CN106846191A - 一种课程列表的编排方法、系统及服务器 - Google Patents

Abstract

本发明实施例公开了一种课程列表的编排方法、系统及服务器，属于网络直播课程技术领域。其中，该方法包括：当接收到某个用户的登陆请求后，采集该用户的历史操作行为信息和用户特征信息；提取用户的历史操作行为信息、用户特征信息和课程库中每个课程的课程特征信息，构建每个课程的课程需求特征；将各个所述课程需求特征代入训练模型中进行相似度预测，得到每个课程的相似度；基于各个课程的相似度，按照预定的排序规则对课程库中的课程进行排序，以供显示。这样可以针对不同的用户，给予不同的课程列表，也就是能够减少所有用户挑选课程所花费的时间，减少用户的操作过程，能够让用户在更短的时间内找到自己需要的内容。

Description

一种课程列表的编排方法、系统及服务器

技术领域

本发明涉及网络直播课程技术领域，特别涉及一种课程列表的编排方法、系统及服务器。

背景技术

目前移动互联网领域的应用软件层出不穷，几乎覆盖了各个垂直细分领域；在每个具体的垂直细分领域，其所体现出来的信息量也是巨大的，而且呈现形式的趋势的大体方向是信息流列表的形式；用户通过对信息流列表的下拉或刷新操作来持续获取新的列表内容，并通过点击、咨询等行为了解相关内容的，寻找适合自己的直播课程，进而对相关课程进行购买，购买之后可以对相关课程进行查看。

在实现本发明的过程中，发明人发现至少存在如下问题：目前现有的直播课列表页，所有用户所看到的列表页的具体内容是相同的，即列表项的具体内容和顺序都是相同的；而这个顺序主要是运营人员来手动录入与配置的。当然，运营人员会考虑到不同课程的实效因素和热门老师等因素，整体而言，列表顺序还是基于运营人员的配置策略。但是不同的用户本身的兴趣喜好的不同的，比如不同的用户对具体课程的侧重方向是不同的，所需要重点加强的知识点也可能不同，对于不同老师的感兴趣的程度也不禁相同，甚至某些用户很可能因为没有在头几页看到自己最感兴趣的课，而错过了某些他最感兴趣的内容，从而导致用户直接离开；因此，现有技术没有根据用户的需求去变换课程的编排顺序，只是单纯的依靠运营人员对课程进行固定的排序，这样会使用户错过自己感兴趣的课程，没有给与用户更优质的交互式体验，导致损失用户。

发明内容

本发明的目的是提供一种课程列表的编排方法、系统及服务器，通过采集一段时间内的用户操作行为信息、课程特征信息和用户特征信息，并基于采集到的用户操作行为信息、课程特征信息和用户特征信息构建样本特征。对此样本特征进行训练后得到训练模型，当用户请求课程列表时，将此用户的用户特征信息以及课程库中所有课程的课程特征信息分别构建需求特征，并将需求特征带入训练模型中进行相似度预测，根据预测的相似度对所有课程进行排序，这样就达到了，针对当前用户得到的课程列表，不同的用户所构建的训练模型不容，得到的课程列表也就不同，这样设置能够满足所有用户对自己所需要的课程的观看需求，能够更好的给与用户人际交互的提要，减少用户的操作过程，能够让用户在更短的时间内找到自己需要的内容。

根据本发明实施例的一个方面：一种课程列表的编排方法，包括：当接收到某个用户的登陆请求后，采集该用户的历史操作行为信息和用户特征信息；提取用户的历史操作行为信息、用户特征信息和课程库中每个课程的课程特征信息，构建每个课程的课程需求特征；将各个所述课程需求特征代入训练模型中进行相似度预测，得到每个课程的相似度；基于各个课程的相似度，按照预定的排序规则对课程库中的课程进行排序，以供显示。

进一步，在所述将各个所述课程需求特征代入训练模型中进行相似度预测之前，还包括：构建训练模型，其包括：预先设置时间段参数N；根据时间段参数N，采集N段时间内的用户操作行为信息；基于所述用户操作行为信息，获取与所述用户操作行为信息对应的课程特征信息、用户特征信息；基于所述用户操作行为信息、课程特征信息和用户特征信息，构建所述课程的课程样本特征集；对课程样本特征集进行训练得到训练模型。

进一步，所述操作行为信息包括：点击信息、咨询信息以及购买信息。

进一步，所述基于所述用户操作行为信息、课程特征信息和用户特征信息，构建所述课程的课程样本特征集的步骤包括：基于购买信息所对应的咨询信息、点击信息、课程特征信息和用户特征信息得到课程正样本特征集；基于未购买信息所对应的咨询信息、点击信息、课程特征信息和用户特征信息得到课程负样本特征集。

进一步，所述用户特征信息包括：用户性别信息、年龄信息、考试地点信息、收入水平信息以及学历信息。所述课程特征信息：课程内容信息、考试地点信息、考试形式信息、课程专项信息、主讲老师信息、主讲老师等级信息、课时信息、开课时间信息以及课程频率信息。

根据本发明实施例的另一个方面，一种课程列表的编排系统，所述系统包括：第一采集模块：用于当接收到某个用户的登陆请求后，采集该用户的历史操作行为信息和用户特征信息；第一特征构建模块：用于提取用户的历史操作行为信息、用户特征信息和课程库中每个课程的课程特征信息，构建每个课程的课程需求特征；预测模块：用于将各个所述课程需求特征代入训练模型中进行相似度预测，得到每个课程的相似度；排序模块：用于基于各个课程的相似度，按照预定的排序规则对课程库中的课程进行排序，以供显示。

进一步，所述系统还包括：预设模块：用于预先设置时间段参数N；第二采集模块：用于根据时间段参数N，采集N段时间内的用户操作行为信息；提取模块：用于基于所述用户操作行为信息，提取与所述用户操作行为信息对应的课程特征信息、用户特征信息；第二特征构建模块：基于所述用户操作行为信息、课程特征信息和用户特征信息，构建所述课程的课程样本特征集；模型训练模块：用于对课程样本特征集进行训练得到训练模型。

进一步，所述操作行为信息包括：点击信息、咨询信息以及购买信息。

进一步，所述第二特征构建模块包括：正样本构建单元：基于购买信息所对应的咨询信息、点击信息、课程特征信息和用户特征信息得到课程正样本特征集；负样本构建单元：基于未购买信息所对应的咨询信息、点击信息、课程特征信息和用户特征信息得到课程负样本特征集。

进一步，所述用户特征信息包括：用户性别信息、年龄信息、考试地点信息、收入水平信息以及学历信息。所述课程特征信息包括：课程内容信息、考试地点信息、考试形式信息、课程专项信息、主讲老师信息、主讲老师等级信息、课时信息、开课时间信息以及课程频率信息。

根据本发明实施例的又一个方面，一种服务器，所述服务器包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：当接收到某个用户的登陆请求后，采集该用户的历史操作行为信息和用户特征信息；提取用户的历史操作行为信息、用户特征信息和课程库中每个课程的课程特征信息，构建每个课程的课程需求特征；将各个所述课程需求特征代入训练模型中进行相似度预测，得到每个课程的相似度；基于各个课程的相似度，按照预定的排序规则对课程库中的课程进行排序，以供显示。

本发明实施例通过训练模型，将用户一段时间内的用户操作行为信息、课程特征信息和用户特征信息进行样本特征构建，并对构建好的样本特进行模型的训练之后，当用户请求课程列表时，可以根据用户特征信息以及所有课程的课程特征信息进行需求特征构建，并将需求特征带入训练模型进行相似度的转换，进而得到与用户需求最为相近的课程列表。减少用户在挑选课程时所浪费的时间，因为训练模型时，是根据每为用够构建各自的模型，所以得到的课程列表也是针对不同的用户，给予不同的课程列表，也就是能够减少所有用户挑选课程所花费的时间，能够使用户一目了然的看到自己所需要的课程，更加方便用户对课程库中所有课程进行挑选，增强了用户人机交互的体验效果。

附图说明

图1是本发明第一实施例提供的一种课程列表的编排方法的流程图；

图2是本发明第二实施例提供的一种课程列表的编排方法的流程图；

图3是本发明第一实施例提供的一种课程列表的编排系统的模块关系示意图；

图4是本发明第一实施例提供的第二特征构建模块的内部关系示意图；

图5是本发明第一实施例提供的服务器的硬件结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

本发明的目的是提供一种课程列表的编排方法、系统及服务器，通过采集一段时间内的用户操作行为信息、课程特征信息和用户特征信息，并基于采集到的用户操作行为信息、课程特征信息和用户特征信息构建样本特征。对此样本特征进行训练后得到训练模型，当用户请求课程列表时，将此用户的用户特征信息以及课程库中所有课程的课程特征信息分别构建需求特征，并将需求特征带入训练模型中进行相似度预测，根据预测的相似度对所有课程进行排序，这样就达到了，针对当前用户得到的课程列表，不同的用户所构建的训练模型不容，得到的课程列表也就不同，这样设置能够满足所有用户对自己所需要的课程的观看需求，能够更好的给与用户人际交互的提要，减少用户的操作过程，能够让用户在更短的时间内找到自己需要的内容。

请参阅图1，图1是本发明第一实施例提供的一种课程列表的编排方法的流程图。如图1所示本发明第一实施例可以包括以下步骤S100至步骤S400：

步骤S100，当接收到某个用户的登陆请求后，采集该用户的历史操作行为信息和用户特征信息。

具体的，用户在客户端进行登录，并请求查看课程列表时，向服务请发送课程列表查看请求，此查看课程列表请求可以通过手机、iPad、电脑等终端发出，服务器在收到此课程列表查看请求后，采集当前用户的历史操作信息和用户特征信息。其中历史操作行为信息可以为点击信息、咨询信息以及购买信息。用户特征信息可以为用户性别信息、年龄信息、考试地点信息、收入水平信息以及学历信息。

步骤S200，提取用户的历史操作行为信息、用户特征信息和课程库中每个课程的课程特征信息，构建每个课程的课程需求特征。

具体的，服务器在提取到历史操作行为信息、用户特征信息之后，将历史操作行为信息、用户特征信息分别与课程库中的所有课程的课程特征信息构建课程需求特征。也就是说针对每一个课程，都会与历史操作行为信息、用户特征信息构建一次课程需求特征，一个课程对应一个课程需求特征。其中课程特征信息可以为课程内容信息、考试地点信息、考试形式信息、课程专项信息、主讲老师信息、主讲老师等级信息、课时信息、开课时间信息以及课程频率信息。

步骤S300，将各个所述课程需求特征代入训练模型中进行相似度预测，得到每个课程的相似度。

具体的，服务器根据当前用户的历史操作行为信息、用户特征信息分别与课程库中的所有课程的课程特征信息得到课程需求特征。其中需求特征中至少包含如下信息：课程本身的特征，包括：课程内容分类(行测，申论等)，考试对应地点(北京，山东，等)，考试形式(笔试，面试等)，课程专项(时政热点，经济学等)，课程主讲老师(老师A,老师B，老师C等)，主讲老师星级(5星，4星，3星等)，课时长短(3课时，5课时，10课时等)，课程时段(几点开始讲)，课程频率(几天讲一次)。用户的特征：用户的性别，年龄段，考试地点，收入水平，学历。历史特征：用户在过去N天的购买行为。上下文特征：用户付费的时段。组合特征：比如用户特征与课程本身特征的笛卡尔积。将得到的课程需求特征代如到预先训练好的训练模型中，进行相似度的转化。因为课程库中所有的课程都有相对应的课程需求特征，因此每一个课程也就对应一个相似度。在代入训练模型的过程中，通过将课程需求特征对比模型中的相关信息，结合每项信息所对应的权重，得到相应课程的相似度。

