一种学习目标导向的知识链推荐方法[发明专利]

(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201710957280.9
(22)申请日 2017.10.16
(71)申请人 南京师范大学
地址 210024 江苏省南京市鼓楼区宁海路
122号
(72)发明人 陈波　于泠　于浩佳　刘蓉　朱汉　
(74)专利代理机构 南京经纬专利商标代理有限
公司 32200
代理人 施昊
(51)Int.Cl.
G06F 17/30(2006.01)
G06Q 50/20(2012.01)
(54)发明名称一种学习目标导向的知识链推荐方法(57)摘要本发明公开了一种学习目标导向的知识链推荐方法，通过收集用户行为的历史信息，分析用户的兴趣偏好，构建出用户的兴趣模型；根据确定的学习目标，对用户兴趣模型中各个兴趣概念值与其对应的学习目标差异值作积，并按乘积值的大小排序，形成初步的推荐兴趣概念集；向用户推荐以初步推荐兴趣概念集中的知识点为链端、知识点的所有上位知识为节点的知识链。

通过对用户兴趣建模，获取用户的兴趣信息，融合确定的学习目标，合理引导推荐内容的组织，从而推荐给用户由感兴趣的知识点生成的知识链，以帮助用户更好地理解该知识点的相关内容，
提高用户的学习效果。

权利要求书4页 说明书10页 附图1页CN 107766484 A 2018.03.06
C N 107766484
A
1.一种学习目标导向的知识链推荐方法，其特征在于，包括以下步骤：
(1)通过收集用户行为的历史信息，分析用户的兴趣偏好，构建出用户的兴趣模型；
(2)根据确定的学习目标，对用户兴趣模型中各个兴趣概念值与其对应的学习目标差异值作积，并按乘积值的大小排序，形成初步的推荐兴趣概念集；
(3)向用户推荐以初步推荐兴趣概念集中的知识点为链端、知识点的所有上位知识为节点的知识链；知识链的生成是一个迭代过程，迭代获取知识点的上位概念，直到知识体系的根节点为止。

2.根据权利要求1所述学习目标导向的知识链推荐方法，其特征在于：在步骤(1)中，所述用户的兴趣模型包括用户兴趣模型表示模块、用户兴趣数据采集模块和用户兴趣更新模块；
在用户兴趣模型表示模块中，将面向用户需求的安全本体作为用户兴趣的表示形式，即将面向用户需求的安全本体充当用户的兴趣点，并利用本体中各概念间语义关系，维持兴趣点的关联，从而增强兴趣模型的表现能力；添加用户的学习目标，引导推荐给用户的知识类型，使得推荐给用户的知识是其急切需要的；
在用户兴趣数据采集模块中，在确定好用户兴趣行为指标、选择能够反应这些指标的移动终端行为之后，量化这些指标并计算用户对于某一概念的感兴趣程度；
在用户兴趣更新模块中，采用一种混合策略更新用户兴趣，一方面利用激活扩散算法，实现用户兴趣模型的及时更新，另一方面利用基于遗忘规律的兴趣衰减算法，实现用户兴趣模型中的兴趣概念值的衰减，从及时跟踪并反映用户兴趣模型的变化。

3.根据权利要求2所述学习目标导向的知识链推荐方法，其特征在于：在用户兴趣数据采集模块中，通过移动终端的监听技术，收集并量化用户在一次学习过程中，浏览知识页面所产生的行为信息，包括浏览速度、页面访问次数、屏幕点击次数、收藏行为、复制行为、分享行为、评论行为和点赞行为的信息，得到兴趣特征行为指标，包括驻留度、关注度和认同度，对这些指标的量化值进行加权和计算，得到当次用户对于所关注的兴趣点的兴趣值，并收集此次学习过程的退出时间存入到用户兴趣模型中。

