本发明涉及教育信息化技术领域，尤其涉及一种基于标签的教育资源推荐方法及系统。
背景技术：
近十年来，互联网规模和覆盖面的迅速增长带来了信息超载的问题，为了解决这个问题推荐系统变得流行起来。推荐系统被用于很多场景，例如：电影、音乐、新闻、研究论文等。在基于教育云的在线教育领域也采取了推荐系统去使得学生提升学习效率和体验度，并为学生提供个性化的学习服务。
推荐系统在教育领域的应用也像国际上一样受到越来越多的关注,但是关于教育资源的个性化网络教育推荐系统的研究还不是很成熟。在我们的生活和学习中,很多教育资源网站、远程教育网站,这些网站的教育资源没有实现个性化,给学习者带来了很大的不便。国内一些硕士、博士论文出现了一些关于教育资源推荐系统的研究,例如北方工业大学王荣的硕士论文《教育网站资源个性化推荐系统的研究》,其研究主要专注于改进rock聚类和k最近邻算法实现推荐系统,主要是从推荐算法的角度研究资源推荐；一些大学的研究机构主要是关于自适应教学、自适应导航方面,例如东北师范大学、华南师范大学出现很多的硕士、博士论文研究自适应系统,在这些自适应系统中,虽然资源推荐这一部分也在考虑之中,但是其在这些研究中只是作为很小的一个方面。资源推送这一块内容是应该受到更多的关注。
技术实现要素：
本发明所要解决的技术问题是通过对协同推荐算法进行研究，结合学习者特征和学习资源领域特征,设计并开发出满足协作学习和自助学习要求的一种基于标签的教育资源推荐方法及系统。
本发明解决上述技术问题的技术方案如下：一种基于标签的教育资源推荐方法，其步骤如下：
s1：输入个人信息和要找的教育资源标签，读取所述个人信息并根据所述教育资源标签在教育资源网络中进行初次筛选，得到第一组教育资源和第一组用户集合；
s2：用户随机查看所述第一组教育资源中的一个教育资源，并对所述教育资源的难度、相关度和喜好程度进行评分并得到关于这三个评分标准的评分向量；并根据所述第一组用户集合中的其他用户关于所述教育资源的评分向量构建相似度函数，并根据所述相似度函数的计算结果作正态分布曲线n(μ,σ)，根据所述正态分布曲线对所述第一组用户集合定义相似用户群；
s3：从s2得到的所述相似用户群中筛选出关于该标签喜好程度最高的教育资源，得到第二组教育资源和第二组用户集合，对所述第二组教育资源重复s2得到第三组教育资源和第三组用户集合；
s4：对多次筛选过程中出现过的其他用户的出现次数计算加权平均数得到相似用户的排序值q，并根据所述排序值q的范围定义相同水平学习者群体并相互关联。
s5：根据所述相同水平学习者群体和每个相同水平学习者的喜好程度显示关于其他教育资源标签的教育资源记录。
进一步，所述个人信息包括用户名、头像、性别、年级；所述标签包括学科、章节、关键词；所述评分标准中的难度评分从易到难分为1-5，相关度评分从不相关到相关分为0-5，喜好程度评分从不喜欢到喜欢分为0-4。
进一步，所述相似度函数定义为ω(α，β)＝<α,β>/|α|·|β|，其中α为该用户的评分向量(x1,y1,z1)，β为其他某个用户的评分向量(x2,y2,z2)，其中，x为难度值，y为相关度值，z为喜好程度值；所述正态分布曲线n(μ,σ)中，μ为所述s4中的所有用户的ω(α，β)的均数，σ为s4中的所有用户的ω(α，β)的方差；所述相似用户为正态分布曲线n(μ,σ)中(μ-σ/3～μ+σ/3)范围内的用户。
进一步，所述相似用户排序值
进一步，将所述相似用户排序值q从大到小进行排列，排序在前30％的所述相似用户排序值q对应的用户定义为所述相同水平学习者群体。
一种基于标签的教育资源推荐系统，其特征在于，包括：
第一模块，用于输入个人信息和所要找的教育资源标签，读取所述个人信息并根据所述教育资源标签在所述教育资源网络中进行初次筛选，得到所述第一组教育资源和所述第一组用户集合；
第二模块，用于随机查看所述第一组教育资源中的一个教育资源，并对所述教育资源的难度、相关度和喜好程度进行评分并得到关于这三个评分标准的评分向量；并根据所述第一组用户集合中的其他用户关于所述教育资源的评分向量构建相似度函数，并根据所述相似度函数的计算结果作正态分布曲线n(μ,σ)，根据所述正态分布曲线对所述第一组用户集合定义相似用户群；
第三模块，用于从上一步得到的所述相似用户群中筛选出关于该标签喜好程度最高的教育资源，得到第二组教育资源和第二组用户集合，并可重复进行此步骤；
第四模块，用于多次筛选过程中出现过的其他用户的出现次数计算加权平均数得到相似用户的排序值q，并根据所述排序值q的范围定义相同水平学习者群体并相互关联；
第五模块，用于根据所述相同水平学习者群体和每个相同水平学习者的喜好程度推荐关于所搜索的教育资源标签的教育资源。
基于上述技术方案，本发明的有益效果是：(1)从基于知识领域的横向维度和基于学习者的纵向维度，分析学习者-标签-知识点之间的内在关联，进一步挖掘细分学习者群体，设计基于标签的教育资源推荐系统模型，为用户提供高精度、细粒度的教育资源推荐服务；(2)通过研究个性化教育的理论基础，主要包括以人为本的教育理论、建构主义教育理论和多元智能理论等内容,为个性化资源推荐系统的研究提供理论支撑；(3)研究推荐系统中所用到的推荐技术。包括关联规则推荐、基于知识推荐、协同过滤的推荐等算法,同时加入了学习者个性特征和知识领域特征，以及学习者的历史行为分析等。通过这样的混合推荐使得推荐系统在推荐学习资源时能从不同的角度考虑学习者的根本需求,提高推荐的准确性。
附图说明
图1为一种基于标签的教育资源推荐系统的示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
一种优选的实施例，用户首先输入用户名：张三，和要找的教育资源标签：高一向量，此时教育资源网络中筛选出第一组教育资源共805个教育资源，和搜索过此标签的第一组用户集合，共476个用户；
随机查看第一组教育资源中任意一个教育资源a，并对教育资源a的难度、相关度和喜好程度打分，三项分别为1分、3分、2分，建立评分向量得到a0(1,2,3)，同时，教育资源a共有205个评分，因此有205个评分向量a1、a2……a205，做相似度计算ω(a0，a1)＝<a0,a1>/|a0|·|a1|、ω(a0，a2)＝<a0,a2>/|a0|·|a2|……ω(a0，a205)＝<a0,a205>/|a0|·|a1|，将ω(a0，a1)……ω(a0，a205)共205个相似度值计算正态分布曲线线n(μ,σ)，得到μ＝0.05，σ＝0.86，将-0.236到0.336范围内的值所对应的用户定位为相似用户群，第一组相似用户群共有53个用户。
从第一组相似用户群的53个用户中的任一个用户选择对“高一向量”教育资源喜好程度评分为4的资源，共86个教育资源，从中选择任一教育资源b进行评分,三项分别为2分、1分、3分，建立评分向量b0(2,1,3),同时，教育资源b共有154个评分，因此有154个评分向量b1、b2……b154，做相似度计算ω(b0，b1)＝<b0,b1>/|b0|·|b1|、ω(b0，b2)＝<b0,b2>/|b0|·|b2|……ω(b0，b154)＝<b0,b154>/|b0|·|b154|，将ω(b0，b1)……ω(b0，b154)共154个相似度值计算正态分布曲线n(μ,σ)，得到μ＝0.03，σ＝0.82，同理，将-0.243到0.303范围内的值所对应的用户定位为相似用户群，第二组相似用户群共38个用户。
重复以上步骤或多次查找教育资源后，推荐过程中出现过的其他用户的出现次数计算加权平均数得到相似用户的排序值q，例如用户e在某次搜索中的第一次和第三次都出现过，同时第一次共有176个资源评分，第三次共有120个资源评分，则q＝1/176+3/120＝0.03,并根据此方法对所有出现过的其他用户的出现次数进行计算并由大到小排序，将排序前30％的q值对应的用户定义为相同水平学习者群体并相互关联；同时推荐出每个相同水平学习者中喜好程度为4的关于该教育资源标签的教育资源。
本发明还提供一种基于标签的教育资源推荐系统，如图1所示，包括：
第一模块，用于输入个人信息和所要找的教育资源标签，读取个人信息并根据教育资源标签在教育资源网络中进行初次筛选，得到第一组教育资源和第一组用户集合；
第二模块，用于随机查看第一组教育资源中的一个教育资源，并对教育资源的难度、相关度和喜好程度进行评分并得到关于这三个评分标准的评分向量；并根据第一组用户集合中的其他用户关于教育资源的评分向量构建相似度函数，并根据相似度函数的计算结果作正态分布曲线n(μ,σ)，根据正态分布曲线对第一组用户集合定义相似用户群；
第三模块，用于从上一步得到的相似用户群中筛选出关于该标签喜好程度最高的教育资源，得到第二组教育资源和第二组用户集合，并可重复进行此步骤；
第四模块，用于多次推荐过程中出现过的其他用户的出现次数计算加权平均数得到相似用户的排序值q，并根据排序值q的范围定义相同水平学习者群体并相互关联；
第五模块，用于根据相同水平学习者群体和每个相同水平学习者的喜好程度显示关于其他教育资源标签的教育资源记录；
第六模块，用于存储每位用户的每次搜索过程和结果。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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。