CN110209845A - 一种多媒体内容的推荐方法、装置及存储介质 - Google Patents
一种多媒体内容的推荐方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110209845A CN110209845A CN201810835099.5A CN201810835099A CN110209845A CN 110209845 A CN110209845 A CN 110209845A CN 201810835099 A CN201810835099 A CN 201810835099A CN 110209845 A CN110209845 A CN 110209845A
- Authority
- CN
- China
- Prior art keywords
- multimedia content
- weight
- prediction
- serial number
- multimedia
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 230000006399 behavior Effects 0.000 claims abstract description 46
- 230000008569 process Effects 0.000 claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 230000004044 response Effects 0.000 claims description 31
- 238000013016 damping Methods 0.000 claims description 10
- 230000001568 sexual effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 19
- 238000009826 distribution Methods 0.000 description 13
- 230000006854 communication Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 9
- 230000008878 coupling Effects 0.000 description 8
- 238000010168 coupling process Methods 0.000 description 8
- 238000005859 coupling reaction Methods 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000001727 in vivo Methods 0.000 description 5
- 230000003252 repetitive effect Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 108010001267 Protein Subunits Proteins 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000010355 oscillation Effects 0.000 description 3
- 238000011897 real-time detection Methods 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F16/43—Querying
- G06F16/435—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种多媒体内容的推荐方法、装置及存储介质，本发明实施例通过检测多媒体内容在播放过程中的用户行为数据以及多媒体内容属性信息，并在多媒体内容播放结束时，根据用户行为数据确定对应的真实权重；生成多媒体内容对应的预测模型；当检测到播放的多媒体内容数目达到预设阈值时，将记录的多媒体内容对应的真实权重输入预测模型中，以对预测权重进行调节；根据调节后的预测权重以及记录的多媒体内容属性信息确定出相应的待学习多媒体内容。以此结合用户的实际学习情况确定出对应的预测权重，并根据预测权重以及记录的多媒体内容属性信息确定出合适的待学习多媒体内容，提升了多媒体内容的推荐灵活性以及推荐效率。
Description
技术领域
本发明涉及终端技术领域，具体涉及一种多媒体内容的推荐方法、装置及存储介质。
背景技术
随着终端的不断普及，用户越来越依赖终端，终端上可以安装丰富的应用程序，例如，幼儿英语教育类应用，为一种针对3至8岁的宝宝进行的英语教育课程。
现有技术中，幼儿英语教育类应用会为宝宝制定好多套固定的学习计划，这些固定的学习计划可以在宝宝的英语水平参差不齐的情况下，尽可能提供不同程度和不同起点的学习方案，满足所有宝宝的学习要求。
在对现有技术的研究和实践过程中，本发明的发明人发现，现有技术中，虽然提供了足够多的学习计划，然而对于很多家长而言，家长本身可能并不清楚自己的宝宝的英语水平处于一个怎样的阶段，并且由于学习计划中的教学多媒体内容都是固定的，不能根据宝宝的实际学习情况进行适应性的推荐，灵活性较差，导致对多媒体内容的推荐效率较低。
发明内容
本发明实施例提供一种多媒体内容的推荐方法、装置及存储介质，旨在提升多媒体内容的推荐灵活性以及推荐效率。
为解决上述技术问题，本发明实施例提供以下技术方案：
一种多媒体内容的推荐方法，包括：
检测多媒体内容在播放过程中的用户行为数据以及多媒体内容属性信息，并在多媒体内容播放结束时，根据所述用户行为数据确定对应的真实权重；
生成所述多媒体内容对应的预测模型，所述预测模型包括预测权重；
当检测到播放的多媒体内容数目达到预设阈值时，将记录的多媒体内容对应的真实权重输入预测模型中，以对预测权重进行调节；
根据调节后的预测权重以及记录的多媒体内容属性信息确定出相应的待学习多媒体内容。
一种多媒体内容的推荐装置，包括：
权重确定单元，用于检测多媒体内容在播放过程中的用户行为数据以及多媒体内容属性信息，并在多媒体内容播放结束时，根据所述用户行为数据确定对应的真实权重；
生成单元，用于生成所述多媒体内容对应的预测模型，所述预测模型包括预测权重；
调节单元，用于当检测到播放的多媒体内容数目达到预设阈值时，将记录的多媒体内容对应的真实权重输入预测模型中，以对预测权重进行调节；
多媒体确定单元，用于根据调节后的预测权重以及记录的多媒体内容属性信息确定出相应的待学习多媒体内容。
在一些实施例中，所述调节单元，包括：
输入子单元，用于当检测到播放的多媒体内容数目达到预设阈值时，将记录的多媒体内容对应的多媒体内容序号以及真实权重生成第二坐标点并输入到所述坐标系中；
第一调节子单元，用于根据所述第二坐标点的位置调节曲线的弯曲度；
确定子单元，用于根据调节后的曲线的弯曲度确定目标阻尼系数；
第二调节子单元，用于将所述目标阻尼系数替换所述预设阻尼系数，并根据多媒体内容序号以及目标阻尼系数调节预测模型，所述调节后的预设模型包括每一个多媒体内容序号与调节后的预测权重的第二线性关系。
在一些实施例中，所述权重确定单元，具体用于：
检测子单元，用于检测多媒体内容在播放过程中的多媒体内容序号、多维特征以及多媒体内容属性信息；
获取子单元，用于在多媒体内容播放结束时，获取多维特征中的每一个特征信息；
匹配子单元，用于将每一个特征信息与预设权重库进行匹配，以获取每一个特征信息对应的子权重值；
计算子单元，用于计算出每一个特征信息对应的子权重值与总特征数量的比值，并进行求和，以得到所述多媒体内容对应的真实权重。
在一些实施例中，所述调节装置，还包括：
获取单元，用于获取多媒体内容以及多媒体内容对应的学习难度；
关联单元，用于按照学习难度将多媒体内容与对应的权重进行关联，生成多媒体内容库。
在一些实施例中，所述多媒体确定单元，包括：
输入子单元，用于将待学习多媒体内容序号输入预测模型中，预测模型根据所述待学习多媒体内容序号确定出对应的预测权重；
获取子单元，用于获取多媒体内容的学习频率；
第一判断子单元，用于判断所述学习频率是否大于第一预设阈值；
调高子单元，用于当判断出所述学习频率大于第一预设阈值时，将所述预测权重调高；
第二判断子单元，用于当判断出所述学习频率不大于一定阈值时，判断所述学习频率是否小于第二预设阈值，所述第二预设阈值小于所述第一预设阈值；
调低子单元，用于当判断出所述学习频率小于第二预设阈值时，将所述预测权重调低；
匹配子单元，用于根据所述预测权重匹配多媒体内容库，以得到学习难度与预测权重匹配的待学习多媒体内容集合；
确定子单元，用于对记录的多媒体内容属性信息进行分析，以确定目标多媒体内容属性信息；
关联子单元，用于根据所述目标多媒体内容属性信息选取出所述待学习多媒体内容集合中的待学习多媒体内容，并将所述待学习多媒体内容与所述待学习多媒体内容序号进行关联。
一种存储介质，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行上述多媒体内容的推荐方法中的步骤。
本发明实施例通过检测多媒体内容在播放过程中的用户行为数据以及多媒体内容属性信息，并在多媒体内容播放结束时，根据用户行为数据确定对应的真实权重；生成多媒体内容对应的预测模型，预测模型包括预测权重；当检测到播放的多媒体内容数目达到预设阈值时，将记录的多媒体内容对应的真实权重输入预测模型中，以对预测权重进行调节；根据调节后的预测权重以及记录的多媒体内容属性信息确定出相应的待学习多媒体内容。以此可以根据多媒体播放时的真实学习场景下的真实权重来对预测模型中的预测权重进行动态调节，并根据动态调节后的预测权重以及记录的多媒体内容属性信息来确定相应学习难度以及类别的待学习多媒体内容，相对于固定的多媒体内容推荐方案而言，提升了多媒体内容的推荐灵活性以及推荐效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的多媒体内容的推荐系统的场景示意图；
图2是本发明实施例提供的多媒体内容的推荐方法的流程示意图；
图3是本发明实施例提供的多媒体内容的推荐方法的另一流程示意图；
图4a是本发明实施例提供的多媒体内容的推荐界面的示意图；
图4b是本发明实施例提供的多媒体内容的推荐界面的另一示意图；
图4c是本发明实施例提供的多媒体内容的推荐界面的另一示意图；
图4d是本发明实施例提供的多媒体内容的推荐界面的另一示意图；
图4e是本发明实施例提供的多媒体内容的推荐界面的另一示意图；
图5a是本发明实施例提供的多媒体内容的推荐装置的结构示意图；
图5b是本发明实施例提供的多媒体内容的推荐装置的另一结构示意图；
图5c是本发明实施例提供的多媒体内容的推荐装置的另一结构示意图；
图5d是本发明实施例提供的多媒体内容的推荐装置的另一结构示意图；
图5e是本发明实施例提供的多媒体内容的推荐装置的另一结构示意图；
图5f是本发明实施例提供的多媒体内容的推荐装置的另一结构示意图；
图6是本发明实施例提供的终端的结构示意图。
具体实施方式
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，所描述的实施例仅仅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，本领域技术人员在没有作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。
本发明实施例提供一种多媒体内容的推荐方法、装置、及存储介质。
请参阅图1，图1为本发明实施例所提供的多媒体内容的推荐系统的场景示意图，包括：终端A、和服务器(该调节系统还可以包括除终端A之外的其他终端，终端具体个数在此处不作限定)，终端A与服务器之间可以通过通信网络连接，该通信网络，可以包括无线网络以及有线网络，其中无线网络包括无线广域网、无线局域网、无线城域网、以及无线个人网中的一种或多种的组合。网络中包括路由器、网关等等网络实体，图中并未示意出。终端A可以通过通信网络与服务器进行信息交互，比如终端A可以通过通信网络向服务器发送多媒体内容请求指令，该多媒体内容请求指令包含指定的目标多媒体内容，服务器在接收到多媒体内容请求指令之后，获取相应的目标多媒体内容并反馈到终端A上。
该多媒体内容的推荐系统可以包括多媒体内容的推荐装置，该即时通讯信息的处理装置具体可以集成在平板电脑、手机、笔记本电脑、台式电脑等具备储存单元并安装有微处理器而具有运算能力的终端中，在图1中，该终端即为图1中的终端A，该终端A可以安装各种用户需要的应用，比如幼儿英语教育类应用，该幼儿英语教育类应用中会包括多个多媒体内容序号，每个多媒体内容序号相当于一节课程，会对应关联一个多媒体内容，用户可以通过点击该多媒体内容序号的显示界面，打开关联的多媒体内容进行学习。该幼儿英语教育类应用的安装文件以及多媒体内容可以为服务器提供，当终端A安装了该幼儿英语教育类应用的安装文件后，可以通过网络获取对应的多媒体内容并进行播放，并可以在多媒体内容播放过程中检测用户行为数据以及多媒体内容属性信息，该多媒体内容可以为一节教学多媒体内容，该教学多媒体内容可以设置学习任务、打分机制等等，该用户行为数据可以为多媒体内容播放时间、学习任务失败次数以及学习分数等等，并在多媒体内容播放结束时，终端A根据用户行为数据确定对应的真实权重，该真实权重为用户在实际学习多媒体内容时的真实学习参数，终端A生成多媒体内容对应的预测模型，该预测模型包括预测权重，该预测权重为理想状态下用户的预测学习参数，当终端A检测到播放的多媒体内容数目达到预设阈值时，将记录的多媒体内容对应的真实权重输入到预测模型中，该预测模型会根据真实权重对预测权重进行动态调节，使得调节后的预测权重更符合用户的实际学习情况，然后终端A根据调节后的预测权重以及记录的多媒体内容属性信息确定出相应的待学习多媒体内容。
该多媒体内容的推荐系统还可以包括服务器，主要用于接收终端A发送的多媒体内容请求指令，并在在接收到多媒体内容请求指令之后，获取相应的目标多媒体内容并反馈到终端A上，该服务器上还可以存储幼儿英语教育类应用的应用安装包以及存储幼儿英语教育类应用的数据信息。
需要说明的是，图1所示的多媒体内容的推荐系统的场景示意图仅仅是一个示例，本发明实施例描述的多媒体内容的推荐系统以及场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着多媒体内容的推荐系统的演变和新业务场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。
以下分别进行详细说明。需说明的是，以下实施例的序号不作为对实施例优选顺序的限定。
实施例一、
在本实施例中，将从多媒体内容的推荐装置的角度进行描述，该多媒体内容的推荐装置具体可以集成在具备储存单元并安装有微处理器而具有运算能力的服务器中。
一种多媒体内容的推荐方法，包括：检测多媒体内容在播放过程中的用户行为数据以及多媒体内容属性信息，并在多媒体内容播放结束时，根据用户行为数据确定对应的真实权重；生成多媒体内容对应的预测模型，预测模型包括预测权重；当检测到播放的多媒体内容数目达到预设阈值时，将记录的多媒体内容对应的真实权重输入预测模型中，以对预测权重进行调节；根据调节后的预测权重以及记录的多媒体内容属性信息确定出相应的待学习多媒体内容。
请参阅图2，图2是本发明实施例提供的多媒体内容的推荐方法的流程示意图。该多媒体内容的推荐方法包括：
在步骤101中，检测多媒体内容在播放过程中的用户行为数据以及多媒体内容属性信息，并在多媒体内容播放结束时，根据用户行为数据确定对应的真实权重。
可以理解的是，为了增加用户的学习效率，一般会为用户提供多套固定的学习计划，这些学习计划可以针对不同学习水平的用户设计，如新手用户学习计划、基础用户学习计划以及高级用户学习计划等等，每一套学习计划中包括有多个多媒体内容序号，即多节教学课程，每一个多媒体内容序号会关联相应的多媒体内容，即每节教学课程会关联相应的教学课程，因此，用户可以根据学习计划中的多节教学课程，渐进式的进行学习，提升用户的学习效率。
其中，该多媒体内容可以为一种音频格式或者一种视频格式，即可以为一段音频或者视频内容。
音频格式即音乐格式。音频格式是指要在计算机内播放或是处理音频文件，是对声音文件进行数、模转换的过程。音频格式最大带宽是20KHZ，速率介于40～50KHZ之间，采用线性脉冲编码调制PCM，每一量化步长都具有相等的长度。该音频格式的格式可以为MP3格式、CD格式以及MIDI(Musical Instrument Digital Interface)格式等等。
视频格式可以分为适合本地播放的本地影像视频和适合在网络中播放的网络流媒体影像视频两大类。尽管后者在播放的稳定性和播放画面质量上可能没有前者优秀，但网络流媒体影像视频的广泛传播性使之正被广泛应用于视频点播、网络演示、远程教育、网络视频广告等等互联网信息服务领域。该视频格式的格式可以为运动图像专家组(MotionPicture Experts Group，MPEG)、音频视频交错(Audio Video Interleaved，AVI)、高级流格式(Advanced Streaming format，ASF)等等。
该多媒体内容可以理解为一个教学课程视频，并且该多媒体内容还可以设置学习任务、打分机制等等，可以实时检测多媒体内容在播放过程中的用户行为数据以及多媒体内容属性，该用户行为数据可以为完成学习任务的平均时间、完成学习任务的平均失败次数以及口语打分的平均分数等等，该用户行为数据反应了用户在实际学习多媒体内容时的真实学习情况。
该多媒体内容属性可以理解为教学课程视频的教学应用领域，比如航天领域、医疗领域、体育领域或者动物领域等等，由于每个用户感兴趣的领域都不一样，所以可以设置多个领域的多媒体内容供用户选择学习，后期可以记录的多媒体内容属性进行学习分析，确定用户感兴趣的教学应用领域，以根据用户感兴趣的教学应用领域进行智能推荐。
进一步的，在多媒体内容播放结束时，可以根据用户行为数据确定对应的真实权重，当用户行为数据反应的真实学习情况越好，该对应的真实权重越低，当用户行为数据反应的真实学习情况越差，该对应的真实权重越高。可以想到是，随着多媒体内容的不断深入学习，按照学习进度的推进，后续的课程会渐渐变难，用户学习慢慢会开始吃力，那么真实权重也会越来越高。
在一些实施方式中，检测多媒体内容在播放过程中的用户行为数据，并在多媒体内容播放结束时，根据用户行为数据确定对应的真实权重的步骤，可以包括：
(1)检测多媒体内容在播放过程中的多媒体内容序号以及多维特征；
(2)在多媒体内容播放结束时，获取多维特征中的每一个特征信息；
(3)将每一个特征信息与预设权重库进行匹配，以获取每一个特征信息对应的子权重值；
(4)计算出每一个特征信息对应的子权重值与总特征数量的比值，并进行求和，以得到该课程对应的真实权重。
其中，检测多媒体内容在播放过程中的多媒体内容序号以及多维特征，即获取当前播放的多媒体内容对应的多媒体内容序号以及完成学习任务的平均时间特征信息、完成学习任务的平均失败次数特征信息、口语打分的平均分数特征信息以及学习多媒体内容的次数特征信息等等。在多媒体内容播放播放结束时，分别获取多维特征中的每一个特征信息。
进一步的，由于该预设权重库中包括了每一个特征信息与对应的子权重值的计算关系，比如，预设权重库中学习任务的平均失败次数特征信息关系可以为1至2次，对应的子权重值为1，3至5次，对应的子权重为2，以及6至10次，对应的子权重为3，预设权重库中完成学习任务的平均时间特征信息关系可以为1至3分钟，对应的子权重值为1，4至6分钟，对应的子权重为2，以及7至10分钟，对应的子权重为3。
将多维特征中每一个特征信息与预设权重库中的预设特征信息关系进行比对，就可以获取每一特征信息对应的子权重值，比如多维特征中学习任务的平均失败次数特征信息为1次，那么该平均失败次数特征信息对应的子权重信息为1。多维特征中完成学习任务的平均时间特征信息为4分钟，那么该平均时间特征信息对应的子权重信息为2。
由于多维特征信息中只有学习任务的平均失败次数特征信息以及完成学习任务的平均时间特征信息，那么可以确定总特征数量为2个，计算该平均失败次数特征信息对应的子权重信息1与总特征数量2的比值，确定比值为0.5，计算完成学习任务的平均时间特征信息对应的子权重信息2与总特征数量2的比值，确定比值为1，并进行求和，得到真实权重1.5。可以看出，学习任务的失败次数越多或者完成学习任务的平均时间越长，对应的权重值越高，综合之后即为真实权重越低，用户学习越轻松，真实权重越高，用户学习越吃力。
在一些实施方式中，该检测多媒体内容在播放过程中的用户行为数据的步骤之前，还可以包括：
(1.1)获取多媒体内容以及多媒体内容对应的学习难度；
(1.2)按照学习难度将多媒体内容与对应的权重进行关联，生成多媒体内容库。
其中，同一个多媒体内容序号，即同一节教学课程中可以有多个多媒体内容，比如多个应用领域的多媒体内容，而每个应用领域内的多媒体内容又有多个不同学习难度的多媒体内容，那么可以提前根据学习难度将每个多媒体内容与对应的权重进行关联，生成多媒体内容库，学习难度越容易，关联的权重值越低，学习难度越难，关联的权重值越高。
在步骤102中，生成多媒体内容对应的预测模型。
其中，该预测模型为可以向用户推荐理想状态的学习难度的多媒体内容的智能模型，也就是说，通过该预测模型可以为用户预测出适合当前的学习难度的多媒体内容。在一实施方式中，可以为建立机器学习模型，该机器学习模型可以采用人工与自动化并行的模式，智能的优化预测的多媒体内容的难度适合度。
进一步的，该预测模型中包括预测权重，由于权重的大小可以反应多媒体内容的学习难度，那么该预测权重即代表了理想状态下的学习难度。可以想到的是，理想的学习状态为按照比较适中的学习难度，一直进行学习。长期低于该适中的学习难度进行学习，会导致学习内容一直比较简单，而长期低于该适中的学习难度进行学习，会导致学习内容一直比较难，都不利于用户的学习。所以该预测权重的值的分布可以以指数规律衰减的正弦振动波，也就是说预测权重的值的分布会在适中的值的上下以正弦震荡波的形式进行上下浮动，以此，可以保证预测模型中的预测权重一直保持比较合适的值。
在一些实施方式中，该生成多媒体内容对应的预测模型的步骤，可以包括：
(1)获取每一个多媒体内容序号以及对应的预测权重；
(2)根据该每一个多媒体内容序号以及对应的预测权重生成多媒体内容对应的预测模型，该预测模型包括每一个多媒体内容序号与对应的预测权重的第一线性关系。
其中，可以通过机器学习模型对大量数据进行智能分析，确定出每一个多媒体内容序号对应的预测权重，即确定出每一节教学课程合适的预设权重，根据每一个多媒体内容序号以及智能分析得到的对应的预测权重生成预测模型，将多媒体内容序号作为横坐标以及预测权重作为纵坐标，并把每一个多媒体内容序号与对应的预测权重形成的点连接起来，即形成了多媒体内容序号与对应的预测权重的第一线性关系，该第一线性关系可以反应出预测权重的波动趋势。
在一些实施方式中，该获取每一个多媒体内容序号以及对应的预测权重的步骤，可以包括：
(1.1)获取预设阻尼系数；
(1.2)根据预设阻尼系数、多媒体内容序号以及二阶欠阻尼系统的阶跃响应公式，计算出每一个多媒体内容序号对应的预测权重。
其中，由二阶微分方程描述的系统成为二阶系统，它在控制工程中的应用极为广泛，许多高阶系统在一定的条件下，也可简化为二阶系统来研究。而二阶欠阻尼系统的阶跃响应公式为：
其中，该h(t)为预测权重，wnt为多媒体内容序号，该ζ为阻尼系数，该ζ取值的范围为大于0小于1，系统为欠阻尼，可以为ζ取适中的值为预设阻尼系数，如0.5。而震荡频率为该公式代表了以指数规律衰减的正弦震荡波。
进一步的，将预设阻尼系统ζ以及每一多媒体内容序号wnt代入该二阶欠阻尼系统的阶跃响应公式，即可得到每一多媒体内容序号对应的预测权重，该预测权重的分布规律为正弦震荡波形式。
在一些实施方式中，该根据该每一个多媒体内容序号以及对应的预测权重生成多媒体内容对应的预测模型的步骤，可以包括：
(2.1)将该多媒体内容序号作为二阶欠阻尼系统的阶跃响应曲线的横坐标，将该预测权重作为二阶欠阻尼系统的阶跃响应曲线的纵坐标，并构建坐标系；
(2.2)将每一个多媒体内容序号以及对应的预测权重生成第一坐标点输入到该坐标系中，并以曲线连接每一个第一坐标点，生成预测模型，该预设模型包括每一个多媒体内容序号与对应的预测权重的第一线性关系。
其中，首先可以建立该二阶欠阻尼系统的阶跃响应曲线的直角坐标系，然后将多媒体内容序号作为该直角坐标系的横坐标，将预测权重作为该直角坐标系的纵坐标。
进一步的，按照多媒体内容序号由小到大的顺序，依次将每一个多媒体内容序号以及对应的预测权重生成的多个第一坐标点并输入到该直角坐标系中，以曲线形式将多个第一坐标点进行连接，以形成每一个多媒体内容序号与对应的预测权重的第一线性关系，该线性关系为正弦曲线式分布关系，并且不同数值的阻尼系数对应的正弦曲线的弯曲度也不相同，并将该直角坐标系作为预测模型。
在步骤103中，当检测到播放的多媒体内容数目达到预设阈值时，将记录的多媒体内容对应的真实权重输入预测模型中，以对预测权重进行调节。
其中，该预设阈值为调节预测权重的临界值，即在学习了预设阈值的课程时，对预测模型中的预测权重进行调节，比如预设阈值为5。该多媒体内容数目为用户学习过的多媒体内容数量，也可以理解为用户学习过多少节课程，当检测到播放的多媒体内容数目达到5个时，即当用户学习过5节课程时，将记录的5个多媒体内容分别对应多媒体内容序号以及真实权重输入到预测模型中，该预测模型会在相同的多媒体内容序号下，将真实权重与预测权重进行对比，判断真实权重总体趋势是不是大于预测权重，若判断出真实权重总体趋势大于预测权重，则根据趋势差综合调高预测权重的值，平衡真实权重与预测权重的趋势差。若判断出真实权重总体趋势不大小预测权重，则根据趋势差对应调低预测权重的值，平衡真实权重与预测权重的趋势差。由此可以看出，调节后的预测权重更符合用户的实际学习情况。
在一些实施方式中，该将记录的多媒体内容对应的真实权重输入预测模型中，以对预测权重进行调节的步骤，可以包括：
(1)将记录的多媒体内容对应的多媒体内容序号以及真实权重生成第二坐标点并输入到该坐标系中；
(2)根据该第二坐标点的位置调节曲线的弯曲度；
(3)根据调节后的曲线的弯曲度确定目标阻尼系数；
(4)将该目标阻尼系数替换该预设阻尼系数，并根据多媒体内容序号以及目标阻尼系数调节预测模型，该调节后的预设模型包括每一个多媒体内容序号与调节后的预测权重的第二线性关系。
其中，在上述建立的二阶欠阻尼系统的阶跃响应曲线的直角坐标系的基础上，将记录的多媒体内容对应的多媒体内容序号以及对应的真实权重生成第二坐标点并输入到该直角坐标系中。
由于真实学习场景下的真实权重肯定会与理想状态下的预测权重有一定的偏差，所以相同的多媒体内容序号下，第一坐标点与第二坐标点肯定不相等，也就是说该第二坐标点不会落在第一坐标点形成的曲线上，所以可以根据第二坐标点的位置，调整曲线的线性弯曲度，使得第二坐标点尽量依附在调整后的曲线上。
因此，该记录的多媒体内容对的多媒体内容序号上的曲线的弯曲度会根据真实权重的数值发生相应的变化。也就是说这一段曲线上的阻尼系数发生了变化，由预设阻尼系数变化为目标阻尼系数，该目标阻尼系数更符合用户的实际学习状态，因此，可以根据新的目标阻尼率对预设模型中的二阶欠阻尼系统的阶跃响应曲线中所有的多媒体内容序号对应的预测权重进行调节，得到调节后的预设模型，该调节后的预设模型包括每一多媒体内容序号与调节后的预测权重的第二线性关系，该第二线性关系更贴合用户的学习状态，且该第二线性关系也为正弦震荡波形式。
在步骤104中，根据调节后的预测权重以及记录的多媒体内容属性信息确定出相应的待学习多媒体内容。
其中，由于调节后的预测权重更符合用户的实际学习情况，所以可以在预测模型的基础上，根据待学习多媒体内容序号确定出该待学习多媒体内容序号对应的调节后的预测权重，根据预测权重的值的大小匹配出相应学习难度的多个应用领域的待学习多媒体内容，比如相应学习难度的航天领域的待学习多媒体内容、相应学习难度的医疗领域的待学习多媒体内容、相应学习难度的体育领域的待学习多媒体内容以及相应学习难度的动物领域的待学习多媒体内容。
进一步的，可以根据用户的历史观看多媒体内容属性信息进行智能学习，确定出用户感兴趣的应用领域，根据用户感兴趣的应用领域对多个待学习多媒体内容进行筛选，选择出用户感兴趣的相应难度的待学习多媒体内容，并将该用户感兴趣的相应难度的待学习多媒体内容与待学习多媒体内容序号进行关联，因此，当用户触发待学习多媒体内容序号对应的多媒体内容时，会自动获取关联的用户感兴趣的相应难度的待学习多媒体内容并进行播放展示，以此，可以根据用户的实际学习情况动态调节学习计划中的每一个多媒体内容序号对应的多媒体内容，使得调节后的多媒体内容的学习难度以及应用领域更符合用户的实际学习能力以及兴趣，以增加用户的学习效率。
在一些实施方式中，该根据调节后的预测权重确定出相应的待学习多媒体内容的步骤，可以包括：
(1)将待学习多媒体内容序号输入预测模型中，预测模型根据该待学习多媒体内容序号确定出对应的预测权重；
(2)根据该预测权重匹配多媒体内容库，以得到学习难度与预测权重匹配的待学习多媒体内容集合；
(3)对记录的多媒体内容属性信息进行分析，以确定目标多媒体内容属性信息；
(4)根据该目标多媒体内容属性信息选取出该待学习多媒体内容集合中的待学习多媒体内容，并将该待学习多媒体内容与该待学习多媒体内容序号进行关联。
其中，由于该预测模型中包括了每一个多媒体内容序号以及对应的调节后的预测权重，所以可以将待学习多媒体内容序号输入到预测模型中，预测模型会根据待学习多媒体内容序号确定出相应的预测权重。
进一步的，由于多媒体内容库中包括了每一个多媒体内容序号对应的多个多媒体内容以及每一个多媒体内容与对应的权重的关联关系，也就是说根据预测权重匹配多媒体内容库，可以得到多个应用领域的学习难度与预测权重匹配的待学习多媒体内容，即多媒体内容集合，该多媒体内容集合中包含了多个学习难度与预测权重匹配的多媒体内容。然后，对记录的多媒体内容属性信息进行智能分析，得到用户感兴趣的目标多媒体内容属性信息，即得到用户感兴趣的应用领域。根据该用户感兴趣的目标多媒体内容属性信息，对多媒体内容集合进行筛选，选择出与用户感兴趣的目标多媒体内容属性信息一致的多媒体内容。并将该与用户感兴趣的目标多媒体内容属性信息一致的多媒体内容与待学习多媒体内容序号进行关联，以使得当用户触发待学习多媒体内容序号对应的多媒体内容时，会自动获取关联的与用户感兴趣的目标多媒体内容属性信息一致的多媒体内容并进行播放展示。
由上述可知，本发明实施例通过检测多媒体内容在播放过程中的用户行为数据以及多媒体内容属性信息，并在多媒体内容播放结束时，根据用户行为数据确定对应的真实权重；生成多媒体内容对应的预测模型，预测模型包括预测权重；当检测到播放的多媒体内容数目达到预设阈值时，将记录的多媒体内容对应的真实权重输入预测模型中，以对预测权重进行调节；根据调节后的预测权重以及记录的多媒体内容属性信息确定出相应的待学习多媒体内容。以此可以根据多媒体播放时的真实学习场景下的真实权重来对预测模型中的预测权重进行动态调节，并根据动态调节后的预测权重以及记录的多媒体内容属性信息来确定相应学习难度以及类别的待学习多媒体内容，相对于固定的多媒体内容推荐方案而言，提升了多媒体内容的推荐灵活性以及推荐效率。
实施例二、
根据实施例一所描述的方法，以下将举例作进一步详细说明。
在本实施例中，将以该多媒体内容的推荐装置具体集成在服务器中为例进行说明。
请参阅图3，图3为本发明实施例提供的多媒体内容的推荐方法的另一流程示意图。该方法流程可以包括：
在步骤201中，终端获取多媒体内容以及多媒体内容对应的学习难度，按照学习难度将多媒体内容与对应的权重进行关联，生成多媒体内容库。
其中，为了更好的描述本实施例，将本实施例中的多媒体内容以教学课程视频为例进行说明，终端可以获取每一节课程对应的多个课程以及每一个课程对应的学习难度，按照学习难度将每一个课程与对应的权重进行关联，具体可以为学习难度越低，关联的权重的值越低，学习难度越高，关联的权重的值越高，生成课程库。
在步骤202中，终端检测多媒体内容在播放过程中的多媒体内容序号、多维特征以及多媒体内容属性信息，在多媒体内容播放结束时，获取多维特征中的每一个特征信息，将每一个特征信息与预设权重库进行匹配，以获取每一个特征信息对应的子权重值。
如图4a所示，终端可以显示课程大方向选择界面，该选择界面中可以包括多个等级的学习计划，每个等级的学习计划使用的人群都不一样，如LEVEL 1适用人群为英语零基础的孩子，LEVEL 2适用人群为有一定英语基础和词汇量的孩子，LEVEL 3适用人群为具有两年英语学习经验的孩子，LEVEL 4适用人群为英语中级偏高水平的孩子，因此用户可以基于大致水平选择适合自己的学习计划。
进一步的，当用户选择了适合自己的学习计划后，如图4b所示，会进入学习计划对应的课程气泡界面，在该课程气泡界面包含多节课程序号，如图所示的课程序号1、课程序号2、课程序号3、课程序号4以及课程序号5，且除了第一节课程序号的课程是确定的，其他后续课程序号对应的课程都是未知的，可以根据用户的学习情况进行智能选择。
因此，终端会实时检测课程在播放过程时，课程对应的课程序号、多维特征以及课程属性信息，该多维特征为用户的多个学习特征信息，由于课程中可以设置随机的学习任务以及打分机制等等，所以多维特征可以为用户完成学习任务的平均时间特征信息、用户完成任务的平均失败次数特征信息、用户口语打分的平均分数特征信息以及重复学习特定课程的平均次数特征信息等等。该课程属性信息可以为课程的应用领域，如航天领域、医疗领域、体育领域以及动物领域等等。
该预设权重库中可以包括每一个学习特征信息与对应的子权重值的计算关系，该预设权重库可以以表格方式进行显示，如表1、表2、表3以及表4所示：
表1
| 用户完成学习任务的平均时间 | 子权重值 |
| 1-3分钟 | 1 |
| 4-6分钟 | 2 |
| 7-9分钟 | 3 |
上述表1中，包含3个范围的用户完成学习任务的平均时间，分别为1至3分钟时，对应的子权重值为1、4至6分钟时，对应的子权重值为2以及7至9分钟时，对应的子权重值为3。
表2
| 用户完成任务的平均失败次数 | 子权重值 |
| 1-2次 | 1 |
| 3-5次 | 2 |
| 6-10次 | 3 |
上述表2中，包含3个范围的用户完成任务的平均失败次数，分别为1至2次时，对应的子权重值为1、3至5次时，对应的子权重值为2以及6至10分钟时，对应的子权重值为3。
表3
| 用户口语打分的平均分数 | 子权重值 |
| 70-100分 | 1 |
| 51-69分 | 2 |
| 0-50分 | 3 |
上述表3中，包含3个范围的用户口语打分的平均分数，分别为70-100分时，对应的子权重值为1、51-69分时，对应的子权重值为2以及0-50分时，对应的子权重值为3。
表4
| 重复学习特定课程的平均次数 | 子权重值 |
| 1-2次 | 1 |
| 3-5次 | 2 |
| 6-10次 | 3 |
上述表4中，包含3个范围的重复学习特定课程的平均次数，分别为1-2次时，对应的子权重值为1、3-5次时，对应的子权重值为2以及6-10次时，对应的子权重值为3。
因此，在检测到多媒体内容(即教学课程视频)播放结束时，获取多维特征中的每一特征信息，将每一个特征信息与预设权重库中的表格进行对比，以得到每一特征信息对应的子权重值。
比如，在课程播放结束时，获取多维特征中的用户完成学习任务的平均时间为4分钟、用户完成任务的平均失败次数为1次、用户口语打分的平均分数为60分、重复学习特定课程的平均次数为3次，那么对比预设权重库中的表1、表2、表3以及表4，可以确定用户完成学习任务的平均时间特征信息对应的子权重值为2、用户完成任务的平均失败次数特征信息对应的子权重值为1、用户口语打分的平均分数特征信息对应的子权重值为2以及重复学习特定课程的平均次数特征信息对应的子权重值为2。
在步骤203中，终端计算出每一个特征信息对应的子权重值与总特征数量的比值，并进行求和，以得到多媒体内容对应的真实权重。
其中，终端确定总特征数量，本实施例中，总特征数量为4个。进一步的，计算每一个特征信息对应的子权重值与总特征数量的比值，并进行求和，可以得到课程对应的真实权重，该真实权重反应了用户的真实学习情况，当真实学习情况越好时，真实权重的值越低，当真实学习情况越差时，真实权重的值越高。
比如，分别计算用户完成学习任务的平均时间特征信息对应的子权重值2、用户完成任务的平均失败次数特征信息对应的子权重值1、用户口语打分的平均分数特征信息对应的子权重值2以及重复学习特定课程的平均次数特征信息对应的子权重值2与总特征数量4的比值，并进行求和，得到真实权重为1.75，该真实权重1.75反应了用户学习该课程的真实水平，真实权重的值越低，说明用户学习该课程越轻松，真实权重越高，说明用户学习该课程越吃力。并将该真实权重1.75与课程序号绑定，以此类推，每当用户学习了新的课程序号的课程时，都记录下学习的真实权重。
可以理解的是，在前几节的课程学习时，当用户每次学习新的课程序号对应的课程时，终端可以根据记录的真实权重的平均值来排入与用户的真实权重的平均值相近的课程，使得达到平滑渐进的学习目的。
在步骤204中，终端获取预设阻尼系数，根据预设阻尼系数、多媒体内容序号以及二阶欠阻尼系统的阶跃响应公式，计算出每一个多媒体内容序号对应的预测权重。
其中，二阶欠阻尼系统的阶跃响应公式可以为：
其中，该h(t)为预测权重，wnt为课程序号，该ζ为阻尼系数，该ζ取值的范围为大于0小于1，系统为欠阻尼，可以为ζ取适中的值为预设阻尼系数，如0.5。而震荡频率为该公式代表了预测权重对应课程序号的分布规律为以指数规律衰减的正弦震荡波。
由于预设阻尼系数ζ以及课程序号wnt都为确定值，所以可以依次将课程序号wnt以及预设阻尼系数ζ代入该二阶欠阻尼系统的阶跃响应公式，计算出每一个课程序号wnt对应的预测权重h(t)。
在步骤205中，终端将多媒体内容序号作为二阶欠阻尼系统的阶跃响应曲线的横坐标，将预测权重作为二阶欠阻尼系统的阶跃响应曲线的纵坐标，并构建坐标系。
其中，终端可以将课程序号wnt作为二阶欠阻尼系统的阶跃响应曲线的横坐标，将预测权重h(t)，作为二阶欠阻尼系统的阶跃响应曲线的纵坐标，并构建直角坐标系。
在步骤206中，终端将每一个多媒体内容序号以及对应的预测权重生成第一坐标点输入到坐标系中，并以曲线连接每一个第一坐标点，生成预测模型。
其中，如图4c所示，终端可以根据每一个课程序号wnt以及课程序号wnt对应计算得到的预测权重h(t)生成第一坐标点输入到上述直角坐标系中，并以曲线将每一个第一坐标点连接，生成预测模型，该预测模型中包括每一个课程序号与对应的预测权重的第一线性关系，该线性关系为正弦曲线分布关系，该预测权重为理想状态下每一课程序号wnt对应的预测学习难度。由于在理想状态下，用户的学习路径应该是在适中权重值上下波动，即图中适中权重值X，预测权重为围绕该适中权重值X上下波动的正弦式分布。
在步骤207中，当终端检测到播放的多媒体内容数目达到预设阈值时，将记录的多媒体内容对应的多媒体内容序号以及真实权重生成第二坐标点并输入到坐标系中。
其中，该预设阈值为调节预测权重的临界值，即在学习了预设阈值的课程，比如预设阈值为5。当终端检测到播放的课程数目达到5节课时，将记录的5节课对应的课程序号以及真实权重生成第二坐标点并输入到上述的直角坐标系中，如图4d所示，终端将记录的5节课对应的课程序号以及真实权重生成5个第二坐标点并输入到上述的直角坐标系中，由于真实权重对应的真实学习情况与理想状态下的理想学习情况肯定不相同，所以该5个第二坐标点未落在曲线上。
在步骤208中，终端根据第二坐标点的位置调节曲线的弯曲度，根据调节后的曲线的弯曲度确定目标阻尼系数，将目标阻尼系数替换预设阻尼系数，并根据多媒体内容序号以及目标阻尼系数调节预测模型。
其中，如图4e所示，终端根据第二坐标点的位置，对该5个课程序号对应的部分曲线进行弯曲度调节，使得该第二坐标点尽量依附在该调节后的曲线上，也就是说，根据真实学习情况对预测曲线进行线性调节，由于调节后的部分曲线的弯曲度发生了变化，那么可以根据调节后的部分曲线的弯曲度反向推出目标阻尼系数，并将目标阻尼系数替换预设阻尼系数，以新的目标阻尼系数对预测模型中的线性关系进行调节，以得到包括每一课程序号与调节后的预测权重的第二线性关系，该第二线性关系更贴合用户的学习状态，且该第二线性关系也为正弦震荡波形式。
在步骤209中，终端将待学习多媒体内容序号输入预测模型中，预测模型根据待学习多媒体内容序号确定出对应的预测权重，获取多媒体内容的学习频率。
其中，终端将待学习课程序号输入到预测模型中，预测模型通过第二线性关系可以确定出待学习课程序号对应的预测权重，并获取课程的学习频率，该学习频率为用户连续学习课程数目与预设时间的比值，学习频率越高，说明用户在预设时间内连续学习的课程数目越多，学习频率越低，说明用户在预设时间内连续学习的课程数目越少。
在步骤210中，终端判断学习频率是否大于第一预设阈值。
其中，该第一预设阈值为判断用户是否进行高频率学习的临界值，当判断出学习频率大于该第一预设阈值时，执行步骤213。当判断出学习频率不大于第一预设阈值时，执行步骤211。
在步骤211中，终端判断学习频率是否小于第二预设阈值。
其中，该第二预设阈值为用户是否进行低频率学习的临界值，该第二预设阈值低于第一预设阈值。当终端判断出学习频率不大于第一预设阈值时，说明用户未进行高频率学习，终端进而判断学习频率是否小于第二预设阈值，当判断出学习频率小于第二预设阈值时，执行步骤212。当判断出学习频率不小于第二预设阈值时，执行步骤214。
在步骤212中，终端将预测权重调低。
其中，当终端判断出学习频率小于第二预设阈值时，说明用户当前为低频学习状态，低频学习状态说明用户学习每一节课程的频率较慢，表明当前用户可能处于比较吃力的状态，所以可以对应将预测权重稍微调低一些，使得课程的学习难度也略微下降，更符合用户的实际学习情况。
在步骤213中，终端将预测权重调高。
其中，当终端判断出学习频率大于第一预设阈值时，说明用户当前为高频学习状态，高频学习状态说明用户学习每一节课程的频率较快，表明当前用户可能处于比较轻松的状态，所以可以对应将预测权重稍微调高一些，使得课程的学习难度也略微上升，更符合用户的实际学习情况。
在步骤214中，终端根据预测权重匹配多媒体内容库，以得到学习难度与预测权重匹配的待学习多媒体内容集合，对记录的多媒体内容属性信息进行分析，以确定目标多媒体内容属性信息，根据目标多媒体内容属性信息选取出待学习多媒体内容集合中的待学习多媒体内容，并将待学习多媒体内容与待学习多媒体内容序号进行关联。
其中，当确定好预测权重后，由于课程库中包括了每一节课程序号对应的多个课程以及每一个课程与对应的权重的关联关系，而权重的值的大小也代表了课程的学习难度的大小。
因此，终端可以将待学习课程序号对应的调节后的预测权重匹配课程库，得到与该预测权重匹配的多个课程(多媒体内容集合)，该多个课程的学习难度与预测权重也对应匹配，因此，也符合用户的学习习惯，该多个课程包含多个应用领域。终端可以对平常学习记录的课程属性信息进行智能分析，确定出用户感兴趣的目标课程属性信息，即用户感兴趣的应用领域，如动物领域。根据该目标课程属性信息对多媒体内容集合进行筛选，选取出目标课程属性信息对应的待学习课程，即用户感兴趣的应用领域的待学习课程。
进一步的，将该待学习课程与待学习课程数进行关联，这样当用户学习这节待学习课程数时，会对应打开关联的用户感兴趣的应用领域且难度适当的待学习课程，以此，可以动态为用户选取后续的课程，使课程的学习难度上升或者下降的趋势趋于稳定发展且智能选取用户感兴趣领域的课程，提高用户的学习效率。
由上述可知，本发明实施例通过获取课程以及课程对应的学习难度，按照学习难度将课程与对应的权重进行关联，生成课程库，检测课程在播放过程中的数据序号、多维特征以及课程属性信息，并在多媒体内容播放结束时，根据多维特征确定对应的真实权重，获取预设阻尼率以及课程序号，并通过二阶欠阻尼系统的阶跃响应公式计算出对应的预测权重以及建立二阶欠阻尼系统的阶跃响应曲线，生成预测模型，当检测到播放的课程数目达到预设阈值时，将记录的课程对应的真实权重输入预测模型中，以对曲线的弯曲度进行调节，进而对预测权重进行调节，终端将待学习课程序号输入预测模型，得到调节后的预测权重，并通过学习频率对预测权重进行相应调节，最后根据预测权重以及课程属性信息智能匹配对应的学习难度且用户感兴趣的待学习课程进行关联。以此可以根据多媒体播放时的真实学习场景下的真实权重来对预测模型中的预测权重进行动态调节，并根据动态调节后的预测权重以及记录的多媒体内容属性信息来确定相应学习难度以及类别的待学习多媒体内容，相对于固定的多媒体内容推荐方案而言，提升了多媒体内容的推荐灵活性以及推荐效率。
实施例三、
为便于更好的实施本发明实施例提供的多媒体内容的推荐方法，本发明实施例还提供一种基于上述多媒体内容的推荐方法的装置。其中名词的含义与上述多媒体内容的推荐方法中相同，具体实现细节可以参考方法实施例中的说明。
请参阅图5a，图5a为本发明实施例提供的多媒体内容的推荐装置的结构示意图，其中该多媒体内容的推荐装置可以包括权重确定单元301、生成单元302、调节单元303、及多媒体确定单元304等。
权重确定单元301，检测多媒体内容在播放过程中的用户行为数据以及多媒体内容属性信息，并在多媒体内容播放结束时，根据该用户行为数据确定对应的真实权重。
其中，该多媒体内容可以为一种音频格式或者一种视频格式，即可以为一段音频或者视频内容。
音频格式即音乐格式。音频格式是指要在计算机内播放或是处理音频文件，是对声音文件进行数、模转换的过程。音频格式最大带宽是20KHZ，速率介于40～50KHZ之间，采用线性脉冲编码调制PCM，每一量化步长都具有相等的长度。该音频格式的格式可以为MP3格式、CD格式以及MIDI格式等等。
视频格式可以分为适合本地播放的本地影像视频和适合在网络中播放的网络流媒体影像视频两大类。尽管后者在播放的稳定性和播放画面质量上可能没有前者优秀，但网络流媒体影像视频的广泛传播性使之正被广泛应用于视频点播、网络演示、远程教育、网络视频广告等等互联网信息服务领域。该视频格式的格式可以为运动图像专家组、音频视频交错、高级流格式等等。
该多媒体内容可以理解为一个教学课程视频，并且该多媒体内容还可以设置学习任务、打分机制等等，权重确定单元301可以实时检测多媒体内容在播放过程中的用户行为数据以及多媒体内容属性，该用户行为数据可以为完成学习任务的平均时间、完成学习任务的平均失败次数以及口语打分的平均分数等等，该用户行为数据反应了用户在实际学习多媒体内容时的真实学习情况。
该多媒体内容属性可以理解为教学课程视频的教学应用领域，比如航天领域、医疗领域、体育领域或者动物领域等等，由于每个用户感兴趣的领域都不一样，所以可以设置多个领域的多媒体内容供用户选择学习，后期可以记录的多媒体内容属性进行学习分析，确定用户感兴趣的教学应用领域，以根据用户感兴趣的教学应用领域进行智能推荐。
进一步的，权重确定单元301在多媒体内容播放结束时，可以根据用户行为数据确定对应的真实权重，当用户行为数据反应的真实学习情况越好，该对应的真实权重越低，当用户行为数据反应的真实学习情况越差，该对应的真实权重越高。可以想到是，随着多媒体内容的不断深入学习，按照学习进度的推进，后续的课程会渐渐变难，用户学习慢慢会开始吃力，那么真实权重也会越来越高。
在一些实施方式中，如图5d所示，权重确定单元301可以包括检测子单元3011、获取子单元3012、匹配子单元3013、计算子单元3014以及第二计算子单元3025，如下：
检测子单元3011，用于检测多媒体内容在播放过程中的多媒体内容序号、多维特征以及多媒体内容属性信息。
获取子单元3012，用于在多媒体内容播放结束时，获取多维特征中的每一个特征信息。
匹配子单元3013，用于将每一个特征信息与预设权重库进行匹配，以获取每一个特征信息对应的子权重值。
计算子单元3014，用于计算出每一个特征信息对应的子权重值与总特征数量的比值，并进行求和，以得到该多媒体内容对应的真实权重。
其中，检测子单元3011检测多媒体内容在播放过程中的多媒体内容序号以及多维特征，即获取当前播放的多媒体内容对应的多媒体内容序号以及完成学习任务的平均时间特征信息、完成学习任务的平均失败次数特征信息、口语打分的平均分数特征信息以及学习多媒体内容的次数特征信息等等。在多媒体内容播放播放结束时，获取子单元3012分别获取多维特征中的每一个特征信息。
进一步的，由于该预设权重库中包括了每一个特征信息与对应的子权重值的计算关系，比如，预设权重库中学习任务的平均失败次数特征信息关系可以为1至2次，对应的子权重值为1，3至5次，对应的子权重为2，以及6至10次，对应的子权重为3，预设权重库中完成学习任务的平均时间特征信息关系可以为1至3分钟，对应的子权重值为1，4至6分钟，对应的子权重为2，以及7至10分钟，对应的子权重为3。
匹配子单元3013将多维特征中每一个特征信息与预设权重库中的预设特征信息关系进行比对，就可以获取每一特征信息对应的子权重值，比如多维特征中学习任务的平均失败次数特征信息为1次，那么该平均失败次数特征信息对应的子权重信息为1。多维特征中完成学习任务的平均时间特征信息为4分钟，那么该平均时间特征信息对应的子权重信息为2。
由于多维特征信息中只有学习任务的平均失败次数特征信息以及完成学习任务的平均时间特征信息，那么可以确定总特征数量为2个，计算子单元3014计算该平均失败次数特征信息对应的子权重信息1与总特征数量2的比值，确定比值为0.5，计算完成学习任务的平均时间特征信息对应的子权重信息2与总特征数量2的比值，确定比值为1，并进行求和，得到真实权重1.5。可以看出，学习任务的失败次数越多或者完成学习任务的平均时间越长，对应的权重值越高，综合之后即为真实权重越低，用户学习越轻松，真实权重越高，用户学习越吃力。
在一些实施方式中，如图5e所示，该调节装置还可以包括获取单元305以及关联单元306，如下：
该获取单元305，用于获取多媒体内容以及多媒体内容对应的学习难度。
关联单元306，用于按照学习难度将多媒体内容与对应的权重进行关联，生成多媒体内容库。
其中，同一个多媒体内容序号，即同一节教学课程中可以有多个多媒体内容，且每一个多媒体内容的学习难度都不一样，获取单元305可以提前获取每一个多媒体内容的学习难度，关联单元306可以提前根据学习难度将每个多媒体内容与对应的权重进行关联，生成多媒体内容库，学习难度越容易，关联的权重值越低，学习难度越难，关联的权重值越高。
生成单元302，用于生成该多媒体内容对应的预测模型，该预测模型包括预测权重。
其中，该预测模型为可以向用户推荐理想状态的学习难度的多媒体内容的智能模型，也就是说，通过该预测模型可以为用户预测出适合当前的学习难度的多媒体内容。在一实施方式中，生成单元302可以为建立机器学习模型，该机器学习模型可以采用人工与自动化并行的模式，智能的优化预测的多媒体内容的适合度。
进一步的，该预测模型中包括预测权重，由于权重的大小可以反应多媒体内容的学习难度，那么该预测权重即代表了理想状态下的学习难度。可以想到的是，理想的学习状态为按照比较适中的学习难度，一直进行学习。长期低于该适中的学习难度进行学习，会导致学习内容一直比较简单，而长期低于该适中的学习难度进行学习，会导致学习内容一直比较难，都不利于用户的学习。所以该预测权重的值的分布可以以指数规律衰减的正弦振动波，也就是说预测权重的值的分布会在适中的值的上下以正弦震荡波的形式进行上下浮动，以此，可以保证预测模型中的预测权重一直保持比较合适的值。
在一些实施方式中，如图5b所示，生成单元302可以包括获取子单元3021以及生成子单元3022，如下：
获取子单元3021，用于获取每一个多媒体内容序号以及对应的预测权重。
生成子单元3022，用于根据该每一个多媒体内容序号以及对应的预测权重生成多媒体内容对应的预测模型，该预测模型包括每一个多媒体内容序号与对应的预测权重的第一线性关系。
其中，获取子单元3021可以通过机器学习模型对大量数据进行智能分析，确定出每一个多媒体内容序号对应的预测权重，即确定出每一节教学课程合适的预设权重，生成子单元3022根据每一个多媒体内容序号以及智能分析得到的对应的预测权重生成预测模型，将多媒体内容序号作为横坐标以及预测权重作为纵坐标，并把每一个多媒体内容序号与对应的预测权重形成的点连接起来，即形成了多媒体内容序号与对应的预测权重的第一线性关系，该第一线性关系可以反应出预测权重的波动趋势。
具体而言，该获取子单元3021，用于获取预设阻尼系数，根据预设阻尼系数、多媒体内容序号以及二阶欠阻尼系统的阶跃响应公式，计算出每一个多媒体内容序号对应的预测权重。
其中，由二阶微分方程描述的系统成为二阶系统，它在控制工程中的应用极为广泛，许多高阶系统在一定的条件下，也可简化为二阶系统来研究。而二阶欠阻尼系统的阶跃响应公式为：
其中，该h(t)为预测权重，wnt为多媒体内容序号，该ζ为阻尼系数，该ζ取值的范围为大于0小于1，系统为欠阻尼，获取子单元3021可以为ζ取适中的值为预设阻尼系数，如0.5。而震荡频率为该公式代表了以指数规律衰减的正弦震荡波。
进一步的，获取子单元3021将预设阻尼系统ζ以及每一多媒体内容序号wnt代入该二阶欠阻尼系统的阶跃响应公式，即可得到每一多媒体内容序号对应的预测权重，该预测权重的分布规律为正弦震荡波形式。
具体而言，该生成子单元3022，用于将该多媒体内容序号作为二阶欠阻尼系统的阶跃响应曲线的横坐标，将该预测权重作为二阶欠阻尼系统的阶跃响应曲线的纵坐标，并构建坐标系，将每一个多媒体内容序号以及对应的预测权重生成第一坐标点输入到该坐标系中，并以曲线连接每一个第一坐标点，生成预测模型，该预设模型包括每一个多媒体内容序号与对应的预测权重的第一线性关系。
其中，生成子单元3022首先可以建立该二阶欠阻尼系统的阶跃响应曲线的直角坐标系，然后将多媒体内容序号作为该直角坐标系的横坐标，将预测权重作为该直角坐标系的纵坐标。
进一步的，生成子单元3022按照多媒体内容序号由小到大的顺序，依次将每一个多媒体内容序号以及对应的预测权重生成的多个第一坐标点并输入到该直角坐标系中，以曲线形式将多个第一坐标点进行连接，以形成每一个多媒体内容序号与对应的预测权重的第一线性关系，该线性关系为正弦曲线式分布关系，并且不同数值的阻尼系数对应的正弦曲线的弯曲度也不相同，并将该直角坐标系作为预测模型。
调节单元303，用于当检测到播放的多媒体内容数目达到预设阈值时，将记录的多媒体内容对应的真实权重输入预测模型中，以对预测权重进行调节。
其中，该预设阈值为调节预测权重的临界值，即在学习了预设阈值的课程时，对预测模型中的预测权重进行调节，比如预设阈值为5。该多媒体内容数目为用户学习过的多媒体内容数量，也可以理解为用户学习过多少节课程，当调节单元303检测到播放的多媒体内容数目达到5个时，即当用户学习过5节课程时，将记录的5个多媒体内容分别对应多媒体内容序号以及真实权重输入到预测模型中，该预测模型会在相同的多媒体内容序号下，将真实权重与预测权重进行对比，判断真实权重总体趋势是不是大于预测权重，若判断出真实权重总体趋势大于预测权重，则根据趋势差综合调高预测权重的值，平衡真实权重与预测权重的趋势差。若判断出真实权重总体趋势不大小预测权重，则根据趋势差对应调低预测权重的值，平衡真实权重与预测权重的趋势差。由此可以看出，调节后的预测权重更符合用户的实际学习情况。
在一些实施方式中，如图5c所示，该调节单元303可以包括输入子单元3031、第一调节子单元3032、确定子单元3033以及第二调节子单元3034，如下：
输入子单元3031，用于当检测到播放的多媒体内容数目达到预设阈值时，将记录的多媒体内容对应的多媒体内容序号以及真实权重生成第二坐标点并输入到该坐标系中。
第一调节子单元3032，用于根据该第二坐标点的位置调节曲线的弯曲度。
确定子单元3033，用于根据调节后的曲线的弯曲度确定目标阻尼系数。
第二调节子单元3034，用于将该目标阻尼系数替换该预设阻尼系数，并根据多媒体内容序号以及目标阻尼系数调节预测模型，该调节后的预设模型包括每一个多媒体内容序号与调节后的预测权重的第二线性关系。
其中，在上述建立的二阶欠阻尼系统的阶跃响应曲线的直角坐标系的基础上，输入子单元3031用于当检测到播放的多媒体内容数目达到预设阈值时，将记录的多媒体内容对应的多媒体内容序号以及对应的真实权重生成第二坐标点并输入到该直角坐标系中。
由于真实学习场景下的真实权重肯定会与理想状态下的预测权重有一定的偏差，所以相同的多媒体内容序号下，第一坐标点与第二坐标点肯定不相等，也就是说该第二坐标点不会落在第一坐标点形成的曲线上，所以第一调节子单元3032可以根据第二坐标点的位置，调整曲线的线性弯曲度，使得第二坐标点尽量依附在调整后的曲线上。
因此，该记录的多媒体内容对的多媒体内容序号上的曲线的弯曲度会根据真实权重的数值发生相应的变化。也就是说这一段曲线上的阻尼系数发生了变化，由预设阻尼系数变化为目标阻尼系数，确定子单元3033，用于根据调节后的曲线的弯曲度确定目标阻尼系数，该目标阻尼系数更符合用户的实际学习状态，因此，第二调节子单元3034可以根据新的目标阻尼率对预设模型中的二阶欠阻尼系统的阶跃响应曲线中所有的多媒体内容序号对应的预测权重进行调节，得到调节后的预设模型，该调节后的预设模型包括每一多媒体内容序号与调节后的预测权重的第二线性关系，该第二线性关系更贴合用户的学习状态，且该第二线性关系也为正弦震荡波形式。
多媒体确定单元304，用于根据调节后的预测权重以及记录的多媒体内容属性信息确定出相应的待学习多媒体内容。
其中，由于调节后的预测权重更符合用户的实际学习情况，所以可以在预测模型的基础上，根据待学习多媒体内容序号确定出该待学习多媒体内容序号对应的调节后的预测权重，多媒体确定单元304根据预测权重的值的大小匹配出相应学习难度的多个应用领域的待学习多媒体内容，比如相应学习难度的航天领域的待学习多媒体内容、相应学习难度的医疗领域的待学习多媒体内容、相应学习难度的体育领域的待学习多媒体内容以及相应学习难度的动物领域的待学习多媒体内容。
进一步的，多媒体确定单元304可以根据用户的历史观看多媒体内容属性信息进行智能学习，确定出用户感兴趣的应用领域，根据用户感兴趣的应用领域对多个待学习多媒体内容进行筛选，选择出用户感兴趣的相应难度的待学习多媒体内容，并将该用户感兴趣的相应难度的待学习多媒体内容与待学习多媒体内容序号进行关联，因此，当用户触发待学习多媒体内容序号对应的多媒体内容时，会自动获取关联的用户感兴趣的相应难度的待学习多媒体内容并进行播放展示，以此，可以根据用户的实际学习情况动态调节学习计划中的每一个多媒体内容序号对应的多媒体内容，使得调节后的多媒体内容的学习难度以及应用领域更符合用户的实际学习能力以及兴趣，以增加用户的学习效率。
在一些实施方式中，如图5f所示，该多媒体确定单元304可以包括输入子单元3041、获取子单元3042、第一判断子单元3043、调高子单元3044、第二判断子单元3045、调低子单元3046、匹配子单元3047、确定子单元3048以及关联子单元3049，如下：
输入子单元3041，用于将待学习多媒体内容序号输入预测模型中，预测模型根据该待学习多媒体内容序号确定出对应的预测权重；
获取子单元3042，用于获取多媒体内容的学习频率。
第一判断子单元3043，用于判断该学习频率是否大于第一预设阈值。
调高子单元3044，用于当判断出该学习频率大于第一预设阈值时，将该预测权重调高。
第二判断子单元3045，用于当判断出该学习频率不大于一定阈值时，判断该学习频率是否小于第二预设阈值，该第二预设阈值小于该第一预设阈值。
调低子单元3046，用于当判断出该学习频率小于第二预设阈值时，将该预测权重调低。
匹配子单元3047，用于根据该预测权重匹配多媒体内容库，以得到学习难度与预测权重匹配的待学习多媒体内容集合。
确定子单元3048，用于对记录的多媒体内容属性信息进行分析，以确定目标多媒体内容属性信息。
关联子单元3049，用于根据该目标多媒体内容属性信息选取出该待学习多媒体内容集合中的待学习多媒体内容，并将该待学习多媒体内容与该待学习多媒体内容序号进行关联。
其中，由于该预测模型中包括了每一个多媒体内容序号以及对应的调节后的预测权重，所以输入子单元3041可以将待学习多媒体内容序号输入到预测模型中，预测模型会根据待学习多媒体内容序号确定出相应的预测权重。
获取子单元3042，用于获取多媒体内容的学习频率。第一判断子单元3043，用于判断该学习频率是否大于第一预设阈值。调高子单元3044，用于当判断出该学习频率大于第一预设阈值时，将该预测权重调高。第二判断子单元3045，用于当判断出该学习频率不大于一定阈值时，判断该学习频率是否小于第二预设阈值，该第二预设阈值小于该第一预设阈值。调低子单元3046，用于当判断出该学习频率小于第二预设阈值时，将该预测权重调低。
进一步的，由于多媒体内容库中包括了每一个多媒体内容序号对应的多个多媒体内容以及每一个多媒体内容与对应的权重的关联关系，也就是说匹配子单元3047根据预测权重匹配多媒体内容库，可以得到多个应用领域的学习难度与预测权重匹配的待学习多媒体内容，即多媒体内容集合，该多媒体内容集合中包含了多个学习难度与预测权重匹配的多媒体内容。然后，确定子单元3048对记录的多媒体内容属性信息进行智能分析，得到用户感兴趣的目标多媒体内容属性信息，即得到用户感兴趣的应用领域。关联子单元3049根据该用户感兴趣的目标多媒体内容属性信息，对多媒体内容集合进行筛选，选择出与用户感兴趣的目标多媒体内容属性信息一致的多媒体内容。并将该与用户感兴趣的目标多媒体内容属性信息一致的多媒体内容与待学习多媒体内容序号进行关联，以使得当用户触发待学习多媒体内容序号对应的多媒体内容时，会自动获取关联的与用户感兴趣的目标多媒体内容属性信息一致的多媒体内容并进行播放展示。
以上各个单元的具体实施可参见前面的实施例，在此不再赘述。
由上述可知，本发明实施例通过权重确定单元301检测多媒体内容在播放过程中的用户行为数据以及多媒体内容属性信息，并在多媒体内容播放结束时，根据用户行为数据确定对应的真实权重；生成单元302生成多媒体内容对应的预测模型，预测模型包括预测权重；当调节单元303检测到播放的多媒体内容数目达到预设阈值时，将记录的多媒体内容对应的真实权重输入预测模型中，以对预测权重进行调节；多媒体确定单元304根据调节后的预测权重以及记录的多媒体内容属性信息确定出相应的待学习多媒体内容。以此可以根据多媒体播放时的真实学习场景下的真实权重来对预测模型中的预测权重进行动态调节，并根据动态调节后的预测权重以及记录的多媒体内容属性信息来确定相应学习难度以及类别的待学习多媒体内容，相对于固定的多媒体内容推荐方案而言，提升了多媒体内容的推荐灵活性以及推荐效率。
实施例四、
本发明实施例还提供一种终端，如图6所示，该终端可以包括射频(RF，RadioFrequency)电路601、包括有一个或一个以上计算机可读存储介质的存储器602、输入单元603、显示单元604、传感器605、音频电路606、无线保真(WiFi，Wireless Fidelity)模块607、包括有一个或者一个以上处理核心的处理器608、以及电源609等部件。本领域技术人员可以理解，图6中示出的终端结构并不构成对终端的限定，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。其中：
RF电路601可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器608处理；另外，将涉及上行的数据发送给基站。通常，RF电路601包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块(SIM，Subscriber Identity Module)卡、收发信机、耦合器、低噪声放大器(LNA，Low Noise Amplifier)、双工器等。此外，RF电路601还可以通过无线通信与网络和其他设备通信。无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(GSM，Global System of Mobile communication)、通用分组无线服务(GPRS，GeneralPacket Radio Service)、码分多址(CDMA，Code Division Multiple Access)、宽带码分多址(WCDMA，Wideband Code Division Multiple Access)、长期演进(LTE，Long TermEvolution)、电子邮件、短消息服务(SMS，Short Messaging Service)等。
存储器602可用于存储软件程序以及模块，处理器608通过运行存储在存储器602的软件程序以及模块，从而执行各种功能应用以及即时通讯信息的处理。存储器602可主要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、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据终端的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器602可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器602还可以包括存储器控制器，以提供处理器608和输入单元603对存储器602的访问。
输入单元603可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，在一个具体的实施例中，输入单元603可包括触敏表面以及其他输入设备。触敏表面，也称为触摸显示屏或者触控板，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面上或在触敏表面附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触敏表面可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器608，并能接收处理器608发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面。除了触敏表面，输入单元603还可以包括其他输入设备。具体地，其他输入设备可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元604可用于显示由用户输入的信息或提供给用户的信息以及终端的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元604可包括显示面板，可选的，可以采用液晶显示器(LCD，Liquid Crystal Display)、有机发光二极管(OLED，Organic Light-Emitting Diode)等形式来配置显示面板。进一步的，触敏表面可覆盖显示面板，当触敏表面检测到在其上或附近的触摸操作后，传送给处理器608以确定触摸事件的类型，随后处理器608根据触摸事件的类型在显示面板上提供相应的视觉输出。虽然在图6中，触敏表面与显示面板是作为两个独立的部件来实现输入和输入功能，但是在某些实施例中，可以将触敏表面与显示面板集成而实现输入和输出功能。
终端还可包括至少一种传感器605，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板的亮度，接近传感器可在终端移动到耳边时，关闭显示面板和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于终端还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
音频电路606、扬声器，传声器可提供用户与终端之间的音频接口。音频电路606可将接收到的音频数据转换后的电信号，传输到扬声器，由扬声器转换为声音信号输出；另一方面，传声器将收集的声音信号转换为电信号，由音频电路606接收后转换为音频数据，再将音频数据输出处理器608处理后，经RF电路601以发送给比如另一终端，或者将音频数据输出至存储器602以便进一步处理。音频电路606还可能包括耳塞插孔，以提供外设耳机与终端的通信。
WiFi属于短距离无线传输技术，终端通过WiFi模块607可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图6示出了WiFi模块607，但是可以理解的是，其并不属于终端的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
处理器608是终端的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器602内的软件程序和/或模块，以及调用存储在存储器602内的数据，执行终端的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器608可包括一个或多个处理核心；优选的，处理器608可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器608中。
终端还包括给各个部件供电的电源609(比如电池)，优选的，电源可以通过电源管理系统与处理器608逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源609还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
尽管未示出，终端还可以包括摄像头、蓝牙模块等，在此不再赘述。具体在本实施例中，终端中的处理器608会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器602中，并由处理器608来运行存储在存储器602中的应用程序，从而实现各种功能：
检测多媒体内容在播放过程中的用户行为数据以及多媒体内容属性信息，并在多媒体内容播放结束时，根据该用户行为数据确定对应的真实权重；生成该多媒体内容对应的预测模型，该预测模型包括预测权重；当检测到播放的多媒体内容数目达到预设阈值时，将记录的多媒体内容对应的真实权重输入预测模型中，以对预测权重进行调节；根据调节后的预测权重以及记录的多媒体内容属性信息确定出相应的待学习多媒体内容。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见上文针对即时通讯信息的处理方法的详细描述，此处不再赘述。
由上可知，本发明实施例的终端可以通过检测多媒体内容在播放过程中的用户行为数据以及多媒体内容属性信息，并在多媒体内容播放结束时，根据用户行为数据确定对应的真实权重；生成多媒体内容对应的预测模型，预测模型包括预测权重；当检测到播放的多媒体内容数目达到预设阈值时，将记录的多媒体内容对应的真实权重输入预测模型中，以对预测权重进行调节；根据调节后的预测权重以及记录的多媒体内容属性信息确定出相应的待学习多媒体内容。以此可以根据多媒体播放时的真实学习场景下的真实权重来对预测模型中的预测权重进行动态调节，并根据动态调节后的预测权重以及记录的多媒体内容属性信息来确定相应学习难度以及类别的待学习多媒体内容，相对于固定的多媒体内容推荐方案而言，提升了多媒体内容的推荐灵活性以及推荐效率。
实施例五、
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本发明实施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本发明实施例所提供的任一种多媒体内容的推荐方法中的步骤。例如，该指令可以执行如下步骤：
检测多媒体内容在播放过程中的用户行为数据以及多媒体内容属性信息，并在多媒体内容播放结束时，根据该用户行为数据确定对应的真实权重；生成该多媒体内容对应的预测模型，该预测模型包括预测权重；当检测到播放的多媒体内容数目达到预设阈值时，将记录的多媒体内容对应的真实权重输入预测模型中，以对预测权重进行调节；根据调节后的预测权重以及记录的多媒体内容属性信息确定出相应的待学习多媒体内容。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令，可以执行本发明实施例所提供的任一种多媒体内容的推荐方法中的步骤，因此，可以实现本发明实施例所提供的任一种多媒体内容的推荐方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
以上对本发明实施例所提供的一种多媒体内容的推荐方法、装置、存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (15)
1.一种多媒体内容的推荐方法，其特征在于，包括：
检测多媒体内容在播放过程中的用户行为数据以及多媒体内容属性信息，并在多媒体内容播放结束时，根据所述用户行为数据确定对应的真实权重；
生成所述多媒体内容对应的预测模型，所述预测模型包括预测权重；
当检测到播放的多媒体内容数目达到预设阈值时，将记录的多媒体内容对应的真实权重输入预测模型中，以对预测权重进行调节；
根据调节后的预测权重以及记录的多媒体内容属性信息确定出相应的待学习多媒体内容。
2.根据权利要求1所述的推荐方法，其特征在于，所述生成所述多媒体内容对应的预测模型的步骤，包括：
获取每一个多媒体内容序号以及对应的预测权重；
根据所述每一个多媒体内容序号以及对应的预测权重生成多媒体内容对应的预测模型，所述预测模型包括每一个多媒体内容序号与对应的预测权重的第一线性关系。
3.根据权利要求2所述的推荐方法，其特征在于，所述获取每一个多媒体内容序号以及对应的预测权重的步骤，包括：
获取预设阻尼系数；
根据预设阻尼系数、多媒体内容序号以及二阶欠阻尼系统的阶跃响应公式，计算出每一个多媒体内容序号对应的预测权重。
4.根据权利要求3所述的推荐方法，其特征在于，所述根据所述每一个多媒体内容序号以及对应的预测权重生成多媒体内容对应的预测模型的步骤，包括：
将所述多媒体内容序号作为二阶欠阻尼系统的阶跃响应曲线的横坐标，将所述预测权重作为二阶欠阻尼系统的阶跃响应曲线的纵坐标，并构建坐标系；
将每一个多媒体内容序号以及对应的预测权重生成第一坐标点输入到所述坐标系中，并以曲线连接每一个第一坐标点，生成预测模型，所述预设模型包括每一个多媒体内容序号与对应的预测权重的第一线性关系。
5.根据权利要求4所述的推荐方法，其特征在于，所述将记录的多媒体内容对应的真实权重输入预测模型中，以对预测权重进行调节的步骤，包括：
将记录的多媒体内容对应的多媒体内容序号以及真实权重生成第二坐标点并输入到所述坐标系中；
根据所述第二坐标点的位置调节曲线的弯曲度；
根据调节后的曲线的弯曲度确定目标阻尼系数；
将所述目标阻尼系数替换所述预设阻尼系数，并根据多媒体内容序号以及目标阻尼系数调节预测模型，所述调节后的预设模型包括每一个多媒体内容序号与调节后的预测权重的第二线性关系。
6.根据权利要求1所述的推荐方法，其特征在于，所述检测多媒体内容在播放过程中的用户行为数据以及多媒体内容属性信息，并在多媒体内容播放结束时，根据所述用户行为数据确定对应的真实权重的步骤，包括：
检测多媒体内容在播放过程中的多媒体内容序号、多维特征以及多媒体内容属性信息；
在多媒体内容播放结束时，获取多维特征中的每一个特征信息；
将每一个特征信息与预设权重库进行匹配，以获取每一个特征信息对应的子权重值；
计算出每一个特征信息对应的子权重值与总特征数量的比值，并进行求和，以得到所述多媒体内容对应的真实权重。
7.根据权利要求1至6任一项所述的推荐方法，其特征在于，所述检测多媒体内容在播放过程中的用户行为数据以及多媒体内容属性信息的步骤之前，还包括：
获取多媒体内容以及多媒体内容对应的学习难度；
按照学习难度将多媒体内容与对应的权重进行关联，生成多媒体内容库。
8.根据权利要求7所述的推荐方法，其特征在于，所述根据调节后的预测权重以及记录的多媒体内容属性信息确定出相应的待学习多媒体内容的步骤，包括：
将待学习多媒体内容序号输入预测模型中，预测模型根据所述待学习多媒体内容序号确定出对应的预测权重；
根据所述预测权重匹配多媒体内容库，以得到学习难度与预测权重匹配的待学习多媒体内容集合；
对记录的多媒体内容属性信息进行分析，以确定目标多媒体内容属性信息；
根据所述目标多媒体内容属性信息选取出所述待学习多媒体内容集合中的待学习多媒体内容，并将所述待学习多媒体内容与所述待学习多媒体内容序号进行关联。
9.根据权利要求8所述的推荐方法，其特征在于，所述预测模型根据所述待学习多媒体内容序号确定出对应的预测权重的步骤之后，还包括：
获取多媒体内容的学习频率；
判断所述学习频率是否大于第一预设阈值；
当判断出所述学习频率大于第一预设阈值时，将所述预测权重调高。
10.根据权利要求9所述的推荐方法，其特征在于，所述判断所述学习频率是否大于第一预设阈值的步骤之后，还包括：
当判断出所述学习频率不大于一定阈值时，判断所述学习频率是否小于第二预设阈值，所述第二预设阈值小于所述第一预设阈值；
当判断出所述学习频率小于第二预设阈值时，将所述预测权重调低。
11.一种多媒体内容的推荐装置，其特征在于，包括：
权重确定单元，用于检测多媒体内容在播放过程中的用户行为数据以及多媒体内容属性信息，并在多媒体内容播放结束时，根据所述用户行为数据确定对应的真实权重；
生成单元，用于生成所述多媒体内容对应的预测模型，所述预测模型包括预测权重；
调节单元，用于当检测到播放的多媒体内容数目达到预设阈值时，将记录的多媒体内容对应的真实权重输入预测模型中，以对预测权重进行调节；
多媒体确定单元，用于根据调节后的预测权重以及记录的多媒体内容属性信息确定出相应的待学习多媒体内容。
12.根据权利要求11所述的推荐装置，其特征在于，所述生成单元，包括：
获取子单元，用于获取每一个多媒体内容序号以及对应的预测权重；
生成子单元，用于根据所述每一个多媒体内容序号以及对应的预测权重生成多媒体内容对应的预测模型，所述预测模型包括每一个多媒体内容序号与对应的预测权重的第一线性关系。
13.根据权利要求12所述的推荐装置，其特征在于，所述获取子单元，具体用于：
获取预设阻尼系数；
根据预设阻尼系数、多媒体内容序号以及二阶欠阻尼系统的阶跃响应公式，计算出每一个多媒体内容序号对应的预测权重。
14.根据权利要求13所述的推荐装置，其特征在于，所述生成子单元，具体用于：
将所述多媒体内容序号作为二阶欠阻尼系统的阶跃响应曲线的横坐标，将所述预测权重作为二阶欠阻尼系统的阶跃响应曲线的纵坐标，并构建坐标系；
将每一个多媒体内容序号以及对应的预测权重生成第一坐标点输入到所述坐标系中，并以曲线连接每一个第一坐标点，生成预测模型，所述预设模型包括每一个多媒体内容序号与对应的预测权重的第一线性关系。
15.一种存储介质，其特征在于，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至10任一项所述的多媒体内容的推荐方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810835099.5A CN110209845B (zh) | 2018-07-26 | 2018-07-26 | 一种多媒体内容的推荐方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810835099.5A CN110209845B (zh) | 2018-07-26 | 2018-07-26 | 一种多媒体内容的推荐方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110209845A true CN110209845A (zh) | 2019-09-06 |
| CN110209845B CN110209845B (zh) | 2024-01-30 |
Family
ID=67779812
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810835099.5A Active CN110209845B (zh) | 2018-07-26 | 2018-07-26 | 一种多媒体内容的推荐方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110209845B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111405325A (zh) * | 2020-03-25 | 2020-07-10 | 北京达佳互联信息技术有限公司 | 一种视频内容分发方法和装置及电子设备 |
| CN112925924A (zh) * | 2019-12-05 | 2021-06-08 | 北京达佳互联信息技术有限公司 | 多媒体文件的推荐方法、装置、电子设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102508846A (zh) * | 2011-09-26 | 2012-06-20 | 深圳中兴网信科技有限公司 | 一种基于网络的媒体课件的推荐方法和系统 |
| US20130196292A1 (en) * | 2012-01-30 | 2013-08-01 | Sharp Kabushiki Kaisha | Method and system for multimedia-based language-learning, and computer program therefor |
| CN103544663A (zh) * | 2013-06-28 | 2014-01-29 | Tcl集团股份有限公司 | 网络公开课的推荐方法、系统和移动终端 |
| 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 |
| 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 |
| CN106202453A (zh) * | 2016-07-13 | 2016-12-07 | 网易（杭州）网络有限公司 | 一种多媒体资源推荐方法和装置 |
| CN106326391A (zh) * | 2016-08-17 | 2017-01-11 | 合智能科技（深圳）有限公司 | 多媒体资源推荐方法及装置 |
-
2018
- 2018-07-26 CN CN201810835099.5A patent/CN110209845B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102508846A (zh) * | 2011-09-26 | 2012-06-20 | 深圳中兴网信科技有限公司 | 一种基于网络的媒体课件的推荐方法和系统 |
| US20130196292A1 (en) * | 2012-01-30 | 2013-08-01 | Sharp Kabushiki Kaisha | Method and system for multimedia-based language-learning, and computer program therefor |
| CN103544663A (zh) * | 2013-06-28 | 2014-01-29 | Tcl集团股份有限公司 | 网络公开课的推荐方法、系统和移动终端 |
| 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 |
| 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 |
| CN106202453A (zh) * | 2016-07-13 | 2016-12-07 | 网易（杭州）网络有限公司 | 一种多媒体资源推荐方法和装置 |
| CN106326391A (zh) * | 2016-08-17 | 2017-01-11 | 合智能科技（深圳）有限公司 | 多媒体资源推荐方法及装置 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112925924A (zh) * | 2019-12-05 | 2021-06-08 | 北京达佳互联信息技术有限公司 | 多媒体文件的推荐方法、装置、电子设备及存储介质 |
| CN111405325A (zh) * | 2020-03-25 | 2020-07-10 | 北京达佳互联信息技术有限公司 | 一种视频内容分发方法和装置及电子设备 |
| CN111405325B (zh) * | 2020-03-25 | 2022-03-25 | 北京达佳互联信息技术有限公司 | 一种视频内容分发方法和装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110209845B (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104217717B (zh) | 构建语言模型的方法及装置 | |
| CN108090855B (zh) | 一种学习计划推荐方法及移动终端 | |
| US20170351767A1 (en) | Information processing system, information processing device, control method, and program | |
| US20140099614A1 (en) | Method for delivering behavior change directives to a user | |
| CN110472145A (zh) | 一种内容推荐方法和电子设备 | |
| CN105828145B (zh) | 互动方法及装置 | |
| US10282451B1 (en) | Context aware application manager | |
| CN107146465A (zh) | 一种车位预定方法、终端、服务器及可读存储介质 | |
| CN108984731A (zh) | 歌单推荐方法、装置及存储介质 | |
| CN106471463A (zh) | 用于音频输入监视的装置指定 | |
| CN106528745A (zh) | 在移动终端上推荐资源的方法、装置及移动终端 | |
| CN108073437A (zh) | 一种应用推荐方法及移动终端 | |
| CN108334539A (zh) | 对象推荐方法、移动终端及计算机可读存储介质 | |
| CN104123937A (zh) | 提醒设置方法、装置和系统 | |
| CN106126570B (zh) | 信息服务系统 | |
| CN110096611A (zh) | 一种歌曲推荐方法、移动终端及计算机可读存储介质 | |
| CN108227726A (zh) | 无人机飞行控制方法、装置、终端及存储介质 | |
| CN108632446A (zh) | 一种信息提示方法及移动终端 | |
| CN106774861B (zh) | 智能设备及行为数据纠正方法和装置 | |
| CN108665734A (zh) | 一种基于虚拟现实的教学方法和系统 | |
| CN108037885A (zh) | 一种操作提示方法及移动终端 | |
| CN107786714B (zh) | 基于车载多媒体设备的语音控制方法、装置及系统 | |
| CN109783656A (zh) | 音视频数据的推荐方法、系统及服务器和存储介质 | |
| JP2018538648A (ja) | コンピューティングデバイスのプロパティに基づく情報のランク付け | |
| CN109862430A (zh) | 多媒体播放方法及终端设备 |
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 |