[发明专利]一种基于教学大数据的智能推荐方法

权利要求书

1.一种基于教学大数据的智能推荐方法，其特征在于，包括以下步骤：

获取用户搜索的历史记录数据并传输到候选队列，将用户搜索的历史目标信息设定成过滤的候选资源；

根据候选资源得出的数据信息进行筛选和预测，将原始网络数据进行转换传输至构建网络模型所需的模型输入数据得到用户偏好行为数据，其中，用户偏好行为数据包括对学习资源的浏览次数、评论次数和下载次数，预设浏览次数为，其中表示用户m对资源n的浏览次数，预设评论次数为，其中表示用户m对资源n的评论次数，预设下载次数为，其中表示用户m对资源n的下载次数；

计算用户偏好行为数据对应的项目评分，根据项目评分计算用户间相似度或项目间相似度，基于用户间相似度或项目间相似度获取用户感兴趣的项目；

根据用户感兴趣的项目对应的课程类别建立学习者模型并对用户进行智能推荐。

2.根据权利要求1所述的基于教学大数据的智能推荐方法，其特征在于，根据用户感兴趣的项目对应的课程类别建立学习者模型并对用户进行智能推荐，包括：

使用神经网络自动抽取用户兴趣的过程缓解冷启动，通过用户兴趣得到用户喜欢的课程类别，计算用户间学习能力相似度得到相似用户并进行推荐；

通过用户历史信息确定用户类别，引入学习者行为特征和学习能力相似度类内计算得到模型相似度分数并计算类内用户评分相似度，融合计算模型相似度分数和评分相似度分数得到最终用户集合进行推荐。

3.根据权利要求2所述的基于教学大数据的智能推荐方法，其特征在于，使用神经网络自动抽取用户兴趣的过程缓解冷启动，包括：

采用LSTM文本分类法对新用户进行分类，句子分词和向量化，输入词向量，经过LSTM层处理输出n个时刻的向量，,...，输入上层输出的向量进行最大池化操作得到特征向量h，将上层的特征向量h经过SoftMax层处理完成信息分类，其中，LSTM模型包括完成分词和向量化操作的第一层即embedding层、提高特征之间的独立性的第二层即spatial_dropout1d层、第三层即LSTM层、使用MaxPooling以获取到最显著特征的第四层和使用SoftMax进行分类的第五层。

4.根据权利要求2所述的基于教学大数据的智能推荐方法，其特征在于，计算用户间学习能力相似度得到相似用户并进行推荐，包括：

预设c为用户偏好同时映射为资源类别即，根据课程类别映射出用户的兴趣类别，表示学习者的学习能力水平，其中分别对应初级、中级别和高级，新用户类内相似度计算使用标准高斯分布，其表达式为，其中U表示全体用户，表示第j个类别为c的用户，表示目标用户，、分别表示两个用户的学习水平，的值越大两个用户的相似度越大，反之相似度越小。

5.根据权利要求4所述的基于教学大数据的智能推荐方法，其特征在于，对用户的历史学习信息进行统计得到用户的兴趣标签，其表达式为，其中表示用户历史信息学习第i类课程的次数，表示用户的学习的总次数，根据提取到的用户兴趣标签在用户兴趣类别中进行计算的过程，包括：

根据老用户的学习特征计算学习特征相似度，使用两个用户对同一个课程的行为特征做计算，用户对课程的行为使用向量表示，其表达式为，其中U表示全体用户，表示目标用户，表示同一类别下其他用户，，，表示用户对课程K的行为特征，表示用户对课程K的行为特征，K表示两个用户共同学过的课程，分别表示学习者学习课程的时间、获得的经验、得到的分数、学习的进度和作业提交次数；

两个用户共同课程的相似度计算的表达式为，其中k表示两个用户之间共同学习的课程，，n表示两个用户共同学习过的课程的总数；

结合上述学习水平相似度表达式和两个用户共同课程的相似度表达式得到学习者模型相似度，其表达式为。