一种中小学教育的名师优课推荐资源应用方法及系统与流程

本发明属于中小学教育课程推荐技术领域，尤其涉及一种中小学教育的名师优课推荐资源应用方法，同时，本发明还提供一种中小学教育的名师优课推荐资源应用系统。

背景技术：

现代科学中，许多现象之间都有相互联系，例如：身高与体重、体温与脉搏、年龄与血压、产检与婴儿体重、病毒与疾病等，在这些关系的现象中，他们之间联系的程度和性质也各不相同，客观现象之间的数量联系存在着函数关系和相关关系，当一个或几个变量取定值时，另一个变量有确定的值与之对应，这种对应关系称为函数关系，在中小学教育领域，优秀的老师和优选的课程与学习者的兴趣和偏好存在某种关系，通过这种关系的应用，可以将名师优课与学生之间建立最佳的优化条件，现有课程选择方式包括通过参考别人选择的课程随机选择课程或者通过搜索引擎在课程网站搜索课程资源，现有技术存在由于现有课程选择方式难以保证学习者所选择的课程真正符合自己的学习需求的问题。

技术实现要素：

本发明提供一种中小学教育的名师优课推荐资源应用方法及系统，以解决上述背景技术中提出了现有技术存在由于现有课程选择方式难以保证学习者所选择的课程真正符合自己的学习需求的问题。

本发明所解决的技术问题采用以下技术方案来实现：一种中小学教育的名师优课推荐资源应用方法，包括：

转化线上课程用户评价矩阵：在线上课程中，通过学生平台注册信息及其行为记录建立线上课程用户评价矩阵；

建立学生相似性矩阵：将评价矩阵过滤为目标学生特征相同的学生群集合，将相同的学生群集合中目标学生的相关特征通过皮尔逊相关系数函数进行学生间的相似性计算形成学生相似性矩阵；

产生名师优课推荐资源：通过学生群集合对课程的评分预测目标学生对课程的评分，将评价矩阵中评分较高的课程推荐给目标学生。

进一步，在转化线上课程用户评价矩阵中，所述学生平台注册信息包括学生初始登陆学习时填写的相关个人信息。

进一步，在转化线上课程用户评价矩阵中，所述学生行为记录包括通过学生对课程的直接评分或通过用户对课程页面的行为参数进行分级处理以获得的间接评分。

进一步，所述行为参数包括学生在平台中课程页面的停留时间、点击次数及其他相关行为参数。

进一步，所述建立线上课程用户评价矩阵包括：根据个人信息将其直接评分与间接评分相互融合形成评价矩阵。

进一步，所述评价矩阵为：

进一步，所述皮尔逊相关系数函数为：

所述sac为第a学生对第c课程的评分；

所述sbc为第b学生对第c课程的评分；

所述为第a学生对课程的综合平均评分；

所述为第b学生对课程的综合平均评分；

所述iab为第a学生和第b学生对第c课程的共同评分；

所述tab为第a学生和第b学生之间的相似度。

进一步，在建立学生相似性矩阵中，所述学生相似性矩阵为：

进一步，在产生名师优课推荐资源中，所述通过学生群集合对课程的评分预测目标学生对课程的评分可采用平均加权法或其他评分频度法。

同时，本发明还提供一种中小学教育的名师优课推荐资源应用系统，包括名师优课推荐资源应用平台：

所述名师优课推荐资源应用平台用于：

转化线上课程用户评价矩阵：在线上课程中，通过学生平台注册信息及其行为记录建立线上课程用户评价矩阵；

建立学生相似性矩阵：将评价矩阵过滤为目标学生特征相同的学生群集合，将相同的学生群集合中目标学生的相关特征通过皮尔逊相关系数函数进行学生间的相似性计算形成学生相似性矩阵；

产生名师优课推荐资源：通过学生群集合对课程的评分预测目标学生对课程的评分，将评价矩阵中评分较高的课程推荐给目标学生。

有益技术效果：

本专利采用转化线上课程用户评价矩阵：在线上课程中，通过学生平台注册信息及其行为记录建立线上课程用户评价矩阵，建立学生相似性矩阵：将评价矩阵过滤为目标学生特征相同的学生群集合，将相同的学生群集合中目标学生的相关特征通过皮尔逊相关系数函数进行学生间的相似性计算形成学生相似性矩阵，产生名师优课推荐资源：通过学生群集合对课程的评分预测目标学生对课程的评分，将评价矩阵中评分较高的课程推荐给目标学生，由于本方法基于学习者对一些课程的评分进行比较，如果学习者对一些课程的评分相似，那么学习者对其他课程的评分也相似，本算法共分为获取用户信息、相似性比较和产生推荐三部分，其中获取用户信息包括在平台中，通过学习者注册的信息机器行为记录建立个性化的推荐，建立学生相似性矩阵包括在数据库中与目标学生进行匹配，通过皮尔逊相关系数函数进行相关用户之间的相似度匹配，产生推荐包括根据相似度匹配比较结果，产生名师优课推荐，通过本方法从技术手段，帮助学习者从网络课程平台上选择符合自己需求的名师优课资源。