4.根据权利要求3所述学习目标导向的知识链推荐方法，其特征在于：所述驻留度对应的特征行为是浏览速度；驻留度表示用户在页面上的停留程度，在同一页面内容的前提下，用户驻留时间越长，表明其对该页面的兴趣度越高，某页面的驻留度由用户在该页面上的浏览速度决定，浏览速度是页面正文字节大小与页面阅读时间间隔的比值；
设用户进入页面p，阅读的起始时间点为ScanBeginTime，阅读结束的时间点为ScanEndTime，页面正文的字节记为ContentSize，浏览开始、结束的时间间隔为ScanTime，表示用户在页面p的停留时间：
ScanTime＝ScanEndTime-ScanBeginTime
在面对同一页面时，兴趣程度不同的用户，其浏览速度存在很大差别，引入浏览速度ScanSpeed，表示单位时间内用户浏览的页面字节数：
设置时间阈值MAXScanTime和MinScanTime，当浏览时间ScanTime超过MAXScanTime，将时间阈值MAXScanTime赋给ScanTime，当浏览时间ScanTime不超过MinScanTime，浏览速度
赋值为0，当介于MAXScanTime和MinScanTime之间，则保留当前的浏览时间ScanTime，得浏览速度ScanSpeed的计算公式：
利用浏览速度的倒数形式来描述其与用户兴趣度的反比关系，并用数据归一化形式降低兴趣度值，将其落在[0,1]范围内，减少兴趣度的数值范围，构造出有关浏览速度ScanSpeed的兴趣函数Interest ScanSpeed：
上式中的MaxScanSpeed、MinScanSpeed是用户浏览历史记录中浏览速度最大值和最小值。

5.根据权利要求4所述学习目标导向的知识链推荐方法，其特征在于：关注度对应的特征行为是页面访问次数和屏幕点击次数，关注度表示用户对于页面的关注程度，由页面访问次数和屏幕点击次数决定，用户频繁多次的访问或者点击某一页面，表示此页面是潜在的兴趣页面；
设访问页面p的次数变量为VisitCount，某一时间段内频繁访问页面p的次数和为VisitCountSum，得到页面访问次数的线性增加公式：
VisitCountSum＝VisitCount+1
对页面访问次数进行归一化，使计算出来的兴趣度落在[0,1]范围内，得到关于VisitCountSum的兴趣度计算公式：
上式中的VisitMaxNumber是访问次数的阈值；
设用户访问页面p期间，触摸移动显示屏的次数变量为TouchCount，屏幕点击次数和为TouchCountSum：
TouchCountSum＝TouchCount+1
对屏幕点击次数进行归一化，使计算出来的兴趣度落在[0,1]范围内，得到关于TouchCountSum的兴趣度计算公式：
上式中的TouchMaxNumber是设定的点击次数的阈值。

6.根据权利要求5所述学习目标导向的知识链推荐方法，其特征在于：认同度对应的特征行为是收藏行为、复制行为、分享行为、评论行为和点赞行为，认同度表示用户对于页面的认同程度；
构造二值函数Interest Collect来量化收藏行为，若网页存在收藏行为，则其值设置为1，否则，设置为0：
构造二值函数Interest Copy来量化复制行为，若网页存在复制行为，则其值设置为1，否则，设置为0：
构造二值函数Interest Share来量化分享行为，若网页存在分享行为时，则其值设置为1，否则，设置为0：
构造二值函数Interest Comment来量化评论行为，若网页存在评论行为，则其值设置为1，否则，设置为0。

构造二值函数Interest Flag来量化点赞行为，若网页存在点赞行为，则其值设置为1，否则，设置为0：
7.根据权利要求6所述学习目标导向的知识链推荐方法，其特征在于：定义页面p的兴趣度得分函数InterestValue(p)，它是通过驻留度Interest Reside、关注度Interest Focus和认同度Interest Identity三者的加权和值求得：
InterestValue(p)＝α*Interest Reside+β*Interest Focus+η*Interest Identity
Interest Reside＝Interest ScanSpeed
Interest Focus＝Interest VisitCountSum+Interest TouchCountSum
Interest Identity＝Interest Collect+Interest Copy+Interest Share+Interest Comment+ Interest Flag
α+β+η＝1
其中，α、β、η分别为驻留度、关注度、认同度的权重调节因子。

