CN106023015A - 课程学习路径推荐方法及装置 - Google Patents

课程学习路径推荐方法及装置 Download PDF

Info

Publication number
CN106023015A
CN106023015A CN201610330390.8A CN201610330390A CN106023015A CN 106023015 A CN106023015 A CN 106023015A CN 201610330390 A CN201610330390 A CN 201610330390A CN 106023015 A CN106023015 A CN 106023015A
Authority
CN
China
Prior art keywords
learned lesson
path
learning
learned
recommendation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201610330390.8A
Other languages
English (en)
Other versions
CN106023015B (zh
Inventor
王昂
张富春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201610330390.8A priority Critical patent/CN106023015B/zh
Publication of CN106023015A publication Critical patent/CN106023015A/zh
Application granted granted Critical
Publication of CN106023015B publication Critical patent/CN106023015B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种课程学习路径推荐方法及装置，属于在线教育领域。该方法包括：获取各个学习课程对应的用户行为数据；根据各个学习课程对应的用户行为数据计算各个学习课程中，每两个学习课程之间的关联边权值，关联边权值用于表示两个学习课程之间的关联关系；根据各个学习课程中，每两个学习课程之间的关联边权值确定推荐学习路径；推送推荐学习路径；在向用户推荐学习课程时，除了向用户推荐哪些学习课程之外，还向用户推荐各个课程的学习顺序，不需要用户自己从若干门推荐的课程中选择出一门或者多门课程，也不需要用户自行决定各个课程的学习顺序，从而提高了学习课程的推荐效果。

Description

课程学习路径推荐方法及装置
技术领域
本发明涉及在线教育领域，特别涉及一种课程学习路径推荐方法及装置。
背景技术
在线学习网站上存在各种各样的在线课程，用户在在线学习网站上浏览时，网站会向用户推荐部分在线课程。
现有技术中，在线学习网站会根据用户浏览过的课程向用户推荐类似的课程，比如：用户在某英语学习网站浏览了某六级词汇课程，网站上的推荐页面就会向用户推荐其他不同的六级词汇课程；或者，根据用户浏览过的课程筛选出浏览过同样课程的其他用户，再根据其他用户选择的课程进行推荐，比如：用户在某英语学习网站学习了某雅思听力课程，网站的服务器挑选出学习过该雅思听力课程的其他用户，并向该用户推荐其他用户学习过的雅思阅读课程。
在实现本发明的过程中，发明人发现现有技术至少存在以下问题：
现有的在线学习网站上通常只是向用户推荐若干门课程，需要用户从中选择出一门或者多门课程，并自行决定这些课程的学习顺序，推荐效果较差。
发明内容
为了解决现有技术的问题，本发明实施例提供了一种课程学习路径推荐方法及装置。所述技术方案如下：
根据本发明的第一方面，提供了一种课程学习路径推荐方法，该方法包括：
获取各个学习课程对应的用户行为数据；
根据所述各个学习课程对应的用户行为数据计算所述各个学习课程中，每两个学习课程之间的关联边权值，所述关联边权值用于表示所述两个学习课程之间的关联关系；
根据所述各个学习课程中，每两个学习课程之间的关联边权值确定推荐学习路径；
推送所述推荐学习路径。
根据本发明的第二方面，提供了一种课程学习路径推荐装置，该装置包括：
数据获取模块，用于获取各个学习课程对应的用户行为数据；
关联边权值计算模块，用于根据所述各个学习课程对应的用户行为数据计算所述各个学习课程中，每两个学习课程之间的关联边权值，所述关联边权值用于表示所述两个学习课程之间的关联关系；
路径确定模块，用于根据所述各个学习课程中，每两个学习课程之间的关联边权值确定推荐学习路径；
路径推送模块，用于推送所述推荐学习路径。
本发明实施例提供的技术方案带来的有益效果是：
通过获取各个学习课程对应的用户行为数据，根据各个学习课程对应的用户行为数据计算各个学习课程中，每两个学习课程之间的关联边权值，再根据关联边权值确定推荐学习路径，推送推荐学习路径；由于关联边权值能够表示各个学习课程中两个学习课程之间的关联关系，根据用户的行为数据计算出每两个学习课程之间的关联边权值之后，可以根据关联边权值确定出推荐学习路径，向用户展示推荐学习路径，在向用户推荐学习课程时，除了向用户推荐学习课程之外，还向用户推荐各个课程的学习顺序，不需要用户自己从若干门推荐的课程中选择出一门或多门课程，也不需要用户自行决定各个课程学习顺序，从而提高了学习课程的推荐效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的一种课程学习路径推荐方法的流程图；
图2是根据另一示例性实施例示出的一种课程学习路径推荐方法的流程图；
图3是图2所示实施例涉及的一种有向有环图；
图4是图2所示实施例涉及的一种生成初始路径集合的方法的流程图；
图5是图2所示实施例涉及的一种路径迭代方法的流程图；
图6是图2所示实施例涉及的一种推荐路径示意图；
图7是根据一示例性实施例示出的一种课程学习路径推荐装置的结构方框图；
图8是根据一示例性实施例示出的一种课程学习路径推荐装置的结构方框图；
图9是根据一示例性实施例示出的一种服务器的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
请参考图1，其示出了本发明一个实施例提供的课程学习路径推荐方法的流程图。该课程学习路径推荐方法适用于学习课程提供商的服务器中。如图1所示，该课程学习路径推荐方法可以包括以下步骤：
步骤102，获取各个学习课程对应的用户行为数据。
步骤104，根据各个学习课程对应的用户行为数据计算各个学习课程中，每两个学习课程之间的关联边权值。
关联边权值用于表示两个学习课程之间的关联关系。
步骤106，根据各个学习课程中，每两个学习课程之间的关联边权值确定推荐学习路径。
步骤108，推送该推荐学习路径。
综上所述，本发明提供的课程学习路径推荐方法，通过获取各个学习课程对应的用户行为数据，根据各个学习课程对应的用户行为数据计算各个学习课程中，每两个学习课程之间的关联边权值，再根据关联边权值确定推荐学习路径，推送推荐学习路径；由于关联边权值能够表示各个学习课程中两个学习课程之间的关联关系，根据用户的行为数据计算出每两个学习课程之间的关联边权值之后，可以根据关联边权值确定出推荐学习路径，向用户推送该推荐学习路径，在向用户推荐学习课程时，除了向用户推荐哪些学习课程之外，还向用户推荐各个课程的学习顺序，不需要用户自己从若干门推荐的课程中选择出一门或者多门课程，也不需要用户自行决定各个课程的学习顺序，从而提高了学习课程的推荐效果。
在本发明提供的课程学习路径推荐方法中，可采用遗传算法确定推荐学习路径，在下述实施例中，以采用遗传算法确定推荐学习路径为例，对本发明提供的课程学习路径推荐方法进行了详细阐述。
请参考图2，其示出了本发明另一个实施例提供的课程学习路径推荐方法的流程图。该课程学习路径推荐方法适用于学习课程提供商的服务器中。如图2所示，该课程学习路径推荐方法可以包括以下步骤：
步骤201，服务器获取各个学习课程对应的用户行为数据以及各个学习课程的学习资料数据。
其中，上述各个学习课程指的是同一门学习科目对应的各个学习课程，比如，以托福学习科目为例，该学习科目的各个学习课程是一个或者多个学习网站上与托福学习科目相关的所有学习课程。
在本发明实施例中，用户在学习网站上对某一个课程产生某种行为后，将会产生一条针对该学习课程的用户行为数据，该用户行为数据可以记录哪个用户对哪个课程执行了哪种行为。服务器可以定期采集各个学习课程对应的用户行为数据以及各个学习课程的学习资料数据。比如：服务器每一小时或者每天采集一次采集各个学习课程对应的用户行为数据以及各个学习课程的学习资料数据。
可选的，用户行为数据可以包括行为发生时间、行为持续时间、行为类型，用户行为数据还可以包括行为量化值。行为类型可以包括浏览、购买、学习、评价。
其中，行为量化值可以表示某一种行为对课程推荐的影响程度，比如，用户对某个课程的浏览、购买、学习行为对该课程被推荐的影响程度逐渐升高，对应的，这三种行为对应的行为量化值也依次增大；又比如，用户对某个课程的不同评价也可以对应不同的行为量化值，例如，好评对应的行为量化值可以是一个比较高的正数，中评对应的行为量化值可以是一个比较低的正数，而差评对应的行为量化值则可能是一个负数。
具体例如，本发明实施例中的用户行为数据的格式可以如下表1所示：
表1
在本发明实施例中，服务器还可以获取各个学习课程的学习资料数据，以作为学习课程推荐的依据。可选的，在本发明实施例中，学习资料数据的格式可以如下表2所示：
表2
步骤202，服务器根据各个学习课程对应的用户行为数据计算各个学习课程中，每两个学习课程之间的关联边权值。
在该步骤中，服务器根据计算各个学习课程中，每两个学习课程之间的关联边权值的步骤可以如下：
1)对于各个学习课程中的第一学习课程和第二学习课程，服务器根据用户行为数据获取在预定时间内先后对第一学习课程和第二学习课程触发各种用户行为中的单种用户行为的用户数。
服务器从各个学习课程中选择任意两个学习课程作为第一学习课程和第二学习课程，比如：服务器从各个学习课程中选择出学习课程a和学习课程b，将学习课程a作为第一学习课程，将学习课程b作为第二学习课程。
服务器再从全部的用户行为数据中获取在预定时间内，先触发对第一学习课程触发各种用户行为中的单种用户行为，再对第二学习课程触发该单种用户行为的用户数，将获取到的用户数记为count。比如：用户行为有2种，分别是浏览和购买，则服务器获取在预定时间内先浏览第一学习课程，再浏览第二学习课程的用户数count1，和获取在预定时间内先购买第一学习课程，再购买第二学习课程的用户数count2。
其中，在预定时间内先后对第一学习课程和第二学习课程触发各种用户行为中的单种用户行为有两种理解：
假设触发的各种用户行为中的单种用户行为是用户行为i，第一学习课程为学习课程a，第二学习课程为学习课程b：
一、在预定时间内先对学习课程a触发用户行为i，然后再对学习课程b触发用户行为i，即在预定时间内对学习课程a触发用户行为i和对学习课程b触发用户行为i之间，不对其他学习课程触发用户行为i。
二、在预定时间内，先对学习课程a触发用户行为i，再对非学习课程b的学习课程触发用户行为i，最后再对学习课程b触发用户行为i，即在预定时间内对学习课程a触发用户行为i和对学习课程b触发用户行为i之间，还对其他学习课程触发用户行为i，其他学习课程的数量至少为一个。
2)服务器将单种用户行为的行为量化值、单种用户行为的权重以及用户数三者之间的乘积作为单种用户行为对应的权值。
服务器可以计算单种用户行为的行为量化值、单种用户行为的权重以及用户数三者之间的乘积，将该三者之间的乘积作为单种用户行为对应的权值。
在本发明实施例中，将用户行为记为atype(i)，假设用户行为有四种，分别为浏览、购买、学习、评价，浏览是用户行为1，购买是用户行为2，学习是用户行为3，评价是用户行为4，atype(1)表示浏览。对于每一种用户行为，服务器中可以预先存储该用户行为对应的用户行为量化值以及该用户行为的权重，该权重可以是该种用户行为对两个学习课程之间的关联边权值的影响权重。本发明实施例将单种用户行为i的行为量化值记为value[atype(i)]，比如：value[atype(1)]表示第一种用户行为的行为量化值，并将单种用户行为的权重记为weight[atype(i)]，比如：weight[atype(1)]表示第一种用户行为的权重。
服务器将该三者之间的乘积也即单种用户行为i对应的权值记为Ei，
Ei＝value[atype(i)]*weight[atype(i)]*count。
3)服务器将各种用户行为各自对应的权值之和作为从第一学习课程到第二学习课程的关联边权值。
服务器可以计算各种用户行为各自对应的权值之和，将各种用户行为对应的权值之和作为从第一学习课程到第二学习课程的关联边权值。比如：假设有三种用户行为，则服务器可以将这三种用户行为各自对应的权值之和作为从第一学习课程到第二学习课程的关联边权值。
假设第一学习课程为a，第二学习课程为b，共有n种用户行为，则第一学习课程到第二学习课程的关联边权值记为：
E d g e ( a , b ) = Σ 0 n E i = Σ 0 n v a l u e [ a t y p e ( i ) ] * w e i g h t [ a t y p e ( i ) ] * c o u n t o .
需要说明的是，Edge(a,b)与Edge(b,a)不同，Edge(b,a)中第一学习课程为b，第二学习课程为a，表示从课程b到课程a的关联边权值。
在本发明实施例中，关联边权值可以用于表示第一学习课程与第二学习课程之间的关联关系。
在本发明实施例中，可以将一个学习课程看作一个节点，以两个节点之间的关联边权值作为这两个节点之间的有向边。比如，假设有16个学习课程，服务器可以计算出16个学习课程中，每两个学习课程之间的关联边权值，再根据关联边权值对学习课程建立连线，得到一个有向有环图，如图3所示，其示出了本发明实施例涉及的一种有向有环图，在图3中，每个节点代表一个学习课程，两个节点之间中的连线长度表示两个节点之间的关联边权值，其中，各个学习课程还可以按所属知识点进行划分，即一个知识点中包括多个学习课程，图3中的3个虚线圆形表示3个知识点，每个知识点包括若干个学习课程，在一个虚线圆形内的所有节点属于同一个知识点，圆形31表示知识点托福词汇，属于托福词汇知识点的学习课程有6个，圆形32表示知识点托福听力，属于托福听力知识点的学习课程有7个，圆形33表示知识点托福阅读，属于托福阅读知识点的学习课程有4个。
步骤203，服务器生成由指定条数的学习路径组成的初始路径集合。
可选的，该指定条数是开发人员预先设置的条数，或者，该指定条数也可以根据实际情况进行更改，比如，服务器可以根据学习课程的总个数，或者，根据每个知识点对应的学习课程的个数来确定该指定条数。
其中，初始路径集合中的每一条学习路径由各个学习课程中的至少两个学习课程按序排列构成。
在本发明实施例中，即使两条学习路径中包括的学习课程相同，但是学习课程之间的排列顺序不同，两条学习路径也不相同。比如，两条学习路径中都包括学习课程A、B、C和D，但一条学习路径为A-B-D-C，另一条学习路径为B-C-A-D，这两条学习路径属于不同的学习路径。
服务器可以按照随机的方式生成上述初始路径集合，比如，请参考图4，其示出了本发明实施例涉及的一种生成初始路径集合的方法的流程图，如图4所示，该方法可以包括如下几个步骤：
步骤401，服务器对于初始路径集合中的每一条学习路径，随机确定各个学习课程中的一个学习课程为学习路径上的初始学习课程。
步骤402，服务器随机确定该学习路径上的学习课程的数量n。
步骤403，服务器随机生成由初始学习课程开始的、由n个学习课程组成且满足预设条件的学习路径。
在本发明实施例中，服务器可以在上述预设条件的约束下随机生成初始路径集合中的学习路径。可选的，预设条件包括以下条件中的至少一种：
一、任意相邻两个学习课程中前一学习课程到后一学习课程的关联边权值大于第一预设权值。
二、相邻两个学习课程中前一学习课程到后一学习课程的关联边权值之和大于第二预设权值。
可选的，第一预设权值和第二预设权值是服务器预先设置的。
服务器在随机生成初始路径集合中的学习路径时，需要确保前一学习课程到后一学习课程的关联边权值不能太低，或者，需要确保该学习路径上的总的关联边权值不能太低，从而保证生成的学习路径中各个学习课程的顺序尽可能贴近大众用户的选择顺序。
可选的，第一预设权值和第二预设权值是服务器预先设置的。
三、各个学习课程对应的课程类型的排列顺序满足预设顺序。
其中，该课程类型可以是上述图3中的知识点。比如：对于英语的学习课程，一般会按照词汇、听力、阅读和写作的顺序进行学习，则该预设条件中各个学习课程对应的课程类型的排列顺序可以预设为：词汇-听力-阅读-写作。典型的，按照上述排列顺序，服务器在确定初始学习课程时，只在词汇类的学习课程中随机确定一个学习课程作为该初始学习课程。
四、单个课程类型对应的学习课程的数量不大于预设数量。
其中，一个课程类型可以对应多个学习课程。比如：课程类型为雅思词汇，该课程类型中包括新x方雅思词汇、x火雅思词汇等若干个词汇类的学习课程。由于每个课程类型中的各个学习课程的内容大多较为相似，为了保证用户的学习效率，向用户推荐的学习路径中，单个课程类型的学习课程不能太多，比如，以雅思学习路径为例，一个雅思学习路径中的词汇类学习课程可以限制在3个以下。
可选的，该预设数量是服务器预先设置的，或者，该预设数量也可以是用户输入的。
五、任意学习课程的推荐属性数值不小于第一属性数值。
六、各个学习课程的推荐属性数值之和不小于第二属性数值。
其中，各个学习课程的推荐属性数值可以用于指示各个学习效果属性、热门度属性、好评度属性以及价格属性中的至少一种。其中，用于指示学习效果属性的推荐属性数值越大，说明学习效果越好；用于指示热门度属性的推荐属性数值越大，说明热门度越高；用于指示好评度属性的推荐属性数值越大，说明好评度越高；用于指示价格属性的推荐属性数值越大，说明价格越低。
可选的，各个学习课程的推荐属性数值可以根据服务器获取到的学习资料数据以及各个学习课程的用户行为数据获得。
在推荐学习路径时，服务器除了考虑大众倾向选择的学习顺序(即关联边权值)之外，还可以结合其它诸如学习效果、热度、好评度以及价格等因素进行推荐，即随机生成的学习路径上每个学习课程的学习效果、热度、好评度以及价格等属性需要满足一定的条件，或者，随机生成的学习路径上各个学习课程的学习效果、热度、好评度以及价格等属性的总和需要满足一定的条件。
比如：学习课程的推荐属性数值包括好评度属性数值时，且预设条件包括任意学习课程的推荐属性数值不小于第一属性数值时，若第一属性数值为80％，则在生成学习路径时，路径上的每个学习课程的好评度都不能低于80％。
可选的，上述预设条件是开发人员预先预置的，或者上述预设条件也可以是根据用户输入的路径要求生成的，或者，上述预设条件中的部分条件可以是开发人员预先预置的，另一部分条件可以是根据用户输入的路径要求生成的。
比如，用户在浏览学习网站时，在请求推荐学习路径时，可以输入一定的路径要求，比如，推荐的学习路径的总价格不高于200元人民币，则服务器接收该路径要求，并生成相应的预设条件。
在本发明实施例中，服务器在生成一条学习路径时，可以从初始学习课程开始，随机确定下一个学习课程，并判断已有的这两个学习课程是否满足上述预设条件，若满足上述预设条件，则继续确定下一个学习课程，若不满足预设条件，则退回到上一个学习课程，重新随机确定新的下一个学习课程，直到该条学习路径上的学习课程的数量为n，或者没有可以继续的学习课程为止。
比如：一条学习路径的初始学习课程为a，服务器随机确定下一条学习课程为学习课程b，若判断出学习课程a和学习课程b满足预设条件，则从学习课程b爱开始随机确定下一个学习课程c，若判断出学习课程a、学习课程b以及学习课程c不满足预设条件，退回到学习课程b，重新随机确定学习课程c，若没有满足预设条件的学习课程c，则服务器退回到学习课程a，重新随机确定学习课程b，以此类推，直到该条学习路径上学习课程的数量为n。
其中，随机生成的一条学习路径可以由如下式子表示：
Code[i]＝[x1,x2,x3,...,xn][e(x1,x2),e(x2,x3),...,e(xn-1,xn)]
其中，Code[i]表示第i条学习路径，x1,x2,x3,...,xn表示该条学习路径上的n个学习课程，e(x1,x2)表示学习课程x1和学习课程x2之间的关联边权值。
步骤204，服务器根据各个学习课程中，每两个学习课程之间的关联边权值，以及各个学习课程的推荐属性数值，对初始路径集合中的各条学习路径进行N次迭代处理，获得第N次迭代后的路径集合。
请参考图5，其示出了本发明实施例涉及的一种路径迭代方法的流程图，该方法根据遗传算法对初始路径集合中的各条学习路径进行迭代，如图5所示，该方法可以包括如下几个步骤：
步骤501，服务器在进行第i次迭代计算时，对于第i-1次迭代后的路径集合中的每一条学习路径，根据学习路径上相邻两个学习课程中前一学习课程到后一学习课程的关联边权值，以及学习路径上每个学习课程的推荐属性数值，计算学习路径的路径推荐值；1≤i≤N，且当i＝1时，第i-1次迭代后的路径集合为初始路径集合。
可选的，对于一条学习路径，服务器可以将该学习路径中前一学习课程到后一学习课程的关联边权值与对应的系数相乘，将每个学习课程的推荐属性数值与对应的系数相乘，再将关联边权值与对应的系数相乘得到的结果，和，每个学习课程的推荐属性数值与对应的系数相乘得到的结果相加，最后得到的数值即为路径推荐值。其中，上述对应的系数表示关联边权值或者推荐属性数值在计算路径推荐值时所占的比重。
比如：推荐属性数值包括用于指示学习效果属性的推荐属性数值，和用于好评度属性的推荐数值属性，关联边权值对应的系数为0.5，用于指示学习效果属性的推荐属性数值对应的系数为0.3，用于指示好评度属性的推荐属性数值对应的系数为0.2，利用公式：路径推荐值＝关联边权值*0.5+用于指示学习效果属性的推荐属性数值*0.3+用于指示好评度属性的推荐属性数值*0.2，计算出M条学习路径中的各条学习路径的路径推荐值。
需要说明的是，当i＝1时，i-1＝0，此时，第0次迭代后的路径集合为初始路径集合。
步骤502，服务器获取由第i-1次迭代后的路径集合中的各条学习路径中路径推荐值最大的Si条学习路径组成的、新的路径集合。
其中，上述第i-1次迭代后的路径集合中的各条学习路径中路径推荐值最大的Si条学习路径，指的是将各条学习路径按照各自对应的路径推荐值从大到小的顺序进行排序后，其中排在前Si位的学习路径。服务器可以获取上述排在前Si位的学习路径组成的、新的路径集合。
比如，假设i＝1，初始路径集合中共有M条学习路径，经过步骤501的计算后，得到对应于M条学习路径的M个路径推荐值；从M条学习路径中获取较大的Si个路径推荐值对应的学习路径，这Si条学习路径组成新的路径集合。
可选的，一般获取路径集合中所有学习路径中路径推荐值为前1/2的路径推荐值对应的学习路径。比如，以i＝1为例，初始路径集合中原本有M条学习路径，则获取其中路径推荐值的大小排在前1/2的M/2条学习路径组成新的路径集合。
步骤503，服务器从新的路径集合中选择p组学习路径，p组学习路径中的每一组学习路径由包含一个相同的学习课程的两条学习路径组成。
从新的路径集合中选择p组学习路径，即从新的路径集合中选择2p条学习路径，其中，新的路径集合中学习路径的条数大于2p。
每一组学习路径中包含有一个相同的学习课程，该学习课程在该组中两条学习路径中的位置可以不同。比如：一组学习路径中包含相同的学习课程A，该组中的一条学习路径为B-C-A-D，另一条学习路径为E-A-F-G-H。
步骤504，服务器将p组学习路径中的每一组学习路径以相同的学习课程为界进行交叉操作。
对于p组中的一组学习路径来说，将一组学习路径中两条学习路径都以相同的学习课程为界，相互交换相同的学习课程之前的学习课程及学习课程之间的关联关系。比如：一组学习路径中的两条学习路径分别为B-C-A-D和E-A-F-G-H，相同的学习课程为A，则进行交叉操作后的两条学习路径为B-C-A-F-G-H和E-A-D。
在执行完操作步骤504之后，还可以检测得到的学习路径是否满足预设条件，其中，此处的预设条件可以与上述步骤403下描述的各个预设条件相同，此处不再赘述。
步骤505，服务器对于交叉操作后的新的路径集合中的指定学习路径，将指定学习路径中，关联边权值最低的至少一组两个学习课程或者推荐值属性数值最低的至少一个学习课程进行替换操作，获得满足预设条件的、替换后的学习路径。
服务器从交叉操作后的新的路径集合中随机选择q条待变换的学习路径作为指定学习路径。
服务器将指定学习路径中也即每一条待变换的学习路径中，关联边权值最低的至少一组两个学习课程或者推荐属性数值最低的至少一个学习课程进行替换操作，获得满足预设条件、替换后的学习路径。
具体地，该步骤有如下两种实施方式：
一、服务器将每一条待变换的学习路径中，关联边权值最低的至少一组两个学习课程进行替换操作，获得满足预设条件、替换后的学习路径。
可选的，关联边权值最低的一组两个学习课程可以用另一组两个学习课程替换，也可以用另一个学习课程替换，也可以用另外几个学习课程替换。
比如：一条学习路径为A-B-C-D-E，其中，C-D的关联边权值最低，则将学习路径中的C-D用另一组两个学习课程F-G替换，替换后的学习路径为A-B-F-G-E。
对于一条待变换的学习路径，确定出关联边权值最低的一组两个学习课程，并对关联边权值最低的一组两个学习课程进行替换，检测替换后的学习课程是否满足预设条件，若不满足预设条件，则舍弃该条学习路径，若满足预设条件，则保留该条学习路径。
二、服务器将每一条待变换的学习路径中，推荐属性数值最低的至少一个学习课程进行替换操作，获得满足预设条件、替换后的学习路径。
可选的，推荐属性数值最低的一个学习课程可以用一组两个学习课程替换，也可以用另一个学习课程替换，也可以用另外几个学习课程替换。
比如：一条学习路径为A-B-C-D-E，其中，学习课程C的推荐属性数值最低，则将学习路径中的C用另一组两个学习课程F-G替换，替换后的学习路径为A-B-F-G-E。
对于一条待变换的学习路径，确定出推荐属性数值最低的一个学习课程，并对推荐属性值最低的一个学习课程进行替换，检测替换后的学习课程是否满足预设条件，若不满足预设条件，则舍弃该条学习路径，若满足预设条件，则保留该条学习路径。
在上述替换过程中，在确定用于替换的学习课程时，可以从待替换的学习课程的前一个学习课程开始，随机确定用于替换的一个或多个学习课程，其确定方法与上述随机生成学习路径时确定路径中下一个学习课程的方式类似，此处不再赘述。
其中，替换操作后的新的路径为第i次迭代后的路径集合。
在本发明上述方案中，服务器结合各个学习课程中每两个学习课程之间的关联边权值以及各个学习课程的推荐属性数值，对初始路径集合中的各条学习路径进行迭代。可选的，在本发明实施例中，服务器也可以只根据各个学习课程中每两个学习课程之间的关联边权值对初始路径集合中的各条学习路径进行N次迭代处理，以获得第N次迭代后的路径集合，即在计算学习路径的路径推荐值时，只根据该学习路径中前一学习课程到后一学习课程之间关联边权值进行计算，后续替换操作时，也根据该学习路径中前一学习课程到后一学习课程之间关联边权值确定需要替换的学习课程。
步骤205，服务器根据第N次迭代后的路径集合确定推荐学习路径。
具体地，将第N次迭代后的路径集合中，路径推荐值最高的至少一条学习路径确定为推荐学习路径。
由于每次迭代后路径集合中的路径都会减少，第N次迭代后的路径集合中的路径集合是既满足预设条件又是比较优化的学习路径。
请参考图6，其示出了本发明实施例涉及的一种推荐路径示意图，图6中的学习路径A-B-C-D-E-F为路径推荐值最高的一条学习路径，服务器将该条学习路径确定为推荐学习路径。
可选的，服务器也可以从第N次迭代后的路径集合中随机选择几条学习路径最为推荐学习路径，或者，将第N次迭代后的路径集合中全部的学习路径作为推荐学习路径，或者，计算出第N次迭代后的路径集合中全部的学习路径的路径推荐值，将路径推荐值从大到小排比较靠前的学习路径作为推荐路径。
步骤206，服务器推送推荐学习路径。
由上述公式可以看出，总体来说，对于同一种用户行为，对学习课程a和学习课程b先后执行该用户行为的用户数量越多，则学习课程a到学习课程b的关联边权值越高，即大众用户越倾向于按照学习课程a到学习课程b的顺序进行学习。本发明实施例结合大众倾向的学习顺序以及各个学习课程的学习效果、热度、好评度以及价格等属性向用户推荐若干个学习课程以及各个学习课程的学习顺序，从而提高学习课程推荐的效果。
可选的，服务器在向客户端推送推荐学习路径时，根据各个学习课程所属的课程类型对学习课程进行分类。
可选的，在向客户端推送推荐学习路径时，为用户推荐与学习路径中的学习课程对应的学习时间。
比如，以图6为例，图中一个节点看作一个学习课程，推荐学习路径为A-B-C-D-E-F，该条学习路径是一条学习托福的学习路径，学习课程A、学习课程B、学习课程C的课程类型都是托福词汇，学习课程D的课程类型是托福听力，学习课程E和学习课程F的课程类型是托福阅读。在向用户展示学习路径时，为用户推荐与学习课程对应的学习时间和课程类型，比如，按如下方式展示推荐学习路径：
第一阶段(2016/05/05-2016/06/10)：托福词汇，学习课程A-学习课程B-学习课程C；
第二阶段(2016/06/11-2016/06/30)：托福听力，学习课程D；
第三阶段(2016/07/01-2016/08/30)：托福阅读，学习课程E-学习课程F。
可选的，服务器向客户端推送推荐学习路径时，还可以同时向客户端推送推荐学习路径的效果反馈信息：
服务器向客户端推送推荐学习路径的效果反馈信息具体包括如下步骤：
一、服务器根据各个学习课程对应的用户行为数据确定按照推荐学习路径进行学习的用户。
从所有的用户行为数据中确定出按照推荐学习路径学习过的用户。
二、服务器获取用户的学习效果反馈信息。
服务器从存储有用户行为数据信息的数据库中获取用户的学习效果反馈信息。
可选的，用户的学习效果反馈信息是用户在学习完学习课程后的评价，或用户在学习完学习课程后所做模拟练习的成绩。
可选的，根据所有学习过该条推荐学习路径的用户的学习效果反馈信息，确定出该条推荐学习路径的预计学习效果，比如：确定出某条托福学习路径的学习效果为：83％的用户学习后托福可以考到120分。
三、服务器对应推荐学习路径推送效果反馈信息。
在向客户端推送出推荐学习路径时，同时对应推荐学习路径推送效果反馈信息。
步骤207，客户端接收服务器推送的推荐学习路径，并在客户端的显示界面上向用户展示。
可选的，客户端在接收服务器推送的推荐学习路径时，同时接收对应推荐学习路径的效果反馈信息，在显示界面向用户展示推荐学习路径时，同时展示对应推荐路径的效果反馈信息。
比如，显示界面上在推荐学习路径的下方展示该条推荐学习路径的学习效果。
综上所述，本发明提供的课程学习路径推荐方法，通过获取各个学习课程对应的用户行为数据，根据各个学习课程对应的用户行为数据计算各个学习课程中，每两个学习课程之间的关联边权值，再根据关联边权值确定推荐学习路径，推送推荐学习路径；由于关联边权值能够表示各个学习课程中两个学习课程之间的关联关系，根据用户的行为数据计算出每两个学习课程之间的关联边权值之后，可以根据关联边权值确定出推荐学习路径，向用户推送该推荐学习路径，在向用户推荐学习课程时，除了向用户推荐哪些学习课程之外，还向用户推荐各个课程的学习顺序，不需要用户自己从若干门推荐的课程中选择出一门或者多门课程，也不需要用户自行决定各个课程的学习顺序，从而提高了学习课程的推荐效果。
请参考图7，其示出了本发明一个实施例提供的课程学习路径推荐装置的结构框图，该课程学习路径推荐装置可以通过软件、硬件或者两者的结合实现成为上述可提供课程学习路径推荐方法的服务器的全部或一部分。该装置包括：
数据获取模块710，用于获取各个学习课程对应的用户行为数据。
关联边权值计算模块720，用于根据各个学习课程对应的用户行为数据计算各个学习课程中，每两个学习课程之间的关联边权值，关联边权值用于表示两个学习课程之间的关联关系。
路径确定模块730，用于根据各个学习课程中，每两个学习课程之间的关联边权值确定推荐学习路径。
路径推送模块740，用于推送推荐学习路径。
综上所述，本发明提供的课程学习路径推荐装置，通过获取各个学习课程对应的用户行为数据，根据各个学习课程对应的用户行为数据计算各个学习课程中，每两个学习课程之间的关联边权值，再根据关联边权值确定推荐学习路径，推送推荐学习路径；由于关联边权值能够表示各个学习课程中两个学习课程之间的关联关系，根据用户的行为数据计算出每两个学习课程之间的关联边权值之后，可以根据关联边权值确定出推荐学习路径，向用户推送该推荐学习路径，在向用户推荐学习课程时，除了向用户推荐哪些学习课程之外，还向用户推荐各个课程的学习顺序，不需要用户自己从若干门推荐的课程中选择出一门或者多门课程，也不需要用户自行决定各个课程的学习顺序，从而提高了学习课程的推荐效果。
请参考图8，其示出了本发明另一个实施例提供的课程学习路径推荐装置的结构框图，该课程学习路径推荐装置可以通过软件、硬件或者两者的结合实现成为上述可提供课程学习路径推荐方法的服务器的全部或一部分。该装置包括：
