一种基于课程知识内容画像的课程商品推荐系统的制作方法

1.本发明涉及大数据产品推送技术领域，具体的说，是一种基于课程知识内容画像的课程商品推荐系统。


背景技术：

2.在网络教育过程中，对学生进行有目的性的新课程推送，是维护教育类网站营收极为重要的一环。
3.目前，较为常见的方式都是通过学生对不同课程的评价形成学生-评价矩阵，通过协同过滤算法，找到兴趣相似的学生，通过兴趣相似学生对课程的评价，预测学生对某些课程的评价，将预测评价高的课程推荐给该学生。
4.然而，现有的方式具有以下的缺陷：1、由于课程数目较大，通过学生对课程的评价形成的兴趣向量为稀疏向量，通过稀疏向量所计算的相似度，准确率较低；2、学生对课程的评价分数很难获取，另外获取的数据也不够准确；3、通过学生对课程评分向量描述学生学习兴趣解释性较差。


技术实现要素：

5.本发明的目的在于提供一种基于课程知识内容画像的课程商品推荐系统，已解决现有技术中画像解释性差、课程画像与学生画像相似度的准确性差的问题。
6.为了解决上述问题，本发明采用以下技术手段：一种基于课程知识内容画像的课程商品推荐系统，包括以下步骤：s1、建立课程画像和学生画像；s2、对所述课程图像基于知识点体系打上标签，让所述学生画像与所述课程画像共用同一套标签，并将标签赋予所述学生画像；s3、将所述课程画像与所述学生画像包含的所述标签进行归一化处理，收集各个标签对于所述课程画像和所述学生画像的占比。
7.s4、将标签映射到高维语义空间中，并用稠密向量表示所述标签；s5、用所述稠密向量分别来描述所述课程画像和所述学生画像，并通过两不同类型所述稠密向量的相似度来向学生推荐课程。
8.进一步的，所述课程画像或所述学生画像与所述标签是一对多的关系。
9.再者，在对所述学生画像包含的标签进行统计后，通过遗忘曲线再进行一次归一化。
10.更进一步的，所述遗忘曲线采用艾宾浩斯遗忘曲线，且采用将所述标签的统计结果与时间遗忘系数进行乘积的方式进行归一化统计。
11.更进一步的，通过word2vec算法，对所述标签映射到高维语义空间中。
12.更进一步的，在确定稠密向量前，对课程画像和学生画像在经过最后一次归一化
统计后的标签值进行收集，并将所述标签值作为权重，与标签语义向量进行加权求平均，然后再讲处理后的标签映射到高维语义空间中。
13.本发明在使用的过程中，具有以下有益效果：通过已有的知识点体系，给课程打标签，为课程建立初步的画像。
14.通过学生对课程的学习行为，将课程的标签传递给学生，从而实现对学生的标签化；这样做得好处是，课程与学生共用一套标签，通过同一套标签将课程与学生建立起联系，这样能更好的通过标签画像描述学生对课程学习的兴趣。
15.课程或学生学习行为与标签是一对多的关系，即一门课程或学习的学习行为会包含若干个同一标签，所以要对课程和学生学习行为所包含的标签进行统计，通过归一化，得到各标签对于课程画像和学生画像的占比。
16.由于学生对某标签的学习会随时间的推移而遗忘，也就是对于该标签的兴趣也会遗忘。所以对于学生画像，在对标签进行统计后，通过“艾宾浩斯遗忘曲线”，将标签统计结果与时间遗忘系数做乘积，再进行归一化。
17.通过word2vec算法，将标签映射到高维语义空间中，通过稠密向量表示标签。
18.将课程画像与学生画像归一化后的标签值作为权重，并与标签语义向量进行加权求平均，最终在高维语义空间中，通过稠密向量来描述课程画像与学生的学习兴趣画像。
19.通过学生画像向量与课程画像向量的相似度，来为学生推荐最感兴趣的课程。
具体实施方式
20.为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。
21.因此，以下对本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
22.需要说明的是，在不冲突的情况下，本发明中的实施方式及实施方式中的特征可以相互组合。
