[发明专利]一种基于隐式属性和隐式关系挖掘的知识点推荐方法

说明书

技术领域

本发明涉及一种知识点推荐方法，具体涉及一种基于隐式属性和隐式关系挖掘的知识点推荐方法。

背景技术

个性化推荐系统如今已经广泛运用于在线购物、影视娱乐、社交网络等多个领域、各种平台上。传统的推荐系统中，主要是通过用户的显示属性、显示关系为依据进行推荐，如电子商务和电影网站等有显式的购买记录和显示评分，社交网络有显式的关注与被关注，好友等显示关系。而这些推荐往往忽略了在这些显式信息背后大量的隐式反馈信息。尤其在网络学习领域，学习者对学习过的课程视频等教学资源缺少显示的反馈，比如观看后的评价，另一方面学习者与学习者之间也缺少显式关联。

相比评分反馈等显示属性，隐式特征更难定义，针对隐式信息和隐私关系的挖掘也更具有挑战性。已有的隐式信息获取的研究主要是针对用户评论部分进行抽取，以文本分析为主。Liu B等最早提出了利用显示Feature-Opinion的映射关系来抽取隐式属性。Poria S等提出在英语环境下，利用常识性的知识和句子的依存树来检测文本中的隐式和显示属性。Xu H等从扩展的文档主题生成模型构建的显示模型，抽取隐式属性。张莉等提出根据在匹配到意见词和字典原有的意见词之间的相似度的情况下，使用多策略隐式属性提取算法抽取字典中的隐式属性。

与此同时，基于大数据的隐式反馈数据的研究日渐增多。例如李峰等设计了一种改进的基于隐式反馈的自适应用户兴趣模型，改进了现有模型建立和更新阶段漂移策略的缺陷；印鉴等提出了潜在要素模型IFRM(Implicit Feed-back Recommendation Model，IFRM)，将推荐问题转化为概率优化问题，并克服了没有负反馈造成的不平衡类标问题(Unbalanced Class Problem)，克服在隐式反馈推荐场景下只有正反馈而缺乏负反馈导致的困难。王智圣等提出了在线隐式反馈推荐模型(online Implicit Feed-back Recommendation Model，oIFRM)通过动态调节学习步长，在降低噪声影响的同时强化了学习用户的兴趣转移。李宝等结合学习过程中动态数据和静态数据构建学习者特征模型，将它和资源特征协同过滤，比较相似度，实现推荐。

总之，已有的与隐式属性、隐式关系相关的推荐技术中，主要利用了数学统计、机器学习和数据挖掘的方法，对数据集中的隐式特征或者隐式关系进行挖掘，用在推荐算法中，得出推荐的对象或者推荐的路径。然而多是针对隐式属性或隐式关系中的一个方面进行推荐，而不是将它们两者结合起来，这从一定程度上影响了个性推荐的准确性。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种基于隐式属性和隐式关系挖掘的知识点推荐方法，该方法能够实现基于隐式属性及隐式关系挖掘进行知识点的推荐。

为达到上述目的，本发明所述的基于隐式属性和隐式关系挖掘的知识点推荐方法包括以下步骤：

1)获取网络学习者的隐式属性；

2)获取网络学习者之间的隐式关系；

3)根据步骤1)获取得到的网络学习者的隐式属性构建隐式兴趣因子矩阵C；

4)根据步骤2)获取的网络学习者之间的隐式关系构建网络学习者的隐式关系矩阵R；

5)基于步骤3)构建的隐式兴趣因子矩阵C及步骤4)构建的网络学习者的隐式关系矩阵R进行协同过滤推荐，获取满足用户偏好的知识点，然后将满足用户偏好的知识点推荐给用户，完成基于隐式属性和隐式关系挖掘的知识点推荐。

所述网络学习者的隐式属性包括网络学习者对学习平台选择的偏好，网络学习者对网络学习时间段的偏好以及网络学习者通过拖动、暂停视频表现出的对某个知识点的感兴趣度。

网络学习者对学习平台的选择偏好度为：

其中，p_i为网络学习者i在该门课程学习中使用PC端平台的日志数量，T_i为网络学习者i在该门课程学习中所有日志数量，s为该门课程所有学习者的数量。

一天中网络学习者对网络学习时间段的偏好度k₂为网络学习者在一个完整学期中在该门课程的学习过程中，倾向在白天学习的程度，即

其中，d_i为网络学习者i在该门课程学习过程中白天的日志数量；

一周中网络学习者对网络学习时间段的偏好度为网络学习者在一个完整学期中在该门课程的学习过程中，倾向在周内学习的程度，即