CN113609402A - 一种基于大数据分析的行业交友交流信息智能推荐方法 - Google Patents

一种基于大数据分析的行业交友交流信息智能推荐方法 Download PDF

Info

Publication number
CN113609402A
CN113609402A CN202111179847.7A CN202111179847A CN113609402A CN 113609402 A CN113609402 A CN 113609402A CN 202111179847 A CN202111179847 A CN 202111179847A CN 113609402 A CN113609402 A CN 113609402A
Authority
CN
China
Prior art keywords
user
matching
learning
information
new user
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
Application number
CN202111179847.7A
Other languages
English (en)
Other versions
CN113609402B (zh
Inventor
王彬阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen I Zhu Liangyuan Technology Group Co ltd
Original Assignee
Shenzhen I Zhu Liangyuan Technology Group Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen I Zhu Liangyuan Technology Group Co ltd filed Critical Shenzhen I Zhu Liangyuan Technology Group Co ltd
Priority to CN202111179847.7A priority Critical patent/CN113609402B/zh
Publication of CN113609402A publication Critical patent/CN113609402A/zh
Application granted granted Critical
Publication of CN113609402B publication Critical patent/CN113609402B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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
    • G06Q50/01—Social networking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Technology (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开提供的一种基于大数据分析的行业交友交流信息智能推荐方法。该基于大数据分析的行业交友交流信息智能推荐方法包括：调取学习交互平台新用户对应的注册信息、各历史注册用户对应的注册信息和各历史注册用户对应的更新信息；构建新用户匹配标签；将该新用户对应的注册信息与该学习平台各历史注册用户对应的注册信息、更新信息分别进行匹配筛分，获取该新用户对应的适配线下推荐学友和适配线上推荐学友；本发明有效的解决了现有的交友方式需要花费考生大量的检索时间，添加的学友的适配率也无法达到最佳的问题，实现了对考研学生线上、线下学友的同步闭环推荐，同时也大大的保障了学习资源共享的最大化。

Description

一种基于大数据分析的行业交友交流信息智能推荐方法
技术领域
本发明属于交友信息推荐技术领域，涉及到一种基于大数据分析的行业交友交流信息智能推荐方法。
背景技术
在信息飞速发展时代，教育培训行业也逐渐成为热门行业之一，大多数人在工作或还未毕业时，都选择考研的方式来进一步提升和拓宽自己，考生之间的学习交流可以有效的促进考生的学习效率。
现在市场上没有专门提供一种针对考研学生的交友软件，也没有提供一种针对考研学生的交流方法，现阶段还停留在通过群聊、身边考研同学或者其他方式通过考生自己进行筛选来添加考研学友，这种方式需要花费考生大量的检索时间，添加的学友的适配率也无法达到最佳，并且在交友方面具有很大的局限性，同时，现有的方式无法实现线上线下学友的闭环推荐，进而无法达到学习资源共享的最大化。
发明内容
鉴于此，为解决上述背景技术中所提出的问题，现提出针对考研用户一种基于大数据分析的行业交友交流信息智能推荐方法，实现了对在校考研学生和非在校考研学生线上学友和线下学友的同步推荐。
本发明的目的可以通过以下技术方案实现：本发明提供了一种基于大数据分析的行业交友交流信息智能推荐方法，该方法包括以下步骤：第一步、调取学习交互平台新用户对应的注册信息，其中注册信息包括新用户学习意向信息和基础信息。
第二步、调取该学习交互平台历史注册用户对应的注册信息，将该学习交互平台历史注册用户记为
Figure 754875DEST_PATH_IMAGE001
，i=1,2,......n，n取值为整数。
第三步、调取该学习交互平台信息更新模块中历史注册用户对应的更新信息，将更新信息的历史注册用户记为历更用户，将历更用户标记为
Figure 632832DEST_PATH_IMAGE002
，j=1,2,......m，m取值为整数。
第四步、根据该学习交互平台新用户对应的注册信息，构建该新用户对应的匹配标签，其具体操作过程如下：S1、根据该学习交互平台新用户对应的各学习意向信息。
S2、将该新用户对应的各学习意向信息记为第一匹配标签，其中，第一匹配标签包括院校匹配标签和方向匹配标签。
S3、调取该学习交互平台新用户对应的各基础信息。
S4、将该新用户对应的各基础信息记为第二匹配标签，其中，第二匹配标签包括年龄匹配标签、性别匹配标签、类别匹配标签和位置匹配标签。
第五步、将该新用户对应的注册信息与该学习平台各历史注册用户对应的注册信息进行匹配筛分，获取该新用户对应的适配线下推荐学友。
第六步、将该新用户对应的注册信息与该学习平台各历更用户对应的更新信息进行匹配筛分，获取该新用户对应的适配线上推荐学友。
第七步、调取该新用户对应的适配线下推荐学友和适配线上推荐学友对应的加友链接。
第八步、将该新用户适配线下推荐学友和适配线上推荐学友对应的加友链接发送至该用户对应的学习交互平台登录界面。
在上述方法中，该学习交互平台新用户注册信息获取过程如下：当学习交互平台接收该新用户发送的注册请求指令时，发送基础信息填写指令至该新用户对应的注册界面。
该新用户完成基础信息填写，并进行基础信息填写确认，其中，所述基础信息包括年龄、性别、学习类别和所在区域位置。
当该新用户完成基础信息填写后，保存该新用户填写的基础信息，发送学习意向信息填写指令至该新用户对应的注册界面。
该新用户进行学习意向信息填写，其中学习意向信息为意向考研院校和意向考研方向，将新用户对应的意向考研院校记为
Figure 595365DEST_PATH_IMAGE003
，r=1,2,......s，获取该新用户各意向考研院校对应的名称、选择顺序和各选择顺序对应的权重。
当该新用户完成学习意向信息填写后，保存该新用户对应的学习意向信息，生成该用户对应的注册账号。
在上述方法中，学习交互平台历史注册用户的信息包括历史注册用户对应的学习意向信息、基础信息和注册时长，构建各历史注册用户注册信息集合
Figure 962893DEST_PATH_IMAGE004
，
Figure 876622DEST_PATH_IMAGE005
表示该学习平台第x个历史注册用户对应的第w个注册信息，w表示注册信息，w=a1,a2,a3,a1,a2和a3分别表示学习意向信息、基础信息和注册时长。
在上述方法中，该学习交互平台历史更新模块内历史注册用户对应的更新信息获取过程如下：调取该学习交互平台信息更新模块中历更用户的数量；
获取各历更用户对应的学习状态，其中，学习状态包括考研成功、放弃考研和继续备战。
获取各历更用户学习状态对应的更新时间，进而获取各历更用户更新时间与当前对应的间隔时长，标记为更新时长。
获取各历更用户对应的更新区域位置。
构建各历更用户更新信息集合
Figure 620587DEST_PATH_IMAGE006
，
Figure 903539DEST_PATH_IMAGE007
表示该学习交互平台第y个历更用户第e个更新信息，e表示更新信息，e=b1,b2,b3,b1,b2和b3分别表示学习状态、更新时长和更新区域位置。
在上述方法中，该新用户对应的适配线下推荐学友获取通过对该用户第一匹配标签进行分析，其分析过程如下：M1、获取该新用户对应的第一匹配标签，进而获取该新用户对应的各院校匹配标签、方向匹配标签和各院校匹配标签对应的意向权重。
M2、获取该学习交互平台各历史注册用户意向考研院校数量、各意向考研院校对应的权重和意向考研方向。
M3、设置该用户对应的目标院校匹配标签和各历史注册用户目标匹配院校。
M4、根据将该新用户对应的目标院校匹配标签和各历史注册用户对应的目标匹配院校，筛选出待选用户的数量。
M5、获取各待选用户对应的意向院校匹配指数
Figure 441968DEST_PATH_IMAGE008
，
Figure 108572DEST_PATH_IMAGE008
表示第t个待选用户对应的意向院校匹配指数。
M6、将各待选用户对应的意向考研方向与该新用户对应的方向匹配标签进行匹配对比，获取各待选用户对应的意向方向匹配指数
Figure 829797DEST_PATH_IMAGE009
，
Figure 62195DEST_PATH_IMAGE009
表示第t个待选用户对应的意向方向匹配指数。
M7、获取各待选用户对应的学习意向信息匹配指数，标记为
Figure 505946DEST_PATH_IMAGE010
，
Figure 863109DEST_PATH_IMAGE010
表示第t个待选用户对应的学习意向信息匹配指数。
在上述方法中，该新用户对应的适配线下推荐学友获取通过对该用户第二匹配标签进行分析，其分析过程如下：K1、获取该新用户对应的第二匹配标签，进而获取年龄匹配标签、性别匹配标签、类别匹配标签和位置匹配标签。
K2、获取各待选用户对应的对应的年龄、性别、学习类别和所在区域位置。
K3、利用年龄匹配指数计算公式计算各待选用户对应的年龄匹配指数
