本發(fā)明涉及數(shù)據(jù)推薦技術(shù)領(lǐng)域，特別是指一種個(gè)性化學(xué)習(xí)推薦方法及裝置。

背景技術(shù)：

目前的個(gè)性化學(xué)習(xí)方案，以在線學(xué)習(xí)行為的數(shù)據(jù)和靜態(tài)的學(xué)習(xí)能力測(cè)試數(shù)據(jù)為基礎(chǔ)，這些數(shù)據(jù)主要是與學(xué)習(xí)行為本身相關(guān)，缺少對(duì)用戶外部學(xué)習(xí)環(huán)境的關(guān)注。隨著智能手機(jī)的普及，移動(dòng)環(huán)境下的碎片化學(xué)習(xí)正在成為主流的學(xué)習(xí)方式，與傳統(tǒng)基于PC的學(xué)習(xí)不同，移動(dòng)碎片化學(xué)習(xí)需要關(guān)注到學(xué)習(xí)者外部的地理和時(shí)間環(huán)境，而目前的個(gè)性化學(xué)習(xí)方案缺少對(duì)用戶外部學(xué)習(xí)環(huán)境的關(guān)注，不利于提升用戶的學(xué)習(xí)效果和學(xué)習(xí)效率。

同時(shí)在知識(shí)地圖的構(gòu)建上，需要實(shí)現(xiàn)了解不同知識(shí)點(diǎn)之間的邏輯關(guān)系，并按照知識(shí)點(diǎn)之間的聯(lián)系組成知識(shí)地圖，這種對(duì)知識(shí)的組織管理方式需要相關(guān)學(xué)科的專業(yè)人員深度參與，無(wú)論是效率還是成本，都非常的高昂，造成個(gè)性化學(xué)習(xí)的內(nèi)容生產(chǎn)低效、質(zhì)量不高，使知識(shí)地圖成為阻礙個(gè)性化學(xué)習(xí)規(guī)模發(fā)展的重要因素。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種個(gè)性化學(xué)習(xí)推薦方法及裝置，用以解決由于現(xiàn)有個(gè)性化學(xué)習(xí)方案缺少對(duì)用戶學(xué)習(xí)環(huán)境的關(guān)注，從而影響用戶的學(xué)習(xí)效率和學(xué)習(xí)效果的問(wèn)題。

為了實(shí)現(xiàn)上述目的，本發(fā)明提供了一種個(gè)性化學(xué)習(xí)推薦方法，包括：

獲取目標(biāo)用戶當(dāng)前所處環(huán)境的環(huán)境信息及所述目標(biāo)用戶的用戶學(xué)習(xí)信息；

根據(jù)所述環(huán)境信息及所述用戶學(xué)習(xí)信息，確定待推薦樣本模型，所述待推薦樣本模型包括推薦環(huán)境樣本和推薦用戶樣本，其中，所述推薦環(huán)境樣本與所述目標(biāo)環(huán)境的相似度大于第一預(yù)設(shè)閾值，所述推薦用戶樣本與所述目標(biāo)用戶的 相似度大于第二預(yù)設(shè)閾值；

根據(jù)所述推薦樣本模型，確定與所述推薦樣本模型對(duì)應(yīng)的推薦學(xué)習(xí)信息，并將所述推薦學(xué)習(xí)信息推薦給所述目標(biāo)用戶。

其中，在所述根據(jù)所述推薦樣本模型，確定與所述推薦樣本模型對(duì)應(yīng)的推薦學(xué)習(xí)信息，并將所述推薦學(xué)習(xí)信息推薦給所述目標(biāo)用戶之后，所述方法還包括：

獲取所述目標(biāo)用戶根據(jù)所述推薦學(xué)習(xí)信息進(jìn)行學(xué)習(xí)后的學(xué)習(xí)效果；

若所述目標(biāo)用戶的學(xué)習(xí)效果低于預(yù)設(shè)樣本庫(kù)中每個(gè)樣本模型對(duì)應(yīng)的學(xué)習(xí)效果，則根據(jù)所述目標(biāo)環(huán)境的環(huán)境信息及所述目標(biāo)用戶的用戶學(xué)習(xí)信息，建立臨時(shí)樣本個(gè)體；

當(dāng)匹配的多個(gè)臨時(shí)樣本個(gè)體的數(shù)量大于第三預(yù)設(shè)閾值時(shí)，則根據(jù)所述多個(gè)臨時(shí)樣本個(gè)體，生成新的樣本模型并存儲(chǔ)于所述預(yù)設(shè)樣本庫(kù)中，所述匹配是指臨時(shí)樣本個(gè)體之間的相似度大于第四預(yù)設(shè)閾值。

其中，所述根據(jù)所述環(huán)境信息及所述用戶學(xué)習(xí)信息，確定待推薦樣本模型，包括：

根據(jù)所述環(huán)境信息，計(jì)算所述目標(biāo)環(huán)境與預(yù)設(shè)樣本庫(kù)中環(huán)境樣本的相似度，并獲取與所述目標(biāo)環(huán)境的相似度大于第一預(yù)設(shè)閾值的推薦環(huán)境樣本；

根據(jù)所述用戶學(xué)習(xí)信息，計(jì)算所述目標(biāo)用戶與所述預(yù)設(shè)樣本庫(kù)中用戶樣本的相似度，并獲取與所述目標(biāo)用戶的相似度大于第二預(yù)設(shè)閾值的推薦用戶樣本；

根據(jù)所述推薦環(huán)境樣本及所述推薦用戶樣本，確定所述待推薦樣本模型。

其中，所述根據(jù)所述推薦樣本模型，確定與所述推薦樣本模型對(duì)應(yīng)的推薦學(xué)習(xí)信息，包括：

根據(jù)所述目標(biāo)用戶的歷史學(xué)習(xí)信息，在知識(shí)地圖中獲取所述待推薦樣本模型對(duì)應(yīng)的推薦學(xué)習(xí)信息，所述知識(shí)地圖中記錄有按照K最近鄰算法預(yù)先統(tǒng)計(jì)到的、特定用戶在特定環(huán)境下學(xué)習(xí)頻率大于所述第五預(yù)設(shè)閾值的學(xué)習(xí)信息。

其中，所述將所述推薦學(xué)習(xí)信息推薦給所述目標(biāo)用戶，包括：

對(duì)所述推薦學(xué)習(xí)信息進(jìn)行優(yōu)化和排序處理，并將優(yōu)化和排序處理后的推薦學(xué)習(xí)信息推薦給所述目標(biāo)用戶。

本發(fā)明還提供了一種個(gè)性化學(xué)習(xí)推薦裝置，包括：

第一獲取模塊，用于獲取目標(biāo)用戶當(dāng)前所處環(huán)境的環(huán)境信息及所述目標(biāo)用戶的用戶學(xué)習(xí)信息；

第一確定模塊，用于根據(jù)所述環(huán)境信息及所述用戶學(xué)習(xí)信息，確定待推薦樣本模型，所述待推薦樣本模型包括推薦環(huán)境樣本和推薦用戶樣本，其中，所述推薦環(huán)境樣本與所述目標(biāo)環(huán)境的相似度大于第一預(yù)設(shè)閾值，所述推薦用戶樣本與所述目標(biāo)用戶的相似度大于第二預(yù)設(shè)閾值；

第二確定模塊，用于根據(jù)所述推薦樣本模型，確定與所述推薦樣本模型對(duì)應(yīng)的推薦學(xué)習(xí)信息，并將所述推薦學(xué)習(xí)信息推薦給所述目標(biāo)用戶。

其中，上述個(gè)性化學(xué)習(xí)推薦裝置，還包括：

第二獲取模塊，用于獲取所述目標(biāo)用戶根據(jù)所述推薦學(xué)習(xí)信息進(jìn)行學(xué)習(xí)后的學(xué)習(xí)效果；

建立模塊，用于若所述目標(biāo)用戶的學(xué)習(xí)效果低于預(yù)設(shè)樣本庫(kù)中每個(gè)樣本模型對(duì)應(yīng)的學(xué)習(xí)效果，則根據(jù)所述目標(biāo)環(huán)境的環(huán)境信息及所述目標(biāo)用戶的用戶學(xué)習(xí)信息，建立臨時(shí)樣本個(gè)體；

