CN112231586A - 基于迁移学习的课程推荐方法、装置、设备及介质 - Google Patents
基于迁移学习的课程推荐方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112231586A CN112231586A CN202011468624.8A CN202011468624A CN112231586A CN 112231586 A CN112231586 A CN 112231586A CN 202011468624 A CN202011468624 A CN 202011468624A CN 112231586 A CN112231586 A CN 112231586A
- Authority
- CN
- China
- Prior art keywords
- user
- target
- course
- matrix
- source domain
- 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 63
- 238000013526 transfer learning Methods 0.000 title claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims abstract description 144
- 230000006399 behavior Effects 0.000 claims abstract description 54
- 238000004364 calculation method Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000013508 migration Methods 0.000 claims description 11
- 230000005012 migration Effects 0.000 claims description 11
- 238000013139 quantization Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 2
- 230000001617 migratory effect Effects 0.000 claims 2
- 230000008569 process Effects 0.000 abstract description 16
- 230000002349 favourable effect Effects 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 10
- 239000013598 vector Substances 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 239000003795 chemical substances by application Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000002950 deficient Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007786 learning performance Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fuzzy Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能领域,提供一种基于迁移学习的课程推荐方法、装置、设备及介质,能够针对矩阵高稀疏性的问题进行预处理,不仅更有利于计算,同时能够保证数据在相似度计算过程中的可用性,获取相似用户在目标域内产生的行为数据构建目标矩阵,根据目标矩阵进行分析,得到目标用户对源域内每个课程的偏好预测值,根据每个课程的偏好预测值确定目标课程进行推送,进而结合迁移学习及改进的相似度算法实现对课程的自动化精准推荐。本发明还涉及区块链技术,目标课程可存储于区块链。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于迁移学习的课程推荐方法、装置、设备及介质。
背景技术
智慧培训的重要目标之一是针对代理人个性化需求实现差异化的培训课程推荐,这可以通过设计优良的推荐系统模型来实现。推荐模型往往需要利用大量的用户历史行为数据作为输入,同时借助其它辅助信息来预测用户对某一门课程的偏好需求,从而实现培训课程精准推送。目前,根据代理人的年资和职级将全量代理人分为一年以内新人、一年以内优才、一年以上普才、一年以上绩优以及主管等五类人群,而现有培训课程体系中针对某些类型的人群(如优才、绩优人群)的课程资源是极其匮乏的,相应地,也缺少这类人群的学习数据。如果要利用推荐系统对这类人群进行课程推送,往往会面临用户冷启动(UserCold Start)问题,即因缺少用户和课程的历史交互数据导致无法判断用户对课程的需求偏好,进而无法对用户实施针对性的课程推荐。
针对上述用户冷启动的问题,现有方案大多基于专家经验和业务规则。例如,使用热门非个性化内容进行试探性推送、通过业务设计与用户交互获取个人信息和兴趣标签等。这些方法虽然在一定程度和范围内部分缓解了冷启动问题,但是具有比较强的主观性和片面性,且需要特定领域知识,并进行较多的用户交互,有待于进一步提升。
发明内容
鉴于以上内容,有必要提供一种基于迁移学习的课程推荐方法、装置、设备及介质,能够结合迁移学习及改进的相似度算法实现对课程的自动化精准推荐。
一种基于迁移学习的课程推荐方法,所述基于迁移学习的课程推荐方法包括:
响应于课程推荐指令,检测所述课程推荐指令对应的源域;
获取所述源域内所包含的用户标识,并获取所述用户标识对应的用户的行为数据构建初始矩阵;
对所述初始矩阵进行预处理,得到源矩阵;
根据所述课程推荐指令确定目标用户;
基于所述源矩阵,从所述源域内所包含的用户中检测所述目标用户的相似用户;
检测所述课程推荐指令对应的目标域,并获取所述相似用户在所述目标域内产生的行为数据构建目标矩阵;
根据所述目标矩阵进行分析,得到所述目标用户对所述源域内每个课程的偏好预测值;
根据每个课程的偏好预测值确定目标课程,并将所述目标课程推送至所述目标用户的终端设备。
根据本发明优选实施例,所述对所述初始矩阵进行预处理,得到源矩阵包括:
获取所述初始矩阵的所有元素;