附图说明

图1是本发明一种中小学教育的名师优课推荐资源应用方法总流程图；

图2是本发明一种中小学教育的名师优课推荐资源应用方法的具体流程图；

具体实施方式

以下结合附图对本发明做进一步描述：

图中：

s101-转化线上课程用户评价矩阵；

s102-建立学生相似性矩阵；

s103-产生名师优课推荐资源；

s201-在线上课程中，通过学生平台注册信息及其行为记录建立线上课程用户评价矩阵；

s202-将评价矩阵过滤为目标学生特征相同的学生群集合；

s203-将相同的学生群集合中目标学生的相关特征通过皮尔逊相关系数函数进行学生间的相似性计算形成学生相似性矩阵；

s204-通过学生群集合对课程的评分预测目标学生对课程的评分；

s205-将评价矩阵中评分较高的课程推荐给目标学生；

实施例：

本实施例：如图1、2所示，一种中小学教育的名师优课推荐资源应用方法，包括：转化线上课程用户评价矩阵s101：在线上课程中，通过学生平台注册信息及其行为记录建立线上课程用户评价矩阵s201；

建立学生相似性矩阵s102：将评价矩阵过滤为目标学生特征相同的学生群集合s202，将相同的学生群集合中目标学生的相关特征通过皮尔逊相关系数函数进行学生间的相似性计算形成学生相似性矩阵s203；

产生名师优课推荐资源s103：通过学生群集合对课程的评分预测目标学生对课程的评分s204，将评价矩阵中评分较高的课程推荐给目标学生s205。

由于采用转化线上课程用户评价矩阵：在线上课程中，通过学生平台注册信息及其行为记录建立线上课程用户评价矩阵，建立学生相似性矩阵：将评价矩阵过滤为目标学生特征相同的学生群集合，将相同的学生群集合中目标学生的相关特征通过皮尔逊相关系数函数进行学生间的相似性计算形成学生相似性矩阵，产生名师优课推荐资源：通过学生群集合对课程的评分预测目标学生对课程的评分，将评价矩阵中评分较高的课程推荐给目标学生，由于本方法基于学习者对一些课程的评分进行比较，如果学习者对一些课程的评分相似，那么学习者对其他课程的评分也相似，本算法共分为获取用户信息、相似性比较和产生推荐三部分，其中获取用户信息包括在平台中，通过学习者注册的信息机器行为记录建立个性化的推荐，建立学生相似性矩阵包括在数据库中与目标学生进行匹配，通过皮尔逊相关系数函数进行相关用户之间的相似度匹配，产生推荐包括根据相似度匹配比较结果，产生名师优课推荐，通过本方法从技术手段，帮助学习者从网络课程平台上选择符合自己需求的名师优课资源。

在转化线上课程用户评价矩阵s101中，所述学生平台注册信息包括学生初始登陆学习时填写的相关个人信息。

在转化线上课程用户评价矩阵s101中，所述学生行为记录包括通过学生对课程的直接评分或通过用户对课程页面的行为参数进行分级处理以获得的间接评分。

所述行为参数包括学生在平台中课程页面的停留时间、点击次数及其他相关行为参数。

所述建立线上课程用户评价矩阵包括：根据个人信息将其直接评分与间接评分相互融合形成评价矩阵。

所述评价矩阵为：

由于采用转化线上课程用户评价矩阵中，所述学生平台注册信息包括学生初始登陆学习时填写的相关个人信息，在转化线上课程用户评价矩阵中，所述学生行为记录包括通过学生对课程的直接评分或通过用户对课程页面的行为参数进行分级处理以获得的间接评分，所述行为参数包括学生在平台中课程页面的停留时间、点击次数及其他相关行为参数，所述建立线上课程用户评价矩阵包括：根据个人信息将其直接评分与间接评分相互融合形成评价矩阵，由于在线课程平台中，可以通过学习者注册的信息机器行为记录为其建立个性化的推荐，注册信息一般是用户初始登陆课程平台时要填写的相关个人信息，行为记录方式总体上分为通过学生对课程的评分直接获得，或通过学生在课程页面停留时间、点击次数转化为评分间接获得，两种方式各有优缺点，再把获得的数据转化为评分矩阵，就形成了线上课程用户评价矩阵。

