CN112395432B - 课程推送方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本发明涉及人工智能技术领域，提供一种课程推送方法、装置、计算机设备及存储介质，包括：利用新词发现算法从领域知识图谱中提取出多个知识点，对多个知识点进行聚类得到多个知识簇；从课程数据库中识别出每个知识点对应的至少一个课程；根据多个知识簇及每个知识簇中的知识点对应的至少一个课程生成知识课程有向图，知识课程有向图中每个节点上显示有课程链接；获取用户查询的知识点，判断查询的知识点是否为所述查询的知识点对应的第一知识簇中的叶子节点；查询的知识点不为第一知识簇中的叶子节点时，推送第一知识簇中查询的知识点的所有子节点中的课程链接给所述用户。本发明通过生成知识课程有向图推送课程，课程推送效率高且逻辑性强。

Description

课程推送方法、装置、计算机设备及存储介质

技术领域

本发明涉及人工智能技术领域，具体涉及一种课程推送方法、装置、计算机设备及存储介质。

背景技术

得益于机器学习技术的发展，学习模式已逐渐从线下转变为线上，线上学习模式不仅可以打破时间、场地、人群限制，同时可以有效节约企业培训成本。

线上学习模式通过推送系统不间断地给学习者推送学习课程，然而，发明人在实现本发明的过程中发现，现有的推送系统比较容易和倾向于根据用户兴趣点和类似人群的观看习惯做推送，在知识深度上的助力比较小，导致课程推送效果较差；其次，推送系统对于用户来说是个黑盒子，学习者无从知道推送逻辑也就是不知道为什么要学，处于被动接受的地位，缺乏个性化的推送，课程推送效率低。

发明内容

鉴于以上内容，有必要提出一种课程推送方法、装置、计算机设备及存储介质，通过生成知识课程有向图推送课程，课程推送效率高且逻辑性强。

本发明的第一方面提供一种课程推送方法，所述方法包括：

利用新词发现算法从领域知识图谱中提取出多个知识点，并对所述多个知识点进行聚类得到多个知识簇；

从课程数据库中识别出每个知识点对应的至少一个课程；

根据所述多个知识簇及每个知识簇中的知识点对应的至少一个课程生成知识课程有向图，其中，所述知识课程有向图中每个节点上显示有课程链接；

获取用户查询的知识点，判断所述查询的知识点是否为所述查询的知识点对应的第一知识簇中的叶子节点；

当所述查询的知识点不为所述第一知识簇中的叶子节点时，推送所述第一知识簇中所述查询的知识点的所有子节点中的课程链接给所述用户。

在一个可选的实施例，所述从领域知识图谱中提取出多个知识点，并对所述多个知识点进行聚类得到多个知识簇包括：

利用新词发现算法识别出所述领域知识图谱中的多个字词；

计算每个字词的词频-逆文件词频值；

根据所述词频-逆文件词频值从所述多个字词中识别出多个知识点；

对所述多个知识点进行嵌入编码得到多个第一编码向量。

对所述多个第一编码向量进行聚类得到多个知识簇。

在一个可选的实施例，所述从课程数据库中识别出每个知识点对应的至少一个课程包括：

提取所述课程数据库中的每个课程的课程标题及课程简介；

对每个课程的课程标题进行嵌入编码得到第二编码向量；

对每个课程的课程简介进行嵌入编码得到第三编码向量；

根据每个课程对应的第二编码向量及第三编码向量计算每个课程的课程编码向量；

根据所述第一编码向量及所述课程编码向量计算对应的知识点及课程之间的相似度；

根据所述相似度识别出每个知识点对应的至少一个课程。

在一个可选的实施例，所述根据所述多个知识簇及每个知识簇中的知识点对应的至少一个课程生成知识课程有向图包括：

定义每个知识簇的簇名，并将每个簇名作为所述知识课程有向图的根节点；

根据每个知识簇中的知识点的数量确定对应的根节点在所述知识课程有向图中的根级；

根据所述词频-逆文件词频值确定对应的知识点在所述知识课程有向图中的层级；

计算任意两个知识点之间的相似度；

根据所述相似度为不同的根级的任意两个知识点之间生成第一有向线段；

根据所述相似度为同一根级不同层级的任意两个知识点之间生成第二有向线段。

在一个可选的实施例，所述根据所述词频-逆文件词频值确定对应的知识点在所述知识课程有向图中的层级包括：

将每个知识点对应的词频-逆文件词频值与多个预设值域范围进行匹配；

将与词频-逆文件词频值匹配成功的预设值域范围确定为目标值域范围；

根据所述目标值域范围对应的标签标识确定所述知识点在所述知识课程有向图中的层级。

在一个可选的实施例，所述方法还包括：

当所述查询的知识点为所述第一知识簇中的叶子节点时，根据所述知识课程有向图确定所述叶子节点指向的第二知识簇中的目标节点；

推送所述第二知识簇中的目标节点的父节点及所述父节点的根节点中的课程链接。

在一个可选的实施例，所述方法还包括：

响应于用户输入的目标课程链接，匹配与所述目标课程链接对应的目标知识点；

查询所述知识课程有向图中所述目标知识点所在的目标知识簇；

将所述目标知识簇中的所有目标节点按照目标节点对应的层级进行分层展示。

本发明的第二方面提供一种课程推送装置，所述装置包括：

提取模块，用于利用新词发现算法从领域知识图谱中提取出多个知识点，并对所述多个知识点进行聚类得到多个知识簇；

识别模块，用于从课程数据库中识别出每个知识点对应的至少一个课程；

生成模块，用于根据所述多个知识簇及每个知识簇中的知识点对应的至少一个课程生成知识课程有向图，其中，所述知识课程有向图中每个节点上显示有课程链接；

判断模块，用于获取用户查询的知识点，判断所述查询的知识点是否为所述查询的知识点对应的第一知识簇中的叶子节点；

推送模块，用于当所述查询的知识点不为所述第一知识簇中的叶子节点时，推送所述第一知识簇中所述查询的知识点的所有子节点中的课程链接给所述用户。

本发明的第三方面提供一种计算机设备，所述计算机设备包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现所述的课程推送方法。

本发明的第四方面提供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有计算机程序，所述计算机程序被处理器执行时实现所述课程推送方法。

综上所述，本发明所述的课程推送方法、装置、计算机设备及存储介质，首先获取领域知识图谱，基于领域知识图谱做新词发现，提取的知识点更全面；对多个知识点进行聚类得到多个知识簇，从课程数据库中识别出每个知识点对应的至少一个课程，实现了对课程数据库中课程按照知识点进行精确分类；根据多个知识簇及每个知识簇中的知识点对应的至少一个课程生成知识课程有向图，知识课程有向图中每个节点上显示有课程链接，生成的知识课程有向图逻辑的展示了各个知识点及课程之间的关联关系；在确定用户查询的知识点不为所述查询的知识点对应的第一知识簇中的叶子节点时，推送第一知识簇中查询的知识点的所有子节点中的课程链接给所述用户，便于用户有序的学习该知识点下的所有其他知识点。本发明能够快速的生成知识课程有向图，生成的知识课程有向图能够清晰完整的展现出知识点之间的逻辑关系，便于后续根据生成的知识课程有向图为用户推送课程，提高了课程的推送效果。

附图说明

图1是本发明实施例一提供的课程推送方法的流程图。

图2是本发明实施例提供的知识课程有向图的示意图。

图3是本发明实施例二提供的课程推送装置的结构图。

图4是本发明实施例三提供的计算机设备的结构示意图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

本发明实施例提供的课程推送方法由计算机设备执行，相应地，课程推送装置运行于计算机设备中。

图1是本发明实施例一提供的课程推送方法的流程图。所述课程推送方法具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。

S11，利用新词发现算法从领域知识图谱中提取出多个知识点，并对所述多个知识点进行聚类得到多个知识簇。

所述领域知识图谱包括来自于企业内部的文本数据和来自于互联网的文本数据，将来自于企业内部的文本数据和来自于互联网的文本数据作为领域内的全量文本数据。由于不同的领域，课程的内容不同，其新词分布也不同，因此需要基于领域内的全量文本数据做新词发现，才能实现更精确的课程推送。所述新词发现算法可以为基于互信息和左右熵的新词发现算法，所述新词发现算法是指在没有任何先验知识的条件下，快速地从文本语料里学习出一个排序的词典和分词结构，为现有技术。

在一个可选的实施例中，所述从领域知识图谱中提取出多个知识点，并对所述多个知识点进行聚类得到多个知识簇包括：

利用新词发现算法识别出所述领域知识图谱中的多个字词；

计算每个字词的词频-逆文件词频值；

根据所述词频-逆文件词频值从所述多个字词中识别出多个知识点；

对所述多个知识点进行嵌入编码得到多个第一编码向量。

对所述多个第一编码向量进行聚类得到多个知识簇。

所述字词可以包括，但不限于：1gram，2gram，3gram，…，ngram。其中，1gram代表单独的一个字，例如，“的”，“和”；2gram代表两个字组成的词，例如，“人脸”，“保险”；3gram代表三个字组成的一个词，例如，“保险费”，“生存金”；ngram则代表n个字组成的一个词组，例如，“保险险种”。

若某个字词的词频-逆文件词频值（Term Frequency - Inverse DocumentFrequency，TF-IDF）大于预设词频-逆文件词频阈值，说明该字词成为领域内的专有知识点的可能性越高，则保留该字词；若某个字词的词频-逆文件词频值小于或者等于预设词频-逆文件词频阈值，说明该字词成为领域内的专有知识点的可能性越低，则删除该字词。将保留后的字词通过词性过滤后得到领域关键词，确定领域关键词为领域知识点。

可以使用预训练模型BERT对每个知识点进行嵌入编码得到第一编码向量，将第一编码向量映射到高维空间，后使用K-means聚类算法对多个第一编码向量进行聚类分析，得到多个知识簇。

S12，从课程数据库中识别出每个知识点对应的至少一个课程。

本地中存储有课程数据库，所述课程数据库中存储有多个课程及每个课程的课程名称、课程简介、课程链接等。

对知识点进行聚类得到知识簇之后，可以将知识点与课程进行关联，从而实现了将课程进行聚类。

在一个可选的实施例中，所述从课程数据库中识别出每个知识点对应的至少一个课程包括：

提取所述课程数据库中的每个课程的课程标题及课程简介；

对每个课程的课程标题进行嵌入编码得到第二编码向量；

对每个课程的课程简介进行嵌入编码得到第三编码向量；

根据每个课程对应的第二编码向量及第三编码向量计算每个课程的课程编码向量；

根据所述第一编码向量及所述课程编码向量计算对应的知识点及课程之间的相似度；

根据所述相似度识别出每个知识点对应的至少一个课程。

通常而言，课程标题最能表示出对应的课程的知识点，因此可以使用课程标题确定对应的课程与知识点之间的关联关系。但为了进一步提高课程与知识点之间的关联关系，该可选的实施例中，同时使用课程标题和课程简介来计算课程与知识点之间的相似度。

可以使用BERT模型提取每个课程的课程标题的第二编码向量及每个课程的课程简介的第三编码向量。将第二编码向量与第三编码向量进行加权平均得到对应课程的课程编码向量。

计算课程编码向量与第一编码向量之间的余弦夹角或者欧式距离，得到知识点与课程之间的相似度。相似度越高，表明对应的课程与知识点之间的关联关系越强；相似度越底，表明对应的课程与知识点之间的关联关系越弱。

针对任意一个知识点，确定与所述知识点的相似度最大的课程为所述知识点对应的课程。一个课程唯一对应一个知识点，一个知识点对应一个或多个课程。

S13，根据所述多个知识簇及每个知识簇中的知识点对应的至少一个课程生成知识课程有向图，其中，所述知识课程有向图中每个节点上显示有课程链接。

知识点作为知识课程有向图中的节点，每个节点中显示有与知识点对应的课程链接。

在一个可选的实施例中，所述根据所述多个知识簇及每个知识簇中的知识点对应的至少一个课程生成知识课程有向图包括：

定义每个知识簇的簇名，并将每个簇名作为所述知识课程有向图的根节点；

根据每个知识簇中的知识点的数量确定对应的根节点在所述知识课程有向图中的根级；

根据所述词频-逆文件词频值确定对应的知识点在所述知识课程有向图中的层级；

计算任意两个知识点之间的相似度；

根据所述相似度为不同的根级的任意两个知识点之间生成第一有向线段；

根据所述相似度为同一根级不同层级的任意两个知识点之间生成第二有向线段。

示例性的，假设对多个知识点进行聚类得到4个知识簇，定义4个知识簇分别为“沟通技巧”、“成交技巧”、“外形管理”及“了解客户”，则以“沟通技巧”、“成交技巧”、“外形管理”及“了解客户”分别作为知识课程有向图中的4个根节点。

参阅图2所示，在对所述多个知识点进行聚类得到多个知识簇后，可以计算每个知识簇中的知识点的数量。某个知识簇中的知识点越多，说明该知识簇越作为基础知识，该知识簇对应的根节点在所述知识课程有向图中的根级越低，则该知识簇越位于所述知识课程有向图的左边位置；某个知识簇中的知识点越少，说明该知识簇越作为专业知识，该知识簇对应的根节点在所述知识课程有向图中的根级越大，则该知识簇越位于所述知识课程有向图的右边位置。示例性的，假设知识簇“沟通技巧”中有100个知识点，知识簇“成交技巧”中有90个知识点，知识簇“外形管理”中有80个知识点，知识簇“了解客户”中有70个知识点，则知识课程有向图中从左到右的根节点依次为“沟通技巧”、“成交技巧”、“外形管理”及“了解客户”，即，“沟通技巧”的根级最低，位于知识课程有向图中的最左边，“了解客户”的根级最高，位于知识课程有向图中的最右边。

可以通过计算任意两个知识点的第一编码向量之间的余弦夹角或者欧式距离来计算这两个知识点之间的相似度。相似度越大，表明两个知识点之间越具有逻辑关系，相似度越小，表明两个知识点之间越没有关联。

该可选的实施例中，当两个知识点位于不同的知识簇，即属于不同的根级时，若这两个知识点之间的相似度较大（大于预设相似度阈值时），在这两个知识点之间生成一条第一有向线段，所述第一有向线段为从根级低的知识点指向根级高的知识点；当两个知识点位于同一个知识簇的不同层级，即属于同一个根级的不同层级时，若这两个知识点之间的相似度较大（大于预设相似度阈值时），在这两个知识点之间生成一条第二有向线段，所述第二有向线段为从层级高的知识点指向层级低的知识点。通过确定每个知识点的根级及层级，并根据知识点与知识点之间的相似度，能够快速的生成有向线段，从而快速的生成知识课程有向图，生成的知识课程有向图能够清晰完整的展现出知识点之间的逻辑关系，便于后续根据生成的知识课程有向图为用户推送课程，提高课程的推送效果。

在一个可选的实施例中，所述根据所述词频-逆文件词频值确定对应的知识点在所述知识课程有向图中的层级包括：

将每个知识点对应的词频-逆文件词频值与多个预设值域范围进行匹配；

将与词频-逆文件词频值匹配成功的预设值域范围确定为目标值域范围；

根据所述目标值域范围对应的标签标识确定所述知识点在所述知识课程有向图中的层级。

可以预先设置值域标签标识数据库，所述值域标签标识数据库中存储有多个值域范围及每个值域范围的标签标识，所述标签标识用以表示与对应的值域范围匹配成功的词频-逆文件词频值对应的知识点的层级。

将每个知识点的词频-逆文件词频值与每个预设值域范围进行匹配，根据匹配结果确定知识点在所述知识课程有向图中的层级。所述词频-逆文件词频值越大，对应的知识点在所述知识课程有向图中的层级越高，所述词频-逆文件词频值越小，对应的知识点在所述知识课程有向图中的层级越低。具体而言，将匹配第一值域范围内的词频-逆文件词频值对应的知识点作为所述知识课程有向图中的第一层级的知识点，将匹配第二值域范围内的词频-逆文件词频值对应的知识点作为所述知识课程有向图中的第二层级的知识点。

该可选的实施例中，通过设置多个预设值域范围，并将每个知识点对应的词频-逆文件词频值与多个预设值域范围进行匹配，能够快速的确定每个知识点在所述知识课程有向图中的层级，实现了将知识点分层级的效果。

S14，获取用户查询的知识点，判断所述查询的知识点是否为所述查询的知识点对应的第一知识簇中的叶子节点。

可以显示界面输入框，通过接收用户在界面输入框中输入的知识点来获取用户查询的知识点。

其中，叶子节点是指每个知识簇中的最后一个节点。

S15，当所述查询的知识点不为所述第一知识簇中的叶子节点时，推送所述第一知识簇中所述查询的知识点的所有子节点中的课程链接给所述用户。

示例性的，假设用户查询的知识点为“应对提问的心态”，则由于查询的知识点不为叶子节点，则将知识点“应对提问的心态”下的所有子节点“如何应对误解”及“如何应对质疑”中的课程链接推送给用户。

在一个可选的实施例中，所述方法还包括：

当所述查询的知识点为所述第一知识簇中的叶子节点时，根据所述知识课程有向图确定所述叶子节点指向的第二知识簇中的目标节点；

推送所述第二知识簇中的目标节点的父节点及所述父节点的根节点中的课程链接。

示例性的，由于“如何应对误解”及“如何应对质疑”位于同一层级，因此，用户仅需学完其中任意一门课程即可，当用户学完这一层级的任意一门课程之后，可以确定第二知识簇为“成交技巧”及第二知识簇中的目标节点“如何快速建立信任”。为了引导用户学习“如何快速建立信任”这一目标知识点，则将目标节点的父节点及所述父节点的根节点中的课程作为“如何快速建立信任”这一目标知识点的所有预备知识点，辅助用户更有逻辑的学习，课程推送效果更佳。

在一个可选的实施例中，所述方法还包括：

响应于用户输入的目标课程链接，匹配与所述目标课程链接对应的目标知识点；

查询所述知识课程有向图中所述目标知识点所在的目标知识簇；

将所述目标知识簇中的所有目标节点按照目标节点对应的层级进行分层展示。

对于有明确的目标知识点，例如“寻找交易时机”，则可向其展示以目标知识点为最终的子节点所涉及的一切父节点，从而引导用户有的放矢地逐步完成课程直至实现最终目的。

需要强调的是，为进一步保证上述知识课程有向图的私密性和安全性，上述知识课程有向图可存储于区块链的节点中。

本发明所述的课程推送方法，首先获取领域知识图谱，基于领域知识图谱做新词发现，提取的知识点更全面；对多个知识点进行聚类得到多个知识簇，从课程数据库中识别出每个知识点对应的至少一个课程，实现了对课程数据库中课程按照知识点进行精确分类；根据多个知识簇及每个知识簇中的知识点对应的至少一个课程生成知识课程有向图，知识课程有向图中每个节点上显示有课程链接，生成的知识课程有向图逻辑的展示了各个知识点及课程之间的关联关系；在确定用户查询的知识点不为所述查询的知识点对应的第一知识簇中的叶子节点时，推送第一知识簇中查询的知识点的所有子节点中的课程链接给所述用户，便于用户有序的学习该知识点下的所有其他知识点。本发明能够快速的生成知识课程有向图，生成的知识课程有向图能够清晰完整的展现出知识点之间的逻辑关系，便于后续根据生成的知识课程有向图为用户推送课程，提高了课程的推送效果。

图3是本发明实施例二提供的课程推送装置的结构图。

在一些实施例中，所述课程推送装置20可以包括多个由计算机程序段所组成的功能模块。所述课程推送装置20中的各个程序段的计算机程序可以存储于计算机设备的存储器中，并由至少一个处理器所执行，以执行（详见图1描述）课程推送的功能。

本实施例中，所述课程推送装置20根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：提取模块201、识别模块202、生成模块203、判断模块204、推送模块205及展示模块206。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。

所述提取模块201，用于利用新词发现算法从领域知识图谱中提取出多个知识点，并对所述多个知识点进行聚类得到多个知识簇。

所述领域知识图谱包括来自于企业内部的文本数据和来自于互联网的文本数据，将来自于企业内部的文本数据和来自于互联网的文本数据作为领域内的全量文本数据。由于不同的领域，课程的内容不同，其新词分布也不同，因此需要基于领域内的全量文本数据做新词发现，才能实现更精确的课程推送。所述新词发现算法可以为基于互信息和左右熵的新词发现算法，所述新词发现算法是指在没有任何先验知识的条件下，快速地从文本语料里学习出一个排序的词典和分词结构，为现有技术。在一个可选的实施例中，所述提取模块201从领域知识图谱中提取出多个知识点，并对所述多个知识点进行聚类得到多个知识簇包括：

利用新词发现算法识别出所述领域知识图谱中的多个字词；

计算每个字词的词频-逆文件词频值；

根据所述词频-逆文件词频值从所述多个字词中识别出多个知识点；

对所述多个知识点进行嵌入编码得到多个第一编码向量。

对所述多个第一编码向量进行聚类得到多个知识簇。

所述字词可以包括，但不限于：1gram，2gram，3gram，…，ngram。其中，1gram代表单独的一个字，例如，“的”，“和”；2gram代表两个字组成的词，例如，“人脸”，“保险”；3gram代表三个字组成的一个词，例如，“保险费”，“生存金”；ngram则代表n个字组成的一个词组，例如，“保险险种”。

若某个字词的词频-逆文件词频值（Term Frequency - Inverse DocumentFrequency，TF-IDF）大于预设词频-逆文件词频阈值，说明该字词成为领域内的专有知识点的可能性越高，则保留该字词；若某个字词的词频-逆文件词频值小于或者等于预设词频-逆文件词频阈值，说明该字词成为领域内的专有知识点的可能性越低，则删除该字词。将保留后的字词通过词性过滤后得到领域关键词，确定领域关键词为领域知识点。

可以使用预训练模型BERT对每个知识点进行嵌入编码得到第一编码向量，将第一编码向量映射到高维空间，后使用K-means聚类算法对多个第一编码向量进行聚类分析，得到多个知识簇。

所述识别模块202，用于从课程数据库中识别出每个知识点对应的至少一个课程。

本地中存储有课程数据库，所述课程数据库中存储有多个课程及每个课程的课程名称、课程简介、课程链接等。

对知识点进行聚类得到知识簇之后，可以将知识点与课程进行关联，从而实现了将课程进行聚类。

在一个可选的实施例中，所述识别模块202从课程数据库中识别出每个知识点对应的至少一个课程包括：

提取所述课程数据库中的每个课程的课程标题及课程简介；

对每个课程的课程标题进行嵌入编码得到第二编码向量；

对每个课程的课程简介进行嵌入编码得到第三编码向量；

根据每个课程对应的第二编码向量及第三编码向量计算每个课程的课程编码向量；

根据所述第一编码向量及所述课程编码向量计算对应的知识点及课程之间的相似度；

根据所述相似度识别出每个知识点对应的至少一个课程。

通常而言，课程标题最能表示出对应的课程的知识点，因此可以使用课程标题确定对应的课程与知识点之间的关联关系。但为了进一步提高课程与知识点之间的关联关系，该可选的实施例中，同时使用课程标题和课程简介来计算课程与知识点之间的相似度。

可以使用BERT模型提取每个课程的课程标题的第二编码向量及每个课程的课程简介的第三编码向量。将第二编码向量与第三编码向量进行加权平均得到对应课程的课程编码向量。

计算课程编码向量与第一编码向量之间的余弦夹角或者欧式距离，得到知识点与课程之间的相似度。相似度越高，表明对应的课程与知识点之间的关联关系越强；相似度越底，表明对应的课程与知识点之间的关联关系越弱。

针对任意一个知识点，确定与所述知识点的相似度最大的课程为所述知识点对应的课程。一个课程唯一对应一个知识点，一个知识点对应一个或多个课程。

所述生成模块203，用于根据所述多个知识簇及每个知识簇中的知识点对应的至少一个课程生成知识课程有向图，其中，所述知识课程有向图中每个节点上显示有课程链接。

知识点作为知识课程有向图中的节点，每个节点中显示有与知识点对应的课程链接。

在一个可选的实施例中，所述生成模块203根据所述多个知识簇及每个知识簇中的知识点对应的至少一个课程生成知识课程有向图包括：

定义每个知识簇的簇名，并将每个簇名作为所述知识课程有向图的根节点；

根据每个知识簇中的知识点的数量确定对应的根节点在所述知识课程有向图中的根级；

根据所述词频-逆文件词频值确定对应的知识点在所述知识课程有向图中的层级；

计算任意两个知识点之间的相似度；

根据所述相似度为不同的根级的任意两个知识点之间生成第一有向线段；

根据所述相似度为同一根级不同层级的任意两个知识点之间生成第二有向线段。

示例性的，假设对多个知识点进行聚类得到4个知识簇，定义4个知识簇分别为“沟通技巧”、“成交技巧”、“外形管理”及“了解客户”，则以“沟通技巧”、“成交技巧”、“外形管理”及“了解客户”分别作为知识课程有向图中的4个根节点。

参阅图2所示，在对所述多个知识点进行聚类得到多个知识簇后，可以计算每个知识簇中的知识点的数量。某个知识簇中的知识点越多，说明该知识簇越作为基础知识，该知识簇对应的根节点在所述知识课程有向图中的根级越低，则该知识簇越位于所述知识课程有向图的左边位置；某个知识簇中的知识点越少，说明该知识簇越作为专业知识，该知识簇对应的根节点在所述知识课程有向图中的根级越大，则该知识簇越位于所述知识课程有向图的右边位置。示例性的，假设知识簇“沟通技巧”中有100个知识点，知识簇“成交技巧”中有90个知识点，知识簇“外形管理”中有80个知识点，知识簇“了解客户”中有70个知识点，则知识课程有向图中从左到右的根节点依次为“沟通技巧”、“成交技巧”、“外形管理”及“了解客户”，即，“沟通技巧”的根级最低，位于知识课程有向图中的最左边，“了解客户”的根级最高，位于知识课程有向图中的最右边。

可以通过计算任意两个知识点的第一编码向量之间的余弦夹角或者欧式距离来计算这两个知识点之间的相似度。相似度越大，表明两个知识点之间越具有逻辑关系，相似度越小，表明两个知识点之间越没有关联。

该可选的实施例中，当两个知识点位于不同的知识簇，即属于不同的根级时，若这两个知识点之间的相似度较大（大于预设相似度阈值时），在这两个知识点之间生成一条第一有向线段，所述第一有向线段为从根级低的知识点指向根级高的知识点；当两个知识点位于同一个知识簇的不同层级，即属于同一个根级的不同层级时，若这两个知识点之间的相似度较大（大于预设相似度阈值时），在这两个知识点之间生成一条第二有向线段，所述第二有向线段为从层级高的知识点指向层级低的知识点。通过确定每个知识点的根级及层级，并根据知识点与知识点之间的相似度，能够快速的生成有向线段，从而快速的生成知识课程有向图，生成的知识课程有向图能够清晰完整的展现出知识点之间的逻辑关系，便于后续根据生成的知识课程有向图为用户推送课程，提高课程的推送效果。

在一个可选的实施例中，所述根据所述词频-逆文件词频值确定对应的知识点在所述知识课程有向图中的层级包括：

将每个知识点对应的词频-逆文件词频值与多个预设值域范围进行匹配；

将与词频-逆文件词频值匹配成功的预设值域范围确定为目标值域范围；

根据所述目标值域范围对应的标签标识确定所述知识点在所述知识课程有向图中的层级。

可以预先设置值域标签标识数据库，所述值域标签标识数据库中存储有多个值域范围及每个值域范围的标签标识，所述标签标识用以表示与对应的值域范围匹配成功的词频-逆文件词频值对应的知识点的层级。

将每个知识点的词频-逆文件词频值与每个预设值域范围进行匹配，根据匹配结果确定知识点在所述知识课程有向图中的层级。所述词频-逆文件词频值越大，对应的知识点在所述知识课程有向图中的层级越高，所述词频-逆文件词频值越小，对应的知识点在所述知识课程有向图中的层级越低。具体而言，将匹配第一值域范围内的词频-逆文件词频值对应的知识点作为所述知识课程有向图中的第一层级的知识点，将匹配第二值域范围内的词频-逆文件词频值对应的知识点作为所述知识课程有向图中的第二层级的知识点。

该可选的实施例中，通过设置多个预设值域范围，并将每个知识点对应的词频-逆文件词频值与多个预设值域范围进行匹配，能够快速的确定每个知识点在所述知识课程有向图中的层级，实现了将知识点分层级的效果。

所述判断模块204，用于获取用户查询的知识点，判断所述查询的知识点是否为所述查询的知识点对应的第一知识簇中的叶子节点。

可以显示界面输入框，通过接收用户在界面输入框中输入的知识点来获取用户查询的知识点。

其中，叶子节点是指每个知识簇中的最后一个节点。

所述推送模块205，用于当所述查询的知识点不为所述第一知识簇中的叶子节点时，推送所述第一知识簇中所述查询的知识点的所有子节点中的课程链接给所述用户。

示例性的，假设用户查询的知识点为“应对提问的心态”，则由于查询的知识点不为叶子节点，则将知识点“应对提问的心态”下的所有子节点“如何应对误解”及“如何应对质疑”中的课程链接推送给用户。

所述推送模块205，还用于当所述查询的知识点为所述第一知识簇中的叶子节点时，根据所述知识课程有向图确定所述叶子节点指向的第二知识簇中的目标节点；推送所述第二知识簇中的目标节点的父节点及所述父节点的根节点中的课程链接。

示例性的，由于“如何应对误解”及“如何应对质疑”位于同一层级，因此，用户仅需学完其中任意一门课程即可，当用户学完这一层级的任意一门课程之后，可以确定第二知识簇为“成交技巧”及第二知识簇中的目标节点“如何快速建立信任”。为了引导用户学习“如何快速建立信任”这一目标知识点，则将目标节点的父节点及所述父节点的根节点中的课程作为“如何快速建立信任”这一目标知识点的所有预备知识点，辅助用户更有逻辑的学习，课程推送效果更佳。

所述展示模块206，用于响应于用户输入的目标课程链接，匹配与所述目标课程链接对应的目标知识点；查询所述知识课程有向图中所述目标知识点所在的目标知识簇；将所述目标知识簇中的所有目标节点按照目标节点对应的层级进行分层展示。

对于有明确的目标知识点，例如“寻找交易时机”，则可向其展示以目标知识点为最终的子节点所涉及的一切父节点，从而引导用户有的放矢地逐步完成课程直至实现最终目的。

需要强调的是，为进一步保证上述知识课程有向图的私密性和安全性，上述知识课程有向图可存储于区块链的节点中。

本发明所述的课程推送装置，首先获取领域知识图谱，基于领域知识图谱做新词发现，提取的知识点更全面；对多个知识点进行聚类得到多个知识簇，从课程数据库中识别出每个知识点对应的至少一个课程，实现了对课程数据库中课程按照知识点进行精确分类；根据多个知识簇及每个知识簇中的知识点对应的至少一个课程生成知识课程有向图，知识课程有向图中每个节点上显示有课程链接，生成的知识课程有向图逻辑的展示了各个知识点及课程之间的关联关系；在确定用户查询的知识点不为所述查询的知识点对应的第一知识簇中的叶子节点时，推送第一知识簇中查询的知识点的所有子节点中的课程链接给所述用户，便于用户有序的学习该知识点下的所有其他知识点。本发明能够快速的生成知识课程有向图，生成的知识课程有向图能够清晰完整的展现出知识点之间的逻辑关系，便于后续根据生成的知识课程有向图为用户推送课程，提高了课程的推送效果。

参阅图4所示，为本发明实施例三提供的计算机设备的结构示意图。在本发明较佳实施例中，所述计算机设备3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。

本领域技术人员应该了解，图3示出的计算机设备的结构并不构成本发明实施例的限定，既可以是总线型结构，也可以是星形结构，所述计算机设备3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。

在一些实施例中，所述计算机设备3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、可编程门阵列、数字处理器及嵌入式设备等。所述计算机设备3还可包括客户设备，所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式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、数码相机等。

需要说明的是，所述计算机设备3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。

在一些实施例中，所述存储器31中存储有计算机程序，所述计算机程序被所述至少一个处理器32执行时实现如所述的课程推送方法中的全部或者部分步骤。所述存储器31包括只读存储器（Read-Only Memory，ROM）、可编程只读存储器（Programmable Read-OnlyMemory，PROM）、可擦除可编程只读存储器（Erasable Programmable Read-Only Memory，EPROM）、一次可编程只读存储器（One-time Programmable Read-Only Memory，OTPROM）、电子擦除式可复写只读存储器（Electrically-Erasable Programmable Read-Only Memory，EEPROM）、只读光盘（Compact Disc Read-Only Memory，CD-ROM）或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

进一步地，所述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。

在一些实施例中，所述至少一个处理器32是所述计算机设备3的控制核心（Control Unit），利用各种接口和线路连接整个计算机设备3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行计算机设备3的各种功能和处理数据。例如，所述至少一个处理器32执行所述存储器中存储的计算机程序时实现本发明实施例中所述的课程推送方法的全部或者部分步骤；或者实现课程推送装置的全部或者部分功能。所述至少一个处理器32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。

