CN120086450B 基于大数据的学习资源推 荐方法及系统 （泰山学院）

(19)国家知识产权局(12)发明专利(10)授权公告号CN120086450B(65)同一申请的已公布的文献号(73)专利权人泰山学院地址271000山东省泰安市岱岳区东岳大街525号(72)发明人王霞李芳冯玲段西强田雪栾云才乔录玲(74)专利代理机构北京京智汇一专利代理事务所(普通合伙)16374专利代理师曾林全GO6Q30审查员隗仁然(54)发明名称基于大数据的学习资源推荐方法及系统本发明公开了基于大数据的学习资源推荐方法及系统，属于资源推荐技术领域，方法包括：聚类模型参数寻优和生成学习资源推荐列表。本方案基于双重邻域集合计算邻域累积局部密度，根据邻居交集中的数据数量进行数据划分并完成凝聚型数据的分簇，引入近邻亲和度计算综合关联强度，完成游离型数据的分簇，并根据簇间融合度优化簇结构；基于适应度值计算每个探索位置的质量，构建优选集合并计算每个探索位置在每个维度上的影响力，基于参数搜索空间的上下限和影响力更新每个探索位置，找到最优的学生聚类模型参数，从而准确地为不同学生提供合数2步骤S1:学习数据采集；采集历史学生学习数据、实时学生学习数据和学习资源元数步骤S5:生成学习资源推荐列表；将学生学习数据集合输入至基于最优参数构建的学在步骤S3中包括步骤S321:数据划分；基于学生学习数据集合除初始聚类中心之外的步骤S33:簇结构优化；计算每两个簇之间的簇间融步骤S311:计算邻域累积局部密度；计算学生学习数据集合中任意两个数据之间的欧3分别是x;和x;的邻域集合；数据集合中选择决策值最大的前N个数据作为初始聚类中心，并构建初始聚类中心集合H;步骤S321:数据划分；步骤S322:凝聚型数据分簇；计算每个凝聚型数据与每个初始聚类中心之间的邻居交集中的数据数量，将每个凝聚型数据x,分配到满足max{S(步骤S323:游离型数据分簇；基于初始聚类中心和凝聚型数据构建已分配数据集合A,步骤S42:计算质量；对每个探索位置的适应度值进行归一化步骤S44:更新探索位置；基于参数搜索空4式中，W艺+1和W2,r分别是第t+1次和第t次搜索时的第2z个探索位置在第r个维度的值，UB和LB分别是参数搜索空间在第r个维度的上限和下限，r是维度索引，T是最大搜索次数，U,r是第t次搜索时的第z个探索位置在第r个维度上的影响力，I是第t次搜索时的第z个探步骤S45:参数确定；预先设定适应度阈值，更新探索位置的适应度值，当存在探索位置的适应度值高于适应度阈值时，则该探索位置对应的学生聚类模型参数为最优参数；否则，若达到最大搜索次数，则返回步骤S41重新进行初始化；否则搜索次数加1并返回步骤S42继续搜索。6.根据权利要求5所述的基于大数据的学习资源推荐方法，其特征在于：在步骤S43中，所述计算影响力是基于质量较大的前[20%Z₁1个探索位置构建优选集合，再基于优选集合计算每个探索位置在每个维度上的影响力；所用公式如下：其中，E是第t次搜索时的优选集合，W是第t次搜索时的第z个探索位置，W是第t次搜索时E中的第h个探索位置，W2,r和Wn,分别是W和W在第r维度的值，U2,r是第t次搜索时的第z个探索位置在第r个维度上的影响力，h是探索位置索引，s,是第r个维度对应的[0,是向下取整。7.根据权利要求1所述的基于大数据的学习资源推荐方法，其特征在于：在步骤S5中，所述生成学习资源推荐列表是将学生学习数据集合输入至基于最优参数构建的学生聚类模型中进行聚类处理，基于输出的聚类结果，确定实时学生学习数据所属的簇D,基于簇D中所有历史学生学习数据包含的资源ID构建待推荐资源集合，结合学习资源元数据集合，得到待推荐资源集合中每个资源ID对应的推荐值，按照推荐值的大小将待推荐资源集合中的资源ID降序排列，得到学习资源推荐列表。8.根据权利要求1所述的基于大数据的学习资源推荐方法，其特征在于：在步骤S1中，所述学习数据采集是采集历史学生学习数据、实时学生学习数据和学习资源元数据。9.根据权利要求1所述的基于大数据的学习资源推荐方法，其特征在于：在步骤S2中，所述学习数据预处理是对采集的历史学生学习数据、实时学生学习数据和学习资源元数据进行数据清洗、数据标准化和构建数据集合处理，得到学生学习数据集合和学习资源元数据集合。