CN103886054A - 一种网络教学资源的个性化推荐系统和推荐方法 - Google Patents

Abstract

本发明公开了一种网络教学资源推荐系统及方法。该系统包括：数据构建模块，其构建教师行为数据、教师模型数据、课程模型数据、资源模型数据；离线数据处理模块，其用于初始化和调整课程模型数据和资源模型数据，并利用教师行为数据推断教师身份，根据教师行为数据计算资源之间的关联度，根据资源模型数据计算资源之间的相似度，根据资源模型数据和课程模型数据计算课程与资源之间的关联度；在线推荐模块，其利用资源之间的关联度、资源之间的相似度、课程与资源的关联度、教师的动态描述在线推荐资源，还根据教师对推荐资源的反馈推荐资源标签，并通过UI交互，将教师的行为数据传输到数据构建模块的教师行为数据中。

Description

一种网络教学资源的个性化推荐系统和推荐方法

技术领域

本发明涉及计算机互联网技术领域，具体来说涉及一种在网络化教学资源方面的个性化推荐系统及其实现方法。

背景技术

随着E-Learning的崛起，网络教学资源也在以迅猛的方式增长，信息的超载给教学组织者和学习者带来了许多挑战，他们不得不花费大量的时间和精力，才能筛选出符合自己需求的教学资源，因此，在商业领域大放异彩的推荐系统，也开始逐渐应用到教育领域，其利用用户的历史行为数据，进行个性化计算，发现用户兴趣点，引导用户逐渐发现需求信息或资源，这在很大程度上，提高了用户的工作和学习效率。

当前比较流行的推荐算法有协同过滤推荐(Collaborative filtering，简称CF)、基于内容的推荐(Content-based recommendation，简称CB)、基于知识的推荐(Knowledge-based recommendation)和混合推荐(Hybridrecommendation)算法。协同过滤算法是根据用户之前的喜好以及其他兴趣相近的用户的选择来给用户推荐物品；基于内容的推荐，主要来源于信息检索领域，其原理是通过分析用户过去选择物品的内容，提取文本特征，在未选择的物品中，根据文本特征，计算物品相似性，实现推荐；基于知识的推荐通过与用户之间的交互，如限定购买价格区间、品牌、功能等条件，来不断逼近用户的心理预期；混合推荐算法是通过不同的方式将以上三种方法进行融合，优势互补，实现推荐。

结合商业领域的推荐方法，研究人员提出了多种在E-Learning中的推荐系统，包括在推荐系统中融入本体结构，CB、CF和数据挖掘混合方法等。在正式的中小学教学过程中，教师需要准备大量的教学素材和资料，来为授课做准备，且在国内中小学教学中，存在着学生用书地域性差异、教师水平层次不齐等问题。目前很多推荐系统推荐精度偏低，直接使用协同过滤方法，缺乏对课程内容的了解认识，造成推荐资源的过时，推荐结果与所准备课程任务的关联度偏低的问题，且系统在初始运行时，新用户或新资源的加入，缺少历史行为记录，因此易造成用户历史行为数据稀疏，以及冷启动等问题；本体是通过特定领域词汇表的基本术语及其关系，以及结合这些术语和关系来定义词汇表外延规则的形式化表达，通常需要该领域的专家来进行构建和维护，在推荐系统中采用本体结构，需要很大的人力物力投入，因此，需要一种能够基于课程内容，能节省人工成本，推荐相关教学资源的个性化推荐系统。

发明内容

(一)要解决的技术问题

本发明欲解决的技术问题是在正式教学中，如何充分挖掘课程内容，分析教学资源内容和资源之间的关联关系，以及如何将课程、教学资源和教师行为相结合，实现基于标签集和教师行为的网络教学资源推荐。

(二)技术方案

本发明提供了一利网络教学资源推荐系统，其特征在于，包括：

数据构建模块，其构建教师行为数据、教师模型数据、课程模型数据、资源模型数据；

离线数据处理模块，其用于初始化和调整课程模型数据和资源模型数据，并利用教师行为数据推断教师身份，根据教师行为数据计算资源之间的关联度，根据资源模型数据计算资源之间的相似度，根据资源模型数据和课程模型数据计算课程与资源之间的关联度；

在线推荐模块，其利用资源之间的关联度、资源之间的相似度、课程与资源的关联度、教师的动态描述在线推荐资源，还根据教师对推荐资源的反馈推荐资源标签，并将教师产生的行为数据发送给数据构建模块，以更新教师行为数据。

本发明还提供了一种网络教学资源推荐方法，其特征在于，包括：

数据构建步骤，其构建教师行为数据、教师模型数据、课程模型数据、资源模型数据；

离线数据处理步骤，其用于初始化和调整课程模型数据和资源模型数据，并利用教师行为数据推断教师身份，根据教师行为数据计算资源之间的关联度，根据资源模型数据计算资源之间的相似度，根据资源模型数据和课程模型数据计算课程与资源之间的关联度；

在线推荐步骤，其利用资源之间的关联度、资源之间的相似度、课程与资源的关联度、教师的动态描述在线推荐资源，还根据教师对推荐资源的反馈推荐资源标签，并根据教师产生的行为数据更新教师行为数据。

(三)有益效果

从上述技术方案可以看出，本发明具有以下有益效果：

针对教师用户的特性和需求，从海量资源库中筛选适于教师的教学资源，克服网络资源库信息过载的问题。

1、本发明采用知识决策树结构，是依据教学使用书籍的编排结构，进行设计，同时，使用决策树中的一条路径，来表示教师模型的动态描述，在此树状结构下筛选相关网络资源，可以提高推荐的精度和质量。

2、本发明采用基于内容和标签的推荐方法，可以有效避免冷启动和数据稀疏问题，给推荐系统带来的影响。

3、本发明使用关联规则挖掘方法，是基于同一教师在短时间内的操作具有目的连续性的假设，将其转化为可以使用关联规则挖掘方法处理的问题，计算教学资源之间的关联度，降低数据稀疏情况下，使用协同过滤算法寻找近邻困难的影响。

4、本发明使用潜在语义分析、统计、聚类等方法，通过教师行为记录，对课程标签和资源标签进行过滤扩展，随着行为记录的增加，系统中的课程标签和资源标签会变得越来越稳定和准确，有效降低基于内容推荐方法在提取关键词的不准确性。

附图说明

图1是本发明中网络教学资源推荐系统的结构框图；

图2是本发明中教师模型模块的数据结构示意图；

图3(a)是本发明中课程模型模块的数据结构示意图；

图3(b)是图3(a)符号的说明示意图；

图4是本发明中资源模型模块的数据结构示意图；

图5(a)是本发明中网络爬虫模块的工作流程示意图；

图5(b)是本发明中文本分析模块的工作流程示意图；

图6是本发明中资源混合推荐模块的工作流程示意图；

图7是本发明中网络教学资源的推荐方法中离线处理部分的方法流程图；

图8(a)示出了本发明网络教学资源的推荐方法中在线处理部分的方法流程图；

图8(b)示出了本发明中在线处理部分中课程选择的详细流程示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。

如图1所示，本发明公开了一种网络教学资源的推荐系统，该系统分为数据构建模块、离线数据处理模块和在线推荐模块，由教师行为记录模块101、教师模型102、课程模型103、资源模型104、教师动态描述推理模块105、资源关联度计算模块110、课程标签调整模块106和107、资源标签调整模块108和109、课程资源关联度计算模块111、资源相似性计算模块112、资源混合推荐模块113、标签推荐模块114和UI交互模块115，共15个模块构成。其中，教师行为记录模块101、教师模型102、课程模型103和资源模型104构成数据构建模块，是系统的数据基础；教师动态描述推理模块105、课程标签调整模块106和107、资源标签调整模块108和109、资源关联度计算模块110、课程资源关联度计算模块111、资源相似性计算模块112构成离线数据处理模块，离线数据处理模块从数据构建模块获取相应的数据，进行分析计算；资源混合推荐模块113、标签推荐模块114和UI交互模块115构成在线推荐模块，在线推荐模块在离线模块分析的基础上，针对教师在UI界面中的不同行为，搜索资源和资源标签，并将这些行为收集到数据构建模块的教师行为记录数据库中。下面分别对这些模块进行介绍。

教师行为记录101，用于记录教师在系统平台上，进行的各种操作，为个性化推荐提供数据基础。根据教师的不同行为，可将教师行为记录分为教师资源行为记录、教师教学任务记录和教师标签行为记录。教师资源行为记录是记录教师在UI交互模块115中，对资源的操作行为，包括下载、评分、收藏、浏览，如表1所示，每个教师具有一个教师ID，每个资源也具有资源ID，教师资源行为记录中关联存储教师对资源的行为、教师ID、资源ID和操作时间；教师教学任务记录是指教师在UI交互模块115中，进行的教学设计和备课操作，如表2所示，其中关联存储教师ID、课程ID和教学任务内容以及操作时间；教师标签行为记录是指UI交互模块115中，教师对推荐的资源标签进行的操作，包括选择、修改、删除，如表3所示，其中关联存储教师ID、资源ID、推荐标签、操作后标签和操作时间。