生成模塊，用于當(dāng)匹配的多個(gè)臨時(shí)樣本個(gè)體的數(shù)量大于第三預(yù)設(shè)閾值時(shí)，則根據(jù)所述多個(gè)臨時(shí)樣本個(gè)體，生成新的樣本模型并存儲(chǔ)于所述預(yù)設(shè)樣本庫(kù)中，所述匹配是指臨時(shí)樣本個(gè)體之間的相似度大于第四預(yù)設(shè)閾值。

其中，所述第一確定模塊包括：

第一計(jì)算單元，用于根據(jù)所述環(huán)境信息，計(jì)算所述目標(biāo)環(huán)境與預(yù)設(shè)樣本庫(kù)中環(huán)境樣本的相似度，并獲取與所述目標(biāo)環(huán)境的相似度大于第一預(yù)設(shè)閾值的推薦環(huán)境樣本；

第二計(jì)算單元，用于根據(jù)所述用戶學(xué)習(xí)信息，計(jì)算所述目標(biāo)用戶與所述預(yù)設(shè)樣本庫(kù)中用戶樣本的相似度，并獲取與所述目標(biāo)用戶的相似度大于第二預(yù)設(shè)閾值的推薦用戶樣本；

確定單元，用于根據(jù)所述推薦環(huán)境樣本及所述推薦用戶樣本，確定所述待推薦樣本模型。

其中，所述第二確定模塊包括：

獲取單元，用于根據(jù)所述目標(biāo)用戶的歷史學(xué)習(xí)信息，在知識(shí)地圖中獲取所述待推薦樣本模型對(duì)應(yīng)的推薦學(xué)習(xí)信息，所述知識(shí)地圖中記錄有按照K最近鄰 算法預(yù)先統(tǒng)計(jì)到的、特定用戶在特定環(huán)境下學(xué)習(xí)頻率大于所述第五預(yù)設(shè)閾值的學(xué)習(xí)信息。

其中，所述第二確定模塊包括：

推薦單元，用于對(duì)所述推薦學(xué)習(xí)信息進(jìn)行優(yōu)化和排序處理，并將優(yōu)化和排序處理后的推薦學(xué)習(xí)信息推薦給所述目標(biāo)用戶。

本發(fā)明實(shí)施例具有以下有益效果：

本發(fā)明實(shí)施例的個(gè)性化推薦方法，獲取目標(biāo)用戶當(dāng)前所處環(huán)境的環(huán)境信息及目標(biāo)用戶的用戶學(xué)習(xí)信息，根據(jù)所述環(huán)境信息及所述用戶學(xué)習(xí)信息，確定待推薦樣本模型，并進(jìn)一步確定與待推薦樣本模型對(duì)應(yīng)的推薦學(xué)習(xí)信息，最后將所述推薦學(xué)習(xí)信息推薦給用戶，本發(fā)明實(shí)施例將用戶的學(xué)習(xí)環(huán)境引入到個(gè)性化學(xué)習(xí)方案中，與只關(guān)注學(xué)習(xí)者的學(xué)習(xí)能力和知識(shí)水平的傳統(tǒng)方法相比，本發(fā)明實(shí)施例提供更加真實(shí)的學(xué)習(xí)場(chǎng)景，從而能夠提高學(xué)習(xí)者的學(xué)習(xí)效果及學(xué)習(xí)效率。

附圖說(shuō)明

圖1為本發(fā)明實(shí)施例的個(gè)性化學(xué)習(xí)推薦方法的第一工作流程圖；

圖2為本發(fā)明實(shí)施例的個(gè)性化學(xué)習(xí)推薦方法的第二工作流程圖；

圖3為本發(fā)明實(shí)施例的個(gè)性化學(xué)習(xí)推薦方法的第三工作流程圖；

圖4為本發(fā)明實(shí)施例的個(gè)性化學(xué)習(xí)推薦裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

