一种基于学习意图的课程推荐方法及系统

1.本发明涉及课程推荐技术领域，具体而言，涉及一种基于学习意图的课程推荐方法及系统。


背景技术：

2.随着教育信息化2.0实施，“互联网+教育”的普及，在线教育得到了巨大的发展。据cnnic统计，截至2021年10月我国在线教育用户规模数已达2亿6378万人，并还在高速增长，与之带来的各种各样在线课程大量涌现，海量的在线教育资源为学习提供了多种形式。但面对如此大量的在线教育资源，用户从中挑选适合自身学习的课程变得非常困难，因此根据课程属性结合学习者自身学习意图课程推荐化算法尤为重要。
3.传统的推荐算法主要有协同过滤推荐算法、基于内容推荐算法、混合型推荐算法。传统算法主要以电商数据为研究对象，其目的是提升用户享受度，提升点击率保留用户资源，提高平台的访问量及商品的销售；而课程资源推荐系统与电商推荐系统有本质区别，课程推荐系统除了要提升学习者点击率的同时，更加关注的是学习者学习水平的提升，及学习兴趣、在线课程参与度的提升。课程资源推荐系统所处理的数据相比电商数据而言更具多样性，课程资源数据通常包括课程信息、视频、课件、讨论、学习资源等，因此课程资源推荐需根据课程的自身特征采用不同的推荐算法，制定不同的推荐策略。
4.传统推荐算法注重挖掘商品与用户间的内在联系，然而一门在线课程包含有多个属性，且与多门课程构成课程体系，传统推荐算法不能挖掘各课程间的联系及课程体系间的联系。传统推荐算法研究只是用户历史行为数据，应用到课程推荐中时，不能对学习者信息进行全面的分析挖掘，不能根据学习者的学习兴趣、学习层次、学习能力进行全面分析，实现在线课程推荐。
5.综上所述，传统算法不能有效地为用户推荐适合其自身情况的课程内容，有必要研发一种可以根据课程属并性结合学习者自身学习意图的课程推荐化方法。


技术实现要素：

6.基于此，为了解决传统算法不能有效地为用户推荐适合其自身情况的课程内容的问题，本发明提供了一种基于学习意图的课程推荐方法及系统，其具体技术方案如下：
7.一种基于学习意图的课程推荐方法，其包括如下步骤：
8.提取学习者的行为特征序列；
9.对学习者的行为特征序列进行聚类计算，提取学习者学习意图；
10.获取课程平台特征数据；
11.根据学习者意图以及课程平台特征数据获取特征集合数据；
12.对特征集合数据中的年龄数据进行划段处理；
13.对划段处理后的特征集合数据进行独热编码处理；
14.将独热编码处理后的特征集合数据转换为libffm格式；
15.使用场感知因子分解模型ffm进行特征数据的计算，获取召回结果；
16.对召回结果进行排序，实现课程的推荐；
17.其中，特征数据集合包括学习者基本属性，学习者基本属性包括年龄段。
18.所述基于学习意图的课程推荐方法首先从学习者的行为数据信息提取行为特征序列，基于行为特征序列提取学习者的学习意图信息，然后获取课程平台特征数据，根据学习意图信息以及课程平台特征数据，使用场感知因子分解机ffm算法模型，根据学习者的学习者意图以及学习者基本属性，对数据进行召回，最后对召唤结果进行排序最终输出推荐课程，可以挖掘出各课程间的联系及课程体系间的联系，根据学习者的学习兴趣、学习层次、学习能力进行全面分析，实现在线课程推荐，解决了传统算法不能有效地为用户推荐适合其自身情况的课程内容的问题。
19.进一步地，特征数据集合还包括学习者意图以及课程基本属性，课程基本属性包括课程id、课程类别以及课程名称。
20.进一步地，学习者基本属性还包括学习者id以及性别。
21.进一步地，使用场感知因子分解模型ffm进行特征数据的计算的公式为：
[0022][0023]
其中，表示特征j与i的交叉隐向量，fj表示第j个特征所属的field，xi表示第i个特征分量，xj表示第j个特征分量。
[0024]
一种基于学习意图的课程推荐系统，其包括提取模块、获取模块、处理模块、处理模块、转换模块、计算模块以及推荐模块。
[0025]
提取模块用于提取学习者的行为特征序列以及对学习者的行为特征序列进行聚类计算，提取学习者学习意图；获取模块用于获取课程平台特征数据，根据学习者意图以及课程平台特征数据获取特征集合数据。
[0026]
处理模块用于对特征集合数据中的年龄数据进行划段处理，对划段处理后的特征集合数据进行独热编码处理；转换模块用于将独热编码处理后的特征集合数据转换为libffm格式。
[0027]
计算模块用于使用场感知因子分解模型ffm进行特征数据的计算，获取召回结果；推荐模块，对召回结果进行排序，实现课程的推荐；其中，特征数据集合包括学习者基本属性，学习者基本属性包括年龄段。
[0028]
进一步地，特征数据集合还包括学习者意图以及课程基本属性，课程基本属性包括课程id、课程类别以及课程名称。
[0029]
进一步地，使用场感知因子分解模型ffm进行特征数据的计算的公式为：
[0030][0031]
其中，表示特征j与i的交叉隐向量，fj表示第j个特征所属的field，xi表示第i个特征分量，xj表示第j个特征分量。
[0032]
一种计算机可读存储介质，其存储有计算机程序，当所述计算机程序被处理器执
行时实现所述基于学习意图的课程推荐方法。
附图说明
[0033]
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在不同的视图中，相同的附图标记指定对应的部分。
[0034]
图1是本发明一实施例中一种基于学习意图的课程推荐方法的整体流程示意图一；
[0035]
图2是本发明一实施例中一种基于学习意图的课程推荐方法的整体流程示意图二。
具体实施方式
[0036]
为了使得本发明的目的、技术方案及优点更加清楚明白，以下结合其实施例，对本发明进行进一步详细说明。应当理解的是，此处所描述的具体实施方式仅用以解释本发明，并不限定本发明的保护范围。
[0037]
需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。
[0038]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0039]
本发明中所述“第一”、“第二”不代表具体的数量及顺序，仅仅是用于名称的区分。
[0040]
实施例一：
[0041]
如图1以及图2所示，本发明一实施例中的一种基于学习意图的课程推荐方法，其包括如下步骤：
[0042]
s1，提取学习者的行为特征序列。
[0043]
一个具体地，学习者的行为特征序列，是指学习者在课程平台的行为特征序列。一个学习者的行为特征可以分为点击、查询、下载、观看、评分五种行为，特征序列可描述为：lb＝{(itemi,click,cis),(itemi,down,cis),(itemi,view,cis),(itemi,grade,cis),(itemi,query,cis)}，其中itemi为课程学习平台中第i项知识点资源，click、down、view、grade、query表示为用户在该资源上进行的操作，cis表示用户在itemi上操作次数。
[0044]
s2，对学习者的行为特征序列进行聚类计算，提取学习者学习意图。
[0045]
具体而言，使用k-mean聚类算法对学习者行为特征序列进行聚类计算，提取学习者学习意图，其聚类计算过程如下所示：
[0046]
第一步，输入学习者特征序列以及超参数k；
[0047]
第二步，随机选择k个中心点；
[0048]
第三步，计算行为特征序列lb中每一项与选择k点间的距离，按距离值最短的对特征项进行归类，依次划分好每一个特征,直至输出k个类别。
[0049]
上述聚类计算过程的部分算法语言如下：
[0050]
输入：学习者特征序列
[0051]
超参数k
[0052]
输出：输出k个类别
[0053]
随机选择k个中心点
[0054]
while(true):
[0055]
计算特征序列lb中每一项与选择k点间的距离
[0056]
按距离值最短的对特征项进行归类