10.基于大数据的学习资源推荐系统，用于实现如权利要求1-9中任一项所述的基于大数据的学习资源推荐方法，其特征在于：包括学习数据采集模块、学习数据预处理模块、学生聚类模块、学生聚类模型参数寻优模块和生成学习资源推荐列表模块；所述学习数据采集模块采集历史学生学习数据、实时学生学习数据和学习资源元数据，并将数据发送至学习数据预处理模块；所述学习数据预处理模块对采集的数据进行数据清洗、数据标准化和构建数据集合处理，得到学生学习数据集合和学习资源元数据集合，并将数据发送至学生聚类模块；5所述学生聚类模块基于双重邻域集合计算邻域累积局部密度所述学生聚类模型参数寻优模块基于适应度值计算每个探索所述生成学习资源推荐列表模块将学生学习数据集合输入至基于最优参数构建的学6基于大数据的学习资源推荐方法及系统技术领域[0001]本发明属于资源推荐技术领域，具体是指基于大数据的学习资源推荐方法及系统。背景技术[0002]学习资源推荐方法是利用大数据分析和人工智能技术，通过整合学生的多维度学习数据，深入挖掘海量学习数据中的潜在规律，智能推荐个性化学习资源，从而提高学习效率，提升整体学习成果。但是现有的学习资源推荐方法中存在难以处理高维度、非线性关联和高度稀疏性的学生学习行为数据，不能有效捕捉其内在结构，导致学生群体划分粗糙，学习资源推荐精准度较低的问题；现有的学习资源推荐方法中存在不同学生学习行为数据之间差异较大，难以有效适应所有学生学习行为数据，导致学生群体划分不稳定，无法准确进行学习资源推荐的问题。发明内容[0003]针对上述情况，为克服现有技术的缺陷，本发明提供了基于大数据的学习资源推荐方法及系统，针对现有的学习资源推荐方法中存在难以处理高维度、非线性关联和高度稀疏性的学生学习行为数据，不能有效捕捉其内在结构，导致学生群体划分粗糙，学习资源推荐精准度较低的问题，本方案基于双重邻域集合计算邻域累积局部密度，并与相对距离相结合得到决策值，确定初始聚类中心，根据邻居交集中的数据数量进行数据划分并完成凝聚型数据的分簇，引入近邻亲和度计算综合关联强度，完成游离型数据的分簇，并根据簇间融合度优化簇结构，得到学生聚类模型，能够更精准地识别出在学习行为特征空间中相对重要的学生数据点，更为精准地捕捉学生多样的学习需求，提高学习资源推荐的精准度；针对现有的学习资源推荐方法中存在不同学生学习行为数据之间差异较大，难以有效适应所有学生学习行为数据，导致学生群体划分不稳定，无法准确进行学习资源推荐的问题，本方案基于适应度值计算每个探索位置的质量，构建优选集合并计算每个探索位置在每个维度上的影响力，基于参数搜索空间的上下限和影响力更新每个探索位置，找到最优的学生聚类模型参数，使其更适合不同学生学习数据特征，提升学生群体划分稳定性，从而准确地为不同学生提供合适的学习资源。[0004]本发明采取的技术方案如下：本发明提供的基于大数据的学习资源推荐方法，该方法包括以下步骤：[0005]步骤S1:学习数据采集；[0006]步骤S2:学习数据预处理；[0007]步骤S3:学生聚类；[0008]步骤S4:学生聚类模型参数寻优；[0009]步骤S5:生成学习资源推荐列表。[0010]进一步地，在步骤S1中，所述学习数据采集是采集历史学生学习数据、实时学生学7习数据和学习资源元数据。[0011]进一步地，在步骤S2中，所述学习数据预处理是对采集的历史学生学习数据、实时学生学习数据和学习资源元数据进行数据清洗、数据标准化和构建数据集合处理，得到学生学习数据集合和学习资源元数据集合。[0014]步骤S311:计算邻域累积局部密度；计算学生学习数据集合中任意两个数据之间的欧几里得距离，找到每个数据的K个最近邻并构建邻域集合，基于双重邻域集合计算每个数据的邻域累积局部密度；所用公式如下：数据索引，p是x;的邻域累积局部密度，d;,m是x;与x之间的欧几里得距离，LKNN(x;)和[0017]步骤S312:确定；计算学生学习数据集合中每个数据的相对距离和决策值，从学生学习数据集合中选择决策值最大的前N个数据作为初始聚类中心，并构建初始聚类中心集[0019]步骤S321:数据划分；基于学生学习数据集合除初始聚类中心之外的数据构建待分配数据集合，计算待分配数据集合中的每个数据与每个初始聚类中心之间的邻居交集JkNN(Xa,Xm)和邻居交集中的数据数量S(xa,Xm),若存在至少一个初始聚类中心，使得xa与x之间的邻居交集中的数据数,则将xa划分为凝聚型数据；否则，将xa划分别是数据索引和初始聚类中心索引，JkNn(xa,Xm)是xa与x之间的邻居交集，S(xa,Xm)是[0020]步骤S322:凝聚型数据分簇；计算每个凝聚型数据与每个初始聚类中心之间的邻居交集中的数据数量，将每个凝聚型数据x,分配到满足max{S(xv,Xm)xm∈H}的初始聚类中心x所属的簇中；其中，S(x,Xm)是x,的邻域集合与x的邻域集合之间的邻居交集中的数函数；[0021]步骤S323:游离型数据分簇；基于初始聚类中心和凝聚型数据构建已分配数据集合A,引入近邻亲和度，计算每个游离型数据与已分配数据集合中的每个数据之间的综合关联强度，将每个游离型数据x。分配到满足m如下：8[0035]步骤S44:更新探索位置；基于参数搜索空间的上下限和影响力更新每个探索位9参数搜索空间在第r个维度的上限和下限；[0038]步骤S45:参数确定；预先设定适应度阈值，更新探索位置的适应度值，当存在探索位置的适应度值高于适应度阈值时，则该探索位置对应的学生聚类模型参数为最优参数；否则，若达到最大搜索次数，则返回步骤S41重新进行初始化；否则搜索次数加1并返回步骤S42继续搜索。[0039]进一步地，在步骤S5中，所述生成学习资源推荐列表是将学生学习数据集合输入至基于最优参数构建的学生聚类模型中进行聚类处理，基于输出的聚类结果，确定实时学生学习数据所属的簇D,基于簇D中所有历史学生学习数据包含的资源ID构建待推荐资源集合，结合学习资源元数据集合，得到待推荐资源集合中每个资源ID对应的推荐值，按照推荐值的大小将待推荐资源集合中的资源ID降序排列，得到学习资源推荐列表。[0040]本发明提供的基于大数据的学习资源推荐系统，包括学习数据采集模块、学习数据预处理模块、学生聚类模块、学生聚类模型参数寻优模块和生成学习资源推荐列表模块；[0041]所述学习数据采集模块采集历史学生学习数据、实时学生学习数据和学习资源元数据，并将数据发送至学习数据预处理模块；[0042]所述学习数据预处理模块对采集的数据进行数据清洗、数据标准化和构建数据集合处理，得到学生学习数据集合和学习资源元数据集合，并将数据发送至学生聚类模块；[0043]所述学生聚类模块基于双重邻域集合计算邻域累积局部密度，并与相对距离相结合得到决策值，确定初始聚类中心，根据邻居交集中的数据数量进行数据划分并完成凝聚型数据的分簇，引入近邻亲和度计算综合关联强度，完成游离型数据的分簇，并根据簇间融合度优化簇结构，得到学生聚类模型，并将数据发送至学生聚类模型参数寻优模块；[0044]所述学生聚类模型参数寻优模块基于适应度值计算每个探索位置的质量，构建优选集合并计算每个探索位置在每个维度上的影响力，基于参数搜索空间的上下限和影响力更新每个探索位置，找到最优的学生聚类模型参数，并将数据发送至生成学习资源推荐列表模块；[0045]所述生成学习资源推荐列表模块将学生学习数据集合输入至基于最优参数构建的学生聚类模型中进行聚类处理，基于输出的聚类结果，构建待推荐资源集合，计算每个资源ID的推荐值，并生成学习资源推荐列表。[0046]采用上述方案本发明取得的有益效果如下：[0047](1)针对现有的学习资源推荐方法中存在难以处理高维度、非线性关联和高度稀疏性的学生学习行为数据，不能有效捕捉其内在结构，导致学生群体划分粗糙，学习资源推荐精准度较低的问题，本方案基于双重邻域集合计算邻域累积局部密度，并与相对距离相结合得到决策值，确定初始聚类中心，根据邻居交集中的数据数量进行数据划分并完成凝聚型数据的分簇，引入近邻亲和度计算综合关联强度，完成游离型数据的分簇，并根据簇间融合度优化簇结构，得到学生聚类模型，能够更精准地识别出在学习行为特征空间中相对重要的学生数据点，将不同类型的学生区分开来，更为精准地捕捉学生多样的学习需求，显著提升学习资源推荐的合理性与针对性，提高学习资源推荐的精准度。