CN110222254A - 课程推荐方法、装置、设备及计算机可读存储介质 - Google Patents

课程推荐方法、装置、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN110222254A
CN110222254A CN201910342838.1A CN201910342838A CN110222254A CN 110222254 A CN110222254 A CN 110222254A CN 201910342838 A CN201910342838 A CN 201910342838A CN 110222254 A CN110222254 A CN 110222254A
Authority
CN
China
Prior art keywords
curricula
variable
people
user
course
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
Application number
CN201910342838.1A
Other languages
English (en)
Inventor
裘金龙
朱文瑾
郭炳瑞
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201910342838.1A priority Critical patent/CN110222254A/zh
Publication of CN110222254A publication Critical patent/CN110222254A/zh
Pending legal-status Critical Current

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
    • G06F16/90—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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及数据分析技术领域。本发明公开了一种课程推荐方法、装置、设备及计算机可读存储介质，该方法包括：根据待选课人的个人信息，计算所述待选课人与各个选课完成用户的相似度，得到计算结果，并根据所述计算结果，检测是否存在与所述待选课人相似的目标选课完成用户；若不存在与所述待选课人相似的目标选课完成用户，则将所述待选课人的个人信息输入预测模型，得到针对所述待选课人的课程推荐结果。通过本发明，可根据用户的个人信息，自动为用户推荐课程，使得课程推荐更加智能化。

Description

课程推荐方法、装置、设备及计算机可读存储介质
技术领域
本发明涉及数据分析技术领域，尤其涉及课程推荐方法、装置、设备及计算机可读存储介质。
背景技术
随着信息技术的发展，越来越多针对个人学习的个性化学习系统和课程得到了开发。在线学习在不同阶段的学校教育以及各类成人教育的教学过程中逐渐发挥出了重要的作用。涉及各个学科的在线学习资源，甚至是同一科目的在线课程资源大量地出现在网络上，虽然大量的学习资源为学习者提供了更多的选择，但这也使得学习者在如何选择适合于自己的在线课程方面出现了新的困惑。
现有机制中，一般是用户主动在网络课程提供方的网站上搜索相关课程并进行学习，这种方式，需要用户主动去搜索并确定想要学习的课程，需要耗费用户很多时间，导致选课效率低下。
发明内容
本发明的主要目的在于提供一种课程推荐方法、装置、设备及计算机可读存储介质，旨在解决现有技术中用户主动去搜索并确定想要学习的课程，需要耗费用户很多时间，导致选课效率低下的技术问题。
为实现上述目的，本发明提供一种课程推荐方法，所述课程推荐方法包括：
根据待选课人的个人信息，计算所述待选课人与各个选课完成用户的相似度，得到计算结果；
根据所述计算结果，检测是否存在与所述待选课人相似的目标选课完成用户；
若不存在与所述待选课人相似的目标选课完成用户，则将所述待选课人的个人信息输入预测模型，得到针对所述待选课人的课程推荐结果。
可选地，所述根据待选课人的个人信息，计算所述待选课人与各个选课完成用户的相似度，得到计算结果的步骤包括：
获取选课完成用户的个人信息，通过余弦相似度公式计算所述待选课人的个人信息与各个选课完成用户的个人信息的相似度K，所述余弦相似度公式如下：
其中，n(A)表示所述待选课人的个人信息的项数，n(B)表示某个选课完成用户B的个人信息的项数，n(A∩B)表示待选课人的个人信息与某个选课完成用户B的个人信息中相同信息的数量；K表示所述待选课人与某个选课完成用户B的相似度；
所述根据所述计算结果，检测是否存在与所述待选课人相似的目标选课完成用户的步骤包括：
若存在K大于或等于预设阈值，则所述K值对应的选课完成用户为与所述待选课人相似的目标选课完成用户；
若不存在K等于或等于预设阈值，则不存在与所述待选课人相似的目标选课完成用户。
可选地，所述若存在K大于或等于预设阈值，则所述K值对应的选课完成用户为与所述待选课人相似的目标选课完成用户的步骤包括：
若存在K大于或等于预设阈值，且大于或等于预设阈值的K值的数量大于等于2，则将最大的K值对应的选课完成用户作为与所述待选课人相似的目标选课完成用户。
可选地，在所述根据所述计算结果，检测是否存在与所述待选课人相似的目标选课完成用户的步骤之后，还包括：
若存在与所述待选课人相似的目标选课完成用户，则获取所述目标选课完成用户的已选课程列表，并将所述已选课程列表中的课程推荐给所述待选课人。
可选地，所述获取所述目标选课完成用户的已选课程列表，并将所述已选课程列表中的课程推荐给所述待选课人的步骤包括：
获取所述目标选课完成用户的已选课程列表，从所述已选课程列表中选取评分最高的课程推荐给所述待选课人。
可选地，在所述若不存在与所述待选课人相似的目标选课完成用户，则将所述待选课人的个人信息输入预测模型，得到针对所述待选课人的课程推荐结果的步骤之前，还包括：
获取选课完成用户的个人信息以及选课记录信息，得到各个课程对应的特征信息；
计算所述特征信息对应的特征值，并将所述特征信息对应的特征值代入公式，得到多个函数；
对所述多个函数进行迭代求解，得到各个课程对应的预测模型；
所述公式如下：
其中，θi为特征信息i的权重值，xi为特征信息i对应的特征值，θT＝[θ1,θ2,...,θn]，x＝[x1,x2,...,xn]。
可选地，所述若不存在与所述待选课人相似的目标选课完成用户，则将所述待选课人的个人信息输入预测模型，得到针对所述待选课人的课程推荐结果的步骤包括：
若不存在与所述待选课人相似的目标选课完成用户，则计算所述待选课人的个人信息对应的特征值，将所述个人信息对应的特征值分别输入各个课程对应的预测模型，得到若干个输出值；
选取大于预设阈值的目标输出值，基于所述目标输出值得到针对所述待选课人的课程推荐结果。
此外，为实现上述目的，本发明还提供一种课程推荐装置，所述课程推荐装置包括：
计算模块，用于根据待选课人的个人信息，计算所述待选课人与各个选课完成用户的相似度，得到计算结果；
检测模块，用于根据所述计算结果，检测是否存在与所述待选课人相似的目标选课完成用户；
预测模块，用于若不存在与所述待选课人相似的目标选课完成用户，则将所述待选课人的个人信息输入预测模型，得到针对所述待选课人的课程推荐结果。
可选地，所述计算模块包括：
计算单元，用于获取选课完成用户的个人信息，通过余弦相似度公式计算所述待选课人的个人信息与各个选课完成用户的个人信息的相似度K，所述余弦相似度公式如下：
其中，n(A)表示所述待选课人的个人信息的项数，n(B)表示某个选课完成用户B的个人信息的项数，n(A∩B)表示待选课人的个人信息与某个选课完成用户B的个人信息中相同信息的数量；K表示所述待选课人与某个选课完成用户B的相似度；
所述检测模块包括：
第一判定单元，用于若存在K大于或等于预设阈值，则所述K值对应的选课完成用户为与所述待选课人相似的目标选课完成用户；
第二判定单元，用于若不存在K等于或等于预设阈值，则不存在与所述待选课人相似的目标选课完成用户。
可选地，所述第一判定单元包括：
第一判定子单元，用于若存在K大于或等于预设阈值，且大于或等于预设阈值的K值的数量大于等于2，则将最大的K值对应的选课完成用户作为与所述待选课人相似的目标选课完成用户。
可选地，课程推荐装置还包括：
推荐模块，用于若存在与所述待选课人相似的目标选课完成用户，则获取所述目标选课完成用户的已选课程列表，并将所述已选课程列表中的课程推荐给所述待选课人。
可选地，推荐模块包括：
第一推荐单元，用于获取所述目标选课完成用户的已选课程列表，从所述已选课程列表中选取评分最高的课程推荐给所述待选课人。
可选地，课程推荐装置还包括：
获取模块，用于获取选课完成用户的个人信息以及选课记录信息，得到各个课程对应的特征信息；
函数构建模块，用于计算所述特征信息对应的特征值，并将所述特征信息对应的特征值代入公式，得到多个函数；
求解模块，用于对所述多个函数进行迭代求解，得到各个课程对应的预测模型；
所述公式如下：
其中，θi为特征信息i的权重值，xi为特征信息i对应的特征值，θT＝[θ1,θ2,...,θn]，x＝[x1,x2,...,xn]。
可选地，预测模块包括：
预测单元，用于若不存在与所述待选课人相似的目标选课完成用户，则计算所述待选课人的个人信息对应的特征值，将所述个人信息对应的特征值分别输入各个课程对应的预测模型，得到若干个输出值；
第二推荐单元，用于选取大于预设阈值的目标输出值，基于所述目标输出值得到针对所述待选课人的课程推荐结果。
此外，为实现上述目的，本发明还提供一种课程推荐设备，所述课程推荐设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的课程推荐程序，所述课程推荐程序被所述处理器执行时实现如上所述的课程推荐方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有课程推荐程序，所述课程推荐程序被处理器执行时实现如上所述的课程推荐方法的步骤。
本发明中，根据待选课人的个人信息，计算所述待选课人与各个选课完成用户的相似度，得到计算结果，并根据所述计算结果，检测是否存在与所述待选课人相似的目标选课完成用户；若不存在与所述待选课人相似的目标选课完成用户，则将所述待选课人的个人信息输入预测模型，得到针对所述待选课人的课程推荐结果。通过本发明，可根据用户的个人信息，自动为用户推荐课程，使得课程推荐更加智能化。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的课程推荐设备结构示意图；
图2为本发明课程推荐方法一实施例的流程示意图；
图3为本发明课程推荐装置一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1为本发明实施例方案涉及的硬件运行环境的课程推荐设备结构示意图。
本发明实施例课程推荐设备可以是PC，也可以是智能手机、平板电脑、便携计算机等具有数据处理能力的终端设备。
如图1所示，该课程推荐设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002 用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如 WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器 (non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的课程推荐设备结构并不构成对课程推荐设备的限定，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。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及课程推荐程序。
在图1所示的课程推荐设备中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的课程推荐程序，并执行以下课程推荐方法各个实施例的操作。
参照图2，图2为本发明课程推荐方法一实施例的流程示意图。本实施例中，所述课程推荐方法包括：
步骤S10，根据待选课人的个人信息，计算所述待选课人与各个选课完成用户的相似度，得到计算结果；
本实施例中，可通过余弦相似度计算所述待选课人的个人信息与各个选课完成用户的个人信息的相似度：
其中，n(A)表示所述待选课人的个人信息的项数，n(B)表示某个选课完成用户B的个人信息的项数，n(A∩B)表示待选课人的个人信息与某个选课完成用户B的个人信息中相同信息的数量；K表示所述待选课人与某个选课完成用户B的相似度；
本实施例中，个人信息包括职位信息以及工作年限信息(当然可以根据实际需要扩充个人信息中信息的种类)。
则n(A)＝2，n(B)＝2，若待选课人的个人信息与某一选课完成用户的职位信息以及工作年限信息均相同，则n(A∩B)＝2，若待选课人的个人信息与某一选课完成用户的职位信息以及工作年限信息有一项相同，则n(A∩B)＝1，若待选课人的个人信息与某一选课完成用户的职位信息以及工作年限信息均不相同，则n(A∩B)＝0。按照上述规则，代入上述公式，即可得到待选课人与各个选课完成用户的相似度。
步骤S20，根据所述计算结果，检测是否存在与所述待选课人相似的目标选课完成用户；
本实施例中，K值的设置根据实际需要进行设置，例如设置为0.7，即只有根据上述公式，基于待选课人X的个人信息，以及某个选课完成用户A的个人信息，计算得到的K值大于或等于0.7时，该选课完成用户A为与待选课人X相似的目标选课完成用户。
本实施例中，可能存在多个(大于等于2)K值大于等于预设阈值，则将最大的K值对应的选课完成用户作为与待选课人相似的目标选课完成用户 (若最大的K值相同，且有多个，则从多个最大的K值对应的选课完成用户中随机选择一位，作为与待选课人相似的目标选课完成用户)。本实施例中，K值越大，说明K值对应的选课完成用户与待选课人的相似度越高，很大可能最大K值对应的选课完成用户曾经选择学习的课程符合待选课人的需求。
若不存在K大于或等于预设阈值，则说明当前各个选课完成用户从个人信息上来看，均与待选课人不相似，因此不能基于选课完成用户的已选课程，来为待选课人进行课程推荐。
步骤S30，若不存在与所述待选课人相似的目标选课完成用户，则将所述待选课人的个人信息输入预测模型，得到针对所述待选课人的课程推荐结果。
本实施例中，若不存在目标选课完成用户，则将待选课人的个人信息输入预测模型，通过预测模型基于该待选课人的个人信息进行预测，得到针对待选课人的课程推荐结果。本实施例中，预测模型为预先经过训练的LR (Logistic Regression)模型。
训练预测模型的过程在步骤S20之前，即步骤S20之前包括：
获取选课完成用户的个人信息以及选课记录信息，得到各个课程对应的特征信息；
本实施例中，选课完成用户包含多个用户，例如用户A、用户B、用户 C……用户N，个人信息包括职位信息和工作年限信息，当然可根据实际需要对个人信息的类型进行扩充，在此不做限制。则本实施例中选课完成用户的个人信息包括：用户A的职位信息、工作年限信息；用户B的职位信息、工作年限信息；用户C的职位信息、工作年限信息……用户N的职位信息、工作年限信息。选课记录信息即每个用户曾经选择过的学习课程。例如，用户A 曾经选择过的学习课程包括课程1，课程2；用户B曾经选择过的学习课程包括课程2，课程3；用户C曾经选择过的学习课程包括课程2；用户D曾经选择过的学习课程包括课程1。
则与课程1相关的特征信息为：用户A的职位信息、工作年限信息、用户D的职位信息、工作年限信息；与课程2相关的特征信息为：用户A的职位信息、工作年限信息、用户B的职位信息、工作年限信息、用户C的职位信息、工作年限信息；与课程3相关的特征信息为：用户B的职位信息、工作年限信息。
计算所述特征信息对应的特征值，并将所述特征信息对应的特征值代入公式：
其中θi为特征信息i的权重值，xi为特征信息i对应的特征值，θT＝[θ1,θ2,...,θn]，x＝[x1,x2,...,xn]，得到多个函数，对所述多个函数进行迭代求解，得到各个课程对应的预测模型。
本实施例中，预测模型的实质为特定算法。特定算法可以包括：逻辑回归算法或神经网络算法。下面以逻辑回归算法进行说明，相应的，预测模型为LR(LogisticRegression)模型。逻辑回归是一种分类方法，主要用于解决两分类问题(即输出只有两种，分别代表两个分类)，逻辑回归算法利用Logistic 函数(或称为Sigmoid函数)，该函数的曲线形式为S型曲线，函数形式为：
对于线性边界的情况，边界形式如下：
利用公式(1)和公式(2)构造预测函数：
其中，θi为特征i的权重值，xi为特征i对应的特征值，θT＝[θ1,θ2,...,θn]， x＝[x1,x2,...,xn]，通常情况下对于一个训练样本来说，如果该训练样本中的特征i满足一定条件，则xi取值为1，否则取值为0；此外，特征值也可以为其他自然数，本说明书实施例对此不作限定。可选地，若职位信息对应的职位等级大于设定等级，则职位信息对应的特征值取1，否者取0；若工作年限信息对应的时长大于预设时长，则工作年限信息对应的特征值取1，否者取0。
本实施例中，预测模型包括：课程预测信息为课程1的LR模型，课程预测信息为课程2的LR模型以及课程预测信息为课程3的LR模型。
得到课程预测信息为课程1的LR模型的方式为：将用户A的职位信息、工作年限信息对应的特征值作为样本数据1代入上述公式(3)，同理将用户D 的职位信息、工作年限信息对应的特征值作为样本数据2代入上述公式(3)，实际上还可将若干曾经选择过课程1的用户的职位信息、工作年限信息对应的特征值代入上述公式(3)，从而得到大量函数，之后对前述大量函数进行迭代求解，计算得到θT＝[θ1,θ2,...,θn]，从而得到课程预测信息为课程1的LR 模型。
同理，得到课程预测信息为课程2的LR模型的方式为：将用户A的职位信息、工作年限信息对应的特征值作为样本数据1代入上述公式(3)，将用户B的职位信息、工作年限信息对应的特征值作为样本数据2代入上述公式(3)，将用户C的职位信息、工作年限信息对应的特征值作为样本数据3 代入上述公式(3)，实际上还可将若干曾经选择过课程2的用户的职位信息、工作年限信息对应的特征值代入上述公式(3)，从而得到大量函数，之后对前述大量函数进行迭代求解，计算得到θT＝[θ1,θ2,...,θn]，从而得到课程预测信息为课程2的LR模型。以上述类似方式，得到课程预测信息为课程3的 LR模型、课程预测信息为课程4的LR模型……课程预测信息为课程n的LR 模型。
需要说明的是，将个人信息(职位信息、工作年限信息)量化(转换)为数值的过程，可以根据实际需要，采用合理的规则，将个人信息(职位信息、工作年限信息)转换为合适的数值。此外，得到LR模型后，在使用LR模型时，将待选课用户的个人信息输入到LR模型(先将待选课用户的个人信息量化为特征值，然后将特征值输入到LR模型)，LR模型的输出是一个概率值，该概率值的取值范围为0～1，概率值越大，说明该LR模型对应的课程更贴合待选课用户的需求。
本实施例中，根据待选课人的个人信息，计算所述待选课人与各个选课完成用户的相似度，得到计算结果，并根据所述计算结果，检测是否存在与所述待选课人相似的目标选课完成用户；若不存在与所述待选课人相似的目标选课完成用户，则将所述待选课人的个人信息输入预测模型，得到针对所述待选课人的课程推荐结果。通过本实施例，可根据用户的个人信息，自动为用户推荐课程，使得课程推荐更加智能化。
进一步地，在本发明课程推荐方法一实施例中，上述步骤S10包括：
步骤S101，获取选课完成用户的个人信息，通过余弦相似度计算所述待选课人的个人信息与各个选课完成用户的个人信息的相似度：
其中，n(A)表示所述待选课人的个人信息的项数，n(B)表示某个选课完成用户B的个人信息的项数，n(A∩B)表示待选课人的个人信息与某个选课完成用户B的个人信息中相同信息的数量；K表示所述待选课人与某个选课完成用户B的相似度；
本实施例中，个人信息包括职位信息以及工作年限信息(当然可以根据实际需要扩充个人信息中信息的种类)。
则n(A)＝2，n(B)＝2，若待选课人的个人信息与某一选课完成用户的职位信息以及工作年限信息均相同，则n(A∩B)＝2，若待选课人的个人信息与某一选课完成用户的职位信息以及工作年限信息有一项相同，则n(A∩ B)＝1，若待选课人的个人信息与某一选课完成用户的职位信息以及工作年限信息均不相同，则n(A∩B)＝0。按照上述规则，代入上述公式，即可得到待选课人与各个选课完成用户的相似度。
步骤S102，若存在K大于或等于预设阈值，则所述K值对应的选课完成用户为与所述待选课人相似的目标选课完成用户；
本实施例中，K值得设置根据实际需要进行设置，例如设置为0.7，即只有根据上述公式，基于待选课人X的个人信息，以及某个选课完成用户A的个人信息，计算得到的K值大于或等于0.7时，该选课完成用户A为与待选课人X相似的目标选课完成用户。
步骤S103，若不存在K等于或等于预设阈值，则不存在与所述待选课人相似的目标选课完成用户。
若不存在K大于或等于预设阈值，则说明当前各个选课完成用户从个人信息上来看，均与待选课人不相似，因此不能基于选课完成用户的已选课程，来为待选课人进行课程推荐。
进一步地，在本发明课程推荐方法一实施例中，上述步骤S102包括：
若存在K大于或等于预设阈值，且大于或等于预设阈值的K值的数量大于等于2，则将最大的K值对应的选课完成用户作为与所述待选课人相似的目标选课完成用户。
本实施例中，可能存在多个(大于等于2)K值大于等于预设阈值，则将最大的K值对应的选课完成用户作为与待选课人相似的目标选课完成用户 (若最大的K值相同，且有多个，则从多个最大的K值对应的选课完成用户中随机选择一位，作为与待选课人相似的目标选课完成用户)。本实施例中，K值越大，说明K值对应的选课完成用户与待选课人的相似度越高，很大可能最大K值对应的选课完成用户曾经选择学习的课程符合待选课人的需求。
进一步地，在本发明课程推荐方法一实施例中，在上述步骤S10之后，还包括：
步骤S40，若存在与所述待选课人相似的目标选课完成用户，则获取所述目标选课完成用户的已选课程列表，并将所述已选课程列表中的课程推荐给所述待选课人。
本实施例中，目标选课完成用户对应的K值大于等于预设阈值，说明目标选课完成用户在个人信息上与待选课人的相似度较高，很大可能，目标选课完成用户曾经选择学习的课程符合待选课人的需求，因此，当存在目标选课完成用户时，获取该目标选课完成用户的已选课程列表，并将已选课程列表中的课程推荐给待选课人。
进一步地，在本发明课程推荐方法一实施例中，上述步骤S40进一步包括：
若存在与所述待选课人相似的目标选课完成用户，则获取所述目标选课完成用户的已选课程列表，从所述已选课程列表中选取评分最高的课程推荐给所述待选课人。
本实施例中，可以为课程提供打分机制，用户在学习课程或课程结束后均可对课程质量进行打分，评分系统根据所有用户的评分，为课程计算出综合分数。因此，在基于已选课程列表中的课程对待选课人进行课程推荐时，可以从已选课程列表中挑选评分最高的一个或多个课程推荐给待选课人。使得推荐质量更高。
进一步地，在本发明课程推荐方法一实施例中，上述步骤S30包括：
若不存在与所述待选课人相似的目标选课完成用户，则计算所述待选课人的个人信息对应的特征值，将所述个人信息对应的特征值分别输入各个课程对应的预测模型，得到若干个输出值；
选取大于预设阈值的目标输出值，基于所述目标输出值得到针对所述待选课人的课程推荐结果。
本实施例中，待选课人的个人信息包括：待选课人X的职位信息以及工作年限信息，按照上述规则，量化得到待选课人X的职位信息以及工作年限信息对应的特征值，将特征值分别输入课程预测信息为课程1的LR模型，课程预测信息为课程2的LR模型以及课程预测信息为课程3的LR模型，得到三个概率值，分别为P1、P2、P3(即输出值)。其中，P1、P2、P3分别代表课程1、课程2、课程3对应于该待选课人X的贴合度。
本实施例中，可设置一阈值(例如0.7)，若P1、P2、P3中存在大于该阈值的值，例如P1、P2大于该阈值(即目标输出值)，则将P1、P2对应的课程1以及课程2推荐给该待选课人(即基于目标输出值得到针对待选课人的课程推荐结果)。
本实施例中，通过预测模型，基于待选课人的个人信息，为待选课人进行课程推荐，使得推荐的课程更贴合用户需要。
此外，本发明实施例还提出一种课程推荐装置。
参照图3，图3为本发明课程推荐装置一实施例的功能模块示意图。本实施例中，所述课程推荐装置包括：
检测模块10，用于根据待选课人的个人信息，计算所述待选课人与各个选课完成用户的相似度，得到计算结果；
检测模块20，用于根据所述计算结果，检测是否存在与所述待选课人相似的目标选课完成用户；
预测模块30，用于若不存在与所述待选课人相似的目标选课完成用户，则将所述待选课人的个人信息输入预测模型，得到针对所述待选课人的课程推荐结果。
本实施例中，根据待选课人的个人信息，计算所述待选课人与各个选课完成用户的相似度，得到计算结果，并根据所述计算结果，检测是否存在与所述待选课人相似的目标选课完成用户；若不存在与所述待选课人相似的目标选课完成用户，则将所述待选课人的个人信息输入预测模型，得到针对所述待选课人的课程推荐结果。通过本实施例，可根据用户的个人信息，自动为用户推荐课程，使得课程推荐更加智能化。
本发明课程推荐装置的具体实施例与上述课程推荐方法的各个实施例基本相同，在此不做赘述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有课程推荐程序，所述课程推荐程序被处理器执行时实现上述课程推荐方法的步骤。
本发明计算机可读存储介质的具体实施例与上述课程推荐方法的各个实施例基本相同，在此不做赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种课程推荐方法，其特征在于，所述课程推荐方法包括以下步骤：
根据待选课人的个人信息，计算所述待选课人与各个选课完成用户的相似度，得到计算结果；
根据所述计算结果，检测是否存在与所述待选课人相似的目标选课完成用户；
若不存在与所述待选课人相似的目标选课完成用户，则将所述待选课人的个人信息输入预测模型，得到针对所述待选课人的课程推荐结果。
2.如权利要求1所述的课程推荐方法，其特征在于，所述根据待选课人的个人信息，计算所述待选课人与各个选课完成用户的相似度，得到计算结果的步骤包括：
获取选课完成用户的个人信息，通过余弦相似度公式计算所述待选课人的个人信息与各个选课完成用户的个人信息的相似度K，所述余弦相似度公式如下：
其中，n(A)表示所述待选课人的个人信息的项数，n(B)表示某个选课完成用户B的个人信息的项数，n(A∩B)表示待选课人的个人信息与某个选课完成用户B的个人信息中相同信息的数量；K表示所述待选课人与某个选课完成用户B的相似度；
所述根据所述计算结果，检测是否存在与所述待选课人相似的目标选课完成用户的步骤包括：
若存在K大于或等于预设阈值，则所述K值对应的选课完成用户为与所述待选课人相似的目标选课完成用户；
若不存在K等于或等于预设阈值，则不存在与所述待选课人相似的目标选课完成用户。
3.如权利要求2所述的课程推荐方法，其特征在于，所述若存在K大于或等于预设阈值，则所述K值对应的选课完成用户为与所述待选课人相似的目标选课完成用户的步骤包括：
若存在K大于或等于预设阈值，且大于或等于预设阈值的K值的数量大于等于2，则将最大的K值对应的选课完成用户作为与所述待选课人相似的目标选课完成用户。
4.如权利要求1所述的课程推荐方法，其特征在于，在所述根据所述计算结果，检测是否存在与所述待选课人相似的目标选课完成用户的步骤之后，还包括：
若存在与所述待选课人相似的目标选课完成用户，则获取所述目标选课完成用户的已选课程列表，并将所述已选课程列表中的课程推荐给所述待选课人。
5.如权利要求4所述的课程推荐方法，其特征在于，所述获取所述目标选课完成用户的已选课程列表，并将所述已选课程列表中的课程推荐给所述待选课人的步骤包括：
获取所述目标选课完成用户的已选课程列表，从所述已选课程列表中选取评分最高的课程推荐给所述待选课人。
6.如权利要求1至5中任一项所述的课程推荐方法，其特征在于，在所述若不存在与所述待选课人相似的目标选课完成用户，则将所述待选课人的个人信息输入预测模型，得到针对所述待选课人的课程推荐结果的步骤之前，还包括：
获取选课完成用户的个人信息以及选课记录信息，得到各个课程对应的特征信息；
计算所述特征信息对应的特征值，并将所述特征信息对应的特征值代入公式，得到多个函数；
对所述多个函数进行迭代求解，得到各个课程对应的预测模型；
所述公式如下：
其中，θi为特征信息i的权重值，xi为特征信息i对应的特征值，θT＝[θ1，θ2，...，θn]，x＝[x1，x2，...，xn]。
7.如权利要求6所述的课程推荐方法，其特征在于，所述若不存在与所述待选课人相似的目标选课完成用户，则将所述待选课人的个人信息输入预测模型，得到针对所述待选课人的课程推荐结果的步骤包括：
若不存在与所述待选课人相似的目标选课完成用户，则计算所述待选课人的个人信息对应的特征值，将所述个人信息对应的特征值分别输入各个课程对应的预测模型，得到若干个输出值；
选取大于预设阈值的目标输出值，基于所述目标输出值得到针对所述待选课人的课程推荐结果。
8.一种课程推荐装置，其特征在于，所述课程推荐装置包括：
计算模块，用于根据待选课人的个人信息，计算所述待选课人与各个选课完成用户的相似度，得到计算结果；
检测模块，用于根据所述计算结果，检测是否存在与所述待选课人相似的目标选课完成用户；
预测模块，用于若不存在与所述待选课人相似的目标选课完成用户，则将所述待选课人的个人信息输入预测模型，得到针对所述待选课人的课程推荐结果。
9.一种课程推荐设备，其特征在于，所述课程推荐设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的课程推荐程序，所述课程推荐程序被所述处理器执行时实现如权利要求1至7中任一项所述的课程推荐方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有课程推荐程序，所述课程推荐程序被处理器执行时实现如权利要求1至7中任一项所述的课程推荐方法的步骤。
CN201910342838.1A 2019-04-26 2019-04-26 课程推荐方法、装置、设备及计算机可读存储介质 Pending CN110222254A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910342838.1A CN110222254A (zh) 2019-04-26 2019-04-26 课程推荐方法、装置、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910342838.1A CN110222254A (zh) 2019-04-26 2019-04-26 课程推荐方法、装置、设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN110222254A true CN110222254A (zh) 2019-09-10

Family

ID=67819977

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910342838.1A Pending CN110222254A (zh) 2019-04-26 2019-04-26 课程推荐方法、装置、设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN110222254A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111767464A (zh) * 2020-07-09 2020-10-13 海口科博瑞信息科技有限公司 课程平台的内容推荐方法、装置、设备及存储介质
CN112614029A (zh) * 2020-12-24 2021-04-06 江苏知途教育科技有限公司 一种选修课程推荐的方法和装置
CN113127733A (zh) * 2021-03-23 2021-07-16 广东工业大学 一种学习方案的推荐方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104680453A (zh) * 2015-02-28 2015-06-03 北京大学 基于学生属性的课程推荐方法及系统
CN106682152A (zh) * 2016-12-23 2017-05-17 西安电子科技大学 一种个性化消息推荐方法
JP2018055230A (ja) * 2016-09-27 2018-04-05 大日本印刷株式会社 コンテンツ推薦システム、コンテンツ推薦方法、及びプログラム
CN108763519A (zh) * 2018-05-30 2018-11-06 深圳市零度智控科技有限公司 阅读的推荐方法、装置及可读存储介质
CN108763314A (zh) * 2018-04-26 2018-11-06 深圳市腾讯计算机系统有限公司 一种兴趣推荐方法、装置、服务器及存储介质
CN109272338A (zh) * 2017-07-18 2019-01-25 上海汽车集团股份有限公司 一种交通信息推送方法、系统和服务器

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104680453A (zh) * 2015-02-28 2015-06-03 北京大学 基于学生属性的课程推荐方法及系统
JP2018055230A (ja) * 2016-09-27 2018-04-05 大日本印刷株式会社 コンテンツ推薦システム、コンテンツ推薦方法、及びプログラム
CN106682152A (zh) * 2016-12-23 2017-05-17 西安电子科技大学 一种个性化消息推荐方法
CN109272338A (zh) * 2017-07-18 2019-01-25 上海汽车集团股份有限公司 一种交通信息推送方法、系统和服务器
CN108763314A (zh) * 2018-04-26 2018-11-06 深圳市腾讯计算机系统有限公司 一种兴趣推荐方法、装置、服务器及存储介质
CN108763519A (zh) * 2018-05-30 2018-11-06 深圳市零度智控科技有限公司 阅读的推荐方法、装置及可读存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111767464A (zh) * 2020-07-09 2020-10-13 海口科博瑞信息科技有限公司 课程平台的内容推荐方法、装置、设备及存储介质
CN112614029A (zh) * 2020-12-24 2021-04-06 江苏知途教育科技有限公司 一种选修课程推荐的方法和装置
CN112614029B (zh) * 2020-12-24 2024-04-12 江苏知途教育科技有限公司 一种选修课程推荐的方法和装置
CN113127733A (zh) * 2021-03-23 2021-07-16 广东工业大学 一种学习方案的推荐方法及装置

Similar Documents

Publication Publication Date Title
Liverman Geographic perspectives on development goals: Constructive engagements and critical perspectives on the MDGs and the SDGs
CN110222254A (zh) 课程推荐方法、装置、设备及计算机可读存储介质
US9563720B2 (en) Matching users of a network based on profile data
AU2013251195B2 (en) Program, apparatus, and method for information processing
CN110472060B (zh) 题目推送方法、装置、计算机设备和存储介质
CN103365997B (zh) 一种基于集成学习的观点挖掘方法
CN107093084A (zh) 潜在用户预测转化方法及装置
CN108763519A (zh) 阅读的推荐方法、装置及可读存储介质
CN104133817A (zh) 网络社区交互方法、装置及网络社区平台
CN103473291A (zh) 一种基于隐语义概率模型的个性化服务推荐系统及方法
CN109816265B (zh) 知识特征掌握度的评价方法、题目推荐方法及电子设备
Yu Prioritized information fusion method for triangular intuitionistic fuzzy set and its application to teaching quality evaluation
WO2005114505A2 (en) Task-based design evaluation
CN109189922B (zh) 评论评估模型的训练方法和装置
CN107391108A (zh) 一种通知栏信息修正方法及其装置、电子设备
Salah et al. Fuzzy AHP for learning service selection in context-aware ubiquitous learning systems
CN116796802A (zh) 基于错题分析的学习推荐方法、装置、设备及存储介质
Arai et al. Predicting quality of answer in collaborative Q/A community
Sabnis et al. Course recommendations in moocs: Techniques and evaluation
CN104572915A (zh) 一种基于内容环境增强的用户事件相关度计算方法
US20170109411A1 (en) Assisted creation of a search query
CN112148994B (zh) 信息推送效果评估方法、装置、电子设备及存储介质
Sergis et al. ICT Competence-Based Learning Object Recommendations for Teachers.
CN111062449A (zh) 预测模型的训练方法、兴趣度预测方法、装置和存储介质
KR102609681B1 (ko) 사용자의 피드백 반영 제품계획 결정 방법 및 그 장치

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