一种在线课程推荐方法及系统技术方案

本发明专利技术公开一种在线课程推荐方法及系统，所述方法包括：获取用户的历史学习数据，并进行预处理；分别对预处理后的历史学习数据进行知识抽取，组成历史课程序列；通过编码器对历史课程序列进行编码，生成历史课程向量和评分；构建基于注意力机制的混合神经网络模型，通过历史课程向量和评分训练基于注意力机制的混合神经网络模型，得到课程预测模型；通过课程预测模型进行课程评分预测和推荐。本发明专利技术将课程推荐问题转化为评分预测问题，并且可以通过深度学习模型学习用户的历史学习行为特征，提高推荐准确度。提高推荐准确度。提高推荐准确度。

【技术实现步骤摘要】
一种在线课程推荐方法及系统


[0001]本专利技术属于信息推荐
，具体涉及一种在线课程推荐方法及系统。

技术介绍

[0002]随着在线教育的迅猛发展，通过在线教育平台进行课程学习已经成为各类课程培训的首选。现有的在线教育平台在进行课程推荐时，往往是随机推荐或者仅仅根据用户的浏览记录进行课程推荐，导致无法将在线教育平台的优势课程推荐给用户进行学习。
[0003]在线课程推荐方法一般包括基于历史数据的推荐方法和基于内容的推荐方法。其中，基于历史数据的推荐方法通过对历史数据进行过滤、处理来直接对用户进行课程的推荐；基于内容的推荐方法通过对用户的观察、测试、收集数据等方法把具体某个用户的特征保存在一个对应的数据集中，然后通过领域的方法和建模的方法来对用户进行课程的推荐。两种推荐方法各有优劣，但若两者结合使用又存在数据量大、处理困难等问题，导致推荐效果不佳。

技术实现思路

[0004]有鉴于此，本专利技术提出了一种在线课程推荐方法及系统，用于解决在线课程推荐准确度不高的问题。
[0005]本专利技术第一方面，提出一种本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种在线课程推荐方法，其特征在于，所述方法包括：获取用户的历史学习数据，并进行预处理；分别对预处理后的历史学习数据进行知识抽取，组成历史课程序列；通过编码器对历史课程序列进行编码，生成历史课程向量和评分；构建基于注意力机制的混合神经网络模型，通过历史课程向量和评分训练基于注意力机制的混合神经网络模型，得到课程预测模型；通过课程预测模型进行课程评分预测和推荐。2.根据权利要求1所述的在线课程推荐方法，其特征在于，所述用户的历史学习数据包括用户在在线教育平台的历史课程学习记录，所述历史课程学习记录包括课程ID、课程名称、课程简介、章节目录、授课老师ID、学习完成度和课程评价。3.根据权利要求2所述的在线课程推荐方法，其特征在于，所述分别对预处理后的历史学习数据进行知识抽取，组成历史课程序列具体包括：按照学习时间的先后顺序对历史学习数据进行排序；依次通过TF
‑
IDF技术提取历史学习数据中课程简介和章节目录中的关键知识点；按照学习时间的先后顺序将每个课程的课程ID、课程名称、关键知识点、授课老师ID、学习完成度、课程评分组成一个历史课程序列。4.根据权利要求2所述的在线课程推荐方法，其特征在于，所述编码器采用One
‑
Hot编码。5.根据权利要求2所述的在线课程推荐方法，其特征在于，所述基于注意力机制的混合神经网络模型包括依次连接的卷积神经网络单元、特征融合单元、长短期记忆网络单元、注意力单元和输出层；卷积神经网络单元包括输入层卷积层、池化层和全连接层，处理网络输入的历史课程序列，进行卷积操作，获取空间特征并将融合得到的空间特征输入到特征融合单元；特征融合单元包括Concatenate层，用于将输入层输入的向量与卷积神经网络单元输出的空间特征进行特征融合，并将融合特征输入长短期记忆网络单元；长短期记忆网络单元包括LSTM层、Dropout层和全连接层，用于根据特征融合单元获取的融合特征获取时空特征；注意力单元用于计算卷积神经网络单元...

【专利技术属性】
技术研发人员：海克洪，朱飞，
申请(专利权)人：武汉美和易思数字科技有限公司，
类型：发明
国别省市：