CN112396547A - 基于无监督学习的课程推荐方法、装置、设备及介质 - Google Patents

基于无监督学习的课程推荐方法、装置、设备及介质 Download PDF

Info

Publication number
CN112396547A
CN112396547A CN202110079022.1A CN202110079022A CN112396547A CN 112396547 A CN112396547 A CN 112396547A CN 202110079022 A CN202110079022 A CN 202110079022A CN 112396547 A CN112396547 A CN 112396547A
Authority
CN
China
Prior art keywords
sample
course
data
training
recommended
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.)
Granted
Application number
CN202110079022.1A
Other languages
English (en)
Other versions
CN112396547B (zh
Inventor
廖伯轩
徐守梅
吴震东
宋喆
汪坪
吕斌
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202110079022.1A priority Critical patent/CN112396547B/zh
Publication of CN112396547A publication Critical patent/CN112396547A/zh
Application granted granted Critical
Publication of CN112396547B publication Critical patent/CN112396547B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q50/2057—Career enhancement or continuing education service
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Educational Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及人工智能领域，提供一种基于无监督学习的课程推荐方法、装置、设备及介质，能够采用cycle‑GAN模型对训练数据进行扩展，有效解决由于样本数量不足导致模型训练效果不佳，精度较差的问题，同时，由于cycle‑GAN模型的特性，扩展后生成的样本也具有较强的可用性，并且，由于综合了不同维度的预测结果，推荐的课程也更加合理，进而实现对课程的自动推荐。本发明还涉及区块链技术，涉及到的模型可存储于区块链。

Description

基于无监督学习的课程推荐方法、装置、设备及介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于无监督学习的课程推荐方法、装置、设备及介质。
背景技术
目前，针对营业部的培训缺乏灵活性，只能提供制式化、标准化的培训内容，无法满足营业部、营业组及代理人的实际需求。具体而言，营业部与代理人的经营目标主要包括销售、主拓、展业和增员等，设置有针对性的业务培训将大大提升他们的经营业绩，例如开单及增员效率。但现况是，目前营业部培训的效果难以保证。
此外，代理人千人千面的特性也给营业部的培训规划增添了难度。一方面难以抽象总结出能够与营业部整体情况相匹配的培训需求，并根据培训需求对培训方案进行设计与执行；另一方面，也很难通过营业部间的横向比较，为营业部量身定制合适的培训目标和方向。
并且，通常采用的课程推荐模型的训练效果也局限于训练样本的数量，当没有足够的样本支撑模型做训练时，模型预测的效果将受到很大影响。
发明内容
鉴于以上内容，有必要提供一种基于无监督学习的课程推荐方法、装置、设备及介质，能够实现对课程的自动推荐，并且，由于综合了不同维度的预测结果，推荐的课程也更加合理。
一种基于无监督学习的课程推荐方法，所述基于无监督学习的课程推荐方法包括：
响应于课程推荐指令，根据所述课程推荐指令获取特征指标及模式指标；
获取待推荐对象，根据所述待推荐对象确定基准对象；
获取所述待推荐对象对应于所述特征指标的数据作为第一样本，获取所述基准对象对应于所述特征指标的数据作为第二样本，并整合所述第一样本及所述第二样本，得到特征样本；
获取所述待推荐对象对应于所述模式指标的数据作为第三样本，获取所述基准对象对应于所述模式指标的数据作为第四样本，并整合所述第三样本及所述第四样本，得到模式样本；
调取预先训练的cycle-GAN模型，利用所述cycle-GAN模型对所述特征样本进行扩展，得到第一训练数据，及利用所述cycle-GAN模型对所述模式样本进行扩展，得到第二训练数据；
基于所述第一训练数据训练第一预测模型，及基于所述第二训练数据训练第二预测模型；
获取待预测数据，将所述待预测数据输入至所述第一预测模型，得到第一预测结果，及将所述待预测数据输入至所述第二预测模型，得到第二预测结果；
根据所述第一预测结果及所述第二预测结果确定目标推荐课程。
根据本发明优选实施例，所述根据所述课程推荐指令获取特征指标及模式指标包括：
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；
获取第一预设标签；
根据所述第一预设标签构建第一正则表达式；
根据所述第一正则表达式在所述课程推荐指令所携带的信息中进行遍历，并将遍历到的数据确定为第一地址；
获取第二预设标签；
根据所述第二预设标签构建第二正则表达式；
根据所述第二正则表达式在所述课程推荐指令所携带的信息中进行遍历，并将遍历到的数据确定为第二地址；
连接至所述第一地址，并获取所述第一地址处的数据作为所述特征指标；
连接至所述第二地址，并获取所述第二地址处的数据作为所述模式指标。
根据本发明优选实施例，所述根据所述待推荐对象确定基准对象包括：
识别所述待推荐对象的类别；
获取所述待推荐对象的类别下所包括的所有对象；
根据配置规则对所述所有对象进行排序，得到目标队列；
从所述目标队列中获取排在所述待推荐对象前一位的对象作为所述基准对象。
根据本发明优选实施例，在调取预先训练的cycle-GAN模型前，所述方法还包括：
获取训练样本；
构建损失函数；
根据所述训练样本及所述损失函数对cycle-GAN网络的生成器及鉴别器进行循环对抗训练；
监测所述cycle-GAN网络的均方差及所述损失函数的取值；
当所述均方差达到阈值，及/或所述损失函数不再降低时，停止训练，并将当前的cycle-GAN网络确定为所述cycle-GAN模型。
根据本发明优选实施例，采用下述公式构建损失函数：
Figure 676628DEST_PATH_IMAGE001
；
其中，
Figure 370915DEST_PATH_IMAGE002
为所述损失函数，
Figure 22476DEST_PATH_IMAGE003
为判别器
Figure 67792DEST_PATH_IMAGE004
的损失函数，
Figure 525318DEST_PATH_IMAGE005
为判别器
Figure 74111DEST_PATH_IMAGE006
的损失函数，
Figure 162153DEST_PATH_IMAGE007
为循环一致性损失，
Figure 429186DEST_PATH_IMAGE008
为生成器
Figure 362507DEST_PATH_IMAGE009
、生成器
Figure 31386DEST_PATH_IMAGE010
的损失函数，
Figure 290329DEST_PATH_IMAGE011
为加权因子，A、B为不同的训练样本；
Figure 90664DEST_PATH_IMAGE012
；
其中，
Figure 93255DEST_PATH_IMAGE003
为生成器
Figure 616640DEST_PATH_IMAGE009
的损失函数，
Figure 780905DEST_PATH_IMAGE013
为生成的样本b在判断器
Figure 819268DEST_PATH_IMAGE004
的预期损失，
Figure 359971DEST_PATH_IMAGE014
为生成的样本a在判断器
Figure 737863DEST_PATH_IMAGE004
的预期损失；
Figure 338608DEST_PATH_IMAGE015
Figure 801951DEST_PATH_IMAGE016
；
其中，
Figure 146344DEST_PATH_IMAGE005
为生成器GBA的损失函数，
Figure 722950DEST_PATH_IMAGE017
为生成的样本a在判断器
Figure 229018DEST_PATH_IMAGE018
的预期损失，
Figure 445236DEST_PATH_IMAGE019
为生成的样本b在判断器
Figure 327741DEST_PATH_IMAGE020
的预期损失；
Figure 680225DEST_PATH_IMAGE021
Figure 419511DEST_PATH_IMAGE022
；
其中，
Figure 857446DEST_PATH_IMAGE023
为样本a经过生成器后的预期损失，
Figure 543642DEST_PATH_IMAGE024
为样本b经过生成器后的预期损失。
根据本发明优选实施例，所述基于所述第一训练数据训练第一预测模型包括：
将所述第一训练数据拆分为训练集及验证集；
利用所述训练集训练随机森林网络；
当所述随机森林网络的损失函数达到收敛时，停止训练，得到中间模型；
利用所述验证集验证所述中间模型；
当所述中间模型通过验证时，将所述中间模型确定为所述第一预测模型。
根据本发明优选实施例，所述根据所述第一预测结果及所述第二预测结果确定目标推荐课程包括：
从所述第一预测结果中获取每个课程的预测值，及从所述第二预测结果中获取每个课程的预测值；
确定所述第一预测结果的权重，及确定所述第二预测结果的权重；
根据所述第一预测结果的权重及所述第二预测结果的权重，对所述第一预测结果中每个课程的预测值及所述第二预测结果中每个课程的预测值进行加权平均，得到每个课程的目标预测值；
获取所述目标预测值最高的课程作为所述目标推荐课程。
一种基于无监督学习的课程推荐装置，所述基于无监督学习的课程推荐装置包括：
获取单元，用于响应于课程推荐指令，根据所述课程推荐指令获取特征指标及模式指标；
确定单元，用于获取待推荐对象，根据所述待推荐对象确定基准对象；
整合单元，用于获取所述待推荐对象对应于所述特征指标的数据作为第一样本，获取所述基准对象对应于所述特征指标的数据作为第二样本，并整合所述第一样本及所述第二样本，得到特征样本；
所述整合单元，还用于获取所述待推荐对象对应于所述模式指标的数据作为第三样本，获取所述基准对象对应于所述模式指标的数据作为第四样本，并整合所述第三样本及所述第四样本，得到模式样本；
扩展单元，用于调取预先训练的cycle-GAN模型，利用所述cycle-GAN模型对所述特征样本进行扩展，得到第一训练数据，及利用所述cycle-GAN模型对所述模式样本进行扩展，得到第二训练数据；
训练单元，用于基于所述第一训练数据训练第一预测模型，及基于所述第二训练数据训练第二预测模型；
预测单元，用于获取待预测数据，将所述待预测数据输入至所述第一预测模型，得到第一预测结果，及将所述待预测数据输入至所述第二预测模型，得到第二预测结果；
所述确定单元，还用于根据所述第一预测结果及所述第二预测结果确定目标推荐课程。
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无监督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无监督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，根据所述课程推荐指令获取特征指标及模式指标，获取待推荐对象，根据所述待推荐对象确定基准对象，获取所述待推荐对象对应于所述特征指标的数据作为第一样本，获取所述基准对象对应于所述特征指标的数据作为第二样本，并整合所述第一样本及所述第二样本，得到特征样本，获取所述待推荐对象对应于所述模式指标的数据作为第三样本，获取所述基准对象对应于所述模式指标的数据作为第四样本，并整合所述第三样本及所述第四样本，得到模式样本，调取预先训练的cycle-GAN模型，利用所述cycle-GAN模型对所述特征样本进行扩展，得到第一训练数据，及利用所述cycle-GAN模型对所述模式样本进行扩展，得到第二训练数据，采用cycle-GAN模型对训练数据进行扩展，有效解决由于样本数量不足导致模型训练效果不佳，精度较差的问题，同时，由于cycle-GAN模型的特性，扩展后生成的样本也具有较强的可用性，基于所述第一训练数据训练第一预测模型，及基于所述第二训练数据训练第二预测模型，获取待预测数据，将所述待预测数据输入至所述第一预测模型，得到第一预测结果，及将所述待预测数据输入至所述第二预测模型，得到第二预测结果，根据所述第一预测结果及所述第二预测结果确定目标推荐课程，进而实现对课程的自动推荐，并且，由于综合了不同维度的预测结果，推荐的课程也更加合理。
附图说明
图1是本发明基于无监督学习的课程推荐方法的较佳实施例的流程图。
图2是本发明基于无监督学习的课程推荐装置的较佳实施例的功能模块图。
图3是本发明实现基于无监督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，是本发明基于无监督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。
所述基于无监督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 IntegratedCircuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal 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，根据所述课程推荐指令获取特征指标及模式指标。
在本实施例中，所述课程推荐指令可以由负责课程推荐的工作人员触发，也可以由需要被推荐的部门或者公司的负责人触发，本发明不限制。
在本实施例中，当该实施例被应用于对营业部进行课程推荐时，相应地，所述特征指标可以包括，但不限于以下一种或者多种的组合：
地点、规模、人员情况。
所述模式指标可以包括，但不限于以下一种或者多种的组合：
销售产品链、销售时点。
即，所述特征指标是指对象的基本属性构成的指标，所述模式指标是指对象的工作模式等相关数据构成的指标。
在本发明的至少一个实施例中，所述根据所述课程推荐指令获取特征指标及模式指标包括：
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；
获取第一预设标签；
根据所述第一预设标签构建第一正则表达式；
根据所述第一正则表达式在所述课程推荐指令所携带的信息中进行遍历，并将遍历到的数据确定为第一地址；
获取第二预设标签；
根据所述第二预设标签构建第二正则表达式；
根据所述第二正则表达式在所述课程推荐指令所携带的信息中进行遍历，并将遍历到的数据确定为第二地址；
连接至所述第一地址，并获取所述第一地址处的数据作为所述特征指标；
连接至所述第二地址，并获取所述第二地址处的数据作为所述模式指标。
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。
所述课程推荐指令所携带的信息可以是一个具体的地址，也可以是具体的各种待处理的数据，所述信息的内容主要取决于所述课程推荐指令的代码组成。
其中，所述第一预设标签及所述第二预设标签可以进行自定义配置。
所述第一预设标签与地址具有一一对应关系，例如，所述第一预设标签可以配置为XADD，则构建的第一正则表达式可以为XADD()。
所述第二预设标签也与地址具有一一对应关系，例如，所述第二预设标签可以配置为YADD，则构建的第二正则表达式可以为YADD()。
