CN112733026A - 一种基于大数据的在线课程推送方法 - Google Patents

一种基于大数据的在线课程推送方法 Download PDF

Info

Publication number
CN112733026A
CN112733026A CN202110018075.2A CN202110018075A CN112733026A CN 112733026 A CN112733026 A CN 112733026A CN 202110018075 A CN202110018075 A CN 202110018075A CN 112733026 A CN112733026 A CN 112733026A
Authority
CN
China
Prior art keywords
course
user
courses
pushed
online
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.)
Withdrawn
Application number
CN202110018075.2A
Other languages
English (en)
Inventor
任杰
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202110018075.2A priority Critical patent/CN112733026A/zh
Publication of CN112733026A publication Critical patent/CN112733026A/zh
Withdrawn legal-status Critical Current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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Educational Administration (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本发明公开了一种基于大数据的在线课程推送方法，本发明涉及在线课程推送技术领域，解决了现有技术中不能够分析用户对课程的选择趋势，导致推送课程的成功率降低的技术问题，通过课程获取单元获取在线课程随后分析推送课程热度数据，从而对推荐课程进行筛选，获取到推送课程热度数据，通过公式获取到推荐课程的热度分析系数Xi，若推荐课程的热度分析系数Xi≥热度分析阈值，则将对应推荐课程标记为选中推荐课程，云管理平台接收到选中推荐课程后，将选中推荐课程按照热度分析系数从大到小的顺序进行排序，并将排名第一的选中推荐课程标记为推送课程；对推送课程进行初步筛选，分析用户对课程的选择趋势，提高了推送课程的成功率。

Description

一种基于大数据的在线课程推送方法
技术领域
本发明涉及在线课程推送技术领域，具体为一种基于大数据的在线课程推送方法。
背景技术
网络教育是远程教育的现代化表现，以网络技术为基础，结合院校优秀教育资源，将院校最优秀的教师、最好的教学成果传播到四面八方，学生无论是在近处还是远方只要拥有网络及一定的计算机操作能力均可学习知识。网络教育学习不受时间、空间限制，学生随时随地都可以学习，想学哪个课程就学哪个课程，网络教育一般以在线辅导和面授相结合，在线辅导，通过学生与老师在线授课与学习，同时可以通过平台进行交流、解答疑问、完成作业、考试等。
但是在现有技术中，不能够分析用户对课程的选择趋势，导致推送课程的成功率降低。
发明内容
本发明的目的就在于提出一种基于大数据的在线课程推送方法，通过课程获取单元获取在线课程并将在线课程标记为推送课程，随后分析推送课程热度数据，从而对推荐课程进行筛选，获取到推送课程热度数据，通过公式获取到推荐课程的热度分析系数Xi，将推荐课程的热度分析系数Xi与热度分析阈值进行比较：若推荐课程的热度分析系数Xi≥热度分析阈值，则将对应推荐课程标记为选中推荐课程，随后将选中推荐课程发送至云管理平台；若推荐课程的热度分析系数Xi＜热度分析阈值，则将对应推荐课程标记为排除推荐课程，随后将排除推荐课程发送至管理人员；云管理平台接收到选中推荐课程后，将选中推荐课程按照热度分析系数从大到小的顺序进行排序，并将排名第一的选中推荐课程标记为推送课程，随后将推送课程发送至云管理平台；对推送课程进行初步筛选，分析用户对课程的选择趋势，提高了推送课程的成功率，从而提高工作效率；
本发明的目的可以通过以下技术方案实现：
一种基于大数据的在线课程推送方法，在线课程推送方法具体步骤如下：
步骤T1、用户和管理人员通过注册登录单元进行注册，注册成功后通过手机终端登录云管理平台，随后，通过课程获取单元获取推送课程，并将推送课程发送至云管理平台，云管理平台对推送课程进行分析；
步骤T2、通过教师筛选单元对推送课程的教师进行分析筛选，通过课程分析单元对课程的质量进行判定，随后将推送的课程发送至云管理平台；
步骤T3、云管理平台接收到推送课程后，对推送的用户进行筛选，对筛选后的用户进行在线课程推送。
进一步地，所述课程获取单元用于获取在线课程并将在线课程标记为推送课程，随后分析推送课程热度数据，从而对推荐课程进行筛选，课程热度数据包括人数数据、浏览数据以及评论数据，人数数据为推荐课程在线平均在线人数与关注人数之和，浏览数据为全天对推荐课程进行浏览的总人数，评论数据为推荐课程受到的评论总次数，将推送课程标记为i，i＝1，2，……，n，n为正整数，具体分析筛选过程如下：
步骤一、获取到推荐课程在线平均在线人数与关注人数之和，并将推荐课程在线平均在线人数与关注人数之和标记为Ri；
步骤二、获取到全天对推荐课程进行浏览的总人数，并将全天对推荐课程进行浏览的总人数标记为Zi；
步骤三、获取到推荐课程受到的评论总次数，并将推荐课程受到的评论总次数标记为Pi；
步骤四、通过公式
Figure BDA0002887709450000031
获取到推荐课程的热度分析系数Xi，其中，a1、a2以及a3均为比例系数，a1＞a2＞a3＞0；
步骤五、将推荐课程的热度分析系数Xi与热度分析阈值进行比较：
若推荐课程的热度分析系数Xi≥热度分析阈值，则将对应推荐课程标记为选中推荐课程，随后将选中推荐课程发送至云管理平台；
若推荐课程的热度分析系数Xi＜热度分析阈值，则将对应推荐课程标记为排除推荐课程，随后将排除推荐课程发送至管理人员；
步骤六、云管理平台接收到选中推荐课程后，将选中推荐课程按照热度分析系数从大到小的顺序进行排序，并将排名第一的选中推荐课程标记为推送课程，随后将推送课程发送至云管理平台。
进一步地，所述教师筛选单元用于分析推送课程的教师数据，从而对推送课程的教师进行筛选，教师数据包括推送课程教师的总任教时长，推送课程教师受到的好评数量与总评论数量的比值以及推送课程教师全天的课程总数量与预约课程总数量之和，将推送课程教师标记为o，o＝1，2，……，m，m为正整数，具体分析筛选过程如下：
步骤S1：获取到推送课程教师的总任教时长，并将推送课程教师的总任教时长标记为SCo；
步骤S2：获取到推送课程教师受到的好评数量与总评论数量的比值，并将推送课程教师受到的好评数量与总评论数量的比值标记为BZo；
