[发明专利]一种改进型协同过滤的网络课程推荐算法

权利要求书

1.一种改进型协同过滤的网络课程推荐算法，其特征在于，包括如下步骤：

步骤1：根据用户u对已知课程i的完成度、收藏行为和用户评分的反馈数据，计算用户u对已知课程i的兴趣度，

步骤2：获取所有网络课程及每门网络课程所属科目标签，并根据网络课程所属的科目标签，对网络课程进行划分为不同的子课程数据集；

步骤3：设定兴趣度阈值，当用户u对某课程的兴趣度超过该阈值，则视为用户u对该课程有倾向性；计算已知课程i与所处的子课程数据集中其他未知课程j间的配合度w_ij，得到用户u对未知课程j的兴趣度r_uj；

步骤4：按照用户u对本子课程数据集中所有未知课程j的兴趣度进行排序，排在前N名的课程作为推荐课程；

步骤1中计算用户u对已知课程i的兴趣度的方法为：

r_ui＝T_ui(0.08P_ui+0.6)+0.6L_ui

其中，r_ui为用户u对已知课程i的兴趣度，r_ui数值越高代表兴趣度越高；P_ui为用户u对课程i的评分；T_ui为用户u对课程i的当前的完成度；L_ui为用户u是否对课程i有收藏行为，若有则为1，反之为0；

兴趣度阈值取0.76；

步骤3中基于已知课程i的兴趣度实现对未知课程j的预测的方法为：

步骤3.1：首先计算课程i与未知课程j之间的配合度w_ij；

步骤3.2：基于修正后的配合度得到用户u对未知课程j的兴趣度r_uj；

配合度w_ij的计算方法为：

其中，w_ij表示i、j课程间的配合度，N(i)为对i课程有倾向性的用户数量，N(j)为对j课程有倾向性的用户数量，∩为交集；

为了增加推荐的覆盖率，惩罚热门课程的权重，修正后的配合度计算公式为：

其中，N(u)为用户u有倾向性的课程数量；N(i)和N(j)分别为对i课程和i课程有倾向性的用户数量；

计算用户u对未知课程j的兴趣度P_uj：

其中，N(u)是用户有倾向性的课程集合，S(j，K)是和课程j配合度最高的K个物品的集合，w_ij’是课程i和j的配合度，r_ui是用户u对课程i的兴趣度。