CN110472147A - 一种基于推荐引擎提供个性化试题的方法及其系统 - Google Patents
一种基于推荐引擎提供个性化试题的方法及其系统 Download PDFInfo
- Publication number
- CN110472147A CN110472147A CN201910690936.4A CN201910690936A CN110472147A CN 110472147 A CN110472147 A CN 110472147A CN 201910690936 A CN201910690936 A CN 201910690936A CN 110472147 A CN110472147 A CN 110472147A
- Authority
- CN
- China
- Prior art keywords
- examination question
- student
- target
- model
- similitude
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 239000012141 concentrate Substances 0.000 claims abstract description 6
- 230000003542 behavioural effect Effects 0.000 claims description 29
- 238000010276 construction Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—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
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Educational Technology (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于推荐引擎提供个性化试题的方法及其系统,根据试题属性得到试题相似性以及根据学生模型和学生行为模型得到学生相似性;根据试题相关性和学生相关性将目标试题匹配到目标学生构成推荐试题集;从推荐试题集中得到评分最高的n项目标试题推荐给目标学生。从多角度获取学生信息数据并建立模型,依赖于多个立体化模型及其关系网,通过试题相关性和学生相关性为相似的学生推荐相似的试题,并进一步筛选最优的n项试题,使最终推荐给学生的试题对每个学生更具针对性和准确性。
Description
技术领域
本发明涉及信息推荐领域,特别是一种基于推荐引擎提供个性化试题的方法及其系统。
背景技术
目前的试题推荐,通常只关注学生自身特点,对学生的长期行为习惯并没有进行关注;根据学生本身特点推荐试题,同时匹配算法不够成熟,导致与学生的匹配程度不高;无法做到针对个体学生,提供个性化的高精准度的试题。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一,提供一种基于推荐引擎提供个性化试题的方法及其系统,能针对个体学生提供匹配度高的试题。
本发明解决其问题所采用的技术方案是:
本发明的第一方面,一种基于推荐引擎提供个性化试题的方法,其特征在于,包括以下步骤:
根据试题属性计算试题相似性并形成试题关系模型;
根据学生模型和学生行为模型计算学生相似性并形成学生关系模型;
当学生A与试题B建立关系,通过将与试题B邻近的目标试题分配至与学生A邻近的目标学生构成推荐试题集,并形成学生试题关系模型,其中所述目标试题是根据试题相似性得到的与试题B相关的试题,所述目标学生是根据学生相似性得到的与学生A相关的学生;
按照预测评分标准对所述推荐试题集中的目标试题排序得到评分最高的n项目标试题推荐给目标学生。
根据本发明的第一方面,所述根据试题属性计算试题相似性包括以下步骤:
对试题进行文本语义分析,确定试题属性;
通过余弦相似性算法计算试题相似性。
根据本发明的第一方面,一种基于推荐引擎提供个性化试题的方法还包括:建立学生模型和学生行为模型;
所述建立学生模型和学生行为模型包括以下步骤:
对学生的基础数据和行为数据进行采集;
对学生的基础数据和行为数据进行清洗和二次标引;
为学生的每项基础数据添加第一权重参数建立学生模型以及为学生的每项行为数据添加第二权重参数建立学生行为模型;
根据学生的做题结果修正第一权重参数和根据学生的行为习惯修正第二权重参数;
其中基础数据包括出生日期、年龄、性别、地域、学校、年级、身高和体重,行为数据包括阅读时长、作业时长、作业完成率、各种阅读媒介的阅读量和各个阶段的考试成绩。
根据本发明的第一方面,将评分最高的n项目标试题通过应用程序接口推荐给目标学生。
本发明的第二方面,一种基于推荐引擎提供个性化试题的系统,包括:
第一相似性计算模块,用于根据试题属性计算试题相似性;
第一模型构建模块,用于根据试题相似性构建试题关系模型;
第二相似性计算模块,用于根据学生模型和学生行为模型计算学生相似性;
第二模型构建模块,用于根据学生相似性构建学生关系模型;
匹配模块,用于当学生A与试题B建立关系,通过将与试题B邻近的目标试题分配至与学生A邻近的目标学生构成推荐试题集,其中所述目标试题是根据试题相似性得到的与试题B相关的试题,所述目标学生是根据学生相似性得到的与学生A相关的学生;
第三模型构建模块,用于根据目标试题与目标学生的分配关系构建学生试题关系模型;
筛选模块,用于按照预测评分标准对所述推荐试题集中的目标试题排序得到评分最高的n项目标试题推荐给目标学生。
根据本发明的第二方面,所述第一相似性计算模块包括:
试题属性确定模块,用于对试题进行文本语义分析,确定试题属性;
第一相似性计算子模块,用于通过余弦相似性算法计算试题相似性。
根据本发明的第二方面,一种基于推荐引擎提供个性化试题的系统,还包括模型建立模块,用于建立学生模型和学生行为模型;
所述模型建立模块包括:
数据采集模块,用于对学生的基础数据和行为数据进行采集;
数据处理模块,用于对学生的基础数据和行为数据进行清洗和二次标引;
权重分配模块,用于为学生的每项基础数据添加第一权重参数建立学生模型以及为学生的每项行为数据添加第二权重参数建立学生行为模型;
权重修正模块,用于根据学生的做题结果修正第一权重参数和根据学生的行为习惯修正第二权重参数;
其中基础数据包括出生日期、年龄、性别、地域、学校、年级、身高和体重,行为数据包括阅读时长、作业时长、作业完成率、各种阅读媒介的阅读量和各个阶段的考试成绩。
根据本发明的第二方面,一种基于推荐引擎提供个性化试题的系统,还包括应用对接模块,用于将评分最高的n项目标试题通过应用程序接口推荐给目标学生。
上述基于推荐引擎提供个性化试题的方法及其系统至少具有以下的有益效果:构建多个模型包括试题关系模型、学生关系模型和学生试题关系模型,使试题间、学生间以及学生与试题之间构建起关系网,同时随着训练量的增加,关系网会逐渐优化,使推荐试题更个性化与精准化;学生关系模型依赖于学生模型和学生行为模型,针对个体学生得到的模型更立体;依赖于试题和学生的相关性,使推荐试题集更具有个性化和精准度。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明实施例一种基于推荐引擎提供个性化试题的方法的步骤图;
图2是建立学生模型和学生行为模型的步骤图;
图3是本发明实施例一种基于推荐引擎提供个性化试题的系统的结构关系图;
图4是模型建立模块的结构图。
具体实施方式
本部分将详细描述本发明的具体实施例,本发明之较佳实施例在附图中示出,附图的作用在于用图形补充说明书文字部分的描述,使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案,但其不能理解为对本发明保护范围的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
参照图1,本发明的一个实施例,提供了一种基于推荐引擎提供个性化试题的方法,其特征在于,包括以下步骤:
步骤S100、根据试题属性计算试题相似性并形成试题关系模型;
步骤S200、根据学生模型和学生行为模型计算学生相似性并形成学生关系模型;
步骤S300、当学生A与试题B建立关系,通过将与试题B邻近的目标试题分配至与学生A邻近的目标学生构成推荐试题集,并形成学生试题关系模型,其中目标试题是根据试题相似性得到的与试题B相关的试题,目标学生是根据学生相似性得到的与学生A相关的学生;
步骤S400、按照预测评分标准对推荐试题集中的目标试题排序得到评分最高的n项目标试题推荐给目标学生。
在该实施例中,构建的学生关系模型不再只依赖于学生的自身特点,还关注学生的行为特点,使形容学生间关联情况的学生关系模型更加立体和准确。
构建多个模型包括试题关系模型、学生关系模型和学生试题关系模型,使试题间、学生间以及学生与试题之间构建起关系网,同时随着训练量的增加,关系网会逐渐优化,使对个体学生推荐的个性化试题更具有针对性,准确度更高。
为学生推荐的个性化试题,依赖于试题相似性和学生相似性;当学生A与试题B建立关系,即学生A对试题B产生兴趣后,与学生A相关性高的目标学生会被分配推荐与试题B相关性高的目标试题,从而构建出学生与试题的关系网,对每个目标学生分配的目标试题形成推荐试题集。再按照预测评分标准对推荐试题集中的目标试题排序得到评分最高的n项目标试题,进一步缩小试题的范围,使推荐给学生的试题更具个性化和更精准。
进一步,根据试题属性计算试题相似性包括以下步骤:
步骤S110、对试题进行文本语义分析,确定试题属性;
步骤S120、通过余弦相似性算法计算试题相似性。
具体地,试题属性包括试题所属科目、年级、难度、文字量、是否具有图像和类型等。依赖于试题属性,通过余弦相似性算法,计算试题相似性,构建起试题间的关系,形成试题关系模型。
参照图2,进一步,一种基于推荐引擎提供个性化试题的方法还包括:步骤S10、建立学生模型和学生行为模型;
步骤S10具体包括以下步骤:
步骤S11、对学生的基础数据和行为数据进行采集;
步骤S12、对学生的基础数据和行为数据进行清洗和二次标引;
步骤S13、为学生的每项基础数据添加第一权重参数建立学生模型以及为学生的每项行为数据添加第二权重参数建立学生行为模型;
步骤S14、根据学生的做题结果修正第一权重参数和根据学生的行为习惯修正第二权重参数;
其中基础数据包括出生日期、年龄、性别、地域、学校、年级、身高和体重,行为数据包括阅读时长、作业时长、作业完成率、各种阅读媒介的阅读量和各个阶段的考试成绩。需要说明的是,基础数据是针对学生自身特点的数据,包括上述所列举的但不限于此。行为数据是针对学生日常行为的数据,包括上述所列举的但不限于此。
根据学生在不断做题的过程中,针对学生做题的结果,调整第一权重参数;根据学生选择做的试题、学生做题的时段和时长等行为习惯,调整第二权重参数;使学生模型和学生行为模型更加立体,使对个体学生推荐的试题更具针对性和更高的准确度。
进一步,将评分最高的n项目标试题通过应用程序接口推荐给目标学生。将筛选出的评分最高的n项目标试题以API形式封装,发送至目标学生的应用中。
参照图3,本发明的另一个实施例,一种基于推荐引擎提供个性化试题的系统,包括:
第一相似性计算模块10,用于根据试题属性计算试题相似性;
第一模型构建模块11,用于根据试题相似性构建试题关系模型;
第二相似性计算模块20,用于根据学生模型和学生行为模型计算学生相似性;
第二模型构建模块21,用于根据学生相似性构建学生关系模型;
匹配模块30,用于当学生A与试题B建立关系,通过将与试题B邻近的目标试题分配至与学生A邻近的目标学生构成推荐试题集,其中目标试题是根据试题相似性得到的与试题B相关的试题,目标学生是根据学生相似性得到的与学生A相关的学生;
第三模型构建模块31,用于根据目标试题与目标学生的分配关系构建学生试题关系模型;
筛选模块40,用于按照预测评分标准对推荐试题集中的目标试题排序得到评分最高的n项目标试题推荐给目标学生。
进一步,第一相似性计算模块10包括:
试题属性确定模块11,用于对试题进行文本语义分析,确定试题属性;
第一相似性计算子模块12,用于通过余弦相似性算法计算试题相似性。
参照图4,进一步,一种基于推荐引擎提供个性化试题的系统,还包括模型建立模块60,用于建立学生模型和学生行为模型;
模型建立模块60包括:
数据采集模块61,用于对学生的基础数据和行为数据进行采集;
数据处理模块62,用于对学生的基础数据和行为数据进行清洗和二次标引;
权重分配模块63,用于为学生的每项基础数据添加第一权重参数建立学生模型以及为学生的每项行为数据添加第二权重参数建立学生行为模型;
权重修正模块64,用于根据学生的做题结果修正第一权重参数和根据学生的行为习惯修正第二权重参数;
其中基础数据包括出生日期、年龄、性别、地域、学校、年级、身高和体重,行为数据包括阅读时长、作业时长、作业完成率、各种阅读媒介的阅读量和各个阶段的考试成绩。
进一步,一种基于推荐引擎提供个性化试题的系统,还包括应用对接模块50,用于将评分最高的n项目标试题通过应用程序接口推荐给目标学生。
该系统构建了多个模型包括试题关系模型、学生关系模型和学生试题关系模型,使试题间、学生间以及学生与试题之间构建起关系网,同时随着训练量的增加,关系网会逐渐优化,使推荐试题更个性化与精准化;学生关系模型同时依赖于学生模型和学生行为模型,从多角度获取学生的相关数据,针对个体学生得到的模型更立体;依赖于试题和学生的相关性,使推荐试题集更具有个性化和精准度。
本发明的另一个实施例,提供了一种计算机可读存储介质,存储介质存储有计算机可执行指令,计算机可执行指令用于使计算机执行上述的基于推荐引擎提供个性化试题的方法。
以上,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,都应属于本发明的保护范围。
Claims (8)
1.一种基于推荐引擎提供个性化试题的方法,其特征在于,包括以下步骤:
根据试题属性计算试题相似性并形成试题关系模型;
根据学生模型和学生行为模型计算学生相似性并形成学生关系模型;
当学生A与试题B建立关系,通过将与试题B邻近的目标试题分配至与学生A邻近的目标学生构成推荐试题集,并形成学生试题关系模型,其中所述目标试题是根据试题相似性得到的与试题B相关的试题,所述目标学生是根据学生相似性得到的与学生A相关的学生;
按照预测评分标准对所述推荐试题集中的目标试题排序得到评分最高的n项目标试题推荐给目标学生。
2.根据权利要求1所述的一种基于推荐引擎提供个性化试题的方法,其特征在于,所述根据试题属性计算试题相似性包括以下步骤:
对试题进行文本语义分析,确定试题属性;
通过余弦相似性算法计算试题相似性。
3.根据权利要求1或2所述的一种基于推荐引擎提供个性化试题的方法,其特征在于,还包括:建立学生模型和学生行为模型;
所述建立学生模型和学生行为模型包括以下步骤:
对学生的基础数据和行为数据进行采集;
对学生的基础数据和行为数据进行清洗和二次标引;
为学生的每项基础数据添加第一权重参数建立学生模型以及为学生的每项行为数据添加第二权重参数建立学生行为模型;
根据学生的做题结果修正第一权重参数和根据学生的行为习惯修正第二权重参数;
其中基础数据包括出生日期、年龄、性别、地域、学校、年级、身高和体重,行为数据包括阅读时长、作业时长、作业完成率、各种阅读媒介的阅读量和各个阶段的考试成绩。
4.根据权利要求3所述的一种基于推荐引擎提供个性化试题的系统,其特征在于,将评分最高的n项目标试题通过应用程序接口推荐给目标学生。
5.一种基于推荐引擎提供个性化试题的系统,其特征在于,包括:
第一相似性计算模块,用于根据试题属性计算试题相似性;
第一模型构建模块,用于根据试题相似性构建试题关系模型;
第二相似性计算模块,用于根据学生模型和学生行为模型计算学生相似性;
第二模型构建模块,用于根据学生相似性构建学生关系模型;
匹配模块,用于当学生A与试题B建立关系,通过将与试题B邻近的目标试题分配至与学生A邻近的目标学生构成推荐试题集,其中所述目标试题是根据试题相似性得到的与试题B相关的试题,所述目标学生是根据学生相似性得到的与学生A相关的学生;
第三模型构建模块,用于根据目标试题与目标学生的分配关系构建学生试题关系模型;
筛选模块,用于按照预测评分标准对所述推荐试题集中的目标试题排序得到评分最高的n项目标试题推荐给目标学生。
6.根据权利要求5所述的一种基于推荐引擎提供个性化试题的系统,其特征在于,所述第一相似性计算模块包括:
试题属性确定模块,用于对试题进行文本语义分析,确定试题属性;
第一相似性计算子模块,用于通过余弦相似性算法计算试题相似性。
7.根据权利要求5或6所述的一种基于推荐引擎提供个性化试题的系统,其特征在于,还包括模型建立模块,用于建立学生模型和学生行为模型;
所述模型建立模块包括:
数据采集模块,用于对学生的基础数据和行为数据进行采集;
数据处理模块,用于对学生的基础数据和行为数据进行清洗和二次标引;
权重分配模块,用于为学生的每项基础数据添加第一权重参数建立学生模型以及为学生的每项行为数据添加第二权重参数建立学生行为模型;
权重修正模块,用于根据学生的做题结果修正第一权重参数和根据学生的行为习惯修正第二权重参数;
其中基础数据包括出生日期、年龄、性别、地域、学校、年级、身高和体重,行为数据包括阅读时长、作业时长、作业完成率、各种阅读媒介的阅读量和各个阶段的考试成绩。
8.根据权利要求7所述的一种基于推荐引擎提供个性化试题的系统,其特征在于,还包括应用对接模块,用于将评分最高的n项目标试题通过应用程序接口推荐给目标学生。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910690936.4A CN110472147A (zh) | 2019-07-29 | 2019-07-29 | 一种基于推荐引擎提供个性化试题的方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910690936.4A CN110472147A (zh) | 2019-07-29 | 2019-07-29 | 一种基于推荐引擎提供个性化试题的方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110472147A true CN110472147A (zh) | 2019-11-19 |
Family
ID=68509065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910690936.4A Pending CN110472147A (zh) | 2019-07-29 | 2019-07-29 | 一种基于推荐引擎提供个性化试题的方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110472147A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112614034A (zh) * | 2021-03-05 | 2021-04-06 | 北京世纪好未来教育科技有限公司 | 一种试题推荐方法、装置、电子设备和可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5787420A (en) * | 1995-12-14 | 1998-07-28 | Xerox Corporation | Method of ordering document clusters without requiring knowledge of user interests |
CN108376132A (zh) * | 2018-03-16 | 2018-08-07 | 中国科学技术大学 | 相似试题的判定方法及系统 |
CN109509126A (zh) * | 2018-11-02 | 2019-03-22 | 中山大学 | 一种基于用户学习行为的个性化试题推荐方法 |
CN109919810A (zh) * | 2019-01-22 | 2019-06-21 | 山东科技大学 | 在线学习系统中的学生建模与个性化课程推荐方法 |
CN109977313A (zh) * | 2019-03-28 | 2019-07-05 | 北京师范大学 | 学习者模型构建方法、学习资源的推荐方法及系统 |
CN110008406A (zh) * | 2019-04-04 | 2019-07-12 | 中国石油大学(华东) | 一种基于相似社区的舆情个性化推荐算法 |
-
2019
- 2019-07-29 CN CN201910690936.4A patent/CN110472147A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5787420A (en) * | 1995-12-14 | 1998-07-28 | Xerox Corporation | Method of ordering document clusters without requiring knowledge of user interests |
CN108376132A (zh) * | 2018-03-16 | 2018-08-07 | 中国科学技术大学 | 相似试题的判定方法及系统 |
CN109509126A (zh) * | 2018-11-02 | 2019-03-22 | 中山大学 | 一种基于用户学习行为的个性化试题推荐方法 |
CN109919810A (zh) * | 2019-01-22 | 2019-06-21 | 山东科技大学 | 在线学习系统中的学生建模与个性化课程推荐方法 |
CN109977313A (zh) * | 2019-03-28 | 2019-07-05 | 北京师范大学 | 学习者模型构建方法、学习资源的推荐方法及系统 |
CN110008406A (zh) * | 2019-04-04 | 2019-07-12 | 中国石油大学(华东) | 一种基于相似社区的舆情个性化推荐算法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112614034A (zh) * | 2021-03-05 | 2021-04-06 | 北京世纪好未来教育科技有限公司 | 一种试题推荐方法、装置、电子设备和可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109446416B (zh) | 基于词向量模型的法条推荐方法 | |
CN111177559B (zh) | 文旅服务推荐方法、装置、电子设备及存储介质 | |
CN109582875A (zh) | 一种在线医疗教育资源的个性化推荐方法及系统 | |
CN106503209A (zh) | 一种话题热度预测方法及系统 | |
CN108052505A (zh) | 文本情感分析方法及装置、存储介质、终端 | |
CN108509517B (zh) | 一种面向实时新闻内容的流式话题演化跟踪方法 | |
CN110490444A (zh) | 标注任务分配方法、装置、系统及存储介质 | |
CN105989056A (zh) | 一种汉语新闻推荐系统 | |
CN107680018A (zh) | 一种基于大数据及人工智能的高考志愿填报系统及方法 | |
CN108563749B (zh) | 基于多维度信息和知识网络的在线教育系统资源推荐方法 | |
CN108399287A (zh) | 采用模糊层次分析的机床横梁设计方案的评估方法 | |
CN105787068A (zh) | 基于引用网络及用户熟练度分析的学术推荐方法及系统 | |
CN107391670A (zh) | 一种融合协同过滤和用户属性过滤的混合推荐方法 | |
CN106407482B (zh) | 一种基于多特征融合的网络学术报告分类方法 | |
CN108510307A (zh) | 一种课程推荐方法及系统 | |
CN106097204A (zh) | 一种面向冷启动学生用户的工作推荐系统及推荐方法 | |
CN110990670B (zh) | 一种成长激励型图书推荐方法及推荐系统 | |
CN111460145A (zh) | 一种学习资源推荐方法、设备及存储介质 | |
Li et al. | On integrating multiple type preferences into competitive analyses of customer requirements in product planning | |
CN111324807A (zh) | 基于信任度的协同过滤推荐方法 | |
CN111339285B (zh) | 基于bp神经网络的企业简历筛选方法和系统 | |
CN108009194A (zh) | 一种图书推送方法、电子设备、存储介质及装置 | |
CN111078859B (zh) | 一种基于引用次数的作者推荐方法 | |
CN108509588B (zh) | 一种基于大数据的律师评估方法及推荐方法 | |
CN110472147A (zh) | 一种基于推荐引擎提供个性化试题的方法及其系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191119 |
|
RJ01 | Rejection of invention patent application after publication |