CN112860851A - 基于根因分析的课程推荐方法、装置、设备及介质 - Google Patents
基于根因分析的课程推荐方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112860851A CN112860851A CN202110087880.0A CN202110087880A CN112860851A CN 112860851 A CN112860851 A CN 112860851A CN 202110087880 A CN202110087880 A CN 202110087880A CN 112860851 A CN112860851 A CN 112860851A
- Authority
- CN
- China
- Prior art keywords
- course
- label
- training
- information
- root cause
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 95
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000011161 development Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000003066 decision tree Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 11
- 238000013507 mapping Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000014759 maintenance of location Effects 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 6
- 238000013138 pruning Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000000739 chaotic effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能领域,提供一种基于根因分析的课程推荐方法、装置、设备及介质,能够识别课程数据中每个课程的标签,根据每个课程的标签及课程数据构建训练样本训练预测模型,根据预测模型,采用改进的ID3算法计算每个标签的信息熵,根据每个标签的信息熵计算每个标签的信息增益,根据每个标签的信息增益生成课程推荐列表,结合ID3算法对培训课程对绩效的影响进行根因分析,保证了分析结果的可解释性及准确性,辅助分析对业绩影响较大的培训课程,进而结合人工智能手段实现对课程的自动推荐,以便进行持续追踪,提升业绩和留存,让培训真正做到为团队提升和个人发展助力。此外,本发明还涉及区块链技术,预测模型可存储于区块链节点中。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于根因分析的课程推荐方法、装置、设备及介质。
背景技术
企业中的每个部门都需要定期进行培训,以提升员工们的能力,但是,目前只能通过主观的判断确定培训课程,由于缺乏对培训班价值的了解,因此无法掌握培训班类型对业绩目标及留存指标的影响程度,也就难以识别出对业绩影响程度较大的培训班,无法有效地、针对性地追踪培训过程、评估培训结果。
针对上述情况,现有技术中通常采用相关性计算等方式找到最有价值的课程,但这种方式所得到的推荐结果含义较模糊,可解释性不强,并且,仅以相关性进行计算,结果的可靠性也有待提高,准确性不足。
发明内容
鉴于以上内容,有必要提供一种基于根因分析的课程推荐方法、装置、设备及介质,结合ID3算法对培训课程对绩效的影响进行根因分析,保证了分析结果的可解释性及准确性,辅助分析对业绩影响较大的培训课程,进而结合人工智能手段实现对课程的自动推荐,以便进行持续追踪,提升业绩和留存,让培训真正做到为团队提升和个人发展助力。
一种基于根因分析的课程推荐方法,所述基于根因分析的课程推荐方法包括:
响应于基于根因分析的课程推荐指令,根据所述课程推荐指令获取课程数据;
识别所述课程数据中每个课程的标签;
根据每个课程的标签及所述课程数据构建训练样本训练预测模型;
根据所述预测模型,采用改进的ID3算法计算每个标签的信息熵;
根据每个标签的信息熵计算每个标签的信息增益;
根据每个标签的信息增益生成课程推荐列表。
根据本发明优选实施例,所述根据所述课程推荐指令获取课程数据包括:
解析所述课程推荐指令的方法体,得到所述课程推荐指令所携带的信息;
获取预设标签;
根据所述预设标签构建正则表达式;
利用所述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数据库标识;
根据所述数据库标识调取目标数据库,并从所述目标数据库中获取数据作为所述课程数据。
根据本发明优选实施例,所述识别所述课程数据中每个课程的标签包括:
对每个课程对应的课程文本进行分词处理;
提取分词处理后的每个课程文本的词袋模型特征;
确定每个课程文本与每个课程的匹配度;
对每个匹配度进行二分类处理,得到高匹配度课程文本及低匹配度课程文本;