為使本發(fā)明要解決的技術(shù)問(wèn)題、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合具體實(shí)施例及附圖進(jìn)行詳細(xì)描述。

目前在教育領(lǐng)域，個(gè)性化學(xué)習(xí)是對(duì)用戶的學(xué)習(xí)能力靜態(tài)評(píng)估和動(dòng)態(tài)學(xué)習(xí)行為數(shù)據(jù)采集為基礎(chǔ)的，即通過(guò)在線的方式獲取用戶對(duì)知識(shí)的掌握程度，為用戶提供個(gè)性化的學(xué)習(xí)建議指導(dǎo)，同時(shí)在用戶的在線學(xué)習(xí)過(guò)程中，通過(guò)采集用戶學(xué)習(xí)的行為，再動(dòng)態(tài)調(diào)整學(xué)習(xí)內(nèi)容和學(xué)習(xí)路徑。在目前的方案中，個(gè)性化學(xué)習(xí)的核心側(cè)重在知識(shí)地圖的構(gòu)建和用戶學(xué)習(xí)能力平臺(tái)和學(xué)習(xí)行為檢測(cè)，缺少對(duì)用戶外部學(xué)習(xí)環(huán)境的關(guān)注，導(dǎo)致用戶的學(xué)習(xí)效果和學(xué)習(xí)效率受到限制。

因此，本發(fā)明的實(shí)施例提供了一種個(gè)性化學(xué)習(xí)推薦方法及裝置，解決了由 于現(xiàn)有個(gè)性化學(xué)習(xí)方案缺少對(duì)用戶學(xué)習(xí)環(huán)境的關(guān)注，從而影響用戶的學(xué)習(xí)效率和學(xué)習(xí)效果的問(wèn)題。

第一實(shí)施例：

如圖1所示，本發(fā)明實(shí)施例的個(gè)性化學(xué)習(xí)推薦方法，包括：

步驟11：獲取目標(biāo)用戶當(dāng)前所處環(huán)境的環(huán)境信息及所述目標(biāo)用戶的用戶學(xué)習(xí)信息。

這里，可具體通過(guò)該目標(biāo)用戶自身攜帶或者部署在目標(biāo)用戶學(xué)習(xí)地點(diǎn)的外部環(huán)境信息采集設(shè)備來(lái)獲取上述環(huán)境信息，該環(huán)境信息采集設(shè)備可具體包括圖像采集設(shè)備、GPS傳感器、光照傳感器、加速度傳感器、心率傳感器、噪聲傳感器等。本發(fā)明實(shí)施例通過(guò)上述環(huán)境信息采集設(shè)備對(duì)用戶的學(xué)習(xí)環(huán)境進(jìn)行采集，確定用戶的學(xué)習(xí)環(huán)境，形成模式固化的典型移動(dòng)學(xué)習(xí)場(chǎng)景，比如固定教室、汽車駕駛、火車旅行、運(yùn)動(dòng)跑步、乘坐公交等移動(dòng)學(xué)習(xí)場(chǎng)景。

上述的用戶學(xué)習(xí)信息可包括用戶的基本信息及用戶的在線學(xué)習(xí)信息，其中，用戶的基本信息可具體包括：用戶的年齡、性別及受教育程度等，用戶的在線學(xué)習(xí)信息主要是指與用戶在線學(xué)習(xí)行為相關(guān)的數(shù)據(jù)，如當(dāng)前知識(shí)的掌握程度信息、上一次的學(xué)習(xí)歷史記錄信息等。

步驟12：根據(jù)所述環(huán)境信息及所述用戶學(xué)習(xí)信息，確定待推薦樣本模型，所述待推薦樣本模型包括推薦環(huán)境樣本和推薦用戶樣本，其中，所述推薦環(huán)境樣本與所述目標(biāo)環(huán)境的相似度大于第一預(yù)設(shè)閾值，所述推薦用戶樣本與所述目標(biāo)用戶的相似度大于第二預(yù)設(shè)閾值。

