面向个性化学习的教育资源推荐方法及系统技术方案

本发明专利技术具体涉及面向个性化学习的教育资源推荐方法及系统，该方法包括：步骤S1、采集学习者的基本特征数据，并根据所述基本特征数据建立学习者的资源兴趣度模型和学习风格模型；其中，所述基本特征数据包括学习者身份信息、学习行为记录和教育资源操作记录；步骤S2、根据所述资源兴趣度模型和学习风格模型建立学习者特征模型；步骤S3、根据所述学习者特征模型，计算不同学习者之间的相似度或不同教育资源之间的相似度；步骤S4、根据所述不同学习者之间的相似度或不同教育资源之间的相似度，生成针对目标学习者的教育资源推荐结果。通过本发明专利技术提供的技术方案，可实现针对目标学习者的教育资源个性化推荐。

【技术实现步骤摘要】

本专利技术涉及面向个性化学习的教育资源推荐及大数据研究
，具体涉及面向个性化学习的教育资源推荐方法及系统。
技术介绍
近年来，随着全民学习、终身学习等观念的普及，非正式学习得到了越来越多的人的关注。移动通信技术的发展使得非正式学习的方式经历了由数字学习到移动学习再到如今的泛在学习的发展过程，学习方式变得更加灵活、便捷和个性化。泛在学习因其可以使学习者根据自己的需求随时随地利用任何终端学习的特性，适应了现代社会对学习的需求，受到人们的普遍欢迎，并成为未来学习的发展趋势。而泛在学习资源是泛在学习得以开展的重要支撑，因此，如何设计与开发高效、便捷、个性化的泛在学习资源成为了泛在学习研究的一项重要内容。现阶段，互联网成为了学习者获取学习资源的重要渠道，然而，随着网络资源数量爆炸性的增长，仅仅通过传统的搜索引擎方式来获取信息存在着返回结果多、准确性差等缺点，这使得学习者无法获得满意的学习资源。学习资源的获取平台增加，资源类型也变得更加多样，面对海量的学习资源，如何根据学习者的行为轨迹，分析学习者兴趣，推荐能够反映学习者学习兴趣的学习资源，实现“因材施教”变得越来越重要，网络的个性化学习已经成为当今世界网络教育领域的发展趋势。而近年来个性化推荐技术在商务领域的成功应用为解决这一问题提供了一个新的思路。个性化推荐在互联网电子商务领域的应用已经非常成熟，研究学者们也纷纷开始探索推荐技术在教育领域的应用。将个性化推荐技术引入教育领域，并与泛在学习资源相结合，可以很好地帮助学习者获得个性化的泛在学习资源。
技术实现思路
有鉴于此，本专利技术的目的在于克服现有技术的不足，提供面向个性化学习的教育资源推荐方法及系统，实现网络教育资源的个性化推荐。为实现以上目的，本专利技术采用如下技术方案：面向个性化学习的教育资源推荐方法，包括：步骤S1、采集学习者的基本特征数据，并根据所述基本特征数据建立学习者的资源兴趣度模型和学习风格模型；其中，所述基本特征数据包括学习者身份信息、学习行为记录和教育资源操作记录；步骤S2、根据所述资源兴趣度模型和学习风格模型建立学习者特征模型；步骤S3、根据所述学习者特征模型，计算不同学习者之间的相似度或不同教育资源之间的相似度；步骤S4、根据所述不同学习者之间的相似度或不同教育资源之间的相似度，生成针对目标学习者的教育资源推荐结果。优选地，所述步骤S1中资源兴趣度模型中存储有学习者登录教育资源网站的学习者名和密码、浏览对象ID和教育资源兴趣度评分；其中，所述教育资源兴趣度评分intrScore根据公式(1)进行计算：IntrScore＝Score/5+(st+scc+sds)+Score(1)其中，Score为学习者使用或浏览教育资源后，对教育资源的评分，Score∈[1，5]，IntrScore∈[1，10]；st为对象ID浏览时长得分，根据公式(2)计算：其中，ToltalTime为使用或浏览教育资源的总耗时长，Mintime为该教育资源对应的最短学习时间，ToltalTime和Mintime的单位皆为分钟；Click为点击次数；scc为收藏评论得分，根据公式(3)计算：其中，Collect为收藏次数，Comment为评论标记次数；sds为下载推荐得分，根据公式(4)计算：其中，Download为下载次数，Share为推荐给好友次数。优选地，所述步骤S1中学习风格模型中存储有学习者的学习风格偏向值，所述学习风格偏向值根据如下步骤进行计算：根据学习者在线填写的学习风格评估表，将学习者划分为四种学习风格并计算每种学习风格的偏向值tpi，i＝1、2、3、4；根据所述四种学习风格分别对应的教育资源操作行为类别取值、偏向权重和偏向阈值，建立学习者教育资源操作行为类别偏向阀值模型；其中，所述教育资源操作行为类别取值包括每种学习风格对应的教育资源操作行为类别的时长、点击率、时间比和次数比；根据公式(5)和公式(6)计算每种学习风格偏向值tyi，i＝1、2、3、4；其中，ctypej为第i种学习风格对应的教育资源操作行为类别取值，j为正整数，wj为ctypej所对应的偏向权重，lj为第一偏向阈值，hj为第二偏向阈值；若学习者的教育资源操作记录次数小于预设值，以公式(7)计算每种学习风格偏向值sti，否则，以公式(8)计算每种学习风格偏向值sti；sti＝0.8*tpi+0.2tyi(7)；sti＝0.8*tyi+0.2tpi(8)。优选地，所述步骤S3中的学习者特征模型为n*(m+4)的矩阵信息表；所述学习者特征模型中存储有第n个学习者对使用或浏览过的第m个教育资源兴趣度评分及第n个学习者第i种学习风格的偏向值；1≤n≤学习者总人数，1≤m≤学习者使用或浏览过的总教育资源数，i＝1、2、3、4。优选地，所述步骤S3中不同学习者之间的相似度根据如下步骤进行计算：统计任一学习者Ua使用或浏览过的教育资源集合Sa和任一学习者Ub使用或浏览过的教育资源集合Sb，并求Sa和Sb的交集：Sab＝Sa∩Sb；根据公式(9)计算出学习者Ua和Ub对使用或浏览过的教育资源兴趣度评分的平均值：其中，k＝a、b，gk,m为学习者Uk对使用或浏览过的第m个教育资源的兴趣度评分，|Sk|为学习者Uk使用或浏览过的教育资源集合Sk中的元素个数，gk,x和|Sk|皆从所述学习者特征模型查询得到；根据公式(10)计算学习者ua和ub的学习风格偏向值的平均值：其中，fk,i为学习者Uk第i种学习风格的偏向值；根据公式(11)计算学习者ua和ub的相似度：其中，0.7和0.3为相似度评分权重。优选地，所述步骤S4中根据所述不同学习者之间的相似度生成针对目标学习者的教育资源推荐结果，包括：根据Usim(ua,ub)的计算结果，将Usim(ua,ub)降序排序；取降序排列后的Usim(ua,ub)的前K1个值对应的ub作为目标学习者ua的参考学习者集合：根据公式(12)预测目标学习者ua对参考学习者ub使用或浏览过的第m个教育资源的兴趣度评分：其中，gb,m为参考学习者ub对使用或浏览过的第m个教育资源的兴趣度评分，从所述学习者特征模型查询得到；为参考学习者ub对使用或浏览过的教育资源兴趣度评分的平均值；根据Pa,m的计算结果，将Pa,m降序排列；取降序排列后的Pa,m的前N个值对应的教育资源推荐给目标学习者ua，1≤N≤m。优选地，所述步骤S3中不同教育资源之间的相似度根据如下步骤进行计算：统计使用或浏览过任一教育资源ra的学习者集合统计使用或浏览过任一教育资源rb的学习者集合并求和的交集根据公式(13)分别计算教育资源ra和rb的兴趣度评分的平均值：其中，k＝a、b，为第n个学习者对教育资源rk的兴趣度评分，为使用或浏览过教育资源rk的学习者集合中的元素个数，和皆从所述学习者特征模型查询得到；根据公式(14)计算教育资源ra和rb的相似度：优选地，所述步骤S4中根据所述不同教育资源之间的相似度，生成针对目标学习者的教育资源推荐结果，包括：根据Rsim(ra,rb)的计算结果，将Rsim(ra,rb)降序排序；取降序排列后的Rsim(ra,rb)的前K2个值对应的rb作为目标教育资源ra的参考教育资源集合：根据公式(15)预测目标学习者ua对目本文档来自技高网...

【技术保护点】
面向个性化学习的教育资源推荐方法，其特征在于，包括：步骤S1、采集学习者的基本特征数据，并根据所述基本特征数据建立学习者的资源兴趣度模型和学习风格模型；其中，所述基本特征数据包括学习者身份信息、学习行为记录和教育资源操作记录；步骤S2、根据所述资源兴趣度模型和学习风格模型建立学习者特征模型；步骤S3、根据所述学习者特征模型，计算不同学习者之间的相似度或不同教育资源之间的相似度；步骤S4、根据所述不同学习者之间的相似度或不同教育资源之间的相似度，生成针对目标学习者的教育资源推荐结果。

【技术特征摘要】
1.面向个性化学习的教育资源推荐方法，其特征在于，包括：步骤S1、采集学习者的基本特征数据，并根据所述基本特征数据建立学习者的资源兴趣度模型和学习风格模型；其中，所述基本特征数据包括学习者身份信息、学习行为记录和教育资源操作记录；步骤S2、根据所述资源兴趣度模型和学习风格模型建立学习者特征模型；步骤S3、根据所述学习者特征模型，计算不同学习者之间的相似度或不同教育资源之间的相似度；步骤S4、根据所述不同学习者之间的相似度或不同教育资源之间的相似度，生成针对目标学习者的教育资源推荐结果。2.根据权利要求1所述的面向个性化学习的教育资源推荐方法，其特征在于，所述步骤S1中资源兴趣度模型中存储有学习者登录教育资源网站的学习者名和密码、浏览对象ID和教育资源兴趣度评分；其中，所述教育资源兴趣度评分intrScore根据公式(1)进行计算：IntrScore＝Score/5+(st+scc+sds)+Score(1)其中，Score为学习者使用或浏览教育资源后，对教育资源的评分，Score∈[1，5]，IntrScore∈[1，10]；st为对象ID浏览时长得分，根据公式(2)计算：其中，ToltalTime为使用或浏览教育资源的总耗时长，Mintime为该教育资源对应的最短学习时间，ToltalTime和Mintime的单位皆为分钟；Click为点击次数；scc为收藏评论得分，根据公式(3)计算：其中，Collect为收藏次数，Comment为评论标记次数；sds为下载推荐得分，根据公式(4)计算：其中，Download为下载次数，Share为推荐给好友次数。3.根据权利要求2所述的面向个性化学习的教育资源推荐方法，其特征在于，所述步骤S1中学习风格模型中存储有学习者的学习风格偏向值，所述学习风格偏向值根据如下步骤进行计算：根据学习者在线填写的学习风格评估表，将学习者划分为四种学习风格并计算每种学习风格的偏向值tpi，i＝1、2、3、4；根据所述四种学习风格分别对应的教育资源操作行为类别取值、偏向权重和偏向阈值，建立学习者教育资源操作行为类别偏向阀值模型；其中，所述教育资源操作行为类别取值包括每种学习风格对应的教育资源操作行为类别的时长、点击率、时间比和次数比；根据公式(5)和公式(6)计算每种学习风格偏向值tyi，i＝1、2、3、4；tyi＝∑jctypej*wj(5)其中，ctypej为第i种学习风格对应的教育资源操作行为类别取值，j为正整数，wj为ctypej所对应的偏向权重，lj为第一偏向阈值，hj为第二偏向阈值；若学习者的教育资源操作记录次数小于预设值，以公式(7)计算每种学习风格偏向值sti，否则，以公式(8)计算每种学习风格偏向值sti；sti＝0.8*tpi+0.2tyi(7)；sti＝0.8*tyi+0.2tpi(8)。4.根据权利要求3所述的面向个性化学习的教育资源推荐方法，其特征在于，所述步骤S3中的学习者特征模型为n*(m+4)的矩阵信息表；所述学习者特征模型中存储有第n个学习者对使用或浏览过的第m个教育资源兴趣度评分及第n个学习者第i种学习风格的偏向值；1≤n≤学习者总人数，1≤m≤学习者使用或浏览过的总教育资源数，i＝1、2、3、4。5.根据权利要求4所述的面向个性化学习的教育资源推荐方法，其特征在于，所述步骤S3中不同学习者之间的相似度根据如下步骤进行计算：统计任一学习者Ua使用或浏览过的教育资源集合Sa和任一学习者Ub使用或浏览过的教育资源集合Sb，并求Sa和Sb的交集：Sab＝Sa∩Sb；根据公式(9)计算出学习者Ua和Ub对使用或浏览过的教育资源兴趣度评分的平均值：其中，k＝a、b，gk,m为学习者Uk对使用或浏览过的第m个教育...

【专利技术属性】
技术研发人员：黄俊健，罗跃兵，
申请(专利权)人：广东科海信息科技股份有限公司，
类型：发明
国别省市：广东;44