买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜广东科学技术职业学院申请的专利一种基于大数据的课程推荐方法及装置获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117290398B 。

龙图腾网通过国家知识产权局官网在2025-04-04发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311265204.3，技术领域涉及：G06F16/2457；该发明授权一种基于大数据的课程推荐方法及装置是由谢建华;何拥军;钟达夫;刘昌平设计研发完成，并于2023-09-27向国家知识产权局提交的专利申请。

本一种基于大数据的课程推荐方法及装置在说明书摘要公布了：本发明提供一种基于大数据的课程推荐方法及装置，涉及在线教育技术领域，所述方法包括：获取并分析目标用户的学习行为数据；根据所述学习行为数据，构建用户与课程之间的交互矩阵；根据所述交互矩阵，计算课程之间或用户之间的相似度，以得到相似度计算结果；根据所述相似度计算结果，生成目标用户对课程的偏好；根据目标用户的学习需求、目标用户对课程的偏好、课程库中的课程信息以及动态阈值生成课程推荐列表；将所述课程推荐列表发送至给目标用户。本发明可以找到与目标用户兴趣相似的其他用户，可以找到与目标用户喜欢的课程相似的新课程。

本发明授权一种基于大数据的课程推荐方法及装置在权利要求书中公布了：1.一种基于大数据的课程推荐方法，其特征在于，所述方法包括：获取并分析目标用户的学习行为数据；根据所述学习行为数据，构建用户与课程之间的交互矩阵；根据所述交互矩阵，计算课程之间或用户之间的相似度，以得到相似度计算结果；根据所述相似度计算结果，生成目标用户对课程的偏好；根据目标用户的学习需求、目标用户对课程的偏好、课程库中的课程信息以及动态阈值生成课程推荐列表；将所述课程推荐列表发送至给目标用户；获取并分析目标用户的学习行为数据，包括：获取目标用户在在线学习平台上的所有学习行为数据；对所述学习行为数据进行预处理，以得到预处理数据；对所述预处理数据进行分析，以获取用户的学习模式和偏好，以及影响学习效果的关键因素；所述交互矩阵中，行代表用户，列代表课程，并且每个单元格的值是对应用户对特定课程的交互值；根据所述学习行为数据，构建用户与课程之间的交互矩阵，包括：依次遍历按照动态排序的所有学习行为数据，提取出所有的用户与课程对应关系；根据所有的用户与课程对应关系，获取用户对课程的所有行为记录；根据用户对课程的所有行为记录，计算融合交互值；根据所述融合交互值，构建交互矩阵；处理所述交互矩阵中的缺失值，并对交互矩阵进行标准化处理，以得到标准化交互矩阵；根据所述交互矩阵，计算课程之间或用户之间的相似度，以得到相似度计算结果，包括：根据交互矩阵，分别构建用户向量和课程向量；根据所述用户向量和课程向量，分别计算所有用户的交互值的平均值和所有课程的交互值的平均值；根据所有用户的交互值的平均值和所有课程的交互值的平均值，以及动态用户权重，分别计算每两个用户之间的相似度和每两门课程之间的相似度；根据所述相似度计算结果，生成目标用户对课程的偏好，包括：根据每两个用户之间的相似度和每两门课程之间的相似度，提取每个目标用户相似度最高的N个用户以及该目标用户评分过的课程最相似的M个课程；根据每个目标用户相似度最高的N个用户以及该目标用户评分过的课程最相似的M个课程，生成目标用户对课程的偏好；根据目标用户的学习需求、目标用户对课程的偏好、课程库中的课程信息以及动态阈值生成课程推荐列表，包括：分别将用户u和课程i的原始特征向量Xu和Yi通过深度神经网络NNu和NNi转换为特征向量Uu和Ii，其中，Uu=NNuXu=σWuXu+buIi=NNiYi=σWiYi+bi，其中，Wu和Wi是权重矩阵，bu和bi是偏置向量，σ是激活函数；根据计算预测评分，其中，为一个点积运算，代表了转换后的用户特征向量Uu和课程特征向量Ii之间的相似度；bu为用户偏置项，代表了用户u的总体评分倾向；为全局平均评分，代表了所有用户对所有课程的平均评分；为课程偏置项，代表了课程i的总体受欢迎程度；T用于表示矩阵的转置；根据用户的历史行为和反馈调整动态阈值θu，其中，，其中，是用户u的历史平均评分，α是常数；计算所有课程i的预测评分，并获取预测评分≥θu的N个课程作为推荐列表；对所述预处理数据进行分析，以获取用户的学习模式和偏好，以及影响学习效果的关键因素，包括：根据计算用户的学习时间，包括计算用户在每个时间段的学习时间，其中，表示第i个用户的总学习时间，是第i个用户在时间戳j的学习时间；根据分析用户的学习偏好，包括分析用户偏向于何种学习方式，例如，偏向于听课还是做习题，其中，表示第i个用户对第k种学习方式的偏好，是第i个用户使用第k种学习方式的次数，分母中的表示第i个用户使用所有学习方式的总次数；根据所述融合交互值，构建交互矩阵，包括：构建一个用户与课程的融合交互值表I1，I1是一个三元组的集合，集合；对所有的用户ID和课程ID进行编码，将每一个用户ID和课程ID映射到一个连续的整数，这样可以方便构建交互矩阵，假设有m个用户和n个课程，那么，可以得到两个映射函数，可以将用户ID和课程ID映射到[1,m]和[1,n]的范围内，其中每一个元素都是一个用户ID，课程ID和融合交互值的对应关系；构建一个m1×n1的交互矩阵M2，矩阵中的每一个元素M2[i][j]代表用户i对课程j的融合交互值，如果用户i没有参与课程j，那么M2[i][j]的值可以设置为0或者一个特定的缺失值；利用交互矩阵M2进行后续的分析和建模，交互矩阵M2中的每一个元素代表一个用户对一个课程的融合交互值，可以量化用户对课程的参与度和热情；根据所有用户的交互值的平均值和所有课程的交互值的平均值，以及动态用户权重，分别计算每两个用户之间的相似度和每两门课程之间的相似度，包括：根据计算所有用户的交互值的平均值μu，其中，是用户的总数量；是用户u的权重wu的计算公式，权重wu反映了用户的活跃度；是用户u与课程i的交互值的总和；根据计算所有课程的交互值的平均值μc；其中，是课程的总数量；是课程的权重，是课程值的总和；根据计算未标准化权重；根据未标准化权重，计算所有用户未标准化权重的总和T1，其中，；根据所有用户未标准化权重的总和T1，计算用户i的标准化权重Zi，其中，；根据所述用户i的标准化权重Zi，以及所有用户未标准化权重的总和T1，计算用户i的最终权重Fi，其中，，其中，表示用户i的活跃度，是控制权重分布的参数，是用户i的未标准化权重，T1是所有用户未标准化权重的总和，Zi是用户i的标准化权重，Fi是用户i的最终权重，表示用户的总数或范围；j表示用户的索引或编号，从1到，用于区分不同的用户；和分别表示所有用户未标准化权重的最小值和最大值；根据计算每两个用户之间的相似度，其中，和分别表示用户i和用户l在j项交互上的值。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人广东科学技术职业学院，其通讯地址为：519050 广东省珠海市金湾区珠海大道南侧65号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。