[0057]
依次划分好每一个特征
[0058]
end while
[0059]
s3，获取课程平台特征数据。
[0060]
s4，根据学习者意图以及课程平台特征数据获取特征集合数据。
[0061]
s5，对特征集合数据中的年龄数据进行划段处理。比如，将17-20岁划分为一个年龄段，22-28划分为另一个年龄段。
[0062]
s6，对划段处理后的特征集合数据进行独热编码处理。
[0063]
s7，将独热编码处理后的特征集合数据转换为libffm格式。libffm数据格式为：《field》:《feature》:《value》。
[0064]
s8，使用场感知因子分解模型ffm进行特征数据的计算，获取召回结果。
[0065]
s9，对召回结果进行排序，实现课程的推荐。
[0066]
其中，特征数据集合包括学习者基本属性，学习者基本属性包括年龄段。
[0067]
具体地，在其中一个实施例中，特征数据集合还包括学习者意图以及课程基本属性，课程基本属性包括课程id、课程类别以及课程名称，学习者基本属性还包括学习者id以及性别。
[0068]
特征数据集合示例如下表所示：
[0069][0070]
对划段处理后的特征集合数据进行独热编码处理后的数据如下表所示：
[0071][0072]
所述基于学习意图的课程推荐方法首先从学习者的行为数据信息提取行为特征
序列，基于行为特征序列提取学习者的学习意图信息，然后获取课程平台特征数据，根据学习意图信息以及课程平台特征数据，使用场感知因子分解机ffm算法模型，根据学习者的学习者意图以及学习者基本属性，对数据进行召回，最后对召唤结果进行排序最终输出推荐课程，可以挖掘出各课程间的联系及课程体系间的联系，根据学习者的学习兴趣、学习层次、学习能力进行全面分析，实现在线课程推荐，解决了传统算法不能有效地为用户推荐适合其自身情况的课程内容的问题。
[0073]
在其中一个实施例中，使用场感知因子分解模型ffm进行特征数据的计算的公式为：
[0074][0075]
其中，表示特征j与i的交叉隐向量，fj表示第j个特征所属的field，xi表示第i个特征分量，xj表示第j个特征分量。
[0076]
在其中一个实施例中，本发明提供一种基于学习意图的课程推荐系统，其包括提取模块、获取模块、处理模块、处理模块、转换模块、计算模块以及推荐模块。
[0077]
提取模块用于提取学习者的行为特征序列以及对学习者的行为特征序列进行聚类计算，提取学习者学习意图；获取模块用于获取课程平台特征数据，根据学习者意图以及课程平台特征数据获取特征集合数据。
[0078]
处理模块用于对特征集合数据中的年龄数据进行划段处理，对划段处理后的特征集合数据进行独热编码处理；转换模块用于将独热编码处理后的特征集合数据转换为libffm格式。
[0079]
计算模块用于使用场感知因子分解模型ffm进行特征数据的计算，获取召回结果；推荐模块，对召回结果进行排序，实现课程的推荐；其中，特征数据集合包括学习者基本属性，学习者基本属性包括年龄段。
[0080]
进一步地，特征数据集合还包括学习者意图以及课程基本属性，课程基本属性包括课程id、课程类别以及课程名称。
[0081]
使用场感知因子分解模型ffm进行特征数据的计算的公式为：
[0082][0083]
其中，表示特征j与i的交叉隐向量，fj表示第j个特征所属的field，xi表示第i个特征分量，xj表示第j个特征分量。
[0084]
通过从行为特征序列中提取学习者的学习意图信息，并在推荐过程中对课程集合特征进行处理，所述系统较好的解决了传统推荐算法不能对学习者信息进行全面的分析挖掘，不能根据学习者的学习兴趣、学习层次、学习能力进行全面分析，实现在线课程推荐的问题。
[0085]
所述基于学习意图的课程推荐系统首先从学习者的行为数据信息提取行为特征序列，基于行为特征序列提取学习者的学习意图信息，然后获取课程平台特征数据，根据学习意图信息以及课程平台特征数据，使用场感知因子分解机ffm算法模型，根据学习者的学
