【技术实现步骤摘要】
本专利技术属于计算机，更具体地，涉及一种融合用户兴趣变化的课程推荐方法及系统。
技术介绍
1、随着大数据、互联网等先进技术的快速发展，我们逐渐进入了信息爆炸的时代。在海量资源的冲击下，为了使用户能够在海量的信息中做出更为有效的选择，许多企业试着寻找解决办法，推荐系统是最为公认的优秀解决方案。
2、一开始，推荐系统只是在大型电子商务网站等少数几个应用领域得到应用。随着深度学习技术的发展和完善，推荐系统变得越来越复杂和精确。如今，推荐系统不仅广泛的应用在电子商务领域，还在社交网络、音视频推荐、旅游等多个领域得到了应用和发展。为人们的生活和工作带来了很多好处，逐渐成为了生活中不可缺少的一部分。
3、作为信息技术与教育结合的产物，在线教学已经成为未来教育的一种发展趋势，受到越来越多的关注。相比于传统教育，在线教育具有不拘于时间和空间的限制，知识学习的持续性强等优点。但是，不同学生由于个体差异，学习兴趣差异，培养方向差异等对学习资源的需求有所不同。在庞大的在线教育学习资源下，使用统一的学习资源，在一定程度上降低了学生学习的效率。因此为学生提供个性化课程推荐，有助于学生开展高效学习。
4、课程推荐其核心思想就是通过学生和课程之间的交互信息来挖掘出学生的学习偏好。目前，流行的推荐方法包括基于内容的推荐方法和多模态融合等。基于课程内容的推荐方法主要依靠课程的属性特征，如课程名称、描述、标签等，来匹配学生的兴趣爱好。这种方法能够比较好地解决冷启动问题，即新课程的推荐，但可能忽略了学生之间的复杂关系和动态变化。随
5、在实际数据分析中，由于特征内容的遗漏和缺失，样本的稀疏性问题是不可避免的，这会导致对用户兴趣变化的推荐效果不佳。因此，本申请提出了一种融合用户兴趣变化的推荐算法。该算法通过对目标课程进行用户兴趣变化建模，以克服用户兴趣变化的弊端；同时，通过融合用户兴趣和课程信息来模拟实际的使用行为，从而改善推荐效果。
技术实现思路
1、本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种融合用户兴趣变化的课程推荐方法及系统，提高预测用户兴趣的能力，获得更佳的推荐效果。
2、第一方面，本专利技术提供了一种融合用户兴趣变化的课程推荐方法，包括以下步骤：
3、步骤1，从在线教育平台日志系统中定制各类数据发送方，用于采集数据；
4、采集给定标签的相关用户和课程信息的数据，用于后续数据的特征处理和模型训练；
5、步骤2，将采集的用户和课程信息根据其编号进行特征预处理，并将课程信息中每个课程信息根据其编号进行特征预处理，得到每个课程信息对应的特征向量；
6、步骤3，将步骤2中预处理好的用户信息特征向量和课程信息特征向量对应的放入特征提取模型中，进行用户信息特征向量提取和课程信息的特征向量提取；
7、步骤4，用户兴趣变化建模；使用步骤2中采集到的用户信息和课程信息，定义用户关于课程信息交互的时间序列，选取部分课程信息作为目标课程信息；
8、步骤5，经上述步骤3、步骤4，得到用户兴趣变化特征向量、用户信息特征向量和课程信息特征向量，经过多层感知机和归一化函数进行输出；
9、步骤6，对推荐模型进行训练和评估；
10、步骤7，对推荐模型进行部署和优化；
11、步骤8，课程上线推荐。
12、第二方面，本专利技术提供了一种融合用户兴趣变化的课程推荐系统，包括：
13、用户和课程相关数据采集模块，用于从在线教育平台日志系统中定制各类数据发送方，用于采集数据；采集给定标签的相关用户和课程信息的数据，用于后续数据的特征处理和模型训练；
14、特征向量处理模块，用于将采集的用户和课程信息根据其编号进行特征预处理，并将课程信息中每个课程信息根据其编号进行特征预处理，得到每个课程信息对应的特征向量；
15、特征向量提取模块，用于将预处理好的用户信息特征向量和课程信息特征向量对应的放入特征提取模型中，进行用户信息特征向量提取和课程信息的特征向量提取；
16、用户兴趣变化建模模块，用于使用采集到的用户信息和课程信息，定义用户关于课程信息交互的时间序列，选取部分课程信息作为目标课程信息；
17、模型输出模块，用于得到用户兴趣变化特征向量、用户信息特征向量和课程信息特征向量，经过多层感知机和归一化函数进行输出；
18、模型训练和评估模块，用于对推荐模型进行训练和评估；
19、模型部署和优化，用于对推荐模型进行部署和优化；
20、课程上线推荐模块，用于课程上线推荐。
21、本专利技术的有益效果在于：本专利技术通过采集在线教育平台的具体数据制作相应数据集，进行后续特征向量的处理和用户兴趣变化的建模，能够具体地提高在线教育平台课程信息推荐效果。通过对目标课程进行用户兴趣变化建模，以克服用户兴趣变化造成的准确率下降。利用门控循环单元(gru)来建模用户兴趣变化之间的关系，采用辅助函数来模拟用户的下一个交互行为，以此来达到预测用户兴趣变化。通过融合用户兴趣和课程信息来模拟实际的使用行为，从而改善推荐效果，提高推荐的准确率。
本文档来自技高网...【技术保护点】
1.一种融合用户兴趣变化的课程推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种融合用户兴趣变化的课程推荐方法，其特征在于，步骤1中具体的数据采集包括：通过网站和移动应用的埋点技术，记录用户在平台上的行为，包括浏览课程、观看视频、提交作业、参与讨论。
3.根据权利要求1所述的一种融合用户兴趣变化的课程推荐方法，其特征在于，所述步骤3包括：
4.根据权利要求1所述的一种融合用户兴趣的课程推荐方法，其特征在于，所述步骤4包括：
5.根据权利要求1所述的一种融合用户兴趣的课程推荐方法，其特征在于，步骤6中，选择二元交叉熵损失作为优化目标算法，使用历史数据对推荐模型进行训练，并对推荐模型进行评估。
6.根据权利要求1所述的一种融合用户兴趣的课程推荐方法，其特征在于，步骤8中，将训练好的实时数据，通过数据解析显示到网页，将top-N预测分数较高的候选课程信息推荐给目标用户。
7.一种融合用户兴趣变化的课程推荐系统，其特征在于，包括：
【技术特征摘要】
1.一种融合用户兴趣变化的课程推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种融合用户兴趣变化的课程推荐方法，其特征在于，步骤1中具体的数据采集包括：通过网站和移动应用的埋点技术，记录用户在平台上的行为，包括浏览课程、观看视频、提交作业、参与讨论。
3.根据权利要求1所述的一种融合用户兴趣变化的课程推荐方法，其特征在于，所述步骤3包括：
4.根据权利要求1所述的一种融合用户兴趣的课程推荐方法，其特征在于，...
【专利技术属性】
技术研发人员：左志斌，侯平智，徐升，苗雨晨，吴锋，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。