CN113420261B - 基于归因分析的课程推荐方法、装置、设备及介质 - Google Patents
基于归因分析的课程推荐方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113420261B CN113420261B CN202110968073.XA CN202110968073A CN113420261B CN 113420261 B CN113420261 B CN 113420261B CN 202110968073 A CN202110968073 A CN 202110968073A CN 113420261 B CN113420261 B CN 113420261B
- Authority
- CN
- China
- Prior art keywords
- matrix
- course
- training
- state
- training course
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 307
- 239000011159 matrix material Substances 0.000 claims abstract description 288
- 238000012546 transfer Methods 0.000 claims abstract description 201
- 230000007704 transition Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 9
- 230000009471 action Effects 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 5
- 239000003795 chemical substances by application Substances 0.000 description 20
- 238000006243 chemical reaction Methods 0.000 description 13
- 239000000203 mixture Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012217 deletion Methods 0.000 description 4
- 230000037430 deletion 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
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000010445 mica Substances 0.000 description 2
- 229910052618 mica group Inorganic materials 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明涉及人工智能领域,提供一种基于归因分析的课程推荐方法、装置、设备及介质,能够根据每个培训课程的目标矩阵及总转移率确定每个培训课程相对于第一状态的重要度,明确每个培训课程对于所要达成的目标的影响,进而明确教学重点,根据每个培训课程相对于第一状态的重要度生成目标培训路径,根据培训课程相对于所要达成目标的作用的大小生成节点最少的学习路径,以辅助学员进行更有效的培训,在提升学习效率的同时弥补了常用推荐系统依据观看历史习惯和业务规则推荐课程,却忽视了培训和业绩水平关联性的不足。此外,本发明还涉及区块链技术,目标培训路径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,尤其涉及一种基于归因分析的课程推荐方法、装置、设备及介质。
背景技术
目前,线上培训已经成为一种主流的培训方式,这不仅意味着在传统培训形式上引入线上教学独有的先进的授课模式,同时促进了大量优秀的代理人从单一学习者身份到UGC(User Generated Content,用户原创内容)身份的转换,随之带来教学资源爆发式的增长,学习素材越来越丰富。
教学资源的爆炸式增长也给学员和培训管理者带来了挑战:如何从大量的信息中甄别出确实对代理人业绩或其他成长节点发挥重要作用的课程,以及如何为代理人从识别出的优质课程中规划有效且最短的学习路径,成为了亟待解决的问题。
培训动作与业绩间的因果关系挖掘是解决上述问题的核心难点,而在上述场景中,采用对于因果推断较为有效的随机对照实验有一定的困难性;采用相关性分析方法时,由于代理人身份特征复杂,混淆变量可能会对相关分析结果造成干扰,进而产生难以解释,甚至有误导性的分析结论。
发明内容
本发明实施例提供了一种基于归因分析的课程推荐方法、装置、设备及介质,能够明确每个培训课程对于所要达成的目标的影响,进而明确教学重点,进一步根据培训课程相对于所要达成目标的作用的大小生成节点最少的学习路径,以辅助学员进行更有效的培训,在提升学习效率的同时弥补了常用推荐系统依据观看历史习惯和业务规则推荐课程,却忽视了培训和业绩水平关联性的不足。
第一方面,本发明实施例提供了一种基于归因分析的课程推荐方法,其包括:
获取预设时间范围内每个学员对每个培训课程的学习时间及每个学员的目标达成状态,按照每个培训课程的学习时间及每个学员的目标达成状态建立转移路径,其中,所述目标达成状态包括第一状态及第二状态,所述第一状态表示成功达成目标,所述第二状态表示未成功达成目标;
建立初始节点,并根据所述转移路径构建转移矩阵;
根据所述转移矩阵计算总转移率;
根据每个培训课程对所述转移矩阵进行转换,得到每个培训课程的中间矩阵,并从每个培训课程的中间矩阵中提取第一矩阵、第二矩阵;
根据每个培训课程的第一矩阵、第二矩阵构建每个培训课程的目标矩阵;
根据每个培训课程的目标矩阵及所述总转移率确定每个培训课程相对于所述第一状态的重要度;
根据每个培训课程相对于所述第一状态的重要度生成目标培训路径。
根据本发明优选实施例,所述建立初始节点,并根据所述转移路径构建转移矩阵包括:
将所述初始节点、所述转移路径中的每个培训课程及每个目标达成状态确定为节点;
将从节点转到节点所形成的路线确定为一条路径,得到多条路径;
确定每条路径的起始节点及结束节点;
当有路径的结束节点为所述初始节点时,将所述路径的转移率确定为0;
当有路径的起始节点及结束节点对应于相同的培训课程时,将所述路径的转移率确定为0;
当有路径的起始节点及结束节点对应于相同的目标达成状态时,将所述路径的转移率确定为1;
当有路径的起始节点为所述目标达成状态时,将所述路径的转移率确定为0;
当有路径的起始节点为所述初始节点,且所述结束节点为所述目标达成状态时,将所述路径的转移率确定为0;
对于其他路径,从所述转移路径中获取访问每个起始节点的学员的数量作为第一数量,获取访问每个起始节点后继续访问对应路径中结束节点的学员的数量作为第二数量,计算所述其他路径中每条路径对应的第二数量与第一数量的商,作为每条路径的转移率;
将首列确定为所述起始节点,将首行确定为所述结束节点,并根据确定的每条路径的转移率生成所述转移矩阵;
其中,所述转移矩阵中每一行的所有数值的和为1。
根据本发明优选实施例,所述根据所述转移矩阵计算总转移率包括:
计算所述结束节点为所述第一状态的路径的转移率的累加和作为第一数值;
计算所述结束节点为所述第二状态的路径的转移率的累加和作为第二数值;
计算所述第一数值与所述第二数值的和作为第三数值;
计算所述第一数值与所述第三数值的商作为所述总转移率。
根据本发明优选实施例,所述根据每个培训课程对所述转移矩阵进行转换,得到每个培训课程的中间矩阵,并从每个培训课程的中间矩阵中提取第一矩阵、第二矩阵包括:
将所述转移矩阵中所述第二状态所在的列确定为目标列;
对于每个培训课程中的任意课程,从所述转移矩阵中删除所述任意课程,并将所述任意课程的数值对应累加至所述目标列,得到所述任意课程的中间矩阵;
删除所述任意课程的中间矩阵中所述起始节点为所述目标达成状态的行,得到所述任意课程的过滤矩阵;
提取所述任意课程的过滤矩阵中所述结束节点为所述目标达成状态的列,得到所述任意课程的第一矩阵;
从所述任意课程的过滤矩阵中删除所述第一矩阵,得到所述任意课程的第二矩阵。
根据本发明优选实施例,所述根据每个培训课程的第一矩阵、第二矩阵构建每个培训课程的目标矩阵包括:
构建维度与所述培训课程的数量相同的单位矩阵;
计算所述单位矩阵与每个第二矩阵的差,得到每个培训课程的第三矩阵;
计算每个培训课程的第三矩阵的逆矩阵;
将每个培训课程的第三矩阵的逆矩阵与对应的第一矩阵的乘积确定为每个培训课程的目标矩阵。
根据本发明优选实施例,所述根据每个培训课程的目标矩阵及所述总转移率确定每个培训课程相对于所述第一状态的重要度包括:
从每个培训课程的目标矩阵中获取所述初始节点对应的行与所述第一状态对应的列的交点的数值作为每个培训课程的目标数值;
计算每个培训课程的目标数值与所述总转移率的商作为每个培训课程的剩余转移率;
计算1与每个培训课程的剩余转移率的差作为每个培训课程相对于所述第一状态的重要度。
根据本发明优选实施例,所述根据每个培训课程相对于所述第一状态的重要度生成目标培训路径包括:
将所述初始节点、所述第一状态确定为首行元素,及将所述初始节点、所述第一状态确定为首列元素,生成2*2的初始矩阵,其中,行与列的交点的数值为转移率;
按照每个培训课程相对于所述第一状态的重要度由大到小的顺序依次向所述初始矩阵中添加培训课程,其中,添加的培训课程在所述首行及所述首列中按照添加顺序依次排列于所述初始节点与所述第一状态之间;
每次添加培训课程后,验证生成的矩阵中所述初始节点对应的行与所述第一状态对应的列的交点的数值是否等于0;
当生成的矩阵中所述初始节点对应的行与所述第一状态对应的列的交点的数值不等于0时,停止向所述初始矩阵中添加所述培训课程;
将当前的矩阵的首行或者首列的元素所构成的路径确定为所述目标培训路径。
第二方面,本发明实施例提供了一种基于归因分析的课程推荐装置,其包括:
建立单元,用于获取预设时间范围内每个学员对每个培训课程的学习时间及每个学员的目标达成状态,按照每个培训课程的学习时间及每个学员的目标达成状态建立转移路径,其中,所述目标达成状态包括第一状态及第二状态,所述第一状态表示成功达成目标,所述第二状态表示未成功达成目标;
所述建立单元,还用于建立初始节点,并根据所述转移路径构建转移矩阵;
计算单元,用于根据所述转移矩阵计算总转移率;
提取单元,用于根据每个培训课程对所述转移矩阵进行转换,得到每个培训课程的中间矩阵,并从每个培训课程的中间矩阵中提取第一矩阵、第二矩阵;
构建单元,用于根据每个培训课程的第一矩阵、第二矩阵构建每个培训课程的目标矩阵;
确定单元,用于根据每个培训课程的目标矩阵及所述总转移率确定每个培训课程相对于所述第一状态的重要度;
生成单元,用于根据每个培训课程相对于所述第一状态的重要度生成目标培训路径。
第三方面,本发明实施例又提供了一种计算机设备,其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的基于归因分析的课程推荐方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其中所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于归因分析的课程推荐方法。
本发明实施例提供了一种基于归因分析的课程推荐方法、装置、设备及介质,能够获取预设时间范围内每个学员对每个培训课程的学习时间及每个学员的目标达成状态,按照每个培训课程的学习时间及每个学员的目标达成状态建立转移路径,其中,所述目标达成状态包括第一状态及第二状态,所述第一状态表示成功达成目标,所述第二状态表示未成功达成目标,建立初始节点,并根据所述转移路径构建转移矩阵,根据所述转移矩阵计算总转移率,根据每个培训课程对所述转移矩阵进行转换,得到每个培训课程的中间矩阵,并从每个培训课程的中间矩阵中提取第一矩阵、第二矩阵,根据每个培训课程的第一矩阵、第二矩阵构建每个培训课程的目标矩阵,根据每个培训课程的目标矩阵及所述总转移率确定每个培训课程相对于所述第一状态的重要度,明确每个培训课程对于所要达成的目标的影响,进而明确教学重点,根据每个培训课程相对于所述第一状态的重要度生成目标培训路径,根据培训课程相对于所要达成目标的作用的大小生成节点最少的学习路径,以辅助学员进行更有效的培训,在提升学习效率的同时弥补了常用推荐系统依据观看历史习惯和业务规则推荐课程,却忽视了培训和业绩水平关联性的不足。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例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为本发明实施例提供的基于归因分析的课程推荐方法的流程示意图;
图2为本发明实施例提供的基于归因分析的课程推荐装置的示意性框图;
图3为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和 “包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1,为本发明实施例提供的基于归因分析的课程推荐方法的流程示意图。
S10,获取预设时间范围内每个学员对每个培训课程的学习时间及每个学员的目标达成状态,按照每个培训课程的学习时间及每个学员的目标达成状态建立转移路径,其中,所述目标达成状态包括第一状态及第二状态,所述第一状态表示成功达成目标,所述第二状态表示未成功达成目标。
在本发明的至少一个实施例中,所述培训课程、所述学员、所述目标达成状态及所述学习时间可以从指定企业平台的数据库中获取。
其中,所述目标达成状态是指是否达到对应任务的最佳完成状态,如:代理人的业绩达到优秀等。
在本实施例中,所述预设时间范围可以进行自定义配置,如任意指定的培训周期、任意月份等。
在本实施例中,按照每个学员对于培训课程学习的时间顺序记录代理人在视频学习平台观看学习视频的路径,并作为所述转移路径。
例如:以任意自然月(即所述预设时间范围)为观察窗口,记录代理人月末业绩转移情况。“转移”与否依据具体业绩等级划分,如代理人月末业绩达到指定标准,则标记为转移,否则标记为未转移。那么,代理人甲的转移路径可以为:Start->Video2->Video3->Video1->Conversion,表示代理人甲在所述任意自然月内依次观看了Video2、Video3、Video1,并且,月末的最终业绩达到了优秀,为所述第一状态,标记为Conversion,代表“转移”;代理人乙的转移路径可以为:Start->Video2->Video3->Null,表示代理人乙在所述任意自然月内依次观看了Video2、Video3,并且,月末的最终业绩没有达到优秀,为所述第二状态,标记为Null,代表“未转移”。
S11,建立初始节点,并根据所述转移路径构建转移矩阵。
在本发明的至少一个实施例中,所述建立初始节点,并根据所述转移路径构建转移矩阵包括:
将所述初始节点、所述转移路径中的每个培训课程及每个目标达成状态确定为节点;
将从节点转到节点所形成的路线确定为一条路径,得到多条路径;
确定每条路径的起始节点及结束节点;
当有路径的结束节点为所述初始节点时,将所述路径的转移率确定为0;
当有路径的起始节点及结束节点对应于相同的培训课程时,将所述路径的转移率确定为0;
当有路径的起始节点及结束节点对应于相同的目标达成状态时,将所述路径的转移率确定为1;
当有路径的起始节点为所述目标达成状态时,将所述路径的转移率确定为0;
当有路径的起始节点为所述初始节点,且所述结束节点为所述目标达成状态时,将所述路径的转移率确定为0;
对于其他路径,从所述转移路径中获取访问每个起始节点的学员的数量作为第一数量,获取访问每个起始节点后继续访问对应路径中结束节点的学员的数量作为第二数量,计算所述其他路径中每条路径对应的第二数量与第一数量的商,作为每条路径的转移率;
将首列确定为所述起始节点,将首行确定为所述结束节点,并根据确定的每条路径的转移率生成所述转移矩阵;
其中,所述转移矩阵中每一行的所有数值的和为1。
例如:构建的转移矩阵的各个元素组成可以参见下表:
Start表示所述初始节点,Video n表示培训课程n,Null表示所述目标达成状态为“未转移”,Conversion表示所述目标达成状态为“转移”,mnc表示所述目标达成状态为“转移”时培训课程n的转移率,mnl表示所述目标达成状态为“未转移”时培训课程n的转移率,mn1表示从培训课程n转移到培训课程1的转移率,m1n表示从培训课程1转移到培训课程n的转移率,以此类推,其中,n为正整数。
可以理解的是,“转移”表示成功达成目标,而“未转移”则表示未成功达成目标。
通过上述实施方式,构建的转移矩阵中同时包含了节点间相互转移的关系。
当然,在其他实施例中,也可以将行与列进行颠倒,本发明不限制。
S12,根据所述转移矩阵计算总转移率。
在本发明的至少一个实施例中,所述根据所述转移矩阵计算总转移率包括:
计算所述结束节点为所述第一状态的路径的转移率的累加和作为第一数值;
计算所述结束节点为所述第二状态的路径的转移率的累加和作为第二数值;
计算所述第一数值与所述第二数值的和作为第三数值;
计算所述第一数值与所述第三数值的商作为所述总转移率。
承接上面的例子,则所述总转移率的计算公式可以为:
其中,r表示所述总转移率,mic表示所述目标达成状态为“转移”(即所述第一状态)时培训课程i的转移率,mil表示所述目标达成状态为“未转移”(即所述第二状态)时培训课程i的转移率,i为1到n的整数。
S13,根据每个培训课程对所述转移矩阵进行转换,得到每个培训课程的中间矩阵,并从每个培训课程的中间矩阵中提取第一矩阵、第二矩阵。
在本发明的至少一个实施例中,所述根据每个培训课程对所述转移矩阵进行转换,得到每个培训课程的中间矩阵,并从每个培训课程的中间矩阵中提取第一矩阵、第二矩阵包括:
将所述转移矩阵中所述第二状态所在的列确定为目标列;
对于每个培训课程中的任意课程,从所述转移矩阵中删除所述任意课程,并将所述任意课程的数值对应累加至所述目标列,得到所述任意课程的中间矩阵;
删除所述任意课程的中间矩阵中所述起始节点为所述目标达成状态的行,得到所述任意课程的过滤矩阵;
提取所述任意课程的过滤矩阵中所述结束节点为所述目标达成状态的列,得到所述任意课程的第一矩阵;
从所述任意课程的过滤矩阵中删除所述第一矩阵,得到所述任意课程的第二矩阵。
承接上面的例子,在删除Video1后,得到的中间矩阵的元素可以参见下表:
可见,Null所在的列即为累加后的列。
进一步地,提取出的所述第一矩阵的元素可以参见下表:
进一步地,提取出的所述第二矩阵的元素可以参见下表:
S14,根据每个培训课程的第一矩阵、第二矩阵构建每个培训课程的目标矩阵。
在本发明的至少一个实施例中,所述根据每个培训课程的第一矩阵、第二矩阵构建每个培训课程的目标矩阵包括:
构建维度与所述培训课程的数量相同的单位矩阵;
计算所述单位矩阵与每个第二矩阵的差,得到每个培训课程的第三矩阵;
计算每个培训课程的第三矩阵的逆矩阵;
将每个培训课程的第三矩阵的逆矩阵与对应的第一矩阵的乘积确定为每个培训课程的目标矩阵。
例如:当有培训课程的目标矩阵为R,构建的n维单位矩阵为In,对应的第一矩阵为A,第二矩阵为B时,构建的所述目标矩阵为:R=(In-B)-1A。
S15,根据每个培训课程的目标矩阵及所述总转移率确定每个培训课程相对于所述第一状态的重要度。
在本发明的至少一个实施例中,所述根据每个培训课程的目标矩阵及所述总转移率确定每个培训课程相对于所述第一状态的重要度包括:
从每个培训课程的目标矩阵中获取所述初始节点对应的行与所述第一状态对应的列的交点的数值作为每个培训课程的目标数值;
计算每个培训课程的目标数值与所述总转移率的商作为每个培训课程的剩余转移率;
计算1与每个培训课程的剩余转移率的差作为每个培训课程相对于所述第一状态的重要度。
需要说明的是,所述目标数值能够表示删除任意培训课程后,从初始节点(如前文所述的Start)转移至所述第一状态(如前文所述的Conversion)的概率期望,解释为删除所述任意培训视频后剩余培训课程转移至所述第一状态的概率,进一步采用1与每个培训课程的剩余转移率的差作为每个培训课程相对于所述第一状态的重要度,即可表示被删除的所述任意培训课程相对于达成所述第一状态所起的作用的大小,即相对于所述第一状态的重要度。
通过上述实施方式,能够明确每个培训课程对于所要达成的目标的影响,进而明确教学重点。
S16,根据每个培训课程相对于所述第一状态的重要度生成目标培训路径。
在本发明的至少一个实施例中,所述根据每个培训课程相对于所述第一状态的重要度生成目标培训路径包括:
