CN109977313A - 学习者模型构建方法、学习资源的推荐方法及系统 - Google Patents
学习者模型构建方法、学习资源的推荐方法及系统 Download PDFInfo
- Publication number
- CN109977313A CN109977313A CN201910245097.5A CN201910245097A CN109977313A CN 109977313 A CN109977313 A CN 109977313A CN 201910245097 A CN201910245097 A CN 201910245097A CN 109977313 A CN109977313 A CN 109977313A
- Authority
- CN
- China
- Prior art keywords
- learner
- user
- resource
- data
- learning behavior
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000010276 construction Methods 0.000 title claims abstract description 19
- 230000006399 behavior Effects 0.000 claims abstract description 93
- 238000011156 evaluation Methods 0.000 claims abstract description 29
- 238000012512 characterization method Methods 0.000 claims abstract description 25
- 238000012544 monitoring process Methods 0.000 claims abstract description 20
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 10
- 230000003542 behavioural effect Effects 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 230000003068 static effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000011157 data evaluation Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 abstract description 11
- 230000010354 integration Effects 0.000 abstract description 6
- 239000011159 matrix material Substances 0.000 description 12
- 239000013598 vector Substances 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 239000000203 mixture Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 210000003813 thumb Anatomy 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002889 sympathetic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种学习者模型构建方法、学习资源的推荐方法及系统，通过获取用户在不同学习阶段的监测数据；从监测数据中提取表征用户个性化特征的学习行为数据；根据预设维度及对应的评测指标对用户的学习行为数据进行评测，生成学习者特征数据；利用学习者特征数据构建学习者模型，本发明提供的学习者模型能够全面的刻画学习者的特征，体现学习者的个性化特点。利用基于学习者模型的协同过滤学习资源的推荐方法及系统，根据一定规则将学习者有效学习行为数据转换为学习者在学习行为上对资源的评分，然后对每个行为赋以一定权重，整合获得用户对资源的评分数据，根据评分生成推荐结果，根据推荐结果将学习资源推荐给目标用户，推荐精确度高。
Description
技术领域
本发明涉及智能推荐领域，具体涉及一种学习者模型构建方法、学习资源的推荐方法及系统。
背景技术
当前，互联网技术与现代远程教育技术正处于高速融合期，以学习者为中心的网络学习因其不受时空限制、费用成本低、服务功能完善等优势迅速成为现代教育教学体系中重要的形式之一。然而学习者在海量学习资源中却面临着无从选择的境地，信息过载问题一直困扰着学习者。借鉴个性化推荐系统在音乐、视频、新闻媒体、电子商务等的成功应用，教育领域的研究学者也尝试做了一些推荐系统。
目前，以协同过滤技术为代表的个性化推荐技术在教育领域有了一定发展，同时以学习者的角度出发的协同过滤推荐系统模型停留在模型阶段，例如基于协同过滤技术的在线学习资源个性化推荐系统模型，将学习者在线学习过程中的学习行为与在线学习资源特点作为设计基于协同过滤技术的数字化学习资源模型的依据。通过学习者行为日志和学习资源库，数字化模型以及协同过滤引擎组成。其对学习者的认知不足，没有建立完整的学习者模型，行为数据本身的稀疏性、稳定性等问题并没有完好的解决，且不适用于复杂学习社区多元主体带来的学习者群体复杂性提高，海量资源带来的学习者总体行为增加以及学习者之间交集行为减少的现状，还是会造成数据矩阵稀疏，推荐的准确度也不够准确。
发明内容
因此，本发明提供一种学习者模型构建方法、学习资源的推荐方法及系统，克服了现有技术中学习资源的个性化推荐不够准确的不足。
第一方面，本发明实施例提供一种学习者模型构建方法，包括如下步骤：获取用户在不同学习阶段的监测数据；从所述监测数据中提取表征用户个性化特征的学习行为数据；根据预设维度及所述维度对应的评测指标对用户的学习行为数据进行评测，生成学习者特征数据；利用所述学习者特征数据构建学习者模型。
在一实施例中，所述表征用户个性化特征的学习行为数据包括：表征用户属性的静态信息和表征用户的学习过程的动态信息，其中，所述静态信息包括：用户的性别、年龄及受教育程度；所述动态信息包括：用户的社交关系信息、偏好信息、作业完成情况信息及个人成就信息。
在一实施例中，所述预设维度包括：预设学习资源利用度、生成性资源利用度、协作交流度、任务参与度及成果评估，其中，所述预设学习资源利用度的评测指标包括：访问学习内容及访问辅助资源；所述生成性资源利用度的评测指标包括：访问他人作业及访问社区资源；所述协作交流度的评测指标包括：参与论坛交互、参与资源评价及收到资源评价；所述任务参与度的评测指标包括：任务完成度及资源贡献度；所述成果评估的评测指标包括：共享资源的认可度、作业推优度、共享资源推优度、学习成绩、帖子及笔记的认可度。
第二方面，本发明实施例提供一种学习资源的推荐方法，包括如下步骤：获取表征用户个性化特征的有效学习行为数据；根据预设规则及所述有效学习行为信息获取所述用户对学习资源的预测评分；基于所述预测评分生成推荐结果。
在一实施例中，所述表征用户个性化特征的有效学习行为数据为根据本发明实施例第一方面所述的学习者模型生成的学习者特征矩阵，所述方法还包括：计算学习者特征矩阵与所述学习者模型中学习者用户集特征矩阵的相似度；根据预设相似度阈值和/或最近邻居个数确定学习者的最近邻居群。
在一实施例中，所述根据预设规则及所述有效学习行为信息获取所述用户对学习资源的预测评分的步骤，包括：将有效学习行为分为多个子有效行为；根据预设规则将多个子有效行为转换为各个子有效行为对资源的评分；利用预设的先验均值和先验权重及各个子有效行为对资源的评分和相应的预设权重，获取最近邻居群对学习资源的真实评分；将最近邻居群对学习资源的评分进行加权平均得到用户对学习资源的预测评分。
在一实施例中，通过以下公式计算所述预测评分：
其中，Pi,r表示用户i对资源r的预测评分，Ni为用户i的最近邻居集，sim(i,u)表示用户i与u的相似度，Mu,r是用户u对资源r的真实评分。
在一实施例中，所述根据预设规则及所述有效学习行为信息获取所述用户对学习资源的预测评分的步骤，包括：将有效学习行为分为多个子有效行为；根据预设规则将多个子有效行为转换为各个子有效行为对资源的评分；利用预设的先验均值和先验权重及各个子有效行为对资源的评分和相应的预设权重，获取用户对学习资源的预测评分。
第三方面，本发明实施例提供一种学习者模型构建系统，包括：监测数据获取模块，用于获取用户在线上不同学习阶段的监测数据；学习行为数据获取模块，用于从所述监测数据中提取表征用户个性化特征的学习行为数据；学习行为数据评测模块，用户设置预设维度及所述维度对应的评测指标对用户的学习行为数据进行评测，生成学习者特征数据；学习者模型构建模块，用于利用所述学习者特征数据构建学习者模型。
第四方面，本发明实施例提供一种学习资源的推荐系统，包括：有效学习行为数据获取模块，用于获取表征用户个性化特征的有效学习行为数据；预测评分获取模块，用于根据预设规则及所述有效学习行为信息获取所述用户对学习资源的预测评分；推荐结果生成模块，用于基于所述预测评分生成推荐结果。
第五方面，本发明实施例提供一种计算机设备，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行本发明实施例第一方面所述的学习者模型构建方法或本发明实施例第二方面所述的学习资源的推荐方法。
第六方面，本发明实施例提供一种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指令，所述计算机指令用于使所述计算机执行本发明实施例第一方面所述的学习者模型构建方法或本发明实施例第二方面所述的学习资源的推荐方法。
本发明技术方案，具有如下优点：
本发明提供的一种学习者模型构建方法、学习资源的推荐方法及系统，通过获取用户在不同学习阶段的监测数据；从监测数据中提取表征用户个性化特征的学习行为数据；根据预设维度及所述维度对应的评测指标对用户的学习行为数据进行评测，生成学习者特征数据；利用所述学习者特征数据构建学习者模型，本发明实施例提供的学习者模型能够全面的刻画学习者的特征，体现学习者的个性化特点。利用基于学习者模型的协同过滤学习资源的推荐方法及系统，根据学习者对学习资源的预测评分将学习资源推荐给目标用户，推荐精确度较高。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的学习者模型构建方法一个具体示例的流程图；
图2为本发明实施例提供的学习资源的推荐方法一个具体示例的流程图；