基于随机森林算法,计算所述高匹配度课程文本对应的词袋模型特征的第一重要性,及所述低匹配度课程文本对应的词袋模型特征的第二重要性;
按照重要性由高到低的顺序分别对所述第一重要性及所述第二重要性进行排序;
从所述第一重要性中获取排在前预设位的词袋模型特征作为所述高匹配度课程文本的关键词;
从所述第二重要性中获取排在所述前预设位的词袋模型特征作为所述低匹配度课程文本的关键词;
将所述高匹配度课程文本的关键词及所述低匹配度课程文本的关键词确定为每个课程的标签。
根据本发明优选实施例,所述根据每个课程的标签及所述课程数据构建训练样本训练预测模型包括:
将每个课程的标签确定为因子;
从所述课程数据中获取每个课程的标签对应的用户绩效作为训练目标;
根据所述因子及所述训练目标,基于GBDT算法进行训练,得到所述预测模型。
根据本发明优选实施例,所述根据所述预测模型,采用改进的ID3算法计算每个标签的信息熵包括:
以回圈方式每次去掉一个标签,并将每次去掉的标签确定为当前标签;
获取每次去掉所述当前标签后所述预测模型的当前贡献参数;
根据每个当前贡献参数计算每个当前标签的信息熵;
整合每次回圈过程中每个当前标签的信息熵,得到每个标签的信息熵。
根据本发明优选实施例,采用下述公式根据每个当前贡献参数计算每个当前标签的信息熵:
其中,H(xn)表示当前标签xn的信息熵,pn表示当前标签xn的贡献参数,i=1,2,...,n,n为正整数。
根据本发明优选实施例,采用下述公式根据每个标签的信息熵计算每个标签的信息增益:
其中,IG(tm)表示标签tm的信息增益,T表示所有标签构成的标签集合,Entropy(T)表示所述标签集合中标签的总信息熵,Entropy(tm)表示标签tm的信息熵,m为正整数。
一种基于根因分析的课程推荐装置,所述基于根因分析的课程推荐装置包括:
获取单元,用于响应于基于根因分析的课程推荐指令,根据所述课程推荐指令获取课程数据;
识别单元,用于识别所述课程数据中每个课程的标签;
训练单元,用于根据每个课程的标签及所述课程数据构建训练样本训练预测模型;
计算单元,用于根据所述预测模型,采用改进的ID3算法计算每个标签的信息熵;
所述计算单元,还用于根据每个标签的信息熵计算每个标签的信息增益;
生成单元,用于根据每个标签的信息增益生成课程推荐列表。
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根因分析的课程推荐方法。
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根因分析的课程推荐方法。
由以上技术方案可以看出,本发明能够响应于基于根因分析的课程推荐指令,根据所述课程推荐指令获取课程数据,识别所述课程数据中每个课程的标签,根据每个课程的标签及所述课程数据构建训练样本训练预测模型,根据所述预测模型,采用改进的ID3算法计算每个标签的信息熵,根据每个标签的信息熵计算每个标签的信息增益,根据每个标签的信息增益生成课程推荐列表,结合ID3算法对培训课程对绩效的影响进行根因分析,保证了分析结果的可解释性及准确性,辅助分析对业绩影响较大的培训课程,进而结合人工智能手段实现对课程的自动推荐,以便进行持续追踪,提升业绩和留存,让培训真正做到为团队提升和个人发展助力。
附图说明
图1是本发明基于根因分析的课程推荐方法的较佳实施例的流程图。
图2是本发明基于根因分析的课程推荐装置的较佳实施例的功能模块图。
图3是本发明实现基于根因分析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,是本发明基于根因分析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。
所述基于根因分析的课程推荐方法应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(DigitalSignal Processor,DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
S10,响应于基于根因分析的课程推荐指令,根据所述课程推荐指令获取课程数据。
在本实施例中,根因分析是一项结构化的问题处理法,用以逐步找出问题的根本原因并加以解决,而不是仅仅关注问题的表征。在本案中,通过根因分析,能够从课程的标签中找到最有价值的标签,进而基于找到的标签进行课程推荐。
在本发明的至少一个实施例中,所述基于根因分析的课程推荐指令可以由需要培训的部门领导触发,或者由安排培训课程的工作人员触发,本发明不限制。
在本实施例中,所述课程数据可以包括,但不限于以下一种或者多种数据的组合:
培训课程标题、培训课程介绍、培训课程时长、课程难易度等。
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课程数据包括:
解析所述课程推荐指令的方法体,得到所述课程推荐指令所携带的信息;
获取预设标签;
根据所述预设标签构建正则表达式;
利用所述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数据库标识;
根据所述数据库标识调取目标数据库,并从所述目标数据库中获取数据作为所述课程数据。
其中,所述基于根因分析的课程推荐指令实质上是一条代码,在所述基于根因分析的课程推荐指令中,根据代码的编写原则,{}之间的内容被称之为所述方法体。
