个性化推荐

学习元平台推荐策略1.0：

1、基于热度的推荐：哪些内容看的人多，就推荐哪些内容

学习元（feed流）热度算法：学习元热度分 = 初始热度分 + 用户交互产生的热度分 – 随时间衰减的热度分

      a) 学习元热度分：
      a1. 不同主题、具备不同资源、不同学科的内容初始热度分不应该相同，可以对每个不同学科进行一定的赋值，根据内容类型、活动的丰富度进行一定的赋值
      a2. 教学过程中，应该考虑重点知识、难点知识的影响，核心知识点与普通知识点之间应该做一定的区分，可以根据教学大纲对知识点的初始热度进行定义

      b) 用户交互产生的热度分：
      b1. 定义用户操作：阅读、加入学习、资源下载、参与活动、评论、推荐、分享、协作、评分等
      b2. 对每一种用户操作赋予一定的能量值
      b3. 热度分会随活跃/在线用户数进行一定过滤

      c) 随时间衰减的热度分
          在资讯类内容的热度排序过程中，由于时效性影响较大，所以会较快的随时间流逝而衰减。时间对学习元这种学习资源影响程度没有那么大，但是也应该对学习元有一定的更新，确保教育资源的活跃性

      d) 其他与教育挂钩的热度
          结合教学特性，考虑其他能够正向促进教、学过程的相关特性，如：学习者得分高的学习元会更容易给学生信心，产生积极影响，可以考虑在学习者刚登陆平台开始学习时考虑（类似于新手教程）。

2、基于内容的相关推荐：根据用户看过的内容进行推荐

     a) 确定关键词
         推荐的基本流程为：分词 - 关键词指标 - TF-IDF模型【学习元内关键词频率（Team Frequency）高，所有文档内关键词频率低（Inverse Document Frequency）】
         这个是基于内容过滤的基本流程，前期可以采用开源的词典，同时结合教育大纲与教学常用词语，构建关键词语料库

      b) 计算学习材料的关键词指标
          b1 计算学习内容相关性的算法
          b2 每一条学习元的模型可以用其中包含的关键词的 TF-IDF得分

学习元A包含全部关键词的tf-idf模型

          

        c) 相关性推荐环节：
            可以通过不同新闻中重合关键词 tf-idf 模型的余弦相似度，计算出两篇新闻的相似性。

通过A, B两个学习元的余弦相似度判断新闻相关性

3、基于用户协同过滤

      通过标签给用户分类，为用户提供所在人群会看的内容（对用户规模有一定的要求）
      用户标签也应该是自动从用户阅读、加入学习、参与活动等的操作对象，对用户进行关键词标签的标注。

      注: 如果引入教学目标、知识点类型等多层级的教育属性概念，需要制定相应的策略，完成对各概念的定义。