一种强相关于用户知识模型的个性化推荐方法及系统

技术领域

本发明涉及人工智能领域，尤其涉及一种强相关于用户知识模型的个性化推荐方法及系统。

背景技术

在大数据背景下，如何构建合适的用户行为模型并基于海量的行为日志数据提供个性化服务，是当前大数据应用落地迫切需要解决的问题。如何提供实时而精准的服务是当前现有技术的痛点，现有技术在应对当前大数据环境下个性化服务面临着“知识迷航”、“信息过载”及“情感缺失”的挑战。

现有技术无法精准分析定位用户行为模型中缺漏的部分所对应的内容，导致无法实现精准内容推送。目前，还不存在一种与用户自身的知识模型强相关的个性化学习推荐方法。

发明内容

为了解决现有技术的问题，本发明提供了一种强相关于用户知识模型的个性化推荐方法及系统，设计一种基于学生个体知识模型和学习过程行为数据的个性化服务方案，并给出基于流行的大数据分析平台和计算框架的个性化服务的具体应用。所述技术方案如下：

一方面，提供了一种强相关于用户知识模型的个性化推荐方法，包括以下步骤：

S1、构建目标用户的个体知识模型，构建步骤包括步骤S11-S12：

S11、获取目标用户的测评结果，所述测评结果由目标用户进行相应测评练习而产生，所述测评练习中关联有预设的知识点；

根据教材目录和/或领域知识构建知识点的多维度立体模型，所述多维度立体模型将知识点分解成最小颗粒；

S12、根据步骤S11中获取的测评结果以及构建的知识点的多维度立体模型，构建该目标用户的个体知识模型；

S2、构建群体知识模型，构建步骤包括步骤S21-22：

S21、针对不同用户执行步骤S11-S12，得到不同用户的个体知识模型；

S22、根据多个用户的个体知识模型，以及数据库中预设的不同层级的课程标准，制定不同层级的群体知识模型；

S3、分析步骤S1构建的所述目标用户的个体知识模型较步骤S2中构建的所述群体知识模型不足的知识点，作为所述目标用户的知识薄弱点；

S4、利用个性化大数据学习引擎根据目标用户的知识薄弱点为所述目标用户制定个人学习计划；

S5、向所述目标用户推送制定的个人学习计划，并接收所述目标用户对所述个人学习计划的执行结果；

S6、根据所述执行结果，实现智能推送，包括：若所述目标用户做错试题，则所述个性化大数据学习引擎向所述目标用户推送相同知识节点的试题；和/或根据所述知识点的多维度立体模型分析做错的试题对应知识节点的下一级知识节点，推送所述下一级知识节点对应的试题。

进一步地，向不同的目标用户执行步骤S1-S5，之后还包括：

记录多个用户在执行各自被推送的个人学习计划的过程中的行为数据，包括每个试题的正确率及每道试题的完成用时；

比较目标用户与全部用户的做题正确率和完成用时，评估所述目标用户对推送的个人学习计划的掌握情况；

将全部用户在执行个人学习计划过程中的行为数据存储更新至数据库内，并利用更新后的数据库指导步骤S2中的构建群体知识模型和优化步骤S4中的个性化大数据学习引擎。

进一步地，步骤S11中的所述测评练习中的试题关联不同的知识节点，所述测评练习分为不同层级。

进一步地，步骤S11中分解得到的最小颗粒本身作为一个知识节点，且颗粒与颗粒、知识节点与颗粒、知识节点与知识节点的联结，能够再次构成新的知识节点。

进一步地，步骤S4中制定的个人学习计划包括试题练习和系列视频，所述个人学习计划针对已掌握知识节点、本该掌握但未掌握知识节点、以及相关联知识节点三个部分占比根据学生对所述个人学习计划的掌握情况而变化。

进一步地，若所述下一级知识节点对应的试题做错，则推送更下一级知识节点对应的试题；

若出现某一知识节点的试题做错，而其下级知识节点的试题做对，则将该知识节点作为错误知识节点，并推送与所述错误知识节点相关的视频给用户。

进一步地，更新后的数据库包括每一位用户的所有做题记录、情况分析和课程标准。

进一步地，步骤S3包括依据用户的个体知识模型和群体知识模型，对比数据库中的课程标准、其他用户同阶段的数据，深入分析用户的知识薄弱点和知识节点未掌握的原因。

另一方面，本发明提供了一种强相关于用户知识模型的个性化推荐系统，包括以下模块：

个体知识模型构建模块，其用于按照以下步骤构建目标用户的个体知识模型：获取目标用户的测评结果，所述测评结果由目标用户进行相应测评练习而产生，所述测评练习中关联有预设的知识点；根据教材目录和/或领域知识构建知识点的多维度立体模型，所述多维度立体模型将知识点分解成最小颗粒；根据获取的测评结果以及构建的知识点的多维度立体模型，构建该目标用户的个体知识模型；

群体知识模型构建模块，其用于按照以下步骤构建群体知识模型：针对不同用户构建得到不同用户的个体知识模型；根据多个用户的个体知识模型，以及数据库中预设的不同层级的课程标准，制定不同层级的群体知识模型；

知识薄弱点确定模块，其用于分析构建的所述目标用户的个体知识模型较所述群体知识模型不足的知识点，作为所述目标用户的知识薄弱点；

个人学习计划制定模块，其用于利用个性化大数据学习引擎根据目标用户的知识薄弱点为所述目标用户制定个人学习计划；

学习计划推送模块，其用于向所述目标用户推送制定的个人学习计划；

执行结果接收模块，其用于接收所述目标用户对所述个人学习计划的执行结果；

智能推送模块，其用于根据所述执行结果，实现智能推送，包括：若所述目标用户做错试题，则所述个性化大数据学习引擎向所述目标用户推送相同知识节点的试题；和/或根据所述知识点的多维度立体模型分析做错的试题对应知识节点的下一级知识节点，推送所述下一级知识节点对应的试题。

本发明提供的技术方案带来的有益效果如下：

a)分析用户行为模型构建的研究现状及存在的困境，紧密结合大数据背景下个性化服务的特征，针对性提出基于用户知识模型的构建策略和构建方法；

b)基于本体构建的用户个体知识模型，技术上可与大数据分析平台实现无缝对接；

c)结合当前国内教育现代化现状，用户行为模型的个性化推荐满足三要素：内容、推荐、场景；用户和内容是相当稳定的；更好的满足用户个性化需求，能够清晰、合适、实时的进行内容推荐；根据推算出的学习场景判断推送是否合理。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的强相关于用户知识模型的个性化推荐的数据流图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他步骤或单元。

本发明利用一种新型的多维度立体知识模型，通过同类型大数据精准分析用户行为模型中的缺失部分，定位到多维度立体知识模型的相关知识节点，从而达到精准推荐。在本发明的一个实施例中，提供了一种强相关于用户知识模型的个性化推荐方法，包括以下步骤：

S1、构建目标用户的个体知识模型，构建步骤包括步骤S11-S12：

S11、获取目标用户的测评结果，所述测评结果由目标用户进行相应测评练习而产生，所述测评练习中关联有预设的知识点；具体地，所述测评练习中的试题关联不同的知识节点，所述测评练习分为不同层级。

根据教材目录和/或领域知识构建知识点的多维度立体模型，所述多维度立体模型将知识点分解成最小颗粒；具体地，分解得到的最小颗粒本身作为一个知识节点，且颗粒与颗粒、知识节点与颗粒、知识节点与知识节点的联结，能够再次构成新的知识节点。

S12、根据步骤S11中获取的测评结果以及构建的知识点的多维度立体模型，构建该目标用户的个体知识模型；

S2、构建群体知识模型，构建步骤包括步骤S21-22：

S21、针对不同用户执行步骤S11-S12，得到不同用户的个体知识模型；

S22、根据多个用户的个体知识模型，以及数据库中预设的不同层级的课程标准，制定不同层级的群体知识模型；

S3、分析步骤S1构建的所述目标用户的个体知识模型较步骤S2中构建的所述群体知识模型不足的知识点，作为所述目标用户的知识薄弱点；进一步地，依据用户的个体知识模型和群体知识模型，对比数据库中的课程标准、其他用户同阶段的数据，深入分析用户的知识薄弱点和知识节点未掌握的原因。

S4、利用个性化大数据学习引擎根据目标用户的知识薄弱点为所述目标用户制定个人学习计划；具体地，制定的个人学习计划包括试题练习和系列视频，所述个人学习计划针对已掌握知识节点、本该掌握但未掌握知识节点、以及相关联知识节点三个部分占比根据学生对所述个人学习计划的掌握情况而变化。

若所述下一级知识节点对应的试题做错，则推送更下一级知识节点对应的试题；若出现某一知识节点的试题做错，而其下级知识节点的试题做对，则将该知识节点作为错误知识节点，并推送与所述错误知识节点相关的视频给用户。

S5、向所述目标用户推送制定的个人学习计划，并接收所述目标用户对所述个人学习计划的执行结果；

S6、根据所述执行结果，实现智能推送，包括：若所述目标用户做错试题，则所述个性化大数据学习引擎向所述目标用户推送相同知识节点的试题；和/或根据所述知识点的多维度立体模型分析做错的试题对应知识节点的下一级知识节点，推送所述下一级知识节点对应的试题。

进一步地，向不同的目标用户执行步骤S1-S5，之后还包括：

记录多个用户在执行各自被推送的个人学习计划的过程中的行为数据，包括每个试题的正确率及每道试题的完成用时；

比较目标用户与全部用户的做题正确率和完成用时，评估所述目标用户对推送的个人学习计划的掌握情况；

将全部用户在执行个人学习计划过程中的行为数据存储更新至数据库内，更新后的数据库包括每一位用户的所有做题记录、情况分析和课程标准；并利用更新后的数据库指导步骤S2中的构建群体知识模型和优化步骤S4中的个性化大数据学习引擎。

下面结合图1对本发明所设计一种基于用户反馈数据流建立用户个体知识模型及强相关的个性化推荐方法及系统在实际应用过程当中的具体实施方式作进一步详细的说明：

步骤001：用户进行测评，测评练习由专家设置，测评练习中的试题关联不同的知识节点，不同年级单元有不同的测评练习；

步骤002：收集大量试题数据，并借助教材目录和领域知识构建知识点的多维度立体知识模型。所述多维度立体知识模型是将小学知识点分解成最小颗粒，其中有概念维度上的，例如，小学数学可分为数与计算、量与计量、空间与几何、比与比例、统计、代数，其中，空间与几何可分为空间、几何图形，几何图形可分为立体图形与平面图形，平面图形可分为线段、直线、圆形、三角形、四边形、多边形等，三角形可分解为普通三角形，等腰三角形，等腰三角形可分为普通等腰三角形，等边三角形；而所有立体图形和平面图形共有的属性则是另一个维度上的分类和分解，如体积、面积、周长、角度等，角度可分为锐角，直角，钝角，平角，周角。最小颗粒本身可作为一个知识节点，而颗粒与颗粒的联结，可构成新的知识节点，知识节点与颗粒，知识节点与知识节点的联结，再次构成新的知识节点，如三角形中的普通等腰三角形和角度中的直角联结，构成等腰直角三角形，可以再次和面积联结，构成等腰三角形的面积这一知识节点，选取贴近小学初中教学大纲的知识节点作为重要节点，从而实现节点分级。第三个维度则是应用程序与应用方法，这个维度依托于前两个维度，当前两个维度完全建立后，针对每一个知识节点，构建第三个维度，如等腰三角形的面积这一知识节点，其应用程序与方法可分为顺序条件，逆序条件，顺序条件就是通过题目条件推算出该等腰三角形的基本量，从而运用面积公式计算出面积，逆序条件就是通过等量替换或倒推法计算出面积；

步骤003：依据用户测评结果和多维度立体知识模型，来构建用户的个体知识模型。个体知识模型依托于多维度立体知识模型，熟练掌握的知识节点为绿色(在规定时间内正确完成)，不熟练知识节点为蓝色(超出规定时间正确完成)，未掌握知识节点为红色(未正确完成)。只有连续多道属于某一知识节点的试题达到标准，该知识节点掌握情况(标记的颜色)才会改变；