所述预设标签可以进行自定义配置,所述预设标签与数据库标识具有一一对应的关系,例如:所述预设标签可以是ID,进一步以所述预设标签建立正则表达式ID(),并以ID()进行遍历。
通过上实施方式,能够基于正则表达式及预设标签快速确定数据库标识,并进一步利用所述数据库标识调用目标数据库,以便从所述目标数据库中获取所述课程数据。
S11,识别所述课程数据中每个课程的标签。
在本发明的至少一个实施例中,所述识别所述课程数据中每个课程的标签包括:
对每个课程对应的课程文本进行分词处理;
提取分词处理后的每个课程文本的词袋模型特征;
确定每个课程文本与每个课程的匹配度;
对每个匹配度进行二分类处理,得到高匹配度课程文本及低匹配度课程文本;
基于随机森林算法,计算所述高匹配度课程文本对应的词袋模型特征的第一重要性,及所述低匹配度课程文本对应的词袋模型特征的第二重要性;
按照重要性由高到低的顺序分别对所述第一重要性及所述第二重要性进行排序;
从所述第一重要性中获取排在前预设位的词袋模型特征作为所述高匹配度课程文本的关键词;
从所述第二重要性中获取排在所述前预设位的词袋模型特征作为所述低匹配度课程文本的关键词;
将所述高匹配度课程文本的关键词及所述低匹配度课程文本的关键词确定为每个课程的标签。
其中,对每个匹配度进行二分类处理,得到高匹配度案件争议焦点及低匹配度案件争议焦点包括:
配置预设分值,当有第一课程文本的匹配度大于或者等于所述预设分值时,确定所述第一课程文本为所述高匹配度课程文本;或者当有第二课程文本的匹配度小于所述预设分值时,确定所述第二课程文本为所述低匹配度课程文本。
其中,所述预设分值可以进行自定义配置,例如:80、85等,本发明在此不做限制。
具体地,基于随机森林算法计算所述高匹配度课程文本对应的词袋模型特征的第一重要性,及计算所述低匹配度课程文本对应的词袋模型特征的第二重要性主要基于如下原理:
确定每个词袋模型特征在随机森林中的每颗树上做了多大的贡献,然后对贡献取平均值,最后对比每个词袋模型特征之间的贡献大小,以确定相应的重要性。
通过上述实施方式,能够自动识别每个课程的标签,使课程标签配置的更加准确。
当然,在其他实施例中,也可以同时结合人工标签确定每个课程的标签,本发明不限制。
S12,根据每个课程的标签及所述课程数据构建训练样本训练预测模型。
在本发明的至少一个实施例中,所述根据每个课程的标签及所述课程数据构建训练样本训练预测模型包括:
将每个课程的标签确定为因子;
从所述课程数据中获取每个课程的标签对应的用户绩效作为训练目标;
根据所述因子及所述训练目标,基于GBDT(Gradient Boosting Decision Tree,梯度提升决策树)算法进行训练,得到所述预测模型。
所述预测模型以课程标签作为变量因子,以用户绩效作为训练目标,能够用于预测用户绩效的达标情况。
在上述实施方式中,以标签向目标不断进行拟合训练,同时,GBDT算法在迭代过程中的每次迭代侧重训练残差大的样本,然后获得多个树模型,通过对多个模型融合后获得最终结果,充分考虑了残差的影响,能够使模型的训练效果更佳。
S13,根据所述预测模型,采用改进的ID3(Iterative Dichotomiser 3)算法计算每个标签的信息熵。
需要说明的是,由于培训课程与用户绩效并非直接关系,可能包含许多交互及间接的影响,因此,传统的相关性分析不足以解释两者之间的关联。
在机器学习中,决策树是一种预测模型,代表的是一种对象属性与对象值之间的映射关系,每一个节点代表某个对象,树中的每一个分叉路径代表某个可能的属性值,而每一个叶子节点则对应从根节点到该叶子节点所经历的路径所表示的对象的值。决策树的节点过多不但会造成效率降低,也会因杂讯过多损害到准确度,ID3算法的核心在于用尽量用较少的东西做更多的事,因此,本实施例利用ID3算法对决策树进行剪枝,以保持决策树的干净及效率。
在信息论中,期望信息越小,那么信息增益就越大,从而纯度就越高,ID3算法的核心思想就是以信息增益来度量属性的选择,即选择分裂后信息增益最大的属性进行分裂,并采用从上至下的贪婪搜索遍历可能的决策空间。
在本实施例中,信息熵代表着整体系统的信息混乱度,用于确定每个节点所带来的有效信息量。当一个特征作为节点加入决策树后,如果带来的信息是有增益的,则信息混乱度会降低,该特征就越重要;反之,一个系统越混乱,信息熵就越高。所以,信息熵可以被认为是系统有序化程度的一个度量。
在本发明的至少一个实施例中,所述根据所述预测模型,采用改进的ID3算法计算每个标签的信息熵包括:
以回圈方式每次去掉一个标签,并将每次去掉的标签确定为当前标签;
获取每次去掉所述当前标签后所述预测模型的当前贡献参数;
根据每个当前贡献参数计算每个当前标签的信息熵;
整合每次回圈过程中每个当前标签的信息熵,得到每个标签的信息熵。
需要说明的是,ID3算法是一种贪心算法,用来构造决策树,本案将ID3算法与剪枝原理进行结合,以实现对算法的优化。
具体地,以回圈方式每次去掉一个标签,即以每次迭代作为一圈,每圈去掉一个标签,上一圈被去掉的标签在下一圈会被回收回来,以执行回圈方式的剪枝运算。
其中,所述贡献参数是指训练后得到的所述预测模型的预设层级的中间参数。
在本实施例中,所述整合每次回圈过程中每个当前标签的信息熵,得到每个标签的信息熵包括:
