CN113407829A - 在线学习资源推荐方法、装置、设备及存储介质 - Google Patents
在线学习资源推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113407829A CN113407829A CN202110667347.1A CN202110667347A CN113407829A CN 113407829 A CN113407829 A CN 113407829A CN 202110667347 A CN202110667347 A CN 202110667347A CN 113407829 A CN113407829 A CN 113407829A
- Authority
- CN
- China
- Prior art keywords
- student
- learning
- sub
- organization
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000008520 organization Effects 0.000 claims abstract description 40
- 230000000694 effects Effects 0.000 claims description 87
- 238000006243 chemical reaction Methods 0.000 claims description 58
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012549 training 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
- G06F16/90—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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种在线学习资源推荐方法、装置、设备及存储介质,其中,该方法通过从多个学员中确定待推荐学员,进而,判断该待推荐学员所在的子组织是否为预设高访问量子组织,如果是,则根据该待推荐学员所在的子组织中各个学员的活跃值,确定目标学员的在线学习课程,从而根据该在线学习课程,对上述待推荐学员进行在线学习资源推荐,即本申请实施例通过对在线学习学员的在线学习数据进行分析研究,提出切实可行的在线学习课程进行推荐,提升用户在线学习的满意度,提高用户体验。而且,本申请实施例综合考虑学员进行在线学习的登录次数、学习次数、登录时长和学习时长等数据来确定要推荐的在线学习资源,提高了后续在线学习资源推荐的准确性。
Description
技术领域
本申请涉及数据分析与信息推荐技术领域,尤其涉及一种在线学习资源推荐方法、装置、设备及存储介质。
背景技术
人们对公平教育的不断探索和线下学习对时间和空间的诸多限制,促进了在线学习领域的蓬勃发展。在线学习可以通过网络将名校名师课程以低廉的价格和快捷的方式分享给数以万计的学习者。同时,快节奏的现代生活使得越来越多的人有了终生学习的需求,但与之冲突的学习时间碎片化,使得占用大片时间的线下学习模式的时空代价超过人们的承受能力。因此,不受时间地点限制、随时随地学习和暂停的线上学习模式,受到越来越多学习者的青睐。
在传统方案中,在线学习平台通常由学习人员直接选择所需的学习内容。其中,学习人员会基于所需的课程或费用、周围人的推荐等信息,在未接触实际学习内容的状态下进行选择。
然而,在学习人员实际接触通过如上所述的方式选择的学习内容后,较大一部分出现满意度低于预期的情况。因此如何给用户较精准地推荐在线学习资源,提高用户体验,成为一个急需解决的问题。
发明内容
为解决现有技术中存在的问题,本申请提供一种在线学习资源推荐方法、装置、设备及存储介质。
第一方面,本申请实施例提供一种在线学习资源推荐方法,该方法包括如下步骤:
从多个学员中确定待推荐学员;
判断所述待推荐学员所在的子组织是否为预设高访问量子组织;
若所述待推荐学员所在的子组织为所述预设高访问量子组织,则根据所述待推荐学员所在的子组织中各个学员的活跃值,确定目标学员的在线学习课程,其中,所述学员i的活跃值根据第一预设时间段内所述学员i进行在线学习的登录次数、学习次数、登录时长和学习时长,以及所述第一预设时间段内所述各个学员进行在线学习的人均登录次数、人均学习次数、人均登录时长和人均学习时长确定,i=1,2,……,n,n等于所述各个学员的数量;
根据所述目标学员的在线学习课程,对所述待推荐学员进行在线学习资源推荐。
在一种可能的实现方式中,所述确定待推荐学员,包括:
获取所述多个学员的所述活跃值;
判断学员j的所述活跃值是否大于第一预设活跃阈值,j=1,2,……,m,m等于所述多个学员的数量;
若所述学员j的所述活跃值小于或等于所述第一预设活跃阈值,则确定所述学员j为所述待推荐学员;
若所述学员j的所述活跃值大于所述第一预设活跃阈值,则判断所述学员j的所述活跃值是否大于第二预设活跃阈值,所述第二预设活跃阈值大于所述第一预设活跃阈值,若所述学员j的所述活跃值小于或等于所述第二预设活跃阈值,则确定所述学员j为所述待推荐学员。
在一种可能的实现方式中,所述判断所述待推荐学员所在的子组织是否为预设高访问量子组织,包括:
获取所述待推荐学员所在的子组织的学习月活量和学习转化率,以及多个子组织的学习月活量和学习转化率,其中,所述学习月活量根据第二预设时间段内至少学习一次的人数确定,所述学习转化率根据第三预设时间段内用户状态为登录用户的用户数量,以及所述第三预设时间段内用户状态为登录用户但第四预设时间段内用户状态为学习用户的用户数量确定;
根据所述待推荐学员所在的子组织的学习月活量、所述多个子组织的学习月活量和第一预设学习阈值,确定第一判断参数值;
根据所述待推荐学员所在的子组织的学习转化率、所述多个子组织的学习转化率和第二预设学习阈值,确定第二判断参数值;
根据所述第一判断参数值和所述第二判断参数值,确定所述待推荐学员所在的子组织是否为所述预设高访问量子组织。
在一种可能的实现方式中,所述根据所述待推荐学员所在的子组织中各个学员的活跃值,确定目标学员的在线学习课程,包括:
判断学员i的所述活跃值是否大于第三预设活跃阈值,所述第三预设活跃阈值大于所述第二预设活跃阈值;
若所述学员i的所述活跃值大于所述第三预设活跃阈值,则确定所述学员i为所述目标学员;
若所述学员i的所述活跃值小于或等于所述第三预设活跃阈值,则判断所述学员i的所述活跃值是否大于所述第二预设活跃阈值,若所述学员i的所述活跃值大于所述第二预设活跃阈值,则确定所述学员i为所述目标学员。
在一种可能的实现方式中,在所述判断所述待推荐学员所在的子组织是否为预设高访问量子组织之后,还包括:
若所述待推荐学员所在的子组织不为所述预设高访问量子组织,则获取多个子组织的学习月活量;
根据获取的多个子组织的学习月活量,确定第一目标子组织,并将所述第一目标子组织作为所述待推荐学员所在的子组织,执行所述根据所述待推荐学员所在的子组织中各个学员的活跃值,确定目标学员的在线学习课程的步骤。
在一种可能的实现方式中,所述方法还包括:
从多个子组织中确定待推荐子组织;
根据所述多个子组织的登录率、学习月活量和学习转化率,确定第二目标子组织的在线学习课程,其中,所述学习月活量根据第二预设时间段内至少学习一次的人数确定,所述学习转化率根据第三预设时间段内用户状态为登录用户的用户数量,以及所述第三预设时间段内用户状态为登录用户但第四预设时间段内用户状态为学习用户的用户数量确定,所述登录率根据第五预设时间段内子组织的登录人数和该子组织的总人数确定;
根据所述第二目标子组织的在线学习课程,对所述待推荐子组织进行在线学习资源推荐。
在一种可能的实现方式中,所述确定待推荐子组织,包括:
获取所述多个子组织的登录率和学习转化率;
根据子组织k的登录率、所述多个子组织的登录率和预设登录阈值,确定第三判断参数值,k=1,2,……,l,l等于所述多个子组织的数量;
根据所述子组织k的学习转化率、所述多个子组织的学习转化率和第三预设学习阈值,确定第四判断参数值;
根据所述第三判断参数值和所述第四判断参数值,确定所述子组织k是否为所述待推荐子组织。
第二方面,本申请实施例提供一种在线学习资源推荐装置,所述装置包括:
第一确定模块,用于从多个学员中确定待推荐学员;
判断模块,用于判断所述待推荐学员所在的子组织是否为预设高访问量子组织;
第二确定模块,用于若所述待推荐学员所在的子组织为所述预设高访问量子组织,则根据所述待推荐学员所在的子组织中各个学员的活跃值,确定目标学员的在线学习课程,其中,所述学员i的活跃值根据第一预设时间段内所述学员i进行在线学习的登录次数、学习次数、登录时长和学习时长,以及所述第一预设时间段内所述各个学员进行在线学习的人均登录次数、人均学习次数、人均登录时长和人均学习时长确定,i=1,2,……,n,n等于所述各个学员的数量;
第一推荐模块,用于根据所述目标学员的在线学习课程,对所述待推荐学员进行在线学习资源推荐。
在一种可能的实现方式中,所述第一确定模块,具体用于:
获取所述多个学员的所述活跃值;
判断学员j的所述活跃值是否大于第一预设活跃阈值,j=1,2,……,m,m等于所述多个学员的数量;
若所述学员j的所述活跃值小于或等于所述第一预设活跃阈值,则确定所述学员j为所述待推荐学员;
若所述学员j的所述活跃值大于所述第一预设活跃阈值,则判断所述学员j的所述活跃值是否大于第二预设活跃阈值,所述第二预设活跃阈值大于所述第一预设活跃阈值,若所述学员j的所述活跃值小于或等于所述第二预设活跃阈值,则确定所述学员j为所述待推荐学员。
在一种可能的实现方式中,所述判断模块,具体用于:
获取所述待推荐学员所在的子组织的学习月活量和学习转化率,以及多个子组织的学习月活量和学习转化率,其中,所述学习月活量根据第二预设时间段内至少学习一次的人数确定,所述学习转化率根据第三预设时间段内用户状态为登录用户的用户数量,以及所述第三预设时间段内用户状态为登录用户但第四预设时间段内用户状态为学习用户的用户数量确定;
根据所述待推荐学员所在的子组织的学习月活量、所述多个子组织的学习月活量和第一预设学习阈值,确定第一判断参数值;
根据所述待推荐学员所在的子组织的学习转化率、所述多个子组织的学习转化率和第二预设学习阈值,确定第二判断参数值;
根据所述第一判断参数值和所述第二判断参数值,确定所述待推荐学员所在的子组织是否为所述预设高访问量子组织。
在一种可能的实现方式中,所述第二确定模块,具体用于:
判断学员i的所述活跃值是否大于第三预设活跃阈值,所述第三预设活跃阈值大于所述第二预设活跃阈值;
若所述学员i的所述活跃值大于所述第三预设活跃阈值,则确定所述学员i为所述目标学员;
若所述学员i的所述活跃值小于或等于所述第三预设活跃阈值,则判断所述学员i的所述活跃值是否大于所述第二预设活跃阈值,若所述学员i的所述活跃值大于所述第二预设活跃阈值,则确定所述学员i为所述目标学员。
在一种可能的实现方式中,所述第二确定模块,还用于:
若所述待推荐学员所在的子组织不为所述预设高访问量子组织,则获取多个子组织的学习月活量;
根据获取的多个子组织的学习月活量,确定第一目标子组织,并将所述第一目标子组织作为所述待推荐学员所在的子组织,执行所述根据所述待推荐学员所在的子组织中各个学员的活跃值,确定目标学员的在线学习课程的步骤。
在一种可能的实现方式中,所述装置还包括:
第三确定模块,用于从多个子组织中确定待推荐子组织;
第四确定模块,用于根据所述多个子组织的登录率、学习月活量和学习转化率,确定第二目标子组织的在线学习课程,其中,所述学习月活量根据第二预设时间段内至少学习一次的人数确定,所述学习转化率根据第三预设时间段内用户状态为登录用户的用户数量,以及所述第三预设时间段内用户状态为登录用户但第四预设时间段内用户状态为学习用户的用户数量确定,所述登录率根据第五预设时间段内子组织的登录人数和该子组织的总人数确定;
第二推荐模块,用于根据所述第二目标子组织的在线学习课程,对所述待推荐子组织进行在线学习资源推荐。
在一种可能的实现方式中,所述第三确定模块,具体用于:
获取所述多个子组织的登录率和学习转化率;
根据子组织k的登录率、所述多个子组织的登录率和预设登录阈值,确定第三判断参数值,k=1,2,……,l,l等于所述多个子组织的数量;
根据所述子组织k的学习转化率、所述多个子组织的学习转化率和第三预设学习阈值,确定第四判断参数值;
根据所述第三判断参数值和所述第四判断参数值,确定所述子组织k是否为所述待推荐子组织。
第三方面,本申请实施例提供一种在线学习资源推荐设备,包括:
处理器;
存储器;以及
计算机程序;
其中,所述计算机程序被存储在所述存储器中,并且被配置为由所述处理器执行,所述计算机程序包括用于执行如第一方面所述的方法的指令。
第四方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序使得服务器执行第一方面所述的方法。
第五方面,本申请实施例提供一种计算机程序产品,包括计算机指令,所述计算机指令被处理器执行第一方面所述的方法。
本申请实施例提供的在线学习资源推荐方法、装置、设备及存储介质,该方法通过从多个学员中确定待推荐学员,进而,判断该待推荐学员所在的子组织是否为预设高访问量子组织,如果是,则根据该待推荐学员所在的子组织中各个学员的活跃值,确定目标学员的在线学习课程,该活跃值根据学员进行在线学习的登录次数、学习次数、登录时长和学习时长等确定,从而根据该目标学员的在线学习课程,对上述待推荐学员进行在线学习资源推荐,即本申请实施例通过对在线学习学员的在线学习数据进行分析研究,提出切实可行的在线学习课程进行推荐,提升用户在线学习的满意度,提高用户体验。而且,本申请实施例综合考虑学员进行在线学习的登录次数、学习次数、登录时长和学习时长等数据来确定要推荐的在线学习资源,提高了后续在线学习资源推荐的准确性。
附图说明
为了更清楚地说明本申请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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的在线学习资源推荐系统架构示意图;
图2为本申请实施例提供的一种在线学习资源推荐方法的流程示意图;
