CN114004715A - 一种基于大数据智能推荐算法的学习环境构建方法 - Google Patents
一种基于大数据智能推荐算法的学习环境构建方法 Download PDFInfo
- Publication number
- CN114004715A CN114004715A CN202010738015.3A CN202010738015A CN114004715A CN 114004715 A CN114004715 A CN 114004715A CN 202010738015 A CN202010738015 A CN 202010738015A CN 114004715 A CN114004715 A CN 114004715A
- Authority
- CN
- China
- Prior art keywords
- environment
- data
- learning
- user
- rule
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000007613 environmental effect Effects 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 108090000623 proteins and genes Proteins 0.000 claims description 8
- 230000006798 recombination Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 6
- 238000005215 recombination Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims description 2
- 230000002068 genetic effect Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 229910052760 oxygen Inorganic materials 0.000 claims description 2
- 239000001301 oxygen Substances 0.000 claims description 2
- 238000011002 quantification Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 claims 1
- 238000013480 data collection Methods 0.000 description 2
- 230000007614 genetic variation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
Images
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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/55—Education
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/40—Information sensed or collected by the things relating to personal data, e.g. biometric data, records or preferences
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/30—Control
- G16Y40/35—Management of things, i.e. controlling in accordance with a policy or in order to achieve specified objectives
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Educational Technology (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Accounting & Taxation (AREA)
- Environmental & Geological Engineering (AREA)
- Toxicology (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于大数据智能推荐算法的学习环境构建方法,属于大数据智能推荐算法技术领域,包括监控并采集用户系统环境场景数据集,传输到数据中台,数据中台对采集到的用户系统环境数据参数进行预处理;数据中台对采集到的用户系统环境场景数据集进行数据存储,同时将采集到的用户系统环境场景数据集与数据中台已设定的环境标准数据值进行比对,产生环境差异性由数据中台发出指令到用户系统,对环境进行调整;利用物联网技术搭建用户系统虚拟学习环境,构建学习环境优选推荐算法,引入密闭远程虚拟学习环境模型,完成密闭远程学习环境构建。
Description
技术领域
本发明涉及大数据智能推荐算法技术领域,具体为一种基于大数据智能推荐算法的学习环境构建方法。
