CN111859116A

CN111859116A - 基于大数据和生涯规划的个性化课程推荐方法与装置

Info

Publication number: CN111859116A
Application number: CN202010565163.XA
Authority: CN
Inventors: 蒋少华; 刘泽弘
Original assignee: Hunan Normal University
Current assignee: Hunan Normal University
Priority date: 2020-06-19
Filing date: 2020-06-19
Publication date: 2020-10-30
Anticipated expiration: 2040-06-19
Also published as: CN111859116B

Abstract

本发明实施例提供了一种基于大数据和生涯规划的个性化课程推荐方法与装置，其中，基于大数据和生涯规划的个性化课程推荐方法，包括：获取第一用户的第一输入数据；在第一输入数据为第一目标数据的情况下，根据第一目标数据，确定与第一用户对应的第一标签集；根据第一标签集，从P个预设课程集中确定出目标课程集，其中，P个预设课程集中每一预设课程集分别包括至少一个第一课程，每一预设课程集分别关联有一第二标签集，目标课程集为对应的第二标签集与第一标签集相匹配的预设课程集，P为大于1的整数；向第一用户推荐目标课程集所包括的第一课程。本发明实施例有效提升了课程推荐效果。

Description

基于大数据和生涯规划的个性化课程推荐方法与装置

技术领域

本发明涉及数据处理技术领域，尤其涉及一种基于大数据和生涯规划的个性化课程推荐方法与装置。

背景技术

随着信息技术的发展，人们对于个性化的学习需求越来越高，进而对课程推荐的需求也越来越多。例如，在一些学校中，开设的课程的数量可能比较庞大，往往需要针对各个学生用户进行课程的合理推荐，来减少学生用户在课程选择过程中所需花费的精力；再例如，新高考实行走班选课，在传统行政班的基础上，将部分课程让学生自行选课，组成教学班，由于教学班的同学来自不同的行政班，上课的时候从不同的行政班走到同一教室上课，上完课又回到各自的行政班，即所谓“走班”上课。上述行政班即传统的固定学生共同学习同样的必修课程的班级模式，而走班则是来自不同行政班，但是选择了相同选修课程的学生组成的临时班级；其中，走班学生的课程选择可能影响到其后续的知识夯实效果及升学教育规划，因此也对课程推荐提出了足够高的要求。

现有技术中，在针对用户进行课程推荐时，往往会基于用户对自身设置的标签，例如性格标签、特长标签等分别来确定推荐课程；由于用户设置的标签之间通常也缺少足够的关联性，导致推荐的课程的内容比较分散，难以满足用户对某一领域知识的系统性学习需求。由此可见，现有的课程推荐方法存在推荐效果较差的缺陷。

发明内容

本发明实施例提供一种基于大数据和生涯规划的个性化课程推荐方法与装置，以解决现有的课程推荐方法存在的推荐效果较差的缺陷。

为了解决上述技术问题，本发明是这样实现的：

第一方面，本发明实施例提供了一种基于大数据和生涯规划的个性化课程推荐方法，包括：

获取第一用户的第一目标数据；

在所述第一输入数据为第一目标数据的情况下，根据所述第一目标数据，确定与所述第一用户对应的第一标签集；

根据所述第一标签集，从P个预设课程集中确定出目标课程集，其中，所述P个预设课程集中每一预设课程集分别包括至少一个第一课程，所述每一预设课程集分别关联有一第二标签集，所述目标课程集为对应的第二标签集与所述第一标签集相匹配的预设课程集，P为大于1的整数；

向所述第一用户推荐所述目标课程集所包括的第一课程。

第二方面，本发明实施例还提供了一种基于大数据和生涯规划的个性化课程推荐装置，包括：

第一获取模块，用于获取第一用户的第一输入数据；

第一确定模块，用于在所述第一输入数据为第一目标数据的情况下，根据所述第一目标数据，确定与所述第一用户对应的第一标签集；

第二确定模块，用于根据所述第一标签集，从P个预设课程集中确定出目标课程集，其中，所述P个预设课程集中每一预设课程集分别包括至少一个第一课程，所述每一预设课程集分别关联有一第二标签集，所述目标课程集为对应的第二标签集与所述第一标签集相匹配的预设课程集，P为大于1的整数；

第一推荐模块，用于向所述第一用户推荐所述目标课程集所包括的第一课程。

第三方面，本发明实施例还提供了一种电子设备，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程序，所述处理器执行所述计算机程序时实现上述的方法。

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，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法。

本发明实施例提供的基于大数据和生涯规划的个性化课程推荐方法中，基于第一用户的第一目标数据确定第一用户对应的第一标签集，并结合第一标签集与预设课程集中每一预设课程集关联的第二标签集与第一标签集之间的匹配关系，确定目标课程集并推荐目标课程集中所包括的第一课程；克服了现有技术中基于缺少关联性的标签分别进行课程推荐，导致推荐的课程的内容比较分散，难以满足用户对某一领域知识的系统性学习需求的缺陷，有效提升了课程推荐效果。

附图说明

图1为本发明实施例提供的基于大数据和生涯规划的个性化课程推荐方法的流程图；

图2为本发明中确定第一用户的适合职业及匹配度的一种实施方式的示意图；

图3为本发明中学生与教师进行匹配选课的一种实施方式示意图；

图4为本发明实施例提供的基于大数据和生涯规划的个性化课程推荐装置的结构示意图；

图5为应用有本发明实施例提供的基于大数据和生涯规划的个性化课程推荐方法的具体应用例的原理图之一；

图6为应用有本发明实施例提供的基于大数据和生涯规划的个性化课程推荐方法的具体应用例的原理图之二；

图7为应用有本发明实施例提供的基于大数据和生涯规划的个性化课程推荐方法的具体应用例的原理图之三。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本发明的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。

除非另作定义，本发明中使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”或者“一”等类似词语也不表示数量限制，而是表示存在至少一个。

如图1所示，本发明实施例提供的基于大数据和生涯规划的个性化课程推荐方法，包括：

步骤101，获取第一用户的第一输入数据；

步骤102，在所述第一输入数据为第一目标数据的情况下，根据所述第一目标数据，确定与所述第一用户对应的第一标签集；

步骤103，根据所述第一标签集，从P个预设课程集中确定出目标课程集，其中，所述P个预设课程集中每一预设课程集分别包括至少一个第一课程，所述每一预设课程集分别关联有一第二标签集，所述目标课程集为对应的第二标签集与所述第一标签集相匹配的预设课程集，P为大于1的整数；

步骤104，向所述第一用户推荐所述目标课程集所包括的第一课程。

本实施例中，第一用户可以是指接收推荐课程的用户，例如学生、学员等；第一用户的第一输入数据，可以是基于第一用户在客户端，例如个人电脑或者移动终端上输入来获取。

结合一应用场景，本实施例提供的基于大数据和生涯规划的个性化课程推荐方法可以应用于服务器，而第一用户可以在终端设备的交互界面上进行操作，例如在个人电脑上对自身性格进行描述或打分，终端设备基于第一用户的操作生成第一输入数据，并将其发送至服务器；换言之，服务器可以从终端设备处获取第一用户的第一输入数据。

第一输入数据可以是第一目标数据，此处的第一目标数据可以是一些用于反映第一用户特质的特征维度，例如“乐观”、“学习刻苦”、“思维严谨”、“善良” 等；当然，第一目标数据还可以包括与各个特征维度相匹配的特征值，该特征值可以是具体的分值或者等级；举例来说，第一目标数据的形式可以表示为： “乐观：70”、“思维严谨：90”、“身高：171”等，或者是表示为“乐观：中等”、 “思维严谨：高等”、“身高：中等”等。第一目标数据还可以是根据第一用户针对各类测试进行的输入而获得，上述各类测试可以是学习能力综合测试、性格爱好综合测试、社会支持成长环境测试等，此处不做具体限定。进一步地，基于第一用户针对各类测试进行的输入而获得的第一目标数据进行评测，同样也可以得到上述特征维度和特征值。

以下同样结合应用举例来对第一标签集的确定过程进行说明：

假设第一目标数据可以表示为“张三(乐观：70；思维严谨：90；懒惰：51；善良：80；…；身高：171)”，也就是说，名为“张三”的集合中至少具有以下元素：“乐观：70”、“思维严谨：90”、“懒惰：51”、“善良：80”以及“身高：171”；其中：特征维度“乐观”、“思维严谨”以及“善良”的分值较高，且这些特征维度的命名能够直观地对第一用户特质进行表征，因此，可以将这几个特征维度直接作为第一用户的标签；特征维度“懒惰”的分值较低，可以将该特征维度去除，不作为第一用户的标签；特征维度“身高”从命名上难以对第一用户特质进行表征，可以结合“171”这一分值，针对特征维度“身高”确定一标签“中等身高”。综上，可以得到第一用户“张三”对应的第一标签集“张三(乐观；思维严谨；善良；中等身高)”。

当然，以上仅仅是对根据第一目标数据确定与第一用户对应的第一标签集的实现过程的举例说明，具体实现过程可根据实际需要进行调整。

本实施例中，设置有多个预设课程集，每个预设课程集中可以具有至少一个第一课程。例如，在学校中可能开设有很多专业，每个专业都设置有多个特定的课程，也即每个专业可以对应一个预设课程集。

针对每个预设课程集，可以分别关联有一第二标签集，容易理解的是，第二标签集与第一标签集相似，其包括的元素以标签为主，此处不再赘述。预设课程集与第二标签集的关联关系，可以是直接的对应关系，例如，某一预设课程集对应篮球专业，该专业可能对学生的身高有较高的要求，则对应的第二标签集中可以具有“高等身高”这一标签；当然此处的关联关系，也可以是间接的对应关系，例如，第二标签集与职业具有对应关系，而职业与专业之间又具有对应关系，这样预设课程集可以通过专业、职业来间接与第二标签集进行关联。

在每个预设课程集均关联有一第二标签集的基础上，可以根据第一标签集与第二标签集的匹配关系，来从多个预设课程集中确定出目标课程集。例如，通过根据两个标签集中相同元素的数量，或者是两个标签集之间的相似度，或者是相似度的排序等，来确定两者之间的是否相匹配，此处不做具体限定。当某一或某多个第二标签集与第一标签集相匹配时，可以将对应的这些匹配的第二标签集所关联的预设课程集确定为目标课程集。

在目标课程集确定的情况下，可以向第一用户推荐目标课程集所包括的第一课程。这里，推荐的第一课程，可以是目标课程集中的全部或部分第一课程。具体到实际应用中，可以将推荐的第一课程的相关信息发送至第一用户所使用的终端设备，后续终端设备则可以根据接收到的相关信息，对推荐的第一课程进行展示，并接受第一用户的选择操作等，具体将在下文中进行说明，此处不再展开描述。

本发明实施例提供的基于大数据和生涯规划的个性化课程推荐方法中，基于第一用户的第一目标数据确定第一用户对应的第一标签集，并结合第一标签集与预设课程集中每一预设课程集关联的第二标签集与第一标签集之间的匹配关系，确定目标课程集并推荐目标课程集中所包括的第一课程；克服了现有技术中基于缺少关联性的标签分别进行课程推荐，导致推荐的课程的内容比较分散，难以满足第一用户对某一领域知识的系统性学习需求的缺陷，有效提升了课程推荐效果。

在一些示例中，上述各类测试可以是基于教育学和心理学的一些测试量表进行的测试，例如MBTI职业性格测试、DPA动态性格测试、职业锚测试、斯特朗-坎贝尔职业兴趣心理测试、PDP行为风格测试、TKI冲突处理模型测试、大五人格测试、九型人格测试、智商测试、托马斯情商测试、成就动机测试、学习动机测试以及一些自定义测试等。

被测用户(即上述的第一用户)可采用信息化的手段在电脑或手机等终端设备上进行测试。这些测试量表分别从不同的特征维度去评测被测用户(例如学生)在各特征维度上的表现，例如：逻辑推理特征、空间抽象思维特征、语言表述、记忆能力、性格爱好、学习习惯、学习动机、职业兴趣、亲子关系、成长环境等。根据被测用户在终端设备上的选择等操作反馈在每个特征维度上获得一个分数，并根据预先设定的标准将分数转换成定性评价，或者也可以直接获得定性评价，并基于这个定性评价赋予被测用户一系列标签。

例如，一个典型的评测体系可能包括学习能力综合测试、性格爱好综合测试以及社会支持成长环境测试。其中，学习能力综合测试可包括托马斯情商测试、成就动机测试、学习动机、智商测试、巴昂情绪智力测试、盖洛普优势识别器和学习习惯与学习动机测试等，性格爱好综合测试可包括职业锚测试、舒伯职业价值观测试、五大人格测试、卡特尔16PF测试、PDP行为风格测试等，社会支持成长环境测试可包括社会支持评定测试，家庭支持测试、生活事件测试、家庭功能评定、父母养育方式测试和生活能力测试等。

可选地，所述第一目标数据包括第一特征集与初始评测数据，所述第一特征集包括N个第一特征以及与每一所述第一特征对应的第一特征值；

所述步骤102，根据所述第一目标数据，确定与所述第一用户对应的第一标签集，包括：

针对所述初始评测数据进行评测获得第二特征集，所述第二特征集包括M 个第二特征以及与每一所述第二特征对应的第二特征值；

对所述第一特征集与所述第二特征集进行并集操作，得到第三特征集，其中，所述第三特征集包括L个第三特征以及与每一所述第三特征对应的第三特征值；

依据预设的特征、特征值以及第一标签之间的对应关系，分别针对所述L 个第三特征中每一第三特征及对应的第三特征值，确定第一标签；

根据与所述L个第三特征分别对应第一标签，确定所述第一标签集，其中，L、M、N均为正整数。

本实施例中，第一特征与第二特征均可以认为是上述的特征维度。

结合一实际应用场景，第一用户可以在电脑、手机或其他类型的终端设备上进行各种类型的输入，其中，第一种类型的输入，可以是第一用户直接针对特征维度的选择与赋值；第二种类型的输入，可以是第一用户针对各类测试的选择操作。基于第一种类型的输入，可以得到第一特征集，其中的各个元素包括了特征维度(对应第一特征)和对应的特征值(对应第一特征值)；基于第二种类型的输入，可以得到初始评测数据，而基于初始评测数据以及各个测试对应的评测机制，可以得到第二特征集，其中的各个元素包括了特征维度(对应第二特征)和对应的特征值(对应第二特征值)。

第二特征集的元素的具体表示方式与第一特征集的元素的表示方式类似。结合实际应用，第一特征集与第二特征集的区别在于，第一特征集倾向于第一用户对自身特征的主观判断而获得，第二特征集则是通过对第一用户的初始评测数据进行客观评测而获得。

第一特征集与第二特征集这两类特征集均可以通过如下方式进行表达：

PF＝{PF₁：value₁，PF₂：value₂，...PF_n：value_n}

其中，PF可以是特征集的名称，PF₁、PF₂、……、PF_n可以是特征集中的特征维度，value₁、value₂、……、value_n可以是特征集中与各个特征维度对应的特征值，n为正整数；此处的特征值可以是具体的分值，也可以是评级，以下主要以特征值为具体的分值进行说明。

第一特征集与第二特征集中的元素的表示形式相同，因此可以对两者进行并集操作，例如，第一特征集中具有“乐观：70”与“身高：171”两个元素，第二特征集中具有“思维严谨：90”、“懒惰：51”两个元素，则在第三特征集中可以同时具有上述四个元素，且第三特征集中每个元素也分别包括了特征维度 (对应第三特征)和对应的特征值(对应第三特征值)。可见，最终得到的第三特征集的元素的表示形式与第一特征集、第二特征集相同，第三特征集也可以通过上述特征集PF进行表达。

预设的特征、特征值以及第一标签之间的对应关系，可以通过转换函数 C_i＝f_tm(PF_i，value_i)进行体现，其中，C_i可以是指需要确定的第一标签集中的第i个元素(即第i个第一标签)，PF_i可以是特征集中第i个元素的特征维度， value_i可以是特征集中第i个元素的特征值；当然，此处所述的特征集，主要是指第三特征集；下标tm则指针对PF_i具体分成了m类标签，m为正整数。设这m类标签分别表示为c_t1、c_t2、……c_tm，则上述转换函数可以具体表示为：

其中，v₀、v₁、v₂、……、v_tm-1、v_tm均可以是预设的阈值，“if and only if” 表示当且仅当。

以PF_i为身高这一特征维度为例，针对男性用户的身高分成了“矮等身高”、 “中等身高”、“高等身高”三类标签，其中阈值可以分别为0、170、180、250，则针对身高，上述转换函数可以表示为：

此时，针对第三特征集中的元素“身高：171”，也就是针对第三特征“身高” 及对应的第三特征值“171”，可以确定“中等身高”这一第一标签。

针对第三特征集中的其他第三特征及对应的第三特征值，也可以通过对应的转换函数，确定出对应的第一标签，而这些第一标签的集合，即构成了第一标签集。本实施例综合考虑了第一特征集与第二特征集中的各个特征维度，以及对应的特征值，来确定第一标签集，一方面，可以使得第一标签集中的第一标签具有足够的数量，进而能够对第一用户的特质进行较完整地表征；另一方面，可以使得确定的第一标签有足够的准确度。

在一个示例中，当第三特征集中的某一第三特征对应的第三特征值，不满足相应的预设条件时，可以不针对该第三特征确定相应的第一标签。

例如，针对“懒惰”这一特征维度，若预先设定为当对应的特征值大于或等于60时，确定标签“懒惰”，而当对应的特征值小于60时，不对其确定标签，或者确定标签为空。如此，当第三特征集中包括“懒惰：51”这一元素时，由于第三特征维度“懒惰”对应的第三特征值“51”小于60，则不针对“懒惰”确定第一标签。如此，可以避免一些不符合第一用户的第一标签的生成，减小第一标签集的确定难度。

在一些可行的实施方式中，可以仅使用上述的第一特征集，或者仅使用第二特征集来确定第一用户对应的第一标签集，具体的确定过程与根据第三特征集确定第一用户对应的第一标签集的方式相似，此处不再赘述。

可选地，在所述N个第一特征中与所述M个第二特征中具有共有特征的情况下，所述对所述第一特征集与所述第二特征集进行并集操作，得到第三特征集，包括：

将所述共有特征对应的第三特征值确定为对应的第一特征值与对应的第二特征值的加权计算值。

容易理解的是，第一特征集与第二特征集中可能出现相同的特征维度，也就是说可能存在上述N个第一特征中与M个第二特征中具有共有特征的情况。

例如，第一用户在对自身进行评价时，可能会针对交互界面上的“学习非常刻苦”这一选项进行自主评分；而通过对第一用户在测试量表的选择操作情况进行评测，可能会得到关于“学习非常刻苦”的评测得分。自主评分可以是第一特征集中第一特征“学习非常刻苦”的第一特征分，假设为100，而上述评测得分可以是第二特征集中第二特征“学习非常刻苦”的第二特征分，假设为40。

此时，在对第一特征集与第二特征集进行并集操作时，针对特征维度“学习非常刻苦”，会具有两个候选特征值，即100和40；在“学习非常刻苦”被确定为第三特征集中的一个第三特征的情况下，该第三特征对应的第三特征值，可以通过对上述两个候选特征值进行加权计算获得。例如，针对“学习非常刻苦”对应的第一特征值与第二特征值，可以分别赋予权重0.5与0.5，这样，“学习非常刻苦”对应的第三特征值为100×0.5+40×0.5＝70。如此，可以综合考虑通过不同方式获取的特征值，使得共有特征对应的第三特征值的确定结果更加合理。

在后续确定第一标签的过程中，假设存在如下对应关系：当特征维度“学习非常刻苦”对应的特征值在区间[0，50)时，确定标签“不努力”；当对应的特征值在区间[50，80)时，确定标签“努力”；当对应的特征值在区间[80，110)时，确定标签“非常努力”。则根据第三特征“学习非常刻苦”及其第三特征值“70”，可确定出第一标签“努力”。

在一个示例中，考虑到共有特征对应的第一特征值的确定比较偏主观，而对应的第二特征值的确定则比较客观，因此，在确定共有特征对应的第三特征值时，可以使得第一特征值对应的权重α小于第二特征值对应的权重β，例如，使得α＝0.4，β＝0.6；如此增强共有特征的第三特征值的客观性。

当然，在一些可行的实施方式中，可以使得α＝0，β＝1，换而言之，当第一特征集与第二特征集中存在共有特征时，将共有特征的第三特征值直接确定为其对应的第二特征值，如此可以有效避免第一用户的主观认知对第三特征值的确定过程的影响。

在一个示例中，对于第一特征集与第二特征集中的非共有特征，即第一特征集中存在但第二特征集中不存在的特征维度，或者第一特征集中不存在但第二特征集中存在的特征维度，可以加入到第三特征集中，且将其对应的第三特征值，直接确定为对应存在的第一特征值或第二特征值。

例如，当第一特征集中存在“身高：171”这一元素，而第二特征集中不存在该元素时，可以在第三特征集中直接加入“身高：171”这一元素，而无需针对第一特征值“171”进行上述的加权或其他方式的计算。

可选地，所述步骤103，根据所述第一标签集，从P个预设课程集中确定出目标课程集，包括：

获取Q个预设职业以及与所述Q个预设职业分别对应的Q个第二标签集，其中，所述P个预设课程集通过预设的课程集与职业的对应关系，关联至所述 Q个预设职业与所述Q个第二标签集，Q为大于1的整数；

分别计算所述Q个第二标签集中每一第二标签集与所述第一标签集之间的第一匹配度；

依据所述Q个第二标签集分别对应的第一匹配度的排序，从所述P个预设课程集中确定出R个候选课程集，R为正整数；

依据获取到的第一用户的第一选择操作信息，从所述R个候选课程集中确定出目标课程集，所述第一选择操作信息为响应于第一用户针对所述R个候选课程集中的至少一个候选课程集的选择操作而生成。

本实施例中，预设职业可以是例如“教师”、“警察”、“运动员”、“研究员” 等类型的职业，此处不做具体限定。可以理解的是，每个职业对于从业人员可能具有一些特质需求，这些需求可以通过标签的形式进行表示，例如，对于职业“教师”，可以针对其设置例如“思维缜密”、“耐心”、“责任心强”等类型的第二标签，这些第二标签的集合构成了上述的第二标签集。

此外，同样容易理解的是，对于每一职业，可能匹配有相应的学科专业，例如，对于“教师”职业，可能匹配“教育学”、“汉语言文学”、“对外汉语”等专业；对于“警察”职业，可能匹配有“刑事侦查”等专业，而各个学科专业必然具有相应的课程学习规划，也就是相应的预设课程集。由于职业和专业(或者说课程集)可能并非是一一对应的关系，上述P和Q的值可以相等，也可以不等。

在确定了第一用户的第一标签集和各个预设职业的第二标签集的情况下，可以针对计算第一标签集与各个第二标签集之间的匹配度，例如，相同标签的数量，或者是标签的相似度等。通过对匹配度进行排序，可以获得与第一用户匹配度较高的若干个职业，根据上述职业与课程集之间存在的对应关系，可以从P个预设课程集中确定出R个候选课程集。

在实际应用中，这R个候选课程集可以通过对应的候选专业的形式，发送到第一用户所使用的终端设备中进行展示，第一用户可以针对这些候选专业进行选择操作，终端设备可以响应该选择操作生成第一选择操作信息，并发送至应用有上述选择推荐方法的服务器。根据第一选择操作信息，即可从候选专业中确定第一用户选择的目标专业，换而言之，即从R个候选课程集确定出第一用户所选择的目标课程集。

本实施例中以预设职业作为媒介，通过对第一用户的第一标签集与多个预设职业分别对应的第二标签集之间匹配度的计算，来确定与第一用户匹配的职业及相应的候选课程集，并基于第一用户对候选课程集的选择操作来确定目标课程集，可以有效提高所确定的目标课程集的合理性和准确性。

在一个示例中，R个候选课程集可以通过学科专业的形式进行展示。

在一个示例中，预设职业可以根据《中华人民共和国职业分类大典》中存储的8个大类，66个中类，413个小类，1838个细类职业进行确定，各预设职业的关联数据，例如专业要求、学历层次要求、个性和能力要求，职业素质要求、薪酬水平等，可以来自但不限于学科专业培养要求、人力资源专家评估数据、教育学和心理学专家评估数据、大数据分析等。同时，各个预设职业对应的第二标签集可以基于上述关联数据来确定。

可选地，所述分别计算所述Q个第二标签集中每一第二标签集与所述第一标签集之间的第一匹配度，包括：

获取所述第一标签集与第三标签集的交集中的元素的第一数量，以及所述第一标签集与第三标签集的并集中的元素的第二数量；所述第三标签集为所述 Q个第二标签集中的任一个第二标签集；

将所述第二数量与所述第一数量之间的比值作为所述第一标签集与第三标签集之间的第一匹配度。

为便于说明，定义第一标签集为C＝{c₁，c₂，...c_t}，定义Q个第二标签集中，第三标签集可以是对应第i个第二标签集，表示为F_i＝{f_i1，f_i2，…，f_ir}

第一标签集与第i个第二标签集之间的第一匹配度match degree_i的计算过程可以表达为：

其中，运算符| |代表求取集合内元素的数量，F_i∩C即求取第一标签集与第三标签集的并集，F_i∪C即求取第一标签集与第三标签集的交集。

本实施例中，第一匹配度的计算方式比较简便，有助于比较快速准确地确定出候选课程集。

在一个示例中，根据第一匹配度的排序，可以从预设职业中确定出10～20 个排序最前的职业，并将这些职业对应的学科专业(可以理解为课程集的名称) 推荐给第一用户。

以下结合一简单应用场景对确定第一用户的适合职业及匹配度的方式进行介绍：

如图2所示，本应用场景中，基于对第一用户的测试，获取特征维度与特征值，测试类型可以是“学习能力综合测试”、“性格爱好综合测试”等。其中，基于学习能力综合测试，得到的特征维度包括“短时记忆能力”与“永久记忆能力”，两个特征维度分别对应的特征值为“78分”与“50分”。

根据以上特征维度与特征值，为该第一用户确定第一标签集，该第一标签集中包括有“好奇”、“聪明”、“细心”、“毅力”这些第一标签。通过对第一标签集与各预设职业的第二标签集的匹配度计算与排序，可以得到与适合第一用户的职业及匹配度，分别为：“研究员：86％”、“翻译员：76％”、“文秘：58％” 以及“会计：53％”，后续可以将这些职业对应的学科专业(每个学科专业对应有课程集)推荐给第一用户，以供第一用户进行选择。

在测试结果中，还可以有单方向评价“拥有较为优秀的短时记忆能力，可以很轻松的记住上课老师教授的知识……”，以及综合评价“学习能力比较出众，善于在课堂上记忆知识，但容易遗忘，需要加强课后复习……”，以便于第一用户对评测结果有比较直观的了解。

可选地，所述步骤104，向所述第一用户推荐所述目标课程集所包括的第一课程，包括：

获取所述目标课程集所包括的全部所述第一课程中，每一所述第一课程对应的第四标签集，以及第一用户对应的第五标签集，其中，所述第四标签集包括第二用户风格标签，所述第五标签集包括期望风格标签；

分别计算所述第五标签集与每一所述第一课程对应的第四标签集之间的第二匹配度；

依据所述目标课程集所包括的全部第一课程分别对应的第二匹配度的排序，向所述第一用户推荐所述目标课程集中的至少一个第一课程。

目标课程集可能包括有多个种类的课程，同一种类的多个课程也可能存在差异。例如，如图3所示，该目标课程集中可能包括“物理”、“化学”两类课程， “物理”课程则分为教师“张三”、“李四”进行教学，“化学”由教师“王五”进行教学。每个教师的教学风格可能不同，因此针对教师的教学风格可以设置相应的标签，通过教师与课程的对应关系，将该教师相关的标签加入到相应的第一课程的第四标签集中，换而言之，第四标签集可以包括第二用户风格标签。当然，在实际应用中，第四标签集可以仅包括教师的教学风格标签，也可以还包括与课程本身相关的标签等等，此处不做具体限定。

对于教师的教学风格标签的确定，与对第一用户的第一标签的确定方式相似，可以是教师直接主观设定，也可以是通过测试与评测获得，此处不再赘述。

此处的第一用户可以是学生，第一用户根据自身对课程教师的授课风格的期望，可以在对应的终端设备上输入的期望风格信息，基于从终端设备处获取的期望风格信息，可以生成期望风格标签。第一用户的第五标签集可以仅包括上述期望风格标签，也可以还包括第一用户的性格、爱好等方面的标签，此处不做具体限定。

在获取了第一用户对应的第五标签集，以及目标课程集中的各个第一课程对应的第四标签集的情况下，可以计算第一用户与目标课程集中各个第一课程的第二匹配度，并根据第二匹配度的排序，从目标课程集中确定至少一个第一课程以推荐给第一用户。

本实施例基于第一用户的第五标签集与目标课程集中各个第一课程的第四标签集之间的第二匹配度，来从目标课程集中确定向第一用户推荐的第一课程，有助于满足第一用户对各类课程的个性化选择需求。

在一个示例中，上述第二匹配度可以通过如下方式进行计算：

第二匹配度＝(1-第四标签集与第五标签集中的共有标签数/第五标签集中的标签数)×100％；

其中，第四标签集与第五标签集中的共有标签数，可以是指同时存在于第四标签集中与第五标签集中的元素(即标签)的数量；第五标签集中的标签数，可以是第五标签集中元素的数量。

在一个示例中，还可以获取教师的评价，例如对于“张三”教师的评价为“该教师上课十分幽默，讲课十分仔细，还能做到经常进行课堂回顾……”，可以根据评价来确定教师的教学风格标签，或者在推荐第一课程时，将对应授课教师的评价发送至学生所使用的终端设备，供学生进行参考。

可选地，所述步骤104，向所述第一用户推荐所述目标课程集所包括的第一课程之后，所述方法还包括：

获取第一用户的试选课程信息；

在所述试选课程信息满足第一预设条件下，生成提示信息；

其中，所述第一预设条件包括：所述试选课程信息包括不属于所述目标课程集的第二课程，和/或，所述试选课程信息不包括属于所述目标课程集的目标第一课程；所述提示信息包括专业提示信息，和/或，职业提示信息。

目标课程集中的第一课程可以对应的是若干个预设的课程，例如“数学”、 “物理1”、“物理2”以及“化学”，通常情况下，第一用户可以选择“数学”+“物理 1”+“化学”这三门课程，或者选择“数学”+“物理2”+“化学”这三门课程，以满足对目标课程集的系统化学习需要。

然而，在一些情况下，第一用户可能选择了“数学”+“物理1”+“地理”这三门课程，其中“地理”(对应第二课程)并不属于目标课程集，此时可以生成相应的提示信息，例如向第一用户所在终端设备发送信息“按照目前课程学习计划将无法报考材料科学与工程专业”；或者是发送信息“按照目前课程学习计划可报考地球物理专业”，并展示地球物理专业可从事的职业等信息。

同样地，当第一用户只选择了“数学”+“物理1”，而没有选择“化学”(对应目标第一课程)，也可以生成相应的提示信息，例如向第一用户所在终端设备发送信息“按照目前课程学习计划将无法报考材料科学与工程专业”。

本实施例可以根据第一用户的试选课程信息，来生成相应的提示信息，可以在满足第一用户能够灵活选择课程的同时，对课程的选择结果进行预警，便于第一用户了解各种课程组合对后续学习专业和/或可从事职业的影响，提升用户体验。

在获取到第一用户的第二选择操作信息的情况下，根据所述第二选择操作信息，从推荐的所述第一课程中确定候选课程；

在获取到第二用户针对所述候选课程的确认操作信息的情况下，将所述候选课程确定为目标课程；

获取所述目标课程的课程信息，并依据所述目标课程的课程信息，生成与所述第一用户对应的课表。

本实施例中，第一用户对应的终端设备在接收到推荐的第一课程的情况下，第一用户可以在交互界面上进行选课操作，即对推荐的第一课程中的若干第一课程进行选择操作，终端设备响应这些选择操作生成第二选择操作信息，并发送至应用有上述基于大数据和生涯规划的个性化课程推荐方法的服务器。

在接收到第二选择操作信息的情况下，代表了第一用户已经初步进行了选课操作，将所选择的第一课程确定为候选课程。

对于第二用户，可以是指教师；在确定了候选课程的情况下，上述服务器可以将候选课程发送至教师所操作的终端设备供教师进行确认，该终端设备可以响应教师的确认操作生成确认操作信息，并发送至服务器。此时可以认为选择成功，将候选课程确定为目标课程，后续可依据目标课程及其对应的信息，例如教学时间、教学教室等，来生成第一用户对应的课表。本实施例实现了选课过程中，学生与教师之间的双向选择，有助于提升选课结果的质量。

在一些示例中，当未获取到第二用户针对所述候选课程的确认操作信息时，或者获取到第二用户针对候选课程的否定操作信息时，可以认为选课失败，并将选课失败的信息发送至第一用户的终端设备。

具体来说，可能因选择某一门课程的第一用户的数量较少，相应的教师可以决定不开设该课程；或者，选择某一门课程的第一用户的数量过多，超过了教室容量，教师需要剔除一部分学生。如图3所示，针对后一种情况，在一些可行的实施方式中，可以针对每个学生确定第六标签集，其中包括用于反映学生学习风格的标签，这些标签可以来自第一标签集，也可以是通过其他方式进行获取。

可选地，所述步骤101，获取第一用户的第一输入数据之后，所述方法还包括：

在所述第一输入数据为K个预选课程的情况下，根据所述K个预选课程，从P个预设课程集中确定目标课程集，其中，所述目标课程集均包括全部所述 K个预选课程，K为正整数；

获取与所述目标课程集对应的目标专业信息，以及与所述目标专业信息对应的目标职业信息；

向所述第一用户展现所述目标课程集、所述目标专业信息以及所述目标职业信息。

本实施例中，第一用户可以根据自身需求直接对课程进行选取，例如，第一用户直接选取上述的K个预选课程。此处的K个预选课程，可以理解成与所述第一目标数据不同的第二目标数据，两种目标数据可以是分别响应第一用户在相应的终端设备上的不同输入而生成。如上文所述，每个预设课程集中可以具有多个课程，当P个预设课程集中的S(P≥S≥0)个预设课程集分别包括了全部K个预选课程，则可以将此处所述的S个预设课程集确定为目标课程集，并可以通过第一用户所使用的终端设备来展现给第一用户。

如此，可以充分考虑到第一用户对各个独立课程的需求，自动针对第一用户的预选课程寻找关联性，并向第一用户展现包括有预选课程的目标课程集，便于第一用户了解基于当前的预选课程可以进行何种领域课程的系统化学习。

此外，相较于根据第一目标数据来确定目标课程集的方式，本实施例中无需进行标签匹配或者第一用户评测的过程，减小了课程推荐的难度。

进一步地，关于职业、专业以及预设课程集之间可以存在的对应关系，在以上实施例中已经进行了说明，此处不再赘述。

而本实施例中，根据第一用户所输入的K个预选课程，可以直接确定并向第一用户展现相应的目标课程集，为了让第一用户充分了解目标课程集所对应的专业，以及后续可能从事的职业，本实施例在向第一用户推荐目标课程集的同时，还对相应的目标专业信息以及目标职业信息进行展现，有效提升用户体验。

在实际应用中，第一用户在操作对应的终端设备时，对应生成的第一输入数据可以仅有第一目标数据，或者仅有预选课程；这两种情况下，后续的步骤均可以单独存在。比如说，在获取第一用户的第一输入数据，且第一输入数据为K个预选课程时，可以直接执行根据所述K个预选课程，从P个预设课程集中确定目标课程集的步骤，而后续无需执行根据所述第一目标数据，确定与所述第一用户对应的第一标签集的步骤；反之亦然。

以下结合一具体应用场景对本实施例提供的方法进行说明：

对于上述具有走班的中学，学生必须考虑现在选择的课程将对高考可以报考的专业、可以报考的学校的影响。比如“物理+地理+语数外”的选课组合(其中语数外是必选，物理、地理是可选),那么高考也许就只能报考地球物理专业，而具有这个专业的学校有：A1大学、A2大学、A3大学等学校，后续可以将这些学校向学生进行展示；而其他学校的相关专业或比较接近的专业，可能都要求考生选择“物理+化学+语数外”，而不接收“物理+地理+语数外”的考生。

此外，选择地球物理专业将来能从事的职业可能有诸如：地质科学家，矿产勘探工程师，结构物理工程师等，这些职业可以展示给学生；此外，各个职业对应的就业待遇、就业地点、就业行业等信息也都可以展示给学生，供学生决策，是否确定要选择“物理+地理”这两门课程。

如图4所示，本发明实施例还提供了一种基于大数据和生涯规划的个性化课程推荐装置，包括：

第一获取模块401，用于获取第一用户的第一输入数据；

第一确定模块402，用于在所述第一输入数据为第一目标数据的情况下，根据所述第一目标数据，确定与所述第一用户对应的第一标签集；

第二确定模块403，用于根据所述第一标签集，从P个预设课程集中确定出目标课程集，其中，所述P个预设课程集中每一预设课程集分别包括至少一个第一课程，所述每一预设课程集分别关联有一第二标签集，所述目标课程集为对应的第二标签集与所述第一标签集相匹配的预设课程集，P为大于1的整数；

第一推荐模块404，用于向所述第一用户推荐所述目标课程集所包括的第一课程。

所述第一确定模块402，包括：

第一获取单元，用于针对所述初始评测数据进行评测获得第二特征集，所述第二特征集包括M个第二特征以及与每一所述第二特征对应的第二特征值；

第二获取单元，用于对所述第一特征集与所述第二特征集进行并集操作，得到第三特征集，其中，所述第三特征集包括L个第三特征以及与每一所述第三特征对应的第三特征值；

第一确定单元，用于依据预设的特征、特征值以及第一标签之间的对应关系，分别针对所述L个第三特征中每一第三特征及对应的第三特征值，确定第一标签；

第二确定单元，用于根据与所述L个第三特征分别对应第一标签，确定所述第一标签集，其中，L、M、N均为正整数。

可选地，第二获取单元，包括：

第一确定子单元，用于将所述共有特征对应的第三特征值确定为对应的第一特征值与对应的第二特征值的加权计算值。

可选地，所述第二确定模块403，包括：

第三获取单元，用于获取Q个预设职业以及与所述Q个预设职业分别对应的Q个第二标签集，其中，所述P个预设课程集通过预设的课程集与职业的对应关系，关联至所述Q个预设职业与所述Q个第二标签集，Q为大于1 的整数；

第一计算单元，用于分别计算所述Q个第二标签集中每一第二标签集与所述第一标签集之间的第一匹配度；

第三确定单元，用于依据所述Q个第二标签集分别对应的第一匹配度的排序，从所述P个预设课程集中确定出R个候选课程集，R为正整数；

第四确定单元，用于依据获取到的第一用户的第一选择操作信息，从所述 R个候选课程集中确定出目标课程集，所述第一选择操作信息为响应于第一用户针对所述R个候选课程集中的至少一个候选课程集的选择操作而生成。

可选地，所述第一计算单元，包括：

获取子单元，获取所述第一标签集与第三标签集的交集中的元素的第一数量，以及所述第一标签集与第三标签集的并集中的元素的第二数量；所述第三标签集为所述Q个第二标签集中的任一个第二标签集；

第二确定子单元，用于将所述第二数量与所述第一数量之间的比值作为所述第一标签集与第三标签集之间的第一匹配度。

可选地，所述第一推荐模块404，包括：

第四获取单元，用于获取所述目标课程集所包括的全部所述第一课程中，每一所述第一课程对应的第四标签集，以及第一用户对应的第五标签集，其中，所述第四标签集包括第二用户风格标签，所述第五标签集包括期望风格标签；

第二计算单元，用于分别计算所述第五标签集与每一所述第一课程对应的第四标签集之间的第二匹配度；

推荐单元，用于依据所述目标课程集所包括的全部第一课程分别对应的第二匹配度的排序，向所述第一用户推荐所述目标课程集中的至少一个第一课程。

可选地，所述基于大数据和生涯规划的个性化课程推荐装置还包括：

第二获取模块，用于获取第一用户的试选课程信息；

生成模块，用于在所述试选课程信息满足第一预设条件下，生成提示信息；

第三确定模块，用于在获取到第一用户的第二选择操作信息的情况下，根据所述第二选择操作信息，从推荐的所述第一课程中确定候选课程；

第四确定模块，用于在获取到第二用户针对所述候选课程的确认操作信息的情况下，将所述候选课程确定为目标课程；

获取生成模块，用于获取所述目标课程的课程信息，并依据所述目标课程的课程信息，生成与所述第一用户对应的课表。

第五确定模块，用于在所述第一输入数据为K个预选课程的情况下，根据所述K个预选课程，从P个预设课程集中确定目标课程集，其中，所述目标课程集均包括全部所述K个预选课程，K为正整数；

第三获取模块，用于获取与所述目标课程集对应的目标专业信息，以及与所述目标专业信息对应的目标职业信息；

展现模块，用于向所述第一用户展现所述目标课程集、所述目标专业信息以及所述目标职业信息。

需要说明的是，该基于大数据和生涯规划的个性化课程推荐装置是与上述基于大数据和生涯规划的个性化课程推荐方法对应的装置，上述方法实施例中所有实现方式均适用于该装置的实施例中，也能达到相同的技术效果。

容易理解的是，本发明实施例提供的基于大数据和生涯规划的个性化课程推荐方法中，主要涉及第一用户(以下称学生)及其终端设备(以下称第一终端设备)、第二用户(以下称教师)及其终端设备(以下称第二终端设备)以及服务器。而本发明实施例提供的基于大数据和生涯规划的个性化课程推荐装置中，各个模块与单元能够执行实现方法中所述的步骤。以下结合一具体应用场景，从面向第一终端设备、面向第二终端设备以及服务器本身三个角度，针对上述基于大数据和生涯规划的个性化课程推荐方法的一种具体应用例进行说明。

如图5所示，对于学生，可以在第一终端设备上进行登录(对应学生登录模块)，登录成功后，可以在第一终端设备的交互界面输入各种信息(对应交互模块)，例如对自身的评价、或者测试题选项的选择操作信息等；基于学生输入的信息，可以对学生的综合素质进行评测(对应学生综合素质评测模块)，得到综合素质评测报告；此外，根据学生输入的各种信息以及评测的结果，可以得到反映学生特质的特征集，特征集包括特征维度及其特征值，并存储至学生用户特征数据库中。

根据学生的特征集，以及各类职业对应需要的特质，可以确定适合学生的职业(对应专业第一推荐模块)，并形成职业规划书；然后可确定与上述适合学生的职业对应的专业并推荐给学生进行选择(对应专业第一推荐模块)。在学生选择了目标专业后，将该目标专业在专业课程需求库中检索并获得该目标专业的报考课程需求，同时在专业技能需求库中检索并获得该目标专业的特殊技能需求(例如有些专业有特长需求，如艺术生，体育生)，判断学生选择的专业是否需要特殊技能即特长(对应选择判断模块)。

若有需要特殊技能，选择有特长需求专业的学生进入推荐技能模块，根据选择判断模块中检索到的专业技能需求，得到学生选择的专业需求的技能，通过大数据检索到所需求的专业技能的详细资料，例如：技能的由来和发展、如何学习该项技能、该项技能可以从事的职业……最终系统将根据搜索到的资料向学生展示一个详细的技能学习方案，告知学生选择该专业需要掌握的技能资料及未来如何学习该项技能，并且将学习技能需要上的特长课程传递给推荐选课模块。

若不需要特殊技能，则可以直接进入课程确定模块。

课程确认模块根据选择判断模块中检索到的专业课程需求，得到学生选择专业需求的课程，(如果是特长生还将得到学生选择专业需求的特长课程)，然后查询这些课程在学校开课数据库中是否存在：

若存在这些课程，则按学科进入学生选课模块。

若不存在这些课程，反馈相关信息给学生，并进入专业第一推荐模块，重新选择专业。

当然，在实际应用中，学生可能跳过评测评估的过程，直接开始选择课程，即直接进入到学生选课模块。

在学生选课模块中学生可以选择希望教授该课程教师的授课风格的要求标签，然后将教授这门课程的教师查找出来，在教师的用户特征数据库中查询并获得教师的授课风格标签，然后两者对比并进行风格匹配度计算。具体可根据此处的匹配度计算方式来制作相应的教师测试量表和学生测试量表，在这里可以认为教师对学生的要求在学生的标签里有呈现学生对教师的要求在教师标签里也有呈现，则该教师与学生是匹配的。可选地，可通过如下方式进行计算师生之间的风格匹配度：

风格匹配度＝(1-教师与学生匹配标签数/学生要求的标签数)×100％

在每一科目进行教师选择的时候，会按照计算的师生匹配度大小顺序进行推荐，学生根据推荐结果选择适合自己的教师课程。可选地，学生在选课程，且未确定最终选课结果时，可能会存在自主组合课程的过程，此时可根据学生所选课程组合展示对应可选专业、职业信息以及职业前景。在学生完成课程选择后，可将学生的最终选课结果传送至各个教师的第二终端设备。

然后可进入到选课结果确认模块，此时可能遇到CASE1、CASE2、CASE3 这三种情况，具体地：

CASE1：学生可能存在选择完专业后由于发现有某一科目不想学等自身原因，因而想改变自己的未来专业方向的情况，这时候返回至选择判断模块。

CASE2：不存在CASE1情况但自己的某一门选课被教师驳回，此时退回至学生选课模块。

CASE3：不存在CASE1和CASE2两种情况，根据学生选择的课程，查询课程学习资料库，从中可以得到对应课程的学习规划，根据该名学生各学科的学业规划整理生成一个学业规划书展示给学生。然后进入学校排课模块，生成学生课程表。

如图6所示，对于教师，可以在第二终端设备上进行身份鉴别和认证(对应教师身份认证模块)；然后进入交互模块，教师直接输入自己的可执教科目、年级以及期望学生的学习风格标签等；再然后进入测试模块，根据但不限于教师性格量表和教师应变能力量表合成测试题目，通过教师的作答，按照量表上的分类，对教师各方面打分。通过分数，查询量表相应的区间可以得到教师各方面的评价和教学风格标签。通过这些评价产生教师综合评价报告。得到教师评测数据后，将教师个人信息、教学风格标签和评价存入教师用户特征数据库中。

后续教师可以再次通过交互操作(对于交互模块)，教师通过交互模块发布本学期教学意向(比如想开课的科目及年级，想要上课的时间或特定教室)。学生可以基于教师的教学意向进行选课。

教师在确认选课模块确认学生选课。学生人数少于某个数字，不开课，比如只有5个人选，不开课；人数太多，也要选择合适的学生，比如拟招50人，结果80人选了，肯定要剔除一部分学生(可通过提供学生的学习风格标签与教师对学生的学习风格标签要求之间的匹配度，为教师筛选学生提供参考)，生成最终选课关系。

选课关系确定后可进入排课模块，排课的时候如果教师的教学意向有冲突，则根据协调处理后的结果进行排课，最终生成任课教师课程表。

如图7所示，服务器中可以包括系统排课模块，系统排课模块可根据最终教师确认的选课结果和教室资源数据表进行自动排课，具体算法可以有多种，可通过现有技术实现，此处不再赘述。值得注意的是，实际应用中，在生成课表时，除了可以生成学生课程表和年级课程表外，还可以针对每个教师生成教师授课表，针对学科组生成学科组的授课表，针对每个教室的教室课程表，最后根据各年级的课程表制作一个全校的总课程表。

可选地，本发明实施例还提供了一种电子设备，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程序，所述处理器执行所述计算机程序时实现上述的基于大数据和生涯规划的个性化课程推荐方法。

可选地，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程序，所述计算机程序被处理器执行时实现上述的基于大数据和生涯规划的个性化课程推荐方法。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims

1.一种基于大数据和生涯规划的个性化课程推荐方法，其特征在于，包括：

获取第一用户的第一输入数据；

向所述第一用户推荐所述目标课程集所包括的第一课程。

2.根据权利要求1所述的方法，其特征在于，所述第一目标数据包括第一特征集与初始评测数据，所述第一特征集包括N个第一特征以及与每一所述第一特征对应的第一特征值；

所述根据所述第一目标数据，确定与所述第一用户对应的第一标签集，包括：

针对所述初始评测数据进行评测获得第二特征集，所述第二特征集包括M个第二特征以及与每一所述第二特征对应的第二特征值；

依据预设的特征、特征值以及第一标签之间的对应关系，分别针对所述L个第三特征中每一第三特征及对应的第三特征值，确定第一标签；

3.根据权利要求1所述的方法，其特征在于，所述根据所述第一标签集，从P个预设课程集中确定出目标课程集，包括：

获取Q个预设职业以及与所述Q个预设职业分别对应的Q个第二标签集，其中，所述P个预设课程集通过预设的课程集与职业的对应关系，关联至所述Q个预设职业与所述Q个第二标签集，Q为大于1的整数；

依据获取到的第一用户的第一选择操作信息，从所述R个候选课程集中确定出目标课程集，所述第一选择操作信息为响应于第一用户针对所述R个候选课程集中的至少一个候选课程集的选择操作生成。

4.根据权利要求3所述的方法，其特征在于，所述分别计算所述Q个第二标签集中每一第二标签集与所述第一标签集之间的第一匹配度，包括：

获取所述第一标签集与第三标签集的交集中的元素的第一数量，以及所述第一标签集与第三标签集的并集中的元素的第二数量；所述第三标签集为所述Q个第二标签集中的任一个第二标签集；

5.根据权利要求1所述的方法，其特征在于，所述向所述第一用户推荐所述目标课程集所包括的第一课程，包括：

6.根据权利要求1所述的方法，其特征在于，所述向所述第一用户推荐所述目标课程集所包括的第一课程之后，所述方法还包括：

获取第一用户的试选课程信息；

在所述试选课程信息满足第一预设条件下，生成提示信息；

7.根据权利要求1所述的方法，其特征在于，所述向所述第一用户推荐所述目标课程集所包括的第一课程之后，所述方法还包括：

8.根据权利要求1所述的方法，其特征在于，所述获取第一用户的第一输入数据之后，所述方法还包括：

在所述第一输入数据为K个预选课程的情况下，根据所述K个预选课程，从P个预设课程集中确定目标课程集，其中，所述目标课程集均包括全部所述K个预选课程，K为正整数；

9.一种基于大数据和生涯规划的个性化课程推荐装置，其特征在于，包括：

第一获取模块，用于获取第一用户的第一输入数据；

10.一种电子设备，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程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的方法。

11.一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至8任一项所述的方法。