CN112214670A - 一种在线课程推荐方法、装置、电子设备及存储介质 - Google Patents
一种在线课程推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112214670A CN112214670A CN202011074633.9A CN202011074633A CN112214670A CN 112214670 A CN112214670 A CN 112214670A CN 202011074633 A CN202011074633 A CN 202011074633A CN 112214670 A CN112214670 A CN 112214670A
- Authority
- CN
- China
- Prior art keywords
- course
- user
- current user
- historical
- predicted
- 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 53
- 230000006399 behavior Effects 0.000 claims abstract description 49
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 22
- 230000002452 interceptive effect Effects 0.000 claims description 35
- 230000003993 interaction Effects 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008520 organization Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 4
- 239000013598 vector Substances 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012932 thermodynamic analysis Methods 0.000 description 1
- 230000001755 vocal effect Effects 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请属于智慧城市领域,可应用于智慧教育技术领域中。本申请提供了一种在线课程推荐方法、装置、电子设备及存储介质,该方法包括获取当前用户身份特征,所述当前用户身份特征包括但不限于基本信息和特征信息;查找到与所述当前用户的基本信息和/或特征信息相同或相似的历史用户;通过预设课程预测模型,查找到与所述历史用户的身份特征对应的预测课程,确定为预测课程结果,并推荐给所述当前用户。通过人工智能的学习能力实现用户身份特征与预测课程的关系学习,实现推荐课程的准确性。利用预构建的用户索引树,解决新用户冷启动的问题,根据实时用户行为数据的分析,提高用户的体验满意度。
Description
技术领域
本申请涉及大数据技术领域,特别是涉及智慧教育领域中的一种在线课程推荐方法、装置、电子设备及存储介质。
背景技术
随着互联网技术的发展,借助互联网平台进行自主学习的方式已经成为人们学习知识的一种常用手段,有效的帮助了那些因为种种限制无法参与到现场教学,进行学习的学习者。
虽然,基于互联网平台的自主学习方式给人们带来了便捷性,可以使学习者在任何时间、任何地点根据自己的需要通过查看相关学习课程进行学习。但是,目前学习者在基于互联网平台进行自主学习时,各种学习网站推荐的学习课程多以人工推荐或者简单匹配的方式为学习进行学习课程的推荐。因此,推荐的学习课程往往无法满足学习者的需求,使得学习效果不理想。
在线职业教育的信息载体主要是在线的课程,客户端的浏览界面上展示给用户的课程列表必须要贴合用户需求才能达到推荐目的,这就对推荐系统提出了较高的要求,现有的课程推荐系统不能很好的为新用户提供推荐结果,造成了冷启动的问题,用户体验差。
发明内容
鉴于上述问题,提出了一种在线课程推荐方法、装置、电子设备及存储介质,以解决现有在线课程推荐不能贴合新用户需求的问题。
为了解决上述问题,本申请实施例公开了一种在线课程推荐方法,包括:
获取当前用户身份特征,所述当前用户身份特征包括但不限于基本信息和特征信息;
查找到与所述当前用户的基本信息和/或特征信息相同或相似的历史用户;
通过预设课程预测模型,查找到与所述历史用户的身份特征对应的预测课程,确定为预测课程结果,并推荐给所述当前用户。
进一步地,所述查找到与所述当前用户的基本信息和/或特征信息相同或相似的历史用户包括:
若当前用户为新用户,则通过预构建的用户索引树查询到与所述当前用户匹配度最高的历史用户,其中,若所述预设课程预测模型中查询不到与所述当前用户相同的历史用户身份特征对应的预测课程,则将所述当前用户定为新用户;
通过所述对应关系确定与所述历史用户的用户身份特征对应的预测课程结果,确定为所述当前用户的预测课程结果,并推荐给当前用户。
进一步地,所述查找到与所述当前用户的基本信息和/或特征信息相同或相似的历史用户之前,包括:
将所述历史用户的数据属性按照预设维度进行组合及向量化,得到所述用户索引树;
所述数据属性包括:
组织ID,和/或性别,和/或年龄,和/或定制爱好。
进一步地,所述通过预构建的用户索引树查询到与所述当前用户匹配度最高的历史用户包括:
在所述预构建的用户索引树中检索到与所述新用户相似度高的预设数量的历史用户;
利用欧式距离的计算方式,计算出与所述新用户欧式距离最小的历史用户,确定为与所述当前用户匹配度最高的历史用户。
进一步地,所述获取当前用户身份特征,所述当前用户身份特征包括但不限于基本信息和特征信息之前,包括:
