[0001] 本发明涉及一种教育系统，更具体的说是涉及一种个性化思政教育系统。

[0002] 个性化教育研究从国家战略至个人层面均有涉及。1)国家战略《国家中长期教育改革和发展规划纲要(2010-2020年)》指出：关心每个学生，促进每个学生主动地、生动活泼地发展，尊重教育规律和学生身心发展规律，为每个学生提供适合的教育。关注学生不同特点和个性差异，发展每一个学生的优势潜能。据此，开展个性化思想政治教育，是大势所趋。2)高校层面近十多年来，各个高校都开展了各种形式的思想政治教学改革，倡导教师尊重学生的人格，关注个体差异，满足不同学生的学习需要，创造能引导学生主动参与的教育环境，使每个学生都能得到充分的发展。3)个人层面2007年陈万柏，张耀灿指出：思想政治教育作为培养一个人全面发展的重要组成部分，应当始终将人的优良个性作为培养目标。
2011年杨琳，蒋锦洪指出，思想政治教育个性化是尊重人的主体性的教育，是对每个思想政治教育对象的思想觉悟及其变化发展的把握。

[0003] 而现有的个性化教育主要是通过教师人为判断的，对于学生的具体状态还有相应的学生的各方面情况都是需要通过教师认为判断，因此若是出现教师换届的时候，便很难实现对于学生进行个性化思政教育，再者通过教师个人主观判断的情况，也会出现学生的具体状态和具体情况受到教师主观因素的影响，使得对于学生的具体状态和具体情况判断不够准确的问题。

[0025] 下面将结合附图所给出的实施例对本发明做进一步的详述。

[0026] 参照图1所示，本实施例的一种个性化思政教育系统，包括：

[0027] 数据收集与处理模块1，用于收集处理用户显性数据和隐性数据，并且整合后输出整合数据；

[0028] 用户画像模块2，耦接于数据收集与处理模块1，用于接收数据收集与处理模块 1输出的整合数据，并依据整合数据构建用户画像；

[0029] 个性化资源推荐模块3，耦接于用户画像模块2，其内具有思政教学资源，用于根据用户画像模块2内的用户画像推荐资源至用户终端；

[0030] 结果评馈与优化模块4，耦接于用户终端，还与通过管理者终端与个性化资源推荐模块3耦接，以接收用户终端的评价信息后输出优化信息至个性化资源推荐模块3内，调整推荐资源，在使用本实施例的教育系统的过程中，只需要将整个系统搭载在现有的网络系统中即可，然后运行上述四个模块，通过数据收集与处理模块1收集学生即用户的显性数据和隐性数据，然后通过用户画像模块2内的构建算法，构建出用户画像进行存储，之后利用个性化资源推荐模块3识别分析用户画像所包含的信息，然后根据用户画像所包含的信息推荐用户思政教学资源，之后再通过结果评馈与优化模块4反馈优化推荐的资源，以此实现全系统化运作，当中并不需要人为的参与，如此便可有效的避免现有技术中因为教师主观因素的影响。

[0031] 本实施例中，所述显性数据包括图书借阅记录、调差问卷记录和学习信息，所述隐性数据包括浏览下载记录、慕课学习记录和地理位置记录，当然显性数据和隐性数据不仅包括上述几种类别数据，还可包括其他学生在校园范围内活动时的其他数据。

[0032] 在收集好数据以后，便是通过用户画像模块2根据其内的算法构建出用户画像，同时在构建出用户画像以后，对用户画像进行现相应的分析，如此方便个性化资源推荐模块3机芯推送思政教育资源了，其中构建过程类似于聚类的过程中，因此可通过深度学习神经网络构建，本实施例中所构建的用户画像由下面公式表示：