在本發(fā)明的具體實(shí)施例中，在確定用戶的學(xué)習(xí)環(huán)境及用戶學(xué)習(xí)信息之后，系統(tǒng)把學(xué)習(xí)環(huán)境信息及用戶學(xué)習(xí)信息作為變量輸入到個(gè)性化推薦系統(tǒng)，得到待推薦樣本模型，具體的，個(gè)性化推薦系統(tǒng)根據(jù)所述環(huán)境信息，計(jì)算所述目標(biāo)環(huán)境與預(yù)設(shè)樣本庫(kù)中環(huán)境樣本的相似度，并獲取與所述目標(biāo)環(huán)境的相似度大于第一預(yù)設(shè)閾值的推薦環(huán)境樣本；根據(jù)所述用戶學(xué)習(xí)信息，計(jì)算所述目標(biāo)用戶與所述預(yù)設(shè)樣本庫(kù)中用戶樣本的相似度，并獲取與所述目標(biāo)用戶的相似度大于第二預(yù)設(shè)閾值的推薦用戶樣本；根據(jù)所述推薦環(huán)境樣本及所述推薦用戶樣本，確定所述待推薦樣本模型，進(jìn)一步地，該待推薦樣本模型可具體為一環(huán)境-用戶二維相似矩陣。本發(fā)明實(shí)施例按照環(huán)境相似和用戶相似兩個(gè)指標(biāo)計(jì)算該用戶在特定 環(huán)境下需要學(xué)習(xí)的下一步內(nèi)容，同時(shí)計(jì)算后續(xù)的學(xué)習(xí)路徑。另外，在本發(fā)明的具體實(shí)施例中，可具體通過(guò)余弦算法等來(lái)計(jì)算兩個(gè)樣本之間的相似度。

步驟13：根據(jù)所述推薦樣本模型，確定與所述推薦樣本模型對(duì)應(yīng)的推薦學(xué)習(xí)信息，并將所述推薦學(xué)習(xí)信息推薦給所述目標(biāo)用戶。

具體的，根據(jù)所述目標(biāo)用戶的歷史學(xué)習(xí)信息，在知識(shí)地圖中獲取所述待推薦樣本模型對(duì)應(yīng)的推薦學(xué)習(xí)信息，對(duì)所述推薦學(xué)習(xí)信息進(jìn)行優(yōu)化和排序處理，并將優(yōu)化和排序處理后的推薦學(xué)習(xí)信息推薦給所述目標(biāo)用戶。所述知識(shí)地圖中記錄有按照K最近鄰算法預(yù)先統(tǒng)計(jì)到的、特定用戶在特定環(huán)境下學(xué)習(xí)頻率大于所述第五預(yù)設(shè)閾值的學(xué)習(xí)信息。

在知識(shí)地圖建立的方面，系統(tǒng)引入深度學(xué)習(xí)技術(shù)作為新的知識(shí)地圖建立的方法。本發(fā)明實(shí)施例選擇主流的機(jī)器學(xué)習(xí)算法-k最近鄰(k-Nearest Neighbor，KNN)分類算法，作為知識(shí)地圖優(yōu)化的算法。系統(tǒng)在靜態(tài)的知識(shí)地圖中引入用戶環(huán)境信息，作為K最近鄰算法的輸入，當(dāng)相同學(xué)習(xí)環(huán)境下的人，對(duì)特定知識(shí)點(diǎn)的學(xué)習(xí)頻率超過(guò)特定閥值后，系統(tǒng)對(duì)這些知識(shí)點(diǎn)進(jìn)行合并，合并為在同一學(xué)習(xí)環(huán)境下的知識(shí)點(diǎn)。當(dāng)相似用戶進(jìn)入相似環(huán)境下學(xué)習(xí)時(shí)，這些之前不同的知識(shí)點(diǎn)被看作同一個(gè)知識(shí)點(diǎn)推薦給用戶學(xué)習(xí)，本發(fā)明實(shí)施例中基于環(huán)境信息動(dòng)態(tài)更新知識(shí)地圖的方法縮短了用戶學(xué)習(xí)路徑的距離和復(fù)雜度。