通过上述实施方式，直接从指令中获取数据，以提升处理效率，并且，以标签进行数据的获取，由于标签的配置具有唯一性，也提高了数据获取的准确性。
S11，获取待推荐对象，根据所述待推荐对象确定基准对象。
在本实施例中，所述待推荐对象可以是指一个用户，也可以是指一个部门，所述待推荐对象可以根据实际的应用场景配置。
具体地，所述根据所述待推荐对象确定基准对象包括：
识别所述待推荐对象的类别；
获取所述待推荐对象的类别下所包括的所有对象；
根据配置规则对所述所有对象进行排序，得到目标队列；
从所述目标队列中获取排在所述待推荐对象前一位的对象作为所述基准对象。
其中，所述配置规则可以根据实际应用场景进行自定义配置，如：当预测为营业部推荐的课程时，那么所述配置规则可以为：按照营业部在过去一年内总体业绩由高到低的顺序进行排序。则可以得到，所述基准对象是指与所述待推荐对象相邻的，并且优于所述待推荐对象的对象。
通过上述实施方式，能够自动确定学习目标，以便后续以学习目标为参考进行课程的推荐，以更好的提升所述待推荐对象。
S12，获取所述待推荐对象对应于所述特征指标的数据作为第一样本，获取所述基准对象对应于所述特征指标的数据作为第二样本，并整合所述第一样本及所述第二样本，得到特征样本。
在本实施例中，所述特征样本可以以高维矩阵的形式构建。
例如：以每个特征指标作为横向元素，以每个课程作为纵向元素构建矩阵。
通过上述实施方式，能够首先建立基本的特征样本，以供后续使用。
S13，获取所述待推荐对象对应于所述模式指标的数据作为第三样本，获取所述基准对象对应于所述模式指标的数据作为第四样本，并整合所述第三样本及所述第四样本，得到模式样本。
在本实施例中，所述模式样本也可以以高维矩阵的形式构建，在此不赘述。
通过上述实施方式，能够进一步建立基本的模式样本，以供后续使用。
S14，调取预先训练的cycle-GAN模型，利用所述cycle-GAN模型对所述特征样本进行扩展，得到第一训练数据，及利用所述cycle-GAN模型对所述模式样本进行扩展，得到第二训练数据。
通过上述实施方式，能够采用cycle-GAN模型对训练数据进行扩展，有效解决由于样本数量不足导致模型训练效果不佳，精度较差的问题，后续的模型基于扩展的样本进行训练，能够在无标杆样本的情况下训练模型，同时，由于cycle-GAN模型的特性，扩展后生成的样本也具有较强的可用性。
在本发明的至少一个实施例中，在调取预先训练的cycle-GAN模型前，所述方法还包括：
获取训练样本；
构建损失函数；
根据所述训练样本及所述损失函数对cycle-GAN网络的生成器及鉴别器进行循环对抗训练；
监测所述cycle-GAN网络的均方差及所述损失函数的取值；
当所述均方差达到阈值，及/或所述损失函数不再降低时，停止训练，并将当前的cycle-GAN网络确定为所述cycle-GAN模型。
例如：训练出两个生成器
Figure 750632DEST_PATH_IMAGE009
、
Figure 864082DEST_PATH_IMAGE025
及两个判别器
Figure 789312DEST_PATH_IMAGE020
、
Figure 328135DEST_PATH_IMAGE004
，对于
Figure 655211DEST_PATH_IMAGE026
样本中的样本
Figure 939561DEST_PATH_IMAGE027
，通过生成器
Figure 86509DEST_PATH_IMAGE009
生成假样本
Figure 114508DEST_PATH_IMAGE028
，用判别器
Figure 296091DEST_PATH_IMAGE004
判别假样本
Figure 813660DEST_PATH_IMAGE028
是否属于样本
Figure 713482DEST_PATH_IMAGE029
，并且将假样本
Figure 279593DEST_PATH_IMAGE028
通过生成器
Figure 315682DEST_PATH_IMAGE025
生成样本
Figure 941836DEST_PATH_IMAGE030
，并且判断样本
Figure 876425DEST_PATH_IMAGE030
是否与原真实样本
Figure 246226DEST_PATH_IMAGE027
近似。同样地，对于
Figure 402401DEST_PATH_IMAGE029
样本中的样本
Figure 199456DEST_PATH_IMAGE031
，通过生成器
Figure 808291DEST_PATH_IMAGE025
生成假样本
Figure 778522DEST_PATH_IMAGE030
，用判别器
Figure 789203DEST_PATH_IMAGE020
判别假样本
Figure 757159DEST_PATH_IMAGE030
是否属于样本
Figure 853291DEST_PATH_IMAGE026
，并且将假样本
Figure 564895DEST_PATH_IMAGE030
通过生成器
Figure 695662DEST_PATH_IMAGE009
生成样本
Figure 146104DEST_PATH_IMAGE028
，并且判断样本
Figure 463953DEST_PATH_IMAGE028
是否与原真实样本
Figure 979248DEST_PATH_IMAGE031
近似。最终通过迭代，使得判别器无法判别生成器生成的样本是否为真实样本，即当所述均方差达到阈值，及/或所述损失函数不再降低时，停止训练，并将当前的cycle-GAN网络确定为所述cycle-GAN模型。
具体地，采用下述公式构建损失函数：
Figure 964521DEST_PATH_IMAGE001
；
其中，
Figure 274280DEST_PATH_IMAGE002
为所述损失函数，
Figure 141742DEST_PATH_IMAGE003
为判别器
Figure 195148DEST_PATH_IMAGE004
的损失函数，
Figure 34928DEST_PATH_IMAGE005
为判别器
Figure 515588DEST_PATH_IMAGE006
的损失函数，
Figure 73608DEST_PATH_IMAGE007
为循环一致性损失，
Figure 665127DEST_PATH_IMAGE008
为生成器
Figure 438042DEST_PATH_IMAGE009
、生成器
Figure 89603DEST_PATH_IMAGE010
的损失函数，
Figure 869340DEST_PATH_IMAGE011
为加权因子，A、B为不同的训练样本；
Figure 264549DEST_PATH_IMAGE012
；
其中，
Figure 78922DEST_PATH_IMAGE003
为生成器
Figure 963701DEST_PATH_IMAGE009
的损失函数，
Figure 230734DEST_PATH_IMAGE013
为生成的样本b在判断器
Figure 429635DEST_PATH_IMAGE004
的预期损失，
Figure 98513DEST_PATH_IMAGE014
为生成的样本a在判断器
Figure 91877DEST_PATH_IMAGE004
的预期损失；
Figure 990799DEST_PATH_IMAGE015
Figure 993390DEST_PATH_IMAGE016
；
其中，
Figure 516775DEST_PATH_IMAGE005
为生成器GBA的损失函数，
Figure 681040DEST_PATH_IMAGE017
为生成的样本a在判断器
Figure 922666DEST_PATH_IMAGE018
的预期损失，
Figure 463368DEST_PATH_IMAGE019
为生成的样本b在判断器
Figure 903577DEST_PATH_IMAGE020
的预期损失；
Figure 504323DEST_PATH_IMAGE021
Figure 967665DEST_PATH_IMAGE022
；
其中，
Figure 312059DEST_PATH_IMAGE023
为样本a经过生成器后的预期损失，
Figure 544457DEST_PATH_IMAGE024
为样本b经过生成器后的预期损失。
所述加权因子λ用于控制循环一致性损失在全部损失中的权重；生成器的损失函数为生成的数据与目标数据的差异；所述循环一致性损失，衡量的是A样本经过生成器互相转换后是否能保持一致。
在训练过程中，分别优化训练生成器和判别器，所有生成器共享权重，所有判别器也共享权重，直至损失达到最低，或者其他指标（如均方差）达到阈值，则可停止训练，得到所述cycle-GAN模型。
通过上述构建的损失函数训练cycle-GAN模型，综合考虑了生成器的损失及循环一致性损失，使模型能够达到更高的精度。
S15，基于所述第一训练数据训练第一预测模型，及基于所述第二训练数据训练第二预测模型。
在本发明的至少一个实施例中，所述基于所述第一训练数据训练第一预测模型包括：
将所述第一训练数据拆分为训练集及验证集；
利用所述训练集训练随机森林网络；
当所述随机森林网络的损失函数达到收敛时，停止训练，得到中间模型；
利用所述验证集验证所述中间模型；
当所述中间模型通过验证时，将所述中间模型确定为所述第一预测模型。
通过上述方式，在训练结束后，进一步对模型进行了验证，以保证模型的准确度。
同时，随机森林模型不容易过拟合，且效率较高，对连续型数据有较好的预测效果。
需要说明的是，所述第二预测模型与所述第一预测模型类似，在此不赘述。
当然，所述第二预测模型也可以采用其他网络进行训练，只要具备课程预测的能力，本发明不限制。
S16，获取待预测数据，将所述待预测数据输入至所述第一预测模型，得到第一预测结果，及将所述待预测数据输入至所述第二预测模型，得到第二预测结果。
在本实施例中，所述待预测数据可以由用户上传，也可以匹配到配置数据库，并从所述配置数据库中进行获取，本发明不限制。
其中，所述第一预测结果是基于所述特征指标进行预测的结果，而所述第二预测结果是基于所述模式指标进行预测的结果。
S17，根据所述第一预测结果及所述第二预测结果确定目标推荐课程。
其中，所述第一预测结果包括每个课程的预测值，所述第二预测结果也包括每个课程的预测值。
在本发明的至少一个实施例中，所述根据所述第一预测结果及所述第二预测结果确定目标推荐课程包括：
从所述第一预测结果中获取每个课程的预测值，及从所述第二预测结果中获取每个课程的预测值；
确定所述第一预测结果的权重，及确定所述第二预测结果的权重；
根据所述第一预测结果的权重及所述第二预测结果的权重，对所述第一预测结果中每个课程的预测值及所述第二预测结果中每个课程的预测值进行加权平均，得到每个课程的目标预测值；
获取所述目标预测值最高的课程作为所述目标推荐课程。
例如：在所述第一预测结果中，课程A的预测值为90，在所述第二预测结果中，所述课程A的预测值为80，如果所述第一预测结果的权重为0.5，所述第二预测结果的权重也为0.5，则所述课程A的目标预测值为90*0.5+80*0.5=85。此时，如果在所有课程中，所述课程A的目标预测值最高，则将所述课程A确定为所述目标推荐课程。
通过上述实施方式，能够综合不同维度的预测结果进行课程的推荐，使推荐的课程更加合理。
并且，由于在推荐时，首先采用cycle-GAN模型对训练数据进行了扩展，即便待推荐对象的数据更新，也只需要利用cycle-GAN模型重新生成样本，无需改变预测模型本身，打破了需要样本互相配对的限制，适用性更广。
需要说明的是，为了提高数据的安全性，可以将涉及到的模型部署于区块链，以避免数据被恶意篡改。
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，根据所述课程推荐指令获取特征指标及模式指标，获取待推荐对象，根据所述待推荐对象确定基准对象，获取所述待推荐对象对应于所述特征指标的数据作为第一样本，获取所述基准对象对应于所述特征指标的数据作为第二样本，并整合所述第一样本及所述第二样本，得到特征样本，获取所述待推荐对象对应于所述模式指标的数据作为第三样本，获取所述基准对象对应于所述模式指标的数据作为第四样本，并整合所述第三样本及所述第四样本，得到模式样本，调取预先训练的cycle-GAN模型，利用所述cycle-GAN模型对所述特征样本进行扩展，得到第一训练数据，及利用所述cycle-GAN模型对所述模式样本进行扩展，得到第二训练数据，采用cycle-GAN模型对训练数据进行扩展，有效解决由于样本数量不足导致模型训练效果不佳，精度较差的问题，同时，由于cycle-GAN模型的特性，扩展后生成的样本也具有较强的可用性，基于所述第一训练数据训练第一预测模型，及基于所述第二训练数据训练第二预测模型，获取待预测数据，将所述待预测数据输入至所述第一预测模型，得到第一预测结果，及将所述待预测数据输入至所述第二预测模型，得到第二预测结果，根据所述第一预测结果及所述第二预测结果确定目标推荐课程，进而实现对课程的自动推荐，并且，由于综合了不同维度的预测结果，推荐的课程也更加合理。
如图2所示，是本发明基于无监督学习的课程推荐装置的较佳实施例的功能模块图。所述基于无监督学习的课程推荐装置11包括获取单元110、确定单元111、整合单元112、扩展单元113、训练单元114、预测单元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，获取单元110根据所述课程推荐指令获取特征指标及模式指标。
在本实施例中，所述课程推荐指令可以由负责课程推荐的工作人员触发，也可以由需要被推荐的部门或者公司的负责人触发，本发明不限制。
在本实施例中，当该实施例被应用于对营业部进行课程推荐时，相应地，所述特征指标可以包括，但不限于以下一种或者多种的组合：
地点、规模、人员情况。
所述模式指标可以包括，但不限于以下一种或者多种的组合：
销售产品链、销售时点。
即，所述特征指标是指对象的基本属性构成的指标，所述模式指标是指对象的工作模式等相关数据构成的指标。
在本发明的至少一个实施例中，所述获取单元110根据所述课程推荐指令获取特征指标及模式指标包括：
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；
获取第一预设标签；
根据所述第一预设标签构建第一正则表达式；
根据所述第一正则表达式在所述课程推荐指令所携带的信息中进行遍历，并将遍历到的数据确定为第一地址；
获取第二预设标签；
根据所述第二预设标签构建第二正则表达式；
根据所述第二正则表达式在所述课程推荐指令所携带的信息中进行遍历，并将遍历到的数据确定为第二地址；
连接至所述第一地址，并获取所述第一地址处的数据作为所述特征指标；
连接至所述第二地址，并获取所述第二地址处的数据作为所述模式指标。
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。
所述课程推荐指令所携带的信息可以是一个具体的地址，也可以是具体的各种待处理的数据，所述信息的内容主要取决于所述课程推荐指令的代码组成。
其中，所述第一预设标签及所述第二预设标签可以进行自定义配置。
所述第一预设标签与地址具有一一对应关系，例如，所述第一预设标签可以配置为XADD，则构建的第一正则表达式可以为XADD()。
所述第二预设标签也与地址具有一一对应关系，例如，所述第二预设标签可以配置为YADD，则构建的第二正则表达式可以为YADD()。
通过上述实施方式，直接从指令中获取数据，以提升处理效率，并且，以标签进行数据的获取，由于标签的配置具有唯一性，也提高了数据获取的准确性。
确定单元111获取待推荐对象，根据所述待推荐对象确定基准对象。
在本实施例中，所述待推荐对象可以是指一个用户，也可以是指一个部门，所述待推荐对象可以根据实际的应用场景配置。
具体地，所述确定单元111根据所述待推荐对象确定基准对象包括：
识别所述待推荐对象的类别；
获取所述待推荐对象的类别下所包括的所有对象；
根据配置规则对所述所有对象进行排序，得到目标队列；
从所述目标队列中获取排在所述待推荐对象前一位的对象作为所述基准对象。
其中，所述配置规则可以根据实际应用场景进行自定义配置，如：当预测为营业部推荐的课程时，那么所述配置规则可以为：按照营业部在过去一年内总体业绩由高到低的顺序进行排序。则可以得到，所述基准对象是指与所述待推荐对象相邻的，并且优于所述待推荐对象的对象。
通过上述实施方式，能够自动确定学习目标，以便后续以学习目标为参考进行课程的推荐，以更好的提升所述待推荐对象。
整合单元112获取所述待推荐对象对应于所述特征指标的数据作为第一样本，获取所述基准对象对应于所述特征指标的数据作为第二样本，并整合所述第一样本及所述第二样本，得到特征样本。
在本实施例中，所述特征样本可以以高维矩阵的形式构建。
例如：以每个特征指标作为横向元素，以每个课程作为纵向元素构建矩阵。
通过上述实施方式，能够首先建立基本的特征样本，以供后续使用。
所述整合单元112获取所述待推荐对象对应于所述模式指标的数据作为第三样本，获取所述基准对象对应于所述模式指标的数据作为第四样本，并整合所述第三样本及所述第四样本，得到模式样本。
在本实施例中，所述模式样本也可以以高维矩阵的形式构建，在此不赘述。
通过上述实施方式，能够进一步建立基本的模式样本，以供后续使用。
扩展单元113调取预先训练的cycle-GAN模型，利用所述cycle-GAN模型对所述特征样本进行扩展，得到第一训练数据，及利用所述cycle-GAN模型对所述模式样本进行扩展，得到第二训练数据。
通过上述实施方式，能够采用cycle-GAN模型对训练数据进行扩展，有效解决由于样本数量不足导致模型训练效果不佳，精度较差的问题，后续的模型基于扩展的样本进行训练，能够在无标杆样本的情况下训练模型，同时，由于cycle-GAN模型的特性，扩展后生成的样本也具有较强的可用性。
在本发明的至少一个实施例中，在调取预先训练的cycle-GAN模型前，获取训练样本；
构建损失函数；
根据所述训练样本及所述损失函数对cycle-GAN网络的生成器及鉴别器进行循环对抗训练；
监测所述cycle-GAN网络的均方差及所述损失函数的取值；
当所述均方差达到阈值，及/或所述损失函数不再降低时，停止训练，并将当前的cycle-GAN网络确定为所述cycle-GAN模型。
例如：训练出两个生成器
Figure 316104DEST_PATH_IMAGE009
、
Figure 79792DEST_PATH_IMAGE025
及两个判别器
Figure 962297DEST_PATH_IMAGE020
、
Figure 314781DEST_PATH_IMAGE004
，对于
Figure 257329DEST_PATH_IMAGE026
样本中的样本
Figure 695264DEST_PATH_IMAGE027
，通过生成器
Figure 443777DEST_PATH_IMAGE009
生成假样本
Figure 585521DEST_PATH_IMAGE028
，用判别器
Figure 698970DEST_PATH_IMAGE004
判别假样本
Figure 624201DEST_PATH_IMAGE028
是否属于样本
Figure 848509DEST_PATH_IMAGE029
，并且将假样本
Figure 237902DEST_PATH_IMAGE028
通过生成器
Figure 256673DEST_PATH_IMAGE025
生成样本
Figure 669200DEST_PATH_IMAGE030
，并且判断样本
Figure 697199DEST_PATH_IMAGE030
是否与原真实样本
Figure 878782DEST_PATH_IMAGE027
近似。同样地，对于
Figure 334034DEST_PATH_IMAGE029
样本中的样本
Figure 279862DEST_PATH_IMAGE031
，通过生成器
Figure 845973DEST_PATH_IMAGE025
生成假样本
Figure 147641DEST_PATH_IMAGE030
，用判别器
Figure 773794DEST_PATH_IMAGE020
判别假样本
Figure 895334DEST_PATH_IMAGE030
是否属于样本
Figure 265136DEST_PATH_IMAGE026
，并且将假样本
Figure 483627DEST_PATH_IMAGE030
通过生成器
Figure 280682DEST_PATH_IMAGE009
生成样本
Figure 889518DEST_PATH_IMAGE028
，并且判断样本
Figure 797431DEST_PATH_IMAGE028
是否与原真实样本
Figure 808112DEST_PATH_IMAGE031
近似。最终通过迭代，使得判别器无法判别生成器生成的样本是否为真实样本，即当所述均方差达到阈值，及/或所述损失函数不再降低时，停止训练，并将当前的cycle-GAN网络确定为所述cycle-GAN模型。
具体地，采用下述公式构建损失函数：
Figure 776068DEST_PATH_IMAGE001
；
其中，
Figure 685250DEST_PATH_IMAGE002
为所述损失函数，
Figure 396854DEST_PATH_IMAGE003
为判别器
Figure 262042DEST_PATH_IMAGE004
的损失函数，
Figure 400899DEST_PATH_IMAGE005
为判别器
Figure 984327DEST_PATH_IMAGE006
的损失函数，
Figure 499622DEST_PATH_IMAGE007
为循环一致性损失，
Figure 281633DEST_PATH_IMAGE008
为生成器
Figure 591392DEST_PATH_IMAGE009
、生成器
Figure 662116DEST_PATH_IMAGE010
的损失函数，
Figure 715523DEST_PATH_IMAGE011
为加权因子，A、B为不同的训练样本；
Figure 555303DEST_PATH_IMAGE012
；
其中，
Figure 35962DEST_PATH_IMAGE003
为生成器
Figure 908497DEST_PATH_IMAGE009
的损失函数，
Figure 500015DEST_PATH_IMAGE013
为生成的样本b在判断器
Figure 194302DEST_PATH_IMAGE004
的预期损失，
Figure 111442DEST_PATH_IMAGE014
为生成的样本a在判断器
Figure 891179DEST_PATH_IMAGE004
的预期损失；
Figure 348706DEST_PATH_IMAGE015
Figure 163078DEST_PATH_IMAGE016
；
其中，
Figure 985540DEST_PATH_IMAGE005
为生成器GBA的损失函数，
Figure 252574DEST_PATH_IMAGE017
为生成的样本a在判断器
Figure 451474DEST_PATH_IMAGE018
的预期损失，
Figure 120352DEST_PATH_IMAGE019
为生成的样本b在判断器
Figure 926766DEST_PATH_IMAGE020
的预期损失；
Figure 681095DEST_PATH_IMAGE021
Figure 418107DEST_PATH_IMAGE022
；
其中，
Figure 941492DEST_PATH_IMAGE023
为样本a经过生成器后的预期损失，
Figure 371336DEST_PATH_IMAGE024
为样本b经过生成器后的预期损失。
所述加权因子λ用于控制循环一致性损失在全部损失中的权重；生成器的损失函数为生成的数据与目标数据的差异；所述循环一致性损失，衡量的是A样本经过生成器互相转换后是否能保持一致。
在训练过程中，分别优化训练生成器和判别器，所有生成器共享权重，所有判别器也共享权重，直至损失达到最低，或者其他指标（如均方差）达到阈值，则可停止训练，得到所述cycle-GAN模型。
通过上述构建的损失函数训练cycle-GAN模型，综合考虑了生成器的损失及循环一致性损失，使模型能够达到更高的精度。
训练单元114基于所述第一训练数据训练第一预测模型，及基于所述第二训练数据训练第二预测模型。
在本发明的至少一个实施例中，所述训练单元114基于所述第一训练数据训练第一预测模型包括：
将所述第一训练数据拆分为训练集及验证集；
利用所述训练集训练随机森林网络；
当所述随机森林网络的损失函数达到收敛时，停止训练，得到中间模型；
利用所述验证集验证所述中间模型；
当所述中间模型通过验证时，将所述中间模型确定为所述第一预测模型。
通过上述方式，在训练结束后，进一步对模型进行了验证，以保证模型的准确度。
同时，随机森林模型不容易过拟合，且效率较高，对连续型数据有较好的预测效果。
需要说明的是，所述第二预测模型与所述第一预测模型类似，在此不赘述。
当然，所述第二预测模型也可以采用其他网络进行训练，只要具备课程预测的能力，本发明不限制。
预测单元115获取待预测数据，将所述待预测数据输入至所述第一预测模型，得到第一预测结果，及将所述待预测数据输入至所述第二预测模型，得到第二预测结果。
在本实施例中，所述待预测数据可以由用户上传，也可以匹配到配置数据库，并从所述配置数据库中进行获取，本发明不限制。
其中，所述第一预测结果是基于所述特征指标进行预测的结果，而所述第二预测结果是基于所述模式指标进行预测的结果。
所述确定单元111根据所述第一预测结果及所述第二预测结果确定目标推荐课程。
其中，所述第一预测结果包括每个课程的预测值，所述第二预测结果也包括每个课程的预测值。
在本发明的至少一个实施例中，所述确定单元111根据所述第一预测结果及所述第二预测结果确定目标推荐课程包括：
从所述第一预测结果中获取每个课程的预测值，及从所述第二预测结果中获取每个课程的预测值；
确定所述第一预测结果的权重，及确定所述第二预测结果的权重；
根据所述第一预测结果的权重及所述第二预测结果的权重，对所述第一预测结果中每个课程的预测值及所述第二预测结果中每个课程的预测值进行加权平均，得到每个课程的目标预测值；
获取所述目标预测值最高的课程作为所述目标推荐课程。
例如：在所述第一预测结果中，课程A的预测值为90，在所述第二预测结果中，所述课程A的预测值为80，如果所述第一预测结果的权重为0.5，所述第二预测结果的权重也为0.5，则所述课程A的目标预测值为90*0.5+80*0.5=85。此时，如果在所有课程中，所述课程A的目标预测值最高，则将所述课程A确定为所述目标推荐课程。
通过上述实施方式，能够综合不同维度的预测结果进行课程的推荐，使推荐的课程更加合理。
并且，由于在推荐时，首先采用cycle-GAN模型对训练数据进行了扩展，即便待推荐对象的数据更新，也只需要利用cycle-GAN模型重新生成样本，无需改变预测模型本身，打破了需要样本互相配对的限制，适用性更广。
需要说明的是，为了提高数据的安全性，可以将涉及到的模型部署于区块链，以避免数据被恶意篡改。
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，根据所述课程推荐指令获取特征指标及模式指标，获取待推荐对象，根据所述待推荐对象确定基准对象，获取所述待推荐对象对应于所述特征指标的数据作为第一样本，获取所述基准对象对应于所述特征指标的数据作为第二样本，并整合所述第一样本及所述第二样本，得到特征样本，获取所述待推荐对象对应于所述模式指标的数据作为第三样本，获取所述基准对象对应于所述模式指标的数据作为第四样本，并整合所述第三样本及所述第四样本，得到模式样本，调取预先训练的cycle-GAN模型，利用所述cycle-GAN模型对所述特征样本进行扩展，得到第一训练数据，及利用所述cycle-GAN模型对所述模式样本进行扩展，得到第二训练数据，采用cycle-GAN模型对训练数据进行扩展，有效解决由于样本数量不足导致模型训练效果不佳，精度较差的问题，同时，由于cycle-GAN模型的特性，扩展后生成的样本也具有较强的可用性，基于所述第一训练数据训练第一预测模型，及基于所述第二训练数据训练第二预测模型，获取待预测数据，将所述待预测数据输入至所述第一预测模型，得到第一预测结果，及将所述待预测数据输入至所述第二预测模型，得到第二预测结果，根据所述第一预测结果及所述第二预测结果确定目标推荐课程，进而实现对课程的自动推荐，并且，由于综合了不同维度的预测结果，推荐的课程也更加合理。
如图3所示，是本发明实现基于无监督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，例如基于无监督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，例如基于无监督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（例如执行基于无监督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无监督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获取单元110、确定单元111、整合单元112、扩展单元113、训练单元114、预测单元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无监督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无监督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，根据所述课程推荐指令获取特征指标及模式指标；
获取待推荐对象，根据所述待推荐对象确定基准对象；
获取所述待推荐对象对应于所述特征指标的数据作为第一样本，获取所述基准对象对应于所述特征指标的数据作为第二样本，并整合所述第一样本及所述第二样本，得到特征样本；
获取所述待推荐对象对应于所述模式指标的数据作为第三样本，获取所述基准对象对应于所述模式指标的数据作为第四样本，并整合所述第三样本及所述第四样本，得到模式样本；
调取预先训练的cycle-GAN模型，利用所述cycle-GAN模型对所述特征样本进行扩展，得到第一训练数据，及利用所述cycle-GAN模型对所述模式样本进行扩展，得到第二训练数据；
基于所述第一训练数据训练第一预测模型，及基于所述第二训练数据训练第二预测模型；
获取待预测数据，将所述待预测数据输入至所述第一预测模型，得到第一预测结果，及将所述待预测数据输入至所述第二预测模型，得到第二预测结果；
根据所述第一预测结果及所述第二预测结果确定目标推荐课程。
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)

1.一种基于无监督学习的课程推荐方法，其特征在于，所述基于无监督学习的课程推荐方法包括：
响应于课程推荐指令，根据所述课程推荐指令获取特征指标及模式指标；
获取待推荐对象，根据所述待推荐对象确定基准对象；
获取所述待推荐对象对应于所述特征指标的数据作为第一样本，获取所述基准对象对应于所述特征指标的数据作为第二样本，并整合所述第一样本及所述第二样本，得到特征样本；
获取所述待推荐对象对应于所述模式指标的数据作为第三样本，获取所述基准对象对应于所述模式指标的数据作为第四样本，并整合所述第三样本及所述第四样本，得到模式样本；
调取预先训练的cycle-GAN模型，利用所述cycle-GAN模型对所述特征样本进行扩展，得到第一训练数据，及利用所述cycle-GAN模型对所述模式样本进行扩展，得到第二训练数据；
基于所述第一训练数据训练第一预测模型，及基于所述第二训练数据训练第二预测模型；
获取待预测数据，将所述待预测数据输入至所述第一预测模型，得到第一预测结果，及将所述待预测数据输入至所述第二预测模型，得到第二预测结果；
根据所述第一预测结果及所述第二预测结果确定目标推荐课程。
2.如权利要求1所述的基于无监督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获取特征指标及模式指标包括：
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；
获取第一预设标签；
根据所述第一预设标签构建第一正则表达式；
根据所述第一正则表达式在所述课程推荐指令所携带的信息中进行遍历，并将遍历到的数据确定为第一地址；
获取第二预设标签；
根据所述第二预设标签构建第二正则表达式；
根据所述第二正则表达式在所述课程推荐指令所携带的信息中进行遍历，并将遍历到的数据确定为第二地址；
连接至所述第一地址，并获取所述第一地址处的数据作为所述特征指标；
连接至所述第二地址，并获取所述第二地址处的数据作为所述模式指标。
3.如权利要求1所述的基于无监督学习的课程推荐方法，其特征在于，所述根据所述待推荐对象确定基准对象包括：
识别所述待推荐对象的类别；
获取所述待推荐对象的类别下所包括的所有对象；
根据配置规则对所述所有对象进行排序，得到目标队列；
从所述目标队列中获取排在所述待推荐对象前一位的对象作为所述基准对象。
4.如权利要求1所述的基于无监督学习的课程推荐方法，其特征在于，在调取预先训练的cycle-GAN模型前，所述方法还包括：
获取训练样本；
构建损失函数；
根据所述训练样本及所述损失函数对cycle-GAN网络的生成器及鉴别器进行循环对抗训练；
监测所述cycle-GAN网络的均方差及所述损失函数的取值；
当所述均方差达到阈值，及/或所述损失函数不再降低时，停止训练，并将当前的cycle-GAN网络确定为所述cycle-GAN模型。
5.如权利要求4所述的基于无监督学习的课程推荐方法，其特征在于，采用下述公式构建损失函数：
Figure 2404DEST_PATH_IMAGE001
；
其中，
Figure 793642DEST_PATH_IMAGE002
为所述损失函数，
Figure 872457DEST_PATH_IMAGE003
为判别器
Figure 370434DEST_PATH_IMAGE004
的损失函数，
Figure 142081DEST_PATH_IMAGE005
为判别器
Figure 92720DEST_PATH_IMAGE006
的损失函数，
Figure 37542DEST_PATH_IMAGE007
为循环一致性损失，
Figure 390026DEST_PATH_IMAGE008
为生成器
Figure 332574DEST_PATH_IMAGE009
、生成器
Figure 770509DEST_PATH_IMAGE010
的损失函数，
Figure 191126DEST_PATH_IMAGE011
为加权因子，A、B为不同的训练样本；
Figure 663695DEST_PATH_IMAGE012
；
其中，
Figure 839462DEST_PATH_IMAGE013
为生成器
Figure 764692DEST_PATH_IMAGE009
的损失函数，
Figure 989000DEST_PATH_IMAGE014
为生成的样本b在判断器
Figure 112814DEST_PATH_IMAGE004
的预期损失，
Figure 397165DEST_PATH_IMAGE015
为生成的样本a在判断器
Figure 809692DEST_PATH_IMAGE004
的预期损失；
Figure 837691DEST_PATH_IMAGE016
Figure 19273DEST_PATH_IMAGE017
；
其中，
Figure 208946DEST_PATH_IMAGE005
为生成器GBA的损失函数，
Figure 174016DEST_PATH_IMAGE018
为生成的样本a在判断器
Figure 740126DEST_PATH_IMAGE019
的预期损失，
Figure 41794DEST_PATH_IMAGE020
为生成的样本b在判断器
Figure 402369DEST_PATH_IMAGE021
的预期损失；
Figure 789488DEST_PATH_IMAGE022
Figure 159289DEST_PATH_IMAGE023
；
其中，
Figure 112202DEST_PATH_IMAGE024
为样本a经过生成器后的预期损失，
Figure 909256DEST_PATH_IMAGE025
为样本b经过生成器后的预期损失。
6.如权利要求1所述的基于无监督学习的课程推荐方法，其特征在于，所述基于所述第一训练数据训练第一预测模型包括：
将所述第一训练数据拆分为训练集及验证集；
利用所述训练集训练随机森林网络；
当所述随机森林网络的损失函数达到收敛时，停止训练，得到中间模型；
利用所述验证集验证所述中间模型；
当所述中间模型通过验证时，将所述中间模型确定为所述第一预测模型。
7.如权利要求1所述的基于无监督学习的课程推荐方法，其特征在于，所述根据所述第一预测结果及所述第二预测结果确定目标推荐课程包括：
从所述第一预测结果中获取每个课程的预测值，及从所述第二预测结果中获取每个课程的预测值；
确定所述第一预测结果的权重，及确定所述第二预测结果的权重；
根据所述第一预测结果的权重及所述第二预测结果的权重，对所述第一预测结果中每个课程的预测值及所述第二预测结果中每个课程的预测值进行加权平均，得到每个课程的目标预测值；
获取所述目标预测值最高的课程作为所述目标推荐课程。
8.一种基于无监督学习的课程推荐装置，其特征在于，所述基于无监督学习的课程推荐装置包括：
获取单元，用于响应于课程推荐指令，根据所述课程推荐指令获取特征指标及模式指标；
确定单元，用于获取待推荐对象，根据所述待推荐对象确定基准对象；
整合单元，用于获取所述待推荐对象对应于所述特征指标的数据作为第一样本，获取所述基准对象对应于所述特征指标的数据作为第二样本，并整合所述第一样本及所述第二样本，得到特征样本；
所述整合单元，还用于获取所述待推荐对象对应于所述模式指标的数据作为第三样本，获取所述基准对象对应于所述模式指标的数据作为第四样本，并整合所述第三样本及所述第四样本，得到模式样本；
扩展单元，用于调取预先训练的cycle-GAN模型，利用所述cycle-GAN模型对所述特征样本进行扩展，得到第一训练数据，及利用所述cycle-GAN模型对所述模式样本进行扩展，得到第二训练数据；
训练单元，用于基于所述第一训练数据训练第一预测模型，及基于所述第二训练数据训练第二预测模型；
预测单元，用于获取待预测数据，将所述待预测数据输入至所述第一预测模型，得到第一预测结果，及将所述待预测数据输入至所述第二预测模型，得到第二预测结果；
所述确定单元，还用于根据所述第一预测结果及所述第二预测结果确定目标推荐课程。
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无监督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无监督学习的课程推荐方法。
CN202110079022.1A 2021-01-21 2021-01-21 基于无监督学习的课程推荐方法、装置、设备及介质 Active CN112396547B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110079022.1A CN112396547B (zh) 2021-01-21 2021-01-21 基于无监督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
CN202110079022.1A CN112396547B (zh) 2021-01-21 2021-01-21 基于无监督学习的课程推荐方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN112396547A true CN112396547A (zh) 2021-02-23
CN112396547B CN112396547B (zh) 2021-04-20

Family

ID=74625155

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110079022.1A Active CN112396547B (zh) 2021-01-21 2021-01-21 基于无监督学习的课程推荐方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN112396547B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113034406A (zh) * 2021-04-27 2021-06-25 中国平安人寿保险股份有限公司 扭曲文档恢复方法、装置、设备及介质
CN113205135A (zh) * 2021-04-30 2021-08-03 平安科技（深圳）有限公司 课程预测模型的更新方法、装置、计算机设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106055715A (zh) * 2016-07-12 2016-10-26 合肥工业大学 一种基于产品项目特征扩充的最近邻协同过滤方法
CN108920503A (zh) * 2018-05-28 2018-11-30 哈尔滨工程大学 一种基于社交网络信任度的微视频个性化推荐算法
CN109918574A (zh) * 2019-03-28 2019-06-21 北京卡路里信息技术有限公司 项目推荐方法、装置、设备及存储介质
CN111382350A (zh) * 2020-01-15 2020-07-07 浙江传媒学院 融合用户点击行为和用户兴趣偏好的多任务电视节目推荐方法
CN111428783A (zh) * 2020-03-23 2020-07-17 支付宝(杭州)信息技术有限公司 对推荐模型的训练样本进行样本域转换的方法及装置
EP3690737A1 (en) * 2019-01-31 2020-08-05 StradVision, Inc. Learning method and learning device for strategic transforming rgb training image sets into non-rgb training image sets, to be used for learning object detection on objects of images in non-rgb format, by using cycle gan, resulting in significantly reducing computational load and reusing data
US10783875B2 (en) * 2018-03-16 2020-09-22 Salesforce.Com, Inc. Unsupervised non-parallel speech domain adaptation using a multi-discriminator adversarial network

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106055715A (zh) * 2016-07-12 2016-10-26 合肥工业大学 一种基于产品项目特征扩充的最近邻协同过滤方法
US10783875B2 (en) * 2018-03-16 2020-09-22 Salesforce.Com, Inc. Unsupervised non-parallel speech domain adaptation using a multi-discriminator adversarial network
CN108920503A (zh) * 2018-05-28 2018-11-30 哈尔滨工程大学 一种基于社交网络信任度的微视频个性化推荐算法
EP3690737A1 (en) * 2019-01-31 2020-08-05 StradVision, Inc. Learning method and learning device for strategic transforming rgb training image sets into non-rgb training image sets, to be used for learning object detection on objects of images in non-rgb format, by using cycle gan, resulting in significantly reducing computational load and reusing data
CN109918574A (zh) * 2019-03-28 2019-06-21 北京卡路里信息技术有限公司 项目推荐方法、装置、设备及存储介质
CN111382350A (zh) * 2020-01-15 2020-07-07 浙江传媒学院 融合用户点击行为和用户兴趣偏好的多任务电视节目推荐方法
CN111428783A (zh) * 2020-03-23 2020-07-17 支付宝(杭州)信息技术有限公司 对推荐模型的训练样本进行样本域转换的方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113034406A (zh) * 2021-04-27 2021-06-25 中国平安人寿保险股份有限公司 扭曲文档恢复方法、装置、设备及介质
CN113034406B (zh) * 2021-04-27 2024-05-14 中国平安人寿保险股份有限公司 扭曲文档恢复方法、装置、设备及介质
CN113205135A (zh) * 2021-04-30 2021-08-03 平安科技（深圳）有限公司 课程预测模型的更新方法、装置、计算机设备及存储介质
CN113205135B (zh) * 2021-04-30 2023-08-18 平安科技（深圳）有限公司 课程预测模型的更新方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN112396547B (zh) 2021-04-20

Similar Documents

Publication Publication Date Title
CN112446025A (zh) 联邦学习防御方法、装置、电子设备及存储介质
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
CN113780691A (zh) 数据测试方法、装置、电子设备及存储介质
CN111949708B (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
CN112396547B (zh) 基于无监督学习的课程推荐方法、装置、设备及介质
CN112380454A (zh) 培训课程推荐方法、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
CN111754110A (zh) 基于人工智能的经营指标评价方法、装置、设备及介质
CN112288337B (zh) 行为推荐方法、装置、设备及介质
CN111985545B (zh) 基于人工智能的目标数据检测方法、装置、设备及介质
CN111694844A (zh) 基于配置算法的企业运行数据分析方法、装置及电子设备
CN114612194A (zh) 产品推荐方法、装置、电子设备及存储介质
CN113806434A (zh) 大数据处理方法、装置、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
CN114219023A (zh) 数据聚类方法、装置、电子设备及可读存储介质
CN111950707B (zh) 基于行为共现网络的行为预测方法、装置、设备及介质
CN113256181A (zh) 风险因子预测方法、装置、设备及介质
CN113627160A (zh) 文本纠错方法、装置、电子设备及存储介质
CN113313211A (zh) 文本分类方法、装置、电子设备及存储介质
CN112860851A (zh) 基于根因分析的课程推荐方法、装置、设备及介质
CN112330080B (zh) 基于连通图的因子筛选方法、装置、设备及介质
CN115913763A (zh) 流量异常检测方法、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

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
GR01 Patent grant
GR01 Patent grant