[0033] ；

[0034] 式中，U是思政教育用户集，如普通用户、党员用户；P是用户偏好集，如阅读、体育；D是思政教育资源集，如微课视频、课件；RUP是用户U和偏好P之间的语义关系，可用二元组表示，如rUP表示某用户，阅读；RPD是偏好P和资源D之间的语义关系，亦可用二元组表示，如rPD表示观看，该公式中通过字母U、P、D、 RUP和rUP代表了用户信息的各个内容，如此计算机网络内的程序便可有效的识别出用户画像内的各个信息，以此实现识别分析的效果，而在具体的分析过程中，描述语义关系RUP，RPD时，引入模糊语义中的权重值PreferenceWeight，PW∈(0，10) 来量化用户的偏好程度，用户偏好可以表示为：
引入模糊特征HIL、MIL、LIL分别表示高、中、低三种
偏好程度，则某用户对p 有较高的兴趣程度可表示为： (p∩HIL)，HIL＝
rs(a，b，[k1，k2])，其中rs为右肩隶属度函数，a，b分别为偏好取值范围，k1，k2为对应偏好权重值取值范围，以此采用了权重值的概念，可量化用户的偏好程度，大大的增加分析的准确度，由此便可完成对于用户画像的识别分析。

[0035] 之后便通过个性化资源推荐模块3进行推荐，本实施例中推荐算法采用三种算法组合而成，其中相应的基于协同过滤的推荐算法包括如下步骤：

[0036] 步骤一，提取用户画像模块2内的各个用户画像中的用户信息；

[0037] 步骤二，分析两个用户的用户信息之间的相似度等级，并用高、中和低表示；

[0038] 步骤三，针对高等级的用户之间相互推荐对方所选择的思政教育资源，针对中等级的用户之间互相推荐对方所选择的思政教育资源的目录，并同时设置用户评价选项，根据用户评价等级调整用户之间的相似度等级后返回步骤二，针对低相似度的用户之间首先相互推荐用户信息，同时设置反馈选项，依据反馈结果调整用户之间的相似度等级返回步骤二，该算法相比于现有的协同过滤算法，主要是采用了相似度等级的设置，实现针对不同等级的相似度用户进行不同等级的推荐内容，上述中，在高等级的两个用户之间直接推荐思政教育资源，因为高相似度的两个用户之间需求肯定较为相同，因此可采用直接推荐的方式，而在中等级的两个用户之间若是采用直接推荐的方式，很可能会出现推荐内容不合适的问题，会造成推送资源的浪费，因此本实施例先通过推送耗费资源较少的思政教育资源的目录的方式给用户，用户便可通过屏幕点击需要或是不需要的方式来反馈给系统，在点击需要以后系统可直接调取选取的思政教育资源给用户，又或者也可以先提升相似度即为高等级以后，重新进行推荐，而不需要的时候，则下降为低相似度等级，执行低相似度等级的内容，而对于低相似度的用户之间采用首先推送用户信息的方式，让用户反馈是否是相似用户，推送的用户信息为用户可公开信息，例如名字，班级等，反馈选项为熟悉还有不熟悉，在用户选择为熟悉以后，则提升相似度等级到中等级执行中相似度的内容，若选择不熟悉，则表示两个用户之间不具备特别关联性，互相推送思政教育资源意义不大，因此无法调低等级，直接返回步骤二，同时将该组用户拆开，重新组合匹配，当然在高等级的用户之间推荐思政教育资源后，同样也设置反馈，不过该反馈只有一个不合适反馈，在用户选择不合适反馈以后，调低相似度等级以后，如此实现对于用户各方面状态变化以后，系统能够及时的做出更新，增加推荐资源的准确率，而至于基于内容和基于知识的算法，则采用现有的推荐算法内容即可。

[0039] 综上所述，本实施例的系统，通过构建用户画像来作为推荐思政教育资源的基础，如此相比于现有技术中通过教师主观感觉的方式，客观性大大增强，避免因为教师主观因素影响对于学生状态和情况判断的问题。

[0040] 以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。