本發(fā)明實(shí)施例，把學(xué)習(xí)者的環(huán)境信息作為影響用戶學(xué)習(xí)的重要因素引入到個(gè)性化學(xué)習(xí)推薦技術(shù)中，并把學(xué)習(xí)環(huán)境作為構(gòu)建知識(shí)地圖的關(guān)鍵因素，為用戶提供更加真實(shí)的學(xué)習(xí)場(chǎng)景信息，能夠提高學(xué)習(xí)者的學(xué)習(xí)效果。

第二實(shí)施例：

如圖2所示，本發(fā)明實(shí)施例的個(gè)性化學(xué)習(xí)推薦方法，包括：

步驟21：獲取目標(biāo)用戶當(dāng)前所處環(huán)境的環(huán)境信息及所述目標(biāo)用戶的用戶學(xué)習(xí)信息。

步驟22：根據(jù)所述環(huán)境信息及所述用戶學(xué)習(xí)信息，確定待推薦樣本模型，所述待推薦樣本模型包括推薦環(huán)境樣本和推薦用戶樣本，其中，所述推薦環(huán)境樣本與所述目標(biāo)環(huán)境的相似度大于第一預(yù)設(shè)閾值，所述推薦用戶樣本與所述目標(biāo)用戶的相似度大于第二預(yù)設(shè)閾值。

步驟23：根據(jù)所述推薦樣本模型，確定與所述推薦樣本模型對(duì)應(yīng)的推薦學(xué) 習(xí)信息，并將所述推薦學(xué)習(xí)信息推薦給所述目標(biāo)用戶。

步驟24：獲取所述目標(biāo)用戶根據(jù)所述推薦學(xué)習(xí)信息進(jìn)行學(xué)習(xí)后的學(xué)習(xí)效果。

步驟25：若所述目標(biāo)用戶的學(xué)習(xí)效果低于預(yù)設(shè)樣本庫(kù)中每個(gè)樣本模型對(duì)應(yīng)的學(xué)習(xí)效果，則根據(jù)所述目標(biāo)環(huán)境的環(huán)境信息及所述目標(biāo)用戶的用戶學(xué)習(xí)信息，建立臨時(shí)樣本個(gè)體。

步驟26：當(dāng)匹配的多個(gè)臨時(shí)樣本個(gè)體的數(shù)量大于第三預(yù)設(shè)閾值時(shí)，則根據(jù)所述多個(gè)臨時(shí)樣本個(gè)體，生成新的樣本模型并存儲(chǔ)于所述預(yù)設(shè)樣本庫(kù)中，所述匹配是指臨時(shí)樣本個(gè)體之間的相似度大于第四預(yù)設(shè)閾值。

在本發(fā)明的具體實(shí)施例中，當(dāng)用戶開始學(xué)習(xí)時(shí)，系統(tǒng)記錄其學(xué)習(xí)環(huán)境的變化、學(xué)習(xí)行為以及學(xué)習(xí)效果。如果該用戶的學(xué)習(xí)效果低于預(yù)設(shè)樣本庫(kù)中環(huán)境-用戶相似矩陣中所有用戶的平均效果，則系統(tǒng)為該用戶建立臨時(shí)環(huán)境-用戶相似矩陣，當(dāng)進(jìn)入臨時(shí)矩陣的用戶超過(guò)一定的閥值，則系統(tǒng)自動(dòng)形成新的環(huán)境-用戶相似矩陣并保存到預(yù)設(shè)樣本庫(kù)中。該實(shí)施例中系統(tǒng)按照環(huán)境-用戶相似矩陣作為輸入，通過(guò)知識(shí)地圖形成用戶特定環(huán)境下的學(xué)習(xí)路徑和學(xué)習(xí)內(nèi)容的推送。

第三實(shí)施例：

如圖3所示，本發(fā)明實(shí)施例的個(gè)性化學(xué)習(xí)推薦方法，包括：

步驟S31：檢測(cè)用戶環(huán)境，得到用戶環(huán)境信息，并將用戶環(huán)境信息發(fā)送給數(shù)據(jù)分析處理模塊。

步驟S32：數(shù)據(jù)分析處理模塊根據(jù)所述用戶環(huán)境信息，識(shí)別出用戶的學(xué)習(xí)環(huán)境并發(fā)送給個(gè)性化推薦系統(tǒng)。