步骤S400，基于各个课程的相似度，按照预定的排序规则对课程库中的课程进行排序，以供显示。

具体的，服务器对代入训练模型的每一个课程都得到一个相应的相似度后，就需要按照预订好的规则进行排序，以便按照相应的顺序制作成课程列表返回给客户端，客户端最终将制作完成的课程列表进行显示。其中，排序规则可以为从相似度由高到低的顺序进行排列。也可以是通过不同的计算方式，设置不同的训练模型，再根据不同模型与用户的相关性，对不同的模型设置不同的权重，当各个模型对当前课程得到相似度后，再结合各自的模型的权重，进一步得到当前课程的最终相似度。以上只是对排列顺序的方法进行举例说明，并不限定排列顺序的方法。

请参阅图2，图2是本发明第二实施例提供的一种课程列表的编排方法的流程图。如图2所示本发明第二实施例可以包括以下步骤S101至步骤S105：

步骤S101：预先设置时间段参数N。

具体的，服务器预先设置一个时间段参数N，此时间段参数可以为任意时间段，例如：一段时间可以为：30天或180天，也可以为100小时等。根据实际的需求，运营人员可以任意设置此段时间。

步骤S102：根据时间段参数N，采集N段时间内的用户操作行为信息。

具体的，服务器根据之前设置的段时间，实时的采集当前时间之前段时间N内的所有用户操作行为信息。

步骤S103：基于所述用户操作行为信息，提取与所述用户操作行为信息对应的课程特征信息、用户特征信息。

具体的，服务器根据采集到的用户操作行为信息，提取用户操作行为对应的课程特征信息，即是当用户操作为为点击时，提取的就是用户点击的课程的课程特征信息；当用户操作行为为咨询时，提取的就是用户咨询的课程的课程特征信息；当用户操作行为购买时，提取的就是用户购买的课程的课程特征信息。其中课程特征信息可以为课程内容信息、考试地点信息、考试形式信息、课程专项信息、主讲老师信息、主讲老师等级信息、课时信息、开课时间信息以及课程频率信息。用户特征信息可以为用户性别信息、年龄信息、考试地点信息、收入水平信息以及学历信息。

步骤S104：基于所述用户操作行为信息、课程特征信息和用户特征信息，构建所述课程的课程样本特征集；

具体的，服务器根据用户操作行为信息、课程特征信息和用户特征信息构建课程样本特征集。其中课程样本特征集中至少包含如下信息：课程本身的特征，包括：课程内容分类(行测，申论等)，考试对应地点(北京，山东，等)，考试形式(笔试，面试等)，课程专项(时政热点，经济学等)，课程主讲老师(老师A,老师B，老师C等)，主讲老师星级(5星，4星，3星等)，课时长短(3课时，5课时，10课时等)，课程时段(几点开始讲)，课程频率(几天讲一次)。用户的特征：用户的性别，年龄段，考试地点，收入水平，学历。历史特征：用户在过去N天的购买行为。上下文特征：用户付费的时段。组合特征：比如用户特征与课程本身特征的笛卡尔积。其中如果用户操作行为为购买，则将此购买信息以及所对应的课程特征信息和用户特征信息作为课程正样本特征集；其中如果用户操作行为为咨询或点击，而最终没有购买，则将此咨询信息、点击信息以及所对应的课程特征信息和用户特征信息作为课程负样本特征集。

步骤S105：对课程样本特征集进行训练得到训练模型。

具体的，服务器对课程样本特征集进行训练，根据课程正样本特征集和课程负样本特征集进行训练得到训练模型。

请参阅图3和图4，图3是本发明第一实施例提供的一种课程列表的编排系统的模块关系示意图，图4是本发明第一实施例提供的第二特征构建模块的内部关系示意图。

如图3、图4所示，第一采集模块100：用于当接收到某个用户的登陆请求后，采集该用户的历史操作行为信息和用户特征信息；第一特征构建模块200：用于提取用户的历史操作行为信息、用户特征信息和课程库中每个课程的课程特征信息，构建每个课程的课程需求特征；预测模块300：用于将各个所述课程需求特征代入训练模型中进行相似度预测，得到每个课程的相似度；排序模块400：用于基于各个课程的相似度，按照预定的排序规则对课程库中的课程进行排序，以供显示。预设模块500：用于预先设置时间段参数N；第二采集模块600：用于根据时间段参数N，采集N段时间内的用户操作行为信息；提取模块700：用于基于所述用户操作行为信息，提取与所述用户操作行为信息对应的课程特征信息、用户特征信息；第二特征构建模块800：基于所述用户操作行为信息、课程特征信息和用户特征信息，构建所述课程的课程样本特征集；模型训练模块900：用于对课程样本特征集进行训练得到训练模型。第二特征构建模块800包括：正样本构建单元801：基于购买信息所对应的咨询信息、点击信息、课程特征信息和用户特征信息得到课程正样本特征集；负样本构建单元802：基于未购买信息所对应的咨询信息、点击信息、课程特征信息和用户特征信息得到课程负样本特征集。

具体的，用户在客户端进行登录，并请求查看课程列表时，向服务请发送课程列表查看请求，此查看课程列表请求可以通过手机、iPad、电脑等终端发出，第一采集模块100在接收到此课程列表查看请求后，采集当前用户的历史操作信息和用户特征信息。其中历史操作行为信息可以为点击信息、咨询信息以及购买信息。用户特征信息可以为用户性别信息、年龄信息、考试地点信息、收入水平信息以及学历信息。第一采集模块100将采集到的历史操作信息和用户特征信息发送给第一特征构建模块200，第一特征构建模块200将接收到的历史操作行为信息、用户特征信息分别与课程库中的所有课程的课程特征信息构建课程需求特征。也就是说针对每一个课程，都会与历史操作行为信息、用户特征信息构建一次课程需求特征，一个课程对应一个课程需求特征。其中课程特征信息可以为课程内容信息、考试地点信息、考试形式信息、课程专项信息、主讲老师信息、主讲老师等级信息、课时信息、开课时间信息以及课程频率信息。第一特征构建模块200将构建好的课程需求特征发送给预测模块300，预测模块300将接收到的课程需求特征代入到预先训练好的训练模型中，进行相似度的转化。因为课程库中所有的课程都有相对应的课程需求特征，因此每一个课程也就对应一个相似度。在代入训练模型的过程中，通过将课程需求特征对比模型中的相关信息，结合每项信息所对应的权重，得到相应课程的相似度。并将每个课程的相似度发送给排序模块400，排序模块400针对相似度按照预先设定的规则进行排序，以便按照相应的顺序制作成课程列表返回给客户端，客户端最终将制作完成的课程列表进行显示。其中，排序规则可以为从相似度由高到低的顺序进行排列。也可以是通过不同的计算方式，设置不同的训练模型，再根据不同模型与用户的相关性，对不同的模型设置不同的权重，当各个模型对当前课程得到相似度后，再结合各自的模型的权重，进一步得到当前课程的最终相似度。以上只是对排列顺序的方法进行举例说明，并不限定排列顺序的方法。

另一方面，在预测模块300对每个课程的相似度进行预测之前，应该提前训练模型。预设模块500预先设置一个时间段参数N，此时间段参数可以为任意时间段，例如：段时间可以为：30天或180天，也可以为100小时等。根据实际的需求，运营人员可以任意设置此段时间。第二采集模块600根据之前设置的段时间，实时的采集当前时间之前段时间N内的所有用户操作行为信息，并将此用户操作行为信息发送给提取模块700。提取模块700根据采集到的用户操作行为信息，提取用户操作行为对应的课程特征信息，即是当用户操作为为点击时，提取的就是用户点击的课程的课程特征信息；当用户操作行为为咨询时，提取的就是用户咨询的课程的课程特征信息；当用户操作行为购买时，提取的就是用户购买的课程的课程特征信息。并将用户操作行为信息、程特征信以及用户特征信息发送给第二特征构建模块800。第二特征构建模块800根据接收到的用户操作行为信息、课程特征信息和用户特征信息构建课程样本特征集。其中正样本构建单元801基于购买信息所对应的咨询信息、点击信息、课程特征信息和用户特征信息得到课程正样本特征集；负样本构建单元802基于未购买信息所对应的咨询信息、点击信息、课程特征信息和用户特征信息得到课程负样本特征集。并将课程样本特征集发送给模型训练模块900，模型训练模块900对课程样本特征集进行训练，根据课程正样本特征集和课程负样本特征集进行训练得到训练模型。

请参阅图5，图5是本发明第一实施例提供的服务器的硬件结构示意图。

如图5所示，该服务器包括：一个或多个处理器610以及存储器620，图5中以一个处理器610为例。

执行一种课程列表的编排方法的服务器还可以包括：输入装置630和输出装置640。

处理器601、存储器620、输入装置630和输出装置640可以通过总线或其他方式连接，图5中以通过总线连接的方式为例。

本领域技术人员可以理解，图5中示出的服务器的结构并不构成对本发明实施例的限定，它既可以是总线形结构，也可以是星型结构，还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

处理器610可以由集成电路(IntegratedCircuit，简称IC)组成，例如可以由单颗封装的IC所组成，也可以由连接多颗相同功能或不同功能的封装IC而组成。在本发明实施方式中，CPU可以是单运算核心，也可以包括多运算核心。

存储器620作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机课执行程序以及模块，如本申请实施例中的列表操作的处理方法对应的程序指令/模块。处理器610通过运行存储在存储器620的非暂态软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例所提供的方法。

存储器620可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；在本发明实施例中，操作系统可以是Windows系统、NetWare系统等等。存储数据区可存储依据列表项操作的处理装置的使用所创建的数据等。此外，存储器620可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或者其他非暂态固态存储器件。在一些实施例中，存储器620可选包括相对于处理器610远程设置的存储器，这些远程存储器可以通过网络连接至列表项操作的处理装置。上述网络的实施例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置640可接收输入的数字或字符信息，以及产生与列表操作的处理装置的用户设置以及功能控制有关的键信号输入。输入装置可以包括触摸屏、键盘等，也可以包括有线接口、无线接口等。

输出装置640可包括显示屏、扬声器等设备，也可以包括有线接口、无线接口等。

所述一个或者多个模块存储在所述存储器620中，当被所述一个或多个处理器610执行时，执行上述任一方法实施例所提供的方法。

本发明实施例通过训练模型，将用户一段时间内的用户操作行为信息、课程特征信息和用户特征信息进行样本特征构建，并对构建好的样本特进行模型的训练之后，当用户请求课程列表时，可以根据用户特征信息以及所有课程的课程特征信息进行需求特征构建，并将需求特征带入训练模型进行相似度的转换，进而得到与用户需求最为相近的课程列表。减少用户在挑选课程时所浪费的时间，因为训练模型时，是根据每为用够构建各自的模型，所以得到的课程列表也是针对不同的用户，给予不同的课程列表，也就是能够减少所有用户挑选课程所花费的时间，能够使用户一目了然的看到自己所需要的课程，更加方便用户对课程库中所有课程进行挑选，增强了用户人机交互的体验效果。

本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例系统中的模块可以根据实际需要进行合并、划分和删减。

应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (11)