习者意图以及学习者基本属性，对数据进行召回，最后对召唤结果进行排序最终输出推荐课程，可以挖掘出各课程间的联系及课程体系间的联系，根据学习者的学习兴趣、学习层次、学习能力进行全面分析，实现在线课程推荐，解决了传统算法不能有效地为用户推荐适合其自身情况的课程内容的问题。
[0086]
在其中一个实施例中，本发明还提供一种计算机可读存储介质，其存储有计算机程序，当所述计算机程序被处理器执行时实现所述基于学习意图的课程推荐方法。
[0087]
实施例二：
[0088]
应当理解，本实施例至少包括上述实施例所有技术特征，并在上述实施例基础上作进一步的具体描述。
[0089]
在本实施例中，在对召回结果进行排序，实现课程的推荐后，响应优选推荐指令(该指令可以有学习者反馈优选推荐请求后生成，也可以由课程平台管理者生成)，所述基于学习意图的课程推荐方法还包括如下步骤：
[0090]
第一步，获取第一特征信息feature1；所述第一特征信息包括但不限于学习者身边的声纹特征信息以及课程平台显示屏图像信息。
[0091]
第二步，获取第二特征信息feature2；所述第二特征信息为课程基本属性和/或学习者意图。
[0092]
第三步，获取第一特征信息以及第二特征信息的关联度。
[0093]
当第一特征信息为声纹特征信息，则可以通过采集声纹特征信息并提取声纹特征信息的语言文字信息，根据语言文字信息中的关键字获取与第二特征信息的关联度。优选地，对于第二特征信息feature2，其可以根据课程基本属性或学习者意图，预设至少一个对应的标准关键字，根据语言文字信息中的关键字与标准关键字之间的比例，又或者与标准关键字对应的语言文字信息中的关键字出现的实际次数与预设次数之间的比例，确定第一特征信息以及第二特征信息的关联度。
[0094]
当第一特征信息为课程平台显示屏图像信息时，则可以根据课程平台显示屏图像信息与预设的第二特征信息feature2对应的预设图像之间的相似度，计算相似度大于预设相似度阈值的显示时间，根据相似度值以及对应的显示时间计算第一特征信息以及第二特征信息的关联度其中，n表示预设的第二特征信息feature2对应的预设图像的数量，simi表示课程平台显示屏图像信息与第i个预设的第二特征信息feature2对应的预设图像的相似度，ti表示课程平台显示屏图像信息与第i个预设的第二特征信息feature2对应的预设图像的相似度大于预设相似度阈值的显示时间。
[0095]
如此一来，通过设置预设相似度阈值，可以对课程平台显示屏图像信息与预设的第二特征信息feature2对应的预设图像进行筛选。当课程平台显示屏图像信息与预设的第二特征信息feature2对应的预设图像之间的相似度大于预设相似度阈值，即认为学习者意图学习某一具体的课程内容，即确定学习者更为具体的学习意图，例如某一课程名称下的某一节内容“专业应用-软件开发-javaee-jb”。
[0096]
第四步，在获取第一特征信息以及第二特征信息的关联度后，将关联度大于预设关联度阈值的某一节内容的点击次数、某一节内容的查询次数、某一节内容的下载次数、某一节内容的观看时长以及某一节内容的评分进行加权计算，得出某一节的推荐指数sumi＝
(clicki*ε1)+(queryi*ε2)+(downi*ε3)+(viewi*ε4)+(gradei*ε5)；其中，clicki表示第i节内容的点击次数，ε1表示预设的单位点击次数指数值，queryi表示第i节内容的查询次数，ε2表示预设的单位查询次数指数值，downi表示第i节内容的下载次数，ε3表示预设的单位下载次数指数值，viewi表示第i节内容的观看时长，ε4表示预设的单位观看时长指数值，gradei表示第i节内容的评分值，ε1表示预设的单位评分指数值。
[0097]
第五步，基于课程内容每一节的推荐指数进行排序，将推荐指数最大的课程推荐至学习者。
[0098]