步骤004：根据所有用户的个体知识模型，以及数据库中的课程标准，制定不同年级的群体知识模型；

步骤005：依据用户的个体知识模型和群体知识模型，对比数据库中的课程标准、其他用户同阶段的数据，深入分析用户的知识薄弱点和知识节点未掌握的原因，例如某用户未掌握【等量替换求等腰三角形的面积】这一知识节点，通过群体数据可以发现，如果同阶段学生的掌握情况较低，则依据该知识节点在多维度立体知识模型中的位置判定该知识节点是否应该掌握，如不应该掌握，则系统记录数据，筛选该知识节点的相关试题：如应该掌握，或同阶段学生的掌握情况在70％以上，则该问题是学生自身问题，再通过数据发掘该用户对于这一知识节点的所有下级知识点，如【等量替换】、【等腰三角形的面积】等知识节点的掌握情况(如果无数据，则推送无数据的下级知识节点的相关题目，产生数据)，以此类推，当出现某一知识节点的所有下级知识点都已掌握，而该知识节点未掌握，则该知识节点为【等量替换求等腰三角形的面积】这一知识节点未掌握的原因，系统推送该知识节点的学习视频；

步骤006：个性化大数据学习引擎为用户制定个人学习计划，计划中包含系列视频和练习，针对已掌握知识节点、本该掌握但未掌握知识节点、以及后续相关联知识节点，三个部分占比根据学生情况变化；

步骤007：系统推送计划中的视频和练习，用户在此环节进行学习，当学生做错试题后，个性化大数据由此环节进入实时推送环节，选取与错题相同知识节点的题目，完成后退出实时推送环节。如果所述实时推送题目正确，系统记录数据，当再次出现相同知识点错误后，进入智能推送环节；如果题目错误，进入智能推送环节，系统通过多维度立体知识模型分析该知识节点的下级知识点，推送相关内容，如果用户某一下级知识点错误，再次向下推送更下一级知识节点；当出现某一知识节点不正确，而其所有下级知识节点正确，则该知识节点为错误知识节点，通过推送该错误知识节点相关视频进行学习和练习强化，掌握并巩固一系列知识节点；

步骤008：用户在学习过程中产生的行为数据被系统记录包括正确率，每道试题完成用时；

步骤009：系统分析数据(对比用户正确率和系统所有用户正确率，对比试题完成用时和标准用时、系统所有用户平均用时)，并判定用户对系列推送的学习，对相关联知识节点的掌握情况；

步骤010：数据库中包含每一位用户的所有做题记录，情况分析，课程标准。

如图1所示，步骤010更新的数据库反馈至步骤004和步骤005，使得步骤006中制定的学习计划和步骤007中的智能推送具有实时优化的特点。

在本发明的一个实施例中，提供了一种强相关于用户知识模型的个性化推荐系统，包括以下模块：

个体知识模型构建模块，其用于按照以下步骤构建目标用户的个体知识模型：获取目标用户的测评结果，所述测评结果由目标用户进行相应测评练习而产生，所述测评练习中关联有预设的知识点；根据教材目录和/或领域知识构建知识点的多维度立体模型，所述多维度立体模型将知识点分解成最小颗粒；根据获取的测评结果以及构建的知识点的多维度立体模型，构建该目标用户的个体知识模型；

群体知识模型构建模块，其用于按照以下步骤构建群体知识模型：针对不同用户构建得到不同用户的个体知识模型；根据多个用户的个体知识模型，以及数据库中预设的不同层级的课程标准，制定不同层级的群体知识模型；

知识薄弱点确定模块，其用于分析构建的所述目标用户的个体知识模型较所述群体知识模型不足的知识点，作为所述目标用户的知识薄弱点；

个人学习计划制定模块，其用于利用个性化大数据学习引擎根据目标用户的知识薄弱点为所述目标用户制定个人学习计划；

学习计划推送模块，其用于向所述目标用户推送制定的个人学习计划；

执行结果接收模块，其用于接收所述目标用户对所述个人学习计划的执行结果；

智能推送模块，其用于根据所述执行结果，实现智能推送，包括：若所述目标用户做错试题，则所述个性化大数据学习引擎向所述目标用户推送相同知识节点的试题；和/或根据所述知识点的多维度立体模型分析做错的试题对应知识节点的下一级知识节点，推送所述下一级知识节点对应的试题。

需要说明的是：本实施例提供的个性化推荐系统在进行个性化推荐时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将个性化推荐系统的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，本实施例提供的个性化推荐系统实施例与上述实施例提供的个性化推荐方法实施例属于同一构思，其具体实现过程详见方法实施例，在此通过全部引用的方式将个性化推荐方法实施例的全部内容并入本个性化推荐系统实施例，而不再赘述。

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。