[发明专利]一种基于协同过滤的学习复习题库推荐方法

说明书

技术领域

本发明涉及现代化学习平台领域，具体是一种基于协同过滤的学习复习题库推荐方法。

背景技术

题库即试题库，按照不同的学科门类以及其内在联系，将不同的试题分门别类地汇集起来，为特定学科知识和技能测试提供备选试题的一种系统资源。一般意义上说，它比普通的试题集数量更为庞大。

国家《教育部教育资源建设技术规范》(CELTS一41.1)的定义，试题库(Item Bank)是按照一定的教育测量理论，在计算机系统中实现的某个学科题目的集合，它是严格遵循教育测量理论，在精确的数学模型基础上建立起来的教育测量工具。试题库并不是简单地将某一科目的练习题或考试题做简单地收集存入计算机，这种作法，充其量只是一个习题集，是题目堆积的仓库，并不是试题库。完整意义上的题库，除了具有录入存储试题的功能外，还应具备查询功能、智能组卷、分析反馈等功能。他就相当于一个数据库，可以从里面调用，完善。

现有的题库只能由用户自己搜索所需题目，无法根据用户答题类型推荐想换题目，效率较低。

发明内容

本发明的目的在于提供一种能够向答题的用户推荐相关题目的基于协同过滤的学习复习题库推荐方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于协同过滤的学习复习题库推荐方法，包括以下步骤：

一、建立用户-数学题答题数矩阵，根据数学题p的热度h_p的计算公式为每一个数学题计算数学题热度；

二、对于待推荐的当前用户，该用户答题的数学题数大于20，则根据优化的Pearson相关系数计算公式计算用户与当前用户的相似度，采用Top-N的方法得出由N位用户组成的初步相似邻居集；

三、利用内容过滤从步骤二中的N位相似邻居选出M位相似邻居作为可信邻居；

四、由M位可信邻居对数学题p的答题数预测用户a对数学题p的答题数；根据Top-N原则选出预测答题数高的数学题组成当前用户最终的推荐数学题集。

作为本发明进一步的方案：步骤二中当前用户答题的数学题数少于20，为了提高推荐质量，直接利用用户的兴趣模型，计算用户与数学题之间的相似度，利用相似度由高到低推荐数学题。

作为本发明进一步的方案：所述用户与数学题之间的相似度由欧氏距离计算公式计算：

其中u_i表示当前用户，p_i表示当前数学题。

作为本发明进一步的方案：步骤一中建立用户-数学题答题数矩阵的方法包括以下步骤：

(1)提取数学题特征

对数学题的内容进行特征提取形成特征矩阵；

(2)建立用户-数学题答题数矩阵

收集用户对数学题的答题数得到用户-数学题答题数矩阵。

作为本发明进一步的方案：步骤一中数学题p的热度h_p的计算公式如下:

其中，N表示用户总数(包括未对数学题p答题数的用户)，r_i,p表示用户i对数学题p的答题数(i∈1…N)；在计算答题数和时，如果用户i对数学题p没有答题数记录，则跳过该用户；可知，对数学题进行答题数的人越多且答题数越高，则数学题越热，热度的值域为:0<h_p<Max{r_i,p}。

作为本发明进一步的方案：步骤二中优化的Pearson相关系数计算公式如下:

给定用户集U、数学题集P以及用户-数学题答题数矩阵R，表示用户u对数学题p答题数的平均值。

作为本发明进一步的方案：步骤三中利用内容过滤从步骤二中的N位相似邻居选出M位相似邻居作为可信邻居的方法包括以下步骤：

(1)根据步骤一中的用户-数学题答题数选择用户喜欢的数学题特征建立用户的兴趣链表，建立用户的兴趣模型；

(2)计算用户之间的相似度

利用用户的兴趣模型计算N位邻居与当前用户的相似度；

(3)根据步骤(2)中计算的N位邻居与当前用户的相似度对N位邻居重新排序，选出前M位作为可信邻居。

作为本发明进一步的方案：所述步骤(2)中计算N位邻居与当前用户的相似度的度量公式如下: