CN110942238A - 课程推荐设备及方法 - Google Patents
课程推荐设备及方法 Download PDFInfo
- Publication number
- CN110942238A CN110942238A CN201911148369.6A CN201911148369A CN110942238A CN 110942238 A CN110942238 A CN 110942238A CN 201911148369 A CN201911148369 A CN 201911148369A CN 110942238 A CN110942238 A CN 110942238A
- Authority
- CN
- China
- Prior art keywords
- index
- course
- detected
- abnormal
- value
- 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 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 215
- 238000011156 evaluation Methods 0.000 claims abstract description 152
- 230000005856 abnormality Effects 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 9
- 230000001680 brushing effect Effects 0.000 abstract description 9
- 238000013461 design Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种课程推荐设备及方法,该设备包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机执行指令,处理器获取待检测课程,通过待检测课程的上线时间,确定上述待检测课程的所属课程类型,再根据上述待检测课程的所属课程类型对应的异常学习评估指标,获得上述待检测课程的异常学习评估值,进而,判断上述待检测课程中是否存在异常学习,分析其学习量的真实性,识别出由于学员刷课等行为导致的异常学习课程,从而准确确定最佳课程,并且对最佳课程进行推荐,提高课程推荐精确性。
Description
技术领域
本申请实施例涉及网络技术领域,尤其涉及一种课程推荐设备及方法。
背景技术
随着技术的不断发展,网络课程越来越多,类型也越来越丰富。同时也有越来越多的人通过网络课程学习相应知识,提升自身能力。网络课程成为人们关注的一个焦点。
这里,以企业培训课程为例:为了能够使学员更好、更快地学习到相应知识,一般会向学员推荐最佳课程,其中,最佳课程的衡量标准是学员针对该课程的学习量较高。
然而,在课程培训中,一些学员为达到较高学习量而进行刷课(异常学习),从而使得某些课程的学习量较高,导致无法准确确定最佳课程,降低课程推荐精确性。
发明内容
本申请实施例提供一种课程推荐设备及方法,以克服现有课程推荐无法准确确定最佳课程,降低课程推荐精确性的问题。
第一方面,本申请实施例提供一种课程推荐设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机执行指令,所述处理器执行所述计算机执行指令时实现如下步骤:
获取待检测课程,并确定所述待检测课程的上线时间;
根据所述上线时间和第一预设时间,确定所述待检测课程的所属课程类型;
根据所述待检测课程的所属课程类型对应的异常学习评估指标,获得所述待检测课程的异常学习评估值;
根据所述异常学习评估值和预设异常阈值,判断所述待检测课程中是否存在异常学习;
若所述待检测课程中不存在异常学习,则对所述待检测课程进行推荐。
在一种可能的设计中,所述课程类型包括旧课程和新课程,所述新课程的上线时间晚于所述旧课程的上线时间;
所述根据所述待检测课程的所属课程类型对应的异常学习评估指标,获得所述待检测课程的异常学习评估值,包括:
若所述待检测课程为所述旧课程,则获取所述旧课程对应的异常学习评估指标,其中,所述旧课程对应的异常学习评估指标包括第一指标和第二指标,根据所述第一指标和所述第二指标,获得所述异常学习评估值,其中,所述第一指标根据课程时长确定,所述第二指标根据第二预设时间前后预设时间段内课程学习量的变化确定;
若所述待检测课程为所述新课程,则获取所述新课程对应的异常学习评估指标,其中,所述新课程对应的异常学习评估指标包括所述第一指标、第三指标、第四指标和第五指标,根据所述第一指标、所述第三指标、所述第四指标和所述第五指标,获得所述异常学习评估值,其中,所述第三指标根据预设时间段内课程完成量的占比确定,所述第四指标根据课程完成率确定,所述第五指标根据课程平均学习时长与课程时长的比值确定。
在一种可能的设计中,所述根据所述异常学习评估值和预设异常阈值,判断所述待检测课程中是否存在异常学习,包括:
将所述异常学习评估值和所述预设异常阈值进行比较;
若所述异常学习评估值小于所述预设异常阈值,则判定所述待检测课程中不存在异常学习。
在一种可能的设计中,所述根据所述上线时间和第一预设时间,确定所述待检测课程的所属课程类型,包括:
判断所述上线时间是否在所述第一预设时间之前;
若所述上线时间在所述第一预设时间之前,则确定所述待检测课程为所述旧课程;
若所述上线时间为所述第一预设时间,或者所述上线时间在所述第一预设时间之后,则确定所述待检测课程为所述新课程。
在一种可能的设计中,所述根据所述第一指标和所述第二指标,获得所述异常学习评估值,包括:
根据所述第一指标和所述第二指标,获得所述待检测课程的第一指标值和第二指标值;
计算所述第一指标值和所述第二指标值的乘积,将计算的乘积作为所述异常学习评估值;
所述根据所述第一指标、所述第三指标、所述第四指标和所述第五指标,获得所述异常学习评估值,包括:
根据所述第一指标、所述第三指标、所述第四指标和所述第五指标,获得所述待检测课程的第一指标值、第三指标值、第四指标值和第五指标值;
计算所述第一指标值、所述第三指标值和所述第四指标值的乘积,并确定计算的乘积与所述第五指标值的比值,将所述比值作为所述异常学习评估值。
第二方面,本申请实施例提供一种课程推荐方法,包括:
获取待检测课程,并确定所述待检测课程的上线时间;
根据所述上线时间和第一预设时间,确定所述待检测课程的所属课程类型;
根据所述待检测课程的所属课程类型对应的异常学习评估指标,获得所述待检测课程的异常学习评估值;
根据所述异常学习评估值和预设异常阈值,判断所述待检测课程中是否存在异常学习;
若所述待检测课程中不存在异常学习,则对所述待检测课程进行推荐。
在一种可能的设计中,所述课程类型包括旧课程和新课程,所述新课程的上线时间晚于所述旧课程的上线时间;
所述根据所述待检测课程的所属课程类型对应的异常学习评估指标,获得所述待检测课程的异常学习评估值,包括:
若所述待检测课程为所述旧课程,则获取所述旧课程对应的异常学习评估指标,其中,所述旧课程对应的异常学习评估指标包括第一指标和第二指标,根据所述第一指标和所述第二指标,获得所述异常学习评估值,其中,所述第一指标根据课程时长确定,所述第二指标根据第二预设时间前后预设时间段内课程学习量的变化确定;
若所述待检测课程为所述新课程,则获取所述新课程对应的异常学习评估指标,其中,所述新课程对应的异常学习评估指标包括所述第一指标、第三指标、第四指标和第五指标,根据所述第一指标、所述第三指标、所述第四指标和所述第五指标,获得所述异常学习评估值,其中,所述第三指标根据预设时间段内课程完成量的占比确定,所述第四指标根据课程完成率确定,所述第五指标根据课程平均学习时长与课程时长的比值确定。
在一种可能的设计中,所述根据所述异常学习评估值和预设异常阈值,判断所述待检测课程中是否存在异常学习,包括:
将所述异常学习评估值和所述预设异常阈值进行比较;
若所述异常学习评估值小于所述预设异常阈值,则判定所述待检测课程中不存在异常学习。
在一种可能的设计中,所述根据所述上线时间和第一预设时间,确定所述待检测课程的所属课程类型,包括:
判断所述上线时间是否在所述第一预设时间之前;
若所述上线时间在所述第一预设时间之前,则确定所述待检测课程为所述旧课程;
若所述上线时间为所述第一预设时间,或者所述上线时间在所述第一预设时间之后,则确定所述待检测课程为所述新课程。
在一种可能的设计中,所述根据所述第一指标和所述第二指标,获得所述异常学习评估值,包括:
根据所述第一指标和所述第二指标,获得所述待检测课程的第一指标值和第二指标值;
计算所述第一指标值和所述第二指标值的乘积,将计算的乘积作为所述异常学习评估值;
所述根据所述第一指标、所述第三指标、所述第四指标和所述第五指标,获得所述异常学习评估值,包括:
根据所述第一指标、所述第三指标、所述第四指标和所述第五指标,获得所述待检测课程的第一指标值、第三指标值、第四指标值和第五指标值;
计算所述第一指标值、所述第三指标值和所述第四指标值的乘积,并确定计算的乘积与所述第五指标值的比值,将所述比值作为所述异常学习评估值。
第三方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上第二方面以及第二方面各种可能的设计所述的课程推荐方法。
本申请实施例提供的课程推荐设备及方法,该设备包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机执行指令,处理器通过待检测课程的上线时间,确定上述待检测课程的所属课程类型,再根据上述待检测课程的所属课程类型对应的异常学习评估指标,获得上述待检测课程的异常学习评估值,进而,判断上述待检测课程中是否存在异常学习,分析其学习量的真实性,识别出由于学员刷课等行为导致的异常学习课程,从而准确确定最佳课程,并且对最佳课程进行推荐,提高课程推荐精确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种课程推荐系统架构示意图;
图2为本申请实施例提供的一种课程推荐设备的硬件结构示意图
图3为本申请实施例提供的一种课程推荐方法的流程示意图;
图4为本申请实施例提供的另一种课程推荐方法的流程示意图;
图5为本申请实施例提供的一种课程推荐装置的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通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,都属于本申请保护的范围。
现有课程推荐,以企业培训课程为例:为了能够使学员更好、更快地学习到相应知识,一般会向学员推荐最佳课程,其中,最佳课程的衡量标准是学员针对该课程的学习量较高。
然而,在课程培训中,一些学员为达到较高学习量而进行刷课(异常学习),从而使得某些课程的学习量较高,导致无法准确确定最佳课程,降低课程推荐精确性。
因此,考虑到上述问题,本申请提供一种课程推荐方法,分析其学习量的真实性,识别出由于学员刷课等行为导致的异常学习课程,从而准确确定最佳课程,解决现有一些学员为达到较高学习量而进行刷课(异常学习),使得某些课程的学习量较高,导致无法准确确定最佳课程,降低课程推荐精确性的问题。
本申请提供的一种课程推荐方法,可以适用于图1所示的课程推荐系统架构示意图,如图1所示,该系统包括终端10,终端10可以包括接收装置101、处理器102、显示装置103和存储器104中至少一种。
在具体实现过程中,接收装置101可以是输入/输出接口,也可以是通信接口,可以用于待检测课程、第一预设时间、预设异常阈值等的输入,以及异常学习评估值、待检测课程等的输出。
处理器102可以获取待检测课程,并确定待检测课程的上线时间,可以根据该上线时间和第一预设时间,确定待检测课程的所属课程类型,根据待检测课程的所属课程类型对应的异常学习评估指标,获得待检测课程的异常学习评估值,也可以根据该异常学习评估值和预设异常阈值,判断待检测课程中是否存在异常学习,如果不存在异常学习,则对上述待检测课程进行推荐。
显示装置103可以用于对上述异常学习评估值、待检测课程等进行显示。
显示装置还可以是触摸显示屏,用于在显示的上述组件化页面的同时接收用户指令,以实现与用户的交互。
存储器104可以存储可在处理器上运行的相关指令等信息。
应理解,上述处理器可以通过处理器读取存储器中的指令并执行指令的方式实现,也可以通过芯片电路实现。
上述系统仅为一种示例性系统,具体实施时,可以根据应用需求设置。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图2为本发明实施例提供的一种课程推荐设备的硬件结构示意图。如图2所示,本实施例的课程推荐设备20包括:处理器201以及存储器202;其中
存储器202,用于存储计算机执行指令;
处理器201,用于执行存储器存储的计算机执行指令,以实现如下步骤:
获取待检测课程,并确定所述待检测课程的上线时间;
根据所述上线时间和第一预设时间,确定所述待检测课程的所属课程类型;
根据所述待检测课程的所属课程类型对应的异常学习评估指标,获得所述待检测课程的异常学习评估值;
根据所述异常学习评估值和预设异常阈值,判断所述待检测课程中是否存在异常学习;
若所述待检测课程中不存在异常学习,则对所述待检测课程进行推荐。
在一种可能的设计中,所述课程类型包括旧课程和新课程,所述新课程的上线时间晚于所述旧课程的上线时间;
所述根据所述待检测课程的所属课程类型对应的异常学习评估指标,获得所述待检测课程的异常学习评估值,包括:
若所述待检测课程为所述旧课程,则获取所述旧课程对应的异常学习评估指标,其中,所述旧课程对应的异常学习评估指标包括第一指标和第二指标,根据所述第一指标和所述第二指标,获得所述异常学习评估值,其中,所述第一指标根据课程时长确定,所述第二指标根据第二预设时间前后预设时间段内课程学习量的变化确定;
若所述待检测课程为所述新课程,则获取所述新课程对应的异常学习评估指标,其中,所述新课程对应的异常学习评估指标包括所述第一指标、第三指标、第四指标和第五指标,根据所述第一指标、所述第三指标、所述第四指标和所述第五指标,获得所述异常学习评估值,其中,所述第三指标根据预设时间段内课程完成量的占比确定,所述第四指标根据课程完成率确定,所述第五指标根据课程平均学习时长与课程时长的比值确定。
在一种可能的设计中,所述根据所述异常学习评估值和预设异常阈值,判断所述待检测课程中是否存在异常学习,包括:
将所述异常学习评估值和所述预设异常阈值进行比较;
若所述异常学习评估值小于所述预设异常阈值,则判定所述待检测课程中不存在异常学习。
在一种可能的设计中,所述根据所述上线时间和第一预设时间,确定所述待检测课程的所属课程类型,包括:
判断所述上线时间是否在所述第一预设时间之前;
若所述上线时间在所述第一预设时间之前,则确定所述待检测课程为所述旧课程;
若所述上线时间为所述第一预设时间,或者所述上线时间在所述第一预设时间之后,则确定所述待检测课程为所述新课程。
在一种可能的设计中,所述根据所述第一指标和所述第二指标,获得所述异常学习评估值,包括:
根据所述第一指标和所述第二指标,获得所述待检测课程的第一指标值和第二指标值;
计算所述第一指标值和所述第二指标值的乘积,将计算的乘积作为所述异常学习评估值;
所述根据所述第一指标、所述第三指标、所述第四指标和所述第五指标,获得所述异常学习评估值,包括:
根据所述第一指标、所述第三指标、所述第四指标和所述第五指标,获得所述待检测课程的第一指标值、第三指标值、第四指标值和第五指标值;
计算所述第一指标值、所述第三指标值和所述第四指标值的乘积,并确定计算的乘积与所述第五指标值的比值,将所述比值作为所述异常学习评估值。
可选地,存储器202既可以是独立的,也可以跟处理器201集成在一起。
当存储器202独立设置时,该课程推荐设备还包括总线203,用于连接所述存储器202和处理器201。
图3为本申请实施例提供的一种课程推荐方法的流程示意图,本申请实施例的执行主体可以为图1所示实施例中的处理器。如图3所示,该方法可以包括:
S301:获取待检测课程,并确定所述待检测课程的上线时间。
这里,待检测课程可以为任意一个或多个需要进行检测的课程,可以由用户指定,例如通过接收用户输入的课程获取待检测课程。
示例性的,处理器可以预存课程与课程上线时间的对应关系,在上述获取待检测课程后,根据该对应关系,确定待检测课程的上线时间。
S302:根据所述上线时间和第一预设时间,确定所述待检测课程的所属课程类型。
其中,第一预设时间可以根据实际情况确定,例如T0-表示某运营策略实施的时间点,T01-表示T0之前的某个时间点,可以设置第一预设时间为T01。
可选地,所述课程类型包括旧课程和新课程,所述新课程的上线时间晚于所述旧课程的上线时间。
所述根据所述上线时间和第一预设时间,确定所述待检测课程的所属课程类型,包括:
判断所述上线时间是否在所述第一预设时间之前;
若所述上线时间在所述第一预设时间之前,则确定所述待检测课程为所述旧课程;
若所述上线时间为所述第一预设时间,或者所述上线时间在所述第一预设时间之后,则确定所述待检测课程为所述新课程。
S303:根据所述待检测课程的所属课程类型对应的异常学习评估指标,获得所述待检测课程的异常学习评估值。
这里,不同的课程类型对应不同的异常学习评估指标,根据上述待检测课程的所属课程类型对应的异常学习评估指标,获得待检测课程的异常学习评估值。
示例性的,若所述待检测课程为所述旧课程,则获取所述旧课程对应的异常学习评估指标,其中,所述旧课程对应的异常学习评估指标包括第一指标和第二指标,根据所述第一指标和所述第二指标,获得所述异常学习评估值,其中,所述第一指标根据课程时长确定,所述第二指标根据第二预设时间前后预设时间段内课程学习量的变化确定。
若所述待检测课程为所述新课程,则获取所述新课程对应的异常学习评估指标,其中,所述新课程对应的异常学习评估指标包括所述第一指标、第三指标、第四指标和第五指标,根据所述第一指标、所述第三指标、所述第四指标和所述第五指标,获得所述异常学习评估值,其中,所述第三指标根据预设时间段内课程完成量的占比确定,所述第四指标根据课程完成率确定,所述第五指标根据课程平均学习时长与课程时长的比值确定。
其中,所述根据所述第一指标和所述第二指标,获得所述异常学习评估值,包括:
根据所述第一指标和所述第二指标,获得所述待检测课程的第一指标值和第二指标值;
计算所述第一指标值和所述第二指标值的乘积,将计算的乘积作为所述异常学习评估值。
所述根据所述第一指标、所述第三指标、所述第四指标和所述第五指标,获得所述异常学习评估值,包括:
根据所述第一指标、所述第三指标、所述第四指标和所述第五指标,获得所述待检测课程的第一指标值、第三指标值、第四指标值和第五指标值;
计算所述第一指标值、所述第三指标值和所述第四指标值的乘积,并确定计算的乘积与所述第五指标值的比值,将所述比值作为所述异常学习评估值。
具体的,还以上述T0-表示某运营策略实施的时间点,T01-表示T0之前的某个时间点为例,设置T1-表示T0之后的某个时间点,T2-表示T1之后的某个时间点,T02-表示T01之前的某个时间点,因此,T02≤T01≤T0≤T1≤T2。N-学习过待检测课程的总学员数量(从课程上线至数据采集时间),N1-表示已完成该课程学习的学员数量,N2-表示未完成该课程学习的学员数量,N3表示特定时间范围(T1,T2)内的完成人数,N=N1+N2。
第一指标根据课程时长确定,可以记作k1,定义:
其中ct表示课程时长,单位为分钟;v1,v2,v3是某个常数,例如取值v1=2,v2=1.2,v3=1。
第二指标根据第二预设时间前后预设时间段内课程学习量的变化确定,其中,第二预设时间可以为上述T0,即某运营策略实施的时间点。第二指标可以记作k2,采用日均学习完成量标识,定义:
其中,LNperDayB表示当前课程在时间区间(T1,T2)内产生的学习完成数量,LNperDayA表示当前课程在时间区间(T02,T01)内产生的学习完成数量。day(T2-T1)表示时间区间(T1,T2)内天数取整,day(T01-T02)表示时间区间(T02,T01)内天数取整。
第三指标根据预设时间段内课程完成量的占比确定,可以记作k3,定义:k3=N3/N1。其中N1表示该课程的总完成学习人数(从课程上线至数据采集时间),N3表示特定时间范围(T1,T2)内的完成人数。
第四指标根据课程完成率确定,可以记作k4,综合考虑课程的学习人次和学习人数,定义:
其中α+β=1,0≤α,β≤1,N1表示已完成该课程学习的学员数量,N2表示未完成该课程学习的学员数量,N=N1+N2表示学习过该课程的总人数,LNj1表示已完成该课程学习的人员学习该课程的次数,LNj2表示未完成该课程学习的人员学习该课程的次数。
第五指标根据课程平均学习时长与课程时长的比值确定,可以记作k5,定义:
其中N1表示已完成该课程学习的人数,Tj表示学员j学习该课程的时间,j=1,2,3,...N1,T0表示课程的学时时长。若k5大于1,则表示学员在学习该课程过程中有回看行为,若k5大于某个阈值,则认为该课异常学习行为很弱,为正常学习课程。
如果上述待检测课程为旧课程,则综合采用上述第一指标和第二指标对该类课程进行评估,定义旧课异常学习评估值f1=k1×k2,其中k1取值为设定的常数,k2>0。f1值越大表示该课程存在异常学习的可能越大,反之越小。
如果上述待检测课程为新课程,则综合采用第一指标、第三指标、第四指标和第五指标对该类课程进行评估,定义新课异常学习评估值可记作f2。
其中k5≥1,k1取值为设定的常数,k3≤1,k4≤1。f2值越大表示该课程存在异常学习的可能越大,反之越小。
S304:根据所述异常学习评估值和预设异常阈值,判断所述待检测课程中是否存在异常学习。
可选地,所述根据所述异常学习评估值和预设异常阈值,判断所述待检测课程中是否存在异常学习,包括:
将所述异常学习评估值和所述预设异常阈值进行比较;
若所述异常学习评估值小于所述预设异常阈值,则判定所述待检测课程中不存在异常学习。
若所述异常学习评估值大于或等于所述预设异常阈值,则判定所述待检测课程中存在异常学习。
其中,上述预设异常阈值可以根据实际情况设置。
示例性的,如果上述待检测课程为旧课程,旧课异常学习评估值f1,可以设置阈值M1,如果f1≥M1,则认为该课程存在异常学习,可以将该课程从拟推荐课程列表中删除。
如果上述待检测课程为新课程,新课异常学习评估值可记作f2,可以设置阈值M2,如果f1≥M2,则认为该课程存在异常学习,可以将该课程从拟推荐课程列表中删除。
S305:若所述待检测课程中不存在异常学习,则对所述待检测课程进行推荐。
这里,基于识别出的由于学员刷课等行为导致的高学习量课程,来准确确定最佳课程,并根据最佳课程进行后续课程推荐等。
从上述描述可知,本申请实施例通过待检测课程的上线时间,确定上述待检测课程的所属课程类型,再根据上述待检测课程的所属课程类型对应的异常学习评估指标,获得上述待检测课程的异常学习评估值,进而,判断上述待检测课程中是否存在异常学习,分析其学习量的真实性,识别出由于学员刷课等行为导致的异常学习课程,从而准确确定最佳课程,并且对最佳课程进行推荐,提高课程推荐精确性。
图4为本申请实施例提供的另一种课程推荐方法的流程示意图,本申请实施例的执行主体可以为图1所示实施例中的处理器。如图4所示,该方法包括:
S401:获取待检测课程,并确定待检测课程的上线时间。
S402:根据上述上线时间和第一预设时间,确定上述待检测课程的所属课程类型,其中,课程类型包括旧课程和新课程,新课程的上线时间晚于旧课程的上线时间。
S403:若上述待检测课程为旧课程,则获取该旧课程对应的异常学习评估指标,其中,该旧课程对应的异常学习评估指标包括第一指标和第二指标,根据第一指标和第二指标,获得上述待检测课程的异常学习评估值,其中,第一指标根据课程时长确定,第二指标根据第二预设时间前后预设时间段内课程学习量的变化确定。
S404:若上述待检测课程为新课程,则获取该新课程对应的异常学习评估指标,其中,该新课程对应的异常学习评估指标包括第一指标、第三指标、第四指标和第五指标,根据第一指标、第三指标、第四指标和第五指标,获得上述待检测课程的异常学习评估值,其中,第三指标根据预设时间段内课程完成量的占比确定,第四指标根据课程完成率确定,第五指标根据课程平均学习时长与课程时长的比值确定。
S405:根据上述异常学习评估值和预设异常阈值,判断上述待检测课程中是否存在异常学习。
S406:若上述待检测课程中不存在异常学习,则对上述待检测课程进行推荐。
本申请实施例提供的课程推荐方法,通过待检测课程的上线时间,确定上述待检测课程的所属课程类型,若上述待检测课程为旧课程,则根据旧课程对应的异常学习评估指标,获得上述待检测课程的异常学习评估值,若上述待检测课程为新课程,则根据新课程对应的异常学习评估指标,获得上述待检测课程的异常学习评估值,进而,根据上述异常学习评估值和预设异常阈值,判断上述待检测课程中是否存在异常学习,分析其学习量的真实性,识别出由于学员刷课等行为导致的异常学习课程,从而准确确定最佳课程,并且对最佳课程进行推荐,提高课程推荐精确性。
对应于上文实施例的课程推荐方法,图5为本申请实施例提供的一种课程推荐装置的结构示意图。为了便于说明,仅示出了与本申请实施例相关的部分。图5为本申请实施例提供的一种课程推荐装置的结构示意图。如图5所示,该课程推荐装置50包括:获取模块501、确定模块502、获得模块503、判断模块504以及推荐模块505。
其中,获取模块501,用于获取待检测课程,并确定所述待检测课程的上线时间。
确定模块502,用于根据所述上线时间和第一预设时间,确定所述待检测课程的所属课程类型。
获得模块503,用于根据所述待检测课程的所属课程类型对应的异常学习评估指标,获得所述待检测课程的异常学习评估值。
判断模块504,用于根据所述异常学习评估值和预设异常阈值,判断所述待检测课程中是否存在异常学习。
推荐模块505,用于若所述待检测课程中不存在异常学习,则对所述待检测课程进行推荐。
在一种可能的设计中,所述课程类型包括旧课程和新课程,所述新课程的上线时间晚于所述旧课程的上线时间。
所述获得模块503,具体用于:
若所述待检测课程为所述旧课程,则获取所述旧课程对应的异常学习评估指标,其中,所述旧课程对应的异常学习评估指标包括第一指标和第二指标,根据所述第一指标和所述第二指标,获得所述异常学习评估值,其中,所述第一指标根据课程时长确定,所述第二指标根据第二预设时间前后预设时间段内课程学习量的变化确定;
若所述待检测课程为所述新课程,则获取所述新课程对应的异常学习评估指标,其中,所述新课程对应的异常学习评估指标包括所述第一指标、第三指标、第四指标和第五指标,根据所述第一指标、所述第三指标、所述第四指标和所述第五指标,获得所述异常学习评估值,其中,所述第三指标根据预设时间段内课程完成量的占比确定,所述第四指标根据课程完成率确定,所述第五指标根据课程平均学习时长与课程时长的比值确定。
在一种可能的设计中,所述判断模块504,具体用于:
将所述异常学习评估值和所述预设异常阈值进行比较;
若所述异常学习评估值小于所述预设异常阈值,则判定所述待检测课程中不存在异常学习。
在一种可能的设计中,所述确定模块502,具体用于:
判断所述上线时间是否在所述第一预设时间之前;
若所述上线时间在所述第一预设时间之前,则确定所述待检测课程为所述旧课程;
若所述上线时间为所述第一预设时间,或者所述上线时间在所述第一预设时间之后,则确定所述待检测课程为所述新课程。
在一种可能的设计中,所述获得模块503根据所述第一指标和所述第二指标,获得所述异常学习评估值,包括:
根据所述第一指标和所述第二指标,获得所述待检测课程的第一指标值和第二指标值;
计算所述第一指标值和所述第二指标值的乘积,将计算的乘积作为所述异常学习评估值。
所述获得模块503根据所述第一指标、所述第三指标、所述第四指标和所述第五指标,获得所述异常学习评估值,包括:
根据所述第一指标、所述第三指标、所述第四指标和所述第五指标,获得所述待检测课程的第一指标值、第三指标值、第四指标值和第五指标值;
计算所述第一指标值、所述第三指标值和所述第四指标值的乘积,并确定计算的乘积与所述第五指标值的比值,将所述比值作为所述异常学习评估值。
本申请实施例提供的装置,可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,本申请实施例此处不再赘述。
本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上所述的课程推荐方法。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本申请各个实施例所述方法的部分步骤。
应理解,上述处理器可以是中央处理单元(Central Processing Unit,简称CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。总线可以是工业标准体系结构(Industry StandardArchitecture,简称ISA)总线、外部设备互连(PeripheralComponent Interconnect,简称PCI)总线或扩展工业标准体系结构(Extended IndustryStandard Architecture,简称EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits,简称ASIC)中。当然,处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (11)
1.一种课程推荐设备,其特征在于,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机执行指令,所述处理器执行所述计算机执行指令时实现如下步骤:
获取待检测课程,并确定所述待检测课程的上线时间;
根据所述上线时间和第一预设时间,确定所述待检测课程的所属课程类型;
根据所述待检测课程的所属课程类型对应的异常学习评估指标,获得所述待检测课程的异常学习评估值;
根据所述异常学习评估值和预设异常阈值,判断所述待检测课程中是否存在异常学习;
若所述待检测课程中不存在异常学习,则对所述待检测课程进行推荐。
2.根据权利要求1所述的设备,其特征在于,所述课程类型包括旧课程和新课程,所述新课程的上线时间晚于所述旧课程的上线时间;
所述根据所述待检测课程的所属课程类型对应的异常学习评估指标,获得所述待检测课程的异常学习评估值,包括:
若所述待检测课程为所述旧课程,则获取所述旧课程对应的异常学习评估指标,其中,所述旧课程对应的异常学习评估指标包括第一指标和第二指标,根据所述第一指标和所述第二指标,获得所述异常学习评估值,其中,所述第一指标根据课程时长确定,所述第二指标根据第二预设时间前后预设时间段内课程学习量的变化确定;
若所述待检测课程为所述新课程,则获取所述新课程对应的异常学习评估指标,其中,所述新课程对应的异常学习评估指标包括所述第一指标、第三指标、第四指标和第五指标,根据所述第一指标、所述第三指标、所述第四指标和所述第五指标,获得所述异常学习评估值,其中,所述第三指标根据预设时间段内课程完成量的占比确定,所述第四指标根据课程完成率确定,所述第五指标根据课程平均学习时长与课程时长的比值确定。
3.根据权利要求1所述的设备,其特征在于,所述根据所述异常学习评估值和预设异常阈值,判断所述待检测课程中是否存在异常学习,包括:
将所述异常学习评估值和所述预设异常阈值进行比较;
若所述异常学习评估值小于所述预设异常阈值,则判定所述待检测课程中不存在异常学习。
4.根据权利要求2所述的设备,其特征在于,所述根据所述上线时间和第一预设时间,确定所述待检测课程的所属课程类型,包括:
判断所述上线时间是否在所述第一预设时间之前;
若所述上线时间在所述第一预设时间之前,则确定所述待检测课程为所述旧课程;
若所述上线时间为所述第一预设时间,或者所述上线时间在所述第一预设时间之后,则确定所述待检测课程为所述新课程。
5.根据权利要求2所述的设备,其特征在于,所述根据所述第一指标和所述第二指标,获得所述异常学习评估值,包括:
根据所述第一指标和所述第二指标,获得所述待检测课程的第一指标值和第二指标值;
计算所述第一指标值和所述第二指标值的乘积,将计算的乘积作为所述异常学习评估值;
所述根据所述第一指标、所述第三指标、所述第四指标和所述第五指标,获得所述异常学习评估值,包括:
根据所述第一指标、所述第三指标、所述第四指标和所述第五指标,获得所述待检测课程的第一指标值、第三指标值、第四指标值和第五指标值;
计算所述第一指标值、所述第三指标值和所述第四指标值的乘积,并确定计算的乘积与所述第五指标值的比值,将所述比值作为所述异常学习评估值。
6.一种课程推荐方法,其特征在于,包括:
获取待检测课程,并确定所述待检测课程的上线时间;
根据所述上线时间和第一预设时间,确定所述待检测课程的所属课程类型;
根据所述待检测课程的所属课程类型对应的异常学习评估指标,获得所述待检测课程的异常学习评估值;
根据所述异常学习评估值和预设异常阈值,判断所述待检测课程中是否存在异常学习;
若所述待检测课程中不存在异常学习,则对所述待检测课程进行推荐。
7.根据权利要求6所述的方法,其特征在于,所述课程类型包括旧课程和新课程,所述新课程的上线时间晚于所述旧课程的上线时间;
所述根据所述待检测课程的所属课程类型对应的异常学习评估指标,获得所述待检测课程的异常学习评估值,包括:
若所述待检测课程为所述旧课程,则获取所述旧课程对应的异常学习评估指标,其中,所述旧课程对应的异常学习评估指标包括第一指标和第二指标,根据所述第一指标和所述第二指标,获得所述异常学习评估值,其中,所述第一指标根据课程时长确定,所述第二指标根据第二预设时间前后预设时间段内课程学习量的变化确定;
若所述待检测课程为所述新课程,则获取所述新课程对应的异常学习评估指标,其中,所述新课程对应的异常学习评估指标包括所述第一指标、第三指标、第四指标和第五指标,根据所述第一指标、所述第三指标、所述第四指标和所述第五指标,获得所述异常学习评估值,其中,所述第三指标根据预设时间段内课程完成量的占比确定,所述第四指标根据课程完成率确定,所述第五指标根据课程平均学习时长与课程时长的比值确定。
8.根据权利要求6所述的方法,其特征在于,所述根据所述异常学习评估值和预设异常阈值,判断所述待检测课程中是否存在异常学习,包括:
将所述异常学习评估值和所述预设异常阈值进行比较;
若所述异常学习评估值小于所述预设异常阈值,则判定所述待检测课程中不存在异常学习。
9.根据权利要求7所述的方法,其特征在于,所述根据所述上线时间和第一预设时间,确定所述待检测课程的所属课程类型,包括:
判断所述上线时间是否在所述第一预设时间之前;
若所述上线时间在所述第一预设时间之前,则确定所述待检测课程为所述旧课程;
若所述上线时间为所述第一预设时间,或者所述上线时间在所述第一预设时间之后,则确定所述待检测课程为所述新课程。
10.根据权利要求7所述的方法,其特征在于,所述根据所述第一指标和所述第二指标,获得所述异常学习评估值,包括:
根据所述第一指标和所述第二指标,获得所述待检测课程的第一指标值和第二指标值;
计算所述第一指标值和所述第二指标值的乘积,将计算的乘积作为所述异常学习评估值;
所述根据所述第一指标、所述第三指标、所述第四指标和所述第五指标,获得所述异常学习评估值,包括:
根据所述第一指标、所述第三指标、所述第四指标和所述第五指标,获得所述待检测课程的第一指标值、第三指标值、第四指标值和第五指标值;
计算所述第一指标值、所述第三指标值和所述第四指标值的乘积,并确定计算的乘积与所述第五指标值的比值,将所述比值作为所述异常学习评估值。
11.一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中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求6至10任一项所述的课程推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911148369.6A CN110942238B (zh) | 2019-11-21 | 2019-11-21 | 课程推荐设备及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911148369.6A CN110942238B (zh) | 2019-11-21 | 2019-11-21 | 课程推荐设备及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110942238A true CN110942238A (zh) | 2020-03-31 |
CN110942238B CN110942238B (zh) | 2022-05-31 |
Family
ID=69907206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911148369.6A Active CN110942238B (zh) | 2019-11-21 | 2019-11-21 | 课程推荐设备及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110942238B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570946A (zh) * | 2021-07-21 | 2021-10-29 | 北京思想天下教育科技有限公司 | 基于大数据云平台的线上培训教育信息化教学方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130311409A1 (en) * | 2012-05-18 | 2013-11-21 | Veetle, Inc. | Web-Based Education System |
CN107316234A (zh) * | 2017-07-21 | 2017-11-03 | 北京京东尚科信息技术有限公司 | 个性化商品预测方法和装置 |
CN109597937A (zh) * | 2018-12-03 | 2019-04-09 | 华中师范大学 | 网络课程推荐方法及装置 |
CN109785197A (zh) * | 2018-12-12 | 2019-05-21 | 中国联合网络通信集团有限公司 | 一种学习行为分析方法及装置 |
-
2019
- 2019-11-21 CN CN201911148369.6A patent/CN110942238B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130311409A1 (en) * | 2012-05-18 | 2013-11-21 | Veetle, Inc. | Web-Based Education System |
CN107316234A (zh) * | 2017-07-21 | 2017-11-03 | 北京京东尚科信息技术有限公司 | 个性化商品预测方法和装置 |
CN109597937A (zh) * | 2018-12-03 | 2019-04-09 | 华中师范大学 | 网络课程推荐方法及装置 |
CN109785197A (zh) * | 2018-12-12 | 2019-05-21 | 中国联合网络通信集团有限公司 | 一种学习行为分析方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570946A (zh) * | 2021-07-21 | 2021-10-29 | 北京思想天下教育科技有限公司 | 基于大数据云平台的线上培训教育信息化教学方法及系统 |
CN113570946B (zh) * | 2021-07-21 | 2022-06-28 | 北京思想天下教育科技有限公司 | 基于大数据云平台的线上培训教育信息化教学方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110942238B (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108985489B (zh) | 一种风险预测方法、风险预测装置和终端设备 | |
CN110909035B (zh) | 个性化复习题集生成方法、装置、电子设备及存储介质 | |
CN109976998B (zh) | 一种软件缺陷预测方法、装置和电子设备 | |
CN112990294B (zh) | 行为判别模型的训练方法、装置、电子设备及存储介质 | |
CN110852925B (zh) | 异常学习检测方法、装置、设备和存储介质 | |
CN109377103B (zh) | 学习平台课程推荐的评估方法及设备 | |
CN110942238B (zh) | 课程推荐设备及方法 | |
US10930169B2 (en) | Computationally derived assessment in childhood education systems | |
CN114254122A (zh) | 测试题的生成方法、装置、电子设备和可读存储介质 | |
CN111127223B (zh) | 保险产品测试方法、装置和存储介质 | |
CN108733784B (zh) | 一种教学课件推荐方法、装置及设备 | |
CN111858911A (zh) | 工单描述信息的生成方法、装置、电子设备及存储介质 | |
CN116227992A (zh) | 一种考核试卷生成方法、装置及终端设备 | |
CN113689315A (zh) | 课程推送方法、装置和服务器 | |
US6950781B2 (en) | Method of calculating device metrics | |
CN114782224A (zh) | 基于用户特征的网页考评作弊监测方法、装置及电子设备 | |
CN111143220B (zh) | 一种软件测试的训练系统及方法 | |
CN113673811A (zh) | 一种基于session的在线学习绩效评估方法及装置 | |
US20180144655A1 (en) | Content selection based on predicted performance related to test concepts | |
CN111127265A (zh) | 课程推荐设备及方法 | |
CN110928788B (zh) | 服务验证方法及设备 | |
JP7436614B1 (ja) | 支援装置、支援方法及びプログラム | |
CN115034400B (zh) | 一种业务数据处理方法、装置、电子设备及存储介质 | |
JP7145919B2 (ja) | 助言データ生成装置、助言データ生成方法、プログラム | |
CN114078578A (zh) | 数据标注模型训练方法、装置、电子设备及存储介质 |
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 |