1.一种课程列表的编排方法，其特征在于，包括：

当接收到某个用户的登陆请求后，采集该用户的历史操作行为信息和用户特征信息；

提取用户的历史操作行为信息、用户特征信息和课程库中每个课程的课程特征信息，构建每个课程的课程需求特征；

将各个所述课程需求特征代入训练模型中进行相似度预测，得到每个课程的相似度；

基于各个课程的相似度，按照预定的排序规则对课程库中的课程进行排序，以供显示。

2.根据权利要求1所述的方法，其特征在于，在所述将各个所述课程需求特征代入训练模型中进行相似度预测之前，还包括：构建训练模型，其包括：

预先设置时间段参数N；

根据时间段参数N，采集N段时间内的用户操作行为信息；

基于所述用户操作行为信息，提取与所述用户操作行为信息对应的课程特征信息、用户特征信息；

基于所述用户操作行为信息、课程特征信息和用户特征信息，构建所述课程的课程样本特征集；

对课程样本特征集进行训练得到训练模型。

3.根据权利要求2所述的方法，其特征在于，所述操作行为信息包括：点击信息、咨询信息以及购买信息。

4.根据权利要求3所述的方法，其特征在于，所述基于所述用户操作行为信息、课程特征信息和用户特征信息，构建所述课程的课程样本特征集的步骤包括：

基于购买信息所对应的咨询信息、点击信息、课程特征信息和用户特征信息得到课程正样本特征集；

基于未购买信息所对应的咨询信息、点击信息、课程特征信息和用户特征信息得到课程负样本特征集。

5.根据权利要求1-2所述的方法，其特征在于，所述用户特征信息包括：用户性别信息、年龄信息、考试地点信息、收入水平信息以及学历信息；

所述课程特征信息：课程内容信息、考试地点信息、考试形式信息、课程专项信息、主讲老师信息、主讲老师等级信息、课时信息、开课时间信息以及课程频率信息。

6.一种课程列表的编排系统，其特征在于，所述系统包括：

第一采集模块(100)：用于当接收到某个用户的登陆请求后，采集该用户的历史操作行为信息和用户特征信息；

第一特征构建模块(200)：用于提取用户的历史操作行为信息、用户特征信息和课程库中每个课程的课程特征信息，构建每个课程的课程需求特征；

预测模块(300)：用于将各个所述课程需求特征代入训练模型中进行相似度预测，得到每个课程的相似度；

排序模块(400)：用于基于各个课程的相似度，按照预定的排序规则对课程库中的课程进行排序，以供显示。

7.根据权利要求6所述的系统，其特征在于，所述系统还包括：

预设模块(500)：用于预先设置时间段参数N；

第二采集模块(600)：用于根据时间段参数N，采集N段时间内的用户操作行为信息；

提取模块(700)：用于基于所述用户操作行为信息，提取与所述用户操作行为信息对应的课程特征信息、用户特征信息；

第二特征构建模块(800)：基于所述用户操作行为信息、课程特征信息和用户特征信息，构建所述课程的课程样本特征集；

模型训练模块(900)：用于对课程样本特征集进行训练得到训练模型。

8.根据权利要求6所述的系统，其特征在于，所述操作行为信息包括：点击信息、咨询信息以及购买信息。

9.根据权利要求7所述的系统，其特征在于，所述第二特征构建模块(800)包括：

正样本构建单元(801)：基于购买信息所对应的咨询信息、点击信息、课程特征信息和用户特征信息得到课程正样本特征集；

负样本构建单元(802)：基于未购买信息所对应的咨询信息、点击信息、课程特征信息和用户特征信息得到课程负样本特征集。

10.根据权利要求6所述的系统，其特征在于，所述用户特征信息包括：用户性别信息、年龄信息、考试地点信息、收入水平信息以及学历信息；

所述课程特征信息包括：课程内容信息、考试地点信息、考试形式信息、课程专项信息、主讲老师信息、主讲老师等级信息、课时信息、开课时间信息以及课程频率信息。

11.一种服务器，其特征在于，所述服务器包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器，其中，

所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

当接收到某个用户的登陆请求后，采集该用户的历史操作行为信息和用户特征信息；

提取用户的历史操作行为信息、用户特征信息和课程库中每个课程的课程特征信息，构建每个课程的课程需求特征；

将各个所述课程需求特征代入训练模型中进行相似度预测，得到每个课程的相似度；

基于各个课程的相似度，按照预定的排序规则对课程库中的课程进行排序，以供显示。