8.根据权利要求2所述学习目标导向的知识链推荐方法，其特征在于：用户兴趣模型表示模块确定的用户兴趣的表示形式：
ULCM＝(User,Learning_Goal,CI,LoginIn formation)
其中，User为用户信息，Learning_Goal为用户学习目标，CI为用户兴趣集，LoginIn formation为用户学习时间信息；
User是对用户基本属性的概括，需要用户在注册时填写，包括用户名、性别、学历和职业，其中用户名是用户在模型中的唯一标识，用于区别系统中其他用户；
Learning_Goal＝{<Category1,Difference1>,…,<Category i,Difference i>}，表示用户当前的学习目标键值对，即用户通过相关学习之后想要达到的最佳状态， Category i为用户学习目标的所属知识类别，Difference i是用户鉴于现阶段自身的客观因素，对Category i类别知识所掌握的程度与用户期盼所能达到的最佳掌握状态的差值，其值范围为[0,1]；其中，知识所掌握的程度由知识评估得到，即用户在该主题类型下的评估得分与该试题类型总分的比值，用户期盼所能达到的最佳掌握状态为单位1；所述知识评估是利用测验评估法，获取用户的学习目标值；
CI＝{<C1,InterestValue1>,…,<C i,InterestValue i>}，表示安全本体中用户感兴趣的概念以及该概念的兴趣度的键值对，兴趣度值越大，表示用户对该概念越感兴趣；C i表示面向用户需求的信息安全本体中的概念，InterestValue i表示C i所对应的兴趣度值；
LoginInformation＝{CreateTime,LastLogoutTime,LoginCount}，记录了用户进入系统学习的时间信息，CreateTime表示用户第一次接受信息安全意识教育生成兴趣模型的时间，LastLogoutTime表示的是最近一次访问的退出时间，LoginCount表示参与信息安全意识教育的次数，是用户每次学习过程的标记，与其他时间段学习过程相互区分，以便分析用户的历史记录。

9.根据权利要求7所述学习目标导向的知识链推荐方法，其特征在于：步骤(3)的具体步骤如下：
(a)计算兴趣概念值与其对应的学习目标差异值的乘积：遍历CI中的每一个概念C i，判断其属于Learning_Goal中Category j后，求两者的乘积值Pvalue i＝InterestValue i* Difference j，并存入到ProductCI中，其格式为<C i,Pvalue i>；
(b)获取用户最感兴趣的Top-N兴趣概念集：遍历结束之后，将集合ProductCI中按Pvalue值进行降序排序，并根据系统的预定要求，截取用户最感兴趣的Top-N兴趣概念，即MaxValue_N(ProductCI)，得到初步推荐兴趣概念集PreCI＝{<C1,Pvalue1>,…,<C N, Pvalue N>}；
(c)知识链生成：从初步推荐兴趣概念集PreCI中，迭代获取各知识点在安全本体中的上位节点，直至上位节点是安全本体中的根节点为止，并将其添加到该概念的知识链中，并存入InterestListTemp，直到遍历完PreCI的兴趣概念集；
(d)消除InterestListTemp存在的子链：遍历InterestListTemp集合中的变量，标记为key1，并在其内部嵌套一层对于InterestListTemp的遍历，标记其变量为key2；若满足key1≠key2且key1不是key2的子集，则将key1存入到知识链集合InterestList中，若存在key1≠key2且key1是key2的子集，则舍弃，不存入到InterestList中，最终生成知识链集合InterestList。

一种学习目标导向的知识链推荐方法
技术领域
[0001]本发明属于知识推荐领域，特别涉及了一种学习目标导向的知识链推荐方法。

背景技术
[0002]随着移动互联网、社交网络等高新网络技术的快速发展，全球范围内的信息分享与交流变得越加频繁，信息的传播速度、数据规模已经达到空前水平。

海量的信息资源，会给用户造成信息过载的困扰，使得用户不得不从大量冗余的或者无关紧要的信息中，挑选出自己感兴趣的资讯内容。

[0003]为了解决信息洪流给用户带来的不便，知识推荐服务应运而生。

知识推荐服务常常应用于图书馆、农业等领域，其主要通过收集用户行为等历史信息，分析用户的兴趣偏好，构建出用户的兴趣模型，以此向用户提供与用户兴趣一致或者与兴趣相近的知识内容，最终满足用户的兴趣需要。

例如，通过收集鼠标点击、网页阅读时间等用户浏览行为，计算出各个网页主题概念的兴趣度权值，从而构建出用户的兴趣模型，最终向用户提供符合兴趣的内容信息。

虽然现有的个性化知识推荐服务较好地考虑了用户兴趣需求，避免了用户从数据海洋中搜集知识的困扰，但在知识学习的个性化推荐中，用户兴趣建模方法、知识推荐机制等依然存在一些值得改进的地方。

发明内容
[0004]为了解决上述背景技术提出的技术问题，本发明旨在提供一种学习目标导向的知识链推荐方法，克服现有技术的不足，提高用户的学习效果。

[0005]为了实现上述技术目的，本发明的技术方案为：
[0006]一种学习目标导向的知识链推荐方法，包括以下步骤：
[0007](1)通过收集用户行为的历史信息，分析用户的兴趣偏好，构建出用户的兴趣模型；
[0008](2)根据确定的学习目标，对用户兴趣模型中各个兴趣概念值与其对应的学习目标差异值作积，并按乘积值的大小排序，形成初步的推荐兴趣概念集；
[0009](3)向用户推荐以初步推荐兴趣概念集中的知识点为链端、知识点的所有上位知识为节点的知识链；知识链的生成是一个迭代过程，迭代获取知识点的上位概念，直到知识体系的根节点为止。

[0010]进一步地，在步骤(1)中，所述用户的兴趣模型包括用户兴趣模型表示模块、用户兴趣数据采集模块和用户兴趣更新模块；
[0011]在用户兴趣模型表示模块中，将面向用户需求的安全本体作为用户兴趣的表示形式，即将面向用户需求的安全本体充当用户的兴趣点，并利用本体中各概念间语义关系，维持兴趣点的关联，从而增强兴趣模型的表现能力；添加用户的学习目标，引导推荐给用户的知识类型，使得推荐给用户的知识是其急切需要的；
[0012]在用户兴趣数据采集模块中，在确定好用户兴趣行为指标、选择能够反应这些指
标的移动终端行为之后，量化这些指标并计算用户对于某一概念的感兴趣程度；
[0013]在用户兴趣更新模块中，采用一种混合策略更新用户兴趣，一方面利用激活扩散算法，实现用户兴趣模型的及时更新，另一方面利用基于遗忘规律的兴趣衰减算法，实现用户兴趣模型中的兴趣概念值的衰减，从及时跟踪并反映用户兴趣模型的变化。

[0014]进一步地，在用户兴趣数据采集模块中，通过移动终端的监听技术，收集并量化用户在一次学习过程中，浏览知识页面所产生的行为信息，包括浏览速度、页面访问次数、屏幕点击次数、收藏行为、复制行为、分享行为、评论行为和点赞行为的信息，得到兴趣特征行为指标，包括驻留度、关注度和认同度，对这些指标的量化值进行加权和计算，得到当次用户对于所关注的兴趣点的兴趣值，并收集此次学习过程的退出时间存入到用户兴趣模型中；
[0015]进一步地，所述驻留度对应的特征行为是浏览速度；驻留度表示用户在页面上的停留程度，在同一页面内容的前提下，用户驻留时间越长，表明其对该页面的兴趣度越高，某页面的驻留度由用户在该页面上的浏览速度决定，浏览速度是页面正文字节大小与页面阅读时间间隔的比值；
[0016]设用户进入页面p，阅读的起始时间点为ScanBeginTime，阅读结束的时间点为ScanEndTime，页面正文的字节记为ContentSize，浏览开始、结束的时间间隔为ScanTime，表示用户在页面p的停留时间：
[0017]ScanTime＝ScanEndTime-ScanBeginTime
[0018]在面对同一页面时，兴趣程度不同的用户，其浏览速度存在很大差别，引入浏览速度ScanSpeed，表示单位时间内用户浏览的页面字节数：
[0019]
[0020]设置时间阈值M AX Sca n Tim e和Mi n Sca n Tim e，当浏览时间Sca n Tim e超过MAXScanTime，将时间阈值MAXScanTime赋给ScanTime，当浏览时间ScanTime不超过MinScanTime，浏览速度赋值为0，当介于MAXScanTime和MinScanTime之间，则保留当前的浏览时间ScanTime，得浏览速度ScanSpeed的计算公式：
[0021]
[0022]利用浏览速度的倒数形式来描述其与用户兴趣度的反比关系，并用数据归一化形式降低兴趣度值，将其落在[0,1]范围内，减少兴趣度的数值范围，构造出有关浏览速度ScanSpeed的兴趣函数Interest ScanSpeed：
[0023]
[0024]上式中的MaxScanSpeed、MinScanSpeed是用户浏览历史记录中浏览速度最大值和最小值。