表1教师资源行为记录

表2教师教学任务记录

表3教师标签行为记录

图2示出了本发明中教师模型模块102的数据结构示意图。如图2所示，其数据结构包括静态描述201和动态描述202。静态描述201是指用户的基本信息，包括教师ID(系统分配)、姓名、性别、地址、教育程度和Email等；动态描述202是指教师所教课程的属性，标定了其在课程模型知识树中的位置，属性包括年级、学科、版本、单元和课程，属性之问是父子关系，课程模型103的知识树对此进行详细说明。静态描述201是在教师注册时，需要完成的信息。动态描述202的获取方式包括两种，一是教师登录平台后的显示信息反馈，即在线进行教学任务设计，此过程需要登录的教师选择课程的属性；二是系统根据教师资源行为记录，来推断教师的动态描述，此部分在教师动态描述推理105中详细介绍。

图3(a)示出了本发明中课程模型103的数据结构示意图；图3(b)示出了本发明中课程模型中符号的说明示意图。如图3(a)和3(b)所示，所述课程模型103包括由知识树301和课程标签302。知识树为决策树结构，根据教学书籍中课程属性，包括年级、学科、版本、单元和课程，将国内中小学教材编排成树状结构，第0层对应根节点，为判定课程所属年级，第1层对应课程所属学科的判定，第2层对应课程所属版本的判定，第3层对应课程所属单元的判定，第4层对应所在课程的判定，第5层为叶节点，为教学书籍的各个课程具体名称，各层连线之间的文字，为判定条件。决策树结构易于理解和实现，能在相对短的时间内对大型数据源做出可行且效果良好的结果，利用层级结构可以定位教师模型的动态描述，并使得推荐更加准确。课程标签，用于表示课程的内容特征，其数据结构为词语动态集合，如七年级人教版地理《第一节地球和地球仪》的课程标签：{纬度，经线，经纬网，经度，北京，地图，距离，地球仪，地球，划分，地理，纬线}，初始化通过课程标签调整模块106、107完成，之后，系统离线处理教师的教学任务内容，不断调整优化课程标签。知识树301是基于中小学教学书籍所构建的决策树，根节点为年级判定；年级从小学一年级到高三，共十二个年级分类；学科包括语文、数学、英语、政治、生物、历史等，学科判定条件的建立是依据年级所开设的学科所设；版本包括国内中小学教育所使用的教材版本，由以上这些节点，即可决策出教师所使用的书籍，如三年级语文人教版；单元条件是依据书籍的目录进行的划分，如上册第一单元、下册第三单元；经过课程节点判定后，即可得到某一具体课程。当然，知识树也不限于中小学教学书籍，其也可以是其他教学数据构建的决策树。图3(b)中303、304、305、306和307对应图3(a)决策树中符号的说明。按照这种决策树结构组织教学书籍，如三年级语文人教版上册第二单元《灰雀》，即可显示在知识树中。课程标签302，表示课程的核心内容，其初始化，由图1中课程标签调整模块中的网络爬虫106和文本分析107完成，但由于文本分析是通过计算机算法分析得到课程标签，缺乏对于文本内容的语义理解，提取出的课程标签中存在与其关联度比较低的标签，即课程标签噪声，需要不断通过对教师教学任务内容进行分析，过滤噪声，同时扩展课程标签。

图4示出了本发明中资源模型104的数据结构示意图。如图4所示，包括资源ID401、标题402、关键词403、描述404和资源标签405。资源ID401为系统设定，标题402、关键词403和描述404是资源拥有者对资源的相关描述；资源标签405表示资源的内容特征，其数据结构为词语动态集合，如资源《地球运动》的资源标签为：{白转，地球，公转，运动}，其初始化，由图1中资源标签调整模块中的资源内容分析108和资源标签分析109完成。与课程模型相同，资源标签中也存在噪声，即资源标签中存在与资源关联度比较低的标签，通过对教师标签行为记录进行算法分析，过滤噪声，扩展资源标签。

教师动态描述推理模块105，其使用两种方法推理教师的动态描述，所述两种方法包括：一是基于知识树的资源内容推理方法：通过计算教师资源行为记录中涉及到的资源标签与知识树叶节点对应的课程标签之间的关联度，来推理教师的动态描述。如：教师1801的注册地址为河北省保定市，在一段时间内的下载网络资源行为如表1所示，则计算资源1、2、3的资源标签与知识树叶节点对应课程标签之间的关联度，可推断教师1801所教课程为高中物理《牛顿第二定律》，根据教师1801的注册地址信息，可推断教师1801所教课程的版本为人教版，最终可在知识树中定位出教师1801目前的授课信息为：高中物理人教版第四章《3牛顿第二定律》。二是协同推理方法：即寻找活跃用户的近邻，在k近邻教师中，如果某教师有明确动态描述，则推断活跃用户拥有相同动态描述，如：教师1802有明确的动态描述，且与教师1801有共同的行为记录涉及资源，因此，可推理教师1 801与教师1 802的动态描述相同。通过动态描述的推理，即可推荐该节或者下一节的相关资源，避免推荐以前课程的相关资源，从而使得推荐更加精确。

课程标签调整模块，输入课程模型和教师教学任务记录，通过网络爬虫和文本分析，输出知识树中叶节点对应的课程标签。课程标签调整模块，包括网络爬虫模块106和文本分析模块107，所述网络爬虫模块106用于课程标签初始化时，爬取课程相关联的网页内容，所述文本分析模块107用于提取输入文本的内容特征，所述输入文本包括网络爬虫模块106爬取的课程相关联的网页内容和教师行为记录模块101中的教师教学任务记录。具体地，所述文本分析模块107根据处理过程，动态调整课程标签，若为初始化过程，则提取网页内容特征，按课程合并网页关键词，作为课程标签，若为修正过程，则提取教师教学任务内容特征，使用聚类方法、标签活跃度倒排法和潜在语义分析对课程标签进行过滤和扩展。所述聚类方法分析出现某标签的课程的数量，将出现次数大于某阈值的标签从课程标签中删除，这是因为出现次数多的标签，不具有很好的区分能力，如很多课程的课程标签里出现“教学”，那么该词不能用来区分这些课程，因此需要删除。标签活跃度倒排方法提取教师教学任务内容的标签，并统计各标签出现的频率，作为标签活跃度，将活跃度低的标签，从课程标签中删除。潜在语义分析用于构建课程-标签矩阵，使用矩阵分解方法，求解矩阵的特征向量，利用距离度量方法分析特征向量，求解标签的近邻，来扩展课程标签集合。

图5(a)和图5(b)分别示出了所述网络爬虫模块106和文本分析模块107的工作流程示意图。如图5(a)所示，网络爬虫模块的工作流程具体如下所示：

步骤501：选择教学书籍，如一年级语文人教版；

步骤502：提取教学书籍中各课程的名称；

步骤503：基于搜索引擎技术，将课程名称作为关键词，搜索课程的相关网页；

步骤504：得到网页列表和链接地址；

步骤505：爬取列表链接中的网页内容；

步骤506：判断所有的教学书籍是否结束，若是，则进入下一阶段，否则，跳转至步骤501，选择下一教学书籍。

如图5(b)所示，文本分析模块的工作流程具体如下所示：

步骤507：使用TF-IDF算法从课程相关的网页内容和教师教学任务记录中提取关键词，如果某个词或短语在一篇文章中出现的频率TF高，并且在其他文章中出现的逆向频率IDF低，则认为此词或者短语具有很好的类别区分能力，因此提取其为关键词；

步骤508：按课程合并关键词，即将从不同网页和／或教师教学任务记录中提取的同一课程的关键词合并为一个集合，如由步骤1得到课程1的两个网页的关键词，(课程1，网页1)：{地球，公转，白转，太阳，五带，昼夜}，(课程1，网页2)：{公转，太阳，地球仪，地球，地理，五带，昼夜}，合并为，课程1：{地球，公转，太阳，白转，地球仪，地理，五带，昼夜}；

步骤509：根据输入文本内容来源，调整课程标签，若为网络爬虫爬取的网页内容，则直接将关键词作为课程标签输出到课程标签模型103；若为教师教学任务得到的关键词集合，则对课程模型的课程标签进行过滤和扩展。过滤和扩展的方法有标签活跃度倒排，潜在语义分析，聚类方法等。标签活跃度倒排，是指根据教师教学任务得到的关键词集合，统计其中各个关键词出现的次数，过滤课程标签中未出现或不经常出现的标签；潜在语义分析，利用奇异值分解的方法对课程-标签矩阵进行分解，计算特征向量的近邻，来寻找标签之间的相似度，将与课程标签相似度高且未在课程标签中的词语，加入到课程标签中，实现扩展功能；聚类方法，则是统计常用词，例如，多个课程标签集合中均存在“教学”，其不能表示课程的内容特征，故将其过滤掉。

资源标签调整模块，教师的标签行为记录和资源模型作为输入，使用聚类方法、标签活跃度倒排法和潜在语义法，对资源标签进行过滤和扩展。资源标签调整模块包括资源内容分析模块108和资源标签分析模块109。资源内容分析模块108是通过DF算法分析资源标题、关键词、描述，并从中筛选出资源标签，具体地，如果出现某个词语的文档频率DF高，则该词语不具有很好的区分能力，则将其去掉，将其余词语作为资源标签；资源标签分析模块109用于对资源内容分析模块108筛选出的资源标签和教师标签行为记录中的资源标签进行优化调整后，将其输出至资源模型。若在资源标签初始化过程，则将其直接输出到资源模型中，表4为资源标签初始化后的资源模型；若为计算教师标签行为记录所得，则利用标签活跃度倒排、潜在语义分析和聚类方法统计，过滤和扩展资源标签。标签活跃度倒排，统计资源标签中各个关键词出现的次数，过滤资源标签中未出现或不经常出现的标签；潜在语义分析，利用奇异值分解的方法资源-标签矩阵进行分解，计算特征向量的近邻，来寻找资源标签之间的相似度，并将与资源标签相似度高且未在资源标签中的词语，加入到资源标签中；聚类方法，则是统计常用词，如果其不能表示资源的内容特征，则将其删除。

