CN113656703B - 基于新上线课程的智能推荐方法、装置、设备及存储介质 - Google Patents

基于新上线课程的智能推荐方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113656703B
CN113656703B CN202111009272.4A CN202111009272A CN113656703B CN 113656703 B CN113656703 B CN 113656703B CN 202111009272 A CN202111009272 A CN 202111009272A CN 113656703 B CN113656703 B CN 113656703B
Authority
CN
China
Prior art keywords
course
courses
word
new online
vector
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
Application number
CN202111009272.4A
Other languages
English (en)
Other versions
CN113656703A (zh
Inventor
严杨扬
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.)
Ping An Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Property and Casualty Insurance Company of China 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 Ping An Property and Casualty Insurance Company of China Ltd filed Critical Ping An Property and Casualty Insurance Company of China Ltd
Priority to CN202111009272.4A priority Critical patent/CN113656703B/zh
Publication of CN113656703A publication Critical patent/CN113656703A/zh
Application granted granted Critical
Publication of CN113656703B publication Critical patent/CN113656703B/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
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Technology (AREA)
  • Computational Linguistics (AREA)
  • Educational Administration (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及人工智能领域，揭露一种基于新上线课程的智能推荐方法、装置、设备以及存储介质，所述方法包括：从线上课程系统中拉取新上线课程，识别新上线课程的课程主题和课程标签；对课程主题进行分词，得到课程词语，将课程词语和课程标签进行特征拼接，得到特征词语向量；计算特征词语向量与线上课程系统中历史课程的相似度，选取相似度大于预设阈值的历史课程作为新上线课程的相似课程，对相似课程进行优先级排序后，选取预设数量的相似课程，查询选取的相似课程的浏览用户，将新上线课程推荐至浏览用户，得到新上线课程的推荐结果。此外，本发明还涉及区块链技术，所述特征词语向量可存储于区块链中。本发明可以提高新上线课程的推荐准确率。

Description

基于新上线课程的智能推荐方法、装置、设备及存储介质
技术领域
本发明涉及人工智能领域，尤其涉及一种基于新上线课程的智能推荐方法、装置、电子设备及计算机可读存储介质。
背景技术
随着网络授课的日益普及，线上课程的不断更新，在面对还在海量更新的线上课程，如何高效准确的将新上线课程推送至目标用户显得愈发重要。
由于在实际业务场景中，新上线课程缺少用户的使用数据，因此，目前新上线课程通常是基于在线授课平台的后台管理人员设置的推荐规则进行课程推荐，但是这种课程推荐方式很可能会出现用户A需要课程A资料，而结果向用户A推荐课程B资料的现象，无法准确的识别用户的课程需求，从而无法准确的定位到新上线课程的感兴趣用户，进而会影响新上线课程的推荐准确率。
发明内容
本发明提供一种基于新上线课程的智能推荐方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高新上线课程的推荐准确率。
为实现上述目的，本发明提供的一种基于新上线课程的智能推荐方法，包括：
采用中间件技术从线上课程系统中拉取新上线课程，识别所述新上线课程的课程主题和课程标签；
采用分词工具对所述课程主题进行分词，得到课程词语，并将所述课程词语和所述课程标签进行特征拼接，得到特征词语向量；
计算所述特征词语向量与所述线上课程系统中历史课程的相似度，选取所述相似度大于预设阈值的历史课程作为所述新上线课程的相似课程，并对所述相似课程进行优先级排序，得到所述新上线课程的相似课程列表；
从所述相似课程列表中选取预设数量的相似课程，查询选取的所述相似课程的浏览用户，并将所述新上线课程推荐至所述浏览用户，得到所述新上线课程的推荐结果。
可选地，所述采用中间件技术从线上课程系统中拉取新上线课程，包括：
利用所述中间件技术搭建消息队列，配置所述消息队列与所述线上课程系统的数据传输协议；
根据所述数据传输协议，将所述线上课程系统中的新上线课程传输至所述消息队列中。
可选地，所述采用分词工具对所述课程主题进行分词，得到课程词语包括：
利用所述分词工具中的停用词表删除所述课程主题的无用词，得到初始课程主题；
利用所述分词工具中的分词算法对所述初始课程主题进行词语切分，得到课程词语。
可选地，所述利用所述分词工具中的分词算法对所述初始课程主题进行词语切分，得到课程词语，包括：
对所述初始课程主题进行词图扫描，得到所述初始课程主题的词语有向无环图；
计算所述词语有向无环图中的词语生成路径，得到词语生成概率；
根据所述词语生成概率，对所述词语有向无环图进行词语切分，得到课程词语。
可选地，所述将所述课程词语和所述课程标签进行向量拼接，得到特征词语向量，包括：
对所述课程词语进行特征提取，得到特征词语；
将所述特征词语和所述课程标签进行向量编码，得到编码词语和编码标签；
利用拼接字符将所述编码词语和编码标签进行向量拼接，得到特征词语向量。
可选地，所述计算所述特征词语向量与所述线上课程系统中历史课程的相似度，包括：
查询所述线上课程系统中的历史课程，并获取所述历史课程的历史词语向量；
构建所述特征词语向量和所述历史词语向量的向量矩阵；
计算所述特征词语向量与所述历史词语向量在所述向量矩阵中的相似度。
可选地，所述计算所述特征词语向量与所述历史词语向量在所述向量矩阵中的相似度，包括：
利用下述公式计算所述特征词语向量与所述历史词语向量在所述向量矩阵中的相似度：
Figure BDA0003238055080000021
其中，Similarityij表示相似度，Cik表示在向量矩阵中第k个位置的i特征词语向量，Cjk表示在向量矩阵中第k个位置的j历史词语向量，k表示在向量矩阵中特征词语向量和历史词语向量的位置，n表示向量矩阵中特征词语向量和历史词语向量的位置数量。
为了解决上述问题，本发明还提供一种基于新上线课程的智能推荐装置，所述装置包括：
课程识别模块，用于采用中间件技术从线上课程系统中拉取新上线课程，识别所述新上线课程的课程主题和课程标签；
特征拼接模块，用于采用分词工具对所述课程主题进行分词，得到课程词语，并将所述课程词语和所述课程标签进行特征拼接，得到特征词语向量；
相似课程获取模块，用于计算所述特征词语向量与所述线上课程系统中历史课程的相似度，选取所述相似度大于预设阈值的历史课程作为所述新上线课程的相似课程，并对所述相似课程进行优先级排序，得到所述新上线课程的相似课程列表；
课程推荐模块，用于从所述相似课程列表中选取预设数量的相似课程，查询选取的所述相似课程的浏览用户，并将所述新上线课程推荐至所述浏览用户，得到所述新上线课程的推荐结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以实现上述所述的基于新上线课程的智能推荐方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于新上线课程的智能推荐方法。
可以看出，本发明实施例首先采用中间件技术从线上课程系统中拉取新上线课程，可以保障所述线上课程系统中数据的异步处理，提高后续新上线课程的处理速度，并识别新上线课程的课程主题和课程标签，可以快速准去定位到所述新上线课程的课程对象，从而可以实现后续新上线课程的准确推荐；其次，本发明实施例采用分词工具对所述课程主题进行分词后与所述课程标签进行特征拼接，得到特征词语向量，以表征所述课程词语的课程标签，从而使得所述课程词语具有所述新上线课程的课程语义，进而可以更好的从多个维度表征所述新上线课程，进一步提高后续所述新上线课程的相似课程匹配准确率；进一步，本发明实施例通过计算所述特征词语向量与所述线上课程系统中历史课程的相似度，选取所述相似度大于预设阈值的历史课程作为所述新上线课程的相似课程后进行优先级排序，得到相似课程列表，可以根据所述相似课程列表，实现后续新上线课程的用户推荐前提，并从所述相似课程列表中选取预设数量的相似课程，查询选取的所述相似课程的浏览用户，将所述新上线课程推荐至所述浏览用户，可以定位所述新上线课程的感兴趣用户，从而可以保障所述新上线课程的用户推荐准确率。因此，本发明实施例提出的一种基于新上线课程的智能推荐方法、装置、电子设备以及存储介质可以准确定位新上线课程的感兴趣用户，保障新上线课程的推荐准确率。
附图说明
图1为本发明一实施例提供的基于新上线课程的智能推荐方法的流程示意图；
图2为本发明一实施例提供的基于新上线课程的智能推荐装置的模块示意图；
图3为本发明一实施例提供的实现基于新上线课程的智能推荐方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于新上线课程的智能推荐方法。所述基于新上线课程的智能推荐方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于新上线课程的智能推荐方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。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(ContentDeliveryNetwork，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。
参照图1所示，为本发明一实施例提供的基于新上线课程的智能推荐方法的流程示意图。在本发明实施例中，所述基于新上线课程的智能推荐方法包括：
S1、采用中间件技术从线上课程系统中拉取新上线课程，识别所述新上线课程的课程主题和课程标签。
本发明实施例中，所述中间件技术包括kafka消息中间件，其用于实现数据的异步处理，即将所述线上课程系统中的新上线课程放入消息队列中，在需要消费消息队列中的新上线课程时，再从消息队列中读取新上线课程，所述线上课程系统可以为网上授课平台，如平安的知鸟平台。
作为本发明的一个实施例，所述采用中间件技术从线上课程系统中拉取新上线课程，包括：利用所述中间件技术搭建消息队列，配置所述消息队列与所述线上课程系统的数据传输协议，根据所述数据传输协议，将所述线上课程系统中的新上线课程传输至所述消息队列中。
其中，所述消息队列的构建可以通过上述kafka消息中间件实现，所述数据传输协议包括网络传输协议和文件传输协议，所述网络传输协议如路由协议，TCP/IP协议等，所述文件传输协议如二进制文件协议。
基于所述中间件技术实现的新上线课程拉取，可以保障所述线上课程系统中数据的异步处理，提高后续新上线课程的处理速度，并同时可以实现所述线上课程系统中课程的实时动态获取。
进一步地，本发明实施例通过识别所述新上线课程的课程主题和课程标签，以保障后续所述新上线课程的推荐前提，所述课程主题可以理解为所述新上线课程的教学名称，所述课程标签可以理解为所述新上线课程的教学领域，如存在新上线课程为“大数据下的深度学习方法”，则可以将该新上线课程的名称“大数据下的深度学习方法”作为所述课程主题，将“大数据和深度学习”作为所述课程标签。
基于所述课程主题和课程标签的识别，可以快速准确的定位到所述新上线课程的课程对象，从而可以实现后续新上线课程的准确推荐。
S2、采用分词工具对所述课程主题进行分词，得到课程词语，并将所述课程词语和所述课程标签进行特征拼接，得到特征词语向量。
本发明实施例中，采用分词工具对所述课程主题进行分词，以将所述课程主题拆分为多个维度，从而实现后续相似课程的多个维度匹配，提高相似课程匹配的准确率。其中，所述分词工具包括停用词表和分词算法。作为本发明的一个实施例，所述采用分词工具对所述课程主题进行分词，得到课程词语包括：利用所述分词工具中的停用词表删除所述课程主题的无用词，得到初始课程主题，利用所述分词工具中的分词算法对所述初始课程主题进行词语切分，得到课程词语。
其中，所述无用词包括语气助词、功能词等，如“的、这、也等”，所述分词算法包括结巴分词算法，其用于将所述课程主题中所有可能组合成词的词语切分出来。
进一步地，在本发明一可选实施例中，所述利用所述分词工具中的分词算法对所述初始课程主题进行词语切分，得到课程词语，包括：对所述初始课程主题进行词图扫描，得到所述初始课程主题的词语有向无环图，计算所述词语有向无环图中的词语生成路径，得到词语生成概率，根据所述词语生成概率，对所述词语有向无环图进行词语切分，得到课程词语。
其中，所述初始课程主题的词图扫描可以通过结巴分词算法实现，所述词语有向无环图中的词语生成路径可以通过动态规划算法实现，所述结巴分词算法和所述动态规划算法可以通过Python语言进行编译。
进一步地，本发明实施例将所述课程词语和所述课程标签进行向量拼接，以表征所述课程词语的课程标签，从而使得所述课程词语具有所述新上线课程的课程语义，进而可以更好的从多个维度表征所述新上线课程，进一步提高后续所述新上线课程的相似课程匹配准确率。
作为本发明的一个实施例，所述将所述课程词语和所述课程标签进行向量拼接，得到特征词语向量，包括：对所述课程词语进行特征提取，得到特征词语，将所述特征词语和所述课程标签进行向量编码，得到编码词语和编码标签，利用拼接字符将所述编码词语和编码标签进行向量拼接，得到特征词语向量。
其中，所述特征提取用于删除所述课程词语中语义权重不满足预设条件的词语，以提高后续课程词语的处理效率。具体的，所述对所述课程词语进行特征提取，包括：计算所述课程词语中每个词语在所述课程主题的语义权重，选取所述语义权重大于预设权重的词语作为所述特征词语。可选的，所述语义权重的计算可以通过隐马尔可夫算法实现。
进一步地，所述特征词语和所述课程标签的向量编码可以通过one-hot算法实现，如所述特征词语为“深度学习”，通过所述one-hot算法对“深度学习”进行编码后得到其编码向量为“[1,0,0,1,0,1]”,所述拼接字符可以为“-”。
基于所述特征词语向量的生成，可以实现所述课程主题的数值计算，从而可以实现后续相似课程的匹配，并可以很好的从多个维度表征所述课程主题的课程语义，提高后续相似课程的匹配准确率，从而可以提高所述课程主题的新上线课程的推荐准确率。
进一步地，为保障所述特征词语向量的隐私性和安全性，所述特征词语向量还可存储于一区块链节点中。
S3、计算所述特征词语向量与所述线上课程系统中历史课程的相似度，选取所述相似度大于预设阈值的历史课程作为所述新上线课程的相似课程，并对所述相似课程进行优先级排序，得到所述新上线课程的相似课程列表。
本发明实施例中，所述历史课程是指在所述线上课程系统中已经上线的课程，其可以通过查询语句向所述线上课程系统中的后台数据库查询，所述查询语句可以为SQL语句，所述后台数据库可以为MySQL数据库。
作为本发明的一个实施例，所述计算所述特征词语向量与所述线上课程系统中历史课程的相似度，包括：查询所述线上课程系统中的历史课程，并获取所述历史课程的历史词语向量，构建所述特征词语向量和所述历史词语向量的向量矩阵，计算所述特征词语向量与所述历史词语向量在所述向量矩阵中的相似度。
其中，所述历史词语向量的获取可以参阅所述特征词语向量的生成步骤，在此不做进一步地阐述。所述向量矩阵根据所述特征词语向量和所述历史词语向量的数量生成，如存在10个特征词语向量和10个历史词语向量，则可以构建10*10的向量矩阵。
进一步地，在本发明又一可选实施例中，利用下述公式计算所述特征词语向量与所述历史词语向量在所述向量矩阵中的相似度：
Figure BDA0003238055080000071
其中，Similarityij表示相似度，Cik表示在向量矩阵中第k个位置的i特征词语向量，Cjk表示在向量矩阵中第k个位置的j历史词语向量，k表示在向量矩阵中特征词语向量和历史词语向量的位置，n表示向量矩阵中特征词语向量和历史词语向量的位置数量。
进一步地，本发明实施例通过选取所述相似度大于预设阈值的历史课程作为所述新上线课程的相似课程，并对所述相似课程进行优先级排序，得到所述新上线课程的相似课程列表，以根据所述相似课程列表，实现后续新上线课程的用户推荐前提，保障所述新上线课程的用户推荐准确率。
其中，所述预设阈值可以设置为0.75，也可以根据实际业务场景设置，所述优先级排序可以将所述相似度按照由高到底的顺序进行排序，即将所述相似度最高的相似课程放在所述新上线课程的相似课程列表的最前位置，将所述相似度最低的相似课程放在所述新上线课程的相似课程列表的最后位置。
S4、从所述相似课程列表中选取预设数量的相似课程，查询选取的所述相似课程的浏览用户，并将所述新上线课程推荐至所述浏览用户，得到所述新上线课程的推荐结果。
本发明实施例中，所述相似课程的预设数量可以根据用户需求进行设置，如用户A的需求为选取所述相似课程列表中排序前三的相似课程，则从所述相似课程列表中选取排序前三的相似课程，进一步地，本发明实施例通过查询所述选取的所述相似课程的浏览用户，以将所述新上线课程推荐至所述浏览用户，应该了解，所述浏览用户是指对所述相似课程进行收听或收藏过的用户，而所述相似课程与所述新上线课程的相似度较高，因此，本发明实施例将所述新上线课程推荐至所述浏览用户，可以定位所述新上线课程的感兴趣用户，从而可以保障所述新上线课程的用户推荐准确率。
可以看出，本发明实施例首先采用中间件技术从线上课程系统中拉取新上线课程，可以保障所述线上课程系统中数据的异步处理，提高后续新上线课程的处理速度，并识别新上线课程的课程主题和课程标签，可以快速准去定位到所述新上线课程的课程对象，从而可以实现后续新上线课程的准确推荐；其次，本发明实施例采用分词工具对所述课程主题进行分词后与所述课程标签进行特征拼接，得到特征词语向量，以表征所述课程词语的课程标签，从而使得所述课程词语具有所述新上线课程的课程语义，进而可以更好的从多个维度表征所述新上线课程，进一步提高后续所述新上线课程的相似课程匹配准确率；进一步，本发明实施例通过计算所述特征词语向量与所述线上课程系统中历史课程的相似度，选取所述相似度大于预设阈值的历史课程作为所述新上线课程的相似课程后进行优先级排序，得到相似课程列表，可以根据所述相似课程列表，实现后续新上线课程的用户推荐前提，并从所述相似课程列表中选取预设数量的相似课程，查询选取的所述相似课程的浏览用户，将所述新上线课程推荐至所述浏览用户，可以定位所述新上线课程的感兴趣用户，从而可以保障所述新上线课程的用户推荐准确率。因此，本发明实施例提出的一种基于新上线课程的智能推荐方法可以准确定位新上线课程的感兴趣用户，保障新上线课程的推荐准确率。
如图2所示，是本发明基于新上线课程的智能推荐装置的功能模块图。
本发明所述基于新上线课程的智能推荐装置100可以安装于电子设备中。根据实现的功能，所述基于新上线课程的智能推荐装置可以包括课程识别模块101、特征拼接模块102、相似课程获取模块103以及课程推荐模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备的处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述课程识别模块101，用于采用中间件技术从线上课程系统中拉取新上线课程，识别所述新上线课程的课程主题和课程标签；
所述特征拼接模块102，用于采用分词工具对所述课程主题进行分词，得到课程词语，并将所述课程词语和所述课程标签进行特征拼接，得到特征词语向量；
所述相似课程获取模块103，用于计算所述特征词语向量与所述线上课程系统中历史课程的相似度，选取所述相似度大于预设阈值的历史课程作为所述新上线课程的相似课程，并对所述相似课程进行优先级排序，得到所述新上线课程的相似课程列表；
所述课程推荐模块104，用于从所述相似课程列表中选取预设数量的相似课程，查询选取的所述相似课程的浏览用户，并将所述新上线课程推荐至所述浏览用户，得到所述新上线课程的推荐结果。
详细地，本发明实施例中所述基于新上线课程的智能推荐装置100中的所述各模块在使用时采用与上述的图1中所述的基于新上线课程的智能推荐方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图3所示，是本发明实现基于新上线课程的智能推荐方法的电子设备1的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于新上线课程的智能推荐程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备1的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于新上线课程的智能推荐程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于新上线课程的智能推荐程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备1与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备1之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
图3仅示出了具有部件的电子设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于新上线课程的智能推荐程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
采用中间件技术从线上课程系统中拉取新上线课程，识别所述新上线课程的课程主题和课程标签；
采用分词工具对所述课程主题进行分词，得到课程词语，并将所述课程词语和所述课程标签进行特征拼接，得到特征词语向量；
计算所述特征词语向量与所述线上课程系统中历史课程的相似度，选取所述相似度大于预设阈值的历史课程作为所述新上线课程的相似课程，并对所述相似课程进行优先级排序，得到所述新上线课程的相似课程列表；
从所述相似课程列表中选取预设数量的相似课程，查询选取的所述相似课程的浏览用户，并将所述新上线课程推荐至所述浏览用户，得到所述新上线课程的推荐结果。
具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备1的处理器所执行时，可以实现：
采用中间件技术从线上课程系统中拉取新上线课程，识别所述新上线课程的课程主题和课程标签；
采用分词工具对所述课程主题进行分词，得到课程词语，并将所述课程词语和所述课程标签进行特征拼接，得到特征词语向量；
计算所述特征词语向量与所述线上课程系统中历史课程的相似度，选取所述相似度大于预设阈值的历史课程作为所述新上线课程的相似课程，并对所述相似课程进行优先级排序，得到所述新上线课程的相似课程列表；
从所述相似课程列表中选取预设数量的相似课程，查询选取的所述相似课程的浏览用户，并将所述新上线课程推荐至所述浏览用户，得到所述新上线课程的推荐结果。
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，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
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。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。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。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (7)

1.一种基于新上线课程的智能推荐方法，其特征在于，所述方法包括：
采用中间件技术从线上课程系统中拉取新上线课程，识别所述新上线课程的课程主题和课程标签；
采用分词工具对所述课程主题进行分词，得到课程词语，并将所述课程词语和所述课程标签进行特征拼接，得到特征词语向量；
计算所述特征词语向量与所述线上课程系统中历史课程的相似度，选取所述相似度大于预设阈值的历史课程作为所述新上线课程的相似课程，并对所述相似课程进行优先级排序，得到所述新上线课程的相似课程列表；
从所述相似课程列表中选取预设数量的相似课程，查询选取的所述相似课程的浏览用户，并将所述新上线课程推荐至所述浏览用户，得到所述新上线课程的推荐结果；
其中，所述将所述课程词语和所述课程标签进行特征拼接，得到特征词语向量，包括：对所述课程词语进行特征提取，得到特征词语；将所述特征词语和所述课程标签进行向量编码，得到编码词语和编码标签；利用拼接字符将所述编码词语和编码标签进行向量拼接，得到特征词语向量；
所述计算所述特征词语向量与所述线上课程系统中历史课程的相似度，包括：查询所述线上课程系统中的历史课程，并获取所述历史课程的历史词语向量；构建所述特征词语向量和所述历史词语向量的向量矩阵；计算所述特征词语向量与所述历史词语向量在所述向量矩阵中的相似度；
所述计算所述特征词语向量与所述历史词语向量在所述向量矩阵中的相似度，包括：利用下述公式计算所述特征词语向量与所述历史词语向量在所述向量矩阵中的相似度：
Figure FDA0004190738630000011
其中，Similarityij表示相似度，Cik表示在向量矩阵中第k个位置的i特征词语向量，Cjk表示在向量矩阵中第k个位置的j历史词语向量，k表示在向量矩阵中特征词语向量和历史词语向量的位置，n表示向量矩阵中特征词语向量和历史词语向量的位置数量。
2.如权利要求1所述的基于新上线课程的智能推荐方法，其特征在于，所述采用中间件技术从线上课程系统中拉取新上线课程，包括：
利用所述中间件技术搭建消息队列，配置所述消息队列与所述线上课程系统的数据传输协议；
根据所述数据传输协议，将所述线上课程系统中的新上线课程传输至所述消息队列中。
3.如权利要求1所述的基于新上线课程的智能推荐方法，其特征在于，所述采用分词工具对所述课程主题进行分词，得到课程词语包括：
利用所述分词工具中的停用词表删除所述课程主题的无用词，得到初始课程主题；
利用所述分词工具中的分词算法对所述初始课程主题进行词语切分，得到课程词语。
4.如权利要求3所述的基于新上线课程的智能推荐方法，其特征在于，所述利用所述分词工具中的分词算法对所述初始课程主题进行词语切分，得到课程词语，包括：
对所述初始课程主题进行词图扫描，得到所述初始课程主题的词语有向无环图；
计算所述词语有向无环图中的词语生成路径，得到词语生成概率；
根据所述词语生成概率，对所述词语有向无环图进行词语切分，得到课程词语。
5.一种基于新上线课程的智能推荐装置，所述装置用于实现如权利要求1至4中任意一项所述的基于新上线课程的智能推荐方法，其特征在于，所述装置包括：
课程识别模块，用于采用中间件技术从线上课程系统中拉取新上线课程，识别所述新上线课程的课程主题和课程标签；
特征拼接模块，用于采用分词工具对所述课程主题进行分词，得到课程词语，并将所述课程词语和所述课程标签进行特征拼接，得到特征词语向量；
相似课程获取模块，用于计算所述特征词语向量与所述线上课程系统中历史课程的相似度，选取所述相似度大于预设阈值的历史课程作为所述新上线课程的相似课程，并对所述相似课程进行优先级排序，得到所述新上线课程的相似课程列表；
课程推荐模块，用于从所述相似课程列表中选取预设数量的相似课程，查询选取的所述相似课程的浏览用户，并将所述新上线课程推荐至所述浏览用户，得到所述新上线课程的推荐结果。
6.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至4中任意一项所述的基于新上线课程的智能推荐方法。
7.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4中任意一项所述的基于新上线课程的智能推荐方法。
CN202111009272.4A 2021-08-31 2021-08-31 基于新上线课程的智能推荐方法、装置、设备及存储介质 Active CN113656703B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111009272.4A CN113656703B (zh) 2021-08-31 2021-08-31 基于新上线课程的智能推荐方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111009272.4A CN113656703B (zh) 2021-08-31 2021-08-31 基于新上线课程的智能推荐方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113656703A CN113656703A (zh) 2021-11-16
CN113656703B true CN113656703B (zh) 2023-05-30

Family

ID=78482443

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111009272.4A Active CN113656703B (zh) 2021-08-31 2021-08-31 基于新上线课程的智能推荐方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113656703B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008515A (zh) * 2014-06-04 2014-08-27 江苏金智教育信息技术有限公司 一种智能选课推荐的方法
CN109933730A (zh) * 2019-03-29 2019-06-25 沈阳师范大学 一种中小学教育的名师优课推荐资源应用方法及系统
CN112732892A (zh) * 2020-12-30 2021-04-30 平安科技（深圳）有限公司 课程推荐方法、装置、设备及存储介质
CN112860851A (zh) * 2021-01-22 2021-05-28 平安科技（深圳）有限公司 基于根因分析的课程推荐方法、装置、设备及介质
CN113065060A (zh) * 2021-02-18 2021-07-02 山东师范大学 基于深度学习的教育平台课程推荐方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101678521B1 (ko) * 2016-06-07 2016-11-22 주식회사 미래엔 도서 추천 서비스 제공 장치 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008515A (zh) * 2014-06-04 2014-08-27 江苏金智教育信息技术有限公司 一种智能选课推荐的方法
CN109933730A (zh) * 2019-03-29 2019-06-25 沈阳师范大学 一种中小学教育的名师优课推荐资源应用方法及系统
CN112732892A (zh) * 2020-12-30 2021-04-30 平安科技（深圳）有限公司 课程推荐方法、装置、设备及存储介质
CN112860851A (zh) * 2021-01-22 2021-05-28 平安科技（深圳）有限公司 基于根因分析的课程推荐方法、装置、设备及介质
CN113065060A (zh) * 2021-02-18 2021-07-02 山东师范大学 基于深度学习的教育平台课程推荐方法及系统

Also Published As

Publication number Publication date
CN113656703A (zh) 2021-11-16

Similar Documents

Publication Publication Date Title
WO2022141861A1 (zh) 情感分类方法、装置、电子设备及存储介质
CN113157927B (zh) 文本分类方法、装置、电子设备及可读存储介质
CN112380870A (zh) 用户意图分析方法、装置、电子设备及计算机存储介质
CN113821622B (zh) 基于人工智能的答案检索方法、装置、电子设备及介质
CN115221276A (zh) 基于clip的中文图文检索模型训练方法、装置、设备及介质
CN113344125B (zh) 长文本匹配识别方法、装置、电子设备及存储介质
CN114840684A (zh) 基于医疗实体的图谱构建方法、装置、设备及存储介质
CN113157739B (zh) 跨模态检索方法、装置、电子设备及存储介质
CN114461777A (zh) 智能问答方法、装置、设备及存储介质
CN114416939A (zh) 智能问答方法、装置、设备及存储介质
CN116450829A (zh) 医疗文本分类方法、装置、设备及介质
CN116628162A (zh) 语义问答方法、装置、设备及存储介质
CN116821373A (zh) 基于图谱的prompt推荐方法、装置、设备及介质
CN114548114B (zh) 文本情绪识别方法、装置、设备及存储介质
CN113656703B (zh) 基于新上线课程的智能推荐方法、装置、设备及存储介质
CN115309865A (zh) 基于双塔模型的交互式检索方法、装置、设备及存储介质
CN113705692B (zh) 基于人工智能的情感分类方法、装置、电子设备及介质
CN114595321A (zh) 问题标注方法、装置、电子设备及存储介质
CN113723114A (zh) 基于多意图识别的语义分析方法、装置、设备及存储介质
CN114722280A (zh) 基于用户画像的课程推荐方法、装置、设备及存储介质
CN113672722B (zh) 线上课程智能推荐方法、装置、电子设备及存储介质
CN114723488B (zh) 课程推荐方法、装置、电子设备及存储介质
CN114742423B (zh) 一种随机分组方法、装置、设备及介质
CN111680513B (zh) 特征信息的识别方法、装置及计算机可读存储介质
CN115221875B (zh) 词权重生成方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant