本發(fā)明涉及面向個性化學(xué)習(xí)的教育資源推薦及大數(shù)據(jù)研究
技術(shù)領(lǐng)域：
，具體涉及面向個性化學(xué)習(xí)的教育資源推薦方法及系統(tǒng)。
背景技術(shù)：
：近年來，隨著全民學(xué)習(xí)、終身學(xué)習(xí)等觀念的普及，非正式學(xué)習(xí)得到了越來越多的人的關(guān)注。移動通信技術(shù)的發(fā)展使得非正式學(xué)習(xí)的方式經(jīng)歷了由數(shù)字學(xué)習(xí)到移動學(xué)習(xí)再到如今的泛在學(xué)習(xí)的發(fā)展過程，學(xué)習(xí)方式變得更加靈活、便捷和個性化。泛在學(xué)習(xí)因其可以使學(xué)習(xí)者根據(jù)自己的需求隨時隨地利用任何終端學(xué)習(xí)的特性，適應(yīng)了現(xiàn)代社會對學(xué)習(xí)的需求，受到人們的普遍歡迎，并成為未來學(xué)習(xí)的發(fā)展趨勢。而泛在學(xué)習(xí)資源是泛在學(xué)習(xí)得以開展的重要支撐，因此，如何設(shè)計與開發(fā)高效、便捷、個性化的泛在學(xué)習(xí)資源成為了泛在學(xué)習(xí)研究的一項(xiàng)重要內(nèi)容?，F(xiàn)階段，互聯(lián)網(wǎng)成為了學(xué)習(xí)者獲取學(xué)習(xí)資源的重要渠道，然而，隨著網(wǎng)絡(luò)資源數(shù)量爆炸性的增長，僅僅通過傳統(tǒng)的搜索引擎方式來獲取信息存在著返回結(jié)果多、準(zhǔn)確性差等缺點(diǎn)，這使得學(xué)習(xí)者無法獲得滿意的學(xué)習(xí)資源。學(xué)習(xí)資源的獲取平臺增加，資源類型也變得更加多樣，面對海量的學(xué)習(xí)資源，如何根據(jù)學(xué)習(xí)者的行為軌跡，分析學(xué)習(xí)者興趣，推薦能夠反映學(xué)習(xí)者學(xué)習(xí)興趣的學(xué)習(xí)資源，實(shí)現(xiàn)“因材施教”變得越來越重要，網(wǎng)絡(luò)的個性化學(xué)習(xí)已經(jīng)成為當(dāng)今世界網(wǎng)絡(luò)教育領(lǐng)域的發(fā)展趨勢。而近年來個性化推薦技術(shù)在商務(wù)領(lǐng)域的成功應(yīng)用為解決這一問題提供了一個新的思路。個性化推薦在互聯(lián)網(wǎng)電子商務(wù)領(lǐng)域的應(yīng)用已經(jīng)非常成熟，研究學(xué)者們也紛紛開始探索推薦技術(shù)在教育領(lǐng)域的應(yīng)用。將個性化推薦技術(shù)引入教育領(lǐng)域，并與泛在學(xué)習(xí)資源相結(jié)合，可以很好地幫助學(xué)習(xí)者獲得個性化的泛在學(xué)習(xí)資源。技術(shù)實(shí)現(xiàn)要素：有鑒于此，本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供面向個性化學(xué)習(xí)的教育資源推薦方法及系統(tǒng)，實(shí)現(xiàn)網(wǎng)絡(luò)教育資源的個性化推薦。為實(shí)現(xiàn)以上目的，本發(fā)明采用如下技術(shù)方案：面向個性化學(xué)習(xí)的教育資源推薦方法，包括：步驟S1、采集學(xué)習(xí)者的基本特征數(shù)據(jù)，并根據(jù)所述基本特征數(shù)據(jù)建立學(xué)習(xí)者的資源興趣度模型和學(xué)習(xí)風(fēng)格模型；其中，所述基本特征數(shù)據(jù)包括學(xué)習(xí)者身份信息、學(xué)習(xí)行為記錄和教育資源操作記錄；步驟S2、根據(jù)所述資源興趣度模型和學(xué)習(xí)風(fēng)格模型建立學(xué)習(xí)者特征模型；步驟S3、根據(jù)所述學(xué)習(xí)者特征模型，計算不同學(xué)習(xí)者之間的相似度或不同教育資源之間的相似度；步驟S4、根據(jù)所述不同學(xué)習(xí)者之間的相似度或不同教育資源之間的相似度，生成針對目標(biāo)學(xué)習(xí)者的教育資源推薦結(jié)果。優(yōu)選地，所述步驟S1中資源興趣度模型中存儲有學(xué)習(xí)者登錄教育資源網(wǎng)站的學(xué)習(xí)者名和密碼、瀏覽對象ID和教育資源興趣度評分；其中，所述教育資源興趣度評分intrScore根據(jù)公式(1)進(jìn)行計算：IntrScore＝Score/5+(st+scc+sds)+Score(1)其中，Score為學(xué)習(xí)者使用或?yàn)g覽教育資源后，對教育資源的評分，Score∈[1，5]，IntrScore∈[1，10]；st為對象ID瀏覽時長得分，根據(jù)公式(2)計算：其中，ToltalTime為使用或?yàn)g覽教育資源的總耗時長，Mintime為該教育資源對應(yīng)的最短學(xué)習(xí)時間，ToltalTime和Mintime的單位皆為分鐘；Click為點(diǎn)擊次數(shù)；scc為收藏評論得分，根據(jù)公式(3)計算：其中，Collect為收藏次數(shù)，Comment為評論標(biāo)記次數(shù)；sds為下載推薦得分，根據(jù)公式(4)計算：其中，Download為下載次數(shù)，Share為推薦給好友次數(shù)。優(yōu)選地，所述步驟S1中學(xué)習(xí)風(fēng)格模型中存儲有學(xué)習(xí)者的學(xué)習(xí)風(fēng)格偏向值，所述學(xué)習(xí)風(fēng)格偏向值根據(jù)如下步驟進(jìn)行計算：根據(jù)學(xué)習(xí)者在線填寫的學(xué)習(xí)風(fēng)格評估表，將學(xué)習(xí)者劃分為四種學(xué)習(xí)風(fēng)格并計算每種學(xué)習(xí)風(fēng)格的偏向值tpi，i＝1、2、3、4；根據(jù)所述四種學(xué)習(xí)風(fēng)格分別對應(yīng)的教育資源操作行為類別取值、偏向權(quán)重和偏向閾值，建立學(xué)習(xí)者教育資源操作行為類別偏向閥值模型；其中，所述教育資源操作行為類別取值包括每種學(xué)習(xí)風(fēng)格對應(yīng)的教育資源操作行為類別的時長、點(diǎn)擊率、時間比和次數(shù)比；根據(jù)公式(5)和公式(6)計算每種學(xué)習(xí)風(fēng)格偏向值tyi，i＝1、2、3、4；其中，ctypej為第i種學(xué)習(xí)風(fēng)格對應(yīng)的教育資源操作行為類別取值，j為正整數(shù)，wj為ctypej所對應(yīng)的偏向權(quán)重，lj為第一偏向閾值，hj為第二偏向閾值；若學(xué)習(xí)者的教育資源操作記錄次數(shù)小于預(yù)設(shè)值，以公式(7)計算每種學(xué)習(xí)風(fēng)格偏向值sti，否則，以公式(8)計算每種學(xué)習(xí)風(fēng)格偏向值sti；sti＝0.8*tpi+0.2tyi(7)；sti＝0.8*tyi+0.2tpi(8)。優(yōu)選地，所述步驟S3中的學(xué)習(xí)者特征模型為n*(m+4)的矩陣信息表；所述學(xué)習(xí)者特征模型中存儲有第n個學(xué)習(xí)者對使用或?yàn)g覽過的第m個教育資源興趣度評分及第n個學(xué)習(xí)者第i種學(xué)習(xí)風(fēng)格的偏向值；1≤n≤學(xué)習(xí)者總?cè)藬?shù)，1≤m≤學(xué)習(xí)者使用或?yàn)g覽過的總教育資源數(shù)，i＝1、2、3、4。優(yōu)選地，所述步驟S3中不同學(xué)習(xí)者之間的相似度根據(jù)如下步驟進(jìn)行計算：統(tǒng)計任一學(xué)習(xí)者Ua使用或?yàn)g覽過的教育資源集合Sa和任一學(xué)習(xí)者Ub使用或?yàn)g覽過的教育資源集合Sb，并求Sa和Sb的交集：Sab＝Sa∩Sb；根據(jù)公式(9)計算出學(xué)習(xí)者Ua和Ub對使用或?yàn)g覽過的教育資源興趣度評分的平均值：其中，k＝a、b，gk,m為學(xué)習(xí)者Uk對使用或?yàn)g覽過的第m個教育資源的興趣度評分，|Sk|為學(xué)習(xí)者Uk使用或?yàn)g覽過的教育資源集合Sk中的元素個數(shù)，gk,x和|Sk|皆從所述學(xué)習(xí)者特征模型查詢得到；根據(jù)公式(10)計算學(xué)習(xí)者ua和ub的學(xué)習(xí)風(fēng)格偏向值的平均值：其中，fk,i為學(xué)習(xí)者Uk第i種學(xué)習(xí)風(fēng)格的偏向值；根據(jù)公式(11)計算學(xué)習(xí)者ua和ub的相似度：其中，0.7和0.3為相似度評分權(quán)重。優(yōu)選地，所述步驟S4中根據(jù)所述不同學(xué)習(xí)者之間的相似度生成針對目標(biāo)學(xué)習(xí)者的教育資源推薦結(jié)果，包括：根據(jù)Usim(ua,ub)的計算結(jié)果，將Usim(ua,ub)降序排序；取降序排列后的Usim(ua,ub)的前K1個值對應(yīng)的ub作為目標(biāo)學(xué)習(xí)者ua的參考學(xué)習(xí)者集合：根據(jù)公式(12)預(yù)測目標(biāo)學(xué)習(xí)者ua對參考學(xué)習(xí)者ub使用或?yàn)g覽過的第m個教育資源的興趣度評分：其中，gb,m為參考學(xué)習(xí)者ub對使用或?yàn)g覽過的第m個教育資源的興趣度評分，從所述學(xué)習(xí)者特征模型查詢得到；為參考學(xué)習(xí)者ub對使用或?yàn)g覽過的教育資源興趣度評分的平均值；根據(jù)Pa,m的計算結(jié)果，將Pa,m降序排列；取降序排列后的Pa,m的前N個值對應(yīng)的教育資源推薦給目標(biāo)學(xué)習(xí)者ua，1≤N≤m。優(yōu)選地，所述步驟S3中不同教育資源之間的相似度根據(jù)如下步驟進(jìn)行計算：統(tǒng)計使用或?yàn)g覽過任一教育資源ra的學(xué)習(xí)者集合統(tǒng)計使用或?yàn)g覽過任一教育資源rb的學(xué)習(xí)者集合并求和的交集根據(jù)公式(13)分別計算教育資源ra和rb的興趣度評分的平均值：其中，k＝a、b，為第n個學(xué)習(xí)者對教育資源rk的興趣度評分，為使用或?yàn)g覽過教育資源rk的學(xué)習(xí)者集合中的元素個數(shù)，和皆從所述學(xué)習(xí)者特征模型查詢得到；根據(jù)公式(14)計算教育資源ra和rb的相似度：優(yōu)選地，所述步驟S4中根據(jù)所述不同教育資源之間的相似度，生成針對目標(biāo)學(xué)習(xí)者的教育資源推薦結(jié)果，包括：根據(jù)Rsim(ra,rb)的計算結(jié)果，將Rsim(ra,rb)降序排序；取降序排列后的Rsim(ra,rb)的前K2個值對應(yīng)的rb作為目標(biāo)教育資源ra的參考教育資源集合：根據(jù)公式(15)預(yù)測目標(biāo)學(xué)習(xí)者ua對目標(biāo)教育資源ra的興趣度評分：其中，為目標(biāo)學(xué)習(xí)者ua對教育資源rb的興趣度評分，從所述學(xué)習(xí)者特征模型查詢得到；根據(jù)的計算結(jié)果，將降序排列；取降序排列后的的前N個值對應(yīng)的教育資源ra推薦給目標(biāo)學(xué)習(xí)者ua。優(yōu)選地，所述步驟S1～S4的輸出結(jié)果以網(wǎng)頁圖表的形式呈現(xiàn)出來。一種面向個性化學(xué)習(xí)的教育資源推薦系統(tǒng)，包括：第一模型建立模塊，用于采集學(xué)習(xí)者的基本特征數(shù)據(jù)，并根據(jù)所述基本特征數(shù)據(jù)建立學(xué)習(xí)者的資源興趣度模型和學(xué)習(xí)風(fēng)格模型；其中，所述基本特征數(shù)據(jù)包括學(xué)習(xí)者身份信息、學(xué)習(xí)行為記錄和教育資源操作記錄；第二模型建立模塊，用于根據(jù)所述學(xué)習(xí)者資源興趣度模型和學(xué)習(xí)風(fēng)格模型，建立學(xué)習(xí)者特征模型；相似度計算模塊，用于根據(jù)所述學(xué)習(xí)者特征模型，計算不同學(xué)習(xí)者之間的相似度或不同教育資源之間的相似度；教育資源推薦模塊，用于根據(jù)所述不同學(xué)習(xí)者之間的相似度或不同教育資源之間的相似度，生成針對目標(biāo)學(xué)習(xí)者的教育資源推薦結(jié)果。