CN109766492A - 学习推荐方法、装置、设备和可读介质 - Google Patents

Abstract

本发明提供一种学习推荐方法、装置、设备和可读介质，包括：获取用户在第一时间段内浏览每个目标课程的课程信息，课程信息有学习时长和至少一个关键字；确定每个关键字的出现次数，并根据每个关键字的出现次数和每一个目标课程的学习时长，确定学习关键字；确定与每个学习关键字对应的同类课程集合和引申课程集合，同类课程集合中包括至少一个同类课程，每个同类课程中具有同类课程集合对应的学习关键字，引申课程集合中包括至少一个引申课程，每个引申课程为浏览过同类课程的榜样用户学习的课程；根据与每个学习关键字对应的同类课程集合和引申课程集合，向目标用户推荐与每个学习关键字对应的推荐课程。本方案能够针对不同用户推荐相关课程。

Description

学习推荐方法、装置、设备和可读介质

技术领域

本发明涉及在线学习技术领域，尤其涉及一种学习推荐方法、装置、设备和可读介质。

背景技术

随着时代的发展和互联网技术的普及，让学习开始越来越生活化、移动化，使得在线学习得到迅猛发展。采用在线学习模式的企业网上学习平台满足企业各种培训场景需求，已成为内部教育和知识分享的重要途径。用户可登入企业网上学习平台进行所需课程的在线学习。

由于企业网上学习平台上包括大量的课程，那么如何针对不同用户进行推荐，则成为当今亟需解决的问题。

发明内容

本发明提供一种学习推荐方法、装置、设备和可读介质，能够针对不同用户推荐相关课程。

第一方面，本发明提供一种学习推荐方法，包括：

获取目标用户在预设第一时间段内所浏览的每一个目标课程的课程信息，其中，所述课程信息包括学习时长和至少一个关键字；

确定每一个所述关键字的出现次数，并根据每一个所述关键字的出现次数和每一个所述目标课程的学习时长，确定至少一个学习关键字；

根据每一个所述学习关键字，确定与每一个所述学习关键字对应的同类课程集合、与每一个所述学习关键字对应的引申课程集合，其中，所述同类课程集合中包括至少一个同类课程，每一个所述同类课程中具有同类课程集合对应的学习关键字，所述引申课程集合中包括至少一个引申课程，每一个所述引申课程为浏览过所述同类课程的榜样用户所浏览的课程；

根据与每一个所述学习关键字对应的同类课程集合和引申课程集合，向所述目标用户推荐与每一个所述学习关键字对应的推荐课程。

进一步地，所述根据每一个所述关键字的出现次数和每一个所述目标课程的学习时长，确定至少一个学习关键字，包括：

确定出现次数大于等于第一预设阈值的各个关键字；

确定出现次数大于等于第一预设阈值的每一个关键字分别对应的平均学习时长并确定所述平均学习时长小于等于第二预设阈值的各个关键字，其中，t_ij为所述用户浏览具有关键字i的第j个目标课程的学习时长，n为关键字i出现的次数，j、n为正整数；

从平均学习时长小于等于第二预设阈值的各个关键字中确定出所述至少一个学习关键字。

进一步地，所述根据每一个所述学习关键字，确定与每一个所述学习关键字对应的同类课程集合，包括：

搜索与每一个所述学习关键字对应的所有第一课程；

计算与每一个所述学习关键字对应的每一个第一课程的学习率其中，f_k为与每一个所述学习关键字对应的第一课程k的学习率，e_kr为在预设第二时间段内第r个用户浏览与每一个所述学习关键字对应的第一课程k的学习时长，u_k为与每一个所述学习关键字对应的第一课程k的课程时长，m为在所述第二时间段内浏览与每一个所述学习关键字对应的第一课程k的用户的总数量，r、m为正整数；

确定学习率在预设学习率范围内的、且与每一个所述学习关键字对应的第一课程，构成与每一个所述学习关键字对应的同类课程集合。

进一步地，在所述根据每一个所述学习关键字，确定与每一个所述学习关键字对应的同类课程集合之后，还包括：

确定浏览过所述同类课程集合中的至少一个同类课程的各个用户；

确定每一个用户分别浏览各个同类课程的总学习时长；

确定总学习时长在预设时长范围内的用户为榜样用户，并将所述榜样用户推荐给所述目标用户。

进一步地，所述根据每一个所述学习关键字，确定与每一个所述学习关键字对应的引申课程集合，包括：

确定榜样用户在预设第三时间段内所浏览过的各个第二课程；

确定每一个第二课程的完成量，并选取完成量大于第三预设阈值的第二课程，构成与每一个所述学习关键字对应的引申课程集合。

进一步地，所述根据与每一个所述学习关键字对应的同类课程集合和引申课程集合，向所述目标用户推荐与每一个所述学习关键字对应的推荐课程，包括：

对所述同类课程集合中的同类课程和所述引申课程集合中的引申课程进行去重复处理，得到新的课程集合；

计算所述新的课程集合中的每一个课程的时效率d_w＝α×(T_w-T_w1)+β×(T_w-T_w2)，其中，d_w为所述新的课程集合中的课程w对应的时效率，T_w为当前时间，T_w1为所述新的课程集合中的课程w对应的发布时间，T_w2为所述新的课程集合中的课程w最近一次被学习的时间，α、β为预设的权重因子，且满足α+β＝1，0≤α、β≤1；

确定所述新的课程集合中的时效率大于第四预设阈值的课程，并从时效率大于预设第四阈值的课程中选取至少一个课程作为推荐课程推荐给所述目标用户。

第二方面，本发明提供了一种学习推荐装置，包括：

课程信息获取单元，用于获取目标用户在预设第一时间段内所浏览的每一个目标课程的课程信息，其中，所述课程信息包括学习时长和至少一个关键字；

学习关键字确定单元，用于确定每一个所述关键字的出现次数，并根据每一个所述关键字的出现次数和每一个所述目标课程的学习时长，确定至少一个学习关键字；

课程集合确定单元，用于根据每一个所述学习关键字，确定与每一个所述学习关键字对应的同类课程集合、与每一个所述学习关键字对应的引申课程集合，其中，所述同类课程集合中包括至少一个同类课程，每一个所述同类课程中具有同类课程集合对应的学习关键字，所述引申课程集合中包括至少一个引申课程，每一个所述引申课程为浏览过所述同类课程的榜样用户所浏览的课程；

课程推荐单元，用于根据与每一个所述学习关键字对应的同类课程集合和引申课程集合，向所述目标用户推荐与每一个所述学习关键字对应的推荐课程。

进一步地，所述学习关键字确定单元，包括：

第一确定模块，用于确定出现次数大于等于第一预设阈值的各个关键字；

第二确定模块，用于确定出现次数大于等于第一预设阈值的每一个关键字分别对应的平均学习时长并确定所述平均学习时长小于等于第二预设阈值的各个关键字，其中，t_ij为所述用户浏览具有关键字i的第j个目标课程的学习时长，n为关键字i出现的次数，j、n为正整数；

第三确定模块，用于从平均学习时长小于等于第二预设阈值的各个关键字中确定出所述至少一个学习关键字。

进一步地，所述课程集合确定单元，包括：

搜索模块，用于搜索与每一个所述学习关键字对应的所有第一课程；

第一计算模块，用于计算与每一个所述学习关键字对应的每一个第一课程的学习率其中，f_k为与每一个所述学习关键字对应的第一课程k的学习率，e_kr为在预设第二时间段内第r个用户浏览与每一个所述学习关键字对应的第一课程k的学习时长，u_k为与每一个所述学习关键字对应的第一课程k的课程时长，m为在所述第二时间段内浏览与每一个所述学习关键字对应的第一课程k的用户的总数量，r、m为正整数；

第四确定模块，用于确定学习率在预设学习率范围内的、且与每一个所述学习关键字对应的第一课程，构成与每一个所述学习关键字对应的同类课程集合。

进一步地，所述课程推荐单元，包括：

处理模块，用于对所述同类课程集合中的同类课程和所述引申课程集合中的引申课程进行去重复处理，得到新的课程集合；

第二计算模块，用于计算所述新的课程集合中的每一个课程的时效率d_w＝α×(T_w-T_w1)+β×(T_w-T_w2)，其中，d_w为所述新的课程集合中的课程w对应的时效率，T_w为当前时间，T_w1为所述新的课程集合中的课程w对应的发布时间，T_w2为所述新的课程集合中的课程w最近一次被学习的时间，α、β为预设的权重因子，且满足α+β＝1，0≤α、β≤1；

