基于混合推理和中智群决策的慕课推荐方法及装置制造方法及图纸

本发明专利技术公开了一种基于混合推理和中智群决策的慕课推荐方法及装置，包括：根据显式兴趣描述、专业匹配数据和历史行为数据进行离线状态推理，获得初始慕课资源列表；根据课程静态描述和历史评价数据进行在线状态推理，调整列表中慕课资源的优先顺序；获取学习者群体内每个用户的学习环境监测评估结果，计算慕课资源的服务质量评估值，以修正列表中慕课资源的兴趣度评估值；根据修正的兴趣度评估值从用户的列表中获取候选资源生成评估矩阵，输入改进的多准则决策算法后，根据算法输出生成面向学习者群体的最优慕课资源列表进行慕课资源推荐。本发明专利技术实现了线上学习背景和差异化学习环境下，学习者群体的个性化学习需求与多样化慕课资源间的精确匹配。课资源间的精确匹配。课资源间的精确匹配。

【技术实现步骤摘要】
基于混合推理和中智群决策的慕课推荐方法及装置


[0001]本专利技术涉及智慧教育
，尤其涉及一种基于混合推理和中智群决策的慕课推荐方法及装置。

技术介绍

[0002]近年来，线上学习得到了大规模的普及，互联网平台存在着海量的慕课资源，针对学习者进行慕课学习时面临着无关信息的严重干扰的问题，通常采用混合推荐算法来挖掘学习者的兴趣偏好，为学习者推荐合适的慕课资源。
[0003]混合推荐算法是合并采用基于协同过滤的推荐算法和基于内容的推荐算法。其中，基于协同过滤的推荐算法也称为基于邻域的算法，主要是对用户群体的行为数据进行分析，寻找邻近用户或邻近物品进而生成推荐。基于内容的推荐算法尝试推荐与用户正在关注或者过去所喜好物品在内容上相似的其他物品，关键技术是对物品特征建模和用户兴趣建模，推荐的过程是将物品特征与用户兴趣特征进行匹配，找出与用户兴趣特征最相似的物品进行推荐。
[0004]根据上述两种推荐算法，现有研究通常首先采集众多学习者在慕课学习平台上遗留的用户相关的历史数据，包括评分数据、行为数据（如收藏、点赞、浏览时间等）等，将本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合推理和中智群决策的慕课推荐方法，其特征在于，包括用户与慕课资源建模阶段和慕课资源推荐阶段；所述用户与慕课资源建模阶段包括：根据用户的兴趣描述信息、专业匹配数据和历史行为数据进行离线状态推理，获得所述用户的初始慕课资源列表；所述初始慕课资源列表包含所述用户关联的多个慕课资源以及每个所述慕课资源的兴趣度评估值；根据课程的静态描述信息和用户的历史评价数据进行在线状态推理，调整所述初始慕课资源列表中各所述慕课资源的优先顺序；所述慕课资源推荐阶段包括：获取学习者群体内每个用户的时序化的学习环境监测评估结果，根据所述学习环境监测评估结果获取所述慕课资源的服务质量评估值，以修正每个所述用户的所述初始慕课资源列表中各所述慕课资源的兴趣度评估值；获取基于中智集的Outranking算子，构建改进的多准则决策算法；根据修正后所述慕课资源的兴趣度评估值从每个所述用户的所述初始慕课资源列表中获取预设数量的候选资源，生成所述学习者群体的评估矩阵，送入改进的多准则决策算法后，根据所述多准则决策算法输出的结果生成最优慕课资源列表，以根据所述最优慕课资源列表进行慕课资源推荐。2.根据权利要求1所述的基于混合推理和中智群决策的慕课推荐方法，其特征在于，所述根据用户的兴趣描述信息、专业匹配数据和历史行为数据进行离线状态推理，获得所述用户的初始慕课资源列表，包括：获取用户的显示兴趣描述信息，生成显示兴趣描述信息对应的词向量，并在通过语义分析算法得到相似词组集合之后，将所述相似词组集合中的各所述词向量与预设资源库中的各慕课资源进行语义匹配，并根据匹配结果推理得到所述用户对不同所述慕课资源的兴趣度评估值；获取所述用户的专业匹配数据，对所述用户匹配的所述慕课资源的难度级别进行推理，以生成一个可感知学习难度的初始慕课资源列表；获取所述用户的历史行为数据进行隐式兴趣关联推理，以调整所述初始慕课资源列表中所述慕课资源的兴趣度评估值。3.根据权利要求2所述的基于混合推理和中智群决策的慕课推荐方法，其特征在于，所述历史行为数据包含历史搜索关键字和兴趣关联推理；所述获取所述用户的历史行为数据进行隐式兴趣关联推理，包括：对于用户的历史搜索关键字，通过词向量模型生成所述历史搜索关键字对应的词向量，并通过语义分析得到词向量之间的相似程度，对搜索关键字进行分组后，根据所述搜索关键字出现的频率调整所述用户关联的所述慕课资源的兴趣度评估值；和获取所述用户学习慕课资源过程中在不同页面上的历史驻留时间，并获取到各所述页面的页面关键词之后，根据所述历史驻留时间的长短调整标题或简介中含有所述页面关键词的慕课资源的兴趣度评估值。4.根据权利要求2所述的基于混合推理和中智群决策的慕课推荐方法，其特征在于，所述根据课程的静态描述信息和用户的历史评价数据进行在线状态推理，调整所述初始慕课
资源列表中各所述慕课资源的优先顺序，包括：获取所述用户检索所述慕课资源时输入的关键词，通过基于语义分析的课程建模方法，计算所述关键词与所述初始慕课资源列表中各所述慕课资源的静态描述信息间的相似度，以修正各所述慕课资源的兴趣度评估值；获取用户的历史评价数据，将所述历史评价数据输入基于肯德尔相关系数和余弦相似度的慕课评分相似度评估模型，以获取当前用户与其他用户之间的评分相似度，并根据所述评分相似度确定多个近邻用户后，根据所述近邻用户的评价数据对所述初始慕课资源列表中各所述慕课资源的评价情况进行预测。5.根据权利要求4所述的基于混合推理和中智群决策的慕课推荐方法，其特征在于，所述基于语义分析的课程建模方法，包括：根据结巴分词库构建用户自定义词典，对初始语料数据进行切词处理，并利用综合停用词表去除停用词之后，通过TF
‑
IDF算法计算各门课程的关键词和TF
‑
IDF值，生成训练语料数据；所述初始语料数据包含各门课程的静态描述信息；利用Word2vec词向量模型对所述训练语料数据进行训练，以得到词向量模型，并根据所述词向量模型输出的语义预测结果，调整Skip
‑
gram框架的超参数，添加新的停用词至所述综合停用词表以及补充专有名词至所述用户自定义词典，以重新对初始语料数据进行切词处理，反复训练，直至得到训练好的词向量模型；利用训练好的所述词向量模型，获取与所述用户输入的关键词语义最相近的个候选词及其相似度，结合所述TF
‑
IDF算法计算个所述候选词的TF
‑
IDF值，获取所述关键词与每个所述候选词的综合相似度，取所述综合相似度最高的个所述候选词标记为相似词输出；对每门课程进行标签划分，并计算各个所述标签的相似词列表，根据课程标题与课程简介中含有标签及其相似词的情况，构建课程模型。6.根据权利要求1所述的基于混合推理和中智群决策的慕课推荐方法，其特征在于，所述根据修正后所述慕课资源的兴趣度评估值从每个所述用户的所述初...

【专利技术属性】
技术研发人员：马华，熊超，孔令圆，唐文胜，黄培纪，蒋子旭，
申请(专利权)人：湖南师范大学，
类型：发明
国别省市：