CN112559873A - 一种基于智慧教育的用户推荐系统 - Google Patents

一种基于智慧教育的用户推荐系统 Download PDF

Info

Publication number
CN112559873A
CN112559873A CN202011520892.XA CN202011520892A CN112559873A CN 112559873 A CN112559873 A CN 112559873A CN 202011520892 A CN202011520892 A CN 202011520892A CN 112559873 A CN112559873 A CN 112559873A
Authority
CN
China
Prior art keywords
user
subject
target
vector
subjects
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.)
Granted
Application number
CN202011520892.XA
Other languages
English (en)
Other versions
CN112559873B (zh
Inventor
周欢
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.)
Shenzhen Rongyixue Education Technology Co Ltd
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202011520892.XA priority Critical patent/CN112559873B/zh
Publication of CN112559873A publication Critical patent/CN112559873A/zh
Application granted granted Critical
Publication of CN112559873B publication Critical patent/CN112559873B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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

本发明涉及一种基于智慧教育的用户推荐系统，其包括：预处理服务器、推荐分析服务器、数据库和用户终端，用户终端分别与预处理服务器和推荐分析服务器具有通信连接，数据库分别与预处理服务器和推荐分析服务器具有通信连接，预处理服务器和推荐分析服务器之间具有通信连接；预处理服务器包括：数据分析单元和矢量创建单元，各单元间具有通信连接；推荐分析服务器包括：拟合优度单元和用户推荐单元，各单元间具有通信连接；根据目标用户和目标关联用户的活跃度表征矢量、兴趣度表征矢量和知识度表征矢量得到目标用户与目标关联用户的拟合优度，将关联用户集中的关联用户按照拟合优度进行排序以生成用户推荐表，并将用户推荐表发送给目标用户。

