【技术实现步骤摘要】
本专利技术属于课程推荐，具体是指一种基于大数据的在线课程推荐方法及系统。
技术介绍
1、在线课程推荐方法是通过大数据挖掘和分析技术，分析学生的兴趣点和课程的特征，实现个性化、精准化的课程推荐。但是现有的在线课程推荐方法存在个性化度不高、课程之间的关联性学习不足、模型解释性不强、损失函数设计不全面和推荐准确性不足的问题；现有的在线课程推荐方法存在局部最优解、搜索效率不高、缺乏灵活性、收敛速度慢和过度搜索问题的问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了一种基于大数据的在线课程推荐方法及系统，针对现有的在线课程推荐方法存在个性化度不高、课程之间的关联性学习不足、模型解释性不强、损失函数设计不全面和推荐准确性不足的问题，本方案使用奇异值分解进行张量重构，充分挖掘隐藏在数据中的潜在信息，提高了模型的效率和推荐准确性；引入了多头注意力机制对课程嵌入矩阵进行处理，能够更好地捕捉课程间的关联性；使用残差连接和层归一化技术优化课程潜在嵌入矩阵的计算过程，提高了模型的训练速...
【技术保护点】
1.一种基于大数据的在线课程推荐方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于大数据的在线课程推荐方法，其特征在于：在步骤S3中，所述构建在线课程推荐模型具体包括以下步骤：
3.根据权利要求2所述的一种基于大数据的在线课程推荐方法，其特征在于：在步骤S32中，所述构建课程潜在嵌入矩阵具体包括以下步骤：
4.根据权利要求1所述的一种基于大数据的在线课程推荐方法，其特征在于：在步骤S4中，所述在线课程推荐模型参数搜索具体包括以下步骤：
5.根据权利要求1所述的一种基于大数据的在线课程推荐方法，其特征...
【技术特征摘要】
1.一种基于大数据的在线课程推荐方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于大数据的在线课程推荐方法，其特征在于：在步骤s3中，所述构建在线课程推荐模型具体包括以下步骤：
3.根据权利要求2所述的一种基于大数据的在线课程推荐方法，其特征在于：在步骤s32中，所述构建课程潜在嵌入矩阵具体包括以下步骤：
4.根据权利要求1所述的一种基于大数据的在线课程推荐方法，其特征在于：在步骤s4中，所述在线课程推荐模型参数搜索具体包括以下步骤：
5.根据权利要求1所述的一种基于大数据的在线课程推荐方法，其特征在于：在步骤s2中，所述张量处理具体包括以下步骤：
6.根据权利要求1所述的一种基于大数据的在线课程推荐方法，其特征在于：在步骤s1中，所述数据采集是基于在线教育平台采集历史学习数据，历史学习数据包括学生数据、课程数据、交互数据和学生与课程的实际交互状态；所述学生数据包括学生编号、学习目标、学习偏好和认知水平；所述课程数据包括课程编号...
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。