[发明专利]基于大数据科学和动态权重调整的课程推荐方法及系统

权利要求书

1.基于大数据科学和动态权重调整的课程推荐方法，其特征在于：包括以下步骤：

根据用户对课程的评分，生成用户课程矩阵；

根据用户课程矩阵，生成学生的偏好信息；

根据用户课程矩阵和学生的偏好信息，构建约束模型和独立评分模型；

根据约束模型和独立评分模型，基于动态权重调整方法生成课程评分预测值；

根据课程评分预测值进行课程推荐；

所述根据用户课程矩阵，生成学生的偏好信息这一步骤，包括以下步骤：

对用户课程矩阵进行运算，生成第一结果，所述第一结果包括课程共存矩阵和用户共存矩阵；

通过web日志对用户课程矩阵的运算结果进行信息提取，得到学生的偏好信息；

所述根据用户课程矩阵和学生的偏好信息，构建约束模型和独立评分模型这一步骤，包括以下步骤：

通过矩阵分解法对第一结果进行求解，得到第二结果；

通过正则化奇异值对第二结果进行求解，得到第三结果；

根据第三结果，构建得到约束模型和独立评分模型；

所述根据用户课程矩阵和学生的偏好信息，构建约束模型和独立评分模型这一步骤，还包括以下步骤：

通过约束模型和独立评分模型，建立多视图神经网络；

所述通过约束模型和独立评分模型，建立多视图神经网络这一步骤，包括以下步骤：

将约束模型的实时解输入全连接层进行第一训练；

将独立评分模型的实时解输入卷积层进行第二训练；

将约束模型的历史解输入全连接层进行第三训练；

将独立评分模型的历史解输入卷积层进行第四训练；

根据第一训练、第二训练、第三训练和第四训练的结果，建立多视图神经网络；

所述根据约束模型和独立评分模型，基于动态权重调整方法生成课程评分预测值这一步骤，包括以下步骤：

通过多视图神经网络生成第一预测分量；

通过学生偏好信息生成第二预测分量；

通过最近邻分类算法生成第三预测分量；

基于动态调整权重机制，分别对第一预测分量、第二预测分量和第三预测分量的权重进行配置；

根据权重配置结果，通过第一预测分量、第二预测分量和第三预测分量生成课程评分预测值；

所述根据课程评分预测值进行课程推荐这一步骤，包括以下步骤：

根据用户课程矩阵生成课程序列集合；

计算课程序列集合中每个课程序列的支持度，并获取支持度大于第一阈值的第一课程序列；

将第一课程序列作为当前课程序列，并根据第一课程序列和当前课程序列，生成课程序列矩阵；

计算课程序列矩阵中每个课程序列的支持度；

判断课程序列矩阵中是否存在课程序列的支持度大于第一阈值，若是，则将大于第一阈值的所有课程序列作为当前课程序列，并返回执行根据第一课程序列和当前课程序列，生成课程序列矩阵的步骤；反之，则执行下一步骤；

筛选课程矩阵中支持度大于第二阈值的课程序列，并将该课程序列作为课程推荐结果。