[发明专利]一种图书馆（学习空间）的学习推荐方法

摘要

本发明公开一种可以应用于图书馆，学习空间的学习推荐方法。有效解决现有推荐类算法对于学习推荐的“精准跑偏”推荐问题。当学习类算法应用到学习推荐上，容易因为用户的操作数据越多，越精准的掌握客户的喜好，将原本要学习“枯燥”专业知识的客户，直接推荐一些很难经住“诱惑”的，对用户而言“更有趣”、“更喜欢”、“更娱乐类”的个性化推荐的视频或者书籍资料中，从而影响客户学习。本发明的推荐方法有效的解决该问题，并提出了一种未来以用户为主题的，智慧图书馆的发展新方向。

主权项

1.一种图书馆（学习空间）的学习推荐方法，其主要特征和实现步骤为：步骤1：用户身份识别；进行登录用户的身份效验，其所述用户身份效验，包括但不局限于以下效验方式：账号登录信息、指纹登录信息、虹膜登录信息、掌纹登录信息、面部识别（人脸识别）登录信息，身份效验同已有身份信息比对，相同，则使用同一独立ID和独立数据库，不同，则为该用户新建ID和独立信息数据库，其所述指纹登录方式需要从指纹识别设备获取数据，其所述虹膜登录方式需要从虹膜识别设备获取数据，其所述掌纹登录方式需要从掌纹识别设备获取数据，其所述人脸识别登录方式需要从人脸识别装置获取数据，其中所述用户独立信息数据库，以用户ID作为所述信息数据库的唯一标识，其所述的独立信息数据库为存储该ID用户所对应的空间内操作信息、个人信息的数据库；步骤2：用户信息获取；进行用户信息获取，包括获取用户个人信息、用户操作信息，其中所述用户个人信息包括但不局限于以下信息：用户个人情况信息，个人所在领域或专业信息、个人短期目标或学习目标信息，获取机构信息相关信息，其中所述机构相关信息包括但不局限于以下信息：机构所在领域、机构性质、机构作用、机构培养不同人员的培养目的、培养方式、培养方法、考核培养效果的考核方式，；获取领域（行业或专业）信息，其中所述领域（行业或专业）信息包括但不局限于以下信息：领域（行业或专业）涉及具体学科、领域（行业或专业）涉及的具体特征知识点、领域（行业或专业）发展趋势、领域（行业或专业）发展现状、领域（行业或专业）发展历史，；步骤3：为用户建立特征标签；根据用户的学业目标或短期目标信息，结合用户所在领域（行业或专业）信息、所在机构或单位信息、用户操作信息，进行所有关联信息的特征标签提取，建立用户特征标签库，其中所述用户特征标签库可为全部用户特征标签存储，或为将同语义（近义词）特征标签进行归类，建立特征标签同类（近义词）知识图谱，形成由多个上级特征标签同义词知识图谱组成的用户特征标签库；并为所有特征标签（上级特征标签同义词知识图谱）建立学习计数，其中所述学习计数为用户浏览相关知识点次数、检索相关知识点次数计数每检索或浏览一次，响应增加计数值；步骤4：用户学习需求数据处理：根据需求目标建立不同用户特征标签的“需求值”，其所述用户特征标签的需求值，为用户需要学习的所述该用户对应的特征标签的知识点（特征标签同类知识图谱的知识点）需要学习的迫切度，建立量化等级；其所述需求目标为以下目标但不局限于以下目标：用户短期目标数据、学业目标数据、所使用学习空间单位（机构）培养目数据，其所述需求值，增加需求值（计数或等级范围）的条件，包括但不限于以下增加需求值的条件，且没顺序要求：根据用户短期目标或用户学习目标数据，确定用户需要学习的知识点的覆盖范围（领域或专业行业），为所述覆盖范围内的知识点，增加需求值，其所述学习空间单位（机构）培养目标和计划的用户需要所学知识点的覆盖范围（领域或专业行业），为所述覆盖范围的知识点，增加需求值，为用户短期目标（用户学习目标）和空间单位（机构）培养目标和计划的用户需要学习知识点的覆盖范围交集，其所述的覆盖范围知识点，增加需求值，具体培养课程涉及知识点，其所述知识点均增加需求值，行业要求标准或考试大纲标准中涉及的知识点，根据而不同知识点的对应应学程度，应掌握程度，应懂程度，对应不同程度增加需求值；步骤5：用户学习推荐；建立用户操作偏好特征标签计数，其所述用户操作特征标签计数为用户在学习空间中的操作行为的个人偏好数据，根据用户对不同特征标签所在相关知识点的偏好程度，对特征标签进行用户“偏好计数”，其所述“偏好计数”增加偏好计数的条件，包括但不局限于以下条件，且无顺序要求：用户检索信息点涉及的知识点，其所述知识点增加偏好计数，用户浏览信息点涉及的知识点，其所述知识点增加偏好计数，其所述属于的用户群中，偏好计数较高的涉及知识点，对应不同程度增加偏好计数；通过前几步骤建立的个体用户特征标签，具有“学习计数值”，“需求值”，其中所述的计数值为特征标签相关词的浏览数量，其所属的需求值为该特征标签相关词的需要被学习的需求度，当对用户进行推荐学习知识点相关书籍资料时，同一特征标签的“学习计数值”，反向，影响同一特征标签的“需求值”在用户推荐计算中的所占权重，需求值和所占推荐算法的权重的乘积，同用户“偏好计数”共同作为学习推荐的基础数据推荐，并具有类似特征标签群的用户做用户归类，形成相似“特征标签的用户群”，一个用户可以同时属于多种类特征标签用户群。