步驟S33：個(gè)性化推薦系統(tǒng)根據(jù)用戶的學(xué)習(xí)環(huán)境，計(jì)算該學(xué)習(xí)環(huán)境與環(huán)境樣本的相似度。

步驟S34：數(shù)據(jù)分析處理模塊獲取用戶的學(xué)習(xí)信息并發(fā)送給個(gè)性化推薦系統(tǒng)。

步驟S35：個(gè)性化推薦系統(tǒng)根據(jù)用戶的學(xué)習(xí)信息，計(jì)算該用戶與用戶樣本的相似度。

步驟S36：個(gè)性化推薦系統(tǒng)根據(jù)環(huán)境相似度及用戶相似度，得到與所述用戶及所述用戶的環(huán)境匹配的環(huán)境-用戶相似矩陣。

步驟S37：知識(shí)地圖根據(jù)環(huán)境-用戶相似矩陣及用戶歷史學(xué)習(xí)記錄信息，計(jì)算學(xué)習(xí)路徑及學(xué)習(xí)內(nèi)容并發(fā)送給個(gè)性化推薦系統(tǒng)。

步驟S38：個(gè)性化推薦系統(tǒng)對(duì)學(xué)習(xí)路徑和學(xué)習(xí)內(nèi)容進(jìn)行優(yōu)化和排序處理，并將發(fā)送給用戶。

進(jìn)一步地，如圖3所示，本發(fā)明實(shí)施例的個(gè)性化學(xué)習(xí)推薦方法，還包括：

步驟S39：將用戶環(huán)境信息作為k最近鄰算法的輸入，更新知識(shí)地圖中的知識(shí)點(diǎn)學(xué)習(xí)信息。

本發(fā)明實(shí)施例，把學(xué)習(xí)者的環(huán)境信息作為影響用戶學(xué)習(xí)的重要因素引入到個(gè)性化學(xué)習(xí)推薦技術(shù)中，并把學(xué)習(xí)環(huán)境作為構(gòu)建知識(shí)地圖的關(guān)鍵因素，為用戶提供更加真實(shí)的學(xué)習(xí)場(chǎng)景信息，從而有效提高學(xué)習(xí)者的學(xué)習(xí)效果及學(xué)習(xí)效率。

第三實(shí)施例：

如圖4所示，本發(fā)明的實(shí)施例還提供了一種個(gè)性化學(xué)習(xí)推薦裝置，包括：

第一獲取模塊41，用于獲取目標(biāo)用戶當(dāng)前所處環(huán)境的環(huán)境信息及所述目標(biāo)用戶的用戶學(xué)習(xí)信息；

第一確定模塊42，用于根據(jù)所述環(huán)境信息及所述用戶學(xué)習(xí)信息，確定待推薦樣本模型，所述待推薦樣本模型包括推薦環(huán)境樣本和推薦用戶樣本，其中，所述推薦環(huán)境樣本與所述目標(biāo)環(huán)境的相似度大于第一預(yù)設(shè)閾值，所述推薦用戶樣本與所述目標(biāo)用戶的相似度大于第二預(yù)設(shè)閾值；

第二確定模塊43，用于根據(jù)所述推薦樣本模型，確定與所述推薦樣本模型對(duì)應(yīng)的推薦學(xué)習(xí)信息，并將所述推薦學(xué)習(xí)信息推薦給所述目標(biāo)用戶。

進(jìn)一步地，本發(fā)明實(shí)施例的個(gè)性化學(xué)習(xí)推薦裝置，還包括：

第二獲取模塊44，用于獲取所述目標(biāo)用戶根據(jù)所述推薦學(xué)習(xí)信息進(jìn)行學(xué)習(xí)后的學(xué)習(xí)效果；

