[发明专利]基于用户行为数据分析的在线教育推荐模型及构建方法

说明书

本发明属于网络教育个性化推荐技术领域，公开了一种基于用户行为数据分析的在线教育推荐模型及构建方法，所述基于用户行为数据分析的在线教育推荐模型的构建方法包括：在候选频度属性集中增加了置信度和计算支持度的名词和名词短语、定义阈值以及超过阈值的词；利用邻近规则剪枝算法、独立支持度剪枝算法和规则词过滤剪枝去除无意义词和冗余词；筛选出一组准则。本发明可以缓解推荐算法的可扩展性问题，识别用户偏好，优化传统协同过滤推荐算法中的相似度算法，计算用户相似度，生成推荐。实验结果表明，基于用户偏好的个性化推荐算法能够有效地提高推荐质量。

技术领域

本发明属于网络教育个性化推荐技术领域，尤其涉及一种基于用户行为数据分析的在线教育推荐模型及构建方法。

背景技术

目前，最接近的现有技术：随着互联网技术的飞速发展，智能手机、平板电脑等智能终端设备的大规模普及，4G等移动网络资源不再稀缺，数字化和移动在线学习已成为人们接受教育的新途径。以在线学习平台为代表的在线教育服务正在重塑传统的学习习惯，使人们能够随时随地进行分散的网络化学习。与传统的教育模式相比，网络教育具有学习时间分散、学习地点不限、内容目标性强、在线互动效率高、可重复学习等优点。它对学习风格从传统的“被动”课堂教学模式向“互动”在线教学模式的转变起到了重要作用。通过在线教育平台，用户可以突破传统教学模式的时空限制，随时选择感兴趣的内容进行有针对性的、零散的学习，学习方式变得更加灵活可控。同时，网络教育可以通过网络传输的便利性和Web2；0强大的互动性，为学习者提供在线交流和学习服务，从而实现学习者与教师、学习者和学习者的多维度互动，帮助学习者更好地理解课程的内容，解决学习过程中遇到的问题。越来越多的用户开始使用在线教育平台进行学习。对于在线学习教育平台来说，如何准确地向用户推荐满足其需求的产品是非常重要的，直接影响到用户体验的满意度。因此，对用户行为进行数据分析是非常必要的。

目前，对网络教育个性化推荐的研究较少，但越来越多的网络教育平台应用推荐技术来发现用户特征和消费模式，并有针对性地进行课程推荐。国内外在网络教育中引入个性化建议的例子不多。在实验中，没有合适的数据集，研究也存在许多困难。因此，利用产品属性挖掘方法可以确定推荐系统的准则集(criteria set)，然后利用个性化推荐算法建立基于在线教育用户行为偏好的推荐模型，帮助用户过滤信息并做出决策。它使用软件从大量资源中识别最相关的项目，以探索用户对每个准则(criterion)的偏好，从而得到更准确的建议。

近年来，互联网在线教育平台越来越受到用户的青睐，许多学者对其进行了大量的相关研究。TAM模型作为大学生在线学习平台使用的一种有影响力的模型。研究发现，TAM模型可以有效地解释大学生使用在线学习平台的意愿。分析研究大学生网络课程学习的影响因素时发现，表现预期、社会影响、努力工作期望(hard work expectation)和网络课程学习意愿的积极影响，对于理论模型的选择和运用具有重要意义。随着学者们不断深化对网络教育的研究，越来越多的学者开始分析他们的用户行为和推荐模式。使用数据挖掘的相关工具来挖掘用户行为。通过实践验证了该方法的有效性，为进一步构建具有较大数据量的多个数据源和用户数据分析系统奠定了良好的基础。KimE提出了一种用户行为推荐算法，并实现了经典的Knn协同过滤模型和基于随机梯度下降的隐式因子分解-隐语义模型。基于用户行为数据的挖掘方法。研究发现，该算法结合了矩阵分解技术和多任务学习技术的优点，适用于处理海量用户行为数据。对浏览网页的用户的日志数据进行了分析，通过仿真实验进行了比较分析，并通过了相关测试。研究表明，该方法是可行的。以商业在线教育平台为研究对象，构建了在线教育平台用户课程支付意愿的影响因素模型，并通过实验验证了模型的可靠性。

综上所述，现有技术存在的问题是：随着网络教育用户数量的不断增加，如何准确地向用户推荐学习资源以满足用户的个性化需求，成为网络教育用户面临的关键问题。

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用户行为数据分析的在线教育推荐模型及构建方法。