CN110659423A - 一种基于协同过滤的校方学习资料推荐方法 - Google Patents

一种基于协同过滤的校方学习资料推荐方法 Download PDF

Info

Publication number
CN110659423A
CN110659423A CN201910886261.0A CN201910886261A CN110659423A CN 110659423 A CN110659423 A CN 110659423A CN 201910886261 A CN201910886261 A CN 201910886261A CN 110659423 A CN110659423 A CN 110659423A
Authority
CN
China
Prior art keywords
data
learning
student
students
data set
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
Application number
CN201910886261.0A
Other languages
English (en)
Inventor
荣景峰
王迪
刘子赫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liaoning Technical University
Original Assignee
Liaoning Technical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Liaoning Technical University filed Critical Liaoning Technical University
Priority to CN201910886261.0A priority Critical patent/CN110659423A/zh
Publication of CN110659423A publication Critical patent/CN110659423A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于协同过滤的校方学习资料推荐方法，步骤为：校方获取学生信息数据与学习资料数据，经特征处理后得到学生特征数据集与资料数据集，学生信息数据包括个人基本信息和特征信息；基于学生特征数据集与资料数据集处理计算并得到相似学生集；学生对已推荐的学习资料进行评价，得到资料评价特征数据集。本发明的基于协同过滤的校方学习资料推荐方法通过对学生信息数据进行特征处理分析，并通过协同过滤与资料数据集内的关联数据信息进行相似度匹配，从而匹配更精准的学习资料，能有效提高资料推荐的效率，提高学习资源对用户的有效性，避免推荐的盲目性，提高了推荐质量，同时对于智慧校园的发展有重要实践意义。