在一些实施例中，所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。

尽管未示出，所述计算机设备3还可以包括给各个部件供电的电源（比如电池），优选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、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。所述计算机设备3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。

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方法的部分。

在本发明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，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，既可以位于一个地方，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，单数不排除复数。本发明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)

1.一种课程推送方法，其特征在于，所述方法包括：

利用新词发现算法从领域知识图谱中提取出多个知识点，并对所述多个知识点进行聚类得到多个知识簇；

从课程数据库中识别出每个知识点对应的至少一个课程；

根据所述多个知识簇及每个知识簇中的知识点对应的至少一个课程生成知识课程有向图，其中，所述知识课程有向图中每个节点上显示有课程链接；

获取用户查询的知识点，判断所述查询的知识点是否为所述查询的知识点对应的第一知识簇中的叶子节点；

当所述查询的知识点不为所述第一知识簇中的叶子节点时，推送所述第一知识簇中所述查询的知识点的所有子节点中的课程链接给所述用户。

2.如权利要求1所述的课程推送方法，其特征在于，所述从领域知识图谱中提取出多个知识点，并对所述多个知识点进行聚类得到多个知识簇包括：

利用新词发现算法识别出所述领域知识图谱中的多个字词；

计算每个字词的词频-逆文件词频值；

根据所述词频-逆文件词频值从所述多个字词中识别出多个知识点；

对所述多个知识点进行嵌入编码得到多个第一编码向量；

对所述多个第一编码向量进行聚类得到多个知识簇。

3.如权利要求2所述的课程推送方法，其特征在于，所述从课程数据库中识别出每个知识点对应的至少一个课程包括：

提取所述课程数据库中的每个课程的课程标题及课程简介；

对每个课程的课程标题进行嵌入编码得到第二编码向量；

对每个课程的课程简介进行嵌入编码得到第三编码向量；

根据每个课程对应的第二编码向量及第三编码向量计算每个课程的课程编码向量；

根据所述第一编码向量及所述课程编码向量计算对应的知识点及课程之间的相似度；

根据所述相似度识别出每个知识点对应的至少一个课程。

4.如权利要求2所述的课程推送方法，其特征在于，所述根据所述多个知识簇及每个知识簇中的知识点对应的至少一个课程生成知识课程有向图包括：

定义每个知识簇的簇名，并将每个簇名作为所述知识课程有向图的根节点；

根据每个知识簇中的知识点的数量确定对应的根节点在所述知识课程有向图中的根级；

根据所述词频-逆文件词频值确定对应的知识点在所述知识课程有向图中的层级；

计算任意两个知识点之间的相似度；

根据所述相似度为不同的根级的任意两个知识点之间生成第一有向线段；

根据所述相似度为同一根级不同层级的任意两个知识点之间生成第二有向线段。

5.如权利要求4所述的课程推送方法，其特征在于，所述根据所述词频-逆文件词频值确定对应的知识点在所述知识课程有向图中的层级包括：

将每个知识点对应的词频-逆文件词频值与多个预设值域范围进行匹配；

将与词频-逆文件词频值匹配成功的预设值域范围确定为目标值域范围；

根据所述目标值域范围对应的标签标识确定所述知识点在所述知识课程有向图中的层级。

6.如权利要求1至5中任意一项所述的课程推送方法，其特征在于，所述方法还包括：

当所述查询的知识点为所述第一知识簇中的叶子节点时，根据所述知识课程有向图确定所述叶子节点指向的第二知识簇中的目标节点；

推送所述第二知识簇中的目标节点的父节点及所述父节点的根节点中的课程链接。

7.如权利要求1至5中任意一项所述的课程推送方法，其特征在于，所述方法还包括：

响应于用户输入的目标课程链接，匹配与所述目标课程链接对应的目标知识点；

查询所述知识课程有向图中所述目标知识点所在的目标知识簇；

将所述目标知识簇中的所有目标节点按照目标节点对应的层级进行分层展示。

8.一种课程推送装置，其特征在于，所述装置包括：

提取模块，用于利用新词发现算法从领域知识图谱中提取出多个知识点，并对所述多个知识点进行聚类得到多个知识簇；

识别模块，用于从课程数据库中识别出每个知识点对应的至少一个课程；

生成模块，用于根据所述多个知识簇及每个知识簇中的知识点对应的至少一个课程生成知识课程有向图，其中，所述知识课程有向图中每个节点上显示有课程链接；

判断模块，用于获取用户查询的知识点，判断所述查询的知识点是否为所述查询的知识点对应的第一知识簇中的叶子节点；

推送模块，用于当所述查询的知识点不为所述第一知识簇中的叶子节点时，推送所述第一知识簇中所述查询的知识点的所有子节点中的课程链接给所述用户。

9.一种计算机设备，其特征在于，所述计算机设备包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至7中任意一项所述的课程推送方法。

10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的课程推送方法。

Images