CN115577185B - 基于混合推理和中智群决策的慕课推荐方法及装置 - Google Patents

Abstract

本发明公开了一种基于混合推理和中智群决策的慕课推荐方法及装置，包括：根据显式兴趣描述、专业匹配数据和历史行为数据进行离线状态推理，获得初始慕课资源列表；根据课程静态描述和历史评价数据进行在线状态推理，调整列表中慕课资源的优先顺序；获取学习者群体内每个用户的学习环境监测评估结果，计算慕课资源的服务质量评估值，以修正列表中慕课资源的兴趣度评估值；根据修正的兴趣度评估值从用户的列表中获取候选资源生成评估矩阵，输入改进的多准则决策算法后，根据算法输出生成面向学习者群体的最优慕课资源列表进行慕课资源推荐。本发明实现了线上学习背景和差异化学习环境下，学习者群体的个性化学习需求与多样化慕课资源间的精确匹配。

Description

基于混合推理和中智群决策的慕课推荐方法及装置

技术领域

本发明涉及智慧教育技术领域，尤其涉及一种基于混合推理和中智群决策的慕课推荐方法及装置。

背景技术

近年来，线上学习得到了大规模的普及，互联网平台存在着海量的慕课资源，针对学习者进行慕课学习时面临着无关信息的严重干扰的问题，通常采用混合推荐算法来挖掘学习者的兴趣偏好，为学习者推荐合适的慕课资源。

混合推荐算法是合并采用基于协同过滤的推荐算法和基于内容的推荐算法。其中，基于协同过滤的推荐算法也称为基于邻域的算法，主要是对用户群体的行为数据进行分析，寻找邻近用户或邻近物品进而生成推荐。基于内容的推荐算法尝试推荐与用户正在关注或者过去所喜好物品在内容上相似的其他物品，关键技术是对物品特征建模和用户兴趣建模，推荐的过程是将物品特征与用户兴趣特征进行匹配，找出与用户兴趣特征最相似的物品进行推荐。

根据上述两种推荐算法，现有研究通常首先采集众多学习者在慕课学习平台上遗留的用户相关的历史数据，包括评分数据、行为数据（如收藏、点赞、浏览时间等）等，将用户相关的历史数据综合起来作为相似度的计算依据，以识别出相似的学习者或慕课资源，然后将慕课学习平台上关于课程的文本描述信息与学习者的搜索关键词进行语义匹配的分析，从而筛选出学习者最可能对内容感兴趣的候选慕课资源，最后依据由用户相关的历史数据分析得到的相似学习者或者相似慕课的度量结果，对候选慕课资源进行甄别和重新排序，从而为学习者推荐出最理想的慕课资源结果。

然而，传统的混合推荐算法的主要存在以下不足：

（1）现有的基于内容的推荐算法在物品建模部分采用0/1作为划分标签的方法，这种应用于慕课资源推荐场景忽略了慕课内容与社会标签之间关联度的丰富性，导致课程建模时语义分析不足。

（2）现有的基于五星评价的慕课评价机制和用户评分尺度间可能存在的明显差异，在将传统的基于协同过滤的推荐算法直接应用到慕课资源推荐时，导致较大的计算误差。

（3）现有的慕课推荐方法多数仅依据用户评价数据和行为数据，而对于更多的用户个性化信息，缺乏全面的分析和挖掘，导致推荐精确度不高。

总体而言，现有的混合推荐算法均是从一个或两个数据来源对学习者的学习兴趣进行推理和分析，难以保障存在新用户时的冷启动和用户相关的数据稀疏情况下的推荐准确度。

发明内容

基于此，本发明提供一种基于混合推理和中智群决策的慕课推荐方法及装置，以解决采用混合推荐算法为学习者推荐慕课资源时存在推荐精确度不高的问题。

为实现上述目的，本发明提供一种基于混合推理和中智群决策的慕课推荐方法，包括用户与慕课资源建模阶段和慕课资源推荐阶段；

所述用户与慕课资源建模阶段包括：

根据用户的兴趣描述信息、专业匹配数据和历史行为数据进行离线状态推理，获得所述用户的初始慕课资源列表；所述初始慕课资源列表包含所述用户关联的多个慕课资源以及每个所述慕课资源的兴趣度评估值；

根据课程的静态描述信息和用户的历史评价数据进行在线状态推理，调整所述初始慕课资源列表中各所述慕课资源的优先顺序；

所述慕课资源推荐阶段包括：

获取学习者群体内每个用户的时序化的学习环境监测评估结果，根据所述学习环境监测评估结果获取所述慕课资源的服务质量评估值，以修正每个所述用户的所述初始慕课资源列表中各所述慕课资源的兴趣度评估值；

获取基于中智集的Outranking算子，构建改进的多准则决策算法；

根据修正后所述慕课资源的兴趣度评估值从每个所述用户的所述初始慕课资源列表中获取预设数量的候选资源，生成所述学习者群体的评估矩阵，送入改进的多准则决策算法后，根据所述多准则决策算法输出的结果生成最优慕课资源列表，以根据所述最优慕课资源列表进行慕课资源推荐。

此外，本发明还提供一种基于混合推理和中智群决策的慕课推荐装置，包括用户与慕课资源建模模块和慕课资源推荐模块；所述用户与慕课资源建模模块包括：

离线推理模块，用于根据用户的兴趣描述信息、专业匹配数据和历史行为数据进行离线状态推理，获得所述用户的初始慕课资源列表；所述初始慕课资源列表包含所述用户关联的多个慕课资源以及每个所述慕课资源的兴趣度评估值；

在线推理模块，用于根据课程的静态描述信息和用户的历史评价数据进行在线状态推理，以调整所述初始慕课资源列表中各所述慕课资源的优先顺序；

所述慕课资源推荐模块包括：

时序化监测模块，用于获取学习者群体内每个用户的时序化的学习环境监测评估结果，根据所述学习环境监测评估结果获取所述慕课资源的服务质量评估值，以修正每个所述用户的所述初始慕课资源列表中各所述慕课资源的兴趣度评估值；

决策算法构建模块，用于获取基于中智集的Outranking算子，构建改进的多准则决策算法；

最优推荐模块，用于根据修正后所述慕课资源的兴趣度评估值从每个所述用户的所述初始慕课资源列表中获取预设数量的候选资源，生成所述学习者群体的评估矩阵，送入改进的多准则决策算法后，根据所述多准则决策算法输出的结果生成最优慕课资源列表，以根据所述最优慕课资源列表进行慕课资源推荐。

本发明提供的基于混合推理和中智群决策的慕课推荐方法及装置，具有以下有益效果：

（1）针对学习者个体的学习兴趣受到学习者自己主观上的偏好、客观上的专业学习能力和学习过程中的感受等诸多因素的影响，本发明从基于显式兴趣描述的语义推理、基于专业匹配数据的学习需求推理、基于学习行为数据的兴趣关联推理、基于静态课程描述的语义推理、基于历史评价数据的协同过滤推理五个方面，对用户的显式兴趣和隐式兴趣进行挖掘和分析，从而为用户建立更准确的慕课资源列表，以帮助用户更准确、快速地推荐满足自身显式和隐式需求的慕课资源；

（2）充分考虑大规模在线学习背景和差异化学习环境特点，为确保学习者群体在慕课学习时获得整体最优的服务质量，本发明通过深入分析不同学习者的网络学习环境特征，引入区间中智集理论，对慕课资源的服务质量进行模糊化综合评估，并基于支持区间中智数运算的Outranking算子，构建改进的多准则决策算法，实现了为学习者群体提供整体服务质量最佳的慕课资源，实现了智能的群体决策支持；

（3）考虑到大规模在线学习背景下学习者可能分布在明显不同的地理区域，由于差异化的网络学习环境可能导致不同用户使用同一慕课资源时给出明显不同的评价数据，本发明将位于同一学习小组或学习班级的所有学习者进行最优慕课资源整体推荐的问题建模为一个非补偿的多准则决策问题，即将每个学生视为一个决策准则，一个慕课资源在一个准则上的缺陷不能被其它准则上的优势来弥补，这种非补偿型的多准则决策方式可以实现大规模线上学习背景和差异化学习环境下，学习者个体和学习者群体的个性化学习需求与多元化慕课资源之间的精确匹配。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例中基于混合推理和中智群决策的慕课推荐方法的流程示意图；

图2为本发明一实施例中基于混合推理和中智群决策的慕课推荐装置的结构示意图。

具体实施方式

为使本发明所要解决的技术问题、技术方案及有益效果更为清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明一实施例提供的一种基于混合推理和中智群决策的慕课推荐方法，包含用户与慕课资源建模阶段和慕课资源推荐阶段。

首先，用户与资源建模阶段包括以下步骤：

步骤S10，根据用户的兴趣描述信息、专业匹配数据和历史行为数据进行离线状态推理，获得用户的初始慕课资源列表；初始慕课资源列表包含用户关联的多个慕课资源以及每个慕课资源的兴趣度评估值。

作为优选，离线状态推理包含基于显式兴趣描述的语义推理、基于专业匹配数据的学习需求推理和基于历史行为数据的兴趣关联推理，此时，步骤S10包括以下步骤：

步骤S101，基于显式兴趣描述的语义推理：获取用户的显示兴趣描述信息，生成显示兴趣描述信息对应的词向量，并在通过语义分析算法得到相似词组集合之后，将相似词组集合中的各词向量与预设资源库中的各慕课资源进行语义匹配，并根据匹配结果推理得到用户对不同慕课资源的兴趣度评估值。

具体的，获取用户注册慕课学习平台时登记的各项描述信息，包括显式兴趣描述信息（即明确的兴趣描述信息），使用词向量算法Word2vec训练得到的词向量模型，将显式兴趣描述信息转换为词向量，并通过语义分析算法，获取词向量之间的相似度，进而得到相似词组集合。按照相似词组集合中的内容，与慕课学习平台的资源库中的所有慕课资源信息进行语义匹配，根据匹配出来的慕课资源的类别标签，推理分析出用户对不同慕课资源的兴趣度评估值。其中，慕课资源的类别标签包含慕课资源的所在学科、专业和特色等。

步骤S102，基于专业匹配数据的学习需求推理：获取用户的专业匹配数据，对用户匹配的慕课资源的难度级别进行推理，以生成一个可感知学习难度的初始慕课资源列表。

在本实施例中，用户的专业匹配数据包含但不限于用户所属学校和专业等。此时，可以动态采集由教育会、校友会和软科等多个来源发布的中国大学排名表和全国高校学科评估结果，对用户的“能力级别”给与不同的量化标记，以及按照慕课资源发布者的所属学校和所属专业对所有慕课资源进行“难度级别”的量化标记，进而通过计算“能力级别”和“难度级别”的匹配度，按照匹配度值从高到低排序，得到一个初始慕课资源列表。

作为优选，对用户的能力级别和慕课资源的难度级别进行量化标记可以采用模糊区间描述机制。

具体的，将用户的能力级别定义为一个区间数：，和分别表示用户的能力下限和能力上限，以及将慕课资源的难度级别也定义为一个区间数：，和分别表示慕课资源的难度下限和难度上限，其中、、和的取值范围均为，它们的取值是根据由教育会、校友会和软科等多个来源发布的中国大学排名表和全国高校学科评估结果进行综合加权后获得。

以慕课资源的难度级别为例，假定慕课资源由用户发布，而用户所在学校在某个数据来源（例如，校友会）的学校排名为，则该慕课资源的学校难度级别可以表示为：，其中，为参与排名的学校总数，然后计算对于不同的数据来源该相同慕课资源的学校难度级别值，分别将所有学校难度级别值中的最小值定义为，最大值定义为。假定用户所学专业在某个数据来源的专业排名为，基于类似方法计算该慕课资源的专业难度级别。最后，对慕课资源的学校难度级别和专业难度级别进行综合加权，计算出该慕课资源综合的难度级别，可以表示为：

    （1）

公式（1）中，为慕课资源的难度下限值；为加权系数，取值范围为。

可理解的，当用户的能力级别与慕课资源的难度级别相匹配时，用户对慕课资源的兴趣度会越高。由此，本实施例可以采用区间数的可能度来度量“用户的能力级别和慕课资源的难度级别”之间的匹配度，计算公式如下：

（2）

公式（2）中，为用户的能力级别与慕课资源的难度级别之间的匹配度；为用户的能力上限与慕课资源的难度下限的差值，表示为； 为慕课资源的难度上限与用户的能力下限的差值，表示为。当越接近于1时，用户的能力级别与慕课资源的难度级别之间的匹配度越高，用户对慕课资源的兴趣度会越高；反之，当越接近于0时，用户的能力级别与慕课资源的难度级别之间的匹配度越低，用户对慕课资源的兴趣度会越低。

步骤S103，基于历史行为数据的兴趣关联推理：获取用户的历史行为数据进行隐式兴趣关联推理，以调整初始慕课资源列表中慕课资源的兴趣度评估值。

具体的，根据用户学习慕课资源过程中的历史行为数据可以充分挖掘用户的隐式兴趣。其中，历史行为数据包含历史搜索关键字和历史驻留时间等。

作为优选，步骤S30中的隐式兴趣关联推理包括以下步骤：

基于历史搜索关键字的隐式兴趣关联推理：对于用户的历史搜索关键字，通过词向量模型生成历史搜索关键字对应的词向量，并通过语义分析得到词向量之间的相似程度，对搜索关键字进行分组后，根据搜索关键字出现的频率调整用户关联的慕课资源的兴趣度评估值。

也即，对于用户曾经使用的所有搜索关键字，使用词向量算法Word2vec训练得到的词向量模型，将搜索关键字转换为词向量，并调用语义分析算法计算词向量之间的相似程度，然后，基于词向量之间的相似程度对搜索关键字进行分组，按照搜索关键字出现的频率不同，为搜索关键字赋予不同的权重系数，根据搜索关键字的权重系数，进一步调整与用户关联的慕课资源的兴趣度评估值。

基于历史驻留时间的兴趣关联推理：获取用户学习慕课资源过程中在不同页面上的历史驻留时间，并获取到各页面的页面关键词之后，根据历史驻留时间的长短调整标题或简介中含有页面关键词的慕课资源的兴趣度评估值。

也即，获取用户在慕课资源学习过程中在不同页面上的历史驻留时间，并通过解析页面的代码提取用户所驻留页面的关键词，对于标题或简介中含有驻留页面关键词的慕课资源，按照历史驻留时间的长短调整慕课资源的兴趣度评估值。

通过离线状态下执行的步骤S101至步骤S103，将为每个用户（即学习者）生成一个基于兴趣和能力推理得到的初始慕课资源列表，在初始慕课资源列表中，为每个用户所关联的每个慕课资源均赋予一个兴趣度评估值。在后续步骤S20的在线状态下，将根据步骤S201至步骤S203推理过程动态调整每个慕课资源的优先顺序。在使用过程中，初始慕课资源列表的长度可以根据用户需求进行设置。

步骤S20，根据课程的静态描述信息和用户的历史评价数据进行在线状态推理，以调整初始慕课资源列表中各慕课资源的优先顺序。

作为优选，在线状态推理包含基于静态课程描述的语义推理和基于历史评价数据的协同过滤推理，此时步骤S20包含以下步骤：

步骤S201，基于课程静态描述的语义推理：获取用户检索慕课资源时输入的关键词，通过基于语义分析的课程建模方法，计算关键词与初始慕课资源列表中各慕课资源的静态描述信息间的相似度，以修正各慕课资源的兴趣度评估值。

针对传统的基于内容的课程建模方法语义分析不足和人工成本过高的问题，本实施例融合采用词向量模型和TF-IDF（Term Frequency-Inverse Document Frequency，词频-逆向文件频率）算法来改进传统的标签划分方式，构建基于语义分析的课程建模方法，以用于提炼更丰富的语义信息。

获取用户在检索时输入的所需要的慕课资源的关键词，采用基于语义分析的课程建模方式计算当前用户检索时输入的关键词与“各门课程”的静态描述信息间的相似度，根据该相似度的值修正初始慕课资源列表中各慕课资源的兴趣度评估值。其中，各门课程与初始慕课资源列表中的慕课资源逐一对应，课程的静态描述信息包含课程简介和章节简介等。

作为优选，基于语义分析的课程建模方法的实现过程可以包含以下阶段：

1）切词阶段：根据结巴（jieba）分词库构建用户自定义词典，对初始语料数据进行切词处理，并利用综合停用词表去除停用词之后，通过TF-IDF算法计算各门课程的关键词和TF-IDF值，生成训练语料数据；其中，初始语料数据包含各门课程的静态描述信息。

具体的，先使用结巴分词库添加用户自定义词典，对初始的语料数据（即各门课程的静态描述信息）进行切词处理，得到候选语料数据，然后使用百度停用词表等公开停用词表去除候选语料数据中的停用词，再使用TF-IDF算法计算各门课程的关键词和TF-IDF值，并最终生成训练语料数据。

2）训练阶段：利用词向量算法Word2vec中的Skip-gram框架对训练语料数据进行训练，以得到词向量模型，并根据词向量模型输出的语义预测结果，调整Skip-gram框架的超参数，添加新的停用词至综合停用词表以及补充专有名词至用户自定义词典，以重新对初始语料数据进行切词处理，反复训练，直至得到训练好的词向量模型。

具体的，先Word2vec中的Skip-gram框架对训练语料数据进行训练，以得到词向量模型。然后根据词向量模型输出的语义预测结果调整词向量维度、窗口长度等超参数，并从语义预测结果中获取新的停用词添加到综合停用词表，以及获取专有名词补充到用户自定义词典，再重新对初始的语料数据进行切词处理，反复执行，直至得到语义良好的词向量模型。其中，Skip-gram框架是根据单词预测上下文的个词语，为实现这个目标需要使条件概率的值达到最大，也即使单词周围窗口长度为内的上下文的概率值达到最大。

3）测试阶段：利用训练好的词向量模型，获取与用户输入的关键词语义最相近的个候选词及其相似度，结合TF-IDF算法计算个候选词的TF-IDF值，获取关键词与每个候选词的综合相似度，取综合相似度最高的个候选词标记为相似词输出。

也即，先加载训练好的词向量模型，使用Word2vec算法计算与用户输入的词语（关键词）的语义最相近的个词语（候选词）及其相似度。然后，使用TF-IDF算法计算个词语的TF-IDF值。最后，将个词语的相似度和对应的TF-IDF值进行加权求和，得到最终的相似度，取相似度最高的（）词语作为相似词输出。

其中，利用TF-IDF算法计算词频（TF）的公式如下：

                （3）

公式（3）中，表示词语在慕课描述文件中出现的次数；表示慕课描述文件中所有出现的词汇总和，慕课描述文件为课程的静态描述信息。

计算逆向文件概率（IDF）的公式如下：

      （4）

公式（4）中，是慕课描述文件的总数；表示包含词语的慕课描述文件数目，即的慕课描述文件数目。

计算TF-IDF值的公式如下：

         （5）

4）建模阶段：对每门课程进行标签划分，并计算各个标签的相似词列表，根据课程标题与课程简介中含有标签及其相似词的情况，构建课程模型。

具体的，为每门课程的大类分别划分标签，例如计算机类课程的标签为“Python”“Java”、“操作系统”等12个具体标签。计算各个标签的相似词列表，针对每门课程，根据课程标题与课程简介中含有标签或标签的相似词的情况，得到课程与标签的相关度，进而根据课程与标签之间的相关度建立课程模型，此时，课程模型可以包含所有的课程以及课程对应的标签。

以“操作系统”的标签为例，在每门课程进行建模（即考虑每门课程关联到哪些标签）时，除了严格的完全匹配（即课程标题或课程简介中正好包含了“操作系统”的文字）外，还需要进行语义相似度计算，根据语义相似度计算结果对相似度较高的课程，打上“操作系统”的标签。

步骤S202，基于历史评价数据的协同过滤推理：获取用户的历史评价数据，将历史评价数据输入基于肯德尔相关系数和余弦相似度的慕课评分相似度评估模型，以获取当前用户与其他用户之间的评分相似度，并根据评分相似度确定多个近邻用户后，根据近邻用户的评价数据对初始慕课资源列表中各慕课资源的评价情况进行预测。

具体的，本实施例采用混合肯德尔相关系数和余弦相似度的慕课评分相似度评估算法，将用户对曾经学习过的慕课资源的五星评价进行数值化转换后，计算出当前用户与其他用户之间的评分相似度，根据该相似度获取个近邻用户，以个近邻用户的评价数据为基础，对初始慕课资源列表中的各慕课资源的评价情况进行预测，得到预测结果，该预测结果将作为最终推荐结果的重要参考依据。

本实施例提出的混合肯德尔相关系数和余弦相似度的慕课评分相似度评估算法具体为：

肯德尔系数将用户和用户假定为两个随机变量，肯德尔系数的相似度计算公式如下：

        （6）

公式（6）中，为肯德尔系数；、分别表示用户、的评价数据集合；表示和拥有的一致性的评价数据的对数；表示集合和拥有的不一致性的评价数据的对数；表示评价数据的个数；的取值范围在-1到1之间，当时，表示用户、拥有一致的等级相关性。

本实施例提出将余弦相似度与肯德尔系数按权求和作为新的相似度，基于历史评价数据计算用户和的评分相似度的计算公式如下：

（7）

公式（7）中，为用户和的评分相似度；、分别表示用户和的余弦相似度和肯德尔系数值，是余弦相似度的权重系数。

其中，余弦相似度的计算公式为：

          （8）

本实施例既有效利用了肯德尔系数对前后位序差异敏感的优点，也充分利用了余弦相似度能够准确反应空间维度上向量之间差异的优势，从而既有效缓解了用户对慕课资源评分尺度差异所带来的影响，也缩小了精度误差缺陷。

其次，慕课资源推荐阶段包括以下步骤：

本实施例的另一特色在于，充分考虑大规模在线学习背景和差异化学习环境特点，为特定学习者群体提供具有最佳服务质量的慕课资源，即兼顾学习者个体的偏好和特定的学习者群体的整体学习需求，实现更加合理和智能的群体决策支持。其中，特定的学习者群体是指位于不同地理区域内的学习小组或学习班级。

步骤S30，执行用户学习环境的时序化监测：获取学习者群体内每个用户的时序化的学习环境监测评估结果，根据学习环境监测评估结果获取慕课资源的服务质量评估值，以对初始慕课资源列表中各慕课资源的兴趣度评估值进行修正。

具体的，实时记录学习者群体（即位于不同地理区域内的学习小组或学习班级）内每个用户每次学习慕课资源时的网络学习环境特点，监测每个用户通过网页浏览器发出请求的时间、IP地址和网络自治区域AS号码等信息，并根据上述信息分析用户所在城市、区域以及互联网服务供应商等详细数据，并通过对用户发出的网页访问请求信息进行分析，识别出特定学习群体内每个用户进行上线学习的网络特征，以网络特征为学习环境监测评估结果，分析慕课资源在不同网络特征下的服务提供质量的差异化表征，评估同一类别、同一层级和同一难度下的多个同一主题的慕课资源的服务质量，以为后续的群体决策提供关键依据。

步骤S40，利用基于中智集的Outranking算子（即“级别高于”算子）构建改进的多准则决策算法。

具体的，首先引入区间中智集理论，结合全局的用户反馈的历史评价数据进行中智数转换，通过综合考虑“满意、不确定、失望”三个维度，使用三个区间数对慕课资源的服务质量进行模糊综合评价，并基于模糊综合评价得到的中智集评价数，设计出相适应的Outranking算子。例如，一个慕课资源的中智集评价数表示为，则表示历史评价数据中对慕课资源的服务质量为满意的占80%~90%，对慕课资源的服务质量为失望的占10%~20%，而对慕课资源的服务质量为不确定的占20%~30%。

然后，使用步骤S40得到的基于中智集的Outranking算子，改进传统的多准则决策算法，得到新的一致性指数（Concordance Index）计算公式、全局一致性指数（GlobalConcordance Index）计算公式、不和谐指数（Discordance Index）计算公式、可信度（Credibility Index）计算公式、优势度（Dominance Index）计算公式、净优势度（NetDominance Index）计算公式，从而得到新的多属性决策方法。

需要说明是，1995年美国数学家司马仁达齐提出了中智逻辑（NeutrosophicLogic）和中智集（Neutrosophic Set，NS）的概念。根据定义，中智集中的每个元素由真实度、不确定度以及失真度表示，它们都是独立的，并分别存在于非标准的单位区间，从而突破了之间的限制。目前，中智集理论已被应用于多个领域，包括入侵检测、图像分割、人工智能和经济分析等。

步骤S50，执行基于多属性决策的慕课排序：根据修正后慕课资源的兴趣度评估值从每个用户的初始慕课资源列表中获取预设数量的候选资源，生成学习者群体的评估矩阵，送入改进的多准则决策算法后，根据多准则决策算法输出的结果生成最优慕课资源列表，以根据最优慕课资源列表进行慕课资源推荐。

作为优选，步骤S50包括以下步骤：

步骤S501，识别出位于不同地理区域内的学习小组或学习班级（即学习者群体）中的N个用户，执行用户与慕课资源建模阶段的步骤得到每个用户的初始慕课资源列表。

步骤S502，根据慕课资源的服务质量评估值，对每个用户的初始慕课资源列表中慕课资源的兴趣度评估值进行修正，并根据修正后的兴趣度评估值获得一个长度为L的候选慕课资源推荐列表。

其中，根据步骤S30获取的用户时序化的学习环境监测评估结果，优选地，学习环境监测评估结果为用户访问网页的响应时间，依据用户访问网页的响应时间计算慕课资源的服务质量评估值，该服务质量评估值的计算公式如下：

             （9）

公式（9）中，为慕课资源的服务质量评估值；为用户访问网页的响应时间；为响应时间最大限值。可选地，响应时间最大限值为10秒，此时，当用户访问网页的响应时间超过10秒时，慕课资源的服务质量评估值为0分。

然后，利用慕课资源的服务质量评估值对初始慕课资源列表中慕课资源的兴趣度评估值进行修正，此时，若用表示慕课资源的服务质量评估值，表示用户对慕课资源的兴趣度评估值，则修正后的兴趣度评估值为：，此时，服务质量评估值越高，慕课资源的兴趣度评估值越高。

步骤S503，将候选慕课资源推荐列表中的L个资源标记为候选资源，从N个用户的初始慕课资源列表中提取L个候选资源的评估值，构成大小为N*L的评估矩阵。

步骤S504，将评估矩阵送入改进的多准则决策算法，根据改进的多准则决策算法计算得到的L个候选资源的净优势度，得到最优慕课资源列表， 并将最优慕课资源列表在前排列的慕课资源推荐给N个用户。

综上所述，本实施例提供的基于混合推理和中智群决策的慕课推荐方法，具有以下有益效果：

（1）针对学习者个体的学习兴趣受到学习者自己主观上的偏好、客观上的专业学习能力和学习过程中的感受等诸多因素的影响，本实施例从基于显式兴趣描述的语义推理、基于专业匹配数据的学习需求推理、基于学习行为数据的兴趣关联推理、基于静态课程描述的语义推理、基于历史评价数据的协同过滤推理五个方面，对用户的显式兴趣和隐式兴趣进行挖掘和分析，从而为用户建立更准确的慕课资源列表，以帮助用户更准确、快速地推荐满足自身显式和隐式需求的慕课资源；

（2）充分考虑大规模在线学习背景和差异化学习环境特点，为确保学习者群体在慕课学习时获得整体最优的服务质量，本实施例通过深入分析不同学习者的网络学习环境特征，引入区间中智集理论，对慕课资源的服务质量进行模糊化综合评估，并基于支持区间中智数运算的Outranking算子，构建改进的多准则决策算法，实现了为学习者群体提供整体服务质量最佳的慕课资源，实现了智能的群体决策支持；

（3）考虑到大规模在线学习背景下学习者可能分布在明显不同的地理区域，由于差异化的网络学习环境可能导致不同用户使用同一慕课资源时给出明显不同的评价数据，本实施例将位于同一学习小组或学习班级的所有学习者进行最优慕课资源整体推荐的问题建模为一个非补偿的多准则决策问题，即将每个学生视为一个决策准则，一个慕课资源在一个准则上的缺陷不能被其它准则上的优势来弥补，这种非补偿型的多准则决策方式可以实现大规模线上学习背景和差异化学习环境下，学习者个体和学习者群体的个性化学习需求与多元化慕课资源之间的精确匹配。

进一步地，本实施例可以通过考察推荐结果前个慕课资源的排序准确度来计算偏差度，并以偏差度作为推荐准确度的评价指标，偏差度的计算公式如下：

            （10）

公式（10）中，为偏差度；为选定用于计算偏差度的推荐慕课资源总数；表示预测排序位次；表示实际排序位次。其中，当偏差度的值越小，表示推荐的精准度越高。

在验证慕课推荐效果时，可以用传统混合推荐算法和本实施例的基于混合推理和中智群决策的慕课推荐方法（后续简称本方法）分别在数据稀疏和数据稠密两种情况下进行对比实验。实验结果显示，不同稀疏度下本方法在推荐慕课资源数量取1~10时，偏差度的值均低于传统混合推荐算法，本方法推荐精度的更高。

此外，如图2所示，本发明一实施例还提供了一种基于混合推理和中智群决策的慕课推荐装置，包括用户与慕课资源建模模块100和慕课资源推荐模块200；所述用户与慕课资源建模模块100包括：

离线推理模块110，用于根据用户的兴趣描述信息、专业匹配数据和历史行为数据进行离线状态推理，获得用户的初始慕课资源列表；初始慕课资源列表包含用户关联的多个慕课资源以及每个慕课资源的兴趣度评估值；

在线推理模块120，用于根据课程的静态描述信息和用户的历史评价数据进行在线状态推理，以调整初始慕课资源列表中各慕课资源的优先顺序；

所述慕课资源推荐模块200包括：

时序化监测模块210，用于获取学习者群体内每个用户的时序化的学习环境监测评估结果，根据学习环境监测评估结果获取慕课资源的服务质量评估值，以修正每个用户的初始慕课资源列表中各慕课资源的兴趣度评估值；

决策算法构建模块220，用于获取基于中智集的Outranking算子，构建改进的多准则决策算法；

最优推荐模块230，用于根据修正后慕课资源的兴趣度评估值从每个用户的初始慕课资源列表中获取预设的数量的候选资源，生成学习者群体的评估矩阵，送入改进的多准则决策算法后，根据多准则决策算法输出的结果生成最优慕课资源列表，以根据最优慕课资源列表进行慕课资源推荐。

进一步地，所述离线推理模块110包含以下子模块，各功能模块的详细说明如下：

离线语义推理子模块，用于获取用户的显示兴趣描述信息，生成显示兴趣描述信息对应的词向量，并在通过语义分析算法得到相似词组集合之后，将所述相似词组集合中的各所述词向量与预设资源库中的各慕课资源进行语义匹配，并根据匹配结果推理得到所述用户对不同所述慕课资源的兴趣度评估值；

学习需求推理子模块，用于获取所述用户的专业匹配数据，对所述用户匹配的所述慕课资源的难度级别进行推理，以生成一个可感知学习难度的初始慕课资源列表；

兴趣关联推理子模块，用于获取所述用户的历史行为数据进行隐式兴趣关联推理，以调整所述初始慕课资源列表中所述慕课资源的兴趣度评估值。

进一步地，所述兴趣关联推理子模块包括以下单元，各功能单元的详细说明如下：

搜索关键字关联推理单元，用于对于用户的历史搜索关键字，通过词向量模型生成所述历史搜索关键字对应的词向量，并通过语义分析得到词向量之间的相似程度，对搜索关键字进行分组后，根据所述搜索关键字出现的频率调整所述用户关联的所述慕课资源的兴趣度评估值；

驻留时间关联推理单元，用于获取所述用户学习慕课资源过程中在不同页面上的历史驻留时间，并获取到各所述页面的页面关键词之后，根据所述历史驻留时间的长短对标题或简介中含有所述页面关键词的慕课资源调整兴趣度评估值。

进一步地，所述在线推理模块120包括以下子模块，各功能子模块的详细说明如下：

在线语义推理子模块，用于获取所述用户检索所述慕课资源时输入的关键词，通过基于语义分析的课程建模方法，计算所述关键词与所述初始慕课资源列表中各所述慕课资源的静态描述信息间的相似度，以修正各所述慕课资源的兴趣度评估值；

协同过滤推理子模块，用于获取用户的历史评价数据，将所述历史评价数据输入基于肯德尔相关系数和余弦相似度的慕课评分相似度评估模型，以获取当前用户与其他用户之间的评分相似度，并根据所述评分相似度确定多个近邻用户后，根据所述近邻用户的评价数据对所述初始慕课资源列表中各所述慕课资源的评价情况进行预测。

进一步地，所述最优推荐模块230包括以下子模块，各功能子模块的详细说明如下：

初始列表获取子模块，用于识别出位于不同地理区域内的学习小组或学习班级中的个用户，通过所述用户与慕课资源建模模块得到每个所述用户的初始慕课资源列表；

候选列表获取子模块，用于根据慕课资源的服务质量评估值，对每个所述用户的所述初始慕课资源列表中所述慕课资源的兴趣度评估值进行修正，根据修正后的兴趣度评估值，对个所述用户的所述初始慕课资源列表中的所述慕课资源的兴趣度评估值进行加权综合排序，获得一个长度为的候选慕课资源推荐列表；

评估矩阵构建子模块，用于将所述候选慕课资源推荐列表中的个资源标记为候选资源，从个所述用户的所述初始慕课资源列表中提取个所述候选资源的评估值，构成大小为的评估矩阵；

推荐子模块，用于将所述评估矩阵送入改进的多准则决策算法，根据所述改进的多准则决策算法计算得到的个候选资源的净优势度，得到最优慕课资源列表，并将所述最优慕课资源列表中在前排列的所述慕课资源推荐给个用户。

上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明的范围限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明实施例的，不同方面的许多其它变化，为了简明它们没有在细节中提供。

本发明实施例旨在涵盖落入本发明的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、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 (6)

1.一种基于混合推理和中智群决策的慕课推荐方法，其特征在于，包括用户与慕课资源建模阶段和慕课资源推荐阶段；

所述用户与慕课资源建模阶段包括：

根据用户的兴趣描述信息、专业匹配数据和历史行为数据进行离线状态推理，获得所述用户的初始慕课资源列表；所述初始慕课资源列表包含所述用户关联的多个慕课资源以及每个所述慕课资源的兴趣度评估值；所述根据用户的兴趣描述信息、专业匹配数据和历史行为数据进行离线状态推理，获得所述用户的初始慕课资源列表，包括：获取用户的显式兴趣描述信息，生成显式兴趣描述信息对应的词向量，并在通过语义分析算法得到相似词组集合之后，将所述相似词组集合中的各所述词向量与预设资源库中的各慕课资源进行语义匹配，并根据匹配结果推理得到所述用户对不同所述慕课资源的兴趣度评估值；获取所述用户的专业匹配数据，对所述用户匹配的所述慕课资源的难度级别进行推理，以生成一个可感知学习难度的初始慕课资源列表；获取所述用户的历史行为数据进行隐式兴趣关联推理，以调整所述初始慕课资源列表中所述慕课资源的兴趣度评估值；

根据课程的静态描述信息和用户的历史评价数据进行在线状态推理，调整所述初始慕课资源列表中各所述慕课资源的优先顺序，包括：获取所述用户检索所述慕课资源时输入的关键词，通过基于语义分析的课程建模方法，计算所述关键词与所述初始慕课资源列表中各所述慕课资源的静态描述信息间的相似度，以修正各所述慕课资源的兴趣度评估值；获取用户的历史评价数据，将所述历史评价数据输入基于肯德尔相关系数和余弦相似度的慕课评分相似度评估模型，以获取当前用户与其他用户之间的评分相似度，并根据所述评分相似度确定多个近邻用户后，根据所述近邻用户的评价数据对所述初始慕课资源列表中各所述慕课资源的评价情况进行预测；

所述慕课资源推荐阶段包括：

获取学习者群体内每个用户的时序化的学习环境监测评估结果，根据所述学习环境监测评估结果获取所述慕课资源的服务质量评估值，以修正每个所述用户的所述初始慕课资源列表中各所述慕课资源的兴趣度评估值；

获取基于中智集的Outranking算子，构建改进的多准则决策算法，所述构建改进的多准则决策算法包括：基于区间中智集理论，综合考虑“满意、不确定、失望”三个维度，使用三个区间数对所述慕课资源的服务质量进行模糊综合评价，并基于所述模糊综合评价得到的中智集评价数设计出相适应的Outranking算子，然后，使用得到的所述Outranking算子，改进传统的多准则决策算法，得到新的一致性指数计算公式、全局一致性指数计算公式、不和谐指数计算公式、可信度计算公式、优势度计算公式、净优势度计算公式，以得到改进的多准则决策算法；

根据修正后所述慕课资源的兴趣度评估值从每个所述用户的所述初始慕课资源列表中获取预设数量的候选资源，生成所述学习者群体的评估矩阵，送入改进的多准则决策算法后，根据所述多准则决策算法输出的结果生成最优慕课资源列表，以根据所述最优慕课资源列表进行慕课资源推荐。

2.根据权利要求1所述的基于混合推理和中智群决策的慕课推荐方法，其特征在于，所述历史行为数据包含历史搜索关键字和兴趣关联推理；所述获取所述用户的历史行为数据进行隐式兴趣关联推理，包括：

对于用户的历史搜索关键字，通过词向量模型生成所述历史搜索关键字对应的词向量，并通过语义分析得到词向量之间的相似程度，对搜索关键字进行分组后，根据所述搜索关键字出现的频率调整所述用户关联的所述慕课资源的兴趣度评估值；和

获取所述用户学习慕课资源过程中在不同页面上的历史驻留时间，并获取到各所述页面的页面关键词之后，根据所述历史驻留时间的长短调整标题或简介中含有所述页面关键词的慕课资源的兴趣度评估值。

3.根据权利要求1所述的基于混合推理和中智群决策的慕课推荐方法，其特征在于，所述基于语义分析的课程建模方法，包括：

根据结巴分词库构建用户自定义词典，对初始语料数据进行切词处理，并利用综合停用词表去除停用词之后，通过TF-IDF算法计算各门课程的关键词和TF-IDF值，生成训练语料数据；所述初始语料数据包含各门课程的静态描述信息；

利用Word2vec词向量模型对所述训练语料数据进行训练，以得到词向量模型，并根据所述词向量模型输出的语义预测结果，调整Skip-gram框架的超参数，添加新的停用词至所述综合停用词表以及补充专有名词至所述用户自定义词典，以重新对初始语料数据进行切词处理，反复训练，直至得到训练好的词向量模型；

利用训练好的所述词向量模型，获取与所述用户输入的关键词语义最相近的个候选词及其相似度，结合所述TF-IDF算法计算个所述候选词的TF-IDF值，获取所述关键词与每个所述候选词的综合相似度，取所述综合相似度最高的个所述候选词标记为相似词输出；

对每门课程进行标签划分，并计算各个所述标签的相似词列表，根据课程标题与课程简介中含有标签及其相似词的情况，构建课程模型。

4.根据权利要求1所述的基于混合推理和中智群决策的慕课推荐方法，其特征在于，所述根据修正后所述慕课资源的兴趣度评估值从每个所述用户的所述初始慕课资源列表中获取预设数量的候选资源，生成所述学习者群体的评估矩阵，送入改进的多准则决策算法后，根据所述多准则决策算法输出的结果生成最优慕课资源列表，以根据所述最优慕课资源列表进行慕课资源推荐，包括：

识别出位于不同地理区域内的学习小组或学习班级中的个用户，执行所述用户与慕课资源建模阶段的步骤得到每个所述用户的初始慕课资源列表；

根据慕课资源的服务质量评估值，对每个所述用户的所述初始慕课资源列表中所述慕课资源的兴趣度评估值进行修正，根据修正后的兴趣度评估值，对个所述用户的所述初始慕课资源列表中的所述慕课资源的兴趣度评估值进行加权综合排序，获得一个长度为的候选慕课资源推荐列表；

将所述候选慕课资源推荐列表中的个资源标记为候选资源，从个所述用户的所述初始慕课资源列表中提取个所述候选资源的评估值，构成大小为的评估矩阵；

将所述评估矩阵送入改进的多准则决策算法，根据所述改进的多准则决策算法计算得到的个候选资源的净优势度，得到最优慕课资源列表，并将所述最优慕课资源列表中在前排列的所述慕课资源推荐给个用户。

5.一种基于混合推理和中智群决策的慕课推荐装置，其特征在于，包括用户与慕课资源建模模块和慕课资源推荐模块；所述用户与慕课资源建模模块包括：

离线推理模块，用于根据用户的兴趣描述信息、专业匹配数据和历史行为数据进行离线状态推理，获得所述用户的初始慕课资源列表；所述初始慕课资源列表包含所述用户关联的多个慕课资源以及每个所述慕课资源的兴趣度评估值；所述离线推理模块包括：离线语义推理子模块，用于获取用户的显式兴趣描述信息，生成显式兴趣描述信息对应的词向量，并在通过语义分析算法得到相似词组集合之后，将所述相似词组集合中的各所述词向量与预设资源库中的各慕课资源进行语义匹配，并根据匹配结果推理得到所述用户对不同所述慕课资源的兴趣度评估值；学习需求推理子模块，用于获取所述用户的专业匹配数据，对所述用户匹配的所述慕课资源的难度级别进行推理，以生成一个可感知学习难度的初始慕课资源列表；兴趣关联推理子模块，用于获取所述用户的历史行为数据进行隐式兴趣关联推理，以调整所述初始慕课资源列表中所述慕课资源的兴趣度评估值；

在线推理模块，用于根据课程的静态描述信息和用户的历史评价数据进行在线状态推理，以调整所述初始慕课资源列表中各所述慕课资源的优先顺序；所述在线推理模块包括：在线语义推理子模块，用于获取所述用户检索所述慕课资源时输入的关键词，通过基于语义分析的课程建模方法，计算所述关键词与所述初始慕课资源列表中各所述慕课资源的静态描述信息间的相似度，以修正各所述慕课资源的兴趣度评估值；协同过滤推理子模块，用于获取用户的历史评价数据，将所述历史评价数据输入基于肯德尔相关系数和余弦相似度的慕课评分相似度评估模型，以获取当前用户与其他用户之间的评分相似度，并根据所述评分相似度确定多个近邻用户后，根据所述近邻用户的评价数据对所述初始慕课资源列表中各所述慕课资源的评价情况进行预测；

所述慕课资源推荐模块包括：

时序化监测模块，用于获取学习者群体内每个用户的时序化的学习环境监测评估结果，根据所述学习环境监测评估结果获取所述慕课资源的服务质量评估值，以修正每个所述用户的所述初始慕课资源列表中各所述慕课资源的兴趣度评估值；

决策算法构建模块，用于获取基于中智集的Outranking算子，构建改进的多准则决策算法，所述构建改进的多准则决策算法包括：基于区间中智集理论，综合考虑“满意、不确定、失望”三个维度，使用三个区间数对所述慕课资源的服务质量进行模糊综合评价，并基于所述模糊综合评价得到的中智集评价数设计出相适应的Outranking算子，然后，使用得到的所述Outranking算子，改进传统的多准则决策算法，得到新的一致性指数计算公式、全局一致性指数计算公式、不和谐指数计算公式、可信度计算公式、优势度计算公式、净优势度计算公式，以得到改进的多准则决策算法；

最优推荐模块，用于根据修正后所述慕课资源的兴趣度评估值从每个所述用户的所述初始慕课资源列表中获取预设数量的候选资源，生成所述学习者群体的评估矩阵，送入改进的多准则决策算法后，根据所述多准则决策算法输出的结果生成最优慕课资源列表，以根据所述最优慕课资源列表进行慕课资源推荐。

6.如权利要求5所述的基于混合推理和中智群决策的慕课推荐装置，其特征在于，所述最优推荐模块包括：

初始列表获取子模块，用于识别出位于不同地理区域内的学习小组或学习班级中的个用户，通过所述用户与慕课资源建模模块得到每个所述用户的初始慕课资源列表；

候选列表获取子模块，用于根据慕课资源的服务质量评估值，对每个所述用户的所述初始慕课资源列表中所述慕课资源的兴趣度评估值进行修正，根据修正后的兴趣度评估值，对个所述用户的所述初始慕课资源列表中的所述慕课资源的兴趣度评估值进行加权综合排序，获得一个长度为的候选慕课资源推荐列表；

评估矩阵构建子模块，用于将所述候选慕课资源推荐列表中的个资源标记为候选资源，从个所述用户的所述初始慕课资源列表中提取个所述候选资源的评估值，构成大小为的评估矩阵；

推荐子模块，用于将所述评估矩阵送入改进的多准则决策算法，根据所述改进的多准则决策算法计算得到的个候选资源的净优势度，得到最优慕课资源列表，并将所述最优慕课资源列表中在前排列的所述慕课资源推荐给个用户。

Images