[发明专利]一种结合用户画像的题目推荐方法及系统

说明书

本发明利用计算机技术进行推荐，提出一种结合用户画像的题目推荐方法及系统，目的是向用户推荐合适的题目，提高用户使用python在线编程系统进行编程训练的效率，同时也能提高用户对该学习系统的信任度，提升用户粘性。本发明首先对用户和题目进行画像和建模，然后基于隐因子模型实现一个个性化题目推荐模型。本发明在训练推荐模型的同时，优化用户画像模型，实现了一个多目标优化的推荐模型。用户画像模型得到用户在知识点上的正确率画像，作为推荐模型的额外输出，可以用作给出推荐的解释。

技术领域

本发明利用计算机技术进行个性化的题目推荐，具体是一种结合用户画像的题目推荐方法及系统。

背景技术

随着计算机技术的成熟和各种程序设计语言的流行，各种在线编程评测系统，简称OJ系统，成为人们自主学习和练习编程、提高程序设计能力的主要途径。由于各大OJ系统中各种类型的题目太多，普通用户在得到大量训练机会的同时，也面临着信息过载问题；此外由于自身编程能力的不足和编程经验的缺乏，导致其做题过于盲目，做不适合他们的题目，因此备受打击而过早的失去了自信。对于计算机专业的用户，比如ACM队员，在进行专题训练的时候，由于题目太多也面临着难以挑选出所需题目的问题，导致训练效率低下。推荐系统能够在大量信息中筛选出合适的信息推荐给用户，以满足用户的信息需求，从而有效缓解信息过载问题。因此，在OJ系统中使用一个恰当的推荐组件，针对用户当前训练需求推荐合适的题目，可以有效提高用户在OJ系统中的学习效率，另一方面也能提高用户对 OJ系统的信任度，提升用户粘性。

用户画像旨在从各种用户相关数据中挖掘和抽取用户典型特征进行区分，完备且准确的“标签化”的用户模型将有力揭示用户本质特征，从而极大地促进上层的个性化服务，如精准营销、智能推荐、信息检索等。

大数据背景下，推荐系统将用户的喜好和特征建模为用户画像，如推荐领域中常见的评分矩阵、直接根据用户行为学习到的嵌入向量等，然后利用计算机技术从海量物品中筛选出用户可能喜好的物品推荐给用户，以满足用户的个性化信息需求。在推荐系统中，利用计算机技术进行用户画像，就是得到用户的向量化表示，主要包括三种：第一，直接将用户的属性信息等作为用户画像；第二，对大量数据进行统计分析，得到用户的兴趣标签、社交关系等画像数据；第三，通过机器学习得到嵌入向量。其中，前两种向量表示稀疏但捕捉了显而易见的用户特征，具有较好的解释性，可用于给出推荐理由，而第三种稠密的嵌入向量能学习到更多用户的隐藏特征，但解释性较差。

本发明主要应用于python在线编程系统中的题目推荐。本发明首先利用计算机技术根据用户做题历史记录和题目自身标签信息对用户和题目进行画像和建模，然后基于隐因子模型实现一个个性化题目推荐模型，旨在对用户进行个性化的题目推荐，被推荐的题目是预测用户得分较低的题目，从而促进用户对薄弱知识点的练习，全面提高用户对python这门程序设计语言的应用能力。针对特定的业务场景和数据特点，本发明利用统计分析和嵌入向量进行用户画像。为了克服用户交互矩阵的稀疏性，本发明综合利用用户显式反馈、隐式反馈和邻居关系实现多模态用户画像，同时得到隐含用户对知识点掌握能力的稠密画像向量，即用户隐表示；利用题目的标签信息和用户的显式反馈得到隐含知识点信息和题目在知识点上难易程度的稠密画像向量，即题目隐表达。之后利用基于潜因子模型的矩阵分解实现推荐模型。本发明在训练推荐模型的同时，优化多模态用户画像模型，实现了一个多目标优化的推荐模型。用户画像模型利用自编码器得到用户在知识点上的正确率向量，作为推荐模型的额外输出，可以用作给出推荐的解释，形如：用户在该知识点上正确率较低，因此推荐包含该知识点的题目。

发明内容

本发明的目的在于结合用户画像进行个性化的题目推荐，提高用户使用python在线编程系统进行编程训练的效率，同时也能提高用户对该学习系统的信任度，提升用户粘性。

为实现本发明的目的，本发明提出一种结合用户画像的题目推荐方法及系统。该发明的一种结合用户画像的题目推荐方法主要包括以下步骤：