CN116992142B - 一种基于用户大数据的课程智能推荐系统及方法 - Google Patents

Abstract

本发明涉及大数据技术领域，具体为一种基于用户大数据的课程智能推荐系统及方法，所述系统包括课程预推荐模型构建模块、预推荐课程方案课程体验效益分析模块、预警条件值设定模块以及预推荐课程方案调整模块，所述预推荐课程方案课程体验效益分析模块用于实时监测当前待监测用户预推荐课程方案课程体验效益，结合效益结果分析当前待监测用户与预推荐课程方案的适用率，本发明通过结合待监测用户的历史网络行为轨迹筛选符合待监测用户的课程，结合用户初步选择结果以及筛选结果构建课程推荐优先级序列，并实时监测当前用户实行对应方案时候的状态，结合监测结果实时调整最佳课程，进而避免了用户盲目选择课程的问题，同时提高用户学习的效率。

Description

一种基于用户大数据的课程智能推荐系统及方法

技术领域

本发明涉及大数据技术领域，具体为一种基于用户大数据的课程智能推荐系统及方法。

背景技术

通信技术的发展对教育环境产生了巨大的影响，在线教育系统作为其中发展最迅猛、扩散速度最快的领域，广泛地影响着我们的生活，在线课程学习网站作为当前最为流行的学习方式之一，在一定程度上为学习用户提供了广泛的资源与开放的平台，随着在线教育系统的普及,系统上的学生和课程的数量正在快速增长,那么如何让学生更好地挑选更感兴趣的、更适应学生特点的、知识量足、知识面全面的课程,已成为当今广受争议的问题，当前社会中，课程推荐已经成了高校教学工作中不可或缺的部分，在对大部分学生推荐课程的同时，往往结合当前热门专业进行制定推荐计划，在一定程度上既忽视了学生的兴趣爱好，并不能准确判断采取的推荐课程是否能够完成适合学生，为了解决该问题，设计一种基于用户大数据的课程智能推荐系统及方法是必不可少的。

发明内容

本发明的目的在于提供一种基于用户大数据的课程智能推荐系统及方法，以解决上述背景技术中提出的问题，本发明提供如下技术方案：

一种基于用户大数据的课程智能推荐方法，所述方法包括以下步骤：

S1、通过历史数据获取待监测用户网络操作行为轨迹，并结合待监测用户网络操作行为轨迹中浏览记录设定行为类标签和对应属性标签，根据待监测用户初步选择结果构建课程预推荐模型；

S2、实时监测当前待监测用户预推荐课程方案课程体验效益，结合效益结果分析当前待监测用户与预推荐课程方案的适用率；

S3、结合S2中分析结果，判断当前待监测用户运行对应预推荐课程方案的适用率是否达标，根据判断结果设定预警条件值；

S4、结合S3中预警条件值对当前预推荐课程方案进行实时监测并调整。

进一步的，所述S1中的方法包括以下步骤：

步骤1001、通过历史数据获取待监测用户网络操作行为轨迹，提取待监测用户操作行为轨迹中的浏览记录，结合浏览记录中数据进行类别划分，并将不同类别附属行为类别标签和属性标签，生成集合A，

A＝{[A₁，B_A(1)]，[A₂，B_A(2)]，[A₃，B_A(3)]，...，[A_n，B_A(n)]}，

其中A_n表示第n种类别数据的行为类别标签，B_A(n)表示第n种类别数据的属性标签，n表示数据类别划分总个数；

步骤1002、获取云课堂平台中不同数据类别的行为类别标签和对应属性标签，生成集合C，

C＝{[C₁，D_C(1)]，[C₂，D_C(2)]，[C₃，D_C(3)]，...，[C_m，D_C(m)]}，

其中C_m表示云课堂平台中第m种类数据的行为类别标签，D_C(m)表示云课堂平台中第m种类数据的属性标签，m表述云课堂平台中数据类别总个数；

步骤1003、结合步骤1001与步骤1002的分析结果，将历史数据获取待监测用户网络操作行为轨迹与云课堂平台中数据类别进行匹配，

以点o作为原点，以数据行为类别标签作为x轴，以数据属性标签作为y轴，构建第一平面直角坐标系，

在第一平面直角坐标系中将待监测用户网络操作行为中的浏览记录不同划分类别对应的行为类别标签和属性标签的坐标点进行标注，依次连接相邻两个坐标点，生成第一拟合曲线，

在第一平面直角坐标系中将云课堂平台中不同数据类别的行为类别标签和对应属性标签的坐标点进行标注，以对应坐标点为参考点，依次构建一条平行于x轴的直线，记为集合E，

其中表示云课堂平台中第m种类数据在第一平面直角坐标系中的行为类别标签和对应属性标签的坐标点所在直线，

依次将第一拟合曲线与集合E中元素进行匹配，若第一拟合曲线与集合E中元素存在交集，则将第一拟合曲线与集合E中对应交集元素进行标记，并将标记结果记录至表格M中；

步骤1004、结合历史浏览记录次数对集合A进行序列更新，并结合标记结果生成新的集合，记为集合A^*，

其中表示序列更新后的第n种数据类别对应的行为类别标签和属性标签，/>表示序列更新后的第n种类别的行为类别标签和属性标签对应的标记结果；

步骤1005、结合步骤1004分析结果以及待监测用户初步选择结果构建课程预推荐模型，将序列更新后的第n种数据类别的课程预推荐值记为

其中ω_n表示权重值，所述权重值通过数据库预置表单查询，其中数据库预置表单中将云课堂平台中课程以及待监测用户选择结果进行捆绑，根据待监测用户选择顺序依次设定对应课程权重值，表示权重值，所述权重值通过数据库预置表单查询，其中数据库预置表单中根据集合A^*中元素不同序列顺序进行设定相应权重值；

步骤1006、重复步骤1005得到集合A^*中各个元素的课程预推荐值，并按课程预推荐值由大到小顺序进行集合A^*中元素序列校准，记为集合A^**，

其中表示序列校准后的第n种数据类别对应的行为类别标签和属性标签，/>表示序列校准后的第n种类别的行为类别标签和属性标签对应的标记结果。

本发明通过历史数据获取待监测用户网络操作行为轨迹，提取待监测用户操作行为轨迹中的浏览记录，结合浏览记录中数据进行类别划分，并将不同类别附属行为类别标签和属性标签，并将划分后的结果与云课堂平台中的数据进行匹配，得到符合当前待监测用户的课程，并结合待监测用户的浏览次数以及初步选择结果进行设定课程预推荐序列，为后续分析采纳的课程预推荐方案是否符合当前待监测用户提供数据参照。

进一步的，所述S2中的方法包括以下步骤：

步骤2001、获取步骤1005中校准后的结果，并将校准后序列中第一元素对应的方案作为当前待监测用户预推荐课程方案；

步骤2002、设定当前预推荐课程方案体验次数为3次，结合当前待监测用户每次课程体验反馈报告分析预推荐课程方案的课程体验效益，将当前待监测用户第i次课程体验反馈报告分析预推荐课程方案的课程体验效益真实值记为benefit_i，

benefit_i＝β₁·P_i+β₂·N_i+β₃·T_i，0＜i≤3，

其中β₁、β₂和β₃均表示比例系数，所述比例系数为数据库预设值，P_i表示当前待监测用户第i次课程体验反馈报告中课程兴趣中意指数值，N_i表示当前待监测用户第i次课程体验反馈报告中课程难易程度评分值，T_i表示对应课程教师反馈报告中对待监测用户的状态反馈值，其中课程兴趣中意指数值共分为4个等级，分别为I级、II级、III级和IV级，I级表示非常满意，II级表示满意，III级表示一般，IV级表示不满意，课程难易程度评分值共分为10个分值，分别为1分、2分、3分、4分、5分、6分、7分、8分、9分和10分，其中分值越大表示课程难度越大，待监测用户的状态反馈值共分为3个等级，分别为一级、二级和三级，一级表示完美状态，二级表示一般状态，三级表示状态异常；

步骤2003、重复步骤2002得到当前待监测用户采纳当前预推荐课程方案时对应的每次课程体验效益真实值情况，结合每次课程体验效益变化趋势初步分析当前预推荐课程方案与当前待监测用户之间的适用情况，

以当前待监测用户第1次课程体验反馈报告分析预推荐课程方案对应课程体验效益作为参考值，计算第j次课程体验效益的预测值，记为YC_j，

YC_j＝YC_j-1+γ·(benefit_j-1-YC_j-1)，2≤j≤3，

其中YC_j-1表示第j-1次课程体验反馈报告分析预推荐课程方案对应课程体验效益预测值，所述课程体验效益预测值为数据库预设值，若j＝2时，YC_j-1＝benefit₁，γ表示平滑系数，所述平滑系数为数据库预设值，其中当j＝1时，YC₁表示第1次课程体验效益，由于待监测用户第1次课程体验效益并没有参照数据，因此只能基于第1次课程体验效益作为参照数据预测后续课程体验效益；

步骤2004、以o1为原点，以天数为x1轴，以课程体验效益为y1轴，构建第二平面直角坐标系，在第二平面直角坐标系中将当前待监测用户每次课程体验反馈报告分析预推荐课程方案对应课程体验效益真实值的坐标点进行标注，

结合步骤2003分析结果，在第二平面直角坐标系中将当前待监测用户每次课程体验反馈报告分析预推荐课程方案对应课程体验效益预测值的坐标点进行标注，

依次计算每次课程体验反馈报告预推荐课程方案对应课程体验效益真实值与预测值的差值，将差值运算结果超过预设值对应的结果进行标记，统计标记个数，记为S；

步骤2005、获取当前待监测用户第3次课程体验结束后进行的在线测试结果以及在线测试过程中切屏次数，结合步骤2004分析结果分析当前待监测用户与预推荐课程方案的适用率，记为U，

其中σ₁和σ₂为比例系数，所述比例系数为数据库预设值，R_result表示在线测试满分值，R_test表示在线测试实际分值，Q表示当前用户第3次课程体验结束后进行的在线测试过程中的切屏次数，T_timeout(3)表示当前用户第3次课程体验结束后进行的在线测试超时时间，

其中当前待监测用户第3次课程体验结束后需要待监测用户进行一次综合课堂测试。

本发明通过结合当前待监测用户每日反馈报告分析预推荐课程方案的课程体验效益计算当前待监测用户采纳的预推荐课程方案是否满足需求，并根据计算结果分析当前待监测用户与预推荐课程方案的适用率，为后续判断当前用户采纳的预推荐课程方案是否需要进行修改提供数据参照。

进一步的，所述S3中的方法包括以下步骤：

步骤3001、获取步骤2005的分析结果；

步骤3002、判断当前待监测用户与预推荐课程方案的适用率是否达标，根据判断结果设定预警条件值，

若0≤U≤μ，则表明当前待监测用户与预推荐课程方案的适用率达标，不发出预警信号，

若U＞μ，则表明当前待监测用户与预推荐课程方案的适用率不达标，发出预警信号至云平台。

进一步的，所述S4中的方法通过云平台接收预警信号，并实时对当前待监测用户对应的预推荐课程方案进行调整，将当前预推荐课程方案对应元素后一个元素作为当前待监测用户新的预推荐课程方案。

一种基于用户大数据的课程智能推荐系统，所述系统包括以下模块：

课程预推荐模型构建模块：所述课程预推荐模型构建模块用于通过历史数据获取待监测用户网络操作行为轨迹，并结合待监测用户网络操作行为轨迹中浏览记录设定行为类标签和对应属性标签，根据待监测用户初步选择结果构建课程预推荐模型；

预推荐课程方案课程体验效益分析模块：所述预推荐课程方案课程体验效益分析模块用于实时监测当前待监测用户预推荐课程方案课程体验效益，结合效益结果分析当前待监测用户与预推荐课程方案的适用率；

预警条件值设定模块：所述预警条件值设定模块用于结合预推荐课程方案课程体验效益分析模块的分析结果判断当前待监测用户运行对应预推荐课程方案的适用率是否达标并根据判断结果设定预警条件值；