建立模塊45，用于若所述目標(biāo)用戶的學(xué)習(xí)效果低于預(yù)設(shè)樣本庫(kù)中每個(gè)樣本模型對(duì)應(yīng)的學(xué)習(xí)效果，則根據(jù)所述目標(biāo)環(huán)境的環(huán)境信息及所述目標(biāo)用戶的用戶學(xué)習(xí)信息，建立臨時(shí)樣本個(gè)體；

生成模塊46，用于當(dāng)匹配的多個(gè)臨時(shí)樣本個(gè)體的數(shù)量大于第三預(yù)設(shè)閾值時(shí)，則根據(jù)所述多個(gè)臨時(shí)樣本個(gè)體，生成新的樣本模型并存儲(chǔ)于所述預(yù)設(shè)樣本庫(kù)中，所述匹配是指臨時(shí)樣本個(gè)體之間的相似度大于第四預(yù)設(shè)閾值。

進(jìn)一步地，所述第一確定模塊42包括：

第一計(jì)算單元421，用于根據(jù)所述環(huán)境信息，計(jì)算所述目標(biāo)環(huán)境與預(yù)設(shè)樣本 庫(kù)中環(huán)境樣本的相似度，并獲取與所述目標(biāo)環(huán)境的相似度大于第一預(yù)設(shè)閾值的推薦環(huán)境樣本；

第二計(jì)算單元422，用于根據(jù)所述用戶學(xué)習(xí)信息，計(jì)算所述目標(biāo)用戶與所述預(yù)設(shè)樣本庫(kù)中用戶樣本的相似度，并獲取與所述目標(biāo)用戶的相似度大于第二預(yù)設(shè)閾值的推薦用戶樣本；

確定單元423，用于根據(jù)所述推薦環(huán)境樣本及所述推薦用戶樣本，確定所述待推薦樣本模型。

進(jìn)一步地，所述第二確定模塊43包括：

獲取單元431，用于根據(jù)所述目標(biāo)用戶的歷史學(xué)習(xí)信息，在知識(shí)地圖中獲取所述待推薦樣本模型對(duì)應(yīng)的推薦學(xué)習(xí)信息，所述知識(shí)地圖中記錄有按照K最近鄰算法預(yù)先統(tǒng)計(jì)到的、特定用戶在特定環(huán)境下學(xué)習(xí)頻率大于所述第五預(yù)設(shè)閾值的學(xué)習(xí)信息。

進(jìn)一步地，所述第二確定模塊43包括：

推薦單元432，用于對(duì)所述推薦學(xué)習(xí)信息進(jìn)行優(yōu)化和排序處理，并將優(yōu)化和排序處理后的推薦學(xué)習(xí)信息推薦給所述目標(biāo)用戶。

需要說(shuō)明的是，該裝置是與上述方法實(shí)施例對(duì)應(yīng)的裝置，上述方法實(shí)施例中所有實(shí)現(xiàn)方式均適用于該裝置的實(shí)施例中，也能達(dá)到相同的技術(shù)效果。

本發(fā)明實(shí)施例的個(gè)性化學(xué)習(xí)推薦方法及裝置，獲取目標(biāo)用戶當(dāng)前所處環(huán)境的環(huán)境信息及目標(biāo)用戶的用戶學(xué)習(xí)信息，根據(jù)所述環(huán)境信息及所述用戶學(xué)習(xí)信息，確定待推薦樣本模型，并進(jìn)一步確定與待推薦樣本模型對(duì)應(yīng)的推薦學(xué)習(xí)信息，最后將所述推薦學(xué)習(xí)信息推薦給用戶，本發(fā)明實(shí)施例將用戶的學(xué)習(xí)環(huán)境引入到個(gè)性化學(xué)習(xí)方案中，與只關(guān)注學(xué)習(xí)者的學(xué)習(xí)能力和知識(shí)水平的傳統(tǒng)方法相比，本發(fā)明實(shí)施例提供更加真實(shí)的學(xué)習(xí)場(chǎng)景，從而能夠提高學(xué)習(xí)者的學(xué)習(xí)效果及學(xué)習(xí)效率。

以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。