第五确定模块，用于确定所述新的课程集合中的时效率大于第四预设阈值的课程，并从时效率大于预设第四阈值的课程中选取至少一个课程作为推荐课程推荐给所述目标用户。

进一步地，所述装置还包括：榜样用户推荐单元，所述榜样用户推荐单元，包括：

第六确定模块，用于确定浏览过所述同类课程集合中的至少一个同类课程的各个用户；

第七确定模块，用于确定每一个用户分别浏览各个同类课程的总学习时长；

第八确定模块，用于确定总学习时长在预设时长范围内的用户为榜样用户，并将所述榜样用户推荐给所述目标用户。

进一步地，所述课程集合确定单元，包括：

第九确定模块，用于确定榜样用户在预设第三时间段内所浏览过的各个第二课程；

第十确定模块，用于确定每一个第二课程的完成量，并选取完成量大于第三预设阈值的第二课程，构成与每一个所述学习关键字对应的引申课程集合。

第三方面，本发明提供了一种学习推荐设备，包括：存储器和处理器；

所述存储器，用于存储计算机程序；

其中，所述处理器执行所述存储器中的计算机程序，以实现第一方面中任一项所述的方法。

第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现第一方面中任一项所述的方法。

本发明提供了一种学习推荐方法、装置、设备和可读介质，通过获取该目标用户在预设第一时间段内所浏览的每一个目标课程的学习时长，以及每一个目标课程对应的至少一个关键字，从而可根据每个关键字的出现次数和各个学习时长来提炼学习关键字，以根据提炼出的学习关键字，确定具有该学习关键字的同类课程，以及为了扩展目标用户的学习范围，还可根据学习同类课程的榜样用户确定引申课程，最后根据同类课程集合和引申课程集合，向目标用户推荐课程。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1为本发明实施例一提供的一种学习推荐方法的流程图；

图2为本发明实施例二提供的一种学习推荐方法的流程图；

图3为本发明实施例三提供的一种学习推荐装置的结构示意图；

图4为本发明实施例四提供的一种学习推荐装置的结构示意图；

图5为本发明实施例五提供的一种学习推荐设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例一提供的一种学习推荐方法的流程图，如图1所示，以该实施例提供的方法应用于学习推荐装置来进行示例说明，该方法包括：

步骤101：获取目标用户在预设第一时间段内所浏览的每一个目标课程的课程信息，其中，所述课程信息包括学习时长和至少一个关键字。

实际应用中，本实施例的执行主体可以为学习推荐装置，该学习推荐装置可以为程序软件，也可以为存储有相关计算机程序的介质，例如，U盘等；或者，该学习推荐装置还可以为集成或安装有相关计算机程序的实体设备，例如，芯片、智能终端、电脑、服务器等。

在本实施例中，第一时间段可根据实际需求进行设置，如第一时间段为以当前时间为参考的最近一个月之内。举例来说，目标用户张某在最近一个月之内一共浏览了10个目标课程，那么需获取每一个目标课程对应的至少一个关键字，如其中一个目标课程为“云计算技术与应用”，其对应有云计算、虚拟化共两个关键字，再如其中另一个目标课程为“虚拟化技术概论”，其对应有软件定义网络(Software Defined Network，简称SDN)、网络工程虚拟化(Network Function Virtualization，简称NFV)、虚拟化共三个关键字，另外，还需获取张某学习每一个目标课程的学习时长，如张某点击学习“云计算技术与应用”的学习时长为5分钟，点击学习“虚拟化技术概论”的学习时长为10分钟。

步骤102：确定每一个所述关键字的出现次数，并根据每一个所述关键字的出现次数和每一个所述目标课程的学习时长，确定至少一个学习关键字。

在本实施例中，主要是针对目标用户想要学习某课程，但由于该课程质量不高等原因而使得目标用户中途放弃学习该课程的应用场景来提炼学习关键字，具体可根据每个关键字的出现次数和各个学习时长来提炼学习关键字，以根据提炼出的学习关键字，向目标用户推荐满足目标用户学习需求且质量较高的相关课程。

以上述步骤中的张某为例，若除了“云计算技术与应用”和“虚拟化技术概论”两个目标课程均对应有虚拟化这一关键字之外，剩余8个目标课程中还有3个目标课程也对应有虚拟化，则关键字虚拟化的出现次数为5，而确定其它关键字的出现次数与之类似，不再赘述。接下来提炼学习关键字中的一种实现方式为：可先根据出现次数，从获取到的所有关键字中删除一些不太符合目标用户学习需求的关键字，然后再针对剩余的关键字，根据各个学习时长提炼出满足目标用户学习需求但是目标用户学习其相关课程较短的关键字作为学习关键字。

步骤103：根据每一个所述学习关键字，确定与每一个所述学习关键字对应的同类课程集合、与每一个所述学习关键字对应的引申课程集合，其中，所述同类课程集合中包括至少一个同类课程，每一个所述同类课程中具有同类课程集合对应的学习关键字，所述引申课程集合中包括至少一个引申课程，每一个所述引申课程为浏览过所述同类课程的榜样用户所浏览的课程。

在本实施例中，在提炼出至少一个学习关键字之后，针对每一个学习关键字，可从课程资源池中搜索与每一个学习关键字对应的课程，然后从每一个学习关键字对应的所有课程中筛选出质量较高的课程作为相应学习关键字的同类课程，而且，为了扩展目标用户的学习范围，还可根据学习同类课程的榜样用户确定引申课程。