本發(fā)明采用以上技術(shù)方案，至少具備以下有益效果：由上述技術(shù)方案可知，本發(fā)明提供的這種面向個性化學(xué)習(xí)的教育資源推薦方法，利用云計算和大數(shù)據(jù)技術(shù)，采集學(xué)習(xí)者的基本特征數(shù)據(jù)，建立學(xué)習(xí)者的資源興趣度模型和學(xué)習(xí)風(fēng)格模型，并根據(jù)資源興趣度模型和學(xué)習(xí)風(fēng)格模型建立學(xué)習(xí)者特征模型，以計算不同學(xué)習(xí)者之間的相似度或不同教育資源之間的相似度，最后根據(jù)不同學(xué)習(xí)者之間的相似度或不同教育資源之間的相似度，生成針對目標(biāo)學(xué)習(xí)者的教育資源推薦結(jié)果。通過本發(fā)明提供的技術(shù)方案，能實(shí)現(xiàn)針對目標(biāo)學(xué)習(xí)者的網(wǎng)絡(luò)教育資源的個性化推薦。另外，本發(fā)明基于軟件工程領(lǐng)域電子商務(wù)中較為成熟的個性化推薦技術(shù)，采用協(xié)同過濾推薦算法，并對該算法進(jìn)行改進(jìn)優(yōu)化，使其適用于學(xué)習(xí)資源的個性化推薦。通過本發(fā)明的技術(shù)方案，能提高學(xué)習(xí)者的學(xué)習(xí)效率、學(xué)習(xí)質(zhì)量，提高教育教學(xué)質(zhì)量，學(xué)習(xí)者無需訪問龐雜的學(xué)習(xí)資源庫盲目搜尋自己感興趣的教育資源，使學(xué)習(xí)者方便快捷地獲取有用信息，避免了學(xué)習(xí)者盲目地查找學(xué)習(xí)資源，同時也節(jié)省了管理者的管理成本。再者，本發(fā)明充分利用云計算和大數(shù)據(jù)處理技術(shù)，實(shí)現(xiàn)海量數(shù)據(jù)的采集、存儲、計算和可視化效果呈現(xiàn)，能充分利用和節(jié)省計算資源，具有很好的拓展性和靈活性，對海量結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)進(jìn)行快速采集、處理和計算，能快速完成面向個性化學(xué)習(xí)的教育資源推薦系統(tǒng)中各種的海量計算。附圖說明圖1為本發(fā)明一實(shí)施例提供的面向個性化學(xué)習(xí)的教育資源推薦方法的流程示意圖；圖2為本發(fā)明一實(shí)施例提供的面向個性化學(xué)習(xí)的教育資源推薦系統(tǒng)的示意框圖。具體實(shí)施方式下面通過附圖和實(shí)施例，對本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)描述。參見圖1，本發(fā)明一實(shí)施例提供的面向個性化學(xué)習(xí)的教育資源推薦方法，包括：步驟S1、采集學(xué)習(xí)者的基本特征數(shù)據(jù)，并根據(jù)所述基本特征數(shù)據(jù)建立學(xué)習(xí)者的資源興趣度模型和學(xué)習(xí)風(fēng)格模型；其中，所述基本特征數(shù)據(jù)包括學(xué)習(xí)者身份信息、學(xué)習(xí)行為記錄和教育資源操作記錄；步驟S2、根據(jù)所述資源興趣度模型和學(xué)習(xí)風(fēng)格模型建立學(xué)習(xí)者特征模型；步驟S3、根據(jù)所述學(xué)習(xí)者特征模型，計算不同學(xué)習(xí)者之間的相似度或不同教育資源之間的相似度；步驟S4、根據(jù)所述不同學(xué)習(xí)者之間的相似度或不同教育資源之間的相似度，生成針對目標(biāo)學(xué)習(xí)者的教育資源推薦結(jié)果。其中，步驟S1中的學(xué)習(xí)者身份信息存儲格式如下表一所示：屬性名數(shù)據(jù)類型說明KeyStdIDVarchar學(xué)習(xí)者IDKeyWordS_IDStdNameVarchar名稱—昵稱S_NameBithdayDate出生日期S_BGradeVarchar年級S_GFavorEFGVarchar興趣愛好S_FIPVarchar學(xué)習(xí)者使用IPS_IP表一步驟S1中的學(xué)習(xí)行為記錄存儲格式如下表二所示：表二步驟S1中的教育資源操作記錄存儲格式如下表三所示：屬性名數(shù)據(jù)類型說明KeyStdIDVarchar學(xué)習(xí)者IDKeyWordS_IDObjectIDVarchar對象IDO_IClickint點(diǎn)擊數(shù)，0(Def，未點(diǎn)擊)O_CCollectint收藏，0(Def，未收藏)O_CollectDownloadint下載次，0(Def，未下載)O_DlCommentint評論標(biāo)記，0(Def，沒評論)O_CommentShareint推薦給好友數(shù)，0(Def，沒推薦)O_ShareTotalTimeint使用/瀏覽資源的總耗時長(分鐘)O_TotalTimeScoreint評分1-5分，0(Def)O_Score表三需要說明的是，上述表一、表二和表三中的字段“屬性名”、“數(shù)據(jù)類型”和“說明”的值存儲在關(guān)系型數(shù)據(jù)庫MySQL中，字段“Key”的值存儲在分布式存儲系統(tǒng)HBase中，由大數(shù)據(jù)處理平臺統(tǒng)計后回寫至關(guān)系型數(shù)據(jù)庫中。由上述技術(shù)方案可知，本發(fā)明提供的這種面向個性化學(xué)習(xí)的教育資源推薦方法，利用云計算和大數(shù)據(jù)技術(shù)，采集學(xué)習(xí)者的基本特征數(shù)據(jù)，建立學(xué)習(xí)者的資源興趣度模型和學(xué)習(xí)風(fēng)格模型，并根據(jù)資源興趣度模型和學(xué)習(xí)風(fēng)格模型建立學(xué)習(xí)者特征模型，以計算不同學(xué)習(xí)者之間的相似度或不同教育資源之間的相似度，最后根據(jù)不同學(xué)習(xí)者之間的相似度或不同教育資源之間的相似度，生成針對目標(biāo)學(xué)習(xí)者的教育資源推薦結(jié)果。通過本發(fā)明提供的技術(shù)方案，能實(shí)現(xiàn)針對目標(biāo)學(xué)習(xí)者的網(wǎng)絡(luò)教育資源的個性化推薦。優(yōu)選地，所述步驟S1中資源興趣度模型中存儲有學(xué)習(xí)者登錄教育資源網(wǎng)站的學(xué)習(xí)者名和密碼、瀏覽對象ID和教育資源興趣度評分；資源興趣度模型中的數(shù)據(jù)存儲格式如下表四所示：屬性名數(shù)據(jù)類型說明KeyStdIDVarchar學(xué)習(xí)者IDKeyWordS_IDObjectIDVarchar對象IDO_IIntrScoreFloat教育資源興趣度評分O_IntrScore表四其中，表四中的教育資源興趣度評分intrScore根據(jù)公式(1)進(jìn)行計算：IntrScore＝Score/5+(st+scc+sds)+Score(1)其中，Score為學(xué)習(xí)者使用或?yàn)g覽教育資源后，對教育資源的評分，Score∈[1，5]，IntrScore∈[1，10]；st為對象ID瀏覽時長得分，根據(jù)公式(2)計算：其中，ToltalTime為使用或?yàn)g覽教育資源的總耗時長，Mintime為該教育資源對應(yīng)的最短學(xué)習(xí)時間，ToltalTime和Mintime的單位皆為分鐘；Click為點(diǎn)擊次數(shù)；scc為收藏評論得分，根據(jù)公式(3)計算：其中，Collect為收藏次數(shù)，Comment為評論標(biāo)記次數(shù)；sds為下載推薦得分，根據(jù)公式(4)計算：其中，Download為下載次數(shù)，Share為推薦給好友次數(shù)。優(yōu)選地，所述步驟S1中學(xué)習(xí)風(fēng)格模型中存儲有學(xué)習(xí)者的學(xué)習(xí)風(fēng)格偏向值，所述學(xué)習(xí)風(fēng)格偏向值根據(jù)如下步驟進(jìn)行計算：根據(jù)學(xué)習(xí)者在線填寫的學(xué)習(xí)風(fēng)格評估表(參見如下表五)，將學(xué)習(xí)者劃分為四種學(xué)習(xí)風(fēng)格并計算每種學(xué)習(xí)風(fēng)格的偏向值tpi，i＝1、2、3、4；表五上述表五中，針對每種類型，其計算結(jié)果得分為{11A，9A，7A，5A}→{5，4，3，2}；{3A，A，B，3B}→{1，0.5，-0.5，-1}；{5B，7B，9B，11B}→{-2，-3，-4，-5}；當(dāng)?shù)梅帧蕒5，4，3，2}表示其學(xué)習(xí)風(fēng)格偏向每種類型的前者即∈{活躍型、感悟型、視覺型、序列型}，當(dāng)?shù)梅帧蕒1，0.5，-0.5，-1}表示其學(xué)習(xí)風(fēng)格偏向每種類型的折中；當(dāng)?shù)梅帧蕒-2，-3，-4，-5}∈{沉思型、直覺型、言語型、綜合型}；數(shù)值的取值表示其學(xué)習(xí)風(fēng)格偏向的程度。根據(jù)所述四種學(xué)習(xí)風(fēng)格分別對應(yīng)的教育資源操作行為類別取值、偏向權(quán)重和偏向閾值，建立學(xué)習(xí)者教育資源操作行為類別偏向閥值模型(參見表六)；其中，所述教育資源操作行為類別取值包括每種學(xué)習(xí)風(fēng)格對應(yīng)的教育資源操作行為類別的時長、點(diǎn)擊率、時間比和次數(shù)比(參見表七)；表六表七需要說明的是，上述表七中的字段“屬性名”、“數(shù)據(jù)類型”和“說明”的值存儲在關(guān)系型數(shù)據(jù)庫MySQL中，字段“Key”的值存儲在分布式存儲系統(tǒng)HBase中，由大數(shù)據(jù)處理平臺統(tǒng)計后回寫至關(guān)系型數(shù)據(jù)庫中。根據(jù)公式(5)和公式(6)計算每種學(xué)習(xí)風(fēng)格偏向值tyi，i＝1、2、3、4；例如：假設(shè)活躍型/沉思型對應(yīng)的操作行為類別取值t_std的ctype1取值為4.5，偏向權(quán)重w1為0.3；t_disc的ctype2取值為3.8，偏向權(quán)重w2為0.2；n_disc的ctype3取值為4.8，偏向權(quán)重w3為0.25；n_mes的ctype4取值為4.2，偏向權(quán)重w4為0.25。則學(xué)習(xí)者活躍型/沉思型學(xué)習(xí)風(fēng)格的偏向值為：＝4.5*0.3+3.8*0.2+4.8*0.25+4.2*0.25＝4.36。公式(5)中的ctypej根據(jù)公式(6)進(jìn)行計算：其中，ctypej為第i種學(xué)習(xí)風(fēng)格對應(yīng)的教育資源操作行為類別取值，j為正整數(shù)，wj為ctypej所對應(yīng)的偏向權(quán)重，lj為第一偏向閾值，hj為第二偏向閾值；例如：設(shè)ctypej為t_std，查詢表7可知t_std為學(xué)習(xí)者參與學(xué)習(xí)平均時長，假設(shè)為60分鐘，對應(yīng)的l1為30分鐘，h1為75分鐘，由于60∈(30,75)，則t_std的取值為：若學(xué)習(xí)者的教育資源操作記錄次數(shù)小于預(yù)設(shè)值，以公式(7)計算每種學(xué)習(xí)風(fēng)格偏向值sti，否則，以公式(8)計算每種學(xué)習(xí)風(fēng)格偏向值sti；sti＝0.8*tpi+0.2tyi(7)；sti＝0.8*tyi+0.2tpi(8)。