[发明专利]一种面向大规模用户的个性化教学资源推荐方法

说明书

本发明公开了一种面向大规模用户的个性化教学资源推荐方法，包括：获取用户交互数据，对用户交互数据进行数据预处理，获得用户资源评分矩阵；对用户资源评分矩阵进行特征降维，获得用户的教学资源特征矩阵；对教学资源特征矩阵进行聚类，获得教学资源聚类，并对教学资源聚类中的教学资源进行排序；获取用户对所有教学资源的评分，依次利用教学资源兴趣度模型，计算得到用户对教学资源的兴趣度，根据所述兴趣度对所有教学资源降序排列，生成教学资源推荐列表。相较于现有技术，本发明能够为大量用户提供快速准确的数字化教学资源推荐服务，增强用户体验，为智慧校园教学资源的个性化利用提供了一套有效的解决方案。

技术领域

本发明涉及智慧校园教学资源个性化推荐领域，尤其涉及一种面向大规模用户的个性化教学资源推荐方法。

背景技术

推荐系统是一种信息过滤系统，能够有效根据用户的信息需求、兴趣等进行个性化信息推荐，并且已成功应用到在线视频、社交网络、在线音乐、电子商务等诸多领域。随着智慧校园建设中教学资源库的不断完善，利用丰富的教学资源，例如电子书、文献、电子课件、微课视频等，并基于协同过滤进行个性化的推荐有助于提升学员的学习效果。

推荐引擎最流行的技术之一是协同过滤，该方法仅取决于过去的用户操作，如过去的交易或教学资源反馈。传统的协同过滤诸如邻域方法和潜在因子模型之类的算法通常存在几个主要问题。首先是用户-商品评分矩阵的稀疏性问题，主要是由于大多数用户只会对所有商品中的很少一部分商品进行评分。其次为超大规模数据集实时或接近实时地提供推荐的能力的不足。

为了解决以上问题，许多研究人员尝试了不同的方法，如聚类和混合技术。然而这些方法并不适用于海量数据集环境。最近的研究成果成功地利用Hadoop技术实现协同过滤算法的并行化，但Map Reduce的计算时间较长，效率较低。

发明内容

本发明提供了一种面向大规模用户的个性化教学资源推荐方法。在现实中，不可能每个用户都和所有的教学资源都有行为关系。事实上，有交互关系的用户-资源对只占很小的一部分。换句话说，用户-资源关系列表是非常稀疏的。教学资源评分矩阵非常稀疏，会直接影响模型的准确性。

在高校中存在大量的教学资源，如本校教学资源、大型开放式网络课程(MassiveOpen Online Courses，MOOC)或者小规模限制性在线课程(Small Private OnlineCourse，SPOC)资源、教学录播资源等。在大数据环境下，通过搜索全部资源寻找与目标资源相似度排名较高的资源会极大的影响推荐系统的效率。

本发明的目的是提供一种能够适用于超大稀疏特征矩阵，并且对于大规模数据集环境有较好的计算效率的教学资源推荐方法。以解决现有的协同过滤方案存在的数据稀疏性造成的模型不准确，以及现有方案不能满足对大规模数据集进行高效计算的问题。

一种面向大规模用户的个性化教学资源推荐方法，包括：

步骤1，获取用户交互数据，对所述用户交互数据进行数据预处理，获得用户资源评分矩阵；

步骤2，对所述用户资源评分矩阵进行特征降维，获得用户的教学资源特征矩阵；

步骤3，对所述教学资源特征矩阵进行聚类，获得教学资源聚类，并对所述教学资源聚类中的教学资源进行排序；

步骤4，获取用户对所有教学资源的评分，依次利用教学资源兴趣度模型，计算得到用户对所有教学资源的兴趣度，根据所述兴趣度对所有教学资源降序排列，生成教学资源推荐列表。

进一步地，在一种实现方式中，所述步骤1，包括：

步骤101，采集教学资源评分数据集，并将所述教学资源评分数据集加载到数据仓库中保存，所述教学资源评分数据集包括教学资源、评分数据以及评分数据对应的用户信息；