1.一种基于学习者偏好与群体偏好的学习资源推荐方法，其特征在于，包括以下步骤：步骤1，获取学习者信息、教师信息以及学习资源特征信息；

步骤2，根据学习者信息，使用基于时间的注意力机制捕捉学习者长期偏好，构建学习者长期偏好模型步骤3，根据学习者信息，使用长短期记忆神经网络，从学习者信息中学习者的短期历史交互学习资源的行为序列中提取用户短期兴趣偏好，构建学习者短期偏好模型步骤4，通过注意力机制，得到学习者长期偏好与短期偏好所占权重，融合学习者的长期偏好模型与短期偏好模型得到学习者的个人偏好模型 如下：t

其中，tanh为激活函数，W、W为偏执矩阵；

步骤5，通过狄利克雷概率聚类算法，将所有学习者划分为不同的群体，将学习者所属不同群体构建成为学习者群体偏好模型步骤6，基于注意力机制，将学习者个人偏好模型 与学习者群体偏好模型 融合，得到学习者模型；使用注意力机制为学习者个人偏好模型与学习者群体偏好模型分配不同的权重，将两者融合，得到最终的学习者模型pu，如下：t

其中，tanh为激活函数，W、W为偏执矩阵；

步骤7，学习资源特征信息包括生成性信息 和特征信息 将学习资源的生成性信息和特征信息 相加得到目标学习资源特征信息模型步骤8，根据学习资源特征信息中的学习资源知识点信息，使用基于注意力机制的图卷积神经注意网络构建学习资源领域知识模型步骤9，基于注意力机制，将步骤7得到的学习资源特征信息模型与步骤8得到学习资源领域知识模型 融合，得到学习资源模型pr，具体的，使用注意力机制为学习资源特征信息模型和领域知识模型分配不同的权重，将两者融合，得到学习资源模型pr，方法如下：t

其中，tanh为激活函数，W、W为偏执矩阵；

步骤10，将学习者模型pu与学习资源模型pr连接，使用多层深度神经网络，获取学习者与学习资源的交互特征，将学习者与学习资源的交互特征作为第一目标学习资源的推荐分数yur，计算过程如下：其中， 为权重矩阵，bl是神经网络第l层的偏差，[pu,pr]为学习者模型Pu和学习资源模型pr的连接，l为神经网络模型的层数；

步骤11，根据收集的学习者信息和教师信息，对目标学习者和老师使用余弦相似度算法进行相似度计算，得到与学习者相似度最高的教师；

步骤12，使用卷积神经网络，将相似度最高的教师与目标学习资源进行匹配，得到第二目标学习资源的推荐分数ytr；

步骤13，将第一目标学习资源的推荐分数yur与第二目标学习资源推荐分数ytr相加，得到目标学习资源最终的推荐分数yr；

步骤14，按照推荐分数yr高低将其排序，将分数最高的前N个学习资源依次推荐给学习者。

2.根据权利要求1所述的基于学习者偏好与群体偏好的学习资源推荐方法，其特征在于，步骤1中，所述学习者信息指学习者描述信息、学习者与学习资源的交互信息，学习资源特征信息包括学习资源描述信息、学习资源特征信息；教师信息指教师的性别、语速快慢以及课堂节奏；步骤7中，生成性信息 包括学习资源的使用记录与评分反馈；特征信息 包括学习资源的难易程度、应用场景、内容主题、格式信息、学科类别、资源类型、资源ID以及资源标题，将学习资源的生成性信息与特征信息相加得到目标学习资源特征信息模型

3.根据权利要求1所述的基于学习者偏好与群体偏好的学习资源推荐方法，其特征在于，步骤2具体如下：步骤2.1，由学习者信息得到学习者和学习资源的交互矩阵 以及交互时间矩阵T m为学习者的总数，n为学习资源的总数，交互矩阵R的行作为学习者偏好向量步骤2.2，使用线性嵌入将目标学习资源的高维一热向量转换为低维实值向量，如下：其中，Uj为项目j的交互向量，对应于R的第j列；Wu是项目编码矩阵；使用相同的嵌入方法，得到目标学习资源的时间嵌入向量，如下：其中，Wt是时间编码矩阵，tsj是项目j的交互时间与当前时间的时间间隔，计算方法如下：tsj＝t‑tj

其中，tj是学习者与项目j的交互时间戳，t是当前时间戳；tj和t都来自交互时间矩阵T；

步骤2.3，通过步骤2.2得到目标学习资源、历史交互学习资源及其交互时间，将三者连接到一起作为深度神经网络模型的输入，计算每个历史交互学习资源初阶注意力权重；使用两层神经网络作为注意机制网络，初阶注意力分数计算如下：其中， W11、W12、W13和b1、b2是注意网络的权重矩阵和偏差；tanh为激活函数；

通过Softmax函数归一化得到历史交互学习资源的最终注意权重a(j)，计算如下：其中，Rk(u)是用户u历史交互的k个学习资源；

步骤2.4，将学习资源的注意力分数作为学习资源的权重，使用历史交互学习资源的嵌入向量的加权和作为长期用户偏好模型a(j)是历史交互学习资源j的初阶注意力分数， 为历史交互学习资源j的嵌入向量。

4.根据权利要求1所述的基于学习者偏好与群体偏好的学习资源推荐方法，其特征在于，步骤3中，根据学习者信息，得到学习者短期交互的学习资源行为序列U＝{u1，u2，...，ut}，t为短期内交互的学习资源数量，将序列U作为长短期神经网络的嵌入，长短期神经网络的核心部分是单元状态传递，经过单元状态更q新后，再计算得到当前时刻的隐藏层ht和输出值ot，通过长短期记忆神经网络在当前t时刻获取之前任意时刻的历史信息，将得到的最后时刻的输出作为用户的短期偏好模型

5.根据权利要求1所述的基于学习者偏好与群体偏好的学习资源推荐方法，其特征在于，步骤5具体为：学习者集合U＝{u1，u2，...，un}，类型集合C＝{c1，c2，...，ck}，集合U中的每个u看作一个单词序列 wi表示第i个单词，设u有n个单词，U中涉及的所有不同单词组成一个大集合T，T＝{t1，t2，...，tj}，

学习者集合U作为聚类算法的输入，聚类成k个类型，T中共包含j个单词：①对每个U中的学习者un，对应到不同群体的概率 其中 表示

un对应C中第k个类型的概率，计算过程如下：

其中 表示un中对应C中第Ck个类型的词的数目，n是un中所有词的总数，②对每个C中的群体Ck，生成不同单词的概率 其中， 表示Ck生成T中第j个单词的概率，

其中 表示群体Ck含有T中第j个单词的数目，N表示Ck中的所有单词在T中的数目，LDA的核心公式如下：最终训练得到两个结果向量 和 通过当前的 和 给出学习者un中出现单词w的概率，其中，p(T|un)利用 计算得到， 利用 计算得到，通过当前的 和计算学习者un描述中的一个单词对应任意一个群体Ck时的p(T|un)，然后根据单词的和 更新这个单词对应的群体；

通过上述的狄利克雷聚类算法得到学习者un包含的学习者类别，如下：是学习者包含的不同的学习者类别，pi指所属不同类别的概率权重，得到学习者群体偏好模型

6.根据权利要求1所述的基于学习者偏好与群体偏好的学习资源推荐方法，其特征在于，步骤8具体如下：在知识图谱上使用图卷积神经网络，经过传播过程和聚合过程，将知识点特征汇集于目标学习资源；在传播过程中，学习资源从相连相邻的知识点节点中获得它们的特征信息，在聚合过程中，将所有相邻知识点节点的特征信息汇聚到一起，得到目标学习资源节点的领域知识嵌入特征；

上述过程为一层卷积运算，在第一层卷积运算结束后就能将目标学习资源节点的所有相连相邻知识点节点的特征信息整合到一起，在第二层卷积运算结束后，将相邻的相邻知识点节点的特征信息继续融合到目标学习资源节点中；

知识图谱中，通过对不同关系的节点赋予不同的权重值，区分不同关系的节点对学习资源的重要性赋值，具体如下：聚合具有相同关系的相邻节点，

运用注意力机制，通过两层神经网络计算不同关系类型的相邻知识点节点的注意力分数，获得权重βr，将目标学习资源节点的不同关系的相邻节点聚合，得到目标学习资源的领域知识模型

7.根据权利要求1所述的基于学习者偏好与群体偏好的学习资源推荐方法，其特征在于，步骤12中，卷积神经网络包含输入层、卷积层、池化层、全局平局池化层以及输出层，在输入层，根据所收集的教师信息，使用大规模word2vec向量计算教师的三个特征与待选学习资源之间的语义相似度，构成三层输入相似度特征矩阵F，在卷积层，采用三个大小为2*2*3的滤波器单步长对输入层的相似度矩阵进行三通道卷积扫描，将每个滤波器中的每层元素与每层输入矩阵感受野中对应位置的元素相乘求和，最后将三层卷积结果总和作为卷积输出矩阵 和在池化层，将卷积层中得到的特征矩阵F1，作为池化层的输入，通过最大池化操作，将卷积层中每个特征矩阵感受野中最大的相似度元素作为池化的输出特征，对三个输入特征矩阵进行池化操作，构成池化输出矩阵 和在全局平均池化层，对池化后的每一层特征矩阵进行全局平均池化，整合全局信息，得到三个特征矩阵的平均值a、b和c；

在输出层，将所得特征值的加权和作为教师与待选学习资源的匹配得分yr。

8.一种学习资源推荐系统，其特征在于，包括信息获取模块、学习者模型构建模块、学习资源模型构建模块、学习资源模型构建模块、推荐分数获取模块以及推荐模块；

信息获取模块用于获取学习者信息、教师信息以及学习资源特征信息；

学习者模型构建模块用于根据学习者信息，使用基于时间的注意力机制捕捉学习者长期偏好，构建学习者长期偏好模型根据学习者信息，使用长短期记忆神经网络，从学习者信息中学习者的短期历史交互学习资源的行为序列中提取用户短期兴趣偏好，构建学习者短期偏好模型通过注意力机制，得到学习者长期偏好与短期偏好所占权重，融合学习者的长期偏好模型与短期偏好模型得到学习者的个人偏好模型 如下：t

其中，tanh为激活函数，W、W为偏执矩阵；

通过狄利克雷概率聚类算法，将所有学习者划分为不同的群体，将学习者所属不同群体构建成为学习者群体偏好模型基于注意力机制，将学习者个人偏好模型 与学习者群体偏好模型 融合，得到学习者模型；使用注意力机制为学习者个人偏好模型与学习者群体偏好模型分配不同的权重，将两者融合，得到最终的学习者模型pu，如下：t

其中，tanh为激活函数，W、W为偏执矩阵；

学习资源模型构建模块用于将学习资源的生成性信息 和特征信息 相加得到目标学习资源特征信息模型根据学习资源特征信息中的学习资源知识点信息，使用基于注意力机制的图卷积神经注意网络构建学习资源领域知识模型基于注意力机制，将学习资源特征信息模型与学习资源领域知识模型 融合，得到学习资源模型pr，具体的，使用注意力机制为学习资源特征信息模型和领域知识模型分配不同的权重，将两者融合，得到学习资源模型pr，如下：t

其中，tanh为激活函数，W、W为偏执矩阵；

推荐分数获取模块用于将学习者模型pu与学习资源模型pr连接，使用多层深度神经网络，获取学习者与学习资源的交互特征，将学习者与学习资源的交互特征作为第一目标学习资源的推荐分数yur，计算过程如下：其中， 为权重矩阵，bl是神经网络第l层的偏差，[pu,pr]为学习者模型Pu和学习资源模型pr的连接，l为神经网络模型的层数；

根据收集的学习者信息和教师信息，对目标学习者和老师使用余弦相似度算法进行相似度计算，得到与学习者相似度最高的教师；

使用卷积神经网络，将相似度最高的教师与目标学习资源进行匹配，得到第二目标学习资源的推荐分数ytr；

将第一目标学习资源的推荐分数yur与第二目标学习资源推荐分数ytr相加，得到目标学习资源最终的推荐分数yr；

推荐模块用于按照推荐分数yr高低将其排序，将分数最高的前N个学习资源依次推荐给学习者。

9.一种计算机设备，其特征在于，包括处理器和存储器，存储器中存储可执行程序，处理器执行所述可执行程序时，能执行权利要求1至7中任一项所述的学习资源推荐方法。

10.一种计算机可读存储介质，其特征在于，计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时，能实现如权利要求1至7中任一项所述的学习资源推荐方法。