CN111460145A - 一种学习资源推荐方法、设备及存储介质 - Google Patents
一种学习资源推荐方法、设备及存储介质 Download PDFInfo
- Publication number
- CN111460145A CN111460145A CN202010191019.4A CN202010191019A CN111460145A CN 111460145 A CN111460145 A CN 111460145A CN 202010191019 A CN202010191019 A CN 202010191019A CN 111460145 A CN111460145 A CN 111460145A
- Authority
- CN
- China
- Prior art keywords
- learning
- resources
- resource recommendation
- recommendation method
- scene
- 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 47
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000007547 defect Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Educational Technology (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种学习资源推荐方法、设备及存储介质,本发明方法首先建立学习资源与知识点之间的关联关系,构建知识点最优关联模型,能够对学习资源进行评估,从而推荐最优知识点;然后采集用户历史的学习场景信息,对采集的学习场景数据集进行聚类评估,而得到用户在不同的学习场景下与学习资源之间的关联关系;最后将用户当前的学习场景与聚类结果进行判别,最后基于知识点最优关联模型将相关学习资源推荐给用户。本发明建立了学习场景与学习资源的关联关系,能够为不同学习场景下的用户推荐学习资源以及最优的知识点,克服了现有技术中面向海量学习资源的个性化推荐广度有余,深度不足的缺陷,解决推荐精准度不够的问题。
Description
技术领域
本发明涉及教育信息化技术领域,特别涉及一种学习资源推荐方法、设备及存储介质。
背景技术
随着社会的进步和科技的发展,教育信息化技术已经得到了飞速发展,互联网技术和人工智能技术更是不断深入融入教育信息化领域,以先进技术推动教育信息化向纵深发展,是未来的必然趋势。
知识点在教学过程中,总体是涵盖在国家教育部门颁布的教学大纲里。各教育机构以教学大纲为准,将知识点拆分、合并及重组在不同的教学载体上,在教育平台上,是以数字化的形式承载不同的知识点,以文本、音频、视频等不同形式的学习资源承载着不同的知识点。在不同的学习资源中,所有的学习资源即可归结为某个知识点,又可归结为多个知识点,学习资源和知识点之间的关系是多对多的关系。
目前,从学习者的角度出发,以协同过滤技术为代表的个性化推荐技术在教育领域有了一定的发展,这种推荐更多依赖学习者兴趣偏好以及学习者对学习资源的点击率来关联学习资源推荐模型,而这种模型目前停留在建模理论中的居多,应用实践不多。同时随着互联网的普及,信息量和数据量的大规模增长,造成现有的以数据库为依托的智能推荐系统无法适应大数据量的快速检索和数据质量的提升要求。尤其随着学习资源海量增长的规模,学习者如何判别在海量学习资源或现有的经推荐后的同类学习资源中找到属于自己的最优资源就成为了一个重要研究课题。加上目前国内教育平台的推荐系统是基于学习行为和学习偏好进行推荐,没有考虑不同的学习场景与学习资源的关联,造成推荐的学习资源广度有余,深度不足,精准率下降。
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,提供一种学习资源推荐方法、设备及存储介质。建立了学习场景与学习资源的关联关系,能够为不同学习场景下的用户推荐最适宜的学习资源以及最优的知识点,提升了学习资源推荐的深度,也提升了学习资源推荐的准确度。
本发明提供了一种学习资源推荐方法、设备及存储介质。
根据本发明的实施例,提供了一种学习资源推荐方法,包括以下步骤:构建知识点最优关联模型,所述知识点最优关联模型关联知识点与学习资源,并对关联后的学习资源进行评估聚类,以实现根据学习资源推荐对应的最优知识点;
采集用户历史的学习场景信息,并关联用户在不同学习场景下所使用的学习资源,对采集的学习场景数据集进行聚类评估,得到聚类结果;
获取用户当前学习场景,根据所述聚类结果对所述当前学习场景进行判别分类,根据分类结果并基于所述知识点最优关联模型向用户推荐学习资源。
根据本发明实施例所述的一种学习资源推荐方法,所述知识点最优关联模型采用基于用户的协同过滤算法向用户推荐Top-N的学习资源。
根据本发明的一些实施例,所述对关联后的学习资源进行评估聚类,具体包括:根据树核网络结合树核计算以及词向量的中文句子语义相似度算法对关联后的学习资源进行评估聚类。
