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！

申请/专利权人：常熟理工学院

摘要：本发明公开了一种MOOCs学习资源推荐方法，其包括构建学生‑学习资源打分矩阵，基于学生所学学习资源的共学情况、注册的课程和选的教师，构建学生共现关系矩阵，基于学生所学学习资源的内容主题词，构建余弦相似性矩阵，基于学习资源被学生学习的情况、创建教师的情况和归属的课程名，构建学习资源共现关系矩阵，基于学习资源的内容主题词，构建余弦相似性矩阵，构建加性低秩稀疏矩阵分解模型，迭代优化求解模型的学生潜在矩阵和学习资源潜在矩阵，计算学生潜在因子矩阵的低秩化近似，学习资源潜在因子矩阵的稀疏化近似，进而计算学生学习资源的推荐分数，根据推荐分数推荐相对应的学习资源。

主权项：1.一种MOOCs学习资源推荐方法，其特征在于，包括如下步骤：步骤1，构建MOOCs平台的学生-学习资源打分矩阵，假设有个学生，个学习资源，构建的学生-学习资源打分矩阵为，如果学生学过学习资源，则，否则；步骤2，构建学生共现关系矩阵和学生所学学习资源主题词特征的余弦相似性矩阵,所述学生共现关系矩阵包括学生共学资源数矩阵、学生共选课程数矩阵，以及学生共有教师数矩阵；步骤3，构建学习资源共现关系矩阵和学习资源主题词特征的余弦相似性矩阵，所述学习资源共现关系矩阵包括学习资源共有学生数矩阵、学习资源课程共现矩阵，以及学习资源教师共现矩阵；步骤4，基于学生-学习资源打分矩阵、学生共现关系矩阵、学生所学学习资源主题词特征的余弦相似性矩阵、学习资源共现关系矩阵，以及学习资源主题词特征的余弦相似性矩阵，构建MOOCs学习资源的加性低秩稀疏矩阵分解模型： ，其中、、和分别表示学生-学习资源打分矩阵分解误差项、学生共现矩阵和学生所学学习资源主题词特征的余弦相似性矩阵与的损失误差项、学习资源共现关系矩阵和学习资源主题词特征的余弦相似性矩阵与的损失误差项和防止过拟合的正则惩罚项的权重，且，，L是学生潜在因子矩阵，用以表示学生之间对学习资源感兴趣的相关性，S是学习资源潜在因子矩阵，用以表示每个学生偏好的学习资源特征和潜在预测，T是转置运算，矩阵和是平衡矩阵，约束条件为学生潜在因子矩阵L的秩小于等于常数，学习资源潜在因子矩阵S和平衡矩阵N，以及平衡矩阵M的非零元素个数分别小于等于常数、和，为矩阵Frobenius范数；步骤5，基于加性低秩稀疏矩阵分解模型进行迭代优化，求解加性低秩稀疏矩阵分解模型的学生潜在因子矩阵L和学习资源潜在因子矩阵S：步骤5-1，初始化矩阵变量：L=X,S=0,M=0，N=0;步骤5-2，固定学习资源潜在因子矩阵S、平衡矩阵M和平衡矩阵N，计算学生潜在因子矩阵L的更新表达式：根据加性低秩稀疏矩阵分解模型对学生潜在因子矩阵L的偏导等于0，计算出学生潜在因子矩阵L的表达式为： ，其中为单位矩阵；步骤5-3，固定学生潜在因子矩阵L、平衡矩阵M和平衡矩阵N,计算学习资源潜在因子矩阵S的更新表达式：根据加性低秩稀疏矩阵分解模型对学习资源潜在因子矩阵S的偏导等于0，计算出学习资源潜在因子矩阵S的表达式为 ；步骤5-4，固定学习资源潜在因子矩阵S、学生潜在因子矩阵L和平衡矩阵N，计算平衡矩阵M的更新表达式：根据加性低秩稀疏矩阵分解模型对平衡矩阵M的偏导等于0，计算出平衡矩阵M的表达式为 ；步骤5-5，固定学习资源潜在因子矩阵S、学生潜在因子矩阵L和平衡矩阵M，计算平衡矩阵N的更新表达式：根据加性低秩稀疏矩阵分解模型对平衡矩阵N的偏导等于0，计算平衡矩阵N的表达式为 ；步骤5-6，重复迭代步骤5-2到5-5，直到迭代次数达到最大或加性低秩稀疏矩阵分解模型收敛，输出最终的学习资源潜在因子矩阵S和学生潜在因子矩阵L；步骤6，计算学生潜在因子矩阵L的低秩化近似，得到学生潜在因子低秩矩阵，计算学习资源潜在因子矩阵S的稀疏化近似，得到学习资源潜在因子稀疏矩阵；步骤7，基于学生潜在因子低秩矩阵和学习资源潜在因子稀疏矩阵计算所有学习资源对学生的推荐分数：推荐分数为学生潜在因子低秩矩阵和学习资源潜在因子稀疏矩阵的和，即，对于给定的学生，其中，检索给定学生所对应的学习资源的推荐分数，对推荐分数按照从大到小的顺序进行排序，将前K个最大的推荐分数所对应的学习资源推荐给该学生。

全文数据：

权利要求：

百度查询： 常熟理工学院 一种MOOCs学习资源推荐方法