Figure 181833DEST_PATH_IMAGE011
，
Figure 472000DEST_PATH_IMAGE011
表示第t个待选用户对应的年龄匹配指数。
K4、将各待选用户对应的性别与该新用户对应的性别匹配标签进行匹配对比，获取各待选用户对应的性别匹配指数
Figure 352231DEST_PATH_IMAGE012
，
Figure 727849DEST_PATH_IMAGE012
表示第t个待选用户对应的性别匹配指数。
K5、将各待选用户对应的学习类别与该新用户对应的类别标签进行匹配对比，获取各待选用户对应的类别匹配指数
Figure 587614DEST_PATH_IMAGE013
，
Figure 997867DEST_PATH_IMAGE013
表示第t个待选用户对应的类别匹配指数。
K6、利用距离匹配度计算公式计算各待选用户对应的距离匹配指数
Figure 783420DEST_PATH_IMAGE014
，
Figure 646334DEST_PATH_IMAGE014
表示第t个待选用户对应的距离匹配指数。
K7、利用基础信息综合匹配指数计算公式计算各待选用户基础信息对应的综合匹配指数。
在上述方法中，该新用户对应的适配线下推荐学友获取通过对该新用户对应的第一标签和第二标签进行综合分析，其分析过程如下：F1、获取各待选用户对应的学习意向信息匹配指数。
F2、获取各待选用户对应的基础信息综合匹配指数。
F3、计算各待选用户对应的交友推荐指数
Figure 306860DEST_PATH_IMAGE015
，
Figure 571619DEST_PATH_IMAGE015
表示第t个待选用户对应的交友推荐指数。
F4、根据各待选用户交友推荐指数，由大到小对各待选用户进行排序，根据各待选用户排序，筛选出排名第一位的待选用户，标记为适配线下推荐学友。
F5、提取适配线下推荐学友对应的编号。
在上述方法中，该新用户适配线上学友获取用于对各历更用户对应的更新信息进行分析，其分析过程如下：获取各历更用户对应的学习状态、更新时长和更新区域位置。
根据各历更用户对应的学习状态，筛选出考研成功的历更用户数量，将考研成功的历更用户记为目标用户。
计算各目标用户对应的更新时长匹配指数
Figure 793653DEST_PATH_IMAGE016
，
Figure 143863DEST_PATH_IMAGE016
表示第d个目标用户对应的更新时长匹配指数。
获取各目标用户对应的更新区域位置，进而获取各目标用户考研成功对应的院校名称。
根据各目标用户考研成功对应的院校名称，获取候选用户数量。
在上述方法中，该新用户适配线上学友获取用于对各候选用户对应的更新信息进行分析，根据各候选用户对应的编号，将各候选用户对应的更新时长匹配指数由大到小进行排序，筛选出排名第一位的候选用户，将该候选用户记为适配线上推荐学友，提取该适配线上推荐学友对应的编号。
在上述方法中，该新用户对应的适配线下推荐学友和适配线上推荐学友对应的加友链接调取通过根据该新用户适配线下推荐学友和适配线上推荐学友对应的编号，从该学习交互平台提取该新用户适配线下推荐学友和适配线上推荐学友加友链接。
本发明的有益效果：1、本发明提供的一种基于大数据分析的行业交友交流信息智能推荐方法，通过对该学习交互平台历史注册用户对应的学习意向信息、基础信息和更新信息进行细致的分析，有效的解决了现有的交友方式需要花费考生大量的检索时间，添加的学友的适配率也无法达到最佳的问题，进而有效的打破了现有的考研学生交友的局限性，实现了对考研学生线上、线下学友的同步闭环推荐，同时也大大的保障了学习资源共享的最大化。
2、本发明通过获取各历史注册用户的更新信息，有效的实现了历史注册用户信息的实时性和参考性，同时也大大的提高了对该新用户线上适配学友推荐的精准性。
3、本发明通过将新用户适配线下推荐学友和适配线上推荐学友对应的加友链接发送至该用户对应的学习交互平台登录界面，大大的节省了该新用户添加学友的效率，同时也有效的提高了该新用户添加学友的可靠性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明方法实施步骤图。
具体实施方式
下面将结合本发明实施以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。
请参阅图1所示，一种基于大数据分析的行业交友交流信息智能推荐方法，该方法包括以下步骤：第一步、调取学习交互平台新用户对应的注册信息，其中注册信息包括新用户学习意向信息和基础信息。
具体地，该学习交互平台新用户注册信息获取过程如下：当学习交互平台接收该新用户发送的注册请求指令时，发送基础信息填写指令至该新用户对应的注册界面。
该新用户完成基础信息填写，并进行基础信息填写确认，其中，所述基础信息包括年龄、性别、学习类别和所在区域位置。
当新用户学习类别为学生考研时，用户所在区域位置为该新用户当前就读高校所在位置，当用户学习类别为非学生考研时，用户所在区域位置为该新用户当前居住区域位置。
当该新用户完成基础信息填写后，保存该新用户填写的基础信息，发送学习意向信息填写指令至该新用户对应的注册界面。
该新用户进行学习意向信息填写，其中学习意向信息为意向考研院校和意向考研方向，将新用户对应的意向考研院校记为
Figure 153887DEST_PATH_IMAGE003
，r=1,2,......s，获取该用户各意向考研院校对应的名称、选择顺序和各选择顺序对应的权重。
其中，该新用户对应的意向考研院校多项选择，当该用户为多个选择时，其选择顺序与其院校的意向权重对应。
其中，该新用户意向考研方向指用户意向考研专业方向，例如：自动化、金融、哲学等。
当该新用户完成学习意向信息填写后，保存该新用户对应的学习意向信息，生成该用户对应的注册账号。
本发明实施例通过获取该新用户对应的注册信息，为后续对该新用户线上适配学友和线下适配学友的匹配推荐提供了有力的信息基础。
第二步、调取该学习交互平台历史注册用户对应的注册信息，将该学习交互平台历史注册用户记为
Figure 273153DEST_PATH_IMAGE001
，i=1,2,......n，n取值为整数。
具体地，学习交互平台历史注册用户的信息包括历史注册用户对应的学习意向信息、基础信息和注册时长，构建各历史注册用户注册信息集合
Figure 666088DEST_PATH_IMAGE004
，
Figure 706856DEST_PATH_IMAGE017
表示该学习平台第x个历史注册用户对应的第w个注册信息，w表示注册信息，w=a1,a2,a3,a1,a2和a3分别表示学习意向信息、基础信息和注册时长。
其中该学习交互平台历史注册用户对应的学习意向信息为意向考研院校数量、各意向考研院校对应的名称、各意向考研院校对应的意向权重和意向考研方向，该学习交互平台历史注册用户对应的基础信息为历史注册用户对应的年龄、性别、学习类别和所在区域位置。
