[发明专利]一种基于知识关联的学习资源协同过滤推荐方法及系统

说明书

本发明属于个性化智能推荐领域，公开了一种基于知识关联的学习资源协同过滤推荐方法及系统,结合知识间关联关系和资源与知识点的关联关系，在用户相似度计算和兴趣度计算方法中引入与学习者相关联的知识点信息，进而获得目标学习者的最近邻用户群，并构建学习者‑学习资源兴趣度评分矩阵；接着，通过相似用户群的知识点偏好预测当前用户尚未学习且可能感兴趣的资源的兴趣度评分；最后，选取兴趣度评分较高的N个结果推荐给当前学习者。本发明统筹学习者、知识点和学习资源三者之间的关系设计了一种基于知识关联的学习资源协同过滤推荐算法，使得推荐结果更符合学习者的实际学习需求。

技术领域

本发明属于个性化智能推荐领域，尤其涉及一种基于知识关联的学习资源协同过滤推荐方法及系统。

背景技术

目前，业内常用的现有技术是这样的：

在信息技术飞速发展的今天，面对互联网上海量的学习资源，学习者往往会面临“资源迷航”的问题，亟需个性化智能推荐系统来提高学习效率。协同过滤利用群体智慧为用户提供推荐服务，迅速成长为个性化推荐系统中应用最广泛的一项技术。

例如，Yang YJ等采用蚁群算法和Kolb学习风格模型设计了AACS学习资源推荐系统，该系统依据学习者特征，为学习者提供个性化的服务。王永固等人提出了学习资源的个性化推荐技术，通过设置用户与学习资源之间的相似度阈值引入内容过滤来解决协同过滤的“冷启动”问题，引入隐式评分法来缓解“数据稀疏”问题。叶树鑫等从学习者与学习资源出发，根据学习者学习特征、学习资源特征和学习者对学习资源历史评价信息，引入基于内存的协同过滤推荐算法，实现学习资源推荐。

综上所述，现有技术存在的问题是：

研究者大多从学习者和资源两个维度进行研究，试图找出与目标学习者相似的群体，根据匹配相似用户群的学习记录和偏好产生推荐。这种传统的协同过滤在电子商务领域或许够用，在一定程度上能够缓解“冷启动”和“数据稀疏”问题，但是在教育领域，只有充分挖掘学习者与知识之间的内在联系，才能有效提高用户相似度计算的准确度。

针对现有学习资源协同过滤推荐系统中由于“冷启动”和“数据稀疏”导致的用户相似度计算不准确，兴趣度评分预测准确率低下以及推荐质量不高的问题。本发明从学习者-知识点-学习资源三维空间出发，设计了一种基于知识关联的学习资源协同过滤推荐方法，通过建立学习者、知识点与学习资源关联模型，在传统协同过滤算法的用户相似度计算和评分预测中加入与学习者相关的知识信息，结合Top-N推荐方法将推荐结果反馈给学习者，更有利于使推荐结果符合学习者的学习需求，提高学习资源个性化推荐的准确率和推荐质量。

发明内容

针对现有技术存在的问题，本发明提供了一种基于知识关联的学习资源协同过滤推荐方法及系统。

本发明是这样实现的，一种基于知识关联的学习资源协同过滤推荐方法，包括：

构建学习者、知识点与学习资源三维关联模型；数据源于学习者基本信息库、学习行为数据库、知识点间关联库和知识点与学习资源关联库；

获取与目标学习者关联的知识点信息，结合知识点与学习资源的关联，将知识点与资源之间的关联权重映射为学习者与知识点的关联权重，构建学习者与父知识点的权重向量矩阵，进一步度量学习者之间的相似性并获取目标学习者的最近邻用户群；

将学习者所学资源与知识点的关联和隐式评分法结合，构建学习者-学习资源兴趣度评分矩阵；

结合最近邻用户群和经过k-means算法处理后的兴趣度评分矩阵，利用相似用户群的偏好预测当前学习者可能感兴趣的资源的兴趣度评分。

对系统预测的兴趣度评分降序排列，选择评分较高的N个序列结果推荐给目标学习者。

进一步，构建学习者、知识点与学习资源三维关联模型，包括：