本发明涉及教育信息化及数据处理技术领域，尤其涉及一种基于ai大数据推荐学习系统及推荐方法。
背景技术：
近年来，随着信息技术的日益发展以及连入互联网用户数量的不断增长，互联网中时时刻刻都会产生数量巨大的比特数据。如何有效利用这些信息已经成为一个世界性关注的问题。在经过学术界和工业界多年的研究和应用，对于这些数据附加价值的挖掘和利用技术也逐渐成熟，最主要的就是在电子商务、在线信息应用(如在线新闻、在线音乐、在线影视)等领域的关联信息推荐系统。
推荐学习系统里应用最广泛的是协同过滤技术，包括基于邻居和基于模型的方法。基于邻居的方法通常用于研究用户或物品之间的相似度计算问题：基于用户的协同过滤方法首先查找主要属性相似的用户(即邻居)，然后收集和分析邻居的数据以进一步为目标用户推荐其感兴趣的物品。相似的，基于物品的协同过滤方法利用了相似物品的信息评级的优势。基于模型的方法试图将用户-物品的关系评估数据转化为不同的模型并使用这些模型在未知场景中向用户推荐物品。
然而目前主流的推荐系统在面对新用户时，由于没有历史数据作为推荐依据而带来的“冷启动”问题也让用户体验比较差，而且用户的阅读兴趣或学习偏好的数据也是随时间而不断变化，如何比较好的解决推荐系统的冷启动问题并且随时根据用户的偏好变化而调整推荐结果也是一个研究和应用的热点话题。
随着互联网的进一步普及，基于大数据处理分析得到的数据在教育领域也得到了一定的延伸，给予ai(人工智能)的“智慧教育”也同样成为了教育信息化发展的最新愿景。在大数据时代，数据即是财富，如何充分挖掘学习者的行为记录并向用户进行推荐成为关键，建立推荐系统，通过分析历史数据来对学习者可能感兴趣或者需求的方面进行预测，主动提供适合用户的信息，帮助用户在海量的学习资料中快速定位自己的需求。因此，如何基于大数据进一步完善学习推荐系统也日益成为本领域技术人员研究的热点。
技术实现要素：
本发明所要解决的技术问题是针对现有技术中基于大数据推荐学习系统的进一步完善，使学习者可以在海量的学习库中快速定位自己的需求，提高学习的效率，节约查阅资料的时间。
本发明的目的之一是提供一种解决上述技术问题的技术方案。
本发明的另一目的，是提供一种采用上述技术方案解决技术问题的方法。
本发明通过以下技术方案解决上述技术问题。
本发明提供了一种基于ai的大数据推荐学习系统，包括信息采集模块、信息存储模块、云服务器、分类模块和预测模块；所述信息采集模块采集学习者学习的行为数据，并将这些数据存储至存储模块，所述存储模块与所述云服务器相连通；
所述预测模块用于通过对学习者的行为数据的分析并对学习者未来的学习行为和学习结果进行预测；
所述分类模块用于根据预测结果与存储于所述云服务器的数据的比对结果，对所选择的合适学习者的数据进行分类并将结果输出至终端显示装置。
所述分类模块内设置有k-means聚类算法或者基于层次的聚类分析算法。
本发明还提供了一种采用上述的基于ai的大数据推荐学习系统的推荐方法，具体包括下述步骤：
步骤一、通过信息采集模块采集，并将这些数据存储至存储模块，学习者学习行为数据，并将这些数据存储至存储模块；
步骤二、根据新采集的学习者的学习行为和学习结果，比对记录在云服务器的学习者的学习行为和学习结果，通过预测模块预测，建立一个能够从整合多个预测变量推断单一被预测变量的模式，通过对数据的处理和分析，对学习者未来的学习行为和学习结果进行预测；
步骤三、根据步骤二预测的学习者未来的学习行为和学习结果，在各网络云服务器中根据教育关键词筛选出教育数据；并采用k-means聚类算法或者基于层次的聚类分析算法，对筛选出的教育数据进行分类；
步骤四，将所述筛选出的不同格式的教育数据转化为统一格式；将含有噪声数据、冗余的数据剔除，对缺省数据进行补充，同时对教育数据通过二进制数据编码进行标识；
步骤五，根据学习者未来的学习行为和学习结果的具体特征值采用挖掘算法对教育数据进行处理，将挖掘出的教育数据附加上标识后导出，适合学习者的学习行为和学习习惯显示在终端显示装置。
所述分类模块内设置有k-means聚类算法或者基于层次的聚类分析算法。
本发明的有益效果：根据学习者的学习行为数据，在网络云服务器中筛选教育数据，然后通过聚类算法，对教育数据进行分类，最后统一格式进行输出，能够使挖掘的教育资源数据贴合学习者，具有高度的资源收集的准确性。
以下将对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例的范围之中。
本实施例公开了一种基于ai的大数据推荐学习系统，包括信息采集模块、信息存储模块、云服务器、分类模块和预测模块；信息采集模块采集学习者学习的行为数据，并将这些数据存储至存储模块，存储模块与云服务器相连通。
预测模块用于通过对学习者的行为数据的分析并对学习者未来的学习行为和学习结果进行预测。
分类模块用于根据预测结果与存储于云服务器的数据的比对结果，对所选择的合适学习者的数据进行分类并将结果输出至终端显示装置。本分类模块内设置有k-means聚类算法或者基于层次的聚类分析算法。
本发明的基于上述的ai的大数据推荐学习系统的推荐方法，具体包括下述步骤：
步骤一、通过信息采集模块采集，并将这些数据存储至存储模块，学习者学习行为数据，并将这些数据存储至存储模块。
步骤二、根据新采集的学习者的学习行为和学习结果，比对记录在云服务器的学习者的学习行为和学习结果，通过预测模块预测，建立一个能够从整合多个预测变量推断单一被预测变量的模式，通过对数据的处理和分析，对学习者未来的学习行为和学习结果进行预测。
步骤三、根据步骤二预测的学习者未来的学习行为和学习结果，在各网络云服务器中根据教育关键词筛选出教育数据；并采用k-means聚类算法或者基于层次的聚类分析算法，对筛选出的教育数据进行分类。
在其他实施例中，对筛选出的教育数据的分析，可以采用任何一种现在已公开的分析算法。
步骤四，将筛选出的不同格式的教育数据转化为统一格式；将含有噪声数据、冗余的数据剔除，对缺省数据进行补充，同时对教育数据通过二进制数据编码进行标识。
步骤五，根据学习者未来的学习行为和学习结果的具体特征值采用挖掘算法对教育数据进行处理，将挖掘出的教育数据附加上标识后导出，适合学习者的学习行为和学习习惯显示在终端显示装置。
终端显示装置可以为电脑、ipad或者手机。
本发明的有益效果：根据学习者的学习行为数据，在网络云服务器中筛选教育数据，然后通过聚类算法，对教育数据进行分类，最后统一格式进行输出，能够使挖掘的教育资源数据贴合学习者，具有高度的资源收集的准确性。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。