背景技术
目前为了解决教育资源不足的问题,互联网上的教育日渐兴起,通过远程授课,远程上课的方式进行教学,即产生了在线教育的方式。但由于距离上以及网络的虚拟化问题,会导致上课的效率低下。同时很多学生的学习是强依赖于学习环境的,这也会导致学生对学习环境的过分苛刻。
同时,实体的学习环境并不能十全十美,不管是安静的氛围还是适宜的,除去环境,外界也存在很多的“诱惑”,比如,微信、微博这些娱乐的软件。市面上好的学习环境的标准确实不少,不过真正适宜的环境却不多。
发明内容
本发明的目的是通过物联网连接进入学习空间的学生,对学生营造一种自习室的学习氛围,同时接入学习空间的设备保证学习空间的环境的理想化。从而提高线上学习效率的问题,使得远程教育有着更高的适用性和高效性。
为实现上述目的,本发明提供如下技术方案:一种基于大数据智能推荐算法的学习环境构建方法,包括以下步骤:
A、设定用户系统环境场景,监控并采集用户系统环境场景数据集,传输到数据中台,数据中台对采集到的用户系统环境数据参数进行预处理;
B、数据中台对采集到的用户系统环境场景数据集进行数据存储,同时将采集到的用户系统环境场景数据集与数据中台已设定的环境标准数据值进行比对,产生环境差异性由数据中台发出指令到用户系统,对环境进行调整;
C、数据中台同时监控并采集用户系统身体状态数据集,并与数据中台已设定身体状态数据标准值进行比对,当身体状态数据值处于“休息”指令阈值,数据中台发出指令,将用户系统环境场景进行转换,使用户系统环境处于“休息”数据模式,当身体状态数据值处于“精力集中”指令阈值,数据中台发出指令,将用户系统环境场景进行转换,使用户系统环境处于“学习”数据模式;
D、构建密闭远程虚拟学习环境模型,输入学习环境优选推荐算法特征向量,通过模型衡量学习环境的干预程度,将最优的学习环境特征向量转换输出到用户系统;
E、利用物联网技术搭建用户系统虚拟学习环境,构建学习环境优选推荐算法,引入密闭远程虚拟学习环境模型,完成密闭远境构建。
进一步的,在步骤A中,通过大数据采集获取环境数据,构建环境场景数据集。
进一步,在步骤A中,对环境数据参数的预处理首先是对收集到的环境数据参数对进行去重、去空操作以剔除乱码的数据,最终获得标准环境数据。
进一步,在步骤B中,在设定场景后,数据中台会读取出相关的环境参数,发送给对应的各个用户系统,用户系统由负反馈循环系统组成,通过检测---判断---调节步骤进行环境调节,同时每一次都将测量的数据反馈给数据中台进行日志记录,用户系统之间相互独立运行,控制每个用户系统的相关环境变量。
进一步,在步骤D中,学习环境优选推荐算法包括模型构建、数据采集,数据处理,数据计算和全局最优解,其中,模型构建包括用户、商品、推荐周期、评价标准四个部分,其中,数据采集包括用户数据采集和商品数据采集,用户数据采集,通过传感器获取用户的学习时间、学习推荐周期以及周期内的学习环境,将数据以一个周期为单元上传只数据中台,对这些数据进行聚类划分,形成用户画像,商品数据采集,采用专家建议和通过网络爬虫技术获得推荐参数,进行数据清洗,同时结合专家以及对于环境对学习人员的学习状态评估产生的推荐参数形成数据的基础,再通过卷积神经网络采集到的数据进行归类聚集形成完善的数据集,获取环境数据,构建环境场景数据集,其中,数据处理选用聚类算法,将海量数据进行划分,结合卷积神经网络,通过神经网络采用高纬度对环境条件计算,从而获得不同的环境参数的分类和用户的分类,其中数据计算包括实时计算和离线计算,实时计算利用flink对小周期的数据进行在线计算,快速迭代出目前用户的状态是不是和当前的环境符合,从而对用户当前的环境进行修正,离线计算利用spark大数据处理框架对数据进行离线处理,通过汇总当前用户在本周期内的学习时长,占比、环境参数以及最优推荐结果等数据上传至数据中台,在数据中台汇总数据后对效果进行计算,其中,全局最优解为防止推荐环境参数进入局部最优解,采用遗传算法中的基因重组和基因变异的方式,对物品的属性进行改变,最终实现环境的微调,将最优的学习环境特征向量转换输出到用户系统。
进一步,在步骤D中,用户是环境的使用者,也就是推荐的受体,商品是包含了一系列特征的环境参数,环境参数需要进行建模,通过控制的子系统的不同维度对一个环境参数模型结构,让不同的环境变量可以相互进行比较,这个维度可采用密闭环境可以控制的环境参数进行建模,即温度、湿度、氧气浓度、光线强度、光线柔和度以及声音等因素,从而将环境进行区分,实现环境的量化,推荐周期包括大周期和小周期,大周期为一个学习周期,即从开始学习到第二次学习开始这一整个周期,这个周期的结果是可以量化分析,做到修改目前的现有的推荐环境的,小周期为一次用户学习状态的采集,对每一个采集的数据进行分析,通过判断学习状态对环境进行微调,这个阈值一定要在大周期环境参数的周边,评价标准是在一个周期结束以后,用学习时间占比对算法进行分析,判断一个大周期下学习的占比时间是否上升,上升则为该推荐算法有效果。