Description

一种基于智慧教育的用户推荐系统
技术领域
本发明涉及智慧教育和用户管理领域，尤其涉及一种基于智慧教育的用户推荐系统。
背景技术
智慧教育即教育信息化，是指在教育领域全面深入地运用现代信息技术来促进教育改革与发展的过程。其技术特点是数字化、网络化、智能化和多媒体化，基本特征是开放、共享、交互、协作、泛在。以教育信息化促进教育现代化，用信息技术改变传统模式。
随着互联网技术和信息技术的高速发展，特别是从互联网到移动互联网，创造了跨时空的生活、工作和学习方式，使知识获取的方式发生了根本变化。随着宽带互联网不断在普通家庭和学校中普及，教与学可以不受时间、空间和地点条件的限制，这使得在线教育受到普遍欢迎。在线教育实质是面向全国的资源共享、是零距离，是一种全新的交流方式。在线教育平台利用一切工具进行教育活动皆以提高效率为前提。利用网络先进的技术改变师生的交流方式上课，进一步提高学生掌握知识的效率、进一步培养能力是网络教育研究的实质。
然而，相对于传统教育，在线教育完全依赖于用户的自制力。因此，有必要提供一种方案进行用户推荐。
发明内容
有鉴于此，本发明提供了一种基于智慧教育的用户推荐系统，其包括：预处理服务器、推荐分析服务器、数据库和用户终端，其中用户终端分别与预处理服务器和推荐分析服务器具有通信连接，数据库分别与预处理服务器和推荐分析服务器具有通信连接，预处理服务器和推荐分析服务器之间具有通信连接。
预处理服务器包括：数据分析单元和矢量创建单元，各单元间具有通信连接。
推荐分析服务器包括：拟合优度单元和用户推荐单元，各单元间具有通信连接。
数据分析单元从数据库获取每个用户的涉及科目集，并对相应用户元数据进行数据分析以得到每个涉及科目的科目活跃度、科目兴趣度和科目知识度；
矢量创建单元根据每个用户的所有涉及科目的科目活跃度、科目兴趣度和科目知识度为每个用户创建活跃度表征矢量、兴趣度表征矢量和知识度表征矢量；
目标用户通过用户终端发送用户推荐请求到推荐分析服务器，拟合优度单元获取目标用户的候选用户集，并获取每个候选用户的涉及科目集；遍历候选用户集中的候选用户，将当前正在遍历的候选用户作为目标候选用户，并将目标用户的涉及科目集与目标候选用户的涉及科目集进行对比以统计目标用户与目标候选用户的关联科目数量；所述关联科目数量为关联科目的数量，关联科目为目标用户与目标候选用户共同的涉及科目；
拟合优度单元获取目标用户的涉及科目数量，并根据目标用户与目标候选用户的关联科目数量和涉及科目数量得到目标用户与目标候选用户的用户关联比，并将用户关联比大于用户关联阈值的目标候选用户作为目标用户的关联用户以得到目标用户的关联用户集；
用户推荐单元遍历目标用户的关联用户集，将正在遍历的关联用户作为目标关联用户，对目标关联用户的活跃度表征矢量、兴趣度表征矢量和知识度表征矢量进行特征变换以得到目标关联用户的特征值分布矩阵，并根据目标关联用户的特征值分布矩阵判断目标关联用户的活跃度表征矢量、兴趣度表征矢量和知识度表征矢量是否服从多维正态分布；
在服从多维正态分布时，用户推荐单元分别根据目标用户和目标关联用户的活跃度表征矢量、兴趣度表征矢量和知识度表征矢量得到目标用户与目标关联用户的拟合优度，将关联用户集中的关联用户按照拟合优度进行排序以生成用户推荐表，并将用户推荐表发送给目标用户。
根据一个优选实施方式，所述科目为将教学中一定的知识和技能范围划分为各个单位，其包括：生物学、应用经济学、法学、和新闻传播学。
所述用户终端为用户使用的具有通信功能和数据传输功能的设备，其包括：智能手机、平板电脑、笔记本电脑和台式电脑。
根据一个优选实施方式，拟合优度单元将目标用户的涉及科目集与目标候选用户的涉及科目集进行对比以统计目标用户与目标候选用户的关联科目数量包括：
拟合优度单元提取涉及科目的第一维度矢量、第二维度矢量和第三维度矢量，并将第一维度矢量、第二维度矢量和第三维度矢量并行排列以得到科目特征矢量，获取科目特征矢量的协方差矩阵然后根据科目特征矢量的协方差矩阵对科目特征矢量进行归一化处理以得到涉及科目的科目表征矢量；
遍历目标用户的涉及科目集，将正在遍历的涉及科目作为目标涉及科目，获取目标涉及科目的科目表征矢量与目标候选用户的涉及科目集中每个涉及科目的科目表征矢量的矢量相似度，并将矢量相似度大于相似度阈值的目标涉及科目作为关联科目；重复以上步骤直到将目标用户的涉及科目集遍历完；
拟合优度单元根据目标用户的涉及科目集中的所有关联科目以得到关联科目集，并统计关联科目集中关联科目的数量以得到关联科目数量。
根据一个优选实施方式，用户推荐单元根据目标用户与关联用户的拟合优度生成用户推荐表包括：
用户推荐单元获取目标用户与关联用户集中每个关联用户的拟合优度，并将目标用户与关联用户集中每个关联用户的拟合优度与拟合优度阈值进行比较，将拟合优度大于拟合优度阈值的关联用户作为推荐用户，根据所有推荐用户得到推荐用户集，将推荐用户集中的所有推荐用户按照拟合优度进行降序排序以得到用户推荐表，并将推荐用户表发送给目标用户。
根据一个优选实施方式，用户推荐单元根据活跃度表征矢量、兴趣度表征矢量和知识度表征矢量得到拟合优度包括：
用户推荐单元获取目标用户和目标关联用户的活跃度表征矢量、兴趣度表征矢量和知识度表征矢量，并根据目标用户和目标关联用户的活跃度表征矢量、兴趣度表征矢量和知识度表征矢量得的目标用户与目标关联用户的活跃度误差矢量、兴趣度误差矢量和知识度误差矢量；
用户推荐单元分别获取活跃度误差矢量、兴趣度误差矢量和知识度误差矢量的模长，并根据活跃度误差矢量、兴趣度误差矢量和知识度误差矢量的模长，得到目标用户与目标关联用户的拟合优度。
根据一个优选实施方式，用户终端为用户使用的具有通信功能和数据传输功能的设备，其包括：智能手机、平板电脑、笔记本电脑和台式电脑。
根据一个优选实施方式，拟合优度计算公式为：
Figure BDA0002849427520000041
其中，c为拟合优度，i为关联科目索引，n为关联科目数量，ui1为目标用户的第i个关联科目的科目活跃度，ui2为目标关联用户的第i个关联科目的科目活跃度，vi1为目标用户的第i个关联科目的科目兴趣度，vi2为目标关联用户的第i个关联科目的科目兴趣度，wi1为目标用户的第i个关联科目的科目知识度，wi2为目标关联用户的第i个关联科目的科目知识度，α为科目活跃度的权重系数，β为科目兴趣度的权重系数，γ为科目知识度的权重系数。
根据一个优选实施方式，所述关联科目数量为关联科目的数量，关联科目为目标用户与目标候选用户共同的涉及科目。
所述涉及科目为用户接触过的科目，包括历史学习科目、当前学习科目和意向学习科目。涉及科目集中包括用户的所有涉及科目。
根据一个优选实施方式，所述用户元数据包括：课程发布数据、历史浏览数据和课程学习数据；所述课程发布数据包括：学习心得、学习笔记和问题讨论；所述历史浏览数据为用户历史浏览内容的相关数据；所述课程学习数据包括若干个用户历史学习、正在学习和预约学习的课程。
根据一个优选实施方式，所述科目活跃度为用户对科目的活跃程度；所述科目兴趣度为用户对科目的感兴趣程度；科目知识度为用户对科目相关知识的掌握程度。
根据一个优选实施方式，所述涉及科目数量为目标用户的涉及科目集中涉及科目的数量。
所述用户推荐请求用于指示推荐分析服务器为目标用户推荐与目标用户兴趣爱好相同的用户。
根据一个优选实施方式，所述活跃度表征矢量中的每个元素表示用户的涉及科目集中相应涉及科目的科目活跃度。所述兴趣度表征矢量中的每个元素表示用户的涉及科目集中相应涉及科目的科目兴趣度。所述知识度表征矢量中的每个元素表示用户的涉及科目集中相应涉及科目的科目知识度。
本发明提供的实施例具有以下有益效果：本发明通过对用户的课程学习数据、历史浏览数据和课程发布数据进行分析以得到用户的涉及科目集和每个涉及科目的科目活跃度、科目兴趣度和科目知识度，并根据用户的每个涉及科目的科目活跃度、科目兴趣度和科目知识度得到用户与用户间的拟合优度，并根据拟合优度得到与用户最匹配的用户，能够提高用户推荐的效率和准确性。
附图说明
图1为一示例性实施例提供的基于智慧教育的用户推荐系统的结构框图。
具体实施方式
下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。
参见图1，在一个实施例中，本发明的基于智慧教育的用户推荐系统可以包括：预处理服务器、推荐分析服务器、数据库和用户终端，其中用户终端分别与预处理服务器和推荐分析服务器具有通信连接，数据库分别与预处理服务器和推荐分析服务器具有通信连接，预处理服务器和推荐分析服务器之间具有通信连接。
用户终端为用户使用的具有通信功能和数据传输功能的设备，其包括：智能手机、平板电脑、笔记本电脑和台式电脑。
预处理服务器包括：数据分析单元和矢量创建单元，各单元间具有通信连接。推荐分析服务器包括：拟合优度单元和用户推荐单元，各单元间具有通信连接。
预处理服务器的数据分析单元从数据库获取每个用户的涉及科目集，并对相应用户元数据进行数据分析以得到每个涉及科目的科目活跃度、科目兴趣度和科目知识度；
预处理服务器的矢量创建单元根据每个用户的所有涉及科目的科目活跃度、科目兴趣度和科目知识度为每个用户创建活跃度表征矢量、兴趣度表征矢量和知识度表征矢量；
目标用户通过用户终端发送用户推荐请求到推荐分析服务器，推荐分析服务器的拟合优度单元获取目标用户的候选用户集，并获取每个候选用户的涉及科目集；遍历候选用户集中的候选用户，将当前正在遍历的候选用户作为目标候选用户，并将目标用户的涉及科目集与目标候选用户的涉及科目集进行对比以统计目标用户与目标候选用户的关联科目数量；
推荐分析服务器的拟合优度单元获取目标用户的涉及科目数量，并根据目标用户与目标候选用户的关联科目数量和涉及科目数量得到目标用户与目标候选用户的用户关联比，并将用户关联比大于用户关联阈值的目标候选用户作为目标用户的关联用户以得到目标用户的关联用户集；
推荐分析服务器的用户推荐单元遍历目标用户的关联用户集，将正在遍历的关联用户作为目标关联用户，对目标关联用户的活跃度表征矢量、兴趣度表征矢量和知识度表征矢量进行特征变换以得到目标关联用户的特征值分布矩阵，并根据目标关联用户的特征值分布矩阵判断目标关联用户的活跃度表征矢量、兴趣度表征矢量和知识度表征矢量是否服从多维正态分布；
在服从多维正态分布时，用户推荐单元分别根据目标用户和目标关联用户的活跃度表征矢量、兴趣度表征矢量和知识度表征矢量得到目标用户与目标关联用户的拟合优度，将关联用户集中的关联用户按照拟合优度进行排序以生成用户推荐表，并将用户推荐表发送给目标用户。
为了便于理解，下面对本发明的工作方法和原理进行具体说明。
具体的，在一个实施例中，本发明所执行的智慧教育用户推荐方法可以包括以下步骤：
S1、预处理服务器的数据分析单元从数据库获取每个用户的涉及科目集，并对相应用户元数据进行数据分析以得到每个涉及科目的科目活跃度、科目兴趣度和科目知识度。
可选地，数据分析单元从数据库获取每个用户的课程学习数据、课程发布数据和历史浏览数据，并对每个用户的课程学习数据、历史浏览数据和课程发布数据进行分析以得到每个用户所有的涉及科目，并根据每个用户所有的涉及科目生成每个用户的涉及科目集。
可选地，数据分析单元对每个用户的课程学习数据、课程发布数据和历史浏览数据进行分析以得到每个用户对涉及科目集中每个涉及科目的科目活跃度、科目兴趣度和科目知识度。
可选地，用户元数据包括：课程发布数据、历史浏览数据和课程学习数据；课程发布数据包括：学习心得、学习笔记和问题讨论；历史浏览数据为用户历史浏览内容的相关数据；课程学习数据包括若干个用户历史学习、正在学习和预约学习的课程。
可选地，涉及科目为用户接触过的科目，包括：历史学习科目、当前学习科目和意向学习科目，涉及科目集中包括用户的所有涉及科目。
可选地，科目为将教学中一定的知识和技能范围划分为各个单位，其包括：生物学、应用经济学、法学、和新闻传播学。
可选地，课程发布数据为用户在在线教育平台上发布的一切有关科目学习的内容，其包括：学习心得、学习笔记和问题讨论。
历史浏览数据为用户在在线教育平台历史浏览的所有有关科目学习的内容。
可选地，课程学习数据为用户过去、现在和未来准备在在线教育平台学习的课程，包括若干个用户历史学习、正在学习和预约学习的课程。
可选地，科目活跃度为用户对科目的活跃程度，科目活跃度越高表示该用户对该科目相关内容的讨论越活跃。科目兴趣度为用户对科目的感兴趣程度，科目兴趣度越高表示表示该用户对该科目相关内容的越感兴趣。
可选地，科目知识度为用户对科目相关知识的掌握程度，科目知识度越高表示该用户对该科目相关知识的掌握程度越高。
S2、预处理服务器的矢量创建单元根据每个用户的所有涉及科目的科目活跃度、科目兴趣度和科目知识度为每个用户创建活跃度表征矢量、兴趣度表征矢量和知识度表征矢量。
可选地，活跃度表征矢量中的每个元素表示用户的涉及科目集中相应涉及科目的科目活跃度。
H＝[h1,h2,…hm]
其中，H为用户的活跃度表征矢量，hm用户的涉及科目集中第m个涉及科目的科目活跃度，m为用户的涉及科目集中的涉及科目的数量。
可选地，兴趣度表征矢量中的每个元素表示用户的涉及科目集中相应涉及科目的科目兴趣度。
X＝[x1,x2,…xm]
其中，X为用户的兴趣度表征矢量，xm用户的涉及科目集中第m个涉及科目的科目兴趣度，m为用户的涉及科目集中的涉及科目的数量。
可选地，知识度表征矢量中的每个元素表示用户的涉及科目集中相应涉及科目的科目知识度。
Z＝[z1,z2,…zm]
其中，Z为用户的知识度表征矢量，zm用户的涉及科目集中第m个涉及科目的科目知识度，m为用户的涉及科目集中的涉及科目的数量。
S3、目标用户通过用户终端发送用户推荐请求到推荐分析服务器，推荐分析服务器的拟合优度单元获取目标用户的候选用户集，并获取每个候选用户的涉及科目集；遍历候选用户集中的候选用户，将当前正在遍历的候选用户作为目标候选用户，并将目标用户的涉及科目集与目标候选用户的涉及科目集进行对比以统计目标用户与目标候选用户的关联科目数量。
可选地，用户推荐请求用于指示推荐分析服务器为目标用户推荐与目标用户兴趣爱好相同的用户。
可选地，用户终端为用户使用的具有通信功能和数据传输功能的设备，其包括：智能手机、平板电脑、笔记本电脑和台式电脑。
可选地，候选用户集中包括若干个候选用户，候选用户为除了目标用户外的其他用户。
可选地，拟合优度单元将目标用户的涉及科目集与目标候选用户的涉及科目集进行对比以统计目标用户与目标候选用户的关联科目数量包括：
拟合优度单元提取涉及科目的第一维度矢量、第二维度矢量和第三维度矢量，并将第一维度矢量、第二维度矢量和第三维度矢量并行排列以得到科目特征矢量，获取科目特征矢量的协方差矩阵然后根据科目特征矢量的协方差矩阵对科目特征矢量进行归一化处理以得到涉及科目的科目表征矢量；
遍历目标用户的涉及科目集，将正在遍历的涉及科目作为目标涉及科目，获取目标涉及科目的科目表征矢量与目标候选用户的涉及科目集中每个涉及科目的科目表征矢量的矢量相似度，并将矢量相似度大于相似度阈值的目标涉及科目作为关联科目；重复以上步骤直到将目标用户的涉及科目集遍历完；
拟合优度单元根据目标用户的涉及科目集中的所有关联科目以得到关联科目集，并统计关联科目集中关联科目的数量以得到关联科目数量。
可选地，关联科目数量为关联科目的数量，关联科目为目标用户与目标候选用户共同的涉及科目。
S4、推荐分析服务器的拟合优度单元获取目标用户的涉及科目数量，并根据目标用户与目标候选用户的关联科目数量和涉及科目数量得到目标用户与目标候选用户的用户关联比，并将用户关联比大于用户关联阈值的目标候选用户作为目标用户的关联用户以得到目标用户的关联用户集。
可选地，涉及科目数量为目标用户的涉及科目集中涉及科目的数量。
在一个实施例中，用户关联比的计算公式为：
s＝K/R
其中，s为用户关联比，K为关联科目数量，R为涉及科目数量。
可选地，用户关联阈值用于判断目标候选用户是否为关联用户，用户关联阈值可以由管理员根据实际情况预先进行设置，也可以由目标用户在发送用户推荐请求时进行预先设置。
S5、推荐分析服务器的用户推荐单元遍历目标用户的关联用户集，将正在遍历的关联用户作为目标关联用户，对目标关联用户的活跃度表征矢量、兴趣度表征矢量和知识度表征矢量进行特征变换以得到目标关联用户的特征值分布矩阵，并根据目标关联用户的特征值分布矩阵判断目标关联用户的活跃度表征矢量、兴趣度表征矢量和知识度表征矢量是否服从多维正态分布。
S6、在目标关联用户的活跃度表征矢量、兴趣度表征矢量和知识度表征矢量服从多维正态分布，用户推荐单元分别根据目标用户和目标关联用户的活跃度表征矢量、兴趣度表征矢量和知识度表征矢量得到目标用户与目标关联用户的拟合优度，将关联用户集中的关联用户按照拟合优度进行排序以生成用户推荐表，并将用户推荐表发送给目标用户。
可选地，在目标关联用户的活跃度表征矢量、兴趣度表征矢量和知识度表征矢量不服从多维正态分布，遍历关联用户集中的下一个关联用户，并将其作为目标关联用户。
在一个实施例中，拟合优度计算公式为：
Figure BDA0002849427520000101
其中，c为目标用户与目标关联用户的拟合优度，i为目标用户与目标关联用户的关联科目索引，n为目标用户与目标关联用户的关联科目数量，ui1为目标用户与目标关联用户的关联科目集中，目标用户的第i个关联科目的科目活跃度，ui2为目标用户与目标关联用户的关联科目集中，目标关联用户的第i个关联科目的科目活跃度，vi1为目标用户与目标关联用户的关联科目集中，目标用户的第i个关联科目的科目兴趣度，vi2为目标用户与目标关联用户的关联科目集中，目标关联用户的第i个关联科目的科目兴趣度，wi1为目标用户与目标关联用户的关联科目集中，目标用户的第i个关联科目的科目知识度，wi2为目标用户与目标关联用户的关联科目集中，目标关联用户的第i个关联科目的科目知识度，α为科目活跃度的权重系数，β为科目兴趣度的权重系数，γ为科目知识度的权重系数。
可选地，用户推荐单元根据目标用户与关联用户的拟合优度生成用户推荐表包括：
用户推荐单元获取目标用户与关联用户集中每个关联用户的拟合优度，并将目标用户与关联用户集中每个关联用户的拟合优度与拟合优度阈值进行比较，将拟合优度大于拟合优度阈值的关联用户作为推荐用户，根据所有推荐用户得到推荐用户集，将推荐用户集中的所有推荐用户按照拟合优度进行降序排序以得到用户推荐表，并将推荐用户表发送给目标用户。
在另一个实施例中，用户推荐单元根据活跃度表征矢量、兴趣度表征矢量和知识度表征矢量得到拟合优度包括：
用户推荐单元获取目标用户和目标关联用户的活跃度表征矢量、兴趣度表征矢量和知识度表征矢量，并根据目标用户和目标关联用户的活跃度表征矢量、兴趣度表征矢量和知识度表征矢量得的目标用户与目标关联用户的活跃度误差矢量、兴趣度误差矢量和知识度误差矢量；
用户推荐单元分别获取活跃度误差矢量、兴趣度误差矢量和知识度误差矢量的模长，并根据活跃度误差矢量、兴趣度误差矢量和知识度误差矢量的模长，得到目标用户与目标关联用户的拟合优度。
本发明通过对用户的课程学习数据、历史浏览数据和课程发布数据进行分析以得到用户的涉及科目集和每个涉及科目的科目活跃度、科目兴趣度和科目知识度，并根据用户的每个涉及科目的科目活跃度、科目兴趣度和科目知识度得到用户与用户间的拟合优度，能够提高用户推荐的效率和准确性。
另外，虽然上面参考特定模块讨论了特定功能，但是应当注意，本文讨论的各个模块的功能可以分为多个模块，和/或多个模块的至少一些功能可以组合成单个模块。另外，本文讨论的特定模块执行动作包括该特定模块本身执行动作，或者替换地该特定模块调用或以其他方式访问执行该动作的另一个组件或模块(或结合该特定模块一起执行动作)。因此，执行动作的特定模块可以包括执行动作的特定模块本身和/或执行动作的该特定模块调用或以其他方式访问的另一模块。
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，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (9)

1.一种基于智慧教育的用户推荐系统，其特征在于，其包括预处理服务器、推荐分析服务器、数据库和用户终端，所述预处理服务器包括数据分析单元和矢量创建单元，所述推荐分析服务器包括拟合优度单元和用户推荐单元，其中，
数据分析单元从数据库获取每个用户的涉及科目集，并对相应的用户元数据进行数据分析以得到每个涉及科目的科目活跃度、科目兴趣度和科目知识度；
矢量创建单元根据每个用户的所有涉及科目的科目活跃度、科目兴趣度和科目知识度为每个用户创建活跃度表征矢量、兴趣度表征矢量和知识度表征矢量；
目标用户通过用户终端发送用户推荐请求到推荐分析服务器，拟合优度单元获取目标用户的候选用户集，并获取每个候选用户的涉及科目集；遍历候选用户集中的候选用户，将当前正在遍历的候选用户作为目标候选用户，并将目标用户的涉及科目集与目标候选用户的涉及科目集进行对比以统计目标用户与目标候选用户的关联科目数量；
拟合优度单元获取目标用户的涉及科目数量，并根据目标用户与目标候选用户的关联科目数量和涉及科目数量得到目标用户与目标候选用户的用户关联比，并将用户关联比大于用户关联阈值的目标候选用户作为目标用户的关联用户以得到目标用户的关联用户集；
用户推荐单元遍历目标用户的关联用户集，将正在遍历的关联用户作为目标关联用户，对目标关联用户的活跃度表征矢量、兴趣度表征矢量和知识度表征矢量进行特征变换以得到目标关联用户的特征值分布矩阵，并根据目标关联用户的特征值分布矩阵判断目标关联用户的活跃度表征矢量、兴趣度表征矢量和知识度表征矢量是否服从多维正态分布；
在服从多维正态分布时，用户推荐单元分别根据目标用户和目标关联用户的活跃度表征矢量、兴趣度表征矢量和知识度表征矢量得到目标用户与目标关联用户的拟合优度，将关联用户集中的关联用户按照拟合优度进行排序以生成用户推荐表，并将用户推荐表发送给目标用户。
2.根据权利要求1所述的系统，其特征在于，所述用户元数据包括：课程发布数据、历史浏览数据和课程学习数据。
3.根据权利要求1或2所述的系统，其特征在于，所述涉及科目为用户接触过的科目，包括历史学习科目、当前学习科目和意向学习科目。
4.根据权利要求3所述的系统，其特征在于，拟合优度单元将目标用户的涉及科目集与目标候选用户的涉及科目集进行对比以统计目标用户与目标候选用户的关联科目数量包括：
拟合优度单元提取涉及科目的第一维度矢量、第二维度矢量和第三维度矢量，并将第一维度矢量、第二维度矢量和第三维度矢量并行排列以得到科目特征矢量，获取科目特征矢量的协方差矩阵然后根据科目特征矢量的协方差矩阵对科目特征矢量进行归一化处理以得到涉及科目的科目表征矢量；
遍历目标用户的涉及科目集，将正在遍历的涉及科目作为目标涉及科目，获取目标涉及科目的科目表征矢量与目标候选用户的涉及科目集中每个涉及科目的科目表征矢量的矢量相似度，并将矢量相似度大于相似度阈值的目标涉及科目作为关联科目；重复以上步骤直到将目标用户的涉及科目集遍历完；
拟合优度单元根据目标用户的涉及科目集中的所有关联科目以得到关联科目集，并统计关联科目集中关联科目的数量以得到关联科目数量。
5.根据权利要求4所述的系统，其特征在于，所述科目活跃度用于表征用户对科目的活跃程度；所述科目兴趣度用于表征用户对科目的感兴趣程度；所述科目知识度用于表征用户对科目相关知识的掌握程度。
6.根据权利要求5所述的系统，其特征在于，用户推荐单元根据目标用户与关联用户的拟合优度生成用户推荐表包括：
用户推荐单元获取目标用户与关联用户集中每个关联用户的拟合优度，并将目标用户与关联用户集中每个关联用户的拟合优度与拟合优度阈值进行比较，
将拟合优度大于拟合优度阈值的关联用户作为推荐用户，根据所有推荐用户得到推荐用户集，将推荐用户集中的所有推荐用户按照拟合优度进行降序排序以得到用户推荐表，并将推荐用户表发送给目标用户。
7.根据权利要求6所述的系统，其特征在于，用户推荐单元根据活跃度表征矢量、兴趣度表征矢量和知识度表征矢量得到拟合优度包括：
用户推荐单元获取目标用户和目标关联用户的活跃度表征矢量、兴趣度表征矢量和知识度表征矢量，并根据目标用户和目标关联用户的活跃度表征矢量、兴趣度表征矢量和知识度表征矢量得的目标用户与目标关联用户的活跃度误差矢量、兴趣度误差矢量和知识度误差矢量；
用户推荐单元分别获取活跃度误差矢量、兴趣度误差矢量和知识度误差矢量的模长，并根据活跃度误差矢量、兴趣度误差矢量和知识度误差矢量的模长，得到目标用户与目标关联用户的拟合优度。
8.根据权利要求7所述的系统，其特征在于，拟合优度计算公式为：
Figure FDA0002849427510000031
其中，c为拟合优度，i为关联科目索引，n为关联科目数量，ui1为目标用户的第i个关联科目的科目活跃度，ui2为目标关联用户的第i个关联科目的科目活跃度，vi1为目标用户的第i个关联科目的科目兴趣度，vi2为目标关联用户的第i个关联科目的科目兴趣度，wi1为目标用户的第i个关联科目的科目知识度，wi2为目标关联用户的第i个关联科目的科目知识度，α为科目活跃度的权重系数，β为科目兴趣度的权重系数，γ为科目知识度的权重系数。
9.根据权利要求1至8之一所述的系统，其特征在于，所述用户终端为用户使用的具有通信功能和数据传输功能的设备，其包括：智能手机、平板电脑、笔记本电脑和台式电脑。
CN202011520892.XA 2020-12-21 2020-12-21 一种基于智慧教育的用户推荐系统 Active CN112559873B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011520892.XA CN112559873B (zh) 2020-12-21 2020-12-21 一种基于智慧教育的用户推荐系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011520892.XA CN112559873B (zh) 2020-12-21 2020-12-21 一种基于智慧教育的用户推荐系统

Publications (2)

Publication Number Publication Date
CN112559873A true CN112559873A (zh) 2021-03-26
CN112559873B CN112559873B (zh) 2021-08-13

Family

ID=75031109

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011520892.XA Active CN112559873B (zh) 2020-12-21 2020-12-21 一种基于智慧教育的用户推荐系统

Country Status (1)

Country Link
CN (1) CN112559873B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090043752A1 (en) * 2007-08-08 2009-02-12 Expanse Networks, Inc. Predicting Side Effect Attributes
CN102651033A (zh) * 2012-04-09 2012-08-29 百度在线网络技术（北京）有限公司 一种在线资源的推荐方法和装置
CN104331459A (zh) * 2014-10-31 2015-02-04 百度在线网络技术（北京）有限公司 一种基于在线学习的网络资源推荐方法及装置
CN104680450A (zh) * 2015-02-06 2015-06-03 同济大学 一种用于实现同伴评价的装置及其应用
CN105404651A (zh) * 2015-10-30 2016-03-16 广东顺德中山大学卡内基梅隆大学国际联合研究院 基于lbs的骑行爱好者约骑和骑友推荐的方法和系统
CN106296312A (zh) * 2016-08-30 2017-01-04 江苏名通信息科技有限公司 基于社交媒体的在线教育资源推荐系统
CN108509610A (zh) * 2018-03-30 2018-09-07 深圳大学 一种活动与同伴的检索方法及系统
US10108962B1 (en) * 2017-07-17 2018-10-23 Sift Science, Inc. System and methods for dynamic digital threat mitigation
CN110276018A (zh) * 2019-05-29 2019-09-24 深圳技术大学 在线教育系统的个性化推荐方法、终端及存储介质
CN111831918A (zh) * 2020-07-24 2020-10-27 上海掌学教育科技有限公司 一种在线教育场景下的混合推荐系统
CN111859144A (zh) * 2020-07-28 2020-10-30 科大讯飞股份有限公司 一种资源推荐方法、装置、设备及存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090043752A1 (en) * 2007-08-08 2009-02-12 Expanse Networks, Inc. Predicting Side Effect Attributes
CN102651033A (zh) * 2012-04-09 2012-08-29 百度在线网络技术（北京）有限公司 一种在线资源的推荐方法和装置
CN104331459A (zh) * 2014-10-31 2015-02-04 百度在线网络技术（北京）有限公司 一种基于在线学习的网络资源推荐方法及装置
CN104680450A (zh) * 2015-02-06 2015-06-03 同济大学 一种用于实现同伴评价的装置及其应用
CN105404651A (zh) * 2015-10-30 2016-03-16 广东顺德中山大学卡内基梅隆大学国际联合研究院 基于lbs的骑行爱好者约骑和骑友推荐的方法和系统
CN106296312A (zh) * 2016-08-30 2017-01-04 江苏名通信息科技有限公司 基于社交媒体的在线教育资源推荐系统
US10108962B1 (en) * 2017-07-17 2018-10-23 Sift Science, Inc. System and methods for dynamic digital threat mitigation
CN108509610A (zh) * 2018-03-30 2018-09-07 深圳大学 一种活动与同伴的检索方法及系统
CN110276018A (zh) * 2019-05-29 2019-09-24 深圳技术大学 在线教育系统的个性化推荐方法、终端及存储介质
CN111831918A (zh) * 2020-07-24 2020-10-27 上海掌学教育科技有限公司 一种在线教育场景下的混合推荐系统
CN111859144A (zh) * 2020-07-28 2020-10-30 科大讯飞股份有限公司 一种资源推荐方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN112559873B (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
Gloor et al. Web science 2.0: Identifying trends through semantic social network analysis
Red et al. Comparing community structure to characteristics in online collegiate social networks
CN111475716A (zh) 在线课程推荐方法、系统、设备及存储介质
US9477747B2 (en) Method and apparatus for acquiring hot topics
CN110110225B (zh) 基于用户行为数据分析的在线教育推荐模型及构建方法
US20120102018A1 (en) Ranking Model Adaptation for Domain-Specific Search
US20030212663A1 (en) Neural network feedback for enhancing text search
CN110795542A (zh) 对话方法及相关装置、设备
CN111079009A (zh) 一种用于政务地图服务的用户兴趣检测方法及系统
CN116109373A (zh) 金融产品的推荐方法、装置、电子设备和介质
CN116244513A (zh) 随机群组poi推荐方法、系统、设备及存储介质
US8069179B2 (en) Preference judgements for relevance
CN108268466B (zh) 一种基于神经网络模型的网页排序方法和装置
CN108509588B (zh) 一种基于大数据的律师评估方法及推荐方法
CN112330387B (zh) 一种应用于看房软件的虚拟经纪人
CN115204436A (zh) 检测业务指标异常原因的方法、装置、设备及介质
CN112559873B (zh) 一种基于智慧教育的用户推荐系统
Shi et al. [Retracted] Research on Fast Recommendation Algorithm of Library Personalized Information Based on Density Clustering
CN110262906B (zh) 接口标签推荐方法、装置、存储介质和电子设备
CN111209403A (zh) 数据处理方法、装置、介质及电子设备
CN112559874B (zh) 基于智慧教育的用户推荐方法
EP4002157A1 (en) Method and system for identifying user search scenario
CN114707068A (zh) 一种智库知识推荐的方法、装置、设备及介质
CN111143688B (zh) 一种基于移动新闻客户端的评估方法及其系统
CN108509610A (zh) 一种活动与同伴的检索方法及系统

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210728

Address after: 518000 1101, floor 11, Saixi science and technology building, No. 3398, Binhai Avenue, Binhai community, Yuehai street, Nanshan District, Shenzhen, Guangdong

Applicant after: Rongyixue holding (Shenzhen) Co.,Ltd.

Address before: 611756 Xipu campus of Southwest Jiaotong University, No.999 Xian Road, Pidu District, Chengdu City, Sichuan Province

Applicant before: Zhou Huan

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20211202

Address after: Room 201, Building A, 1 Qianwan Road, Qianhai Shenzhen-Hong Kong Cooperation Zone, Shenzhen, Guangdong Province

Patentee after: Shenzhen rongyixue Education Technology Co., Ltd

Address before: 518000 1101, floor 11, Saixi science and technology building, No. 3398, Binhai Avenue, Binhai community, Yuehai street, Nanshan District, Shenzhen, Guangdong

Patentee before: Rongyixue holding (Shenzhen) Co.,Ltd.