(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211155265.X (22)申请日 2022.09.22 (71)申请人 北京道达天际科技股份有限公司 地址 100085 北京市海淀区马连洼北路8号 C座7层70 3室 (72)发明人 李亚东　李三鸣　张丽莎　 (74)专利代理 机构 北京市领专知识产权代理有 限公司 1 1590 专利代理师 潘镜如 (51)Int.Cl. G06F 16/9536(2019.01) G06F 16/36(2019.01) (54)发明名称 一种基于协同过滤算法的知识推荐方法 (57)摘要 本发明涉及一种基于协同过滤算法的知识 推荐方法， 包括以下步骤： 采集学员及其学习知 识列表， 根据学员及其学习知识之间的依赖程 度， 构建知识依赖关系矩阵， 并计算知识关系依 赖度； 根据知识关系依赖度和学员的历史行为， 计算学员对其学习知识的推荐值； 根据学员对其 学习知识的推荐值， 生成所有学员的知识推荐集 合。 本发明基于物品的协 同过滤算法， 可 以根据 学员对知识类别的兴趣以及该学员对于知识类 别的掌握情况， 很大程度上精 准的给学员推荐知 识， 以便学员针对自己的不足， 有效的进行 学习。 权利要求书1页 说明书6页 附图1页 CN 115455310 A 2022.12.09 CN 115455310 A 1.一种基于协同过 滤算法的知识推荐方法， 其特 征在于： 包括以下步骤： 步骤S1， 采集学员及其学习知识列表， 根据学员及其学习知识之间的依赖程度， 构建知 识依赖关系矩阵， 并计算知识关系依赖度； 步骤S2， 根据知识关系依赖度和学员的历史行为， 计算学员对其学习知识的推荐值； 步骤S3， 根据学员对其学习知识的推荐值， 生成所有学员的知识推荐集 合。 2.根据权利要求1所述的一种基于协同过滤算法的知识推荐方法， 其特征在于： 所述采 集学员及其学习知识列表， 根据学员 及其学习知识之间的依赖程度， 构建知识依赖关系矩 阵， 并计算知识关系依赖度的步骤， 包括： 将学习知识进行分类， 形成K个类别， 分别为q1、 q2、 ...、 qK； 列出M位学员的名单， 在每 个学员的后续添加该 学员所学的知识类别， 形成学员及其学习知识列表； 分别针对每个学员创建其学习知识共现矩阵， 所述学习知识共现矩阵的行和列均为该 学员所学的知识类别， 当知识类别交叉时， 矩阵值 为1， 否则为0； 结合所有学员的学习知识共现矩阵形成累加共现矩阵， 并根据 所有学员的学习知识列 表和累加共现矩阵计算知识关系依赖度。 3.根据权利要求2所述的一种基于协同过滤算法的知识推荐方法， 其特征在于： 所述根 据所有学员的学习知识共现矩阵和累加共现矩阵计算知识关系依赖度的步骤， 具体为： 其中， Wij表示知识类别i与知识类别j之间的知识关系依赖度， Ni为学员及其学习知识 列表中学习知识类别i的人数， Nj为学员及其学习知识列表中学习知识类别j的人数， Ni∩Nj 为累加共现矩阵中知识类别i所在行和知识类别j所在列的矩阵值， 或者Ni∩Nj为累加共现 矩阵中知识类别j所在行和知识类别i 所在列的矩阵值， Rij为知识类别i和知识类别j之间的 关系权重。 4.根据权利要求3所述的一种基于协同过滤算法的知识推荐方法， 其特征在于： 所述根 据知识关系依赖度和学员的历史行为， 计算学员对其学习知识的推荐值的步骤， 包括： 学员u对知识类别j的推荐值 为： 其中， M(u)表示学员u推荐的知识类别集合， S(j,k)表示知识类别j依赖关系相近的k个 知识类别集合， Wij表示知识类别i和知识类别j之间的知识依赖关系度， Su表示学员u应该掌 握知识类别j的权重系数， Cu表示学员u收藏知识类别j的权重系数， Fu表示学员u对于知识类 别j的学习权 重系数， Ei表示对知识i的能力值。权　利　要　求　书 1/1 页 2 CN 115455310 A 2一种基于协同 过滤算法的知识 推荐方法 技术领域 [0001]本发明涉及知识数据智能推荐技术领域， 特别涉及一种基于协同过滤算法的知识 推荐方法。 背景技术 [0002]专业领域高新技术人才培养， 需要在基础知识教育 的基础上， 有个长期的学习过 程。 传统的学历教育和培训时间无法满足专业领域高新技术人才的培养要求， 需要进入个 性化自主学习的模式， 解决专业领域高技术人才的培养困境。 面向个体的专业领域知识智 能推荐技术， 是人才个性化自主 学习的核心技术， 通过知识推荐的方式， 使学员发现掌握不 好的知识， 通过知识推荐的方式， 引导学员弥补 在知识方面的缺陷。 [0003]常用的智能推荐模式分为单一推荐模式和协同推荐模式， 其中协同推荐模式的协 同过滤算法是目前推荐算法中最成功和应用最广泛的技术， 在理论研究和实践中都取得了 快速的发展， 它计算学员偏好的相似性， 在相似学员的基础上自动的为 目标学员进行过滤 和筛选， 其基本思想为具有相同或相似的价值观、 思想观、 知识水平和兴趣偏好的学员， 其 对信息的需求也是相似的。 因此相对于传统的推荐方法， 协同过滤技术体现出 的一个显著 优势是能够推荐一些难以进行内容分析的信息 。 发明内容 [0004]本发明的目的在于以物品的协同过滤算法为基础， 结合领域知识学习方式， 面向 专业领域推出合适专业领域知识推荐 学习的方法， 提供一种基于协同过滤算法的知识推荐 方法。 [0005]一种基于协同过 滤算法的知识推荐方法， 包括以下步骤： [0006]步骤S1， 采集学员及其学习知识列表， 根据学员及其学习知识之间的依赖程度， 构 建知识依赖关系矩阵， 并计算知识关系依赖度； [0007]步骤S2， 根据知识关系依赖度和学员的历史行为， 计算学员对其学习知识的推荐 值； [0008]步骤S3， 根据学员对其学习知识的推荐值， 生成所有学员的知识推荐集 合。 [0009]所述采集学员及其学习知识列表， 根据学员及其学习知识之间的依赖程度， 构建 知识依赖关系矩阵， 并计算知识关系依赖度的步骤， 包括： [0010]将学习知识进行分类， 形成K个类别， 分别为q1、 q2、 ...、 qK； 列出M位学员的名单， 在每个学员的后续添加该 学员所学的知识类别， 形成学员及其学习知识列表； [0011]分别针对每个学员创建其学习知识共现矩阵， 所述学习知识共现矩阵的行和列均 为该学员所学的知识类别， 当知识类别交叉时， 矩阵值 为1， 否则为0； [0012]结合所有学员的学习知识共现矩阵形成累加共现矩阵， 并根据所有学员的学习知 识列表和累加共现矩阵计算知识关系依赖度。 [0013]所述根据所有学员的学习知识共现矩阵和累加共现矩阵计算知识关系依赖度的说　明　书 1/6 页 3 CN 115455310 A 3