图3为本发明实施例提供的选择最近邻居一个具体示例的示意图；
图4为本发明实施例提供的选择最近邻居一个具体示例的示意图；
图5为本发明实施例提供的选择最近邻居一个具体示例的示意图；
图6为本发明实施例提供的基于预测评分生成推荐结果一个具体示例的流程图；
图7为本发明实施例提供的学习者模型构建系统一个具体示例的组成图；
图8为本发明实施例提供的学习资源的推荐系统一个具体示例的组成图；
图9为本发明实施例提供的计算机设备一个具体示例的组成图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本发明实施例提供一种学习者模型构建方法，如图1所示，该学习者模型构建方法，包括如下步骤：
步骤S11:获取用户在不同学习阶段的监测数据。
本发明实施例中，对用户即学习者在线学习的过程进行监测，根据不同阶段的学习表现为学习者推荐个性化资源。在实际应用中，从Web终端记录的用户数据在mysql数据库中取出，仅以此举例，不以此为限。
步骤S12:从监测数据中提取表征用户个性化特征的学习行为数据。
在本发明实施例中，表征用户个性化特征的学习行为数据包括：表征用户属性的静态信息和表征用户的学习过程的动态信息，以学习者学习过程中动态信息为主，学习者学业信息等静态信息为辅刻画学习者特征，其中，静态信息包括：用户的性别、年龄及受教育程度；动态信息包括：用户的社交关系信息、偏好信息、作业完成情况信息及个人成就信息。
步骤S13:根据预设维度及所述维度对应的评测指标对用户的学习行为数据进行评测，生成学习者特征数据。
在本发明实施例中，所述预设维度包括：预设学习资源利用度、生成性资源利用度、协作交流度、任务参与度及成果评估。
其中，预设学习资源利用度是通过浏览学习内容和浏览辅助资源来获取系统的教师专业知识及相应深度和广度的拓展，其评测指标包括：访问学习内容及访问辅助资源。
生成性资源利用度是学习者通过浏览同伴的作业来了解他人的观点，并培养判断和归纳总结的能力，通过浏览社区资源，很多学员可以零距离接触到优质教学资源，从而获得最直接、最快捷的专业支持，提升专业能力，其评测指标包括：访问他人作业及访问社区资源。
协作交流度是学习者与其他成员之间的交互，第一类互动是学员之间的交互，增强个体间的交流与知识碰撞，后两类互动是学习者针对资源的评价，参与资源评价指标投射出学习者自身的积极情绪，说明被赞或的评论的内容引起学习者的共鸣或欣赏，收到资源评价指标则满足了学习者被关注和认可的需求，其评测指标包括：参与论坛交互、参与资源评价及收到资源评价。
任务参与度主要通过任务数量来考察学习者的投入，考察学习者对教师规定行为的配合程度，鼓励学习者以主动的姿态进行参与和分享，其评测指标包括：任务完成度及资源贡献度。
成果评估是对学习者提交作业或上传资源的质量评价，鼓励学习者分享高质量的资源，其评测指标包括：共享资源的认可度、作业推优度、共享资源推优度、学习成绩、帖子及笔记的认可度。
步骤S14:利用学习者特征数据构建学习者模型。
在本发明实施例中，学习者特征数据表示学习者模型数据输入的格式，设学习者模型中用户集合为U，共有m个学习者，特征数为n，则学习者特征数据表示为m*n的矩阵C，学习者特征数据C中涵盖了学习者的基本信息、在线学习行为、教学交互、学习成绩等多类数据，矩阵稀疏度较低，学习者模型中的特征数据表示为：
本发明实施例中，通过获取学习在不同学习阶段的监测数据，提取表征用户个性化特征的学习行为数据，从不同的维度设置对应的评测指标对用户的学习行为数据进行评测生成学习者特征数据，利用学习者特征数据构建学习者模型，能够全面的刻画学习者的特征，体现学习者的个性化特点。
实施例2
本发明实施例提供一种学习资源的推荐方法，如图2所示，该学习资源的推荐方法包括如下步骤：
步骤S21:获取表征用户个性化特征的有效学习行为数据。
本发明实施例中，在学习者学习数据不充足的初始阶段，通过整合学习者对资源的行为数据代替学习者对资源的偏好，近似代表学习者对资源的评分数据。以浏览、点赞、评论、下载等多个维度获取学习者的行为数据。在数据充足时，从终端获取用户即学习者的学习行为数据，对数据清洗整理，生成根据实施例1中所述的学习者模型可用有效学习行为数据。
步骤S22:根据预设规则及有效学习行为信息获取用户对学习资源的预测评分。
本发明实施例中，通过建立学习者与资源之间的联系进行协同过滤，根据一定规则将学习者有效学习行为数据转换为学习者在该行为上对资源的评分，然后对每个学习行为赋以一定权重，整合获得用户对资源的评分数据。
步骤S23:基于预测评分生成推荐结果。
实际应用中，推荐输出的方式有多种，由于在线教育领域中学习资源库非常丰富，产生的推荐结果较多，将所有结果推荐给学习者并不可取，因此将预测评分最高的几项推荐给学习者，比较符合学习者需求和教育规律，可以采用topn推荐的方法，即将目标学习者对未评价项目的预测评分按照降序排列规则排序，选择预测评分最高的topn项推荐给目标用户。
本发明实施例，选取特定的教师教育网业务和数据，综合比较社区项目特点、项目人数等信息，选取项目人数不同的且仍在进行中的4个项目作为测试评估的测试项目，以项目748为例，学习者模型数据中学习者数为3149,资源评分数据去重检查后学习者数为2530，评分记录28506条，被评资源有2574条，根据覆盖率计算结果，待推荐资源越多时，topn推荐的覆盖率则越小，若实际待推资源集较小时，可以将topn的值设置较高，最高不超过待推荐资源的60％。
本发明实施例提供学习资源的推荐方法，通过统计学习者的有效学习行为数据，建立学习者与资源之间的联系进行协同过滤，根据一定规则将学习者有效学习行为数据转换为学习者在学习行为上对资源的评分，然后对每个行为赋以一定权重，整合获得用户对资源的评分数据，根据评分生成推荐结果，根据推荐结果将学习资源推荐给目标用户，推荐精确度高。
在一实施例中，基于实施例1中所述的学习者模型生成学习者特征矩阵，通过计算学习者特征矩阵与所述学习者模型中学习者用户集特征矩阵的相似度；根据预设相似度阈值和/或最近邻居个数确定学习者的最近邻居群。
在一具体实施例中，学习者特征数据表示学习者模型数据输入的格式，设学习者模型中用户集合为U，共有m个学习者，特征数为n，则学习者特征数据表示为m*n的矩阵C，学习者特征数据C中涵盖了学习者的基本信息、在线学习行为、教学交互、学习成绩等多类数据，矩阵稀疏度较低。
相似度计算是目前推荐算法的关键，其准确性直接影响到推荐的准确性。相似度计算的常用方法包括：皮尔森相关系数、余弦相似度、Jaccard系数、欧氏距离等。在学习者模型下，用于计算学习者相似度的数据项目对于每位学习者是一致的，由于特征数较多，相比考虑学习者在每个特征数据值上的表现差异，找到学习者在特征项目上的表现差异是第一步，如此更容易将学习者区分开来，同时特征标准化去除了特征尺度问题，较好地提高了余弦相似度的计算准确性，因此余弦相似度更适合。利用特征数据计算相似度：设U为学习者用户集，C为学习者特征矩阵，用户x和用户y(x,y∈U)的余弦相似性计算公式为：
基于学习者模型数据对U中每个用户进行与其他用户的相似度计算，则可以获得用户集U下的相似度矩阵，设u∈U，则用户u的相似度向量为Su。获得相似度矩阵后，根据每个用户的相似度向量，则可以寻找每个用户的“最近邻居”，将Su按照相似度高低排列。
为了查询相似度阈值参数对推荐结果的影响，选择748项目，取相似度阈值范围为[0,1]之间的25等分值，进行25次训练，得出随着相似度阈值的提升，计算误差逐渐降低，达到0.7～0.85之间获得最低的评分误差，当继续提高相似度阈值时，误差会重新增大，因为可供选择的相似用户更少，评分数据也更少，所以在实际应用中，相似度阈值设置为[0.7,0.85]最为合适。本发明实施例提供三种方法确定学习者用户的“最近邻居”：
(1)设定“最近邻居”的相似度阈值为s，取Su中大于s的值对应的用户集即为“最近邻居”，如图3所示，用线段表示按照高低排列的用户u相似度向量Su，设s为0.7(仅以此举例，不以此为限)，则可得用户u的最近邻居为{u1,u2,u3}；
(2)设“最近邻居”的个数为k，则取Su中前k个值对应的用户集为u的“最近邻居”，如图4所示，取k值为6(仅以此举例，不以此为限)，则可得用户u的最近邻居为{u1,u2,u3,u4,u5,u6}，从图4中可以看出u6与u的相似已经低于0.5(仅以此举例，不以此为限)，相似性已经较低；
(3)结合以上两种情况选择，即选择相似度大于预定阈值s的k个学习者，如图5所示，设s为0.7，k为6(仅以此举例，不以此为限)，大于s的用户不足6人，所以u的最近邻居也是{u1,u2,u3}。
在一实施例中，执行步骤S23基于预测评分生成推荐结果的具体过程，如图6所示，包括以下步骤：
步骤S231：将有效学习行为分为多个子有效行为。
在本发明实施例中，多个子有效行为可以为学习者用户对社区资源的行为，包括浏览、点赞、评论、下载等，这些行为代表学习者用户对该资源的关注和投入程度，一定程度代表对该资源的喜好，或者代表该资源对学习者的可用性价值大小，可以成为该资源是否值得堆荐的计算源数据。
步骤S232：根据预设规则将多个子有效行为转换为各个子有效行为对资源的评分。
在本发明实施例中统计学习者用户对学习资源的多个子有效行为，获得行为的统计数据，比如浏览次数、浏览时长等，然后根据一定规则(例如浏览次数越多，时长越长则对该学习资源的评分越高)将统计数据转换为用户在该行为上对资源的评分。
步骤S233：利用预设的先验均值和先验权重及各个子有效行为对资源的评分和相应的预设权重，获取最近邻居群对学习资源的真实评分。
步骤S234：将最近邻居群对学习资源的评分进行加权平均得到用户对学习资源的预测评分。
在一具体实施例中，设u∈U,r∈R计算u对r的评分Mur(U为最近邻居群的用户集合，R为学习资源集合)，B表示u对r的行为集合，B＝{b1,b2,b2...bn}，f为行为统计结果转换为评分的规则，W为B中各行为对应的评分权重向量，W＝{w1,w2...wn}，m0为Mur的先验均值，wm为先验均值m0的权重。
①根据数据计算u(用户)对r(资源)的行为集合为B的统计结果STAur；
②根据f将STAur转换为u对r的n元评分向量m,即m∈{m1,m2,…,mn,}
③计算u对r的评分Mur：
其中，规则f和权重向量W根据实际背景进行确定，比如对浏览行为进行了频次和时长的统计，则可以设定规则f为，浏览次数大于频次阈值并时长大于时长阈值的记评分为1，且由于浏览行为是该资源类型的核心行为，应给予较高评分权重。实际应用中可以针对规则f和权重W设置可调参数，以根据推荐结果进行参数调优。
根据传统基于用户的协同过滤推荐思想，用户对资源的预测评分，实质是将目标用户与每个最近邻居的相似度作为权值，然后将最近邻居集用户对该资源的评分进行加权平均，其计算公式为：
其中，Pi,r表示用户i对资源r的预测评分，Ni为用户i的最近邻居集，sim(i,u)表示用户i与u的相似度，Mu,r是用户u对r的真实评分。
本发明实施例采用topn推荐的方法，即将学习者最近邻居群对未评价项目的预测评分按照降序排列规则排序，选择预测评分最高的topn项推荐给目标用户。
在另一实施例中，当初始阶段(即学习资源平台用户使用初期，尚未有足够的行为记录可获取构建学习者模型时)本发明实施例提出模拟学习者偏好的方法，通过整合学习者对资源的行为数据代替学习者对资源的偏好，近似代表学习者对资源的评分数据。以浏览、点赞、评论、下载等多个维度获取学习者的行为数据。统计学习者用户对学习资源的有效行为，获得行为的统计数据，比如浏览次数、浏览时长等，然后根据一定规则将统计数据转换为用户在该行为上对资源的评分，然后对每个行为赋以一定权重，再通过专家法给定的先验均值和先验权重，整合获得用户对资源的评分数据。计算步骤包括：
设u’∈U’,r∈R计算u’对r的评分Mur’(U’为用户集合，R为资源集合)
B’表示u’对r的行为集合，B’＝{b1,b2,b2...bn}，f为行为统计结果转换为评分的规则，W’为B’中各行为对应的评分权重向量，W’＝{w1,w2...wn}。
m0’为Mur’的先验均值，wm’为先验均值m0’的权重
④根据数据计算u’(用户)对r(资源)的行为集合为B’的统计结果STAur；
⑤根据f将STAur转换为u’对r的n元评分向量m,即m∈{m1,m2,…,mn,}
⑥计算用户对学习资源的评分M’ur：
本发明实施例，采用topn推荐的方法，即将用户对未评价项目的预测评分按照降序排列规则排序，选择预测评分最高的topn项推荐给目标用户。
实施例3
本发明实施例提供一种学习者模型构建系统，如图7所示，该学习者模型构建系统，包括：
监测数据获取模块11，用于获取用户在线上不同学习阶段的监测数据；此模块执行实施例1中的步骤S11所描述的方法，在此不再赘述。
学习行为数据获取模块12，用于从所述监测数据中提取表征用户个性化特征的学习行为数据；此模块执行实施例1中的步骤S12所描述的方法，在此不再赘述。
学习行为数据评测模块13，用户设置预设维度及所述维度对应的评测指标对用户的学习行为数据进行评测，生成学习者特征数据；此模块执行实施例1中的步骤S13所描述的方法，在此不再赘述。
学习者模型构建模块14，用于利用所述学习者特征数据构建学习者模型。此模块执行实施例1中的步骤S14所描述的方法，在此不再赘述。
本发明实施例提供的学习者模型构建系统，通过获取学习在不同学习阶段的监测数据，提取表征用户个性化特征的学习行为数据，从不同的维度设置对应的评测指标对用户的学习行为数据进行评测生成学习者特征数据，利用学习者特征数据构建学习者模型，能够全面的刻画学习者的特征，体现学习者的个性化特点。
实施例4
本发明实施例提供一种学习资源的推荐系统，如图8所示，该学习资源的推荐系统包括：
有效学习行为数据获取模块21，用于获取表征用户个性化特征的有效学习行为数据；此模块执行实施例2中的步骤S21所描述的方法，在此不再赘述。
预测评分获取模块22，用于根据预设规则及所述有效学习行为信息获取所述用户对学习资源的预测评分；此模块执行实施例2中的步骤S22所描述的方法，在此不再赘述。
推荐结果生成模块23，用于基于所述预测评分生成推荐结果。此模块执行实施例2中的步骤S23所描述的方法，在此不再赘述。
本发明实施例提供的学习资源的推荐系统，通过统计学习者的有效学习行为数据，建立学习者与资源之间的联系进行协同过滤，根据一定规则将学习者有效学习行为数据转换为学习者在学习行为上对资源的评分，然后对每个行为赋以一定权重，整合获得用户对资源的评分数据，根据评分生成推荐结果，根据推荐结果将学习资源推荐给目标用户，推荐精确度高。
实施例5
本发明实施例提供一种计算机设备，如图9所示，包括：至少一个处理器401，例如CPU(Central Processing Unit，中央处理器)，至少一个通信接口403，存储器404，至少一个通信总线402。其中，通信总线402用于实现这些组件之间的连接通信。其中，通信接口403可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口403还可以包括标准的有线接口、无线接口。存储器404可以是高速RAM存储器(Ramdom Access Memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器404可选的还可以是至少一个位于远离前述处理器401的存储装置。其中处理器401可以执行实施例1的学习者模型构建方法或执行实施例2的学习资源的推荐方法。存储器404中存储一组程序代码，且处理器401调用存储器404中存储的程序代码，以用于执行实施例1的学习者模型构建方法或执行实施例2的学习资源的推荐方法。
其中，通信总线402可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。通信总线402可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一条线表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器404可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard diskdrive，缩写：HDD)或固态硬盘(英文：solid-state drive，缩写：SSD)；存储器404还可以包括上述种类的存储器的组合。
其中，处理器401可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。
其中，处理器401还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic arraylogic,缩写：GAL)或其任意组合。
可选地，存储器404还用于存储程序指令。处理器401可以调用程序指令，实现如本申请执行实施例1的学习者模型构建方法或执行实施例2的学习资源的推荐方法。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实执行实施例1的学习者模型构建方法或执行实施例2的学习资源的推荐方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-StateDrive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (12)
1.一种学习者模型构建方法，其特征在于，包括如下步骤：
获取用户在不同学习阶段的监测数据；
从所述监测数据中提取表征用户个性化特征的学习行为数据；
根据预设维度及所述维度对应的评测指标对用户的学习行为数据进行评测，生成学习者特征数据；
利用所述学习者特征数据构建学习者模型。
2.根据权利要求1所述的学习者模型构建方法，其特征在于，所述表征用户个性化特征的学习行为数据包括：表征用户属性的静态信息和表征用户的学习过程的动态信息，其中，
所述静态信息包括：用户的性别、年龄及受教育程度；
所述动态信息包括：用户的社交关系信息、偏好信息、作业完成情况信息及个人成就信息。
3.根据权利要求2所述的学习者模型构建方法，其特征在于，所述预设维度包括：预设学习资源利用度、生成性资源利用度、协作交流度、任务参与度及成果评估，其中，
所述预设学习资源利用度的评测指标包括：访问学习内容及访问辅助资源；
所述生成性资源利用度的评测指标包括：访问他人作业及访问社区资源；
所述协作交流度的评测指标包括：参与论坛交互、参与资源评价及收到资源评价；
所述任务参与度的评测指标包括：任务完成度及资源贡献度；
所述成果评估的评测指标包括：共享资源的认可度、作业推优度、共享资源推优度、学习成绩、帖子及笔记的认可度。
4.一种学习资源的推荐方法，其特征在于，包括如下步骤：
获取表征用户个性化特征的有效学习行为数据；
根据预设规则及所述有效学习行为信息获取所述用户对学习资源的预测评分；
基于所述预测评分生成推荐结果。
5.根据权利要求4所述的学习资源的推荐方法，其特征在于，所述表征用户个性化特征的有效学习行为数据为根据权利要求1-3中任一项所述的学习者模型生成的学习者特征矩阵，所述方法还包括：
计算学习者特征矩阵与所述学习者模型中学习者用户集特征矩阵的相似度；
根据预设相似度阈值和/或最近邻居个数确定学习者的最近邻居群。
6.根据权利要求5所述的学习资源的推荐方法，其特征在于，所述根据预设规则及所述有效学习行为信息获取所述用户对学习资源的预测评分的步骤，包括：
将有效学习行为分为多个子有效行为；
根据预设规则将多个子有效行为转换为各个子有效行为对资源的评分；
利用预设的先验均值和先验权重及各个子有效行为对资源的评分和相应的预设权重，获取最近邻居群对学习资源的真实评分；
将最近邻居群对学习资源的评分进行加权平均得到用户对学习资源的预测评分。
7.根据权利要求6所述的学习资源的推荐方法，其特征在于，通过以下公式计算所述预测评分：
其中，Pi,r表示用户i对资源r的预测评分，Ni为用户i的最近邻居集，sim(i,u)表示用户i与u的相似度，Mu,r是用户u对资源r的真实评分。
8.根据权利要求4所述的学习资源的推荐方法，其特征在于，所述根据预设规则及所述有效学习行为信息获取所述用户对学习资源的预测评分的步骤，包括：
将有效学习行为分为多个子有效行为；
根据预设规则将多个子有效行为转换为各个子有效行为对资源的评分；
利用预设的先验均值和先验权重及各个子有效行为对资源的评分和相应的预设权重，获取用户对学习资源的预测评分。
9.一种学习者模型构建系统，其特征在于，包括：
监测数据获取模块，用于获取用户在线上不同学习阶段的监测数据；
学习行为数据获取模块，用于从所述监测数据中提取表征用户个性化特征的学习行为数据；
学习行为数据评测模块，用户设置预设维度及所述维度对应的评测指标对用户的学习行为数据进行评测，生成学习者特征数据；
学习者模型构建模块，用于利用所述学习者特征数据构建学习者模型。
10.一种学习资源的推荐系统，其特征在于，包括：
有效学习行为数据获取模块，用于获取表征用户个性化特征的有效学习行为数据；
预测评分获取模块，用于根据预设规则及所述有效学习行为信息获取所述用户对学习资源的预测评分；
推荐结果生成模块，用于基于所述预测评分生成推荐结果。
11.一种计算机设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-3中任一所述的学习者模型构建方法或4-8任一所述的学习资源的推荐方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-3中任一所述的学习者模型构建方法或4-8任一所述的学习资源的推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910245097.5A CN109977313A (zh) | 2019-03-28 | 2019-03-28 | 学习者模型构建方法、学习资源的推荐方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910245097.5A CN109977313A (zh) | 2019-03-28 | 2019-03-28 | 学习者模型构建方法、学习资源的推荐方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109977313A true CN109977313A (zh) | 2019-07-05 |
Family
ID=67081385
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910245097.5A Pending CN109977313A (zh) | 2019-03-28 | 2019-03-28 | 学习者模型构建方法、学习资源的推荐方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109977313A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110472147A (zh) * | 2019-07-29 | 2019-11-19 | 天闻数媒科技（湖南）有限公司 | 一种基于推荐引擎提供个性化试题的方法及其系统 |
| CN112214670A (zh) * | 2020-10-09 | 2021-01-12 | 平安国际智慧城市科技股份有限公司 | 一种在线课程推荐方法、装置、电子设备及存储介质 |
| CN114691152A (zh) * | 2020-12-31 | 2022-07-01 | 中国联合网络通信集团有限公司 | 推荐数据资源服务应用程序接口的方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101231739A (zh) * | 2007-01-18 | 2008-07-30 | 上海新思维教育发展有限公司 | 一种网络学习监控反馈系统 |
| 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 |
| US20150302535A1 (en) * | 2014-03-25 | 2015-10-22 | University of Central Oklahoma | Method and system for visualizing competency based learning data in decision making dashboards |
| US20160155345A1 (en) * | 2014-12-02 | 2016-06-02 | Yanlin Wang | Adaptive learning platform |
| CN109388746A (zh) * | 2018-09-04 | 2019-02-26 | 四川文轩教育科技有限公司 | 一种基于学习者模型的学习资源智能推荐方法 |
-
2019
- 2019-03-28 CN CN201910245097.5A patent/CN109977313A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101231739A (zh) * | 2007-01-18 | 2008-07-30 | 上海新思维教育发展有限公司 | 一种网络学习监控反馈系统 |
| 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 |
| US20150302535A1 (en) * | 2014-03-25 | 2015-10-22 | University of Central Oklahoma | Method and system for visualizing competency based learning data in decision making dashboards |
| US20160155345A1 (en) * | 2014-12-02 | 2016-06-02 | Yanlin Wang | Adaptive learning platform |
| CN109388746A (zh) * | 2018-09-04 | 2019-02-26 | 四川文轩教育科技有限公司 | 一种基于学习者模型的学习资源智能推荐方法 |
Non-Patent Citations (3)
| Title |
|---|
| EXLSUNSHINE: ""一个简单的协同过滤推荐算法"", 《博客园-HTTPS://WWW.CNBLOGS.COM/EXLSUNSHINE/P/4065889.HTML》 * |
| 胡艺龄 等: ""在线学习行为分析建模及挖掘"", 《开放教育研究》 * |
| 郑勤华 等: ""基于学习分析的在线学习测评建模与应用—学习者综合评价参考模型研究"", 《电化教育研究》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110472147A (zh) * | 2019-07-29 | 2019-11-19 | 天闻数媒科技（湖南）有限公司 | 一种基于推荐引擎提供个性化试题的方法及其系统 |
| CN112214670A (zh) * | 2020-10-09 | 2021-01-12 | 平安国际智慧城市科技股份有限公司 | 一种在线课程推荐方法、装置、电子设备及存储介质 |
| CN114691152A (zh) * | 2020-12-31 | 2022-07-01 | 中国联合网络通信集团有限公司 | 推荐数据资源服务应用程序接口的方法及装置 |
| CN114691152B (zh) * | 2020-12-31 | 2023-01-31 | 中国联合网络通信集团有限公司 | 推荐数据资源服务应用程序接口的方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Anderson et al. | Discovering value from community activity on focused question answering sites: a case study of stack overflow | |
| Leskovec et al. | Predicting positive and negative links in online social networks | |
| CN106023015B (zh) | 课程学习路径推荐方法及装置 | |
| JP5827416B2 (ja) | ユーザ質問の処理方法及び処理システム | |
| US9026594B2 (en) | Method and system for determining user impact on their content pools within an online social network | |
| US20130041860A1 (en) | Predicting influence in social networks | |
| CN109242710B (zh) | 社交网络节点影响力排序方法及系统 | |
| US20130204881A1 (en) | Apparatus, systems and methods for interactive dissemination of knowledge | |
| CN109977313A (zh) | 学习者模型构建方法、学习资源的推荐方法及系统 | |
| Gillespie | Algorithm [draft][# digitalkeywords] | |
| Simmie et al. | Ranking twitter influence by combining network centrality and influence observables in an evolutionary model | |
| CN111242310A (zh) | 特征有效性评估方法、装置、电子设备及存储介质 | |
| Voorhees | The evolution of cranfield | |
| Wang et al. | Social media recommendation | |
| CN111612588A (zh) | 商品呈现方法及装置、计算设备、计算机可读存储介质 | |
| CN112100221A (zh) | 一种资讯推荐方法、装置、推荐服务器及存储介质 | |
| Li et al. | MOOC-FRS: A new fusion recommender system for MOOCs | |
| Jiang et al. | Influence Analysis by Heterogeneous Network in MOOC Forums: What Can We Discover?. | |
| Arai et al. | Predicting quality of answer in collaborative Q/A community | |
| Liu et al. | Predicting longitudinal user activity at fine time granularity in online collaborative platforms | |
| García-Sánchez et al. | The Simpsons did it: Exploring the film trope space and its large scale structure | |
| Roy | Computational trust at various granularities in social networks | |
| Layton | Learning data mining with Python | |
| CN114219346B (zh) | 一种提高网络学习环境服务质量的方法及系统 | |
| CN112507185B (zh) | 用户肖像的确定方法和装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190705 |
|
| RJ01 | Rejection of invention patent application after publication |