優(yōu)選地，所述步驟S3中的學(xué)習(xí)者特征模型為n*(m+4)的矩陣信息表(參見表八)；所述學(xué)習(xí)者特征模型中存儲有第n個學(xué)習(xí)者對使用或?yàn)g覽過的第m個教育資源興趣度評分及第n個學(xué)習(xí)者第i種學(xué)習(xí)風(fēng)格的偏向值；1≤n≤學(xué)習(xí)者總?cè)藬?shù)，1≤m≤學(xué)習(xí)者使用或?yàn)g覽過的總教育資源數(shù)，i＝1、2、3、4。表八優(yōu)選地，所述步驟S3中不同學(xué)習(xí)者之間的相似度根據(jù)如下步驟進(jìn)行計算：統(tǒng)計任一學(xué)習(xí)者Ua使用或?yàn)g覽過的教育資源集合Sa和任一學(xué)習(xí)者Ub使用或?yàn)g覽過的教育資源集合Sb，并求Sa和Sb的交集：Sab＝Sa∩Sb；根據(jù)公式(9)計算出學(xué)習(xí)者Ua和Ub對使用或?yàn)g覽過的教育資源興趣度評分的平均值：其中，k＝a、b，gk,m為學(xué)習(xí)者Uk對使用或?yàn)g覽過的第m個教育資源的興趣度評分，|Sk|為學(xué)習(xí)者Uk使用或?yàn)g覽過的教育資源集合Sk中的元素個數(shù)，gk,x和|Sk|皆從所述學(xué)習(xí)者特征模型查詢得到；根據(jù)公式(10)計算學(xué)習(xí)者ua和ub的學(xué)習(xí)風(fēng)格偏向值的平均值：其中，fk,i為學(xué)習(xí)者Uk第i種學(xué)習(xí)風(fēng)格的偏向值；根據(jù)公式(11)計算學(xué)習(xí)者ua和ub的相似度：其中，0.7和0.3為相似度評分權(quán)重。優(yōu)選地，所述步驟S4中根據(jù)所述不同學(xué)習(xí)者之間的相似度生成針對目標(biāo)學(xué)習(xí)者的教育資源推薦結(jié)果，包括：根據(jù)Usim(ua,ub)的計算結(jié)果，將Usim(ua,ub)降序排序；取降序排列后的Usim(ua,ub)的前K1個值對應(yīng)的ub作為目標(biāo)學(xué)習(xí)者ua的參考學(xué)習(xí)者集合：根據(jù)公式(12)預(yù)測目標(biāo)學(xué)習(xí)者ua對參考學(xué)習(xí)者ub使用或?yàn)g覽過的第m個教育資源的興趣度評分：其中，gb,m為參考學(xué)習(xí)者ub對使用或?yàn)g覽過的第m個教育資源的興趣度評分，從所述學(xué)習(xí)者特征模型查詢得到；為參考學(xué)習(xí)者ub對使用或?yàn)g覽過的教育資源興趣度評分的平均值；根據(jù)Pa,m的計算結(jié)果，將Pa,m降序排列；取降序排列后的Pa,m的前N個值對應(yīng)的教育資源推薦給目標(biāo)學(xué)習(xí)者ua，1≤N≤m。具體來說，通過MapReduce迭代過程，取降序排列后的Pa,m的前N個值對應(yīng)的教育資源推薦給目標(biāo)學(xué)習(xí)者ua。優(yōu)選地，所述步驟S3中不同教育資源之間的相似度根據(jù)如下步驟進(jìn)行計算：統(tǒng)計使用或?yàn)g覽過任一教育資源ra的學(xué)習(xí)者集合統(tǒng)計使用或?yàn)g覽過任一教育資源rb的學(xué)習(xí)者集合并求和的交集根據(jù)公式(13)分別計算教育資源ra和rb的興趣度評分的平均值：其中，k＝a、b，為第n個學(xué)習(xí)者對教育資源rk的興趣度評分，為使用或?yàn)g覽過教育資源rk的學(xué)習(xí)者集合中的元素個數(shù)，和皆從所述學(xué)習(xí)者特征模型查詢得到；根據(jù)公式(14)計算教育資源ra和rb的相似度：優(yōu)選地，所述步驟S4中根據(jù)所述不同教育資源之間的相似度，生成針對目標(biāo)學(xué)習(xí)者的教育資源推薦結(jié)果，包括：根據(jù)Rsim(ra,rb)的計算結(jié)果，將Rsim(ra,rb)降序排序；取降序排列后的Rsim(ra,rb)的前K2個值對應(yīng)的rb作為目標(biāo)教育資源ra的參考教育資源集合：根據(jù)公式(15)預(yù)測目標(biāo)學(xué)習(xí)者ua對目標(biāo)教育資源ra的興趣度評分：其中，為目標(biāo)學(xué)習(xí)者ua對教育資源rb的興趣度評分，從所述學(xué)習(xí)者特征模型查詢得到；根據(jù)的計算結(jié)果，將降序排列；取降序排列后的的前N個值對應(yīng)的教育資源ra推薦給目標(biāo)學(xué)習(xí)者ua。