[发明专利]学习者模型构建方法、学习资源的推荐方法及系统

说明书

本发明公开了一种学习者模型构建方法、学习资源的推荐方法及系统，通过获取用户在不同学习阶段的监测数据；从监测数据中提取表征用户个性化特征的学习行为数据；根据预设维度及对应的评测指标对用户的学习行为数据进行评测，生成学习者特征数据；利用学习者特征数据构建学习者模型，本发明提供的学习者模型能够全面的刻画学习者的特征，体现学习者的个性化特点。利用基于学习者模型的协同过滤学习资源的推荐方法及系统，根据一定规则将学习者有效学习行为数据转换为学习者在学习行为上对资源的评分，然后对每个行为赋以一定权重，整合获得用户对资源的评分数据，根据评分生成推荐结果，根据推荐结果将学习资源推荐给目标用户，推荐精确度高。

技术领域

本发明涉及智能推荐领域，具体涉及一种学习者模型构建方法、学习资源的推荐方法及系统。

背景技术

当前，互联网技术与现代远程教育技术正处于高速融合期，以学习者为中心的网络学习因其不受时空限制、费用成本低、服务功能完善等优势迅速成为现代教育教学体系中重要的形式之一。然而学习者在海量学习资源中却面临着无从选择的境地，信息过载问题一直困扰着学习者。借鉴个性化推荐系统在音乐、视频、新闻媒体、电子商务等的成功应用，教育领域的研究学者也尝试做了一些推荐系统。

目前，以协同过滤技术为代表的个性化推荐技术在教育领域有了一定发展，同时以学习者的角度出发的协同过滤推荐系统模型停留在模型阶段，例如基于协同过滤技术的在线学习资源个性化推荐系统模型，将学习者在线学习过程中的学习行为与在线学习资源特点作为设计基于协同过滤技术的数字化学习资源模型的依据。通过学习者行为日志和学习资源库，数字化模型以及协同过滤引擎组成。其对学习者的认知不足，没有建立完整的学习者模型，行为数据本身的稀疏性、稳定性等问题并没有完好的解决，且不适用于复杂学习社区多元主体带来的学习者群体复杂性提高，海量资源带来的学习者总体行为增加以及学习者之间交集行为减少的现状，还是会造成数据矩阵稀疏，推荐的准确度也不够准确。

发明内容

因此，本发明提供一种学习者模型构建方法、学习资源的推荐方法及系统，克服了现有技术中学习资源的个性化推荐不够准确的不足。

第一方面，本发明实施例提供一种学习者模型构建方法，包括如下步骤：获取用户在不同学习阶段的监测数据；从所述监测数据中提取表征用户个性化特征的学习行为数据；根据预设维度及所述维度对应的评测指标对用户的学习行为数据进行评测，生成学习者特征数据；利用所述学习者特征数据构建学习者模型。

在一实施例中，所述表征用户个性化特征的学习行为数据包括：表征用户属性的静态信息和表征用户的学习过程的动态信息，其中，所述静态信息包括：用户的性别、年龄及受教育程度；所述动态信息包括：用户的社交关系信息、偏好信息、作业完成情况信息及个人成就信息。

在一实施例中，所述预设维度包括：预设学习资源利用度、生成性资源利用度、协作交流度、任务参与度及成果评估，其中，所述预设学习资源利用度的评测指标包括：访问学习内容及访问辅助资源；所述生成性资源利用度的评测指标包括：访问他人作业及访问社区资源；所述协作交流度的评测指标包括：参与论坛交互、参与资源评价及收到资源评价；所述任务参与度的评测指标包括：任务完成度及资源贡献度；所述成果评估的评测指标包括：共享资源的认可度、作业推优度、共享资源推优度、学习成绩、帖子及笔记的认可度。

第二方面，本发明实施例提供一种学习资源的推荐方法，包括如下步骤：获取表征用户个性化特征的有效学习行为数据；根据预设规则及所述有效学习行为信息获取所述用户对学习资源的预测评分；基于所述预测评分生成推荐结果。

在一实施例中，所述表征用户个性化特征的有效学习行为数据为根据本发明实施例第一方面所述的学习者模型生成的学习者特征矩阵，所述方法还包括：计算学习者特征矩阵与所述学习者模型中学习者用户集特征矩阵的相似度；根据预设相似度阈值和/或最近邻居个数确定学习者的最近邻居群。