一种基于建构学习理论的个性化即时学习支持系统与方法
【技术领域】
[0001] 本发明公开了一种社交网络中用户知识需求分析，个性化即时知识推荐的系统与 方法，属于个性化知识推荐的领域。
【背景技术】
[0002] 现如今，人们日常生活越来越离不开社交网络。单就新浪微博数据显示，截止2014 年十月，微博月活跃用户数已经达到1. 67亿人。人们通过社交网络来实现信息传播、信息 分享、信息获取。本文W新浪微博该一社交网络为平台进行说明。
[0003] 微博功能日益强大，大量增长的微博信息在给人们带来方便的同时也造成了信息 过载等问题。用户每天接收的微博数据中包含了各个知识领域的不同知识，同时包含大量 与学术知识毫不相干的无用信息，导致用户在"刷微博"的时候需要主动过滤大量的不相干 信息，筛选有用的信息来阅读，大大增加了用户刷微博时的负担。
[0004] 此外，对于一些未曾接触过的陌生知识，用户通过在捜索引擎中输入关键词来检 索相关的网页，然后从中选择有价值的网页来阅读。因此用户每学习一条新知识都将经历 繁琐的检索筛选过程，并且该个过程并不能确保用户最终检索到的内容是自己感兴趣的。 因此用户"刷微博"是一个走马观花，漫无目的的学习过程，没有一个系统的规划，该可能导 致用户重复学习，花费多余的时间。
[0005] 如何帮助微博用户筛选有效的信息，过滤无用的、不感兴趣的信息，并在此基础上 分析用户的兴趣爱好，给用户作出个性化的学习推荐，是一个亟待解决的问题。
[0006] 学习推荐系统在一定程度上解决了W上提出的问题。但现有的学习推荐系统还存 在一些不足之处；①不能实时获取用户的学习兴趣。②推荐内容用户感兴趣程度不高。⑨ 学习内容形式复杂，导致学习负担重，降低用户学习兴趣。④没有针对用户系统全面的学习 规划。
[0007] 针对W上不足，本发明公布了一种基于建构学习理论的个性化即时学习支持系统 与方法。
【发明内容】
[000引本发明旨在弥补上述学习推荐系统的不足，它提供了一种社交网络中根据用户知 识需求即时给用户推荐个性化学习资源的学习推荐系统。本发明重在为用户营造一个个性 化的学习环境，帮助用户即时发现学习兴趣点，弥补知识缺陷，建构完整的知识结构。本发 明着重考虑两点：①实时动态分析用户知识需求，发现用户期望的知识缺失，即时推荐学习 资源。②通过引入有向标签关系图，实现基于建构的学习资源推荐。
[0009] 本发明提供的基于微知识建构的个性化即时学习支持系统与方法，包括W下步 骤：
[0010] 用户知识背景分析；首先通过获取大量微博认证用户的微博标签，统计分析不同 人群对不同微博标签的喜好，然后通过分析目标用户的微博标签预测该用户所属人群，进 而预测目标用户对哪些知识领域感兴趣。然后批量获取用户及其关注好友最新发表的微博 状态，按发表的时间先后整合成一个微博状态文档，运用改进的TF-IDF算法自动提取文档 关键词。最终得到一组带权重的关键词，表示用户当前关注的知识点，即为用户的知识背 景。
[0011] 构建有向标签关系图；有向标签关系图存储了所有知识点之间存在的一种内在 联系，即知识内容上的包含、互斥等关系。整个标签关系图的知识结构是一个网状的结构。 标签关系图包含的内容可W分为几个大的知识领域，每一个知识领域的知识结构是树形结 构。每一个大的知识领域由一个知识的根结点一层层的往下细分，最后形成一个树形结构。
[0012] 构建扩展知识库；扩展知识库是为了满足用户对知识的进一步需求，当用户对系 统推荐的微知识感兴趣时，系统将给用户推荐针对该微知识的扩展知识，该可能是一个和 该微知识相关的网站，或者是一篇文章。