[0025]进一步地，关注度对应的特征行为是页面访问次数和屏幕点击次数，关注度表示用户对于页面的关注程度，由页面访问次数和屏幕点击次数决定，用户频繁多次的访问或者点击某一页面，表示此页面是潜在的兴趣页面；
[0026]设访问页面p的次数变量为VisitCount，某一时间段内频繁访问页面p的次数和为VisitCountSum，得到页面访问次数的线性增加公式：
[0027]VisitCountSum＝VisitCount+1
[0028]对页面访问次数进行归一化，使计算出来的兴趣度落在[0,1]范围内，得到关于VisitCountSum的兴趣度计算公式：
[0029]
[0030]上式中的VisitMaxNumber是访问次数的阈值；
[0031]设用户访问页面p期间，触摸移动显示屏的次数变量为TouchCount，屏幕点击次数和为TouchCountSum：
[0032]TouchCountSum＝TouchCount+1
[0033]对屏幕点击次数进行归一化，使计算出来的兴趣度落在[0,1]范围内，得到关于TouchCountSum的兴趣度计算公式：
[0034]
[0035]上式中的TouchMaxNumber是设定的点击次数的阈值。

[0036]进一步地，认同度对应的特征行为是收藏行为、复制行为、分享行为、评论行为和点赞行为，认同度表示用户对于页面的认同程度；
[0037]构造二值函数Interest Collect来量化收藏行为，若网页存在收藏行为，则其值设置为1，否则，设置为0：
[0038]
[0039]构造二值函数Interest Copy来量化复制行为，若网页存在复制行为，则其值设置为1，否则，设置为0：
[0040]
[0041]构造二值函数Interest Share来量化分享行为，若网页存在分享行为时，则其值设置为1，否则，设置为0：
[0042]
[0043]构造二值函数Interest Comment来量化评论行为，若网页存在评论行为，则其值设置为1，否则，设置为0。

[0044]
[0045]构造二值函数Interest Flag来量化点赞行为，若网页存在点赞行为，则其值设置为1，否则，设置为0：
[0046]
[0047]进一步地，定义页面p的兴趣度得分函数InterestValue(p)，它是通过驻留度Interest Reside、关注度Interest Focus和认同度Interest Identity三者的加权和值求得：[0048]InterestValue(p)＝α*Interest Reside+β*Interest Focus+η*Interest Identity [0049]Interest Reside＝Interest ScanSpeed
[0050]Interest Focus＝Interest VisitCountSum+Interest TouchCountSum
[0051]Interest Identity＝Interest Collect+Interest Copy+Interest Share+Interest Comment+ Interest Flag
[0052]α+β+η＝1
[0053]其中，α、β、η分别为驻留度、关注度、认同度的权重调节因子。

