[发明专利]一种在线教育场景下的混合推荐系统

权利要求书

1.一种在线教育场景下的混合推荐系统，其特征在于，包括：

构建模块：用于构建若干个不同的子推荐引擎；所述子推荐引擎包括基于用户行为的第一推荐引擎、基于用户偏好及人口统计的第二推荐引擎、以及基于内容相似度的第三推荐引擎；

混合推荐模块：用于接收查询用户录入的用户信息，将所述用户信息与所述子推荐引擎进行匹配；当子推荐引擎匹配成功时，根据该子推荐引擎生成该用户信息对应的推荐内容，返回给对应的查询用户。

2.根据权利要求1所述在线教育场景下的混合推荐系统，其特征在于，所述第一推荐引擎通过以下方法构建：

采集用户的历史行为；

对所述历史行为进行清洗转化，构建评分矩阵；

采用所述评分矩阵分别训练出基于物品的协同过滤模型以及基于用户的协同过滤模型；

根据预设的优化策略对基于物品的协同过滤模型和基于用户的协同过滤模型进行融合，得到所述第一推荐引擎。

3.根据权利要求2所述在线教育场景下的混合推荐系统，其特征在于，所述评分矩阵包括物品相似度矩阵，所述物品相似度矩阵的构建方法包括：

从预设的物品候选集中选取两个不同的物品，分别统计对该两个物品有过历史行为的用户总数，以及同时对该两个物品有过历史行为的用户总数，计算该两个物品间的相似度；

依次遍历物品候选集中所有的物品，计算所有物品间的相似度，构建所述物品相似度矩阵；

基于物品的协同过滤模型的训练方法包括：

获取目标用户在预设的时间段内有过历史行为的物品，筛选出与该物品间的相似度大于预设值、且目标用户未发生过历史行为的物品作为推荐内容。

4.根据权利要求2所述在线教育场景下的混合推荐系统，其特征在于，所述评分矩阵包括用户相似度矩阵，所述用户相似度矩阵的构建方法包括：

选取两个不同的用户，分别统计该两个用户有过历史行为的物品总数，以及该两个用户同时有过历史行为的物品总数，计算该两个用户间的相似度；

依次遍历所有用户，计算所有用户间的相似度，构建所述用户相似度矩阵；

基于用户的协同过滤模型的训练方法包括：

获取与目标用户相似度较高的用户，筛选出与获取到的用户有过历史行为、且目标用户还未发生过历史行为的物品作为推荐内容。

5.根据权利要求2所述在线教育场景下的混合推荐系统，其特征在于，

所述历史行为包括用户的点击行为、收藏行为和购买行为；

所述优化策略包括热门物品降权和时效性衰减。

6.根据权利要求5所述在线教育场景下的混合推荐系统，其特征在于，

所述热门物品降权的计算方法为：物品间的相似度乘以1/(log(1+N(i))),其中N(i)为物品总数；

所述时效性衰减的计算方法为：物品间的相似度乘以时间衰减函数f(t₂,t₁)，t₂为最近一次历史行为时间，t₁为上一次历史行为时间。

7.根据权利要求2所述在线教育场景下的混合推荐系统，其特征在于，所述第二推荐引擎的训练方法包括：

根据所述用户的历史行为计算基于不同维度下的热门物品排行榜以及用户历史行为统计数据；

结合该用户的所述用户信息与所述用户历史行为统计数据，构建该用户不同生命周期下的偏好结果；

设置不同时期的行为权重，利用该行为权重对不同时期的偏好信息进行加权求和，得出用户完整生命周期下的偏好信息；

通过用户完整生命周期下的偏好信息，查询热门物品排行榜，返回多个推荐物品候选集，根据预设的占比对推荐物品候选集进行融合，得到最终推荐列表。