将所述初始节点、所述第一状态确定为首行元素,及将所述初始节点、所述第一状态确定为首列元素,生成2*2的初始矩阵,其中,行与列的交点的数值为转移率;
按照每个培训课程相对于所述第一状态的重要度由大到小的顺序依次向所述初始矩阵中添加培训课程,其中,添加的培训课程在所述首行及所述首列中按照添加顺序依次排列于所述初始节点与所述第一状态之间;
每次添加培训课程后,验证生成的矩阵中所述初始节点对应的行与所述第一状态对应的列的交点的数值是否等于0;
当生成的矩阵中所述初始节点对应的行与所述第一状态对应的列的交点的数值不等于0时,停止向所述初始矩阵中添加所述培训课程;
将当前的矩阵的首行或者首列的元素所构成的路径确定为所述目标培训路径。
例如:构建的初始矩阵的各个元素组成可以为:
由上面分析可知,培训课程的重要度的排序为Video a>Video b>…,则先将Videoa添加至所述初始矩阵,生成的矩阵的各个元素组成可以为:
验证上面生成的矩阵中,所述初始节点对应的行与所述第一状态对应的列的交点的数值x是否等于0。若x不等于0,则停止添加培训课程,将Start->Video a-> Conversion构成的路径确定为所述目标培训路径;若x等于0,则继续添加Video b,在首行及首列所述Video a的后面继续加入所述Video b,此时,如果x不等于0,则停止添加培训课程,将Start->Video a->Video b-> Conversion构成的路径确定为所述目标培训路径。
通过上述实施方式,能够根据培训课程相对于所要达成目标的作用的大小生成节点最少的学习路径,以辅助学员进行更有效的培训,在提升学习效率的同时弥补了常用推荐系统依据观看历史习惯和业务规则推荐课程,却忽视了培训和业绩水平关联性的不足。
需要说明的是,为了进一步提高数据的安全性,避免数据被恶意篡改,目标培训路径可存储于区块链节点中。
由以上技术方案可以看出,本发明获取预设时间范围内每个学员对每个培训课程的学习时间及每个学员的目标达成状态,按照每个培训课程的学习时间及每个学员的目标达成状态建立转移路径,其中,所述目标达成状态包括第一状态及第二状态,所述第一状态表示成功达成目标,所述第二状态表示未成功达成目标,建立初始节点,并根据所述转移路径构建转移矩阵,根据所述转移矩阵计算总转移率,根据每个培训课程对所述转移矩阵进行转换,得到每个培训课程的中间矩阵,并从每个培训课程的中间矩阵中提取第一矩阵、第二矩阵,根据每个培训课程的第一矩阵、第二矩阵构建每个培训课程的目标矩阵,根据每个培训课程的目标矩阵及所述总转移率确定每个培训课程相对于所述第一状态的重要度,明确每个培训课程对于所要达成的目标的影响,进而明确教学重点,根据每个培训课程相对于所述第一状态的重要度生成目标培训路径,根据培训课程相对于所要达成目标的作用的大小生成节点最少的学习路径,以辅助学员进行更有效的培训,在提升学习效率的同时弥补了常用推荐系统依据观看历史习惯和业务规则推荐课程,却忽视了培训和业绩水平关联性的不足。
本发明实施例还提供一种基于归因分析的课程推荐装置,该基于归因分析的课程推荐装置用于执行前述基于归因分析的课程推荐方法的任一实施例。具体地,请参阅图2,图2是本发明实施例提供的基于归因分析的课程推荐装置的示意性框图。
如图2所示,基于归因分析的课程推荐装置100包括:建立单元101、计算单元102、提取单元103、构建单元104、确定单元105、生成单元106。
建立单元101获取预设时间范围内每个学员对每个培训课程的学习时间及每个学员的目标达成状态,按照每个培训课程的学习时间及每个学员的目标达成状态建立转移路径,其中,所述目标达成状态包括第一状态及第二状态,所述第一状态表示成功达成目标,所述第二状态表示未成功达成目标。
在本发明的至少一个实施例中,所述培训课程、所述学员、所述目标达成状态及所述学习时间可以从指定企业平台的数据库中获取。
其中,所述目标达成状态是指是否达到对应任务的最佳完成状态,如:代理人的业绩达到优秀等。
在本实施例中,所述预设时间范围可以进行自定义配置,如任意指定的培训周期、任意月份等。
在本实施例中,按照每个学员对于培训课程学习的时间顺序记录代理人在视频学习平台观看学习视频的路径,并作为所述转移路径。
例如:以任意自然月(即所述预设时间范围)为观察窗口,记录代理人月末业绩转移情况。“转移”与否依据具体业绩等级划分,如代理人月末业绩达到指定标准,则标记为转移,否则标记为未转移。那么,代理人甲的转移路径可以为:Start->Video2->Video3->Video1->Conversion,表示代理人甲在所述任意自然月内依次观看了Video2、Video3、Video1,并且,月末的最终业绩达到了优秀,为所述第一状态,标记为Conversion,代表“转移”;代理人乙的转移路径可以为:Start->Video2->Video3->Null,表示代理人乙在所述任意自然月内依次观看了Video2、Video3,并且,月末的最终业绩没有达到优秀,为所述第二状态,标记为Null,代表“未转移”。
所述建立单元101建立初始节点,并根据所述转移路径构建转移矩阵。
在本发明的至少一个实施例中,所述建立单元101建立初始节点,并根据所述转移路径构建转移矩阵包括:
将所述初始节点、所述转移路径中的每个培训课程及每个目标达成状态确定为节点;
将从节点转到节点所形成的路线确定为一条路径,得到多条路径;
确定每条路径的起始节点及结束节点;
当有路径的结束节点为所述初始节点时,将所述路径的转移率确定为0;
当有路径的起始节点及结束节点对应于相同的培训课程时,将所述路径的转移率确定为0;
当有路径的起始节点及结束节点对应于相同的目标达成状态时,将所述路径的转移率确定为1;
当有路径的起始节点为所述目标达成状态时,将所述路径的转移率确定为0;
当有路径的起始节点为所述初始节点,且所述结束节点为所述目标达成状态时,将所述路径的转移率确定为0;
对于其他路径,从所述转移路径中获取访问每个起始节点的学员的数量作为第一数量,获取访问每个起始节点后继续访问对应路径中结束节点的学员的数量作为第二数量,计算所述其他路径中每条路径对应的第二数量与第一数量的商,作为每条路径的转移率;
将首列确定为所述起始节点,将首行确定为所述结束节点,并根据确定的每条路径的转移率生成所述转移矩阵;
其中,所述转移矩阵中每一行的所有数值的和为1。
例如:构建的转移矩阵的各个元素组成可以参见下表:
其中,Start表示所述初始节点,Video n表示培训课程n,Null表示所述目标达成状态为“未转移”,Conversion表示所述目标达成状态为“转移”,mnc表示所述目标达成状态为“转移”时培训课程n的转移率,mnl表示所述目标达成状态为“未转移”时培训课程n的转移率,mn1表示从培训课程n转移到培训课程1的转移率,m1n表示从培训课程1转移到培训课程n的转移率,以此类推,其中,n为正整数。
可以理解的是,“转移”表示成功达成目标,而“未转移”则表示未成功达成目标。