通过上述方法，利用第一特征信息以及第二特征信息的关联度，计算某一节的推荐指数，并将推荐指数最大的课程推荐至学习者，可以实现更加具体的课程内容的推荐。
[0099]
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0100]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

技术特征：
1.一种基于学习意图的课程推荐方法，其特征在于，所述基于学习意图的课程推荐方法包括如下步骤：提取学习者的行为特征序列；对学习者的行为特征序列进行聚类计算，提取学习者学习意图；获取课程平台特征数据；根据学习者意图以及课程平台特征数据获取特征集合数据；对特征集合数据中的年龄数据进行划段处理；对划段处理后的特征集合数据进行独热编码处理；将独热编码处理后的特征集合数据转换为libffm格式；使用场感知因子分解模型ffm进行特征数据的计算，获取召回结果；对召回结果进行排序，实现课程的推荐；其中，特征数据集合包括学习者基本属性，学习者基本属性包括年龄段。2.如权利要求1所述的一种基于学习意图的课程推荐方法，其特征在于，特征数据集合还包括学习者意图以及课程基本属性，课程基本属性包括课程id、课程类别以及课程名称。3.如权利要求1所述的一种基于学习意图的课程推荐方法，其特征在于，学习者基本属性还包括学习者id以及性别。4.如权利要求1所述的一种基于学习意图的课程推荐方法，其特征在于，使用场感知因子分解模型ffm进行特征数据的计算的公式为：其中，表示特征j与i的交叉隐向量，f
j
表示第j个特征所属的field，x
i
表示第i个特征分量，x
j
表示第j个特征分量。5.一种基于学习意图的课程推荐系统，其特征在于，所述基于学习意图的课程推荐系统包括：提取模块，用于提取学习者的行为特征序列以及对学习者的行为特征序列进行聚类计算，提取学习者学习意图；获取模块，用于获取课程平台特征数据，根据学习者意图以及课程平台特征数据获取特征集合数据；处理模块，用于对特征集合数据中的年龄数据进行划段处理，对划段处理后的特征集合数据进行独热编码处理；转换模块，用于将独热编码处理后的特征集合数据转换为libffm格式；计算模块，用于使用场感知因子分解模型ffm进行特征数据的计算，获取召回结果；推荐模块，对召回结果进行排序，实现课程的推荐；其中，特征数据集合包括学习者基本属性，学习者基本属性包括年龄段。6.如权利要求5所述的一种基于学习意图的课程推荐系统，其特征在于，特征数据集合还包括学习者意图以及课程基本属性，课程基本属性包括课程id、课程类别以及课程名称。7.如权利要求6所述的一种基于学习意图的课程推荐系统，其特征在于，使用场感知因子分解模型ffm进行特征数据的计算的公式为：
其中，表示特征j与i的交叉隐向量，f
j
表示第j个特征所属的field，x
i
表示第i个特征分量，x
j
表示第j个特征分量。8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时实现如权利要求1-4任一项所述基于学习意图的课程推荐方法。

技术总结
本发明提供了一种基于学习意图的课程推荐方法及系统，该课程推荐方法包括如下步骤：提取学习者的行为特征序列；对学习者的行为特征序列进行聚类计算，提取学习者学习意图；获取课程平台特征数据；根据学习者意图以及课程平台特征数据获取特征集合数据；对特征集合数据中的年龄数据进行划段处理；对划段处理后的特征集合数据进行独热编码处理；将独热编码处理后的特征集合数据转换为libffm格式；使用场感知因子分解模型FFM进行特征数据的计算，获取召回结果；对召回结果进行排序，实现课程的推荐。本发明可以挖掘出各课程间的联系及课程体系间的联系，根据学习者的学习兴趣、学习层次、学习能力进行全面分析，实现在线课程推荐。实现在线课程推荐。实现在线课程推荐。


技术研发人员：胡安明
受保护的技术使用者：广州理工学院
技术研发日：2023.04.23
技术公布日：2023/9/7