1.一種個(gè)性化學(xué)習(xí)推薦方法，其特征在于，包括：
獲取目標(biāo)用戶(hù)當(dāng)前所處環(huán)境的環(huán)境信息及所述目標(biāo)用戶(hù)的用戶(hù)學(xué)習(xí)信息；
根據(jù)所述環(huán)境信息及所述用戶(hù)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(hù)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(hù)樣本與所述目標(biāo)用戶(hù)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(hù)。
2.根據(jù)權(quán)利要求1所述的個(gè)性化學(xué)習(xí)推薦方法，其特征在于，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(hù)之后，所述方法還包括：
獲取所述目標(biāo)用戶(hù)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(hù)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(hù)的用戶(hù)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。
3.根據(jù)權(quán)利要求1所述的個(gè)性化學(xué)習(xí)推薦方法，其特征在于，所述根據(jù)所述環(huán)境信息及所述用戶(hù)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(hù)學(xué)習(xí)信息，計(jì)算所述目標(biāo)用戶(hù)與所述預(yù)設(shè)樣本庫(kù)中用戶(hù)樣本的相似度，并獲取與所述目標(biāo)用戶(hù)的相似度大于第二預(yù)設(shè)閾值的推薦用戶(hù)樣本；
根據(jù)所述推薦環(huán)境樣本及所述推薦用戶(hù)樣本，確定所述待推薦樣本模型。
4.根據(jù)權(quán)利要求1所述的個(gè)性化學(xué)習(xí)推薦方法，其特征在于，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(hù)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(hù)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。
5.根據(jù)權(quán)利要求1所述的個(gè)性化學(xué)習(xí)推薦方法，其特征在于，所述將所述推薦學(xué)習(xí)信息推薦給所述目標(biāo)用戶(hù)，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(hù)。
6.一種個(gè)性化學(xué)習(xí)推薦裝置，其特征在于，包括：
第一獲取模塊，用于獲取目標(biāo)用戶(hù)當(dāng)前所處環(huán)境的環(huán)境信息及所述目標(biāo)用戶(hù)的用戶(hù)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(hù)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(hù)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(hù)樣本與所述目標(biāo)用戶(hù)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(hù)。
7.根據(jù)權(quán)利要求6所述的個(gè)性化學(xué)習(xí)推薦裝置，其特征在于，還包括：
第二獲取模塊，用于獲取所述目標(biāo)用戶(hù)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(hù)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(hù)的用戶(hù)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。
8.根據(jù)權(quán)利要求6所述的個(gè)性化學(xué)習(xí)推薦裝置，其特征在于，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(hù)學(xué)習(xí)信息，計(jì)算所述目標(biāo)用戶(hù)與所述預(yù)設(shè)樣本庫(kù)中用戶(hù)樣本的相似度，并獲取與所述目標(biāo)用戶(hù)的相似度大于第二預(yù)設(shè)閾值的推薦用戶(hù)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(hù)樣本，確定所述待推薦樣本模型。
9.根據(jù)權(quán)利要求6所述的個(gè)性化學(xué)習(xí)推薦裝置，其特征在于，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(hù)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(hù)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。
10.根據(jù)權(quán)利要求6所述的個(gè)性化學(xué)習(xí)推薦裝置，其特征在于，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(hù)。