根据本发明的一些实施例,所述知识点最优关联模型根据学习资源被使用的次数,自动调整知识点与学习资源的关联强度。
根据本发明的一些实施例,所述对采集的学习场景数据集进行聚类评估,得到聚类结果,具体包括步骤:
从学习场景数据集中抽取n个样本的m个情境属性建立n×m维矩阵,对每个情境属性值进行标准差规格化处理;
计算每两个情境属性值之间的欧式距离,其中每个情境属性值所占权重相等;
根据计算出的欧式距离建立n×n维矩阵,并计算得到聚类结果。
根据本发明的一些实施例,所述根据所述聚类结果对所述当前学习场景进行判别分类,具体包括步骤:
将当前学习场景对应的情境属性值进行标准差规格化处理;
计算处理后的情境属性值至各个聚类中心点的欧式距离,并以欧式距离最短的聚类作为所述当前学习场景的分类结果。
根据本发明的一些实施例,所述学习场景包括以下情境属性:终端、时间、地理位置、性别、民族、以及年级。
根据本发明的一些实施例,所述学习资源包括:文档、视频、音频、试题、以及试卷。
根据本发明的实施例,提供了一种学习资源推荐设备,包括:至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如上述的一种学习资源推荐方法。
根据本发明的实施例,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如上述的一种学习资源推荐方法。
本发明实施例提供的一种学习资源推荐方法、设备及存储介质,具体包括以下有益效果:
本发明方法首先建立学习资源与知识点之间的关联关系,构建知识点最优关联模型,能够对学习资源进行评估,从而推荐最优知识点;然后采集用户历史的学习场景信息,对采集的学习场景数据集进行聚类评估,从而得到用户在不同的学习场景下与学习资源之间的关联关系;最后将用户当前的学习场景与聚类结果进行判别,并将知识点最优关联模型中的相关学习资源推荐给用户。本发明建立了学习场景与学习资源的关联关系,能够为不同学习场景下的用户推荐相应的学习资源以及最优的知识点,克服了现有技术中面向海量学习资源的个性化推荐广度有余,深度不足的缺陷,解决推荐精准度不够的问题。
附图说明
下面结合附图和实施例对本发明进一步地说明;
图1为本发明实施例提供的一种学习资源推荐方法的流程示意图;
图2为本发明实施例提供的知识点的组织结构示意图;
图3为本发明实施例提供的一种学习资源推荐方法的原理结构示意图;
图4为本发明实施例提供的一种学习资源推荐设备的结构示意图。
具体实施方式
下面将结合附图,对本公开实施例的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。基于本公开的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。需要说明的是,在不冲突的情况下,本公开实施例及实施例中的特征可以相互组合。另外,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、形象地理解本公开的每个技术特征和整体技术方案,但其不能理解为对本公开保护范围的限制。
参照图1至3,本发明的一个实施例,提供了一种学习资源推荐方法,包括以下步骤:
S100、构建知识点最优关联模型,知识点最优关联模型关联知识点与学习资源,并对关联后的学习资源进行评估聚类,以实现根据学习资源推荐对应的最优知识点;
在本实施例中,构建知识点最优关联模型首先是根据教学大纲将结构化知识点导入关系型数据库中,然后通过关系型数据库将知识点与学习资源进行多对多的关联。这里的学习资源包括但不仅限于:文档、视频、音频、试题、以及试卷等。
作为一种可选的实施方式,本步骤根据树核网络结合树核计算以及词向量的中文句子语义相似度算法对关联后的学习资源进行评估聚类,具体步骤如下:
S101、将需要比较的两个句子及属性特征(分别命名为句子S1和句子S2),分别输入到分词工具中进行分词,得到句子的分词集合(得到集合C1和集合C2);
S102、将两个句子的词语集合(集合C1和集合C2)分别输入到斯坦福句法分析器中,输出句子的句法树表述结构,即得到句法树T1和句法树T2;
S103、依据停用词表来修剪句法树T1和句法树T2,将语法树中对语义没有贡献的词语对应的节点及相应的树结构删除;
其中,句法树修剪过程如下:遍历句法树的叶子节点,将对应的词语在停用词表中进行查询,如果该词语在停用词表中存在,则在句法树中删除该叶子节点,同时向上查找该叶子节点的父节点,如果该父节点的子节点列表为空,则删除该父节点,以此类推直至根节点,但根节点不可删除;如果停用词表中不存在该词语,则不做操作,继续处理下一节点,直至处理完所有叶子节点;
S104、将修剪后的句法树T1和句法树T2输入到树核计算模型中,模型输出两棵句法树的相似度分值:
需要说明的是,针对句法树中节点的类型不同,在计算过程中对节点的处理方式也不同,对于句法树T1和句法树T2,树核计算公式为:
采用修改后的局部树核公式(简称为MPTK)对句法树中两个节点比较计算:
情况一:如果节点n1和n2都是树中的叶子节点,节点的树核计算公式为:
情况二:如果节点n1和n2都是树中的非叶子节点,且节点的标签相同,则节点的树核计算公式为:
情况三:如节点n1和n2都是树中的非叶子节点,且节点的标签不相同,或n1和n2其中之一为叶子节点,另一个为非叶子节点,则节点的树核计算公式为:
ΔMPTK(n1,n2)=0
S105、将树核函数计算得到的分值范围设为[0,1],具体计算公式为:
SimScore=Similary(S1,S2)=TK(T1,T2)
S106、计算相似度,具体计算公式为:
其中,L′表示被删除的单词数,L为单词总数。γ表示所需的分位数,其值介于0和1之间。α表示权重系数。
当计算相似度值后,可设定相似度阈值,例如:可选用相似度高于90%及以上的知识点作为最优知识点,将该最优知识点与该学习资源进行关联。相似度阈值可以根据实际情况进行设定。
作为一种可实施方式,根据知识点对应的学习资源被使用的次数,自动调整知识点与对应的学习资源的关联强度。例如:本方法将收集当前知识点下学习资源被使用时(用户进行知识点击、收藏、关联课程教学等操作),将被认定为符合知识点和学习资源的关联关系,知识点最优关联模型将根据上述树核网络结合树核计算以及词向量的中文句子语义相似度算法对此类数据进行训练,达到优化知识点与对应的学习资源的关联强度的目的,也提升了识别学习资源与知识点关联关系的准确率。
S200、采集用户历史的学习场景信息,并关联用户在不同学习场景下所使用的学习资源,对采集的学习场景数据集进行聚类评估,得到聚类结果;
这里的学习场景包括但不仅限于以下情境属性:终端(平板电脑、电脑、手机等)、时间(上学、回家、出游等)、地理位置(学校、家里、户外等)、性别(男、女)、民族、以及年级等。需要说明的是,图3中的学习过程是指用户在不同学习场景下对使用对应学习资源进行学习的过程。
在本步骤中,首先,采集用户历史的学习场景信息,关联用户在不同学习场景下所使用的学习资源后,得到学习场景信息数据集H(包括用户、所在的学习场景和所使用的学习资源);然后根据数据集H构建基于用户(User)-学习场景(Context)-学习资源(LearningResources)的三维模型(简写为U×C×L),于是数据集H表示为U×C×L的三维模型,其中,C表示n维学习场景向量,C={c1,…,ci,…,cn},ci表示学习场景的某一个情境属性分量(如时间、地理位置、终端、性别、民族、年级等),n表示样本数量。
然后,抽取数据集H中的学习场景的数据集(即抽取U×C×L模型中C部分),对学习场景的数据集进行聚类分析,得到聚类结果,具体步骤如下:
S201、从学习场景的数据集中抽取n个样本的m个情境属性建立n×m维矩阵,并对矩阵中的情境属性值进行标准差规格化处理,即将情境属性值规格化至[0,1]区间之内,具体公式如下:
S202、计算矩阵中的每两个情境属性值之间的欧式距离,具体公式如下:
通过上式合并生成一个距离值,这里假定每个情境属性值所占权重相等,即设定权重因子δ=1;
S203、根据计算出的欧式距离建立n×n维矩阵,并计算得到聚类结果。
本步骤建立n×n维矩阵后,由于该矩阵具有对称性,为了便于处理,可将其简化为上(下)三角矩阵R,然后根据构造模糊等价矩阵;确定相似度λ的值,将相似度大于等于λ的情境信息归为一类,生成聚类结果,并为每一个情境信息添加聚类结果。
S300、获取用户当前学习场景,根据聚类结果对当前学习场景进行判别分类,根据分类结果并基于知识点最优关联模型向用户推荐学习资源。
将学生当前学习场景(令为c)根据历史学习场景的分类结果(即上述聚类结果)进行判别分析,得到分类结果(令为Ct);抽取数据集H中学习场景类别为Ct的部分数据,再通过基于用户的协同过滤算法对该部分数据进行计算,以获得推荐项目集。具体步骤如下:
S301、将当前学习场景c的情境属性进行标准差规格化处理。具体处理过程可参照步骤S201,此处不再细述。
S302、计算处理后的情境属性至各个聚类中心点的欧式距离,选取欧式距离最短作为当前学习场景c的类别Ct。具体的欧式距离计算可参照步骤S202,此处不再细述。
S303、根据求取的类别Ct,将U×C×L三维模型降至对应的U×L二维模型,基于对应的U×L二维模型中的数据集并采用基于用户的协同过滤算法完成对学习资源的评分,具体公式如下:
其中,
S304、知识点最优关联模型将预测评分较高的Top-N的学习资源推荐给用户。
本实施例提供的方法,首先建立学习资源与知识点之间的关联关系,构建知识点最优关联模型,能够对学习资源进行评估,从而推荐最优知识点;然后采集用户历史的学习场景信息,对采集的学习场景数据集进行聚类评估,而得到用户在不同的学习场景下与学习资源之间的关联关系;最后将用户当前的学习场景与聚类结果进行判别,并采用协同过滤算法将知识点最优关联模型中的相关学习资源推荐给用户。本发明建立了学习场景与学习资源的关联关系,能够为不同学习场景下的用户推荐相应的学习资源以及最优的知识点,克服了现有技术中面向海量学习资源的个性化推荐广度有余,深度不足的缺陷,解决推荐精准度不够的问题。
参照图4,本发明实施例还提供了一种学习资源推荐设备,该学习资源推荐设备可以是任意类型的智能终端,例如手机、平板电脑、个人计算机等。
具体地,该学习资源推荐设备包括:一个或多个控制处理器和存储器,图4中以一个控制处理器为例。控制处理器和存储器可以通过总线或者其他方式连接,图4中以通过总线连接为例。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块,如本发明实施例中的学习资源推荐设备对应的程序指令/模块,控制处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而实现上述方法实施例的一种学习资源推荐方法。
存储器可以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、至少一个功能所需要的应用程序;存储数据区可存储产生的数据。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于控制处理器远程设置的存储器,这些远程存储器可以通过网络连接至该学习资源推荐设备。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。
所述一个或者多个模块存储在所述存储器中,当被所述一个或者多个控制处理器执行时,执行上述方法实施例中的学习资源推荐方法,例如,执行以上描述的图1中的方法步骤S100至S300。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个控制处理器执行,例如,被图4中的一个控制处理器执行,可使得上述一个或多个控制处理器执行上述方法实施例中的学习资源推荐方法,例如,执行以上描述的图1中的方法步骤S100至S300。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,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。
通过以上的实施方式的描述,本领域技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现。本领域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,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(ReadOnly Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在所述技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (10)
1.一种学习资源推荐方法,其特征在于,包括以下步骤:
构建知识点最优关联模型,所述知识点最优关联模型关联知识点与学习资源,并对关联后的学习资源进行评估聚类,以实现根据学习资源推荐对应的最优知识点;
采集用户历史的学习场景信息,并关联用户在不同学习场景下所使用的学习资源,对采集的学习场景数据集进行聚类评估,得到聚类结果;
获取用户当前学习场景,根据所述聚类结果对所述当前学习场景进行判别分类,根据分类结果并基于所述知识点最优关联模型向用户推荐学习资源。
2.根据权利要求1所述的一种学习资源推荐方法,其特征在于,所述知识点最优关联模型采用基于用户的协同过滤算法向用户推荐Top-N的学习资源。
3.根据权利要求2所述的一种学习资源推荐方法,其特征在于,所述对关联后的学习资源进行评估聚类,具体包括:根据树核网络结合树核计算以及词向量的中文句子语义相似度算法对关联后的学习资源进行评估聚类。
4.根据权利要求3所述的一种学习资源推荐方法,其特征在于,所述知识点最优关联模型根据学习资源被使用的次数,自动调整知识点与学习资源的关联强度。
5.根据权利要求2所述的一种学习资源推荐方法,其特征在于,所述对采集的学习场景数据集进行聚类评估,得到聚类结果,具体包括步骤:
从学习场景数据集中抽取n个样本的m个情境属性建立n×m维矩阵,并对矩阵中的情境属性值进行标准差规格化处理;
计算矩阵中的每两个情境属性值之间的欧式距离,其中每个情境属性值所占权重相等;
根据计算出的欧式距离建立n×n维矩阵,并计算得到聚类结果。
6.根据权利要求5所述的一种学习资源推荐方法,其特征在于,所述根据所述聚类结果对所述当前学习场景进行判别分类,具体包括步骤:
将当前学习场景对应的情境属性值进行标准差规格化处理;
计算处理后的情境属性值至各个聚类中心点的欧式距离,并以欧式距离最短的聚类作为所述当前学习场景的分类结果。
7.根据权利要求1或5或6所述的一种学习资源推荐方法,其特征在于:所述学习场景包括以下情境属性:终端、时间、地理位置、性别、民族、以及年级。
8.根据权利要求1至4任一项所述的一种学习资源推荐方法,其特征在于:所述学习资源包括:文档、视频、音频、试题、以及试卷。
9.一种学习资源推荐设备,其特征在于,包括:至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如权利要求1至8任一项所述的一种学习资源推荐方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至8任一项所述的一种学习资源推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010191019.4A CN111460145A (zh) | 2020-03-18 | 2020-03-18 | 一种学习资源推荐方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010191019.4A CN111460145A (zh) | 2020-03-18 | 2020-03-18 | 一种学习资源推荐方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111460145A true CN111460145A (zh) | 2020-07-28 |
Family
ID=71682104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010191019.4A Pending CN111460145A (zh) | 2020-03-18 | 2020-03-18 | 一种学习资源推荐方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111460145A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112069295A (zh) * | 2020-09-18 | 2020-12-11 | 科大讯飞股份有限公司 | 相似题推荐方法、装置、电子设备和存储介质 |
CN112100976A (zh) * | 2020-09-24 | 2020-12-18 | 上海松鼠课堂人工智能科技有限公司 | 知识点关系标注方法及系统 |
CN112631415A (zh) * | 2020-12-31 | 2021-04-09 | Oppo(重庆)智能科技有限公司 | Cpu频率调整方法、装置、电子设备及存储介质 |
CN112699308A (zh) * | 2021-01-13 | 2021-04-23 | 敖客星云(北京)科技发展有限公司 | 一种基于聚类算法的学科题目知识点推荐方法及系统 |
CN114417135A (zh) * | 2021-12-23 | 2022-04-29 | 天闻数媒科技(北京)有限公司 | 基于数据分析的个性化报告数据推送方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107085803A (zh) * | 2017-03-31 | 2017-08-22 | 弘成科技发展有限公司 | 基于知识图谱和能力测评的个性化教学资源推荐系统 |
CN109241405A (zh) * | 2018-08-13 | 2019-01-18 | 华中师范大学 | 一种基于知识关联的学习资源协同过滤推荐方法及系统 |
CN109388746A (zh) * | 2018-09-04 | 2019-02-26 | 四川文轩教育科技有限公司 | 一种基于学习者模型的学习资源智能推荐方法 |
CN109582875A (zh) * | 2018-12-17 | 2019-04-05 | 武汉泰乐奇信息科技有限公司 | 一种在线医疗教育资源的个性化推荐方法及系统 |
CN109670110A (zh) * | 2018-12-20 | 2019-04-23 | 蒋文军 | 一种教育资源推荐方法、装置、设备及存储介质 |
WO2021109464A1 (zh) * | 2019-12-02 | 2021-06-10 | 南京莱斯网信技术研究院有限公司 | 一种面向大规模用户的个性化教学资源推荐方法 |
-
2020
- 2020-03-18 CN CN202010191019.4A patent/CN111460145A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107085803A (zh) * | 2017-03-31 | 2017-08-22 | 弘成科技发展有限公司 | 基于知识图谱和能力测评的个性化教学资源推荐系统 |
CN109241405A (zh) * | 2018-08-13 | 2019-01-18 | 华中师范大学 | 一种基于知识关联的学习资源协同过滤推荐方法及系统 |
CN109388746A (zh) * | 2018-09-04 | 2019-02-26 | 四川文轩教育科技有限公司 | 一种基于学习者模型的学习资源智能推荐方法 |
CN109582875A (zh) * | 2018-12-17 | 2019-04-05 | 武汉泰乐奇信息科技有限公司 | 一种在线医疗教育资源的个性化推荐方法及系统 |
CN109670110A (zh) * | 2018-12-20 | 2019-04-23 | 蒋文军 | 一种教育资源推荐方法、装置、设备及存储介质 |
WO2021109464A1 (zh) * | 2019-12-02 | 2021-06-10 | 南京莱斯网信技术研究院有限公司 | 一种面向大规模用户的个性化教学资源推荐方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112069295A (zh) * | 2020-09-18 | 2020-12-11 | 科大讯飞股份有限公司 | 相似题推荐方法、装置、电子设备和存储介质 |
CN112100976A (zh) * | 2020-09-24 | 2020-12-18 | 上海松鼠课堂人工智能科技有限公司 | 知识点关系标注方法及系统 |
CN112631415A (zh) * | 2020-12-31 | 2021-04-09 | Oppo(重庆)智能科技有限公司 | Cpu频率调整方法、装置、电子设备及存储介质 |
CN112631415B (zh) * | 2020-12-31 | 2022-09-02 | Oppo(重庆)智能科技有限公司 | Cpu频率调整方法、装置、电子设备及存储介质 |
CN112699308A (zh) * | 2021-01-13 | 2021-04-23 | 敖客星云(北京)科技发展有限公司 | 一种基于聚类算法的学科题目知识点推荐方法及系统 |
CN114417135A (zh) * | 2021-12-23 | 2022-04-29 | 天闻数媒科技(北京)有限公司 | 基于数据分析的个性化报告数据推送方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111460145A (zh) | 一种学习资源推荐方法、设备及存储介质 | |
CN107180045B (zh) | 一种互联网文本蕴含地理实体关系的抽取方法 | |
CN111753060A (zh) | 信息检索方法、装置、设备及计算机可读存储介质 | |
CN110619051B (zh) | 问题语句分类方法、装置、电子设备及存储介质 | |
CN110532379B (zh) | 一种基于lstm的用户评论情感分析的电子资讯推荐方法 | |
CN104834679B (zh) | 一种行为轨迹的表示、查询方法及装置 | |
CN110110225B (zh) | 基于用户行为数据分析的在线教育推荐模型及构建方法 | |
CN108664599B (zh) | 智能问答方法、装置、智能问答服务器及存储介质 | |
CN110188349A (zh) | 一种基于抽取式多文档摘要方法的自动化写作方法 | |
CN111767385A (zh) | 一种智能问答方法及装置 | |
CN110147552B (zh) | 基于自然语言处理的教育资源质量评价挖掘方法及系统 | |
Xue et al. | Ontology alignment based on instance using NSGA-II | |
CN115599899B (zh) | 基于飞行器知识图谱的智能问答方法、系统、设备及介质 | |
CN113342958B (zh) | 问答匹配方法、文本匹配模型的训练方法和相关设备 | |
CN110795613B (zh) | 商品搜索方法、装置、系统及电子设备 | |
CN112749272A (zh) | 面向非结构化数据的新能源规划性文本智能推荐方法 | |
Zubiaga et al. | Content-based clustering for tag cloud visualization | |
WO2023040516A1 (zh) | 一种事件整合方法、装置、电子设备、计算机可读存储介质及计算机程序产品 | |
CN115905487A (zh) | 文档问答方法、系统、电子设备及存储介质 | |
Wei et al. | Online education recommendation model based on user behavior data analysis | |
CN110969005B (zh) | 一种确定实体语料之间的相似性的方法及装置 | |
CN111460114A (zh) | 检索方法、装置、设备及计算机可读存储介质 | |
CN114579869B (zh) | 模型训练方法以及相关产品 | |
CN116244277A (zh) | 一种nlp识别与知识库构建方法及系统 | |
CN113378826B (zh) | 一种数据处理方法、装置、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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200728 |
|
RJ01 | Rejection of invention patent application after publication |