[发明专利]一种基于教学大数据的智能推荐方法

说明书

本发明公开了一种基于教学大数据的智能推荐方法，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，根据候选资源得出数据信息进行筛选和预测，将原始网络数据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，计算用户偏好行为数据对应的项目评分并计算用户间相似度或项目间相似度，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，从用户对资源的众多偏好行为中抽取浏览、评论、下载三种并统计它们次数数据，同时实现量化形成用户偏好行为数据模型，实现用户资源推荐服务，让其获取感兴趣资源，将所有用户偏好行为数据都考虑在内，使得推荐质量更加精确。

技术领域

本发明属于教学推荐技术领域，尤其涉及一种基于教学大数据的智能推荐方法。

背景技术

目前，网络技术的飞速发展，当今社会已经走进智能信息时代，网络平台资源信息的开放使各个行业领域都能够共享信息，因此，人们对网络课程资源的需求也更加迫切。在线教学资源的增多，引发教学资源“信息过载”，通常推荐算法有协同过滤推荐算法、混合推荐算法和基于内容的推荐算法等，传统协同过滤的算法存在计算特征单一，计算量大的问题。为了使用户推荐负荷个性化需求的资源，而个性化资源推荐的出现则正好解决了用户与教学资源信息过载的问题，但个性化资源推荐构建用户与资源之间联系，但使用户接受信息数据内容会出现严重失衡，从而降低了用户与教学资源信息的匹配度和用户体验度。

发明内容

有鉴于此，本发明提供了一种提高对用户教学资源推荐精准度、推荐质量和更好满足用户个性化推荐服务的基于教学大数据的智能推荐方法，来解决上述存在的技术问题，具体采用以下技术方案来实现。

本发明提供了一种基于教学大数据的智能推荐方法，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。

作为上述技术方案的进一步改进，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。

作为上述技术方案的进一步改进，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。

作为上述技术方案的进一步改进，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：