[0054]进一步地，用户兴趣模型表示模块确定的用户兴趣的表示形式：
[0055]ULCM＝(User,Learning_Goal,CI,LoginIn formation)
[0056]其中，User为用户信息，Learning_Goal为用户学习目标，CI为用户兴趣集，LoginIn formation为用户学习时间信息；
[0057]User是对用户基本属性的概括，需要用户在注册时填写，包括用户名、性别、学历和职业，其中用户名是用户在模型中的唯一标识，用于区别系统中其他用户；
[0058]Learning_Goal＝{<Category1,Difference1>,…,<Category i,Difference i>}，表示用户当前的学习目标键值对，即用户通过相关学习之后想要达到的最佳状态，Category i 为用户学习目标的所属知识类别，Difference i是用户鉴于现阶段自身的客观因素，对Category i类别知识所掌握的程度与用户期盼所能达到的最佳掌握状态的差值，其值范围为[0,1]；其中，知识所掌握的程度由知识评估得到，即用户在该主题类型下的评估得分与该试题类型总分的比值，用户期盼所能达到的最佳掌握状态为单位1；所述知识评估是利用测验评估法，获取用户的学习目标值；
[0059]CI＝{<C1,InterestValue1>,…,<C i,InterestValue i>}，表示安全本体中用户感兴趣的概念以及该概念的兴趣度的键值对，兴趣度值越大，表示用户对该概念越感兴趣；C i 表示面向用户需求的信息安全本体中的概念，InterestValue i表示C i所对应的兴趣度值；[0060]LoginInformation＝{CreateTime,LastLogoutTime,LoginCount}，记录了用户进
入系统学习的时间信息，CreateTime表示用户第一次接受信息安全意识教育生成兴趣模型的时间，LastLogoutTime表示的是最近一次访问的退出时间，LoginCount表示参与信息安全意识教育的次数，是用户每次学习过程的标记，与其他时间段学习过程相互区分，以便分析用户的历史记录。

[0061]进一步地，步骤(3)的具体步骤如下：
[0062](a)计算兴趣概念值与其对应的学习目标差异值的乘积：遍历CI中的每一个概念C i，判断其属于Learning_Goal中Category j后，求两者的乘积值Pvalue i＝InterestValue i* Difference j，并存入到ProductCI中，其格式为<C i,Pvalue i>；
[0063](b)获取用户最感兴趣的Top-N兴趣概念集：遍历结束之后，将集合ProductCI中按Pvalue值进行降序排序，并根据系统的预定要求，截取用户最感兴趣的Top-N兴趣概念，即MaxValue_N(ProductCI)，得到初步推荐兴趣概念集PreCI＝{<C1,Pvalue1>,…,<C N, Pvalue N>}；
[0064](c)知识链生成：从初步推荐兴趣概念集PreCI中，迭代获取各知识点在安全本体中的上位节点，直至上位节点是安全本体中的根节点为止，并将其添加到该概念的知识链中，并存入InterestListTemp，直到遍历完PreCI的兴趣概念集；
[0065](d)消除InterestListTemp存在的子链：遍历InterestListTemp集合中的变量，标记为key1，并在其内部嵌套一层对于InterestListTemp的遍历，标记其变量为key2；若满足key1≠key2且key1不是key2的子集，则将key1存入到知识链集合InterestList中，若存在key1≠key2且key1是key2的子集，则舍弃，不存入到InterestList中，最终生成知识链集合InterestList。

[0066]采用上述技术方案带来的有益效果：
[0067](1)本发明充分考虑到各个用户的学习目标。

实际生活中，鉴于自身教育背景、从事行业等客观因素的影响，不同用户对系统所提供的各知识掌握的程度不尽相同，这导致不同用户之间所要达到的目标也千差万别。

若系统不能将用户学习目标的知识需求考虑在内，可能会导致如下现象：提供给用户的知识内容是用户所感兴趣的，但并不是用户最急切需要的。

推荐系统如果在向用户推荐知识时，能兼顾用户的学习目标，有意识的提高与用户学习目标相一致的知识点的兴趣权重，从而合理安排推荐的知识列表。

[0068](2)本发明突破以往个性化知识推荐机制向用户推荐的是单一的知识点内容的传统，改向用户推荐以知识点为终端的知识链，而知识链的其余节点均是由该知识点的所有上位知识组成，从而提高用户知识学习效果，更好地满足用户的学习需要。

