CN109858806A - 数据处理的方法、装置、介质和电子设备 - Google Patents
数据处理的方法、装置、介质和电子设备 Download PDFInfo
- Publication number
- CN109858806A CN109858806A CN201910089774.9A CN201910089774A CN109858806A CN 109858806 A CN109858806 A CN 109858806A CN 201910089774 A CN201910089774 A CN 201910089774A CN 109858806 A CN109858806 A CN 109858806A
- Authority
- CN
- China
- Prior art keywords
- learning
- user
- target user
- path
- study
- 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.)
- Pending
Links
Abstract
本发明提供了一种数据处理的方法。该方法包括:将不同用户的历史学习行为数据输入神经网络模型,得到每个用户的历史学习路径;根据不同用户的个人学习数据为每个用户生成学习属性标签;基于学习属性标签,利用协同过滤算法,筛选出目标用户的至少一个相似用户,将目标用户的历史学习路径以及至少一个相似用户的历史学习路径进行处理,以形成目标用户的准学习路径;将目标用户的计划学习数据与目标用户的准学习路径进行融合处理,得到目标用户的推荐学习路径,推荐学习路径包括多个学习任务。本方案通过个性化推荐的方式为每个目标用户提供一套完善的学习路径,有利于培养目标用户持续学习的学习习惯,进而能够提高目标用户的完课率。
Description
技术领域
本发明涉及数据处理技术领域,更具体地,本发明涉及一种数据处理的方法、数据处理的装置、计算机可读介质和电子设备。
背景技术
本部分旨在为权利要求书中陈述的本发明提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
随着科学技术的猛进发展,人们对知识的学习欲望越来越强烈。从而,“互联网+教育”形式的在线教育平台的发展应运而生。在线教育平台提供在线开放课程,从而为大众人群提供通过网络学习知识的机会。上述在线开放课程的参与者不一定是在校学生,参与者只要在成功注册并报名课程后,通过一段时间学习并达到课程所要求的条件后,可以获得相应的证书作为结课证明。其中,在线教育平台提供关于不同知识点的在线开放课程,讲授在线开放课程的老师按照循序渐进地方式定期发布一系列的学习任务,不同的学习任务可能具有不同的学习主题与学习时长等,还可以针对不同的学习任务发布测验作业,以供参与者按照授课老师发布的学习任务进行有节奏地学习。
目前通过在线教育平台进行学习的过程中,由于包含各种知识点的学习任务较多,同时整体学习周期长,因此面临着参与者完课率较低的问题。
现有技术中,为了解决上述问题,现有第一种技术方案会在发布学习任务之后,通过模板化的消息向所有参与此学习任务的用户发送提醒消息,以使用户根据提醒消息自主前往对应课程学习页面,从而实现召回用户学习。现有第二种技术方案中,为了提高参与者的课程完成率,在线教育平台记录统计参与者的学习时间,并可视化展示给用户,以强化用户的成就感,促进用户持续学习。
然而,使用现有技术提供的方法仍然无法有效提高参与者的完课率,并且现有的在线课程只能由用户选择确定,在线学习平台不能为用户智能生成符合用户个性化的学习路径。
发明内容
为此,非常需要一种改进的数据处理的方法,以有效提高参与者的完课率,为用户智能生成符合用户个性化的学习路径。
在本上下文中,本发明的实施方式期望提供一种数据处理的方法、数据处理的装置、计算机可读介质和电子设备。
在本发明实施方式的第一方面中,提供了一种数据处理的方法,包括:
将不同用户的历史学习行为数据输入神经网络模型,得到每个用户的历史学习路径;
根据不同用户的个人学习数据为每个用户生成学习属性标签;
基于所述学习属性标签,利用协同过滤算法,筛选出目标用户的至少一个相似用户,将所述目标用户的历史学习路径以及所述至少一个相似用户的历史学习路径进行处理,以形成所述目标用户的准学习路径;
将所述目标用户的计划学习数据与所述目标用户的准学习路径进行融合处理,得到所述目标用户的推荐学习路径,所述推荐学习路径包括多个学习任务。
在本发明的一些实施例中,基于前述方案,所述神经网络模型包括门控递归单元(Gated Recurrent Unit,简称:GRU)神经网络模型;
其中,将不同用户的历史学习行为数据输入神经网络模型,得到每个用户的历史学习路径,包括:
通过GRU神经网络模型的第一隐藏层处理所述历史学习行为数据,得到所述历史学习行为数据对应的兴趣知识点;
根据GRU神经网络模型的第二隐藏层,获取所述兴趣知识点与预置知识图谱中的标准知识点之间的匹配值;
通过所述GRU神经网络模型的第三隐藏层对所述兴趣知识点及所述匹配值进行处理,得到每个用户对应的标准知识点;
通过所述GRU神经网络模型的全连接层对所述每个用户对应的标准知识点和用户信息进行全连接处理,得到每个用户的历史学习路径;
其中,所述历史学习行为数据包括但不限于:浏览、收藏、点击、测试、在线学习。
在本发明的一些实施例中,基于前述方案,根据不同用户的个人学习数据为每个用户生成学习属性标签,包括:
根据不同用户的历史学习数据、当前学习数据和/或感兴趣的学习数据生成每个用户的多个学习属性标签,所述学习属性标签的类别包括知识点、兴趣点或学习习惯。
在本发明的一些实施例中,基于前述方案,所述基于所述学习属性标签,利用协同过滤算法,筛选出目标用户的至少一个相似用户,包括:
计算所述目标用户的学习属性标签与其他用户的学习属性标签之间的相似度;
在所述其他用户中,筛选出所述相似度大于预设阈值的对应的用户作为所述相似用户。
在本发明的一些实施例中,基于前述方案,将所述目标用户的历史学习路径以及所述至少一个相似用户的历史学习路径进行处理,以形成所述目标用户的准学习路径,包括:
将所述目标用户的历史学习路径中的学习任务与所述至少一个相似用户的历史学习路径中的学习任务进行合并处理,以得到合并后的多个学习任务;
根据所述目标用户的历史学习路径中的学习任务,对所述合并后的多个学习任务进行过滤处理,以根据所述过滤处理后的学习任务形成所述目标用户的准学习路径。
在本发明的一些实施例中,基于前述方案,所述根据所述过滤处理后的学习任务形成所述目标用户的准学习路径,包括:
为每个过滤处理后的学习任务设置初始分数,并根据所述目标用户的学习属性标签为每个所述过滤处理后的学习任务设置权重,以根据所述初始分数和所述权重计算每个所述过滤处理后的学习任务对应的得分;
根据所述得分由高到低的顺序对所述过滤处理后的学习任务进行排序,以确定所述目标用户对应的准学习路径。
在本发明的一些实施例中,基于前述方案,将所述目标用户的计划学习数据与所述目标用户的准学习路径进行融合处理,得到所述目标用户的推荐学习路径,包括:
根据所述目标用户的计划学习数据确定计划学习任务;
对所述计划学习任务与所述目标用户的准学习路径做融合处理,形成融合后的准学习路径;
对所述融合后的准学习路径中的每个学习任务进行分值计算,以获取针对所述目标用户的推荐学习路径。
在本发明的一些实施例中,基于前述方案,所述对所述融合后的准学习路径中的每个学习任务进行分值计算,以获取针对所述目标用户的推荐学习路径,包括:
为所述融合后的准学习路径中的每个学习任务设置初始分数;
根据所述学习任务的属性特征对所述融合后的准学习路径中的每个学习任务设置权重,以根据所述每个学习任务的初始分数和所述每个学习任务的权重计算所述每个学习任务对应的分值;
对所述每个学习任务的对应得分按照高低顺序进行排序,以获取针对所述目标用户的推荐学习路径,所述推荐学习路径包括具有时序的学习任务、每个学习任务对应的学习主题和学习时长,以及不同的学习任务之间的间隔时长。
在本发明的一些实施例中,基于前述方案:
所述学习任务的属性特征,包括所述学习任务的关联特征、时序特征、时长特征。
在本发明的一些实施例中,基于前述方案,在得到所述目标用户的推荐学习路径之后,还包括:
根据所述目标用户的推荐学习路径,生成所述目标用户的可交互学习日历。
在本发明的一些实施例中,基于前述方案,根据所述目标用户的推荐学习路径,生成所述目标用户的可交互学习日历,包括:
为所述推荐学习路径中的每个学习任务设置对应的超链接;
根据所述推荐学习路径中的每个学习任务对应的超链接,生成所述目标用户的可交互学习日历,所述每个学习任务对应的超链接用于为所述目标用户提供所述推荐学习路径中的每个学习任务对应的学习场景。
在本发明实施方式的第二方面中,提供了一种数据处理的装置,包括:
历史学习路径获取模块,用于将不同用户的历史学习行为数据输入神经网络模型,得到每个用户的历史学习路径;
学习属性标签获取模块,用于根据不同用户的个人学习数据为每个用户生成学习属性标签;
准学习路径获取模块,用于基于所述学习属性标签,利用协同过滤算法,筛选出目标用户的至少一个相似用户,将所述目标用户的历史学习路径以及所述至少一个相似用户的历史学习路径进行处理,以形成所述目标用户的准学习路径;
推荐学习路径确定模块,用于将所述目标用户的计划学习数据与所述目标用户的准学习路径进行融合处理,得到所述目标用户的推荐学习路径,所述推荐学习路径包括多个学习任务。
在本发明实施方式的第三方面中,提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述第一方面中所述的数据处理的方法。
在本发明实施方式的第四方面中,提供了一种电子设备,包括:处理器和存储器,所述存储器存储有可执行指令,所述处理器用于调用所述存储器存储的可执行指令执行如上述第一方面中所述的数据处理的方法。
根据本发明提供的实施方式中,一方面,根据用户的历史学习行为数据(如,浏览、收藏、点击、测试、在线学习等)确定各个用户所涉及的知识点对应的历史学习路径。又根据兴趣相似用户的历史学习路径、目标用户自身的历史学习路径以及每个目标用户的计划学习数据,为每个目标用户确定个性化的推荐学习路径。本技术方案通过个性化推荐的方式为每个目标用户提供一套完善的学习路径,每个目标用户通过执行各自对应的推荐学习路径中的学习任务能够达到个性化学习的技术效果,有利于培养目标用户持续学习的学习习惯,从而有利于提高目标用户的完课率。
另一方面,在获取针对目标用户的推荐学习路径的过程中,基于学习属性标签的方式,通过协同过滤算法的方式挖掘与目标用户的相似用户,进而通过获取到的相似用户的学习路径挖掘目标用户可能感兴趣的知识点,在保证个性化推荐的学习任务包含目标用户感兴趣的知识点,以及个性化推荐的学习任务包含目标用户计划学习的知识点的同时,还挖掘了目标用户可能感兴趣的知识点,从而,有针对性地扩展了每个目标用户的推荐学习路径所包含的知识面。
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例的数据处理的方法的流程示意图;
图2示意性地示出了根据本发明实施例的历史学习路径的确定方法的流程示意图;
图3示意性地示出了根据本发明实施例的相似用户的获取方法的流程示意图;
图4示意性地示出了根据本发明实施例的准学习路径的确定方法的流程示意图;
图5示意性地示出了根据本发明另一实施例的准学习路径的确定方法的流程示意图;
图6示意性地示出了根据本发明实施例的推荐学习路径的确定方法的流程示意图;
图7示意性地示出了根据本发明另一实施例的推荐学习路径的确定方法的流程示意图;
图8示意性地示出了根据本发明实施例的可交互日历的确定方法的流程示意图;
图9示意性地示出了根据本发明实施例的数据处理的装置的结构示意图;
图10示意性地示出了根据本发明的示例实施例的计算机可读介质的示意图;以及,
图11示意性地示出了根据发明的示例实施例的电子设备的方框图。
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发明更加透彻和完整,并且能够将本发明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、设备或计算机程序产品。因此,本发明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,提出了一种数据处理的方法、数据处理的装置、计算机可读介质和电子设备。
在本发明中,需要理解的是,涉及的“目标用户”为目标对象,通过本技术方案可以为每个目标用户提供一条推荐学习路径,“目标用户”可以是已经在某在线学习平台上注册过的学员,也可以是刚注册但还未开始在线学习的新注册会员。其中,还需要理解的是“学习路径”,即包括有一系列学习任务,用户执行这些学习任务以达到学习知识的目的。
在本发明中,需要理解的是,涉及的“知识点”具体有“兴趣知识点”和“标准知识点”等。为了统计的准确性与便利性,其中,“标准知识点”可以是“兴趣知识点”的标准化。例如:兴趣知识点:“唐朝”、“宋朝”、“明朝”、“清朝”等对应的标准知识点可以为“历史类”。再例如:“证券”、“基金”、“期货”等对应的标准知识点可以为“金融类”,等等。
当然,上述对于“兴趣知识点”和“标准知识点”的区别划分只是示意性地说明:“标准知识点”可以是“兴趣知识点”的标准化。而并不限于上述列举的区别划分方式。
在本发明中,还需要理解的是,涉及的“用户画像”,是根据用户的历史学习数据、当前学习数据和/或感兴趣的学习数据确定的,且上述用户画像的主要内容包含学习属性标签。关于“学习属性标签”:示例性的,用户a的历史学习数据中涉及证券相关知识,则据此确定用户a的习属性标签可以是“金融类”,也可以是“证券”。可见,学习属性标签与上述兴趣知识点/标准知识点具有一定的对应关系,学习属性标签的类别包括知识点、兴趣点或学习习惯等。
此外,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,通过第一种现有技术中提供的提高在线学习课程的完课率的方法中,由于不同用户之间学习诉求不同,所需要学的内容差异性很大,统一的消息推送可能只符合部分用户的学习习惯,而由在线学习平台统一发送地提醒消息,对于海量多元化的目标用户而言,一方面无法满足不同的目标用户日益差异化的学习诉求,另一方面容易受目标用户选课数量、活跃情况等影响,使得目标用户收到大量杂糅消息。从而不能够有效培养目标用户持续学习的学习习惯,无法提高目标用户的完课率。
通过第二种现有技术中提供的提高在线学习课程的完课率的方法中,虽然体现了目标用户的部分学习成果(学习时长等),但是无法实现与目标用户交互,导致对用户而言缺乏参与感,同样使得在线学习过程难以持续。同时,现有技术的技术方案中学习场景与学习时间割裂,导致出现目标用户学习路径冗长的问题。并且,现有技术的技术方案依赖于目标用户主动逐个查阅课程才能统筹学习时长,缺乏统一视角,容易错过许多关键学习节点。
基于上述内容,本发明的基本思想在于,根据用户的历史学习行为数据(如,浏览、收藏、点击、测试、在线学习等)确定各个用户所涉及的知识点对应的学习路径,又根据兴趣相似用户的历史学习路径、目标用户自身的历史学习路径以及每个目标用户的计划学习数据,为每个目标用户确定个性化的推荐学习路径。本技术方案通过个性化推荐的方式为每个目标用户提供一套完善的学习路径,每个目标用户通过执行各自对应的推荐学习路径中的学习任务能够达到个性化学习的技术效果,有利于培养目标用户持续学习的学习习惯,从而有利于提高目标用户的完课率。
同时,在获取针对目标用户的推荐学习路径的过程中,基于学习属性标签的方式,通过协同过滤算法的方式挖掘与目标用户的相似用户,进而通过获取到的相似用户的学习路径挖掘目标用户可能感兴趣的知识点,在保证个性化推荐的学习任务包含目标用户感兴趣的知识点,以及个性化推荐的学习任务包含目标用户计划学习的知识点的同时,还挖掘了目标用户可能感兴趣的知识点,从而,有针对性地扩展了每个目标用户的推荐学习路径所包含的知识面。
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
需要注意的是,下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。
示例性的,本发明适用于在线教育平台提供课程学习过程中,具体关于各个知识点的学习任务的学习过程中。尤其针对具有不同学习诉求的目标用户,能够为其制定个性化的推荐学习路径。通过个性化推荐的方式为每个目标用户提供一套完善的学习路径,每个目标用户通过执行各自对应的推荐学习路径中的学习任务能够达到个性化学习的技术效果,有利于培养目标用户持续学习的学习习惯,从而有利于提高目标用户的完课率。另外,还可以根据推荐学习路径为各个目标用户制定个性化的可交互日历,进而起到引发目标用户学习兴趣的作用,有利于提高用户的学习持续性。
示例性方法
下面结合上述的应用场景,参考图1至图8来描述根据本发明示例性实施方式的数据处理的方法。
图1示意性地示出了根据本发明实施例的数据处理的方法的流程示意图,参考图1,该方法包括以下步骤:
步骤S11,将不同用户的历史学习行为数据输入神经网络模型,得到每个用户的历史学习路径;
步骤S12,根据不同用户的个人学习数据为每个用户生成学习属性标签;
步骤S13,基于所述学习属性标签,利用协同过滤算法,筛选出目标用户的至少一个相似用户,将所述目标用户的历史学习路径以及所述至少一个相似用户的历史学习路径进行处理,以形成所述目标用户的准学习路径;以及,
步骤S14,将所述目标用户的计划学习数据与所述目标用户的准学习路径进行融合处理,得到所述目标用户的推荐学习路径,所述推荐学习路径包括多个学习任务。
以下对图1中所示的各个步骤的实现细节进行详细阐述:
示例性的,在步骤S11中,将不同用户的历史学习行为数据输入神经网络模型,以得到每个用户的历史学习路径。其中,上述神经网络模型可以是门控递归单元GRU神经网络模型。
GRU神经网络模型是一种具有反馈结构的神经网络模型,可以利用反馈结构将前一层的输出向后一层进行反馈。从而,GRU神经网络模型当前层的输出不仅与当前层的输入有关,还与之前层的输出有关。因此,GRU神经网络模型适用于处理具有时序特征的数据,从而,可以利用GRU神经网络模型对本实施例提供的技术方案中的历史学习行为数据进行处理。
具体的,GRU神经网络模型的结构包括输入层、隐藏层和输出层,其中的隐藏层包括GRU层,用于控制不同层之间的反馈系数。当然,此处不限制上述反馈系数的大小,可以根据实际情况的需要,对反馈系数进行设置。
在示例性的实施例中,在步骤S11中的神经网络模型是GRU神经网络模型的情况下,图2示意性地示出了根据本发明实施例的历史学习路径的确定方法的流程示意图。以下结合图2对步骤S11的具体实施方式进行解释说明。
参考图2,本实施例提供的历史学习路径的确定方法包括步骤S21-步骤S25。
在步骤S21中,通过GRU神经网络模型的第一隐藏层处理所述历史学习行为数据,得到所述历史学习行为数据对应的兴趣知识点。
在示例性的实施例中,上述用户可以为在线学习平台中的学员。首先获取在线学习平台中每一学员的历史学习行为数据。需要注意的是,同时需要获取历史学习行为数据发生的时间点,从而对于每一学员来说,可以获取其一系列具有时序的历史学习行为数据。进一步地,将属于同一学员的历史学习行为数据输入至GRU神经网络模型。通过GRU神经网络模型的第一隐藏层对上述每一学员的历史学习行为数据进行处理,以得到历史学习行为数据对应的兴趣知识点。从而,可以挖掘获得每一学员感兴趣的知识点,可以称作兴趣知识点。
在示例性的实施例中,上述历史学习行为数据是反映学员在在线学习平台中的操作数据,包括但不限于:浏览、收藏、点击、测试、在线学习,进一步地,也可以是每一个用户发生在网络环境下的所有跟学习相关的行为数据。
在示例性的实施例中,可以先对上述历史学习行为数据进行embedding(嵌入)处理,以将序列性的历史学习行为数据以词向量的方式进行表示,然后将处理后的数据输入至上述GRU神经网络模型。
在步骤S22中,根据GRU神经网络模型的第二隐藏层,获取所述兴趣知识点与预置知识图谱中的标准知识点之间的匹配值。
在示例性的实施例中,为了将上述兴趣知识点结构化,可以预先设置知识图谱,知识图谱中包括标准知识点。示例性的,在GRU神经网络模型的第二隐藏层中,使用注意力机制(Attention mechanism)计算上述兴趣知识点与预置知识图谱中的标准知识点之间的匹配值。具体的,通过Attention mechanism对上述兴趣知识点数据序列进行数据加权变换,得到每个兴趣知识点与各个标准知识点之间的相关度。且,兴趣知识点与标准知识点之间的相关度越高,则通过Attention mechanism获得的Attention score越大,兴趣知识点与标准知识点之间的相关度越低,则通过Attention mechanism获得的Attention score越小。在序列学习任务中,上述Attention mechanism可以有效提高序列对的系统表现,有利于使得数据处理贴近实际,从而提高数据处理的准确性。
在步骤S23中,通过所述GRU神经网络模型的第三隐藏层对所述兴趣知识点及所述匹配值进行处理,得到每个用户对应的标准知识点。
在示例性的实施例中,通过上述GRU神经网络模型的第三隐藏层,将步骤S22得到的Attention score和对应的兴趣知识点进行处理,得到每个用户对应的标准知识点。
在步骤S24中,通过上述GRU神经网络模型的全连接层,将步骤S22得到的每个用户对应的标准知识点以及对应的用户数据进行全连接处理。可以得到每个用户的历史学习路径。
在示例性的实施例中,上述每个历史学习路径与一个知识点对应,具体包括此知识点的学习任务。示例性的,在步骤S24中获取学员A关于标准知识点“金融”的历史学习路径,此学习路径包含的学习任务是根据学员A在过去的一段时间中关于金融的学习行为数据确定的,例如,用户A在2018年5月5日收藏了某金融课程,2018年5月12日点击了此金融课程并进行了在线学习,以及2018年5月30日完成了此金融课程的学习并将其推荐给了另一学员B等等。
在示例性的实施例中,上述每个用户对应的用户数据可以包含用户的年龄信息、学校信息、学籍信息等。
当然,每个用户的历史学习路径的数量与其历史学习行为数据涉及的知识点相关。并且,对于同一知识点,由于不同的用户涉及此知识点的历史学习行为数据不同,则会生成不同的历史学习路径。
在示例性的实施例中,对于在在线学习平台刚刚注册成功的“新学员”,获取上述历史学习路径的一种可实现的实施方式,具体如下:对于上述新学员,在注册过程中,平台获取其感兴趣的学习数据。进而根据感兴趣的学习数据确定新学员的学习属性标签,进一步根据学习属性标签确定此新学员的相似用户,并将相似用户的历史学习路径作为上述“新学员”的历史学习路径。
其中,上述根据学习属性标签确定此新学员的相似用户的具体实现方式将在以下实施例中进行详细解释。
示例性的,对于上述在在线学习平台刚刚注册成功的“新学员”,在获取其历史学习路径的另一种可实现的实施方式中,可以不局限于上述在学习平台产生的数据,还可以是能够获取到关于该用户的任何跟学习相关的行为数据。进而根据这些数据确定新学员的学习属性标签,进一步根据学习属性标签确定此新学员的相似用户,并将相似用户的历史学习路径作为上述“新学员”的历史学习路径。
继续参考图1,在步骤S12中,根据不同用户的个人学习数据为每个用户生成学习属性标签。
在示例性的实施例中,上述个人学习数据包括:历史学习数据、当前学习数据和感兴趣的学习数据。
具体的,在线学习平台中的学员具体可以包括:刚刚注册成功的学员和已经注册成功一段时间的学员。对于刚刚注册成功的学员来说,可能仅能获取到其感兴趣的学习数据。例如:注册过程中在线学习平台推荐各种类型的关键词,供注册者选择,获取注册者选择的关键词作为感兴趣的学习数据。从而,根据刚刚注册成功的学员的感兴趣的学习数据确定其学习属性标签。而对于已经注册成功一段时间的学员来说,能够获取到其历史学习数据、当前学习数据和/或感兴趣的学习数据,进而,根据历史学习数据、当前学习数据和/或感兴趣的学习数据确定其学习属性标签。其中,上述历史学习数据和当前学习数据是已经注册成功一段时间的学员产生的学习数据。具体的,上述历史学习数据可以是用户已经完成的学习任务,当前学习数据可以是用户当前正在学习且未完成的学习任务等。
在示例性的实施例中,对于每个用户,通过在个人中心填写用户资料、在站内搜索历史记录、观看的视频、参加的课程、参加的练习、发过的帖子内容、测验答题情况等方式,来获取并统计上述个人学习数据,进而为每个用户确定学习属性标签,上述学习属性标签的类别包括知识点、兴趣点或学习习惯等。
需要注意的是,个人学习数据与上述历史学习行为数据的区别点在于,历史学习数据和当前学习数据与知识点的学习相关,历史学习行为数据可以与知识点的学习无关,例如收藏了某视频。
继续参考图1,在步骤S13中,基于所述学习属性标签,利用协同过滤(Collaborative Filtering,简称:CF)算法,筛选出目标用户的至少一个相似用户。
在示例性的实施例中,图3示意性地示出了根据本发明实施例的相似用户的筛选方法的流程示意图。以下结合图3对步骤S13的具体实施方式进行解释说明。
在步骤S31中,计算所述目标用户的学习属性标签与其他用户的学习属性标签之间的相似度。
在示例性的实施例中,可以将在线学习平台中的任一学员作为目标用户。确定目标用户之后,获取步骤S12中确定的目标用户的学习属性标签与其他用户的学习属性标签,然后计算目标用户的学习属性标签与其他用户的学习属性标签之间的欧几里得距离。示例性的,所得欧几里得距离的值越小,说明对应的用户与目标用户的相似度越大,反之,两者之间的相似度越小。
在步骤S32中,在所述其他用户中,筛选出所述相似度大于预设阈值的对应的用户作为所述相似用户。
在示例性的实施例中,在用于与上述目标用户进行比对的其他用户中,基于上述欧几里得距离计算得到目标用户的学习属性标签与其他用户的学习属性标签的相似度,再筛选出相似度大于预设阈值的对应的用户作为目标用户的相似用户。
继续参考图1,在步骤S13中获取相似用户之后,还将所述目标用户的历史学习路径以及所述至少一个相似用户的历史学习路径进行处理,以形成所述目标用户的准学习路径。本实施例中,通过获取到的相似用户的学习路径挖掘目标用户可能感兴趣的知识点,在保证个性化推荐的学习任务包含目标用户感兴趣的知识点,以及个性化推荐的学习任务包含目标用户计划学习的知识点的同时,还挖掘了目标用户可能感兴趣的知识点,进而,起到有针对性地扩展目标用户的学习路径所包含的知识面的技术效果。
在示例性的实施例中,图4示意性地示出了根据本发明实施例的准学习路径的确定方法的流程示意图,具体示出了根据本发明实施例的相似用户的筛选方法。以下结合图4和图5对步骤S13的具体实施方式进行进一步地解释说明。
首先,参考图4,图4所示实施例提供的方法包括步骤S41和步骤S42。
在步骤S41中,将所述目标用户的历史学习路径中的学习任务与所述至少一个相似用户的历史学习路径中的学习任务进行合并处理,以得到合并后的多个学习任务。
在示例性的实施例中,假如某目标用户s的相似用户包括用户s1和用户s2。其中,目标用户s的历史学习路径包括L,用户s1的历史学习路径包括L1和L2,用户s2的历史学习路径包括L3。将目标用户s的历史学习路径L中的学习任务、用户s1的历史学习路径L1、L2中的学习任务,以及,用户s2的历史学习路径L3中的学习任务进行合并处理以得到合并后的多个学习任务。当然,在此数据处理过程中,可以对上述历史任务进行去重处理等,以保证下述步骤中形成的准学习路径的准确性。
需要说明的是,与上述历史学习路径不同,上述准学习路径与至少一个知识点对应,包括:关于所述至少一个知识点的学习任务。
示例性的,上述目标用户s的历史学习路径L是关于知识点o’的学习任务,上述用户s1的历史学习路径L1为关于知识点q的学习任务,历史学习路径L2为关于知识点p的学习任务,用户s2的历史学习路径L3是关于知识点o的学习任务。则在本步骤中得到的目标用户s的准学习路径可以为关于知识点o’、知识点p、知识点q以及知识点o的多个学习任务。从而,起到在保证目标用户自身感兴趣的知识点的同时,还通过相似用户的方式挖掘了目标用户可能感兴趣的知识点,进而,起到有针对性地扩展目标用户的学习路径所包含的知识面的技术效果。
在示例性的实施例中,可以对本步骤中得到的目标用户s的准学习路径中关于知识点o’、知识点p、知识点q以及知识点o对应的学习任务进行去重处理,可以保证下述步骤中形成的准学习路径的准确性。
在步骤S42中,根据所述目标用户的历史学习路径中的学习任务,对所述合并后的多个学习任务进行过滤处理,以根据所述过滤处理后的学习任务形成所述目标用户的准学习路径。
在示例性的实施例中,为了避免目标用户已经学过的学习任务出现在准学习路径中,在目标用户的历史学习路径中获取其已经学过的学习任务(如,对于学习任务w,目标用户s的测评分数达到了预设值,则表明学习任务w为目标用户s已经学过的学习任务等),并在步骤S41中合并处理后的学习任务中将目标用户已经学过的学习任务删除,以完成对合并后的多个学习任务的过滤处理,从而根据过滤处理后的学习任务形成目标用户的准学习路径。通过本实施例提供的过滤处理,提高了目标用户的学习效率,进而缩短学习周期,提高完课率。
在示例性的实施例中,图5示意性地示出了根据本发明另一实施例的准学习路径的确定方法的流程示意图,具体示出了对合并处理后的学习任务进行分值处理的方法。以下结合图5对步骤S42的具体实施方式进行解释说明。
参考图5,图5所示实施例提供的方法包括步骤S51和步骤S52。
在步骤S51中,为每个过滤处理后的学习任务设置初始分数,并根据所述目标用户的学习属性标签为每个所述过滤处理后的学习任务设置权重,以根据所述初始分数和所述权重计算每个所述过滤处理后的学习任务对应的得分。以及,在步骤S52中,根据所述得分由高到低的顺序对所述过滤处理后的学习任务进行排序,以确定所述目标用户对应的准学习路径。
在示例性的实施例中,为使得准学习路径中学习任务的排序满足目标用户的个性化需求,本实施例中以分值处理的方式处理上述过滤处理之后的学习任务,进而可以根据分值由大到小的顺序确定准学习路径中学习任务的排序。
具体地,首先,为每个过滤处理后的学习任务设置初始分数,示例性的,为每个过滤处理后的学习任务设置相同的初始分数A0。然后,根据每个过滤处理后的学习任务与目标用户的学习属性标签之间的关联度确定学习任务的权重Qi(其中,i表示目标用户的准学习路径中的学习任务的数目),从而,经过过滤处理后的每个学习任务均对应一个权重数值。且学习任务与目标用户的学习属性标签之间的关联度越高,该学习任务对应的权重数值越大,学习任务与目标用户的学习属性标签之间的关联度越低,该学习任务对应的权重数值越小。进一步地,经过过滤处理后的每个学习任务的得分分值可以通过其初始分数值A0与其权重Qi的乘积的形式表示。最后,按照得分分值由高到低的顺序对上述过滤处理后的学习任务进行排序,并获取前N个学习任务作为目标用户对应的准学习路径,N为正整数。
其中,目标用户的学习属性标签的类别包括目标用户对应的知识点、兴趣点或学习习惯。使用目标用户的属性标签确定上述学习任务的权重,可以有效地将目标用户的个性化喜好特点反映至准学习路径中的学习任务中,进而有利于引发目标用户自律学习的积极性。通过本实施例提供的技术方案,为不同的目标用户提供能够反映用户个性化的准学习路径,有利于引发目标用户自律学习的积极性以提高各个目标用户的完课率。
在示例性的实施例中,需要说明的是,上述每个准学习路径中的一系列的学习任务之间,具备了学习时序特征以及不同学习任务之间的关联特征(如,须在执行完学习任务e的基础上才能执行学习任务f等),以及每个学习任务也具备时长特征。因此,准学习路径中的每个学习任务具备各自的属性特征,包括:关联特征、时序特征、时长特征等。
继续参考图1,在步骤S14中,将所述目标用户的计划学习数据与所述目标用户的准学习路径进行融合处理,得到所述目标用户的推荐学习路径。
在示例性的实施例中,图6示意性地示出了根据本发明实施例的推荐学习路径的确定方法的流程示意图。以下结合图6和图7对步骤S14的具体实施方式进行解释说明。
首先,参考图6,图6所示实施例提供的方法包括步骤S61-步骤S63。
在步骤S61中,根据所述目标用户的计划学习数据确定计划学习任务。以及,在步骤S62中,对所述计划学习任务与所述目标用户的准学习路径做融合处理,形成融合后的准学习路径。
在示例性的实施例中,目标用户的计划学习数据可以是目标用户对于未来一段时间内设定的学习目标:包括学习主题以及预计的学习节奏(如,每周学习几天,每天学习几个小时等)。根据每个目标用户的计划学习数据确定计划学习任务,并且与准学习路径中的每个学习任务相似,每个目标用户的属性特征包括:关联特征、时序特征、时长特征。
在示例性的实施例中,对于每一个目标用户:将其计划学习任务与其准学习路径进行融合处理,具体是将其计划学习任务与其准学习路径中的学习任务归为一组,并在以下步骤中根据此组内的学习任务为目标用户确定推荐学习路径。
在步骤S63中,对所述融合后的准学习路径中的每个学习任务进行分值计算,以获取针对所述目标用户的推荐学习路径。
在示例性的实施例中,图7示意性地示出了另一实施例的推荐学习路径的确定方法的流程示意图,具体示出了对融合处理后的准学习路径中的学习任务进行分值处理的方法。以下结合图7对步骤S63的具体实施方式进行解释说明。
参考图7,图7所示实施例提供的方法包括步骤S71-步骤S73。
在步骤S71中,为所述融合后的准学习路径中的每个学习任务设置初始分数。以及,在步骤S72中,根据所述学习任务的属性特征对所述融合后的准学习路径中的每个学习任务设置权重,以根据所述每个学习任务的初始分数和所述每个学习任务的权重计算所述每个学习任务对应的分值。
在示例性的实施例中,为了使得将目标用户的计划学习路径有序地融合至上述学习路径之中,并为使得推荐学习路径中学习任务的排序进一步满足目标用户的个性化需求,本实施例中以分值处理的方式处理上述融合处理之后的准学习路径中的学习任务,进而可以根据分值由大到小的顺序确定推荐学习路径中的学习任务。
具体地,首先,为经过融合处理之后的准学习路径中的每个学习任务设置初始分数,示例性的,为经过融合处理之后的准学习路径中的每个学习任务设置相同的初始分数B0。然后,根据融合处理之后的准学习路径中的学习任务的属性特征确定各个学习任务的权重Qj(其中,j表示经过融合处理之后的准学习路径的学习任务的数目),从而,经过融合处理后的准学习路径中的每个学习任务均对应一个权重数值Qj。进一步地,经过融合处理后的准学习路径中的每个学习任务的得分分值可以通过其初始分数值B0与其权重Qj的乘积的形式表示。
在步骤S73中,对所述每个学习任务的对应得分按照高低顺序进行排序,以获取针对所述目标用户的推荐学习路径,所述推荐学习路径包括具有时序的学习任务、每个学习任务对应的学习主题和学习时长,以及不同的学习任务之间的间隔时长。
在示例性的实施例中,按照得分分值由高到低的顺序对上述融合处理后的准学习路径中的学习任务进行排序。便可以获取针对目标用户的推荐学习路径,且推荐学习路径包括具有时序的学习任务、每个学习任务对应的学习主题和学习时长,以及不同的学习任务之间的间隔时长。
通过本实施例提供的技术方案,将每个目标用户的计划学习任务融入至对应的准学习路径中,通过目标用户自主制定的学习计划,加强目标用户的学习持续性和自我约束力。为不同的目标用户提供能够反映用户个性化的推荐学习路径,从而每个目标用户的推荐学习路径中的不仅包含基于兴趣挖掘的学习任务,还包含目标用户各自的计划学习任务,从而有利于进一步引发目标用户自律学习的积极性,提高各个目标用户的完课率。
在本发明的一些实施例中,基于前述方案,在得到所述目标用户的推荐学习路径之后,本实施例提供的数据处理方法,还包括:根据所述目标用户的推荐学习路径,生成所述目标用户的可交互学习日历。
在示例性的实施例中,图8示意性地示出了根据本发明实施例的可交互日历的确定方法的流程示意图,参考图8,该方法包括:
步骤S81,为所述推荐学习路径中的每个学习任务设置对应的超链接。以及,步骤S82,根据所述推荐学习路径中的每个学习任务对应的超链接,生成所述目标用户的可交互学习日历,所述每个学习任务对应的超链接用于为所述目标用户提供所述推荐学习路径中的每个学习任务对应的学习场景。
在示例性的实施例中,对于任一目标用户的推荐学习路径,为其包含的每个学习任务设置超链接,目标用户通过超链接可以进入学习任务对应的学习场景,例如:授课老师授课的场景、提问问题的场景、测试场景等等。然后,根据推荐学习路径中学习任务之间的间隔时长,将针对不同学习任务的超链接分布至日历中形成可交互日历。
在本实施例提供的技术方案中,为每个目标用户提供一种可交互的日历。目标用户可点击可交互日历展示的学习任务前往对应学习场景,进行学习。例如学习视频课程,则可以点击超链接前往对应的视频学习的地址,点击测验作业则会前往对应答题页等。
在本实施例提供的技术方案中,可交互日历将按照间隔时长分布的学习任务可视化,目标用户可以清楚地了解可交互日历中的学习任务的时间分布,可以按照可交互日历中的时间安排进行学习任务的学习。从而,可交互日历将推荐学习路径包含的学习任务可视化,在督促目标用户学习的同时有效的起到了他律作用,有利于提高目标用户学习的持续性。并且,目标用户可以根据可交互日历中的超链接进入学习任务对应的学习场景,从而为目标用户学习对应的学习任务提供了便利,有利于提高目标用户的学习效率。
示例性装置
在介绍了本发明示例性实施例的方法之后,接下来,参考图9对本发明示例性实施方式的数据处理的装置进行说明。
图9示意性地示出了根据本发明实施例的数据处理的装置的结构示意图。参考图9,数据处理的装置900,包括:历史学习路径获取模块901、学习属性标签获取模块902、准学习路径获取模块903以及推荐学习路径确定模块904。
其中,上述历史学习路径获取模块901,用于将不同用户的历史学习行为数据输入神经网络模型,得到每个用户的历史学习路径;
学习属性标签获取模块902,用于根据不同用户的个人学习数据为每个用户生成学习属性标签;
上述准学习路径获取模块903,用于基于所述学习属性标签,利用协同过滤算法,筛选出目标用户的至少一个相似用户,将所述目标用户的历史学习路径以及所述至少一个相似用户的历史学习路径进行处理,以形成所述目标用户的准学习路径;
上述推荐学习路径确定模块904,用于将所述目标用户的计划学习数据与所述目标用户的准学习路径进行融合处理,得到所述目标用户的推荐学习路径,所述推荐学习路径包括多个学习任务。
在本发明的一些实施例中,基于前述方案,所述神经网络模型包括GRU神经网络模型;上述历史学习路径获取模块901,包括:兴趣知识点确定单元9011、匹配值确定单元9012、标准知识点确定单元9013以及历史学习路径确定单元9014。
其中,上述兴趣知识点确定单元9011,用于通过GRU神经网络模型的第一隐藏层处理所述历史学习行为数据,得到所述历史学习行为数据对应的兴趣知识点;
上述匹配值确定单元9012,用于根据GRU神经网络模型的第二隐藏层,获取所述兴趣知识点与预置知识图谱中的标准知识点之间的匹配值;
上述标准知识点确定单元9013,用于通过所述GRU神经网络模型的第三隐藏层对所述兴趣知识点及所述匹配值进行处理,得到每个用户对应的标准知识点;
上述历史学习路径确定单元9014,用于通过所述GRU神经网络模型的全连接层对所述每个用户对应的标准知识点和用户信息进行全连接处理,得到每个用户的历史学习路径;
其中,所述历史学习行为数据包括但不限于:浏览、收藏、点击、测试、在线学习。
在本发明的一些实施例中,基于前述方案,上述学习属性标签获取模块902,具体用于:
根据不同用户的历史学习数据、当前学习数据和/或感兴趣的学习数据生成每个用户的多个学习属性标签,所述学习属性标签的类别包括知识点、兴趣点或学习习惯。
在本发明的一些实施例中,基于前述方案,上述准学习路径获取模块903,包括:相似用户确定子模块9031。
其中,上述相似用户确定子模块9031包括:相似度计算单元311和相似用户确定单元312。
其中,上述相似度计算单元311用于:计算所述目标用户的学习属性标签与其他用户的学习属性标签之间的相似度;以及,
上述相似用户确定单元312用于:在所述其他用户中,筛选出所述相似度大于预设阈值的对应的用户作为所述相似用户。
在本发明的一些实施例中,基于前述方案,上述准学习路径获取模块903,包括:准学习路径确定子模块9032。
其中,上述准学习路径确定子模块9032包括:合并处理单元321和过滤处理单元322。
其中,上述合并处理321用于:将所述目标用户的历史学习路径中的学习任务与所述至少一个相似用户的历史学习路径中的学习任务进行合并处理,以得到合并后的多个学习任务;以及,
上述过滤处理单元322用于:根据所述目标用户的历史学习路径中的学习任务,对所述合并后的多个学习任务进行过滤处理,以根据所述过滤处理后的学习任务形成所述目标用户的准学习路径。
在本发明的一些实施例中,基于前述方案,上述准学习路径确定子模块9032还包括:分值计算单元323。
其中,上述分值计算单元323用于:
为每个过滤处理后的学习任务设置初始分数,并根据所述目标用户的学习属性标签为每个所述过滤处理后的学习任务设置权重,以根据所述初始分数和所述权重计算每个所述过滤处理后的学习任务对应的得分;以及,
根据所述得分由高到低的顺序对所述过滤处理后的学习任务进行排序,以确定所述目标用户对应的准学习路径。
在本发明的一些实施例中,基于前述方案,上述推荐学习路径确定模块904,包括:计划学习任务确定单元9041、融合处理单元9042以及分值计算单元9043。
其中,上述计划学习任务确定单元9041用于:根据所述目标用户的计划学习数据确定计划学习任务;
上述融合处理单元9042用于:对所述计划学习任务与所述目标用户的准学习路径做融合处理,形成融合后的准学习路径;以及,
上述分值计算单元9043用于:对所述融合后的准学习路径中的每个学习任务进行分值计算,以获取针对所述目标用户的推荐学习路径。
在本发明的一些实施例中,基于前述方案,上述分值计算单元9043,具体用于:
为所述融合后的准学习路径中的每个学习任务设置初始分数;
根据所述学习任务的属性特征对所述融合后的准学习路径中的每个学习任务设置权重,以根据所述每个学习任务的初始分数和所述每个学习任务的权重计算所述每个学习任务对应的分值;以及,
对所述每个学习任务的对应得分按照高低顺序进行排序,以获取针对所述目标用户的推荐学习路径,所述推荐学习路径包括具有时序的学习任务、每个学习任务对应的学习主题和学习时长,以及不同的学习任务之间的间隔时长。
在本发明的一些实施例中,基于前述方案,所述学习任务的属性特征,包括所述学习任务的关联特征、时序特征、时长特征。
在本发明的一些实施例中,基于前述方案,还包括:可交互学习日历生成模块905。
在得到所述目标用户的推荐学习路径之后,上述可交互学习日历生成模块905用于:根据所述目标用户的推荐学习路径,生成所述目标用户的可交互学习日历。
在本发明的一些实施例中,基于前述方案,数据处理的装置900还包括:可交互学习日历生成模块905。
其中,上述可交互学习日历生成模块905包括:超链接获取单元9051和可交互学习日历确定单元9052。
其中,上述超链接获取单元9051用于:为所述推荐学习路径中的每个学习任务设置对应的超链接;以及,
上述可交互学习日历确定单元9052用于:根据所述推荐学习路径中的每个学习任务对应的超链接,生成所述目标用户的可交互学习日历,所述每个学习任务对应的超链接用于为所述目标用户提供所述推荐学习路径中的每个学习任务对应的学习场景。
示例性介质
在介绍了本发明示例性实施例的装置之后,接下来,对本发明示例性实施方式的介质进行说明。
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介质,其上存储有程序代码,当所述程序代码被设备的处理器执行时,用于实现本说明书上述“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数据处理的方法中的步骤。
例如,所述设备的处理器执行所述程序代码时可以实现如图1中所述的步骤S11,将不同用户的历史学习行为数据输入神经网络模型,得到每个用户的历史学习路径;步骤S12,根据不同用户的个人学习数据为每个用户生成学习属性标签;步骤S13,基于所述学习属性标签,利用协同过滤算法,筛选出目标用户的至少一个相似用户,将所述目标用户的历史学习路径以及所述至少一个相似用户的历史学习路径进行处理,以形成所述目标用户的准学习路径;以及,步骤S14,将所述目标用户的计划学习数据与所述目标用户的准学习路径进行融合处理,得到所述目标用户的推荐学习路径,所述推荐学习路径包括多个学习任务。
参考图10所示,描述了根据本发明的实施例的用于实现上述数据处理方法的程序产品1000,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,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此。
在本发明的一些实施方式中,所述设备的处理器执行所述程序代码时用于实现如图1至图8任一图示的步骤。
需要说明的是:上述的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。
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,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电子设备上执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务器上执行。在涉及远程电子设备的情形中,远程电子设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户电子设备,或者,可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
示例性电子设备
在介绍了本发明示例性实施方式的数据处理的方法、数据处理的装置、计算机可读介质之后,接下来,介绍根据本发明的另一示例性实施方式的电子设备。
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,根据本发明实施方式的电子设备可以至少包括至少一个处理器、以及至少一个存储器。其中,所述存储器存储有程序代码,当所述程序代码被所述处理器执行时,使得所述处理器执行本说明书上述“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数据处理的方法中的步骤。例如,所述处理器可以执行如图1中所述的步骤S11,将不同用户的历史学习行为数据输入神经网络模型,得到每个用户的历史学习路径;步骤S12,根据不同用户的个人学习数据为每个用户生成学习属性标签;步骤S13,基于所述学习属性标签,利用协同过滤算法,筛选出目标用户的至少一个相似用户,将所述目标用户的历史学习路径以及所述至少一个相似用户的历史学习路径进行处理,以形成所述目标用户的准学习路径;以及,步骤S14,将所述目标用户的计划学习数据与所述目标用户的准学习路径进行融合处理,得到所述目标用户的推荐学习路径,所述推荐学习路径包括多个学习任务。
又如,所述处理器也可以执行如图1至图8任一图示的步骤。
下面参照图11来描述根据本发明的示例实施例的电子设备1100。图11所示的电子设备1100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11所示,电子设备1100以通用电子设备的形式表现。电子设备1100的组件可以包括但不限于:上述至少一个处理单元1101、上述至少一个存储单元1102、连接不同系统组件(包括存储单元1102和处理单元1101)的总线1103、显示单元1107。
总线1103包括数据总线、地址总线和控制总线。
存储单元1102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)11021和/或高速缓存存储器11022,还可以进一步包括只读存储器(ROM)11023。
存储单元1102还可以包括具有一组(至少一个)程序模块11024的程序/实用工具11025,这样的程序模块11024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。
电子设备1100也可以与一个或多个外部设备1104(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与电子设备1100交互的设备通信,和/或与使得电子设备1100能与一个或多个其它电子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1105进行。并且,电子设备1100还可以通过网络适配器1106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1106通过总线1103与电子设备1100的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备1100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。
应当注意,尽管在上文详细描述中提及了数据处理装置的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本发明的实施例,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
应当注意,尽管在上文详细描述中提及了数据处理的装置的若干单元或子单元,但是这种划分仅仅是示例性的,并非是强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多模块或单元的特征和功能可以在一个模块或单元中具体化。反之,上文描述的一个模块或单元的特征和功能可以进一步划分为由多个模块或单元来具体化。
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,本发明并不限于所发明的具体实施方式,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)
1.一种数据处理的方法,其中,该方法包括:
将不同用户的历史学习行为数据输入神经网络模型,得到每个用户的历史学习路径;
根据不同用户的个人学习数据为每个用户生成学习属性标签;
基于所述学习属性标签,利用协同过滤算法,筛选出目标用户的至少一个相似用户,将所述目标用户的历史学习路径以及所述至少一个相似用户的历史学习路径进行处理,以形成所述目标用户的准学习路径;
将所述目标用户的计划学习数据与所述目标用户的准学习路径进行融合处理,得到所述目标用户的推荐学习路径,所述推荐学习路径包括多个学习任务。
2.根据权利要求1所述的方法,所述神经网络模型包括GRU神经网络模型;
其中,将不同用户的历史学习行为数据输入神经网络模型,得到每个用户的历史学习路径,包括:
通过GRU神经网络模型的第一隐藏层处理所述历史学习行为数据,得到所述历史学习行为数据对应的兴趣知识点;
根据GRU神经网络模型的第二隐藏层,获取所述兴趣知识点与预置知识图谱中的标准知识点之间的匹配值;
通过所述GRU神经网络模型的第三隐藏层对所述兴趣知识点及所述匹配值进行处理,得到每个用户对应的标准知识点;
通过所述GRU神经网络模型的全连接层对所述每个用户对应的标准知识点和用户信息进行全连接处理,得到每个用户的历史学习路径;
其中,所述历史学习行为数据包括但不限于:浏览、收藏、点击、测试、在线学习。
3.根据权利要求1所述的方法,其中,根据不同用户的个人学习数据为每个用户生成学习属性标签,包括:
根据不同用户的历史学习数据、当前学习数据和/或感兴趣的学习数据生成每个用户的多个学习属性标签,所述学习属性标签的类别包括知识点、兴趣点或学习习惯。
4.根据权利要求1所述的方法,其中,所述基于所述学习属性标签,利用协同过滤算法,筛选出目标用户的至少一个相似用户,包括:
计算所述目标用户的学习属性标签与其他用户的学习属性标签之间的相似度;
在所述其他用户中,筛选出所述相似度大于预设阈值的对应的用户作为所述相似用户。
5.根据权利要求1所述的方法,其中,将所述目标用户的历史学习路径以及所述至少一个相似用户的历史学习路径进行处理,以形成所述目标用户的准学习路径,包括:
将所述目标用户的历史学习路径中的学习任务与所述至少一个相似用户的历史学习路径中的学习任务进行合并处理,以得到合并后的多个学习任务;
根据所述目标用户的历史学习路径中的学习任务,对所述合并后的多个学习任务进行过滤处理,以根据所述过滤处理后的学习任务形成所述目标用户的准学习路径。
6.根据权利要求5所述的方法,其中,所述根据所述过滤处理后的学习任务形成所述目标用户的准学习路径,包括:
为每个过滤处理后的学习任务设置初始分数,并根据所述目标用户的学习属性标签为每个所述过滤处理后的学习任务设置权重,以根据所述初始分数和所述权重计算每个所述过滤处理后的学习任务对应的得分;
根据所述得分由高到低的顺序对所述过滤处理后的学习任务进行排序,以确定所述目标用户对应的准学习路径。
7.根据权利要求1所述的方法,其中,将所述目标用户的计划学习数据与所述目标用户的准学习路径进行融合处理,得到所述目标用户的推荐学习路径,包括:
根据所述目标用户的计划学习数据确定计划学习任务;
对所述计划学习任务与所述目标用户的准学习路径做融合处理,形成融合后的准学习路径;
对所述融合后的准学习路径中的每个学习任务进行分值计算,以获取针对所述目标用户的推荐学习路径。
8.一种数据处理的装置,其中,该装置包括:
历史学习路径获取模块,用于将不同用户的历史学习行为数据输入神经网络模型,得到每个用户的历史学习路径;
学习属性标签获取模块,用于根据不同用户的个人学习数据为每个用户生成学习属性标签;
准学习路径获取模块,用于基于所述学习属性标签,利用协同过滤算法,筛选出目标用户的至少一个相似用户,将所述目标用户的历史学习路径以及所述至少一个相似用户的历史学习路径进行处理,以形成所述目标用户的准学习路径;
推荐学习路径确定模块,用于将所述目标用户的计划学习数据与所述目标用户的准学习路径进行融合处理,得到所述目标用户的推荐学习路径,所述推荐学习路径包括多个学习任务。
9.一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如权利要求1至7中任一项所述的数据处理的方法。
10.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至7中任一项所述的数据处理的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910089774.9A CN109858806A (zh) | 2019-01-30 | 2019-01-30 | 数据处理的方法、装置、介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910089774.9A CN109858806A (zh) | 2019-01-30 | 2019-01-30 | 数据处理的方法、装置、介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109858806A true CN109858806A (zh) | 2019-06-07 |
Family
ID=66896791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910089774.9A Pending CN109858806A (zh) | 2019-01-30 | 2019-01-30 | 数据处理的方法、装置、介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109858806A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110795630A (zh) * | 2019-10-29 | 2020-02-14 | 龙马智芯(珠海横琴)科技有限公司 | 一种学习方案推荐方法及装置 |
CN110990691A (zh) * | 2019-11-14 | 2020-04-10 | 泰康保险集团股份有限公司 | 一种在线课程推荐方法、装置及计算机存储介质 |
CN111159242A (zh) * | 2019-12-27 | 2020-05-15 | 杭州趣维科技有限公司 | 一种基于边缘计算的客户端重排序方法及系统 |
CN112381595A (zh) * | 2021-01-11 | 2021-02-19 | 平安科技(深圳)有限公司 | 基于交往行为的用户价值预测方法及相关设备 |
CN112541845A (zh) * | 2020-12-15 | 2021-03-23 | 泰康保险集团股份有限公司 | 一种在线培训的方法、装置、电子设备和存储介质 |
WO2021068608A1 (zh) * | 2019-10-11 | 2021-04-15 | 深圳壹账通智能科技有限公司 | 提取用户画像的方法、装置、计算机设备和存储介质 |
CN112825147A (zh) * | 2019-11-21 | 2021-05-21 | 亿度慧达教育科技(北京)有限公司 | 学习路径规划方法、装置、设备和存储介质 |
CN113362097A (zh) * | 2020-03-06 | 2021-09-07 | 北京京东振世信息技术有限公司 | 一种用户确定方法和装置 |
CN113554906A (zh) * | 2020-04-23 | 2021-10-26 | 苏州维尔利欧信息科技有限公司 | 一种基于3d打印的在线教育系统 |
CN113570946A (zh) * | 2021-07-21 | 2021-10-29 | 北京思想天下教育科技有限公司 | 基于大数据云平台的线上培训教育信息化教学方法及系统 |
CN115062227A (zh) * | 2022-07-06 | 2022-09-16 | 南宁睿普软件有限公司 | 采用人工智能分析的用户行为活动分析方法及大数据系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937524A (zh) * | 2009-06-30 | 2011-01-05 | 华中师范大学 | 一种毕业设计个性化指导系统 |
CN105718582A (zh) * | 2016-01-25 | 2016-06-29 | 重庆邮电大学 | 一种E-learning平台下学习资源个性化推荐系统及方法 |
US20160210349A1 (en) * | 2015-01-20 | 2016-07-21 | Knewton, Inc. | Generating content relationships based on aggregate user solicited feedback |
CN106023015A (zh) * | 2016-05-18 | 2016-10-12 | 腾讯科技(深圳)有限公司 | 课程学习路径推荐方法及装置 |
CN106503172A (zh) * | 2016-10-25 | 2017-03-15 | 天闻数媒科技(湖南)有限公司 | 基于知识图谱推荐学习路径的方法和装置 |
CN106557996A (zh) * | 2015-09-24 | 2017-04-05 | 习维 | 第二语言教学系统及方法 |
CN106897404A (zh) * | 2017-02-14 | 2017-06-27 | 中国船舶重工集团公司第七0九研究所 | 一种基于多gru层神经网络的推荐方法与系统 |
CN107766547A (zh) * | 2017-10-31 | 2018-03-06 | 掌阅科技股份有限公司 | 电子书推荐方法、电子设备及计算机存储介质 |
CN107832410A (zh) * | 2017-11-03 | 2018-03-23 | 四川文轩教育科技有限公司 | 一种基于知识网络学习路径的推荐方法 |
CN108932685A (zh) * | 2018-09-10 | 2018-12-04 | 北京万维之道信息技术有限公司 | 用于读书的学习方法及装置 |
CN109241405A (zh) * | 2018-08-13 | 2019-01-18 | 华中师范大学 | 一种基于知识关联的学习资源协同过滤推荐方法及系统 |
CN109272164A (zh) * | 2018-09-29 | 2019-01-25 | 清华大学深圳研究生院 | 学习行为动态预测方法、装置、设备及存储介质 |
-
2019
- 2019-01-30 CN CN201910089774.9A patent/CN109858806A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937524A (zh) * | 2009-06-30 | 2011-01-05 | 华中师范大学 | 一种毕业设计个性化指导系统 |
US20160210349A1 (en) * | 2015-01-20 | 2016-07-21 | Knewton, Inc. | Generating content relationships based on aggregate user solicited feedback |
CN106557996A (zh) * | 2015-09-24 | 2017-04-05 | 习维 | 第二语言教学系统及方法 |
CN105718582A (zh) * | 2016-01-25 | 2016-06-29 | 重庆邮电大学 | 一种E-learning平台下学习资源个性化推荐系统及方法 |
CN106023015A (zh) * | 2016-05-18 | 2016-10-12 | 腾讯科技(深圳)有限公司 | 课程学习路径推荐方法及装置 |
CN106503172A (zh) * | 2016-10-25 | 2017-03-15 | 天闻数媒科技(湖南)有限公司 | 基于知识图谱推荐学习路径的方法和装置 |
CN106897404A (zh) * | 2017-02-14 | 2017-06-27 | 中国船舶重工集团公司第七0九研究所 | 一种基于多gru层神经网络的推荐方法与系统 |
CN107766547A (zh) * | 2017-10-31 | 2018-03-06 | 掌阅科技股份有限公司 | 电子书推荐方法、电子设备及计算机存储介质 |
CN107832410A (zh) * | 2017-11-03 | 2018-03-23 | 四川文轩教育科技有限公司 | 一种基于知识网络学习路径的推荐方法 |
CN109241405A (zh) * | 2018-08-13 | 2019-01-18 | 华中师范大学 | 一种基于知识关联的学习资源协同过滤推荐方法及系统 |
CN108932685A (zh) * | 2018-09-10 | 2018-12-04 | 北京万维之道信息技术有限公司 | 用于读书的学习方法及装置 |
CN109272164A (zh) * | 2018-09-29 | 2019-01-25 | 清华大学深圳研究生院 | 学习行为动态预测方法、装置、设备及存储介质 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021068608A1 (zh) * | 2019-10-11 | 2021-04-15 | 深圳壹账通智能科技有限公司 | 提取用户画像的方法、装置、计算机设备和存储介质 |
CN110795630A (zh) * | 2019-10-29 | 2020-02-14 | 龙马智芯(珠海横琴)科技有限公司 | 一种学习方案推荐方法及装置 |
CN110795630B (zh) * | 2019-10-29 | 2021-04-30 | 龙马智芯(珠海横琴)科技有限公司 | 一种学习方案推荐方法及装置 |
CN110990691A (zh) * | 2019-11-14 | 2020-04-10 | 泰康保险集团股份有限公司 | 一种在线课程推荐方法、装置及计算机存储介质 |
CN112825147B (zh) * | 2019-11-21 | 2022-08-26 | 亿度慧达教育科技(北京)有限公司 | 学习路径规划方法、装置、设备和存储介质 |
CN112825147A (zh) * | 2019-11-21 | 2021-05-21 | 亿度慧达教育科技(北京)有限公司 | 学习路径规划方法、装置、设备和存储介质 |
CN111159242A (zh) * | 2019-12-27 | 2020-05-15 | 杭州趣维科技有限公司 | 一种基于边缘计算的客户端重排序方法及系统 |
CN111159242B (zh) * | 2019-12-27 | 2023-04-25 | 杭州小影创新科技股份有限公司 | 一种基于边缘计算的客户端重排序方法及系统 |
CN113362097B (zh) * | 2020-03-06 | 2023-11-07 | 北京京东振世信息技术有限公司 | 一种用户确定方法和装置 |
CN113362097A (zh) * | 2020-03-06 | 2021-09-07 | 北京京东振世信息技术有限公司 | 一种用户确定方法和装置 |
CN113554906A (zh) * | 2020-04-23 | 2021-10-26 | 苏州维尔利欧信息科技有限公司 | 一种基于3d打印的在线教育系统 |
CN112541845A (zh) * | 2020-12-15 | 2021-03-23 | 泰康保险集团股份有限公司 | 一种在线培训的方法、装置、电子设备和存储介质 |
CN112541845B (zh) * | 2020-12-15 | 2023-12-01 | 泰康保险集团股份有限公司 | 一种在线培训的方法、装置、电子设备和存储介质 |
CN112381595A (zh) * | 2021-01-11 | 2021-02-19 | 平安科技(深圳)有限公司 | 基于交往行为的用户价值预测方法及相关设备 |
CN113570946A (zh) * | 2021-07-21 | 2021-10-29 | 北京思想天下教育科技有限公司 | 基于大数据云平台的线上培训教育信息化教学方法及系统 |
CN115062227A (zh) * | 2022-07-06 | 2022-09-16 | 南宁睿普软件有限公司 | 采用人工智能分析的用户行为活动分析方法及大数据系统 |
CN115062227B (zh) * | 2022-07-06 | 2023-01-10 | 广推科技(北京)有限公司 | 采用人工智能分析的用户行为活动分析方法及大数据系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858806A (zh) | 数据处理的方法、装置、介质和电子设备 | |
Lapan | Deep Reinforcement Learning Hands-On: Apply modern RL methods, with deep Q-networks, value iteration, policy gradients, TRPO, AlphaGo Zero and more | |
Truong | Integrating learning styles and adaptive e-learning system: Current developments, problems and opportunities | |
Kelly et al. | Smart machines: IBM's Watson and the era of cognitive computing | |
Brusilovsky et al. | Increasing adoption of smart learning content for computer science education | |
CN103620662B (zh) | 用于自适应知识评估和学习的系统与方法 | |
Jakobi | Evolutionary robotics and the radical envelope-of-noise hypothesis | |
Adams et al. | Mapping the landscape of human-level artificial general intelligence | |
Higgs et al. | Clinical decision making and multiple problem spaces | |
Cochran-Smith et al. | When complexity theory meets critical realism: A platform for research on initial teacher education. | |
Lao | Reorienting machine learning education towards tinkerers and ML-engaged citizens | |
CN109886848B (zh) | 数据处理的方法、装置、介质和电子设备 | |
Williams | No fear coding: Computational thinking across the k-5 curriculum | |
Luo et al. | A review of interactive narrative systems and technologies: a training perspective | |
de OLIVEIRA et al. | Information and communication technologies in education 4.0 paradigm: a systematic mapping study | |
El Kabtane et al. | Virtual reality and augmented reality at the service of increasing interactivity in MOOCs | |
Diao et al. | Personalized learning path recommendation based on weak concept mining | |
As et al. | Artificial intelligence in urban planning and design: technologies, implementation, and impacts | |
Bai et al. | CAT-ViL: Co-attention Gated Vision-Language Embedding for Visual Question Localized-Answering in Robotic Surgery | |
Efrati et al. | A data mining approach to the analysis of students’ learning styles in an e-learning community: A case study | |
Lopes et al. | Multi-armed bandits for intelligent tutoring systems | |
Al-Hunaiyyan et al. | A cognitive knowledge-based model for an academic adaptive e-advising system | |
KR101627397B1 (ko) | 단어 연상 퀴즈 서비스 제공 시스템 및 방법 | |
Sweta | Modern Approach to Educational Data Mining and Its Applications | |
Li | Socially intelligent autonomous agents that learn from human reward |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20190823 Address after: 310052 Room 309, Building No. 599, Changhe Street Network Business Road, Binjiang District, Hangzhou City, Zhejiang Province Applicant after: Netease Youdao Information Technology (Hangzhou) Co., Ltd. Address before: Hangzhou City, Zhejiang province Binjiang District 310052 River Street Network Road No. 599 building 4 layer 7 Applicant before: NetEase (Hangzhou) Network Co., Ltd. |
|
TA01 | Transfer of patent application right |