具體來說，通過MapReduce迭代過程，取降序排列后的的前N個值對應(yīng)的教育資源ra推薦給目標(biāo)學(xué)習(xí)者ua。優(yōu)選地，上述教育資源以教育資源推薦列表、個性化教育資源推薦列表、學(xué)習(xí)者社區(qū)推薦列表等形式推薦給目標(biāo)學(xué)習(xí)者。優(yōu)選地，所述步驟S1～S4的輸出結(jié)果以網(wǎng)頁圖表的形式呈現(xiàn)出來(例如通過分類統(tǒng)計圖、曲線圖等形式在Web頁面上呈現(xiàn))。參見圖2，面向個性化學(xué)習(xí)的教育資源推薦系統(tǒng)100，包括：第一模型建立模塊101，用于采集學(xué)習(xí)者的基本特征數(shù)據(jù)，并根據(jù)所述基本特征數(shù)據(jù)建立學(xué)習(xí)者的資源興趣度模型和學(xué)習(xí)風(fēng)格模型；其中，所述基本特征數(shù)據(jù)包括學(xué)習(xí)者身份信息、學(xué)習(xí)行為記錄和教育資源操作記錄；第二模型建立模塊102，用于根據(jù)所述學(xué)習(xí)者資源興趣度模型和學(xué)習(xí)風(fēng)格模型，建立學(xué)習(xí)者特征模型；相似度計算模塊103，用于根據(jù)所述學(xué)習(xí)者特征模型，計算不同學(xué)習(xí)者之間的相似度或不同教育資源之間的相似度；教育資源推薦模塊104，用于根據(jù)所述不同學(xué)習(xí)者之間的相似度或不同教育資源之間的相似度，生成針對目標(biāo)學(xué)習(xí)者的教育資源推薦結(jié)果。優(yōu)選地，上述面向個性化學(xué)習(xí)的教育資源推薦系統(tǒng)100按如下步驟進(jìn)行部署：1、配置云端服務(wù)。安裝智慧協(xié)同教育學(xué)習(xí)服務(wù)平臺，配置部署關(guān)系數(shù)據(jù)庫MySQL，按需求在每個商務(wù)頁面(Web、App等)部署JavaScript數(shù)據(jù)采集腳本。2、配設(shè)基礎(chǔ)設(shè)施設(shè)備，安裝軟件環(huán)境VMwareworkstation8.04，Ubuntu12.04server版，JDK1.7，Hadoop2.6，Hive0.7.0，Hbase0.90.3，Mahout0.9.0。3、按數(shù)據(jù)分析過程及相似度計算所用的統(tǒng)計信息及數(shù)據(jù)，部署HadoopHDFS以及實(shí)現(xiàn)分析統(tǒng)計及計算的MapReduce業(yè)務(wù)代碼。4、采集數(shù)據(jù)并且將數(shù)據(jù)表切割成文件塊存儲在分布文件系統(tǒng)HDFS中進(jìn)行存儲和管理。5、執(zhí)行數(shù)據(jù)分析任務(wù)。6、數(shù)據(jù)結(jié)果在Web頁面上呈現(xiàn)。以上所述的具體實(shí)施方式，對本發(fā)明的目的、技術(shù)方案和有益效果進(jìn)行了進(jìn)一步詳細(xì)說明，所應(yīng)理解的是，以上所述僅為本發(fā)明的具體實(shí)施方式而已，并不用于限定本發(fā)明的保護(hù)范圍，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。術(shù)語“第一”、“第二”僅用于描述目的，而不能理解為指示或暗示相對重要性。術(shù)語“多個”指兩個或兩個以上，除非另有明確的限定。當(dāng)前第1頁1 2 3