[0013] 发现用户期望的缺失知识；用户在刷微博的同时学到的知识是零散的不全面的， 存在知识的缺失。有向标签关系图提供的是一个完整的知识结构体系，相当于为用户制定 了一个全面的学习计划。将用户当前关注的知识点标记在标签关系图中，从中发现与用户 当前关注知识点密切相关的但是是用户未曾接触过的知识，推荐给用户学习，从而帮助用 户达到知识查漏补缺的目的。
[0014] 实现基于建构的学习资源推荐：将用户期望的缺失知识作为待推荐知识，推荐给 用户学习。用户学习缺失知识的过程就是一个构建知识的过程。用户每学习一个缺失知识， 用户的知识结构就会更加完善。
【附图说明】
[0015] 图1学习推荐方法流程图；
[0016] 图2用户知识背景分析流程图
[0017] 图3用户所属人群预测流程图 [001引图4用户性别预测流程图
[0019] 图5获取目标用户微博标签流程图
[0020] 图6用户年龄预测流程图
[0021] 图7用户职业预测流程图
[0022] 图8用户当前关注知识分析流程图
[0023] 图9标签关系图
[0024] 图10标签关系图树形分支
[0025] 图11创建微知识库流程图
[0026] 图12发现缺失的知识流程图
[0027] 图13系统架构图 [002引图14系统工作流程图
【具体实施方式】
[0029] 下面参照附图来对本发明中的各个步骤进行详细描述。
[0030] 如图1所示，本发明提供了一种基于建构学习理论的个性化即时学习支持方法， 包括如下步骤：
[0031] 用户知识背景分析；通过预测用户所属人群和发现用户当前关注的知识来分析用 户知识背景。如图2所示，用户知识背景分析包括如下步骤：
[0032] 用户所属人群预测；运用贝叶斯定理通过微博标签预测用户所属人群。如图3所 示，用户所属人群预测包括W下步骤：
[0033] 用户性别预测：通过微博标签预测该用户性别。如图4所示，用户性别预测包括W 下步骤：
[0034] 获取大量微博认证用户的性别和标签；通过微博开放平台提供的API获取大量微 博认证用户的信息（包括用户性别、年龄、职业、微博标签，发表过的微博状态）。
[0035] 按性别统计标签；将所有获取的微博用户标签按男性和女性划分，得到男性喜爱 的微博标签库和女性喜爱的微博标签库。
[0036] 扩充标签库；如果某一个关键词在用户的微博状态中频繁的出现，则可W认为该 关键词是该用户的微博标签。统计所有男性用户发表过的微博状态，通过微博去噪，分词， 统计词频，将词频较高的关键词作为男性喜爱的微博标签添加到男性喜爱的微博标签库。 统计所有女性用户发表过的微博状态，用同样方法将词频较高的关键词作为女性喜爱的微 博标签添加到女性喜爱的微博标库。
[0037] 计算每一个标签出现的概率：分别统计男性喜爱的微博标签库和女性喜爱的微博 标签库中每一个标签出现的概率。假设男性喜爱的微博标签库总共有Tm个标签，女性喜爱 的微博标签库总共有Tw个标签，其中标签X在男性喜爱的微博标签库中出现Sm次，在女性 喜爱的微博标签库中出现Sw次，则标签X在男性喜爱的微博标签库中出现的概率为Sm/Tm， 在女性喜爱的微博标签库中出现的概率为Sw/Tw。
[003引获取目标用户的微博标签；通过用户自身标记的微博标签，用户好友标记的微博 标签、用户发表及转发的微博发现用户喜爱的标签。如图5所示，获取目标用户微博标签包 括W下步骤：
[0039] 直接获取用户微博标签；通过微博开放平台提供的API获取目标用户的微博标 签。
[0040] 通过用户关注好友获取微博标签；关注好友是用户主动选择的，通常情况与目标 用户有相似的兴趣喜好。获取关注好友的微博标签，统计出现频率较高的微博标签作为目 标用户喜爱的微博标签。
[0041] 通过用户发表的微博状态发现微博标签；用户发表转发的状态中如果频繁