【技术实现步骤摘要】
本专利技术涉及计算机，尤其涉及一种基于ai的个性化学习推荐方法及系统。
技术介绍
1、在当前的教育
，推荐系统已成为辅助用户发现感兴趣课程的关键工具。然而，部分推荐方法依赖于一种相对简单的机制，即基于热度进行推荐。这种方法通常会根据课程的受欢迎程度，例如根据观看人数或完成率来向用户推荐课程。虽然这种基于热度的推荐方法在某些情况下有效，但它忽略了一个重要的事实，教学课程的内容格式千差万别。
2、不同的学习者对教学课程的内容格式有不同的偏好和适应度。例如，一些学习者可能更喜欢通过视频课程学习，因为它们提供了丰富的视觉和听觉信息，有助于提高理解和记忆。相反，其他学习者可能更倾向于阅读文本资料，因为他们可以根据自己的节奏进行学习，有时还可以更深入地探索复杂的概念。
3、基于热度的推荐方法的局限性在于，它未能考虑到这些个体差异，从而可能导致不适合特定学习者需求的课程推荐。这不仅会影响学习者的学习体验，尤其是当推荐的课程格式不符合学习者的学习习惯时，还可能导致学习效率的下降。
技术实现思路
1、为解决上述技术问题，本专利技术提出了一种基于ai的个性化学习推荐方法及系统，通过分析用户的历史学习数据确定用户对教学课程的内容格式的喜好，再结合教学平台中不同教学课程的热度数据，综合分析出适合用户学习习惯的教学课程，向用户进行个性化的学习推荐，以提升用户的学习体验和学习效率。
2、本专利技术实施例第一方面提供一种基于ai的个性化学习推荐方法，包括：
4、从目标数据中确定用户关于目标课程知识标识的第一难度等级，根据课程知识标识的难度推荐列表查询第一难度等级对应的第二难度等级，难度推荐列表包括有每个知识难度等级对应的推荐参考等级，根据第二难度等级从课程库中筛选出目标课程集合，包括课程库中目标课程知识标识下第二难度等级对应的多个教学课程和每个教学课程的热度值；
5、将课程查询请求的请求时间和从用户的历史学习数据中提取到的学习特征数据输入到内容格式分析模型中，输出用户的目标推荐格式，确定目标课程集合中目标推荐格式对应的目标教学课程，根据每个教学课程的热度值和目标教学课程向用户进行课程推荐；
6、其中，根据每个教学课程的热度值和目标教学课程向用户进行课程推荐，包括：
7、判断目标教学课程是否为目标课程集合中热度值最高的教学课程，若是则向用户推荐目标课程集合中目标推荐格式对应的教学课程；
8、否则，根据用户的历史学习数据确定用户对多个内容格式的倾向因子，生成内容格式倾向表，根据内容格式倾向表和每个教学课程的热度值计算目标课程集合中多个教学课程的推荐值，根据推荐值向用户进行课程推荐。
9、优选地，根据用户的历史学习数据确定用户对多个内容格式的倾向因子，生成内容格式倾向表，根据内容格式倾向表和每个教学课程的热度值计算目标课程集合中多个教学课程的推荐值，包括：
10、提取历史学习数据中用户关于每个内容格式的教学课程的第一学习时长，以及提取历史学习数据中用户在目标时间范围内关于每个内容格式的教学课程的第二学习时长，通过以下公式计算用户的任意一个内容格式的倾向因子：
11、
12、式中，为内容格式的倾向因子，为内容格式的第一学习时长，为内容格式的第二学习时长，、分别为第一参考因子和第二参考因子；
13、通过上述公式计算得到每个内容格式的倾向因子，生成内容格式倾向表，根据如下公式计算任意一个教学课程的推荐值：
14、
15、式中，为教学课程的推荐值，为教学课程所属内容格式的倾向因子，为教学课程的热度值，通过上述公式计算得到目标课程集合中每个教学课程的推荐值。
16、优选地，从目标数据中确定用户关于目标课程知识标识的第一难度等级，根据目标课程知识标识的难度推荐列表查询第一难度等级对应的第二难度等级，包括：
17、确定目标数据中用户关于目标课程知识标识的每个教学课程的评测分数，筛选出评测分数大于预设合格阈值的多个教学课程，选取筛选出的多个教学课程中涉及的最高级的知识难度等级记为第一难度等级，将难度推荐列表中第一难度等级对应的推荐参考等级记为第二难度等级。
18、优选地，对于难度推荐列表，还包括：
19、获取教学平台上多位学习者的历史学习数据，按照课程知识标识对多种历史学习数据进行分类，构建每个课程知识标识的学习数据集合；
20、对于任意一个学习数据集合的任意一个知识难度等级，记为目标难度等级，选取学习数据集合中目标难度等级的教学课程学习者的评测分数大于预设合格阈值的多个学习者的学习数据，从高于目标难度等级的多个难度等级中确定每个学习者的多个第一参考等级，其中，每个第一参考等级对应的教学课程中学习者的首次评测分数大于预设合格阈值，从学习者的多个第一参考等级中确定学习者的第二参考等级，根据每个学习者的第二参考等级选取出现频次最高的第二参考等级，根据出现频次最高的第二参考等级确定目标难度等级的推荐参考等级。
21、优选地，对于内容格式分析模型，还包括：
22、内容格式分析模型通过训练数据集训练得到，对于教学平台中多位学习者的历史学习数据，提取每位学习者在每个学习行为的时间特征数据，以及学习行为中对每个内容格式的教学课程的学习时长占比，将每个学习行为的时间特征数据和学习行为中对每个内容格式的教学课程的学习时长占比进行关联构建得到一个数据子集，生成由多个数据子集构成的训练数据集，通过训练数据集进行内容格式分析模型的训练，得到训练好的内容格式分析模型。
23、优选地，内容格式分析模型为长短期记忆网络模型。
24、本专利技术实施例第二方面提供一种基于ai的个性化学习推荐系统，所述系统用于实现上述的一种基于ai的个性化学习推荐方法，包括：
25、请求响应模块，用于在接收到用户的课程查询请求后，根据课程查询请求中的目标课程知识标识从用户在教学平台的历史学习数据中筛选出目标数据，其中，课程查询请求包括请求时间和课程知识标识，目标数据包括多个教学课程的学习表现数据；
26、数据分析模块，用于从目标数据中确定用户关于目标课程知识标识的第一难度等级，根据课程知识标识的难度推荐列表查询第一难度等级对应的第二难度等级，难度推荐列表包括有每个知识难度等级对应的推荐参考等级；
27、课程筛选模块，用于根据第二难度等级从课程库中筛选出目标课程集合，包括课程库中目标课程知识标识下第二难度等级对应的多个教学课程和每个教学课程的热度值；
28、内容格式分析模块，用于将课程查询请求的请求时间和从用户的历史学习数据中提取到的学习特征数据输入到内容格式分析模型中，输出用户的目本文档来自技高网...
【技术保护点】
1.一种基于AI的个性化学习推荐方法，其特征在于，包括：
2.根据权利要求1所述的一种基于AI的个性化学习推荐方法，其特征在于，根据用户的历史学习数据确定用户对多个内容格式的倾向因子，生成内容格式倾向表，根据内容格式倾向表和每个教学课程的热度值计算目标课程集合中多个教学课程的推荐值，包括：
3.根据权利要求1所述的一种基于AI的个性化学习推荐方法，其特征在于，从目标数据中确定用户关于目标课程知识标识的第一难度等级，根据目标课程知识标识的难度推荐列表查询第一难度等级对应的第二难度等级，包括：
4.根据权利要求3所述的一种基于AI的个性化学习推荐方法，其特征在于，对于难度推荐列表，还包括：
5.根据权利要求1所述的一种基于AI的个性化学习推荐方法，其特征在于，对于内容格式分析模型，还包括：
6.根据权利要求5所述的一种基于AI的个性化学习推荐方法，其特征在于，内容格式分析模型为长短期记忆网络模型。
7.一种基于AI的个性化学习推荐系统，其特征在于，所述系统用于实现上述权利要求1-6任一项所述的一种基于AI的个性化
8.根据权利要求7所述的一种基于AI的个性化学习推荐系统，其特征在于，对于学习推荐模块，根据每个教学课程的热度值和目标教学课程向用户进行课程推荐，包括：
...【技术特征摘要】
1.一种基于ai的个性化学习推荐方法，其特征在于，包括：
2.根据权利要求1所述的一种基于ai的个性化学习推荐方法，其特征在于，根据用户的历史学习数据确定用户对多个内容格式的倾向因子，生成内容格式倾向表，根据内容格式倾向表和每个教学课程的热度值计算目标课程集合中多个教学课程的推荐值，包括：
3.根据权利要求1所述的一种基于ai的个性化学习推荐方法，其特征在于，从目标数据中确定用户关于目标课程知识标识的第一难度等级，根据目标课程知识标识的难度推荐列表查询第一难度等级对应的第二难度等级，包括：
4.根据权利要求3所述的一种基于ai的个性化学习推荐方法，...
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。