[0048](2)针对现有的学习资源推荐方法中存在不同学生学习行为数据之间差异较大，难以有效适应所有学生学习行为数据，导致学生群体划分不稳定，无法准确进行学习资源推荐的问题，本方案用探索位置代表一组学生聚类模型参数，基于适应度值计算每个探索位置的质量，构建优选集合并计算每个探索位置在每个维度上的影响力，基于参数搜索空间的上下限和影响力更新每个探索位置，找到最优的学生聚类模型参数，使其更适合不同学生学习数据特征，提升学生群体划分稳定性，能够根据更精准的学生群体划分来推荐资源，从而准确地为不同学生提供合适的学习资源，提高了学习资源推荐的准确性和有效性。附图说明[0049]图1为本发明提供的基于大数据的学习资源推荐方法的流程示意图；[0050]图2为本发明提供的基于大数据的学习资源推荐系统的示意图；[0051]图3为步骤S3的流程示意图；[0052]图4为步骤S4的流程示意图。[0053]附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。具体实施方式[0054]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。[0056]实施例一，参阅图1,本发明提供的基于大数据的学习资源推荐方法，该方法包括以下步骤：[0057]步骤S1:学习数据采集；采集历史学生学习数据、实时学生学习数据和学习资源元[0058]步骤S2:学习数据预处理；对采集的数据进行数据清洗、数据标准化和构建数据集合处理，得到学生学习数据集合和学习资源元数据集合；[0059]步骤S3:学生聚类；基于双重邻域集合计算邻域累积局部密度，并与相对距离相结合得到决策值，确定初始聚类中心，根据邻居交集中的数据数量进行数据划分并完成凝聚型数据的分簇，引入近邻亲和度计算综合关联强度，完成游离型数据的分簇，并根据簇间融[0060]步骤S4:学生聚类模型参数寻优；基于适应度值计算每个探索位置的质量，构建优选集合并计算每个探索位置在每个维度上的影响力，基于参数搜索空间的上下限和影响力更新每个探索位置，找到最优的学生聚类模型参数；[0061]步骤S5:生成学习资源推荐列表；将学生学习数据集合输入至基于最优参数构建的学生聚类模型中进行聚类处理，基于输出的聚类结果，构建待推荐资源集合，计算每个资源ID的推荐值，并生成学习资源推荐列表。问次数；布的天数。[0070]所述构建数据集合包括构建学生学习数据集合数据索引，p₁是x;的邻域累积局部密度，d;m是x;与x之间的欧几里得距离，LKNN(X;)和和决策值Yi=Pi·δi,从学生学习数据集合中选择决策值最大的聚类和资源推荐，通过计算每个数据与初始聚类中心之间的邻居交集和交集中的数据数[0078]步骤S321:数据划分；基于学生学习数据集合除初始聚类中心之外的数据构建待分配数据集合，计算待分配数据集合中的每个数据与每个初始聚类中心之间的邻居交集[0079]步骤S322:凝聚型数据分簇；计算每个凝聚型数据与每个初始聚类中心之间的邻[0080]步骤S323:游离型数据分簇；基于初始聚类中心和凝聚型数据构建已分配数据集合A,引入近邻亲和度，计算每个游离型数据与[20%Z₁1个探索位置构建优选集合，基于优选集合计算每个探索位置在每个维度上的影响[0098]步骤S44:更新探索位置；基于参数搜索空间的上下限和影响力更新每个探索位位置的适应度值高于适应度阈值时，则该探索位置对应的学生聚类模型参数为最优参数；精准推荐。输出的聚类结果，确定实时学生学习数据所属的簇D,基于簇D中所有历史学生学习数据包Vg和Vg分别是待推荐资源集合中第g个资源ID在学习资源元数据集合中对应的被收藏次[0106]实施例七，参阅图2,该实施例基于上述实施例，本发明提供的基于大数据的学习资源推荐系统，包括学习数据采集模块、学习数据预处理模块、学生聚类模块、学生聚类模型参数寻优模块和生成学习资源推荐列表模块；[0107]所述学习数据采集模块采集历史学生学习数据、实时学生学习数据和学习资源元数据，并将数据发送至学习数据预处理模块；[0108]所述学习数据预处理模块对采集的数据进行数据清洗、数据标准化和构建数据集合处理，得到学生学习数据集合和学习资源元数据集合，并将数据发送至学生聚类模块；[0109]所述学生聚类模块基于双重邻域集合计算邻域累积局部密度，并与相对距离相结合得到决策值，确定初始聚类中心，根据邻居交集中的数据数量进行数据划分并完成凝聚型数据的分簇，引入近邻亲和度计算综合关联强度，完成游离型数据的分