CN112559874B - 基于智慧教育的用户推荐方法 - Google Patents
基于智慧教育的用户推荐方法 Download PDFInfo
- Publication number
- CN112559874B CN112559874B CN202011523335.3A CN202011523335A CN112559874B CN 112559874 B CN112559874 B CN 112559874B CN 202011523335 A CN202011523335 A CN 202011523335A CN 112559874 B CN112559874 B CN 112559874B
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 167
- 238000012512 characterization method Methods 0.000 claims abstract description 27
- 230000000694 effects Effects 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000007405 data analysis Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
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)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及智慧教育和用户管理领域,公开了一种基于智慧教育的用户推荐方法,其包括:目标用户通过用户终端发送用户推荐请求,并根据用户推荐请求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推荐分析服务器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,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。
Description
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方法。
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。此外,在线教育不能及时在课下解决用户在课上留下的疑惑,不能及时与他人讨论科目相关问题,因此用户需要寻找和自己志同道合的伙伴一起相互督促学习,但是现有技术中用户经常找不到能够一起学习的其他用户。
发明内容
针对现有技术之不足,本发明提供了一种基于智慧教育的用户推荐方法,其包括:
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;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;
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。
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。
根据一个优选实施方式,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,拟合优度计算公式为:
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。
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,科学有效的为每个用户寻找最匹配的推荐用户。
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方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,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。
如图1所示,在一个实施例中,本发明的基于智慧教育的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。可选地,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。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。
可选地,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。
可选地,拟合优度计算公式为:
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。
本发明的技术效果,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,科学有效的为每个用户寻找最匹配的推荐用户。
在一个实施例中,用于执行本发明方法的智慧教育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。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。
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 (8)
1.一种基于智慧教育的用户推荐方法,其特征在于,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;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;
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。
2.根据权利要求1所述的方法,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。
3.根据权利要求2所述的方法,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。
4.根据权利要求3所述的方法,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。
5.根据权利要求4所述的方法,其特征在于,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。
6.根据权利要求5所述的方法,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。
7.根据权利要求6所述的方法,其特征在于,拟合优度计算公式为:
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。
8.根据权利要求7所述的方法,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011523335.3A CN112559874B (zh) | 2020-12-21 | 2020-12-21 | 基于智慧教育的用户推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011523335.3A CN112559874B (zh) | 2020-12-21 | 2020-12-21 | 基于智慧教育的用户推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112559874A CN112559874A (zh) | 2021-03-26 |
CN112559874B true CN112559874B (zh) | 2023-05-16 |
Family
ID=75031145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011523335.3A Active CN112559874B (zh) | 2020-12-21 | 2020-12-21 | 基于智慧教育的用户推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112559874B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101999121A (zh) * | 2008-04-10 | 2011-03-30 | 株式会社Ntt都科摩 | 推荐信息评价装置及推荐信息评价方法 |
CN109241405A (zh) * | 2018-08-13 | 2019-01-18 | 华中师范大学 | 一种基于知识关联的学习资源协同过滤推荐方法及系统 |
CN109885772A (zh) * | 2019-02-27 | 2019-06-14 | 上海优谦智能科技有限公司 | 基于知识图谱的教育内容个性化推荐系统 |
CN110223570A (zh) * | 2019-06-12 | 2019-09-10 | 广州壹学车智能信息科技有限公司 | 一种驾驶理论训练系统及其学习方法 |
CN110609960A (zh) * | 2019-09-25 | 2019-12-24 | 华中师范大学 | 学习资源推荐方法、装置、数据处理设备及存储介质 |
CN110647678A (zh) * | 2019-09-02 | 2020-01-03 | 杭州数理大数据技术有限公司 | 一种基于用户性格标签的推荐方法 |
CN110704739A (zh) * | 2019-09-30 | 2020-01-17 | 汉海信息技术(上海)有限公司 | 资源推荐方法、装置及计算机存储介质 |
CN111680147A (zh) * | 2020-07-07 | 2020-09-18 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、设备以及可读存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010048336A1 (en) * | 2008-10-21 | 2010-04-29 | Financial Finesse, Inc. | Method and system for personalized education |
US20110010306A1 (en) * | 2009-07-08 | 2011-01-13 | Gonzalez Daniel P | Educational Information Management System and Education Recommendation Generator |
US20140245184A1 (en) * | 2013-02-28 | 2014-08-28 | Heyning Cheng | Presenting actionable recommendations to members of a social network |
-
2020
- 2020-12-21 CN CN202011523335.3A patent/CN112559874B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101999121A (zh) * | 2008-04-10 | 2011-03-30 | 株式会社Ntt都科摩 | 推荐信息评价装置及推荐信息评价方法 |
CN109241405A (zh) * | 2018-08-13 | 2019-01-18 | 华中师范大学 | 一种基于知识关联的学习资源协同过滤推荐方法及系统 |
CN109885772A (zh) * | 2019-02-27 | 2019-06-14 | 上海优谦智能科技有限公司 | 基于知识图谱的教育内容个性化推荐系统 |
CN110223570A (zh) * | 2019-06-12 | 2019-09-10 | 广州壹学车智能信息科技有限公司 | 一种驾驶理论训练系统及其学习方法 |
CN110647678A (zh) * | 2019-09-02 | 2020-01-03 | 杭州数理大数据技术有限公司 | 一种基于用户性格标签的推荐方法 |
CN110609960A (zh) * | 2019-09-25 | 2019-12-24 | 华中师范大学 | 学习资源推荐方法、装置、数据处理设备及存储介质 |
CN110704739A (zh) * | 2019-09-30 | 2020-01-17 | 汉海信息技术(上海)有限公司 | 资源推荐方法、装置及计算机存储介质 |
CN111680147A (zh) * | 2020-07-07 | 2020-09-18 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、设备以及可读存储介质 |
Non-Patent Citations (2)
Title |
---|
"Research on Education Resource Recommendation Algorithm Based on Implicit Feedback and Pairwise";Xiaoxiang Huang 等;《2019 10th International Conference on Information Technology in Medicine and Education (ITME)》;20200123;第458-462页 * |
"应用卷积神经网络的学习推荐系统";于冰 等;《福建电脑》;20200425;(同一句:用户、推荐)AND(同一段:教育、科目) * |
Also Published As
Publication number | Publication date |
---|---|
CN112559874A (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109299372B (zh) | 一种基于协同过滤的智慧选课推荐方法 | |
Eid et al. | Comparing typological structures across cultures by multigroup latent class analysis: A primer | |
Deni et al. | Analysis and implementation fuzzy multi-attribute decision making SAW method for selection of high achieving students in faculty level | |
Chen et al. | Mining students' learning patterns and performance in Web-based instruction: a cognitive style approach | |
Boyle et al. | Gender inequality in employment status following family migration in GB and the US: The effect of relative occupational status | |
Salehi et al. | A novel method to extend SAW for decision-making problems with interval data | |
Rodriguez et al. | Feature selection for job matching application using profile matching model | |
Herath et al. | Intelligent Recommendations for e-Learning Personalization Based on Learner's Learning Activities and Performances | |
CN113781006A (zh) | 一种基于大数据的人力资源管理系统及方法 | |
CN108416030A (zh) | 一种职位推荐方法、装置及计算机可读存储介质 | |
CN116684477A (zh) | 一种基于用户画像的个性化信息精准推送方法及系统 | |
CN111708929A (zh) | 信息搜索方法、装置、电子设备及存储介质 | |
CN108509588B (zh) | 一种基于大数据的律师评估方法及推荐方法 | |
CN112559874B (zh) | 基于智慧教育的用户推荐方法 | |
Sriramesh et al. | Aligning public relations with the demands of globalization: Conceptual foundations for a theory of global public relations | |
CN112417280A (zh) | 一种基于虚拟现实主持人体系的推荐方法和系统 | |
Silva et al. | Towards a framework for supporting community modeling in crowdsourcing systems | |
CN112559873B (zh) | 一种基于智慧教育的用户推荐系统 | |
CN115934899A (zh) | 一种it行业简历推荐方法、装置、电子设备及储存介质 | |
Shokeen | On measuring the role of social networks in project recommendation | |
CN115204436A (zh) | 检测业务指标异常原因的方法、装置、设备及介质 | |
Wöber | A heuristic model for benchmarking SME hotel and restaurant businesses on the Internet | |
CN112069420A (zh) | 基于学习笔记分析的社交群组推荐方法及系统 | |
CN112257517A (zh) | 一种基于景点聚类和群体情感识别的旅游景点推荐系统 | |
CN112330387A (zh) | 一种应用于看房软件的虚拟经纪人 |
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 |
Effective date of registration: 20230423 Address after: D-011, Building D4, No. 15 Wanshou Road, Nanjing Area, China (Jiangsu) Pilot Free Trade Zone, Nanjing, Jiangsu Province, 211899 (Information Application) Applicant after: Nanjing Kangyu Digital Technology 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 |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |