CN111581529A - 一种结合学生适合度和课程搭配度的课程推荐方法及装置 - Google Patents

Abstract

本发明提出了一种结合学生适合度和课程搭配度的课程推荐方法及装置，涉及计算机数据处理技术领域，该在线课程搭配推荐方法包括：获取在线课程学习平台的用户数据和课程数据；计算目标用户对于不同课程的选择的可能性值；根据课程的可能性值大小进行排序，并选取可能性最大的前d个课程，以生成课程推荐的第一子推荐列表C1；对用户u所选课程类别进行统计分析，对专业课程和其它课程分别选取搭配度高的课程，综合构建第二子推荐列表C2；将第一子推荐列表C1和第二子推荐列表C2融合，以生成最终推荐结果。该在线课程搭配推荐方法兼顾了用户与课程之间的选择合适度以及课程之间的可搭配性，提高了推荐课程的准确性，更好地满足了用户的学习需求。

Description

一种结合学生适合度和课程搭配度的课程推荐方法及装置

技术领域

本申请涉及计算机数据处理技术领域，尤其涉及一种结合学生适合度和课程搭配度的课程推荐方法及装置。

背景技术

在线学习平台中，课程推荐是其中一个关键环节。有效的课程推荐不仅可以提高用户的听课率和满意度，而且能够促进学习课程销售，提高平台收入。课程推荐的目的在于精准推荐，根据不同用户的学习目标和学习需求，要找到最适合该用户的课程。但是，在进行课程推荐时，往往会忽略两个关键事实：(1)根据用户的学习行为来分析用户的学习类型和学习需求尚未得到较好的研究；(2)课程之间的内在关联没有进行很好的探索。

目前大多数课程推荐方法通常是通过相似课程或用户进行推荐，并且，许多课程推荐没有考虑到用户选课后可能的课程成绩这一效果属性，因此其所推荐的课程有可能不满足用户的学习需求，无法确保用户适合学习该课程。同时，现有课程推荐方法往往只对各个课程单独判断推荐度，没有考虑课程之间的可搭配性，这也会影响推荐效果，导致课程推荐的准确性不高，用户对推荐课程的选课率较低。

发明内容

本申请所要解决的技术问题在于现有课程推荐技术未能考虑学生适合度及课程搭配度，从而不能很好的推荐适合学生的课程。针对现有技术的上述不足，提出一种结合学生适合度和课程搭配度的课程推荐方法及装置。本专利主要研究如何挖掘用户真实的学习需求和学习目的，并通过构建结合学生适合度和课程搭配度的方法进行课程推荐，以提高课程推荐的准确性。

该在线课程推荐方法包括：

步骤S1，获取在线课程学习平台的用户数据和课程数据；

步骤S2，计算目标用户对于不同课程的选择的可能性值，即学生适合度，计算式如下：

其中，p表示目标用户u对课程j的选择可能性值；S(j,e)表示和课程j最相似的e个课程，即与课程j之间相似度大小排序的前e个课程；N(u)表示目标用户u可选择课程的集合；r(u,i)表示用户u获得的所选课程i的课程成绩；W(i,j)表示课程i和j之间的相似度，其计算式为：

其中，N(i)表示选了课程i的用户集合,N(j)表示选了课程j的用户集合；

步骤S3，根据课程的可能性值大小进行排序，并选取可能性最大的前d个课程，以生成课程推荐的第一子推荐列表C1；

步骤S4，对用户u所选课程类别进行统计分析，筛选出所有课程中所占比例最大的课程类别g，即专业课类别；同时筛选出支持度大于阈值的课程搭配关系，基于所述课程搭配关系确定与用户历史所选的每一课程i相搭配的课程，对专业课程和其它课程分别选取搭配度高的课程，综合构建第二子推荐列表C2；两课程之间的支持度support(X)计算式如下：

其中，s表示同时选择课程i和j的用户数量，T表示进行了选课行为的所有用户数量；

步骤S5，将第一子推荐列表C1和第二子推荐列表C2融合，以生成最终推荐结果。

进一步地，步骤S4包括：

步骤S41，基于筛选出支持度大于阈值的课程搭配关系，通过“实体-联系-实体”的形式构建出一个课程搭配库，即课程i作为头部实体h，课程j作为尾部实体t，他们之间的关系为r，并将课程的各种属性按照同样的形式嵌入到课程搭配库中；

步骤S42，对于给定的三元组(h，r，t)，利用交叉压缩单元L和多层感知器MLP分别从初始的h和r提取特征h_s和r_s；三元组(h，r，t)表示一组课程搭配关系，h_s表示一个课程i的属性的特征向量表示，r_s则表示这两个课程之间的关系向量，t表示可以与课程i进行搭配的课程j的属性的特征向量表示；通过对h_s和r_s的向量表示学习得到一个t的对应向量表示的预估值t′，其中，t′和t的维度为n；

M^k表示k层感知器；

步骤S43，根据相似度函数f计算预估值t′和真实值t之间的相似度分数，q＝score(h,r,t)＝f(t,t′)；并根据相似度分数确定与课程i相搭配，并且属于专业课类别g的l₁个课程，同时根据相似度分数确定与课程i相搭配并且属于其他类别的l₂个课程，以生成课程推荐的第二子推荐列表C2；其中，相似度函数f为：

进一步地，步骤S5包括：

步骤S51，根据第一子推荐列表C1和第二子推荐列表C2生成候选推荐课程的向量X；其中，X＝{c_i,x_i}；其中，x_i＝(p_i,q_i)，p_i为第一子推荐列表C1中课程c_i所对应的可能性值，q_i为第二子推荐列表C2中课程c_i所对应的相似度分数；课程c_i属于第一子推荐列表C1或第二子推荐列表C2，若c_i属于C₁且属于C₂，p_i和q_i不变；若c_i属于C₁但不属于C₂，p_i不变，q_i赋值为0；若c_i不属于C₁但属于C₂，p_i赋值为0，q_i不变；

步骤S52，根据逻辑回归模型计算最终推荐度m，计算式为：

其中，g(x)即模型融合后得到的最终推荐度m；O表示两个课程之间可以搭配的概率；θ₀,θ₁,θ₂为逻辑回归模型中的参数；

步骤S53，根据最终推荐度m，将C1和C2中的课程按照推荐度m进行降序排序，然后选择推荐度最高的前z个课程，从而确定最终推荐结果，实现课程推荐。

进一步地，课程的属性至少包括：所属类别、课程成绩、被注册数。

本申请还提出了一种结合学生适合度和课程搭配度的课程推荐装置，其包括：

获取模块，用于获取在线课程学习平台的用户数据和课程数据；

计算模块，用于计算目标用户对于不同课程的选择的可能性值，即学生适合度，计算式如下：

其中，p表示目标用户u对课程j的选择可能性值；S(j,e)表示和课程j最相似的e个课程，即与课程j之间相似度大小排序的前e个课程；N(u)表示目标用户u可选择课程的集合；r(u,i)表示表示用户u获得的所选课程i的课程成绩；W(i,j)表示课程i和j之间的相似度，其计算式为：

其中，N(i)表示选了课程i的用户集合,N(j)表示选了课程j的用户集合；

选取模块，用于根据课程的可能性值大小进行排序，并选取可能性最大的前d个课程，以生成课程推荐的第一子推荐列表C1；

确定模块，用于对用户u所选课程类别进行统计分析，筛选出所有课程中所占比例最大的课程类别g，即专业课类别；同时筛选出支持度大于阈值的课程搭配关系，基于所述课程搭配关系确定与用户历史所选的每一课程i相搭配的课程，对专业课程和其它课程分别选取搭配度高的课程，综合构建第二子推荐列表C2；两课程之间的支持度support(X)计算式如下：

其中，s表示同时选择课程i和j的用户数量，T表示进行了选课行为的所有用户数量；

推荐模块，用于将第一子推荐列表C1和第二子推荐列表C2融合，以生成最终推荐结果。

进一步地，确定模块包括：

构建子模块，用于基于筛选出支持度大于阈值的课程搭配关系，通过“实体-联系-实体”的形式构建出一个课程搭配库，即课程i作为头部实体h，课程i作为尾部实体t，他们之间的关系为r，并将课程的各种属性按照同样的形式嵌入到课程搭配库中；

预估子模块，对于给定的三元组(h，r，t)，利用交叉压缩单元L和多层感知器MLP分别从初始的h和r提取特征h_s和r_s；三元组(h，r，t)表示一组课程搭配关系，h_s表示一个课程i的属性的特征向量表示，r_s则表示这两个课程之间的关系向量，t表示可以与课程i进行搭配的课程j的属性的特征向量表示；通过对h_s和r_s的向量表示学习得到一个t的对应向量表示的预估值t′；其中，t′和t的维度为n；

M^k表示k层感知器；

确定子模块，用于根据相似度函数f计算预估值t′和真实值t之间的相似度分数，q＝score(h,r,t)＝f(t,t′)；并根据相似度分数确定课程i相搭配并且属于专业课类别g的l₁个课程，同时根据相似度分数确定与课程i相搭配并且属于其他类别的l₂个课程，以生成课程推荐的第二子推荐列表C2；其中，相似度函数f为：

进一步地，推荐模块包括：

向量生成子模块，用于根据第一子推荐列表C1和第二子推荐列表C2生成候选推荐课程的向量X；其中，X＝{c_i,x_i}；其中，x_i＝(p_i,q_i)，p_i为第一子推荐列表C1中课程c_i所对应的可能性值，q_i为第二子推荐列表C2中课程c_i所对应的相似度分数；课程c_i属于第一子推荐列表C1或第二子推荐列表C2，若c_i属于C₁且属于C₂，p_i和q_i不变；若c_i属于C₁但不属于C₂，p_i不变，q_i赋值为0；若c_i不属于C₁但c_i属于C₂，p_i赋值为0，q_i不变；

推荐度计算子模块，用于根据逻辑回归模型计算最终推荐度m，计算式为：

其中，g(x)即模型融合后得到的最终推荐度m；O表示两个课程之间可以搭配的概率；θ₀,θ₁,θ₂为逻辑回归模型中的参数；

推荐结果生成子模块，用于根据最终推荐度m，将C1和C2中的课程按照推荐度m进行降序排序，然后选择推荐度最高的前z个课程，从而确定最终推荐结果，实现课程推荐。

进一步地，课程的属性至少包括：所属类别、课程成绩、被注册数。

另一方面，本申请还提出了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述程序时实现以上任一种结合学生适合度和课程搭配度的课程推荐方法的步骤。

另一方面，本申请还提出了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以上任一种结合学生适合度和课程搭配度的课程推荐方法的步骤。

该结合学生适合度和课程搭配度的课程推荐方法兼顾了用户与课程之间的选择合适度以及课程之间的可搭配性，提高了推荐课程的准确性，更好地满足了用户的学习需求。

附图说明

图1是本申请实施例中一种结合学生适合度和课程搭配度的课程推荐方法的流程图。

图2是本申请实施例中一种结合学生适合度和课程搭配度的课程推荐装置的示意框图。

具体实施方式

以下是本申请的具体实施例并结合附图，对本申请的技术方案作进一步的描述，但本申请并不限于这些实施例。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本申请的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本申请的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。

需要说明的是，在不冲突的情况下，本申请中的实施方式及实施方式中的特征可以相互组合。

图1是本申请实施例中一种结合学生适合度和课程搭配度的课程推荐方法的流程图。该结合学生适合度和课程搭配度的课程推荐方法包括步骤S101至步骤S105，其可应用于在线学习平台。下面结合附图对该结合学生适合度和课程搭配度的课程推荐方法作具体的解释和说明。

步骤S101，获取在线课程学习平台的用户数据和课程数据。

具体地，用户数据可包括：在线课程学习平台的用户所选择的课程信息；课程数据可包括：课程的属性信息，例如课程具有所属类别，课程成绩，被注册数。

步骤S102，计算目标用户对于不同课程的选择的可能性值，即学生适合度，计算式如下：

其中，p表示目标用户u对课程j的选择可能性值；S(j,e)表示和课程j最相似的e个课程，即与课程j之间相似度大小排序的前e个课程；N(u)表示目标用户u可选择课程的集合；r(u,i)表示用户u获得的所选课程i的课程成绩；W(i,j)表示课程i和j之间的相似度，其计算式为：

其中，N(i)表示选了课程i的用户集合,N(j)表示选了课程j的用户集合；

步骤S103，根据课程的可能性值大小进行排序，并选取可能性最大的前d个课程，以生成课程推荐的第一子推荐列表C1。

需要说明的是，通过协同过滤算法计算课程与目标课程之间的相似度，根据相似度大小形成一个课程推荐列表，这些课程可被认为是适合对应用户进行学习的。这里，主要利用行为的相似度计算兴趣的相似度，当两个课程相似度越高，说明这两个课程共同被喜欢的概率越高。因此，可能性值可用于表示用户与课程之间的适合度。

步骤S104，对用户u所选课程类别进行统计分析，筛选出所有课程中所占比例最大的课程类别g，即专业课类别；同时筛选出支持度大于阈值的课程搭配关系，基于所述课程搭配关系确定与用户历史所选的每一课程i相搭配的课程，对专业课程和其它课程分别选取搭配度高的课程，综合构建第二子推荐列表C2；两课程之间的支持度support(X)计算式如下：

其中，s表示同时选择课程i和j的用户数量，T表示进行了选课行为的所有用户数量。

具体来说，支持度代表用户支持的程度，筛选出支持度大于阈值的课程搭配关系可保证课程搭配的合理性，剔除那些不合理的课程搭配。这里在以上课程搭配关系的基础上，确定与课程i相搭配的第二子推荐列表C2。第二子推荐列表C2的设置主要是考虑到课程之间的搭配性。这里可根据课程属性信息来确定这些搭配关系。

在一些实施方式中，可对数据集中的课程属性进行分析，提取出课程之间的属性关系，根据课程各种属性及其关系使用相关模型计算不同课程之间的搭配。

步骤S105，将第一子推荐列表C1和第二子推荐列表C2融合，以生成最终推荐结果。

需要说明的是，可通过各种方式从第一子推荐列表C1和第二子推荐列表C2选出若干个课程作为推荐结果。

本申请实施例中所提出的结合学生适合度和课程搭配度的课程推荐方法同时考虑了用户对课程合适度和课程之间的搭配度，可以更好地满足用户的学习需求，提高课程搭配推荐的准确性。

进一步地，步骤S104包括：

步骤S41，基于筛选出支持度大于阈值的课程搭配关系，通过“实体-联系-实体”的形式构建出一个课程搭配库，即课程i作为头部实体h，课程j作为尾部实体t，他们之间的关系为r，并将课程的各种属性按照同样的形式嵌入到课程搭配库中。

具体地，根据阈值筛选出支持度大于阈值的课程搭配方案，可以认为该方案中的两个课程搭配度较高，将其表示为1，支持度小于阈值的课程搭配方案搭配度较低，将其表示为0，从而提取出课程之间的搭配关系。将这个搭配关系表示为“实体-联系-实体”的形式，从而得出一个课程搭配库。即课程i作为头部实体h，课程j作为尾部实体t，他们的搭配关系看作联系r，也就是课程i-搭配-课程j。此外，将课程的各种属性按照同样的形式嵌入到该课程搭配库中。

进一步地，课程的属性至少包括：所属类别、课程成绩、被注册数。

步骤S42，对于给定的三元组(h，r，t)，利用交叉压缩单元L和多层感知器MLP分别从初始的h和r提取特征h_s和r_s；三元组(h，r，t)表示一组课程搭配关系，h_s表示一个课程i的属性的特征向量表示，r_s则表示这两个课程之间的关系向量，t表示可以与课程i进行搭配的课程j的属性的特征向量表示；通过对h_s和r_s的向量表示学习得到一个t的对应向量表示的预估值t′，其中，t′和t的维度为n；

M^k表示k层感知器；

需要说明的是，课程属性的特征向量中的每个值表示每个课程属性所对应的取值，比如说，课程具有所属类别，课程成绩，被注册数这几个属性，一个课程类别为12，成绩为0.4，被注册数为34，那么其特征向量表示为[…0,1,0,…,0.4,34,0,…],其中1表示将类别为12的位置上的值为1。

具体地，通过对h_s和r_s的向量表示学习得到一个t的对应向量表示的预估值t′。

步骤S43，根据相似度函数f计算预估值t′和真实值t之间的相似度分数，q＝score(h,r,t)＝f(t,t′)；并根据相似度分数确定课程i相搭配并且属于专业课类别g的l₁个课程，同时根据相似度分数确定与课程i相搭配并且属于其他类别的l₂个课程，以生成课程推荐的第二子推荐列表C2，其中，相似度函数f为：

需要说明的是，预测得到的向量t′应该与真实的t向量相近。为了度量两个向量的相似性，最后三元组(h，r，t)的相似度分数由相似度函数f计算得到，f函数可以是t和t′的内积之后取sigmoid。

进一步地，步骤S105包括：

步骤S51，根据第一子推荐列表C1和第二子推荐列表C2生成候选推荐课程的向量X；其中，X＝{c_i,x_i}；其中，x_i＝(p_i,q_i)，p_i为第一子推荐列表C1中课程c_i所对应的可能性值，q_i为第二子推荐列表C2中课程c_i所对应的相似度分数；课程c_i属于第一子推荐列表C1或第二子推荐列表C2，若c_i属于C₁且属于C₂，p_i和q_i不变；若c_i属于C₁但不属于C₂，p_i不变，q_i赋值为0；若c_i不属于C₁但c_i属于C₂，p_i赋值为0，q_i不变；

步骤S52，根据逻辑回归模型计算最终推荐度m，计算式为：

其中，g(x)即模型融合后得到的最终推荐度m；O表示两个课程之间可以搭配的概率；θ₀,θ₁,θ₂为逻辑回归模型中的参数；

步骤S53，根据最终推荐度m，将C1和C2中的课程按照推荐度m进行降序排序，然后选择推荐度最高的前z个课程，从而确定最终推荐结果，实现课程推荐。

需要说明的是，上述融合过程采用逻辑回归模型将第一子推荐列表C1和第二子推荐列表C2融合，以生成一个最终推荐课程列表。

具体地，根据逻辑回归模型的原理，设

θ＝([θ₀,θ₁,θ₂]^T)表示参数列向量，θ^T是θ的转置，x表示所有样本向量。然后使用梯度上升算法求得θ^T。

需要说明的是，在线学习平台中，课程推荐是其中一个关键环节。有效的课程推荐不仅可以提高用户的听课率和满意度，而且能够促进学习课程销售，提高平台收入。课程推荐的目的在于精准推荐，根据不同用户的学习目标和学习需求，要找到最适合该用户的课程。但是，在进行课程推荐时，往往会忽略两个关键事实：(1)根据用户的学习行为来分析用户的学习类型和学习需求尚未得到较好的研究；(2)课程之间的内在关联没有进行很好的探索。针对以上问题，本申请实施例提出的技术方案主要通过研究用户的各种学习行为和习惯，比如注册课程、观看课程等，探究用户的学习类型和学习目的，分析用户是否适合该课程的学习。与此同时，本发明探索了学习课程的特征，从而来研究不同课程的关联度。本申请实施例提出的技术方案主要融合了这两部分的内容，提出了一种结合课程搭配度和学生适合度的个性化课程推荐算法。进一步地，本申请实施例提出的技术方案主要研究如何挖掘用户真实的学习需求和学习目的，并通过构建结合课程搭配度和学生适合度的方法进行课程搭配推荐。首先，本发明通过协同过滤算法计算课程与目标课程之间的相似度，根据相似度大小形成一个课程推荐列表，这些课程被认为是适合用户进行学习的。同时，对数据集中的课程属性进行分析，提取出课程之间的属性关系，根据课程各种属性及其关系使用相关模型计算不同课程之间的搭配度。将两个推荐列表通过逻辑回归模型进行融合，训练模型参数，预测出该用户可能学习课程的概率并排序，得到最终的课程搭配推荐。

在本申请实施例提出的结合学生适合度和课程搭配度的课程推荐方法主要是用户对课程合适度和课程之间的搭配度。并通过逻辑回归模型将两个推荐结果进行融合。这使得推荐方案同时考虑了学生合适度和课程搭配度，可以更好地满足用户的学习需求，提高课程搭配推荐的准确性。

图2是本申请实施例中一种结合学生适合度和课程搭配度的课程推荐装置的示意框图。该结合学生适合度和课程搭配度的课程推荐装置包括获取模块21、计算模块22、选取模块23、确定模块24、推荐模块25。

获取模块21，用于获取在线课程学习平台的用户数据和课程数据；

计算模块22，用于计算目标用户对于不同课程的选择的可能性值，即学生适合度，计算式如下：

其中，p表示目标用户u对课程j的选择可能性值；S(j,e)表示和课程j最相似的e个课程，即与课程j之间相似度大小排序的前e个课程；N(u)表示目标用户u可选择课程的集合；r(u,i)表示用户u获得的所选课程i的课程成绩；W(i,j)表示课程i和j之间的相似度，其计算式为：

其中，N(i)表示选了课程i的用户集合,N(j)表示选了课程j的用户集合；

选取模块23，用于根据课程的可能性值大小进行排序，并选取可能性最大的前d个课程，以生成课程推荐的第一子推荐列表C1；

确定模块24，用于对用户u所选课程类别进行统计分析，筛选出所有课程中所占比例最大的课程类别g，即专业课类别；同时筛选出支持度大于阈值的课程搭配关系，基于所述课程搭配关系确定与用户历史所选的每一课程i相搭配的课程，对专业课程和其它课程分别选取搭配度高的课程，综合构建第二子推荐列表C2；两课程之间的支持度support(X)计算式如下：

其中，s表示同时选择课程i和j的用户数量，T表示进行了选课行为的所有用户数量；

推荐模块25，用于将第一子推荐列表C1和第二子推荐列表C2融合，以生成最终推荐结果。

在一些实施方式中，确定模块24包括：

构建子模块，用于基于筛选出支持度大于阈值的课程搭配关系，通过“实体-联系-实体”的形式构建出一个课程搭配库，即课程i作为头部实体h，课程j作为尾部实体t，他们之间的关系为r，并将课程的各种属性按照同样的形式嵌入到课程搭配库中；

预估子模块，对于给定的三元组(h，r，t)，利用交叉压缩单元L和多层感知器MLP分别从初始的h和r提取特征h_s和r_s；三元组(h，r，t)表示一组课程搭配关系，h_s表示一个课程i的属性的特征向量表示，r_s则表示这两个课程之间的关系向量，t表示可以与课程i进行搭配的课程j的属性的特征向量表示；通过对h_s和r_s的向量表示学习得到一个t的对应向量表示的预估值t′；其中，t′和t的维度为n；

M^k表示k层感知器；

确定子模块，用于根据相似度函数f计算预估值t′和真实值t之间的相似度分数，q＝score(h,r,t)＝f(t,t′)；并根据相似度分数确定课程i相搭配并且属于专业课类别g的l₁个课程，同时根据相似度分数确定与课程i相搭配并且属于其他类别的l₂个课程，以生成课程推荐的第二子推荐列表C2；其中，相似度函数f为：

在一些实施方式中，推荐模块25包括：

向量生成子模块，用于根据第一子推荐列表C1和第二子推荐列表C2生成候选推荐课程的向量X；其中，X＝{c_i,x_i}；其中，x_i＝(p_i,q_i)，p_i为第一子推荐列表C1中课程c_i所对应的可能性值，q_i为第二子推荐列表C2中课程c_i所对应的相似度分数；课程ci属于第一子推荐列表C1或第二子推荐列表C2，若c_i属于C₁且属于C₂，p_i和q_i不变；若c_i属于C₁但不属于C₂，p_i不变，q_i赋值为0；若c_i不属于C₁但c_i属于C₂，p_i赋值为0，q_i不变；

推荐度计算子模块，用于根据逻辑回归模型计算最终推荐度m，计算式为：

其中，g(x)即模型融合后得到的最终推荐度m；O表示两个课程之间可以搭配的概率；θ₀,θ₁,θ₂为逻辑回归模型中的参数；

推荐结果生成子模块，用于根据最终推荐度m，将C1和C2中的课程按照推荐度m进行降序排序，然后选择推荐度最高的前z个课程，从而确定最终推荐结果，实现课程推荐。

进一步地，课程的属性至少包括：所属类别、课程成绩、被注册数。

需要说明的是，本实施所提出的结合学生适合度和课程搭配度的课程推荐装置对应于以上实施例记载的结合学生适合度和课程搭配度的课程推荐方法，相关的内容可参见关于该结合学生适合度和课程搭配度的课程推荐方法的记载，这里不再赘述。

本申请实施例还提出了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述程序时实现以上的结合学生适合度和课程搭配度的课程推荐方法。

本申请实施例还提出了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现以上提出的结合学生适合度和课程搭配度的课程推荐方法。

本文中所描述的具体实施例仅仅是对本申请精神作举例说明。本申请所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本申请的精神或者超越所附权利要求书所定义的范围。

Claims (10)

1.一种结合学生适合度和课程搭配度的课程推荐方法，其特征在于，该在线课程推荐方法包括：

步骤S1，获取在线课程学习平台的用户数据和课程数据；

步骤S2，计算目标用户对于不同课程的选择的可能性值，即学生适合度，计算式如下：

其中，p表示目标用户u对课程j的选择可能性值；S(j,e)表示和课程j最相似的e个课程，即与课程j之间相似度大小排序的前e个课程；N(u)表示目标用户u可选择课程的集合；r(u,i)表示用户u获得的所选课程i的课程成绩；W(i,j)表示课程i和j之间的相似度，其计算式为：

其中，N(i)表示选了课程i的用户集合,N(j)表示选了课程j的用户集合；

步骤S3，根据课程的可能性值大小进行排序，并选取可能性最大的前d个课程，以生成课程推荐的第一子推荐列表C1；

步骤S4，对用户u所选课程类别进行统计分析，筛选出所有课程中所占比例最大的课程类别g，即专业课类别；同时筛选出支持度大于阈值的课程搭配关系，基于所述课程搭配关系确定与用户历史所选的每一课程i相搭配的课程，对专业课程和其它课程分别选取搭配度高的课程，综合构建第二子推荐列表C2；两课程之间的支持度support(X)计算式如下：

其中，s表示同时选择课程i和j的用户数量，T表示进行了选课行为的所有用户数量；

步骤S5，将第一子推荐列表C1和第二子推荐列表C2融合，以生成最终推荐结果。

2.根据权利要求1所述的结合学生适合度和课程搭配度的课程推荐方法，其特征在于，步骤S4包括：

步骤S41，基于筛选出支持度大于阈值的课程搭配关系，通过“实体-联系-实体”的形式构建出一个课程搭配库，即课程i作为头部实体h，课程j作为尾部实体t，他们之间的关系为r，并将课程的各种属性按照同样的形式嵌入到课程搭配库中；

步骤S42，对于给定的三元组(h，r，t)，利用交叉压缩单元L和多层感知器MLP分别从初始的h和r提取特征h_s和r_s；三元组(h，r，t)表示一组课程搭配关系，h_s表示一个课程i的属性的特征向量表示，r_s则表示这两个课程之间的关系向量，t表示可以与课程i进行搭配的课程j的属性的特征向量表示；通过对h_s和r_s的向量表示学习得到一个t的对应向量表示的预估值t′，其中，t′和t的维度为n；

M^k表示k层感知器；

步骤S43，根据相似度函数f计算预估值t′和真实值t之间的相似度分数，q＝score(h,r,t)＝f(t,t′)；并根据相似度分数确定与课程i相搭配，并且属于专业课类别g的l₁个课程，同时根据相似度分数确定与课程i相搭配并且属于其他类别的l₂个课程，以生成课程推荐的第二子推荐列表C2；其中，相似度函数f为：

3.根据权利要求2所述的结合学生适合度和课程搭配度的课程推荐方法，其特征在于，步骤S5包括：

步骤S51，根据第一子推荐列表C1和第二子推荐列表C2生成候选推荐课程的向量X；其中，X＝{c_i,x_i}；其中，x_i＝(p_i,q_i)，p_i为第一子推荐列表C1中课程c_i所对应的可能性值，q_i为第二子推荐列表C2中课程c_i所对应的相似度分数；课程c_i属于第一子推荐列表C1或第二子推荐列表C2，若c_i属于C₁且属于C₂，p_i和q_i不变；若c_i属于C₁但不属于C₂，p_i不变，q_i赋值为0；若c_i不属于C₁但属于C₂，p_i赋值为0，q_i不变；

步骤S52，根据逻辑回归模型计算最终推荐度m，计算式为：

其中，g(x)即模型融合后得到的最终推荐度m；O表示两个课程之间可以搭配的概率；θ₀,θ₁,θ₂为逻辑回归模型中的参数；

步骤S53，根据最终推荐度m，将C1和C2中的课程按照推荐度m进行降序排序，然后选择推荐度最高的前z个课程，从而确定最终推荐结果，实现课程推荐。

4.根据权利要求2所述的结合学生适合度和课程搭配度的课程推荐方法，其特征在于，课程的属性至少包括：所属类别、课程成绩、被注册数。

5.一种结合学生适合度和课程搭配度的课程推荐装置，其特征在于，包括：

获取模块，用于获取在线课程学习平台的用户数据和课程数据；

计算模块，用于计算目标用户对于不同课程的选择的可能性值，即学生适合度，计算式如下：

其中，p表示目标用户u对课程j的选择可能性值；S(j,e)表示和课程j最相似的e个课程，即与课程j之间相似度大小排序的前e个课程；N(u)表示目标用户u可选择课程的集合；r(u,i)表示表示用户u获得的所选课程i的课程成绩；W(i,j)表示课程i和j之间的相似度，其计算式为：

其中，N(i)表示选了课程i的用户集合,N(j)表示选了课程j的用户集合；

选取模块，用于根据课程的可能性值大小进行排序，并选取可能性最大的前d个课程，以生成课程推荐的第一子推荐列表C1；

确定模块，用于对用户u所选课程类别进行统计分析，筛选出所有课程中所占比例最大的课程类别g，即专业课类别；同时筛选出支持度大于阈值的课程搭配关系，基于所述课程搭配关系确定与用户历史所选的每一课程i相搭配的课程，对专业课程和其它课程分别选取搭配度高的课程，综合构建第二子推荐列表C2；两课程之间的支持度support(X)计算式如下：

其中，s表示同时选择课程i和j的用户数量，T表示进行了选课行为的所有用户数量；

推荐模块，用于将第一子推荐列表C1和第二子推荐列表C2融合，以生成最终推荐结果。

6.根据权利要求5所述的结合学生适合度和课程搭配度的课程推荐装置，其特征在于，确定模块包括：

构建子模块，用于基于筛选出支持度大于阈值的课程搭配关系，通过“实体-联系-实体”的形式构建出一个课程搭配库，即课程i作为头部实体h，课程i作为尾部实体t，他们之间的关系为r，并将课程的各种属性按照同样的形式嵌入到课程搭配库中；

预估子模块，对于给定的三元组(h，r，t)，利用交叉压缩单元L和多层感知器MLP分别从初始的h和r提取特征h_s和r_s；三元组(h，r，t)表示一组课程搭配关系，h_s表示一个课程i的属性的特征向量表示，r_s则表示这两个课程之间的关系向量，t表示可以与课程i进行搭配的课程j的属性的特征向量表示；通过对h_s和r_s的向量表示学习得到一个t的对应向量表示的预估值t′；其中，t′和t的维度为n；

M^k表示k层感知器；

确定子模块，用于根据相似度函数f计算预估值t′和真实值t之间的相似度分数，q＝score(h,r,t)＝f(t,t′)；并根据相似度分数确定课程i相搭配并且属于专业课类别g的l₁个课程，同时根据相似度分数确定与课程i相搭配并且属于其他类别的l₂个课程，以生成课程推荐的第二子推荐列表C2；其中，相似度函数f为：

7.根据权利要求6所述的结合学生适合度和课程搭配度的课程推荐装置，其特征在于，推荐模块包括：

向量生成子模块，用于根据第一子推荐列表C1和第二子推荐列表C2生成候选推荐课程的向量X；其中，X＝{c_i,x_i}；其中，x_i＝(p_i,q_i)，p_i为第一子推荐列表C1中课程c_i所对应的可能性值，q_i为第二子推荐列表C2中课程c_i所对应的相似度分数；课程c_i属于第一子推荐列表C1或第二子推荐列表C2，若c_i属于C₁且属于C₂，p_i和q_i不变；若c_i属于C₁但不属于C₂，p_i不变，q_i赋值为0；若c_i不属于C₁但c_i属于C₂，p_i赋值为0，q_i不变；

推荐度计算子模块，用于根据逻辑回归模型计算最终推荐度m，计算式为：

其中，g(x)即模型融合后得到的最终推荐度m；O表示两个课程之间可以搭配的概率；θ₀,θ₁,θ₂为逻辑回归模型中的参数；

推荐结果生成子模块，用于根据最终推荐度m，将C1和C2中的课程按照推荐度m进行降序排序，然后选择推荐度最高的前z个课程，从而确定最终推荐结果，实现课程推荐。

8.根据权利要求6所述的结合学生适合度和课程搭配度的课程推荐装置，其特征在于，课程的属性至少包括：所属类别、课程成绩、被注册数。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现权利要求1至4任一项结合学生适合度和课程搭配度的课程推荐方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至4任一项所述结合学生适合度和课程搭配度的课程推荐方法的步骤。

Images