进一步,在步骤D中,离线计算包括基于内容的推荐算法和基于协同过滤的推荐算法,其中基于内容的推荐算法是将数据处理后的数据,通过对数据之间的关系进行分析,将数据分解到物联网可以操控的维度,引入当前训练的维度权值,对现有的规则进行加工将采集到的规则具象化以后形成了一组规则族,将目前用户使用的规则放入其中,寻找一个欧氏距离最接近的作为下一个推荐的规则,在规则间建立起了一组联系,形成了一组基于内容的规则族,其中基于协同过滤的推荐算法通过收集数据包括,年龄、学习阶段、每日学习长度、每日有效学习时间、拦截的信息的数量以选择的学习环境类型,绘制用户画像,利用聚类算法将相近的用户进行归类,形成一个个的用户画像族,汇总用户在使用时候偏好的环境,将这些环境汇总,形成基于协同过滤下的规则族,之后将基于内容的规则族和基于协同过滤下的规则族进行合并,再将这两个规则族进行向量积,再除以两个向量的模的平均值,得到新的规则族,作为环境微调参数,同时原环境参数作为新环境参数的上下限。
进一步,在步骤D中,基因重组是选择两个规则,将改规则中的一个属性和另一个规则的相同属性进行调换,从而实现打破目前规则组合的问题,基因变异设定一个比例,对规则数据与-1求积,产生一条新的环境规则,将这个环境规则加入其中,作为一个新的波动,从而避免数据走向局部最优解。
进一步,在步骤E中,在步骤A-B的基础之上,基于大数据智能推荐技术技术,将构造好的模型通过构建的智能推荐算法与对应的特定虚拟学习环境对接,实现密闭远程学习环境构建。
与现有技术相比,本发明的有益效果是:
1.通过基于大数据智能推荐技术的学习环境,将每个用户系统看作是独立的单元,各系统间通过数据中台进行连接,进行统一的数据管理,做到各系统独立运行,同时可以通过数据中台对数据进行统一管理、协调,从而促进学习环境的和谐、理想;
2.通过智能推荐算法连接进入学习空间的学生,对学生营造一种自习室的学习氛围,从而提高线上学习效率的问题,使得远程教育有着更高的适用性和高效性。
附图说明
图1为本发明基于基于大数据智能推荐技术的学习环境构建流程图;
图2为本发明推荐算法的数据采集流程图;
图3为本发明推荐算法计算的流程图;
图4为本发明规则族计算流转图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
根据图1所示,开始,当系统开始运行的时候,数据中台会通过设定的场景读取环境变量的读取,将数据存储到数据中台状态监控模块,数据中台监控模块会按时检查子模块的调节情况,同时对整个环境进行总监控,数据中台状态监控模块会将这些环境数据下发给响应的子模块,用户系统内部存在小的闭环控制对环境进行调节,同时会定期将数据备份到数据中台监控模块;
当数据中台状态监控模块检测到目前的学习者“状态”不适合学习的时候,就会提醒学习者,同时调节基本环境,给学习者创造一个适合休息的环境,当学习者打算继续学的时候,数据中台状态监控模块会将环境变为“学习”,重新检测在此情况下,学习者是否仍适合学习;
如果学习者的状态调整好了,向数据中台传输“学习”状态。否则依然处于休息状态。
根据图2所示,首先进行收集数据,通过网络爬虫在网上进行数据搜索;通过专家系统在机构间获得相关数据,同时提供一种官方发布的数据集;通过往次数据获得往期用户的数据集,左右样本数据的基础。将收集到的数据传递给下一级进行数据筛选;数据筛选将获得的大量的数据尤其是通过爬虫获得的数据进行处理,去掉一些差异性很大的数据,避免产生数据污染,做到数据集的相对干净,将处理完的数据传递给下一层进行数据归类;数据归类就是对数据进行划归,将大量的数据分类成不同的集合,这里要先进行数据归一化然后对数据进行聚类,聚集形成完善的数据集,获取环境数据,构建环境场景数据集。
根据图3所示,获得已经加工过的数据的集,计算新的规则族,通过基于内容的规则族和基于协同过滤的规则族,再将这两个规则族进行向量积,再除以两个向量的模的平均值,得到新的规则族,判断这个规则族是不是很久都没有产生变化了如果是就可以加入成熟的推荐规则族。在判断是否会产生基因变异和基因重组,如果会产生基因变异和重组就随机选取进行变异或者重组。再将重组之后的新规则族返回给用户,作为新的规则的推荐结果。
至此对于新用户来说,有之前的成熟的规则族可供选择,对于老用户来说,不断地将规则进行迭代,更加贴近用户的使用情况。。
根据图4所示,获得一个规则族,如果是新用户可以从现有的成熟规则族中选取一个规则族;如果是老用户就是用之前使用的规则族。这一族规则中,除了有每个规则的标准还有相关的上下限,在线计算是通过flink对用户目前的状态采集的数据进行计算,从而获得在上下限之间的当前最优解。同时在周期结束以后,将该次的学习情况以及规则族上传至服务器,并入之前的数据并使用spark进行离线计算,从而更改规则族,进而形成下一次的规则族。
尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于大数据智能推荐算法的学习环境构建方法,包括以下步骤:
A、设定用户系统环境场景,监控并采集用户系统环境场景数据集,传输到数据中台,数据中台对采集到的用户系统环境数据参数进行预处理;
B、数据中台对采集到的用户系统环境场景数据集进行数据存储,同时将采集到的用户系统环境场景数据集与数据中台已设定的环境标准数据值进行比对,产生环境差异性由数据中台发出指令到用户系统,对环境进行调整;
C、数据中台同时监控并采集用户系统身体状态数据集,并与数据中台已设定身体状态数据标准值进行比对,当身体状态数据值处于“休息”指令阈值,数据中台发出指令,将用户系统环境场景进行转换,使用户系统环境处于“休息”数据模式,当身体状态数据值处于“精力集中”指令阈值,数据中台发出指令,将用户系统环境场景进行转换,使用户系统环境处于“学习”数据模式;
D、构建密闭远程虚拟学习环境模型,输入学习环境优选推荐算法特征向量,通过模型衡量学习环境的干预程度,将最优的学习环境特征向量转换输出到用户系统;
E、利用物联网技术搭建用户系统虚拟学习环境,构建学习环境优选推荐算法,引入密闭远程虚拟学习环境模型,完成密闭远境构建。
2.根据权利要求1所述的一种基于大数据智能推荐算法的学习环境构建方法,其特征在于:在所述步骤A中,通过网络爬虫技术和人工收集途径获取环境数据,构建环境场景数据集。
3.根据权利要求1所述的一种基于大数据智能推荐算法的学习环境构建方法,其特征在于:在所述步骤A中,对环境数据参数的预处理首先是对收集到的环境数据参数对进行去重、去空操作以剔除乱码的数据,最终获得标准环境数据。
4.根据权利要求1所述的一种基于大数据智能推荐算法的学习环境构建方法,其特征在于:在所述步骤B中,在设定场景后,数据中台会读取出相关的环境参数,发送给对应的各个用户系统,用户系统由负反馈循环系统组成,通过检测---判断---调节步骤进行环境调节,同时每一次都将测量的数据反馈给数据中台进行日志记录,用户系统之间相互独立运行,控制每个用户系统的相关环境变量。
5.根据权利要求1所述的一种基于大数据智能推荐算法的学习环境构建方法,其特征在于:在所述在步骤D中,学习环境优选推荐算法包括模型构建、数据采集,数据处理,数据计算和全局最优解,其中,模型构建包括用户、商品、推荐周期、评价标准四个部分,其中,数据采集包括用户数据采集和商品数据采集,用户数据采集,通过传感器获取用户的学习时间、学习推荐周期以及周期内的学习环境,将数据以一个周期为单元上传只数据中台,对这些数据进行聚类划分,形成用户画像,商品数据采集,采用专家建议和通过网络爬虫技术获得推荐参数,进行数据清洗,同时结合专家以及对于环境对学习人员的学习状态评估产生的推荐参数形成数据的基础,再通过卷积神经网络采集到的数据进行归类聚集形成完善的数据集,获取环境数据,构建环境场景数据集,其中,数据处理选用聚类算法,将海量数据进行划分,结合卷积神经网络,通过神经网络采用高纬度对环境条件计算,从而获得不同的环境参数的分类和用户的分类,其中数据计算包括实时计算和离线计算,实时计算利用flink对小周期的数据进行在线计算,快速迭代出目前用户的状态是不是和当前的环境符合,从而对用户当前的环境进行修正,离线计算利用spark大数据处理框架对数据进行离线处理,通过汇总当前用户在本周期内的学习时长,占比、环境参数以及最优推荐结果等数据上传至数据中台,在数据中台汇总数据后对效果进行计算,其中,全局最优解为防止推荐环境参数进入局部最优解,采用遗传算法中的基因重组和基因变异的方式,对物品的属性进行改变,最终实现环境的微调,将最优的学习环境特征向量转换输出到用户系统。
6.根据权利要求5所述的一种基于大数据智能推荐算法的学习环境构建方法,其特征在于:在所述在步骤D中,用户是环境的使用者,也就是推荐的受体,商品是包含了一系列特征的环境参数,环境参数需要进行建模,通过控制的子系统的不同维度对一个环境参数模型结构,让不同的环境变量可以相互进行比较,这个维度可采用密闭环境可以控制的环境参数进行建模,即温度、湿度、氧气浓度、光线强度、光线柔和度以及声音等因素,从而将环境进行区分,实现环境的量化,推荐周期包括大周期和小周期,大周期为一个学习周期,即从开始学习到第二次学习开始这一整个周期,这个周期的结果是可以量化分析,做到修改目前的现有的推荐环境的,小周期为一次用户学习状态的采集,对每一个采集的数据进行分析,通过判断学习状态对环境进行微调,这个阈值一定要在大周期环境参数的周边,评价标准是在一个周期结束以后,用学习时间占比对算法进行分析,判断一个大周期下学习的占比时间是否上升,上升则为该推荐算法有效果。
7.根据权利要求5所述的一种基于大数据智能推荐算法的学习环境构建方法,其特征在于:在所述在步骤D中,离线计算包括基于内容的推荐算法和基于协同过滤的推荐算法,其中基于内容的推荐算法是将数据处理后的数据,通过对数据之间的关系进行分析,将数据分解到物联网可以操控的维度,引入当前训练的维度权值,对现有的规则进行加工将采集到的规则具象化以后形成了一组规则族,将目前用户使用的规则放入其中,寻找一个欧氏距离最接近的作为下一个推荐的规则,在规则间建立起了一组联系,形成了一组基于内容的规则族,其中基于协同过滤的推荐算法通过收集数据包括,年龄、学习阶段、每日学习长度、每日有效学习时间、拦截的信息的数量以选择的学习环境类型,绘制用户画像,利用聚类算法将相近的用户进行归类,形成一个个的用户画像族,汇总用户在使用时候偏好的环境,将这些环境汇总,形成基于协同过滤下的规则族,之后将基于内容的规则族和基于协同过滤下的规则族进行合并,再将这两个规则族进行向量积,再除以两个向量的模的平均值,得到新的规则族,作为环境微调参数,同时原环境参数作为新环境参数的上下限。
8.根据权利要求5所述的一种基于大数据智能推荐算法的学习环境构建方法,其特征在于:在所述在步骤D中,基因重组是选择两个规则,将改规则中的一个属性和另一个规则的相同属性进行调换,从而实现打破目前规则组合的问题,基因变异设定一个比例,对规则数据与-1求积,产生一条新的环境规则,将这个环境规则加入其中,作为一个新的波动,从而避免数据走向局部最优解。