通过上述实施方式,构建的转移矩阵中同时包含了节点间相互转移的关系。
当然,在其他实施例中,也可以将行与列进行颠倒,本发明不限制。
计算单元102根据所述转移矩阵计算总转移率。
在本发明的至少一个实施例中,所述计算单元102根据所述转移矩阵计算总转移率包括:
计算所述结束节点为所述第一状态的路径的转移率的累加和作为第一数值;
计算所述结束节点为所述第二状态的路径的转移率的累加和作为第二数值;
计算所述第一数值与所述第二数值的和作为第三数值;
计算所述第一数值与所述第三数值的商作为所述总转移率。
承接上面的例子,则所述总转移率的计算公式可以为:
其中, r表示所述总转移率,mic表示所述目标达成状态为“转移”(即所述第一状态)时培训课程i的转移率,mil表示所述目标达成状态为“未转移”(即所述第二状态)时培训课程i的转移率,i为1到n的整数。
提取单元103根据每个培训课程对所述转移矩阵进行转换,得到每个培训课程的中间矩阵,并从每个培训课程的中间矩阵中提取第一矩阵、第二矩阵。
在本发明的至少一个实施例中,所述提取单元103根据每个培训课程对所述转移矩阵进行转换,得到每个培训课程的中间矩阵,并从每个培训课程的中间矩阵中提取第一矩阵、第二矩阵包括:
将所述转移矩阵中所述第二状态所在的列确定为目标列;
对于每个培训课程中的任意课程,从所述转移矩阵中删除所述任意课程,并将所述任意课程的数值对应累加至所述目标列,得到所述任意课程的中间矩阵;
删除所述任意课程的中间矩阵中所述起始节点为所述目标达成状态的行,得到所述任意课程的过滤矩阵;
提取所述任意课程的过滤矩阵中所述结束节点为所述目标达成状态的列,得到所述任意课程的第一矩阵;
从所述任意课程的过滤矩阵中删除所述第一矩阵,得到所述任意课程的第二矩阵。
承接上面的例子,在删除Video1后,得到的中间矩阵的元素可以参见下表:
可见,Null所在的列即为累加后的列。
进一步地,提取出的所述第一矩阵的元素可以参见下表:
进一步地,提取出的所述第二矩阵的元素可以参见下表:
构建单元104根据每个培训课程的第一矩阵、第二矩阵构建每个培训课程的目标矩阵。
在本发明的至少一个实施例中,所述构建单元104根据每个培训课程的第一矩阵、第二矩阵构建每个培训课程的目标矩阵包括:
构建维度与所述培训课程的数量相同的单位矩阵;
计算所述单位矩阵与每个第二矩阵的差,得到每个培训课程的第三矩阵;
计算每个培训课程的第三矩阵的逆矩阵;
将每个培训课程的第三矩阵的逆矩阵与对应的第一矩阵的乘积确定为每个培训课程的目标矩阵。
例如:当有培训课程的目标矩阵为R,构建的n维单位矩阵为In,对应的第一矩阵为A,第二矩阵为B时,构建的所述目标矩阵为:R=(In-B)-1A。
确定单元105根据每个培训课程的目标矩阵及所述总转移率确定每个培训课程相对于所述第一状态的重要度。
在本发明的至少一个实施例中,所述确定单元105根据每个培训课程的目标矩阵及所述总转移率确定每个培训课程相对于所述第一状态的重要度包括:
从每个培训课程的目标矩阵中获取所述初始节点对应的行与所述第一状态对应的列的交点的数值作为每个培训课程的目标数值;
计算每个培训课程的目标数值与所述总转移率的商作为每个培训课程的剩余转移率;
计算1与每个培训课程的剩余转移率的差作为每个培训课程相对于所述第一状态的重要度。
需要说明的是,所述目标数值能够表示删除任意培训课程后,从初始节点(如前文所述的Start)转移至所述第一状态(如前文所述的Conversion)的概率期望,解释为删除所述任意培训视频后剩余培训课程转移至所述第一状态的概率,进一步采用1与每个培训课程的剩余转移率的差作为每个培训课程相对于所述第一状态的重要度,即可表示被删除的所述任意培训课程相对于达成所述第一状态所起的作用的大小,即相对于所述第一状态的重要度。
通过上述实施方式,能够明确每个培训课程对于所要达成的目标的影响,进而明确教学重点。
生成单元106根据每个培训课程相对于所述第一状态的重要度生成目标培训路径。
在本发明的至少一个实施例中,所述生成单元106根据每个培训课程相对于所述第一状态的重要度生成目标培训路径包括:
将所述初始节点、所述第一状态确定为首行元素,及将所述初始节点、所述第一状态确定为首列元素,生成2*2的初始矩阵,其中,行与列的交点的数值为转移率;
按照每个培训课程相对于所述第一状态的重要度由大到小的顺序依次向所述初始矩阵中添加培训课程,其中,添加的培训课程在所述首行及所述首列中按照添加顺序依次排列于所述初始节点与所述第一状态之间;
每次添加培训课程后,验证生成的矩阵中所述初始节点对应的行与所述第一状态对应的列的交点的数值是否等于0;
当生成的矩阵中所述初始节点对应的行与所述第一状态对应的列的交点的数值不等于0时,停止向所述初始矩阵中添加所述培训课程;
将当前的矩阵的首行或者首列的元素所构成的路径确定为所述目标培训路径。
例如:构建的初始矩阵的各个元素组成可以为:
由上面分析可知,培训课程的重要度的排序为Video a>Video b>…,则先将Videoa添加至所述初始矩阵,生成的矩阵的各个元素组成可以为:
验证上面生成的矩阵中,所述初始节点对应的行与所述第一状态对应的列的交点的数值x是否等于0。若x不等于0,则停止添加培训课程,将Start->Video a-> Conversion构成的路径确定为所述目标培训路径;若x等于0,则继续添加Video b,在首行及首列所述Video a的后面继续加入所述Video b,此时,如果x不等于0,则停止添加培训课程,将Start->Video a->Video b-> Conversion构成的路径确定为所述目标培训路径。
通过上述实施方式,能够根据培训课程相对于所要达成目标的作用的大小生成节点最少的学习路径,以辅助学员进行更有效的培训,在提升学习效率的同时弥补了常用推荐系统依据观看历史习惯和业务规则推荐课程,却忽视了培训和业绩水平关联性的不足。
需要说明的是,为了进一步提高数据的安全性,避免数据被恶意篡改,目标培训路径可存储于区块链节点中。
由以上技术方案可以看出,本发明获取预设时间范围内每个学员对每个培训课程的学习时间及每个学员的目标达成状态,按照每个培训课程的学习时间及每个学员的目标达成状态建立转移路径,其中,所述目标达成状态包括第一状态及第二状态,所述第一状态表示成功达成目标,所述第二状态表示未成功达成目标,建立初始节点,并根据所述转移路径构建转移矩阵,根据所述转移矩阵计算总转移率,根据每个培训课程对所述转移矩阵进行转换,得到每个培训课程的中间矩阵,并从每个培训课程的中间矩阵中提取第一矩阵、第二矩阵,根据每个培训课程的第一矩阵、第二矩阵构建每个培训课程的目标矩阵,根据每个培训课程的目标矩阵及所述总转移率确定每个培训课程相对于所述第一状态的重要度,明确每个培训课程对于所要达成的目标的影响,进而明确教学重点,根据每个培训课程相对于所述第一状态的重要度生成目标培训路径,根据培训课程相对于所要达成目标的作用的大小生成节点最少的学习路径,以辅助学员进行更有效的培训,在提升学习效率的同时弥补了常用推荐系统依据观看历史习惯和业务规则推荐课程,却忽视了培训和业绩水平关联性的不足。
上述基于归因分析的课程推荐装置可以实现为计算机程序的形式,该计算机程序可以在如图3所示的计算机设备上运行。
请参阅图3,图3是本发明实施例提供的计算机设备的示意性框图。该计算机设备500是服务器,服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
参阅图3,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括存储介质503和内存储器504。
该存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时,可使得处理器502执行基于归因分析的课程推荐方法。
该处理器502用于提供计算和控制能力,支撑整个计算机设备500的运行。
该内存储器504为存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行基于归因分析的课程推荐方法。
该网络接口505用于进行网络通信,如提供数据信息的传输等。本领域技术人员可以理解,图3中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现本发明实施例公开的基于归因分析的课程推荐方法。
本领域技术人员可以理解,图3中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定,在其他实施例中,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。例如,在一些实施例中,计算机设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图3所示实施例一致,在此不再赘述。
应当理解,在本发明实施例中,处理器502可以是中央处理单元 (CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路 (Application Specific IntegratedCircuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质,也可以为易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序,其中计算机程序被处理器执行时实现本发明实施例公开的基于归因分析的课程推荐方法。
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。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备、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,仅仅为逻辑功能划分,实际实现时可以有另外的划分方式,也可以将具有相同功能的单元集合成一个单元,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。另外,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,也可以是电的,机械的或其它的形式连接。
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发明实施例方案的目的。
本发明可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
另外,在本发明各个实施例中的各功能单元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,也可以是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,也可以采用软件功能单元的形式实现。
所述集成的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,可以存储在一个存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品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,服务器,或者网络设备等 ) 执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U 盘、移动硬盘、只读存储器 (ROM,Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于归因分析的课程推荐方法,其特征在于,包括:
获取预设时间范围内每个学员对每个培训课程的学习时间及每个学员的目标达成状态,按照每个培训课程的学习时间及每个学员的目标达成状态建立转移路径,其中,所述目标达成状态包括第一状态及第二状态,所述第一状态表示成功达成目标,所述第二状态表示未成功达成目标;
建立初始节点,并根据所述转移路径构建转移矩阵;
根据所述转移矩阵计算总转移率;
根据每个培训课程对所述转移矩阵进行转换,得到每个培训课程的中间矩阵,并从每个培训课程的中间矩阵中提取第一矩阵、第二矩阵;
根据每个培训课程的第一矩阵、第二矩阵构建每个培训课程的目标矩阵;
根据每个培训课程的目标矩阵及所述总转移率确定每个培训课程相对于所述第一状态的重要度;
根据每个培训课程相对于所述第一状态的重要度生成目标培训路径。
2.根据权利要求1所述的基于归因分析的课程推荐方法,其特征在于,所述建立初始节点,并根据所述转移路径构建转移矩阵包括:
将所述初始节点、所述转移路径中的每个培训课程及每个目标达成状态确定为节点;
将从节点转到节点所形成的路线确定为一条路径,得到多条路径;
确定每条路径的起始节点及结束节点;
当有路径的结束节点为所述初始节点时,将所述路径的转移率确定为0;
当有路径的起始节点及结束节点对应于相同的培训课程时,将所述路径的转移率确定为0;
当有路径的起始节点及结束节点对应于相同的目标达成状态时,将所述路径的转移率确定为1;
当有路径的起始节点为所述目标达成状态时,将所述路径的转移率确定为0;
当有路径的起始节点为所述初始节点,且所述结束节点为所述目标达成状态时,将所述路径的转移率确定为0;
对于其他路径,从所述转移路径中获取访问每个起始节点的学员的数量作为第一数量,获取访问每个起始节点后继续访问对应路径中结束节点的学员的数量作为第二数量,计算所述其他路径中每条路径对应的第二数量与第一数量的商,作为每条路径的转移率;
将首列确定为所述起始节点,将首行确定为所述结束节点,并根据确定的每条路径的转移率生成所述转移矩阵;
其中,所述转移矩阵中每一行的所有数值的和为1。
3.根据权利要求2所述的基于归因分析的课程推荐方法,其特征在于,所述根据所述转移矩阵计算总转移率包括:
计算所述结束节点为所述第一状态的路径的转移率的累加和作为第一数值;
计算所述结束节点为所述第二状态的路径的转移率的累加和作为第二数值;
计算所述第一数值与所述第二数值的和作为第三数值;
计算所述第一数值与所述第三数值的商作为所述总转移率。
4.根据权利要求2所述的基于归因分析的课程推荐方法,其特征在于,所述根据每个培训课程对所述转移矩阵进行转换,得到每个培训课程的中间矩阵,并从每个培训课程的中间矩阵中提取第一矩阵、第二矩阵包括:
将所述转移矩阵中所述第二状态所在的列确定为目标列;
对于每个培训课程中的任意课程,从所述转移矩阵中删除所述任意课程,并将所述任意课程的数值对应累加至所述目标列,得到所述任意课程的中间矩阵;
删除所述任意课程的中间矩阵中所述起始节点为所述目标达成状态的行,得到所述任意课程的过滤矩阵;
提取所述任意课程的过滤矩阵中所述结束节点为所述目标达成状态的列,得到所述任意课程的第一矩阵;
从所述任意课程的过滤矩阵中删除所述第一矩阵,得到所述任意课程的第二矩阵。
5.根据权利要求1所述的基于归因分析的课程推荐方法,其特征在于,所述根据每个培训课程的第一矩阵、第二矩阵构建每个培训课程的目标矩阵包括:
构建维度与所述培训课程的数量相同的单位矩阵;
计算所述单位矩阵与每个第二矩阵的差,得到每个培训课程的第三矩阵;
计算每个培训课程的第三矩阵的逆矩阵;
将每个培训课程的第三矩阵的逆矩阵与对应的第一矩阵的乘积确定为每个培训课程的目标矩阵。
6.根据权利要求1所述的基于归因分析的课程推荐方法,其特征在于,所述根据每个培训课程的目标矩阵及所述总转移率确定每个培训课程相对于所述第一状态的重要度包括:
从每个培训课程的目标矩阵中获取所述初始节点对应的行与所述第一状态对应的列的交点的数值作为每个培训课程的目标数值;
计算每个培训课程的目标数值与所述总转移率的商作为每个培训课程的剩余转移率;
计算1与每个培训课程的剩余转移率的差作为每个培训课程相对于所述第一状态的重要度。
7.根据权利要求1所述的基于归因分析的课程推荐方法,其特征在于,所述根据每个培训课程相对于所述第一状态的重要度生成目标培训路径包括:
将所述初始节点、所述第一状态确定为首行元素,及将所述初始节点、所述第一状态确定为首列元素,生成2*2的初始矩阵,其中,行与列的交点的数值为转移率;
按照每个培训课程相对于所述第一状态的重要度由大到小的顺序依次向所述初始矩阵中添加培训课程,其中,添加的培训课程在所述首行及所述首列中按照添加顺序依次排列于所述初始节点与所述第一状态之间;
每次添加培训课程后,验证生成的矩阵中所述初始节点对应的行与所述第一状态对应的列的交点的数值是否等于0;
当生成的矩阵中所述初始节点对应的行与所述第一状态对应的列的交点的数值不等于0时,停止向所述初始矩阵中添加所述培训课程;
将当前的矩阵的首行或者首列的元素所构成的路径确定为所述目标培训路径。
8.一种基于归因分析的课程推荐装置,其特征在于,包括:
建立单元,用于获取预设时间范围内每个学员对每个培训课程的学习时间及每个学员的目标达成状态,按照每个培训课程的学习时间及每个学员的目标达成状态建立转移路径,其中,所述目标达成状态包括第一状态及第二状态,所述第一状态表示成功达成目标,所述第二状态表示未成功达成目标;
所述建立单元,还用于建立初始节点,并根据所述转移路径构建转移矩阵;
计算单元,用于根据所述转移矩阵计算总转移率;
提取单元,用于根据每个培训课程对所述转移矩阵进行转换,得到每个培训课程的中间矩阵,并从每个培训课程的中间矩阵中提取第一矩阵、第二矩阵;
构建单元,用于根据每个培训课程的第一矩阵、第二矩阵构建每个培训课程的目标矩阵;
确定单元,用于根据每个培训课程的目标矩阵及所述总转移率确定每个培训课程相对于所述第一状态的重要度;
生成单元,用于根据每个培训课程相对于所述第一状态的重要度生成目标培训路径。
9.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的基于归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存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至7任一项所述的基于归因分析的课程推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110968073.XA CN113420261B (zh) | 2021-08-23 | 2021-08-23 | 基于归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 |
---|---|---|---|
CN202110968073.XA CN113420261B (zh) | 2021-08-23 | 2021-08-23 | 基于归因分析的课程推荐方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113420261A CN113420261A (zh) | 2021-09-21 |
CN113420261B true CN113420261B (zh) | 2021-11-09 |
Family
ID=77719288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110968073.XA Active CN113420261B (zh) | 2021-08-23 | 2021-08-23 | 基于归因分析的课程推荐方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113420261B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114331227B (zh) * | 2022-03-08 | 2022-06-14 | 腾讯科技(深圳)有限公司 | 数据分析的方法、装置、电子设备和可读介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102737120A (zh) * | 2012-06-01 | 2012-10-17 | 西安交通大学 | 一种个性化网络学习资源推荐方法 |
CN103562946A (zh) * | 2011-05-27 | 2014-02-05 | 谷歌公司 | 对于广告开支回报的多个归因模型 |
CN108345697A (zh) * | 2018-03-22 | 2018-07-31 | 山东财经大学 | 面向大学生群体的智慧课程推荐方法、系统及存储介质 |
CN110189153A (zh) * | 2018-02-23 | 2019-08-30 | 北京国双科技有限公司 | 归因方法和装置 |
CN111090805A (zh) * | 2018-10-23 | 2020-05-01 | 北京嘀嘀无限科技发展有限公司 | 推荐指数归因方法、装置及电子设备 |
CN112100439A (zh) * | 2020-07-14 | 2020-12-18 | 山东科技大学 | 基于依赖关系嵌入与神经注意力网络的推荐方法 |
CN112529141A (zh) * | 2020-12-11 | 2021-03-19 | 中国海洋大学 | 一种基于改进免疫算法的学习路径生成方法 |
WO2021139275A1 (zh) * | 2020-07-08 | 2021-07-15 | 平安科技(深圳)有限公司 | 患教教程推荐方法、装置、计算机设备和存储介质 |
-
2021
- 2021-08-23 CN CN202110968073.XA patent/CN113420261B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103562946A (zh) * | 2011-05-27 | 2014-02-05 | 谷歌公司 | 对于广告开支回报的多个归因模型 |
CN102737120A (zh) * | 2012-06-01 | 2012-10-17 | 西安交通大学 | 一种个性化网络学习资源推荐方法 |
CN110189153A (zh) * | 2018-02-23 | 2019-08-30 | 北京国双科技有限公司 | 归因方法和装置 |
CN108345697A (zh) * | 2018-03-22 | 2018-07-31 | 山东财经大学 | 面向大学生群体的智慧课程推荐方法、系统及存储介质 |
CN111090805A (zh) * | 2018-10-23 | 2020-05-01 | 北京嘀嘀无限科技发展有限公司 | 推荐指数归因方法、装置及电子设备 |
WO2021139275A1 (zh) * | 2020-07-08 | 2021-07-15 | 平安科技(深圳)有限公司 | 患教教程推荐方法、装置、计算机设备和存储介质 |
CN112100439A (zh) * | 2020-07-14 | 2020-12-18 | 山东科技大学 | 基于依赖关系嵌入与神经注意力网络的推荐方法 |
CN112529141A (zh) * | 2020-12-11 | 2021-03-19 | 中国海洋大学 | 一种基于改进免疫算法的学习路径生成方法 |
Non-Patent Citations (1)
Title |
---|
基于加权关联规则的选课推荐系统的构建;王艳等;《郑州轻工业学院学报(自然科学版)》;20091031;第24卷(第5期);第44-47页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113420261A (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106202453B (zh) | 一种多媒体资源推荐方法和装置 | |
US10546507B2 (en) | Recommending a set of learning activities based on dynamic learning goal adaptation | |
CN109472305A (zh) | 答案质量确定模型训练方法、答案质量确定方法及装置 | |
US10497275B2 (en) | Systems and methods for inquiry-based learning including collaborative question generation | |
Arimoto et al. | Selective learning with a forgetting factor for robotic motion control | |
CN113014566B (zh) | 恶意注册的检测方法、装置、计算机可读介质及电子设备 | |
CN112232891B (zh) | 一种基于大数据分析的客户匹配方法和装置 | |
CN112100221B (zh) | 一种资讯推荐方法、装置、推荐服务器及存储介质 | |
CN113420261B (zh) | 基于归因分析的课程推荐方法、装置、设备及介质 | |
CN112214688A (zh) | 选修课的推荐方法、装置和服务器 | |
US11847421B2 (en) | Discussion support device and program for discussion support device | |
CN117252047A (zh) | 基于数字孪生的教学信息处理方法及系统 | |
Chu et al. | Learning case adaptation for problem-oriented e-learning on mathematics teaching for students with mild disabilities | |
CN112598089B (zh) | 图像样本的筛选方法、装置、设备及介质 | |
CN110196951A (zh) | 用户匹配方法及设备 | |
CN112395401A (zh) | 自适应负样本对采样方法、装置、电子设备及存储介质 | |
CN111831919A (zh) | 课程规划方法、装置、存储介质及系统 | |
Lim et al. | Evolving relationships between social networks and stakeholder involvement in software projects | |
CN115587192A (zh) | 关系信息抽取方法、设备及计算机可读存储介质 | |
Salcedo-Sanz et al. | Teaching advanced features of evolutionary algorithms using Japanese puzzles | |
Ptitsyna et al. | Formation of Individual Educational Trajectories in Preparing IT specialists | |
Choudhury et al. | Autostyle: Scale-driven hint generation for coding style | |
CN111062623A (zh) | 课程效果评估方法、装置、设备以及存储介质 | |
CN117056452B (zh) | 知识点学习路径构建方法、装置、设备以及存储介质 | |
CN113723611B (zh) | 基于因果推断的业务因子生成方法、装置、设备及介质 |
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 |