[发明专利]网络公开课的推荐方法、系统和移动终端

权利要求书

1.一种网络公开课的推荐方法，其特征在于，所述推荐方法包括以下步骤：

A、采集网络公开课数据和用户访问网络公开课时产生的用户历史行为数据；

B、根据网络公开课数据和用户历史行为数据共同确定网络公开课的关联程度；

C、根据用户属性并结合网络公开课的关联程度，获取对用户的最终推荐列表；

所述步骤B中具体包括以下步骤：

B1、根据用户历史行为数据统计网络公开课被用户共同学习的频率，并以此为依据借助用户共同学习过的网络公开课的内容数据初步分析网络公开课的关联性；

B2、借助用户历史行为数据，采用回归模型学习每一类网络公开课属性的权重，并以此为依据汇总每一类网络公开课属性的相关性，确定网络公开课的关联程度。

2.根据权利要求1所述的网络公开课的推荐方法，其特征在于，所述步骤B1中进一步包括以下步骤：

B11、根据用户历史行为数据，构建网络公开课之间的共同学习的无向带权图，将共同学习的频率作为边的权值，用于对网络公开课的内容特征进行扩充；

B12、根据网络公开课的内容特征扩充后的向量，初步计算相应的网络公开课之间的关联程度；

B13、汇总所有的网络公开课之间的关联程度，初步形成网络公开课的关联表。

3.根据权利要求1所述的网络公开课的推荐方法，其特征在于，所述步骤B2中，采用线性回归模型学习每一类网络公开课属性的权重。

4.根据权利要求3所述的网络公开课的推荐方法，其特征在于，所述步骤B2中，在回归模型中引入用于提高回归学习的准确性的样本置信度，所述置信度的计算方法如下：

conf(i,j)＝1.0+σ×|U(i)∩U(j)|；

其中，σ为调节参数，取值为正数；i、j分别代表网络公开课标号；|U(i)|、|U(j)|分别为学习网络公开课i和网络公开课j的用户数量，所述|U(i)∩U(j)|为共同学习课程i和课程j的用户数量。

5.根据权利要求1所述的网络公开课的推荐方法，其特征在于，所述步骤C中用户属性包括：已登陆用户属性和未登陆用户属性，其中，所述已登陆用户属性进一步包括：用户日志的时间信息。

6.根据权利要求5所述的网络公开课的推荐方法，其特征在于，所述步骤C中进一步包括以下步骤：

针对已登陆用户属性：

C11、根据用户日志的时间信息对用户行为按时间倒序方式排序，得到行为列表；

C12、结合网络公开课的关联程度，获取与用户当前学习课程相关的课程，形成用户推荐列表；

C13、判断所述已登录用户属性是否包括用户日志的负反馈数据信息，若是则转向步骤C14，否则向用户推荐所述用户推荐列表；

C14、根据用户日志的负反馈数据信息，剔除与所述负反馈数据信息对应的课程，调整所述用户推荐列表后向用户推荐；针对未登录用户属性：

C21、根据未登录用户当前浏览的网络公开课，查找网络公开课的关联表并筛选出相应的网络公开课进行推荐。

7.根据权利要求6所述的网络公开课的推荐方法，其特征在于，所述步骤C12具体包括：

C121、基于所述行为列表，计算行为的权重；

C122、基于所计算的权重及网络公开课的关联程度，计算用户对课程的感兴趣程度，并将所计算的感兴趣程度与对应的课程存储下来；

C123、根据所述感兴趣程度，形成用户推荐列表。

8.一种网络公开课的推荐系统，其特征在于，所述推荐系统包括：

采集单元，用于采集网络公开课数据和用户访问网络公开课时产生的用户历史行为数据；

关联单元，用于根据网络公开课数据和用户历史行为数据共同确定网络公开课的关联程度；

获取单元，用于根据用户属性并结合网络公开课的关联程度，获取对用户的最终推荐列表；

所述关联单元用于：

根据用户历史行为数据统计网络公开课被用户共同学习的频率，并以此为依据借助用户共同学习过的网络公开课的内容数据初步分析网络公开课的关联性；

借助用户历史行为数据，采用回归模型学习每一类网络公开课属性的权重，并以此为依据汇总每一类网络公开课属性的相关性，确定网络公开课的关联程度。

9.一种移动终端，其特征在于，包括权利要求8所述的网络公开课的推荐系统。