Description

一种基于协同过滤的校方学习资料推荐方法
技术领域
本发明属于学习推荐方法的技术领域，尤其涉及一种基于协同过滤的校方学习资料推荐方法。
背景技术
目前在学员在学习过程中只能通过教师定制的学习课程章节目录，教科书等教师安排的课程学习进度来学习，教师规划的学校进度，路径是针对所有授课的所有学生，并不是针对，根据单独学生的学习能力，学习进度，学习喜好来制定。
而随着个性化服务技术的发展，互联网上的个性化服务呈雨后春笋般出现在人们的眼前，在这方面的研究也取得了显著的成就。现在大部分个性化推荐方法主要应用在电商推荐上，关于针对学习资料的推荐几乎没有，大部分高校老师只是制定了教学进程供学生查看，或者只是口头推荐学习资料，做不到精准的学习资料推荐。
发明内容
基于以上现有技术的不足，本发明所解决的技术问题在于提供一种基于协同过滤的校方学习资料推荐方法，对学生信息数据进行特征处理分析，并通过协同过滤与资料数据集内的关联数据信息进行相似度匹配，从而匹配更精准的学习资料，能有效提高资料推荐的效率。
为了解决上述技术问题，本发明通过以下技术方案来实现：
本发明提供一种基于协同过滤的校方学习资料推荐方法，包括以下步骤：
步骤一：校方获取学生信息数据与学习资料数据，经特征处理后得到学生特征数据集与资料数据集，学生信息数据包括个人基本信息和特征信息；
步骤二：基于学生特征数据集与资料数据集处理计算并得到相似学生集；
步骤三：学生对已推荐的学习资料进行评价，得到资料评价特征数据集。
可选的，所述步骤一中个人基本信息包括学院、性别、专业；特征信息包括兴趣课程、兴趣资料、爱好、课程关注重点、学习的时长、学习行为发生的时间段与学习时长。
可选的，所述步骤一中资料数据集包括学生对图书的评分数据、阅读日志、图书资料与学生的关联数据，其中图书资料与学生的关联数据包括学生性别、年龄、兴趣课程、兴趣资料、爱好与该学生选择关联的图书资料名称、作者、以及图书资料领域。
进一步的，所述步骤一中的特征处理包括：对每个特征信息进行编号，并基于编号对每个学生对应的特征信息进行录入，建立学生特征数据集；对每本学习资料数据进行编号，并基于编号对每个学习资料数据录入，建立资料数据预选集，对资料数据预选集进行数据清洗、缺省值处理、异常处理、数据变换，进行学生偏好程度以及热度划分划分，偏好程度划分后得资料数据集。
可选的，所述步骤二中具体步骤包括：
步骤a：获取学生特征数据集内的特征信息并基于Pearson系数计算学生特征数据集内的特征信息与资料数据集内的关联数据信息进行相似度匹配，公式如下：
Figure BDA0002207387240000031
其中R与Si表示学生R与特征信息中学生Si，Res(R，Si)表示学生R与Si的相似度，Rrj与Rsij表示R与Si的第j个特征值，与
Figure BDA0002207387240000033
为R与Si的总特征的均值；
步骤b：基于相似度匹配并由高到低生成相似度矩阵。
进一步的，所述步骤二还包括基于学生与学习资料的协同过滤混合推荐方式，得出最终的推荐列表，具体步骤包括：
基于相似度矩阵并同时直接在矩阵中检索得到学生与学习资料数据的最近邻的N个学生与M本资料，基于最近邻学生与资料向学生推荐学习资料。
可选的，所述步骤三中资料评价特征数据集包括课程资料丰富度、实用性以及综合评价。
由上，本发明通过对学生信息数据进行特征处理分析，并通过协同过滤与资料数据集内的关联数据信息进行相似度匹配，从而匹配更精准的学习资料，能有效提高资料推荐的效率，基于资料数据集中存储的以往学生(上一届学生)的学生性别、年龄、兴趣课程、兴趣资料、爱好以及以往学生所选择的图书资料名称等进行相似度匹配，并基于相似度匹配并由高到低生成相似度矩阵，基于相似度矩阵的最近邻的N个学生与M本资料向学生推荐学习资料，提高学习资源对用户的有效性，避免推荐的盲目性，提高了推荐质量，同时对于智慧校园的发展有重要实践意义。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下结合优选实施例，并配合附图，详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍。
图1为本发明的基于协同过滤的校方学习资料推荐方法的流程图。
具体实施方式
下面结合附图详细说明本发明的具体实施方式，其作为本说明书的一部分，通过实施例来说明本发明的原理，本发明的其他方面、特征及其优点通过该详细说明将会变得一目了然。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。
实施例1：
请参阅图1，本发明提供一种基于协同过滤的校方学习资料推荐方法，包括如下步骤：
步骤一：校方获取学生信息数据与学习资料数据，经特征处理后得到学生特征数据集与资料数据集，学生信息数据包括个人基本信息和特征信息；
步骤二：基于学生特征数据集与资料数据集处理计算并得到相似学生集；
步骤三：学生对已推荐的学习资料进行评价，得到资料评价特征数据集。
在本实施例中，步骤一中个人基本信息包括学院、性别、专业，特征信息包括兴趣课程、兴趣资料、爱好、课程关注重点、学习的时长、学习行为发生的时间段与学习时长。步骤一中资料数据集包括学生对图书的评分数据、阅读日志、图书资料与学生的关联数据，其中图书资料与学生的关联数据包括学生性别、年龄、兴趣课程、兴趣资料、爱好与该学生选择关联的图书资料名称、作者、以及图书资料领域。
另外，步骤一中的特征处理包括：对每个特征信息进行编号，并基于编号对每个学生对应的特征信息进行录入，建立学生特征数据集；对每本学习资料数据进行编号，并基于编号对每个学习资料数据录入，建立资料数据预选集，对资料数据预选集进行数据清洗、缺省值处理、异常处理、数据变换等，进行学生偏好程度以及热度划分划分，偏好程度划分后得资料数据集。
在本实施例中，步骤二中具体步骤包括：步骤a：获取学生特征数据集内的特征信息并基于Pearson系数计算学生特征数据集内的特征信息与资料数据集内的关联数据信息进行相似度匹配,公式如下：
Figure BDA0002207387240000051
其中R与Si表示学生R与特征信息中学生Si，Res(R，Si)表示学生R与Si的相似度，Rrj与Rsij表示R与Si的第j个特征值，
Figure BDA0002207387240000052
与
Figure BDA0002207387240000053
为R与Si的总特征的均值；步骤b：基于相似度匹配并由高到低生成相似度矩阵。
另外，步骤二还包括基于学生与学习资料的协同过滤混合推荐方式，得出最终的推荐列表，具体步骤包括：基于相似度矩阵并同时直接在矩阵中检索得到学生与学习资料数据的最近邻的N个学生与M本资料，基于最近邻学生与资料向学生推荐学习资料。
本发明的步骤三中资料评价特征数据集包括课程资料丰富度、实用性以及综合评价。
实施例2：
本发明的一种基于协同过滤的推荐方法还可应用于第三方向用户考证资料推荐，具体为：
步骤一：第三方获取用户信息数据与学习资料数据，经特征处理后得到用户特征数据集与资料数据集，用户信息数据包括个人基本信息和特征信息；
步骤二：基于用户特征数据集与资料数据集处理计算并得到相似用户集；
步骤三：用户对已推荐的学习资料进行评价，得到资料评价特征数据集。
步骤一中个人基本信息包括性别、专业，特征信息包括兴趣课程、兴趣资料、爱好、课程关注重点、学习的时长、学习行为发生的时间段与学习时长。
在本实施例中，步骤一中资料数据集包括用户对图书的评分数据、阅读日志、学习资料与用户的关联数据，其中学习资料与用户的关联数据包括用户性别、年龄、兴趣课程、兴趣资料、爱好与该用户选择关联的学习资料名称、作者、以及学习资料领域等。
在本实施例中，步骤一中的特征处理包括：对每个特征信息进行编号，并基于编号对每个用户对应的特征信息进行录入，建立用户特征数据集；对每本学习资料数据进行编号，并基于编号对每个学习资料数据录入，建立资料数据预选集，对资料数据预选集进行数据清洗、缺省值处理、异常处理、数据变换等，进行用户偏好程度以及热度划分划分，偏好程度划分后得资料数据集。
本发明通过对学生信息数据进行特征处理分析，并通过协同过滤与资料数据集内的关联数据信息进行相似度匹配，从而匹配更精准的学习资料，能有效提高资料推荐的效率，基于资料数据集中存储的以往学生(上一届学生)的学生性别、年龄、兴趣课程、兴趣资料、爱好以及以往学生所选择的图书资料名称等进行相似度匹配，并基于相似度匹配并由高到低生成相似度矩阵，基于相似度矩阵的最近邻的N个学生与M本资料向学生推荐学习资料，提高学习资源对用户的有效性，避免推荐的盲目性，提高了推荐质量，同时对于智慧校园的发展有重要实践意义。
以上所述是本发明的优选实施方式而已，当然不能以此来限定本发明之权利范围，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和变动，这些改进和变动也视为本发明的保护范围。

Claims (7)

1.一种基于协同过滤的校方学习资料推荐方法，其特征在于，包括以下步骤：
步骤一：校方获取学生信息数据与学习资料数据，经特征处理后得到学生特征数据集与资料数据集，学生信息数据包括个人基本信息和特征信息；
步骤二：基于学生特征数据集与资料数据集处理计算并得到相似学生集；
步骤三：学生对已推荐的学习资料进行评价，得到资料评价特征数据集。
2.如权利要求1所述的基于协同过滤的校方学习资料推荐方法，其特征在于，所述步骤一中个人基本信息包括学院、性别、专业；特征信息包括兴趣课程、兴趣资料、爱好、课程关注重点、学习的时长、学习行为发生的时间段与学习时长。
3.如权利要求1所述的基于协同过滤的校方学习资料推荐方法，其特征在于，所述步骤一中资料数据集包括学生对图书的评分数据、阅读日志、图书资料与学生的关联数据，其中图书资料与学生的关联数据包括学生性别、年龄、兴趣课程、兴趣资料、爱好与该学生选择关联的图书资料名称、作者、以及图书资料领域。
4.如权利要求1所述的基于协同过滤的校方学习资料推荐方法，其特征在于，所述步骤一中的特征处理包括：对每个特征信息进行编号，并基于编号对每个学生对应的特征信息进行录入，建立学生特征数据集；对每本学习资料数据进行编号，并基于编号对每个学习资料数据录入，建立资料数据预选集，对资料数据预选集进行数据清洗、缺省值处理、异常处理、数据变换，进行学生偏好程度以及热度划分划分，偏好程度划分后得资料数据集。
5.如权利要求1所述的基于协同过滤的校方学习资料推荐方法，其特征在于，所述步骤二中具体步骤包括：
步骤a：获取学生特征数据集内的特征信息并基于Pearson系数计算学生特征数据集内的特征信息与资料数据集内的关联数据信息进行相似度匹配，公式如下：
Figure FDA0002207387230000021
其中R与Si表示学生R与特征信息中学生Si，Res(R，Si)表示学生R与Si的相似度，Rrj与Rsij表示R与Si的第j个特征值，
Figure FDA0002207387230000022
与
Figure FDA0002207387230000023
为R与Si的总特征的均值；
步骤b：基于相似度匹配并由高到低生成相似度矩阵。
6.如权利要求1所述的基于协同过滤的校方学习资料推荐方法，其特征在于，所述步骤二还包括基于学生与学习资料的协同过滤混合推荐方式，得出最终的推荐列表，具体步骤包括：
基于相似度矩阵并同时直接在矩阵中检索得到学生与学习资料数据的最近邻的N个学生与M本资料，基于最近邻学生与资料向学生推荐学习资料。
7.如权利要求1所述的基于协同过滤的校方学习资料推荐方法，其特征在于，所述步骤三中资料评价特征数据集包括课程资料丰富度、实用性以及综合评价。
CN201910886261.0A 2019-09-19 2019-09-19 一种基于协同过滤的校方学习资料推荐方法 Pending CN110659423A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910886261.0A CN110659423A (zh) 2019-09-19 2019-09-19 一种基于协同过滤的校方学习资料推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910886261.0A CN110659423A (zh) 2019-09-19 2019-09-19 一种基于协同过滤的校方学习资料推荐方法

Publications (1)

Publication Number Publication Date
CN110659423A true CN110659423A (zh) 2020-01-07

Family

ID=69037322

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910886261.0A Pending CN110659423A (zh) 2019-09-19 2019-09-19 一种基于协同过滤的校方学习资料推荐方法

Country Status (1)

Country Link
CN (1) CN110659423A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109523162A (zh) * 2018-11-16 2019-03-26 辽宁工程技术大学 一种基于清单管理的课程教学与评价方法
CN113139135A (zh) * 2021-05-13 2021-07-20 南京工程学院 一种改进型协同过滤的网络课程推荐算法
CN113407848A (zh) * 2021-07-15 2021-09-17 广州汇思信息科技股份有限公司 一种基于大数据的在线学习推荐方法、装置和计算机设备
CN116701561A (zh) * 2023-06-09 2023-09-05 读书郎教育科技有限公司 与词典笔匹配的学习资源搜集方法及其系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103019860A (zh) * 2012-12-05 2013-04-03 北京奇虎科技有限公司 基于协同过滤的处理方法和系统
CN105138624A (zh) * 2015-08-14 2015-12-09 北京矩道优达网络科技有限公司 一种基于在线课程用户数据的个性化推荐方法
CN107423343A (zh) * 2017-05-12 2017-12-01 中国地质大学（武汉） 一种基于混合协同过滤的图书馆图书推荐方法及系统
CN109299372A (zh) * 2018-10-18 2019-02-01 浙江正元智慧科技股份有限公司 一种基于协同过滤的智慧选课推荐方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103019860A (zh) * 2012-12-05 2013-04-03 北京奇虎科技有限公司 基于协同过滤的处理方法和系统
CN105138624A (zh) * 2015-08-14 2015-12-09 北京矩道优达网络科技有限公司 一种基于在线课程用户数据的个性化推荐方法
CN107423343A (zh) * 2017-05-12 2017-12-01 中国地质大学（武汉） 一种基于混合协同过滤的图书馆图书推荐方法及系统
CN109299372A (zh) * 2018-10-18 2019-02-01 浙江正元智慧科技股份有限公司 一种基于协同过滤的智慧选课推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
崔丽群: "人工神经网络在数据挖掘中的应用研究", 《中国优秀博硕士学位论文全文数据库 (硕士) 信息科技辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109523162A (zh) * 2018-11-16 2019-03-26 辽宁工程技术大学 一种基于清单管理的课程教学与评价方法
CN113139135A (zh) * 2021-05-13 2021-07-20 南京工程学院 一种改进型协同过滤的网络课程推荐算法
CN113139135B (zh) * 2021-05-13 2023-09-19 南京工程学院 一种改进型协同过滤的网络课程推荐算法
CN113407848A (zh) * 2021-07-15 2021-09-17 广州汇思信息科技股份有限公司 一种基于大数据的在线学习推荐方法、装置和计算机设备
CN116701561A (zh) * 2023-06-09 2023-09-05 读书郎教育科技有限公司 与词典笔匹配的学习资源搜集方法及其系统
CN116701561B (zh) * 2023-06-09 2024-04-26 读书郎教育科技有限公司 与词典笔匹配的学习资源搜集方法及其系统

Similar Documents

Publication Publication Date Title
CN110659423A (zh) 一种基于协同过滤的校方学习资料推荐方法
Flynn et al. Credible phenomenological research: A mixed‐methods study
Lehman et al. Women planning to major in computer science: Who are they and what makes them unique?
Jolly et al. Homeschooling the gifted: A parent’s perspective
Sax et al. Using web surveys to reach community college students: An analysis of response rates and response bias
CN109299372B (zh) 一种基于协同过滤的智慧选课推荐方法
McQuiston-Surrett et al. Use of facial composite systems in US law enforcement agencies
KR101609417B1 (ko) 독서신장을 위한 독서지도시스템 및 그 방법
Henderson et al. Private schooling, subject choice, upper secondary attainment and progression to university
JP2010537232A (ja) コンピュータベースの学習のための方法、媒体およびシステム
Shepherd et al. Media richness theory and the distance education environment
Zou et al. Chinese students' perceptions of using mobile devices for English learning
CN110765362B (zh) 一种基于学习情况相似度的协同过滤个性化学习推荐方法
Xu et al. The design of personalized learning resource recommendation system for ideological and political courses
Mertens et al. Illinois Horizon Schools: Initial research findings from the Illinois Schools to watch program
Ham et al. Towards a school culture of pedagogical fairness: revisiting the academic performance of immigrant children in East Asia
Gupta et al. Awareness and satisfaction of users using digital information resources and services in the libraries of IIT Kanpur and IIT Kharagpur
Michel et al. How Public Relations Practitioners Perceive Social Media Platforms?: A Media Richness Perspective
CN114625979A (zh) 一种基于协同过滤的图书馆学习资料优化推荐方法
Münich et al. Structural embeddedness of students’ professional expectations: the Czech Republic and Taiwan in comparative perspective
TWI288898B (en) Online course-studying system and method
Zhang et al. A Picture-Based Approach to Tourism Recommendation System
Kain Using content analysis to study the sociology curriculum in the United States
Nam et al. A Popularity Contest? Exploring Predictors of Faculty Influence in Criminology and Criminal Justice
Bucklin et al. CUREs: How to Create & Incorporate a Collaborative Ant-Based Project to Teach Science Practices

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: 20200107

RJ01 Rejection of invention patent application after publication