CN113392200A - 基于用户学习行为的推荐方法及装置 - Google Patents
基于用户学习行为的推荐方法及装置 Download PDFInfo
- Publication number
- CN113392200A CN113392200A CN202110682486.1A CN202110682486A CN113392200A CN 113392200 A CN113392200 A CN 113392200A CN 202110682486 A CN202110682486 A CN 202110682486A CN 113392200 A CN113392200 A CN 113392200A
- Authority
- CN
- China
- Prior art keywords
- user
- feature
- determining
- feature vector
- similarity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- 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
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/194—Calculation of difference between files
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种基于用户学习行为的推荐方法,可以应用于人工智能技术领域。该方法包括:获取数据库题目和用户历史数据,其中,所述用户历史数据包括阅读文章记录和关键字搜索记录;根据所述用户历史数据和预设特征标签确定用户特征画像;根据所述数据库题目和所述预设特征标签确定题目特征向量;计算所述用户特征画像和所述题目特征向量的相似度;根据所述相似度向用户推荐题目。本公开还提供了一种基于用户学习行为的推荐装置、设备、存储介质和程序产品。
Description
技术领域
本公开涉及人工智能领域,具体地涉及一种基于用户学习行为的推荐方法、装置、设备、介质和程序产品。
背景技术
随着信息技术的高速发展,使用计算机等设备进行线上答题的方式越来越普及。
一个示例中,通过随机在题库中抽取题目让答题人作答,然而这种答题方式没有针对性,不能满足对作答人员知识学习情况测试的检验效果。
发明内容
鉴于上述问题,本公开提供了提高一种基于用户学习行为的推荐方法、装置、设备、介质和程序产品。
根据本公开的第一个方面,提供了一种基于用户学习行为的推荐方法,包括:获取数据库题目和用户历史数据,其中,所述用户历史数据包括阅读文章记录和关键字搜索记录;
根据所述用户历史数据和预设特征标签确定用户特征画像;
根据所述数据库题目和所述预设特征标签确定题目特征向量;
计算所述用户特征画像和所述题目特征向量的相似度;
根据所述相似度向用户推荐题目;
其中,所述预设特征标签包括用于表征所述用户历史数据的类型和来源的第一特征参数和用于表征题目特征的第二特征参数,所述用户特征画像为由所述第一特征参数组成的N维特征向量X,用于表征用户的学习行为特征,所述题目特征向量为由所述第二特征参数组成的N维特征向量Y。
根据本公开的实施例,其特征在于,所述预设特征标签包括制度、合规、组织建设、安全、业务、消防、办公、财务、研发和人力,所述根据所述用户历史数据和预设特征标签确定用户特征画像,包括:
根据所述用户历史数据确定阅读文章记录和关键字搜索记录;
根据所述阅读文章记录、所述关键字搜索记录和所述预设特征标签确定N维特征向量X。
根据本公开的实施例,所述根据所述阅读文章记录、所述关键字搜索记录和所述预设特征标签确定N维特征向量X,包括:
统计所述预设特征标签在阅读文章记录和关键字搜索记录出现的第一次数;
根据所述第一次数确定N维特征向量X中的第一特征参数;
根据所述第一特征参数确定N维特征向量X[x1,x2,x3,...,xn]。
根据本公开的实施例,所述根据所述数据库题目和预设特征标签确定题目特征向量,包括:
统计所述预设特征标签在所述数据库题目中的出现的第二次数;
根据所述第二次数确定N维特征向量Y中的第二特征参数;
根据所述第二特征参数确定N维特征向量Y[y1,y2,y3,...,yn]。
根据本公开的实施例,所述计算所述用户特征画像和所述题目特征向量的相似度,包括:
计算N维特征向量X和N维特征向量Y的皮尔逊相关系数;
根据预设权重和所述皮尔逊相关系数确定相似度。
根据本公开的实施例,所述计算N维特征向量X和N维特征向量Y的皮尔逊相关系数,包括:
分别确定第一特征参数和第二特征参数的均值;
根据所述第一特征参数、所述第二特征参数和所述均值确定皮尔逊相关系数。
根据本公开的实施例,所述根据所述相似度向用户推荐题目,包括:
获取用户对应的数据库题目的相似度;
根据所述相似度确定相似度数组;
对所述相似度数组进行降序排序;
获取排序后相似度数组中前i个题目作为待推荐题目向用户推荐。
本公开的第二方面提供了一种基于用户学习行为的推荐装置,包括:获取模块,用于获取数据库题目和用户历史数据,其中,所述用户历史数据包括阅读文章记录和关键字搜索记录;
第一确定模块,用于根据所述用户历史数据和预设特征标签确定用户特征画像;
第二确定模块,用于根据所述数据库题目和所述预设特征标签确定题目特征向量;
计算模块,用于计算所述用户特征画像和所述题目特征向量的相似度;以及
推荐模块,用于根据所述相似度向用户推荐题目;
其中,所述预设特征标签包括用于表征所述用户历史数据的类型和来源的第一特征参数和用于表征题目特征的第二特征参数,所述用户特征画像为由所述第一特征参数组成的N维特征向量X,用于表征用户的学习行为特征,所述题目特征向量为由所述第二特征参数组成的N维特征向量Y。
本公开的第三方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行上述基于用户学习行为的推荐方法。
本公开的第四方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述基于用户学习行为的推荐方法。
本公开的第五方面还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述基于用户学习行为的推荐方法。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的基于用户学习行为的推荐方法的应用场景图;
图2示意性示出了根据本公开实施例的基于用户学习行为的推荐方法的流程图;
图3示意性示出了根据本公开实施例的另一基于用户学习行为的推荐方法的流程图;
图4示意性示出了根据相似度向用户推荐题目的流程图;
图5示意性示出了根据本公开实施例的基于用户学习行为的推荐装置的结构框图;以及
图6示意性示出了根据本公开实施例的适于实现基于用户学习行为的推荐方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
需要说明的是,本公开确定的基于用户学习行为的推荐方法和装置可用于金融领域,也可用于除金融领域之外的任意领域,本公开的方法和装置的应用领域不做限定。
在本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
随着信息技术的发展,使用计算机或其他终端设备进行线上答题的方式越来越普及。一个示例中,通常采用从题库中随机抽选题目让答题人作答,对于不同的答题人采用的题目相同,这种答题方式缺乏针对性,不能满足对作答人员知识学习情况测试的检验效果。
基于以上技术问题,本公开的实施例提供了一种基于用户学习行为的推荐方法,包括:
获取数据库题目和用户历史数据,其中,用户历史数据包括阅读文章记录和关键字搜索记录;根据用户历史数据和预设特征标签确定用户特征画像;根据数据库题目和预设特征标签确定题目特征向量;计算用户特征画像和题目特征向量的相似度;根据相似度向用户推荐题目;其中,预设特征标签包括用于表征用户历史数据的类型和来源的第一特征参数和用于表征题目特征的第二特征参数,用户特征画像为由第一特征参数组成的N维特征向量X,用于表征用户的学习行为特征,题目特征向量为由第二特征参数组成的N维特征向量Y。
图1示意性示出了根据本公开实施例的基于用户学习行为的推荐方法的应用场景图。
如图1所示,根据该实施例的应用场景100可以包括终端设备101、102、103、网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、答题类应用等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户数据进行分析处理,例如用户的阅读文章记录和关键字搜索记录等学习行为数据,并将处理结果(例如根据用户学习行为数据获取或生成的推荐信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的基于用户学习行为的推荐方法一般可以由服务器105执行。相应地,本公开实施例所提供的基于用户学习行为的推荐装置一般可以设置于服务器105中。本公开实施例所提供的基于用户学习行为的推荐方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的基于用户学习行为的推荐装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景,通过图2~图6对公开实施例的基于用户学习行为的推荐方法进行详细描述。
图2示意性示出了根据本公开实施例的基于用户学习行为的推荐方法的流程图。
如图2所示,该实施例的基于用户学习行为的推荐方法包括操作S210~操作S250,该处理方法的执行主体可以是后台系统或服务器,也可以是执行本方法的装置或设备,本公开实施例以后台系统为执行主体进行说明。
在操作S210,获取数据库题目和用户历史数据,其中,用户历史数据包括阅读文章记录和关键字搜索记录。
一个示例中,后台系统可以获取用户阅读文章的记录和搜索记录等用户历史数据,进而获取用户的学习行为数据,通过这些数据可以建立用户画像。数据库题目可以定期更新,用户历史数据随用户实际学习行为习惯不定期更新。
在操作S220,根据用户历史数据和预设特征标签确定用户特征画像。
根据本公开实施例,预设特征标签包括用于表征用户历史数据的类型和来源的第一特征参数,而用户特征画像为由第一特征参数组成的N维特征向量X。
一个示例中,按照预设特征标签,结合根据操作S210得到的用户历史数据,可以确定用户的第一特征参数,第一特征参数可以用来表征用户的学习行为特征,进而确定用户特征画像。特征标签是根据学习组织者的测试目的预先设定的,在本公开实施例中,预设特征标签为制度、合规、组织建设、安全、业务、消防、办公、财务、研发、人力等。
在操作S230,根据数据库题目和预设特征标签确定题目特征向量。
一个示例中,根据预设特征标签和数据库题目可以确定该题目的特征向量,具体的,根据数据库题目和预设特征标签确定用于表征题目特征的第二特征参数,进而确定题目特征向量,即题目特征向量为由第二特征参数组成的N维特征向量Y。经过操作S230,每一数据库题目可以唯一确定一个题目特征向量Y,不同题目对应的题目特征向量Y可以相同也可以不同,当两个题目的特征向量相同时,则表征两个题目的类型相同。
在操作S240,计算用户特征画像和题目特征向量的相似度。
计算在操作S230得到的N维特征向量X和操作S230得到的题目特征向量Y的相似度,可以确定n个相似度,n为数据库中的题目数量。
在操作S250,根据相似度向用户推荐题目。
一个示例中,在操作S240之后,可以得到n个相似度,根据相似度对题目进行排序,根据排序后的题目向用户推荐。例如,某一相似度越接近1,则表示该题目与该用户强相关,用户与题目之间就越匹配,某一相似度越接近0,则表示该题目与用户不相关。
根据本公开实施例,通过用户历史数据等用户的学习行为确定用户特征画像,通过计算用户特征画像和题目特征向量的相似度,可以确定数据库中各题目与用户的匹配度,进而根据相似度向用户推荐题目,根据本公开实施例提供的方法向用户推荐的题目更有针对性,可以掌握答题人员的学习情况,同时提高答题人员的学习积极性。
图3示意性示出了根据本公开实施例的另一基于用户学习行为的推荐方法的流程图。
如图3所示,该实施例的基于用户学习行为的推荐方法包括操作S310~操作S370。
在操作S310,获取数据库题目和用户历史数据,其中,用户历史数据包括阅读文章记录和关键字搜索记录。
操作S310具体的技术方案与技术原理与图2所示的操作S210相同,不再赘述。
在操作S320,根据用户历史数据确定阅读文章记录和关键字搜索记录。
一个示例中,根据S310获取到的用户历史数据可以确定用户的学习行为,具体包括用户阅读文章的记录和用户关键字检索记录,根据用户历史数据可以确定用户的学习记录,进一步缩小该用户的考察范围。
在操作S330,根据阅读文章记录、关键字搜索记录和预设特征标签确定N维特征向量X。
根据本公开实施例,预设特征标签包括制度、合规、组织建设、安全、业务、消防、办公、财务、研发和人力10个特征标签。特征标签的数量和内容可以根据具体需求作出相应更改。
一个示例中,根据操作S320得到的用户的阅读文章记录、关键字搜索记录和预设特征标签可以确定用户的特征画像,用户特征画像由第一特征参数组成的N维特征向量X表示,由于本实施例中特征标签的数量为10个,相应地,可以根据特征标签建立10维特征向量。
以下为确定N维特征向量X的具体步骤:
在第一步骤,统计预设特征标签在阅读文章记录和关键字搜索记录出现的第一次数。
在第二步骤,根据第一次数确定N维特征向量X中的第一特征参数。
在第三步骤,根据第一特征参数确定N维特征向量X[x1,x2,x3,...,xn]。
一个示例中,根据10个特征标签,统计这些标签在阅读文章记录和关键字搜索记录中出现的第一次数,根据第一次数确定第一特征参数,进而确定10维特征向量X。例如,“制度”这一标签在阅读文章记录和关键字搜索记录中出现的次数为5次,则确定第一特征参数x1为5,同样的,根据其他特征标签对应的第一次数确定第一特征参数,将这些第一特征参数按照特征标签顺序排列即可组成10维特征向量X[x1,x2,x3,...,x10]。
在操作S340,根据数据库题目和预设特征标签确定题目特征向量。
题目特征向量的确定方法与操作S330相似,同样包括以下步骤:
在第一步骤,统计预设特征标签在数据库题目中的出现的第二次数。
在第二步骤,根据第二次数确定N维特征向量Y中的第二特征参数。
在第三步骤,根据第二特征参数确定N维特征向量Y[y1,y2,y3,...,yn]。
一个示例中,首先统计10个特征标签分别在数据库题目中出现的第二次数,根据该第二次数确定N维特征向量Y中的第二特征参数,进而确定10维特征向量Y[y1,y2,y3,...,yn]。
在操作S350,计算N维特征向量X和N维特征向量Y的皮尔逊相关系数。
根据本公开实施例,分别确定第一特征参数和第二特征参数的均值;根据第一特征参数、第二特征参数和均值确定皮尔逊相关系数。
一个示例中,首先计算X和Y的均值:
其中,x1,x2,...,xn为第一特征参数,y1,y2,...,yn为第二特征参数,n为特征标签数量。
根据第一特征参数、第二特征参数和均值确定皮尔逊相关系数。
在操作S360,根据预设权重和皮尔逊相关系数确定相似度。
一个示例中,根据预设权重和操作S350得到的皮尔逊相关系数确定相似度,具体公式为:Similarity=W1*P(X,Y),W1为预设权重,当相似度相近时,即小数点后1位相同时,为更直观的比较相似度的差别,设置一个预设权重对相似度进行放大。
在操作S370,根据相似度向用户推荐题目。
图4示意性示出了根据相似度向用户推荐题目的流程图,如图4所示,操作S370包括操作S371~操作S374。
在操作S371,获取用户对应的数据库题目的相似度。
在操作S372,根据相似度确定相似度数组。
在操作S373,对相似度数组进行降序排序。
在操作S374,获取排序后相似度数组中前i个题目作为待推荐题目向用户推荐,i为正整数。
根据操作S360的方法对所有数据库中k道题目进行批量计算Similarity相似度。根据操作S371得到的相似度组成相似度数组:
SimilarityArray=[S1,S2,S3,S4,S5,...,Sk]
SimilarityArrayTopi=[S1,S2,S3,S4,S5,...,Si]
对该数据进行降序排序,获取相似度最高的前i个题目作为该用户的考试题目向用户推荐,从而使得推荐更有针对性,帮助提升用户学习知识学习积极性和答题效率。
根据本公开实施例,通过预设特征标签和用户历史数据确定第一特征参数,通过预设特征标签和数据库题目确定第二特征参数,计算由第一特征参数和由第二特征参数组成的特征向量的相似度,根据相似度向用户推荐题目,提升知识测试的针对性,提高用户的答题兴趣和效果。
基于上述方法,本公开还提供了一种基于用户学习行为的推荐装置。以下将结合图5对该装置进行详细描述。
图5示意性示出了根据本公开实施例的基于用户学习行为的推荐装置的结构框图。
如图5所示,该实施例的基于用户学习行为的推荐装置500包括获取模块510、第一确定模块520、第二确定模块530、计算模块540和推荐模块550。
获取模块510用于获取数据库题目和用户历史数据,其中,用户历史数据包括阅读文章记录和关键字搜索记录。在一实施例中,获取模块510可以用于执行前文描述的操作S210,在此不再赘述。
第一确定模块520用于根据用户历史数据和预设特征标签确定用户特征画像。在一实施例中,第一确定模块520可以用于执行前文描述的操作S220,在此不再赘述。
第二确定模块530用于根据数据库题目和预设特征标签确定题目特征向量。在一实施例中,第二确定模块530可以用于执行前文描述的操作S230,在此不再赘述。
计算模块540用于计算用户特征画像和题目特征向量的相似度。在一实施例中,计算模块540可以用于执行前文描述的操作S240,在此不再赘述。
推荐模块550用于根据相似度向用户推荐题目。在一实施例中,推荐模块550可以用于执行前文描述的操作S250,在此不再赘述。
根据本公开的实施例,获取模块510、第一确定模块520、第二确定模块530、计算模块540和推荐模块550中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,获取模块510、第一确定模块520、第二确定模块530、计算模块540和推荐模块550中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,获取模块510、第一确定模块520、第二确定模块530、计算模块540和推荐模块550中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图6示意性示出了根据本公开实施例的适于实现基于用户学习行为的推荐方法的电子设备的方框图。
如图6所示,根据本公开实施例的电子设备600包括处理器601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分605加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。处理器601例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器601还可以包括用于缓存用途的板载存储器。处理器601可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 603中,存储有电子设备600操作所需的各种程序和数据。处理器601、ROM602以及RAM 603通过总线604彼此相连。处理器601通过执行ROM 602和/或RAM 603中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 602和RAM 603以外的一个或多个存储器中。处理器601也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备600还可以包括输入/输出(I/O)接口605,输入/输出(I/O)接口605也连接至总线604。电子设备600还可以包括连接至I/O接口605的以下部件中的一项或多项:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分605。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 602和/或RAM 603和/或ROM 602和RAM 603以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本公开实施例所提供的物品推荐方法。
在该计算机程序被处理器601执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分609被下载和安装,和/或从可拆卸介质611被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被处理器601执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (11)
1.一种基于用户学习行为的推荐方法,包括:
获取数据库题目和用户历史数据,其中,所述用户历史数据包括阅读文章记录和关键字搜索记录;
根据所述用户历史数据和预设特征标签确定用户特征画像;
根据所述数据库题目和所述预设特征标签确定题目特征向量;
计算所述用户特征画像和所述题目特征向量的相似度;
根据所述相似度向用户推荐题目;
其中,所述预设特征标签包括用于表征所述用户历史数据的类型和来源的第一特征参数和用于表征题目特征的第二特征参数,所述用户特征画像为由所述第一特征参数组成的N维特征向量X,用于表征用户的学习行为特征,所述题目特征向量为由所述第二特征参数组成的N维特征向量Y。
2.根据权利要求1所述的方法,其特征在于,所述预设特征标签包括制度、合规、组织建设、安全、业务、消防、办公、财务、研发和人力,所述根据所述用户历史数据和预设特征标签确定用户特征画像,包括:
根据所述用户历史数据确定阅读文章记录和关键字搜索记录;
根据所述阅读文章记录、所述关键字搜索记录和所述预设特征标签确定N维特征向量X。
3.根据权利要求2所述的方法,其特征在于,所述根据所述阅读文章记录、所述关键字搜索记录和所述预设特征标签确定N维特征向量X,包括:
统计所述预设特征标签在阅读文章记录和关键字搜索记录出现的第一次数;
根据所述第一次数确定N维特征向量X中的第一特征参数;
根据所述第一特征参数确定N维特征向量X[x1,x2,x3,...,xn]。
4.根据权利要求1所述的方法,其特征在于,所述根据所述数据库题目和预设特征标签确定题目特征向量,包括:
统计所述预设特征标签在所述数据库题目中的出现的第二次数;
根据所述第二次数确定N维特征向量Y中的第二特征参数;
根据所述第二特征参数确定N维特征向量Y[y1,y2,y3,...,yn]。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述计算所述用户特征画像和所述题目特征向量的相似度,包括:
计算N维特征向量X和N维特征向量Y的皮尔逊相关系数;
根据预设权重和所述皮尔逊相关系数确定相似度。
6.根据权利要求5所述的方法,其特征在于,所述计算N维特征向量X和N维特征向量Y的皮尔逊相关系数,包括:
分别确定第一特征参数和第二特征参数的均值;
根据所述第一特征参数、所述第二特征参数和所述均值确定皮尔逊相关系数。
7.根据权利要求5所述的方法,其特征在于,所述根据所述相似度向用户推荐题目,包括:
获取用户对应的数据库题目的相似度;
根据所述相似度确定相似度数组;
对所述相似度数组进行降序排序;
获取排序后相似度数组中前i个题目作为待推荐题目向用户推荐,i为正整数。
8.一种基于用户学习行为的推荐装置,包括:
获取模块,用于获取数据库题目和用户历史数据,其中,所述用户历史数据包括阅读文章记录和关键字搜索记录;
第一确定模块,用于根据所述用户历史数据和预设特征标签确定用户特征画像;
第二确定模块,用于根据所述数据库题目和所述预设特征标签确定题目特征向量;
计算模块,用于计算所述用户特征画像和所述题目特征向量的相似度;以及
推荐模块,用于根据所述相似度向用户推荐题目;
其中,所述预设特征标签包括用于表征所述用户历史数据的类型和来源的第一特征参数和用于表征题目特征的第二特征参数,所述用户特征画像为由所述第一特征参数组成的N维特征向量X,用于表征用户的学习行为特征,所述题目特征向量为由所述第二特征参数组成的N维特征向量Y。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~7中任一项所述的方法。
11.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1~7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110682486.1A CN113392200A (zh) | 2021-06-18 | 2021-06-18 | 基于用户学习行为的推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110682486.1A CN113392200A (zh) | 2021-06-18 | 2021-06-18 | 基于用户学习行为的推荐方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113392200A true CN113392200A (zh) | 2021-09-14 |
Family
ID=77623017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110682486.1A Pending CN113392200A (zh) | 2021-06-18 | 2021-06-18 | 基于用户学习行为的推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113392200A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116226539A (zh) * | 2023-05-04 | 2023-06-06 | 浙江保融科技股份有限公司 | 一种自动化内容推荐方法及系统 |
-
2021
- 2021-06-18 CN CN202110682486.1A patent/CN113392200A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116226539A (zh) * | 2023-05-04 | 2023-06-06 | 浙江保融科技股份有限公司 | 一种自动化内容推荐方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10664540B2 (en) | Domain specific natural language understanding of customer intent in self-help | |
US10129274B2 (en) | Identifying significant anomalous segments of a metrics dataset | |
CN109388548B (zh) | 用于生成信息的方法和装置 | |
US11295366B2 (en) | Matching customer and product behavioral traits | |
US20130325756A1 (en) | Graph-based framework for multi-task multi-view learning | |
US10606910B2 (en) | Ranking search results using machine learning based models | |
WO2019226375A1 (en) | Personalized query formulation for improving searches | |
US11775504B2 (en) | Computer estimations based on statistical tree structures | |
US11030228B2 (en) | Contextual interestingness ranking of documents for due diligence in the banking industry with topicality grouping | |
CN111600874A (zh) | 用户账号检测方法、装置、电子设备、介质和程序产品 | |
CN111104590A (zh) | 信息推荐方法、装置、介质及电子设备 | |
US11593385B2 (en) | Contextual interestingness ranking of documents for due diligence in the banking industry with entity grouping | |
CN113392200A (zh) | 基于用户学习行为的推荐方法及装置 | |
US20180137587A1 (en) | Contextual personalized list of recommended courses | |
Rodzi et al. | The DEMATEL Approach to Analyzing the Factors Influencing University Students' Purchase of Smartphones | |
US11593740B1 (en) | Computing system for automated evaluation of process workflows | |
KR20230059364A (ko) | 언어 모델을 이용한 여론조사 시스템 및 운영 방법 | |
CN113609018A (zh) | 测试方法、训练方法、装置、设备、介质和程序产品 | |
CN113391988A (zh) | 流失用户留存的方法、装置、电子设备及存储介质 | |
US10719202B2 (en) | System for dynamically rendering a graphical user interface | |
CN112348615A (zh) | 用于审核信息的方法和装置 | |
CN111339124A (zh) | 显示数据方法、装置、电子设备和计算机可读介质 | |
CN112818082A (zh) | 评价文本推送方法和装置 | |
US11645683B1 (en) | Using machine learning to identify hidden software issues | |
CN114692970A (zh) | 用户意向预测模型训练方法、用户意向预测方法及装置 |
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 |