[发明专利]一种基于多视角兴趣的学习资源推荐方法

摘要

本发明提供了一种基于多视角兴趣的学习资源推荐方法，首先浏览学习者的历史学习记录，构建特征词局部网络，然后计算学习者的四个视角兴趣，最后根据四个视角兴趣度进行学习资源推荐。本发明提供的一种基于多视角兴趣的学习资源推荐方法，从兴趣稳定性和兴趣特征两个角度分析学习者的兴趣偏好，建立基于多视角兴趣的兴趣模型，根据学习者的不同兴趣向学习者推荐其需要的资源，本发明在保证推荐准确性的同时，显著提高了推荐的多样性，能够满足学习者的真实需求。

主权项

1.一种基于多视角兴趣的学习资源推荐方法，其特征在于包括以下过程：(1)对于学习者的历史学习记录R＝[T1,T2,...,TSIZE]，设其中每一个学习资源中的一行代表一句，按照步骤(1‑1)至步骤(1‑3)依次浏览每个学习资源中的每一句：(1‑1)设当前浏览句为第k句，第k句的全局范围为当前浏览的学习资源Tt的第1句到第k句，第k句的局部范围为当前浏览的学习资源Tt的第k‑d句到第k+d句，其中d为预设值，按照过程(1‑2)至(1‑3)计算特征词间的相关性；(1‑2)依次提取第k句学习资源的局部范围的特征词，计算局部范围每两个特征词wi和wj间的全局相关性GRk(wi,wj)，全局相关性根据GRk(wi,wj)＝NumS1,k(wi,wj)计算得到，表示第1句到第k句中同时出现特征词wi和wj的句数，并根据以下公式计算每两个特征词wi和wj间的局部相关性LRk,d(wi,wj)：LRk,d(wi,wj)＝Min(Nk,d,1)×GRk(wi,wj)               (1)其中Min()表示返回较小值函数，Nk,d表示局部相关性和全局相关性的比率，根据以下公式计算：其中NumSx,y(wi,wj)表示从当前学习资源的第x句到第y句同时出现特征词wi和wj的句数，n表示当前学习资源的总句数；(1‑3)构建第k句的特征词局部网络LWN_k(V_k,E_k,LWI_k,LR_k,d)，其中V_k表示在局部范围内特征词的集合，每个特征词为一个节点；LWI_k表示局部范围内每个特征词的局部印象的集合，该集合中LWI_k(w_i)表示特征词w_i在局部范围内的权重W[w_i]，扫描至当前学习资源时权重W[w_i]初始值为0，扫描至第k句时，权重W[w_i]为局部范围内各句特征词w_i的数目的累加值，当权重W[w_i]大于预设值MIN时，判断特征词w_i与任意特征词的局部相关性，若特征词w_i与w_j的局部相关性LR_k,d(w_i,w_j)＞0，则特征词w_i与w_j间产生一条边，存在关联关系，特征词w_i与w_j互为邻居节点，将特征词w_j在局部范围内的权重W[w_j]利用累加公式进行赋值，特征词w_i在局部范围内的权重W[w_i]利用赋值公式W[w_i]＝W[w_i]*(1/ω)进行赋值，ω是预设的比率值，E_k表示在局部范围内边的集合；LR_k表示局部范围内每两个特征词w_i和w_j间的局部相关性的集合；所述表示在当前学习资源T_t中扫描完第k句后，从节点w_i到邻居节点w_j的传播权重，j依次取w_i所有邻居节点序数，k的范围为当前学习资源T_t的所有句子数，采用以下公式计算：其中W[wi]和W[wj]分别表示节点wi和节点wj的权重，ω是预设的比率值，特征词的保留比率为1/ω，特征词有1‑1/ω的比率传播给它的邻居节点；(2)计算学习者的四个视角兴趣：(2‑1)计算学习者的短期兴趣：将每个特征词分别视为一个节点，根据以下公式计算各节点在各学习资源中的印象吞吐量：其中表示节点w_i在当前学习资源T_t中的印象吞吐量；根据以下公式计算各学习资源中每两个邻居特征词间的印象流量：其中w_i和w_j是当前学习资源T_t中的任意两个节点，IFA_Tt(w_i,w_j)表示节点w_i和节点w_j在当前学习资源T_t中的印象流量，表示在学习资源T中扫描完第k句后从节点w_i到其邻居节点w_j的传播权重，用公式(3)计算得到；根据以下公式计算每个节点的短期兴趣权重：其中SWV(wi)表示节点wi的短期兴趣权重，t表示历史学习记录中的学习资源序数，Ω(t)表示兴趣衰减度，采用以下公式计算：Ω(t)＝2/(1+λt‑1)λ>1                          (6)其中λ表示兴趣衰减函数影响因子，为大于1的常数；根据以下公式计算历史学习记录中每两个邻居节点的关联关系的短期兴趣权重：其中SWV(wi,wj)表示节点wi和节点wj的关联关系的短期兴趣权重；(2‑2)计算学习者的长期兴趣：设历史学习记录R＝[T₁,T₂,...,T_SIZE]，其中T₁为最接近当前时间的学习资源，为节点w_i的印象吞吐量阵列，根据以下公式计算各节点的长期兴趣权重：其中LWV(wi)为节点wi的长期兴趣权重，DC(Array_ITA(wi))是Array_ITA(wi)的分布系数；设为边的印象流量阵列，根据以下公式计算每两个邻居节点关联关系的长期兴趣权重：其中LWV(wi,wj)表示节点wi和节点wj的关联关系的长期兴趣权重，DC(Array_IFA(wi,wj))是Array_IFA(wi,wj)的分布系数；(3)根据四个视角兴趣度进行学习资源推荐：(3‑1)建立由兴趣图L表示的兴趣模型，兴趣图L包括各学习资源中每个句子的特征词局部网络中的节点和边，还包括由每个节点的短期兴趣权重组成的集合、由每两个邻居节点的关联关系的短期兴趣权重组成的集合、由各节点的长期兴趣权重组成的集合以及由每两个邻居节点的关联关系的长期兴趣权重组成的集合；对于候选学习资源池P＝[T′1,T′2,...,T′size′]，计算每个候选学习资源与兴趣模型的匹配度：Z表示兴趣图L中节点和候选学习资源T′中特征词的交集，则候选学习资源T′与兴趣模型的节点匹配度为：其中wi表示在Z中的第i个特征词，N是候选学习资源T′中句子的数目，T′(wi)表示在候选学习资源T′中出现节点wi的句子数，num表示Z中特征词的个数；若节点匹配度NMDT′,L为短期节点匹配度，用于衡量节点短期兴趣的程度，则wvL(wi)表示节点wi在兴趣图L的短期兴趣，赋值为SWV(wi)；若节点匹配度NMDT′,L为长期节点匹配度，用于衡量节点长期兴趣的程度，则wvL(wi)表示节点wi在兴趣图L的长期兴趣，赋值为LWV(wi)；利用以下公式计算候选学习资源T′与兴趣模型的边匹配度：其中wi和wj分别表示在Z中的第i个和第j个特征词，N是候选学习资源T′中句子的数目，T′(wi,wj)表示在候选学习资源T′中同时出现节点wi和节点wj的句子数，num表示Z中特征词的个数；若边匹配度EMDT′,L为短期边匹配度，用于衡量边短期兴趣的程度，则weL(wi)表示(wi,wj)在兴趣图L的短期兴趣，赋值为SWE(wi,wj)；若边匹配度EMDT′,L为长期边匹配度，用于衡量边长期兴趣的程度，则weL(wi)表示(wi,wj)在兴趣图L的长期兴趣，赋值为LWE(wi,wj)；(3‑2)学习资源推荐过程：分别根据各候选学习资源与兴趣模型的四个基本视角兴趣度对候选学习资源池P＝[T′₁,T′₂,...,T′_size′]中的候选学习资源分别进行排序，所述四个基本视角兴趣度包括短期节点匹配度、长期节点匹配度、短期边匹配度、长期边匹配度，并从排序结果中取出其中q个组成兴趣度等级数组1≤q≤4，通过以下公式计算候选学习资源池的综合排名Ir：其中向量为系数向量，满足c₁+...+c_q＝1，c₁,...,c_q∈[0,1]；(3‑3)按综合排名Ir的顺序将候选学习资源推荐给学习者。