基于人物画像的个性化推荐方法技术

本发明专利技术公开了基于人物画像的个性化推荐方法，包括以下步骤：(1)依据院校现有活动架构和内容，建立标签体系及量化标准；(2)获得活动画像：根据标签体系及量化标准，为每个现有活动进行画像；(3)获得学生画像：学生对所参加活动的各培养方向进行评价，通过评价为学生对活动的喜好进行画像；(4)选定某一分值定为高评价分值；(5)从具体学生所参加活动中，找到具有高评价分值的活动画像；(6)对新活动预测分析：获得新活动的活动画像后，将其与评价高的活动画像进行比对，获得学生对新活动的评价预测。本发明专利技术可对预测学生针对新活动的喜好进行评价预测，从而为学生推荐适合的活动。

【技术实现步骤摘要】
基于人物画像的个性化推荐方法
本专利技术涉及信息技术，具体涉及基于人物画像的个性化推荐方法。
技术介绍
近些年，各高等院校更加关注以学生兴趣爱好为出发点，推动学生全面发展，培养学生综合素质，提高学生步入社会后的竞争力和生活质量为目标的教育理念。并以大力开展学生活动，实现对学生全面培养的教育目标。现阶段学生在选择活动时，基本是通过对自己的了解，以及活动组织者对活动的基本介绍，选择自己喜欢的活动。然而学生选择感兴趣的活动存在如下不足：1.学生对自己的兴趣爱好不能有一个全面清晰的了解，从而无法选择适合自己的活动。2.学生无法对各个活动培养方向和侧重点有比较准确的了解，从而无法准确的挑选活动。3.当活动数量太大时，学生无法去了解所有活动，从而无法有效的选择活动。而现有技术中没有专门的分析方法以解决学生的此困扰。
技术实现思路
本专利技术的目的在于提供基于人物画像的个性化推荐方法，解决学生对培养活动的选择困难的问题。为解决上述的技术问题，本专利技术采用以下技术方案：基于人物画像的个性化推荐方法，包括以下步骤：(1)建立标签体系：依据院校现有活动架构和内容，建立标签体系及量化标准；(2)获得活动画像：根据标签体系及量化标准，为每个现有活动进行画像，从而描述每个现有活动在培养方向的侧重程度；(3)获得学生画像：学生对所参加活动的各培养方向进行评价，通过评价为学生对活动的喜好进行画像；通过数据化的标签来描述活动与学生，并通过数据反映活动与活动、学生与学生之间的差异，是实现个性化分析的基础。(4)选定某一分值定为高评价分值，即表明学生喜欢；(5)从具体学生所参加活动中，找到具有高评价分值的活动画像；(6)对新活动预测分析：获得新活动的活动画像后，将其与评价高的活动画像进行比对，获得学生对新活动的评价预测。作为优选，所述的步骤(3)获得学生画像步骤中，学生每参加一个新活动后，进行一次获得学生画像的步骤；随着学生不断地参加活动，通过评价分析学生对活动喜好的变化，并更新学生对活动喜好的画像。作为优选，所述的步骤(6)对新活动预测分析中，获得新活动的活动画像后，将其与评价高的活动画像采用KNN算法进行比对。作为优选，所述的步骤(6)对新活动预测分析中，获得新活动的活动画像后，将其与评价高的活动画像进行比对的具体方式为：1)S-评分：表示学生对各高评价的活动的评分值，记作s1，s2，...，sk；2)D-欧式距离：表示新活动与各高评价活动的(欧式)距离，记作d1，d2，...，dk；3)1/D-相似度：表示新活动与各高评价活动的相似度，记作1/d1，1/d2，...，1/dk；新活动与高评价活动的(欧式)距离越小，表示新活动与该高评价活动的相似度越高；越大，表示新活动与该高评价活动的相似度越高。新活动与某高评价活动的相似度越高，学生对新活动的评价越有可能与该高评价活动的评价一致，即学生对新活动的评价与该高评价活动的评价一致的概率更高。4)W-权重：表示各高评价活动评分对于预测评分的占比；计算公式如下：wn为学生对新活动的评分与某高评价活动的评分一致的概率；学生对新活动的评分为随机变量X，其概率分布为P(X＝sn)＝wn；5)Spred-预测评分：学生对新活动的预测评分即求随机变量X的期望值E[X]，公式如下：Spred＝s1*P(X＝s1)+s2*P(X＝s2)+…+sk*P(X＝sk)＝s1*w1+s2*w2+…+sk*wk作为优选，步骤(6)对新活动预测分析之后，依据学生对新活动的评价预测，由高到低的将新活动推荐给具体学生。与现有技术相比，本专利技术的有益效果是：本专利技术可以将各个活动和学生个体标签化、数字化，通过数据化的标签来描述活动与学生，并通过数据反映活动与活动、学生与学生之间的差异，是实现个性化分析的基础；本专利技术可对预测学生针对新活动的喜好进行评价预测，从而为学生推荐适合的活动；本专利技术可动态变化，实时掌握学生的喜好变化，以提高推荐的新活动的合适度。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合实施例，对本专利技术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专利技术，并不用于限定本专利技术。实施例1：基于人物画像的个性化推荐方法，包括以下步骤：(1)建立标签体系：依据院校现有活动架构和内容，建立标签体系及量化标准；(2)获得活动画像：根据标签体系及量化标准，为每个现有活动进行画像，从而描述每个现有活动在培养方向的侧重程度；(3)获得学生画像：学生对所参加活动的各培养方向进行评价，通过评价为学生对活动的喜好进行画像；通过数据化的标签来描述活动与学生，并通过数据反映活动与活动、学生与学生之间的差异，是实现个性化分析的基础。(4)选定某一分值定为高评价分值，即表明学生喜欢；(5)从具体学生所参加活动中，找到具有高评价分值的活动画像；(6)对新活动预测分析：获得新活动的活动画像后，将其与评价高的活动画像进行比对，获得学生对新活动的评价预测，具体的比对方法为：1)S-评分：表示学生对各高评价的活动的评分值，记作s1，s2，...，sk；2)D-欧式距离：表示新活动与各高评价活动的(欧式)距离，记作d1，d2，...，dk；3)1/D-相似度：表示新活动与各高评价活动的相似度，记作1d1，1/d2，...，1/dk；新活动与高评价活动的(欧式)距离越小，表示新活动与该高评价活动的相似度越高；越大，表示新活动与该高评价活动的相似度越高。新活动与某高评价活动的相似度越高，学生对新活动的评价越有可能与该高评价活动的评价一致，即学生对新活动的评价与该高评价活动的评价一致的概率更高。4)W-权重：表示各高评价活动评分对于预测评分的占比；计算公式如下：wn为学生对新活动的评分与某高评价活动的评分一致的概率；学生对新活动的评分为随机变量X，其概率分布为P(X＝sn)＝wn；5)Spred-预测评分：学生对新活动的预测评分即求随机变量X的期望值E[X]，公式如下：Spred＝s1*P(X＝s1)+s2*P(X＝s2)+…+sk*P(X＝sk)＝s1*w1+s2*w2+…+sk*wk再依据学生对新活动的评价预测，由高到低的将新活动推荐给具体学生。最优实施例：基于人物画像的个性化推荐方法，包括以下步骤：(1)建立标签体系：依据院校现有活动架构和内容，建立标签体系及量化标准；(2)获得活动画像：根据标签体系及量化标准，为每个现有活动进行画像，从而描述每个现有活动在培养方向的侧重程度；(3)获得学生画像：学生对所参加活动的各培本文档来自技高网...

【技术保护点】
1.基于人物画像的个性化推荐方法，其特征在于：包括以下步骤：/n(1)建立标签体系：依据院校现有活动架构和内容，建立标签体系及量化标准；/n(2)获得活动画像：根据标签体系及量化标准，为每个现有活动进行画像，从而描述每个现有活动在培养方向的侧重程度；/n(3)获得学生画像：学生对所参加活动的各培养方向进行评价，通过评价为学生对活动的喜好进行画像；/n(4)选定某一分值定为高评价分值；/n(5)从具体学生所参加活动中，找到具有高评价分值的活动画像；/n(6)对新活动预测分析：获得新活动的活动画像后，将其与评价高的活动画像进行比对，获得学生对新活动的评价预测。/n

【技术特征摘要】
1.基于人物画像的个性化推荐方法，其特征在于：包括以下步骤：
(1)建立标签体系：依据院校现有活动架构和内容，建立标签体系及量化标准；
(2)获得活动画像：根据标签体系及量化标准，为每个现有活动进行画像，从而描述每个现有活动在培养方向的侧重程度；
(3)获得学生画像：学生对所参加活动的各培养方向进行评价，通过评价为学生对活动的喜好进行画像；
(4)选定某一分值定为高评价分值；
(5)从具体学生所参加活动中，找到具有高评价分值的活动画像；
(6)对新活动预测分析：获得新活动的活动画像后，将其与评价高的活动画像进行比对，获得学生对新活动的评价预测。


2.根据权利要求1所述的基于人物画像的个性化推荐方法，其特征在于：所述的步骤(3)获得学生画像步骤中，学生每参加一个新活动后，进行一次获得学生画像的步骤。


3.根据权利要求1所述的基于人物画像的个性化推荐方法，其特征在于：所述的步骤(6)对新活动预测分析中，获得新活动的活动画像后，将其与评价高的活动画像采用KNN算法进行比对。


4.根据权利要求3所述的基于人物画像的个性化推荐方法，其特征在于：所述的步骤(6...

【专利技术属性】
技术研发人员：谭博文，
申请(专利权)人：北京弘远博学科技有限公司，
类型：发明
国别省市：北京;11