获取用于建立所述用户身份特征与所述预测课程结果之间的交互行为数据;所述交互行为数据包括:点击课程详情页次数,和/或收藏课程记录,和/或免费试学课程记录,和/或课程点赞次数,和/或课程评分,和/或课程学习次数;
分析所述用户身份特征的特性及其规律,根据所述特性及其规律,确定所述预设课程预测模型的模型结构及其模型参数;
使用所述交互行为数据,对所述结构模型和所述模型参数进行训练和测试,确定所述用户身份特征与所述预测课程结果之间的对应关系。
进一步地,所述通过预设课程预测模型,查找到与所述历史用户的身份特征对应的预测课程,确定为预测课程结果,并推荐给所述当前用户之后包括:
获取历史用户在近三天的交互行为数据,所述交互行为数据包括:点击课程详情页次数,和/或收藏课程记录,和/或免费试学课程记录,和/或课程点赞次数,和/或课程评分,和/或课程学习次数;
将所述交互行为数据进行加权计算得出课程交互指数;
按照所述课程交互指数对课程进行排序,得到关注课程列表;
筛选出所述关注课程列表中排名靠前的预设数量课程确定为关注课程结果,并将所述关注课程结果,和/或所述预测课程结果推荐给所述当前用户。
进一步地,所述通过预设课程预测模型,查找到与所述历史用户的身份特征对应的预测课程,确定为预测课程结果,并推荐给所述当前用户之后,还包括:
获取用于建立所述用户身份特征与所述预测课程结果之间的交互行为数据;
根据所述交互行为数据形成课程热力图;
将所述课程热力图中的焦点课程确定为热门课程,并将所述关注课程,和/或所述预测课程,和/或所述热门课程推荐给用户。
本申请实施例公开了一种在线课程推荐装置,包括:
获取模块,用于获取当前用户身份特征,所述当前用户身份特征包括但不限于基本信息和特征信息;
查询模块,用于查找到与所述当前用户的基本信息和/或特征信息相同或相似的历史用户;
第一推荐模块,通过预设课程预测模型,查找到与所述历史用户的身份特征对应的预测课程,确定为预测课程结果,并推荐给所述当前用户。
本申请实施例公开了一种电子设备,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上述的在线课程推荐方法的步骤。
本申请实施例公开了一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上述的在线课程推荐方法的步骤。
本申请实施例包括以下优点:通过人工智能的学习能力实现用户身份特征与预测课程的关系学习,实现推荐课程的准确性。利用预构建的用户索引树,解决新用户冷启动的问题,根据实时用户行为数据的分析,提高用户的体验满意度。
附图说明
图1是本申请的一种在线课程推荐方法实施例的步骤流程图;
图2是本申请的一种在线课程推荐方法实施例的步骤流程图;
图3是本申请的一种在线课程推荐方法实施例的步骤流程图;
图4是本申请的一种在线课程推荐方法实施例的步骤流程图;
图5是本申请的一种在线课程推荐方法实施例的步骤流程图;
图6是本申请的一种在线课程推荐方法实施例的步骤流程图;
图7是本申请的一种在线课程推荐装置实施例的结构框图;
图8是本申请的一种在线课程推荐装置实施例的结构框图;
图9是本申请的一种在线课程推荐装置实施例的结构框图;
图10是本申请的一种在线课程推荐装置实施例的结构框图;
图11是本申请的一种在线课程推荐装置实施例的结构框图;
图12是本申请的一种在线课程推荐装置实施例的结构框图;
图13是本申请的一种在线课程推荐方法的计算机设备。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
参照图1,示出了本申请的一种在线课程推荐方法实施例的步骤流程图,具体可以包括如下步骤:
S100,获取当前用户身份特征,所述当前用户身份特征包括但不限于基本信息和特征信息;
S200,查找到与所述当前用户的基本信息和/或特征信息相同或相似的历史用户;
S300,通过预设课程预测模型,查找到与所述历史用户的身份特征对应的预测课程,确定为预测课程结果,并推荐给所述当前用户。
在一具体实施例中,上述步骤S100之前还包括,利用人工智能模型的自学能力,建立用户身份特征与预测课程结果之间的对应关系。通过人工智能的学习能力实现用户身份特征与预测课程的关系学习,实现推荐课程的准确性。
基于上述步骤S100所述,获取当前用户身份特征,所述当前用户身份特征包括但不限于基本信息和特征信息,在一具体实施例中,上述基本信息包括但不限于用户ID和组织ID,上述特征信息包括但不限于性别及年龄。本申请中的在线课程推荐方法适用于在线职业教育课程推荐方法,用户ID用于表示用户的唯一识别代码;组织ID用户获取用户关联的企业信息,可以根据上述企业信息获取到用户的职业类别和相关行业;性别和年龄用于人工智能模型自学过程中的分析和统计,便于提升自学过程中数据的多样性,调整人工智能模型中的权重,提高人工智能模型的课程预测效果。
基于上述步骤S200-S300所述,查找到与所述当前用户的基本信息和/或特征信息相同或相似的历史用户,通过预设课程预测模型,查找到与所述历史用户的身份特征对应的预测课程,确定为预测课程结果,并推荐给所述当前用户。通过通过人工智能建立的对应关系,确定与所述当前用户身份特征对应的预测课程结果;具体地,确定与所述当前用户身份特征对应的预测课程,包括:将所述对应关系中与所述当前用户身份特征相同或相似的历史用户身份特征所对应的预设数量的预测课程,确定为预测课程结果,并推荐给当前用户。若所述当前用户为历史用户,则直接采用预训练好的人工智能模型推荐课程给所述当前用户,若所述当前用户为新用户,则根据所述人工智能模型查找出与所述当前用户相似度最高的历史用户,将所述相似度最高的历史用户的学习课程推荐给所述当前用户。在本实施例中,上述历史用户是指在人工智能模型中能够查找到与当前用户身份特征相同的用户,新用户是指,在人工智能模型中查询不到与之身份特征相同的用户。
具体地,本申请采用协同过滤的算法对人工智能模型进行训练,将历史用户与课程之间的交互数据作为样本数据,进行人工智能模型训练和测试,将当前用户的身份特征作为协同过滤算法的输入参数,所述预测课程结果为所述协同过滤算法的输出参数,实现多种用户的在先课程推荐,解决了现有推荐方法中,新用户缺乏历史浏览和学习记录,因数据稀疏导致课程推荐不准确的问题。
参照图2,在本实施例中,所述查找到与所述当前用户的基本信息和/或特征信息相同或相似的历史用户S200包括:
S210,若当前用户为新用户,则通过预构建的用户索引树查询到与所述当前用户匹配度最高的历史用户,其中,若所述预设课程预测模型中查询不到与所述当前用户相同的历史用户身份特征对应的预测课程,则将所述当前用户定为新用户;
S220,通过所述对应关系确定与所述历史用户的用户身份特征对应的预测课程结果,确定为所述当前用户的预测课程结果,并推荐给当前用户。
基于上述步骤所述,如果用户为没有学习过课程的用户,则人工智能模型中就不存在上述新用户的浏览记录和学习记录,由于缺乏当前用户与课程的交互行为数据,本申请通过预先构建好的用户索引树,检索到与新用户最相似的历史用户,并将历史用户的topk喜欢的课程列表推荐给新用户;具体地,上述检索与新用户最相似的历史用户的步骤包括:
根据所述新用户的用户身份特征查找到与其匹配度最高的历史用户,具体地,上述匹配度采用用户身份特征的权重衡量,将历史用户中的用户身份特征与新用户的身份特征相似度进行权重排序,将上述权重排序最高的历史用户定义为与当前用户最相似的历史用户。通过上述步骤,能够有效解决新用户因数据稀疏产生冷启动的问题。
进一步,所述查找到与所述当前用户的基本信息和/或特征信息相同或相似的历史用户S200之前,包括:
S230,将所述历史用户的数据属性按照预设维度进行组合及向量化,得到所述用户索引树;所述数据属性包括:组织ID,和/或性别,和/或年龄,和/或定制爱好。
基于上述步骤所述,在一具体实施例中,将历史用户的数据属性采用向量化表示,使用维基百科中文词嵌入模型的训练得到的字向量表示,具体采用word2vec模型训练分字的语料,得到的结果是每一个字都有一个固定维度的向量表示,上述数据属性包括但不限于组织ID,性别,年龄,定制爱好,将上述数据属性采用固定维度的向量表示,具体地,每个字都对应一个维度是300的向量。能够有效解决新用户缺乏历史浏览和学习记录、数据稀疏而导致冷启动的问题。
参照图3,在本实施例中,所述通过预构建的用户索引树查询到与所述当前用户匹配度最高的历史用户包括S310:
S311,在所述预构建的用户索引树中检索到与所述新用户相似度高的预设数量的历史用户;
S312,利用欧式距离的计算方式,计算出与所述新用户欧式距离最小的历史用户,确定为与所述当前用户匹配度最高的历史用户。
基于上述步骤所述,上述用户索引树是历史用户的属性向量的数据几何,每一个用户向量在高维度空间中是一个点,随机挑选两个点,使用垂直于这两个点的等距离超平面将集合划分为两部分。经上述步骤,集合被拆分为两个子集,在这两个子集中分别重复上一步,直到最小子集中的点的数量达到预先设置的数值n=10。接收新用户,在数据集中检索与新用户最相似的历史用户,使用向量之间进行欧式距离的计算方式,在用户索引树中进行检索的时间为查询时间O(logn),在查询到的最相似的10个候选历史用户中,选择欧氏距离最小的历史用户作为新用户最相似用户,取上述历史用户的最喜欢看的课程前十门课推荐给当前的新用户,上述历史用户最喜欢看的课程是通过人工智能模型查找得到。
参照图4,在本实施例中,所述获取当前用户身份特征S100之前包括:
S110,获取用于建立所述用户身份特征与所述预测课程结果之间的交互行为数据;所述交互行为数据包括:点击课程详情页次数,和/或收藏课程记录,和/或免费试学课程记录,和/或课程点赞次数,和/或课程评分,和/或课程学习次数。
S120,分析所述用户身份特征的特性及其规律,根据所述特性及其规律,确定所述预设课程预测模型的模型结构及其模型参数;
S130,使用所述交互行为数据,对所述模型结构和所述模型参数进行训练和测试,确定所述用户身份特征与所述预测课程结果之间的对应关系。
基于上述步骤所述,根据历史用户的历史行为数据确定最喜欢的课程排序,根据历史用户对课程的喜欢程度来对课程进行排序。用户对课程的点赞、评分、收藏、学习次数都可以作为喜欢程度的打分维度。在一具体实施例中,用户对课程的喜欢分数=点赞(1分)+评分(具体分数)+收藏(1分)+学习次数(1分)+分享次数(具体分享次数(分)),可实现用户交互行为数据的采集,并根据上述喜欢分数对课程进行排序,得到历史用户喜欢课程表,根据上述排序结果筛选出预设数量的结果推荐给用户。
参照图5,在本实施例中,所述通过预设课程预测模型,查找到与所述历史用户的身份特征对应的预测课程,确定为预测课程结果,并推荐给所述当前用户S300之后包括:
S400,获取历史用户在近三天的交互行为数据,所述交互行为数据包括:点击课程详情页次数,和/或收藏课程记录,和/或免费试学课程记录,和/或课程点赞次数,和/或课程评分,和/或课程学习次数;
S500,将所述交互行为数据进行加权计算得出课程交互指数;
S600,按照所述课程交互指数对课程进行排序,得到关注课程列表;
S700,筛选出所述关注课程列表中排名靠前的预设数量课程确定为关注课程结果,并将所述关注课程结果,和/或所述预测课程结果推荐给所述当前用户。
参照上述步骤所述,取用户前三天的与课程的交互行为,具体地,所述交互行为包括但不限于点击课程详情页次数、收藏课程记录、免费试学课程记录、课程点赞次数、课程评分及课程学习次数,分别统计上述交互行为数据,分别加权得出分数,根据上述对应分数给课程进行排序,将排序后的课程推荐给用户,在一具体实施例中会将上述排序后的前五个课程推荐给用户,其他实施例还可根据具体的推荐需求调整上述推荐课程的数量。对客户浏览点击过的数据进行解析,及时分析用户购买意向并进行课程的推送。解决现有推送的课程数据更新不及时的问题。本申请能够及时将新用户和新增课程加入到训练数据中,利用实时更新的机制来作为推荐补充。
参照图6,在本实施例中,所述通过预设课程预测模型,查找到与所述历史用户的身份特征对应的预测课程,确定为预测课程结果,并推荐给所述当前用户S300之后,还包括:
S800,获取用于建立所述用户身份特征与所述预测课程结果之间的交互行为数据;
S900,根据所述交互行为数据形成课程热力图;
S1000,将所述课程热力图中的焦点课程确定为热门课程,并将所述关注课程,和/或所述预测课程,和/或所述热门课程推荐给用户。
参照上述步骤所述,将全局范围内统计的用户选择量大的课程作为热门课程,热门课程还包括新推出的名课课程,并将上述热门课程中排名靠前的预设数量课程推荐给用户。上述推荐的数量可根据实际的需求确定,在一具体实施例中将排名前5的热门课程推荐给用户,能够提高课程推荐数据的完整性和多样性。
在一具体实施例中,公开了一种在线课程推荐方法,具体包括:
利用人工智能模型的自学能力,建立用户身份特征与预测课程结果之间的对应关系;具体地,获取用于建立所述用户身份特征与所述预测课程结果之间的交互行为数据;所述交互行为数据包括:点击课程详情页次数,和/或收藏课程记录,和/或免费试学课程记录,和/或课程点赞次数,和/或课程评分,和/或课程学习次数。分析所述用户身份特征的特性及其规律,根据所述特性及其规律,确定所述人工智能模型的模型结构及其模型参数;使用所述交互行为数据,对所述结构模型和所述模型参数进行训练和测试,确定所述用户身份特征与所述预测课程结果之间的对应关系。
获取当前用户身份特征,所述当前用户身份特征包括但不限于用户ID、组织ID、性别及年龄;
通过所述对应关系,确定与所述当前用户身份特征对应的预测课程结果;具体地,确定与所述当前用户身份特征对应的预测课程,包括:将所述对应关系中与所述当前用户身份特征相同或相似的历史用户身份特征所对应的预设数量的预测课程,确定为预测课程结果,并推荐给当前用户;将所述历史用户的数据属性按照预设维度进行组合及向量化,得到所述用户索引树;所述数据属性包括:组织ID,和/或性别,和/或年龄,和/或定制爱好;若当前用户为新用户,在所述预构建的用户索引树中检索到与所述新用户相似度高的预设数量的历史用户;利用欧式距离的计算方式,计算出与所述新用户欧式距离最小的历史用户,确定为与所述当前用户匹配度最高的历史用户,则通过预构建的用户索引树查询到与所述当前用户匹配度最高的历史用户,其中,若所述对应关系中查询不到与所述当前用户相同的历史用户身份特征对应的预测课程,则将所述当前用户定为新用户;
通过所述对应关系确定与所述历史用户的用户身份特征对应的预测课程结果,确定为所述当前用户的预测课程结果,并推荐给当前用户;
获取历史用户在近三天的交互行为数据,所述交互行为数据包括:点击课程详情页次数,和/或收藏课程记录,和/或免费试学课程记录,和/或课程点赞次数,和/或课程评分,和/或课程学习次数;
将所述交互行为数据进行加权计算得出课程交互指数;
按照所述课程交互指数对课程进行排序,得到关注课程列表;
筛选出所述关注课程列表中排名靠前的预设数量课程确定为关注课程结果,并将所述关注课程结果,和/或所述预测课程结果推荐给用户;
获取用于建立所述用户身份特征与所述预测课程结果之间的交互行为数据;
根据所述交互行为数据形成课程热力图;
将所述课程热力图中的焦点课程确定为热门课程,并将所述关注课程,和/或所述预测课程,和/或所述热门课程推荐给用户。
通过人工智能的学习能力实现用户身份特征与预测课程的关系学习,实现推荐课程的准确性。利用预构建的用户索引树,解决新用户冷启动的问题,根据实时用户行为数据的分析,提高用户的体验满意度。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请实施例并不受所描述的动作顺序的限制,因为依据本申请实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本申请实施例所必须的。
参照图7,示出了本申请的一种在线课程推荐装置实施例的结构框图,具体可以包括如下模块:
获取模块100,用于获取当前用户身份特征,所述当前用户身份特征包括但不限于基本信息和特征信息;
查询模块200,用于查找到与所述当前用户的基本信息和/或特征信息相同或相似的历史用户;
第一推荐模块300,通过预设课程预测模型,查找到与所述历史用户的身份特征对应的预测课程,确定为预测课程结果,并推荐给所述当前用户。
参照图8,在本实施例中,所述查询模块200包括:
匹配子模块210,用于若当前用户为新用户,则通过预构建的用户索引树查询到与所述当前用户匹配度最高的历史用户,其中,若所述预设课程预测模型中查询不到与所述当前用户相同的历史用户身份特征对应的预测课程,则将所述当前用户定为新用户;
推荐子模块220,用于通过所述对应关系确定与所述历史用户的用户身份特征对应的预测课程结果,确定为所述当前用户的预测课程结果,并推荐给当前用户。
进一步,还包括:
构建子模块230,用于将所述历史用户的数据属性按照预设维度进行组合及向量化,得到所述用户索引树;所述数据属性包括:组织ID,和/或性别,和/或年龄,和/或定制爱好。
参照图9,在本实施例中,还包括:
检索模块311,用于在所述预构建的用户索引树中检索到与所述新用户相似度高的预设数量的历史用户;
匹配模块312,用于利用欧式距离的计算方式,计算出与所述新用户欧式距离最小的历史用户,确定为与所述当前用户匹配度最高的历史用户。
参照图10,在本实施例中,还包括:
获取子模块110,用于获取用于建立所述用户身份特征与所述预测课程结果之间的交互行为数据;所述交互行为数据包括:点击课程详情页次数,和/或收藏课程记录,和/或免费试学课程记录,和/或课程点赞次数,和/或课程评分,和/或课程学习次数;
分析子模块120,用于分析所述用户身份特征的特性及其规律,根据所述特性及其规律,确定所述人工智能模型的模型结构及其模型参数;
训练子模块130,用于使用所述交互行为数据,对所述结构模型和所述模型参数进行训练和测试,确定所述用户身份特征与所述预测课程结果之间的对应关系。
参照图11,在本实施例中,还包括:
第二获取模块400,用于获取历史用户在近三天的交互行为数据,所述交互行为数据包括:点击课程详情页次数,和/或收藏课程记录,和/或免费试学课程记录,和/或课程点赞次数,和/或课程评分,和/或课程学习次数;
加权模块500,用于将所述交互行为数据进行加权计算得出课程交互指数;
排序模块600,用于按照所述课程交互指数对课程进行排序,得到关注课程列表;
第二推荐模块700,用于筛选出所述关注课程列表中排名靠前的预设数量课程确定为关注课程结果,并将所述关注课程结果,和/或所述预测课程结果推荐给所述当前用户。
参照图12,在本实施例中,还包括:
第三获取模块800,用于获取用于建立所述用户身份特征与所述预测课程结果之间的交互行为数据;
热力分析模块900,用于根据所述交互行为数据形成课程热力图;
第三推荐模块1000,用于将所述课程热力图中的焦点课程确定为热门课程,并将所述关注课程,和/或所述预测课程,和/或所述热门课程推荐给用户。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
参照图13,示出了本申请的一种在线课程推荐方法的计算机设备,具体可以包括如下:
上述计算机设备12以通用计算设备的形式表现,计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线18结构中的一种或多种,包括存储器总线18或者存储器控制器,外围总线18,图形加速端口,处理器或者使用多种总线18结构中的任意总线18结构的局域总线18。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线18,微通道体系结构(MAC)总线18,增强型ISA总线18、音视频电子标准协会(VESA)局域总线18以及外围组件互连(PCI)总线18。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图13中未示出,可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其他光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质界面与总线18相连。存储器可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块42,这些程序模块42被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器中,这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块42以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其他计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)界面22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)),广域网(WAN)和/或公共网络(例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其他模块通信。应当明白,尽管图13中未示出,可以结合计算机设备12使用其他硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元16、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统34等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本申请实施例所提供的在线课程推荐方法。
也即,上述处理单元16执行上述程序时实现:获取当前用户身份特征,所述当前用户身份特征包括但不限于基本信息和特征信息;查找到与所述当前用户的基本信息和/或特征信息相同或相似的历史用户;通过预设课程预测模型,根据人工智能的学习能力查找到与所述历史用户的身份特征对应的预测课程,确定为预测课程结果,并推荐给所述当前用户。
在本申请实施例中,本申请还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请所有实施例提供的在线课程推荐方法:
也即,给程序被处理器执行时实现:获取当前用户身份特征,所述当前用户身份特征包括但不限于基本信息和特征信息;查找到与所述当前用户的基本信息和/或特征信息相同或相似的历史用户;通过预设课程预测模型,根据人工智能的学习能力查找到与所述历史用户的身份特征对应的预测课程,确定为预测课程结果,并推荐给所述当前用户。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机克顿信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPOM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言——诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行或者完全在远程计算机或者服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的在线课程推荐方法、装置、电子设备及存储介质,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种在线课程推荐方法,其特征在于,包括:
获取当前用户身份特征,所述当前用户身份特征包括但不限于基本信息和特征信息;
查找到与所述当前用户的基本信息和/或特征信息相同或相似的历史用户;
通过预设课程预测模型,根据人工智能的学习能力查找到与所述历史用户的身份特征对应的预测课程,确定为预测课程结果,并推荐给所述当前用户。
2.根据权利要求1所述的方法,其特征在于,所述查找到与所述当前用户的基本信息和/或特征信息相同或相似的历史用户包括:
若当前用户为新用户,则通过预构建的用户索引树查询到与所述当前用户匹配度最高的历史用户,其中,若所述预设课程预测模型中查询不到与所述当前用户相同的历史用户身份特征对应的预测课程,则将所述当前用户定为新用户。
3.根据权利要求2所述的方法,其特征在于,所述查找到与所述当前用户的基本信息和/或特征信息相同或相似的历史用户之前,包括:
将所述历史用户的数据属性按照预设维度进行组合及向量化,得到所述用户索引树;
所述数据属性包括:
组织ID,和/或性别,和/或年龄,和/或定制爱好。
4.根据权利要求2或3所述的方法,其特征在于,所述通过预构建的用户索引树查询到与所述当前用户匹配度最高的历史用户包括:
在所述预构建的用户索引树中检索到与所述新用户相似度高的预设数量的历史用户;
利用欧式距离的计算方式,计算出与所述新用户欧式距离最小的历史用户,确定为与所述当前用户匹配度最高的历史用户。
5.根据权利要求1所述的方法,其特征在于,所述获取当前用户身份特征之前,包括:
获取用于建立所述用户身份特征与所述预测课程结果之间的交互行为数据;所述交互行为数据包括:点击课程详情页次数,和/或收藏课程记录,和/或免费试学课程记录,和/或课程点赞次数,和/或课程评分,和/或课程学习次数;
分析所述用户身份特征的特性及其规律,根据所述特性及其规律,确定所述预设课程预测模型的模型结构及其模型参数;
使用所述交互行为数据,对所述模型结构和所述模型参数进行训练和测试,确定所述用户身份特征与所述预测课程结果之间的对应关系。
6.根据权利要求1所述的方法,其特征在于,所述通过预设课程预测模型,查找到与所述历史用户的身份特征对应的预测课程,确定为预测课程结果,并推荐给所述当前用户之后包括:
获取历史用户在近三天的交互行为数据,所述交互行为数据包括:点击课程详情页次数,和/或收藏课程记录,和/或免费试学课程记录,和/或课程点赞次数,和/或课程评分,和/或课程学习次数;
将所述交互行为数据进行加权计算得出课程交互指数;
按照所述课程交互指数对课程进行排序,得到关注课程列表;
筛选出所述关注课程列表中排名靠前的预设数量课程确定为关注课程结果,并将所述关注课程结果,和/或所述预测课程结果推荐给所述当前用户。
7.根据权利要求6所述的方法,其特征在于,所述通过预设课程预测模型,查找到与所述历史用户的身份特征对应的预测课程,确定为预测课程结果,并推荐给所述当前用户之后,还包括:
获取用于建立所述用户身份特征与所述预测课程结果之间的交互行为数据;
根据所述交互行为数据形成课程热力图;
将所述课程热力图中的焦点课程确定为热门课程,并将所述关注课程,和/或所述预测课程,和/或所述热门课程推荐给用户。
8.一种在线课程推荐装置,其特征在于,包括:
获取模块,用于获取当前用户身份特征,所述当前用户身份特征包括但不限于基本信息和特征信息;
查询模块,用于查找到与所述当前用户的基本信息和/或特征信息相同或相似的历史用户;
第一推荐模块,通过预设课程预测模型,查找到与所述历史用户的身份特征对应的预测课程,确定为预测课程结果,并推荐给所述当前用户。
9.电子设备,其特征在于,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的在线课程推荐方法的步骤。
10.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上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的在线课程推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011074633.9A CN112214670A (zh) | 2020-10-09 | 2020-10-09 | 一种在线课程推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011074633.9A CN112214670A (zh) | 2020-10-09 | 2020-10-09 | 一种在线课程推荐方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112214670A true CN112214670A (zh) | 2021-01-12 |
Family
ID=74054371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011074633.9A Pending CN112214670A (zh) | 2020-10-09 | 2020-10-09 | 一种在线课程推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112214670A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784044A (zh) * | 2021-01-18 | 2021-05-11 | 辽宁向日葵教育科技有限公司 | 一种基于内容标签的知识库推荐系统 |
CN113065060A (zh) * | 2021-02-18 | 2021-07-02 | 山东师范大学 | 基于深度学习的教育平台课程推荐方法及系统 |
CN113220734A (zh) * | 2021-05-13 | 2021-08-06 | 平安普惠企业管理有限公司 | 课程推荐方法、装置、计算机设备及存储介质 |
CN113762801A (zh) * | 2021-09-17 | 2021-12-07 | 北京量子之歌科技有限公司 | 一种网络课程的管理方法、装置、设备和存储介质 |
CN113918812A (zh) * | 2021-10-11 | 2022-01-11 | 北京量子之歌科技有限公司 | 一种课程学习路径的确定方法、装置、设备和存储介质 |
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 |
CN114265777A (zh) * | 2021-12-23 | 2022-04-01 | 北京百度网讯科技有限公司 | 应用程序的测试方法、装置、电子设备及存储介质 |
CN114418807A (zh) * | 2022-03-30 | 2022-04-29 | 北京英华在线科技有限公司 | 基于历史成绩的在线教育平台的课程推荐方法及系统 |
CN114626694A (zh) * | 2022-02-24 | 2022-06-14 | 深圳市华师兄弟教育科技有限公司 | 一种基于互联网的网络课程规划管理系统 |
CN115243203A (zh) * | 2022-07-20 | 2022-10-25 | 北京粉笔蓝天科技有限公司 | 线下课程融合到线上课程的方法、系统及电子设备 |
CN116228483A (zh) * | 2023-05-06 | 2023-06-06 | 中诚华隆计算机技术有限公司 | 基于量子驱动的学习路径推荐方法及装置 |
CN117372219A (zh) * | 2023-12-05 | 2024-01-09 | 青岛理工大学 | 一种学生课程的推荐方法、装置及电子设备 |
CN117830046A (zh) * | 2024-03-06 | 2024-04-05 | 长春电子科技学院 | 一种基于互联网的在线课程数据云管理系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850645A (zh) * | 2015-05-28 | 2015-08-19 | 苏州大学张家港工业技术研究院 | 一种基于矩阵分解的主动学习评分引导方法及系统 |
CN106097204A (zh) * | 2016-06-24 | 2016-11-09 | 北京航空航天大学 | 一种面向冷启动学生用户的工作推荐系统及推荐方法 |
CN109977313A (zh) * | 2019-03-28 | 2019-07-05 | 北京师范大学 | 学习者模型构建方法、学习资源的推荐方法及系统 |
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 |
US20200302564A1 (en) * | 2019-03-20 | 2020-09-24 | International Business Machines Corporation | Customized career counseling and management |
-
2020
- 2020-10-09 CN CN202011074633.9A patent/CN112214670A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850645A (zh) * | 2015-05-28 | 2015-08-19 | 苏州大学张家港工业技术研究院 | 一种基于矩阵分解的主动学习评分引导方法及系统 |
CN106097204A (zh) * | 2016-06-24 | 2016-11-09 | 北京航空航天大学 | 一种面向冷启动学生用户的工作推荐系统及推荐方法 |
US20200302564A1 (en) * | 2019-03-20 | 2020-09-24 | International Business Machines Corporation | Customized career counseling and management |
CN109977313A (zh) * | 2019-03-28 | 2019-07-05 | 北京师范大学 | 学习者模型构建方法、学习资源的推荐方法及系统 |
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 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784044A (zh) * | 2021-01-18 | 2021-05-11 | 辽宁向日葵教育科技有限公司 | 一种基于内容标签的知识库推荐系统 |
CN113065060B (zh) * | 2021-02-18 | 2022-11-29 | 山东师范大学 | 基于深度学习的教育平台课程推荐方法及系统 |
CN113065060A (zh) * | 2021-02-18 | 2021-07-02 | 山东师范大学 | 基于深度学习的教育平台课程推荐方法及系统 |
CN113220734A (zh) * | 2021-05-13 | 2021-08-06 | 平安普惠企业管理有限公司 | 课程推荐方法、装置、计算机设备及存储介质 |
CN113762801A (zh) * | 2021-09-17 | 2021-12-07 | 北京量子之歌科技有限公司 | 一种网络课程的管理方法、装置、设备和存储介质 |
CN113762801B (zh) * | 2021-09-17 | 2024-03-26 | 北京量子之歌科技有限公司 | 一种网络课程的管理方法、装置、设备和存储介质 |
CN113918812A (zh) * | 2021-10-11 | 2022-01-11 | 北京量子之歌科技有限公司 | 一种课程学习路径的确定方法、装置、设备和存储介质 |
CN114265777A (zh) * | 2021-12-23 | 2022-04-01 | 北京百度网讯科技有限公司 | 应用程序的测试方法、装置、电子设备及存储介质 |
CN114265777B (zh) * | 2021-12-23 | 2023-01-10 | 北京百度网讯科技有限公司 | 应用程序的测试方法、装置、电子设备及存储介质 |
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 |
CN114626694A (zh) * | 2022-02-24 | 2022-06-14 | 深圳市华师兄弟教育科技有限公司 | 一种基于互联网的网络课程规划管理系统 |
CN114626694B (zh) * | 2022-02-24 | 2022-11-08 | 深圳市华师兄弟教育科技有限公司 | 一种基于互联网的网络课程规划管理系统 |
CN114418807A (zh) * | 2022-03-30 | 2022-04-29 | 北京英华在线科技有限公司 | 基于历史成绩的在线教育平台的课程推荐方法及系统 |
CN114418807B (zh) * | 2022-03-30 | 2022-06-28 | 北京英华在线科技有限公司 | 基于历史成绩的在线教育平台的课程推荐方法及系统 |
CN115243203A (zh) * | 2022-07-20 | 2022-10-25 | 北京粉笔蓝天科技有限公司 | 线下课程融合到线上课程的方法、系统及电子设备 |
CN116228483A (zh) * | 2023-05-06 | 2023-06-06 | 中诚华隆计算机技术有限公司 | 基于量子驱动的学习路径推荐方法及装置 |
CN117372219A (zh) * | 2023-12-05 | 2024-01-09 | 青岛理工大学 | 一种学生课程的推荐方法、装置及电子设备 |
CN117830046A (zh) * | 2024-03-06 | 2024-04-05 | 长春电子科技学院 | 一种基于互联网的在线课程数据云管理系统 |
CN117830046B (zh) * | 2024-03-06 | 2024-05-07 | 长春电子科技学院 | 一种基于互联网的在线课程数据云管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112214670A (zh) | 一种在线课程推荐方法、装置、电子设备及存储介质 | |
CN112632385B (zh) | 课程推荐方法、装置、计算机设备及介质 | |
CN111444428B (zh) | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 | |
CN107908740B (zh) | 信息输出方法和装置 | |
CN104680453B (zh) | 基于学生属性的课程推荐方法及系统 | |
CN111475716A (zh) | 在线课程推荐方法、系统、设备及存储介质 | |
Chen et al. | Mining students' learning patterns and performance in Web-based instruction: a cognitive style approach | |
CN108846097B (zh) | 用户的兴趣标签表示方法、文章推荐方法、及装置、设备 | |
CN113505204B (zh) | 召回模型训练方法、搜索召回方法、装置和计算机设备 | |
Huang et al. | Expert as a service: Software expert recommendation via knowledge domain embeddings in stack overflow | |
CN113656687B (zh) | 基于教研数据的教师画像构建方法 | |
CN113342958B (zh) | 问答匹配方法、文本匹配模型的训练方法和相关设备 | |
CN111831924A (zh) | 内容推荐方法、装置、设备及可读存储介质 | |
CN112434211A (zh) | 一种数据处理方法、装置、存储介质及设备 | |
CN115146161A (zh) | 一种基于内容推荐的个性化学习资源推荐方法及系统 | |
Lin et al. | A novel recommendation system via L0-regularized convex optimization | |
CN112559676B (zh) | 相似题目的检索方法、装置及计算机存储介质 | |
Mishra et al. | Dynamic identification of learning styles in MOOC environment using ontology based browser extension | |
CN113590945A (zh) | 一种基于用户借阅行为-兴趣预测的图书推荐方法和装置 | |
Bhanuse et al. | Optimal e-learning course recommendation with sentiment analysis using hybrid similarity framework | |
CN112330387B (zh) | 一种应用于看房软件的虚拟经纪人 | |
CN113688633A (zh) | 一种提纲确定方法及装置 | |
CN112711717A (zh) | 房间产品搜索方法、装置、电子设备 | |
CN113094584A (zh) | 推荐学习资源的确定方法和装置 | |
McIlwraith | Algorithms of the intelligent web |
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 |