第三步、调取该学习交互平台信息更新模块中历史注册用户对应的更新信息，将更新信息的历史注册用户记为历更用户，将历更用户标记为
Figure 505923DEST_PATH_IMAGE002
，j=1,2,......m，m取值为整数。
具体地，该学习交互平台历史更新模块内历史注册用户对应的更新信息获取过程如下：调取该学习交互平台信息更新模块中历更用户的数量。
获取各历更用户对应的学习状态，其中，学习状态包括考研成功、放弃考研和继续备战。
获取各历更用户学习状态对应的更新时间，进而获取各历更用户更新时间与当前对应的间隔时长，标记为更新时长。
获取各历更用户对应的更新区域位置。
若历更用户学习状态为考研成功，历更用户对应的更新区域位置为成功院校所在位置，若历更用户学习状态为放弃考研或继续备战，历更用户对应的更新区域位置为其更新信息时所在位置。
构建各历更用户更新信息集合
Figure 682957DEST_PATH_IMAGE006
，
Figure 43532DEST_PATH_IMAGE007
表示该学习交互平台第y个历更用户第e个更新信息，e表示更新信息，e=b1,b2,b3,b1,b2和b3分别表示学习状态、更新时长和更新区域位置。
本发明实施例通过获取各历史注册用户的更新信息，有效的实现了历史注册用户信息的实时性和参考性，同时也大大的提高了对该新用户线上适配学友推荐的精准性。
第四步、根据该学习交互平台新用户对应的注册信息，构建该新用户对应的匹配标签，其具体操作过程如下：S1、根据该学习交互平台新用户对应的各学习意向信息。
S2、将该新用户对应的各学习意向信息记为第一匹配标签，其中，第一匹配标签包括院校匹配标签和方向匹配标签。
S3、调取该学习交互平台新用户对应的各基础信息。
S4、将该新用户对应的各基础信息记为第二匹配标签，其中，第二匹配标签包括年龄匹配标签、性别匹配标签、类别匹配标签和位置匹配标签。
第五步、将该新用户对应的注册信息与该学习平台各历史注册用户对应的注册信息进行匹配筛分，获取该新用户对应的适配线下推荐学友。
具体地，该新用户对应的适配线下推荐学友获取通过对该用户第一匹配标签进行分析，其分析过程如下：M1、获取该新用户对应的第一匹配标签，进而获取该新用户对应的各院校匹配标签、方向匹配标签和各院校匹配标签对应的意向权重。
M2、根据该学习交互平台历史注册用户对应的学习意向信息，获取各历史注册用户意向考研院校数量、各意向考研院校对应的权重和意向考研方向。
M3、设置该用户对应的目标院校匹配标签和各历史注册用户目标匹配院校。
其中，该新用户目标院校匹配标签为该新用户排名前三位的院校；各历史注册用户的目标匹配院校为该学习交互平台各历史注册用户排名前三位对应的意向考研院校。
M4、根据将该新用户对应的目标院校匹配标签和各历史注册用户对应的目标匹配院校，筛选出待选用户的数量。
其中，待选用户为与该新用户目标院校匹配标签一致的历史注册用户。
M5、获取各待选用户对应的意向院校匹配指数
Figure 368334DEST_PATH_IMAGE008
。
其中，各待选用户对应的意向院校匹配指数获取过程如下：将排序第一位、第二位、第三位的目标匹配院校分别记为第一意向院校、第二意向院校、第三意向院校。
将排序第一位、第二位、第三位的目标院校匹配标签分别记为第一意向院校标签、第二意向院校标签、第三意向院校标签。
将各待选用户的第一意向院校与该新用户对应的第一意向院校标签进行匹配对比，若某待选用户的第一意向院校与该新用户对应的第一意向院校标签一致，则将该待选用户第一意向院校匹配指数记为
Figure 911704DEST_PATH_IMAGE018
，若某待选用户的第一意向院校与该新用户对应的第一意向院校标签不一致，则将该待选用户第一意向院校匹配指数记为
Figure 5562DEST_PATH_IMAGE019
，
Figure 740300DEST_PATH_IMAGE020
。
按照上述各待选用户第一院校意向匹配指数的获取方法获取各待选用户对应的第二意向院校匹配指数和第三意向院校匹配指数，分别标记为
Figure 286819DEST_PATH_IMAGE021
，
Figure 99792DEST_PATH_IMAGE022
，
Figure 48156DEST_PATH_IMAGE023
,
Figure 953795DEST_PATH_IMAGE024
。
将各待选用户对应的第一意向院校匹配指数、第二意向院校匹配指数和第三意向院校匹配指数代入意向院校匹配指数计算公式
Figure 987610DEST_PATH_IMAGE025
，即可获取各待选用户对应的意向院校匹配指数，c1,c2,c3为预设的排序第一位对应的优先级系数、排序第二位对应的优先级系数、排序第三位对应的优先级系数，
Figure 872783DEST_PATH_IMAGE026
表示各待选用户第一意向院校匹配指数，
Figure 941233DEST_PATH_IMAGE027
，t表示待选用户编号，t=1,2,......u。
M6、将各待选用户对应的意向考研方向与该新用户对应的方向匹配标签进行匹配对比，获取各待选用户对应的意向方向匹配指数
Figure 17774DEST_PATH_IMAGE009
。
若某待选用户对应的意向考研方向与该新用户对应的方向匹配标签不一致，则将该待选用户对应的意向方向匹配指数记为
Figure 538885DEST_PATH_IMAGE028
。
若某待选用户对应的意向考研方向与该新用户对应的方向匹配标签一致，则将该待选用户对应的意向方向匹配指数记为
Figure 224819DEST_PATH_IMAGE029
。
M7、获取各待选用户对应的学习意向信息匹配指数，标记为
Figure 147775DEST_PATH_IMAGE010
。
其中，各待选用户对应的学习意向信息匹配指数获取过程为：将各待选用户对应的意向院校匹配指数与各待选用户对应的意向方向匹配指数代入学习意向信息匹配指数计算公式
Figure 395217DEST_PATH_IMAGE030
，即获取各待选用户对应的学习意向信息匹配指数，
Figure 403624DEST_PATH_IMAGE031
为各待选用户对应的意向方向匹配指数，
Figure 161758DEST_PATH_IMAGE032
，
Figure 939221DEST_PATH_IMAGE033
为修正系数。
具体地，该新用户对应的适配线下推荐学友获取通过对该用户第二匹配标签进行分析，其分析过程如下：K1、获取该新用户对应的第二匹配标签，进而获取年龄匹配标签、性别匹配标签、类别匹配标签和位置匹配标签。
K2、获取各待选用户对应的对应的年龄、性别、学习类别和所在区域位置。
K3、利用年龄匹配指数计算公式计算各待选用户对应的年龄匹配指数