23.实施例1一种基于课程知识内容画像的课程商品推荐系统，包括以下步骤：s1、建立课程画像和学生画像；s2、对所述课程图像基于知识点体系打上标签，让所述学生画像与所述课程画像共用同一套标签，并将标签赋予所述学生画像；s3、将所述课程画像与所述学生画像包含的所述标签进行归一化处理，收集各个标签对于所述课程画像和所述学生画像的占比。
24.s4、将标签映射到高维语义空间中，并用稠密向量表示所述标签；s5、用所述稠密向量分别来描述所述课程画像和所述学生画像，并通过两不同类型所述稠密向量的相似度来向学生推荐课程。
25.进一步的，所述课程画像或所述学生画像与所述标签是一对多的关系。
26.再者，在对所述学生画像包含的标签进行统计后，通过遗忘曲线再进行一次归一
化。
27.更进一步的，所述遗忘曲线采用艾宾浩斯遗忘曲线，且采用将所述标签的统计结果与时间遗忘系数进行乘积的方式进行归一化统计。
28.更进一步的，通过word2vec算法，对所述标签映射到高维语义空间中。
29.更进一步的，在确定稠密向量前，对课程画像和学生画像在经过最后一次归一化统计后的标签值进行收集，并将所述标签值作为权重，与标签语义向量进行加权求平均，然后再讲处理后的标签映射到高维语义空间中。
30.这样，在本实施例中，通过已有的知识点体系，给课程打标签，为课程建立初步的画像。
31.通过学生对课程的学习行为，将课程的标签传递给学生，从而实现对学生的标签化；这样做得好处是，课程与学生共用一套标签，通过同一套标签将课程与学生建立起联系，这样能更好的通过标签画像描述学生对课程学习的兴趣。
32.课程或学生学习行为与标签是一对多的关系，即一门课程或学习的学习行为会包含若干个同一标签，所以要对课程和学生学习行为所包含的标签进行统计，通过归一化，得到各标签对于课程画像和学生画像的占比。
33.由于学生对某标签的学习会随时间的推移而遗忘，也就是对于该标签的兴趣也会遗忘。所以对于学生画像，在对标签进行统计后，通过“艾宾浩斯遗忘曲线”，将标签统计结果与时间遗忘系数做乘积，再进行归一化。
34.通过word2vec算法，将标签映射到高维语义空间中，通过稠密向量表示标签。
35.将课程画像与学生画像归一化后的标签值作为权重，并与标签语义向量进行加权求平均，最终在高维语义空间中，通过稠密向量来描述课程画像与学生的学习兴趣画像。
36.通过学生画像向量与课程画像向量的相似度，来为学生推荐最感兴趣的课程。
37.从而通过稠密向量，提高了画像之间区分度。收集学生学习行为作为学生学习兴趣依据，提高了画像的准确性与解释性。通过标签的传递，实现以同一套标签去描述商品画像与学生画像，提高了相似度的准确性。
38.实施例2一种基于课程知识内容画像的课程商品推荐系统，包括以下步骤：s1、建立课程画像和学生画像；s2、对所述课程图像基于知识点体系打上标签，让所述学生画像与所述课程画像共用同一套标签，并将标签赋予所述学生画像；s3、将所述课程画像与所述学生画像包含的所述标签进行归一化处理，收集各个标签对于所述课程画像和所述学生画像的占比。
39.s4、将标签映射到高维语义空间中，并用稠密向量表示所述标签；s5、用所述稠密向量分别来描述所述课程画像和所述学生画像，并通过两不同类型所述稠密向量的相似度来向学生推荐课程。
40.进一步的，所述课程画像或所述学生画像与所述标签是一对多的关系。
41.再者，在对所述学生画像包含的标签进行统计后，通过遗忘曲线再进行一次归一化。
42.更进一步的，所述遗忘曲线采用艾宾浩斯遗忘曲线，且采用将所述标签的统计结
果与时间遗忘系数进行乘积的方式进行归一化统计。
43.更进一步的，通过word2vec算法，对所述标签映射到高维语义空间中。
44.更进一步的，在确定稠密向量前，对课程画像和学生画像在经过最后一次归一化统计后的标签值进行收集，并将所述标签值作为权重，与标签语义向量进行加权求平均，然后再讲处理后的标签映射到高维语义空间中。
45.再者，在需要解决学生跨学科以及完全冷启动的问题时，引入svd以及svd 算法，能够有效的解决。
46.进而，通过已有的知识点体系，给课程打标签，为课程建立初步的画像。
47.通过学生对课程的学习行为，将课程的标签传递给学生，从而实现对学生的标签化；这样做得好处是，课程与学生共用一套标签，通过同一套标签将课程与学生建立起联系，这样能更好的通过标签画像描述学生对课程学习的兴趣。
48.课程或学生学习行为与标签是一对多的关系，即一门课程或学习的学习行为会包含若干个同一标签，所以要对课程和学生学习行为所包含的标签进行统计，通过归一化，得到各标签对于课程画像和学生画像的占比。
49.由于学生对某标签的学习会随时间的推移而遗忘，也就是对于该标签的兴趣也会遗忘。所以对于学生画像，在对标签进行统计后，通过“艾宾浩斯遗忘曲线”，将标签统计结果与时间遗忘系数做乘积，再进行归一化。
50.通过word2vec算法，将标签映射到高维语义空间中，通过稠密向量表示标签。
51.将课程画像与学生画像归一化后的标签值作为权重，并与标签语义向量进行加权求平均，最终在高维语义空间中，通过稠密向量来描述课程画像与学生的学习兴趣画像。
52.通过学生画像向量与课程画像向量的相似度，来为学生推荐最感兴趣的课程。
53.从而通过稠密向量，提高了画像之间区分度。收集学生学习行为作为学生学习兴趣依据，提高了画像的准确性与解释性。通过标签的传递，实现以同一套标签去描述商品画像与学生画像，提高了相似度的准确性。
54.实施例3一种基于课程知识内容画像的课程商品推荐系统，包括以下步骤：s1、建立课程画像和学生画像；s2、对所述课程图像基于知识点体系打上标签，让所述学生画像与所述课程画像共用同一套标签，并将标签赋予所述学生画像；s3、将所述课程画像与所述学生画像包含的所述标签进行归一化处理，收集各个标签对于所述课程画像和所述学生画像的占比。
55.s4、将标签映射到高维语义空间中，并用稠密向量表示所述标签；s5、用所述稠密向量分别来描述所述课程画像和所述学生画像，并通过两不同类型所述稠密向量的相似度来向学生推荐课程。
56.进一步的，所述课程画像或所述学生画像与所述标签是一对多的关系。
57.再者，在对所述学生画像包含的标签进行统计后，通过遗忘曲线再进行一次归一化。
58.更进一步的，所述遗忘曲线采用艾宾浩斯遗忘曲线，且采用将所述标签的统计结果与时间遗忘系数进行乘积的方式进行归一化统计。
59.更进一步的，通过word2vec算法，对所述标签映射到高维语义空间中。
60.更进一步的，在确定稠密向量前，对课程画像和学生画像在经过最后一次归一化统计后的标签值进行收集，并将所述标签值作为权重，与标签语义向量进行加权求平均，然后再讲处理后的标签映射到高维语义空间中。
61.另外，由于前述的算法适用于没有标签数据的系统初始阶段。随着系统的使用，有了标签数据，就可以引入深度学习算法模型，对数据进行训练，得到预测模型，在提高准确度的同时，还能够提高预测效率。
62.进而，通过已有的知识点体系，给课程打标签，为课程建立初步的画像。
63.通过学生对课程的学习行为，将课程的标签传递给学生，从而实现对学生的标签化；这样做得好处是，课程与学生共用一套标签，通过同一套标签将课程与学生建立起联系，这样能更好的通过标签画像描述学生对课程学习的兴趣。
64.课程或学生学习行为与标签是一对多的关系，即一门课程或学习的学习行为会包含若干个同一标签，所以要对课程和学生学习行为所包含的标签进行统计，通过归一化，得到各标签对于课程画像和学生画像的占比。
65.由于学生对某标签的学习会随时间的推移而遗忘，也就是对于该标签的兴趣也会遗忘。所以对于学生画像，在对标签进行统计后，通过“艾宾浩斯遗忘曲线”，将标签统计结果与时间遗忘系数做乘积，再进行归一化。
66.通过word2vec算法，将标签映射到高维语义空间中，通过稠密向量表示标签。
67.将课程画像与学生画像归一化后的标签值作为权重，并与标签语义向量进行加权求平均，最终在高维语义空间中，通过稠密向量来描述课程画像与学生的学习兴趣画像。
68.通过学生画像向量与课程画像向量的相似度，来为学生推荐最感兴趣的课程。
69.从而通过稠密向量，提高了画像之间区分度。收集学生学习行为作为学生学习兴趣依据，提高了画像的准确性与解释性。通过标签的传递，实现以同一套标签去描述商品画像与学生画像，提高了相似度的准确性。
70.尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。