 基于在校生身份画像的业务推荐方法、装置、设备及介质 |
CN116932920A (zh) * | 2023-09-18 | 2023-10-24 | 青岛理工大学 | 基于大数据的健康科普资料精准推荐方法 |
CN116932920B (zh) * | 2023-09-18 | 2023-12-12 | 青岛理工大学 | 基于大数据的健康科普资料精准推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108287864B (zh) | 一种兴趣群组划分方法、装置、介质及计算设备 | |
CN108763362B (zh) | 基于随机锚点对选择的局部模型加权融合Top-N电影推荐方法 | |
CN103593792B (zh) | 一种基于中文知识图谱的个性化推荐方法与系统 | |
CN103744981B (zh) | 一种基于网站内容用于网站自动分类分析的系统 | |
CN103440329A (zh) | 权威作者和高质量论文推荐系统和推荐方法 | |
US10459996B2 (en) | Big data based cross-domain recommendation method and apparatus | |
JP6261547B2 (ja) | 判定装置、判定方法及び判定プログラム | |
CN106599226A (zh) | 一种内容推荐方法及内容推荐系统 | |
CN104063481A (zh) | 一种基于用户实时兴趣向量的电影个性化推荐方法 | |
CN112434151A (zh) | 一种专利推荐方法、装置、计算机设备及存储介质 | |
CN107301247B (zh) | 建立点击率预估模型的方法及装置、终端、存储介质 | |
CN109829110A (zh) | 一种学习资料的个性化推荐方法 | |
CN108959329B (zh) | 一种文本分类方法、装置、介质及设备 | |
CN109460519B (zh) | 浏览对象推荐方法及装置、存储介质、服务器 | |
CN108021715B (zh) | 基于语义结构特征分析的异构标签融合系统 | |
CN110046228A (zh) | 短文本主题识别方法和系统 | |
CN109063147A (zh) | 基于文本相似度的在线课程论坛内容推荐方法及系统 | |
CN109992676B (zh) | 一种跨媒体资源检索方法及检索系统 | |
CN110110090A (zh) | 搜索方法、教育搜索引擎系统及装置 | |
CN111522886B (zh) | 一种信息推荐方法、终端及存储介质 | |
CN112214661B (zh) | 一种面向视频常规评论的情感不稳定用户检测方法 | |
CN104915436A (zh) | 自适应多标签预测方法 | |
Aryal et al. | MoocRec: Learning styles-oriented MOOC recommender and search engine | |
CN108733635A (zh) | 一种文本信息展示方法及装置 | |
CN112948575B (zh) | 文本数据处理方法、装置和计算机可读存储介质 |
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: 20190531 |