根据所述初始矩阵的矩阵结构从所述初始矩阵的所有元素中识别执行目标;
获取预先配置的类别列表;
根据所述执行目标在所述类别列表中进行遍历,得到所述执行目标对应的至少一个类别;
基于所述至少一个类别对所述初始矩阵进行压缩处理,得到所述源矩阵。
根据本发明优选实施例,所述根据所述课程推荐指令确定目标用户包括:
解析所述课程推荐指令的方法体,得到所述课程推荐指令所携带的信息;
获取预设标签;
在所述课程推荐指令所携带的信息中查找与所述预设标签相同的数据作为所述目标用户的名称;
根据所述目标用户的名称确定所述目标用户。
根据本发明优选实施例,所述基于所述源矩阵,从所述源域内所包含的用户中检测所述目标用户的相似用户包括:
获取所述源矩阵的所有元素;
从所述源矩阵的所有元素中识别所述源域内所包含的用户的用户名、执行目标的类别及实施所述执行目标的次数;
根据所述源域内所包含的用户的用户名、所述执行目标的类别及所述实施所述执行目标的次数进行相似度计算,得到所述源域内所包含的用户中每个用户与所述目标用户的相似度值;
从所述源域内所包含的用户中获取所述相似度值大于或者等于预设阈值的用户作为所述目标用户的相似用户。
根据本发明优选实施例,采用下述公式根据所述源域内所包含的用户的用户名、所述执行目标的类别及所述实施所述执行目标的次数进行相似度计算,得到所述源域内所包含的用户中每个用户与所述目标用户的相似度值:
其中,i表示所述目标用户,j表示所述源域内所包含的用户的用户名,表示用户i与用户j间的相似度值,表示所述执行目标的类别的集合,v表示所述执行目标的类别,表示用户i实施执行目标v的次数,表示用户j实施执行目标v的次数,表示在所述执行目标的所有类别下实施执行目标v的平均次数。
根据本发明优选实施例,所述根据所述目标矩阵进行分析,得到所述目标用户对所述源域内每个课程的偏好预测值包括:
获取所述目标矩阵的所有元素;
从所述目标矩阵的所有元素中识别所有所述相似用户的用户名;
根据识别到的用户名构建相似用户集合;
确定所述相似用户集合中每个相似用户对每个课程的操作行为量化值;
根据所述相似用户集合及每个相似用户分析每个课程的操作行为量化值,得到所述目标用户对所述源域内每个课程的偏好预测值。
根据本发明优选实施例,采用下述公式根据所述相似用户集合及每个相似用户分析每个课程的操作行为量化值,得到所述目标用户对所述源域内每个课程的偏好预测值:
一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现所述基于迁移学习的课程推荐方法。
一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现所述基于迁移学习的课程推荐方法。
由以上技术方案可以看出,本发明能够响应于课程推荐指令,检测所述课程推荐指令对应的源域,获取所述源域内所包含的用户标识,并获取所述用户标识对应的用户的行为数据构建初始矩阵,对所述初始矩阵进行预处理,得到源矩阵,针对矩阵高稀疏性的问题进行了预处理,不仅更有利于计算,同时能够保证数据在相似度计算过程中的可用性,根据所述课程推荐指令确定目标用户,基于所述源矩阵,从所述源域内所包含的用户中检测所述目标用户的相似用户,检测所述课程推荐指令对应的目标域,并获取所述相似用户在所述目标域内产生的行为数据构建目标矩阵,根据所述目标矩阵进行分析,得到所述目标用户对所述源域内每个课程的偏好预测值,根据每个课程的偏好预测值确定目标课程,并将所述目标课程推送至所述目标用户的终端设备,进而结合迁移学习及改进的相似度算法实现对课程的自动化精准推荐。
附图说明
图1是本发明基于迁移学习的课程推荐方法的较佳实施例的流程图。
图2是本发明基于迁移学习的课程推荐装置的较佳实施例的功能模块图。
图3是本发明实现基于迁移学习的课程推荐方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明基于迁移学习的课程推荐方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述基于迁移学习的课程推荐方法应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(DigitalSignal Processor,DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
S10,响应于课程推荐指令,检测所述课程推荐指令对应的源域。
其中,所述课程推荐指令可以是针对于保险代理人的学习或者培训课程。由于现有的培训课程体系中针对某些类型的人群(如优才、绩优人群)的课程资源相对匮乏,没有相关的行为数据作为学习预测的基础,导致无法判断用户对课程的需求偏好,进而无法对用户实施针对性的课程推荐。
本实施例基于迁移学习(Transfer Learning,TL)的思想来解决培训课程推荐中的用户冷启动问题,能够从一个或者多个应用场景中提取知识用来帮助提高目标场景中的学习性能,因此,首先检测所述课程推荐指令对应的源域,以便后续利用所述源域内所包含的数据进行准确地课程推荐。
在迁移学习中,实际上是从源域到目标域的映射,即将源域的有关特征转移到目标域上,并由此来理解目标域的过程。
因此,本实施例中利用源域中所包含的用户的行为数据来分析目标域,以便进行课程推荐。
在本发明的至少一个实施例中,所述检测所述课程推荐指令对应的源域包括:
确定所述课程推荐指令对应的类别数据;
获取预先配置的类别列表;
从所述类别列表中筛选出与所述课程推荐指令对应的类别数据相同的类别作为源类别;
获取所述源类别对应的领域作为所述课程推荐指令对应的源域。
例如:通过知识关联,“资讯阅读”与“课程推荐”属于相同的类别,如都是保险类或者营销类、管理类等,因此,通过相似的知识点来关联其相似性,所述课程推荐指令对应的源域可以为资讯阅读领域。
S11,获取所述源域内所包含的用户标识,并获取所述用户标识对应的用户的行为数据构建初始矩阵。
在本实施例中,所述源域内所包含的用户的行为数据可以包括,但不限于:用户名、执行目标、实施所述执行目标的次数。
进一步地,可以以(用户名,执行目标,实施所述执行目标的次数)为三元组的矩阵结构构建所述初始矩阵,其中,所述用户名、所述执行目标及所述实施所述执行目标的次数为所述初始矩阵的元素。其中,所述执行目标是指具体地行为对应的标的,如所阅读的资讯题目。
S12,对所述初始矩阵进行预处理,得到源矩阵。
可以理解的是,由于执行目标的多样性可能导致数据量过大(如所阅读的资讯的内容量可能非常大),所述初始矩阵是一个稀疏矩阵,不利于后续的计算和相似性度量。因此,可以按照执行目标的类别对所述初始矩阵进行汇总加工处理,以简化数据。
具体地,所述对所述初始矩阵进行预处理,得到源矩阵包括:
获取所述初始矩阵的所有元素;
根据所述初始矩阵的矩阵结构从所述初始矩阵的所有元素中识别执行目标;
获取预先配置的类别列表;
根据所述执行目标在所述类别列表中进行遍历,得到所述执行目标对应的至少一个类别;
基于所述至少一个类别对所述初始矩阵进行压缩处理,得到所述源矩阵。
通过上述实施方式,针对矩阵高稀疏性的问题进行了预处理,不仅更有利于计算,同时能够保证数据在相似度计算过程中的可用性。
S13,根据所述课程推荐指令确定目标用户。
其中,所述目标用户是指需要进行课程推荐的用户,由于无法获取到所述目标用户的行为数据,因此,本实施例采用迁移学习的方式对所述目标用户进行课程推荐。
在本实施例中,所述根据所述课程推荐指令确定目标用户包括:
解析所述课程推荐指令的方法体,得到所述课程推荐指令所携带的信息;
获取预设标签;
在所述课程推荐指令所携带的信息中查找与所述预设标签相同的数据作为所述目标用户的名称;
根据所述目标用户的名称确定所述目标用户。
具体地,所述课程推荐指令实质上是一条代码,在所述课程推荐指令中,根据代码的编写原则,{}之间的内容被称之为所述方法体。
所述预设标签可以进行自定义配置,如name。
通过上述实施方式,在以预设标签能够直接获取到目标用户时,直接从指令中获取数据,以提升效率,并且,以标签进行获取,也提高了数据获取的准确性。
S14,基于所述源矩阵,从所述源域内所包含的用户中检测所述目标用户的相似用户。
可以理解的是,由于无法获取到所述目标用户的相关行为数据,因此,本实施例在所述源域内检测所述目标用户的相似用户,以便后续根据所述相似用户的数据对所述目标用户进行课程推荐。
在本发明的至少一个实施例中,所述基于所述源矩阵,从所述源域内所包含的用户中检测所述目标用户的相似用户包括:
获取所述源矩阵的所有元素;
从所述源矩阵的所有元素中识别所述源域内所包含的用户的用户名、执行目标的类别及实施所述执行目标的次数;
根据所述源域内所包含的用户的用户名、所述执行目标的类别及所述实施所述执行目标的次数进行相似度计算,得到所述源域内所包含的用户中每个用户与所述目标用户的相似度值;
从所述源域内所包含的用户中获取所述相似度值大于或者等于预设阈值的用户作为所述目标用户的相似用户。
通过上述实施方式,能够准确检测到所述目标用户的相似用户,以供后续课程推荐使用。
具体地,采用下述公式根据所述源域内所包含的用户的用户名、所述执行目标的类别及所述实施所述执行目标的次数进行相似度计算,得到所述源域内所包含的用户中每个用户与所述目标用户的相似度值:
其中,i表示所述目标用户,j表示所述源域内所包含的用户的用户名,表示用户i与用户j间的相似度值,表示所述执行目标的类别的集合,v表示所述执行目标的类别,表示用户i实施执行目标v的次数,表示用户j实施执行目标v的次数,表示在所述执行目标的所有类别下实施执行目标v的平均次数。
可以理解的是,现有技术中通常采用下述公式来度量两个对象间相似性:
上述相似度值的计算方式中,两个向量越相似,夹角越小,的值越大,但这种计算方式存在一定的局限性和度量偏差,即只考虑了向量方向,只能区分个体在维之间的差别,而无法衡量每个维度值的差异,但本实施例中的各个矩阵是数值类型,存在大小的差异,显然,采用上述相似度值的计算方式不够准确。
本实施例对相似度值的计算方式进行了改进,考虑了向量各维度的均值,然后每个向量在各维度减去均值后再计算余弦相似度,在考虑方向的同时兼顾具体数值大小,能够更准确地判断两个向量之间的相似性。同时,在迁移学习中能更准确地度量对象之间的相似度,从而保证获取源域知识的可用性,有效避免了“负迁移”问题。
S15,检测所述课程推荐指令对应的目标域,并获取所述相似用户在所述目标域内产生的行为数据构建目标矩阵。
其中,所述目标域是指所述课程推荐指令所属的领域。
其中,所述相似用户在所述目标域内产生的行为数据可以包括,但不限于:所述相似用户的用户名、课程名称、操作行为量化值(如对所述课程的点击次数或者学习时长)。
进一步地,可以以(相似用户的用户名,课程名称,操作行为量化值)为三元组构建所述目标矩阵。
S16,根据所述目标矩阵进行分析,得到所述目标用户对所述源域内每个课程的偏好预测值。
具体地,所述根据所述目标矩阵进行分析,得到所述目标用户对所述源域内每个课程的偏好预测值包括:
获取所述目标矩阵的所有元素;
从所述目标矩阵的所有元素中识别所有所述相似用户的用户名;
根据识别到的用户名构建相似用户集合;
确定所述相似用户集合中每个相似用户对每个课程的操作行为量化值;
根据所述相似用户集合及每个相似用户分析每个课程的操作行为量化值,得到所述目标用户对所述源域内每个课程的偏好预测值。
例如:对每个课程的操作行为量化值可以为对每个课程的点击次数或者学习时长的累加值。
具体地,采用下述公式根据所述相似用户集合及每个相似用户分析每个课程的操作行为量化值,得到所述目标用户对所述源域内每个课程的偏好预测值:
通过上述实施方式,基于邻域关系的迁移方法能充分利用和挖掘已有源数据的价值,基于数据和模型驱动,避免了通过人工设定规则或者专家经验的局限性,采用迁移学习的思想缓解了课程推荐中的用户冷启动问题,也有效提高了整个推荐过程的鲁棒性和泛化能力。
S17,根据每个课程的偏好预测值确定目标课程,并将所述目标课程推送至所述目标用户的终端设备。
通过上述实施方式,能够结合迁移学习及改进的相似度算法实现对课程的自动化精准推荐。
在本发明的至少一个实施例中,所述根据每个课程的偏好预测值确定目标课程包括:
将每个课程的偏好预测值按照由高到低进行排序;
获取排在前预设位的偏好预测值所对应的课程作为所述目标课程。
例如:将偏好预测值排在前20位的课程作为所述目标课程。
在本实施例中,为了进一步保证数据的安全性,可以将目标课程存储于区块链。
由以上技术方案可以看出,本发明能够响应于课程推荐指令,检测所述课程推荐指令对应的源域,获取所述源域内所包含的用户标识,并获取所述用户标识对应的用户的行为数据构建初始矩阵,对所述初始矩阵进行预处理,得到源矩阵,针对矩阵高稀疏性的问题进行了预处理,不仅更有利于计算,同时能够保证数据在相似度计算过程中的可用性,根据所述课程推荐指令确定目标用户,基于所述源矩阵,从所述源域内所包含的用户中检测所述目标用户的相似用户,检测所述课程推荐指令对应的目标域,并获取所述相似用户在所述目标域内产生的行为数据构建目标矩阵,根据所述目标矩阵进行分析,得到所述目标用户对所述源域内每个课程的偏好预测值,根据每个课程的偏好预测值确定目标课程,并将所述目标课程推送至所述目标用户的终端设备,进而结合迁移学习及改进的相似度算法实现对课程的自动化精准推荐。
如图2所示,是本发明基于迁移学习的课程推荐装置的较佳实施例的功能模块图。所述基于迁移学习的课程推荐装置11包括检测单元110、构建单元111、预处理单元112、确定单元113、分析单元114、推送单元115。本发明所称的模块/单元是指一种能够被处理器13所执行,并且能够完成固定功能的一系列计算机程序段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
响应于课程推荐指令,检测单元110检测所述课程推荐指令对应的源域。
其中,所述课程推荐指令可以是针对于保险代理人的学习或者培训课程。由于现有的培训课程体系中针对某些类型的人群(如优才、绩优人群)的课程资源相对匮乏,没有相关的行为数据作为学习预测的基础,导致无法判断用户对课程的需求偏好,进而无法对用户实施针对性的课程推荐。
本实施例基于迁移学习(Transfer Learning,TL)的思想来解决培训课程推荐中的用户冷启动问题,能够从一个或者多个应用场景中提取知识用来帮助提高目标场景中的学习性能,因此,首先检测所述课程推荐指令对应的源域,以便后续利用所述源域内所包含的数据进行准确地课程推荐。
在迁移学习中,实际上是从源域到目标域的映射,即将源域的有关特征转移到目标域上,并由此来理解目标域的过程。
因此,本实施例中利用源域中所包含的用户的行为数据来分析目标域,以便进行课程推荐。
在本发明的至少一个实施例中,所述检测单元110检测所述课程推荐指令对应的源域包括:
确定所述课程推荐指令对应的类别数据;
获取预先配置的类别列表;
从所述类别列表中筛选出与所述课程推荐指令对应的类别数据相同的类别作为源类别;
获取所述源类别对应的领域作为所述课程推荐指令对应的源域。
例如:通过知识关联,“资讯阅读”与“课程推荐”属于相同的类别,如都是保险类或者营销类、管理类等,因此,通过相似的知识点来关联其相似性,所述课程推荐指令对应的源域可以为资讯阅读领域。
构建单元111获取所述源域内所包含的用户标识,并获取所述用户标识对应的用户的行为数据构建初始矩阵。
在本实施例中,所述源域内所包含的用户的行为数据可以包括,但不限于:用户名、执行目标、实施所述执行目标的次数。
进一步地,可以以(用户名,执行目标,实施所述执行目标的次数)为三元组的矩阵结构构建所述初始矩阵,其中,所述用户名、所述执行目标及所述实施所述执行目标的次数为所述初始矩阵的元素。其中,所述执行目标是指具体地行为对应的标的,如所阅读的资讯题目。
预处理单元112对所述初始矩阵进行预处理,得到源矩阵。
可以理解的是,由于执行目标的多样性可能导致数据量过大(如所阅读的资讯的内容量可能非常大),所述初始矩阵是一个稀疏矩阵,不利于后续的计算和相似性度量。因此,可以按照执行目标的类别对所述初始矩阵进行汇总加工处理,以简化数据。
具体地,所述预处理单元112对所述初始矩阵进行预处理,得到源矩阵包括:
获取所述初始矩阵的所有元素;
根据所述初始矩阵的矩阵结构从所述初始矩阵的所有元素中识别执行目标;
获取预先配置的类别列表;
根据所述执行目标在所述类别列表中进行遍历,得到所述执行目标对应的至少一个类别;
基于所述至少一个类别对所述初始矩阵进行压缩处理,得到所述源矩阵。
通过上述实施方式,针对矩阵高稀疏性的问题进行了预处理,不仅更有利于计算,同时能够保证数据在相似度计算过程中的可用性。
确定单元113根据所述课程推荐指令确定目标用户。
其中,所述目标用户是指需要进行课程推荐的用户,由于无法获取到所述目标用户的行为数据,因此,本实施例采用迁移学习的方式对所述目标用户进行课程推荐。
在本实施例中,所述确定单元113根据所述课程推荐指令确定目标用户包括:
解析所述课程推荐指令的方法体,得到所述课程推荐指令所携带的信息;
获取预设标签;
在所述课程推荐指令所携带的信息中查找与所述预设标签相同的数据作为所述目标用户的名称;
根据所述目标用户的名称确定所述目标用户。
具体地,所述课程推荐指令实质上是一条代码,在所述课程推荐指令中,根据代码的编写原则,{}之间的内容被称之为所述方法体。
所述预设标签可以进行自定义配置,如name。
通过上述实施方式,在以预设标签能够直接获取到目标用户时,直接从指令中获取数据,以提升效率,并且,以标签进行获取,也提高了数据获取的准确性。
所述检测单元110基于所述源矩阵,从所述源域内所包含的用户中检测所述目标用户的相似用户。
可以理解的是,由于无法获取到所述目标用户的相关行为数据,因此,本实施例在所述源域内检测所述目标用户的相似用户,以便后续根据所述相似用户的数据对所述目标用户进行课程推荐。
在本发明的至少一个实施例中,所述检测单元110基于所述源矩阵,从所述源域内所包含的用户中检测所述目标用户的相似用户包括:
获取所述源矩阵的所有元素;
从所述源矩阵的所有元素中识别所述源域内所包含的用户的用户名、执行目标的类别及实施所述执行目标的次数;
根据所述源域内所包含的用户的用户名、所述执行目标的类别及所述实施所述执行目标的次数进行相似度计算,得到所述源域内所包含的用户中每个用户与所述目标用户的相似度值;
从所述源域内所包含的用户中获取所述相似度值大于或者等于预设阈值的用户作为所述目标用户的相似用户。
通过上述实施方式,能够准确检测到所述目标用户的相似用户,以供后续课程推荐使用。
具体地,所述检测单元110采用下述公式根据所述源域内所包含的用户的用户名、所述执行目标的类别及所述实施所述执行目标的次数进行相似度计算,得到所述源域内所包含的用户中每个用户与所述目标用户的相似度值:
其中,i表示所述目标用户,j表示所述源域内所包含的用户的用户名,表示用户i与用户j间的相似度值,表示所述执行目标的类别的集合,v表示所述执行目标的类别,表示用户i实施执行目标v的次数,表示用户j实施执行目标v的次数,表示在所述执行目标的所有类别下实施执行目标v的平均次数。
可以理解的是,现有技术中通常采用下述公式来度量两个对象间相似性:
上述相似度值的计算方式中,两个向量越相似,夹角越小,的值越大,但这种计算方式存在一定的局限性和度量偏差,即只考虑了向量方向,只能区分个体在维之间的差别,而无法衡量每个维度值的差异,但本实施例中的各个矩阵是数值类型,存在大小的差异,显然,采用上述相似度值的计算方式不够准确。
本实施例对相似度值的计算方式进行了改进,考虑了向量各维度的均值,然后每个向量在各维度减去均值后再计算余弦相似度,在考虑方向的同时兼顾具体数值大小,能够更准确地判断两个向量之间的相似性。同时,在迁移学习中能更准确地度量对象之间的相似度,从而保证获取源域知识的可用性,有效避免了“负迁移”问题。
所述构建单元111检测所述课程推荐指令对应的目标域,并获取所述相似用户在所述目标域内产生的行为数据构建目标矩阵。
其中,所述目标域是指所述课程推荐指令所属的领域。
其中,所述相似用户在所述目标域内产生的行为数据可以包括,但不限于:所述相似用户的用户名、课程名称、操作行为量化值(如对所述课程的点击次数或者学习时长)。
进一步地,可以以(相似用户的用户名,课程名称,操作行为量化值)为三元组构建所述目标矩阵。
分析单元114根据所述目标矩阵进行分析,得到所述目标用户对所述源域内每个课程的偏好预测值。
具体地,所述分析单元114根据所述目标矩阵进行分析,得到所述目标用户对所述源域内每个课程的偏好预测值包括:
获取所述目标矩阵的所有元素;
从所述目标矩阵的所有元素中识别所有所述相似用户的用户名;
根据识别到的用户名构建相似用户集合;
确定所述相似用户集合中每个相似用户对每个课程的操作行为量化值;
根据所述相似用户集合及每个相似用户分析每个课程的操作行为量化值,得到所述目标用户对所述源域内每个课程的偏好预测值。
例如:对每个课程的操作行为量化值可以为对每个课程的点击次数或者学习时长的累加值。
具体地,所述分析单元114采用下述公式根据所述相似用户集合及每个相似用户分析每个课程的操作行为量化值,得到所述目标用户对所述源域内每个课程的偏好预测值:
通过上述实施方式,基于邻域关系的迁移方法能充分利用和挖掘已有源数据的价值,基于数据和模型驱动,避免了通过人工设定规则或者专家经验的局限性,采用迁移学习的思想缓解了课程推荐中的用户冷启动问题,也有效提高了整个推荐过程的鲁棒性和泛化能力。
推送单元115根据每个课程的偏好预测值确定目标课程,并将所述目标课程推送至所述目标用户的终端设备。
通过上述实施方式,能够结合迁移学习及改进的相似度算法实现对课程的自动化精准推荐。
在本发明的至少一个实施例中,所述推送单元115根据每个课程的偏好预测值确定目标课程包括:
将每个课程的偏好预测值按照由高到低进行排序;
获取排在前预设位的偏好预测值所对应的课程作为所述目标课程。
例如:将偏好预测值排在前20位的课程作为所述目标课程。
在本实施例中,为了进一步保证数据的安全性,可以将目标课程存储于区块链。
由以上技术方案可以看出,本发明能够响应于课程推荐指令,检测所述课程推荐指令对应的源域,获取所述源域内所包含的用户标识,并获取所述用户标识对应的用户的行为数据构建初始矩阵,对所述初始矩阵进行预处理,得到源矩阵,针对矩阵高稀疏性的问题进行了预处理,不仅更有利于计算,同时能够保证数据在相似度计算过程中的可用性,根据所述课程推荐指令确定目标用户,基于所述源矩阵,从所述源域内所包含的用户中检测所述目标用户的相似用户,检测所述课程推荐指令对应的目标域,并获取所述相似用户在所述目标域内产生的行为数据构建目标矩阵,根据所述目标矩阵进行分析,得到所述目标用户对所述源域内每个课程的偏好预测值,根据每个课程的偏好预测值确定目标课程,并将所述目标课程推送至所述目标用户的终端设备,进而结合迁移学习及改进的相似度算法实现对课程的自动化精准推荐。
如图3所示,是本发明实现基于迁移学习的课程推荐方法的较佳实施例的电子设备的结构示意图。
所述电子设备1可以包括存储器12、处理器13和总线,还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序,例如基于迁移学习的课程推荐程序。
本领域技术人员可以理解,所述示意图仅仅是电子设备1的示例,并不构成对电子设备1的限定,所述电子设备1既可以是总线型结构,也可以是星形结构,所述电子设备1还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置,例如所述电子设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是,所述电子设备1仅为举例,其他现有的或今后可能出现的电子产品如可适应于本发明,也应包含在本发明的保护范围以内,并以引用方式包含于此。
其中,存储器12至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card, SMC)、安全数字(Secure Digital, SD)卡、闪存卡(Flash Card)等。进一步地,存储器12还可以既包括电子设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于迁移学习的课程推荐程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述电子设备1的控制核心(Control Unit),利用各种接口和线路连接整个电子设备1的各个部件,通过运行或执行存储在所述存储器12内的程序或者模块(例如执行基于迁移学习的课程推荐程序等),以及调用存储在所述存储器12内的数据,以执行电子设备1的各种功能和处理数据。
所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个基于迁移学习的课程推荐方法实施例中的步骤,例如图1所示的步骤。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器12中,并由所述处理器13执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述电子设备1中的执行过程。例如,所述计算机程序可以被分割成检测单元110、构建单元111、预处理单元112、确定单元113、分析单元114、推送单元115。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备,或者网络设备等)或处理器(processor)执行本发明各个实施例所述基于迁移学习的课程推荐方法的部分。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指示相关的硬件设备来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。
其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器等。
进一步地,计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,在图3中仅用一根箭头表示,但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器13逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
图3仅示出了具有组件12-13的电子设备1,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
结合图1,所述电子设备1中的所述存储器12存储多个指令以实现一种基于迁移学习的课程推荐方法,所述处理器13可执行所述多个指令从而实现:
响应于课程推荐指令,检测所述课程推荐指令对应的源域;
获取所述源域内所包含的用户标识,并获取所述用户标识对应的用户的行为数据构建初始矩阵;
对所述初始矩阵进行预处理,得到源矩阵;
根据所述课程推荐指令确定目标用户;
基于所述源矩阵,从所述源域内所包含的用户中检测所述目标用户的相似用户;
检测所述课程推荐指令对应的目标域,并获取所述相似用户在所述目标域内产生的行为数据构建目标矩阵;
根据所述目标矩阵进行分析,得到所述目标用户对所述源域内每个课程的偏好预测值;
根据每个课程的偏好预测值确定目标课程,并将所述目标课程推送至所述目标用户的终端设备。
具体地,所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,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。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。本发明中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于迁移学习的课程推荐方法,其特征在于,所述基于迁移学习的课程推荐方法包括:
响应于课程推荐指令,检测所述课程推荐指令对应的源域;
获取所述源域内所包含的用户标识,并获取所述用户标识对应的用户的行为数据构建初始矩阵;
对所述初始矩阵进行预处理,得到源矩阵;
根据所述课程推荐指令确定目标用户;
基于所述源矩阵,从所述源域内所包含的用户中检测所述目标用户的相似用户;
检测所述课程推荐指令对应的目标域,并获取所述相似用户在所述目标域内产生的行为数据构建目标矩阵;
根据所述目标矩阵进行分析,得到所述目标用户对所述源域内每个课程的偏好预测值;
根据每个课程的偏好预测值确定目标课程,并将所述目标课程推送至所述目标用户的终端设备。
2.如权利要求1所述的基于迁移学习的课程推荐方法,其特征在于,所述对所述初始矩阵进行预处理,得到源矩阵包括:
获取所述初始矩阵的所有元素;
根据所述初始矩阵的矩阵结构从所述初始矩阵的所有元素中识别执行目标;
获取预先配置的类别列表;
根据所述执行目标在所述类别列表中进行遍历,得到所述执行目标对应的至少一个类别;
基于所述至少一个类别对所述初始矩阵进行压缩处理,得到所述源矩阵。
3.如权利要求1所述的基于迁移学习的课程推荐方法,其特征在于,所述根据所述课程推荐指令确定目标用户包括:
解析所述课程推荐指令的方法体,得到所述课程推荐指令所携带的信息;
获取预设标签;
在所述课程推荐指令所携带的信息中查找与所述预设标签相同的数据作为所述目标用户的名称;
根据所述目标用户的名称确定所述目标用户。
4.如权利要求1所述的基于迁移学习的课程推荐方法,其特征在于,所述基于所述源矩阵,从所述源域内所包含的用户中检测所述目标用户的相似用户包括:
获取所述源矩阵的所有元素;
从所述源矩阵的所有元素中识别所述源域内所包含的用户的用户名、执行目标的类别及实施所述执行目标的次数;
根据所述源域内所包含的用户的用户名、所述执行目标的类别及所述实施所述执行目标的次数进行相似度计算,得到所述源域内所包含的用户中每个用户与所述目标用户的相似度值;
从所述源域内所包含的用户中获取所述相似度值大于或者等于预设阈值的用户作为所述目标用户的相似用户。
6.如权利要求1所述的基于迁移学习的课程推荐方法,其特征在于,所述根据所述目标矩阵进行分析,得到所述目标用户对所述源域内每个课程的偏好预测值包括:
获取所述目标矩阵的所有元素;
从所述目标矩阵的所有元素中识别所有所述相似用户的用户名;
根据识别到的用户名构建相似用户集合;
确定所述相似用户集合中每个相似用户对每个课程的操作行为量化值;
根据所述相似用户集合及每个相似用户分析每个课程的操作行为量化值,得到所述目标用户对所述源域内每个课程的偏好预测值。
8.一种基于迁移学习的课程推荐装置,其特征在于,所述基于迁移学习的课程推荐装置包括:
检测单元,用于响应于课程推荐指令,检测所述课程推荐指令对应的源域;
构建单元,用于获取所述源域内所包含的用户标识,并获取所述用户标识对应的用户的行为数据构建初始矩阵;
预处理单元,用于对所述初始矩阵进行预处理,得到源矩阵;
确定单元,用于根据所述课程推荐指令确定目标用户;
所述检测单元,还用于基于所述源矩阵,从所述源域内所包含的用户中检测所述目标用户的相似用户;
所述构建单元,还用于检测所述课程推荐指令对应的目标域,并获取所述相似用户在所述目标域内产生的行为数据构建目标矩阵;
分析单元,用于根据所述目标矩阵进行分析,得到所述目标用户对所述源域内每个课程的偏好预测值;
推送单元,用于根据每个课程的偏好预测值确定目标课程,并将所述目标课程推送至所述目标用户的终端设备。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现如权利要求1至7中任意一项所述的基于迁移学习的课程推荐方法。
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中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的基于迁移学习的课程推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011468624.8A CN112231586A (zh) | 2020-12-15 | 2020-12-15 | 基于迁移学习的课程推荐方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011468624.8A CN112231586A (zh) | 2020-12-15 | 2020-12-15 | 基于迁移学习的课程推荐方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112231586A true CN112231586A (zh) | 2021-01-15 |
Family
ID=74124356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011468624.8A Pending CN112231586A (zh) | 2020-12-15 | 2020-12-15 | 基于迁移学习的课程推荐方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112231586A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112380454A (zh) * | 2021-01-18 | 2021-02-19 | 平安科技(深圳)有限公司 | 培训课程推荐方法、装置、设备及介质 |
CN112801718A (zh) * | 2021-02-22 | 2021-05-14 | 平安科技(深圳)有限公司 | 用户行为预测方法、装置、设备及介质 |
CN112860989A (zh) * | 2021-01-20 | 2021-05-28 | 平安科技(深圳)有限公司 | 课程推荐方法、装置、计算机设备及存储介质 |
CN112860990A (zh) * | 2021-01-22 | 2021-05-28 | 平安科技(深圳)有限公司 | 基于时变及协同过滤的课程推荐方法、装置、设备及介质 |
CN113129053A (zh) * | 2021-03-29 | 2021-07-16 | 北京沃东天骏信息技术有限公司 | 信息推荐模型训练方法、信息推荐方法及存储介质 |
CN113553513A (zh) * | 2021-09-22 | 2021-10-26 | 平安科技(深圳)有限公司 | 基于人工智能的课程推荐方法、装置、电子设备及介质 |
CN113569151A (zh) * | 2021-09-18 | 2021-10-29 | 平安科技(深圳)有限公司 | 基于人工智能的数据推荐方法、装置、设备及介质 |
CN113706204A (zh) * | 2021-08-31 | 2021-11-26 | 中国平安财产保险股份有限公司 | 基于深度学习的权益发放方法、装置、设备及存储介质 |
CN116228484A (zh) * | 2023-05-06 | 2023-06-06 | 中诚华隆计算机技术有限公司 | 基于量子聚类算法的课程组合方法及装置 |
CN117290398A (zh) * | 2023-09-27 | 2023-12-26 | 广东科学技术职业学院 | 一种基于大数据的课程推荐方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103353872A (zh) * | 2013-06-03 | 2013-10-16 | 大连理工大学 | 一种基于神经网络的教学资源个性化推荐方法 |
CN105447145A (zh) * | 2015-11-25 | 2016-03-30 | 天津大学 | 一种基于项目的迁移学习推荐方法及其推荐装置 |
CN106951547A (zh) * | 2017-03-27 | 2017-07-14 | 西安电子科技大学 | 一种基于交叉用户的跨域推荐方法 |
CN107862012A (zh) * | 2017-10-30 | 2018-03-30 | 江苏大学 | 一种针对大学生群体的信息资源自动推荐方法 |
CN109241415A (zh) * | 2018-08-20 | 2019-01-18 | 平安科技(深圳)有限公司 | 项目推荐方法、装置、计算机设备及存储介质 |
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 |
CN110134871A (zh) * | 2019-05-27 | 2019-08-16 | 湖南大学 | 一种基于课程和学习者网络结构的动态课程推荐方法 |
US20200311159A1 (en) * | 2019-03-31 | 2020-10-01 | Td Ameritrade Ip Company, Inc. | Recommendation System for Providing Personalized and Mixed Content on a User Interface based on Content and User Similarity |
-
2020
- 2020-12-15 CN CN202011468624.8A patent/CN112231586A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103353872A (zh) * | 2013-06-03 | 2013-10-16 | 大连理工大学 | 一种基于神经网络的教学资源个性化推荐方法 |
CN105447145A (zh) * | 2015-11-25 | 2016-03-30 | 天津大学 | 一种基于项目的迁移学习推荐方法及其推荐装置 |
CN106951547A (zh) * | 2017-03-27 | 2017-07-14 | 西安电子科技大学 | 一种基于交叉用户的跨域推荐方法 |
CN107862012A (zh) * | 2017-10-30 | 2018-03-30 | 江苏大学 | 一种针对大学生群体的信息资源自动推荐方法 |
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 |
CN109241415A (zh) * | 2018-08-20 | 2019-01-18 | 平安科技(深圳)有限公司 | 项目推荐方法、装置、计算机设备及存储介质 |
US20200311159A1 (en) * | 2019-03-31 | 2020-10-01 | Td Ameritrade Ip Company, Inc. | Recommendation System for Providing Personalized and Mixed Content on a User Interface based on Content and User Similarity |
CN110134871A (zh) * | 2019-05-27 | 2019-08-16 | 湖南大学 | 一种基于课程和学习者网络结构的动态课程推荐方法 |
Non-Patent Citations (3)
Title |
---|
刘蓓琳: "《电子商务个性化推荐研究》", 30 November 2015, 中国经济出版社 * |
吕苗: "《基于情境的商品个性化混合推荐方法研究》", 30 June 2018, 东北大学出版社 * |
陈锐 等: "《C/C++数据结构与算法速学速用大辞典》", 31 July 2016, 中国铁道出版社 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112380454A (zh) * | 2021-01-18 | 2021-02-19 | 平安科技(深圳)有限公司 | 培训课程推荐方法、装置、设备及介质 |
CN112860989B (zh) * | 2021-01-20 | 2022-02-01 | 平安科技(深圳)有限公司 | 课程推荐方法、装置、计算机设备及存储介质 |
CN112860989A (zh) * | 2021-01-20 | 2021-05-28 | 平安科技(深圳)有限公司 | 课程推荐方法、装置、计算机设备及存储介质 |
CN112860990A (zh) * | 2021-01-22 | 2021-05-28 | 平安科技(深圳)有限公司 | 基于时变及协同过滤的课程推荐方法、装置、设备及介质 |
CN112801718A (zh) * | 2021-02-22 | 2021-05-14 | 平安科技(深圳)有限公司 | 用户行为预测方法、装置、设备及介质 |
CN113129053A (zh) * | 2021-03-29 | 2021-07-16 | 北京沃东天骏信息技术有限公司 | 信息推荐模型训练方法、信息推荐方法及存储介质 |
CN113129053B (zh) * | 2021-03-29 | 2024-05-21 | 北京沃东天骏信息技术有限公司 | 信息推荐模型训练方法、信息推荐方法及存储介质 |
CN113706204A (zh) * | 2021-08-31 | 2021-11-26 | 中国平安财产保险股份有限公司 | 基于深度学习的权益发放方法、装置、设备及存储介质 |
CN113706204B (zh) * | 2021-08-31 | 2024-04-05 | 中国平安财产保险股份有限公司 | 基于深度学习的权益发放方法、装置、设备及存储介质 |
CN113569151A (zh) * | 2021-09-18 | 2021-10-29 | 平安科技(深圳)有限公司 | 基于人工智能的数据推荐方法、装置、设备及介质 |
CN113553513A (zh) * | 2021-09-22 | 2021-10-26 | 平安科技(深圳)有限公司 | 基于人工智能的课程推荐方法、装置、电子设备及介质 |
CN113553513B (zh) * | 2021-09-22 | 2021-12-10 | 平安科技(深圳)有限公司 | 基于人工智能的课程推荐方法、装置、电子设备及介质 |
CN116228484A (zh) * | 2023-05-06 | 2023-06-06 | 中诚华隆计算机技术有限公司 | 基于量子聚类算法的课程组合方法及装置 |
CN116228484B (zh) * | 2023-05-06 | 2023-07-07 | 中诚华隆计算机技术有限公司 | 基于量子聚类算法的课程组合方法及装置 |
CN117290398A (zh) * | 2023-09-27 | 2023-12-26 | 广东科学技术职业学院 | 一种基于大数据的课程推荐方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112231586A (zh) | 基于迁移学习的课程推荐方法、装置、设备及介质 | |
CN112801718B (zh) | 用户行为预测方法、装置、设备及介质 | |
CN111754110A (zh) | 基于人工智能的经营指标评价方法、装置、设备及介质 | |
CN112396547B (zh) | 基于无监督学习的课程推荐方法、装置、设备及介质 | |
CN112581227A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN112288337B (zh) | 行为推荐方法、装置、设备及介质 | |
CN111666415A (zh) | 话题聚类方法、装置、电子设备及存储介质 | |
CN112380454A (zh) | 培训课程推荐方法、装置、设备及介质 | |
CN111949708A (zh) | 基于时序特征提取的多任务预测方法、装置、设备及介质 | |
CN111950621A (zh) | 基于人工智能的目标数据检测方法、装置、设备及介质 | |
CN112906377A (zh) | 基于实体限制的问答方法、装置、电子设备及存储介质 | |
WO2021151305A1 (zh) | 基于缺失数据的样本分析方法、装置、电子设备及介质 | |
CN115081538A (zh) | 基于机器学习的客户关系识别方法、装置、设备及介质 | |
CN114781832A (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN111985545A (zh) | 基于人工智能的目标数据检测方法、装置、设备及介质 | |
CN114862140A (zh) | 基于行为分析的潜力评估方法、装置、设备及存储介质 | |
CN111950707B (zh) | 基于行为共现网络的行为预测方法、装置、设备及介质 | |
CN112860851B (zh) | 基于根因分析的课程推荐方法、装置、设备及介质 | |
CN112307771B (zh) | 基于情感分析的课程分析方法、装置、设备及介质 | |
CN113706249A (zh) | 数据推荐方法、装置、电子设备及存储介质 | |
CN112052310A (zh) | 基于大数据的信息获取方法、装置、设备及存储介质 | |
CN112330080B (zh) | 基于连通图的因子筛选方法、装置、设备及介质 | |
CN114722280A (zh) | 基于用户画像的课程推荐方法、装置、设备及存储介质 | |
CN114708073A (zh) | 一种围标串标智能检测方法、装置、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210115 |