CN111966913A - 一种教育资源推荐处理方法、装置及计算机设备 - Google Patents
一种教育资源推荐处理方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN111966913A CN111966913A CN202011129309.2A CN202011129309A CN111966913A CN 111966913 A CN111966913 A CN 111966913A CN 202011129309 A CN202011129309 A CN 202011129309A CN 111966913 A CN111966913 A CN 111966913A
- Authority
- CN
- China
- Prior art keywords
- content
- user
- labels
- interest
- characteristic
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000006399 behavior Effects 0.000 claims description 35
- 238000012163 sequencing technique Methods 0.000 claims description 29
- 238000011160 research Methods 0.000 claims description 28
- 238000001914 filtration Methods 0.000 claims description 22
- 230000007774 longterm Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000011835 investigation Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 description 48
- 238000011161 development Methods 0.000 description 8
- 230000018109 developmental process Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000003860 storage Methods 0.000 description 7
- 230000003993 interaction Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004630 mental health Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000002567 autonomic effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000001747 pupil Anatomy 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06F16/90—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
- 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
- G06F16/9538—Presentation of query results
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种教育资源推荐处理方法、装置及计算机设备，方法部分通过确定用户的包括兴趣特征标签和需求特征标签在内的用户特征标签，再根据兴趣特征标签和需求特征标签在预设内容库中确定初始召回内容，然后对初始召回内容进行优化处理以获得教育资源类型推荐结果，最后将教育资源类型推荐结果对推荐的教育资源类型进行展示；本发明中，通过根据用户的兴趣特征和需求特征在预设内容库确定召回内容，在考虑了用户兴趣的基础上，同时考虑了不同年龄段用户对不同教育资源类型的需求，根据用户的实际需求和兴趣爱好的角度对用户进行不同的教育资源推荐，保证了教育资源推荐内容的精准性，在此基础上，还提高了教育资源推荐内容的多样性。
Description
技术领域
本发明涉及教育系统应用技术领域，尤其涉及一种教育资源推荐处理方法、装置及计算机设备。
背景技术
随着家长们对孩子教育的重视和互联网的兴起，为人们提供各个阶段的线上教育机构层出不穷，由此产生的线上教育资源和教育信息也呈现指数级增长。因此，在海量的教育资源和教育信息中帮助用户快速找到所需信息的推荐系统也应运而生。
传统的推荐系统采用以用户兴趣为唯一导向，在用户使用推荐系统时，将用户的搜索记录、交互记录确定用户的兴趣标签，再根据兴趣标签来刻画用户画像，尽管随着用户反馈的增加，用户标签数量的增加，能精准的把握用户兴趣，但通过这样的方式会导致过分解读用户兴趣，从而导致推荐系统的推荐内容会越来越单一，而单一的推荐内容会使用户产生厌烦感，因此，如何在保证用户兴趣的前提下，提高推荐内容的多样性，是推荐系统所面临的问题。
为了解决推荐内容单一的问题，现有推荐系统仅从推荐算法的技术角度出发，通过增加权重排序策略等方式降低推荐列表中各内容之间的相似性，以此来提高推荐内容的多样性。但该类方法是算法上的优化，仅对内容相似性进行了降低从而提高推荐内容的多样性，而未从用户的角度出发，这势必会降低推荐内容的精准度，降低用户的使用体验。因此，如何在保证推荐内容精准的前提下，提高推荐系统推荐内容的多样性以精准地解决用户线上教育需求，成为当前线上教育领域的重点问题。
发明内容
本发明提供一种教育资源推荐处理方法、装置及计算机设备以解决现有技术中，仅从推荐算法等技术角度出发以提高推荐内容多样性，导致的推荐内容精准度降低的问题。
一种教育资源推荐处理方法，包括：
确定用户的用户特征标签，所述用户特征标签包括兴趣特征标签和需求特征标签，所述兴趣特征标签为根据所述用户的行为数据确定出的用户感兴趣教育资源类型的标签，所述需求特征标签为调研获得的所述用户对应年龄段所需要的教育资源类型标签中除所述兴趣特征标签之外的标签；
根据所述兴趣特征标签和需求特征标签在预设内容库中确定初始召回内容，所述初始召回内容为在预设内容库内召回的符合所述兴趣特征标签、所述需求特征标签的内容；
对所述初始召回内容进行优化处理以获得教育资源类型推荐结果；
将所述教育资源类型推荐结果对推荐的教育资源类型进行展示。
进一步地，所述确定用户的用户特征标签之前，所述方法还包括：
获取不同年龄段用户需求的教育资源调研数据；
根据所述不同年龄段用户需求的教育资源调研数据构建不同年龄段用户的总需求特征体系，所述总需求特征体系包括多个所述对应年龄段所需的教育资源类型的标签；
获取所述用户的用户行为数据和用户基本信息，并根据所述用户行为数据和用户基本信息确定所述用户的多个兴趣特征标签；
根据所述用户基本信息中的用户年龄在所述不同年龄段用户的总需求特征体系中确定所述用户对应年龄段的总需求特征体系，并根据所述兴趣特征与所述用户对应年龄段的总需求特征体系确定所述用户的多个需求特征标签；根据所述用户的多个需求特征标签和所述兴趣特征标签构建所述用户的用户特征体系。
进一步地，所述根据不同年龄段用户需求的教育资源调研数据构建不同年龄段用户的总需求特征体系，包括：