步骤S3：获取到推送课程教师全天的课程总数量与预约课程总数量之和，并将推送课程教师全天的课程总数量与预约课程总数量之和标记为SLo；
步骤S4：通过公式SXo＝(SCo×b1+BZo×b2+SLo×b3)eb1×b2×b3获取到推送课程教师的筛选系数SXo，其中，b1、b2以及b3均为比例系数，且b1＞b2＞b3＞0，e为自然常数；
步骤S5：将推送课程教师的筛选系数SXo与筛选系数阈值进行比较：
若推送课程教师的筛选系数SXo≥筛选系数阈值，则将对应推送课程教师标记为预选教师，随后将预选教师按照对应筛选系数从大到小的顺序进行排序，随后将排序第一的预选教师标记为选中教师，并将选中教师发送至云管理平台；
若推送课程教师的筛选系数SXo＜筛选系数阈值，则将对应推送课程教师标记为未选中教师，并将未选中教师发送至管理人员的手机终端。
进一步地，所述用户筛选单元用于分析用户历史数据，从而对用户进行筛选，用户历史数据包括用户选择线上课程的总次数与选择线下课程的总次数的比值、用户完成线上课程的总数量与预定线上课程的总数量以及用户对线上课程的评论总数量，将用户标记为k，k＝1，2，……，p，p为正整数，具体分析筛选过程如下：
步骤SS1：获取到用户选择线上课程的总次数与选择线下课程的总次数的比值，并将用户选择线上课程的总次数与选择线下课程的总次数的比值标记为ZBZk；
步骤SS2：获取到用户完成线上课程的总数量与预定线上课程的总数量，并将用户完成线上课程的总数量与预定线上课程的总数量标记为ZSLk；
步骤SS3：获取到用户对线上课程的评论总数量，并将用户对线上课程的评论总数量标记为PLSk；
步骤SS4：通过公式YHk＝β(ZBZk×c1+ZSLk×c2+PLSk×c3)获取到用户的筛选系数YHk，其中，c1、c2以及c3均为比例系数，且c1＞c2＞c3＞0，β为误差修正因子，取值为2.365489；
步骤SS5：将用户的筛选系数YHk与用户的筛选系数阈值进行比较：
若用户的筛选系数YHk≥用户的筛选系数阈值，则将对应用户标记为推送用户，并将推送用户发送至云管理平台；
若用户的筛选系数YHk＜用户的筛选系数阈值，则将对应用户标记为不推送用户，并将不推送用户发送至云管理平台。
进一步地，所述课程分析单元对分析推送课程的质量数据，从而对推送课程进行检测，推送课程的质量数据包括推送课程的用户浏览总时长、用户选择推送课程的总次数以及推送课程的预约总人数，具体分析检测过程如下：
步骤KK1：获取到推送课程的用户浏览总时长，并将推送课程的用户浏览总时长So；
步骤KK2：获取到用户选择推送课程的总次数，并将用户选择推送课程的总次数标记为Zo；
步骤KK3：获取到推送课程的预约总人数，并将推送课程的预约总人数标记为Ro；
步骤KK4：通过公式
Figure BDA0002887709450000051
获取到推送课程的分析系数Jo，其中，v1、v2以及v3均为比例系数，且v1＞v2＞v3＞0；
步骤KK5：将推送课程的分析系数Jo与推送课程的分析系数阈值进行比较：
若推送课程的分析系数Jo≥推送课程的分析系数阈值，则判定推送课程的推送效果良好，生成继续推送信号并将继续推送信号发送至云管理平台；
若推送课程的分析系数Jo＜推送课程的分析系数阈值，则判定推送课程的推送效果一般，生成更改推送信号并将更改推推送信号发送至管理人员的手机终端。
进一步地，所述注册登录单元用于用户和管理人员通过手机终端提交用户数据和管理人员数据进行注册，并将注册成功的用户数据和管理人员数据发送至数据库进行储存，用户数据为用户的姓名、年龄、注册时间以及本人实名认证的手机号码，管理人员数据为管理人员的姓名、年龄、入职时间以及本人实名认证的手机号码。
与现有技术相比，本发明的有益效果是：
1、本发明中，通过课程获取单元获取在线课程并将在线课程标记为推送课程，随后分析推送课程热度数据，从而对推荐课程进行筛选，获取到推送课程热度数据，通过公式获取到推荐课程的热度分析系数Xi，将推荐课程的热度分析系数Xi与热度分析阈值进行比较：若推荐课程的热度分析系数Xi≥热度分析阈值，则将对应推荐课程标记为选中推荐课程，随后将选中推荐课程发送至云管理平台；若推荐课程的热度分析系数Xi＜热度分析阈值，则将对应推荐课程标记为排除推荐课程，随后将排除推荐课程发送至管理人员；云管理平台接收到选中推荐课程后，将选中推荐课程按照热度分析系数从大到小的顺序进行排序，并将排名第一的选中推荐课程标记为推送课程，随后将推送课程发送至云管理平台；对推送课程进行初步筛选，分析用户对课程的选择趋势，提高了推送课程的成功率，从而提高工作效率；
2、本发明中，通过教师筛选单元分析推送课程的教师数据，从而对推送课程的教师进行筛选，获取到推送课程的教师数据，通过公式获取到推送课程教师的筛选系数SXo，将推送课程教师的筛选系数SXo与筛选系数阈值进行比较：若推送课程教师的筛选系数SXo≥筛选系数阈值，则将对应推送课程教师标记为预选教师，随后将预选教师按照对应筛选系数从大到小的顺序进行排序，随后将排序第一的预选教师标记为选中教师，并将选中教师发送至云管理平台；若推送课程教师的筛选系数SXo＜筛选系数阈值，则将对应推送课程教师标记为未选中教师，并将未选中教师发送至管理人员的手机终端；将推送课程合理选择教师，提高推送课程的质量，从而增强了用户的使用质量；
3、本发明中，通过用户筛选单元分析用户历史数据，从而对用户进行筛选，获取到用户历史数据，通过公式获取到用户的筛选系数YHk，将用户的筛选系数YHk与用户的筛选系数阈值进行比较：若用户的筛选系数YHk≥用户的筛选系数阈值，则将对应用户标记为推送用户，并将推送用户发送至云管理平台；若用户的筛选系数YHk＜用户的筛选系数阈值，则将对应用户标记为不推送用户，并将不推送用户发送至云管理平台；对推送进行筛选，为有需求的用户进行推送，提高了推送成功率，同时减少了课程推送对用户的影响。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的原理框图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示，一种基于大数据的在线课程推送方法，在线课程推送方法具体步骤如下：
步骤T1、用户和管理人员通过注册登录单元进行注册，注册成功后通过手机终端登录云管理平台，随后，通过课程获取单元获取推送课程，并将推送课程发送至云管理平台，云管理平台对推送课程进行分析；
步骤T2、通过教师筛选单元对推送课程的教师进行分析筛选，通过课程分析单元对课程的质量进行判定，随后将推送的课程发送至云管理平台；
步骤T3、云管理平台接收到推送课程后，对推送的用户进行筛选，对筛选后的用户进行在线课程推送；
所述注册登录单元用于用户和管理人员通过手机终端提交用户数据和管理人员数据进行注册，并将注册成功的用户数据和管理人员数据发送至数据库进行储存，用户数据为用户的姓名、年龄、注册时间以及本人实名认证的手机号码，管理人员数据为管理人员的姓名、年龄、入职时间以及本人实名认证的手机号码；
所述课程获取单元用于获取在线课程并将在线课程标记为推送课程，随后分析推送课程热度数据，从而对推荐课程进行筛选，课程热度数据包括人数数据、浏览数据以及评论数据，人数数据为推荐课程在线平均在线人数与关注人数之和，浏览数据为全天对推荐课程进行浏览的总人数，评论数据为推荐课程受到的评论总次数，将推送课程标记为i，i＝1，2，……，n，n为正整数，具体分析筛选过程如下：
步骤一、获取到推荐课程在线平均在线人数与关注人数之和，并将推荐课程在线平均在线人数与关注人数之和标记为Ri；
步骤二、获取到全天对推荐课程进行浏览的总人数，并将全天对推荐课程进行浏览的总人数标记为Zi；
步骤三、获取到推荐课程受到的评论总次数，并将推荐课程受到的评论总次数标记为Pi；
步骤四、通过公式
Figure BDA0002887709450000091
获取到推荐课程的热度分析系数Xi，其中，a1、a2以及a3均为比例系数，a1＞a2＞a3＞0；
步骤五、将推荐课程的热度分析系数Xi与热度分析阈值进行比较：
若推荐课程的热度分析系数Xi≥热度分析阈值，则将对应推荐课程标记为选中推荐课程，随后将选中推荐课程发送至云管理平台；
若推荐课程的热度分析系数Xi＜热度分析阈值，则将对应推荐课程标记为排除推荐课程，随后将排除推荐课程发送至管理人员；
步骤六、云管理平台接收到选中推荐课程后，将选中推荐课程按照热度分析系数从大到小的顺序进行排序，并将排名第一的选中推荐课程标记为推送课程，随后将推送课程发送至云管理平台；
所述教师筛选单元用于分析推送课程的教师数据，从而对推送课程的教师进行筛选，教师数据包括推送课程教师的总任教时长，推送课程教师受到的好评数量与总评论数量的比值以及推送课程教师全天的课程总数量与预约课程总数量之和，将推送课程教师标记为o，o＝1，2，……，m，m为正整数，具体分析筛选过程如下：
步骤S1：获取到推送课程教师的总任教时长，并将推送课程教师的总任教时长标记为SCo；
步骤S2：获取到推送课程教师受到的好评数量与总评论数量的比值，并将推送课程教师受到的好评数量与总评论数量的比值标记为BZo；
步骤S3：获取到推送课程教师全天的课程总数量与预约课程总数量之和，并将推送课程教师全天的课程总数量与预约课程总数量之和标记为SLo；
步骤S4：通过公式SXo＝(SCo×b1+BZo×b2+SLo×b3)eb1×b2×b3获取到推送课程教师的筛选系数SXo，其中，b1、b2以及b3均为比例系数，且b1＞b2＞b3＞0，e为自然常数；
步骤S5：将推送课程教师的筛选系数SXo与筛选系数阈值进行比较：
若推送课程教师的筛选系数SXo≥筛选系数阈值，则将对应推送课程教师标记为预选教师，随后将预选教师按照对应筛选系数从大到小的顺序进行排序，随后将排序第一的预选教师标记为选中教师，并将选中教师发送至云管理平台；
若推送课程教师的筛选系数SXo＜筛选系数阈值，则将对应推送课程教师标记为未选中教师，并将未选中教师发送至管理人员的手机终端；
所述用户筛选单元用于分析用户历史数据，从而对用户进行筛选，用户历史数据包括用户选择线上课程的总次数与选择线下课程的总次数的比值、用户完成线上课程的总数量与预定线上课程的总数量以及用户对线上课程的评论总数量，将用户标记为k，k＝1，2，……，p，p为正整数，具体分析筛选过程如下：
步骤SS1：获取到用户选择线上课程的总次数与选择线下课程的总次数的比值，并将用户选择线上课程的总次数与选择线下课程的总次数的比值标记为ZBZk；
步骤SS2：获取到用户完成线上课程的总数量与预定线上课程的总数量，并将用户完成线上课程的总数量与预定线上课程的总数量标记为ZSLk；
步骤SS3：获取到用户对线上课程的评论总数量，并将用户对线上课程的评论总数量标记为PLSk；
步骤SS4：通过公式YHk＝β(ZBZk×c1+ZSLk×c2+PLSk×c3)获取到用户的筛选系数YHk，其中，c1、c2以及c3均为比例系数，且c1＞c2＞c3＞0，β为误差修正因子，取值为2.365489；
步骤SS5：将用户的筛选系数YHk与用户的筛选系数阈值进行比较：
若用户的筛选系数YHk≥用户的筛选系数阈值，则将对应用户标记为推送用户，并将推送用户发送至云管理平台；
若用户的筛选系数YHk＜用户的筛选系数阈值，则将对应用户标记为不推送用户，并将不推送用户发送至云管理平台；
所述课程分析单元对分析推送课程的质量数据，从而对推送课程进行检测，推送课程的质量数据包括推送课程的用户浏览总时长、用户选择推送课程的总次数以及推送课程的预约总人数，具体分析检测过程如下：
步骤KK1：获取到推送课程的用户浏览总时长，并将推送课程的用户浏览总时长So；
步骤KK2：获取到用户选择推送课程的总次数，并将用户选择推送课程的总次数标记为Zo；
步骤KK3：获取到推送课程的预约总人数，并将推送课程的预约总人数标记为Ro；
步骤KK4：通过公式
Figure BDA0002887709450000111
获取到推送课程的分析系数Jo，其中，v1、v2以及v3均为比例系数，且v1＞v2＞v3＞0；
步骤KK5：将推送课程的分析系数Jo与推送课程的分析系数阈值进行比较：
若推送课程的分析系数Jo≥推送课程的分析系数阈值，则判定推送课程的推送效果良好，生成继续推送信号并将继续推送信号发送至云管理平台；
若推送课程的分析系数Jo＜推送课程的分析系数阈值，则判定推送课程的推送效果一般，生成更改推送信号并将更改推推送信号发送至管理人员的手机终端。
本发明工作原理：
一种基于大数据的在线课程推送方法，在工作时，用户和管理人员通过注册登录单元进行注册，注册成功后通过手机终端登录云管理平台，随后，通过课程获取单元获取推送课程，并将推送课程发送至云管理平台，云管理平台对推送课程进行分析；通过教师筛选单元对推送课程的教师进行分析筛选，通过课程分析单元对课程的质量进行判定，随后将推送的课程发送至云管理平台；云管理平台接收到推送课程后，对推送的用户进行筛选，对筛选后的用户进行在线课程推送。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (6)

1.一种基于大数据的在线课程推送方法，其特征在于，在线课程推送方法具体步骤如下：
步骤T1、用户和管理人员通过注册登录单元进行注册，注册成功后通过手机终端登录云管理平台，随后，通过课程获取单元获取推送课程，并将推送课程发送至云管理平台，云管理平台对推送课程进行分析；
步骤T2、通过教师筛选单元对推送课程的教师进行分析筛选，通过课程分析单元对课程的质量进行判定，随后将推送的课程发送至云管理平台；
步骤T3、云管理平台接收到推送课程后，对推送的用户进行筛选，对筛选后的用户进行在线课程推送。
2.根据权利要求1所述的一种基于大数据的在线课程推送方法，其特征在于，所述课程获取单元用于获取在线课程并将在线课程标记为推送课程，随后分析推送课程热度数据，从而对推荐课程进行筛选，课程热度数据包括人数数据、浏览数据以及评论数据，人数数据为推荐课程在线平均在线人数与关注人数之和，浏览数据为全天对推荐课程进行浏览的总人数，评论数据为推荐课程受到的评论总次数，将推送课程标记为i，i＝1，2，……，n，n为正整数，具体分析筛选过程如下：
步骤一、获取到推荐课程在线平均在线人数与关注人数之和，并将推荐课程在线平均在线人数与关注人数之和标记为Ri；
步骤二、获取到全天对推荐课程进行浏览的总人数，并将全天对推荐课程进行浏览的总人数标记为Zi；
步骤三、获取到推荐课程受到的评论总次数，并将推荐课程受到的评论总次数标记为Pi；
步骤四、通过公式
Figure FDA0002887709440000021
获取到推荐课程的热度分析系数Xi，其中，a1、a2以及a3均为比例系数，a1＞a2＞a3＞0；
步骤五、将推荐课程的热度分析系数Xi与热度分析阈值进行比较：
若推荐课程的热度分析系数Xi≥热度分析阈值，则将对应推荐课程标记为选中推荐课程，随后将选中推荐课程发送至云管理平台；
若推荐课程的热度分析系数Xi＜热度分析阈值，则将对应推荐课程标记为排除推荐课程，随后将排除推荐课程发送至管理人员；
步骤六、云管理平台接收到选中推荐课程后，将选中推荐课程按照热度分析系数从大到小的顺序进行排序，并将排名第一的选中推荐课程标记为推送课程，随后将推送课程发送至云管理平台。
3.根据权利要求1所述的一种基于大数据的在线课程推送方法，其特征在于，所述教师筛选单元用于分析推送课程的教师数据，从而对推送课程的教师进行筛选，教师数据包括推送课程教师的总任教时长，推送课程教师受到的好评数量与总评论数量的比值以及推送课程教师全天的课程总数量与预约课程总数量之和，将推送课程教师标记为o，o＝1，2，……，m，m为正整数，具体分析筛选过程如下：
步骤S1：获取到推送课程教师的总任教时长，并将推送课程教师的总任教时长标记为SCo；
步骤S2：获取到推送课程教师受到的好评数量与总评论数量的比值，并将推送课程教师受到的好评数量与总评论数量的比值标记为BZo；
步骤S3：获取到推送课程教师全天的课程总数量与预约课程总数量之和，并将推送课程教师全天的课程总数量与预约课程总数量之和标记为SLo；
步骤S4：通过公式SXo＝(SCo×b1+BZo×b2+SLo×b3)eb1×b2×b3获取到推送课程教师的筛选系数SXo，其中，b1、b2以及b3均为比例系数，且b1＞b2＞b3＞0，e为自然常数；
步骤S5：将推送课程教师的筛选系数SXo与筛选系数阈值进行比较：
若推送课程教师的筛选系数SXo≥筛选系数阈值，则将对应推送课程教师标记为预选教师，随后将预选教师按照对应筛选系数从大到小的顺序进行排序，随后将排序第一的预选教师标记为选中教师，并将选中教师发送至云管理平台；
若推送课程教师的筛选系数SXo＜筛选系数阈值，则将对应推送课程教师标记为未选中教师，并将未选中教师发送至管理人员的手机终端。
4.根据权利要求1所述的一种基于大数据的在线课程推送方法，其特征在于，所述用户筛选单元用于分析用户历史数据，从而对用户进行筛选，用户历史数据包括用户选择线上课程的总次数与选择线下课程的总次数的比值、用户完成线上课程的总数量与预定线上课程的总数量以及用户对线上课程的评论总数量，将用户标记为k，k＝1，2，……，p，p为正整数，具体分析筛选过程如下：
步骤SS1：获取到用户选择线上课程的总次数与选择线下课程的总次数的比值，并将用户选择线上课程的总次数与选择线下课程的总次数的比值标记为ZBZk；
步骤SS2：获取到用户完成线上课程的总数量与预定线上课程的总数量，并将用户完成线上课程的总数量与预定线上课程的总数量标记为ZSLk；
步骤SS3：获取到用户对线上课程的评论总数量，并将用户对线上课程的评论总数量标记为PLSk；
步骤SS4：通过公式YHk＝β(ZBZk×c1+ZSLk×c2+PLSk×c3)获取到用户的筛选系数YHk，其中，c1、c2以及c3均为比例系数，且c1＞c2＞c3＞0，β为误差修正因子，取值为2.365489；
步骤SS5：将用户的筛选系数YHk与用户的筛选系数阈值进行比较：
若用户的筛选系数YHk≥用户的筛选系数阈值，则将对应用户标记为推送用户，并将推送用户发送至云管理平台；
若用户的筛选系数YHk＜用户的筛选系数阈值，则将对应用户标记为不推送用户，并将不推送用户发送至云管理平台。
5.根据权利要求1所述的一种基于大数据的在线课程推送方法，其特征在于，所述课程分析单元对分析推送课程的质量数据，从而对推送课程进行检测，推送课程的质量数据包括推送课程的用户浏览总时长、用户选择推送课程的总次数以及推送课程的预约总人数，具体分析检测过程如下：
步骤KK1：获取到推送课程的用户浏览总时长，并将推送课程的用户浏览总时长So；
步骤KK2：获取到用户选择推送课程的总次数，并将用户选择推送课程的总次数标记为Zo；
步骤KK3：获取到推送课程的预约总人数，并将推送课程的预约总人数标记为Ro；
步骤KK4：通过公式
Figure FDA0002887709440000041
获取到推送课程的分析系数Jo，其中，v1、v2以及v3均为比例系数，且v1＞v2＞v3＞0；
步骤KK5：将推送课程的分析系数Jo与推送课程的分析系数阈值进行比较：
若推送课程的分析系数Jo≥推送课程的分析系数阈值，则判定推送课程的推送效果良好，生成继续推送信号并将继续推送信号发送至云管理平台；
若推送课程的分析系数Jo＜推送课程的分析系数阈值，则判定推送课程的推送效果一般，生成更改推送信号并将更改推推送信号发送至管理人员的手机终端。
6.根据权利要求1所述的一种基于大数据的在线课程推送方法，其特征在于，所述注册登录单元用于用户和管理人员通过手机终端提交用户数据和管理人员数据进行注册，并将注册成功的用户数据和管理人员数据发送至数据库进行储存，用户数据为用户的姓名、年龄、注册时间以及本人实名认证的手机号码，管理人员数据为管理人员的姓名、年龄、入职时间以及本人实名认证的手机号码。
CN202110018075.2A 2021-01-07 2021-01-07 一种基于大数据的在线课程推送方法 Withdrawn CN112733026A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110018075.2A CN112733026A (zh) 2021-01-07 2021-01-07 一种基于大数据的在线课程推送方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110018075.2A CN112733026A (zh) 2021-01-07 2021-01-07 一种基于大数据的在线课程推送方法

Publications (1)

Publication Number Publication Date
CN112733026A true CN112733026A (zh) 2021-04-30

Family

ID=75591017

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110018075.2A Withdrawn CN112733026A (zh) 2021-01-07 2021-01-07 一种基于大数据的在线课程推送方法

Country Status (1)

Country Link
CN (1) CN112733026A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113688321A (zh) * 2021-08-31 2021-11-23 北京快来文化传播集团有限公司 直播间热度排序方法、系统、设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107220913A (zh) * 2016-03-22 2017-09-29 睿狮数位科技有限公司 自动生成推荐课程的测验诊断的方法、系统及其电脑程式产品
CN111475716A (zh) * 2020-03-26 2020-07-31 威比网络科技(上海)有限公司 在线课程推荐方法、系统、设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107220913A (zh) * 2016-03-22 2017-09-29 睿狮数位科技有限公司 自动生成推荐课程的测验诊断的方法、系统及其电脑程式产品
CN111475716A (zh) * 2020-03-26 2020-07-31 威比网络科技(上海)有限公司 在线课程推荐方法、系统、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113688321A (zh) * 2021-08-31 2021-11-23 北京快来文化传播集团有限公司 直播间热度排序方法、系统、设备及存储介质
CN113688321B (zh) * 2021-08-31 2023-10-24 北京快来文化传播集团有限公司 直播间热度排序方法、系统、设备及存储介质

Similar Documents

Publication Publication Date Title
CN104835087B (zh) 教育测试系统的数据处理方法及装置
US6766319B1 (en) Method and apparatus for gathering and evaluating information
EP1669918A2 (en) Rubricone performance assessment system
CN103534743A (zh) 用于自适应知识评估与学习的系统与方法
CN112150331A (zh) 面向教育目标进行层级分配的教育资源远程共享系统
CN111125640A (zh) 一种知识点学习路径推荐方法和装置
CN112288239A (zh) 一种智能终端在线教育平台
CN112001826A (zh) 一种基于大数据的教育信息智能分类系统
CN110852924B (zh) 一种基于云计算的院校用智能营销实训系统
Jan Identifying online communities of inquiry in higher education using social network analysis
Criollo-C et al. Encouraging student motivation through gamification in engineering education
Sanders et al. Improving Schools' Partnership Programs in the National Network of Partnership Schools.
CN101436290A (zh) 一种用于提升客户经理素质的管理系统及方法
CN112733026A (zh) 一种基于大数据的在线课程推送方法
Yore et al. Sensing the impact of elementary school science reform: A study of stakeholder perceptions of implementation, constructivist strategies, and school–home collaboration
CN113689126A (zh) 一种考试培训课程智能定制服务平台
US20060121432A1 (en) System and method for creating an individualized exam practice question set
CN112382153A (zh) 一种基于智慧课堂的数据采集系统
CN115081965B (zh) 一种学情大数据分析系统及学情服务器
CN109918406A (zh) 一种基于最大团算法的自动等质组卷方法及组卷系统
Wiesenmayer et al. Level of internet use among science teachers involved in a professional development project
Paxinou et al. Centrality Metrics from Students' Discussion Fora at Distance Education
Maketo Mobile Learning Zimbabwe--Lecturers' Perceptions.
Peat et al. Learning human biology: Student views on the usefulness of IT materials in an integrated curriculum
CN105931509B (zh) 一种电子通信物理智能教学系统

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210430

WW01 Invention patent application withdrawn after publication