根据每个当前标签的信息熵构建映射列表,所述映射列表中存储着每个标签与信息熵的对应关系,即将每次迭代中被去掉的标签与当次迭代得到的信息熵进行映射,得到二者间的对应关系。
在上述实施方式中,结合预测模型,以剪枝的方式每次去掉一个标签,并将去掉该标签后得到的信息熵确定为被去掉的标签的信息熵,以此类推,每次去掉一个标签,进而得到每个标签的信息熵。
具体地,采用下述公式根据每个当前贡献参数计算每个当前标签的信息熵:
其中,H(xn)表示当前标签xn的信息熵,pn表示当前标签xn的贡献参数,i=1,2,...,n,n为正整数。
需要说明的是,pn可以从所述预测模型中直接获取,属于模型的中间参数。
S14,根据每个标签的信息熵计算每个标签的信息增益。
在本发明的至少一个实施例中,采用下述公式根据每个标签的信息熵计算每个标签的信息增益:
其中,IG(tm)表示标签tm的信息增益,T表示所有标签构成的标签集合,Entropy(T)表示所述标签集合中标签的总信息熵,Entropy(tm)表示标签tm的信息熵,m为正整数。
其中,Entropy(T)为所述预测模型保留所有标签时(即不去掉任何标签时)得到信息熵。
S15,根据每个标签的信息增益生成课程推荐列表。
在本发明的至少一个实施例中,所述根据每个标签的信息增益生成课程推荐列表包括:
从所述至少一个标签中获取所述信息增益大于或者等于配置阈值的标签作为目标标签;
获取带有所述目标标签的课程作为目标课程;
确定每个目标课程带有的所述目标标签的数量;
按照所述目标标签的数量又高到底的顺序对所述目标课程进行排序,得到课程序列;
根据所述课程序列构建所述课程推荐列表。
可以理解的是,由于ID3算法的可解释性,课程中带有的目标标签越多,说明课程与绩效的关联性越高,因此,本实施方式根据标签的数量生成课程推荐列表,能够更加直观的显示课程的重要性,且准确性较高,辅助分析对业绩影响较大的培训课程,以便进行持续追踪,提升业绩和留存,让培训真正做到为团队提升和个人发展助力。
需要说明的是,为了进一步保证数据的安全性,可以将预测模型部署于区块链,以避免数据被恶意篡改。
由以上技术方案可以看出,本发明能够响应于基于根因分析的课程推荐指令,根据所述课程推荐指令获取课程数据,识别所述课程数据中每个课程的标签,根据每个课程的标签及所述课程数据构建训练样本训练预测模型,根据所述预测模型,采用改进的ID3算法计算每个标签的信息熵,根据每个标签的信息熵计算每个标签的信息增益,根据每个标签的信息增益生成课程推荐列表,结合ID3算法对培训课程对绩效的影响进行根因分析,保证了分析结果的可解释性及准确性,辅助分析对业绩影响较大的培训课程,进而结合人工智能手段实现对课程的自动推荐,以便进行持续追踪,提升业绩和留存,让培训真正做到为团队提升和个人发展助力。
如图2所示,是本发明基于根因分析的课程推荐装置的较佳实施例的功能模块图。所述基于根因分析的课程推荐装置11包括获取单元110、识别单元111、训练单元112、计算单元113、生成单元114。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。
响应于基于根因分析的课程推荐指令,获取单元110根据所述课程推荐指令获取课程数据。
在本实施例中,根因分析是一项结构化的问题处理法,用以逐步找出问题的根本原因并加以解决,而不是仅仅关注问题的表征。在本案中,通过根因分析,能够从课程的标签中找到最有价值的标签,进而基于找到的标签进行课程推荐。
在本发明的至少一个实施例中,所述基于根因分析的课程推荐指令可以由需要培训的部门领导触发,或者由安排培训课程的工作人员触发,本发明不限制。
在本实施例中,所述课程数据可以包括,但不限于以下一种或者多种数据的组合:
培训课程标题、培训课程介绍、培训课程时长、课程难易度等。
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课程数据包括:
解析所述课程推荐指令的方法体,得到所述课程推荐指令所携带的信息;
获取预设标签;
根据所述预设标签构建正则表达式;
利用所述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数据库标识;
根据所述数据库标识调取目标数据库,并从所述目标数据库中获取数据作为所述课程数据。
其中,所述基于根因分析的课程推荐指令实质上是一条代码,在所述基于根因分析的课程推荐指令中,根据代码的编写原则,{}之间的内容被称之为所述方法体。
所述预设标签可以进行自定义配置,所述预设标签与数据库标识具有一一对应的关系,例如:所述预设标签可以是ID,进一步以所述预设标签建立正则表达式ID(),并以ID()进行遍历。
通过上实施方式,能够基于正则表达式及预设标签快速确定数据库标识,并进一步利用所述数据库标识调用目标数据库,以便从所述目标数据库中获取所述课程数据。
识别单元111识别所述课程数据中每个课程的标签。
在本发明的至少一个实施例中,所述识别单元111识别所述课程数据中每个课程的标签包括:
对每个课程对应的课程文本进行分词处理;
提取分词处理后的每个课程文本的词袋模型特征;
确定每个课程文本与每个课程的匹配度;
对每个匹配度进行二分类处理,得到高匹配度课程文本及低匹配度课程文本;
基于随机森林算法,计算所述高匹配度课程文本对应的词袋模型特征的第一重要性,及所述低匹配度课程文本对应的词袋模型特征的第二重要性;
