一种基于大数据的课程推荐方法及装置制造方法及图纸

本发明专利技术提供一种基于大数据的课程推荐方法及装置，涉及在线教育技术领域，所述方法包括：获取并分析目标用户的学习行为数据；根据所述学习行为数据，构建用户与课程之间的交互矩阵；根据所述交互矩阵，计算课程之间或用户之间的相似度，以得到相似度计算结果；根据所述相似度计算结果，生成目标用户对课程的偏好；根据目标用户的学习需求

【技术实现步骤摘要】
一种基于大数据的课程推荐方法及装置


[0001]本专利技术涉及在线教育
，特别是指一种基于大数据的课程推荐方法及装置
。

技术介绍

[0002]随着互联网的发展，网络教育平台中的课程数量不断增长
。
但是，面对海量的课程，用户往往难以找到真正适合自己的课程
。
为了解决这个问题，研究人员提出了各种基于大数据的课程推荐方法
。
[0003]传统的推荐系统主要依赖于内容匹配，即根据用户的历史学习记录，推荐相似的新课程
。
这种方法存在冷启动问题，对于没有任何学习记录的新用户无法实现有效推荐
。
另外，它也无法区分不同用户的个性化学习偏好
。

技术实现思路

[0004]本专利技术要解决的技术问题是提供一种基于大数据的课程推荐方法及装置，可以找到与目标用户兴趣相似的其他用户，可以找到与目标用户喜欢的课程相似的新课程
。
[0005]为解决上述技术问题，本专利技术的技术方案如下：
[0006]第一方面，一种基于大数据的课程推荐方法，所述方法包括：
[0007]获取并分析目标用户的学习行为数据；
[0008]根据所述学习行为数据，构建用户与课程之间的交互矩阵；
[0009]根据所述交互矩阵，计算课程之间或用户之间的相似度，以得到相似度计算结果；
[0010]根据所述相似度计算结果，生成目标用户对课程的偏好；
[0011]根据目标用户的学习需求
>、
目标用户对课程的偏好
、
课程库中的课程信息以及动态阈值生成课程推荐列表；
[0012]将所述课程推荐列表发送至给目标用户
。
[0013]进一步的，获取并分析目标用户的学习行为数据，包括：
[0014]获取目标用户在在线学习平台上的所有学习行为数据；
[0015]对所述学习行为数据进行预处理，以得到预处理数据；
[0016]对所述预处理数据进行分析，以获取用户的学习模式和偏好，以及影响学习效果的关键因素
。
[0017]进一步的，所述交互矩阵中，行代表用户，列代表课程，并且每个单元格的值是对应用户对特定课程的交互值
。
[0018]进一步的，根据所述学习行为数据，构建用户与课程之间的交互矩阵，包括：
[0019]依次遍历按照动态排序的所有学习行为数据，提取出所有的用户与课程对应关系；
[0020]根据所有的用户与课程对应关系，获取用户对课程的所有行为记录；
[0021]根据用户对课程的所有行为记录，计算融合交互值；
[0022]根据所述融合交互值，构建交互矩阵；
[0023]处理所述交互矩阵中的缺失值，并对交互矩阵进行标准化处理，以得到标准化交互矩阵
。
[0024]进一步的，根据所述交互矩阵，计算课程之间或用户之间的相似度，以得到相似度计算结果，包括：
[0025]根据交互矩阵，分别构建用户向量和课程向量；
[0026]根据所述用户向量和课程向量，分别计算所有用户的交互值的平均值和所有课程的交互值的平均值；
[0027]根据所有用户的交互值的平均值和所有课程的交互值的平均值，以及动态用户权重，分别计算每两个用户之间的相似度和每两门课程之间的相似度
。
[0028]进一步的，根据所述相似度计算结果，生成目标用户对课程的偏好，包括：
[0029]根据每两个用户之间的相似度和每两门课程之间的相似度，提取每个目标用户相似度最高的
N
个用户以及该目标用户评分过的课程最相似的
M
个课程；
[0030]根据每个目标用户相似度最高的
N
个用户以及该目标用户评分过的课程最相似的
M
个课程，生成目标用户对课程的偏好
。
[0031]进一步的，根据目标用户的学习需求
、
目标用户对课程的偏好
、
课程库中的课程信息以及动态阈值生成课程推荐列表，包括：
[0032]分别将用户
u
和课程
i
的原始特征向量
X
u
和
Y
i
通过深度神经网络
NN
u
和
NN
i
转换为特征向量
U
u
和
I
i
，其中，
U
u
＝
NN
u
(X
u
)
＝
σ
(W
u
X
u
+b
u
)I
i
＝
NN
i
(Y
i
)
＝
σ
(W
i
Y
i
+b
i
)
，其中，
W
u
和
W
i
是权重矩阵，
b
u
和
b
i
是偏置向量，
σ
是激活函数；
[0033]根据计算预测评分
f(u,i)
，其中，为一个点积运算，代表了转换后的用户特征向量
U
u
和课程特征向量
I
i
之间的相似度；
b
u
为用户偏置项，代表了用户
u
的总体评分倾向；
μ
为全局平均评分，代表了所有用户对所有课程的平均评分；
c
i
为课程偏置项，代表了课程
i
的总体受欢迎程度；
T
用于表示矩阵的转置；
[0034]根据用户
u
的历史行为和反馈调整动态阈值
θ
u
，其中，
(1
‑
α
)
×
θ
u
，其中，是用户
u
的历史平均评分，
α
是常数；
[0035]计算所有课程
i
的预测评分
f(u,i)
，并获取预测评分
f(u,i)≥
θ
u
的
N
个课程作为推荐列表
。
[0036]第二方面，一种基于大数据的课程推荐装置，包括：
[0037]获取模块，用于获取并分析目标用户的学习行为数据；根据所述学习行为数据，构建用户与课程之间的交互矩阵；根据所述交互矩阵，计算课程之间或用户之间的相似度，以得到相似度计算结果；
[0038]处理模块，用于根据所述相似度计算结果，生成目标用户对课程的偏好；根据目标用户的学习需求
、
目标用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于大数据的课程推荐方法，其特征在于，所述方法包括：获取并分析目标用户的学习行为数据；根据所述学习行为数据，构建用户与课程之间的交互矩阵；根据所述交互矩阵，计算课程之间或用户之间的相似度，以得到相似度计算结果；根据所述相似度计算结果，生成目标用户对课程的偏好；根据目标用户的学习需求
、
目标用户对课程的偏好
、
课程库中的课程信息以及动态阈值生成课程推荐列表；将所述课程推荐列表发送至给目标用户
。2.
根据权利要求1所述的基于大数据的课程推荐方法，其特征在于，获取并分析目标用户的学习行为数据，包括：获取目标用户在在线学习平台上的所有学习行为数据；对所述学习行为数据进行预处理，以得到预处理数据；对所述预处理数据进行分析，以获取用户的学习模式和偏好，以及影响学习效果的关键因素
。3.
根据权利要求2所述的基于大数据的课程推荐方法，其特征在于，所述交互矩阵中，行代表用户，列代表课程，并且每个单元格的值是对应用户对特定课程的交互值
。4.
根据权利要求3所述的基于大数据的课程推荐方法，其特征在于，根据所述学习行为数据，构建用户与课程之间的交互矩阵，包括：依次遍历按照动态排序的所有学习行为数据，提取出所有的用户与课程对应关系；根据所有的用户与课程对应关系，获取用户对课程的所有行为记录；根据用户对课程的所有行为记录，计算融合交互值；根据所述融合交互值，构建交互矩阵；处理所述交互矩阵中的缺失值，并对交互矩阵进行标准化处理，以得到标准化交互矩阵
。5.
根据权利要求4所述的基于大数据的课程推荐方法，其特征在于，根据所述交互矩阵，计算课程之间或用户之间的相似度，以得到相似度计算结果，包括：根据交互矩阵，分别构建用户向量和课程向量；根据所述用户向量和课程向量，分别计算所有用户的交互值的平均值和所有课程的交互值的平均值；根据所有用户的交互值的平均值和所有课程的交互值的平均值，以及动态用户权重，分别计算每两个用户之间的相似度和每两门课程之间的相似度
。6.
根据权利要求5所述的基于大数据的课程推荐方法，其特征在于，根据所述相似度计算结果，生成目标用户对课程的偏好，包括：根据每两个用户之间的相似度和每两门课程之间的相似度，提取每个目标用户相似度最高的
N
个用户以及该目标用户评分过的课程最相似的
M
个课程；根据每个目标用户相似度最高的
N
个用户以及该目标用户评分过的课程最相似的
M
个课程，生成目标用户对课程的偏好
。7.
根据权利要求6所述的基于大数据的课程推荐方法，其特征在于，根据目标用户的学习需求
、
目标用户对课程的偏好
、
课程库中的课程信息以及动态阈值生成课程推荐列表，包
括：分别将用户
u
和课程
i
的原始特征向量
X
u
和
Y
i
通过深度神经网络
NN
u
和
NN
i
转换为特征向量

【专利技术属性】
技术研发人员：谢建华，何拥军，钟达夫，刘昌平，
申请(专利权)人：广东科学技术职业学院，
类型：发明
国别省市：