基于DPPs的O2O场景教师推荐方法技术

本发明专利技术公开了一种基于DPPs的O2O场景教师推荐方法，一、构建教师特征向量库：构建每个教师的特征向量T

【技术实现步骤摘要】
基于DPPs的O2O场景教师推荐方法


[0001]本专利技术属于环境监测设备
，具体涉及一种基于DPPs的O2O场景教师推荐方法。

技术介绍

[0002]推荐系统主要分为两大类：非个性化推荐和个性化推荐。非个性化推荐是指不考虑每个用户特性及历史行为，比较简单粗暴地推荐给用户最热门的数据；个性化推荐则是基于用户特有属性(历史行为、相关偏好等)来挖掘用户可能感兴趣的信息数据来完成实时性的推送。由于个性化推荐能更精准地满足用户需求，在过去几年，个性化推荐算法在各项软件平台上发挥了重要作用。
[0003]现阶段，社会上的不同类别的教师，以及其他可教授的知识的人数量剧增，使用该类平台进行教师信息查看、教师预约、课程预定的用户不断增长。O2O 教育资源信息平台提供了该类的教师信息、可教授的地点、教师评分以及其他特色信息，已是未来付费知识产品化的关键趋势。
[0004]现有主流学习资源展现平台所运用的推荐技术包括基于内容的推荐算法和基于协同过滤的推荐算法。基于内容的推荐算法，主要是基于标的物相关信息、用户相关信息及用户对标的物的操作行为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于DPPs的O2O场景教师推荐方法，其特征在于，包括如下步骤：步骤一、构建现有教师特征向量库：构建每个教师的特征向量T
i
，所有现有教师的特征向量T
i
形成教师特征向量库；其中，i为正整数，表示i第个教师；步骤二、生成初始教师推荐列表：在所有的教师中随机选取n个教师生成初始列表，根据初始列表形成新注册用户的初始系数特征矩阵U0；以用户初始系数特征矩阵U0以及教师的特征向量T
i
，构建出初始化阶段的行列式点过程核矩阵L0，并求取该核矩阵值中的初始最大主子式值，将最大主子式值所对应的教师作为初始化推荐教师，并向用户进行推荐；步骤三、训练用户DPP核矩阵：用户点击浏览某个教师信息，则表示从教师特征向量库中采样出了真实解；然后将该次推送的教师列表及用户点击的真实解当作为训练集，对行列式点过程中的核矩阵进行训练，不断微调系数特征矩阵的值；步骤四、线性子模块近似求解算法：根据教师信息的特征向量以及步骤三中已经训练好的系数特征矩阵，求取行列式点过程的正定核矩阵；采用近似求解策略子模优化算法，求取其近似解，得出最终推送教师列表，并推荐给该用户。2.根据权利要求1所述的基于DPPs的O2O场景教师推荐方法，其特征在于，所述步骤一中，设定每个教师的原始标签为向量R
i
，向量R
i
经过神经网络映射到T
i
，并将T
i
保存，T
i
＝σ(W
T
R
i
)，其中W为权重矩阵，σ为激活函数；所述T
i
为n*1维度的特征向量。3.根据权利要求2所述的基于DPPs的O2O场景教师推荐方法，其特征在于，每个教师包括实际地点、坐标、评分、属性、完善度、类别等信息，这些信息可根据每个教师的实际情况设定；将上述每个教师信息进行代码化处理，得到对应的原始标签为向量R
i
。4.根据权利要求3所述的基于DPPs的O2O场景教师推荐方法，其特征在于，所述步骤二中，所述初始系数特征矩阵U0是随机数序列，为具有约束条件的为n*n维的系数矩阵；约束条件为：初始化阶段的行列式点过程核矩阵L0＝U0T
i
T
iT
U
0T
，L0为n*n维度的正定矩阵；因此构建矩阵U0的条件即为对任何非零向量z，都有z
T
L0z＞0。5.根据权利要求4所述的基于DPPs的O2O场景教师推荐方法，其...

【专利技术属性】
技术研发人员：席逸凡，王帅，顾南，左维，刘绪杰，王玲，赵颉，周腾威，陶梁，
申请(专利权)人：南京积微信息科技有限公司，
类型：发明
国别省市：