预推荐课程方案调整模块：所述预推荐课程方案调整模块用于接收预警条件值设定模块的预警信号值，并实时对当前待监测用户对应的预推荐课程方案进行调整。

进一步的，所述课程预推荐模型构建模块包括数据获取单元、数据预处理单元以及序列校准单元：

所述数据获取单元用于通过历史数据获取待监测用户网络操作行为轨迹；

所述数据预处理单元用于提取数据获取单元中待监测用户操作行为轨迹中的浏览记录，结合浏览记录中数据进行类别划分，并将划分结果与云课堂平台课程进行匹配；

所述序列校准单元用于结合数据预处理单元的分析结果以及待监测用户初步选择结果生成课程预推荐模型。

进一步的，所述预推荐课程方案课程体验效益分析模块包括方案课程体验效益计算单元、方案课程体验效益预测单元以及预推荐课程方案适用率计算单元：

所述方案课程体验效益计算单元用于结合当前待监测用户每日反馈报告以及课程教师反馈报告的分析结果计算当前预推荐课程方案的课程体验效益；

所述方案课程体验效益预测单元用于结合当前待监测用户第一天反馈报告分析预推荐课程方案的课程体验效益预测后续课程体验效益值；

所述预推荐课程方案适用率计算单元用于结果方案课程体验效益计算单元以及方案课程体验效益预测单元的分析结果计算当前预推荐课程方案与当前待监测用户适用率。

进一步的，所述预警条件值设定模块包括预警条件设置单元以及预警单元：

所述预警条件设置单元用于结合预推荐课程方案课程体验效益分析模块的分析结果构建预警条件值；

所述预警单元用于结合预警条件设置单元的分析结果发出预警信号。

进一步的，所述预推荐课程方案调整模块包括预警信号接收单元以及预推荐课程方案调整单元：

所述预警信号接收单元用于接收预警单元中的预警信号；

所述预推荐课程方案调整单元用于根据预警信号接收单元的分析结果实时调整预推荐课程方案。

本发明通过结合待监测用户的历史网络行为轨迹筛选符合待监测用户的课程，结合用户初步选择结果以及筛选结果构建课程推荐优先级序列，并实时监测当前用户实行对应方案时候的状态，结合监测结果实时调整最佳课程，进而避免了用户盲目选择课程的问题，同时提高用户学习的效率。

附图说明

图1是本发明一种基于用户大数据的课程智能推荐方法的流程示意图；

图2是本发明一种基于用户大数据的课程智能推荐系统的模块示意图。

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。

实施例1：请参阅图1，本实施例中：

一种基于用户大数据的课程智能推荐方法，所述方法包括以下步骤：

S1、通过历史数据获取待监测用户网络操作行为轨迹，并结合待监测用户网络操作行为轨迹中浏览记录设定行为类标签和对应属性标签，根据待监测用户初步选择结果构建课程预推荐模型；

所述S1中的方法包括以下步骤：

步骤1001、通过历史数据获取待监测用户网络操作行为轨迹，提取待监测用户操作行为轨迹中的浏览记录，结合浏览记录中数据进行类别划分，将不同类别附属行为类别标签和属性标签，并将附属后的数据按照浏览记录次数由大到小进行排序，构建集合A，

A＝{[A₁，B_A(1)]，[A₂，B_A(2)]，[A₃，B_A(3)]，...，[A_n，B_A(n)]}，

其中A_n表示第n种类别数据的行为类别标签，B_A(n)表示第n种类别数据的属性标签，n表示数据类别划分总个数；

步骤1002、获取云课堂平台中不同数据类别的行为类别标签和对应属性标签，生成集合C，

C＝{[C₁，D_C(1)]，[C₂，D_C(2)]，[C₃，D_C(3)]，...，[C_m，D_C(m)]}，

其中C_m表示云课堂平台中第m种类数据的行为类别标签，D_C(m)表示云课堂平台中第m种类数据的属性标签，m表述云课堂平台中数据类别总个数；

步骤1003、将集合A中第n种类别数据的属性标签作为参考，在集合C中提取对应属性标签与B_A(n)相似的元素，并将提取的元素中对应行为类别标签依次与集合A中第n种类别数据进行组合，并将组合结果按照集合C中提取对应属性标签与B_A(n)相似程度进行由大到小排序，生成集合

其中C_Similaritya表示组合序列中第a种类数据的行为类别标签，a表示集合C中提取元素的总个数，a＜m；

步骤1004、结合步骤1003中的分析结果以及待监测用户初步选择结果构建课程预推荐模型，获取步骤1001中第n种类别数据在序列中的位置信息，记为获取步骤1003中组合序列中第a种类数据在序列中的位置信息，记为/>

将集合中的第n种数据类别的课程预推荐值记为/>

其中ω_n表示权重值，所述ω_n通过数据库预置表单一查询，其中数据库预置表单一中将集合A中元素附属相应权重值，表示权重值，所述/>通过数据库预置表单二查询，其中数据库预置表单二中将集合/>中元素附属相应权重值；

步骤1005、重复步骤1004得到集合中各个元素的课程预推荐值，并按课程预推荐值由大到小顺序进行集合/>中元素序列校准，记为集合/>

其中表示序列校准后的第n种数据类别对应的行为类别标签和属性标签，表示序列校准后的组合序列中第a种类数据的行为类别标签。

S2、实时监测当前待监测用户预推荐课程方案课程体验效益，结合效益结果分析当前待监测用户与预推荐课程方案的适用率；

所述S2中的方法包括以下步骤：

步骤2001、获取步骤1005中校准后的结果，并将校准后序列中第一元素对应的方案作为当前待监测用户预推荐课程方案；

步骤2002、设定当前预推荐课程方案体验次数为3次，结合当前待监测用户每次课程体验反馈报告分析预推荐课程方案的课程体验效益，将当前待监测用户第i次课程体验反馈报告分析预推荐课程方案的课程体验效益真实值记为benefit_i，

benefit_i＝β₁·P_i+β₂·N_i+β₃·T_i，0＜i≤3，

其中β₁、β₂和β₃均表示比例系数，所述比例系数为数据库预设值，P_i表示当前待监测用户第i次课程体验反馈报告中课程兴趣中意指数值，N_i表示当前待监测用户第i次课程体验反馈报告中课程难易程度评分值，T_i表示对应课程教师反馈报告中对待监测用户的状态反馈值；

步骤2003、重复步骤2002得到当前待监测用户采纳当前预推荐课程方案时对应的每次课程体验效益真实值情况，结合每次课程体验效益变化趋势初步分析当前预推荐课程方案与当前待监测用户之间的适用情况，

以当前待监测用户第1次课程体验反馈报告分析预推荐课程方案对应课程体验效益作为参考值，计算第j次课程体验效益的预测值，记为YC_j，

YC_j＝YC_j-1+γ·(benefit_j-1-YC_j-1)，2≤j≤3，

其中YC_j-1表示第j-1次课程体验反馈报告分析预推荐课程方案对应课程体验效益预测值，所述课程体验效益预测值为数据库预设值，若j＝2时，YC_j-1＝benefit₁，γ表示平滑系数，所述平滑系数为数据库预设值；

步骤2004、以o1为原点，以天数为x1轴，以课程体验效益为y1轴，构建第二平面直角坐标系，在第二平面直角坐标系中将当前待监测用户每次课程体验反馈报告分析预推荐课程方案对应课程体验效益真实值的坐标点进行标注，

结合步骤2003分析结果，在第二平面直角坐标系中将当前待监测用户每次课程体验反馈报告分析预推荐课程方案对应课程体验效益预测值的坐标点进行标注，

依次计算每次课程体验反馈报告预推荐课程方案对应课程体验效益真实值与预测值的差值，将差值运算结果超过预设值对应的结果进行标记，统计标记个数，记为S；

步骤2005、获取当前待监测用户第3次课程体验结束后进行的在线测试结果以及在线测试过程中切屏次数，结合步骤2004分析结果分析当前待监测用户与预推荐课程方案的适用率，记为U，

其中σ₁和σ₂为比例系数，所述比例系数为数据库预设值，R_result表示在线测试满分值，R_test表示在线测试实际分值，Q表示当前用户第3次课程体验结束后进行的在线测试过程中的切屏次数，T_timeout(3)表示当前用户第3次课程体验结束后进行的在线测试超时时间。

S3、结合S2中分析结果，判断当前待监测用户运行对应预推荐课程方案的适用率是否达标，根据判断结果设定预警条件值；

所述S3中的方法包括以下步骤：

步骤3001、获取步骤2005的分析结果；

步骤3002、判断当前待监测用户与预推荐课程方案的适用率是否达标，根据判断结果设定预警条件值，

若0≤U≤μ，则表明当前待监测用户与预推荐课程方案的适用率达标，不发出预警信号，

若U>μ，则表明当前待监测用户与预推荐课程方案的适用率不达标，发出预警信号至云平台。

S4、结合S3中预警条件值对当前预推荐课程方案进行实时监测并调整，所述S4中的方法通过云平台接收预警信号，并实时对当前待监测用户对应的预推荐课程方案进行调整，将当前预推荐课程方案对应元素后一个元素作为当前待监测用户新的预推荐课程方案。

本实施例中：公开了一种基于用户大数据的课程智能推荐系统(如图2所示)，所述系统用于实现方法的具体方案内容。

实施例2：结合历史数据获取待监测用户网络操作行为轨迹，结合待监测用户行为轨迹中浏览记录中数据进行类别划分，并将划分结果按照浏览次数由大到小进行排序，生成集合A，

A＝{[游戏1，Lighttpd]，[游戏2，Tomcat]，[软件1，Hadoop]，[软件2，Nginx]}，

结合集合A中第一元素以及云课堂平台中相关课程进行匹配得到符合集合A中第一元素相关课程，记为集合B，

B＝{[游戏1，Lighttpd,课程1],[游戏1，Lighttpd,课程2],[游戏1，Lighttpd,课程3]}，

将集合B中各个元素对应的课程的预推荐值分别记为

若则拟定课程2作为当前待监测用户最佳推荐课程，

设定当前预推荐课程方案体验次数为3次，获取待监测用户第一次课程体验反馈报告，结合待监测用户第一次课程体验反馈报告分析所述课程体验效益，记为benefit_i，

将第一次待监测用户第一次课程体验反馈报告中对应课程体验效益作为参考值，预测当前待监测用户第二次课程体验反馈报告中对应课程体验效益与第三次课程体验反馈报告中对应课程体验效益，

根据待监测用户每一次课程体验反馈报告分析结果的真实值与预测值进行比对，结合比对结果以及第3次课程体验后测试结果进行综合评估，判断当前预推课程是否为最佳推荐课程。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，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 (8)

1.一种基于用户大数据的课程智能推荐方法，其特征在于，所述方法包括以下步骤：

S1、通过历史数据获取待监测用户网络操作行为轨迹，并结合待监测用户网络操作行为轨迹中浏览记录设定行为类标签和对应属性标签，根据待监测用户初步选择结果构建课程预推荐模型；

S2、实时监测当前待监测用户预推荐课程方案课程体验效益，结合效益结果分析当前待监测用户与预推荐课程方案的适用率；

S3、结合S2中分析结果，判断当前待监测用户运行对应预推荐课程方案的适用率是否达标，根据判断结果设定预警条件值；

S4、结合S3中预警条件值对当前预推荐课程方案进行实时监测并调整；

所述S1中的方法包括以下步骤：

步骤1001、通过历史数据获取待监测用户网络操作行为轨迹，提取待监测用户操作行为轨迹中的浏览记录，结合浏览记录中数据进行类别划分，将不同类别附属行为类别标签和属性标签，并将附属后的数据按照浏览记录次数由大到小进行排序，构建集合A，

A＝{[A₁，B_A(1)]，[A₂，B_A(2)]，[A₃，B_A(3)]，...，[A_n，B_A(n)]}，

其中A_n表示第n种类别数据的行为类别标签，B_A(n)表示第n种类别数据的属性标签，n表示数据类别划分总个数；

步骤1002、获取云课堂平台中不同数据类别的行为类别标签和对应属性标签，生成集合C，

C＝{[C₁，D_C(1)]，[C₂，D_C(2)]，[C₃，D_C(3)]，...，[C_mD_C(m)]}，

其中C_m表示云课堂平台中第m种类数据的行为类别标签，D_C(m)表示云课堂平台中第m种类数据的属性标签，m表述云课堂平台中数据类别总个数；

步骤1003、将集合A中第n种类别数据的属性标签作为参考，在集合C中提取对应属性标签与B_A(n)相似的元素，并将提取的元素中对应行为类别标签依次与集合A中第n种类别数据进行组合，并将组合结果按照集合C中提取对应属性标签与B_A(n)相似程度进行由大到小排序，生成集合

其中C_Similaritya表示组合序列中第a种类数据的行为类别标签，a表示集合C中提取元素的总个数，a＜m；

步骤1004、结合步骤1003中的分析结果以及待监测用户初步选择结果构建课程预推荐模型，获取步骤1001中第n种类别数据在序列中的位置信息，记为获取步骤1003中组合序列中第a种类数据在序列中的位置信息，记为/>

将集合中的第n种数据类别的课程预推荐值记为/>

其中ω_n表示权重值，所述ω_n通过数据库预置表单一查询，其中数据库预置表单一中将集合A中元素附属相应权重值，表示权重值，所述/>通过数据库预置表单二查询，其中数据库预置表单二中将集合/>中元素附属相应权重值；

步骤1005、重复步骤1004得到集合中各个元素的课程预推荐值，并按课程预推荐值由大到小顺序进行集合/>中元素序列校准，记为集合/>

其中表示序列校准后的第n种数据类别对应的行为类别标签和属性标签，表示序列校准后的组合序列中第a种类数据的行为类别标签；

所述S2中的方法包括以下步骤：

步骤2001、获取步骤1005中校准后的结果，并将校准后序列中第一元素对应的方案作为当前待监测用户预推荐课程方案；

步骤2002、设定当前预推荐课程方案体验次数为3次，结合当前待监测用户每次课程体验反馈报告分析预推荐课程方案的课程体验效益，将当前待监测用户第i次课程体验反馈报告分析预推荐课程方案的课程体验效益真实值记为benefit_i，

benefit_i＝β₁·P_i+β₂·N_i+β₃·T_i，0<i≤3，

其中β₁、β₂和β₃均表示比例系数，所述比例系数为数据库预设值，P_i表示当前待监测用户第i次课程体验反馈报告中课程兴趣中意指数值，N_i表示当前待监测用户第i次课程体验反馈报告中课程难易程度评分值，T_i表示对应课程教师反馈报告中对待监测用户的状态反馈值；

步骤2003、重复步骤2002得到当前待监测用户采纳当前预推荐课程方案时对应的每次课程体验效益真实值情况，结合每次课程体验效益变化趋势初步分析当前预推荐课程方案与当前待监测用户之间的适用情况，

以当前待监测用户第1次课程体验反馈报告分析预推荐课程方案对应课程体验效益作为参考值，计算第j次课程体验效益的预测值，记为YC_j，

YC_j＝YC_j-1+γ·(benefit_j-1-YC_j-1)，2≤j≤3，

其中YC_j-1表示第j-1次课程体验反馈报告分析预推荐课程方案对应课程体验效益预测值，所述课程体验效益预测值为数据库预设值，若j＝2时，YC_j-1＝benefit₁，γ表示平滑系数，所述平滑系数为数据库预设值；

步骤2004、以o1为原点，以天数为x1轴，以课程体验效益为y1轴，构建第二平面直角坐标系，在第二平面直角坐标系中将当前待监测用户每次课程体验反馈报告分析预推荐课程方案对应课程体验效益真实值的坐标点进行标注，

结合步骤2003分析结果，在第二平面直角坐标系中将当前待监测用户每次课程体验反馈报告分析预推荐课程方案对应课程体验效益预测值的坐标点进行标注，

依次计算每次课程体验反馈报告预推荐课程方案对应课程体验效益真实值与预测值的差值，将差值运算结果超过预设值对应的结果进行标记，统计标记个数，记为S；

步骤2005、获取当前待监测用户第3次课程体验结束后进行的在线测试结果以及在线测试过程中切屏次数，结合步骤2004分析结果分析当前待监测用户与预推荐课程方案的适用率，记为U，

其中σ₁和σ₂为比例系数，所述比例系数为数据库预设值，R_result表示在线测试满分值，R_test表示在线测试实际分值，Q表示当前用户第3次课程体验结束后进行的在线测试过程中的切屏次数，T_timeout(3)表示当前用户第3次课程体验结束后进行的在线测试超时时间。

2.根据权利要求1所述的一种基于用户大数据的课程智能推荐方法，其特征在于，所述S3中的方法包括以下步骤：

步骤3001、获取步骤2005的分析结果；

步骤3002、判断当前待监测用户与预推荐课程方案的适用率是否达标，根据判断结果设定预警条件值，

若0≤U≤μ，则表明当前待监测用户与预推荐课程方案的适用率达标，不发出预警信号，

若U>μ，则表明当前待监测用户与预推荐课程方案的适用率不达标，发出预警信号至云平台。

3.根据权利要求2所述的一种基于用户大数据的课程智能推荐方法，其特征在于，所述S4中的方法通过云平台接收预警信号，并实时对当前待监测用户对应的预推荐课程方案进行调整，将当前预推荐课程方案对应元素后一个元素作为当前待监测用户新的预推荐课程方案。

4.一种基于用户大数据的课程智能推荐系统，所述系统应用权利要求1至3中任意一项所述的一种基于用户大数据的课程智能推荐方法的实现，其特征在于，所述系统包括以下模块：

课程预推荐模型构建模块：所述课程预推荐模型构建模块用于通过历史数据获取待监测用户网络操作行为轨迹，并结合待监测用户网络操作行为轨迹中浏览记录设定行为类标签和对应属性标签，根据待监测用户初步选择结果构建课程预推荐模型；

预推荐课程方案课程体验效益分析模块：所述预推荐课程方案课程体验效益分析模块用于实时监测当前待监测用户预推荐课程方案课程体验效益，结合效益结果分析当前待监测用户与预推荐课程方案的适用率；

预警条件值设定模块：所述预警条件值设定模块用于结合预推荐课程方案课程体验效益分析模块的分析结果判断当前待监测用户运行对应预推荐课程方案的适用率是否达标并根据判断结果设定预警条件值；

预推荐课程方案调整模块：所述预推荐课程方案调整模块用于接收预警条件值设定模块的预警信号值，并实时对当前待监测用户对应的预推荐课程方案进行调整。

5.根据权利要求4所述的一种基于用户大数据的课程智能推荐系统，其特征在于，所述课程预推荐模型构建模块包括数据获取单元、数据预处理单元以及序列校准单元：

所述数据获取单元用于通过历史数据获取待监测用户网络操作行为轨迹；

所述数据预处理单元用于提取数据获取单元中待监测用户操作行为轨迹中的浏览记录，结合浏览记录中数据进行类别划分，并将划分结果与云课堂平台课程进行匹配；

所述序列校准单元用于结合数据预处理单元的分析结果以及待监测用户初步选择结果生成课程预推荐模型。

6.根据权利要求5所述的一种基于用户大数据的课程智能推荐系统，其特征在于，所述预推荐课程方案课程体验效益分析模块包括方案课程体验效益计算单元、方案课程体验效益预测单元以及预推荐课程方案适用率计算单元：

所述方案课程体验效益计算单元用于结合当前待监测用户每日反馈报告以及课程教师反馈报告的分析结果计算当前预推荐课程方案的课程体验效益；

所述方案课程体验效益预测单元用于结合当前待监测用户第一天反馈报告分析预推荐课程方案的课程体验效益预测后续课程体验效益值；

所述预推荐课程方案适用率计算单元用于结果方案课程体验效益计算单元以及方案课程体验效益预测单元的分析结果计算当前预推荐课程方案与当前待监测用户适用率。

7.根据权利要求6所述的一种基于用户大数据的课程智能推荐系统，其特征在于，所述预警条件值设定模块包括预警条件设置单元以及预警单元：

所述预警条件设置单元用于结合预推荐课程方案课程体验效益分析模块的分析结果构建预警条件值；

所述预警单元用于结合预警条件设置单元的分析结果发出预警信号。

8.根据权利要求7所述的一种基于用户大数据的课程智能推荐系统，其特征在于，所述预推荐课程方案调整模块包括预警信号接收单元以及预推荐课程方案调整单元：

所述预警信号接收单元用于接收预警单元中的预警信号；

所述预推荐课程方案调整单元用于根据预警信号接收单元的分析结果实时调整预推荐课程方案。