根据所述不同年龄段用户需求的教育资源调研数据对所述教育资源的类型进行划分，获得多个教育资源总类型标签，各所述教育资源总类型标签包括多个教育资源细分类型标签；
将所述多个教育资源总类型标签和所述多个教育资源细分类型标签按照对应关系构建所述总需求特征体系。
进一步地，所述根据所述兴趣特征标签和需求特征标签在预设内容库中确定初始召回内容，包括：
获取所述预设内容库中所有教育资源的内容特征标签，所述预设内容库为根据所述内容特征标签构建分层标签体系的教育资源内容库；
在所述预设内容库中对所述需求特征标签、所述兴趣特征标签和所述内容特征标签进行相似度召回，以获得具有不同相似度的召回内容；
将所述具有不同相似度的召回内容作为所述初始召回内容。
进一步地，所述对所述初始召回内容进行优化处理以获得推荐结果，包括：
根据所述用户的历史浏览记录剔除所述初始召回内容中浏览过的内容，获得过滤召回内容；
根据预设评分条件确定所述过滤召回内容中各召回内容的评分；
根据所述过滤召回内容中各召回内容的评分和预设均衡机制对所述过滤召回内容进行排序，以获得所述推荐结果。
进一步地，所述根据所述过滤召回内容中各召回内容的评分和预设均衡机制对所述过滤召回内容进行排序，包括：
确定所述过滤召回内容中各召回内容的内容特征标签；
根据展示页面所能展示的内容数量和所述过滤召回内容的内容特征标签对所述过滤召回内容进行页面划分，以获得多个所述展示页面的展示内容，每一所述展示页面的展示内容满足所述用户的短期兴趣标签、长期兴趣标签和权重最低的需求兴趣标签；
根据所述各召回内容中的评分对每一所述展示页面内的各展示内容进行排序，获得各所述展示内容在对应展示页面的排序结果；
根据每一所述展示页面的总内容评分对各所述展示页面进行排序，获得展示页面排序结果。
进一步地，所述将所述教育资源类型推荐结果对推荐的教育资源类型进行展示之后，所述方法还包括：
获取并记录所述用户对所述推荐结果的反馈数据；
根据所述反馈数据更新所述兴趣特征标签中的短期兴趣标签和长期兴趣标签，以获得更新的兴趣特征标签；
根据所述更新的兴趣特征标签更新所述用户特征体系。
进一步地，所述根据所述反馈数据更新所述兴趣特征标签中的短期兴趣标签之后，所述方法还包括：
根据所述短期兴趣标签实时更新所述召回内容，以获得最新的推荐结果。
一种教育资源推荐处理装置，包括：
第一确定模块，用于确定用户的用户特征标签，所述用户特征标签包括兴趣特征标签和需求特征标签，所述兴趣特征标签为根据所述用户的行为数据确定出的用户感兴趣教育资源类型的标签，所述需求特征标签为调研获得的所述用户对应年龄段所需要的教育资源类型标签中除所述兴趣特征标签之外的标签；
第二确定模块，用于根据所述兴趣特征标签和需求特征标签在预设内容库中确定初始召回内容，所述初始召回内容为在预设内容库内召回的符合所述兴趣特征标签、所述需求特征标签的内容；
优化模块，用于对所述初始召回内容进行优化处理以获得教育资源类型推荐结果；
展示模块，用于将所述教育资源类型推荐结果对推荐的教育资源类型进行展示。
一种计算机设备，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教育资源推荐处理方法的步骤。
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教育资源推荐处理方法的步骤。
上述教育资源推荐处理方法、装置及计算机设备所提供的一个方案中，通过 确定用户的包括兴趣特征标签和需求特征标签在内的用户特征标签，兴趣特征标签为根据用户的行为数据确定出的用户感兴趣教育资源类型的标签，需求特征标签为调研获得的用户对应年龄段所需要的教育资源类型标签中除兴趣特征标签之外的标签，再根据兴趣特征标签和需求特征标签在预设内容库中确定初始召回内容，初始召回内容为在预设内容库内召回的符合兴趣特征标签、需求特征标签的内容，然后对初始召回内容进行优化处理以获得教育资源类型推荐结果，最后将教育资源类型推荐结果对推荐的教育资源类型进行展示；本发明中，通过根据用户的兴趣特征和需求特征在预设内容库确定召回内容，在考虑了用户兴趣的基础上，同时考虑了不同年龄段用户对不同教育资源类型的需求，根据用户的实际需求和兴趣爱好的角度对用户进行不同的教育资源推荐，保证了教育资源推荐内容的精准性，在此基础上，还提高了教育资源推荐内容的多样性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中教育资源推荐处理方法的一流程示意图；
图2是本发明一实施例中教育资源推荐处理方法的另一流程示意图；
图3是本发明一实施例中高中阶段用户的总需求特征体系图；
图4是图1中步骤S30的一实现流程示意图；
图5是本发明一实施例中教育资源推荐处理装置的一结构示意图；
图6是本发明一实施例中计算机设备的一结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在一实施例中，如图1所示，提供一种教育资源推荐处理方法，以该方法应用在推荐系统为例进行说明，包括如下步骤：
S10：确定用户的用户特征标签，用户特征标签包括兴趣特征标签和需求特征标签，兴趣特征标签为根据用户的行为数据确定出的用户感兴趣教育资源类型的标签，需求特征标签为调研获得的用户对应年龄段所需要的教育资源类型标签中除兴趣特征标签之外的标签。
根据用户在推荐系统的行为数据和基本信息确定用户的用户特征标签，其中，用户特征标签包括兴趣特征标签和需求特征标签，其中，兴趣特征标签为根据用户的行为数据确定出的用户感兴趣教育资源类型的标签，需求特征标签与兴趣特征标签共同组成调研获得的针对用户对应年龄段所需要的教育资源类型的标签。
用户的兴趣特征标签根据用户在推荐系统的行为数据确定，而用户的需求特征标签的获取，则需要根据预先获取的不同年龄段用户所需要的教育资源类型确定：在获取用户的基本信息之后，根据基本信息中的用户年龄段在预先获取的不同年龄段用户所需要的教育资源类型中，确定用户对应年龄段所需的教育资源类型，然后将用户对应年龄段所需的教育资源类型减去用户的兴趣特征标签，从而获得用户的需求特征标签。即，兴趣特征标签与需求特征标签组成调研获得的针对用户对应年龄段所需要的教育资源类型的标签，在用户对应年龄段所需要的教育资源类型的标签中，除兴趣特征标签之外的教育资源类型的标签，则为用户的需求特征标签。
其中，用户基本信息为用户在推荐系统中自主设置的信息，用户行为数据包括用户在推荐系统中的搜索行为数据、浏览行为数据和交互行为数据。
S20：根据兴趣特征标签和需求特征标签在预设内容库中确定初始召回内容，初始召回内容为在预设内容库内召回的符合兴趣特征标签、需求特征标签的内容。
在确定用户的兴趣特征标签和需求特征标签之后，根据兴趣特征标签和需求特征标签在预设内容库中确定初始召回内容。其中，初始召回内容为在预设内容库内召回的符合兴趣特征标签、需求特征标签的内容，即召回的内容要包括符合用户兴趣特征标签、符合需求特征标签的内容，以确保后续向用户推荐的教育资源类型的多样性，并使得后续向用户推荐的教育资源类型是符合用户特征个性化教育资源推荐内容，提高推荐内容的精准性，从而提高用户满意度。
S30：对初始召回内容进行优化处理以获得教育资源类型推荐结果。
在确定初始召回内容之后，对初始召回内容进行优化处理以获得教育资源类型推荐结果，提高推荐结果的精准性，进而提高教育资源类型推荐结果的推荐效果。
S40：将教育资源类型推荐结果对推荐的教育资源类型进行展示。
在获得教育资源类型推荐结果之后，将教育资源类型推荐结果在据推荐系统的展示页面对推荐的教育资源类型进行展示，以使用户能获得较为精准和多样的教育资源推荐内容。
本实施例中，通过确定用户的包括兴趣特征标签和需求特征标签在内的用户特征标签，再根据兴趣特征标签和需求特征标签在预设内容库中确定初始召回内容，然后对初始召回内容进行优化处理以获得教育资源类型推荐结果，最后将教育资源类型推荐结果对推荐的教育资源类型进行展示；本发明中，通过根据用户的兴趣特征和需求特征在预设内容库确定召回内容，在考虑了用户兴趣的基础上，同时考虑了不同年龄段用户对不同教育资源类型的需求，根据用户的实际需求和兴趣爱好的角度对用户进行不同的教育资源推荐，保证了教育资源推荐内容的精准性，在此基础上，还提高了教育资源推荐内容的多样性。
在一实施例中，如图2所示，步骤S10之前，即确定用户的用户特征标签之前，所述方法还包括如下步骤：
S01：获取不同年龄段用户需求的教育资源调研数据。
在此之前，需要对不同年龄段用户的教育资源需求进行调研和统计，计算出不同年龄段用户需要掌握的知识技能，从而获得不同年龄段用户的针对教育资源的需求特征，将不同年龄段用户的针对教育资源的需求特征作为不同年龄段用户需求的教育资源调研数据。
其中，不同年龄段的用户具有不同的教育资源需求。例如，幼儿园阶段用户需求的教育资源可以是益智提升、生活习惯和语言表达等；小学阶段用户需求的教育资源可以是学习习惯、兴趣启蒙和学科拓展等；初中阶段用户的需求的教育资源可以是学科学习（包括初中的数学、物理等学科）、人际沟通、青春期心理和健康生活；高中阶段用户的需求的教育资源可以是学科学习、人生规划、压力缓解、身心健康和备考指南等。
本实施例中，不同年龄段用户的教育资源需求仅为示例性，在其他实施例中，对年龄段的划分还可以是其他，教育资源需求的类型还可以是其他，在此不再赘述。
S02：根据不同年龄段用户需求的教育资源调研数据构建不同年龄段用户的总需求特征体系，总需求特征体系包括多个对应年龄段所需的教育资源类型的标签。
在获得不同年龄段用户需求的教育资源调研数据之后，根据这些不同年龄段用户需求的教育资源调研数据构造关于不同年龄段用户教育资源需求特征的获得总需求特征体系。其中，总需求特征体系为分层结构特征体系，总需求特征体系中包括多个对应年龄段所需的教育资源类型的标签，且多个标签之间相互关联、具体不同的层级，即每一年龄段的总需求特征体系都包含不同的教育资源需求特征标签，不同的教育资源需求特征标签之间具有关联性且分层。
例如，总需求特征体系可以为基于知识图谱的需求特征体系，多个标签可分为不同的层级，且多个标签相互之间具有关联性。本实施例中，总需求特征体系为基于知识图谱的需求特征体系仅为示例性说明，在其他实施例中，总需求特征体系还可以是其他类型的分层结构特征体系。
S03：获取用户的用户行为数据和用户基本信息，并根据用户行为数据和用户基本信息确定用户的多个兴趣特征标签。
在获得不同年龄段的总需求特征体系之后，获取当前用户在推荐系统中的用户行为数据和用户自主设置的用户基本信息，根据用户行为数据和用户基本信息确定用户感兴趣的教育资源，即确定用户的多个兴趣特征标签。
S04： 根据用户基本信息中的用户年龄在不同年龄段用户的总需求特征体系中确定用户对应年龄段的总需求特征体系，并根据兴趣特征与用户对应年龄段的总需求特征体系确定用户的多个需求特征标签。
在确定用户的兴趣特征标签之后，根据用户基本信息中的用户年龄确定用户对应年龄段的总需求特征体系，将总需求特征体系中的多个教育资源类型的标签减去用户的兴趣特征标签，从而获得用户的多个需求特征标签。
S05：根据用户的多个需求特征标签和兴趣特征标签构建用户特征体系。
在确定用户对应年龄段的总需求特征体系和用户的兴趣特征标签之后，根据用户的多个需求特征标签和兴趣特征标签构建用户特征体系，以便后续根据用户的用户特征体系确定用户特征标签。其中，用户特征体系也为分层结构特征体系，包括多个相互关联的需求特征标签和兴趣特征标签。
本实施例中，通过获取不同年龄段用户需求的教育资源调研数据，根据不同年龄段用户需求的教育资源调研数据构建不同年龄段用户的总需求特征体系，总需求特征体系为包括多个对应年龄段所需的教育资源类型的标签，获取用户的用户行为数据和用户基本信息，根据用户行为数据和用户基本信息确定用户的多个兴趣特征标签，根据用户基本信息中的用户年龄在不同年龄段用户的总需求特征体系中确定用户对应年龄段的总需求特征体系，并根据兴趣特征与用户对应年龄段的总需求特征体系确定用户的多个需求特征标签，根据用户的多个需求特征标签和兴趣特征标签构建用户特征体系，通过对不同年龄段用户的教育资源需求进行调研，以构建不同年龄段用户的总需求特征体系，然后根据不同用户的行为数量和基本信息确定用户的兴趣特征标签，将用户兴趣特征与用户需求特征进行关联构建为关于个性化的用户特征体系，为后续生成推荐结果提供了基础，以便后续根据用户特征体系中的兴趣特征标签与需求特征标签对用户进行教育资源推荐，进而保证了推荐内容的精准性和多样性。
在一实施例中，步骤S02中，即根据不同年龄段用户需求的教育资源调研数据构建总需求特征体系，具体包括如下步骤：
S021：根据不同年龄段用户需求的教育资源调研数据对教育资源的类型进行划分，获得多个教育资源总类型标签，各教育资源总类型标签包括多个教育资源细分类型标签。
在获得教育资源调研数据之后，根据不同年龄段用户需求的教育资源调研数据对教育资源的类型进行划分，获得多个教育资源总类型标签，各教育资源总类型标签包括多个教育资源细分类型标签。
S022：将多个教育资源总类型标签和多个教育资源细分类型标签按照对应关系构建总需求特征体系。
在获得多个教育资源总类型标签和多个教育资源细分类型之后，将多个教育资源总类型标签和多个教育资源细分类型标签按照对应关系构建总需求特征体系。在总需求特征体系中，多个教育资源总类型标签可以相互关联，多个教育资源细分类型之间也可以相互关联。
例如，如图3所示，图3为高中阶段用户的总需求特征体系，多个教育资源总类型标签包括文化基础、社会发展、自主发展和综合发展，其中，文化基础中的教育资源细分类型包括数学、物理、化学、历史、地理、艺术修养和其他；社会发展的教育资源细分类型包括人际交往、社会关系理解、社会责任感、合作能力、思想道德和其他；自主发展的教育资源细分类型标签包括健康生活习惯、学习方法、压力缓解、心理健康、青春期心理和其他；综合发展的教育资源细分类型标签包括技术运用能力、信息意识、问题解决能力、逻辑思维、创造力和其他。在该总需求特征体系中，各类型便签既有独立的部分，如文化素养和社会参与，在各教育资源总类型标签下的教育资源细分类型也有相关联的部分，如自主发展下的心理健康、压力缓解和健康生活习惯等互相关联。
本实施例中，多个教育资源总类型标签和多个教育资源细分类型仅为示例性，在其他实施例中，多个教育资源总类型标签还可以是其他总类型，教和多个教育资源细分类型还可以是其他细分类型，在此不再赘述。
本实施例中，通过根据不同年龄段用户需求的教育资源调研数据对教育资源的类型进行划分，获得多个教育资源总类型标签，各教育资源总类型标签包括多个教育资源细分类型标签，将多个教育资源总类型标签和多个教育资源细分类型标签按照对应关系构建总需求特征体系，明确了根据不同年龄段用户需求的教育资源调研数据构建总需求特征体系的过程，根据多个教育资源总类型标签和多个教育资源细分类型标签按照对应关系构建总需求特征体系，使得不同年龄段用户的总需求特征体系清晰明确，为后续对用户的总需求特征体系的应用提供了基础。
在一实施例中，步骤S20中，即根据兴趣特征标签和需求特征标签在预设内容库中确定初始召回内容，具体包括如下步骤：
S21：获取预设内容库中所有教育资源的内容特征标签，预设内容库为根据内容特征标签构建分层标签体系的教育资源内容库。
