CN110019392A - 在网络教学系统中推荐教师的方法 - Google Patents

在网络教学系统中推荐教师的方法 Download PDF

Info

Publication number
CN110019392A
CN110019392A CN201711082432.1A CN201711082432A CN110019392A CN 110019392 A CN110019392 A CN 110019392A CN 201711082432 A CN201711082432 A CN 201711082432A CN 110019392 A CN110019392 A CN 110019392A
Authority
CN
China
Prior art keywords
teacher
student
alternative
target student
class
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
CN201711082432.1A
Other languages
English (en)
Other versions
CN110019392B (zh
Inventor
沈亮
刘一丁
冷德维
张保福
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.)
Beijing Dami Technology Co Ltd
Original Assignee
Beijing Dami Technology 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 Beijing Dami Technology Co Ltd filed Critical Beijing Dami Technology Co Ltd
Priority to CN201711082432.1A priority Critical patent/CN110019392B/zh
Priority to US15/857,657 priority patent/US10671620B2/en
Priority to KR1020197000433A priority patent/KR102206256B1/ko
Priority to PCT/CN2018/094974 priority patent/WO2019091131A1/zh
Priority to EP18808201.0A priority patent/EP3511882A4/en
Priority to JP2019524263A priority patent/JP6842538B2/ja
Priority to TW107139431A priority patent/TW201923696A/zh
Publication of CN110019392A publication Critical patent/CN110019392A/zh
Application granted granted Critical
Publication of CN110019392B publication Critical patent/CN110019392B/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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24578—Query processing with adaptation to user needs using ranking
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063112—Skill-based matching of a person or a group to a task
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2282—Tablespace storage structures; Management thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B5/00—Electrically-operated educational appliances

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Technology (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本申请提供了一种用于在网络教学系统中向目标学员推荐教师的方法。所述方法包括：获取目标学员的特征信息；根据所述目标学员的特征信息从教师数据库中检索匹配的备选教师，以得到包括至少一名备选教师的备选教师列表；计算所述目标学员向所述备选教师列表中各个备选教师约课的概率；以及根据计算得到的概率对所述教师列表中的备选教师进行排序，并且向目标学员提供经排序的备选教师列表。

Description

在网络教学系统中推荐教师的方法
技术领域
本申请涉及一种推荐教师的方法，更具体地，涉及一种用于在网络教学系统中向目标学员推荐教师的方法。
背景技术
随着计算机网络技术的快速发展，以及人们对网络教育的需求的增加，在市场上已经涌现出一些网络教学系统，用以向用户提供例如在线的课程培训、英语教学等。
在学员能够自主选择教师的网络教学系统中，学员往往通过输入关键字来筛选自己心仪的教师。随着教师数据库中的教师的数量不断增加，学员的筛选结果中的教师数量也会越来越庞大，这使得学员需要浏览大量的教师信息，才能最终确定选择哪一位教师。另一方面，虽然学员可以通过使用一组关键词来减小筛选结果的数量，但是关键词数量的增加不可避免地会排除掉一些具有一定关联性的教师，这降低了筛选结果的准确性。
因此，如何在大量的教师中快速地找到适合学员的教师，是一个迫切需要解决的问题。
发明内容
为了解决上述问题，本申请提供一种用于在网络教学系统中向目标学员推荐教师的方法和装置。
在本申请的一个方面，提供了一种用于在网络教学系统中向目标学员推荐教师的方法。所述方法包括：获取目标学员的特征信息；根据所述目标学员的特征信息从教师数据库中检索匹配的备选教师，以得到包括至少一名备选教师的备选教师列表；计算所述目标学员向所述备选教师列表中各个备选教师约课的概率；以及根据计算得到的概率对所述教师列表中的备选教师进行排序，并且向目标学员提供经排序的备选教师列表。
可以看出，对于本申请的推荐教师的方法，其能够根据目标学员的特征信息来推荐备选教师，以便于目标学员后续决定是否与被推荐的备选教师约课，这可以有效提高学员约课的成功率，减少了对网络教学系统的处理成本。
在本申请的另一方面，还提供了一种用于在网络教学系统中向目标学员推荐教师的装置，所述装置包括：处理器；以及存储器，所述存储器被配置成存储由所述处理器执行的指令；其中所述处理器被配置成执行：获取目标学员的特征信息；根据所述目标学员的特征信息从教师数据库中检索匹配的备选教师，以得到包括至少一名备选教师的备选教师列表；计算所述目标学员向所述备选教师列表中各个备选教师约课的概率；以及根据计算得到的概率对所述教师列表中的备选教师进行排序，并且向目标学员提供经排序的备选教师列表。
在本申请的又一方面，还提供了一种计算机可读介质，所述计算机可读介质包括程序指令，所述程序指令可由计算机执行以完成下述用于在网络教学系统中向目标学员推荐教师的过程：获取目标学员的特征信息；根据所述目标学员的特征信息从教师数据库中检索匹配的备选教师，以得到包括至少一名备选教师的备选教师列表；计算所述目标学员向所述备选教师列表中各个备选教师约课的概率；以及根据计算得到的概率对所述教师列表中的备选教师进行排序，并且向目标学员提供经排序的备选教师列表。
以上为本申请的概述，可能有简化、概括和省略细节的情况，因此本领域的技术人员应该认识到，该部分仅是示例说明性的，而不旨在以任何方式限定本申请范围。本概述部分既非旨在确定所要求保护主题的关键特征或必要特征，也非旨在用作为确定所要求保护主题的范围的辅助手段。
附图说明
通过下面结合附图所做的说明和所附的权利要求书，将会更加充分地清楚理解本申请内容的上述和其他特征。可以理解，这些附图仅描绘了本申请内容的若干实施方式，因此不应认为是对本申请内容范围的限定。通过参考附图，本申请内容将会得到更加明确和详细地说明。
图1示出了根据本发明一个实施例的网络教学系统；
图2示出了根据本发明一个实施例的用于在网络教学系统中向目标学员推荐教师的方法。
具体实施方式
在下面的详细描述中，参考了构成其一部分的附图。在附图中，类似的符号通常表示类似的组成部分，除非上下文另有说明。详细描述、附图和权利要求书中描述的例示说明性实施方式并非旨在限定。在不偏离本申请的主题的精神或范围的情况下，可以采用其他实施方式，并且可以做出其他变化。可以理解，可以对本文中一般性描述的、在附图中图解说明的本申请内容的各个方面进行多种不同构成的配置、替换、组合，设计，而所有这些都在明确设想之中，并构成本申请内容的一部分。
图1示出了根据本发明一个实施例的网络教学系统10。
在一些实施例中，网络教学系统10可以包括学员设备12，学员设备12可以是台式计算机、笔记本计算机或其他计算设备，其可以通过有线或无线网络与互联网14连接。在另一些实施例中，学员设备12也可以是智能移动通信终端，例如使用Android或Apple IOS操作系统的移动通信终端，其可以通过无线网络、例如无线WiFi或移动数据通信网络与互联网14连接。
在一些实施例中，网络教学系统10还可以包括教师设备18。类似地，教师设备18也可以是台式计算机、笔记本计算机或其他计算设备，其可以通过有线或无线网络与互联网14连接。在另一些实施例中，教师设备18也可以是智能移动通信终端，例如使用Android或Apple IOS操作系统的移动通信终端，其可以通过无线网络、例如无线WiFi或移动数据通信网络与互联网14连接。
在一些实施例中，网络教学系统10还包括教学服务器16。教学服务器16通过有线或者无线的方式与互联网14连接。在一些实施例中，教学服务器16可以是常用的能够管理资源并为用户提供服务的计算机设备，其可以包括处理器、存储器、以及通用计算机架构中的任何其它部件。在网络教学系统10中，学员设备12和教师设备18都可以通过互联网14来访问教学服务器16，从而使得教学服务器16可以为学员设备12和教师设备16提供信息处理、数据存储和管理等服务。
在一些实施例中，网络教学系统10可以用于在学员和教师之间提供教学服务。在一些实施例中，网络教学系统10的学员可以通过学员设备12在教学服务器16提供的所有教师中选择一名心仪的教师，从而接受该名教师提供的教学服务。在确定自己心仪的教师之后，学员可以通过约课的方式向该名教师发起约课申请。在教师接受学员的约课申请后，网络教学系统10可以在特定的时间段内为学员和教师安排教学服务。在一些实施例中，通过学员设备12和教师设备18的视频通话功能，学员和教师能够以视频的方式进行实时的交流和沟通。在某一实施例中，学员可以通过教学服务器16提供的筛选功能查找自己心仪的教师。在另一实施例中，教学服务器16能够主动地向学员推荐学员可能感兴趣的教师。
图2示出了根据本发明一个实施例的用于在网络教学系统中向目标学员推荐教师的方法100。该方法100的至少一部分可以由例如图1所示的网络教学系统10中的教学服务器16执行。结合图1所示，图2所示的方法100包括：
步骤S102，获取目标学员的特征信息。在一些实施例中，目标学员的特征信息包括：目标学员的个人参数和/或针对教师的操作行为记录。
在一些实施例中，学员在注册成为网络教学系统的用户之后，可以输入或以其他方式提供一些个人参数。例如，学员可以选择自己的年龄、所在地区、学习水平、购买力、性格、性别和兴趣点等等，以作为自己的个人参数。不同的个人参数表示了学员在某一方面的特性，其有助于网络教学系统识别不同学员的特点。例如，年龄为5岁的学员与年龄为8岁的学员在语言表达能力、理解能力上会有区别，因此网络教学系统可以针对不同年龄的学员提供不同的服务或提供不同的推荐信息。再例如，女性学员和男性学员在兴趣爱好和思维方式上会有区别，因此网络教学系统也可以根据性别的不同来提供不同的服务或提供不同的推荐信息。
可以理解，每个学员可以具有不同类型的多个个人参数，而不同类型的个人参数的组合也可以被用于指示学员的特点。例如，针对5岁女性学员提供的服务可以不同于针对8岁男性学员提供的服务。
在一些实施例中，网络教学系统10可以包括学员数据库，其例如集成在教学服务器16中，或者可以被教学服务器访问。学员数据库包括在该网络教学系统上注册过的学员对应的个人参数。
需要说明的是，个人参数可以是学员自己提供的标准化数据，也可以是学员的监护人员提供的标准化数据(例如通过从多个备选个人参数中选择一个适合的个人参数)。在一些实施例中，学员也可以提供一些个人描述或介绍，而网络教学系统可以提供一参数提取程序或算法，以从这些个人描述或介绍中提取出对应的个人参数。例如，学员可能在其个人描述中介绍：“我来自上海，今年6岁”，那么网络教学系统可以根据特定程序或算法获得以下个人参数：所在地区-上海，年龄-6岁。
除了上述学员主动提供的个人参数或相关信息之外，在使用网络教学系统的过程中，学员会产生针对教师的一些操作行为记录。在一些实施例中，针对教师的操作行为记录可以包括：浏览行为记录、约课行为记录和/或关注行为记录。例如，学员的浏览行为记录可以包括学员浏览教师相关页面的次数；学员的约课行为记录可以包括学员向教师约课的次数；学员的关注行为记录可以包括学员是否关注教师。
具体地，学员可以登录网络教学系统，并且搜索、浏览一些教师的个人页面，以了解教师的基本信息。例如，教师的个人页面可以包括该教师的头像照片、性格、所在区域、年龄、教育背景、教学经历、特长、授课时间、学员评价、被关注数等等。在一些实施例中，网络教学系统会记录特定学员对于特定教师的个人页面的每一次浏览行为，从而生成该学员的浏览行为记录。例如，网络教学系统能够记录学员A浏览过教师A的个人页面10次，浏览过教师B的个人页面5次，等等。由于学员在不同的学习阶段可能具有不同的兴趣点和学习目标，因此，在一些实施例中，学员的浏览行为记录可以是阶段性地，例如最近一周、最近一个月，最近三个月或者最近一年的浏览行为记录。可以理解，由于学员可能在不同时刻多次浏览同一教师，因此浏览行为记录还可以包括浏览次数和/或各次浏览的具体时间。
在实际约课的过程中，在确定适合自己的教师之后，学员会通过系统向教师发起约课，并在预定的时间接受该教师的教学服务。在一些实施例中，网络教学系统会记录特定学员对于特定教师每一次约课行为。例如，网络教学系统能够记录学员A向教师A发起过10次约课，向教师B发起过5次约课，等等。可以理解，在某些情况下，例如因为意外、事故、个人状况等各种原因，学员可能不能够在约课后按照约课时间上课。因此，在一些实施例中，约课行为记录可以不包括约课后未按时上课的约课行为；但在另一些实施例中，约课行为记录也可以包括约课后按时上课和未按时上课的约课行为。此外，类似于浏览行为记录，约课行为记录可以是阶段性的行为记录或非阶段性的行为记录。可以理解，由于学员可能在不同时刻多次接受同一教师的授课，因此约课行为记录还可以包括约课次数和/或各次约课的具体时间。
在一些实施例中，在浏览过教师的个人页面之后，学员如果觉得浏览的教师比较适合自己，可以先关注该教师。例如，教师的个人页面上可以具有“关注”的按键，学员可以通过点击“关注”的方式，将该教师添加到自己的关注列表中。在一些实施例中，网络教学系统会记录特定学员是否关注了特定教师。例如，网络教学系统能够记录学员A关注了教师A、教师B、教师C等等。
可以理解，上述学员针对教师的操作行为记录反映了学员对教师所教授课程的兴趣，因而可以被用于后续的教师推荐。在一些实施例中，可以基于一种操作行为的操作行为记录来进行后续处理，在另一些实施例中，也可以基于多种操作行为的组合记录来进行后续处理。此外，可选地，对于不同类型的操作行为记录，也可以设置相对应的优先级或权重。例如，相比于浏览行为和关注行为，约课行为意味着学员已经实际接受了或计划将要接受教师的授课，因此其可以设置较高的权重；而相比于关注行为，浏览行为更多表明学员仅仅还是处于选择教师的过程中，学员对被浏览的教师是否满意还不确定，因而浏览行为可以被设置为较低的权重。
另外需要注意的是，对于每位教师，学生针对其的操作行为也相应地被记录下来。例如，某位教师可以有对应的关注记录，其包括了所有关注其的学员列表；再例如，某位教师也可以有对应的授课记录，其包括了与该教师约课的学员的列表。
接着，在步骤S104中，根据所述目标学员的特征信息从教师数据库中检索匹配的备选教师，以得到包括至少一名备选教师的备选教师列表。在一些实施方式中，网络教学系统包括教师数据库，该教师数据库包括可供学员选择的所有教师，以及每个教师所具有的个人参数。
在一些实施例中，用于从教师数据库中检索备选教师的目标学员的特征信息可以是目标学员的个人参数和/或针对教师的操作行为记录。其中，针对教师的操作行为记录可以包括：浏览行为记录、约课行为记录和/或关注行为记录。
在某一实施例中，可以根据目标学员的个人参数从教师数据库中检索匹配的备选教师，以得到包括至少一名备选教师的备选教师列表TList1。例如，网络教学系统可以包括学员数据库，而学员数据库记录了所有学员的个人参数，例如年龄、所在地区、学习水平、购买力、性格、性别和兴趣点。在某一实施例中，当某位学员的年龄是6岁时，网络教学系统可以获得年龄为6岁的所有学员所点击过的教师列表。再比如，当某位学员是位于上海的6岁小女孩时，网络教学系统分别获得所在地区为上海的所有学员所点击过的教师、年龄为6岁的学员所点击过的教师、和性别为女的学员所点击过的教师，然后使用线性加权的方式得到位于上海的6岁小女孩所点击过的教师列表。在另一实施例中，也可以按照与目标学员个人参数基本相同的参数来获取教师列表。例如，可以获得所有位于上海的6岁小女孩所点击过的教师的列表。在一些优选的实施例中，可以先按照多个参数(例如n个，取决于目标学员的个人参数的个数M，n不大于M)相同的情况获取教师列表，在多个参数相同的情况下获得的教师列表包含的备选教师数量较少时，可以再按照较少的参数(例如n-1、n-2…直至1个)相同来获取教师列表，直到备选教师的数量符合预定的数量要求。这种方式既可以提高备选教师的相关性，也可以避免因参数要求过于严格而无法得到足够多的备选教师。可以理解，当学员具有不同种类和不同数量的个人参数时，均可以通过类似方法获得包括至少一名备选教师的备选教师列表TList1。需要说明的是，本申请中所提到的个人参数相同包括上述基本相同的情况。在一些实施例中，与目标学员个人参数相同或基本相同可以包括至少有一项个人参数相同的情况。在另一些实施例中，与目标学员个人参数相同或基本相同可以包括至少有两项、三项或更多项个人参数相同的情况。在一些实施例中，还可以给不同的个人参数设定不同的优先级，优先级低的个人参数可以被不考虑，特别是在与优先级高的参数匹配的备选教师数量较少时。例如，年龄、性别等参数可以设置为具有较高的优先级，而所在地区等可以被设置为具有相对较低的优先级。
在某一实施例中，可以根据目标学员的浏览行为记录从教师数据库中检索匹配的备选教师，以得到包括至少一名备选教师的备选教师列表TList2。如上所述，浏览行为记录包括浏览教师相关页面的次数。相应地，网络教学系统会记录所有学员的所有浏览行为记录。对于学员Si，其对n位教师所产生的浏览行为向量可以是{Ti1,Ti2…Tij,…Tin},其中Tij表示学员Si针对教师Tj所产生的浏览行为的次数。在一些实施例中，可以使用MetaPath的方法来计算学员Si和教师Tj之间的浏览行为的相似度(similarity)，并将该相似度定位成Simi1(Si,Tj)。MetaPath方法是被用于异构信息网络(Heterogeneous InformationNetwork，HIN)中、用来表示HIN中两个节点之间的边类型以及节点类的序列。MetaPath方法可以被用于信息提取、制定决策等应用领域。关于MetaPath方法的更多信息，可以参见“Discovering Meta-Paths in Large Heterogeneous Information Networks,ChangpingMeng et.al,World Wide Web Conference 2015,May 18-22,2015,Florence,Italy”。该论文的全部内容通过引用方式并入本申请。
除了目标学员个人的浏览行为记录之外，在一些实施例中，还可以基于与目标学员Si有关联的其他学员的浏览行为记录来确定目标学员Si与教师之间的浏览行为的相似度。例如，向学员Si推荐该网络教学系统的学员Sk的浏览行为、上课行为、关注行为记录，可以被用于确定学员Si与教师之间的浏览行为的相似度。进一步地，通过比较相似度的高低来获得包括至少一名备选教师的备选教师列表TList2。例如，对于特定的目标学员S1，可以使用MetaPath的方法产生与n位教师的n个相似度Simi1(S1,T1)、Simi1(S1,T2)、……、Simi1(S1,Tn)，通过比较n个相似度的高低来确定用于向目标学员S1推荐的备选教师。
在一些实施例中，还可以根据目标学员的上课行为记录和关注行为记录从教师数据库中检索匹配的备选教师，以分别得到包括至少一名备选教师的备选教师列表TList3和TList4。获得TList3和TList4的方法与获得TList2的方法类似，在此不作赘述。
在一些实施例中，可以单独地使用TList1、TList2、TList3和TList4中的任何一个作为在步骤S104中的备选教师列表。在另一些实施例中，可以使用TList1、TList2、TList3和TList4的集合作为在步骤S104中的备选教师列表。在其它实施例中，也可以使用TList1、TList2、TList3和TList4中的任意两个或三个所形成的集合来作为在步骤S104中的备选教师列表。正如前述，在一些实施例中，在采用多个列表的集合的情况下，不同列表中的元素可以被设置或分配不同的权重或优先级。
进一步，在步骤S106中，计算所述目标学员向所述备选教师列表中各个备选教师约课的概率。
在一些实施例中，可以使用机器学习领域常用的逻辑回归法(logisticregression)来预测目标学员向备选教师约课的概率。可以理解，在构建逻辑回归模型时，可以使用的特征包括：学员特征、教师特征和/或学员-教师关联特征。在一些实施例中，学员特征可以包括下述参数构成的组中的至少一项：年龄、所在地区、学习水平、购买力、性格、性别和兴趣点。例如某学员David年龄9岁，男性，家住北京市东城区，家境富裕(代表购买力高)，则可以用[student_age:9,student_gender:male,student_area:Beijing,student_purchase:high]等key_value的集合形式来表示此学员的特征。教师特征可以包括下述参数构成的组中的至少一项：年龄、所在地区、教龄、毕业学校、评论数、评分值、浏览人群、入职天数和被关注数。例如某教师Grace年龄30岁，女性，居住于美国洛杉矶，毕业于加州州立大学，从事教学8年，截至目前为止学员对此老师评分平均分为4.99分(满分5分)，则可以用[teacher_age:30,teacher_gender:female,teacher_area:Los Angeles,teacher_experience:8,teacher_rating:4.99]等key_value的集合形式表示此教师特征。教师-学员关联特征可以包括下述参数构成的组中的至少一项：学员浏览、学员约课、学员关注、学员评价和教师评价。例如，对于上面所提到的学员David，老师Grace可能是David的备选老师之一，并且David的约课中有80％是Grace的课程，则学员-教师关联特征中学员约课(体现学员对老师的偏好)这一特征可设为0.8等等。且可以理解，学员特征、教师特征和/或学员-教师关联特征可以包括除上述列出的特征之外的其它特征。
例如，可以选择学员特征中的年龄、性别、所在地区、购买力，教师特征中的年龄、性别、所在地区、教龄、评分值，以及学员-教师关联特征中的学员约课，从而用上述十个特征来构建逻辑回归模型，以计算目标学员向备选教师列表中各个备选教师约课的概率。正如前面所提到的学员David和教师Grace这一学员与教师对(pair)，可以用[student_age:9,student_gender:male,student_area:Beijing,student_purchase:high,teacher_age:30,teacher_gender:famale,teacher_area:Los Angeles,teacher_experience:8,teacher_rating:4.99,student_teacher_favour:0.8]来表示学员与教师pair,之后通过连续特征离散化与独立热编码处理，可以得到形如[student_age_9:1,student_gender_male:1,student_area_Beijing:1,student_purcha se_high:1,teacher_age_30:1,teacher_gender_famale:1,teacher_area_Los Angeles:1,teacher_experience_8:1,teacher_rating_(4-5]:1,student_teacher_favour_(0.7,0.8]:1]这样一条高维稀疏向量。同样的方法步骤可以被应用至其他的学员教师对，以得到大量的样本数据，进而可以用来构建逻辑回归模型。
在一些实施例中，可以使用学员特征、教师特征和/或学员-教师关联特征之间的交叉特征来构建逻辑回归模型。可以理解，学员特征、教师特征和/或学员-教师关联特征之中的任何特征都可以被选择作为交叉特征。例如，可以选择学员年龄和教师年龄进行交叉，或者学员学习水平和教师教龄之间进行交叉。特征的交叉可以使得不同的特征相互之间产生交互，从而引入非线性。
在一些实施例中，可以使用不同的交叉特征来构建多个逻辑回归模型，以分别预测目标学员向备选教师约课的概率。在一个优选的实施例中，可以使用曲线下面积(AreaUnder Curve，AUC)算法来评估各个逻辑回归模型，并且使用评估分最高的逻辑回归模型来预测约课概率。例如，利用学员特征和教师特征中的学员水平与教师教龄为交叉特征，或者利用学员特征和教师特征中的学员性别与教师性别为交叉特征，再或者利用学员特征和教师特征中的学员水平与教师年龄为交叉特征，这样就可以产生三份样本数据，以此构建3个不同的逻辑回归模型。该3个逻辑回归模型分别使用三组不同的交叉特征，然后分别使用该3个逻辑回归模型分别计算目标学员向备选教师列表中各个备选教师约课的概率。最后，使用AUC评价该3个逻辑回归模型，并且选择评分最高的逻辑回归模型所基本特征计算的概率以用于后续步骤。
在步骤S108中，根据计算得到的概率对所述教师列表中的备选教师进行排序，并且向目标学员提供经排序的备选教师列表。
在一些实施例中，在对备选教师进行排序之后，向目标学员推荐约课概率最高的前20名教师。换句话说，向目标学员提供经排序的备选教师列表包括20名教师。在其它实施例中，向目标学员提供的经排序的备选教师列表所包括的教师可以多于或少于20名。
可以理解，所获得的备选教师列表可以被呈现在例如目标学员的学员设备上，并且目标学员可以通过浏览每位备选教师的介绍信息来确定是否向某位或某几位备选教师约课。在一些实施例中，目标学员可以通过向备选教师发送约课邀请来进行约课，而收到约课要求的教师接受约课邀请后，则约课成功；相反，如果教师如因授课时间等问题而无法按照约课邀请的时间授课，则其可以拒绝约课，或者提议新的授课时间以供目标学员确认。在另一些实施例中，在向学员呈现备选教师列表的同时，还可以从系统中调取每位备选教师将来一段时间内(一天、一周、两周或其他时间段)的当前可供选择的授课时间，学员可以从中选择适合的授课时间。这样，在学员选定备选教师和对应的授课时间后，无需教师确认，学员的约课操作即成功。
在一些实施例中，本申请还提供了一种包括指令的非易失性计算机可读存储介质，例如包括指令的存储器，上述指令可由例如图1所示的教学服务器16的处理器执行，以实现图2所示的方法100。例如，非易失性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、闪存、硬盘、软盘和光数据存储设备等。
应当注意，尽管在上文详细描述中提及了本申请实施例的网络监控装置的若干模块或子模块，但是这种划分仅仅是示例性的而非强制性的。实际上，根据本申请的实施例，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
此外，尽管在附图中以特定顺序描述了本申请方法的操作，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。相反，流程图中描绘的步骤可以改变执行顺序。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。
本技术领域的一般技术人员可以通过研究本说明书及附图和所附的权利要求书，理解和实施对披露的实施方式的其他改变。在权利要求中，措词“包括”不排除其他的元素和步骤，并且措辞“一”、“一个”不排除复数。在本发明的实际应用中，一个部件可能执行权利要求中所引用的多个技术特征的功能。权利要求中的任何附图标记不应理解为对其范围的限制。

Claims (15)

1.一种用于在网络教学系统中向目标学员推荐教师的方法，其特征在于，所述方法包括：
获取目标学员的特征信息；
根据所述目标学员的特征信息从教师数据库中检索匹配的备选教师，以得到包括至少一名备选教师的备选教师列表；
计算所述目标学员向所述备选教师列表中各个备选教师约课的概率；以及
根据计算得到的概率对所述教师列表中的备选教师进行排序，并且向目标学员提供经排序的备选教师列表。
2.根据权利要求1所述的方法，其特征在于，所述目标学员的特征信息包括：目标学员的个人参数和/或针对教师的操作行为记录。
3.根据权利要求2所述的方法，其特征在于，所述目标学员的个人参数包括由下述参数构成的组中的至少一项：年龄、所在地区、学习水平、购买力、性格、性别和兴趣点。
4.根据权利要求2所述的方法，其特征在于，所述目标学员的特征信息包括目标学员的个人参数，根据所述目标学员的特征信息从所述教师数据库中检索匹配的备选教师的步骤包括：
从学员数据库中获取目标学员的约课行为记录和/或具有相同个人参数的其他学员的约课行为记录，根据所述约课行为记录对所述教师数据库中的教师进行筛选，以确定与所述目标学员匹配的备选教师。
5.根据权利要求2所述的方法，其特征在于，所述目标学员针对教师的操作行为记录包括：浏览行为记录、约课行为记录和/或关注行为记录。
6.根据权利要求5所述的方法，其特征在于，所述浏览行为记录包括浏览教师相关页面的次数；所述约课行为记录包括向教师约课的次数；所述关注行为记录包括是否关注教师。
7.根据权利要求2所述的方法，其特征在于，所述目标学员的特征信息包括针对教师的操作行为记录，根据目标学员的操作行为记录从所述教师数据库中检索匹配的备选教师的步骤包括：
从学员数据库中获取所有学员的相同类型的操作行为记录，从而计算每个学员针对不同教师的操作行为相似度；
根据计算得到的操作行为相似度对所述教师数据库中的教师进行筛选，以确定与所述目标学员匹配的备选教师。
8.根据权利要求1所述的方法，其特征在于，计算所述目标学员向所述备选教师列表中各个备选教师约课的概率的步骤包括：
使用逻辑回归法来预测目标学员向备选教师约课的概率。
9.根据权利要求8所述的方法，其特征在于，使用逻辑回归法来预测目标学员向备选教师约课的概率的步骤包括：
使用学员特征、教师特征和/或教师-学员关联特征之间的交叉特征来构建逻辑回归模型。
10.根据权利要求9所述的方法，其特征在于，所述学员特征包括下述参数构成的组中的至少一项：年龄、所在地区、学习水平、购买力、性格、性别和兴趣点。
11.根据权利要求9所述的方法，其特征在于，所述教师特征包括下述参数构成的组中的至少一项：年龄、所在地区、教龄、毕业学校、评论数、评分值、浏览人群、入职天数和被关注数。
12.根据权利要求9所述的方法，其特征在于，所述教师-学员关联特征包括下述参数构成的组中的至少一项：学员浏览、学员约课、学员关注、学员评价和教师评价。
13.根据权利要求9所述的方法，其特征在于，使用逻辑回归法来预测目标学员向备选教师约课的概率的步骤还包括：
使用曲线下面积算法来评估逻辑回归模型，并且使用评估分最高的逻辑回归模型来预测约课概率。
14.一种用于在网络教学系统中向目标学员推荐教师的装置，其特征在于，所述装置包括：
处理器；以及
存储器，所述存储器被配置成存储由所述处理器执行的指令；其中
所述处理器被配置成执行：
获取目标学员的特征信息；
根据所述目标学员的特征信息从教师数据库中检索匹配的备选教师，以得到包括至少一名备选教师的备选教师列表；
计算所述目标学员向所述备选教师列表中各个备选教师约课的概率；以及根据计算得到的概率对所述教师列表中的备选教师进行排序，并且向目标学员提供经排序的备选教师列表。
15.一种计算机可读介质，其特征在于，所述计算机可读介质包括程序指令，所述程序指令可由计算机执行以完成下述用于在网络教学系统中向目标学员推荐教师的过程：
获取目标学员的特征信息；
根据所述目标学员的特征信息从教师数据库中检索匹配的备选教师，以得到包括至少一名备选教师的备选教师列表；
计算所述目标学员向所述备选教师列表中各个备选教师约课的概率；以及
根据计算得到的概率对所述教师列表中的备选教师进行排序，并且向目标学员提供经排序的备选教师列表。
CN201711082432.1A 2017-11-07 2017-11-07 在网络教学系统中推荐教师的方法 Active CN110019392B (zh)

Priority Applications (7)

Application Number Priority Date Filing Date Title
CN201711082432.1A CN110019392B (zh) 2017-11-07 2017-11-07 在网络教学系统中推荐教师的方法
US15/857,657 US10671620B2 (en) 2017-11-07 2017-12-29 Method for recommending a teacher in a network teaching system
PCT/CN2018/094974 WO2019091131A1 (zh) 2017-11-07 2018-07-09 在网络教学系统中推荐教师的方法
EP18808201.0A EP3511882A4 (en) 2017-11-07 2018-07-09 METHOD FOR RECOMMENDING TEACHERS IN AN ONLINE TEACHING SYSTEM
KR1020197000433A KR102206256B1 (ko) 2017-11-07 2018-07-09 온라인 강의 시스템에서 강사를 추천하는 방법
JP2019524263A JP6842538B2 (ja) 2017-11-07 2018-07-09 オンライン教育システムにおける教師推薦方法
TW107139431A TW201923696A (zh) 2017-11-07 2018-11-07 在網路教學系統中推薦教師的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711082432.1A CN110019392B (zh) 2017-11-07 2017-11-07 在网络教学系统中推荐教师的方法

Publications (2)

Publication Number Publication Date
CN110019392A true CN110019392A (zh) 2019-07-16
CN110019392B CN110019392B (zh) 2021-07-23

Family

ID=64949133

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711082432.1A Active CN110019392B (zh) 2017-11-07 2017-11-07 在网络教学系统中推荐教师的方法

Country Status (7)

Country Link
US (1) US10671620B2 (zh)
EP (1) EP3511882A4 (zh)
JP (1) JP6842538B2 (zh)
KR (1) KR102206256B1 (zh)
CN (1) CN110019392B (zh)
TW (1) TW201923696A (zh)
WO (1) WO2019091131A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110442794A (zh) * 2019-08-12 2019-11-12 上海时廊人工智能科技有限公司 一种分析师画像系统的构建方法
CN110704737A (zh) * 2019-09-29 2020-01-17 百度在线网络技术（北京）有限公司 线上教学资源的匹配方法、装置、设备和介质
CN110751364A (zh) * 2019-09-10 2020-02-04 北京字节跳动网络技术有限公司 一种获取后备教师的方法、装置、介质和电子设备
CN110942687A (zh) * 2019-12-26 2020-03-31 上海乂学教育科技有限公司 教学一体机及教学方法
CN112152821A (zh) * 2020-09-23 2020-12-29 青岛海尔科技有限公司 定向通信方法和装置、存储介质及电子设备
CN112862643A (zh) * 2021-03-01 2021-05-28 深圳市微幼科技有限公司 一种多媒体远程教育平台系统
CN113434560A (zh) * 2021-05-28 2021-09-24 深圳思为科技有限公司 排序方法、电子设备及相关产品
CN116384840A (zh) * 2023-05-29 2023-07-04 湖南工商大学 一种课程推荐方法及相关设备

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11836683B2 (en) * 2018-01-05 2023-12-05 Wyn.Net, Llc Systems and methods for electronic lesson management
US20200250608A1 (en) * 2019-01-31 2020-08-06 Dell Products L.P. Providing feedback by evaluating multi-modal data using machine learning techniques
CN112149941A (zh) * 2019-06-28 2020-12-29 上海掌学教育科技有限公司 一种智能排课系统和方法
CN110766577B (zh) * 2019-10-16 2021-10-12 湖北美和易思教育科技有限公司 一种基于大数据平台的教师集群管理系统
CN110767009A (zh) * 2019-11-27 2020-02-07 洛阳师范学院 一种教学用师生互动系统
KR102414966B1 (ko) * 2019-11-29 2022-07-04 주식회사 플랙스 스마트 디바이스 기반 단위영역별 콘텐츠 제작이 가능한 디지털 학습 서비스 제공 방법
CN110909248A (zh) * 2019-12-03 2020-03-24 北京明略软件系统有限公司 一种教师推荐方法和装置
KR102306841B1 (ko) * 2020-03-06 2021-09-29 주식회사 자란다 유아동의 방과 후 교육 매칭 방법 및 시스템
CN111223020A (zh) * 2020-03-20 2020-06-02 上海乂学教育科技有限公司 教学信息管理系统
KR102457945B1 (ko) * 2020-03-31 2022-10-24 이다커뮤니케이션즈(주) 퍼소나 모델 매칭을 이용한 아동-교사간 대면 방식 맞춤 컨텐츠 제공 장치 및 방법
US20220013029A1 (en) * 2020-07-07 2022-01-13 eLearning IP, LLC Augmented video interaction learning analysis platform
CN112163119B (zh) * 2020-09-29 2021-10-26 食安快线信息技术(深圳)有限公司 大数据在线教育平台网课优化方法、系统及电子设备
US11386368B1 (en) * 2022-03-04 2022-07-12 John Schneider Method for matching students with teachers to achieve optimal student outcomes
KR102519461B1 (ko) 2022-10-28 2023-04-10 주식회사 어썸스쿨 교육 학습 성취율 기반의 강사 훈련을 통한 강사 매칭 시스템
KR102552867B1 (ko) * 2022-12-20 2023-07-10 (주)위치스컬쳐 인공지능 모델을 이용한 사용자 성격 유형 분석 결과 맞춤형 악기, 강사 및 연습곡 추천 방법, 장치 및 시스템
CN117172427B (zh) * 2023-11-01 2024-03-15 湖南强智科技发展有限公司 一种辅助高校学生选择课堂的方法、系统、设备及介质
CN117196259B (zh) * 2023-11-01 2024-02-02 湖南强智科技发展有限公司 一种智能提升高校教学任务安排的方法、系统及设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105787770A (zh) * 2016-04-27 2016-07-20 上海遥薇(集团)有限公司 一种基于nmf算法的大数据商品及服务推荐方法及系统
CN105824979A (zh) * 2016-06-07 2016-08-03 中国联合网络通信集团有限公司 课程推荐方法及其系统

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2418330A1 (en) * 2000-07-18 2002-01-24 Homework911.Com, Inc. Interactive online learning with student-to-tutor matching
JP2003132361A (ja) * 2001-10-29 2003-05-09 Sharp Corp オブジェクト選択装置および方法
JP2003241876A (ja) * 2002-02-20 2003-08-29 Fuji Xerox Co Ltd 遠隔操作機器表示装置及び遠隔操作機器表示方法
CA2648075A1 (en) * 2006-03-31 2007-10-18 Duane Viazanko Hybrid system and method for offering in-center and online learning sessions
US20100010914A1 (en) * 2006-12-15 2010-01-14 Nam-Kyo Park Apparatus and method for recommending lecture tailored to person, and connection terminal thereof
US8001056B2 (en) * 2008-09-19 2011-08-16 Yahoo! Inc. Progressive capture of prospect information for user profiles
JP5030000B2 (ja) * 2009-03-31 2012-09-19 Ｎｅｃフィールディング株式会社 教育支援システム、方法、及びプログラム
KR20120076697A (ko) * 2010-08-18 2012-07-09 병무 김 교육 제공 방법 및 교육 제공 서버
CN104937511A (zh) * 2013-02-14 2015-09-23 发纮电机株式会社 可编程显示器,以及其程序
JP6158617B2 (ja) * 2013-07-11 2017-07-05 株式会社キャニオン・マインド 教育支援システム
US20150154721A1 (en) * 2013-12-02 2015-06-04 Talksession, Inc. System, apparatus and method for user to obtain service from professional
US20160267615A1 (en) * 2014-03-10 2016-09-15 Amit Mital Calculating an individual's national, state and district education and education environment index and recommending statistically proven methods of improvement tailored to input from a user such as a child's parent
CN103995839A (zh) * 2014-04-30 2014-08-20 兴天通讯技术（天津）有限公司 基于协同过滤的商品推荐优化方法和系统
US10354206B2 (en) * 2014-10-02 2019-07-16 Airbnb, Inc. Determining host preferences for accommodation listings
US10223742B2 (en) * 2015-08-26 2019-03-05 Google Llc Systems and methods for selecting third party content based on feedback
KR20170043824A (ko) * 2015-10-14 2017-04-24 김범준 온라인 학습 관리 방법, 시스템 및 컴퓨터 판독 가능한 기록 매체
CN105512256A (zh) * 2015-12-01 2016-04-20 深圳拼课邦科技有限公司 讲师信息推送方法及装置
US9767437B2 (en) * 2015-12-31 2017-09-19 Bryah Hr Solutions-Logistics, Llc Method and system for matching job seekers with job providers
CN105761182A (zh) * 2016-03-02 2016-07-13 深圳青豆教育科技有限公司 在线课程预约老师的方法及装置
US20170308866A1 (en) * 2016-04-22 2017-10-26 Microsoft Technology Licensing, Llc Meeting Scheduling Resource Efficiency
CA3027129A1 (en) * 2016-06-21 2017-12-28 Pinpoint Predictive, Inc. Predicting psychometric profiles from behavioral data using machine-learning while maintaining user anonymity
CN106778894A (zh) * 2016-12-29 2017-05-31 大连理工大学 一种学术异构信息网络中作者合作关系预测的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105787770A (zh) * 2016-04-27 2016-07-20 上海遥薇(集团)有限公司 一种基于nmf算法的大数据商品及服务推荐方法及系统
CN105824979A (zh) * 2016-06-07 2016-08-03 中国联合网络通信集团有限公司 课程推荐方法及其系统

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110442794A (zh) * 2019-08-12 2019-11-12 上海时廊人工智能科技有限公司 一种分析师画像系统的构建方法
CN110751364A (zh) * 2019-09-10 2020-02-04 北京字节跳动网络技术有限公司 一种获取后备教师的方法、装置、介质和电子设备
CN110704737A (zh) * 2019-09-29 2020-01-17 百度在线网络技术（北京）有限公司 线上教学资源的匹配方法、装置、设备和介质
CN110942687A (zh) * 2019-12-26 2020-03-31 上海乂学教育科技有限公司 教学一体机及教学方法
CN112152821A (zh) * 2020-09-23 2020-12-29 青岛海尔科技有限公司 定向通信方法和装置、存储介质及电子设备
CN112862643A (zh) * 2021-03-01 2021-05-28 深圳市微幼科技有限公司 一种多媒体远程教育平台系统
CN113434560A (zh) * 2021-05-28 2021-09-24 深圳思为科技有限公司 排序方法、电子设备及相关产品
CN116384840A (zh) * 2023-05-29 2023-07-04 湖南工商大学 一种课程推荐方法及相关设备
CN116384840B (zh) * 2023-05-29 2023-08-22 湖南工商大学 一种课程推荐方法及相关设备

Also Published As

Publication number Publication date
KR20190070911A (ko) 2019-06-21
US20190138614A1 (en) 2019-05-09
EP3511882A1 (en) 2019-07-17
EP3511882A4 (en) 2019-07-17
US10671620B2 (en) 2020-06-02
KR102206256B1 (ko) 2021-01-22
TW201923696A (zh) 2019-06-16
WO2019091131A1 (zh) 2019-05-16
CN110019392B (zh) 2021-07-23
JP6842538B2 (ja) 2021-03-17
JP2019537795A (ja) 2019-12-26

Similar Documents

Publication Publication Date Title
CN110019392A (zh) 在网络教学系统中推荐教师的方法
Tavakoli et al. The evolution of the web and netnography in tourism: A systematic review
Klašnja-Milićević et al. Social tagging strategy for enhancing e-learning experience
Wulff Interpreting results from the multinomial logit model: Demonstrated by foreign market entry
Kelly et al. Incorporating user shape preference in engineering design optimisation
Collins et al. Flexible decision support in dynamic inter-organisational networks
Xu et al. Knowledge value chain: an effective tool to measure knowledge value
CN110175264A (zh) 视频用户画像的构建方法、服务器及计算机可读存储介质
Zhang et al. Attention-based knowledge tracing with heterogeneous information network embedding
Li et al. MOOC-FRS: A new fusion recommender system for MOOCs
Zhang et al. Identification of Key Influencing Factors of User Experience of Mobile Reading APP in China Based on the Fuzzy‐DEMATEL Model
Bate et al. Developing a crowdsourcing approach and tool for pharmacovigilance education material delivery
Rodi et al. Optimal learning paths in information networks
Rodríguez et al. Argumentation-based hybrid recommender system for recommending learning objects
Ancona et al. Network-based principles of entrepreneurial ecosystems: a case study of a start-up network
Mussumeci et al. Reconstructing news spread networks and studying its dynamics
Büchi Measurement invariance in comparative Internet use research
Lillegraven et al. Design of a bayesian recommender system for tourists presenting a solution to the cold-start user problem
Abdalla et al. Design principles for spatio-temporally enabled pim tools: A qualitative analysis of trip planning
US20230177631A1 (en) Automatically enhancing content items through identifying relationships
Dimitrovski et al. Courses content classification based on Wikipedia and CIP taxonomy
Lipkova et al. Assessing libraries’ community roles. Proof of concept
Bahry et al. Preffered information quality factors as a web content quality measures on malaysian government websites: A conceptual paper
Luo [Retracted] A Personalized Recommendation Algorithm for Political and Ideological Courses in Colleges Using Multiple Interests of Users
Choumane A semantic similarity-based social information retrieval model

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
GR01 Patent grant
GR01 Patent grant