[0069](3)本发明研究了适应移动终端的用户兴趣行为指标。

通常，用户的个体行为与其自身的兴趣存在着很大的关系，用户对网页的兴趣度与其在网页上的操作行为密切相关。

用户日常的行为表面下，隐藏着个人的兴趣信息，例如其访问一个站点或者某一个页面，通常是带有某种偏好。

本发明针对用户越来越倾向于选择在智能手机等移动终端上进行网络社交、教育学习等大趋势下，将用户移动终端兴趣行为引入到知识学习环节中，来挖掘用户潜在的学习需求，从而方便后期挖掘用户的兴趣。

附图说明
[0070]图1是本发明总体流程图；
[0071]图2是本发明具体实施示意图。

具体实施方式
[0072]以下将结合附图，对本发明的技术方案进行详细说明。

[0073]一种学习目标导向的知识链推荐方法，如图1所示，包括以下步骤。

[0074]步骤1：通过收集用户行为等历史信息，分析用户的兴趣偏好，构建出用户的兴趣模型，主要包括用户兴趣模型表示模块、用户兴趣数据采集模块和用户兴趣更新模块。

[0075]步骤2：根据确定的学习目标，将用户兴趣模型中各个兴趣概念值，与其对应的学习目标差异值作积，并按乘积值排序并取其Top-N概念，形成初步的推荐兴趣概念集。

[0076]步骤3：向用户推荐以初步推荐兴趣概念集中的知识点为链端，知识点的所有上位知识为节点的知识链。

这里的知识链的生成是一个迭代过程，迭代获取知识点的上位概念，直到知识体系的根节点为止。

[0077]本发明能够通过对用户兴趣建模，获取用户的兴趣信息，并以此为基准，融合确定的学习目标，合理引导推荐内容的组织，从而推荐给用户所感兴趣的，由某个知识点生成的知识链，以帮助用户更好地理解该知识点的相关内容，提高用户的学习效果。

[0078]在用户兴趣模型表示模块中，将面向用户需求的安全本体作为用户兴趣的表示形式。

该模块将本体概念充当用户的兴趣点，并利用本体中各概念间语义关系，维持兴趣点的关联，从而增强兴趣模型的表现能力。

此外，在用户兴趣模型中添加用户的学习目标，从而引导推荐给用户的知识类型，使得推荐给用户的知识是其急切需要的。

[0079]在用户兴趣数据采集模块中，在确定好用户兴趣行为指标，精心选择可以反应上述指标的移动终端行为之后，量化这些指标并计算用户对于某一概念感兴趣程度。

[0080]在用户兴趣更新模块中，采取一种混合策略的用户兴趣更新方法，一方面利用激活扩散算法，实现用户兴趣模型的及时更新，另一方面利用基于遗忘规律的兴趣衰减算法，实现用户兴趣模型中的兴趣概念值的衰减，从而能够及时跟踪并反映用户兴趣模型的变化。

[0081]本发明的具体过程如图2所示。

[0082]用户通过注册机制填写个人基本信息，并通过预先设置的评估环节得到个人的学习目标。

[0083]用户兴趣的表现形式为：
[0084]ULCM＝(User,Learning_Goal,CI,LoginIn formation)
[0085]该模型确立了以用户信息、用户学习目标、用户兴趣集、用户学习时间信息的兴趣模型表示形式。

其中，
[0086]User是对用户基本属性的概括，一般需要用户在注册时填写，包括用户名、性别、学历、职业等基本个人信息，其中用户名是用户在模型中的唯一标识，用于区别系统中其他用户。

此外，学历主要包括博士、硕士、本科、其他；职业主要包括政府机关、国企、事业单位、私企、其他等。

[0087]Learning_Goal＝{<Category1,Difference1>,…,<Category i,Difference i>}，表示的是用户当前的学习目标键值对，即用户通过相关学习之后想要达到的最佳状态。

其中，Category i为用户学习目标的所属知识(兴趣)类别，Difference i是用户鉴于现阶段自身的。