CN111428138A - 一种课程推荐方法、系统、设备及存储介质 - Google Patents

一种课程推荐方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN111428138A
CN111428138A CN202010224252.8A CN202010224252A CN111428138A CN 111428138 A CN111428138 A CN 111428138A CN 202010224252 A CN202010224252 A CN 202010224252A CN 111428138 A CN111428138 A CN 111428138A
Authority
CN
China
Prior art keywords
course
recommended
label
user
courses
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
CN202010224252.8A
Other languages
English (en)
Inventor
熊威
冯晓峰
王思梦
秦瑞雄
吴想想
杜嘉
赵金鑫
胡智
王博
马晓恒
柏露
董华强
花薇薇
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.)
China Construction Bank Corp
Original Assignee
China Construction Bank Corp
CCB Finetech 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 China Construction Bank Corp, CCB Finetech Co Ltd filed Critical China Construction Bank Corp
Priority to CN202010224252.8A priority Critical patent/CN111428138A/zh
Publication of CN111428138A publication Critical patent/CN111428138A/zh
Pending legal-status Critical Current

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

本发明实施例公开了一种课程推荐方法、系统、设备及存储介质。该方法包括：获取多个用户中待推荐用户的课程标签，其中，课程标签包括在用课程标签、扩展课程标签和移除课程标签中的至少一个；根据待推荐用户的课程学习数据调整各课程标签的标签权重；根据标签权重确定待推荐用户对各课程的偏好结果，并根据偏好结果从各课程中筛选出目标推荐课程。本发明实施例的技术方案，将待推荐用户的课程标签和课程学习数据相结合，通过课程学习数据可以找到待推荐用户潜在的兴趣所在，由此推荐出与待推荐用户的实际需求真正匹配的具有个性化的目标推荐课程。

Description

一种课程推荐方法、系统、设备及存储介质
技术领域
本发明实施例涉及计算机应用技术领域，尤其涉及一种课程推荐方法、系统、设备及存储介质。
背景技术
随着互联网技术的快速发展和普及应用，网络课程逐渐成为人们关注的焦点。但是，在信息爆炸的当下，面对如此巨大的信息量，人们很难快速搜寻到自己感兴趣的或是需要学习的课程。
为解决这一问题，现有的课程推荐系统在为某个用户推荐课程时，多是先获取该用户的常用课程标签，该常用课程标签可以是用户自主设置的或是系统推荐的课程标签；然后再根据常用课程标签为该用户推荐课程。
但是，上述技术方案是根据用户的常用课程标签直接为该用户推荐课程，因局限于常用课程标签，其难以发现用户潜在的兴趣所在，这使得推荐出来的课程与用户实际需求的匹配程度较低。
发明内容
本发明实施例提供了一种课程推荐方法、系统、设备及存储介质，以实现给用户推荐与用户实际需求真正匹配的课程的效果。
第一方面，本发明实施例提供了一种课程推荐方法，可以包括：
获取多个用户中待推荐用户的课程标签，其中，课程标签包括在用课程标签、扩展课程标签和移除课程标签中的至少一个；
根据待推荐用户的课程学习数据调整各课程标签的标签权重；
根据标签权重确定待推荐用户对各课程的偏好结果，并根据偏好结果从各课程中筛选出目标推荐课程。
可选的，根据偏好结果从各课程中筛选出目标推荐课程，可以包括：
根据偏好结果从各课程中筛选出偏好推荐课程；
统计多个用户对每个课程的课程学习次数总和，并根据各课程学习次数总和从各课程中筛选出热门推荐课程；
从各偏好推荐课程和各热门推荐课程中筛选出目标推荐课程。
可选的，扩展课程标签可以通过如下步骤预先生成：
根据多个用户的基本属性数据对多个用户进行聚类，并根据聚类结果确定多个用户中的待推荐用户所在的聚类分组；
根据聚类分组的热门课程标签生成扩展课程标签，其中，热门课程标签是根据聚类分组中各聚类用户的在用课程标签确定的。
可选的，根据待推荐用户的课程学习数据调整各课程标签的标签权重，可包括：
根据待推荐用户的已学习课程的课程学习次数和已学习标签，确定待推荐用户的已学习标签的标签学习次数；
根据标签学习次数调整各课程标签的标签权重。
可选的，上述课程推荐方法，还可以包括：
获取课程的预设课程标签和课程标题的分词结果，根据分词结果和预设课程标签确定课程的词数据；
基于词频-逆向文件频率指数TF-IDF生成词数据的词向量；
获取待推荐用户的当前已学习课程，分别计算当前已学习课程的词向量和各课程的词向量间的相似度；
根据相似度计算结果，从各课程中筛选出当前已学习课程的第一相似课程，并将第一相似课程作为目标推荐课程。
可选的，上述课程推荐方法，还可以包括：
针对待推荐用户在当前课程专题中的第一已学习专题课程，获取多个用户中已学习第一已学习专题课程的已学习用户，以及各已学习用户在当前课程专题中的第二已学习专题课程；
根据第二已学习专题课程的课程学习次数，从各第二已学习专题课程中筛选出第一已学习专题课程的第二相似课程，将第二相似课程作为目标推荐课程。
可选的，在此基础上，该方法还可以包括：
获取待推荐用户对目标推荐课程的操作次数，其中，操作次数包括点击操作次数、搜索操作次数和购买操作次数中的至少一个；
将操作次数输入至已训练完成的隐士反馈模型中，根据隐士反馈模型的输出结果，得到待推荐用户对目标推荐课程的喜好结果。
第二方面，本发明实施例还提供了一种课程推荐系统，该系统可以包括：
课程标签获取模块，用于获取多个用户中待推荐用户的课程标签，其中，课程标签包括在用课程标签、扩展课程标签和移除课程标签中的至少一个；
标签权重确定模块，用于根据待推荐用户的课程学习数据调整各课程标签的标签权重；
推荐课程筛选模块，用于根据标签权重确定待推荐用户对各课程的偏好结果，并根据偏好结果从各课程中筛选出目标推荐课程。
第三方面，本发明实施例还提供了一种设备，该设备可以包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现本发明任意实施例所提供的课程推荐方法。
第四方面，本发明实施例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，该计算机程序被处理器执行时实现本发明任意实施例所提供的课程推荐方法。
本发明实施例的技术方案，采用课程标签+课程学习数据的推荐方案，通过获取多个用户中待推荐用户的课程标签，该课程标签可以是在用课程标签、扩展课程标签和移除课程标签中的至少一个，在用课程标签可以使待推荐用户主导目标推荐课程的课程类型，且扩展课程标签可以呈现出待推荐用户潜在的兴趣所在；根据待推荐用户的课程学习数据对各课程标签的标签权重进行调整，由此，可根据标签权重确定待推荐用户对各课程的偏好结果，并根据偏好结果从各课程中筛选出目标推荐课程。上述技术方案，将待推荐用户的课程标签和课程学习数据相结合，通过课程学习数据可以找到待推荐用户潜在的兴趣所在，从而可以更加全面的找到待推荐用户的兴趣所在，由此推荐出与待推荐用户的实际需求真正匹配的具有个性化的目标推荐课程。
附图说明
图1是本发明实施例一中的一种课程推荐方法的流程图；
图2是本发明实施例二中的一种课程推荐系统的结构框图；
图3是本发明实施例三中的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一中提供的一种课程推荐方法的流程图。本实施例可适用于从各课程中筛选出与待推荐用户的实际需求真正匹配的目标推荐课程的情况。该方法可以由本发明实施例提供的课程推荐系统来执行，该系统可以由软件和/或硬件的方式实现，该系统可以集成在各种用户终端或服务器上。
参见图1，本发明实施例的方法具体包括如下步骤：
S110、获取多个用户中待推荐用户的课程标签，其中，课程标签包括在用课程标签、扩展课程标签和移除课程标签中的至少一个。
其中，课程推荐系统包括多个用户的用户数据和多个课程的课程数据，该用户数据可以是课程标签、课程学习数据等等，该课程标签可以包括在用课程标签(in_use)、扩展课程标签(expand)和移除课程标签(remove)中的至少一个，它们可以认为是课程标签中的几个不同的标签类别；该课程数据可以是预先设定的用于体现课程的课程分类信息的预设课程标签。
具体的，在用课程标签可以是待推荐用户正在使用的课程标签，其可以是待推荐用户从已存储的预设课程标签中筛选出的自己感兴趣的课程标签；移除课程标签可以是待推荐用户以前使用但当前未使用的课程标签；扩展课程标签可以是课程推荐系统为待推荐用户扩展出来的课程标签。示例性的，某个待推荐用户的课程标签(user_tags)可通过如下格式存储：user_tags＝{'in_use':[‘tag1’,‘tag2’]，'remove':[‘tag3’,‘tag4’,‘tag5’]，'expand':[‘tag7’,‘tag7’,...]，'weight':{‘tag1’:0.1,‘tag2’:0.8,‘tag3’:0.5,...}}。
其中，weight是待推荐用户对各课程标签的标签权重的权重向量，0.1是tag1标签权重，等等：每个标签类别下的课程标签的数量可以是任意的，如在用课程标签包括tag1和tag2，移除课程标签包括tag3、tag4和tag5，等等；各课程标签的总数量可以小于等于预设数量阈值；可以根据接收到的待推荐用户输入的课程标签调整操作对课程标签进行调整，以便实时获取到待推荐用户的当前兴趣所在，如增加未存在的在用课程标签、删除已存在的在用课程标签(即，将某个课程标签由在用课程标签移动到移除课程标签中)等等。
S120、根据待推荐用户的课程学习数据调整各课程标签的标签权重。
其中，获取待推荐用户的课程学习数据，该课程学习数据可以是待学习课程、已学习课程、已学习课程的课程学习次数等等，通过对课程学习数据的分析可以确定待推荐用户的潜在的兴趣所在，这样一来，可根据待推荐用户的课程学习数据对各课程标签的标签权重进行调整，该标签权重可以精准呈现出待推荐用户对课程标签的偏好结果。需要说明的是，针对已学习课程的课程学习次数，可选的，可以将大于预设次数阈值的课程学习次数调整为预设次数阈值，这可以解决因刷课而带来的数据不真实的问题。
针对根据待推荐用户的课程学习数据调整各课程标签的标签权重的具体实现过程，示例性的，可以先获取待推荐用户的已学习课程的课程学习次数和已学习标签，该已学习标签是已学习课程的预设课程标签。进而，可根据已学习课程的课程学习次数和已学习标签确定待推荐用户的已学习标签的标签学习次数，即，以已学习课程为媒介，将课程学习次数映射为标签学习次数。比如，已学习课程A的课程学习次数是2次且已学习标签是a1和a2，已学习课程B的课程学习次数是3次且已学习标签是a1和b1，由此，已学习标签a1的标签学习次数是5次，已学习标签a2的标签学习次数是2次，已学习标签b1的标签学习次数是3次。最后，可根据各标签学习次数调整各课程标签的标签权重，比如，可以将某课程标签的标签学习次数直接作为该课程标签的标签权重，然后再对各标签权重进行归一化处理；再比如，可以先对各标签学习次数进行归一化处理，再将已处理的标签学习次数作为课程标签的标签权重。
需要说明的是，基于上述可选方案计算出来的那些新增加的在用课程标签和扩展课程标签的标签学习次数有可能是0次，这并不能说明该课程标签不重要，这可能是待推荐用户还未来得及对这些新增加的课程标签进行学习，但是它们依然能呈现出待推荐用户的兴趣所在，课程推荐系统在推荐课程时仍需对它们进行考虑。由此，可以给这些已有的但还未存在标签学习次数的课程标签直接赋予标签权重，不同标签类别的课程标签可通过不同策略赋予标签权重，比如，在用课程标签可直接赋予预设最高权重，最新移除的移除课程标签可直接赋予预设最低权重，扩展课程标签可直接赋予预设最高权重的一半，等等，在此未做具体限定。
S130、根据标签权重确定待推荐用户对各课程的偏好结果，并根据偏好结果从各课程中筛选出目标推荐课程。
其中，标签权重可呈现出待推荐用户对某课程标签的偏好结果，而某课程标签是某一门或是某多门课程的课程分类信息，由此，以课程标签为媒介，根据各标签课程的标签权重可以确定待推荐用户对各课程的偏好结果，该偏好结果可以通过偏好数值、偏好等级等多种方式呈现，在此未做具体限定。
示例性的，表一可呈现出3个待推荐用户(User1-User3)和4个课程标签(Tag1-Tag4)间的用户标签权重表UT，表一中的数字是某待推荐用户对某课程标签的标签权重；表二可呈现出3门课程(Course1-Course3)和4个课程标签(Tag1-Tag4)间课程-标签权重表CT，表二中的数字0表示某课程未具有某课程标签，数字1表示某课程具有某课程标签，表一和表二中的课程标签是一致的。由此，将两个表格作为矩阵相乘(UT*CT.T)，可以得到各个待推荐用户(User1-User3)对各课程(Course1-Course3)的偏好值，如表三所示，示例性的，User1对Course1的偏好值的计算过程是0.6*0+0*1+0.4*1+0.2*0＝0.4。
表一用户-标签权重表UT
UT Tag1 Tag2 Tag3 Tag4
User1 0.6 0 0.4 0.2
User2 0 0.7 0.3 0
User3 0.2 0.3 0 0.5
表二课程-标签权重表CT
CT Tag1 Tag2 Tag3 Tag4
Course1 0 1 1 0
Course2 1 1 0 0
Course3 1 0 0 1
表三用户-课程偏好表UC
UC Course1 Course2 Course3
User1 0.4 0.6 0.8
User2 1 0.7 0
User3 0.3 0.5 0.7
在此基础上，进一步，可根据偏好结果从各课程中筛选出目标推荐课程，这一筛选过程可有多种实现方式，示例一，可以根据待推荐用户对各课程的偏好结果，以从高到低的顺序从各课程中筛选出目标推荐课程，并将该目标推荐课程推荐给待推荐用户，以表三中的User1为待推荐用户为例，若预先设置的课程推荐数量是2个，则可以将Course3和Course2推荐给待推荐用户。示例二，为避免出现多个目标推荐课程是类似课程的推荐扎堆现象，一种可选的解决方案，将具有相同的偏好结果的课程间隔推荐，把具有不同的偏好结果的课程分开，按照不同的偏好结果的课程数量比例分别在各课程里选取一定数量的热门推荐课程，并把这些课程进行排序，如此反复，由此可选区全部课程。
具体的，针对示例二，可选的实现方案是，根据偏好结果从各课程中筛选出偏好推荐课程，该偏好推荐课程是待推荐用户比较偏好的课程；统计多个用户对每个课程的课程学习次数总和，并根据该课程学习次数总和从各课程中筛选出热门推荐课程，该热门推荐课程可能是质量较好的、学习人数较多的或是待推荐用户必须学习的课程；从各偏好推荐课程和各热门推荐课程中筛选出目标推荐课程，这可以提高课程推荐系统的推荐多样性。示例性的，若偏好推荐课程是偏好结果中排序前5的课程，热门推荐课程是课程学习次数总和中排序前5的课程，且预先设置的课程推荐数量是4个，则可从偏好推荐课程和热门推荐课程中分别选取2门课程，并将已选取的课程作为目标推荐课程。
本发明实施例的技术方案，采用课程标签+课程学习数据的推荐方案，通过获取多个用户中待推荐用户的课程标签，该课程标签可以是在用课程标签、扩展课程标签和移除课程标签中的至少一个，在用课程标签可以使待推荐用户主导目标推荐课程的课程类型，且扩展课程标签可以呈现出待推荐用户潜在的兴趣所在；根据待推荐用户的课程学习数据对各课程标签的标签权重进行调整，由此，可根据标签权重确定待推荐用户对各课程的偏好结果，并根据偏好结果从各课程中筛选出目标推荐课程。上述技术方案，将待推荐用户的课程标签和课程学习数据相结合，通过课程学习数据可以找到待推荐用户潜在的兴趣所在，从而可以更加全面的找到待推荐用户的兴趣所在，由此推荐出与待推荐用户的实际需求真正匹配的具有个性化的课程。
在此基础上，需要说明的是，扩展课程标签设置的原因在于：若待推荐用户自主选择的在用课程标签的数量足够多，则课程推荐系统根据该在用课程标签能够推荐出足够多的待推荐用户喜欢的课程；但是，若待推荐用户自主选择的在用课程标签的数量很少甚至为0，则课程推荐系统推荐出的课程数量很少或者多为同一课程标签下的课程，用户体验较差。
由此，为解决这一问题，课程推荐系统可为在用课程标签数量较少的待推荐用户设置一些扩展课程标签。可选的，扩展课程标签可以通过如下步骤预先生成：根据多个用户的基本属性数据对多个用户进行聚类，如可以基于对离散型数据处理效果较好的K-Means算法对多个用户进行聚类，将具有相似属性数据的用户聚类在一起；根据聚类结果确定多个用户中的待推荐用户所在的聚类分组，并获取该聚类分组的热门课程标签，其中，该热门课程标签是根据聚类分组中各聚类用户的在用课程标签确定的，如若聚类分组中各聚类用户的数量是N个，N是大于等于1的整数，则热门课程标签可以是这N个聚类用户中的大多数用户都选择的在用课程标签；由此，可以根据热门课程标签生成待推荐用户的扩展课程标签，如可以将热门课程标签直接作为扩展课程标签，也可以将热门课程标签和在用课程标签的差集作为扩展课程标签，等等。
在此基础上，可选的，在根据多个用户的基本属性数据对多个用户进行聚类前，还可根据基本属性数据的数据类型对其执行相应的数据处理，比如，若基本属性数据是年龄、收入等等数值型数据，则可对其进行数值化处理；若基本属性数据是学历、部门、职位等等离散型数据，则可对其进行离散化处理。每个用户的已处理完成的基本属性数据可以作为该用户的特征值，进而，可根据各用户的特征值对各用户进行聚类。
需要说明的是，上述K-means算法是一种无监督学习算法，其输入样本中只有x，没有y，即只有特征，而没有标签，通过这些特征对数据进行整合等操作。而更细化一点地说，K-means算法属于聚类算法。所谓聚类算法，就是根据特征上的相似性，把数据聚集在一起，或者说分成几类。K-means算法作为聚类算法的一种，其工作自然也是“将数据分成几类”，其基本思路是：首先选择好将数据分成k类，然后随机初始化k个点作为中心点；对于每一个数据点，选取与之距离最近的中心点作为自己的类别；当所有数据点都归类完毕后，调整中心点：把中心点重新设置为该类别中所有数据点的中心位置，每一轴都设置为平均值；重复以上步骤，直至数据点的类别不再发生变化。
一种可选的技术方案，在待推荐用户学习完毕某门课程时，可以采用如下的课程标题+预设课程标签的推荐方案，推荐与该门课程较为相似的课程，这一方案尤其适合于在没有其余的大文本时，为待推荐用户推荐相似课程的情况，该大文本可以是课程详细简介等等。
具体的，上述课程推荐方法，具体还可以包括：对课程推荐系统中的各课程的课程标题进行分词，得到各课程标题的分词结果，其中，分词可以理解为将连续的字序列按照一定的规范重新组合成词序列的过程，相应的，中文分词可以理解为将一个汉字序列切分成一个一个单独的词序列的过程，结巴(jieba)分词、盘古分词、Yaha分词、清华THULAC等等都是中文分词的具体实现方式；进一步，根据各分词结果和各课程的预设课程标签可以分别确定各课程的词数据，也就是说，可以将预设课程标签作为一个词序列，其与分词结果中的各个词序列相结合，由此构成课程的词数据，该词数据可以通过词列表的形式呈现；进一步，分别计算每个词数据的词频-逆向文件频率指数(Term Frequency–Inverse DocumentFrequency，TF-IDF)，并根据计算结果生成词数据的词向量；获取待推荐用户的当前已学习课程，该当前已学习课程可以是待推荐用户的最新的学习完毕的课程，分别计算当前已学习课程的词向量和各课程的词向量间的相似度，每个相似度计算结果可以体现出对应的两门课程间的相似度；根据相似度计算结果，可以从各课程中筛选出当前已学习课程的第一相似课程，该第一相似课程的数量可以是一个或是多个，并将第一相似课程推荐给待推荐用户。上述技术方案，将课程标题和预设课程标签相结合，在课程标题的分词结果中增加预设课程标签，这可以增加具有相同的预设课程标签的各课程间的相似度，由此提高了课程间相似度的计算精度，进而提高了课程推荐的精度。
需要说明的是，一方面，上文所述的TF-IDF是一种统计算法，其可用于评估某字词(相当于本发明实施例中的某个词序列)对于一个语料库(相当于本发明实施例中的全部课程的词数据)中某文件(相当于本发明实施例中的某门课程的词数据)的重要程度。字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的次数成反比下降。例如，如果某个字词在某文件中出现的次数较高，且其在语料库中的其它文件中很少出现，则可认为该字词具有很好的类别区分能力，比较适合用来分类。
具体的，TF是词频(Term Frequency),表示词条(关键字)在文本中出现的频率，
Figure BDA0002427118450000131
即,
Figure BDA0002427118450000132
其中，nij是该词在文件dj中出现的次数，分母则是文件dj中所有词汇出现的次数总和；IDF是逆向文件频率指数InverseDocument Frequency)，某一特定词语的IDF可以由总文件数目除以包含该词语的文件的数目，再将得到的商取对数得到。如果包含词条t的文档越少,IDF越大，则说明词条具有很好的类别区分能力，
Figure BDA0002427118450000133
其中，|D|是语料库中的文件总数，|{j:i∈dj}|表示包含词语ti文件数目(即nij≠0的文件数目)。如果该词语不在语料库中，就会导致分母为零，因此一般情况下使用1+|{j:ti∈dj}|，即
Figure BDA0002427118450000134
实际上，TF-IDF＝TF*IDF。
另一方面，上述两个词向量间的相似度计算可通过余弦相似度计算实现，其中，余弦相似度通过测量两个向量的夹角的余弦值来度量它们间的相似度，具体的，0度角的余弦值是1，而其他任何角度的余弦值都小于等于1，且最小的余弦值是-1。由此，根据两个向量间的角度的余弦值可以确定两个向量是否大致指向相同的方向，比如，若余弦相似度为1，则两个向量具有相同的指向；若余弦相似度为0，则两个向量的夹角为90°；若余弦相似度为-1，则两个向量指向完全相反的方向。具体的，余弦相似度similarity的计算式子可以是
Figure BDA0002427118450000141
其中，Ai,Bi分别代表向量A和向量B的各分量。
一种可选的技术方案，课程推荐系统还可以包括多个专题课程，每个专题课程可以包括多个课程包，每个课程包可以是该专题课程的某一分支的具有学习连贯性的多个课程的集合，比如，针对大数据专题课程，人工智能课程包是其中的一个课程包，该人工智能课程包可包括多个人工智能课程。由此，在待推荐用户学习完毕某个专题课程中的某个课程包中的某个课程时，可以采用如下的统计分析的推荐方案，推荐与该门课程较为相似的课程：
针对待推荐用户在当前课程专题中的第一已学习专题课程，该当前课程专题可以是待推荐用户正在学习的专题课程，该第一已学习专题课程可以是当前课程专题的某个课程包中的某个课程，获取多个用户中已学习第一已学习专题课程的已学习用户，以及已学习用户在当前课程专题中的第二已学习专题课程，该第二已学习专题课程可以是当前专题课程的某个课程包中的某个课程，该第二已学习专题课程所在的课程包和第一已学习专题课程所在的课程包，可能相同也可能不同，在此未做具体限定；根据第二已学习专题课程的课程学习次数，该课程学习次数可以是各个已学习用户对第二已学习专题课程的总共的课程学习次数，从各第二已学习专题课程中筛选出第一已学习专题课程的第二相似课程，该第二相似课程与第一已学习专题课程通常是属于同一个课程专题且在学习进度和学习难度上依次递增的课程。
也就是说，简而言之，上述技术方案是先统计每门课程都有哪些用户学习完毕，再统计这些用户还学习完毕哪些课程，最后将这些用户所学习完毕的课程中比较热门的课程作为第二相似课程。示例性的，待推荐用户A、已学习用户B、已学习用户C和已学习用户D均学习完毕第一已学习专题课程a，与此同时，已学习用户B和已学习用户C还均学习完毕第二已学习专题课程b，已学习用户D还学习完毕第二已学习专题课程d，由此，第二已学习专题课程b的课程学习次数是2次，第二已学习专题课程d的课程学习次数是1次，则可将第二已学习专题课程b作为第二相似课程。在实际应用中，比如，若当前课程专题中的第一已学习专题课程是人工智能课程包中的第3集课程，则第二相似课程通常是人工智能课程包中的第4集课程，其不会是人工智能课程包中的第1集课程或是第2集课程。
在上述任意技术方案的基础上，可采用用户行为隐式反馈方案判断待推荐用户对目标推荐课程的喜好结果，其中，隐式反馈通常不能直接表现出用户倾向的历史数据。具体的，先获取待推荐用户对目标推荐课程的操作次数，其中，该目标推荐课程可以是根据待推荐用户的课程标签和课程学习数据直接计算得到的课程，也可以是与待推荐用户的已学习完毕的课程较为相似的课程，该操作次数可以认为是待推荐用户的隐式反馈数据，其可以是点击操作次数、搜索操作次数、购买操作次数等等，在此未做具体限定；进一步，可以将操作次数输入至已训练完成的隐士反馈模型中，根据该隐士反馈模型的输出结果得到待推荐用户对目标推荐课程的喜好结果，其中，该隐士反馈模型可以是python中已经开源的implicit库中的AlternatingLeastSquares模型，也可以是SparkML库中的ALS模型，等等，在此未做具体限定。需要说明的是，在对原始的隐士反馈模型进行训练时，训练样本可以包括某个用户对某个推荐课程的操作次数和该用户对该推荐课程的喜欢结果，该喜好结果可以通过接收到的用户选择的直接反馈结果(比如喜欢或是不喜欢)确定，也可以根据该用户对该推荐课程的学习时长确定，等等，在此未做具体限定。
以隐士反馈模型是AlternatingLeastSquares模型为例，隐式反馈数据多来源于用户点击、购买、搜索等数据，数据总量大，但是没有负反馈。由此，为了解决隐式反馈没有负反馈的问题，引入用户对物品的偏好系数pui：
Figure BDA0002427118450000161
Figure BDA0002427118450000162
其中，rui是操作次数，上式表明只要有反馈(即，操作次数不为0)，pui皆为1。此外还引入用户对于物品的置信度
Figure BDA0002427118450000163
可以看出即使rui＝0，cui也不为零，并且随着rui的增长而增长。
目标函数：
Figure BDA0002427118450000164
优化目标函数，使用ALS(alternating least squares交替最小二乘)，固定Y对xu求偏导：
Figure BDA0002427118450000165
其中Y∈Rn×f为所有物品隐向量组成的矩阵，Cu∈Rn×n为对角矩阵，其对角线上的元素为用户u对所有物品的置信度cui，即Cuii＝cui，由上文可知因为rui＝0，所以cui＝1。p(u)∈Rn，其元素为用户u对所有物品的偏好pui。然后固定x对yi求偏导，二者不断交替，直至收敛。
由上可知，上述课程推荐方法采用了多种推荐方案，其可根据用户课程学习的不同阶段采用相应的推荐方案来推荐课程。比如，其可采用课程标签+课程学习数据的推荐方案，计算出用户可能喜欢的课程；比如，在用户学习完毕某门课程时，可以采用课程标题+预设课程标签的推荐方案，推荐与该门课程较为相似的课程；再比如，在用户学习完毕某个专题课程中的某个课程时，可以采用统计分析的推荐方案，推荐与该门课程较为相似的属于同一专题课程中的课程。而且，在采用任一推荐方案推荐课程后，还可采用用户行为隐式反馈方案判断用户对推荐结果是否满意，以便根据用户反馈随时对各推荐方案进行相应调整。由此，上述课程推荐方法，可以让用户更加方便地找到自己想要学习的课程，在较大程度上提高了用户的兴趣程度和学习体验。
实施例二
图2为本发明实施例二提供的课程推荐系统的结构框图，该系统用于执行上述任意实施例所提供的课程推荐方法。该系统与上述各实施例的课程推荐方法属于同一个发明构思，在课程推荐系统的实施例中未详尽描述的细节内容，可以参考上述课程推荐方法的实施例。参见图2，该系统具体可包括：课程标签获取模块210、标签权重确定模块220和推荐课程筛选模块230。
其中，课程标签获取模块210，用于获取多个用户中待推荐用户的课程标签，课程标签包括在用课程标签、扩展课程标签和移除课程标签中的至少一个；
标签权重确定模块220，用于根据待推荐用户的课程学习数据调整各课程标签的标签权重；
推荐课程筛选模块230，用于根据标签权重确定待推荐用户对各课程的偏好结果，并根据偏好结果从各课程中筛选出目标推荐课程。
可选的，推荐课程筛选模块230，具体可以包括：
偏好推荐课程筛选单元，用于根据偏好结果从各课程中筛选出偏好推荐课程；
热门推荐课程筛选单元，用于统计多个用户对每个课程的课程学习次数总和，并根据各课程学习次数总和从各课程中筛选出热门推荐课程；
目标推荐课程筛选单元，用于从各偏好推荐课程和各热门推荐课程中筛选出目标推荐课程。
可选的，在此基础上，该系统还可以包括：
聚类模块，用于根据多个用户的基本属性数据对多个用户进行聚类，并根据聚类结果确定多个用户中的待推荐用户所在的聚类分组；
扩展课程标签生成模块，用于根据聚类分组的热门课程标签生成扩展课程标签，热门课程标签是根据聚类分组中各聚类用户的在用课程标签确定的。
可选的，标签权重确定模块220，具体可以包括：
标签学习次数确定单元，用于根据待推荐用户的已学习课程的课程学习次数和已学习标签，确定待推荐用户的已学习标签的标签学习次数；
标签权重调整单元，用于根据标签学习次数调整各课程标签的标签权重。
可选的，在上述系统的基础上，该系统还可包括：
词数据确定模块，用于获取课程的预设课程标签和课程标题的分词结果，根据分词结果和预设课程标签确定课程的词数据；
词向量生成模块，用于基于词频-逆向文件频率指数TF-IDF生成词数据的词向量；
相似度计算模块，用于获取待推荐用户的当前已学习课程，分别计算当前已学习课程的词向量和各课程的词向量间的相似度；
第一相似课程筛选模块，用于根据相似度计算结果，从各课程中筛选出当前已学习课程的第一相似课程，并将第一相似课程作为目标推荐课程。
可选的，上述课程推荐系统，还可以包括：
第二已学习专题课程确定模块，用于针对待推荐用户在当前课程专题中的第一已学习专题课程，获取多个用户中已学习第一已学习专题课程的已学习用户，以及各已学习用户在当前课程专题中的第二已学习专题课程；
第二相似课程筛选模块，用于根据第二已学习专题课程的课程学习次数，从各第二已学习专题课程中筛选出第一已学习专题课程的第二相似课程，并将第二相似课程作为目标推荐课程。
可选的，在上述系统的基础上，该系统还可包括：
操作次数获取模块，用于获取待推荐用户对目标推荐课程的操作次数，其中，操作次数包括点击操作次数、搜索操作次数和购买操作次数中的至少一个；
隐式反馈模块，用于将操作次数输入至已训练完成的隐士反馈模型中，根据隐士反馈模型的输出结果，得到待推荐用户对目标推荐课程的喜好结果。
本发明实施例二提供的课程推荐系统，采用课程标签+课程学习数据的推荐方案，通过课程标签获取模块获取多个用户中待推荐用户的课程标签，该课程标签可以是在用课程标签、扩展课程标签和移除课程标签中的至少一个，在用课程标签可以使待推荐用户主导目标推荐课程的课程类型，且扩展课程标签可以呈现出待推荐用户潜在的兴趣所在；标签权重确定模块根据待推荐用户的课程学习数据对各课程标签的标签权重进行调整；推荐课程筛选模块可根据标签权重确定待推荐用户对各课程的偏好结果，并根据偏好结果从各课程中筛选出目标推荐课程。上述系统，将待推荐用户的课程标签和课程学习数据相结合，通过课程学习数据可以找到待推荐用户潜在的兴趣所在，从而可以更加全面的找到待推荐用户的兴趣所在，由此推荐出与待推荐用户的实际需求真正匹配的具有个性化的目标推荐课程。
本发明实施例所提供的课程推荐系统可执行本发明任意实施例所提供的课程推荐方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述课程推荐系统的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例三
图3为本发明实施例三提供的一种设备的结构示意图，如图3所示，该设备包括存储器310、处理器320、输入系统330和输出系统340。设备中的处理器320的数量可以是一个或多个，图3中以一个处理器320为例；设备中的存储器310、处理器320、输入系统330和输出系统340可以通过总线或其它方式连接，图3中以通过总线350连接为例。
存储器310作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的课程推荐方法对应的程序指令/模块(例如，课程推荐系统中的课程标签获取模块210、标签权重确定模块220和推荐课程筛选模块230)。处理器320通过运行存储在存储器310中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的课程推荐方法。
存储器310可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器310可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器310可进一步包括相对于处理器320远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入系统330可用于接收输入的数字或字符信息，以及产生与系统的用户设置以及功能控制有关的键信号输入。输出系统340可包括显示屏等显示设备。
实施例四
本发明实施例四提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种课程推荐方法，该方法包括：
获取多个用户中待推荐用户的课程标签，其中，课程标签包括在用课程标签、扩展课程标签和移除课程标签中的至少一个；
根据待推荐用户的课程学习数据调整各课程标签的标签权重；
根据标签权重确定待推荐用户对各课程的偏好结果，并根据偏好结果从各课程中筛选出目标推荐课程。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的课程推荐方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。依据这样的理解，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，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，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)执行本发明各个实施例所述的方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种课程推荐方法，其特征在于，包括：
获取多个用户中待推荐用户的课程标签，其中，所述课程标签包括在用课程标签、扩展课程标签和移除课程标签中的至少一个；
根据所述待推荐用户的课程学习数据调整各所述课程标签的标签权重；
根据所述标签权重确定所述待推荐用户对各课程的偏好结果，并根据所述偏好结果从各所述课程中筛选出目标推荐课程。
2.根据权利要求1所述的方法，其特征在于，所述根据所述偏好结果从各所述课程中筛选出目标推荐课程，包括：
根据所述偏好结果从各所述课程中筛选出偏好推荐课程；
统计所述多个用户对每个所述课程的课程学习次数总和，并根据各所述课程学习次数总和从各所述课程中筛选出热门推荐课程；
从各所述偏好推荐课程和各所述热门推荐课程中筛选出目标推荐课程。
3.根据权利要求1所述的方法，其特征在于，所述扩展课程标签通过如下步骤预先生成：
根据所述多个用户的基本属性数据对所述多个用户进行聚类，并根据聚类结果确定所述多个用户中的所述待推荐用户所在的聚类分组；
根据所述聚类分组的热门课程标签生成所述扩展课程标签，其中，所述热门课程标签是根据所述聚类分组中各聚类用户的所述在用课程标签确定的。
4.根据权利要求1所述的方法，其特征在于，所述根据所述待推荐用户的课程学习数据调整各所述课程标签的标签权重，包括：
根据所述待推荐用户的已学习课程的课程学习次数和已学习标签，确定所述待推荐用户的所述已学习标签的标签学习次数；
根据所述标签学习次数调整各所述课程标签的标签权重。
5.根据权利要求1所述的方法，其特征在于，还包括：
获取所述课程的预设课程标签和课程标题的分词结果，根据所述分词结果和所述预设课程标签确定所述课程的词数据；
基于词频-逆向文件频率指数TF-IDF生成所述词数据的词向量；
获取所述待推荐用户的当前已学习课程，分别计算所述当前已学习课程的所述词向量和各所述课程的所述词向量间的相似度；
根据相似度计算结果，从各所述课程中筛选出所述当前已学习课程的第一相似课程，并将所述第一相似课程作为所述目标推荐课程。
6.根据权利要求1所述的方法，其特征在于，还包括：
针对所述待推荐用户在当前课程专题中的第一已学习专题课程，获取所述多个用户中已学习所述第一已学习专题课程的已学习用户，以及各所述已学习用户在所述当前课程专题中的第二已学习专题课程；
根据所述第二已学习专题课程的课程学习次数，从各所述第二已学习专题课程中筛选出所述第一已学习专题课程的第二相似课程，并将所述第二相似课程作为所述目标推荐课程。
7.根据权利要求1-6任一所述的方法，其特征在于，还包括：
获取所述待推荐用户对所述目标推荐课程的操作次数，其中，所述操作次数包括点击操作次数、搜索操作次数和购买操作次数中的至少一个；
将所述操作次数输入至已训练完成的隐士反馈模型中，根据所述隐士反馈模型的输出结果，得到所述待推荐用户对所述目标推荐课程的喜好结果。
8.一种课程推荐系统，其特征在于，包括：
课程标签获取模块，用于获取多个用户中待推荐用户的课程标签，其中，所述课程标签包括在用课程标签、扩展课程标签和移除课程标签中的至少一个；
标签权重确定模块，用于根据所述待推荐用户的课程学习数据调整各所述课程标签的标签权重；
推荐课程筛选模块，用于根据所述标签权重确定所述待推荐用户对各课程的偏好结果，并根据所述偏好结果从各所述课程中筛选出目标推荐课程。
9.一种设备，其特征在于，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的课程推荐方法。
10.一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如权利要求1-7中任一所述的课程推荐方法。
CN202010224252.8A 2020-03-26 2020-03-26 一种课程推荐方法、系统、设备及存储介质 Pending CN111428138A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010224252.8A CN111428138A (zh) 2020-03-26 2020-03-26 一种课程推荐方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010224252.8A CN111428138A (zh) 2020-03-26 2020-03-26 一种课程推荐方法、系统、设备及存储介质

Publications (1)

Publication Number Publication Date
CN111428138A true CN111428138A (zh) 2020-07-17

Family

ID=71550287

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010224252.8A Pending CN111428138A (zh) 2020-03-26 2020-03-26 一种课程推荐方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111428138A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111858915A (zh) * 2020-08-07 2020-10-30 成都理工大学 基于标签相似度的信息推荐方法及系统
CN112528158A (zh) * 2020-12-24 2021-03-19 北京百度网讯科技有限公司 课程推荐方法、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
CN112749340A (zh) * 2021-01-19 2021-05-04 敖客星云(北京)科技发展有限公司 基于大数据的课程推荐方法、系统、移动终端及存储介质
CN112818230A (zh) * 2021-01-29 2021-05-18 北京百度网讯科技有限公司 内容推荐方法、装置、电子设备和存储介质
CN113051469A (zh) * 2021-03-05 2021-06-29 广东工业大学 一种基于k-聚类算法的学科选择推荐方法
CN113641908A (zh) * 2021-08-17 2021-11-12 中国联合网络通信集团有限公司 课程推送方法、装置、服务器和计算机存储介质
CN113656705A (zh) * 2021-08-31 2021-11-16 中国平安财产保险股份有限公司 基于人工智能的课程推荐方法、装置、设备及存储介质
WO2022142043A1 (zh) * 2020-12-30 2022-07-07 平安科技（深圳）有限公司 课程推荐方法、装置、设备及存储介质
CN114723488A (zh) * 2022-04-07 2022-07-08 平安科技（深圳）有限公司 课程推荐方法、装置、电子设备及存储介质
CN115757950A (zh) * 2022-11-15 2023-03-07 读书郎教育科技有限公司 一种基于ai智能推荐的学习系统
CN116226523A (zh) * 2023-02-24 2023-06-06 广州沐思信息科技有限公司 一种基于大数据的知识培训方法及系统

Citations (8)

* 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
CN107230174A (zh) * 2017-06-13 2017-10-03 深圳市鹰硕技术有限公司 一种基于网络的在线互动学习系统和方法
US20180158163A1 (en) * 2016-12-01 2018-06-07 Linkedln Corporation Inferring appropriate courses for recommendation based on member characteristics
CN108712473A (zh) * 2018-04-25 2018-10-26 佛山科学技术学院 一种在线学习新增课程的推送方法及其终端
CN109871491A (zh) * 2019-03-20 2019-06-11 江苏满运软件科技有限公司 论坛帖子推荐方法、系统、设备及存储介质
CN110209899A (zh) * 2019-05-23 2019-09-06 北京奥鹏远程教育中心有限公司 个性化学习资源推荐系统
CN110825910A (zh) * 2019-10-15 2020-02-21 平安科技（深圳）有限公司 基于大数据的视频课程推荐方法及相关装置
CN110866180A (zh) * 2019-10-12 2020-03-06 平安国际智慧城市科技股份有限公司 资源推荐方法、服务器及存储介质

Patent Citations (8)

* 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
US20180158163A1 (en) * 2016-12-01 2018-06-07 Linkedln Corporation Inferring appropriate courses for recommendation based on member characteristics
CN107230174A (zh) * 2017-06-13 2017-10-03 深圳市鹰硕技术有限公司 一种基于网络的在线互动学习系统和方法
CN108712473A (zh) * 2018-04-25 2018-10-26 佛山科学技术学院 一种在线学习新增课程的推送方法及其终端
CN109871491A (zh) * 2019-03-20 2019-06-11 江苏满运软件科技有限公司 论坛帖子推荐方法、系统、设备及存储介质
CN110209899A (zh) * 2019-05-23 2019-09-06 北京奥鹏远程教育中心有限公司 个性化学习资源推荐系统
CN110866180A (zh) * 2019-10-12 2020-03-06 平安国际智慧城市科技股份有限公司 资源推荐方法、服务器及存储介质
CN110825910A (zh) * 2019-10-15 2020-02-21 平安科技（深圳）有限公司 基于大数据的视频课程推荐方法及相关装置

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111858915A (zh) * 2020-08-07 2020-10-30 成都理工大学 基于标签相似度的信息推荐方法及系统
CN112528158A (zh) * 2020-12-24 2021-03-19 北京百度网讯科技有限公司 课程推荐方法、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
CN112528158B (zh) * 2020-12-24 2023-08-11 北京百度网讯科技有限公司 课程推荐方法、装置、设备及存储介质
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
WO2022142043A1 (zh) * 2020-12-30 2022-07-07 平安科技（深圳）有限公司 课程推荐方法、装置、设备及存储介质
CN112749340A (zh) * 2021-01-19 2021-05-04 敖客星云(北京)科技发展有限公司 基于大数据的课程推荐方法、系统、移动终端及存储介质
CN112818230B (zh) * 2021-01-29 2023-10-20 北京百度网讯科技有限公司 内容推荐方法、装置、电子设备和存储介质
CN112818230A (zh) * 2021-01-29 2021-05-18 北京百度网讯科技有限公司 内容推荐方法、装置、电子设备和存储介质
CN113051469A (zh) * 2021-03-05 2021-06-29 广东工业大学 一种基于k-聚类算法的学科选择推荐方法
CN113641908A (zh) * 2021-08-17 2021-11-12 中国联合网络通信集团有限公司 课程推送方法、装置、服务器和计算机存储介质
CN113641908B (zh) * 2021-08-17 2023-06-20 中国联合网络通信集团有限公司 课程推送方法、装置、服务器和计算机存储介质
CN113656705A (zh) * 2021-08-31 2021-11-16 中国平安财产保险股份有限公司 基于人工智能的课程推荐方法、装置、设备及存储介质
CN113656705B (zh) * 2021-08-31 2024-02-20 中国平安财产保险股份有限公司 基于人工智能的课程推荐方法、装置、设备及存储介质
CN114723488A (zh) * 2022-04-07 2022-07-08 平安科技（深圳）有限公司 课程推荐方法、装置、电子设备及存储介质
CN114723488B (zh) * 2022-04-07 2023-05-30 平安科技（深圳）有限公司 课程推荐方法、装置、电子设备及存储介质
CN115757950A (zh) * 2022-11-15 2023-03-07 读书郎教育科技有限公司 一种基于ai智能推荐的学习系统
CN115757950B (zh) * 2022-11-15 2023-09-26 读书郎教育科技有限公司 一种基于ai智能推荐的学习系统
CN116226523B (zh) * 2023-02-24 2023-11-07 广州兴趣岛信息科技有限公司 一种基于大数据的知识培训方法及系统
CN116226523A (zh) * 2023-02-24 2023-06-06 广州沐思信息科技有限公司 一种基于大数据的知识培训方法及系统

Similar Documents

Publication Publication Date Title
CN111428138A (zh) 一种课程推荐方法、系统、设备及存储介质
CN108763362B (zh) 基于随机锚点对选择的局部模型加权融合Top-N电影推荐方法
CN106802956B (zh) 一种基于加权异构信息网络的电影推荐方法
CN106156204B (zh) 文本标签的提取方法和装置
US20150186503A1 (en) Method, system, and computer readable medium for interest tag recommendation
CN109885773B (zh) 一种文章个性化推荐方法、系统、介质及设备
CN109189990B (zh) 一种搜索词的生成方法、装置及电子设备
CN110647678B (zh) 一种基于用户性格标签的推荐方法
CN108509479B (zh) 实体推荐方法及装置、终端及可读存储介质
CN109063147A (zh) 基于文本相似度的在线课程论坛内容推荐方法及系统
Castro et al. Weighting of features in content-based filtering with entropy and dependence measures
CN110472016B (zh) 文章推荐方法、装置、电子设备及存储介质
CN106126605B (zh) 一种基于用户画像的短文本分类方法
US10402414B2 (en) Scalable system and method for weighted similarity estimation in massive datasets revealed in a streaming fashion
Hong-Xia An improved collaborative filtering recommendation algorithm
CN113672793A (zh) 一种信息召回方法、装置、电子设备及存储介质
CN112862567A (zh) 一种在线展会的展品推荐方法与系统
Lee et al. Recommendation of research papers in DBpia: A Hybrid approach exploiting content and collaborative data
CN110083766B (zh) 一种基于元路径引导嵌入的查询推荐方法及装置
CN115374362A (zh) 多路召回模型训练方法、多路召回方法、装置及电子设备
Su et al. Hybrid recommender system based on deep learning model
Huang et al. Course recommendation model in academic social networks based on association rules and multi-similarity
CN112989118A (zh) 视频召回方法及装置
CN112733006B (zh) 用户画像的生成方法、装置、设备及存储介质
CN115827990A (zh) 搜索方法及装置

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220930

Address after: 25 Financial Street, Xicheng District, Beijing 100033

Applicant after: CHINA CONSTRUCTION BANK Corp.

Address before: 25 Financial Street, Xicheng District, Beijing 100033

Applicant before: CHINA CONSTRUCTION BANK Corp.

Applicant before: Jianxin Financial Science and Technology Co.,Ltd.