CN112347352A - 一种课程推荐方法、装置及存储介质 - Google Patents

一种课程推荐方法、装置及存储介质 Download PDF

Info

Publication number
CN112347352A
CN112347352A CN202011218975.3A CN202011218975A CN112347352A CN 112347352 A CN112347352 A CN 112347352A CN 202011218975 A CN202011218975 A CN 202011218975A CN 112347352 A CN112347352 A CN 112347352A
Authority
CN
China
Prior art keywords
course
student
similarity
information
scoring
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
Application number
CN202011218975.3A
Other languages
English (en)
Inventor
喻健
熊曾刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei Engineering University
Original Assignee
Hubei Engineering University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hubei Engineering University filed Critical Hubei Engineering University
Priority to CN202011218975.3A priority Critical patent/CN112347352A/zh
Publication of CN112347352A publication Critical patent/CN112347352A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Educational Technology (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种课程推荐方法、装置及存储介质，方法包括：从多个学生终端中分别获取多个待处理学生课程信息，并将多个所述待处理学生课程信息两两一组的进行相似度分析，得到多个相似度，并集合多个所述相似度得到相似度集合；将所述相似度集合中各个所述相似度所对应的课程相互推荐至各个所述待处理学生课程信息对应的学生终端中，并综合多个推荐的结果得到课程推荐集合。本发明能够提高选课效率，让选课更有针对性，优化了学习效果，同时，也避免了学生的盲目选课且优化了学校的教学资源。

Description

一种课程推荐方法、装置及存储介质
技术领域
本发明主要涉及智能选课技术领域，具体涉及一种课程推荐方法、装置及存储介质。
背景技术
目前，现有的课程推荐方法是简单的把课程堆积在一起发送给学生，学生根据课程名称、课程学分、任课老师等基本信息来猜测课程内容，自己判断是否要选修某门课程。学生通过这种方式选课，即使通过搜索引擎的帮助，也难以直观的确定自己是否对该课程感兴趣，该课程是否有利于后续课程的学习，该课程是否涉及一些没学过的其他课程。这些问题都会导致学生后续学习效率的底下，学习效果大大降低。
发明内容
本发明所要解决的技术问题是针对现有技术的不足，提供一种课程推荐方法、装置及存储介质。
本发明解决上述技术问题的技术方案如下：一种课程推荐方法，包括如下步骤：
从多个学生终端中分别获取多个待处理学生课程信息，并将多个所述待处理学生课程信息两两一组的进行相似度分析，得到多个相似度，并集合多个所述相似度得到相似度集合；
将所述相似度集合中各个所述相似度所对应的课程相互推荐至各个所述待处理学生课程信息对应的学生终端中，并综合多个推荐的结果得到课程推荐集合。
本发明解决上述技术问题的另一技术方案如下：一种课程推荐装置，包括：
相似度分析模块，用于从多个学生终端中分别获取多个待处理学生课程信息，并将多个所述待处理学生课程信息两两一组的进行相似度分析，得到多个相似度，并集合多个所述相似度得到相似度集合；
课程推荐集合获得模块，用于将所述相似度集合中各个所述相似度所对应的课程相互推荐至各个所述待处理学生课程信息对应的学生终端中，并综合多个推荐的结果得到课程推荐集合。
本发明的有益效果是：将多个待处理学生课程信息两两一组的相似度分析得到多个相似度，并集合多个相似度得到相似度集合，将相似度集合中各个相似度所对应的课程相互推荐至各个待处理学生课程信息对应的学生终端中并综合多个推荐的结果得到课程推荐集合，能够提高选课效率，让选课更有针对性，优化了学习效果，同时，也避免了学生的盲目选课且优化了学校的教学资源。
附图说明
图1为本发明一实施例提供的课程推荐方法的流程示意图；
图2为本发明一实施例提供的课程推荐装置的模块框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
图1为本发明一实施例提供的课程推荐方法的流程示意图。
如图1所示，一种课程推荐方法，包括如下步骤：
从多个学生终端中分别获取多个待处理学生课程信息，并将多个所述待处理学生课程信息两两一组的进行相似度分析，得到多个相似度，并集合多个所述相似度得到相似度集合；
将所述相似度集合中各个所述相似度所对应的课程相互推荐至各个所述待处理学生课程信息对应的学生终端中，并综合多个推荐的结果得到课程推荐集合。
应理解地，所述综合是指汇聚、集合的意思，所述的结果是指课程，综合多个推荐的结果是指集合多个推荐的课程。
上述实施例中，将多个待处理学生课程信息两两一组的相似度分析得到多个相似度，并集合多个相似度得到相似度集合，将相似度集合中各个相似度所对应的课程相互推荐至各个待处理学生课程信息对应的学生终端中并综合多个推荐的结果得到课程推荐集合，能够提高选课效率，让选课更有针对性，优化了学习效果，同时，也避免了学生的盲目选课且优化了学校的教学资源。
可选地，作为本发明的一个实施例，所述待处理学生课程信息包括学生个人信息、待选课程信息和学生课程评分信息；
所述将多个所述待处理学生课程信息两两一组的进行相似度分析，得到多个相似度，并集合多个所述相似度得到相似度集合的过程具体包括：
将多个所述学生个人信息两两一组的进行学生个人信息的相似度分析，得到多个学生个人相似度，并集合多个所述学生个人相似度得到学生个人相似度集合；
将多个所述待选课程信息两两一组的进行待选课程信息的相似度分析，得到多个待选课程相似度，并集合多个所述待选课程相似度得到待选课程相似度集合；
对多个所述学生课程评分信息进行矩阵构建，得到评分矩阵，所述评分矩阵包括多个学生评分行向量和多个课程评分列向量；
将多个所述学生评分行向量两两一组的进行学生评分行向量的相似度分析，得到多个学生评分相似度，并集合多个所述学生评分相似度得到学生评分相似度集合；
将多个所述课程评分列向量两两一组的进行课程评分列向量的相似度分析，得到多个课程评分相似度，并集合多个所述课程评分相似度得到课程评分相似度集合；
根据所述学生个人相似度集合、所述待选课程相似度集合、所述学生评分相似度集合和所述课程评分相似度集合得到相似度集合；
所述将所述相似度集合中各个所述相似度所对应的课程相互推荐至各个所述待处理学生课程信息对应的学生终端中，并综合多个推荐的结果得到课程推荐集合的过程具体包括：
将所述学生个人相似度集合中各个所述学生个人相似度所对应的课程相互推荐至各个所述学生个人信息对应的学生终端中，并综合多个推荐的结果得到第一课程推荐集合；
将所述待选课程相似度集合中各个所述待选课程相似度所对应的课程相互推荐至各个所述待选课程信息对应的学生终端中，并综合多个推荐的结果得到第二课程推荐集合；
将所述学生评分相似度集合中各个所述学生评分相似度所对应的课程相互推荐至各个所述学生课程评分信息对应的学生终端中，并综合多个推荐的结果得到第三课程推荐集合；
将所述课程评分相似度集合中各个所述课程评分相似度所对应的课程相互推荐至各个所述学生课程评分信息对应的学生终端中，并综合多个推荐的结果得到第四课程推荐集合；
将所述第一课程推荐集合和所述第二课程推荐集合进行所推荐的课程的交集处理，得到第五课程推荐集合；
将所述第三课程推荐集合和所述第四课程推荐集合进行所推荐的课程的交集处理，得到第六课程推荐集合；
将所述第五课程推荐集合和所述第六课程推荐集合进行所推荐的课程的交集处理，得到第七课程推荐集合，并将所述第七课程推荐集合作为课程推荐集合。
应理解地，所述学生个人信息包括学号、姓名、性别、专业、年级和学分绩点等信息，所述待选课程信息包括课程号、课程名、课程学分、任课老师、考核方式等属性。
应理解地，所述综合是指汇聚、集合的意思，所述的结果是指课程，综合多个推荐的结果是指集合多个推荐的课程。
具体地，表1为构建的评分矩阵表。
表1
课程A 课程B 课程C
学生1 5 2 2
学生2 0 1 5
学生3 5 4 0
由表1可知，评分矩阵是3行3列，最低评分为1，最高为5，未评分的课程为0，故学生1的所述学生评分行向量X＝(5,2,2)，学生2的所述学生评分行向量Y＝(0,1,5)，学生3的所述学生评分行向量Z＝(5,4,0)；课程A的所述课程评分列向量M＝(5,0,5)，课程B的所述课程评分列向量N＝(2,1,4)，课程C的所述课程评分列向量O＝(2,5,0)。
上述实施例中，将多个待处理学生课程信息两两一组的相似度分析得到多个相似度，并集合多个相似度得到相似度集合，将相似度集合中各个相似度所对应的课程相互推荐至各个待处理学生课程信息对应的学生终端中并综合多个推荐的结果得到课程推荐集合，对多方面进行了推荐分析，能够提高选课效率，让选课更有针对性，优化了学习效果，同时，也避免了学生的盲目选课且优化了学校的教学资源。
可选地，作为本发明的一个实施例，所述将多个所述学生个人信息两两一组的进行学生个人信息的相似度分析，得到多个学生个人相似度，并集合多个所述学生个人相似度得到学生个人相似度集合的过程具体包括：
分别对多个所述学生个人信息进行封装处理，得到多个学生个人向量；
利用Tanimoto系数分别对多个所述学生个人向量两两一组的进行学生个人向量的相似度计算，得到多个待排序学生个人相似度，具体为：
通过第一式分别对多个所述学生个人向量两两一组的进行学生个人向量的相似度计算，得到多个待排序学生个人相似度，所述第一式为：
Figure BDA0002761403670000061
其中，Jaccard(X,Y)为学生x与学生y的待排序学生个人相似度，X为学生x个人向量，Y为学生y个人向量；
根据从大到小的顺序对多个所述待排序学生个人相似度进行排序，得到多个学生个人相似度，并集合多个所述学生个人相似度得到学生个人相似度集合。
应理解地，分别对各个所述学生个人信息封装成如下格式的学生个人向量：(学号，姓名，性别，专业，年级，学历，已修学分，平均绩点……)，再计算各个所述学生个人向量之间的所述待排序学生个人相似度。
应理解地，Tanimoto系数又称Tanimoto Coefficient，主要用于计算符号度量或布尔值度量的个体间的相似度，因为个体的特征属性都是由符号度量或者布尔值标识，因此无法衡量差异具体值的大小，只能获得“是否相同”这个结果，所以TanimotoCoefficient只关心个体间共同具有的特征是否一致这个问题；Tanimoto Coefficient又被叫做Jaccard Coefficient，其值等于两个用户共同关联的项目数量除于两个用户分别关联的所有项目数量。
具体地，表2为学生个人信息表。
表2
学号 姓名 性别 专业 年级 学历 已修学分 平均绩点 ……
0163017001 张三 男 计算机 2016 本科 50 3.5 ……
0193017002 李四 男 软件工程 2019 本科 20 3.3 ……
0163017003 王五 男 计算机 2016 本科 50 3.3 ……
…… …… …… …… …… …… …… ……
如表2所示，把张三的所述学生个人信息封装为学生个人向量X＝(“0163017001”,“张三”,“男”,“计算机”,“2016”,“本科”,“50”,“3.5”,……)，把李四的所述学生个人信息封装为学生个人向量Y＝(“0163017002”,“李四”,“男”,“软件工程”,“2019”,“本科”,“20”,“3.3”,……)，把王五的所述学生个人信息封装为学生个人向量Z＝(“0163017003”,“王五”,“男”,“计算机”,“2016”,“本科”,“50”,“3.3”,……)。
通过Tanimoto系数计算所述学生个人向量X和所述学生个人向量Y的待排序学生个人相似度为：
Figure BDA0002761403670000071
通过Tanimoto系数计算所述学生个人向量X和所述学生个人向量Z的待排序学生个人相似度为：
Figure BDA0002761403670000072
通过Tanimoto系数计算所述学生个人向量Y和所述学生个人向量Z的待排序学生个人相似度为：
Figure BDA0002761403670000073
由此可知，所述待排序学生个人相似度的数值介于[0,1]之间，且数值越大相似性越好。
表3为待排序学生个人相似度表。
表3
张三 李四 王五 ……
张三 1 0.25 0.625
李四 0.25 1 0.375
王五 0.625 0.375 1
…… 1
上述实施例中，分别对多个学生个人信息的封装处理得到多个学生个人向量，利用Tanimoto系数分别对多个学生个人向量两两一组的学生个人向量的相似度计算得到多个待排序学生个人相似度，根据从大到小的顺序对多个待排序学生个人相似度的排序得到学生个人相似度集合，能够提高选课效率，让选课更有针对性，优化了学习效果，同时，也避免了学生的盲目选课且优化了学校的教学资源。
可选地，作为本发明的一个实施例，所述将多个所述待选课程信息两两一组的进行待选课程信息的相似度分析，得到多个待选课程相似度，并集合多个所述待选课程相似度得到待选课程相似度集合的过程具体包括：
分别对多个所述待选课程信息进行封装处理，得到多个待选课程向量；
利用Tanimoto系数分别对多个所述待选课程向量两两一组的进行待选课程向量的相似度计算，得到多个待排序的待选课程相似度，具体为：
通过第二式分别对多个所述待选课程向量两两一组的进行待选课程向量的相似度计算，得到多个待排序的待选课程相似度，所述第二式为：
Figure BDA0002761403670000081
其中，Jaccard(M,N)为待选课程m与待选课程n的待排序的待选课程相似度，M为待选课程m的向量，N为待选课程n的向量；
根据从大到小的顺序对多个所述待排序的待选课程相似度进行排序，得到多个待选课程相似度，并集合多个所述待选课程相似度得到待选课程相似度集合。
应理解地，分别对各个所述待选课程信息封装成如下格式的待选课程向量：(课程号，课程名，所属学科，课程学分，任课老师，考核方式，上课地点……)，再计算各个所述待选课程向量之间的所述待排序的待选课程相似度。
应理解地，Tanimoto系数又称Tanimoto Coefficient，主要用于计算符号度量或布尔值度量的个体间的相似度，因为个体的特征属性都是由符号度量或者布尔值标识，因此无法衡量差异具体值的大小，只能获得“是否相同”这个结果，所以TanimotoCoefficient只关心个体间共同具有的特征是否一致这个问题；Tanimoto Coefficient又被叫做Jaccard Coefficient，其值等于两个用户共同关联的项目数量除于两个用户分别关联的所有项目数量。
具体地，表4为待选课程信息表。
表4
Figure BDA0002761403670000091
如表4所示，把《数据结构》课程的所述待选课程信息封装为待选课程向量M＝(“3017011”,“数据结构”,“计算机科学”,“3”,“张立”,“考试”,“计科楼”,“1101”,……)，把《Java语言》课程的所述待选课程信息封装为待选课程向量N＝(“3017008”,“Java语言”,“软件工程”,“2”,“王程”,“考察”,“计科楼”,“1203”,……)，把《操作系统》课程的所述待选课程信息封装为待选课程向量O＝(“3017012”,“操作系统”,“计算机科学”,“3”,“刘海”,“考试”,“计科楼”,“1102”,……)。
通过Tanimoto系数计算所述待选课程向量M和所述待选课程向量N的待排序的待选课程相似度为：
Figure BDA0002761403670000092
通过Tanimoto系数计算所述待选课程向量M和所述待选课程向量O的待排序的待选课程相似度为：
Figure BDA0002761403670000101
通过Tanimoto系数计算所述待选课程向量N和所述待选课程向量O的待排序的待选课程相似度为：
Figure BDA0002761403670000102
由此可知，所述待排序的待选课程相似度的数值介于[0,1]之间，且数值越大相似性越好。
表5为待排序的待选课程相似度表。
表5
数据结构 Java语言 操作系统 ……
数据结构 1 0.125 0.5
Java语言 0.125 1 0.125
操作系统 0.5 0.125 1
…… 1
上述实施例中，分别对多个待选课程信息的封装处理得到多个待选课程向量，利用Tanimoto系数分别对多个待选课程向量两两一组的待选课程向量的相似度计算得到多个待排序的待选课程相似度，根据从大到小的顺序对多个待排序的待选课程相似度的排序得到待选课程相似度集合，能够提高选课效率，让选课更有针对性，优化了学习效果，同时，也避免了学生的盲目选课且优化了学校的教学资源。
可选地，作为本发明的一个实施例，所述学生课程评分信息包括学生课程无效评分信息和学生课程有效评分信息，所述对多个所述学生课程评分信息进行矩阵构建，得到评分矩阵的过程具体包括：
分别对多个所述学生课程无效评分信息进行信息填充，得到多个填充后的学生课程评分信息；
根据多个所述填充后的学生课程评分信息和多个所述学生课程有效评分信息得到多个更新后的学生课程有效评分信息；
统计多个所述更新后的学生课程有效评分信息的数量，得到学生课程评分信息数量；
当所述学生课程评分信息数量大于或等于预设评价数量时，则对多个所述更新后的学生课程有效评分信息进行矩阵构建，得到评分矩阵。
应理解地，当所述学生课程评分信息数量小于预设评价数量时，则将所述第五课程推荐集合作为所述课程推荐集合，当所述第五课程推荐集合中推荐的课程数量为0时，则将所述第一课程推荐集合和所述第二课程推荐集合均作为所述课程推荐集合。
上述实施例中，分别对多个学生课程无效评分信息的信息填充得到多个填充后的学生课程评分信息，根据多个填充后的学生课程评分信息和多个学生课程有效评分信息得到多个更新后的学生课程有效评分信息，当学生课程评分信息数量大于或等于预设评价数量时则对多个更新后的学生课程有效评分信息的矩阵构建得到评分矩阵，防止无效评分信息对后续处理产生影响，提高了针对性选课的准确率。
可选地，作为本发明的一个实施例，所述分别对多个所述学生课程无效评分信息进行信息填充，得到多个填充后的学生课程评分信息的过程具体包括：
依次对所述学生课程无效评分信息进行课程名称统计，得到多个课程名称；
利用中国图书馆分类法依照从小类至大类的顺序依次对各个所述课程名称和所述学生课程有效评分信息进行同分类号的寻找，得到多个同类别的学生课程有效评分信息；
根据各个同类别的所述学生课程有效评分信息对对应的所述学生课程无效评分信息进行信息的填充，得到多个填充后的学生课程评分信息。
应理解地，所述学生课程无效评分信息即是课程评价为空白或者0.
应理解地，在系统运行初期，由于学生们还未开始选课和对课程评分，学生对课程的反馈信息较少，所以所述学生课程无效评分信息较多，无法进行有效推荐，此时需要对所述学生课程无效评分信息进行填充，由于不同的课程有各自不同的所属专业，所属专业可能又属于更高级别的学科，这样从小类到大类我们总能给所述课程名称找到一个合适的更高级类别。以此类推，直到把所述学生课程无效评分信息填充到位，当然越往上级追溯，得到的评价结果可能与真实评价差别越大,但仍是提高稀疏矩阵推荐质量的有效方法。
应理解地，所述中国图书馆分类法即图书分类法又叫图书分类词表，是按照图书的内容、形式、体裁和读者用途等，在一定的哲学思想指导下，运用知识分类的原理，采用逻辑方法，将所有学科的图书按其学科内容分成几大类，每一大类下分许多小类，每一小类下再分子小类。最后，每一种书都可以分到某一个类目下，每一个类目都有一个类号。分类词表是层次结构的类号和类目的集合。
具体地，表6为某一学生的评分矩阵表。
表6
Figure BDA0002761403670000121
由表6可知，评分最高为5分，最低为1分，空白为未评分。
学生张三的评分向量中一共有9门课程，其中只有《高等数学》和《大学语文》已经选修且评分，现在我们需要对其他未评分的7门课程根据填充算法来预估一个评分，从而解决所述学生课程无效评分信息较多的问题。首先对《大学物理》进行评分填充，利用中国图书馆分类法找到与《大学物理》课程所属专业最接近的《电路》课程，但是《电路》课程也没有评分；依照从小类至大类的顺序继续寻找，发现已评分的课程只有《高等数学》和《大学语文》，显然《高等数学》的课程属性与《大学物理》更相近，故对《大学物理》给出与《高等数学》一样的预估评分5分。同理我们给其他未评分的课程都给出了预估评分，从而解决了所述学生课程无效评分信息较多的问题。表7为填充后某一学生的评分矩阵表。
表7
Figure BDA0002761403670000131
其中，打括号的评分为根据填充算法预估的评分，后期学生张三如果对课程有真实评分会覆盖预估评分。
上述实施例中，依次对学生课程无效评分信息的课程名称统计得到多个课程名称，根据各个同类别的学生课程有效评分信息对对应的学生课程无效评分信息的信息填充得到多个填充后的学生课程评分信息，有效地解决了学生课程无效评分信息较多，无法进行有效推荐的问题，能够提高选课效率，让选课更有针对性，使得推荐的课程与学生的兴趣更加契合，优化了学习效果，同时，也避免了学生的盲目选课且优化了学校的教学资源。
可选地，作为本发明的一个实施例，所述将多个所述学生评分行向量两两一组的进行学生评分行向量的相似度分析，得到多个学生评分相似度，并集合多个所述学生评分相似度得到学生评分相似度集合的过程具体包括：
通过第三式分别对多个所述学生评分行向量两两一组的进行学生评分行向量的相似度计算，得到多个待排序学生评分相似度，所述第三式为：
Figure BDA0002761403670000132
其中，Pearson(X′,Y′)为待排序学生评分相似度，xi为学生a对第i门课程行向量的评分，yi为学生b对第i门课程行向量的评分，
Figure BDA0002761403670000133
为学生a对所有已修课程行向量的平均评分，
Figure BDA0002761403670000141
为学生b对所有已修课程行向量的平均评分；
根据从大到小的顺序对多个所述待排序学生评分相似度进行排序，得到多个学生评分相似度，并集合多个所述学生评分相似度得到学生评分相似度集合。
由表1可知，学生1的所述学生评分行向量X＝(5,2,2)，学生2的所述学生评分行向量Y＝(0,1,5)，学生3的所述学生评分行向量Z＝(5,4,0)。
计算所述学生评分行向量X和所述学生评分行向量Y的待排序学生评分相似度为：
Figure BDA0002761403670000142
计算所述学生评分行向量X和所述学生评分行向量Z的待排序学生评分相似度为：
Figure BDA0002761403670000143
计算所述学生评分行向量Y和所述学生评分行向量Z的待排序学生评分相似度为：
Figure BDA0002761403670000144
由此可知，所述待排序学生评分相似度的范围是[-1,1]，绝对值越大，说明相关性越强，负相关对于推荐的意义小。
表8为待排序学生评分相似度表。
表8
学生1 学生2 学生3
学生1 1 -0.6547 0.6547
学生2 -0.6547 1 -1
学生3 0.6547 -1 1
上述实施例中，通过第三式分别对多个学生评分行向量两两一组的学生评分行向量的相似度计算得到多个待排序学生评分相似度，根据从大到小的顺序对多个待排序学生评分相似度的排序得到学生评分相似度集合，能够提高选课效率，让选课更有针对性，使得推荐的课程与学生的兴趣更加契合，优化了学习效果，同时，也避免了学生的盲目选课且优化了学校的教学资源。
可选地，作为本发明的一个实施例，所述将多个所述课程评分列向量两两一组的进行课程评分列向量的相似度分析，得到多个课程评分相似度，并集合多个所述课程评分相似度得到课程评分相似度集合的过程具体包括：
通过第四式分别对多个所述课程评分列向量两两一组的进行课程评分列向量的相似度计算，得到多个待排序课程评分相似度，所述第四式为：
Figure BDA0002761403670000151
其中，Pearson(M′,O′)为待排序课程评分相似度，mi为学生a对第i门课程列向量的评分，Oi为学生b对第i门课程列向量的评分，
Figure BDA0002761403670000152
为学生a对所有已修课程列向量的平均评分，
Figure BDA0002761403670000153
为学生b对所有已修课程列向量的平均评分；
根据从大到小的顺序对多个所述待排序课程评分相似度进行排序，得到多个课程评分相似度，并集合多个所述课程评分相似度得到课程评分相似度集合。
具体地，由表1可知，课程A的所述课程评分列向量M＝(5,0,5)，课程B的所述课程评分列向量N＝(2,1,4)，课程C的所述课程评分列向量O＝(2,5,0)。
计算所述课程评分列向量M和所述课程评分列向量N的待排序课程评分相似度为：
Figure BDA0002761403670000154
计算所述课程评分列向量M和所述课程评分列向量O的待排序课程评分相似度为：
Figure BDA0002761403670000161
计算所述课程评分列向量N和所述课程评分列向量O的待排序课程评分相似度为：
Figure BDA0002761403670000162
由此可知，所述待排序课程评分相似度的范围是[-1,1]，绝对值越大，说明相关性越强，负相关对于推荐的意义小。
表9为待排序课程评分相似度表。
表9
课程A 课程B 课程C
课程A 1 0.2520 -0.3059
课程B 0.2520 1 -0.3179
课程C -0.3059 -0.3179 1
上述实施例中，通过第四式分别对多个课程评分列向量两两一组的课程评分列向量的相似度计算得到多个待排序课程评分相似度，根据从大到小的顺序对多个待排序课程评分相似度的排序得到课程评分相似度集合，能够提高选课效率，让选课更有针对性，使得推荐的课程与学生的兴趣更加契合，优化了学习效果，同时，也避免了学生的盲目选课且优化了学校的教学资源。
可选地，作为本发明的一个实施例，还包括对第七课程推荐集合中课程推荐数量判断的过程，所述对第七课程推荐集合中课程推荐数量判断的过程包括：
判断所述第七课程推荐集合中推荐的课程数量是否为0，若否，则将所述第七课程推荐集合作为课程推荐集合；若是，则判断所述第六课程推荐集合中推荐的课程数量是否为0；若否，则将所述第六课程推荐集合作为所述课程推荐集合；若是，则判断所述第五课程推荐集合中推荐的课程数量是否为0，若否，则将所述第五课程推荐集合作为所述课程推荐集合；若是，则将所述第一课程推荐集合、所述第二课程推荐集合、所述第三课程推荐集合和所述第四课程推荐集合均作为所述课程推荐集合。
上述实施例中，对第七课程推荐集合中课程推荐数量的判断，防止了课程推荐集合中没有课程推荐的情况，更科学且智能化的对课程进行推荐，能够提高选课效率，让选课更有针对性，优化了学习效果，同时，也避免了学生的盲目选课且优化了学校的教学资源。
图2为本发明一实施例提供的课程推荐装置的模块框图。
可选地，作为本发明的另一个实施例，如图2所示，一种课程推荐装置，包括：
相似度分析模块，用于从多个学生终端中分别获取多个待处理学生课程信息，并将多个所述待处理学生课程信息两两一组的进行相似度分析，得到多个相似度，并集合多个所述相似度得到相似度集合；
课程推荐集合获得模块，用于将所述相似度集合中各个所述相似度所对应的课程相互推荐至各个所述待处理学生课程信息对应的学生终端中，从而得到课程推荐集合。
可选地，本发明的另一个实施例提供一种课程推荐装置，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，当所述处理器执行所述计算机程序时，实现如上所述的课程推荐方法。该装置可为计算机等装置。
可选地，本发明的另一个实施例提供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，当所述计算机程序被处理器执行时，实现如上所述的课程推荐方法。
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，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，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，单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元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，也可以是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，也可以采用软件功能单元的形式实现。
集成的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。用于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品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，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种课程推荐方法，其特征在于，包括如下步骤：
从多个学生终端中分别获取多个待处理学生课程信息，并将多个所述待处理学生课程信息两两一组的进行相似度分析，得到多个相似度，并集合多个所述相似度得到相似度集合；
将所述相似度集合中各个所述相似度所对应的课程相互推荐至各个所述待处理学生课程信息对应的学生终端中，并综合多个推荐的结果得到课程推荐集合。
2.根据权利要求1所述的课程推荐方法，其特征在于，所述待处理学生课程信息包括学生个人信息、待选课程信息和学生课程评分信息；
所述将多个所述待处理学生课程信息两两一组的进行相似度分析，得到多个相似度，并集合多个所述相似度得到相似度集合的过程具体包括：
将多个所述学生个人信息两两一组的进行学生个人信息的相似度分析，得到多个学生个人相似度，并集合多个所述学生个人相似度得到学生个人相似度集合；
将多个所述待选课程信息两两一组的进行待选课程信息的相似度分析，得到多个待选课程相似度，并集合多个所述待选课程相似度得到待选课程相似度集合；
对多个所述学生课程评分信息进行矩阵构建，得到评分矩阵，所述评分矩阵包括多个学生评分行向量和多个课程评分列向量；
将多个所述学生评分行向量两两一组的进行学生评分行向量的相似度分析，得到多个学生评分相似度，并集合多个所述学生评分相似度得到学生评分相似度集合；
将多个所述课程评分列向量两两一组的进行课程评分列向量的相似度分析，得到多个课程评分相似度，并集合多个所述课程评分相似度得到课程评分相似度集合；
根据所述学生个人相似度集合、所述待选课程相似度集合、所述学生评分相似度集合和所述课程评分相似度集合得到相似度集合；
所述将所述相似度集合中各个所述相似度所对应的课程相互推荐至各个所述待处理学生课程信息对应的学生终端中，并综合多个推荐的结果得到课程推荐集合的过程具体包括：
将所述学生个人相似度集合中各个所述学生个人相似度所对应的课程相互推荐至各个所述学生个人信息对应的学生终端中，并综合多个推荐的结果得到第一课程推荐集合；
将所述待选课程相似度集合中各个所述待选课程相似度所对应的课程相互推荐至各个所述待选课程信息对应的学生终端中，并综合多个推荐的结果得到第二课程推荐集合；
将所述学生评分相似度集合中各个所述学生评分相似度所对应的课程相互推荐至各个所述学生课程评分信息对应的学生终端中，并综合多个推荐的结果得到第三课程推荐集合；
将所述课程评分相似度集合中各个所述课程评分相似度所对应的课程相互推荐至各个所述学生课程评分信息对应的学生终端中，并综合多个推荐的结果得到第四课程推荐集合；
将所述第一课程推荐集合和所述第二课程推荐集合进行所推荐的课程的交集处理，得到第五课程推荐集合；
将所述第三课程推荐集合和所述第四课程推荐集合进行所推荐的课程的交集处理，得到第六课程推荐集合；
将所述第五课程推荐集合和所述第六课程推荐集合进行所推荐的课程的交集处理，得到第七课程推荐集合，并将所述第七课程推荐集合作为课程推荐集合。
3.根据权利要求2所述的课程推荐方法，其特征在于，所述将多个所述学生个人信息两两一组的进行学生个人信息的相似度分析，得到多个学生个人相似度，并集合多个所述学生个人相似度得到学生个人相似度集合的过程具体包括：
分别对多个所述学生个人信息进行封装处理，得到多个学生个人向量；
利用Tanimoto系数分别对多个所述学生个人向量两两一组的进行学生个人向量的相似度计算，得到多个待排序学生个人相似度，具体为：
通过第一式分别对多个所述学生个人向量两两一组的进行学生个人向量的相似度计算，得到多个待排序学生个人相似度，所述第一式为：
Figure FDA0002761403660000031
其中，Jaccard(X,Y)为学生x与学生y的待排序学生个人相似度，X为学生x个人向量，Y为学生y个人向量；
根据从大到小的顺序对多个所述待排序学生个人相似度进行排序，得到多个学生个人相似度，并集合多个所述学生个人相似度得到学生个人相似度集合。
4.根据权利要求2所述的课程推荐方法，其特征在于，所述将多个所述待选课程信息两两一组的进行待选课程信息的相似度分析，得到多个待选课程相似度，并集合多个所述待选课程相似度得到待选课程相似度集合的过程具体包括：
分别对多个所述待选课程信息进行封装处理，得到多个待选课程向量；
利用Tanimoto系数分别对多个所述待选课程向量两两一组的进行待选课程向量的相似度计算，得到多个待排序的待选课程相似度，具体为：
通过第二式分别对多个所述待选课程向量两两一组的进行待选课程向量的相似度计算，得到多个待排序的待选课程相似度，所述第二式为：
Figure FDA0002761403660000041
其中，Jaccard(M,N)为待选课程m与待选课程n的待排序的待选课程相似度，M为待选课程m的向量，N为待选课程n的向量；
根据从大到小的顺序对多个所述待排序的待选课程相似度进行排序，得到多个待选课程相似度，并集合多个所述待选课程相似度得到待选课程相似度集合。
5.根据权利要求2所述的课程推荐方法，其特征在于，所述学生课程评分信息包括学生课程无效评分信息和学生课程有效评分信息，所述对多个所述学生课程评分信息进行矩阵构建，得到评分矩阵的过程具体包括：
分别对多个所述学生课程无效评分信息进行信息填充，得到多个填充后的学生课程评分信息；
根据多个所述填充后的学生课程评分信息和多个所述学生课程有效评分信息得到多个更新后的学生课程有效评分信息；
统计多个所述更新后的学生课程有效评分信息的数量，得到学生课程评分信息数量；
当所述学生课程评分信息数量大于或等于预设评价数量时，则对多个所述更新后的学生课程有效评分信息进行矩阵构建，得到评分矩阵。
6.根据权利要求5所述的课程推荐方法，其特征在于，所述分别对多个所述学生课程无效评分信息进行信息填充，得到多个填充后的学生课程评分信息的过程具体包括：
依次对所述学生课程无效评分信息进行课程名称统计，得到多个课程名称；
利用中国图书馆分类法依照从小类至大类的顺序依次对各个所述课程名称和所述学生课程有效评分信息进行同分类号的寻找，得到多个同类别的学生课程有效评分信息；
根据各个同类别的所述学生课程有效评分信息对对应的所述学生课程无效评分信息进行信息的填充，得到多个填充后的学生课程评分信息。
7.根据权利要求2所述的课程推荐方法，其特征在于，所述将多个所述学生评分行向量两两一组的进行学生评分行向量的相似度分析，得到多个学生评分相似度，并集合多个所述学生评分相似度得到学生评分相似度集合的过程具体包括：
通过第三式分别对多个所述学生评分行向量两两一组的进行学生评分行向量的相似度计算，得到多个待排序学生评分相似度，所述第三式为：
Figure FDA0002761403660000051
其中，Pearson(X′,Y′)为待排序学生评分相似度，xi为学生a对第i门课程行向量的评分，yi为学生b对第i门课程行向量的评分，
Figure FDA0002761403660000052
为学生a对所有已修课程行向量的平均评分，
Figure FDA0002761403660000053
为学生b对所有已修课程行向量的平均评分；
根据从大到小的顺序对多个所述待排序学生评分相似度进行排序，得到多个学生评分相似度，并集合多个所述学生评分相似度得到学生评分相似度集合。
8.根据权利要求2所述的课程推荐方法，其特征在于，所述将多个所述课程评分列向量两两一组的进行课程评分列向量的相似度分析，得到多个课程评分相似度，并集合多个所述课程评分相似度得到课程评分相似度集合的过程具体包括：
通过第四式分别对多个所述课程评分列向量两两一组的进行课程评分列向量的相似度计算，得到多个待排序课程评分相似度，所述第四式为：
Figure FDA0002761403660000054
其中，Pearson(M′,O′)为待排序课程评分相似度，mi为学生a对第i门课程列向量的评分，Oi为学生b对第i门课程列向量的评分，
Figure FDA0002761403660000061
为学生a对所有已修课程列向量的平均评分，
Figure FDA0002761403660000062
为学生b对所有已修课程列向量的平均评分；
根据从大到小的顺序对多个所述待排序课程评分相似度进行排序，得到多个课程评分相似度，并集合多个所述课程评分相似度得到课程评分相似度集合。
9.根据权利要求2所述的课程推荐方法，其特征在于，还包括对第七课程推荐集合中课程推荐数量判断的过程，所述对第七课程推荐集合中课程推荐数量判断的过程包括：
判断所述第七课程推荐集合中推荐的课程数量是否为0，若否，则将所述第七课程推荐集合作为课程推荐集合；若是，则判断所述第六课程推荐集合中推荐的课程数量是否为0；若否，则将所述第六课程推荐集合作为所述课程推荐集合；若是，则判断所述第五课程推荐集合中推荐的课程数量是否为0，若否，则将所述第五课程推荐集合作为所述课程推荐集合；若是，则将所述第一课程推荐集合、所述第二课程推荐集合、所述第三课程推荐集合和所述第四课程推荐集合均作为所述课程推荐集合。
10.一种课程推荐装置，其特征在于，包括：
相似度分析模块，用于从多个学生终端中分别获取多个待处理学生课程信息，并将多个所述待处理学生课程信息两两一组的进行相似度分析，得到多个相似度，并集合多个所述相似度得到相似度集合；
课程推荐集合获得模块，用于将所述相似度集合中各个所述相似度所对应的课程相互推荐至各个所述待处理学生课程信息对应的学生终端中，并综合多个推荐的结果得到课程推荐集合。
CN202011218975.3A 2020-11-04 2020-11-04 一种课程推荐方法、装置及存储介质 Pending CN112347352A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011218975.3A CN112347352A (zh) 2020-11-04 2020-11-04 一种课程推荐方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011218975.3A CN112347352A (zh) 2020-11-04 2020-11-04 一种课程推荐方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN112347352A true CN112347352A (zh) 2021-02-09

Family

ID=74428457

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011218975.3A Pending CN112347352A (zh) 2020-11-04 2020-11-04 一种课程推荐方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN112347352A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113609402A (zh) * 2021-10-11 2021-11-05 深圳我主良缘科技集团有限公司 一种基于大数据分析的行业交友交流信息智能推荐方法
CN116384840A (zh) * 2023-05-29 2023-07-04 湖南工商大学 一种课程推荐方法及相关设备
CN116843526A (zh) * 2023-08-31 2023-10-03 湖南强智科技发展有限公司 一种提升学生选课概率的方法、系统、设备及存储介质
CN117172427A (zh) * 2023-11-01 2023-12-05 湖南强智科技发展有限公司 一种辅助高校学生选择课堂的方法、系统、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150053317A (ko) * 2013-11-07 2015-05-18 권태욱 전생애 발달 기반의 맞춤형 교육 추천 시스템
CN106156354A (zh) * 2016-07-27 2016-11-23 淮海工学院 一种学习资源推荐系统
CN109299372A (zh) * 2018-10-18 2019-02-01 浙江正元智慧科技股份有限公司 一种基于协同过滤的智慧选课推荐方法
CN110457283A (zh) * 2019-05-24 2019-11-15 四川信息职业技术学院(广元无线电技工学校) 一种基于数据挖掘的教学点评与推荐系统及其方法
CN110580314A (zh) * 2019-07-16 2019-12-17 华南师范大学 基于图卷积神经网络和动态权重的课程推荐方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150053317A (ko) * 2013-11-07 2015-05-18 권태욱 전생애 발달 기반의 맞춤형 교육 추천 시스템
CN106156354A (zh) * 2016-07-27 2016-11-23 淮海工学院 一种学习资源推荐系统
CN109299372A (zh) * 2018-10-18 2019-02-01 浙江正元智慧科技股份有限公司 一种基于协同过滤的智慧选课推荐方法
CN110457283A (zh) * 2019-05-24 2019-11-15 四川信息职业技术学院(广元无线电技工学校) 一种基于数据挖掘的教学点评与推荐系统及其方法
CN110580314A (zh) * 2019-07-16 2019-12-17 华南师范大学 基于图卷积神经网络和动态权重的课程推荐方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘蓓琳, 中国经济出版社 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113609402A (zh) * 2021-10-11 2021-11-05 深圳我主良缘科技集团有限公司 一种基于大数据分析的行业交友交流信息智能推荐方法
CN113609402B (zh) * 2021-10-11 2022-01-25 深圳我主良缘科技集团有限公司 一种基于大数据分析的行业交友交流信息智能推荐方法
CN116384840A (zh) * 2023-05-29 2023-07-04 湖南工商大学 一种课程推荐方法及相关设备
CN116384840B (zh) * 2023-05-29 2023-08-22 湖南工商大学 一种课程推荐方法及相关设备
CN116843526A (zh) * 2023-08-31 2023-10-03 湖南强智科技发展有限公司 一种提升学生选课概率的方法、系统、设备及存储介质
CN116843526B (zh) * 2023-08-31 2023-12-15 湖南强智科技发展有限公司 一种提升学生选课概率的方法、系统、设备及存储介质
CN117172427A (zh) * 2023-11-01 2023-12-05 湖南强智科技发展有限公司 一种辅助高校学生选择课堂的方法、系统、设备及介质
CN117172427B (zh) * 2023-11-01 2024-03-15 湖南强智科技发展有限公司 一种辅助高校学生选择课堂的方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
US11586637B2 (en) Search result processing method and apparatus, and storage medium
CN112347352A (zh) 一种课程推荐方法、装置及存储介质
US8909648B2 (en) Methods and systems of supervised learning of semantic relatedness
US11568311B2 (en) Method and system to test a document collection trained to identify sentiments
CN106570109B (zh) 一种通过文本分析自动生成题库知识点的方法
CN103425635B (zh) 一种答案推荐方法和装置
US20190318407A1 (en) Method for product search using the user-weighted, attribute-based, sort-ordering and system thereof
CN111444344B (zh) 实体分类方法、装置、计算机设备和存储介质
CN106651696B (zh) 一种近似题推送方法及系统
CN111538908A (zh) 搜索排序方法、装置、计算机设备和存储介质
US20180341686A1 (en) System and method for data search based on top-to-bottom similarity analysis
Sohail et al. Feature-based opinion mining approach (FOMA) for improved book recommendation
CN110347701B (zh) 一种面向实体检索查询的目标类型标识方法
CN107895303B (zh) 一种基于ocean模型的个性化推荐的方法
CN106599054A (zh) 一种题目分类及推送的方法及系统
CN110222203B (zh) 元数据搜索方法、装置、设备及计算机可读存储介质
CN102214233B (zh) 一种对文本进行分类的方法及装置
US20080050712A1 (en) Concept learning system and method
CN113157867A (zh) 一种问答方法、装置、电子设备及存储介质
CN111221968A (zh) 基于学科树聚类的作者消歧方法及装置
Yahdin et al. Application of the relief-f algorithm for feature selection in the prediction of the relevance education background with the graduate employment of the universitas sriwijaya
Saha et al. A large scale study of SVM based methods for abstract screening in systematic reviews
CN115860283B (zh) 基于知识工作者画像的贡献度预测方法及装置
CN106776724A (zh) 一种题目分类方法及系统
CN110580286A (zh) 一种基于类间信息熵的文本特征选择方法

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