个性化学习资源推荐系统.pdf

《个性化学习资源推荐系统.pdf》由会员分享，可在线阅读，更多相关《个性化学习资源推荐系统.pdf（17页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910435651.6 (22)申请日 2019.05.23 (71)申请人 北京奥鹏远程教育中心有限公司 地址 100081 北京市海淀区西三环北路2号 院中关村国防科技园2号楼13层 (72)发明人 吴雪龚亚勋谢昆秦军燕 (74)专利代理机构 北京集智东方知识产权代理 有限公司 11578 代理人 陈亚斌关兆辉 (51)Int.Cl. G06F 16/9035(2019.01) G06F 16/907(2019.01) (54)发明名称 个性化学习资源推荐系统 (57)。

2、摘要 本发明公开了一种个性化学习资源推荐系 统， 包括： 日志数据库； 课程推荐模块， 用于利用 训练好的课程推荐模型预测用户对各课程的偏 好程度； 研修日志推荐模块， 用于利用训练好的 研修日志推荐模型预测用户对各研修日志的偏 好程度； 信息技术技巧推荐模块， 用于利用训练 好的信息技术技巧推荐模型预测用户对各信息 技术技巧的偏好程度； 研修活动推荐模块， 用于 利用训练好的研修活动推荐模型预测用户对各 研修活动的偏好程度； 资源推荐模块， 用于利用 训练好的资源推荐模型预测用户对各资源的偏 好程度； 推荐结果数据库。 本发明能在教育云平 台实现个性化学习功能。 权利要求书4页 说明书11页。

3、 附图1页 CN 110209899 A 2019.09.06 CN 110209899 A 1.一种个性化学习资源推荐系统， 其特征在于， 包括： 日志数据库， 用于存储用户课程选择信息、 用户研修日志访问信息、 用户信息技术技巧 浏览信息、 用户研修活动参与信息以及用户资源访问信息； 课程推荐模块， 用于从所述日志数据库读取用户课程选择信息， 并将所述用户课程选 择信息进行处理得到用户课程推荐训练数据， 将所述用户课程推荐训练数据输入到预设的 课程推荐模型进行训练， 得到训练好的课程推荐模型， 利用所述训练好的课程推荐模型预 测用户对各课程的偏好程度， 将偏好程度高的课程作为推荐课程； 研。

4、修日志推荐模块， 用于从所述日志数据库读取用户研修日志访问信息， 并将所述用 户研修日志访问信息进行处理得到用户研修日志推荐训练数据， 将所述用户研修日志推荐 训练数据输入到预设的研修日志推荐模型进行训练， 得到训练好的研修日志推荐模型， 利 用所述训练好的研修日志推荐模型预测用户对各研修日志的偏好程度， 将偏好程度高的研 修日志作为推荐研修日志； 信息技术技巧推荐模块， 用于从所述日志数据库读取用户信息技术技巧浏览信息， 并 将所述用户信息技术技巧浏览信息进行处理得到用户信息技术技巧推荐训练数据， 将所述 用户信息技术技巧推荐训练数据输入到预设的信息技术技巧推荐模型进行训练， 得到训练 好的。

5、信息技术技巧推荐模型， 利用所述训练好的信息技术技巧推荐模型预测用户对各信息 技术技巧的偏好程度， 将偏好程度高的信息技术技巧作为推荐信息技术技巧； 研修活动推荐模块， 用于从所述日志数据库读取用户研修活动参与信息， 并将所述用 户研修活动参与信息进行处理得到用户研修活动推荐训练数据， 将所述用户研修活动推荐 训练数据输入到预设的研修活动推荐模型进行训练， 得到训练好的研修活动推荐模型， 利 用所述训练好的研修活动推荐模型预测用户对各研修活动的偏好程度， 将偏好程度高的研 修活动作为推荐研修活动； 资源推荐模块， 用于从所述日志数据库读取用户资源访问信息， 并将所用户资源访问 信息进行处理得到。

6、用户资源访问推荐训练数据， 将所述用户资源访问推荐训练数据输入到 预设的资源推荐模型进行训练， 得到训练好的资源推荐模型， 利用所述训练好的资源推荐 模型预测用户对各资源的偏好程度， 将偏好程度高的资源作为推荐资源； 推荐结果数据库， 用于存储所述推荐课程、 推荐研修日志、 推荐信息技术技巧、 推荐信 息技术技巧以及推荐资源。 2.如权利要求1所述的个性化学习资源推荐系统， 其特征在于， 所述课程推荐模块包 括： 第一数据中心， 用于从所述日志数据库读取第一用户对应的第一用户课程选择信息以 及第二用户对应的第二用户课程选择信息， 并将所述第一用户课程选择信息进行处理得到 第一用户课程推荐训练数。

7、据， 将所述第二用户课程选择信息进行处理得到第二用户课程推 荐训练数据； 课程推荐单元， 用于将所述第一用户课程推荐训练数据输入到预设的课程推荐模型进 行训练， 得到训练好的第一课程推荐模型， 利用所述训练好的第一课程推荐模型预测第一 用户对各课程的偏好程度， 将偏好程度最高的前n门课程作为第一推荐课程； 还用于将所述 第二用户课程推荐训练数据输入到预设的课程推荐模型进行训练， 得到训练好的第二课程 推荐模型， 利用所述训练好的第二课程推荐模型预测第二用户对各课程的偏好程度， 将偏 权利要求书 1/4 页 2 CN 110209899 A 2 好程度最高的前n门课程作为第二推荐课程； 还用于计。

8、算第一用户对于第一推荐课程的推 荐度， 以及计算第二用户对于第二推荐课程的推荐度； 还用于将所述第一推荐课程的推荐 度以及第二推荐课程的推荐度通过所述第一数据中心传送至所述推荐结果数据库进行存 储； 第一流程控制单元， 用于根据所述第一数据中心传输的数据， 控制所述课程推荐单元 进行动作。 3.如权利要求2所述的个性化学习资源推荐系统， 其特征在于， 所述第一用户课程推荐 训练数据包括第一用户的ID信息， 第一用户选择课程的ID信息， 以及第一用户对第一用户 选择课程的偏好程度信息； 以及第二用户课程推荐训练数据包括第二用户的ID信息， 第二 用户选择课程的ID信息， 以及第二用户对第二用户选。

9、择课程的偏好程度信息； 所述偏好程度信息p通过如下第一公式计算得到： p1+4(Min( ,d/c)/ 其中d表示第一用户选择课程或第二用户选择课程的平均浏总时长， c表示第一用户选 择课程或第二用户选择课程的浏览次数， 表示预设的转换系数； 所述推荐度r通过如下第二公式计算得到： r80+20(p_cur-p_min)/(p_max-p_min) 其中， p_cur表示预测的第一用户对第一用户选择课程的偏好程度， p_max为第一用户 推荐的所有课程中偏好程度的最大值， p_min为第一用户推荐的所有课程中偏好程度的最 小值； 或者， p_cur表示预测的第二用户对第二用户选择课程的偏好程度。

10、， p_max为第二用户 推荐的所有课程中偏好程度的最大值， p_min为第二用户推荐的所有课程中偏好程度的最 小值。 4.如权利要求3所述的个性化学习资源推荐系统， 其特征在于， 所述研修日志推荐模型 包括： 第二数据中心， 用于从所述日志数据库读取第一用户对应的第一用户研修日志访问信 息以及第二用户对应的第二用户研修日志访问信息， 并将所述第一用户研修日志访问信息 进行处理得到第一用户研修日志推荐训练数据， 将所述第二用户研修日志访问信息进行处 理得到第二用户研修日志推荐训练数据； 第一用户研修日志访问信息包括第一用户访问过 的m个研修日志； 第二用户研修日志访问信息包括第二用户访问过的m。

11、个研修日志； 内容相似度单元， 用于分别对第一用户或第二用户访问过的m个研修日志， 获得与各日 志最相似的n1/m个日志， 将n1/m个日志组合得到n1个研修日志推荐结果； 协同过滤单元， 用于预测第一用户或第二用户对m个研修日志中每个日志的热门度， 取 热门度最高的前n2个研修日志作为研修日志推荐结果； n1为大于m的整数， n2为小于m的整 数； 热门度h通过如下第三公式计算得到： hw1mt/(max(mt,now-t)+w2(min(ml,nl)/ml+w3ns/5+w4(min(mr,nr)/ mr+w5(min(mc,nc)/mc 其中， w1-w5为权重系数， t为日志发布时间，。

12、 now为当前时间， mt为发布时间系数， 默认 值为1， nl为点赞次数， ml为点赞次数系数， ns为平均评星等级， nr为阅读数， mr为阅读数系 数， nc为评论数， mc为评论数系数； 研修日志推荐结果获取单元， 用于对内容相似度模型以及协同过滤模型得到的nn1+ 权利要求书 2/4 页 3 CN 110209899 A 3 n2个推荐结果进行排序， 得到排好序的n个推荐结果； 还用于计算第一用户对于研修日志推 荐结果的推荐度， 以及计算第二用户对于研修日志推荐结果的推荐度； 还用于将所述第一 用户以及第二用户对于研修日志推荐结果的推荐度通过所述第一数据中心传送至所述推 荐结果数据库。

13、进行存储； 所述第一用户或第二用户对于研修日志推荐结果的推荐度r通过如下第四公式计算得 到： r80+20(n-pi)/(n-1) 其中， n为第一用户或者第二用户推荐的研修日志数， pi为第一用户或者第二用户推荐 的研修日志在推荐列表中的按热门度从高到低的排名位置； 第二流程控制单元， 用于根据所述第二数据中心传输的数据， 控制所述内容相似度单 元、 协同过滤单元以及研修日志推荐结果获取单元进行动作。 5.如权利要求4所述的个性化学习资源推荐系统， 其特征在于， 所述信息技术技巧推荐 模块包括： 第三数据中心， 用于从所述日志数据库读取第一用户对应的第一用户信息技术技巧浏 览信息以及第二用户。

14、对应的第二用户信息技术技巧浏览信息， 并将所述第一用户信息技术 技巧浏览信息进行处理得到第一用户信息技术技巧推荐训练数据， 将所述第二用户信息技 术技巧浏览信息进行处理得到第二用户信息技术技巧推荐训练数据； 信息技术技巧推荐单元， 用于将所述第一用户信息技术技巧推荐训练数据输入到预设 的第一信息技术技巧推荐模型进行训练， 得到训练好的第一信息技术技巧推荐模型， 利用 所述训练好的第一信息技术技巧推荐模型预测第一用户对各信息技术技巧的偏好程度， 将 偏好程度最高的前n个信息技术技巧作为第一推荐信息技术技巧； 还用于将所述第二用户 信息技术技巧推荐训练数据输入到预设的第二信息技术技巧推荐模型进行训。

15、练， 得到训练 好的第二信息技术技巧推荐模型， 利用所述训练好的第二信息技术技巧推荐模型预测第二 用户对各信息技术技巧的偏好程度， 将偏好程度最高的前n个信息技术技巧作为第二推荐 信息技术技巧； 还用于计算第一用户对于第一推荐信息技术技巧的推荐度， 以及计算第二 用户对于第二推荐信息技术技巧的推荐度； 还用于将所述第一推荐信息技术技巧的推荐度 以及第二推荐信息技术技巧的推荐度通过所述第一数据中心传送至所述推荐结果数据库 进行存储； 其中， 第一信息技术技巧推荐模型为基于混合相似度的协同过滤模型； 第二信息 技术技巧推荐模型为基于用户特征的热门度模型； 第三流程控制单元， 用于根据所述第三数据中。

16、心传输的数据， 控制所述信息技术技巧 推荐单元进行操作。 6.如权利要求5所述的个性化学习资源推荐系统， 其特征在于， 所述研修活动推荐模块 包括： 第四数据中心， 用于从所述日志数据库读取用户研修活动参与信息， 并将所述用户研 修活动参与信息进行处理得到用户研修活动推荐训练数据； 研修活动推荐单元， 用于将所述用户研修活动推荐训练数据输入到预设的研修活动推 荐模型进行训练， 得到训练好的研修活动推荐模型， 利用所述训练好的研修活动推荐模型 预测用户对各研修活动的偏好程度， 将偏好程度高的研修活动作为推荐结果， 所述研修活 动推荐单元为基于特征的热门度模型； 权利要求书 3/4 页 4 CN 。

17、110209899 A 4 第四流程控制单元， 用于根据所述第四数据中心传输的数据， 控制所述研修活动推荐 单元进行操作。 7.如权利要求6所述的个性化学习资源推荐系统， 其特征在于， 所述资源推荐模块包 括： 第五数据中心， 用于从所述日志数据库读取第一用户对应的第一用户资源访问信息以 及第二用户对应的第二用户资源访问信息， 并将所述第一用户资源访问信息进行处理得到 第一用户资源推荐训练数据， 将所述第二用户资源访问信息进行处理得到第二用户资源推 荐训练数据； 资源推荐单元， 用于将所述第一用户资源推荐训练数据输入到预设的资源推荐模型进 行训练， 得到训练好的第一资源推荐模型， 利用所述训练。

18、好的第一资源推荐模型预测第一 用户对各资源的偏好程度， 将偏好程度最高的前n个资源作为第一推荐资源； 还用于将所述 第二用户资源推荐训练数据输入到预设的资源推荐模型进行训练， 得到训练好的第二资源 推荐模型， 利用所述训练好的第二资源推荐模型预测第二用户对各资源的偏好程度， 将偏 好程度最高的前n个资源作为第二推荐资源； 还用于计算第一用户对于第一推荐资源的推 荐度， 以及计算第二用户对于第二推荐资源的推荐度； 还用于将所述第一推荐资源的推荐 度以及第二推荐资源的推荐度通过所述第一数据中心传送至所述推荐结果数据库进行存 储； 第五流程控制单元， 用于根据所述第五数据中心传输的数据， 控制所述资。

19、源推荐单元 进行动作。 权利要求书 4/4 页 5 CN 110209899 A 5 个性化学习资源推荐系统 技术领域 0001 本发明涉及教育云平台领域， 特别涉及一种个性化学习资源推荐系统。 背景技术 0002 原平台学习服务列表的排序， 基本使用默认或按照发布时间先后进行排序， 没有 考虑用户在平台的各种行为习惯及学习偏好等因素， 导致在向用户推荐课程或活动时， 展 现给用户的课程或活动的列表基本相同， 机械而无个性化差异。 原平台对多个模块的个性 化推荐也基本采用相同的默认列表的形式提供选择， 无法根据每个模块的功能和内容为用 户选择最优列表进行展示。 发明内容 0003 有鉴于此， 。

20、本发明旨在提供一种个性化学习资源推荐系统， 以在教育云平台实现 个性化学习功能。 0004 具体而言， 本发明提供一种个性化学习资源推荐系统， 包括： 日志数据库， 用于存 储用户课程选择信息、 用户研修日志访问信息、 用户信息技术技巧浏览信息、 用户研修活动 参与信息以及用户资源访问信息； 0005 课程推荐模块， 用于从所述日志数据库读取用户课程选择信息， 并将所述用户课 程选择信息进行处理得到用户课程推荐训练数据， 将所述用户课程推荐训练数据输入到预 设的课程推荐模型进行训练， 得到训练好的课程推荐模型， 利用所述训练好的课程推荐模 型预测用户对各课程的偏好程度， 将偏好程度高的课程作为。

21、推荐课程； 0006 研修日志推荐模块， 用于从所述日志数据库读取用户研修日志访问信息， 并将所 述用户研修日志访问信息进行处理得到用户研修日志推荐训练数据， 将所述用户研修日志 推荐训练数据输入到预设的研修日志推荐模型进行训练， 得到训练好的研修日志推荐模 型， 利用所述训练好的研修日志推荐模型预测用户对各研修日志的偏好程度， 将偏好程度 高的研修日志作为推荐研修日志； 0007 信息技术技巧推荐模块， 用于从所述日志数据库读取用户信息技术技巧浏览信 息， 并将所述用户信息技术技巧浏览信息进行处理得到用户信息技术技巧推荐训练数据， 将所述用户信息技术技巧推荐训练数据输入到预设的信息技术技巧推。

22、荐模型进行训练， 得 到训练好的信息技术技巧推荐模型， 利用所述训练好的信息技术技巧推荐模型预测用户对 各信息技术技巧的偏好程度， 将偏好程度高的信息技术技巧作为推荐信息技术技巧； 0008 研修活动推荐模块， 用于从所述日志数据库读取用户研修活动参与信息， 并将所 述用户研修活动参与信息进行处理得到用户研修活动推荐训练数据， 将所述用户研修活动 推荐训练数据输入到预设的研修活动推荐模型进行训练， 得到训练好的研修活动推荐模 型， 利用所述训练好的研修活动推荐模型预测用户对各研修活动的偏好程度， 将偏好程度 高的研修活动作为推荐研修活动； 0009 资源推荐模块， 用于从所述日志数据库读取用户。

23、资源访问信息， 并将所用户资源 说明书 1/11 页 6 CN 110209899 A 6 访问信息进行处理得到用户资源访问推荐训练数据， 将所述用户资源访问推荐训练数据输 入到预设的资源推荐模型进行训练， 得到训练好的资源推荐模型， 利用所述训练好的资源 推荐模型预测用户对各资源的偏好程度， 将偏好程度高的资源作为推荐资源； 0010 推荐结果数据库， 用于存储所述推荐课程、 推荐研修日志、 推荐信息技术技巧、 推 荐信息技术技巧以及推荐资源。 0011 进一步地， 所述课程推荐模块包括： 0012 第一数据中心， 用于从所述日志数据库读取第一用户对应的第一用户课程选择信 息以及第二用户对应。

24、的第二用户课程选择信息， 并将所述第一用户课程选择信息进行处理 得到第一用户课程推荐训练数据， 将所述第二用户课程选择信息进行处理得到第二用户课 程推荐训练数据； 0013 课程推荐单元， 用于将所述第一用户课程推荐训练数据输入到预设的课程推荐模 型进行训练， 得到训练好的第一课程推荐模型， 利用所述训练好的第一课程推荐模型预测 第一用户对各课程的偏好程度， 将偏好程度最高的前n门课程作为第一推荐课程； 还用于将 所述第二用户课程推荐训练数据输入到预设的课程推荐模型进行训练， 得到训练好的第二 课程推荐模型， 利用所述训练好的第二课程推荐模型预测第二用户对各课程的偏好程度， 将偏好程度最高的前。

25、n门课程作为第二推荐课程； 还用于计算第一用户对于第一推荐课程 的推荐度， 以及计算第二用户对于第二推荐课程的推荐度； 还用于将所述第一推荐课程的 推荐度以及第二推荐课程的推荐度通过所述第一数据中心传送至所述推荐结果数据库进 行存储； 0014 第一流程控制单元， 用于根据所述第一数据中心传输的数据， 控制所述课程推荐 单元进行动作。 0015 进一步地， 所述第一用户课程推荐训练数据包括第一用户的ID信息， 第一用户选 择课程的ID信息， 以及第一用户对第一用户选择课程的偏好程度信息； 以及第二用户课程 推荐训练数据包括第二用户的ID信息， 第二用户选择课程的ID信息， 以及第二用户对第二 。

26、用户选择课程的偏好程度信息； 0016 所述偏好程度信息p通过如下第一公式计算得到： 0017 p1+4(Min( ,d/c)/ 0018 其中d表示第一用户选择课程或第二用户选择课程的平均浏总时长， c表示第一用 户选择课程或第二用户选择课程的浏览次数， 表示预设的转换系数； 0019 所述推荐度r通过如下第二公式计算得到： 0020 r80+20(p_cur-p_min)/(p_max-p_min) 0021 其中， p_cur表示预测的第一用户对第一用户选择课程的偏好程度， p_max为第一 用户推荐的所有课程中偏好程度的最大值， p_min为第一用户推荐的所有课程中偏好程度 的最小值；。

27、 或者， p_cur表示预测的第二用户对第二用户选择课程的偏好程度， p_max为第二 用户推荐的所有课程中偏好程度的最大值， p_min为第二用户推荐的所有课程中偏好程度 的最小值。 0022 进一步地， 所述研修日志推荐模型包括： 0023 第二数据中心， 用于从所述日志数据库读取第一用户对应的第一用户研修日志访 问信息以及第二用户对应的第二用户研修日志访问信息， 并将所述第一用户研修日志访问 说明书 2/11 页 7 CN 110209899 A 7 信息进行处理得到第一用户研修日志推荐训练数据， 将所述第二用户研修日志访问信息进 行处理得到第二用户研修日志推荐训练数据； 第一用户研修日。

28、志访问信息包括第一用户访 问过的m个研修日志； 第二用户研修日志访问信息包括第二用户访问过的m个研修日志； 0024 内容相似度单元， 用于分别对第一用户或第二用户访问过的m个研修日志， 获得与 各日志最相似的n1/m个日志， 将n1/m个日志组合得到n1个研修日志推荐结果； 0025 协同过滤单元， 用于预测第一用户或第二用户对m个研修日志中每个日志的热门 度， 取热门度最高的前n2个研修日志作为研修日志推荐结果； n1为大于m的整数， n2为小于m 的整数； 热门度h通过如下第三公式计算得到： 0026 hw1mt/(max(mt,now-t)+w2(min(ml,nl)/ml+w3ns/。

29、5+w4(min(mr, nr)/mr+w5(min(mc,nc)/mc 0027 其中， w1-w5为权重系数， t为日志发布时间， now为当前时间， mt为发布时间系数， nl为点赞次数， ml为点赞次数系数， ns为平均评星等级， nr为阅读数， mr为阅读数系数， nc为 评论数， mc为评论数系数； 0028 研修日志推荐结果获取单元， 用于对内容相似度模型以及协同过滤模型得到的n n1+n2个推荐结果进行排序， 得到排好序的n个推荐结果； 还用于计算第一用户对于研修 日志推荐结果的推荐度， 以及计算第二用户对于研修日志推荐结果的推荐度； 还用于将所 述第一用户以及第二用户对于研修。

30、日志推荐结果的推荐度通过所述第一数据中心传送至 所述推荐结果数据库进行存储； 0029 所述第一用户或第二用户对于研修日志推荐结果的推荐度r通过如下第四公式计 算得到： 0030 r80+20(n-pi)/(n-1) 0031 其中， n为第一用户或者第二用户推荐的研修日志数， pi为第一用户或者第二用户 推荐的研修日志在推荐列表中的按热门度从高到低的排名位置； 0032 第二流程控制单元， 用于根据所述第二数据中心传输的数据， 控制所述内容相似 度单元、 协同过滤单元以及研修日志推荐结果获取单元进行动作。 0033 进一步地， 所述信息技术技巧推荐模块包括： 0034 第三数据中心， 用于从。

31、所述日志数据库读取第一用户对应的第一用户信息技术技 巧浏览信息以及第二用户对应的第二用户信息技术技巧浏览信息， 并将所述第一用户信息 技术技巧浏览信息进行处理得到第一用户信息技术技巧推荐训练数据， 将所述第二用户信 息技术技巧浏览信息进行处理得到第二用户信息技术技巧推荐训练数据； 0035 信息技术技巧推荐单元， 用于将所述第一用户信息技术技巧推荐训练数据输入到 预设的第一信息技术技巧推荐模型进行训练， 得到训练好的第一信息技术技巧推荐模型， 利用所述训练好的第一信息技术技巧推荐模型预测第一用户对各信息技术技巧的偏好程 度， 将偏好程度最高的前n个信息技术技巧作为第一推荐信息技术技巧； 还用于。

32、将所述第二 用户信息技术技巧推荐训练数据输入到预设的第二信息技术技巧推荐模型进行训练， 得到 训练好的第二信息技术技巧推荐模型， 利用所述训练好的第二信息技术技巧推荐模型预测 第二用户对各信息技术技巧的偏好程度， 将偏好程度最高的前n个信息技术技巧作为第二 推荐信息技术技巧； 还用于计算第一用户对于第一推荐信息技术技巧的推荐度， 以及计算 第二用户对于第二推荐信息技术技巧的推荐度； 还用于将所述第一推荐信息技术技巧的推 说明书 3/11 页 8 CN 110209899 A 8 荐度以及第二推荐信息技术技巧的推荐度通过所述第一数据中心传送至所述推荐结果数 据库进行存储； 其中， 第一信息技术技。

33、巧推荐模型为基于混合相似度的协同过滤模型； 第二 信息技术技巧推荐模型为基于用户特征的热门度模型； 0036 第三流程控制单元， 用于根据所述第三数据中心传输的数据， 控制所述信息技术 技巧推荐单元进行操作。 0037 进一步地， 所述研修活动推荐模块包括： 0038 第四数据中心， 用于从所述日志数据库读取用户研修活动参与信息， 并将所述用 户研修活动参与信息进行处理得到用户研修活动推荐训练数据； 0039 研修活动推荐单元， 用于将所述用户研修活动推荐训练数据输入到预设的研修活 动推荐模型进行训练， 得到训练好的研修活动推荐模型， 利用所述训练好的研修活动推荐 模型预测用户对各研修活动的偏。

34、好程度， 将偏好程度高的研修活动作为推荐结果， 所述研 修活动推荐单元为基于特征的热门度模型； 0040 第四流程控制单元， 用于根据所述第四数据中心传输的数据， 控制所述研修活动 推荐单元进行操作。 0041 进一步地， 所述资源推荐模块包括： 0042 第五数据中心， 用于从所述日志数据库读取第一用户对应的第一用户资源访问信 息以及第二用户对应的第二用户资源访问信息， 并将所述第一用户资源访问信息进行处理 得到第一用户资源推荐训练数据， 将所述第二用户资源访问信息进行处理得到第二用户资 源推荐训练数据； 0043 资源推荐单元， 用于将所述第一用户资源推荐训练数据输入到预设的资源推荐模 型。

35、进行训练， 得到训练好的第一资源推荐模型， 利用所述训练好的第一资源推荐模型预测 第一用户对各资源的偏好程度， 将偏好程度最高的前n个资源作为第一推荐资源； 还用于将 所述第二用户资源推荐训练数据输入到预设的资源推荐模型进行训练， 得到训练好的第二 资源推荐模型， 利用所述训练好的第二资源推荐模型预测第二用户对各资源的偏好程度， 将偏好程度最高的前n个资源作为第二推荐资源； 还用于计算第一用户对于第一推荐资源 的推荐度， 以及计算第二用户对于第二推荐资源的推荐度； 还用于将所述第一推荐资源的 推荐度以及第二推荐资源的推荐度通过所述第一数据中心传送至所述推荐结果数据库进 行存储； 0044 第五。

36、流程控制单元， 用于根据所述第五数据中心传输的数据， 控制所述资源推荐 单元进行动作。 0045 本发明的个性化学习资源推荐系统， 通过结合平台内部对用户的课程、 研修日志、 信息技术技巧、 研修活动、 研修资源五大系统模块的个性化服务需求， 参考应用机器学习中 的协同过滤， 基于内容推荐等机器学习的算法， 实现了个性化学习课程推荐系统。 附图说明 0046 并入到说明书中并且构成说明书的一部分的附图示出了本发明的实施例， 并且与 描述一起用于解释本发明的原理。 在这些附图中， 类似的附图标记用于表示类似的要素。 下 面描述中的附图是本发明的一些实施例， 而不是全部实施例。 对于本领域普通技术。

37、人员来 讲， 在不付出创造性劳动的前提下， 可以根据这些附图获得其他的附图。 说明书 4/11 页 9 CN 110209899 A 9 0047 图1为本发明实施例提供的一种个性化学习资源推荐系统的结构框图。 具体实施方式 0048 现在参考附图介绍本发明的示例性实施方式， 然而， 本发明可以用许多不同的形 式来实施， 并且不局限于此处描述的实施例， 提供这些实施例是为了详尽地且完全地公开 本发明， 并且向所属技术领域的技术人员充分传达本发明的范围。 对于表示在附图中的示 例性实施方式中的术语并不是对本发明的限定。 在附图中， 相同的单元/元件使用相同的附 图标记。 0049 除非另有说明，。

38、 此处使用的术语(包括科技术语)对所属技术领域的技术人员具有 通常的理解含义。 另外， 可以理解的是， 以通常使用的词典限定的术语， 应当被理解为与其 相关领域的语境具有一致的含义， 而不应该被理解为理想化的或过于正式的意义。 0050 本发明实施例提供的一种个性化学习资源推荐系统， 包括： 日志数据库， 用于存储 用户课程选择信息、 用户研修日志访问信息、 用户信息技术技巧浏览信息、 用户研修活动参 与信息以及用户资源访问信息； 其中， 用户课程选择信息、 用户研修日志访问信息、 用户信 息技术技巧浏览信息、 用户研修活动参与信息以及用户资源访问信息可以存储在不同的表 格中。 0051 课程。

39、推荐模块， 用于从所述日志数据库读取用户课程选择信息， 并将所述用户课 程选择信息进行处理得到用户课程推荐训练数据， 将所述用户课程推荐训练数据输入到预 设的课程推荐模型进行训练， 得到训练好的课程推荐模型， 利用所述训练好的课程推荐模 型预测用户对各课程的偏好程度， 将偏好程度高的课程作为推荐课程； 0052 研修日志推荐模块， 用于从所述日志数据库读取用户研修日志访问信息， 并将所 述用户研修日志访问信息进行处理得到用户研修日志推荐训练数据， 将所述用户研修日志 推荐训练数据输入到预设的研修日志推荐模型进行训练， 得到训练好的研修日志推荐模 型， 利用所述训练好的研修日志推荐模型预测用户对。

40、各研修日志的偏好程度， 将偏好程度 高的研修日志作为推荐研修日志； 0053 信息技术技巧推荐模块， 用于从所述日志数据库读取用户信息技术技巧浏览信 息， 并将所述用户信息技术技巧浏览信息进行处理得到用户信息技术技巧推荐训练数据， 将所述用户信息技术技巧推荐训练数据输入到预设的信息技术技巧推荐模型进行训练， 得 到训练好的信息技术技巧推荐模型， 利用所述训练好的信息技术技巧推荐模型预测用户对 各信息技术技巧的偏好程度， 将偏好程度高的信息技术技巧作为推荐信息技术技巧； 0054 研修活动推荐模块， 用于从所述日志数据库读取用户研修活动参与信息， 并将所 述用户研修活动参与信息进行处理得到用户研。

41、修活动推荐训练数据， 将所述用户研修活动 推荐训练数据输入到预设的研修活动推荐模型进行训练， 得到训练好的研修活动推荐模 型， 利用所述训练好的研修活动推荐模型预测用户对各研修活动的偏好程度， 将偏好程度 高的研修活动作为推荐研修活动； 0055 资源推荐模块， 用于从所述日志数据库读取用户资源访问信息， 并将所用户资源 访问信息进行处理得到用户资源访问推荐训练数据， 将所述用户资源访问推荐训练数据输 入到预设的资源推荐模型进行训练， 得到训练好的资源推荐模型， 利用所述训练好的资源 推荐模型预测用户对各资源的偏好程度， 将偏好程度高的资源作为推荐资源； 说明书 5/11 页 10 CN 11。

42、0209899 A 10 0056 推荐结果数据库， 用于存储所述推荐课程、 推荐研修日志、 推荐信息技术技巧、 推 荐信息技术技巧以及推荐资源。 0057 本发明实施例提供的一种个性化学习资源推荐系统的详细结构可以参见图1所示 的结构框图。 具体地， 上述五个模块可以各自独立运行， 各模块的运行逻辑相似。 0058 每个模块又包括三个子模块， 分别是数据中心(为区别各个模块， 各模块对应的数 据中心分别以第一数据中心、 第二数据中心(图中未示出)、 第三数据中心(图中未示出)、 第 四数据中心(图中未示出)以及第五数据中心命名(图中未示出)， 流程控制(为区别各个模 块， 各模块对应的流程控。

43、制分别以第一流程控制单元、 第二流程控制单元(图中未示出)、 第 三流程控制单元(图中未示出)、 第四流程控制单元(图中未示出)以及第五流程控制单元命 名(图中未示出)以及相应的推荐模型(单元)。 模块运行时， 各数据中心从日志数据库中读 取并构造当前模块的推荐模型输入数据以及待预测数据， 推荐模型经过训练后， 会对待遇 测数据进行预测并返回预测结果， 最后由各数据中心将预测结果存入推荐结果数据库。 总 体流程由各流程控制模块来控制。 各模块具体解释如下： 0059 (1)课程推荐模块 0060 由于模型及训练数据相同， 所以选修课和开放课都由课程推荐模块推荐。 总体流 程的运行逻辑由第一流程。

44、控制单元来控制， 下面将详细描述运行的流程。 0061 (1.1)构造课程推荐模型训练数据： 第一数据中心读取数据(即用户课程选择信 息)， 并将数据处理成(用户ID， 课程ID， 偏好程度)格式的数据集， 作为推荐模型(即课程推 荐单元)的输入数据。 用户对课程的偏好程度p可通过公式1计算。 0062 公式1： p1+4(Min( ,d/c)/ 0063 其中d表示平均浏总时长， c表示浏览次数 表示转换系数。 在此数据集上， 可以将 平均浏览时长的四分位数600作为转换系数 。 0064 (1.2)训练课程推荐模型： 课程推荐单元可以选择SVD模型， SVD模型把用户和物品 两方面的信息映。

45、射到一个新的联合隐语义空间， 同时用户-物品间的交互信息被建模为该 空间中的内积。 SVD模型的主要参数为向量长度， 这里可以设置为32。 0065 (1.3)预测普通用户选修课评分： 这里定义普通用户为第一用户， 其为有历史行为 数据的用户， 可以预测其兴趣； 比如在日志数据库的不同表中同时出现过的用户。 预测普通 用户选修课评分时， 首先获取用户的课程ID列表(课程ID列表中包含了用户可选择的一系 列课程ID)， 然后分别为每一个用户， 使用SVD模型预测用户对选修课列表里的每一门选修 课的偏好程度， 最后选择偏好程度最高的前n门课程作为推荐课程。 0066 (1.4)训练选修课推荐冷启动。

46、模型： 选修课冷启动模型选择的是热门度模型。 模型 的输入数据为(用户ID， 课程ID， 偏好程度)格式的数据集， 即在步骤(1.1)中构造好的训练 数据。 模型会计算所有课程ID的平均偏好程度(总偏好程度处以参与评分的用户数)， 将课 程ID的平均偏好程度作为对当前课程偏好程度的预测结果。 0067 (1.5)预测冷启动用户选修课评分： 这里定义冷启动用户为第二用户， 指没有历史 行为数据的用户， 无法预测其兴趣。 预测冷启动用户选修课评分时， 首先获取用户的课程ID 列表， 然后分别为每一个用户， 使用选修课推荐冷启动模型预测用户对选修课列表里的每 一门选修课的偏好程度， 最后选择偏好程度。

47、最高的前n门课程作为推荐课程。 0068 (1.6)保存选修课推荐结果： 将步骤(1.3)和步骤(1.5)的推荐结果结合， 形成的选 说明书 6/11 页 11 CN 110209899 A 11 修课推荐结果数据， 对于每一个用户， 需要将推荐结果进行归一化， 将分数转化成80100 的区间， 生成形如(用户ID， 物品ID， 推荐度)的数据。 用户偏好度转换成推荐度r的公式如公 式2所示： 0069 公式2： r80+20(p_cur-p_min)/(p_max-p_min) 0070 其中， p_cur预测的用户对物品的偏好程度， p_max为用户推荐的物品中偏好程度 的最大值， p_m。

48、in为用户推荐的物品中偏好程度的最小值， 并存入推荐结果数据库。 0071 (1.7)预测普通用户(第一用户)开放课评分： 在预测普通用户开放课评分之前， 首 先会为每一个用户构造候选推荐列表。 定义用户的候选推荐列表为与该用户拥有相同学科 学段的所有用户访问过的所有课程。 然后分别为每一个用户， 使用SVD模型预测用户对候选 推荐列表里的每一门课程的偏好程度， 最后选择偏好程度最高的前n门课程作为推荐课程。 0072 (1.8)训练开放课推荐冷启动模型： 开放课冷启动模型选择的是基于用户特征的 热门度模型。 模型的输入数据为(用户ID， 课程ID， 偏好程度)格式的数据集以及(用户ID， 学。

49、 科， 学段， 年龄段， 性别)格式的数据集。 首先定义用户特征为(学科-学段-年龄段-性别)。 若 总学科数量为n1， 总学段数量为n2， 总年龄段数量为n3， 总性别数为n4， 则特征的总数量为 n1n2n3n4。 这里我们将年龄划分为5个年龄段(026， 2631， 3141， 4151， 51 )， 性别数取2， 学科和学段的数量会根据数据集自动调整。 每个用户只拥有一个用户特 征。 模型会统计每一门课程在每个用户特征下的平均偏好程度。 在对(用户ID， 课程ID)进行 预测时， 首先会获取该用户ID对应的用户特征， 再将该用户特征下的该课程ID平均偏好程 度作为用户对课程偏好程度的预。

50、测结果。 0073 (1.9)预测冷启动用户(第二用户)开放课评分： 预测冷启动用户开放课评分时， 会 使用步骤(1.7)的候选推荐列表， 然后分别为每一个用户， 使用开放课推荐冷启动模型预测 用户对候选推荐列表里的每一门开放课的偏好程度， 最后选择偏好程度最高的前n门课程 作为推荐课程。 0074 (1.10)保存开放课推荐结果： 将步骤(1.7)和步骤(1.9)的推荐结果结合， 并使用 步骤(1.6)中的转化公式将推荐结果进行归一化， 转化为推荐度， 形成最终的开放课推荐结 果数据， 存入推荐结果数据库。 0075 (2).研修日志推荐模块 0076 (2.1).构造内容相似度模型训练数据。