[发明专利]网络公开课的推荐方法、系统和移动终端

说明书

技术领域

本发明涉及智能推荐技术领域，尤其涉及一种网络公开课的推荐方法、系统和移动终端。

背景技术

随着互联网的发展，网络上的学习资源越来越丰富。网络公开课作为当下高质量的学习资源，深受互联网用户的喜爱，成为人们获取知识的重要方式。面对大量的网络公开课资源，用户寻找感兴趣的课程变得非常困难。当前的网络公开课学习系统多依靠热门统计方式向用户推荐课程资源，缺乏个性化，因此不能满足差异化的学习需求。虽然用户可以根据分类导航或者采用搜索关键词方式检索、筛选可能感兴趣的课程，但是费时费力。

现有技术中公开了一些网络学习资源的推荐方法，例如：分析学习者访问基于扩展主题图的网络学习系统的行为数据，获得学习者及其群组对学习内容相关的概念和知识元的学习兴趣路径变化模式，然后根据学习者个体及其所在群组的学习兴趣路径变化模式以及扩展主题图的学习对象之间的前后序等关系，实现给学习者主动推荐合适的学习资源的个性化推荐。其虽然能够通过分析用户的行为来预测用户的兴趣从而做出推荐，但是仍然存在一定的不足：例如需要重新计算用户对课件的偏好，该计算过程复杂度高，因此无法实时更新推荐结果，以反映用户近期的学习兴趣；在给用户推荐课件时，都没有考虑根据用户负反馈数据调整、优化推荐结果，因此使得推荐结果不够准确，因此不贴近用户的真实需求。

发明内容

鉴于现有技术中的不足，本发明目的在于提供一种网络公开课的推荐方法、系统和移动终端。旨在解决现有技术中采用传统热门统计方式向用户推荐课程资源费缺乏个性化，不能满足用户差异化的学习需求的问题，推荐结果不够准确的问题。

本发明的技术方案如下：

一种网络公开课的推荐方法，其中，所述推荐方法包括以下步骤：

A、采集网络公开课数据和用户访问网络公开课时产生的用户历史行为数据；

B、根据网络公开课数据和用户历史行为数据共同确定网络公开课的关联程度；

C、根据用户属性并结合网络公开课的关联程度，获取对用户的最终推荐列表。

所述的网络公开课的推荐方法，其中，所述步骤B中具体包括以下步骤：

B1、根据用户历史行为数据统计网络公开课被用户共同学习的频率，并以此为依据借助用户共同学习过的网络公开课的内容数据初步分析网络公开课的关联性；

B2、借助用户历史行为数据，采用回归模型学习每一类网络公开课属性的权重，并以此为依据汇总每一类网络公开课属性的相关性，确定网络公开课的关联程度。

所述的网络公开课的推荐方法，其中，所述步骤B1中进一步包括以下步骤：

B11、根据用户历史行为数据，构建网络公开课之间的共同学习的无向带权图，将共同学习的频率作为边的权值，用于对网络公开课的内容特征进行扩充；

B12、根据网络公开课的内容特征扩充后的向量，初步计算相应的网络公开课之间的关联程度；

B13、汇总所有的网络公开课之间的关联程度，初步形成网络公开课的关联表。

所述的网络公开课的推荐方法，其中，所述步骤B2中，采用线性回归模型学习每一类网络公开课属性的权重。

所述的网络公开课的推荐方法，其中，所述步骤B2中，在回归模型中引入用于提高回归学习的准确性的样本置信度，所述置信度的计算方法如下：

conf(i,j)＝1.0+σ×|U(i)∩U(j)|；

其中，σ为调节参数，取值为正数；i、j分别代表网络公开课标号；|U(i)|、|U(j)|分别为学习网络公开课i和网络公开课j的用户数量，所述|U(i)∩U(j)|为共同学习课程i和课程j的用户数量。

所述的网络公开课的推荐方法，其中，所述步骤C中用户属性包括：已登陆用户属性和未登陆用户属性，其中，所述已登陆用户属性进一步包括：用户日志的时间信息。

所述的网络公开课的推荐方法，其中，所述步骤C中进一步包括以下步骤：

针对已登陆用户属性：

C11、根据用户日志的时间信息对用户行为按时间倒序方式排序，得到行为列表；

C12、结合网络公开课的关联程度，获取与用户当前学习课程相关的课程，形成用户推荐列表，

C13、判断所述已登录用户属性是否包括用户日志的负反馈数据信息，若是则转向步骤C14，否则向用户推荐所述用户推荐列表；

C14、根据用户日志的负反馈数据信息，剔除与所述负反馈数据信息对应的课程，调整所述用户推荐列表后向用户推荐；针对未登录用户属性：