在确定用户的兴趣特征标签和需求特征标签之后，获取预设内容库中所有教育资源的内容特征标签，以根据教育资源的内容特征标签对用户需求的内容进行召回。其中，预设内容库为根据内容特征标签构建分层标签体系的教育资源内容库，内容库存放有各自教育资源数据内容，内容库中的内容包括短视频内容、绘本内容、直播内容和动态说说内容等。在其他实施例中，内容库中的内容还可以是其他形式的内容，在此不再赘述。
在一实施例中，在获取预设内容库中所有教育资源的内容特征标签之前，需要对推荐系统内容库的所有内容进行内容特征标签的标注，进而根据各内容的内容特征标签获得不同分层标签体系的预设内容库，以提高后续获取初始召回内容的速度，进而提升获取推荐结果的效率。
其中，可以根据各内容的主题对各内容添加内容特征标签，每个内容都有多个的内容特征标签，例如，内容的主题为教小学生快速背单词的短视频，则该内容的内容特征标签可以为小学生、短视频、英语、记忆、单词、文化素养等。
本实施例中，可以根据各内容的主题对各内容添加内容特征标签仅为示例性说明，在其他实施例中，还可以通过其他方式对内容库中的内容进行内容特征标签的标注，在此不再赘述。
S22：在预设内容库中对需求特征标签、兴趣特征标签和内容特征标签进行相似度召回，以获得具有不同相似度的召回内容。
在获取预设内容库中所有教育资源的内容特征标签之后，采用相似度等召回模型在内容库中召回符合需求特征标签或兴趣特征标签内容，即在预设内容库中对需求特征标签、兴趣特征标签和内容特征标签进行相似度召回，以获得具有不同相似度的召回内容。
S23：将具有不同相似度的召回内容作为初始召回内容。
在获得具有不同相似度的召回内容之后，将具有不同相似度的召回内容作为初始召回内容，以便后续对初始召回内容进行优化处理获得推荐结果。
本实施例中，通过获取预设内容库中所有教育资源的内容特征标签， 在预设内容库中对需求特征标签、兴趣特征标签和内容特征标签进行相似度召回，以获得具有不同相似度的召回内容，将具有不同相似度的召回内容作为初始召回内容，细化了根据兴趣特征标签和需求特征标签在预设内容库中确定初始召回内容的步骤。
在一实施例中，如图4所示，步骤S30中，即对初始召回内容进行优化处理以获得推荐结果，具体包括如下步骤：
S31：根据用户的历史浏览记录剔除初始召回内容中浏览过的内容，获得过滤召回内容。
在获取初始召回内容之后，根据用户的历史浏览记录剔除初始召回内容中浏览过的内容，获得过滤召回内容，以减少推荐结果的重复性，提高推荐结果的精准性，进而提高用户满意度。
S32：根据预设评分条件确定过滤召回内容中各召回内容的评分。
在获得过滤召回内容之后，根据预设评分条件对滤召回内容中的每一内容进行打分，从而确定过滤召回内容中各召回内容的评分。
其中，可以根据预设评分条件预先训练出评分模型，在获得滤召回内容之后，根据评分模型对滤召回内容中的各召回内容进行评分。例如，可以根据过滤召回内容中各召回内容与兴趣特征标签或者需求特征标签的相似度进行评分，相似度越高，召回内容评分越高。
本实施例中，根据各召回内容与兴趣特征标签或者需求特征标签的相似度进行评分仅为示例性说明，在其他实施例中，预设评分条件还可以是其他评分条件，在此不再赘述。
S33：根据过滤召回内容中各召回内容的评分和预设均衡机制对过滤召回内容进行排序，以获得推荐结果。
在获得滤召回内容中各召回内容的评分之后，根据过滤召回内容中各召回内容的评分和预设均衡机制对过滤召回内容进行排序，以获得推荐结果，以使推荐结果更符合用户的兴趣特征和需求特征，进一步提高了推荐结果的精准性。
本实施例中，通过根据用户的历史浏览记录剔除初始召回内容中浏览过的内容，获得过滤召回内容，再根据预设评分条件确定过滤召回内容中各召回内容的评分，然后根据过滤召回内容中各召回内容的评分和预设均衡机制对过滤召回内容进行排序，以获得推荐结果，细化了对初始召回内容进行优化处理以获得推荐结果的步骤，减少了推荐结果的重复性，提高了推荐结果的精准性，进而提高了用户满意度。
在一实施例中，步骤S33中，即根据过滤召回内容中各召回内容的评分和预设均衡机制对过滤召回内容进行排序，具体包括如下步骤：
S331：确定过滤召回内容中各召回内容的内容特征标签。
在根据预设评分条件确定过滤召回内容中各召回内容的评分之后，确定过滤召回内容中各召回内容的内容特征标签，以便后续根据各召回内容的内容特征标签进行页面排序。
S332：根据展示页面所能展示的内容数量和过滤召回内容的内容特征标签对过滤召回内容进行页面划分，以获得多个展示页面的展示内容，每一展示页面的展示内容满足用户的短期兴趣标签、长期兴趣标签和权重最低的需求兴趣标签。
在确定过滤召回内容中各召回内容的内容特征标签之后，确定展示页面所能展示的内容数量，并根据展示页面所能展示的内容数量和过滤召回内容的内容特征标签对过滤召回内容进行页面划分，以获得多个展示页面的展示内容，每一展示页面的展示内容满足用户的短期兴趣标签、长期兴趣标签和权重最低的需求兴趣标签。
其中，短期兴趣标签和长期兴趣标签组成了用户的兴趣特征标签，短期兴趣标签为根据近期（如1-2天内）的用户行为数据进行确定的兴趣特征标签，长期兴趣标签为用户所有的行为数据确定的兴趣特征标签。权重最低的需求标签内容可以通过检测用户特征体系获得。在建立用户特征体系后，用户特征体系的权重检测机制会在用户特征体系的知识图谱中检测各需求特征标签的权重，在发现需求特征标签变化或者获得召回内容之时，将需求特征标签及其权重进行推送。此外，针对用户的需求特征标签，在获得用户用户的反馈数据、学习数据、测评数据之后，会根据兴趣特征标签、反馈数据、学习数据、测评数据等对需求特征标签的类型和权重进行更新，获得不同的需求特征标签的类型和权重，以便更好地捕捉用户的需求并且提高推送内容的精准性、实用性和全面性。
在对过滤召回内容进行页面划分时，根据过滤召回内容的内容特征标签对过滤召回内容的进行均衡配置，确保后续每一展示页面推送的推荐结果包含用户感兴趣的短期兴趣标签内容、长期兴趣标签内容和权重最低的需求兴趣标签，以提高推荐结果的多样性，从而有利于用户的全面发展。
例如，均衡配置机制可以通过确保短期兴趣标签内容、长期兴趣标签内容和权重最低的需求兴趣标签内容在在每一展示页面的权重，来保证推荐结果多样性，通过确定短期兴趣标签内容、长期兴趣标签内容和权重最低的需求兴趣标签内容在每一展示页面的百分比，如每一页面的展示内容为：短期兴趣标签内容30% + 长期兴趣标签内容35% + 权重最低的需求兴趣标签内容35%。
本实施例中，每一展示页面的展示内容为：短期兴趣标签内容30% + 长期兴趣标签内容35% + 权重最低的需求兴趣标签内容35%仅为示例性说明，在其他实施例中，每一展示页面的展示内容还可以以其他的方式进行展示。
S333：根据各召回内容中的评分对每一展示页面内的各展示内容进行排序，获得各展示内容在对应展示页面的排序结果。
在获得多个展示页面的展示内容之后，根据各召回内容中的评分确定展示页面内的各展示内容的评分，并根据各展示内容的评分对各展示内容在对应展示页面内的进行排序，获得各展示内容在对应展示页面的排序结果。
S334：根据每一展示页面的总内容评分对各展示页面进行排序，获得展示页面排序结果。
根据各召回内容中的评分确定展示页面内的各展示内容的评分，进而确定每一展示页面总评分，然后根据每一展示页面总评分进行排序，获得展示页面排序结果，从而根据各展示内容在对应展示页面的排序结果和各展示页面排序结果确定推荐结果。
本实施例中，通过确定过滤召回内容中各召回内容的内容特征标签，根据展示页面所能展示的内容数量和过滤召回内容的内容特征标签对过滤召回内容进行页面划分，以获得多个展示页面的展示内容，每一展示页面的展示内容满足用户的短期兴趣标签、长期兴趣标签和权重最低的需求兴趣标签，根据各召回内容中的评分对每一展示页面内的各展示内容进行排序，获得各展示内容在对应展示页面的排序结果，根据每一展示页面的总内容评分对各展示页面进行排序，获得展示页面排序结果，细化了根据过滤召回内容中各召回内容的评分和预设均衡机制对过滤召回内容进行排序的过程，保证每一展示页面展示内容的多样性。
在一实施例中，步骤S40之后，即将教育资源类型推荐结果对推荐的教育资源类型进行展示之后，方法还包括如下步骤：
S41：获取并记录用户对推荐结果的反馈数据。
在将教育资源类型推荐结果对推荐的教育资源类型进行展示之后，获取并记录用户对推荐结果的反馈数据。其中，反馈数据包括用户对推荐结果进行点赞、忽略、收藏、学习、测评和调查等数据，以通过用户的反馈数据确定最新的用户特征标签。
S42：根据反馈数据更新兴趣特征标签中的短期兴趣标签和长期兴趣标签，以获得更新的兴趣特征标签。
在获取并记录用户对推荐结果的反馈数据之后，对反馈数据进行分析统计，根据反馈数据的反馈时间对兴趣特征标签中的短期兴趣标签和长期兴趣标签，其中，若反馈数据的反馈时间为近期（如1-2内的反馈数据），则更新兴趣特征标签中的短期兴趣标签，进而更新的短期兴趣标签更新长期兴趣标签，以获得更新的兴趣特征标签。
S43：根据更新的兴趣特征标签更新用户特征体系。
在获得更新的兴趣特征标签之后，根据更新的兴趣特征标签更新包括需求特征在内的用户特征体系，以保证用户特征体系的准确性，进而提高后续根据用户特征体系获得的推荐结果的精准性。
本实施例中，在在将教育资源类型推荐结果对推荐的教育资源类型进行展示之后，通过获取并记录用户对推荐结果的反馈数据，然后根据反馈数据更新兴趣特征标签中的短期兴趣标签和长期兴趣标签，以获得更新的兴趣特征标签，最后根据更新的兴趣特征标签更新用户特征体系，根据用户的反馈数据对用户特征体系进行及时的更新，保证了用户特征体系的准确性，进而提高了后续根据用户特征体系获得的推荐结果的精准性。
在一实施例中，步骤S42之后，在根据反馈数据更新兴趣特征标签中的短期兴趣标签之后，所述方法还包括：根据短期兴趣标签实时更新初始召回内容，以获得最新的推荐结果。在根据反馈数据更新兴趣特征标签中的短期兴趣标签，根据短期兴趣标签实时更新初始召回内容，从而获得更加准确的召回内容，进一步提高推荐结果的精准性，从而提高用户的满意度。
在一实施例中，在建立用户的用户特征体系之后，会根据用户的搜索行为数据、交互行为数据（如浏览、点赞、评论等）和用户自主设置信息对用户的用户特征体系进行更新。例如，用户浏览某类内容越多、越感兴趣，相应的需求特征权重就会增加；也可以根据用户的主动设置、问卷调查、简单测试，用户在某领域的测试成绩越高，相应特征标签的权重也会增加，以提高用户特征体系的准确性，进一步提高根据用户特征体系获得的推荐结果的精准性，从而提高用户的满意度。
在对用户的用户特征体系中的特征标签进行更新时，采用波动更新机制，即会根据，搜索行为数据、交互行为数据和用户自主设置信息加强或减弱对应特征标签的权重，由于用户特征体系为基于知识图谱构建的特征体系，当某些特征标签得到加强或减弱时，与特征标签关联的特征便签也会根据关联的强弱随之也得到加强或减弱。
例如，在图4中，当社会责任感特征标签的权重得到加强，与社会责任感连接的社会关系理解、合作能力和社会参与等特征标签的权重也会得到加强，此外，与这些特征标签关联的人际交往的权重也会加强，但加强的幅度会减弱。
本实施例中，用户特征体系中的特征标签权重可以反映用户对某方面教育资源内容的了解程度，通过不同特征标签的权重反映用户对于某方面的教育资源内容需求是否得到满足，或者检测用户比较弱的权重，以便后续根据权重的不同调整推荐结果。例如，特征标签权重越高，特征标签对应的推送内容的难度等级就可以相应提高；当用户某特征标签的权重明显低于其他特征标签时，表示用户需要适当接收并了解该特征标签对应的教育资源内容，提高该特征标签对应的教育资源内容的推荐比例。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种教育资源推荐处理装置，该教育资源推荐处理装置与上述实施例中教育资源推荐处理方法一一对应。如图5所示，该教育资源推荐处理装置包括第一确定模块501、第二确定模块502、优化模块503和展示模块504。各功能模块详细说明如下：
第一确定模块501，用于确定用户的用户特征标签，所述用户特征标签包括兴趣特征标签和需求特征标签，所述兴趣特征标签为根据所述用户的行为数据确定出的用户感兴趣教育资源类型的标签，所述需求特征标签为调研获得的所述用户对应年龄段所需要的教育资源类型标签中除所述兴趣特征标签之外的标签；
第二确定模块502，用于根据所述兴趣特征标签和需求特征标签在预设内容库中确定初始召回内容，所述初始召回内容为在预设内容库内召回的符合所述兴趣特征标签、所述需求特征标签的内容；
优化模块503，用于对所述初始召回内容进行优化处理以获得教育资源类型推荐结果；
展示模块504，用于将所述教育资源类型推荐结果对推荐的教育资源类型进行展示。
进一步地，所述教育资源推荐处理装置还包括获取模块505，所述确定用户的用户特征标签之前，所述获取模块505具体用于：
获取不同年龄段用户需求的教育资源调研数据；
根据所述不同年龄段用户需求的教育资源调研数据构建不同年龄段用户的总需求特征体系，所述总需求特征体系包括多个所述对应年龄段所需的教育资源类型的标签；
获取所述用户的用户行为数据和用户基本信息，并根据所述用户行为数据和用户基本信息确定所述用户的多个兴趣特征标签；
根据所述用户基本信息中的用户年龄在所述不同年龄段用户的总需求特征体系中确定所述用户对应年龄段的总需求特征体系，并根据所述兴趣特征与所述用户对应年龄段的总需求特征体系确定所述用户的多个需求特征标签；
根据所述用户的多个需求特征标签和所述兴趣特征标签构建所述用户的用户特征体系。
进一步地，所述获取模块505具体还用于：
根据所述不同年龄段用户需求的教育资源调研数据对所述教育资源的类型进行划分，获得多个教育资源总类型标签，各所述教育资源总类型标签包括多个教育资源细分类型标签；
将所述多个教育资源总类型标签和所述多个教育资源细分类型标签按照对应关系构建所述总需求特征体系。
进一步地，所述第二确定模块502具体用于：
获取所述预设内容库中所有教育资源的内容特征标签，所述预设内容库为根据所述内容特征标签构建分层标签体系的教育资源内容库；
在所述预设内容库中对所述需求特征标签、所述兴趣特征标签和所述内容特征标签进行相似度召回，以获得具有不同相似度的召回内容；
将所述具有不同相似度的召回内容作为所述初始召回内容。
进一步地，所述优化模块503具体用于：
根据所述用户的历史浏览记录剔除所述初始召回内容中浏览过的内容，获得过滤召回内容；
根据预设评分条件确定所述过滤召回内容中各召回内容的评分；
根据所述过滤召回内容中各召回内容的评分和预设均衡机制对所述过滤召回内容进行排序，以获得所述推荐结果。
进一步地，所述优化模块503具体还用于：
确定所述过滤召回内容中各召回内容的内容特征标签；
根据展示页面所能展示的内容数量和所述过滤召回内容的内容特征标签对所述过滤召回内容进行页面划分，以获得多个所述展示页面的展示内容，每一所述展示页面的展示内容满足所述用户的短期兴趣标签、长期兴趣标签和权重最低的需求兴趣标签；
根据所述各召回内容中的评分对每一所述展示页面内的各展示内容进行排序，获得各所述展示内容在对应展示页面的排序结果；
根据每一所述展示页面的总内容评分对各所述展示页面进行排序，获得展示页面排序结果。
进一步地，所述教育资源推荐处理装置还包括更新模块506，所述将所述教育资源类型推荐结果对推荐的教育资源类型进行展示之后，所述更新模块506具体用于：
获取并记录所述用户对所述推荐结果的反馈数据；
根据所述反馈数据更新所述兴趣特征标签中的短期兴趣标签和长期兴趣标签，以获得更新的兴趣特征标签；
根据所述更新的兴趣特征标签更新所述用户特征体系。
进一步地，所述根据所述反馈数据更新所述兴趣特征标签中的短期兴趣标签之后，所述更新模块506具体还用于：
根据所述短期兴趣标签实时更新所述召回内容，以获得最新的推荐结果。
关于教育资源推荐处理装置的具体限定可以参见上文中对于教育资源推荐处理方法的限定，在此不再赘述。上述教育资源推荐处理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。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。该计算机程序被处理器执行时以实现一种教育资源推荐处理方法。
在一个实施例中，如图6所示，提供了一种计算机设备，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，处理器执行计算机程序时实现以下步骤：
确定用户的用户特征标签，所述用户特征标签包括兴趣特征标签和需求特征标签，所述兴趣特征标签为根据所述用户的行为数据确定出的用户感兴趣教育资源类型的标签，所述需求特征标签为调研获得的所述用户对应年龄段所需要的教育资源类型标签中除所述兴趣特征标签之外的标签；
根据所述兴趣特征标签和需求特征标签在预设内容库中确定初始召回内容，所述初始召回内容为在预设内容库内召回的符合所述兴趣特征标签、所述需求特征标签的内容；
对所述初始召回内容进行优化处理以获得教育资源类型推荐结果；
将所述教育资源类型推荐结果对推荐的教育资源类型进行展示。
在一个实施例中，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：
确定用户的用户特征标签，所述用户特征标签包括兴趣特征标签和需求特征标签，所述兴趣特征标签为根据所述用户的行为数据确定出的用户感兴趣教育资源类型的标签，所述需求特征标签为调研获得的所述用户对应年龄段所需要的教育资源类型标签中除所述兴趣特征标签之外的标签；
根据所述兴趣特征标签和需求特征标签在预设内容库中确定初始召回内容，所述初始召回内容为在预设内容库内召回的符合所述兴趣特征标签、所述需求特征标签的内容；
对所述初始召回内容进行优化处理以获得教育资源类型推荐结果；
将所述教育资源类型推荐结果对推荐的教育资源类型进行展示。
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。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种教育资源推荐处理方法，其特征在于，包括：
确定用户的用户特征标签，所述用户特征标签包括兴趣特征标签和需求特征标签，所述兴趣特征标签为根据所述用户的行为数据确定出的用户感兴趣教育资源类型的标签，所述需求特征标签为调研获得的所述用户对应年龄段所需要的教育资源类型标签中除所述兴趣特征标签之外的标签；
根据所述兴趣特征标签和需求特征标签在预设内容库中确定初始召回内容，所述初始召回内容为在预设内容库内召回的符合所述兴趣特征标签、所述需求特征标签的内容；
对所述初始召回内容进行优化处理以获得教育资源类型推荐结果；
将所述教育资源类型推荐结果对推荐的教育资源类型进行展示。
2.如权利要求1所述的教育资源推荐处理方法，其特征在于，所述确定用户的用户特征标签之前，所述方法还包括：
获取不同年龄段用户需求的教育资源调研数据；
根据所述不同年龄段用户需求的教育资源调研数据构建不同年龄段用户的总需求特征体系，所述总需求特征体系包括多个所述对应年龄段所需的教育资源类型的标签；
获取所述用户的用户行为数据和用户基本信息，并根据所述用户行为数据和用户基本信息确定所述用户的多个兴趣特征标签；
根据所述用户基本信息中的用户年龄在所述不同年龄段用户的总需求特征体系中确定所述用户对应年龄段的总需求特征体系，并根据所述兴趣特征与所述用户对应年龄段的总需求特征体系确定所述用户的多个需求特征标签；
根据所述用户的多个需求特征标签和所述兴趣特征标签构建所述用户的用户特征体系。
3.如权利要求2所述的教育资源推荐处理方法，其特征在于，所述根据不同年龄段用户需求的教育资源调研数据构建不同年龄段用户的总需求特征体系，包括：
根据所述不同年龄段用户需求的教育资源调研数据对所述教育资源的类型进行划分，获得多个教育资源总类型标签，各所述教育资源总类型标签包括多个教育资源细分类型标签；
将所述多个教育资源总类型标签和所述多个教育资源细分类型标签按照对应关系构建所述总需求特征体系。
4.如权利要求1所述的教育资源推荐处理方法，其特征在于，所述根据所述兴趣特征标签和需求特征标签在预设内容库中确定初始召回内容，包括：
获取所述预设内容库中所有教育资源的内容特征标签，所述预设内容库为根据所述内容特征标签构建分层标签体系的教育资源内容库；
在所述预设内容库中对所述需求特征标签、所述兴趣特征标签和所述内容特征标签进行相似度召回，以获得具有不同相似度的召回内容；
将所述具有不同相似度的召回内容作为所述初始召回内容。
5.如权利要求1所述的教育资源推荐处理方法，其特征在于，所述对所述初始召回内容进行优化处理以获得推荐结果，包括：
根据所述用户的历史浏览记录剔除所述初始召回内容中浏览过的内容，获得过滤召回内容；
根据预设评分条件确定所述过滤召回内容中各召回内容的评分；
根据所述过滤召回内容中各召回内容的评分和预设均衡机制对所述过滤召回内容进行排序，以获得所述推荐结果。
6.如权利要求5所述的教育资源推荐处理方法，其特征在于，所述根据所述过滤召回内容中各召回内容的评分和预设均衡机制对所述过滤召回内容进行排序，包括：
确定所述过滤召回内容中各召回内容的内容特征标签；
根据展示页面所能展示的内容数量和所述过滤召回内容的内容特征标签对所述过滤召回内容进行页面划分，以获得多个所述展示页面的展示内容，每一所述展示页面的展示内容满足所述用户的短期兴趣标签、长期兴趣标签和权重最低的需求兴趣标签；
根据所述各召回内容中的评分对每一所述展示页面内的各展示内容进行排序，获得各所述展示内容在对应展示页面的排序结果；
根据每一所述展示页面的总内容评分对各所述展示页面进行排序，获得展示页面排序结果。
7.如权利要求1-6任一项所述的教育资源推荐处理方法，其特征在于，所述将所述教育资源类型推荐结果对推荐的教育资源类型进行展示之后，所述方法还包括：
获取并记录所述用户对所述推荐结果的反馈数据；
根据所述反馈数据更新所述兴趣特征标签中的短期兴趣标签和长期兴趣标签，以获得更新的兴趣特征标签；
根据所述更新的兴趣特征标签更新所述用户特征体系。
8.如权利要求7所述的教育资源推荐处理方法，其特征在于，所述根据所述反馈数据更新所述兴趣特征标签中的短期兴趣标签之后，所述方法还包括：
根据所述短期兴趣标签实时更新所述召回内容，以获得最新的推荐结果。
9.一种教育资源推荐处理装置，其特征在于，包括：
第一确定模块，用于确定用户的用户特征标签，所述用户特征标签包括兴趣特征标签和需求特征标签，所述兴趣特征标签为根据所述用户的行为数据确定出的用户感兴趣教育资源类型的标签，所述需求特征标签为调研获得的所述用户对应年龄段所需要的教育资源类型标签中除所述兴趣特征标签之外的标签；
第二确定模块，用于根据所述兴趣特征标签和需求特征标签在预设内容库中确定初始召回内容，所述初始召回内容为在预设内容库内召回的符合所述兴趣特征标签、所述需求特征标签的内容；
优化模块，用于对所述初始召回内容进行优化处理以获得教育资源类型推荐结果；
展示模块，用于将所述教育资源类型推荐结果对推荐的教育资源类型进行展示。
10.一种计算机设备，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任一项所述教育资源推荐处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011129309.2A CN111966913A (zh) | 2020-10-21 | 2020-10-21 | 一种教育资源推荐处理方法、装置及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011129309.2A CN111966913A (zh) | 2020-10-21 | 2020-10-21 | 一种教育资源推荐处理方法、装置及计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111966913A true CN111966913A (zh) | 2020-11-20 |
Family
ID=73387230
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011129309.2A Pending CN111966913A (zh) | 2020-10-21 | 2020-10-21 | 一种教育资源推荐处理方法、装置及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111966913A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112380452A (zh) * | 2021-01-14 | 2021-02-19 | 北京崔玉涛儿童健康管理中心有限公司 | 婴幼儿内容推荐中的用户兴趣收集方法、装置 |
| CN112530220A (zh) * | 2020-12-23 | 2021-03-19 | 北京星恒教育科技有限公司 | 一种用于职业教育的在线直播及考试系统 |
| CN112925901A (zh) * | 2021-03-23 | 2021-06-08 | 华中师范大学 | 一种辅助在线问卷评估的评估资源推荐方法及其应用 |
| CN114066695A (zh) * | 2022-01-18 | 2022-02-18 | 广东数业智能科技有限公司 | 一种基于劳动项目的教育内容分析方法、系统和存储介质 |
| CN114238784A (zh) * | 2021-12-17 | 2022-03-25 | 北京达佳互联信息技术有限公司 | 内容推荐方法、装置、系统、设备、介质及程序产品 |
| CN116431895A (zh) * | 2023-02-15 | 2023-07-14 | 武汉博晟安全技术股份有限公司 | 安全生产知识个性化推荐方法及系统 |
| CN116628339A (zh) * | 2023-06-09 | 2023-08-22 | 国信蓝桥教育科技股份有限公司 | 一种基于人工智能的教育资源推荐方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104809127A (zh) * | 2014-01-26 | 2015-07-29 | 上海联影医疗科技有限公司 | 一种远程教育资源的推荐方法和装置 |
| CN106296312A (zh) * | 2016-08-30 | 2017-01-04 | 江苏名通信息科技有限公司 | 基于社交媒体的在线教育资源推荐系统 |
| CN107395703A (zh) * | 2017-07-11 | 2017-11-24 | 中国医学科学院医学信息研究所 | 一种资源推送方法和装置 |
| CN108573409A (zh) * | 2018-04-16 | 2018-09-25 | 湖北师范大学 | 一种社会教育资源推荐系统及方法 |
| CN109754348A (zh) * | 2019-01-03 | 2019-05-14 | 寂通(上海)管理咨询有限公司 | 一种课程推送方法、装置、电子设备和介质 |
| CN109816494A (zh) * | 2019-01-31 | 2019-05-28 | 北京卡路里信息技术有限公司 | 一种课程推荐方法、装置、设备及存储介质 |
| US20190387067A1 (en) * | 2016-09-14 | 2019-12-19 | Oath Inc. | Baseline Interest Profile for Recommendations Using a Geographic Location |
| CN110910188A (zh) * | 2018-09-14 | 2020-03-24 | 百度在线网络技术（北京）有限公司 | 课程优化与推荐的方法、装置、存储介质和终端设备 |
| CN110929158A (zh) * | 2019-11-29 | 2020-03-27 | 腾讯科技（深圳）有限公司 | 一种内容推荐方法、系统及存储介质和终端设备 |
-
2020
- 2020-10-21 CN CN202011129309.2A patent/CN111966913A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104809127A (zh) * | 2014-01-26 | 2015-07-29 | 上海联影医疗科技有限公司 | 一种远程教育资源的推荐方法和装置 |
| CN106296312A (zh) * | 2016-08-30 | 2017-01-04 | 江苏名通信息科技有限公司 | 基于社交媒体的在线教育资源推荐系统 |
| US20190387067A1 (en) * | 2016-09-14 | 2019-12-19 | Oath Inc. | Baseline Interest Profile for Recommendations Using a Geographic Location |
| CN107395703A (zh) * | 2017-07-11 | 2017-11-24 | 中国医学科学院医学信息研究所 | 一种资源推送方法和装置 |
| CN108573409A (zh) * | 2018-04-16 | 2018-09-25 | 湖北师范大学 | 一种社会教育资源推荐系统及方法 |
| CN110910188A (zh) * | 2018-09-14 | 2020-03-24 | 百度在线网络技术（北京）有限公司 | 课程优化与推荐的方法、装置、存储介质和终端设备 |
| CN109754348A (zh) * | 2019-01-03 | 2019-05-14 | 寂通(上海)管理咨询有限公司 | 一种课程推送方法、装置、电子设备和介质 |
| CN109816494A (zh) * | 2019-01-31 | 2019-05-28 | 北京卡路里信息技术有限公司 | 一种课程推荐方法、装置、设备及存储介质 |
| CN110929158A (zh) * | 2019-11-29 | 2020-03-27 | 腾讯科技（深圳）有限公司 | 一种内容推荐方法、系统及存储介质和终端设备 |
Non-Patent Citations (1)
| Title |
|---|
| 闫泽华: "《内容算法:把内容变成价值的效率系统》", 30 April 2018, 北京：中信出版社 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112530220A (zh) * | 2020-12-23 | 2021-03-19 | 北京星恒教育科技有限公司 | 一种用于职业教育的在线直播及考试系统 |
| CN112380452A (zh) * | 2021-01-14 | 2021-02-19 | 北京崔玉涛儿童健康管理中心有限公司 | 婴幼儿内容推荐中的用户兴趣收集方法、装置 |
| CN112925901A (zh) * | 2021-03-23 | 2021-06-08 | 华中师范大学 | 一种辅助在线问卷评估的评估资源推荐方法及其应用 |
| CN112925901B (zh) * | 2021-03-23 | 2022-07-19 | 华中师范大学 | 一种辅助在线问卷评估的评估资源推荐方法及其应用 |
| CN114238784A (zh) * | 2021-12-17 | 2022-03-25 | 北京达佳互联信息技术有限公司 | 内容推荐方法、装置、系统、设备、介质及程序产品 |
| CN114066695A (zh) * | 2022-01-18 | 2022-02-18 | 广东数业智能科技有限公司 | 一种基于劳动项目的教育内容分析方法、系统和存储介质 |
| CN116431895A (zh) * | 2023-02-15 | 2023-07-14 | 武汉博晟安全技术股份有限公司 | 安全生产知识个性化推荐方法及系统 |
| CN116628339A (zh) * | 2023-06-09 | 2023-08-22 | 国信蓝桥教育科技股份有限公司 | 一种基于人工智能的教育资源推荐方法及系统 |
| CN116628339B (zh) * | 2023-06-09 | 2023-11-17 | 国信蓝桥教育科技股份有限公司 | 一种基于人工智能的教育资源推荐方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111966913A (zh) | 一种教育资源推荐处理方法、装置及计算机设备 | |
| CN107230174B (zh) | 一种基于网络的在线互动学习系统和方法 | |
| KR102206256B1 (ko) | 온라인 강의 시스템에서 강사를 추천하는 방법 | |
| Klašnja-Milićević et al. | Social tagging strategy for enhancing e-learning experience | |
| Vie et al. | A review of recent advances in adaptive assessment | |
| Tavakoli et al. | An AI-based open recommender system for personalized labor market driven education | |
| van Deursen et al. | Information and strategic Internet skills of secondary students: A performance test | |
| US20210390871A1 (en) | Systems and methods for autonomous creation of personalized, self-updating curricula | |
| US9064017B2 (en) | Systems and methods for providing information incorporating reinforcement-based learning and feedback | |
| Haas | The impact of study abroad on improved cultural awareness: A quantitative review | |
| Barberà et al. | A cross-national study of teacher’s perceptions of online learning success | |
| Kiss | Are immigrants and girls graded worse? Results of a matching approach | |
| Biehler et al. | Introducing students to machine learning with decision trees using CODAP and Jupyter Notebooks | |
| CN112214670A (zh) | 一种在线课程推荐方法、装置、电子设备及存储介质 | |
| CN113656687B (zh) | 基于教研数据的教师画像构建方法 | |
| CN114254208A (zh) | 薄弱知识点的识别方法、学习路径的规划方法与装置 | |
| KR20190139080A (ko) | 목표달성을 위한 개인화커리큘럼제공장치 및 방법 | |
| Montalvo et al. | Building an educational platform using NLP: A case study in teaching finance | |
| Bacolod et al. | Economic assimilation and skill acquisition: Evidence from the occupational sorting of childhood immigrants | |
| Huang et al. | Promoting in-depth reading experience and acceptance: design and assessment of Tablet reading interfaces | |
| Sotelo-Dynega | What is a bilingual school psychologist? A national survey of the credentialing bodies of school psychologists: Implications for the assessment of bilinguals | |
| Bouzayane et al. | A preference ordered classification to leader learners identification in a MOOC | |
| Erdogdu et al. | Understanding students’ attitudes towards ICT | |
| Mishra et al. | Dynamic identification of learning styles in MOOC environment using ontology based browser extension | |
| KR20210068948A (ko) | 대학 입시 정보 제공 방법 및 장치 |
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: 20201120 |
|
| RJ01 | Rejection of invention patent application after publication |