9.根据权利要求1所述的一种基于大数据智能推荐算法的学习环境构建方法,其特征在于:在步骤E中,在步骤A-B的基础之上,基于大数据智能推荐技术技术,将构造好的模型通过构建的智能推荐算法与对应的特定虚拟学习环境对接,实现密闭远程学习环境构建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010738015.3A CN114004715A (zh) | 2020-07-28 | 2020-07-28 | 一种基于大数据智能推荐算法的学习环境构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010738015.3A CN114004715A (zh) | 2020-07-28 | 2020-07-28 | 一种基于大数据智能推荐算法的学习环境构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114004715A true CN114004715A (zh) | 2022-02-01 |
Family
ID=79920441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010738015.3A Pending CN114004715A (zh) | 2020-07-28 | 2020-07-28 | 一种基于大数据智能推荐算法的学习环境构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114004715A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117932278A (zh) * | 2024-03-22 | 2024-04-26 | 四川省生态环境科学研究院 | 一种智慧城市环保监控系统及方法 |
-
2020
- 2020-07-28 CN CN202010738015.3A patent/CN114004715A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117932278A (zh) * | 2024-03-22 | 2024-04-26 | 四川省生态环境科学研究院 | 一种智慧城市环保监控系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106779087B (zh) | 一种通用机器学习数据分析平台 | |
CN112765480B (zh) | 一种信息推送方法、装置及计算机可读存储介质 | |
CN113065974B (zh) | 一种基于动态网络表示学习的链路预测方法 | |
CN113572625B (zh) | 故障预警方法、预警装置、设备及计算机介质 | |
Li et al. | Multi-objective optimization-based recommendation for massive online learning resources | |
Tembusai et al. | K-nearest neighbor with K-fold cross validation and analytic hierarchy process on data classification | |
CN117591944A (zh) | 一种针对于大数据分析的学习预警方法及系统 | |
CN114004715A (zh) | 一种基于大数据智能推荐算法的学习环境构建方法 | |
CN117240887B (zh) | 一种智慧物联网能源管理平台系统 | |
CN112215410B (zh) | 基于改进深度学习的电力负荷预测方法 | |
CN110991689A (zh) | 基于LSTM-Morlet模型的分布式光伏发电系统短期预测方法 | |
CN114169998A (zh) | 一种金融大数据分析与挖掘算法 | |
CN110816938B (zh) | 一种基于香烟包装机综合检测平台的大数据分析方法 | |
CN117875501A (zh) | 一种基于大数据的社交媒体用户行为预测系统及方法 | |
CN116320626A (zh) | 一种计算电商直播热度的方法及系统 | |
CN113554010B (zh) | 一种电网线路故障识别模型训练方法 | |
CN115987692A (zh) | 一种基于流量回溯分析的安全防护系统及方法 | |
CN114265954B (zh) | 基于位置与结构信息的图表示学习方法 | |
KR102072940B1 (ko) | 설문조사 기반 자동 기사 생성을 위한 방법 및 시스템 | |
CN115600642A (zh) | 一种面向流媒体基于邻居信任聚合的去中心化联邦学习方法 | |
CN112529637B (zh) | 基于情景感知的服务需求动态预测方法及系统 | |
CN114078070A (zh) | 一种多源数据融合的文旅安全监测及溯源分析方法及系统 | |
Liu et al. | TS-SVM: Detect LDoS attack in SDN based on two-step self-adjusting SVM | |
CN112765148A (zh) | 一种基于改进svm多分类的网络入侵检测方法 | |
CN115935533B (zh) | 基于参数的产品智能设计系统 |
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 |