具体的，以上述步骤中的张某为例，若确定出虚拟化为其中一个学习关键字，那么确定出的虚拟化所对应的同类课程集合中的每一个同类课程的关键字中均对应有虚拟化，而引申课程集合是根据学习虚拟化所对应的同类课程集合中的同类课程的榜样用户所学习过的课程确定出的。

步骤104：根据与每一个所述学习关键字对应的同类课程集合和引申课程集合，向所述目标用户推荐与每一个所述学习关键字对应的推荐课程。

在本实施例中，同类课程集合和引申课程集合中可能存在有重复的课程，因此，可对两个集合中的课程进行去重复处理，得到新的课程集合，然后从新的课程集合中选择推荐课程推荐给目标用户。

本发明实施例提供了一种学习推荐方法，通过获取该目标用户在预设第一时间段内所浏览的每一个目标课程的学习时长，以及每一个目标课程对应的至少一个关键字，从而可根据每个关键字的出现次数和各个学习时长来提炼学习关键字，以根据提炼出的学习关键字，确定具有该学习关键字的同类课程，以及为了扩展目标用户的学习范围，还可根据学习同类课程的榜样用户确定引申课程，最后根据同类课程集合和引申课程集合，向目标用户推荐课程。

图2为本发明实施例二提供的一种学习推荐方法的流程图，如图2所示，该方法可以包括：

步骤201：获取目标用户在预设第一时间段内所浏览的每一个目标课程的课程信息，其中，课程信息包括学习时长和至少一个关键字。

步骤202：确定每一个关键字的出现次数，并确定出现次数大于等于第一预设阈值的各个关键字。

在本实施例中，第一预设阈值可根据实际需求进行设置，如第一预设阈值为3，那么针对每一个关键字，若确定出该关键字的出现次数小于3，则删除该关键字，若大于等于3，则保留该关键字，从而可得到出现次数大于等于3的各个关键字。

步骤203：确定出现次数大于等于第一预设阈值的每一个关键字分别对应的平均学习时长，并确定平均学习时长小于等于第二预设阈值的各个关键字。

其中，第二预设阈值可根据实际需求进行设置。

在本实施例中，可根据确定出现次数大于等于第一预设阈值的每一个关键字分别对应的平均学习时长，其中，l_i为出现次数大于等于第一预设阈值的关键字i对应的平均学习时长，t_ij为所述用户浏览具有关键字i的第j个目标课程的学习时长，n为关键字i出现的次数，j、n为正整数。

举例来说，若共有4个目标课程a、b、c、d对应有虚拟化这一关键字，则关键字虚拟化的出现次数为4，假设目标用户王某学习目标课程a的学习时长为5分钟、学习目标课程b的学习时长为5分钟、学习目标课程c的学习时长为4分钟、学习目标课程d的学习时长为6分钟，则关键字虚拟化对应的平均学习时长为

步骤204：从平均学习时长小于等于第二预设阈值的各个关键字中确定出至少一个学习关键字。

在本实施例中，还可按照实际需求设置一个第四预设阈值H，若确定出平均学习时长小于等于第二预设阈值的关键字的数量大于该第四预设阈值H，则可选取相对最大的H个平均时长小于等于第二预设阈值的关键字作为学习关键字，若确定出的平均学习时长小于等于第二预设阈值的关键字的数量小于H，则可将确定出的平均学习时长小于等于第二预设阈值的所有关键字作为学习关键字，其中，H为正整数。

步骤205：搜索与每一个学习关键字对应的所有第一课程。

在本实施例中，可在存储有全部课程的课程资源池中搜索与每一个学习关键字对应的所有第一课程。例如，虚拟化为确定出的一个学习关键字，则在课程资源池中搜索关键字中具有虚拟化的所有第一课程。

步骤206：计算与每一个学习关键字对应的每一个第一课程的学习率。

在本实施例中，可根据计算每一个第一课程的学习率，其中，f_k为与每一个学习关键字对应的第一课程k的学习率，e_kr为在预设第二时间段内第r个用户浏览与每一个学习关键字对应的第一课程k的学习时长，u_k为与每一个学习关键字对应的第一课程k的课程时长，m为在第二时间段内浏览与每一个学习关键字对应的第一课程k的用户的总数量，r、m为正整数。

其中，第二时间段可根据实际需求进行设置，如以当前时间为参考的最近半年之内。举例来说，根据虚拟化共搜索到100个第一课程，以其中一个第一课程“vSphere虚拟化环境中存储概念”为例，该第一课程的课程时长为8个小时，假设最近半年共有50个用户浏览了该第一课程，则该第一课程对应的学习率为其中，e_kr为第r个用户学习该第一课程的学习时长(单位为小时)。由于学习时长反映课程的学习转化率，从而通过本实施方式可为目标用户确定出其关注领域内学习转换率高的课程。

步骤207：确定学习率在预设学习率范围内的、且与每一个学习关键字对应的第一课程，构成与每一个学习关键字对应的同类课程集合。

在本实施例中，从学习关键字对应的所有第一课程中确定同类课程的一种方式为：针对各个学习关键字，可预先设置同一个学习率范围，也可按照实际需求针对每一个学习关键字分别设置学习率范围。以上述步骤中的虚拟化为例，若50个第一课程中存在20个第一课程的学习率在预设学习率范围内，则将这20个第一课程构成与虚拟化对应的同类课程集合。另外，从学习关键字对应的所有第一课程中确定同类课程的另一种方式为：对50个第一课程分别对应的学习率进行排序，选取相对最大的G个学习率所分别对应的第一课程作为虚拟化的同类课程。

步骤208：确定浏览过同类课程集合中的至少一个同类课程的各个用户。

在本实施例中，以其中一个学习关键字虚拟化为例，假设通过上述步骤共确定出20个第一课程，则针对20个第一课程中的每一个第一课程，依次检索学习每一个第一课程的所有用户标识ID，然后将针对20个第一课程分别检索到的所有用户标识存储在同类用户集合中。

步骤209：确定每一个用户分别浏览各个同类课程的总学习时长。

在本实施例中，在得到学习关键字虚拟化对应的同类用户集合之后，针对同类用户集合中的每一个用户标识，确定每一个用户标识学习相应的同类课程集合中的同类课程的总学习时长。例如，通过上述步骤得到虚拟化对应的一个同类用户集合中的用户为李某，李某对同类课程集合中的20个第一课程中的15个第一课程均进行学习过，则李某的总学习时长即为李某学习这15个第一课程的各个学习时长之和。

步骤210：确定总学习时长在预设时长范围内的用户为榜样用户，并将榜样用户推荐给目标用户。

在本实施例中，可将总学习时长较长的用户作为榜样用户推荐给目标用户，从而目标用户可以关注该榜样用户，浏览其学习足迹，以指导自身的选课和学习计划。除了按照预设时长范围来确定榜样用户之外，还可对学习关键字对应的同类用户集合中的每一个用户的总学习时长进行排序，然后选择相对最大的Q个总学习时长所对应的用户作为榜样用户推荐给目标用户。

步骤211：确定榜样用户在预设第三时间段内所浏览过的各个第二课程。

在本实施例中，第三时间段可根据实际需求进行设置，如第三时间为以当前时间为参考的最近半年之内。

步骤212：确定每一个第二课程的完成量，并选取完成量大于第三预设阈值的第二课程，构成与每一个学习关键字对应的引申课程集合。

在本实施例中，至少存在如下两种方式确定每一个第二课程的完成量，其中一种方式为：确定第二课程被学习完的数量，并将该数量作为该第二课程的完成量，该实施方式的处理速率较快；另一种方式为：确定浏览过该第二课程的所有用户，根据计算每一个用户对该第二课程的完成率，并确定完成率大于预设完成率阈值的个数，将该个数作为该第二课程的完成量，该实施方式的精确度较高。

步骤213：对同类课程集合中的同类课程和引申课程集合中的引申课程进行去重复处理，得到新的课程集合。

步骤214：计算新的课程集合中的每一个课程的时效率。

在本实施例中，根据d_w＝α×(T_w-T_w1)+β×(T_w-T_w2)，计算每一个课程的时效率，已将既满足质量要求又满足时效要求的课程推荐给目标用户，其中，d_w为新的课程集合中的课程w对应的时效率，T_w为当前时间，T_w1为新的课程集合中的课程w对应的发布时间，T_w2为新的课程集合中的课程w最近一次被学习的时间，α、β为预设的权重因子，且满足α+β＝1，0≤α、β≤1。

步骤215：确定新的课程集合中的时效率大于第四预设阈值的课程，并从时效率大于预设第四阈值的课程中选取至少一个课程作为推荐课程推荐给目标用户。

在本实施例中，可从时效率大于第四预设阈值的课程中随机选取至少一个推荐给目标用户。

本发明实施例通过根据关键字的出现次数，从获取到的所有关键字中删除一些不太符合目标用户学习需求的关键字，然后针对剩余的关键字，在根据各个学习时长提炼出满足目标用户学习需求但是目标用户学习其相关课程较短的关键字作为学习关键字，从而可根据各个学习关键字可向目标用户推荐满足目标用户学习需求且质量较高的相关课程。另外，还可向目标用户推荐榜样用户，以使目标用户浏览榜样用户的学习足迹，以指导自己的选课和学习计划。除此之外，还将同类用户集合中中学习量较好的课程推荐给目标用户，有助于目标用户扩展学习范围。

图3为本发明实施例三提供的一种学习推荐装置的结构示意图，包括：

课程信息获取单元301，用于获取目标用户在预设第一时间段内所浏览的每一个目标课程的课程信息，其中，所述课程信息包括学习时长和至少一个关键字。

学习关键字确定单元302，用于确定每一个所述关键字的出现次数，并根据每一个所述关键字的出现次数和每一个所述目标课程的学习时长，确定至少一个学习关键字。

课程集合确定单元303，用于根据每一个所述学习关键字，确定与每一个所述学习关键字对应的同类课程集合、与每一个所述学习关键字对应的引申课程集合，其中，所述同类课程集合中包括至少一个同类课程，每一个所述同类课程中具有同类课程集合对应的学习关键字，所述引申课程集合中包括至少一个引申课程，每一个所述引申课程为浏览过所述同类课程的榜样用户所学习的课程，且每一个所述引申课程中不包括相应同类课程集合对应的学习关键字。

课程推荐单元304，用于根据与每一个所述学习关键字对应的同类课程集合和引申课程集合，向所述目标用户推荐与每一个所述学习关键字对应的推荐课程。

在本实施例中，本实施例的基于可执行本发明实施例一提供的方法，其实现原理相类似，此处不再赘述。

本发明实施例通过获取该目标用户在预设第一时间段内所浏览的每一个目标课程的学习时长，以及每一个目标课程对应的至少一个关键字，从而可根据每个关键字的出现次数和各个学习时长来提炼学习关键字，以根据提炼出的学习关键字，确定具有该学习关键字的同类课程，以及为了扩展目标用户的学习范围，还可根据学习同类课程的榜样用户确定引申课程，最后根据同类课程集合和引申课程集合，向目标用户推荐课程。

图4为本发明实施例四提供的一种学习推荐装置的结构示意图，在实施例三的基础上，如图4所示，

所述学习关键字确定单元302，包括：

第一确定模块3021，用于确定出现次数大于等于第一预设阈值的各个关键字。

第二确定模块3022，用于确定出现次数大于等于第一预设阈值的每一个关键字分别对应的平均学习时长并确定所述平均学习时长小于等于第二预设阈值的各个关键字，其中，t_ij为所述用户浏览具有关键字i的第j个目标课程的学习时长，n为关键字i出现的次数，j、n为正整数。

第三确定模块3023，用于从平均学习时长小于等于第二预设阈值的各个关键字中确定出所述至少一个学习关键字。

进一步地，所述课程集合确定单元303，包括：

搜索模块3031，用于搜索与每一个所述学习关键字对应的所有第一课程；

第一计算模块3032，用于计算与每一个所述学习关键字对应的每一个第一课程的学习率其中，f_k为与每一个所述学习关键字对应的第一课程k的学习率，e_kr为在预设第二时间段内第r个用户浏览与每一个所述学习关键字对应的第一课程k的学习时长，u_k为与每一个所述学习关键字对应的第一课程k的课程时长，m为在所述第二时间段内浏览与每一个所述学习关键字对应的第一课程k的用户的总数量，r、m为正整数。

第四确定模块3033，用于确定学习率在预设学习率范围内的、且与每一个所述学习关键字对应的第一课程，构成与每一个所述学习关键字对应的同类课程集合。

进一步地，所述课程推荐单元304，包括：

处理模块3041，用于对所述同类课程集合中的同类课程和所述引申课程集合中的引申课程进行去重复处理，得到新的课程集合。

第二计算模块3042，用于计算所述新的课程集合中的每一个课程的时效率d_w＝α×(T_w-T_w1)+β×(T_w-T_w2)，其中，d_w为所述新的课程集合中的课程w对应的时效率，T_w为当前时间，T_w1为所述新的课程集合中的课程w对应的发布时间，T_w2为所述新的课程集合中的课程w最近一次被学习的时间，α、β为预设的权重因子，且满足α+β＝1，0≤α、β≤1。

第五确定模块3043，用于确定所述新的课程集合中的时效率大于第四预设阈值的课程，并从时效率大于预设第四阈值的课程中选取至少一个课程作为推荐课程推荐给所述目标用户。

进一步地，所述装置还包括：榜样用户推荐单元401，所述榜样用户推荐单元401，包括：

第六确定模块4011，用于确定浏览过所述同类课程集合中的至少一个同类课程的各个用户。

第七确定模块4012，用于确定每一个用户分别浏览各个同类课程的总学习时长。

第八确定模块4013，用于确定总学习时长在预设时长范围内的用户为榜样用户，并将所述榜样用户推荐给所述目标用户。

进一步地，所述课程集合确定单元303，包括：

第九确定模块3034，用于确定榜样用户在预设第三时间段内所浏览过的各个第二课程。

第十确定模块3035，用于确定每一个第二课程的完成量，并选取完成量大于第三预设阈值的第二课程，构成与每一个所述学习关键字对应的引申课程集合。

在本实施例中，本实施例的可执行本发明实施例二提供的法，其实现原理相类似，此处不再赘述。

本发明实施例通过根据关键字的出现次数，从获取到的所有关键字中删除一些不太符合目标用户学习需求的关键字，然后针对剩余的关键字，在根据各个学习时长提炼出满足目标用户学习需求但是目标用户学习其相关课程较短的关键字作为学习关键字，从而可根据各个学习关键字可向目标用户推荐满足目标用户学习需求且质量较高的相关课程。另外，还可向目标用户推荐榜样用户，以使目标用户浏览榜样用户的学习足迹，以指导自己的选课和学习计划。除此之外，还将同类用户集合中中学习量较好的课程推荐给目标用户，有助于目标用户扩展学习范围。

图5为本发明实施例五提供的一种学习推荐设备的结构示意图，包括：存储器501和处理器502。

所述存储器501，用于存储计算机程序。

其中，所述处理器502执行所述存储器501中的计算机程序，以实现任一实施例的提供的方法。

本发明实施例六提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现任一实施例的提供的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本发明旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求书指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。

Claims (12)

1.一种学习推荐方法，其特征在于，包括：

获取目标用户在预设第一时间段内所浏览的每一个目标课程的课程信息，其中，所述课程信息包括学习时长和至少一个关键字；

确定每一个所述关键字的出现次数，并根据每一个所述关键字的出现次数和每一个所述目标课程的学习时长，确定至少一个学习关键字；

根据每一个所述学习关键字，确定与每一个所述学习关键字对应的同类课程集合、与每一个所述学习关键字对应的引申课程集合，其中，所述同类课程集合中包括至少一个同类课程，每一个所述同类课程中具有同类课程集合对应的学习关键字，所述引申课程集合中包括至少一个引申课程，每一个所述引申课程为浏览过所述同类课程的榜样用户所浏览的课程；

根据与每一个所述学习关键字对应的同类课程集合和引申课程集合，向所述目标用户推荐与每一个所述学习关键字对应的推荐课程。

2.根据权利要求1所述的方法，其特征在于，所述根据每一个所述关键字的出现次数和每一个所述目标课程的学习时长，确定至少一个学习关键字，包括：

确定出现次数大于等于第一预设阈值的各个关键字；

确定出现次数大于等于第一预设阈值的每一个关键字分别对应的平均学习时长并确定所述平均学习时长小于等于第二预设阈值的各个关键字，其中，t_ij为所述用户浏览具有关键字i的第j个目标课程的学习时长，n为关键字i出现的次数，j、n为正整数；

从平均学习时长小于等于第二预设阈值的各个关键字中确定出所述至少一个学习关键字。

3.根据权利要求1所述的方法，其特征在于，所述根据每一个所述学习关键字，确定与每一个所述学习关键字对应的同类课程集合，包括：

搜索与每一个所述学习关键字对应的所有第一课程；

计算与每一个所述学习关键字对应的每一个第一课程的学习率其中，f_k为与每一个所述学习关键字对应的第一课程k的学习率，e_kr为在预设第二时间段内第r个用户浏览与每一个所述学习关键字对应的第一课程k的学习时长，u_k为与每一个所述学习关键字对应的第一课程k的课程时长，m为在所述第二时间段内浏览与每一个所述学习关键字对应的第一课程k的用户的总数量，r、m为正整数；

确定学习率在预设学习率范围内的、且与每一个所述学习关键字对应的第一课程，构成与每一个所述学习关键字对应的同类课程集合。

4.根据权利要求1所述的方法，其特征在于，在所述根据每一个所述学习关键字，确定与每一个所述学习关键字对应的同类课程集合之后，还包括：

确定浏览过所述同类课程集合中的至少一个同类课程的各个用户；

确定每一个用户分别浏览各个同类课程的总学习时长；

确定总学习时长在预设时长范围内的用户为榜样用户，并将所述榜样用户推荐给所述目标用户。

5.根据权利要求4所述的方法，其特征在于，所述根据每一个所述学习关键字，确定与每一个所述学习关键字对应的引申课程集合，包括：

确定榜样用户在预设第三时间段内所浏览过的各个第二课程；

确定每一个第二课程的完成量，并选取完成量大于第三预设阈值的第二课程，构成与每一个所述学习关键字对应的引申课程集合。

6.根据权利要求1至5任一项所述的方法，其特征在于，所述根据与每一个所述学习关键字对应的同类课程集合和引申课程集合，向所述目标用户推荐与每一个所述学习关键字对应的推荐课程，包括：

对所述同类课程集合中的同类课程和所述引申课程集合中的引申课程进行去重复处理，得到新的课程集合；

计算所述新的课程集合中的每一个课程的时效率d_w＝α×(T_w-T_w1)+β×(T_w-T_w2)，其中，d_w为所述新的课程集合中的课程w对应的时效率，T_w为当前时间，T_w1为所述新的课程集合中的课程w对应的发布时间，T_w2为所述新的课程集合中的课程w最近一次被学习的时间，α、β为预设的权重因子，且满足α+β＝1，0≤α、β≤1；

确定所述新的课程集合中的时效率大于第四预设阈值的课程，并从时效率大于预设第四阈值的课程中选取至少一个课程作为推荐课程推荐给所述目标用户。

7.一种学习推荐装置，其特征在于，包括：

课程信息获取单元，用于获取目标用户在预设第一时间段内所浏览的每一个目标课程的课程信息，其中，所述课程信息包括学习时长和至少一个关键字；

学习关键字确定单元，用于确定每一个所述关键字的出现次数，并根据每一个所述关键字的出现次数和每一个所述目标课程的学习时长，确定至少一个学习关键字；

课程集合确定单元，用于根据每一个所述学习关键字，确定与每一个所述学习关键字对应的同类课程集合、与每一个所述学习关键字对应的引申课程集合，其中，所述同类课程集合中包括至少一个同类课程，每一个所述同类课程中具有同类课程集合对应的学习关键字，所述引申课程集合中包括至少一个引申课程，每一个所述引申课程为浏览过所述同类课程的榜样用户所浏览的课程；

课程推荐单元，用于根据与每一个所述学习关键字对应的同类课程集合和引申课程集合，向所述目标用户推荐与每一个所述学习关键字对应的推荐课程。

8.根据权利要求7所述的装置，其特征在于，所述学习关键字确定单元，包括：

第一确定模块，用于确定出现次数大于等于第一预设阈值的各个关键字；

第二确定模块，用于确定出现次数大于等于第一预设阈值的每一个关键字分别对应的平均学习时长并确定所述平均学习时长小于等于第二预设阈值的各个关键字，其中，t_ij为所述用户浏览具有关键字i的第j个目标课程的学习时长，n为关键字i出现的次数，j、n为正整数；

第三确定模块，用于从平均学习时长小于等于第二预设阈值的各个关键字中确定出所述至少一个学习关键字。

9.根据权利要求7所述的装置，其特征在于，所述课程集合确定单元，包括：

搜索模块，用于搜索与每一个所述学习关键字对应的所有第一课程；

第一计算模块，用于计算与每一个所述学习关键字对应的每一个第一课程的学习率其中，f_k为与每一个所述学习关键字对应的第一课程k的学习率，e_kr为在预设第二时间段内第r个用户浏览与每一个所述学习关键字对应的第一课程k的学习时长，u_k为与每一个所述学习关键字对应的第一课程k的课程时长，m为在所述第二时间段内浏览与每一个所述学习关键字对应的第一课程k的用户的总数量，r、m为正整数；

第四确定模块，用于确定学习率在预设学习率范围内的、且与每一个所述学习关键字对应的第一课程，构成与每一个所述学习关键字对应的同类课程集合。

10.根据权利要求7至9任一项所述的装置，其特征在于，所述课程推荐单元，包括：

处理模块，用于对所述同类课程集合中的同类课程和所述引申课程集合中的引申课程进行去重复处理，得到新的课程集合；

第二计算模块，用于计算所述新的课程集合中的每一个课程的时效率d_w＝α×(T_w-T_w1)+β×(T_w-T_w2)，其中，d_w为所述新的课程集合中的课程w对应的时效率，T_w为当前时间，T_w1为所述新的课程集合中的课程w对应的发布时间，T_w2为所述新的课程集合中的课程w最近一次被学习的时间，α、β为预设的权重因子，且满足α+β＝1，0≤α、β≤1；

第五确定模块，用于确定所述新的课程集合中的时效率大于第四预设阈值的课程，并从时效率大于预设第四阈值的课程中选取至少一个课程作为推荐课程推荐给所述目标用户。

11.一种学习推荐设备，其特征在于，包括：存储器和处理器；

所述存储器，用于存储计算机程序；

其中，所述处理器执行所述存储器中的计算机程序，以实现如权利要求1-6中任一项所述的方法。

12.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行以实现如权利要求1-6任一项所述的方法。