[发明专利]一种基于学习生成网络相似度的网络学习群组划分方法

说明书

本发明公开了一种基于学习生成网络相似度的网络学习群组划分方法，包括以下步骤：1)建立用户知识点关联网络，再计算用户学习序列中第i+1个知识点与前i个知识点的时序相关度；2)构建用户学习生成网络；3)获取学习生成网络及之间的内容相似度4)计算用户学习生成网络与之间的结构相似度5)使用内容相似度与结构相似度加权求和的结果作为用户学习生成网络的总体相似性，再将用户学习生成网络的总体相似性采用基于相似度的CURE层次聚类算法对用户学习生成网络进行聚类，实现基于学习生成网络相似度的网络学习群组划分，该划分方法考虑用户学习过程及认知特征实现网络学习群组划分。

技术领域

本发明涉及一种网络学习用户的群组划分方法，具体涉及一种基于学习生成网络相似度的网络学习群组划分方法。

背景技术

大部分推荐系统主要关注单个用户的推荐，然而在许多日常活动中需要为多个用户形成的群组进行推荐。近年来，组推荐系统(Group recommendation system)逐渐成为推荐系统领域的研究热点之一，如何融合群组成员偏好以满足成员的偏好需求进行群组划分是组推荐的主要任务。

具体而言，群组划分是指将用户分配至不同的组合，使得每个组合内的用户在某些方面有着相同的特征。王中卿提出一种隐含因子图模型，利用各种隐含与显式的社交与文本信息对用户的群组进行识别，并对用户群组识别模型进行学习与预测；Chen L采用学习者的选课信息、学习兴趣、知识水平，量化用户特征，使用遗传算法划分群组；张晖基于用户基本信息、业务兴趣相似度、业务顺序相似度，构建基于用户综合相似度的模糊聚类模型，从而进行用户分群；Boratto L浏尝试多种特征，构建多种群组模型，进而找出最佳建模策略；金涛提出使用局部敏感哈希技术(Locality Sensitive Hash，即LSH)以达到群组快速生成的目的；谭昶提出典型用户群组(Typical User Group，TUG)的概念，通过比较候选新增典型用户对典型用户群组的贡献度，逐一扩大典型用户群组规模，最终达到较高的推荐项目覆盖率和评分准确度；Zhang C提出了一种群体推荐的用户聚类算法，采用奇异值分解算法提取了主要用户特征，通过减少用户特征向量的维数简化了计算；Young-Duk Seo提出了一种向上均衡聚合方法(upward leveling aggregation method)用于解决群组推荐中的成员偏好差异。

由上述文献可看出，在群组划分时用户特征选择是一个重要的方面，往往需要结合用户的静态和动态特征以建立最佳的群组模型。尤其随着时间的推移，用户的兴趣偏好会发生变化，群组也随之动态变化。在学习领域，学习群组通常是指具有相类似学习兴趣的用户，比如，访问了相同学习资源的用户，因此用户对学习资源的显示评分及对资源访问的隐式属性(学习时长、学习频次)等特征常被用于计算用户的相似度。然后，已有特征往往缺乏用户认知的考虑，无法完整刻画用户整个学习过程，这从一定程度上影响了群组划分的准确性。比如，学习了两个相同知识点或者访问了相同学习资源的用户，如果各自学习时间间隔相差非常远，根据艾宾浩斯提出的遗忘曲线，则基本上可以忽略其相似性。因此，如何体现用户的学习过程及认知特征是群组划分时应该解决的一个重要问题。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种基于学习生成网络相似度的网络学习群组划分方法，该划分方法考虑用户学习过程及认知特征实现网络学习群组划分。

为达到上述目的，本发明所述的基于学习生成网络相似度的网络学习群组划分方法包括以下步骤：

1)根据用户信息、知识点信息及用户的网络学习日志构建用户知识点关联网络，再利用随机游走的方法计算用户知识点关联网络中各节点之间的相似度；同时，获取用户学习知识点之间的学习顺序相关性及学习时间相关性，再根据用户学习知识点之间的学习顺序相关性及学习时间相关性依次计算用户学习序列中第i+1个知识点与前i个知识点的时序相关度，其中，1≤i≤n，n为用户学习知识点的序列长度；