CN111209474B - 在线课程的推荐方法、装置、计算机设备和存储介质 - Google Patents

在线课程的推荐方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN111209474B
CN111209474B CN201911380552.9A CN201911380552A CN111209474B CN 111209474 B CN111209474 B CN 111209474B CN 201911380552 A CN201911380552 A CN 201911380552A CN 111209474 B CN111209474 B CN 111209474B
Authority
CN
China
Prior art keywords
course
user
interest
data
recommended
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.)
Active
Application number
CN201911380552.9A
Other languages
English (en)
Other versions
CN111209474A (zh
Inventor
龙美霖
刘世良
黄建超
庄梓君
伍晓东
柯维海
喻志翀
胡永松
张佳莉
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.)
Guangdong Decheng Scientific Education Co ltd
Original Assignee
Guangdong Decheng Scientific Education 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 Guangdong Decheng Scientific Education Co ltd filed Critical Guangdong Decheng Scientific Education Co ltd
Priority to CN201911380552.9A priority Critical patent/CN111209474B/zh
Publication of CN111209474A publication Critical patent/CN111209474A/zh
Application granted granted Critical
Publication of CN111209474B publication Critical patent/CN111209474B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

本申请提供一种在线课程的推荐方法、装置、计算机设备和存储介质。该方法包括：获取用户的基础特征数据，所述基础特征数据包括用户属性数据、用户行为数据、用户成长数据以及用户访问数据；根据所述基础特征数据，确定所述用户的兴趣特征描述符；确定所述基础特征数据对应的待推荐兴趣点模型；根据所述待推荐兴趣点模型和所述兴趣特征描述符，确定所述用户的感兴趣课程推荐列表。采用本申请方法能够避免现有技术中采用通用的一套课程学习方案或者固定的几套课程学习方案导致的用户学习方向不明确以及学习能力范围不可知的弊端，有效避免了用户在线学习的盲目性，从而也有效提高了在线课程推荐的针对性和精准性。

Description

在线课程的推荐方法、装置、计算机设备和存储介质
技术领域
本申请涉及推荐技术领域，特别是涉及一种在线课程推荐方法、装置、计算机设备和存储介质。
背景技术
随着国家对教师信息化教育的重视以及智能教育的不断发展，教师可通过在线学习提高自身的教学能力和专业能力，以更专业更博学的从事教育工作。
目前教师在线学习平台既可以提供一套通用的学习方案，即当教师登录在线学习平台时可以直接接收平台提供的学习方案进行学习；也可以提供几套不同等级的学习方案供教师在线学习，使得教师登录学习平台后可以选择与自身教学等级匹配的学习方案进行学习。
虽然通用的学习方案可以满足大部分教师的在线学习需求，但却无法做到精准和个性化，几套不同等级的学习方案虽然稍微具有针对性，但对同一等级的教师也是提供相同的学习方案，显然也不能满足教师个性化和精准化的学习需求。
发明内容
基于此，有必要针对上述技术问题，提供一种能够进行个性化和精准化学习课程推荐的在线课程的推荐方法、装置、计算机设备和存储介质。
第一方面，本申请实施例提供一种在线课程的推荐方法，包括：
获取用户的基础特征数据，所述基础特征数据包括用户属性数据、用户行为数据、用户成长数据以及用户访问数据；
根据所述基础特征数据，确定所述用户的兴趣特征描述符；
确定所述基础特征数据对应的待推荐兴趣点模型；
根据所述待推荐兴趣点模型和所述兴趣特征描述符，确定所述用户的感兴趣课程推荐列表。
在其中一个实施例中，所述根据所述基础特征数据，确定所述用户的兴趣特征描述符，包括：
对所述基础特征数据进行归类处理，得到所述基础特征数据对应的n个维度特征，并将所述n个维度特征确定为所述用户的兴趣特征描述符；其中，每个维度特征中包括多个特征数据，n为正整数。
在其中一个实施例中，当所述基础特征数据包括m个类别时，所述确定所述基础特征数据对应的待推荐兴趣点模型，包括：
对所述基础特征数据进行筛选，得到所述基础特征数据中的核心关键词；其中，所述核心关键词表征所述用户的感兴趣课程；
对所述核心关键词进行归类处理，得到m个类别特征标签，所述类别特征标签与所述基础特征数据包括的类别对应；
根据所述m个类别特征标签，建立m个待推荐兴趣点模型。
在其中一个实施例中，所述根据所述待推荐兴趣点模型和所述兴趣特征描述符，确定所述用户的感兴趣课程推荐列表，包括：
根据所述待推荐兴趣点模型，确定与所述待推荐兴趣点模型匹配的待推荐感兴趣课程列表；
根据所述待推荐感兴趣课程列表和所述兴趣特征描述符，确定所述用户的感兴趣课程推荐列表。
在其中一个实施例中，所述根据所述待推荐感兴趣课程列表和所述兴趣特征描述符，确定所述用户的感兴趣课程推荐列表，包括：
根据所述兴趣特征描述符，确定本次课程推荐的推荐策略；
根据所述待推荐感兴趣课程列表中每个待推荐感兴趣课程的属性标签和所述推荐策略，确定每个待推荐感兴趣课程的匹配权重；其中，所述属性标签表征所述待推荐感兴趣课程的名称，所述匹配权重表征待推荐感兴趣课程的可推荐指数；
根据各个待推荐感兴趣课程的匹配权重，确定所述各个待推荐感兴趣课程的各个匹配权重优先级；
根据所述各个匹配权重优先级，确定所述用户的感兴趣课程推荐列表。
在其中一个实施例中，所述获取用户的基础特征数据，包括：
检测所述用户是否是首次登陆，得到检测结果；
当所述检测结果表征所述用户为首次登陆时，接收学习课程信息输入指令；
获取用户的首次登陆数据，并将所述学习课程信息输入指令对应的学习课程信息以及所述首次登陆数据确定为用户的基础特征数据；
其中，所述首次登陆数据表征进入所述学习课程信息对应课程前接收到的各个访问指令对应的各个访问数据。
在其中一个实施例中，在所述根据所述待推荐兴趣点模型，确定所述用户的兴趣点推荐列表的步骤之后，所述方法还包括：
获取预设时间内所述用户使用所述感兴趣课程推荐列表的使用记录详情表；
根据所述使用记录详情表，确定所述感兴趣课程列表与所述用户的匹配指数；其中，所述匹配指数用于表征所述感兴趣课程推荐列表相对于所述用户的适合程度。
在其中一个实施例中，所述根据所述基础特征数据，确定所述基础特征数据中的核心关键词，包括：
根据预先设置的核心关键词标签，确定所述基础特征数据中与所述核心关键词标签相同的至少一个特征数据，并将所述至少一个特征数据确定为所述基础特征数据中的核心关键词。
在其中一个实施例中，在确定所述用户的感兴趣课程推荐列表的步骤之后，所述方法还包括：
根据所述感兴趣课程推荐列表，确定所述感兴趣课程推荐列表中每一个感兴趣课程对应的课程学习文档；
将每一个感兴趣课程对应的所述课程学习文档显示在显示屏界面。
在其中一个实施例中，在确定所述用户的兴趣特征描述符的步骤之后，所述方法还包括：
对每个维度特征中包括的特征数据进行调整，得到调整后的兴趣特征描述符，以根据所述调整后的兴趣特征描述符对所述推荐策略进行更新；其中，所述调整为增加和/或删除。
第二方面，本申请实施例提供一种在线课程的推荐装置，包括：
获取模块，用于获取用户的基础特征数据，所述基础特征数据包括用户属性数据、用户行为数据、用户成长数据以及用户访问数据；
第一处理模块，用于根据所述基础特征数据，确定所述用户的兴趣特征描述符；
第二处理模块，用于确定所述基础特征数据对应的待推荐兴趣点模型；
第三处理模块，用于根据所述待推荐兴趣点模型和所述兴趣特征描述符，确定所述用户的感兴趣课程推荐列表。
第三方面，本申请实施例提供的一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取用户的基础特征数据，所述基础特征数据包括用户属性数据、用户行为数据、用户成长数据以及用户访问数据；
根据所述基础特征数据，确定所述用户的兴趣特征描述符；
确定所述基础特征数据对应的待推荐兴趣点模型；
根据所述待推荐兴趣点模型和所述兴趣特征描述符，确定所述用户的感兴趣课程推荐列表。
第四方面，本申请实施例提供的一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取用户的基础特征数据，所述基础特征数据包括用户属性数据、用户行为数据、用户成长数据以及用户访问数据；
根据所述基础特征数据，确定所述用户的兴趣特征描述符；
确定所述基础特征数据对应的待推荐兴趣点模型；
根据所述待推荐兴趣点模型和所述兴趣特征描述符，确定所述用户的感兴趣课程推荐列表。
本申请提供一种在线课程的推荐方法、装置、计算机设备和存储介质，其中所述方法通过获取到的用户的基础特征数据，确定用户的兴趣点特征描述符，以此避免现有技术中采用通用的一套课程学习方案或者固定的几套课程学习方案导致的用户学习方向不明确以及学习能力范围不可知的弊端，有效避免了用户在线学习的盲目性；进一步地，当计算机设备确定出所述基础特征数据对应的待推荐兴趣点模型时，结合所述兴趣点特征描述符来确定出用户的感兴趣课程推荐列表，以此实现基于用户的基础特征数据确定符合用户当前学习需求的课程推荐列表，从而提高了在线课程推荐的针对性和精准性，也提高了计算机设备的智能性和灵活多样性。
附图说明
图1为一个实施例提供的在线课程的推荐方法流程示意图；
图2为另一个实施例提供的在线课程的推荐方法流程示意图；
图3为又一个实施例提供的在线课程的推荐方法流程示意图；
图4为又一个实施例所示的在线课程的推荐方法流程示意图；
图5为又一个实施例所示的在线课程的推荐方法流程示意图；
图6为又一个实施例所示的在线课程的推荐方法流程示意图；
图7为一个实施例所示的在线课程的推荐装置的结构示意图；
图8为一个实施例提供的计算机设备的内部结构图。
具体实施方式
目前教师在线学习平台通常可以提供一套统一的在线学习方案或者提供几套不同等级的在线学习方案，使得当教师登录在线学习平台时可以接受其提供的统一的一套在线学习方案，也可以根据该教师当前的学习能力选取与该学习等级对应的在线学习方案，但是统一的一套在线学习方案虽然可以满足大部分教师的在线学习需求，但却无法做到精准化和个性化，也无法满足不同等级的教师在线学习需求，几套不同等级的在线学习方案虽然比起统一的一套在线学习方案稍微具有针对性，但也还是无法做到个性化，因为即使在同一个等级下教师的能力也会各不相同，因此即使几套不同等级的在线学习方案使得教师在学习过程中无法实时了解自己的能力范围，对未来的学习没有明确的方向，从而使得在线学习平台提供的几套不同等级的在线学习方案也不能满足教师个性化的在线学习的需求。
本申请实施例提供的在线课程的推荐方法、装置、计算机设备和存储介质，通过获取的用户的基础特征数据确定用户的兴趣特征描述符，根据基础特性数据对应的待推荐兴趣点模型以及该兴趣特征描述符，确定出用户的感兴趣课程推荐列表，以此通过用户在基础特征数据获取满足用户在线学习需求的学习课程，从而使得本次在线学习课程的推荐更加具有针对性和精准性。
需要说明的是，本申请实施例提供的在线课程的推荐方法，其执行主体可以是在线课程的推荐装置，该在线课程的推荐装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。可选的，该计算机设备可以为个人计算机(PersonalComputer，PC)、便携式设备、服务器等具有数据处理功能的电子设备，本实施例对计算机设备的具体形式并不做限定。下述方法实施例的执行主体以计算机设备为例来进行说明。
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
图1为一个实施例提供的在线课程的推荐方法流程示意图，本实施例涉及的是计算机设备根据所获取的用户的基础特征数据如何获取用户的感兴趣课程推荐列表的具体过程。如图1所示，该方法包括：
步骤S11、获取用户的基础特征数据，所述基础特征数据包括用户属性数据、用户行为数据、用户成长数据以及用户访问数据。
具体的，所述用户可以是教师；计算机设备检测到用户登录在线学习平台，首先获取所述用户的基础特征数据，所述基础特征数据可以是针对该用户非首次登陆时获取的历史记录数据，并且所述基础特征数据可以m个类别数据，所述m个类别数据可以包括用户属性数据、用户行为数据、用户成长数据以及用户访问数据等等，所述用户属性数据可以为学科、学段、职称、教龄、论文领域等,所述学科可以是以内容不同分类的综合素养、品德、语文、数学等，所述学段可以是小学、中学、大学等。
所述用户行为数据可以包括用户在网页的资源详情页面的停留时长、用户浏览视频时长、用户点击参与的项目属性，其属性可以为学科、学段、类型等，所述类型可以为必修、选修等。
所述用户成长数据可以是用户培训考核增幅或者用户的能力值数据，所述用户培训考核增幅可以是用户在某一时间段进行网上培训课程学习后学习成绩考核分值相较于培训之前增加的幅度，或者用户在某一时间段进行网上培训课程学习后的学习能力值相较于培训之前增加的点数，比如用户一个月前英语成绩为70分或者英语学习能力值为60点，经过一个月的网上英语培训课程后英语成绩为85分或者英语学习能力值为88点，用户经过一个月的学习后英语成绩增长了15分或者学习能力值增加了18个点数，此为用户的成长数据。
所述用户访问数据可以为用户在线访问课程的课程属性、用户访问资源的资源属性，用户参与研修活动的研修活动属性等，所述课程属性可以为学科、学段、类型等，所述资源属性可以为学科、学段等，所述研修活动属性可以为类型、学段、学科等。
步骤S12、根据所述基础特征数据，确定所述用户的兴趣特征描述符。
具体的，所述用户的基础特征数据可以是用户的历史记录数据，计算机设备在获取到用户的基础特征数据时，会根据该基础特征数据进行分析处理，以从该基础特征数据中挖掘出用户的兴趣特征描述符，所述兴趣特征描述符可以是用户的教龄、职称、学历等的分布情况，可以是用户教研交互、学习交互、问答交互、发表论文、培训学习、资源浏览/收藏等情况，也可以是根据用户所在学校属性、讲授课信息、教学成果、教学评价信息等指标所跟踪的用户教学成长数据等；其中，可以认为擅长或喜好或有意向是感兴趣或者兴趣点。
步骤S13、确定所述基础特征数据对应的待推荐兴趣点模型。
具体的，计算机设备确定获取到的用户的基础特征数据包括m个类别数据时，会对应生成m个待推荐兴趣点模型；其中，所述待推荐兴趣点模型的数量与所述基础特征数据包括的类别数据个数相同且一一对应；可选的，当所述基础特征数据包括用户属性数据、用户行为数据、用户成长数据以及用户访问数据等m个类别数据时，也会对应生成用户属性模型、用户行为模型、用户成长模型、用户访问模型等m个待推荐兴趣点模型，也即当基础特征数据为用户属性数据时，生成的待推荐兴趣点模型为用户属性模型；当基础特征数据为用户行为数据时，生成的待推荐兴趣点模型为用户行为模型；当基础特征数据为用户成长数据时，生成的待推荐兴趣点模型为用户成长模型；当基础特征数据为用户访问数据时，生成的待推荐兴趣点模型为用户访问模型。
步骤S14、根据所述待推荐兴趣点模型和所述兴趣特征描述符，确定所述用户的感兴趣课程推荐列表。
具体的，计算机设备在获取到待推荐兴趣点模型和所述兴趣特征描述符后，首先在课程库中确定出与所述待推荐兴趣点模型匹配的所有待推荐感兴趣课程列表，再通过所述兴趣描述符对该待推荐感兴趣课程列表进行排序，并将排序后的待推荐感兴趣课程列表确定为所述用户的感兴趣课程推荐列表。
本实施例中，计算机设备通过获取到的用户的基础特征数据，确定用户的兴趣点特征描述符，以此避免现有技术中采用通用的一套课程学习方案或者固定的几套课程学习方案导致的用户学习方向不明确以及学习能力范围不可知的弊端，有效避免了用户在线学习的盲目性；进一步地，当计算机设备确定出所述基础特征数据对应的待推荐兴趣点模型时，结合所述兴趣点特征描述符来确定出用户的感兴趣课程推荐列表，以此实现基于用户的基础特征数据确定符合用户当前学习需求的课程推荐列表，从而提高了在线课程推荐的针对性和精准性，也提高了计算机设备的智能性和灵活多样性。
上述实施例公开了计算机设备根据所获取的用户的基础特征数据如何获取用户的感兴趣课程推荐列表的具体过程，下面通过下述的实施例描述根据所述基础特征数据，确定所述用户的兴趣特征描述符的过程。需要说明的是，以下方法仅用于解释本申请而不用于对本申请进行限定。
作为上述实施例的一种可选的实现方式，所述步骤S12可以通过以下过程实现：
对所述基础特征数据进行归类处理，得到所述基础特征数据对应的n个维度特征，并将所述n个维度特征确定为所述用户的兴趣特征描述符；其中，每个维度特征中包括多个特征数据，n为正整数。
具体的，所述用户可以是教师，计算机设备对获取的用户的基础特征数据进行归类处理，可以得到所述基础特征数据的n个维度特征，所述n个维度特征可以包括基本信息特征、行为活跃程度特征以及成长数据特征等等。
在实际处理过程中，计算机设备将用户的基础特征数据中表征教龄、职称、学历等分布情况的数据确定为基本信息特征，将所述基础特征数据中表征用户教研交互、学习交互、问答交互、发表论文、培训学习、资源浏览/收藏等情况的数据确定为行为活跃程度特征，将所述基础特征数据中表征用户教学成长的数据确定为成长数据特征，所述表征教学成长的数据可以是计算机设备根据所述基础特征数据中用户的学校属性、用户的讲授课信息、教与学关系、教学成果以及教学评价信息等指标确定的。
在本实施例中，计算机设备通过获取的用户的基础特征数据确定出用户的兴趣特征描述符，实现了基于用户的历史记录数据确定该用户的擅长课程特征的目的，以为后续基于所述擅长课程特征确定该用户的感兴趣课程提供依据，从而提高了学习课程推荐的可靠性和准确性。
图2为另一个实施例提供的在线课程的推荐方法流程示意图，本实施例涉及的是当所述基础特征数据包括m个类别时，计算机设备如何确定所述基础特征数据对应的待推荐兴趣点模型的具体过程。在上述施例的基础上，可选的，如图2所示，步骤S13可以以下过程实现：
步骤S131、对所述基础特征数据进行筛选，得到所述基础特征数据中的核心关键词；其中，所述核心关键词表征所述用户的感兴趣课程。
具体的，计算机设备在获取到所述基础特征数据时，可以先对所述基础特征数据中的每一条数据进行关键词提取，然后再将针对所述基础特征数据剔除的所有关键词进行分析，以将所有关键词中关键词出现次数低的对应数据进行剔除，保留关键词出现次数高的对应数据，并将所述出现频率高的关键词确定为所述基础特征数据中的核心关键词。
其中，基础特征数据中超过70％的数据中出现同一的关键词为出现次数高的关键词，基础特征数据中低于30％的数据中出现同一的关键词为出现次数低的关键词。比如，所述基础特征数据中的关键词包括语文、数学、英语、教龄、学段，其中语文出现了3次，数学出现了8次，英语出现了1次，教龄出现了9次，学段出现了7次，那么删除英语和语文，数学、学段和教龄即为基础特征数据中的核心关键词。
步骤S132、对所述核心关键词进行归类处理，得到m个类别特征标签，所述类别特征标签与所述基础特征数据包括的类别对应。
具体的，计算机设备在确定出所述基础特征数据中的核心关键词时，会根据所述基础特征数据中包括的类别对所述核心关键词进行归类处理。由于所述基础特征数据包括用户属性数据、用户行为数据、用户成长数据以及用户访问数据等m个类别数据，因此计算机设备会将所述核心关键词对应划分为m个类别特征标签，该m个类别特征标签可以包括属性特征标签、行为特征标签、成长特征标签以及访问特征标签等等。
步骤S133、根据所述m个类别特征标签，建立m个待推荐兴趣点模型。
具体的，当计算机设备确定出m个类别特征标签且该m个类别特征标签包括属性特征标签、行为特征标签、成长特征标签以及访问特征标签等等时，会根据数学分析模型的建立方法建立每一个类别特征标签对应的模型，从而得到m个模型，所述m个模型可以包括用户属性模型、用户行为模型、用户成长模型以及用户访问模型等等，并将所述m个模型确定为m个待推荐兴趣点模型。
上述实施例进一步限定计算机设备通过对获取的用户的基础特征数据进行筛选处理和数学分析建模处理，得到所述基础特征数据对应的待推荐兴趣点模型，以此确保待推荐兴趣点模型的可靠性和有效性，提高了计算机设备的功能多样性和灵活性。
图3为另一个实施例提供的在线课程的推荐方法流程示意图，本实施例涉及的是计算机设备根据所述待推荐兴趣点模型和所述兴趣特征描述符，如何确定所述用户的感兴趣课程推荐列表的具体过程。在上述施例的基础上，可选的，如图3所示，步骤S14可以以下过程实现：
步骤S141：根据所述待推荐兴趣点模型，确定与所述待推荐兴趣点模型匹配的待推荐感兴趣课程列表。
具体的，计算机设备将确定好的用户属性模型、用户行为模型、用户成长模型以及用户访问模型等m个待推荐兴趣点模型，与课程库中所有的在线学习课程一一进行匹配，并将匹配出的所有在线学习课程确定为所述待推荐感兴趣课程列表，所述匹配可以是符合或者相同。
在实现处理过程中，计算机设备可以先确定出每一个待推荐兴趣点模型的识别标识信息，所述识别标识信息可以是该待推荐兴趣点模型对应的类别特征标签；然后计算机设备再将所述识别标识信息与课程库中的在线学习课程一一比对，可以将课程库的在线学习课程中与所述识别标识信息相同的在线学习课程确定为待推荐感兴趣课程列表中的待推荐感兴趣课程。比如，计算机设备确定用户行为模型的识别标识信息为所述行为特征标签且该行为特征标签为语文、数学时，会将课程库中属于语文和数学的在线课程确定为待推荐感兴趣课程列表中的待推荐感兴趣课程。
并且，计算机设备也可以将课程库的在线学习课程中与所述识别标识信息相符的在线学习课程确定为待推荐感兴趣课程列表中的待推荐感兴趣课程，比如计算机设备确定用户成长模型的识别标识信息为所述成长特征标签且该成长特征标签为用户的能力值数据在一个月内增长18个点以上时，可以将符合一个月内增长18个点以上的英语在线学习课程和化学在线学习课程确定为待推荐感兴趣课程列表中的待推荐感兴趣课程。
步骤S142：根据所述待推荐感兴趣课程列表和所述兴趣特征描述符，确定所述用户的感兴趣课程推荐列表。
具体的，当计算机设备确定出所述待推荐感兴趣课程列表时，会结合所述兴趣特征描述符对所述待推荐感兴趣课程列表中的待推荐感兴趣课程进行排序，并将排序后的待推荐感兴趣课程确定为所述用户的感兴趣课程推荐列表，使得用户可以基于自身学习情况和学习目标从所述感兴趣课程推荐列表中选择适合的学习课程进行学习。
在本实施例中，计算机设备先确定出与所述待推荐兴趣点模型匹配的待推荐感兴趣课程列表，再基于所述兴趣特征描述符确定出用户的感兴趣课程推荐列表，使得用户能结合自身当前学习需求在所述感兴趣课程推荐列表中选择适合的学习课程，以此实现在线学习课程的个性化和针对性推荐，提高了计算机设备的可靠性和灵活性。
图4为又一个实施例所示的在线课程的推荐方法流程示意图，本实施例涉及的是根据所述待推荐感兴趣课程列表和所述兴趣特征描述符，如何确定所述用户的感兴趣课程推荐列表的具体过程。在上述实施例的基础上，可选的，如图4所示，步骤S142可以通过以下过程实现：
步骤S1421、根据所述兴趣特征描述符，确定本次课程推荐的推荐策略。
具体的，所述兴趣特征描述符可以包括所述基本信息特征、行为活跃程度特征以及成长数据特征等n个维度特征，计算机设备将所述基本信息特征、行为活跃程度特征以及成长数据特征等n个维度特征作为推荐算法的输入参数，并根据推荐算法的输出结果获取基本信息特征、行为活跃程度特征以及成长数据特征等n个维度特征的优先级顺序。
其中，所述优先级顺序可以为所述本次课程推荐的推荐策略，比如所述优先级顺序可以为行为活跃程度特征对应的在线学习课程优先级最高，成长数据特征对应的在线学习课程优先级第二，基本信息特征对应的在线学习课程优先级最低。
步骤S1422、根据所述待推荐感兴趣课程列表中每个待推荐感兴趣课程的属性标签和所述推荐策略，确定每个待推荐感兴趣课程的匹配权重；其中，所述属性标签表征所述待推荐感兴趣课程的名称，所述匹配权重表征待推荐感兴趣课程的可推荐指数。
具体的，所述匹配权重的取值越大，说明对应的待推荐感兴趣课程的可推荐指数越高；所述属性标签可以是名称，比如待推荐感兴趣课程为英语在线学习课程时，其属性标签可以为英语。
由于所述待推荐感兴趣课程列表中会存在同一属性标签的多个在线学习课程，比如英语在线学习课程会以学段不同而包括中学英语在线学习课程、大学英语在线学习课程等，或者英语在线学习课程以能力值不同而包括四级英语在线学习课程、六级英语在线学习课程、专八英语在线学习课程，因此计算待推荐感兴趣需要计算每个待推荐感兴趣课程的匹配权重，以对同一属性标签的多个在线学习课程进行推荐。
在实现处理过程中，计算机设备先将所述待推荐感兴趣课程列表中的待推荐感兴趣课程按照推荐策略得到待推荐感兴趣课程的推荐顺序，所述推荐顺序可以依次为行为活跃程度特征对应的行为类待推荐感兴趣课程、成长数据特征对应的成长类待推荐感兴趣课程以及基本信息特征对应的基本类待推荐感兴趣课程。
然后，计算机设备计算所述行为类待推荐感兴趣课程中每一个待推荐感兴趣课程的匹配权重、所述成长类待推荐感兴趣课程中每一个待推荐感兴趣课程的匹配权重以及所述基本类待推荐感兴趣课程中每一个待推荐感兴趣课程的匹配权重，从而得到所述行为类待推荐感兴趣课程对应的M个匹配权重、所述成长类待推荐感兴趣课程对应的N个匹配权重以及所述基本类待推荐感兴趣课程对应的L个匹配权重；M、N、L、K分别为大于0的整数。
其中，当计算机设备确定所述待推荐感兴趣课程列表中包括K个待推荐感兴趣课程时，M+N+L＝K，并可以将得到的K个匹配权重作为所述每个待推荐感兴趣课程的匹配权重。
步骤S1423、根据各个待推荐感兴趣课程的匹配权重，确定所述各个待推荐感兴趣课程的各个匹配权重优先级。
具体的，所述各个待推荐感兴趣课程的匹配权重可以为所述K个匹配权重。计算机设备根据M个匹配权重的取值大小对K个匹配权重进行大小排序、根据N个匹配权重的取值大小对N个匹配权重进行大小排序以及根据L个匹配权重的取值大小对L个匹配权重进行大小排序，并将K个排序后的匹配权重、N个排序后的匹配权重以及L个排序后的匹配权重确定为所述各个匹配权重优先级。
步骤S1424、根据所述各个匹配权重优先级，确定所述用户的感兴趣课程推荐列表。
具体的，计算机设备根据所述K个排序后的匹配权重对所述行为类待推荐感兴趣课程中的待推荐感兴趣课程进行优先级排序，得到第一感兴趣课程，根据所述N个排序后的匹配权重对所述成长类待推荐感兴趣课程中的待推荐感兴趣课程进行优先级排序，得到第二感兴趣课程，以及根据所述L个排序后的匹配权重对所述基本类待推荐感兴趣课程中的待推荐感兴趣课程进行排序，得到第三感兴趣课程，并将所述第一感兴趣课程、所述第二感兴趣课程以及所述第三感兴趣课程顺次排列后得到的课程列表确定为所述感兴趣课程推荐列表。
在本实施例中，计算机设备通过所述兴趣特征描述符确定出本次推荐的推荐策略时，再基于待推荐感兴趣课程列表中每个待推荐感兴趣课程的匹配权重，确定所述各个待推荐感兴趣课程的各个匹配权重优先级，从而基于所述各个匹配权重优先级确定所述用户的感兴趣课程推荐列表，以确定出更加具有针对性和个性化的学习课程，确保用户在线学习时能够快速且准确地选择出适合自己的学习课程，有效提高了在线课程推荐的精准性和可靠性。
图5为又一个实施例所示的在线课程的推荐方法流程示意图，本实施例涉及的是计算机设备如何获取用户的基础特征数据的具体过程。在上述实施例的基础上，可选的，如图5所示，所述方法还可以通过以下过程实现：
步骤S21、检测所述用户是否是首次登陆，得到检测结果。
具体的，计算机设备检测到所述用户登录在线学习平台应用程序时再次检测存储器中是否存储有所述用户的历史记录数据，并根据存储器中是否存储有所述用户的历史记录数据来判断所述用户是否是首次登陆。
步骤S22、当所述检测结果表征所述用户为首次登陆时，接收学习课程信息输入指令。
具体的，所述检测结果表征所述用户为首次登陆，可以是计算机设备确定存储器中没有存储所述用户的历史记录数据，此时计算机可以接收学习课程信息输入指令，所述学习课程信息指令可以是用户执行的学习课程信息输入操作，计算机设备可以根据所述学习课程信息输入指令获取用户的学习课程信息；其中，所述学习课程信息是所述用户根据自己的喜好和能力在课程库中选择的在线学习课程。
步骤S23、获取用户的首次登陆数据，并将所述学习课程信息输入指令对应的学习课程信息以及所述首次登陆数据确定为用户的基础特征数据；其中，所述首次登陆数据表征进入所述学习课程信息对应课程前接收到的各个访问指令对应的各个访问数据。
具体的，当计算机设备确定出所述用户为首次登陆时，获取所述用户在输入所述学习课程信息前输入的各个访问指令对应的各个访问数据；其中，所述访问数据可以是用户浏览的课程网页数据、用户浏览课程视频的时长以及用户访问的论坛网页数据等，然后将所述学习课程信息以及所述首次登陆数据确定为所述用户的基础特征数据。
在本实施例中，计算机设备确定用户为首次登陆在线学习平台时接收用户输入的学习课程信息，并将所述学习课程信息以及在输入所述学习课程信息前输入的各个访问指令对应的各个访问数据确定为所述用户的基础特征数据，以此确保所述用户后续再次登陆在线学习平台时能基于所述基础特征数据自动确定出所述用户的感兴趣课程推荐列表，避免了用户再次登陆后选择学习课程的时间耗费问题，有效提高了在线课程推荐的灵活性和可靠性。
图6为又一个实施例所示的在线课程的推荐方法流程示意图，本实施例涉及的是计算机设备在确定出所述用户的兴趣点推荐列表之后如何确定所述感兴趣课程列表与所述用户的匹配指数的具体过程。在上述实施例的基础上，可选的，如图6所示，所述方法还可以通过以下过程实现：
步骤S15、获取预设时间内所述用户使用所述感兴趣课程推荐列表的使用记录详情表。
具体的，所述预设时间可以是半个月，也可以是一个月，此处不做限制。计算机设备在确定出所述感兴趣课程推荐列表后，会记录预设时长内用户使用所述感兴趣课程推荐列表的使用记录详情表，所述使用记录详情表可以包括用户进行课程学习的在线学习课程名称、学习时长、学习能力提升值等。
步骤S16、根据所述使用记录详情表，确定所述感兴趣课程列表与所述用户的匹配指数；其中，所述匹配指数用于表征所述感兴趣课程推荐列表相对于所述用户的适合程度。
具体的，计算机设备根据所述使用记录详情表，确定所述感兴趣课程列表中感兴趣课程与所述用户的匹配指数，所述匹配指数可以是计算机设备根据所述用户在所述预设时长内对于该感兴趣课程的学习次数、学习时长和学习能力变化程度确定的，所述匹配指数越高，说明所述用户对该感兴趣课程的擅长程度和喜好程度越高；相反地，所述匹配指数越低，说明所述用户对该感兴趣课程的擅长程度和喜好程度并不高。
在本实施例中，计算机设备通过预设时间内用户使用该感兴趣课程列表的使用记录详情表，确定所述感兴趣课程列表与所述用户的匹配指数，以此确定所述感兴趣课程列表相对于用户的适合程度，提高了在线学习课程推荐的功能多样性和可靠性。
作为上述实施例的一种可选的实现方式，步骤S131还可以通过以下过程实现：
根据预先设置的核心关键词标签，确定所述基础特征数据中与所述核心关键词标签相同的至少一个特征数据，并将所述至少一个特征数据确定为所述基础特征数据中的核心关键词。
具体的，计算机设备中预先设置有核心关键词标签，所述核心关键词标签可以是最能体现用户喜好和擅长的课程标签，所述核心关键词标签可以是学科、学段、类型、职称以及能力值，计算机在获取到所述基础特征数据时，会将每一个核心关键词标签与所述基础特征数据中的用户属性数据、用户行为数据、用户成长数据以及用户访问数据分别进行比较，其过程为：
如果用户属性数据中的学科、学段、职称、教龄、论文领域等存在与核心关键词标签相同的属性数据，则将该属性数据确定为核心关键词。如果用户访问数据中的用户访问的课程、访问的资源、参与的教研活动等存在与核心关键词标签相同的访问数据，则将该访问数据确定为核心关键词。如果用户成长数据中存在能力值变化的成长数据，则将该成长数据确定为核心关键词。
如果用户行为数据中用户在资源详情页面停留时长、用户浏览视频时长以及用户点击参与的项目属性等存在与所述核心关键词标签相同的行为数据，则将该行为数据确定为核心关键词。其中，所述核心关键词可以是与核心关键词标签相同的一句话、一段内容或者一个图表，比如所述属性数据可以是学科、学段、类型等词语。
所述访问数据、所述成长数据、所述行为数据可以是与核心关键词标签相同的一句话、一段内容或者一个图表，所述关键词信息可以是用户访问了大学英语论坛、用户通过一个月的英语在线课程学习后英语学习能力值增加了20个点数、用户学习了综合素养这一选修在线学习课程以及用户浏览专八英语在线学习课程、用户教龄5年。
在本实施例中，计算机设备通过将预先设置的核心关键词标签与用户的基础特征数据进行比对，确定所述基础特征数据中是否存在与所述核心关键词标签相同的数据，并将该所述确定为核心关键词，以此提高了计算机设备从所述基础特征数据中提炼核心关键词的有效可靠性和快速易实现性，从而也提高了在线学习课程推荐的精准性。
作为上述实施例的一种可选的实现方式，在计算机设备确定出所述感兴趣课程推荐列表后还可以执行以下过程：
根据所述感兴趣课程推荐列表，确定所述感兴趣课程推荐列表中每一个感兴趣课程对应的课程学习文档，并将每一个感兴趣课程对应的所述课程学习文档显示在显示屏界面。
具体的，计算机设备在确定出针对于用户的感兴趣课程推荐列表时，会确定该感兴趣课程列表中的每一个感兴趣课程的课程学习文档，所述课程学习文档可以包括该感兴趣课程的课程视频、课程文档以及课程论坛等。
在实际处理过程中，当计算机设备确定出每一个感兴趣课程的课程学习文档后，以列表的形式显示在显示屏上，当一学习课程文档接收到点击操作时会以列表的形式显示对应感兴趣课程的课程视频、课程文档以及课程论坛界面等。
在本实施例中，计算机设备确定出用户的感兴趣课程列表时会进一步确定该感兴趣列表中的每一个感兴趣课程的课程学习文档，使得用户使用该感兴趣课程列表可以直接选择是以视频形式学习、文档形式学习还是问答形式学习，提高了在线学习平台的灵活性和可靠性，从而也提高了计算机设备的功能多样性。
作为上述实施例的一种可选的实现方式，在计算机设备确定出所述用户的兴趣特征描述符的步骤之后还可以执行以下过程：
对每个维度特征中包括的特征数据进行调整，得到调整后的兴趣特征描述符，以根据所述调整后的兴趣特征描述符对所述推荐策略进行更新；其中，所述调整为增加和/或删除。
具体的，计算机设备在确定出用户的感兴趣课程列表时，会继续获取用户的基础特征数据，将继续获取的基础特征数据记为新特征数据，所述新特征数据包括所述感兴趣课程列表对应的基础特征数据以及用户本次登录后计算机设备接收到的各个访问指令对应的各个访问数据。
然后计算机设备对所述新数据进行归类处理，以得到所述新数据对应的n个维度新特征，根据每个维度新特征中包括的新特征数据对对应维度特征数据中包括的特征数据进行增加和/或删除操作，具体过程是：
将一维度新特征中包括的新特征数据与对应维度特征数据中包括的特征数据相比重复率高的新特征数据增加至对应特征数据中，将维度新特征中包括的新特征数据与对应维度特征数据中包括的特征数据相比重复率低的特征数据进行删除。
其中，重复率高可以是所述新特征数据和所述特征数据中同一特征数据出现的次数频率高于90％，重复率低可以是所述新特征数据和所述特征数据中同一特征数据出现的次数频率低于10％。
计算机设备将所述调整后的兴趣特征描述符作为推荐算法的输入参数，并根据推荐算法的输出结果获取基本信息特征、行为活跃程度特征以及成长数据特征的新的优先级顺序，以此实现对原有推荐策略的更新。
在本实施例中，计算机设备在确定出所述感兴趣课程列表后继续获取用户的基础特征数据，以根据新获得的用户基础数据对所述感兴趣课程列表对应的推荐策略进行更新，目的是确定出更适合用户、与用户擅长和喜好最为贴合的感兴趣课程推荐列表，提高了在线课程推荐的灵活性和可靠性，也提高了计算机设备的功能多样性和精准性。
应该理解的是，虽然图1-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种在线课程的推荐装置。如图7所示，所述装置包括：获取模块11、第一处理模块12、第二模块13和第三处理模块14。
具体的，获取模块11，用于获取用户的基础特征数据，所述基础特征数据包括用户属性数据、用户行为数据、用户成长数据以及用户访问数据；第一处理模块12，用于根据所述基础特征数据，确定所述用户的兴趣特征描述符；第二处理模块13，用于确定所述基础特征数据对应的待推荐兴趣点模型；第三处理模块14，用于根据所述待推荐兴趣点模型和所述兴趣特征描述符，确定所述用户的感兴趣课程推荐列表。
在其中一个实施例中，所述第一处理模块12，具体用于对所述基础特征数据进行归类处理，得到所述基础特征数据对应的n个维度特征，并将所述n个维度特征确定为所述用户的兴趣特征描述符；其中，每个维度特征中包括多个特征数据，n为正整数。
在其中一个实施例中，当所述基础特征数据包括m个类别时，所述第二处理模块13，具体可以包括第一处理单元131、第二处理单元132和建立单元133。
具体的，第一处理单元131，用于对所述基础特征数据进行筛选，得到所述基础特征数据中的核心关键词；其中，所述核心关键词表征所述用户的感兴趣课程；第二处理单元132，用于对所述核心关键词进行归类处理，得到m个类别特征标签，所述类别特征标签与所述基础特征数据包括的类别对应；建立单元133，用于根据所述m个类别特征标签，建立m个待推荐兴趣点模型。
在其中一个实施例中，所述第三处理模块14，具体包括第一确定单元141和第二确定单元142。
具体的，第一确定单元141，用于根据所述待推荐兴趣点模型，确定与所述待推荐兴趣点模型匹配的待推荐感兴趣课程列表；第二确定单元142，用于根据所述待推荐感兴趣课程列表和所述兴趣特征描述符，确定所述用户的感兴趣课程推荐列表。
在其中一个实施例中，所述第二确定单元142，用于根据所述兴趣特征描述符，确定本次课程推荐的推荐策略；根据所述待推荐感兴趣课程列表中每个待推荐感兴趣课程的属性标签和所述推荐策略，确定每个待推荐感兴趣课程的匹配权重；其中，所述属性标签表征所述待推荐感兴趣课程的名称，所述匹配权重表征待推荐感兴趣课程的可推荐指数；根据各个待推荐感兴趣课程的匹配权重，确定所述各个待推荐感兴趣课程的各个匹配权重优先级；根据所述各个匹配权重优先级，确定所述用户的感兴趣课程推荐列表。
在其中一个实施例中，所述获取模块11，具体包括检测单元111、接收单元112和获取单元113。
具体的，检测单元111，用于检测所述用户是否是首次登陆，得到检测结果；接收单元112，用于当所述检测结果表征所述用户为首次登陆时，接收学习课程信息输入指令；获取单元113，用于获取用户的首次登陆数据，并将所述学习课程信息输入指令对应的学习课程信息以及所述首次登陆数据确定为用户的基础特征数据；其中，所述首次登陆数据表征进入所述学习课程信息对应课程前接收到的各个访问指令对应的各个访问数据。
在其中一个实施例中，所述获取模块11还用于获取预设时间内所述用户使用所述感兴趣课程推荐列表的使用记录详情表时，所述推荐装置还包括第四处理模块15，所述第四处理模块15，用于根据所述使用记录详情表，确定所述感兴趣课程列表与所述用户的匹配指数；其中，所述匹配指数用于表征所述感兴趣课程推荐列表相对于所述用户的适合程度。
在其中一个实施例中，所述第一处理单元131，具体用于根据预先设置的核心关键词标签，确定所述基础特征数据中与所述核心关键词标签相同的至少一个特征数据，并将所述至少一个特征数据确定为所述基础特征数据中的核心关键词。
在其中一个实施例中，所述推荐装置还包括第五处理模块16和显示模块17。
具体的，第五处理模块16，用于根据所述感兴趣课程推荐列表，确定所述感兴趣课程推荐列表中每一个感兴趣课程对应的课程学习文档；显示模块17，用于将每一个感兴趣课程对应的所述课程学习文档显示在显示屏界面。
在其中一个实施例中，所述推荐装置还包括调整模块18。
具体的，调整模块18，用于对每个维度特征中包括的特征数据进行调整，得到调整后的兴趣特征描述符，以根据所述调整后的兴趣特征描述符对所述推荐策略进行更新；其中，所述调整为增加和/或删除。
关于在线课程的推荐装置的具体限定可以参见上文中对于在线课程的推荐方法的限定，在此不再赘述。上述在线课程的推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种在线课程推荐方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取用户的基础特征数据，所述基础特征数据包括用户属性数据、用户行为数据、用户成长数据以及用户访问数据；根据所述基础特征数据，确定所述用户的兴趣特征描述符；确定所述基础特征数据对应的待推荐兴趣点模型；根据所述待推荐兴趣点模型和所述兴趣特征描述符，确定所述用户的感兴趣课程推荐列表。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对所述基础特征数据进行归类处理，得到所述基础特征数据对应的n个维度特征，并将所述n个维度特征确定为所述用户的兴趣特征描述符；其中，每个维度特征中包括多个特征数据，n为正整数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对所述基础特征数据进行筛选，得到所述基础特征数据中的核心关键词；其中，所述核心关键词表征所述用户的感兴趣课程；对所述核心关键词进行归类处理，得到m个类别特征标签，所述类别特征标签与所述基础特征数据包括的类别对应；根据所述m个类别特征标签，建立m个待推荐兴趣点模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据所述待推荐兴趣点模型，确定与所述待推荐兴趣点模型匹配的待推荐感兴趣课程列表；根据所述待推荐感兴趣课程列表和所述兴趣特征描述符，确定所述用户的感兴趣课程推荐列表。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据所述兴趣特征描述符，确定本次课程推荐的推荐策略；根据所述待推荐感兴趣课程列表中每个待推荐感兴趣课程的属性标签和所述推荐策略，确定每个待推荐感兴趣课程的匹配权重；其中，所述属性标签表征所述待推荐感兴趣课程的名称，所述匹配权重表征待推荐感兴趣课程的可推荐指数；根据各个待推荐感兴趣课程的匹配权重，确定所述各个待推荐感兴趣课程的各个匹配权重优先级；根据所述各个匹配权重优先级，确定所述用户的感兴趣课程推荐列表。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
检测所述用户是否是首次登陆，得到检测结果；当所述检测结果表征所述用户为首次登陆时，接收学习课程信息输入指令；获取用户的首次登陆数据，并将所述学习课程信息输入指令对应的学习课程信息以及所述首次登陆数据确定为用户的基础特征数据；其中，所述首次登陆数据表征进入所述学习课程信息对应课程前接收到的各个访问指令对应的各个访问数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取预设时间内所述用户使用所述感兴趣课程推荐列表的使用记录详情表；根据所述使用记录详情表，确定所述感兴趣课程列表与所述用户的匹配指数；其中，所述匹配指数用于表征所述感兴趣课程推荐列表相对于所述用户的适合程度。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据预先设置的核心关键词标签，确定所述基础特征数据中与所述核心关键词标签相同的至少一个特征数据，并将所述至少一个特征数据确定为所述基础特征数据中的核心关键词。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据所述感兴趣课程推荐列表，确定所述感兴趣课程推荐列表中每一个感兴趣课程对应的课程学习文档；将每一个感兴趣课程对应的所述课程学习文档显示在显示屏界面。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对每个维度特征中包括的特征数据进行调整，得到调整后的兴趣特征描述符，以根据所述调整后的兴趣特征描述符对所述推荐策略进行更新；其中，所述调整为增加和/或删除。
在一个实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取用户的基础特征数据，所述基础特征数据包括用户属性数据、用户行为数据、用户成长数据以及用户访问数据；根据所述基础特征数据，确定所述用户的兴趣特征描述符；确定所述基础特征数据对应的待推荐兴趣点模型；根据所述待推荐兴趣点模型和所述兴趣特征描述符，确定所述用户的感兴趣课程推荐列表。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对所述基础特征数据进行归类处理，得到所述基础特征数据对应的n个维度特征，并将所述n个维度特征确定为所述用户的兴趣特征描述符；其中，每个维度特征中包括多个特征数据，n为正整数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对所述基础特征数据进行筛选，得到所述基础特征数据中的核心关键词；其中，所述核心关键词表征所述用户的感兴趣课程；对所述核心关键词进行归类处理，得到m个类别特征标签，所述类别特征标签与所述基础特征数据包括的类别对应；根据所述m个类别特征标签，建立m个待推荐兴趣点模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据所述待推荐兴趣点模型，确定与所述待推荐兴趣点模型匹配的待推荐感兴趣课程列表；根据所述待推荐感兴趣课程列表和所述兴趣特征描述符，确定所述用户的感兴趣课程推荐列表。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据所述兴趣特征描述符，确定本次课程推荐的推荐策略；根据所述待推荐感兴趣课程列表中每个待推荐感兴趣课程的属性标签和所述推荐策略，确定每个待推荐感兴趣课程的匹配权重；其中，所述属性标签表征所述待推荐感兴趣课程的名称，所述匹配权重表征待推荐感兴趣课程的可推荐指数；根据各个待推荐感兴趣课程的匹配权重，确定所述各个待推荐感兴趣课程的各个匹配权重优先级；根据所述各个匹配权重优先级，确定所述用户的感兴趣课程推荐列表。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
检测所述用户是否是首次登陆，得到检测结果；当所述检测结果表征所述用户为首次登陆时，接收学习课程信息输入指令；获取用户的首次登陆数据，并将所述学习课程信息输入指令对应的学习课程信息以及所述首次登陆数据确定为用户的基础特征数据；其中，所述首次登陆数据表征进入所述学习课程信息对应课程前接收到的各个访问指令对应的各个访问数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取预设时间内所述用户使用所述感兴趣课程推荐列表的使用记录详情表；根据所述使用记录详情表，确定所述感兴趣课程列表与所述用户的匹配指数；其中，所述匹配指数用于表征所述感兴趣课程推荐列表相对于所述用户的适合程度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据预先设置的核心关键词标签，确定所述基础特征数据中与所述核心关键词标签相同的至少一个特征数据，并将所述至少一个特征数据确定为所述基础特征数据中的核心关键词。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据所述感兴趣课程推荐列表，确定所述感兴趣课程推荐列表中每一个感兴趣课程对应的课程学习文档；将每一个感兴趣课程对应的所述课程学习文档显示在显示屏界面。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对每个维度特征中包括的特征数据进行调整，得到调整后的兴趣特征描述符，以根据所述调整后的兴趣特征描述符对所述推荐策略进行更新；其中，所述调整为增加和/或删除。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (11)

1.一种在线课程的推荐方法，其特征在于，所述方法至少包括：
获取用户的基础特征数据，所述基础特征数据包括用户属性数据、用户行为数据、用户成长数据以及用户访问数据；
对所述基础特征数据进行归类处理，得到所述基础特征数据对应的n个维度特征，并将所述n个维度特征确定为所述用户的兴趣特征描述符；其中，每个维度特征中包括多个特征数据，n为正整数；
对所述基础特征数据进行筛选，得到所述基础特征数据中的核心关键词；其中，所述核心关键词表征所述用户的感兴趣课程；
对所述核心关键词进行归类处理，得到m个类别特征标签，所述类别特征标签与所述基础特征数据包括的类别对应；
根据所述m个类别特征标签，建立m个待推荐兴趣点模型；
根据各所述待推荐兴趣点模型，确定与各所述待推荐兴趣点模型匹配的待推荐感兴趣课程列表；
根据所述兴趣特征描述符，确定本次课程推荐的推荐策略；其中，所述推荐策略为n个维度特征之间的优先级顺序；
根据所述待推荐感兴趣课程列表中每个待推荐感兴趣课程的属性标签和所述推荐策略，确定每个待推荐感兴趣课程的匹配权重；其中，所述属性标签表征所述待推荐感兴趣课程的名称，所述匹配权重表征待推荐感兴趣课程的可推荐指数；
根据各个待推荐感兴趣课程的匹配权重，确定所述各个待推荐感兴趣课程的各个匹配权重优先级；
根据所述各个匹配权重优先级，确定所述用户的感兴趣课程推荐列表。
2.根据权利要求1中所述的方法，其特征在于，所述对所述基础特征数据进行筛选，得到所述基础特征数据中的核心关键词，包括：对所述基础特征数据中的每一条数据进行关键词提取；
以将所有关键词中关键词出现次数低于第一阈值的对应数据进行剔除，保留关键词出现次数高于第二阈值的对应数据，并将所述出现次数高于第二阈值的关键词确定为所述基础特征数据中的核心关键词。
3.根据权利要求1中所述的方法，其特征在于，所述根据各所述待推荐兴趣点模型，确定与各所述待推荐兴趣点模型匹配的待推荐感兴趣课程列表，包括：
确定出每一个待推荐兴趣点模型的识别标识信息；其中，所述识别标识信息为该待推荐兴趣点模型对应的类别特征标签；
将所述识别标识信息与课程库中的在线学习课程一一比对；
将课程库的在线学习课程中与所述识别标识信息相同的在线学习课程确定为待推荐感兴趣课程列表中的待推荐感兴趣课程。
4.根据权利要求1中所述的推荐方法，其特征在于，所述获取用户的基础特征数据，包括：
检测所述用户是否是首次登陆，得到检测结果；
当所述检测结果表征所述用户为首次登陆时，接收学习课程信息输入指令；
获取用户的首次登陆数据，并将所述学习课程信息输入指令对应的学习课程信息以及所述首次登陆数据确定为用户的基础特征数据；
其中，所述首次登陆数据表征进入所述学习课程信息对应课程前接收到的各个访问指令对应的各个访问数据。
5.根据权利要求1中所述的推荐方法，其特征在于，在所述根据所述待推荐兴趣点模型，确定所述用户的兴趣点推荐列表的步骤之后，所述方法还包括：
获取预设时间内所述用户使用所述感兴趣课程推荐列表的使用记录详情表；
根据所述使用记录详情表，确定所述感兴趣课程列表与所述用户的匹配指数；其中，所述匹配指数用于表征所述感兴趣课程推荐列表相对于所述用户的适合程度。
6.根据权利要求1中所述的推荐方法，其特征在于，所述对所述基础特征数据进行筛选，得到所述基础特征数据中的核心关键词，包括：
根据预先设置的核心关键词标签，确定所述基础特征数据中与所述核心关键词标签相同的至少一个特征数据，并将所述至少一个特征数据确定为所述基础特征数据中的核心关键词。
7.根据权利要求1-6中任一项所述的推荐方法，其特征在于，在确定所述用户的感兴趣课程推荐列表的步骤之后，所述方法还包括：
根据所述感兴趣课程推荐列表，确定所述感兴趣课程推荐列表中每一个感兴趣课程对应的课程学习文档；
将每一个感兴趣课程对应的所述课程学习文档显示在显示屏界面。
8.根据权利要求1中所述的推荐方法，其特征在于，在确定所述用户的兴趣特征描述符的步骤之后，所述方法还包括：
对每个维度特征中包括的特征数据进行调整，得到调整后的兴趣特征描述符，以根据所述调整后的兴趣特征描述符对所述推荐策略进行更新；其中，所述调整为增加和/或删除。
9.一种在线课程的推荐装置，其特征在于，所述装置包括：
获取模块，用于获取用户的基础特征数据，所述基础特征数据包括用户属性数据、用户行为数据、用户成长数据以及用户访问数据；
第一处理模块，用于对所述基础特征数据进行归类处理，得到所述基础特征数据对应的n个维度特征，并将所述n个维度特征确定为所述用户的兴趣特征描述符；其中，每个维度特征中包括多个特征数据，n为正整数；
第二处理模块，用于对所述基础特征数据进行筛选，得到所述基础特征数据中的核心关键词；其中，所述核心关键词表征所述用户的感兴趣课程；对所述核心关键词进行归类处理，得到m个类别特征标签，所述类别特征标签与所述基础特征数据包括的类别对应；根据所述m个类别特征标签，建立m个待推荐兴趣点模型；
第三处理模块，用于根据各所述待推荐兴趣点模型，确定与各所述待推荐兴趣点模型匹配的待推荐感兴趣课程列表；根据所述兴趣特征描述符，确定本次课程推荐的推荐策略；其中，所述推荐策略为n个维度特征之间的优先级顺序；根据所述待推荐感兴趣课程列表中每个待推荐感兴趣课程的属性标签和所述推荐策略，确定每个待推荐感兴趣课程的匹配权重；其中，所述属性标签表征所述待推荐感兴趣课程的名称，所述匹配权重表征待推荐感兴趣课程的可推荐指数；根据各个待推荐感兴趣课程的匹配权重，确定所述各个待推荐感兴趣课程的各个匹配权重优先级；根据所述各个匹配权重优先级，确定所述用户的感兴趣课程推荐列表。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器用于执行所述计算机程序时实现权利要求1-8中任一项方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-8中任一项方法的步骤。
CN201911380552.9A 2019-12-27 2019-12-27 在线课程的推荐方法、装置、计算机设备和存储介质 Active CN111209474B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911380552.9A CN111209474B (zh) 2019-12-27 2019-12-27 在线课程的推荐方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911380552.9A CN111209474B (zh) 2019-12-27 2019-12-27 在线课程的推荐方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN111209474A CN111209474A (zh) 2020-05-29
CN111209474B true CN111209474B (zh) 2023-04-28

Family

ID=70785897

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911380552.9A Active CN111209474B (zh) 2019-12-27 2019-12-27 在线课程的推荐方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN111209474B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111754370B (zh) * 2020-07-01 2021-04-27 厦门致力于学在线教育科技有限公司 一种基于人工智能的在线教育课程管理方法及系统
CN112035739B (zh) * 2020-08-14 2024-03-12 上海擎感智能科技有限公司 一种基于日历的知识推送方法、装置及计算机存储介质
CN112163162B (zh) * 2020-10-14 2023-12-08 珠海格力电器股份有限公司 基于人像识别的选修课程推荐方法、存储介质及电子设备
CN112380335A (zh) * 2020-11-24 2021-02-19 中教云智数字科技有限公司 一种数字教育资源推荐系统
CN112561750A (zh) * 2020-12-14 2021-03-26 软通动力信息技术(集团)股份有限公司 课程推荐方法、装置、电子设备及存储介质
CN112632385B (zh) * 2020-12-29 2023-09-22 中国平安人寿保险股份有限公司 课程推荐方法、装置、计算机设备及介质
CN112650926A (zh) * 2020-12-30 2021-04-13 广东德诚科教有限公司 一种基于大数据技术的农民个性化课程资源的推荐方法
CN113223665A (zh) * 2021-05-13 2021-08-06 四川望里科技有限公司 基于认知行为疗法的在线情绪干预系统
CN113407831B (zh) * 2021-06-16 2024-03-01 中国联合网络通信集团有限公司 课程推荐方法及设备
CN113177181B (zh) * 2021-06-29 2021-08-31 长沙豆芽文化科技有限公司 基于交互定制计划的在线教学信息推送方法及系统
CN115022098B (zh) * 2022-08-09 2022-11-18 北京瑞莱智慧科技有限公司 人工智能安全靶场内容推荐方法、装置及存储介质
CN117112832B (zh) * 2023-09-12 2024-03-19 社培科技(广东)有限公司 基于线上监测和线下指导结合的教学方法及其系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015021937A1 (zh) * 2013-08-14 2015-02-19 腾讯科技（深圳）有限公司 用户推荐方法和装置
CN107800801A (zh) * 2017-11-07 2018-03-13 上海电机学院 一种基于用户学习偏好的学习资源推送方法及系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11908028B2 (en) * 2014-03-17 2024-02-20 Michael Olenick Method and system for curriculum management services
CN106503014B (zh) * 2015-09-08 2020-08-07 腾讯科技（深圳）有限公司 一种实时信息的推荐方法、装置和系统
CN106021363B (zh) * 2016-05-10 2019-12-17 百度在线网络技术（北京）有限公司 课程推荐方法和装置
CN106339502A (zh) * 2016-09-18 2017-01-18 电子科技大学 一种基于用户行为数据分片聚类的建模推荐方法
US11164105B2 (en) * 2017-11-13 2021-11-02 International Business Machines Corporation Intelligent recommendations implemented by modelling user profile through deep learning of multimodal user data
CN110110201B (zh) * 2018-01-09 2021-10-08 苏州跃盟信息科技有限公司 一种内容推荐方法和系统
CN109670116A (zh) * 2018-11-30 2019-04-23 内江亿橙网络科技有限公司 一种基于大数据的智能推荐系统
CN109740861A (zh) * 2018-12-12 2019-05-10 中国联合网络通信集团有限公司 一种学习数据分析方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015021937A1 (zh) * 2013-08-14 2015-02-19 腾讯科技（深圳）有限公司 用户推荐方法和装置
CN107800801A (zh) * 2017-11-07 2018-03-13 上海电机学院 一种基于用户学习偏好的学习资源推送方法及系统

Also Published As

Publication number Publication date
CN111209474A (zh) 2020-05-29

Similar Documents

Publication Publication Date Title
CN111209474B (zh) 在线课程的推荐方法、装置、计算机设备和存储介质
CN112632385B (zh) 课程推荐方法、装置、计算机设备及介质
US9665824B2 (en) Rapid image annotation via brain state decoding and visual pattern mining
Bhaskaran et al. Design and analysis of an efficient machine learning based hybrid recommendation system with enhanced density-based spatial clustering for digital e-learning applications
CN111651676B (zh) 基于能力模型进行职业推荐的方法、装置、设备和介质
Costa et al. Learning temporal-dependent ranking models
US20180285176A1 (en) Methods and systems for selecting potentially erroneously ranked documents by a machine learning algorithm
Kopeinik et al. Supporting collaborative learning with tag recommendations: a real-world study in an inquiry-based classroom project
CN116257694B (zh) 一种基于在线学习课程的智能化搜索推荐方法和系统
CN112307336B (zh) 热点资讯挖掘与预览方法、装置、计算机设备及存储介质
CN106407316B (zh) 基于主题模型的软件问答推荐方法和装置
CN113656687A (zh) 基于教研数据的教师画像构建方法
CN108959550B (zh) 用户关注点挖掘方法、装置、设备及计算机可读介质
CN115146161A (zh) 一种基于内容推荐的个性化学习资源推荐方法及系统
Assi et al. FeatCompare: Feature comparison for competing mobile apps leveraging user reviews
Aydoğdu Educational data mining studies in Turkey: A systematic review
US20200311152A1 (en) System and method for recommending personalized content using contextualized knowledge base
Mishra et al. Dynamic identification of learning styles in MOOC environment using ontology based browser extension
Salehi et al. Attribute-based recommender system for learning resource by learner preference tree
Viloria et al. Prediction rules in e-learning systems using genetic programming
CN116228361A (zh) 基于特征匹配的课程推荐方法、装置、设备和存储介质
Adán-Coello et al. Using collaborative filtering algorithms for predicting student performance
CN111078850B (zh) 一种电子书阅读的实现方法及终端
CN113076453A (zh) 域名分类方法、设备及计算机可读存储介质
CN116362426B (zh) 基于人工智能和深度学习的学习行为预测管理系统和方法

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