按照重要性由高到低的顺序分别对所述第一重要性及所述第二重要性进行排序;
从所述第一重要性中获取排在前预设位的词袋模型特征作为所述高匹配度课程文本的关键词;
从所述第二重要性中获取排在所述前预设位的词袋模型特征作为所述低匹配度课程文本的关键词;
将所述高匹配度课程文本的关键词及所述低匹配度课程文本的关键词确定为每个课程的标签。
其中,对每个匹配度进行二分类处理,得到高匹配度案件争议焦点及低匹配度案件争议焦点包括:
配置预设分值,当有第一课程文本的匹配度大于或者等于所述预设分值时,确定所述第一课程文本为所述高匹配度课程文本;或者当有第二课程文本的匹配度小于所述预设分值时,确定所述第二课程文本为所述低匹配度课程文本。
其中,所述预设分值可以进行自定义配置,例如:80、85等,本发明在此不做限制。
具体地,基于随机森林算法计算所述高匹配度课程文本对应的词袋模型特征的第一重要性,及计算所述低匹配度课程文本对应的词袋模型特征的第二重要性主要基于如下原理:
确定每个词袋模型特征在随机森林中的每颗树上做了多大的贡献,然后对贡献取平均值,最后对比每个词袋模型特征之间的贡献大小,以确定相应的重要性。
通过上述实施方式,能够自动识别每个课程的标签,使课程标签配置的更加准确。
当然,在其他实施例中,也可以同时结合人工标签确定每个课程的标签,本发明不限制。
训练单元112根据每个课程的标签及所述课程数据构建训练样本训练预测模型。
在本发明的至少一个实施例中,所述训练单元112根据每个课程的标签及所述课程数据构建训练样本训练预测模型包括:
将每个课程的标签确定为因子;
从所述课程数据中获取每个课程的标签对应的用户绩效作为训练目标;
根据所述因子及所述训练目标,基于GBDT(Gradient Boosting Decision Tree,梯度提升决策树)算法进行训练,得到所述预测模型。
所述预测模型以课程标签作为变量因子,以用户绩效作为训练目标,能够用于预测用户绩效的达标情况。
在上述实施方式中,以标签向目标不断进行拟合训练,同时,GBDT算法在迭代过程中的每次迭代侧重训练残差大的样本,然后获得多个树模型,通过对多个模型融合后获得最终结果,充分考虑了残差的影响,能够使模型的训练效果更佳。
计算单元113根据所述预测模型,采用改进的ID3(Iterative Dichotomiser3)算法计算每个标签的信息熵。
需要说明的是,由于培训课程与用户绩效并非直接关系,可能包含许多交互及间接的影响,因此,传统的相关性分析不足以解释两者之间的关联。
在机器学习中,决策树是一种预测模型,代表的是一种对象属性与对象值之间的映射关系,每一个节点代表某个对象,树中的每一个分叉路径代表某个可能的属性值,而每一个叶子节点则对应从根节点到该叶子节点所经历的路径所表示的对象的值。决策树的节点过多不但会造成效率降低,也会因杂讯过多损害到准确度,ID3算法的核心在于用尽量用较少的东西做更多的事,因此,本实施例利用ID3算法对决策树进行剪枝,以保持决策树的干净及效率。
在信息论中,期望信息越小,那么信息增益就越大,从而纯度就越高,ID3算法的核心思想就是以信息增益来度量属性的选择,即选择分裂后信息增益最大的属性进行分裂,并采用从上至下的贪婪搜索遍历可能的决策空间。
在本实施例中,信息熵代表着整体系统的信息混乱度,用于确定每个节点所带来的有效信息量。当一个特征作为节点加入决策树后,如果带来的信息是有增益的,则信息混乱度会降低,该特征就越重要;反之,一个系统越混乱,信息熵就越高。所以,信息熵可以被认为是系统有序化程度的一个度量。
在本发明的至少一个实施例中,所述计算单元113根据所述预测模型,采用改进的ID3算法计算每个标签的信息熵包括:
以回圈方式每次去掉一个标签,并将每次去掉的标签确定为当前标签;
获取每次去掉所述当前标签后所述预测模型的当前贡献参数;
根据每个当前贡献参数计算每个当前标签的信息熵;
整合每次回圈过程中每个当前标签的信息熵,得到每个标签的信息熵。
需要说明的是,ID3算法是一种贪心算法,用来构造决策树,本案将ID3算法与剪枝原理进行结合,以实现对算法的优化。
具体地,以回圈方式每次去掉一个标签,即以每次迭代作为一圈,每圈去掉一个标签,上一圈被去掉的标签在下一圈会被回收回来,以执行回圈方式的剪枝运算。
其中,所述贡献参数是指训练后得到的所述预测模型的预设层级的中间参数。
在本实施例中,所述整合每次回圈过程中每个当前标签的信息熵,得到每个标签的信息熵包括:
根据每个当前标签的信息熵构建映射列表,所述映射列表中存储着每个标签与信息熵的对应关系,即将每次迭代中被去掉的标签与当次迭代得到的信息熵进行映射,得到二者间的对应关系。
在上述实施方式中,结合预测模型,以剪枝的方式每次去掉一个标签,并将去掉该标签后得到的信息熵确定为被去掉的标签的信息熵,以此类推,每次去掉一个标签,进而得到每个标签的信息熵。
具体地,采用下述公式根据每个当前贡献参数计算每个当前标签的信息熵:
其中,H(xn)表示当前标签xn的信息熵,pn表示当前标签xn的贡献参数,i=1,2,...,n,n为正整数。
需要说明的是,pn可以从所述预测模型中直接获取,属于模型的中间参数。
所述计算单元113根据每个标签的信息熵计算每个标签的信息增益。
在本发明的至少一个实施例中,采用下述公式根据每个标签的信息熵计算每个标签的信息增益:
其中,IG(tm)表示标签tm的信息增益,T表示所有标签构成的标签集合,Entropy(T)表示所述标签集合中标签的总信息熵,Entropy(tm)表示标签tm的信息熵,m为正整数。
其中,Entropy(T)为所述预测模型保留所有标签时(即不去掉任何标签时)得到信息熵。
生成单元114根据每个标签的信息增益生成课程推荐列表。
在本发明的至少一个实施例中,所述生成单元114根据每个标签的信息增益生成课程推荐列表包括:
从所述至少一个标签中获取所述信息增益大于或者等于配置阈值的标签作为目标标签;
获取带有所述目标标签的课程作为目标课程;
确定每个目标课程带有的所述目标标签的数量;
按照所述目标标签的数量又高到底的顺序对所述目标课程进行排序,得到课程序列;
根据所述课程序列构建所述课程推荐列表。
可以理解的是,由于ID3算法的可解释性,课程中带有的目标标签越多,说明课程与绩效的关联性越高,因此,本实施方式根据标签的数量生成课程推荐列表,能够更加直观的显示课程的重要性,且准确性较高,辅助分析对业绩影响较大的培训课程,以便进行持续追踪,提升业绩和留存,让培训真正做到为团队提升和个人发展助力。
需要说明的是,为了进一步保证数据的安全性,可以将预测模型部署于区块链,以避免数据被恶意篡改。
由以上技术方案可以看出,本发明能够响应于基于根因分析的课程推荐指令,根据所述课程推荐指令获取课程数据,识别所述课程数据中每个课程的标签,根据每个课程的标签及所述课程数据构建训练样本训练预测模型,根据所述预测模型,采用改进的ID3算法计算每个标签的信息熵,根据每个标签的信息熵计算每个标签的信息增益,根据每个标签的信息增益生成课程推荐列表,结合ID3算法对培训课程对绩效的影响进行根因分析,保证了分析结果的可解释性及准确性,辅助分析对业绩影响较大的培训课程,进而结合人工智能手段实现对课程的自动推荐,以便进行持续追踪,提升业绩和留存,让培训真正做到为团队提升和个人发展助力。
如图3所示,是本发明实现基于根因分析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,例如基于根因分析的课程推荐程序。
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,例如基于根因分析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(例如执行基于根因分析的课程推荐程序等),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根因分析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、识别单元111、训练单元112、计算单元113、生成单元114。
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根因分析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根因分析的课程推荐方法,所述处理器13可执行所述多个指令从而实现:
响应于基于根因分析的课程推荐指令,根据所述课程推荐指令获取课程数据;
识别所述课程数据中每个课程的标签;
根据每个课程的标签及所述课程数据构建训练样本训练预测模型;
根据所述预测模型,采用改进的ID3算法计算每个标签的信息熵;
根据每个标签的信息熵计算每个标签的信息增益;
根据每个标签的信息增益生成课程推荐列表。
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。系统实施例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)
1.一种基于根因分析的课程推荐方法,其特征在于,所述基于根因分析的课程推荐方法包括:
响应于基于根因分析的课程推荐指令,根据所述课程推荐指令获取课程数据;
识别所述课程数据中每个课程的标签;
根据每个课程的标签及所述课程数据构建训练样本训练预测模型;
根据所述预测模型,采用改进的ID3算法计算每个标签的信息熵;
根据每个标签的信息熵计算每个标签的信息增益;
根据每个标签的信息增益生成课程推荐列表。
2.如权利要求1所述的基于根因分析的课程推荐方法,其特征在于,所述根据所述课程推荐指令获取课程数据包括:
解析所述课程推荐指令的方法体,得到所述课程推荐指令所携带的信息;
获取预设标签;
根据所述预设标签构建正则表达式;
利用所述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数据库标识;
根据所述数据库标识调取目标数据库,并从所述目标数据库中获取数据作为所述课程数据。
3.如权利要求1所述的基于根因分析的课程推荐方法,其特征在于,所述识别所述课程数据中每个课程的标签包括:
对每个课程对应的课程文本进行分词处理;
提取分词处理后的每个课程文本的词袋模型特征;
确定每个课程文本与每个课程的匹配度;
对每个匹配度进行二分类处理,得到高匹配度课程文本及低匹配度课程文本;
基于随机森林算法,计算所述高匹配度课程文本对应的词袋模型特征的第一重要性,及所述低匹配度课程文本对应的词袋模型特征的第二重要性;
按照重要性由高到低的顺序分别对所述第一重要性及所述第二重要性进行排序;
从所述第一重要性中获取排在前预设位的词袋模型特征作为所述高匹配度课程文本的关键词;
从所述第二重要性中获取排在所述前预设位的词袋模型特征作为所述低匹配度课程文本的关键词;
将所述高匹配度课程文本的关键词及所述低匹配度课程文本的关键词确定为每个课程的标签。
4.如权利要求1所述的基于根因分析的课程推荐方法,其特征在于,所述根据每个课程的标签及所述课程数据构建训练样本训练预测模型包括:
将每个课程的标签确定为因子;
从所述课程数据中获取每个课程的标签对应的用户绩效作为训练目标;
根据所述因子及所述训练目标,基于GBDT算法进行训练,得到所述预测模型。
5.如权利要求1所述的基于根因分析的课程推荐方法,其特征在于,所述根据所述预测模型,采用改进的ID3算法计算每个标签的信息熵包括:
以回圈方式每次去掉一个标签,并将每次去掉的标签确定为当前标签;
获取每次去掉所述当前标签后所述预测模型的当前贡献参数;
根据每个当前贡献参数计算每个当前标签的信息熵;
整合每次回圈过程中每个当前标签的信息熵,得到每个标签的信息熵。
8.一种基于根因分析的课程推荐装置,其特征在于,所述基于根因分析的课程推荐装置包括:
获取单元,用于响应于基于根因分析的课程推荐指令,根据所述课程推荐指令获取课程数据;
识别单元,用于识别所述课程数据中每个课程的标签;
训练单元,用于根据每个课程的标签及所述课程数据构建训练样本训练预测模型;
计算单元,用于根据所述预测模型,采用改进的ID3算法计算每个标签的信息熵;
所述计算单元,还用于根据每个标签的信息熵计算每个标签的信息增益;
生成单元,用于根据每个标签的信息增益生成课程推荐列表。
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根因分析的课程推荐方法。
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根因分析的课程推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110087880.0A CN112860851B (zh) | 2021-01-22 | 2021-01-22 | 基于根因分析的课程推荐方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110087880.0A CN112860851B (zh) | 2021-01-22 | 2021-01-22 | 基于根因分析的课程推荐方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112860851A true CN112860851A (zh) | 2021-05-28 |
CN112860851B CN112860851B (zh) | 2022-05-06 |
Family
ID=76007943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110087880.0A Active CN112860851B (zh) | 2021-01-22 | 2021-01-22 | 基于根因分析的课程推荐方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112860851B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113656703A (zh) * | 2021-08-31 | 2021-11-16 | 中国平安财产保险股份有限公司 | 基于新上线课程的智能推荐方法、装置、设备及存储介质 |
CN114997263A (zh) * | 2022-04-20 | 2022-09-02 | 平安科技(深圳)有限公司 | 基于机器学习的结训率分析方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101105854A (zh) * | 2007-08-23 | 2008-01-16 | 上海交通大学 | 基于决策树的远程教育环境中学生情况在线检测方法 |
US20130011821A1 (en) * | 2011-04-07 | 2013-01-10 | Tristan Denley | Course recommendation system and method |
CN111160992A (zh) * | 2020-01-02 | 2020-05-15 | 焦点科技股份有限公司 | 一种基于用户画像体系的营销系统 |
CN112035453A (zh) * | 2020-08-27 | 2020-12-04 | 平安科技(深圳)有限公司 | 基于gbdt高阶特征组合的推荐方法、装置及存储介质 |
CN112052396A (zh) * | 2020-09-28 | 2020-12-08 | 中国平安人寿保险股份有限公司 | 课程匹配方法、系统、计算机设备和存储介质 |
-
2021
- 2021-01-22 CN CN202110087880.0A patent/CN112860851B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101105854A (zh) * | 2007-08-23 | 2008-01-16 | 上海交通大学 | 基于决策树的远程教育环境中学生情况在线检测方法 |
US20130011821A1 (en) * | 2011-04-07 | 2013-01-10 | Tristan Denley | Course recommendation system and method |
CN111160992A (zh) * | 2020-01-02 | 2020-05-15 | 焦点科技股份有限公司 | 一种基于用户画像体系的营销系统 |
CN112035453A (zh) * | 2020-08-27 | 2020-12-04 | 平安科技(深圳)有限公司 | 基于gbdt高阶特征组合的推荐方法、装置及存储介质 |
CN112052396A (zh) * | 2020-09-28 | 2020-12-08 | 中国平安人寿保险股份有限公司 | 课程匹配方法、系统、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
HE ZHANG 等: "The Analysis and Optimization of Decision Tree Based on ID3 Algorithm", 《THE 9TH INTERNATIONAL CONFERENCE ON MODELLING, IDENTIFICATION AND CONTROL (ICMIC 2017)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113656703A (zh) * | 2021-08-31 | 2021-11-16 | 中国平安财产保险股份有限公司 | 基于新上线课程的智能推荐方法、装置、设备及存储介质 |
CN113656703B (zh) * | 2021-08-31 | 2023-05-30 | 中国平安财产保险股份有限公司 | 基于新上线课程的智能推荐方法、装置、设备及存储介质 |
CN114997263A (zh) * | 2022-04-20 | 2022-09-02 | 平安科技(深圳)有限公司 | 基于机器学习的结训率分析方法、装置、设备及存储介质 |
CN114997263B (zh) * | 2022-04-20 | 2024-05-07 | 平安科技(深圳)有限公司 | 基于机器学习的结训率分析方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112860851B (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112380359B (zh) | 基于知识图谱的培训资源分配方法、装置、设备及介质 | |
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 | |
CN112860848B (zh) | 信息检索方法、装置、设备及介质 | |
CN112380859A (zh) | 舆情信息的推荐方法、装置、电子设备及计算机存储介质 | |
CN112860851B (zh) | 基于根因分析的课程推荐方法、装置、设备及介质 | |
CN112288337B (zh) | 行为推荐方法、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 | |
CN114511038A (zh) | 虚假新闻检测方法、装置、电子设备及可读存储介质 | |
CN112396547A (zh) | 基于无监督学习的课程推荐方法、装置、设备及介质 | |
CN111985545A (zh) | 基于人工智能的目标数据检测方法、装置、设备及介质 | |
CN112861750B (zh) | 基于拐点检测的视频提取方法、装置、设备及介质 | |
CN114997263A (zh) | 基于机器学习的结训率分析方法、装置、设备及存储介质 | |
CN114756669A (zh) | 问题意图的智能分析方法、装置、电子设备及存储介质 | |
CN114862140A (zh) | 基于行为分析的潜力评估方法、装置、设备及存储介质 | |
CN113591881A (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
CN113344125A (zh) | 长文本匹配识别方法、装置、电子设备及存储介质 | |
CN113204698A (zh) | 新闻主题词生成方法、装置、设备及介质 | |
CN113254814A (zh) | 网络课程视频打标签方法、装置、电子设备及介质 | |
CN112364068A (zh) | 课程标签生成方法、装置、设备及介质 | |
CN112328752B (zh) | 基于搜索内容的课程推荐方法、装置、计算机设备及介质 | |
CN112330080B (zh) | 基于连通图的因子筛选方法、装置、设备及介质 | |
CN113590845B (zh) | 基于知识图谱的文献检索方法、装置、电子设备及介质 | |
CN115146064A (zh) | 意图识别模型优化方法、装置、设备及存储介质 | |
CN114780688A (zh) | 基于规则匹配的文本质检方法、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 |