表4资源模型以及提取的资源标签

资源关联度计算模块110，输入教师资源行为记录，输出资源之间的关联度，方法是认为同一教师在短时间内的行为具有连续性，即同一教师在短时间内有行为记录的资源是关联的，将问题转化为计算资源之间的关联度，使用关联规则挖掘方法来进行求解。该模块基于同一教师在短时间内的行为操作具有连续性的假设，分析资源之间的关联度：即同一教师在短时间内，会对一些资源进行浏览、下载、评分或者收藏，那么这些资源是相关的，将该教师在这段时间内，有行为记录的资源，转化为教师在系统平台上的一次有交易号码的记录，将所有教师资源行为记录，均按此方式转化为交易记录，从而可以得到系统平台中教师的资源交易清单，转化为关联规则挖掘问题，使用Apriori算法即可计算两个资源同时出现的行为记录条数，因此，根据公式1计算资源之间的关联度。

$\mathrm{relevance}=\frac{\mathrm{Num}(\mathrm{resl}\∩\mathrm{res}2)}{\mathrm{Num}(\mathrm{resl}\∪\mathrm{res}2)}$ (公式1)

Num(res1∩res2)表示resl和res2司时出现的次数；

Num(resl∪res2)表示resl或res2出现的总次数。

假设教师1801和教师1802对资源1、2、3进行的教师资源行为记录如表1所示。教师1801在短时间内，对资源1、2、3都有下载行为，转化为交易记录为：交易号码为1的资源列表{1,2，3}；教师1802在短时间内，对资源2、3都有下载行为，但对资源1的行为是在第二天的操作，转化为交易记录为：交易号码为2的资源列表{2，3}，交易号码为3的资源列表{1}。如果多个用户都在短时间内对资源2、3有这样的行为记录条数为20，即Num(res2∩res3)=20，而出现资源2的行为记录条数为25，出现资源3的行为记录条数为30，则

Num(res2∪res3)=Num(res2)+Num(res3)-Num(res2∩res3)=25+30-20=35,资源2、3的关联度为relevance=20／35=0.571，若设定关联度阈值为0.5≤relevance≤1，则认为资源2、3是相关联的，关联度为0.571。

课程资源标签关联度计算模块111，课程标签和资源标签作为输入，使用距离度量方法计算课程标签和资源标签的关联度，使用k近邻方法或者设定距离阈值过滤关联度较低的资源，最终输出课程与资源之间的关联度。距离度量方法选择公式2，计算课程与资源之间的关联度，不小于某阈值，则认为是关联的。

$\mathrm{sim}=\frac{\mathrm{IntS}(\mathrm{crs},\mathrm{res})}{\mathrm{SupS}(\mathrm{crs},\mathrm{res})}$ (公式2)

IntS(crs,res)表示集合{tag|tag∈课程标签crs，且tag∈资源标签res}的元素个数，SupS(crs,res)表示集合{tag|tag∈课程标签crs，或tag∈资源标签res}的元素个数。

资源相似性计算模块112，输入资源标签，使用距离度量方法计算资源之间的距离，使用k近邻方法或者设定距离阈值过滤相似度较低的资源，最终输出资源以及资源之间的相似度。距离度量方法选择公式3，计算资源1和资源2的相似度，不小于某阈值，则认为是相似的。如资源1的标签集是{纬度，中国，多媒体教学，经度，地图，经线，经纬网，纬线}，资源2的标签集是{纬度，世界，多媒体教学，经度，地图，经线，经纬网，纬线}，则sim=7／9=0778。

${\mathrm{sim}}_{\mathrm{1,2}}=\frac{\mathrm{IntS}(\mathrm{res}1,\mathrm{res}2)}{\mathrm{SupS}(\mathrm{res}1,\mathrm{res}2)}$ (公式3)

IntS(crs,res)表示集合{tag|tag∈资源标签resl，且tag∈资源标签res2}的元素个数，SupS(crs,res)表示集合{tag|tag∈资源标签resl，或tag∈资源标签res2}的元素个数。

图6示出了本发明中资源混合推荐模块113的工作流程示意图。如图6所示，在线向用户进行教学资源推荐，利用离线处理得到的数据，并且根据教师模型动态描述和课程资源的关联度，结合资源关联度计算和资源相似性计算，混合推荐资源。

步骤601：判断教师行为是否为搜索资源，若是，则跳转到步骤602，否则跳转到步骤603；

步骤602：根据教师输入的查询词，与资源模型中的资源标签进行关键词匹配，得到与关键词匹配度高的资源列表，当教师进入资源列表中的某资源时，如教师搜索关键词“李白”，系统在所有资源模型中，进行关键词匹配，得到资源列表：资源1—李白.jpg、资源2—李白.doc、资源3—将进酒.doc等，当教师点击某个资源，如资源3—将进酒.doc，进入到该资源的详细描述界面时，跳转到步骤604；

步骤603：从课程资源关联度计算模块111处理得到的结果中，筛选出与教师模型动态描述(年级、学科、版本、单元、课程)关联度较高的资源，得到资源列表；

步骤604：结合资源关联度计算模块110和资源相似性计算模块112，寻找与资源或资源列表中的资源，关联度和相似性较高的资源，根据预设的权值，对这些资源的关联度和相似性进行加权计算，得到相关资源列表，以及各资源的权重，如与资源1关联度和相似性较高的资源2，其关联度为0.8，相似性为0.5，预设的权值分别为0.6、0.4，则资源2的权重为0.8^*0.6+0.5^*0.4=0.68：

步骤605：按照权重高低倒排，推荐教学资源。

标签推荐模块114，是在教师使用资源后，向其推荐该资源的相关标签，得到教师的反馈信息，如教师下载了《世界地图.jpg》，则向其推荐“世界”、“地图”、“经度”、“纬度”、“经线”、“纬线”等，教师可以对推荐的标签进行修改、选择、删除操作。

UI交互模块115负责与教师之间的交互，根据教师的不同行为，实现个性化推荐，同时，收集教师在系统中的各种操作行为，将这些行为记录输出，保存在数据层的教师行为记录中。

本发明还提出了一种网络教学资源的推荐方法。该方法包括离线处理和在线处理两部分流程。

离线处理是通过离线分析数据构建模块的数据和模型，为在线推荐提供中间数据，并分析数据构建模块收集到的教师行为数据，不断优化数据构建模块的各个模型。

图7示出了本发明中网络教学资源的推荐方法中离线处理部分的方法步骤流程图。如图7所示，所述推荐系统中各个模块过程可以相互独立运行，适合分布式并行计算，可以用于处理大数据，有利于系统扩展。离线处理部分的步骤如下，从图7中可以看出，各个步骤相互问独立且无顺序关系：

步骤701：从教师行为记录模块101获取教师资源行为记录，使用教师动态描述推理模块105对教师动态描述进行推理，获得教师的动态描述；同时使用资源关联度计算模块110计算资源模型中的资源关联度；

步骤702：从课程模型103中获取课程名称，通过课程标签调整模块的网络爬虫106和文本分析107，对所述课程的课程标签进行初始化；从教师行为记录模块101获取教师教学任务记录，通过文本分析模块107，对课程标签进行过滤和扩展；

步骤703：从资源模型104中获取资源内容，包括资源标题、关键词和描述，通过资源标签调整模块的资源内容分析108和资源标签分析109，对资源标签进行初始化；从教师行为记录模块101获取教师标签行为记录，通过资源标签分析模块109，对资源标签进行过滤和扩展；

步骤704：从课程模型103和资源模型104中分别获取课程模型数据和资源模型数据，两者结合，通过课程资源关联度计算模块111，计算课程资源关联度；

步骤705：从资源模型104中，获取资源模型数据，通过资源相似性计算模块112，计算资源之问的相似度。

图8(a)示出了本发明中在线处理部分的方法流程图。在线处理部分是在UI界而，通过与教师之问的交互，实现资源推荐和标签推荐，如图8所示，步骤如下：

步骤801：判定用户是否注册：若是，则登录为教师；否则，注册用户，系统注册新用户的教师模型，即注册新用户的基本信息，包括教师ID(系统分配)、姓名、性别、地址、教育程度和Email等；

步骤802：判定教师的行为：当教师登录网络平台后，若准备教学任务，如在线教学设计、在线备课等，则平台进行步骤803课程选择，若搜索资源，则跳转到步骤804，若进行其他行为，如管理个人资源，修改信息等，则跳转到步骤806；

步骤803：选择课程相关属性，并根据教师所选择的课程显示地获取教师的动态描述，包括年级、学科、版本、单元和课程，修改教师模型102，跳转到步骤807；

步骤804：教师主动输入搜索词语，搜索资源，系统根据输入关键词，与资源模型中的资源标签进行关键词匹配，得到与关键词匹配度高的资源列表，如教师搜索关键词“李白”，系统在所有资源模型中，进行关键词匹配，得到资源列表：资源1—李白.jpg、资源2—李白.doc、资源3—将进酒.doc等；

步骤805：教师对资源列表中某资源操作，系统结合资源关联度计算模块110得到的资源相关度和资源相似性计算模块112得到的资源相似性，使用混合推荐模块113，寻找与资源或资源列表中的资源，关联度和相似性较高的资源，根据预设的权值，对这些资源的关联度和相似性进行加权计算，得到相关资源列表，以及各资源的权重，如与资源1关联度和相似性较高的资源2，其关联度为0.8，相似性为0.5，预设的权值分别为0.6、0.4，

则资源2的权重为0.8*0.6+0.5*0.4=0.68；按照权重高低推荐教学资源，跳转到步骤808；

步骤806：系统提取教师模型102的动态描述；

步骤807：由资源推荐模块推荐教学资源：资源推荐模块根据教师模型102的动态描述，结合资源关联度计算模块110、课程资源关联度计算模块111和资源相似性计算模块112，使用混合推荐模块113从课程资源关联度计算模块111处理得到的结果中，筛选出与教师模型动态描述(年级、学科、版本、单元、课程)关联度较高的资源，得到资源列表；结合资源关联度计算模块110和资源相似性计算模块112，寻找与资源或资源列表中的资源，关联度和相似性较高的资源，根据预设的权值，对这些资源的关联度和相似性进行加权计算，得到相关资源列表，以及各资源的权重；按照权重高低推荐教学资源，跳转到步骤808；

步骤808：系统获取教师资源行为反馈信息，如下载、浏览、评分等，并将教师的资源行为记录和教学任务记录保存到教师行为记录模块101中；

步骤809：根据教师资源行为反馈，资源标签推荐模块推荐相关的资源标签，如教师下载了资源《日心说.jpg》，则将该资源的资源标签{意义，哥白尼，理论，核心内容，日心说，开阔，增加，视野}推荐给教师；

步骤810：收集教师对标签的反馈，包括选择、删除、修改等行为，并将教师标签行为记录保存到教师行为记录模块101，如教师对推荐的资源《日心说.jpg》的资源标签，选择“日心说”和“哥白尼”，删除“意义”、“理论”、“开阔”、“增加”、“视野”；

步骤811：判断教师是否退出，若是，则退出；否则，跳转步骤802。

教师在UI模块进行的操作行为，都将输出到数据构建模块的教师行为记录中，供离线处理。

图8(b)示出了本发明中步骤803的课程选择详细流程。如图8(b)所示，该步骤包括：

步骤812：选择年级；

步骤813：选择学科；

步骤814：选择版本；

步骤815：选择单元；

步骤816：选择特定课程。

本发明公开的系统和方法能够在海量教学资源中快速准确的将感兴趣资源按需推荐给教师用户，有效克服网络资源库信息过载问题，降低教师的工作量，为完成教学设计、备课等教学任务提供便利。同时，本发明能有效降低冷启动和数据稀疏问题带来的影响，提高了系统与教师问的交互性，为网络教学资源的个性化推荐提供了一种普适的方法。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种网络教学资源推荐系统，其特征在于，包括：

数据构建模块，其构建教师行为数据、教师模型数据、课程模型数据、资源模型数据；

离线数据处理模块，其用于初始化和调整课程模型数据和资源模型数据，并利用教师行为数据推断教师身份，根据教师行为数据计算资源之间的关联度，根据资源模型数据计算资源之间的相似度，根据资源模型数据和课程模型数据计算课程与资源之间的关联度；

在线推荐模块，其利用资源之间的关联度、资源之间的相似度、课程与资源的关联度、教师的动态描述在线推荐资源，还根据教师对推荐资源的反馈推荐资源标签，并将教师产生的行为数据发送给数据构建模块，以更新教师行为数据。

2.如权利要求1所述的系统，其特征在于，

所述教师行为数据包括：教师资源行为记录、教师教学任务记录和教师标签行为记录，其中教师资源行为记录包括教师对资源的行为，教师教学任务记录包括教师进行的教学设计和备课操作，教师标签行为记录包括教师对资源标签的操作；

所述教师模型数据包括教师的静态描述和动态描述，静态描述指教师的基本信息，动态描述包括教师所教课程的属性；

所述课程模型数据包括知识树和课程标签；所述知识树采用决策树结构，为根据教学书籍中课程属性排成的树状结构。

所述资源模型包括资源属性和资源标签。

3.如权利要求1所述的系统，其特征在于，所述离线数据处理模块包括：

教师动态描述推理模块，使用协同推理方法和基于知识树的资源内容推理方法，根据k近邻教师的动态描述、教师对资源的操作行为记录数据中涉及到的资源标签和课程标签之间的关联度，推理教师的动态描述；

资源关联度计算模块，根据同一教师在预定时间内对资源的操作行为计算资源之间的关联度；

课程标签调整模块，根据课程模型数据中课程名称从网页爬取课程相关网页，并从中提取课程关键词作为课程标签初始化所述课程模型数据；根据教师教学任务记录中教师教学任务内容特征，使用聚类方法、标签活跃度倒排法和潜在语义分析对课程标签进行过滤和扩展；

资源标签调整模块，根据资源模型数据中资源内容提取资源标签，以初始化所述资源模型数据；对从教师标签行为记录获取的资源标签利用标签活跃度倒排、潜在语义分析和聚类方法统计，过滤和扩展资源标签；

课程资源关联度计算模块，使用距离度量方法计算课程标签和资源标签的关联度，并使用k近邻方法或者设定距离阈值过滤关联度较低的资源，最终输出资源和课程之间的关联度；

资源相似性计算模块，使用距离度量方法计算资源标签之间的距离，使用k近邻方法或者设定距离阈值过滤相似度较低的资源，最终输出资源以及资源之间的相似度。

4.如权利要求1所述的方法，其中，在线推荐模块包括：

资源混合推荐模块，根据教师输入的查询词，通过匹配资源标签获得资源列表，或者根据教师模型数据中的教师动态描述，得到与该教师动态描述关联度较高的资源得到资源列表，然后根据资源列表中的资源计算与其关联度和相似性高于预定关联度值和相似度值的关联及相似资源，根据预设的权值对所获得的关联及相似资源进行加权运算，得到相关资源列表，将相关资源列表中权重值高于预定权重值的资源推荐给教师；

标签推荐模块，根据教师对所推荐资源的操作行为为其反馈该推荐资源的资源标签；

教师行为记录模块，用于将教师产生的行为数据发送给数据构建模块，以更新教师行为数据。

5.一种网络教学资源推荐方法，其特征在于，包括：

数据构建步骤，其构建教师行为数据、教师模型数据、课程模型数据、资源模型数据；

离线数据处理步骤，其用于初始化和调整课程模型数据和资源模型数据，并利用教师行为数据推断教师身份，根据教师行为数据计算资源之间的关联度，根据资源模型数据计算资源之间的相似度，根据资源模型数据和课程模型数据计算课程与资源之间的关联度；

在线推荐步骤，其利用资源之间的关联度、资源之间的相似度、课程与资源的关联度、教师的动态描述在线推荐资源，还根据教师对推荐资源的反馈推荐资源标签，并根据教师产生的行为数据更新教师行为数据。

6.如权利要求5所述的方法，其特征在于，

所述教师行为数据包括：教师资源行为记录、教师教学任务记录和教师标签行为记录，其中教师资源行为记录包括教师对资源的行为，教师教学任务记录包括教师进行的教学设计和备课操作，教师标签行为记录包括教师对资源标签的操作；

所述教师模型数据包括教师的静态描述和动态描述，静态描述指教师的基本信息，动态描述包括教师所教课程的属性；

所述课程模型数据包括知识树和课程标签；所述知识树采用决策树结构，为根据教学书籍中课程属性排成的树状结构。

所述资源模型包括资源属性和资源标签。

7.如权利要求5所述的方法，其中，离线数据处理步骤包括：

使用协同推理方法和基于知识树的资源内容推理方法，根据k近邻教师的动态描述、教师资源行为记录中涉及到的资源标签和课程标签之间的关联度，推理教师的动态描述；并根据同一教师在预定时间内对资源的操作行为计算资源之问的关联度；

根据课程模型数据中课程名称从网页爬取课程相关网页，并从中提取课程关键词作为课程标签初始化所述课程模型数据；根据教师教学任务记录中教师教学任务内容特征，使用聚类方法、标签活跃度倒排法和潜在语义分析对课程标签进行过滤和扩展；

根据资源模型数据中资源内容提取资源标签，以初始化所述资源模型数据；对从教师标签行为记录获取的资源标签利用标签活跃度倒排、潜在语义分析和聚类方法统计，过滤和扩展资源标签；

使用距离度量方法计算课程标签和资源标签的关联度，并使用k近邻方法或者设定距离阈值过滤关联度较低的资源，最终输出资源和课程之间的关联度：

使用距离度量方法计算资源标签之间的距离，使用k近邻方法或者设定距离阈值过滤相似度较低的资源，最终输出资源以及资源之间的相似度。

8.如权利要求5所述的方法，其中，在线推荐步骤包括：

根据教师输入的查询词，通过匹配资源标签获得资源列表，或者根据教师模型数据中的教师动态描述，得到与该教师动态描述关联度较高的资源得到资源列表，然后根据资源列表中的资源计算与其关联度和相似性高于预定关联度值和相似度值的关联及相似资源，根据预设的权值对所获得的关联及相似资源进行加权运算，得到相关资源列表，将相关资源列表中权重值高于预定权重值的资源推荐给教师；

根据教师对所推荐资源的操作行为反馈该推荐资源的资源标签。

根据教师产生的行为数据更新教师行为数据。

Images