CN106202453A - 一种多媒体资源推荐方法和装置 - Google Patents

一种多媒体资源推荐方法和装置 Download PDF

Info

Publication number
CN106202453A
CN106202453A CN201610556185.3A CN201610556185A CN106202453A CN 106202453 A CN106202453 A CN 106202453A CN 201610556185 A CN201610556185 A CN 201610556185A CN 106202453 A CN106202453 A CN 106202453A
Authority
CN
China
Prior art keywords
knowledge point
user
answer
resource
error rate
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
CN201610556185.3A
Other languages
English (en)
Other versions
CN106202453B (zh
Inventor
马志强
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.)
Netease Hangzhou Network Co Ltd
Original Assignee
Netease Hangzhou Network 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 Netease Hangzhou Network Co Ltd filed Critical Netease Hangzhou Network Co Ltd
Priority to CN201610556185.3A priority Critical patent/CN106202453B/zh
Publication of CN106202453A publication Critical patent/CN106202453A/zh
Application granted granted Critical
Publication of CN106202453B publication Critical patent/CN106202453B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/48—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/43—Querying
    • G06F16/435—Filtering based on additional data, e.g. user or group profiles
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • Library & Information Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明的实施方式提供了一种多媒体资源推荐方法。该多媒体资源推荐方法包括：在接收到资源推荐指令时，根据其中携带的用户标识获取对应的历史答题数据；根据存储的历史答题数据和知识点的关联关系，获取对应的多个知识点；针对获取的所述多个知识点中的每一知识点，分别统计该知识点对应的答题错误率；针对所述每一知识点，根据统计得到的该知识点对应的所述答题错误率，向用户终端进行资源推荐。上述过程中，针对不同的用户根据其自身答题情况进行试题推荐，使得推荐的试题更加符合用户需求，从而提高了试题推荐的准确性，为用户带来了更好的体验。此外，本发明的实施方式提供了一种多媒体资源推荐装置。

Description

一种多媒体资源推荐方法和装置
技术领域
本发明的实施方式涉及信息推荐技术领域，更具体地，本发明的实施方式涉及一种多媒体资源推荐方法和装置。
背景技术
本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
随着移动通信技术的飞速发展和移动多媒体时代的到来，手机和平板电脑等终端越来越智能化，其已从简单的通信娱乐工具演变成一个移动的信息收集和处理平台。利用手机或者平板电脑等智能终端进行在线学习成为新兴的辅助教学手段。在线学习包括用户利用安装于智能终端中的在线学习客户端进行答题练习、答题测试等等。答题的题库通常可以由服务器端提供或者在客户端中预置。
发明内容
但是，现有技术中的在线学习客户端在为用户推荐题目时，通常以题目自身属性这一单一维度为依据进行推荐，例如题目所属的知识点或者题目难易程度等。而无法根据用户答题情况进行推荐，由于用户个体差异，不同用户对相同的知识点或者同一用户对不同知识点的掌握程度并不同，而在线学习客户端在进行试题推荐时没有考虑这些差异，为不同的用户推荐的试题没有体现差异性，使得用户利用在线学习客户端进行学习时无法达到预期效果，降低了试题推荐的准确性。
为此，非常需要一种改进的试题推荐方法，用以针对不同的用户进行差异性推荐，提高试题推荐准确性。
在本上下文中，本发明的实施方式期望提供一种多媒体资源推荐方法和装置。
在本发明实施方式的第一方面中，提供了一种多媒体资源推荐方法，包括：
在接收到资源推荐指令时，根据所述资源推荐指令中携带的用户标识获取所述用户标识对应的历史答题数据；
根据存储的历史答题数据和知识点的关联关系，获取所述历史答题数据对应的多个知识点；
针对所述多个知识点中的每一知识点，分别统计该知识点对应的答题错误率；
针对所述每一知识点，根据统计得到的该知识点对应的所述答题错误率，向用户终端进行资源推荐。
在本发明实施方式的第二方面中，提供了一种多媒体资源推荐装置，包括：
第一获取单元，用于在接收到资源推荐指令时，根据所述资源推荐指令中携带的用户标识获取所述用户标识对应的历史答题数据；
第二获取单元，用于根据存储的历史答题数据和知识点的关联关系，获取所述历史答题数据对应的多个知识点；
第一统计单元，用于针对获取的所述多个知识点中的每一知识点，分别统计该知识点对应的答题错误率；
资源推荐单元，用于针对所述每一知识点，根据统计得到的该知识点对应的所述答题错误率向用户终端进行资源推荐。
在本发明实施方式的第三方面中，提供了一种多媒体资源推荐装置，例如，可以包括存储器和处理器，其中，处理器可以用于读取存储器中的程序，执行下列过程：在接收到资源推荐指令时，根据所述资源推荐指令中携带的用户标识获取所述用户标识对应的历史答题数据；根据存储的历史答题数据和知识点的关联关系，获取所述历史答题数据对应的多个知识点；针对获取的所述多个知识点中的每一知识点，分别统计该知识点对应的答题错误率；针对每一知识点，根据统计得到的该知识点对应的所述答题错误率，向用户终端进行资源推荐。
在本发明实施方式的第四方面中，提供了一种程序产品，其包括程序代码，当所述程序产品运行时，所述程序代码用于执行以下过程：在接收到资源推荐指令时，根据所述资源推荐指令中携带的用户标识获取所述用户标识对应的历史答题数据；根据存储的历史答题数据和知识点的关联关系，获取所述历史答题数据对应的多个知识点；针对获取的所述多个知识点中的每一知识点，分别统计该知识点对应的答题错误率；针对每一知识点，根据统计得到的该知识点对应的所述答题错误率，向用户终端进行资源推荐。
根据本发明实施方式的多媒体资源推荐方法和装置，可以根据用户的历史答题数据对多个知识点的答题错误率进行统计，并根据统计结果向用户推荐资源，上述过程中，针对不同的用户根据其自身答题情况进行试题推荐，使得推荐的试题更加符合用户需求，从而提高了试题推荐的准确性，为用户带来了更好的体验。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：
图1示意性地示出了根据本发明实施方式的应用场景示意图；
图2示意性地示出了根据本发明实施方式的多媒体资源推荐方法实施流程示意图；
图3示意性地示出了根据本发明实施方式的根据统计得到的每一知识点的答题错误率向用户推荐资源的流程示意图；
图4示意性地示出了根据本发明另一实施例的多媒体资源推荐流程示意图；
图5示意性地示出了根据本发明又一实施例的多媒体资源推荐装置的结构示意图；
图6示意性地示出了根据本发明再一实施例的多媒体资源推荐装置的结构示意图；
图7示意性地示出了根据本发明再一实施例的多媒体资源推荐装置的程序产品示意图；
在附图中，相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
根据本发明的实施方式，提出了一种多媒体资源推荐方法和装置。
在本文中，需要理解的是，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。
下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。
发明概述
本发明人发现，现有的基于在线学习的试题推荐方式，只能够根据题目所属的知识点或者题目难易程度等这一单一维度进行推荐，而无法结合用户答题情况进行推荐，由于用户个体差异，不同用户对相同的知识点或者同一用户对不同知识点的掌握程度并不同，而在线学习客户端在进行试题推荐时没有考虑这些差异，为不同的用户推荐的试题没有体现差异性，使得用户利用在线学习客户端进行学习时无法达到预期效果，降低了试题推荐的准确性。
为了解决这个问题，本发明实施例中，首先获取用户对应的历史答题数据，并根据历史答题数据和知识点的关联关系，确定历史答题数据对应的每一知识点，针对历史答题数据包含的每一知识点，分别统计该知识点对应的答题错误率，根据得到的答题错误率，向用户终端进行资源推荐。由于答题错误率能够体现用户对知识点的掌握程度，错误率越高，说明用户对该知识点的掌握程度越薄弱，因此，可以向用户推荐答题错误率高的知识点的试题。
在介绍了本发明的基本原理之后，下面具体介绍本发明的各种非限制性实施方式。
应用场景总览
首先参考图1，其为本发明实施例的应用场景示意图。用户10通过终端11中安装的在线学习客户端访问在线学习服务器12，其中，在线学习客户端可以为网页的浏览器，也可以为安装于移动终端，如手机，平板电脑等中的客户端。
终端11与在线学习服务器12之间通过网络进行通信连接，该网络可以为局域网、广域网等。终端11可以为便携设备(例如：手机、平板、笔记本电脑等)，也可以为个人电脑(PC，Personal Computer)，在线学习服务器12可以为任何能够提供互联网服务的设备。
其中，用户10可以利用终端11通过向在线学习服务器12注册获得用户标识，在线学习服务器12在用户进行注册成功后存储用户标识以及与用户10设置的用户密码作为认证信息，后续用户10可以利用用户标识和设置的用户密码通过终端11登录在线学习服务器12以获取试题资源。
较佳的，在用户注册过程中，在线学习服务器12还可以获取用户的相关属性信息并存储，如用户所在区域，就读学校和年级等。
具体实施时，在线学习服务器12需预先在特定的存储空间或者数据库中存储题库，题库中存储有试题资源，题库中的试题资源可以为预先录入的。
较佳的，试题资源可以按照不同的知识点分类存储，每一知识点对应的试题资源还可以按照难易程度划分为多个级别，用户10登录在线学习服务器12后可以选择不同的知识点进行答题。初始时，由于在线学习服务器12中没有用户相关的答题数据，这种情况下，在线学习服务器12可以根据用户选择的知识点，为用户推荐该知识点最低难度级别的试题。在积累了一定的答题数据后，在线学习服务器12可以根据用户的答题错误率进行试题推荐。
示例性方法
下面结合图1的应用场景，参考图2-图4来描述根据本发明示例性实施方式的多媒体资源推荐方法。需要注意的是，上述应用场景仅是为了便于理解本发明的精神和原理而示出，本发明的实施方式在此方面不受任何限制。相反，本发明的实施方式可以应用于适用的任何场景。
如图2所示，其为本发明实施例提供的多媒体资源推荐方法的实施流程示意图，可以包括以下步骤：
S21、在接收到资源推荐指令时，根据资源推荐指令中携带的用户标识获取该用户标识对应的历史答题数据。
具体实施时，资源推荐可以由在线学习服务器主动推荐，也可以为被动推荐，即在线学习服务器在接收到客户端的资源推荐请求后再进行资源推荐。如果为在线学习服务器主动推荐方式，则在线学习服务器可以在用户利用终端11登录成功后，即可确定接收到资源推荐指令，并根据登录成功的用户标识获取对应的历史答题数据；如果为被动推荐，则在线学习服务器可以在接收到用户通过在线客户端发送的资源推荐请求时，将接收到的资源推荐确定为资源推荐指令，并根据资源推荐请求中携带的用户标识获取该用户标识对应的历史答题数据。
S22、根据存储的历史答题数据和知识点的关联关系，获取历史答题数据对应的多个知识点。
在线学习服务器12获取到相应的历史答题数据后，还需要进一步地根据预先存储的历史答题数据和知识点的关联关系确定历史答题数据包含的题目对应的多个知识点，即对该用户标识对应的历史答题数据进行分类，以便分别统计多个知识点的答题情况，例如，统计多个知识点的总答题数量，答题的错误率等。
S23、针对获取的多个知识点中的每一知识点，分别统计该知识点对应的答题错误率。
本步骤中，在线学习服务器针对获取的多个知识点中的每一知识点，分别统计该知识点的答题总数量和答题错误的题目数量，并据此计算得到该知识点的答题错误率。
S24、针对每一知识点，根据统计得到的该知识点对应的答题错误率，向用户终端进行资源推荐。
具体实施时，针对每一知识点，可以将该知识点对应的试题资源按照难易程度划分为多个级别，在向用户终端推荐试题资源时，可以按照由易到难的顺序依次进行推荐。
基于此，步骤S24中，可以按照图3所示的流程实施：
S31、针对获取的多个知识点中的每一知识点，分别统计该知识点当前级别难易程度下的答题错误率。
即在线学习服务器根据获取的历史答题数据，针对获取的多个知识点中的每一知识点，确定用户当前所属的难易程度级别，其中，该知识点可以为用户通过客户端选择的，如果用户没有选择知识点，则在线学习服务器可以针对用户的历史答题数据中包含的多个知识点中的每一知识点分别确定用户当前所属的难易程度级别，或者线学习服务器可以针对用户的历史答题数据中包含的多个知识点中的每一知识点随机选择一知识点确定用户当前所属的难易程度级别。假设针对某知识点，用户当前所属难易程度级别为初级。则在线学习服务器统计用户在该级别下的答题错误率，即在线学习服务器分别统计该级别下的答题总数量和答错题目总数量，根据答错题目总数量与答题总数量的比值确定在该级别下的答题错误率。
S32、针对所述每一知识点，如果该知识点当前级别难易程度下的答题错误率高于第一阈值，则推荐知识点讲解资源，和/或该知识点当前级别难易程度的试题资源，和/或学习技巧讲解资源；如果该知识点当前级别难易程度下的答题错误率不高于所述第一阈值，则推荐该知识点对应的、高一级别难易程度的试题资源。
本步骤中，根据步骤S31统计得到的某知识点当前级别下的答题错误率，如果该错误率高于第一阈值，例如，某知识点当前级别下的答题错误率高于15％，则推荐知识点讲解资源，和/或该知识点当前级别难易程度的试题资源，和/或学习技巧讲解资源；如果该知识点当前级别难易程度下的答题错误率不高于第一阈值，则推荐该知识点对应的、高一级别难易程度的试题资源。本例中，如果用户针对每一知识点的初级试题资源的答题错误率不高于15％，则可以向该用户推荐中级难易程度的试题资源。
较佳地，为了提高资源推荐的准确性，避免由于偶然事件导致的推荐误差，本发明实施例中，还可以针对每一知识点当前级别的答题总数量进行统计，即针对每一知识点，如果用户的答题总数量超过第二阈值，再推荐该知识点对应的、高一级别难易程度的试题资源；如果用户的答题总数量不超过第二阈值，则推荐该知识点对应的、当前级别难易程度下的试题资源。
以第二阈值为50题为例，针对某知识点初级试题资源，如果在线学习服务器统计用户的答题总数量超过50题，且答题错误率不高于15％，则在线学习服务器向用户推荐该知识点中级难易程度的试题资源。如果在线学习服务器统计用户的答题总数量不超过50题，即使答题错误率不高于15％，则在线学习服务器继续向该用户推荐初级试题资源。
具体实施时，在线学习服务器还可以针对用户跳过的试题题目进行统计，如果针对某一知识点用户连续跳过的次数达到预设值，例如用户连续跳过5次则在线学习服务器在本次资源推荐过程中不再向用户推荐该知识点对应的试题资源。
为了更好的理解本发明，以下结合试题资源推荐流程对本发明实施例的具体实施过程进行说明。
如图4所示，其为本发明实施例提供的试题资源推荐流程示意图，可以包括以下步骤：
S41、在线学习服务器接收资源推荐指令。
其中，资源推荐指令中携带有用户标识，如果为在线学习服务器主动推荐，用户标识即为用户登录时通过客户端提交的用户标识；如果为在线学习服务器被动推荐，则资源推荐指令可以为用户登录在线学习服务器成功后向在线学习服务器发送的资源推荐请求，在资源推荐请求中携带有用户标识。
S42、在线学习服务器获取用户标识对应的历史答题数据。
在线学习服务器在自身存储的历史数据中，查找该用户标识对应的历史答题数据。
S43、在线学习服务器根据存储的历史答题数据和知识点的关联关系，确定历史答题数据对应的多个知识点。
具体实施时，在线学习服务器根据存储的历史答题数据和知识点的关联关系，确定答题历史数据中包含的题目所对应的知识点。
为了便于描述，以获取的历史答题数据中包含92道题目，其中，涉及到A、B和C三个知识点为例。
S44、针对获取的多个知识点中的每一知识点对应的难易程度级别，分别统计该知识点当前难易程度级别下的答题错误率。
步骤S44中，在线学习服务器针对所述每一知识点分别统计该知识点当前难易程度级别下的答题数量和答错题目数量，以初级难易程度的知识点A对应的答题数量为52，答错题目数量为4为例，中级难易程度的知识点B对应的答题数量为12，答错题目数量为1，初级难易程度的知识点C对应的答题数量为28，答错题目数量为10为例，则在线学习服务器可以分别确定知识点A初级难易程度下的答题错误率为4/52＝76.9％，知识点B中级难易程度下的答题错误率为1/12＝83.3％，知识点C初级难易程度下的答题错误率为10/28＝35.7％。
S45、针对所述每一知识点，判断该知识点当前难易程度下的答题错误率是否超过第一阈值，如果是，则执行步骤S46，如果否，则执行步骤S47。
为了便于描述，以第一阈值为15％为例，针对每一知识点，分别判断该知识点当前难易程度级别下的错误率是否超过15％。
S46、推荐知识点讲解资源，和/或该知识点当前级别难易程度的试题资源，和/或学习技巧讲解资源，流程结束。
针对每一知识点，如果该知识点当前难易程度下的答题错误率超过15％，则针对该知识点，可以推荐以下至少一项内容：该知识点讲解资源，该知识点当前级别难易程度的试题资源，学习技巧讲解资源。
较佳的，具体实施时可以按照以下方式实施：如果该知识点当前难易程度下的答题错误率超过15％，则针对该知识点推荐该知识点当前难易程度的试题资源，并根据用户答题情况继续对答题错误率进行统计，如果答题错误率持续超过15％，则可以推荐知识点讲解视频内容和/或学习技巧讲解资源。如果根据用户答题情况，答题错误率低于15％，则可以进一步判断该知识点当前难易程度下的答题总数量，如果答题总数量超过第二阈值，则可以继续推荐该知识点下一难易程度级别的试题资源，并统计相应的答题错误率；如果答题数量不超过第二阈值，则继续推荐该知识点当前级别难易程度下的试题资源，并继续统计相应的答题错误率。
S47、针对每一知识点，统计该知识点当前难易程度级别下的答题总数量。
S48、针对每一知识点，判断该知识点当前难易程度下的答题总数量是否超过第二阈值，如果是，执行步骤S49，如果否，执行步骤S410。
S49、针对该知识点，推荐该知识点下一难易程度级别的试题资源，并返回执行步骤S44。
S410、针对该知识点，推荐该知识点当前难易程度级别下的试题资源，并返回执行步骤S44。
较佳的，具体实施时，针对每一知识点，在线学习服务器还可以统计用户跳过该知识点的题目数量，如果用户连续多次跳过该知识点，例如，用户连续5次跳过该知识点，则不再向该用户推荐该知识点。
较佳地，具体实施时，在线学习服务器在接收到资源推荐指令时，还可以根据记录的用户属性信息，确定与资源推荐指令中携带的用户标识对应的用户匹配的目标用户，并结合目标用户的历史答题数据进行资源推荐。
基于此，本发明实施例提供的多媒体资源推荐方法，还可以包括以下步骤：
步骤一、获取资源推荐指令中的用户标识对应用户的用户属性信息。
其中，用户属相信息至少应包括用户的年级信息；以及以下信息中的至少一项：区域信息和学校信息。
步骤二、确定目标用户。
具体实施时，在线学习服务器可以确定用户属性信息与资源推荐指令中的用户标识对应用户的用户属相信息匹配的用户为目标用户，其中，用户属性信息匹配是指至少用户属性信息中的年级信息相同，也就是说确定至少用户属性信息中的年级信息与所述用户标识对应用户的年级信息相同的用户为所述目标用户。如果区域信息和学校信息也相同，则能够进一步提高资源推荐的准确性。
步骤三、根据每一目标用户的历史答题数据，统计得到错题排行榜。
其中，所述错题排行榜中包括超过预设比例的目标用户答错的试题资源。
步骤四、向资源推荐指令中携带的用户标识对应的用户推荐所述错题排行榜。
较佳地，具体实施时，在线学习服务器还可以针对资源推荐指令中携带的用户标识对应的用户生成学习报告，所述学习报告中可以包含有以下至少一项：所述用户标识对应的用户在其所属用户群体中排名、每一知识点的答题错误率、每一知识点的学习进度等等，其中，用户标识对应的用户所属用户群体中可以包括该用户和用户属性信息与该用户的用户属性信息匹配的目标用户；或者在线学习服务器还可以根据答题错误率情况预测该用户的薄弱知识点，并针对预测出的薄弱知识点推荐相应知识点的试题资源等等。
进一步地，在线学习服务器还可以针对资源推荐指令中携带的用户标识对应的用户生成学习计划，该学习计划中包括推荐的资源及其对应的完成时间信息等等。
具体实施时，在线学习服务器还可以推荐确定出的目标用户与该用户互相添加彼此为好友，添加好友后两人可以在线讨论题目，互相督促学习等等。
本发明实施例提供的多媒体资源推荐方法，针对现有的试题推荐方法中推荐准确性降低的问题，通过对用户的历史答题数据进行统计得到用户历史答题数据对应的多个知识点中的每一知识点不同难易程度级别下的答题错误率，如果答题错误率低于预设第一阈值，则进一步统计该知识点当前难易程度级别下的答题总数量，如果答题数量高于预设第二阈值，则向用户推荐该知识点下一难易程度级别的试题资源；如果答题数量不高于预设第二阈值，则向用户推荐该知识点当前难易程度级别的试题资源；而如果用户针对该知识点当前难易程度级别下的答题错误率高于预设第一阈值，则向用户推荐以下至少以下：该知识点当前难易程度级别下的试题资源，知识点讲解资源，学习技巧等；进一步地，还可以根据用户各知识点的答题错误率预测其薄弱知识点，推荐相应知识点的试题资源给用户；根据本发明实施例，还可以结合用户属性类似的目标用户的历史答题数据，分析得到目标用户的错题排行榜推荐给用户。上述过程中，由于针对不同的用户推荐不同的试题资源，并根据用户答题情况有针对性的进行推荐，而不再是不加区分的统一推荐，从而推荐的试题更符合用户需求，提高了试题推荐的准确性，并提高了用户体验。
示例性设备
在介绍了本发明示例性实施方式的方法之后，接下来，参考图5对本发明示例性实施方式的、多媒体资源推荐装置。
如图5所示，其为本发明实施例提供的多媒体资源推荐装置的结构示意图，可以包括：
第一获取单元51，用于在接收到资源推荐指令时，根据所述资源推荐指令中携带的用户标识获取所述用户标识对应的历史答题数据；
第二获取单元52，用于根据存储的历史答题数据和知识点的关联关系，获取所述历史答题数据对应的多个知识点；
第一统计单元53，用于针对获取的所述多个知识点中的每一知识点，分别统计该知识点对应的答题错误率；
资源推荐单元54，用于针对每一知识点，根据统计得到的该知识点对应的所述答题错误率向用户终端进行资源推荐。
较佳地，每一知识点的试题资源按照难易程度划分为多个级别。
第一统计单元53，具体用于针对每一知识点，分别统计该知识点当前级别难易程度下的答题错误率；
所述资源推荐单元54，具体用于针对每一知识点，如果该知识点当前级别难易程度下的答题错误率高于第一阈值，则推荐知识点讲解资源，和/或该知识点当前级别难易程度的试题资源，和/或学习技巧讲解资源；如果该知识点任一级别难易程度下的答题错误率不高于所述第一阈值，则推荐该知识点对应的、高一级别难易程度的试题资源。
可选地，本发明实施例提供的多媒体资源推荐装置，还可以包括第二统计单元55，其中：
所述第二统计单元55，用于如果该知识点当前级别难易程度下的答题错误率不高于所述第一阈值，统计该知识点当前级别难易程度下的答题总数量；
所述资源推荐单元54，用于当所述答题总数量超过第二阈值时，推荐该知识点对应的、高一级别难易程度的试题资源；以及如果所述答题总数量不超过所述第二阈值，则推荐该知识点对应的、当前级别难易程度下的试题资源。
可选地，本发明实施例提供的多媒体资源推荐装置，还可以包括第四统计单元511，其中：
所述第四统计单元511，用于针对所述每一知识点，分别统计所述用户标识所对应用户跳过该知识点对应的试题资源的总次数；
所述资源推荐单元54，还用于如果所述总次数超过预设值，则不再推荐该知识点对应的试题资源。
可选地，本发明实施例提供的多媒体资源推荐装置，还可以包括第三获取单元56、确定单元57和第三统计单元58，其中：
所述第三获取单元56，用于获取所述用户标识对应用户的用户属性信息；
其中，所述用户属性信息包括年级信息、区域信息、学校信息。
所述确定单元57，用于确定目标用户，所述目标用户的用户属性信息与所述用户标识对应用户的用户属性信息匹配；
具体实施时，确定单元57，具体用于确定至少用户属性信息中的年级信息与所述用户标识对应用户的年级信息相同的用户为所述目标用户。
所述第三统计单元58，用于根据每一目标用户的历史答题数据，统计得到错题排行榜，所述错题排行榜中包括超过预设比例的目标用户答错的试题资源；
所述资源推荐单元54，用于向所述用户标识对应的用户推荐所述错题排行榜。
可选地，本发明实施例提供的多媒体资源推荐装置，还可以包括：
第一生成单元59，用于针对所述用户标识对应的用户生成学习报告，所述学习报告中包含有以下至少一项：所述用户标识对应的用户在其所属用户群体中排名、每一知识点的答题错误率、每一知识点的学习进度。
可选地，本发明实施例提供的多媒体资源推荐装置，还可以包括：
第二生成单元510，用于针对所述用户标识对应的用户生成学习计划，所述学习计划中包括向所述用户推荐的资源及其对应的完成时间信息。
在介绍了本发明示例性实施方式的方法和装置之后，接下来，介绍根据本发明的另一示例性实施方式的多媒体资源推荐装置。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施方式中，根据本发明的消息提示装置可以包括至少一个处理单元、以及至少一个存储单元。其中，所述存储单元存储有程序代码，当所述程序代码被所述处理单元执行时，使得所述处理单元执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的消息提示方法中的各种步骤。例如，所述处理单元可以执行如图2中所示的步骤S21，在接收到资源推荐指令时，根据资源推荐指令中携带的用户标识获取该用户标识对应的历史答题数据，步骤S22，根据存储的历史答题数据和知识点的关联关系，获取历史答题数据对应的多个知识点；以及步骤S23，针对获取的所述多个知识点中的每一知识点，分别统计该知识点对应的答题错误率；步骤S24、针对所述每一知识点，根据统计得到的该知识点对应的答题错误率，向用户终端进行资源推荐。
下面参照图6来描述根据本发明的这种实施方式的多媒体资源推荐装置60。图6显示的多媒体资源推荐装置仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，多媒体资源推荐装置60可以以通用计算设备的形式表现，例如其可以为服务器设备。多媒体资源推荐装置60的组件可以包括但不限于：上述至少一个处理单元61、上述至少一个存储单元62、连接不同系统组件(包括存储单元62和处理单元61)的总线63。
总线63表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储单元62可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)621和/或高速缓存存储器622，还可以进一步包括只读存储器(ROM)623。
存储单元62还可以包括具有一组(至少一个)程序模块624的程序/实用工具625，这样的程序模块624包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
多媒体资源推荐装置60也可以与一个或多个外部设备64(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与多媒体资源推荐装置60交互的设备通信，和/或与使得该多媒体资源推荐装置60能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口65进行。并且，多媒体资源推荐装置60还可以通过网络适配器66与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器66通过总线63与多媒体资源推荐装置60的其它模块通信。应当明白，尽管图中未示出，可以结合多媒体资源推荐装置60使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
示例性程序产品
在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在服务器设备上运行时，所述程序代码用于使所述服务器设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的多媒体资源推荐方法中的步骤，例如，所述服务器设备可以执行如图2中所示的步骤S21，在接收到资源推荐指令时，根据资源推荐指令中携带的用户标识获取该用户标识对应的历史答题数据，步骤S22，根据存储的历史答题数据和知识点的关联关系，获取历史答题数据对应的多个知识点；以及步骤S23，针对获取的所述多个知识点中的每一知识点，分别统计该知识点对应的答题错误率；步骤S24、针对每一知识点，根据统计得到的该知识点对应的答题错误率，向用户终端进行资源推荐。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
如图7所示，描述了根据本发明的实施方式的用于多媒体资源推荐的程序产品70，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在服务器设备上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
虽然已经参考若干具体实施方式描述了本发明的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合以进行受益，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。

Claims (10)

1.一种多媒体资源推荐方法，包括：
在接收到资源推荐指令时，根据所述资源推荐指令中携带的用户标识获取所述用户标识对应的历史答题数据；
根据存储的历史答题数据和知识点的关联关系，获取所述历史答题数据对应的多个知识点；
针对获取的所述多个知识点中的每一知识点，分别统计该知识点对应的答题错误率；
针对所述每一知识点，根据统计得到的该知识点对应的所述答题错误率，向用户终端进行资源推荐。
2.根据权利要求1所述的方法，每一知识点的试题资源按照难易程度划分为多个级别；以及
针对所述每一知识点，分别统计该知识点对应的答题错误率，具体包括：
针对所述每一知识点，分别统计该知识点当前级别难易程度下的答题错误率；以及
根据统计得到的该知识点对应的所述的答题错误率，向用户终端进行资源推荐，具体包括：
针对每一知识点，如果该知识点当前级别难易程度下的答题错误率高于第一阈值，则推荐知识点讲解资源，和/或该知识点当前级别难易程度的试题资源，和/或学习技巧讲解资源；
如果该知识点当前级别难易程度下的答题错误率不高于所述第一阈值，则推荐该知识点对应的、高一级别难易程度的试题资源。
3.根据权利要求2所述的方法，如果该知识点当前级别难易程度下的答题错误率不高于所述第一阈值，则推荐该知识点对应的、高一级别难易程度的试题资源之前，还包括：
统计该知识点当前级别难易程度下的答题总数量；以及
推荐该知识点对应的、高一级别难易程度的试题资源，具体包括：
当所述答题总数量超过第二阈值时，推荐该知识点对应的、高一级别难易程度的试题资源；以及
所述方法，还包括：
如果所述答题总数量不超过所述第二阈值，则推荐该知识点对应的、当前级别难易程度下的试题资源。
4.根据权利要求1、2或3所述的方法，还包括：
针对所述每一知识点，分别统计所述用户标识所对应用户连续跳过该知识点对应的试题资源的总次数；
如果所述总次数超过预设值，则不再推荐该知识点对应的试题资源。
5.根据权利要求1、2或3所述的方法，还包括：
获取所述用户标识对应用户的用户属性信息；
确定目标用户，所述目标用户的用户属性信息与所述用户标识对应用户的用户属性信息匹配；
根据每一目标用户的历史答题数据，统计得到错题排行榜，所述错题排行榜中包括超过预设比例的目标用户答错的试题资源；
向所述用户标识对应的用户推荐所述错题排行榜。
6.根据权利要求5所述的方法，所述用户属性信息包括年级信息以及以下信息中的至少一项：区域信息、学校信息；以及
确定用户属性信息与所述用户标识对应用户的用户属性信息匹配的目标用户，具体包括：
确定至少用户属性信息中的年级信息与所述用户标识对应用户的年级信息相同的用户为所述目标用户。
7.根据权利要求6所述的方法，还包括：
针对所述用户标识对应的用户生成学习报告，所述学习报告中包含有以下至少一项：所述用户标识对应的用户在其所属用户群体中排名、每一知识点的答题错误率、每一知识点的学习进度。
8.根据权利要求1、2或3所述的方法，还包括：
针对所述用户标识对应的用户生成学习计划，所述学习计划中包括推荐的资源及其对应的完成时间信息。
9.一种多媒体资源推荐装置，包括：
第一获取单元，用于在接收到资源推荐指令时，根据所述资源推荐指令中携带的用户标识获取所述用户标识对应的历史答题数据；
第二获取单元，用于根据存储的历史答题数据和知识点的关联关系，获取所述历史答题数据对应的多个知识点；
第一统计单元，用于针对获取的所述多个知识点中的每一知识点，分别统计该知识点对应的答题错误率；
资源推荐单元，用于针对所述每一知识点，根据统计得到的该知识点对应的所述答题错误率向用户终端进行资源推荐。
10.根据权利要求9所述的装置，每一知识点的试题资源按照难易程度划分为多个级别；以及
所述第一统计单元，具体用于针对所述每一知识点，分别统计该知识点当前级别难易程度下的答题错误率；
所述资源推荐单元，具体用于针对所述每一知识点，如果该知识点当前级别难易程度下的答题错误率高于第一阈值，则推荐知识点讲解资源，和/或该知识点当前级别难易程度的试题资源，和/或学习技巧讲解资源；如果该知识点任一级别难易程度下的答题错误率不高于所述第一阈值，则推荐该知识点对应的、高一级别难易程度的试题资源。
CN201610556185.3A 2016-07-13 2016-07-13 一种多媒体资源推荐方法和装置 Active CN106202453B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610556185.3A CN106202453B (zh) 2016-07-13 2016-07-13 一种多媒体资源推荐方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610556185.3A CN106202453B (zh) 2016-07-13 2016-07-13 一种多媒体资源推荐方法和装置

Publications (2)

Publication Number Publication Date
CN106202453A true CN106202453A (zh) 2016-12-07
CN106202453B CN106202453B (zh) 2020-08-04

Family

ID=57474316

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610556185.3A Active CN106202453B (zh) 2016-07-13 2016-07-13 一种多媒体资源推荐方法和装置

Country Status (1)

Country Link
CN (1) CN106202453B (zh)

Cited By (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106649879A (zh) * 2017-01-10 2017-05-10 重庆公共运输职业学院 一种图书馆专业书籍智能推荐方法
CN107038664A (zh) * 2017-03-14 2017-08-11 北京美院帮网络科技有限公司 教学课程推送方法、装置、存储介质及处理器
CN107562769A (zh) * 2017-05-24 2018-01-09 广东工业大学 一种在线答题题目推荐方法及装置
CN107577390A (zh) * 2017-09-07 2018-01-12 李卫东 辅助学习方法及装置
CN107908445A (zh) * 2017-11-17 2018-04-13 广东小天才科技有限公司 一种学习信息的获取方法及电子设备
CN107978189A (zh) * 2017-12-21 2018-05-01 广东小天才科技有限公司 一种习题的智能推送方法、系统及终端设备
CN107992595A (zh) * 2017-12-12 2018-05-04 广东小天才科技有限公司 一种学习内容推荐方法、装置及智能设备
CN108171629A (zh) * 2017-12-28 2018-06-15 北京中税网控股股份有限公司 一种课程推荐方法及装置
CN108255903A (zh) * 2017-04-18 2018-07-06 平安科技（深圳）有限公司 保险题目数据处理方法、装置、计算机设备和存储介质
CN108459873A (zh) * 2018-03-05 2018-08-28 中国人民解放军国防科技大学 一种提高开源代码注释率及注释质量的方法
CN108495194A (zh) * 2018-03-21 2018-09-04 优酷网络技术（北京）有限公司 答题过程中的视频播放方法、计算机存储介质及终端设备
CN108510187A (zh) * 2018-03-29 2018-09-07 江苏数加数据科技有限责任公司 一种基于大数据的差异化学习系统
CN108520054A (zh) * 2018-04-04 2018-09-11 重庆鲁班机器人技术研究院有限公司 学习数据处理方法及装置
CN109086441A (zh) * 2018-08-15 2018-12-25 北京博赛在线网络科技有限公司 用于在线答题的智能推荐方法及系统
CN109299882A (zh) * 2018-10-11 2019-02-01 四川生学教育科技有限公司 一种成绩分析、诊断预测和学习资源推送方法及平台
CN109559739A (zh) * 2018-11-20 2019-04-02 广东小天才科技有限公司 一种基于语音搜索的内容推荐方法及系统
CN109670110A (zh) * 2018-12-20 2019-04-23 蒋文军 一种教育资源推荐方法、装置、设备及存储介质
CN109920298A (zh) * 2019-03-28 2019-06-21 珠海超凡视界科技有限公司 一种基于虚拟现实进行科目训练的装置及方法
CN109978310A (zh) * 2017-12-28 2019-07-05 重庆南华中天信息技术有限公司 知识学习的分析系统
CN109993311A (zh) * 2017-12-28 2019-07-09 重庆南华中天信息技术有限公司 知识学习的分析方法
CN110085075A (zh) * 2019-05-23 2019-08-02 宜春宜联科技有限公司 学习状况管理方法、装置和系统
CN110147434A (zh) * 2019-05-23 2019-08-20 联想(北京)有限公司 一种信息处理方法和电子设备
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
CN110263259A (zh) * 2019-07-08 2019-09-20 上海乂学教育科技有限公司 在线教学视频推送管理系统
CN110309201A (zh) * 2019-06-28 2019-10-08 广州云蝶科技有限公司 作业定制方法及系统
CN110400180A (zh) * 2019-07-29 2019-11-01 腾讯科技（深圳）有限公司 基于推荐信息的显示方法、装置及存储介质
CN110688464A (zh) * 2019-10-12 2020-01-14 苏州思必驰信息科技有限公司 人机对话方法及系统
CN110796912A (zh) * 2019-10-30 2020-02-14 武汉氪细胞网络技术有限公司 一种Timing内容推荐算法一体化管理平台
CN110888994A (zh) * 2018-09-07 2020-03-17 台达电子工业股份有限公司 多媒体数据推荐系统及多媒体数据推荐方法
CN110930790A (zh) * 2019-12-03 2020-03-27 广州三人行壹佰教育科技有限公司 自适应课程推荐的方法和装置
CN111078992A (zh) * 2019-05-27 2020-04-28 广东小天才科技有限公司 一种听写内容生成方法及电子设备
CN111090809A (zh) * 2019-12-20 2020-05-01 广州摩翼信息科技有限公司 题目推荐方法、装置、计算机设备和存储介质
CN111243367A (zh) * 2020-03-24 2020-06-05 天津塔米智能科技有限公司 一种机器人教学系统
CN111914176A (zh) * 2020-08-07 2020-11-10 腾讯科技（深圳）有限公司 题目的推荐方法及装置
CN112015992A (zh) * 2020-08-31 2020-12-01 上海松鼠课堂人工智能科技有限公司 智能单词背诵计划生成方法
CN112102676A (zh) * 2020-09-29 2020-12-18 深圳市元征科技股份有限公司 一种培训内容生成方法及装置
CN113806516A (zh) * 2021-09-22 2021-12-17 湖北天天数链技术有限公司 匹配度确定方法、装置、电子设备及计算机可读存储介质
CN113887875A (zh) * 2021-09-06 2022-01-04 中船舰客教育科技(北京)有限公司 焊接教学方法及装置
CN114154053A (zh) * 2021-10-18 2022-03-08 海信集团控股股份有限公司 书籍推荐方法、设备及存储介质
WO2023071505A1 (zh) * 2021-10-27 2023-05-04 北京有竹居网络技术有限公司 一种题目推荐方法、装置、计算机设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8516309B1 (en) * 2010-03-29 2013-08-20 Emc Corporation Method of debugging a software system
CN103793518A (zh) * 2014-02-12 2014-05-14 广东小天才科技有限公司 一种学习资源推送方法和装置
CN103971555A (zh) * 2013-01-29 2014-08-06 北京竞业达数码科技有限公司 多层次自动化评估训练综合服务方法及系统
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 (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8516309B1 (en) * 2010-03-29 2013-08-20 Emc Corporation Method of debugging a software system
CN103971555A (zh) * 2013-01-29 2014-08-06 北京竞业达数码科技有限公司 多层次自动化评估训练综合服务方法及系统
CN103793518A (zh) * 2014-02-12 2014-05-14 广东小天才科技有限公司 一种学习资源推送方法和装置
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 (48)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106649879A (zh) * 2017-01-10 2017-05-10 重庆公共运输职业学院 一种图书馆专业书籍智能推荐方法
CN107038664A (zh) * 2017-03-14 2017-08-11 北京美院帮网络科技有限公司 教学课程推送方法、装置、存储介质及处理器
CN108255903A (zh) * 2017-04-18 2018-07-06 平安科技（深圳）有限公司 保险题目数据处理方法、装置、计算机设备和存储介质
WO2018192378A1 (zh) * 2017-04-18 2018-10-25 平安科技（深圳）有限公司 保险题目数据处理方法、装置、计算机设备和存储介质
CN107562769A (zh) * 2017-05-24 2018-01-09 广东工业大学 一种在线答题题目推荐方法及装置
CN107577390A (zh) * 2017-09-07 2018-01-12 李卫东 辅助学习方法及装置
CN107908445A (zh) * 2017-11-17 2018-04-13 广东小天才科技有限公司 一种学习信息的获取方法及电子设备
CN107992595A (zh) * 2017-12-12 2018-05-04 广东小天才科技有限公司 一种学习内容推荐方法、装置及智能设备
CN107978189A (zh) * 2017-12-21 2018-05-01 广东小天才科技有限公司 一种习题的智能推送方法、系统及终端设备
CN108171629A (zh) * 2017-12-28 2018-06-15 北京中税网控股股份有限公司 一种课程推荐方法及装置
CN109978310A (zh) * 2017-12-28 2019-07-05 重庆南华中天信息技术有限公司 知识学习的分析系统
CN109993311A (zh) * 2017-12-28 2019-07-09 重庆南华中天信息技术有限公司 知识学习的分析方法
CN108459873A (zh) * 2018-03-05 2018-08-28 中国人民解放军国防科技大学 一种提高开源代码注释率及注释质量的方法
CN108495194A (zh) * 2018-03-21 2018-09-04 优酷网络技术（北京）有限公司 答题过程中的视频播放方法、计算机存储介质及终端设备
CN108510187A (zh) * 2018-03-29 2018-09-07 江苏数加数据科技有限责任公司 一种基于大数据的差异化学习系统
CN108520054A (zh) * 2018-04-04 2018-09-11 重庆鲁班机器人技术研究院有限公司 学习数据处理方法及装置
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
CN109086441A (zh) * 2018-08-15 2018-12-25 北京博赛在线网络科技有限公司 用于在线答题的智能推荐方法及系统
CN110888994A (zh) * 2018-09-07 2020-03-17 台达电子工业股份有限公司 多媒体数据推荐系统及多媒体数据推荐方法
CN109299882A (zh) * 2018-10-11 2019-02-01 四川生学教育科技有限公司 一种成绩分析、诊断预测和学习资源推送方法及平台
CN109559739A (zh) * 2018-11-20 2019-04-02 广东小天才科技有限公司 一种基于语音搜索的内容推荐方法及系统
CN109559739B (zh) * 2018-11-20 2022-05-17 广东小天才科技有限公司 一种基于语音搜索的内容推荐方法及系统
CN109670110A (zh) * 2018-12-20 2019-04-23 蒋文军 一种教育资源推荐方法、装置、设备及存储介质
CN109920298A (zh) * 2019-03-28 2019-06-21 珠海超凡视界科技有限公司 一种基于虚拟现实进行科目训练的装置及方法
CN110085075A (zh) * 2019-05-23 2019-08-02 宜春宜联科技有限公司 学习状况管理方法、装置和系统
CN110147434A (zh) * 2019-05-23 2019-08-20 联想(北京)有限公司 一种信息处理方法和电子设备
CN111078992A (zh) * 2019-05-27 2020-04-28 广东小天才科技有限公司 一种听写内容生成方法及电子设备
CN111078992B (zh) * 2019-05-27 2023-11-24 广东小天才科技有限公司 一种听写内容生成方法及电子设备
CN110309201A (zh) * 2019-06-28 2019-10-08 广州云蝶科技有限公司 作业定制方法及系统
CN110263259A (zh) * 2019-07-08 2019-09-20 上海乂学教育科技有限公司 在线教学视频推送管理系统
CN110400180B (zh) * 2019-07-29 2023-11-07 腾讯科技（深圳）有限公司 基于推荐信息的显示方法、装置及存储介质
CN110400180A (zh) * 2019-07-29 2019-11-01 腾讯科技（深圳）有限公司 基于推荐信息的显示方法、装置及存储介质
CN110688464B (zh) * 2019-10-12 2023-04-07 思必驰科技股份有限公司 人机对话方法及系统
CN110688464A (zh) * 2019-10-12 2020-01-14 苏州思必驰信息科技有限公司 人机对话方法及系统
CN110796912A (zh) * 2019-10-30 2020-02-14 武汉氪细胞网络技术有限公司 一种Timing内容推荐算法一体化管理平台
CN110930790A (zh) * 2019-12-03 2020-03-27 广州三人行壹佰教育科技有限公司 自适应课程推荐的方法和装置
CN111090809A (zh) * 2019-12-20 2020-05-01 广州摩翼信息科技有限公司 题目推荐方法、装置、计算机设备和存储介质
CN111243367A (zh) * 2020-03-24 2020-06-05 天津塔米智能科技有限公司 一种机器人教学系统
CN111914176A (zh) * 2020-08-07 2020-11-10 腾讯科技（深圳）有限公司 题目的推荐方法及装置
CN111914176B (zh) * 2020-08-07 2023-10-27 腾讯科技（深圳）有限公司 题目的推荐方法及装置
CN112015992B (zh) * 2020-08-31 2021-04-27 上海松鼠课堂人工智能科技有限公司 智能单词背诵计划生成方法
CN112015992A (zh) * 2020-08-31 2020-12-01 上海松鼠课堂人工智能科技有限公司 智能单词背诵计划生成方法
CN112102676A (zh) * 2020-09-29 2020-12-18 深圳市元征科技股份有限公司 一种培训内容生成方法及装置
CN113887875A (zh) * 2021-09-06 2022-01-04 中船舰客教育科技(北京)有限公司 焊接教学方法及装置
CN113806516A (zh) * 2021-09-22 2021-12-17 湖北天天数链技术有限公司 匹配度确定方法、装置、电子设备及计算机可读存储介质
CN114154053A (zh) * 2021-10-18 2022-03-08 海信集团控股股份有限公司 书籍推荐方法、设备及存储介质
WO2023071505A1 (zh) * 2021-10-27 2023-05-04 北京有竹居网络技术有限公司 一种题目推荐方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN106202453B (zh) 2020-08-04

Similar Documents

Publication Publication Date Title
CN106202453A (zh) 一种多媒体资源推荐方法和装置
US11605305B2 (en) Method, system, and computer-readable recording medium for providing education service based on knowledge units
US10902321B2 (en) Neural networking system and methods
Pechenizkiy et al. Process mining online assessment data
US20200134449A1 (en) Training of machine reading and comprehension systems
US11347940B2 (en) Asynchronous role-playing system for dialog data collection
CN111753076B (zh) 对话方法、装置、电子设备及可读存储介质
US20170330556A1 (en) Two-stage training of a spoken dialogue system
KR101576727B1 (ko) Qr코드 및 앱을 이용한 온오프라인 연동 학습 시스템
Olney et al. Assessing Computer Literacy of Adults with Low Literacy Skills.
CN110059918A (zh) 律师抢单方法、装置、介质及电子设备
Crespo et al. Predicting teamwork results from social network analysis
CN111444341A (zh) 用户画像构建方法、装置、设备及可读存储介质
Hussein et al. Crowdsourced peer learning activity for internet of things education: a case study
US20200387980A1 (en) Automated mechanism to regulate membership in expert group system
CN116362359A (zh) 基于ai大数据的用户满意度预测方法、装置、设备及介质
Singh et al. Linked data in crowdsourcing purposive social network
CN111368050A (zh) 文档页面的推送方法、装置
Ni et al. Enhancing student performance prediction on learnersourced questions with sgnn-llm synergy
CN111835861B (zh) 考试系统数据处理方法、装置、计算机设备及存储介质
Valente et al. A method to assess pervasive qualities in mobile games
JP2024506519A (ja) 仮想対話システムの性能評価及び強化
KR101245824B1 (ko) 학습 정보를 제공하기 위한 방법, 시스템 및 컴퓨터 판독 가능한 기록 매체
KR20120004719A (ko) 그룹학습 지원 방법, 시스템, 장치 및 단말기
Zhong et al. Question generation based on chat‐response conversion

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant