[发明专利]一种基于神经网络的教学资源个性化推荐方法

摘要

本发明公开了一种针对教学资源的个性化推荐方法。它至少包括下列模块1)基于内容推荐模块以教学资源的内容和属性为基础来进行推荐，可以解决新项目冷启动问题；2)基于用户协同过滤模块根据用户的打分，下载，浏览矩阵计算用户之间相似度，然后对用户进行推荐；3)基于项目协同过滤模块根据用户的打分，下载，浏览矩阵计算教学资源之间相似度，然后对用户进行推荐；4)神经网络模块具有强大的动态非线性映射能力，对教学资源推荐有较高的精度和满意度。本发明推荐效果好于单独采用前面的推荐模块或者前面模块推荐结果的线性插值。

主权项

一种针对教学资源的个性化推荐方法，其特征在于至少包括下列模块：1)基于内容推荐模块：根据教学资源的上传时间，下载次数，平均分这三个属性来分别计算不同的推荐度来对用户推荐；2)基于用户协同过滤模块：根据用户的打分，下载，浏览矩阵计算用户之间相似度，然后对用户进行推荐；3)基于项目协同过滤模块：根据用户的打分，下载，浏览矩阵计算教学资源之间相似度，然后对用户进行推荐；4)神经网络模块：是一个并行的分布式的信息处理网络，具有非线性映射和联想记忆的功能，通过数据本身内在联系来建模，对交通流进行预测；所述的基于内容推荐模块计算推荐度的方法如下：教学资源上传时间推荐度的计算公式是e‑n，其中e是自然底数，n是上传距今的天数；教学资源下载推荐度公式是1‑e‑n，其中n是下载次数；教学资源打分推荐度公式是average/5，其中average是资源的平均分；所述的基于用户协同过滤模块根据用户偏好矩阵来进行推荐，假设有用户偏好矩阵P：P＝[P1,P2，P3,...pn]TPi＝[Pi，1，Pi，2，Pi，3，...pi，m]其中pi表示用户i的偏好向量，pi，j表示用户i对资源j的偏好程度；采用相似度计算函数PS得到任意两个用户之间的偏好相似度PS(i,j)；对于用户i，可以得与其他用户偏好的相似度，取相似度最高的前k用户，作为其邻居用户，就得到了用户i同邻居用户相似度向量Si：Si=[si,n1,si,n2,si,n3,...si,nk]]]>根据Si和P，预估资源j对用户i的推荐度：ri,j=Σt=1ksi,nt*pnt,jΣt=1ksi,nt;]]>基于项目协同过滤推荐模块根据用户偏好矩阵来进行推荐，假设有用户对资源的偏好矩阵P：P＝[p1，P2，P3，...pm]Tpi＝[Pi，1，Pi，2，Pi，3，...Pi，n]其中pi表示用户i的偏好向量，pi，j表示用户i对资源j的偏好程度；采用相似度计算的函数RS，得到任意两个资源之间的相似度RS(i,j)，预估资源j对用户i的推荐度：ri,j=Σk=1mRS(k,j)*pi,km]]>其中pi，k表示用户i对资源k的偏好程度，RS(k,j)表示资源k同资源j的相似度，m是资源的个数；所述的神经网络模块把基于资源内容推荐的结果，基于用户协同过滤的推荐结果和基于项目协同过滤的结果整合到一起；其采用一种由S函数神经元组成的前馈神经网络，其神经元为所有输入加权和与某阈值的S型非线性函数；S型函数σ(·)是一个非减函数，满足σ(‑∞)＝0和σ(∞)＝1，表示为：σ(x)=11+e-cx]]>其中，c为一常数，它决定S函数的形状；采用的前馈神经网络，它是由p个神经元组成的一种多输入单输出网络，输出为隐层神经元输出的加权和，设输入向量为[x1,…,xn]，输出变量为y，它的数学描述如下：y=Σj=1ptjσ(Σj=1pwijxi+wn+1,j)]]>其中：wij和tj为可调权重。