图3为本申请实施例提供的另一种在线学习资源推荐方法的流程示意图;
图4为本申请实施例提供的一种在线学习资源推荐装置的结构示意图;
图5为本申请实施例提供的另一种在线学习资源推荐装置的结构示意图;
图6A为本申请提供的一种在线学习资源推荐设备的基本硬件架构示意图;
图6B为本申请提供的另一种在线学习资源推荐设备的基本硬件架构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”及“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
随着互联网的普及和深度应用,在线学习已经成为教育和知识分享的重要途径。现有用户一般直接根据自身需要选择课程进行在线学习。如果有多种相似的在线学习课程时,用户大多基于周围人的推荐等信息选择课程进行学习。但是在实际在线学习后,有一部分用户会发现在正在学习的课程不适合自己,导致后续需要重新选择课程进行在线学习,用户满意度较低。因此如何给用户较精准地推荐在线学习资源,提高用户体验,成为一个急需解决的问题。
为了解决上述问题,本申请实施例提出一种在线学习资源推荐方法,通过对在线学习学员的在线学习数据进行分析研究,提出切实可行的在线学习课程进行推荐,提升用户在线学习的满意度,提高用户体验。而且,本申请实施例综合考虑学员进行在线学习的登录次数、学习次数、登录时长和学习时长等数据来确定要推荐的在线学习资源,提高了后续在线学习资源推荐的准确性。
可选地,本申请提供的一种在线学习资源推荐方法,可以适用于图1所示的在线学习资源推荐系统架构示意图,如图1所示,该系统可以包括接收单元101、处理器102和显示单元103。
可以理解的是,本申请实施例示意的结构并不构成对在线学习资源推荐系统架构的具体限定。在本申请另一些可行的实施方式中,上述架构可以包括比图示更多或更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置,具体可根据实际应用场景确定,在此不做限制。图1所示的部件可以以硬件,软件,或软件与硬件的组合实现。
在具体实现过程中,接收单元101可以是输入/输出接口,也可以是通信接口,可以用于接收学员的信息和学员所在的子组织的信息等。
处理器102可以从接收单元101获得上述学员的信息和学员所在的子组织的信息等,从而,基于上述信息,对在线学习学员的在线学习数据进行分析研究,提出切实可行的在线学习课程进行推荐,提升用户在线学习的满意度,提高用户体验。而且,处理器102综合考虑学员进行在线学习的登录次数、学习次数、登录时长和学习时长等数据来确定要推荐的在线学习资源,提高了后续在线学习资源推荐的准确性。
显示单元103可以用于对上述学员的信息、学员所在的子组织的信息和上述推荐的在线学习课程等进行显示。
显示单元还可以是触摸显示屏,用于在显示的上述内容的同时接收用户指令,以实现与用户的交互。
应理解,上述处理器可以通过读取存储器中的指令并执行指令的方式实现,也可以通过芯片电路实现。
上述系统仅为一种示例性系统,具体实施时,可以根据应用需求设置。
可以理解的是,本申请实施例示意的结构并不构成对在线学习资源推荐系统架构的具体限定。在本申请另一些可行的实施方式中,上述架构可以包括比图示更多或更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置,具体可根据实际应用场景确定,在此不做限制。图1所示的部件可以以硬件,软件,或软件与硬件的组合实现。
下面以几个实施例为例对本申请的技术方案进行描述,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图2为本申请实施例提供了一种在线学习资源推荐方法的流程示意图,本实施例的执行主体可以为图2所示实施例中的处理器,如图2所示,该方法可以包括:
S201:从多个学员中确定待推荐学员。
这里,上述多个学员可以根据实际情况确定,例如某一企业在线学习的多个学员。进一步地,一个企业的员工分别隶属于不同的子组织,例如隶属于不同的部门,上述多个学员可以是隶属于同一子组织的多个学员,也可以是隶属于不同子组织的多个学员。
示例性的,上述处理器可以首先获取上述多个学员的活跃值,进而,判断学员j的活跃值是否大于第一预设活跃阈值,j=1,2,……,m,m等于上述多个学员的数量。如果学员j的活跃值小于或等于上述第一预设活跃阈值,则上述处理器可以确定学员j为上述待推荐学员。如果学员j的活跃值大于上述第一预设活跃阈值,则上述处理器可以判断学员j的活跃值是否大于第二预设活跃阈值,该第二预设活跃阈值大于上述第一预设活跃阈值。如果学员j的活跃值小于或等于上述第二预设活跃阈值,则上述处理器可以确定学员j为上述待推荐学员。
其中,学员j的活跃值根据预设时间段内学员j进行在线学习的登录次数、学习次数、登录时长和学习时长,以及上述预设时间段内上述学员j所在的子组织中各个学员进行在线学习的人均登录次数、人均学习次数、人均登录时长和人均学习时长确定。
例如活跃值Acti′=(登录次数/预设时间段该子组织人均登录次数+学习次数/预设时间段该子组织人均学习次数+登录时长/预设时间段该子组织人均时长+学习时长/预设时间段该子组织人均时长)/4,i′=1,2,……,I,I为子组织学员数量。
在本申请实施例中,上述处理器判断学员j的活跃值是否大于第一预设活跃阈值,例如0.3。如果学员j的活跃值小于或等于上述第一预设活跃阈值,说明学员j的活跃值较小,学员j为极不活跃的学员,在线学习课程满意度较低,需要进行在线学习资源推荐,因此上述处理器确定学员j为上述待推荐学员。另外,如果学员j的活跃值大于上述第一预设活跃阈值,但是小于或等于第二预设活跃阈值,例如0.7,说明学员j的活跃值也较小,学员j为访问行为较少的学员,在线学习课程满意度也较低,也需要进行在线学习资源推荐,因此上述处理器确定学员j为上述待推荐学员。
这里,上述处理器将极不活跃的学员和访问行为较少的学员作为待推荐学员,后续通过对在线学习学员的在线学习数据进行分析研究,为待推荐学员推荐切实可行的在线学习课程,提升用户在线学习的满意度。
S202:判断上述待推荐学员所在的子组织是否为预设高访问量子组织。
由于高访问量子组织的学员学习的课程具有一定的推荐参考价值,尤其是与上述待推荐学员同高访问量子组织的学员学习的课程,因此,上述处理器判断上述待推荐学员所在的子组织是否为预设高访问量子组织。
示例性的,上述处理器可以获取上述待推荐学员所在的子组织的学习月活量和学习转化率,以及多个子组织的学习月活量和学习转化率,从而,根据上述待推荐学员所在的子组织的学习月活量、上述多个子组织的学习月活量和第一预设学习阈值,确定第一判断参数值,根据上述待推荐学员所在的子组织的学习转化率、上述多个子组织的学习转化率和第二预设学习阈值,确定第二判断参数值,并根据上述第一判断参数值和第二判断参数值,确定上述待推荐学员所在的子组织是否为预设高访问量子组织。
其中,学习月活量根据第二预设时间段内至少学习一次的人数确定,学习转化率根据第三预设时间段内用户状态为登录用户的用户数量,以及第三预设时间段内用户状态为登录用户但第四预设时间段内用户状态为学习用户的用户数量确定。
例如学习月活量可以为一个月内至少学习一次的人数。学习转化率可以为本周期内,登录用户转化为学习用户的比例,该指标是跨时间周期变量。为方便计算,定义两个中间变量a和b,令a=上个统计周期中用户当前状态为“登录用户”的用户数量,令b=上个统计周期中用户当前状态为“登录用户”且本统计周期为“学习用户”的用户数量,令登录转化率=b/a。
这里,学习用户为一段时间期限内(例如1个月)有过学习行为的用户,正常情况下,有学习行为的用户,一定具有登录行为。登录用户为一段时间期限内有过登录行为但没有学习行为的用户。
在本申请实施例中,上述处理器可以根据表达式:
同样,上述处理器可以根据表达式:
进而,上述处理器可以计算上述第一判断参数值与第二判断参数值的乘积,根据该乘积确定上述待推荐学员所在的子组织是否为预设高访问量子组织。例如上述乘积为1,上述处理器确定上述待推荐学员所在的子组织为预设高访问量子组织,否则,确定上述待推荐学员所在的子组织不为预设高访问量子组织。
S203:若上述待推荐学员所在的子组织为上述预设高访问量子组织,则根据上述待推荐学员所在的子组织中各个学员的活跃值,确定目标学员的在线学习课程,其中,学员i的活跃值根据第一预设时间段内学员i进行在线学习的登录次数、学习次数、登录时长和学习时长,以及第一预设时间段内上述各个学员进行在线学习的人均登录次数、人均学习次数、人均登录时长和人均学习时长确定,i=1,2,......,n,n等于上述各个学员的数量。
这里,如果上述待推荐学员所在的子组织为上述预设高访问量子组织,则上述处理器可以直接根据上述待推荐学员所在的子组织的学员学习的课程进行推荐。示例性的,上述处理器可以根据上述待推荐学员所在的子组织中各个学员的活跃值,确定目标学员的在线学习课程,从而,基于该目标学员的在线学习课程,对上述待推荐学员进行在线学习资源推荐。
其中,上述处理器可以判断学员i的活跃值是否大于第三预设活跃阈值,该第三预设活跃阈值大于上述第二预设活跃阈值。如果学员i的活跃值大于上述第三预设活跃阈值,则上述处理器确定学员i为上述目标学员。如果学员i的活跃值小于或等于上述第三预设活跃阈值,则上述处理器判断学员i的活跃值是否大于上述第二预设活跃阈值。如果学员i的活跃值大于上述第二预设活跃阈值,则上述处理器确定学员i为上述目标学员。
上述处理器判断学员i的活跃值是否大于第三预设活跃阈值,例如1.2。如果学员i的活跃值大于上述第三预设活跃阈值,说明学员i的活跃值较大,学员i为学习活跃学员,在线学习课程满意度较高,因此上述处理器确定学员i为上述目标学员。另外,如果学员i的活跃值小于或等于上述第三预设活跃阈值,但是大于第二预设活跃阈值,例如0.7,说明学员i的活跃值也较大,学员i为学习行为较多的学员,在线学习课程满意度也较高,因此上述处理器确定学员i为上述目标学员。
S204:根据上述目标学员的在线学习课程,对上述待推荐学员进行在线学习资源推荐。
这里,上述处理器可以将上述目标学员的近期学习过的课程ID存入临时数据库DB1,可以根据课程的学习时长由高到低对DB1中的课程进行,将最高的N个课程ID存入推荐课程数据库DB2,进而,形成推荐课程列表推送给上述待推荐学员,并在上述待推荐学员的热点登录时段进行学习提醒,其中热点登录时段根据上述待推荐学员的登录时段偏好进行计算获取。
其中,上述登录时段偏好可以是统计周期内,该用户登录次数最多的时段。
另外,上述处理器在判断上述待推荐学员所在的子组织是否为预设高访问量子组织之后,如果上述待推荐学员所在的子组织不为预设高访问量子组织,则上述处理器可以获取多个子组织的学习月活量,从而,根据获取的多个子组织的学习月活量,确定第一目标子组织,并将该第一目标子组织作为上述待推荐学员所在的子组织,执行上述根据上述待推荐学员所在的子组织中各个学员的活跃值,确定目标学员的在线学习课程的步骤。
这里,上述处理器根据子组织学习月活量指标,选择学习月活量较高的M个子组织,M值可以由预设人员设定,也可以取系统默认值,例如M=3。然后将该子组织作为上述待推荐学员所在的子组织,执行上述根据上述待推荐学员所在的子组织中各个学员的活跃值,确定目标学员的在线学习课程的步骤。
本申请实施例通过从多个学员中确定待推荐学员,进而,判断该待推荐学员所在的子组织是否为预设高访问量子组织,如果是,则根据该待推荐学员所在的子组织中各个学员的活跃值,确定目标学员的在线学习课程,该活跃值根据学员进行在线学习的登录次数、学习次数、登录时长和学习时长等确定,从而根据该目标学员的在线学习课程,对上述待推荐学员进行在线学习资源推荐,即本申请实施例通过对在线学习学员的在线学习数据进行分析研究,提出切实可行的在线学习课程进行推荐,提升用户在线学习的满意度,提高用户体验。而且,本申请实施例综合考虑学员进行在线学习的登录次数、学习次数、登录时长和学习时长等数据来确定要推荐的在线学习资源,提高了后续在线学习资源推荐的准确性。
另外,本申请实施例除上述为上述待推荐学员进行在线学习资源推荐外,还可以为待推荐子组织进行在线学习资源推荐,满足多种在线学习资源推荐需求。图3为本申请实施例提出的另一种在线学习资源推荐方法的流程示意图。如图3所示,该方法包括:
S301:从多个子组织中确定待推荐子组织。
这里,上述多个子组织可以根据实际情况确定,例如一个企业的员工分别隶属于不同的部门,即隶属于不同的子组织。上述处理器可以将一个企业的多个部门作为上述多个子组织。
示例性的,上述处理器可以获取上述多个子组织的登录率和学习转化率,进而根据子组织k的登录率、上述多个子组织的登录率和预设登录阈值,确定第三判断参数值,k=1,2,......,l,l等于上述多个子组织的数量,根据上述子组织k的学习转化率、上述多个子组织的学习转化率和第三预设学习阈值,确定第四判断参数值,并根据上述第三判断参数值和第四判断参数值,确定子组织k是否为上述待推荐子组织。
其中,上述登录率根据预设时间段内子组织的登录人数和该子组织的总人数确定。例如登录率可以等于一时间段内子组织的登录人数与该子组织总人数的比值。
在本申请实施例中,上述处理器可以根据表达式:
同样,上述处理器可以根据表达式:
进而,上述处理器可以计算上述第三判断参数值与第四判断参数值的相加之和,根据该相加之和确定上述子组织k是否为待推荐子组织。例如上述相加之和大于或等于1,上述处理器确定上述子组织k为待推荐子组织,否则,确定上述子组织k不为待推荐子组织。
S302:根据上述多个子组织的登录率、学习月活量和学习转化率,确定第二目标子组织的在线学习课程,其中,学习月活量根据第二预设时间段内至少学习一次的人数确定,学习转化率根据第三预设时间段内用户状态为登录用户的用户数量,以及第三预设时间段内用户状态为登录用户但第四预设时间段内用户状态为学习用户的用户数量确定,登录率根据第五预设时间段内子组织的登录人数和该子组织的总人数确定。
这里,上述处理器可以根据子组织k的登录率、上述多个子组织的登录率和预设登录阈值,确定第五判断参数值,根据上述子组织k的学习月活量、上述多个子组织的学习月活量和第四预设学习阈值,确定第六判断参数值,根据上述子组织k的学习转化率、上述多个子组织的学习转化率和第五预设学习阈值,确定第七判断参数值,并根据上述第五判断参数值、第六判断参数值和第七判断参数值,确定子组织k是否为上述第二目标子组织。
在本申请实施例中,上述处理器可以根据表达式:
同样,上述处理器可以根据表达式:
上述处理器可以根据表达式:
进而,上述处理器可以计算上述第五判断参数值、第六判断参数值和第七判断参数值的乘积,根据该乘积确定上述子组织k是否为第二目标子组织。例如上述乘积等于1,上述处理器确定上述子组织k为第二目标子组织,否则,确定上述子组织k不为第二目标子组织。
S303:根据上述第二目标子组织的在线学习课程,对上述待推荐子组织进行在线学习资源推荐。
这里,上述处理器可以将第二目标子组织的ID存入高访问子组织数据库DB4。对于数据库DB4内的子组织,上述处理器将子组织学员近期学习过的课程ID存入临时数据库DB5,根据课程的学习时长由高到低对DB5中的课程进行,将最高的N个课程ID存入推荐课程数据库DB6,并将推荐课程列表DB6推送给待推荐子组织的培训管理员,供学习参考。
本申请实施例除上述为上述待推荐学员进行在线学习资源推荐外,还可以为待推荐子组织进行在线学习资源推荐,满足多种在线学习资源推荐需求。而且,本申请实施例通过对在线学习学员的在线学习数据进行分析研究,提出切实可行的在线学习课程进行推荐,提升用户在线学习的满意度,提高用户体验。
对应于上文实施例的在线学习资源推荐方法,图4为本申请实施例提供的在线学习资源推荐装置的结构示意图。为了便于说明,仅示出了与本申请实施例相关的部分。图4为本申请实施例提供的一种在线学习资源推荐装置的结构示意图,该在线学习资源推荐装置40包括:第一确定模块401、判断模块402、第二确定模块403以及第一推荐模块404。这里的在线学习资源推荐装置可以是上述处理器本身,或者是实现上述处理器的功能的芯片或者集成电路。这里需要说明的是,第一确定模块、判断模块、第二确定模块以及第一推荐模块的划分只是一种逻辑功能的划分,物理上两者可以是集成的,也可以是独立的。
其中,第一确定模块401,用于从多个学员中确定待推荐学员。
判断模块402,用于判断所述待推荐学员所在的子组织是否为预设高访问量子组织。
第二确定模块403,用于若所述待推荐学员所在的子组织为所述预设高访问量子组织,则根据所述待推荐学员所在的子组织中各个学员的活跃值,确定目标学员的在线学习课程,其中,学员i的活跃值根据第一预设时间段内所述学员i进行在线学习的登录次数、学习次数、登录时长和学习时长,以及所述第一预设时间段内所述各个学员进行在线学习的人均登录次数、人均学习次数、人均登录时长和人均学习时长确定,i=1,2,……,n,n等于所述各个学员的数量。
第一推荐模块404,用于根据所述目标学员的在线学习课程,对所述待推荐学员进行在线学习资源推荐。
在一种可能的实现方式中,所述第一确定模块401,具体用于:
获取所述多个学员的所述活跃值;
判断学员j的所述活跃值是否大于第一预设活跃阈值,j=1,2,……,m,m等于所述多个学员的数量;
若所述学员j的所述活跃值小于或等于所述第一预设活跃阈值,则确定所述学员j为所述待推荐学员;
若所述学员j的所述活跃值大于所述第一预设活跃阈值,则判断所述学员j的所述活跃值是否大于第二预设活跃阈值,所述第二预设活跃阈值大于所述第一预设活跃阈值,若所述学员j的所述活跃值小于或等于所述第二预设活跃阈值,则确定所述学员j为所述待推荐学员。
在一种可能的实现方式中,所述判断模块402,具体用于:
获取所述待推荐学员所在的子组织的学习月活量和学习转化率,以及多个子组织的学习月活量和学习转化率,其中,所述学习月活量根据第二预设时间段内至少学习一次的人数确定,所述学习转化率根据第三预设时间段内用户状态为登录用户的用户数量,以及所述第三预设时间段内用户状态为登录用户但第四预设时间段内用户状态为学习用户的用户数量确定;
根据所述待推荐学员所在的子组织的学习月活量、所述多个子组织的学习月活量和第一预设学习阈值,确定第一判断参数值;
根据所述待推荐学员所在的子组织的学习转化率、所述多个子组织的学习转化率和第二预设学习阈值,确定第二判断参数值;
根据所述第一判断参数值和所述第二判断参数值,确定所述待推荐学员所在的子组织是否为所述预设高访问量子组织。
在一种可能的实现方式中,所述第二确定模块403,具体用于:
判断学员i的所述活跃值是否大于第三预设活跃阈值,所述第三预设活跃阈值大于所述第二预设活跃阈值;
若所述学员i的所述活跃值大于所述第三预设活跃阈值,则确定所述学员i为所述目标学员;
若所述学员i的所述活跃值小于或等于所述第三预设活跃阈值,则判断所述学员i的所述活跃值是否大于所述第二预设活跃阈值,若所述学员i的所述活跃值大于所述第二预设活跃阈值,则确定所述学员i为所述目标学员。
在一种可能的实现方式中,所述第二确定模块403,还用于:
若所述待推荐学员所在的子组织不为所述预设高访问量子组织,则获取多个子组织的学习月活量;
根据获取的多个子组织的学习月活量,确定第一目标子组织,并将所述第一目标子组织作为所述待推荐学员所在的子组织,执行所述根据所述待推荐学员所在的子组织中各个学员的活跃值,确定目标学员的在线学习课程的步骤。
本申请实施例提供的装置,可用于执行上述图2方法实施例的技术方案,其实现原理和技术效果类似,本申请实施例此处不再赘述。
图5为本申请实施例提供的另一种在线学习资源推荐装置的结构示意图。在图4基础上,上述在线学习资源推荐装置40还包括:第三确定模块405、第四确定模块406和第二推荐模块407。
其中,第三确定模块405,用于从多个子组织中确定待推荐子组织。
第四确定模块406,用于根据所述多个子组织的登录率、学习月活量和学习转化率,确定第二目标子组织的在线学习课程,其中,所述学习月活量根据第二预设时间段内至少学习一次的人数确定,所述学习转化率根据第三预设时间段内用户状态为登录用户的用户数量,以及所述第三预设时间段内用户状态为登录用户但第四预设时间段内用户状态为学习用户的用户数量确定,所述登录率根据第五预设时间段内子组织的登录人数和该子组织的总人数确定。
第二推荐模块407,用于根据所述第二目标子组织的在线学习课程,对所述待推荐子组织进行在线学习资源推荐。
在一种可能的实现方式中,所述第三确定模块405,具体用于:
获取所述多个子组织的登录率和学习转化率;
根据子组织k的登录率、所述多个子组织的登录率和预设登录阈值,确定第三判断参数值,k=1,2,……,l,l等于所述多个子组织的数量;
根据所述子组织k的学习转化率、所述多个子组织的学习转化率和第三预设学习阈值,确定第四判断参数值;
根据所述第三判断参数值和所述第四判断参数值,确定所述子组织k是否为所述待推荐子组织。
本申请实施例提供的装置,可用于执行上述图3方法实施例的技术方案,其实现原理和技术效果类似,本申请实施例此处不再赘述。
可选地,图6A和6B示意性地分别提供本申请所述在线学习资源推荐设备的一种可能的基本硬件架构。
参见图6A和6B,在线学习资源推荐设备包括至少一个处理器601以及通信接口603。进一步可选的,还可以包括存储器602和总线604。
其中,在线学习资源推荐设备中,处理器601的数量可以是一个或多个,图6A和6B仅示意了其中一个处理器601。可选地,处理器601,可以是中央处理器(centralprocessing unit,CPU)、图形处理器(graphics processing unit,GPU)或者数字信号处理器(digital signal processor,DSP)。如果在线学习资源推荐设备具有多个处理器601,多个处理器601的类型可以不同,或者可以相同。可选地,在线学习资源推荐设备的多个处理器601还可以集成为多核处理器。
存储器602存储计算机指令和数据;存储器602可以存储实现本申请提供的上述在线学习资源推荐方法所需的计算机指令和数据,例如,存储器602存储用于实现上述在线学习资源推荐方法的步骤的指令。存储器602可以是以下存储介质的任一种或任一种组合:非易失性存储器(例如只读存储器(ROM)、固态硬盘(SSD)、硬盘(HDD)、光盘),易失性存储器。
通信接口603可以为所述至少一个处理器提供信息输入/输出。也可以包括以下器件的任一种或任一种组合:网络接口(例如以太网接口)、无线网卡等具有网络接入功能的器件。
可选的,通信接口603还可以用于在线学习资源推荐设备与其它计算设备或者终端进行数据通信。
进一步可选的,图6A和6B用一条粗线表示总线604。总线604可以将处理器601与存储器602和通信接口603连接。这样,通过总线604,处理器601可以访问存储器602,还可以利用通信接口603与其它计算设备或者终端进行数据交互。
在本申请中,在线学习资源推荐设备执行存储器602中的计算机指令,使得在线学习资源推荐设备实现本申请提供的上述在线学习资源推荐方法,或者使得在线学习资源推荐设备部署上述的在线学习资源推荐装置。
从逻辑功能划分来看,示例性的,如图6A所示,存储器602中可以包括第一确定模块401、判断模块402、第二确定模块403以及第一推荐模块404。这里的包括仅仅涉及存储器中所存储的指令被执行时可以分别实现第一确定模块、判断模块、第二确定模块以及第一推荐模块的功能,而不限定是物理上的结构。
一种可能设计,如图6B所示,存储器602中包括第三确定模块405、第四确定模块406和第二推荐模块407,这里的包括仅仅涉及存储器中所存储的指令被执行时可以分别实现第三确定模块、第四确定模块和第二推荐模块的功能,而不限定是物理上的结构。
另外,上述的在线学习资源推荐装置除了可以像上述图6A和6B通过软件实现外,也可以作为硬件模块,或者作为电路单元,通过硬件实现。
本申请提供一种计算机可读存储介质,所述计算机程序产品包括计算机指令,所述计算机指令指示计算设备执行本申请提供的上述在线学习资源推荐方法。
本申请实施例提供一种计算机程序产品,包括计算机指令,所述计算机指令被处理器执行本申请提供的上述在线学习资源推荐方法。
本申请提供一种芯片,包括至少一个处理器和通信接口,所述通信接口为所述至少一个处理器提供信息输入和/或输出。进一步,所述芯片还可以包含至少一个存储器,所述存储器用于存储计算机指令。所述至少一个处理器用于调用并运行该计算机指令,以执行本申请提供的上述在线学习资源推荐方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元来实现本实施例方案的目的。
Claims (11)
1.一种在线学习资源推荐方法,其特征在于,包括:
从多个学员中确定待推荐学员;
判断所述待推荐学员所在的子组织是否为预设高访问量子组织;
若所述待推荐学员所在的子组织为所述预设高访问量子组织,则根据所述待推荐学员所在的子组织中各个学员的活跃值,确定目标学员的在线学习课程,其中,学员i的活跃值根据第一预设时间段内所述学员i进行在线学习的登录次数、学习次数、登录时长和学习时长,以及所述第一预设时间段内所述各个学员进行在线学习的人均登录次数、人均学习次数、人均登录时长和人均学习时长确定,i=1,2,……,n,n等于所述各个学员的数量;
根据所述目标学员的在线学习课程,对所述待推荐学员进行在线学习资源推荐。
2.根据权利要求1所述的方法,其特征在于,所述从多个学员中确定待推荐学员,包括:
获取所述多个学员的所述活跃值;
判断学员j的所述活跃值是否大于第一预设活跃阈值,j=1,2,……,m,m等于所述多个学员的数量;
若所述学员j的所述活跃值小于或等于所述第一预设活跃阈值,则确定所述学员j为所述待推荐学员;
若所述学员j的所述活跃值大于所述第一预设活跃阈值,则判断所述学员j的所述活跃值是否大于第二预设活跃阈值,所述第二预设活跃阈值大于所述第一预设活跃阈值,若所述学员j的所述活跃值小于或等于所述第二预设活跃阈值,则确定所述学员j为所述待推荐学员。
3.根据权利要求1所述的方法,其特征在于,所述判断所述待推荐学员所在的子组织是否为预设高访问量子组织,包括:
获取所述待推荐学员所在的子组织的学习月活量和学习转化率,以及多个子组织的学习月活量和学习转化率,其中,所述学习月活量根据第二预设时间段内至少学习一次的人数确定,所述学习转化率根据第三预设时间段内用户状态为登录用户的用户数量,以及所述第三预设时间段内用户状态为登录用户但第四预设时间段内用户状态为学习用户的用户数量确定;
根据所述待推荐学员所在的子组织的学习月活量、所述多个子组织的学习月活量和第一预设学习阈值,确定第一判断参数值;
根据所述待推荐学员所在的子组织的学习转化率、所述多个子组织的学习转化率和第二预设学习阈值,确定第二判断参数值;
根据所述第一判断参数值和所述第二判断参数值,确定所述待推荐学员所在的子组织是否为所述预设高访问量子组织。
4.根据权利要求2所述的方法,其特征在于,所述根据所述待推荐学员所在的子组织中各个学员的活跃值,确定目标学员的在线学习课程,包括:
判断学员i的所述活跃值是否大于第三预设活跃阈值,所述第三预设活跃阈值大于所述第二预设活跃阈值;
若所述学员i的所述活跃值大于所述第三预设活跃阈值,则确定所述学员i为所述目标学员;
若所述学员i的所述活跃值小于或等于所述第三预设活跃阈值,则判断所述学员i的所述活跃值是否大于所述第二预设活跃阈值,若所述学员i的所述活跃值大于所述第二预设活跃阈值,则确定所述学员i为所述目标学员。
5.根据权利要求1至4中任一项所述的方法,其特征在于,在所述判断所述待推荐学员所在的子组织是否为预设高访问量子组织之后,还包括:
若所述待推荐学员所在的子组织不为所述预设高访问量子组织,则获取多个子组织的学习月活量;
根据获取的多个子组织的学习月活量,确定第一目标子组织,并将所述第一目标子组织作为所述待推荐学员所在的子组织,执行所述根据所述待推荐学员所在的子组织中各个学员的活跃值,确定目标学员的在线学习课程的步骤。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
从多个子组织中确定待推荐子组织;
根据所述多个子组织的登录率、学习月活量和学习转化率,确定第二目标子组织的在线学习课程,其中,所述学习月活量根据第二预设时间段内至少学习一次的人数确定,所述学习转化率根据第三预设时间段内用户状态为登录用户的用户数量,以及所述第三预设时间段内用户状态为登录用户但第四预设时间段内用户状态为学习用户的用户数量确定,所述登录率根据第五预设时间段内子组织的登录人数和该子组织的总人数确定;
根据所述第二目标子组织的在线学习课程,对所述待推荐子组织进行在线学习资源推荐。
7.根据权利要求6所述的方法,其特征在于,所述从多个子组织中确定待推荐子组织,包括:
获取所述多个子组织的登录率和学习转化率;
根据子组织k的登录率、所述多个子组织的登录率和预设登录阈值,确定第三判断参数值,k=1,2,……,l,l等于所述多个子组织的数量;
根据所述子组织k的学习转化率、所述多个子组织的学习转化率和第三预设学习阈值,确定第四判断参数值;
根据所述第三判断参数值和所述第四判断参数值,确定所述子组织k是否为所述待推荐子组织。
8.一种在线学习资源推荐装置,其特征在于,包括:
第一确定模块,用于从多个学员中确定待推荐学员;
判断模块,用于判断所述待推荐学员所在的子组织是否为预设高访问量子组织;
第二确定模块,用于若所述待推荐学员所在的子组织为所述预设高访问量子组织,则根据所述待推荐学员所在的子组织中各个学员的活跃值,确定目标学员的在线学习课程,其中,学员i的活跃值根据第一预设时间段内所述学员i进行在线学习的登录次数、学习次数、登录时长和学习时长,以及所述第一预设时间段内所述各个学员进行在线学习的人均登录次数、人均学习次数、人均登录时长和人均学习时长确定,i=1,2,……,n,n等于所述各个学员的数量;
第一推荐模块,用于根据所述目标学员的在线学习课程,对所述待推荐学员进行在线学习资源推荐。
9.一种在线学习资源推荐设备,其特征在于,包括:
处理器;
存储器;以及
计算机程序;
其中,所述计算机程序被存储在所述存储器中,并且被配置为由所述处理器执行,所述计算机程序包括用于执行如权利要求1-7任一项所述的方法的指令。
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存储有计算机程序,所述计算机程序使得服务器执行权利要求1-7任一项所述的方法。
11.一种计算机程序产品,其特征在于,包括计算机指令,所述计算机指令被处理器执行权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110667347.1A CN113407829B (zh) | 2021-06-16 | 2021-06-16 | 在线学习资源推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110667347.1A CN113407829B (zh) | 2021-06-16 | 2021-06-16 | 在线学习资源推荐方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113407829A true CN113407829A (zh) | 2021-09-17 |
CN113407829B CN113407829B (zh) | 2023-06-27 |
Family
ID=77684385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110667347.1A Active CN113407829B (zh) | 2021-06-16 | 2021-06-16 | 在线学习资源推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113407829B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117788124A (zh) * | 2024-02-26 | 2024-03-29 | 山东街景智能制造科技股份有限公司 | 一种用于定制化产品的数据管理系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013040090A1 (en) * | 2011-09-13 | 2013-03-21 | Monk Akarshala Design Private Limited | Tutor registration systems and methods in a modular learning system |
CN104038517A (zh) * | 2013-03-05 | 2014-09-10 | 腾讯科技(深圳)有限公司 | 基于群组关系的信息推送方法以及服务器 |
CN106096059A (zh) * | 2016-07-11 | 2016-11-09 | 上海亿保健康管理有限公司 | 一种基于场景推送信息的方法 |
CN107293169A (zh) * | 2017-08-10 | 2017-10-24 | 苏州华源教育信息科技有限公司 | 一种远程授课培训系统 |
US20180247549A1 (en) * | 2017-02-21 | 2018-08-30 | Scriyb LLC | Deep academic learning intelligence and deep neural language network system and interfaces |
CN109741219A (zh) * | 2018-12-12 | 2019-05-10 | 中国联合网络通信集团有限公司 | 一种学习行为分析方法及装置 |
CN109740861A (zh) * | 2018-12-12 | 2019-05-10 | 中国联合网络通信集团有限公司 | 一种学习数据分析方法及装置 |
CN112861019A (zh) * | 2021-01-27 | 2021-05-28 | 山东师范大学 | 基于惩罚课程热力度和用户活跃度的课程推荐方法及系统 |
-
2021
- 2021-06-16 CN CN202110667347.1A patent/CN113407829B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013040090A1 (en) * | 2011-09-13 | 2013-03-21 | Monk Akarshala Design Private Limited | Tutor registration systems and methods in a modular learning system |
CN104038517A (zh) * | 2013-03-05 | 2014-09-10 | 腾讯科技(深圳)有限公司 | 基于群组关系的信息推送方法以及服务器 |
CN106096059A (zh) * | 2016-07-11 | 2016-11-09 | 上海亿保健康管理有限公司 | 一种基于场景推送信息的方法 |
US20180247549A1 (en) * | 2017-02-21 | 2018-08-30 | Scriyb LLC | Deep academic learning intelligence and deep neural language network system and interfaces |
CN107293169A (zh) * | 2017-08-10 | 2017-10-24 | 苏州华源教育信息科技有限公司 | 一种远程授课培训系统 |
CN109741219A (zh) * | 2018-12-12 | 2019-05-10 | 中国联合网络通信集团有限公司 | 一种学习行为分析方法及装置 |
CN109740861A (zh) * | 2018-12-12 | 2019-05-10 | 中国联合网络通信集团有限公司 | 一种学习数据分析方法及装置 |
CN112861019A (zh) * | 2021-01-27 | 2021-05-28 | 山东师范大学 | 基于惩罚课程热力度和用户活跃度的课程推荐方法及系统 |
Non-Patent Citations (3)
Title |
---|
HADI EZALDEEN 等: "Semantically enhanced machine learning approach to recommend e-learning content", INTERNATIONAL JOURNAL OF ELECTRONIC BUSINESS, vol. 15, no. 4, pages 389 - 413 * |
李志明 等: "基于混合学习环境的在线学习策略优化――以现代教育技术课程为例", 科技创新与生产力, no. 04, pages 86 - 89 * |
柯楠 等: "基于MOOC平台的课程资源推送服务研究", 陕西广播电视大学学报, vol. 20, no. 04, pages 14 - 16 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117788124A (zh) * | 2024-02-26 | 2024-03-29 | 山东街景智能制造科技股份有限公司 | 一种用于定制化产品的数据管理系统及方法 |
CN117788124B (zh) * | 2024-02-26 | 2024-05-14 | 山东街景智能制造科技股份有限公司 | 一种用于定制化产品的数据管理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113407829B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
De-Marcos et al. | Social network analysis of a gamified e-learning course: Small-world phenomenon and network metrics as predictors of academic performance | |
Teo | An initial development and validation of a Digital Natives Assessment Scale (DNAS) | |
Fagerholm et al. | The role of mentoring and project characteristics for onboarding in open source software projects | |
Rimkute et al. | Parents' role in adolescents' educational expectations | |
CN109740048B (zh) | 一种课程推荐方法及装置 | |
US10388179B2 (en) | Analytics platform | |
CN107004371B (zh) | 对教育内容效果的量度 | |
US20130246317A1 (en) | System, method and computer readable medium for identifying the likelihood of a student failing a particular course | |
Harpur et al. | MUUX-E, a framework of criteria for evaluating the usability, user experience and educational features of m-learning environments | |
Olney et al. | Assessing Computer Literacy of Adults with Low Literacy Skills. | |
CN110162359A (zh) | 新手引导信息的推送方法、装置及系统 | |
CN105427691A (zh) | 线上学习系统及其能力评量方法 | |
JP6123260B2 (ja) | 抽出方法、抽出装置および抽出プログラム | |
Hussein et al. | Crowdsourced peer learning activity for internet of things education: a case study | |
US20180253811A1 (en) | Career gap identifier | |
CN113407829B (zh) | 在线学习资源推荐方法、装置、设备及存储介质 | |
US20230142891A1 (en) | E-learning system and e-learning method | |
Kobayashi et al. | Question-answer cards for an inclusive micro-tasking framework for the elderly | |
CN109819024A (zh) | 基于数据分析的信息推送方法、装置、存储介质及终端 | |
CN112734142B (zh) | 基于深度学习的资源学习路径规划方法及装置 | |
US20180122251A1 (en) | Systems, methods and techniques for e-education on an interactive information platform | |
Juric et al. | Data mining of computer game assisted e/m-learning systems in higher education | |
Aljaber et al. | Evaluation of mobile health education applications for health professionals and patients | |
Zagorskis et al. | TELECI ARCHITECTURE FOR MACHINE LEARNING ALGORITHMS INTEGRATION IN AN EXISTING LMS | |
Shrivastava | Building a Large Display Interface for Manual Labeling & Classification in Machine Learning Training. |
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 |