所述皮尔逊相关系数函数为：

所述sac为第a学生对第c课程的评分；

所述sbc为第b学生对第c课程的评分；

所述为第a学生对课程的综合平均评分；

所述为第b学生对课程的综合平均评分；

所述iab为第a学生和第b学生对第c课程的共同评分；

所述tab为第a学生和第b学生之间的相似度。

在建立学生相似性矩阵s102中，所述学生相似性矩阵为：

由于采用所述皮尔逊相关系数函数为：

所述sac为第a学生对第c课程的评分；所述sbc为第b学生对第c课程的评分；所述为第a学生对课程的综合平均评分；所述为第b学生对课程的综合平均评分；所述iab为第a学生和第b学生对第c课程的共同评分；所述tab为第a学生和第b学生之间的相似度；由于计算目标学习者的相关特征，并在学习者数据库中找到与目标学习者特征相同或相似的用户群，通过皮尔逊相关系数函数进行用户之间的相似度计算，利用协同过滤技术可以方便的为学生推荐个性化的课程资源，协同过滤技术能够实现精准推荐，需要足够多的评分基础，学生评分数据越多，其推荐结果越接近于学生实际需要。

在产生名师优课推荐资源s103中，所述通过学生群集合对课程的评分预测目标学生对课程的评分s204可采用平均加权法或其他评分频度法。

由于采用在产生名师优课推荐资源中，所述通过学生群集合对课程的评分预测目标学生对课程的评分可采用平均加权法或其他评分频度法，由于产生推荐即通过邻居集合对课程的评分来预测目标学生对课程的评分，从而把预测值较高的课程推荐给目标学生，其算法有平均加权法和评分频度法，在网络课程个性化推荐中可以根据不同的用户，灵活地选择合适的算法实现更加精准的推荐。

同时，本发明还提供一种中小学教育的名师优课推荐资源应用系统，包括名师优课推荐资源应用平台：

所述名师优课推荐资源应用平台用于：

转化线上课程用户评价矩阵s101：在线上课程中，通过学生平台注册信息及其行为记录建立线上课程用户评价矩阵s201；

建立学生相似性矩阵s102：将评价矩阵过滤为目标学生特征相同的学生群集合s202，将相同的学生群集合中目标学生的相关特征通过皮尔逊相关系数函数进行学生间的相似性计算形成学生相似性矩阵；

产生名师优课推荐资源s103：通过学生群集合对课程的评分预测目标学生对课程的评分s204，将评价矩阵中评分较高的课程推荐给目标学生s205。

工作原理：

本专利通过转化线上课程用户评价矩阵：在线上课程中，通过学生平台注册信息及其行为记录建立线上课程用户评价矩阵，建立学生相似性矩阵：将评价矩阵过滤为目标学生特征相同的学生群集合，将相同的学生群集合中目标学生的相关特征通过皮尔逊相关系数函数进行学生间的相似性计算形成学生相似性矩阵，产生名师优课推荐资源：通过学生群集合对课程的评分预测目标学生对课程的评分，将评价矩阵中评分较高的课程推荐给目标学生，由于本方法基于学习者对一些课程的评分进行比较，如果学习者对一些课程的评分相似，那么学习者对其他课程的评分也相似，本算法共分为获取用户信息、相似性比较和产生推荐三部分，其中获取用户信息包括在平台中，通过学习者注册的信息机器行为记录建立个性化的推荐，建立学生相似性矩阵包括在数据库中与目标学生进行匹配，通过皮尔逊相关系数函数进行相关用户之间的相似度匹配，产生推荐包括根据相似度匹配比较结果，产生名师优课推荐，本发明解决了现有技术存在由于现有课程选择方式难以保证学习者所选择的课程真正符合自己的学习需求的问题，具有帮助学习者从网络课程平台上选择符合自己需求的名师优课资源、符合学生实际需要、推荐更加精准的有益技术效果。

利用本发明的技术方案，或本领域的技术人员在本发明技术方案的启发下，设计出类似的技术方案，而达到上述技术效果的，均是落入本发明的保护范围。