Figure 560827DEST_PATH_IMAGE011
。
其中，年龄匹配指数计算公式为
Figure 289486DEST_PATH_IMAGE034
，
Figure 84267DEST_PATH_IMAGE035
表示各待选用户对应的年龄，
Figure 981816DEST_PATH_IMAGE036
表示该新用户对应的年龄。
K4、将各待选用户对应的性别与该新用户对应的性别匹配标签进行匹配对比，获取各待选用户对应的性别匹配指数
Figure 305481DEST_PATH_IMAGE012
。
若某待选用户性别与该新用户对应的性别一致，则将该待选用户对应的性别匹配指数记为
Figure 43805DEST_PATH_IMAGE037
，若某待选用户与该新用户对应的性别不一致，则将该待选用户对应的性别匹配指数记为
Figure 376698DEST_PATH_IMAGE038
，
Figure 66436DEST_PATH_IMAGE039
。
K5、将各待选用户对应的学习类别与该新用户对应的类别标签进行匹配对比，获取各待选用户对应的类别匹配指数
Figure 357740DEST_PATH_IMAGE013
。
若某待选用户对应的学习类别与该新用户对应的学习类别一致，则该待选用户对应的类别匹配指数记为
Figure 264254DEST_PATH_IMAGE040
，若某待选用户对应的学习类别与该新用户对应的学习类别不一致，则该待选用户对应的类别匹配指数记为
Figure 400837DEST_PATH_IMAGE041
，
Figure 210662DEST_PATH_IMAGE042
。
K6、根据各待选用户对应的所在区域位置和该新用户对应的位置匹配标签，获取各待选用户与该新用户之间的距离，利用距离匹配度计算公式计算各待选用户对应的距离匹配指数
Figure 908753DEST_PATH_IMAGE043
。
其中，距离匹配度计算公式为
Figure 600765DEST_PATH_IMAGE044
,
Figure 172747DEST_PATH_IMAGE047
为各待选用户与该新用户之间的距离，
Figure 540274DEST_PATH_IMAGE048
为设定的用户标准距离。
其中，各待选用户与该新用户之间的距离用于根据各待选用户对应的所在区域位置和该新用户对应的位置获取。
K7、利用基础信息综合匹配指数计算公式计算各待选用户基础信息对应的综合匹配指数。
其中，基础信息综合匹配指数计算公式
Figure 188424DEST_PATH_IMAGE049
，f1,f2,f3,f4为预设系数，Z为匹配指数修正系数。
具体地，该新用户对应的适配线下推荐学友获取通过对该新用户对应的第一标签和第二标签进行综合分析，其分析过程如下：F1、获取各待选用户对应的学习意向信息匹配指数。
F2、获取各待选用户对应的基础信息综合匹配指数。
F3、计算各待选用户对应的交友推荐指数
Figure 168275DEST_PATH_IMAGE050
。
其中，各待选用户对应的交友推荐指数计算过程为：将各待选用户对应的学习意向信息匹配指数和基础信息匹配指数代入交友推荐指数计算公式
Figure 483850DEST_PATH_IMAGE051
，
Figure 163224DEST_PATH_IMAGE052
为预设系数，
Figure 62784DEST_PATH_IMAGE053
为预设的交友推荐指数。
F4、根据各待选用户交友推荐指数，由大到小对各待选用户进行排序，根据各待选用户排序，筛选出排名第一位的待选用户，标记为适配线下推荐学友；
F5、提取适配线下推荐学友对应的编号。
第六步、将该新用户对应的注册信息与该学习平台各历更用户对应的更新信息进行匹配筛分，获取该新用户对应的适配线上推荐学友。
具体地，该新用户适配线上学友获取用于对各历更用户对应的更新信息进行分析，其分析过程如下：获取各历更用户对应的学习状态、更新时长和更新区域位置。
根据各历更用户对应的学习状态，筛选出考研成功的历更用户数量，将考研成功的历更用户记为目标用户。
计算各目标用户对应的更新时长匹配指数
Figure 344861DEST_PATH_IMAGE016
。
其中，各目标用户对应的更新时长匹配指数计算过程为：将各目标对应的更新时长代入更新时长匹配指数计算公式
Figure 46101DEST_PATH_IMAGE054
，即获取各目标用户对应的更新时长匹配指数，
Figure 489852DEST_PATH_IMAGE055
为预设的标准更新时长，
Figure 348480DEST_PATH_IMAGE056
为各目标用户对应的更新时长，d为目标用户编号，d=1,2,......h。
获取各目标用户对应的更新区域位置，进而获取各目标用户考研成功对应的院校名称。
根据各目标用户考研成功对应的院校名称，获取候选用户数量。
其中，候选用户获取过程为：将各目标用户考研成功对应的院校名称与该新用户对应的第一意向院校标签进行匹配对比，筛选出与该用户第一意向院校一致的目标用户数量，将该目标用户记为候选用户，提取候选用户对应的编号。
具体地，该新用户适配线上学友获取用于对各候选用户对应的更新信息进行分析，根据各候选用户对应的编号，提取各候选用户对应的更新时长匹配指数，将各候选用户对应的更新时长匹配指数由大到小进行排序，根据各候选用户对应的排序，筛选出排名第一位的候选用户，将该候选用户记为适配线上推荐学友，提取该适配线上推荐学友对应的编号。
本发明实施例通过对该学习交互平台历史注册用户对应的学习意向信息、基础信息和更新信息进行细致的分析，有效的解决了现有的交友方式需要花费考生大量的检索时间，添加的学友的适配率也无法达到最佳的问题，进而有效的打破了现有的考研学生交友的局限性，实现了对考研学生线上、线下学友的同步闭环推荐，同时也大大的保障了学习资源共享的最大化。
第七步、调取该新用户对应的适配线下推荐学友和适配线上推荐学友对应的加友链接。
具体地，该新用户对应的适配线下推荐学友和适配线上推荐学友对应的加友链接调取通过根据该新用户适配线下推荐学友和适配线上推荐学友对应的编号，从该学习交互平台提取该新用户适配线下推荐学友和适配线上推荐学友加友链接。
在一个具体实施例中，所述加友链接包括但不限于网址、二维码和名片。
第八步、将该新用户适配线下推荐学友和适配线上推荐学友对应的加友链接发送至该用户对应的学习交互平台登录界面。
本发明实施例通过将新用户适配线下推荐学友和适配线上推荐学友对应的加友链接发送至该用户对应的学习交互平台登录界面，大大的节省了该新用户添加学友的效率，同时也有效的提高了该新用户添加学友的可靠性。
以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (10)

1.一种基于大数据分析的行业交友交流信息智能推荐方法，其特征在于：该方法包括以下步骤：
第一步、调取学习交互平台新用户对应的注册信息，其中注册信息包括新用户学习意向信息和基础信息；
第二步、调取该学习交互平台历史注册用户对应的注册信息，将该学习交互平台历史注册用户记为
Figure 848483DEST_PATH_IMAGE001
，i=1,2,......n，n取值为整数；
第三步、调取该学习交互平台信息更新模块中历史注册用户对应的更新信息，将更新信息的历史注册用户记为历更用户，将历更用户标记为
Figure 754122DEST_PATH_IMAGE002
，j=1,2,......m，m取值为整数；
第四步、根据该学习交互平台新用户对应的注册信息，构建该新用户对应的匹配标签，其具体操作过程如下：
S1、根据该学习交互平台新用户对应的各学习意向信息；
S2、将该新用户对应的各学习意向信息记为第一匹配标签，其中，第一匹配标签包括院校匹配标签和方向匹配标签；
S3、调取该学习交互平台新用户对应的各基础信息；
S4、将该新用户对应的各基础信息记为第二匹配标签，其中，第二匹配标签包括年龄匹配标签、性别匹配标签、类别匹配标签和位置匹配标签；
第五步、将该新用户对应的注册信息与该学习平台各历史注册用户对应的注册信息进行匹配筛分，获取该新用户对应的适配线下推荐学友；
第六步、将该新用户对应的注册信息与该学习平台各历更用户对应的更新信息进行匹配筛分，获取该新用户对应的适配线上推荐学友；
第七步、调取该新用户对应的适配线下推荐学友和适配线上推荐学友对应的加友链接；
第八步、将该新用户适配线下推荐学友和适配线上推荐学友对应的加友链接发送至该用户对应的学习交互平台登录界面。
2.根据权利要求1所述的一种基于大数据分析的行业交友交流信息智能推荐方法，其特征在于：该学习交互平台新用户注册信息获取过程如下：
当学习交互平台接收该新用户发送的注册请求指令时，发送基础信息填写指令至该新用户对应的注册界面；
该新用户完成基础信息填写，并进行基础信息填写确认，其中，所述基础信息包括年龄、性别、学习类别和所在区域位置；
当该新用户完成基础信息填写后，保存该新用户填写的基础信息，发送学习意向信息填写指令至该新用户对应的注册界面；
该新用户进行学习意向信息填写，其中学习意向信息为意向考研院校和意向考研方向，将新用户对应的意向考研院校记为
Figure 787937DEST_PATH_IMAGE003
，r=1,2,......s，获取该新用户各意向考研院校对应的名称、选择顺序和各选择顺序对应的权重；
当该新用户完成学习意向信息填写后，保存该新用户对应的学习意向信息，生成该用户对应的注册账号。
3.根据权利要求1所述的一种基于大数据分析的行业交友交流信息智能推荐方法，其特征在于：该学习交互平台历史注册用户的信息包括历史注册用户对应的学习意向信息、基础信息和注册时长，构建各历史注册用户注册信息集合
Figure 673110DEST_PATH_IMAGE004
，
Figure 741560DEST_PATH_IMAGE005
表示该学习平台第x个历史注册用户对应的第w个注册信息，w表示注册信息，w=a1,a2,a3,a1,a2和a3分别表示学习意向信息、基础信息和注册时长。
4.根据权利要求3所述的一种基于大数据分析的行业交友交流信息智能推荐方法，其特征在于：该学习交互平台历史更新模块内历史注册用户对应的更新信息获取过程如下：
调取该学习交互平台信息更新模块中历更用户的数量；
获取各历更用户对应的学习状态，其中，学习状态包括考研成功、放弃考研和继续备战；
获取各历更用户学习状态对应的更新时间，进而获取各历更用户更新时间与当前对应的间隔时长，标记为更新时长；
获取各历更用户对应的更新区域位置；
构建各历更用户更新信息集合
Figure 552522DEST_PATH_IMAGE006
，
Figure 41009DEST_PATH_IMAGE007
表示该学习交互平台第y个历更用户第e个更新信息，e表示更新信息，e=b1,b2,b3,b1,b2和b3分别表示学习状态、更新时长和更新区域位置。
5.根据权利要求1所述的一种基于大数据分析的行业交友交流信息智能推荐方法，其特征在于：该新用户对应的适配线下推荐学友获取通过对该用户第一匹配标签进行分析，其分析过程如下：
M1、获取该新用户对应的第一匹配标签，进而获取该新用户对应的各院校匹配标签、方向匹配标签和各院校匹配标签对应的意向权重；
M2、获取该学习交互平台各历史注册用户意向考研院校数量、各意向考研院校对应的权重和意向考研方向；
M3、设置该用户对应的目标院校匹配标签和各历史注册用户目标匹配院校；
M4、根据将该新用户对应的目标院校匹配标签和各历史注册用户对应的目标匹配院校，筛选出待选用户的数量；
M5、获取各待选用户对应的意向院校匹配指数
Figure 228408DEST_PATH_IMAGE008
，
Figure 885786DEST_PATH_IMAGE008
表示第t个待选用户对应的意向院校匹配指数；
M6、将各待选用户对应的意向考研方向与该新用户对应的方向匹配标签进行匹配对比，获取各待选用户对应的意向方向匹配指数
Figure 646411DEST_PATH_IMAGE009
，
Figure 123660DEST_PATH_IMAGE009
表示第t个待选用户对应的意向方向匹配指数；
M7、获取各待选用户对应的学习意向信息匹配指数，标记为
Figure 114750DEST_PATH_IMAGE010
，
Figure 626634DEST_PATH_IMAGE010
表示第t个待选用户对应的学习意向信息匹配指数。
6.根据权利要求1所述的一种基于大数据分析的行业交友交流信息智能推荐方法，其特征在于：该新用户对应的适配线下推荐学友获取通过对该用户第二匹配标签进行分析，其分析过程如下：
K1、获取该新用户对应的第二匹配标签，进而获取年龄匹配标签、性别匹配标签、类别匹配标签和位置匹配标签；
K2、获取各待选用户对应的对应的年龄、性别、学习类别和所在区域位置；
K3、利用年龄匹配指数计算公式计算各待选用户对应的年龄匹配指数
Figure 543512DEST_PATH_IMAGE011
，
Figure 508057DEST_PATH_IMAGE011
表示第t个待选用户对应的年龄匹配指数；
K4、将各待选用户对应的性别与该新用户对应的性别匹配标签进行匹配对比，获取各待选用户对应的性别匹配指数
Figure 302837DEST_PATH_IMAGE012
，
Figure 436272DEST_PATH_IMAGE012
表示第t个待选用户对应的性别匹配指数；
K5、将各待选用户对应的学习类别与该新用户对应的类别标签进行匹配对比，获取各待选用户对应的类别匹配指数
Figure 759937DEST_PATH_IMAGE013
，
Figure 477357DEST_PATH_IMAGE013
表示第t个待选用户对应的类别匹配指数；
K6、利用距离匹配度计算公式计算各待选用户对应的距离匹配指数
Figure 544670DEST_PATH_IMAGE014
，
Figure 529682DEST_PATH_IMAGE014
表示第t个待选用户对应的距离匹配指数；
K7、利用基础信息综合匹配指数计算公式计算各待选用户基础信息对应的综合匹配指数。
7.根据权利要求1所述的一种基于大数据分析的行业交友交流信息智能推荐方法，其特征在于：该新用户对应的适配线下推荐学友获取通过对该新用户对应的第一标签和第二标签进行综合分析，其分析过程如下：
F1、获取各待选用户对应的学习意向信息匹配指数；
F2、获取各待选用户对应的基础信息综合匹配指数；
F3、计算各待选用户对应的交友推荐指数
Figure 24248DEST_PATH_IMAGE015
，
Figure 963385DEST_PATH_IMAGE015
表示第t个待选用户对应的交友推荐指数；
F4、根据各待选用户交友推荐指数，由大到小对各待选用户进行排序，根据各待选用户排序，筛选出排名第一位的待选用户，标记为适配线下推荐学友；
F5、提取适配线下推荐学友对应的编号。
8.根据权利要求1所述的一种基于大数据分析的行业交友交流信息智能推荐方法，其特征在于：该新用户适配线上学友获取用于对各历更用户对应的更新信息进行分析，其分析过程如下：
获取各历更用户对应的学习状态、更新时长和更新区域位置；
根据各历更用户对应的学习状态，筛选出考研成功的历更用户数量，将考研成功的历更用户记为目标用户；
计算各目标用户对应的更新时长匹配指数
Figure 601433DEST_PATH_IMAGE016
，
Figure 942416DEST_PATH_IMAGE016
表示第d个目标用户对应的更新时长匹配指数；
获取各目标用户对应的更新区域位置，进而获取各目标用户考研成功对应的院校名称；
根据各目标用户考研成功对应的院校名称，获取候选用户数量。
9.根据权利要求1所述的一种基于大数据分析的行业交友交流信息智能推荐方法，其特征在于：该新用户适配线上学友获取用于对各候选用户对应的更新信息进行分析，根据各候选用户对应的编号，将各候选用户对应的更新时长匹配指数由大到小进行排序，筛选出排名第一位的候选用户，将该候选用户记为适配线上推荐学友，提取该适配线上推荐学友对应的编号。
10.根据权利要求1所述的一种基于大数据分析的行业交友交流信息智能推荐方法，其特征在于：该新用户对应的适配线下推荐学友和适配线上推荐学友对应的加友链接调取通过根据该新用户适配线下推荐学友和适配线上推荐学友对应的编号，从该学习交互平台提取该新用户适配线下推荐学友和适配线上推荐学友加友链接。
CN202111179847.7A 2021-10-11 2021-10-11 一种基于大数据分析的行业交友交流信息智能推荐方法 Active CN113609402B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111179847.7A CN113609402B (zh) 2021-10-11 2021-10-11 一种基于大数据分析的行业交友交流信息智能推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111179847.7A CN113609402B (zh) 2021-10-11 2021-10-11 一种基于大数据分析的行业交友交流信息智能推荐方法

Publications (2)

Publication Number Publication Date
CN113609402A true CN113609402A (zh) 2021-11-05
CN113609402B CN113609402B (zh) 2022-01-25

Family

ID=78343553

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111179847.7A Active CN113609402B (zh) 2021-10-11 2021-10-11 一种基于大数据分析的行业交友交流信息智能推荐方法

Country Status (1)

Country Link
CN (1) CN113609402B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114115663A (zh) * 2022-01-28 2022-03-01 浙江口碑网络技术有限公司 信息交互方法、装置及服务器

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140324720A1 (en) * 2013-03-14 2014-10-30 Tencent Technology (Shenzhen) Company Limited Method, system, intelligent terminal and storage medium for information recommendation
US20150242497A1 (en) * 2012-11-09 2015-08-27 Xiang He User interest recommending method and apparatus
CN105045811A (zh) * 2015-06-12 2015-11-11 广东小天才科技有限公司 一种推送学习资料的方法及装置
CN107590232A (zh) * 2017-09-07 2018-01-16 北京师范大学 一种基于网络学习环境的资源推荐系统及方法
CN109816545A (zh) * 2019-03-26 2019-05-28 长安大学 一种校园交友系统及方法
CN110647678A (zh) * 2019-09-02 2020-01-03 杭州数理大数据技术有限公司 一种基于用户性格标签的推荐方法
CN112287227A (zh) * 2020-03-20 2021-01-29 张明 在线学习推荐方法及在线学习系统
CN112347352A (zh) * 2020-11-04 2021-02-09 湖北工程学院 一种课程推荐方法、装置及存储介质
CN112614032A (zh) * 2020-12-28 2021-04-06 深圳市诺达教育股份有限公司 基于大数据的教育软件数据处理方法
CN112632400A (zh) * 2019-10-09 2021-04-09 北京新唐思创教育科技有限公司 师生匹配模型训练及匹配方法、装置、设备及存储介质
CN113343106A (zh) * 2021-06-29 2021-09-03 山东建筑大学 学生智能推荐方法及系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150242497A1 (en) * 2012-11-09 2015-08-27 Xiang He User interest recommending method and apparatus
US20140324720A1 (en) * 2013-03-14 2014-10-30 Tencent Technology (Shenzhen) Company Limited Method, system, intelligent terminal and storage medium for information recommendation
CN105045811A (zh) * 2015-06-12 2015-11-11 广东小天才科技有限公司 一种推送学习资料的方法及装置
CN107590232A (zh) * 2017-09-07 2018-01-16 北京师范大学 一种基于网络学习环境的资源推荐系统及方法
CN109816545A (zh) * 2019-03-26 2019-05-28 长安大学 一种校园交友系统及方法
CN110647678A (zh) * 2019-09-02 2020-01-03 杭州数理大数据技术有限公司 一种基于用户性格标签的推荐方法
CN112632400A (zh) * 2019-10-09 2021-04-09 北京新唐思创教育科技有限公司 师生匹配模型训练及匹配方法、装置、设备及存储介质
CN112287227A (zh) * 2020-03-20 2021-01-29 张明 在线学习推荐方法及在线学习系统
CN112287228A (zh) * 2020-03-20 2021-01-29 张明 在线学习推荐方法、在线学习系统及服务器
CN112347352A (zh) * 2020-11-04 2021-02-09 湖北工程学院 一种课程推荐方法、装置及存储介质
CN112614032A (zh) * 2020-12-28 2021-04-06 深圳市诺达教育股份有限公司 基于大数据的教育软件数据处理方法
CN113343106A (zh) * 2021-06-29 2021-09-03 山东建筑大学 学生智能推荐方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郭孝雪: ""微博用户标签推荐算法研究"", 《万方数据知识服务平台》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114115663A (zh) * 2022-01-28 2022-03-01 浙江口碑网络技术有限公司 信息交互方法、装置及服务器

Also Published As

Publication number Publication date
CN113609402B (zh) 2022-01-25

Similar Documents

Publication Publication Date Title
CN111460249B (zh) 一种基于学习者偏好建模的个性化学习资源推荐方法
CN110533974B (zh) 一种智能组卷方法、系统和计算机可读存储介质
US20080227079A1 (en) Method, Apparatus and Computer Program Code for Automation of Assessment Using Rubrics
CN106663230A (zh) 职业分析平台
CN115329200B (zh) 一种基于知识图谱和用户相似度的教学资源推荐方法
CN106127634B (zh) 一种基于朴素贝叶斯模型的学生学业成绩预测方法及系统
CN112214670A (zh) 一种在线课程推荐方法、装置、电子设备及存储介质
CN112801636A (zh) 基于学习地图及岗位画像的智能人才推荐培养平台及方法
Streifer et al. Using data mining to identify actionable information: Breaking new ground in data-driven decision making
CN111369535B (zh) 一种细胞检测方法
CN113609402B (zh) 一种基于大数据分析的行业交友交流信息智能推荐方法
Ikawati et al. Student behavior analysis to detect learning styles in Moodle learning management system
Hosseini et al. A study of concept-based similarity approaches for recommending program examples
CN109559576A (zh) 一种儿童伴学机器人及其早教系统自学习方法
CN115455205A (zh) 一种基于时序知识图谱的职业发展规划的方法
CN112214688A (zh) 选修课的推荐方法、装置和服务器
Rahayu et al. Defining e-portfolio factor for competency certification using fuzzy delphi method
Masood et al. Towards the selection of best machine learning model for student performance analysis and prediction
CN112907155A (zh) 评价学生作业产品的方法
Chaudhary et al. Student future prediction using machine learning
AU2023203872A1 (en) Data structure for curriculum management
KR20210058376A (ko) 인공지능 기반 동영상 해답 제공을 이용한 학습 시스템
Lara-Navarra et al. Singularity in higher education: Methods for detection and classification
Bracke et al. Re-envisioning instruction for the electronic environment of a 21st century science-engineering library
Charitopoulos et al. Blending E-Learning with Hands-on Laboratory Instruction in Engineering Education: An Experimental Study on Early Prediction of Student Performance and Behavior.

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