数据获取模块810，用于获取各个学习课程对应的用户行为数据。
关联边权值计算模块820，用于根据各个学习课程对应的用户行为数据计算各个学习课程中，每两个学习课程之间的关联边权值，关联边权值用于表示两个学习课程之间的关联关系。
路径确定模块830，用于根据各个学习课程中，每两个学习课程之间的关联边权值确定推荐学习路径。
路径推送模块840，用于推送推荐学习路径。
可选的，关联边权值计算模块820，包括：
用户数获取单元821，用于对于各个学习课程中的第一学习课程和第二学习课程，根据用户行为数据获取在预定时间内先后对第一学习课程和第二学习课程触发各种用户行为中的单种用户行为的用户数。
第一计算单元822，用于将单种用户行为的行为量化值、单种用户行为的权重以及用户数三者之间的乘积作为单种用户行为对应的权值。
第二计算单元823，用于将各种用户行为各自对应的权值之和作为从第一学习课程到第二学习课程的关联边权值。
可选的，路径确定模块830，包括：
集合生成单元831，用于生成由指定条数的学习路径组成的初始路径集合，初始路径集合中的每一条学习路径由各个学习课程中的至少两个学习课程按序排列构成；
迭代处理单元832，用于根据各个学习课程中，每两个学习课程之间的关联边权值，以及各个学习课程的推荐属性数值，对初始路径集合中的各条学习路径进行N次迭代处理，获得第N次迭代后的路径集合，各个学习课程的推荐属性数值用于指示各个学习课程的学习效果属性、热门度属性、好评度属性以及价格属性中的至少一种；
路径确定单元833，用于根据第N次迭代后的路径集合确定推荐学习路径。
可选的，集合生成单元831，包括：
第一确定子单元8311，用于对于初始路径集合中的每一条学习路径，随机确定各个学习课程中的一个学习课程为学习路径上的初始学习课程；
第二确定子单元8312，用于随机确定学习路径上的学习课程的数量n；
初始路径生成子单元8313，用于随机生成由初始学习课程开始的、由n个学习课程组成且满足预设条件的学习路径。
可选的，迭代处理单元832，包括：
路径推荐值计算子单元8321，用于在进行第i次迭代计算时，对于第i-1次迭代后的路径集合中的每一条学习路径，根据学习路径上相邻两个学习课程中前一学习课程到后一学习课程的关联边权值，以及学习路径上每个学习课程的推荐属性数值，计算学习路径的路径推荐值；1≤i≤N，且当i＝1时，第i-1次迭代后的路径集合为初始路径集合；
集合获取子单元8322，用于获取由第i-1次迭代后的路径集合中的各条学习路径中路径推荐值最大的Si条学习路径组成的、新的路径集合；
选择子单元8323，用于从新的路径集合中选择p组学习路径，p组学习路径中的每一组学习路径由包含一个相同的学习课程的两条学习路径组成；
交叉子单元8324，用于将p组学习路径中的每一组学习路径以相同的学习课程为界进行交叉操作；
替换子单元8325，用于对于交叉操作后的新的路径集合中的指定学习路径，将指定学习路径中，关联边权值最低的至少一组两个学习课程或者推荐属性数值最低的至少一个学习课程进行替换操作，获得满足预设条件的、替换后的学习路径；
其中，替换操作后的新的路径为第i次迭代后的路径集合。
可选的，预设条件包括以下条件中的至少一种：
任意相邻两个学习课程中前一学习课程到后一学习课程的关联边权值大于第一预设权值；
相邻两个学习课程中前一学习课程到后一学习课程的关联边权值之和大于第二预设权值；
各个学习课程对应的课程类型的排列顺序满足预设顺序；
单个课程类型对应的学习课程的数量不大于预设数量；
任意学习课程的推荐属性数值不小于第一属性数值；
或者，各个学习课程的推荐属性数值之和不小于第二属性数值。
可选的，路径确定单元833，具体用于：
将第N次迭代后的路径集合中，路径推荐值最高的至少一条学习路径确定为推荐学习路径。
可选的，该装置还包括：
用户确定模块850，用于根据各个学习课程对应的用户行为数据确定按照推荐学习路径进行学习的用户；
信息获取模块860，用于获取用户的学习效果反馈信息；
信息推送模块870，用于对应推荐学习路径推送效果反馈信息。
综上所述，本发明提供的课程学习路径推荐装置，通过获取各个学习课程对应的用户行为数据，根据各个学习课程对应的用户行为数据计算各个学习课程中，每两个学习课程之间的关联边权值，再根据关联边权值确定推荐学习路径，推送推荐学习路径；由于关联边权值能够表示各个学习课程中两个学习课程之间的关联关系，根据用户的行为数据计算出每两个学习课程之间的关联边权值之后，可以根据关联边权值确定出推荐学习路径，向用户推送推荐学习路径，在向用户推荐学习课程时，除了向用户推荐学习课程之外，还向用户推荐各个课程的学习顺序，不需要用户自己从若干门推荐的课程中选择出一门或者多门课程，也不需要用户自行决定各个课程的学习顺序，从而提高了学习课程的推荐效果。
请参考图9，其示出了本发明一个实施例提供的服务器的结构示意图。所述服务器900包括中央处理单元(CPU)901、包括随机存取存储器(RAM)902和只读存储器(ROM)903的系统存储器904，以及连接系统存储器904和中央处理单元901的系统总线905。所述服务器900还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O系统)906，和用于存储操作系统913、应用程序912和其他程序模块915的大容量存储设备907。
所述基本输入/输出系统906包括有用于显示信息的显示器908和用于用户输入信息的诸如鼠标、键盘之类的输入设备909。其中所述显示器908和输入设备909都通过连接到系统总线905的输入输出控制器910连接到中央处理单元901。所述基本输入/输出系统906还可以包括输入输出控制器910以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器910还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备907通过连接到系统总线905的大容量存储控制器(未示出)连接到中央处理单元901。所述大容量存储设备907及其相关联的计算机可读介质为服务器900提供非易失性存储。也就是说，所述大容量存储设备907可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。
不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术，CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器904和大容量存储设备907可以统称为存储器。
根据本发明的各种实施例，所述服务器900还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器900可以通过连接在所述系统总线905上的网络接口单元911连接到网络912，或者说，也可以使用网络接口单元911来连接到其他类型的网络或远程计算机系统(未示出)。
所述存储器还包括一个或者一个以上的程序，所述一个或者一个以上程序存储于存储器中，所述一个或者一个以上程序由中央处理器901执行，以实现上述图1或图2所示实施例中的课程学习路径推荐方法。
需要说明的是：上述实施例提供的课程学习路径推荐装置在实现上述课程学习路径推荐方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的课程学习路径推荐装置与课程学习路径推荐方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (16)

1.一种课程学习路径推荐方法，其特征在于，所述方法包括：
获取各个学习课程对应的用户行为数据；
根据所述各个学习课程对应的用户行为数据计算所述各个学习课程中，每两个学习课程之间的关联边权值，所述关联边权值用于表示所述两个学习课程之间的关联关系；
根据所述各个学习课程中，每两个学习课程之间的关联边权值确定推荐学习路径；
推送所述推荐学习路径。
2.根据权利要求1所述的方法，其特征在于，所述根据所述各个学习课程对应的用户行为数据计算所述各个学习课程中，每两个学习课程之间的关联边权值，包括：
对于所述各个学习课程中的第一学习课程和第二学习课程，根据所述用户行为数据获取在预定时间内先后对所述第一学习课程和所述第二学习课程触发各种用户行为中的单种用户行为的用户数；
将所述单种用户行为的行为量化值、所述单种用户行为的权重以及所述用户数三者之间的乘积作为所述单种用户行为对应的权值；
将所述各种用户行为各自对应的权值之和作为从所述第一学习课程到所述第二学习课程的关联边权值。
3.根据权利要求1所述的方法，其特征在于，所述根据所述各个学习课程中，每两个学习课程之间的关联边权值确定推荐学习路径，包括：
生成由指定条数的学习路径组成的初始路径集合，所述初始路径集合中的每一条学习路径由所述各个学习课程中的至少两个学习课程按序排列构成；
根据所述各个学习课程中，每两个学习课程之间的关联边权值，以及所述各个学习课程的推荐属性数值，对所述初始路径集合中的各条学习路径进行N次迭代处理，获得第N次迭代后的路径集合，所述各个学习课程的推荐属性数值用于指示所述各个学习课程的学习效果属性、热门度属性、好评度属性以及价格属性中的至少一种；
根据第N次迭代后的路径集合确定所述推荐学习路径。
4.根据权利要求3所述的方法，其特征在于，所述生成由指定条数的学习路径组成的初始路径集合，包括：
对于所述初始路径集合中的每一条学习路径，随机确定所述各个学习课程中的一个学习课程为所述学习路径上的初始学习课程；
随机确定所述学习路径上的学习课程的数量n；
随机生成由所述初始学习课程开始的、由n个学习课程组成且满足预设条件的学习路径。
5.根据权利要求3所述的方法，其特征在于，根据所述各个学习课程中，每两个学习课程之间的关联边权值，以及所述各个学习课程的推荐属性数值，对所述初始路径集合中的各条学习路径进行N次迭代处理，获得第N次迭代后的路径集合，包括：
在进行第i次迭代计算时，对于第i-1次迭代后的路径集合中的每一条学习路径，根据所述学习路径上相邻两个学习课程中前一学习课程到后一学习课程的关联边权值，以及所述学习路径上每个学习课程的推荐属性数值，计算所述学习路径的路径推荐值；1≤i≤N，且当i＝1时，所述第i-1次迭代后的路径集合为所述初始路径集合；
获取由所述第i-1次迭代后的路径集合中的各条学习路径中路径推荐值最大的Si条学习路径组成的、新的路径集合；
从所述新的路径集合中选择p组学习路径，所述p组学习路径中的每一组学习路径由包含一个相同的学习课程的两条学习路径组成；
将所述p组学习路径中的每一组学习路径以相同的学习课程为界进行交叉操作；
对于交叉操作后的所述新的路径集合中的指定学习路径，将所述指定学习路径中，关联边权值最低的至少一组两个学习课程或者推荐属性数值最低的至少一个学习课程进行替换操作，获得满足预设条件的、替换后的学习路径；
其中，替换操作后的所述新的路径为第i次迭代后的路径集合。
6.根据权利要求4或5所述的方法，其特征在于，所述预设条件包括以下条件中的至少一种：
任意相邻两个学习课程中前一学习课程到后一学习课程的关联边权值大于第一预设权值；
相邻两个学习课程中前一学习课程到后一学习课程的关联边权值之和大于第二预设权值；
各个学习课程对应的课程类型的排列顺序满足预设顺序；
单个课程类型对应的学习课程的数量不大于预设数量；
任意学习课程的推荐属性数值不小于第一属性数值；
或者，各个学习课程的推荐属性数值之和不小于第二属性数值。
7.根据权利要求3所述的方法，其特征在于，所述根据第N次迭代后的路径集合确定所述推荐学习路径，包括：
将所述第N次迭代后的路径集合中，路径推荐值最高的至少一条学习路径确定为所述推荐学习路径。
8.根据权利要求1或7所述的方法，其特征在于，所述方法还包括：
根据所述各个学习课程对应的用户行为数据确定按照所述推荐学习路径进行学习的用户；
获取所述用户的学习效果反馈信息；
对应所述推荐学习路径推送所述效果反馈信息。
9.一种课程学习路径推荐装置，其特征在于，所述装置包括：
数据获取模块，用于获取各个学习课程对应的用户行为数据；
关联边权值计算模块，用于根据所述各个学习课程对应的用户行为数据计算所述各个学习课程中，每两个学习课程之间的关联边权值，所述关联边权值用于表示所述两个学习课程之间的关联关系；
路径确定模块，用于根据所述各个学习课程中，每两个学习课程之间的关联边权值确定推荐学习路径；
路径推送模块，用于推送所述推荐学习路径。
10.根据权利要求9所述的装置，其特征在于，所述关联边权值计算模块，包括：
用户数获取单元，用于对于所述各个学习课程中的第一学习课程和第二学习课程，根据所述用户行为数据获取在预定时间内先后对所述第一学习课程和所述第二学习课程触发各种用户行为中的单种用户行为的用户数；
第一计算单元，用于将所述单种用户行为的行为量化值、所述单种用户行为的权重以及所述用户数三者之间的乘积作为所述单种用户行为对应的权值；
第二计算单元，用于将所述各种用户行为各自对应的权值之和作为从所述第一学习课程到所述第二学习课程的关联边权值。
11.根据权利要求9所述的装置，其特征在于，所述路径确定模块，包括：
集合生成单元，用于生成由指定条数的学习路径组成的初始路径集合，所述初始路径集合中的每一条学习路径由所述各个学习课程中的至少两个学习课程按序排列构成；
迭代处理单元，用于根据所述各个学习课程中，每两个学习课程之间的关联边权值，以及所述各个学习课程的推荐属性数值，对所述初始路径集合中的各条学习路径进行N次迭代处理，获得第N次迭代后的路径集合，所述各个学习课程的推荐属性数值用于指示所述各个学习课程的学习效果属性、热门度属性、好评度属性以及价格属性中的至少一种；
路径确定单元，用于根据第N次迭代后的路径集合确定所述推荐学习路径。
12.根据权利要求11所述的装置，其特征在于，所述集合生成单元，包括：
第一确定子单元，用于对于所述初始路径集合中的每一条学习路径，随机确定所述各个学习课程中的一个学习课程为所述学习路径上的初始学习课程；
第二确定子单元，用于随机确定所述学习路径上的学习课程的数量n；
初始路径生成子单元，用于随机生成由所述初始学习课程开始的、由n个学习课程组成且满足预设条件的学习路径。
13.根据权利要求11所述的装置，其特征在于，所述迭代处理单元，包括：
路径推荐值计算子单元，用于在进行第i次迭代计算时，对于第i-1次迭代后的路径集合中的每一条学习路径，根据所述学习路径上相邻两个学习课程中前一学习课程到后一学习课程的关联边权值，以及所述学习路径上每个学习课程的推荐属性数值，计算所述学习路径的路径推荐值；1≤i≤N，且当i＝1时，所述第i-1次迭代后的路径集合为所述初始路径集合；
集合获取子单元，用于获取由所述第i-1次迭代后的路径集合中的各条学习路径中路径推荐值最大的Si条学习路径组成的、新的路径集合；
选择子单元，用于从所述新的路径集合中选择p组学习路径，所述p组学习路径中的每一组学习路径由包含一个相同的学习课程的两条学习路径组成；
交叉子单元，用于将所述p组学习路径中的每一组学习路径以相同的学习课程为界进行交叉操作；
替换子单元，用于对于交叉操作后的所述新的路径集合中的指定学习路径，将所述指定学习路径中，关联边权值最低的至少一组两个学习课程或者推荐属性数值最低的至少一个学习课程进行替换操作，获得满足预设条件的、替换后的学习路径；
其中，替换操作后的所述新的路径为第i次迭代后的路径集合。
14.根据权利要求12或13所述的装置，其特征在于，所述预设条件包括以下条件中的至少一种：
任意相邻两个学习课程中前一学习课程到后一学习课程的关联边权值大于第一预设权值；
相邻两个学习课程中前一学习课程到后一学习课程的关联边权值之和大于第二预设权值；
各个学习课程对应的课程类型的排列顺序满足预设顺序；
单个课程类型对应的学习课程的数量不大于预设数量；
任意学习课程的推荐属性数值不小于第一属性数值；
或者，各个学习课程的推荐属性数值之和不小于第二属性数值。
15.根据权利要求11所述的装置，其特征在于，所述路径确定单元，具体用于：
将所述第N次迭代后的路径集合中，路径推荐值最高的至少一条学习路径确定为所述推荐学习路径。
16.根据权利要求9或15所述的装置，其特征在于，所述装置还包括：
用户确定模块，用于根据所述各个学习课程对应的用户行为数据确定按照所述推荐学习路径进行学习的用户；
信息获取模块，用于获取所述用户的学习效果反馈信息；
信息推送模块，用于对应所述推荐学习路径推送所述效果反馈信息。
CN201610330390.8A 2016-05-18 2016-05-18 课程学习路径推荐方法及装置 Active CN106023015B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610330390.8A CN106023015B (zh) 2016-05-18 2016-05-18 课程学习路径推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610330390.8A CN106023015B (zh) 2016-05-18 2016-05-18 课程学习路径推荐方法及装置

Publications (2)

Publication Number Publication Date
CN106023015A true CN106023015A (zh) 2016-10-12
CN106023015B CN106023015B (zh) 2020-10-09

Family

ID=57098769

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610330390.8A Active CN106023015B (zh) 2016-05-18 2016-05-18 课程学习路径推荐方法及装置

Country Status (1)

Country Link
CN (1) CN106023015B (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107451757A (zh) * 2017-08-18 2017-12-08 深圳市华第时代科技有限公司 在线教学系统的任务提醒方法、装置、服务器及存储介质
CN109191960A (zh) * 2018-09-25 2019-01-11 北京盒子鱼教育科技有限公司 一种教学服务系统和方法
WO2019033430A1 (zh) * 2017-08-18 2019-02-21 深圳市华第时代科技有限公司 在线教学系统的任务提醒方法、装置、服务器及存储介质
CN109670765A (zh) * 2017-10-17 2019-04-23 甲骨文国际公司 学术项目推荐
CN109858806A (zh) * 2019-01-30 2019-06-07 网易（杭州）网络有限公司 数据处理的方法、装置、介质和电子设备
CN110046667A (zh) * 2019-04-19 2019-07-23 华东交通大学 一种基于深度神经网络学习评分数据对的教学评价方法
CN110134871A (zh) * 2019-05-27 2019-08-16 湖南大学 一种基于课程和学习者网络结构的动态课程推荐方法
CN110209845A (zh) * 2018-07-26 2019-09-06 腾讯数码（天津）有限公司 一种多媒体内容的推荐方法、装置及存储介质
CN110491190A (zh) * 2019-07-19 2019-11-22 淮阴工学院 一种课程教育辅助装置
CN110569425A (zh) * 2018-06-06 2019-12-13 微软技术许可有限责任公司 生成定制的学习路径
CN110765355A (zh) * 2019-10-23 2020-02-07 中国银行股份有限公司 金融市场产品交易策略课程的推送方法及装置
CN111008340A (zh) * 2019-12-19 2020-04-14 中国联合网络通信集团有限公司 课程推荐方法、设备和存储介质
CN111210673A (zh) * 2018-11-21 2020-05-29 阿里巴巴集团控股有限公司 课程数据处理方法、装置、终端设备及计算机存储介质
CN111309927A (zh) * 2020-02-17 2020-06-19 山东大学 一种基于知识图谱挖掘的个性化学习路径推荐方法及系统
CN113065342A (zh) * 2021-03-22 2021-07-02 浙江工业大学 一种基于关联关系分析的课程推荐方法
CN113743645A (zh) * 2021-07-16 2021-12-03 广东财经大学 基于路径因素融合的在线教育课程推荐方法
CN113918812A (zh) * 2021-10-11 2022-01-11 北京量子之歌科技有限公司 一种课程学习路径的确定方法、装置、设备和存储介质
CN116228483A (zh) * 2023-05-06 2023-06-06 中诚华隆计算机技术有限公司 基于量子驱动的学习路径推荐方法及装置
CN117273259A (zh) * 2023-06-06 2023-12-22 郭润奇 在线课程学习路径推荐方法和装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101105853A (zh) * 2007-08-16 2008-01-16 上海交通大学 网络教学中基于非零起点的个性化导学系统
CN102737120A (zh) * 2012-06-01 2012-10-17 西安交通大学 一种个性化网络学习资源推荐方法
CN103544663A (zh) * 2013-06-28 2014-01-29 Tcl集团股份有限公司 网络公开课的推荐方法、系统和移动终端
US20150046822A1 (en) * 2013-08-12 2015-02-12 Justin Shelby Kitch Video lesson builder system and method
CN105138624A (zh) * 2015-08-14 2015-12-09 北京矩道优达网络科技有限公司 一种基于在线课程用户数据的个性化推荐方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101105853A (zh) * 2007-08-16 2008-01-16 上海交通大学 网络教学中基于非零起点的个性化导学系统
CN102737120A (zh) * 2012-06-01 2012-10-17 西安交通大学 一种个性化网络学习资源推荐方法
CN103544663A (zh) * 2013-06-28 2014-01-29 Tcl集团股份有限公司 网络公开课的推荐方法、系统和移动终端
US20150046822A1 (en) * 2013-08-12 2015-02-12 Justin Shelby Kitch Video lesson builder system and method
CN105138624A (zh) * 2015-08-14 2015-12-09 北京矩道优达网络科技有限公司 一种基于在线课程用户数据的个性化推荐方法

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019033430A1 (zh) * 2017-08-18 2019-02-21 深圳市华第时代科技有限公司 在线教学系统的任务提醒方法、装置、服务器及存储介质
CN107451757A (zh) * 2017-08-18 2017-12-08 深圳市华第时代科技有限公司 在线教学系统的任务提醒方法、装置、服务器及存储介质
CN109670765A (zh) * 2017-10-17 2019-04-23 甲骨文国际公司 学术项目推荐
CN110569425A (zh) * 2018-06-06 2019-12-13 微软技术许可有限责任公司 生成定制的学习路径
CN110209845B (zh) * 2018-07-26 2024-01-30 腾讯数码（天津）有限公司 一种多媒体内容的推荐方法、装置及存储介质
CN110209845A (zh) * 2018-07-26 2019-09-06 腾讯数码（天津）有限公司 一种多媒体内容的推荐方法、装置及存储介质
CN109191960A (zh) * 2018-09-25 2019-01-11 北京盒子鱼教育科技有限公司 一种教学服务系统和方法
CN111210673A (zh) * 2018-11-21 2020-05-29 阿里巴巴集团控股有限公司 课程数据处理方法、装置、终端设备及计算机存储介质
CN109858806A (zh) * 2019-01-30 2019-06-07 网易（杭州）网络有限公司 数据处理的方法、装置、介质和电子设备
CN110046667B (zh) * 2019-04-19 2022-08-12 华东交通大学 一种基于深度神经网络学习评分数据对的教学评价方法
CN110046667A (zh) * 2019-04-19 2019-07-23 华东交通大学 一种基于深度神经网络学习评分数据对的教学评价方法
CN110134871A (zh) * 2019-05-27 2019-08-16 湖南大学 一种基于课程和学习者网络结构的动态课程推荐方法
CN110491190A (zh) * 2019-07-19 2019-11-22 淮阴工学院 一种课程教育辅助装置
CN110491190B (zh) * 2019-07-19 2021-05-25 淮阴工学院 一种课程教育辅助装置
CN110765355A (zh) * 2019-10-23 2020-02-07 中国银行股份有限公司 金融市场产品交易策略课程的推送方法及装置
CN111008340A (zh) * 2019-12-19 2020-04-14 中国联合网络通信集团有限公司 课程推荐方法、设备和存储介质
CN111309927A (zh) * 2020-02-17 2020-06-19 山东大学 一种基于知识图谱挖掘的个性化学习路径推荐方法及系统
CN113065342A (zh) * 2021-03-22 2021-07-02 浙江工业大学 一种基于关联关系分析的课程推荐方法
CN113065342B (zh) * 2021-03-22 2024-03-22 浙江工业大学 一种基于关联关系分析的课程推荐方法
CN113743645A (zh) * 2021-07-16 2021-12-03 广东财经大学 基于路径因素融合的在线教育课程推荐方法
CN113743645B (zh) * 2021-07-16 2024-02-02 广东财经大学 基于路径因素融合的在线教育课程推荐方法
CN113918812A (zh) * 2021-10-11 2022-01-11 北京量子之歌科技有限公司 一种课程学习路径的确定方法、装置、设备和存储介质
CN116228483A (zh) * 2023-05-06 2023-06-06 中诚华隆计算机技术有限公司 基于量子驱动的学习路径推荐方法及装置
CN117273259A (zh) * 2023-06-06 2023-12-22 郭润奇 在线课程学习路径推荐方法和装置
CN117273259B (zh) * 2023-06-06 2024-05-31 郭润奇 在线课程学习路径推荐方法和装置

Also Published As

Publication number Publication date
CN106023015B (zh) 2020-10-09

Similar Documents

Publication Publication Date Title
CN106023015A (zh) 课程学习路径推荐方法及装置
Senanayake et al. The pagerank-index: Going beyond citation counts in quantifying scientific impact of researchers
CN105045831B (zh) 一种消息推送方法及装置
US8942470B2 (en) Sentiment classification using out of domain data
CN108829808A (zh) 一种页面个性化排序方法、装置及电子设备
Runarsson Constrained evolutionary optimization by approximate ranking and surrogate models
Lim et al. Determining content power users in a blog network: an approach and its applications
CN101582101A (zh) 利用计算机系统为用户提供个性化学习的方法及其装置
CN106156965A (zh) 一种物流服务调度方法与设备
CN107895213A (zh) 消费额度的预测方法、装置及电子设备
Lhee et al. Prediction of financial contingency for asphalt resurfacing projects using artificial neural networks
Xia et al. Personalized exercise recommendation algorithm combining learning objective and assignment feedback
CN108920665A (zh) 基于网络结构和评论文本的推荐评分方法及装置
CN108446297A (zh) 一种推荐方法及装置，电子设备
Ulz et al. Human computation for constraint-based recommenders
CN108563749A (zh) 基于多维度信息和知识网络的在线教育系统资源推荐方法
Chang et al. Applying learning behavioral Petri nets to the analysis of learning behavior in web-based learning environments
US10313457B2 (en) Collaborative filtering in directed graph
CN114969528A (zh) 基于能力评测的用户画像和学习路径推荐方法、装置及设备
Tzeng et al. Massive open online course recommendation system based on a reinforcement learning algorithm
Brambilla et al. An explorative approach for crowdsourcing tasks design
Serrano Smart internet search with random neural networks
CN111062449A (zh) 预测模型的训练方法、兴趣度预测方法、装置和存储介质
Stavinova et al. Synthetic data-based simulators for recommender systems: A survey
Rao et al. Choice based conjoint studies: design and analysis

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant