CN113656705B - 基于人工智能的课程推荐方法、装置、设备及存储介质 - Google Patents

基于人工智能的课程推荐方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113656705B
CN113656705B CN202111013749.6A CN202111013749A CN113656705B CN 113656705 B CN113656705 B CN 113656705B CN 202111013749 A CN202111013749 A CN 202111013749A CN 113656705 B CN113656705 B CN 113656705B
Authority
CN
China
Prior art keywords
course
data
recommendation
target
similarity
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111013749.6A
Other languages
English (en)
Other versions
CN113656705A (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 CN202111013749.6A priority Critical patent/CN113656705B/zh
Publication of CN113656705A publication Critical patent/CN113656705A/zh
Application granted granted Critical
Publication of CN113656705B publication Critical patent/CN113656705B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及人工智能技术领域，揭示了一种基于人工智能的课程推荐方法、装置、设备及存储介质，其中方法包括：获取课程推荐请求，所述课程推荐请求携带有目标喜好标签向量；获取用户数据库，分别计算所述用户数据库中的每个喜好标签向量与所述目标喜好标签向量之间的Dice相似度，得到相似度集；从所述相似度集中获取最大的所述Dice相似度作为目标相似度；从所述用户数据库中获取所述目标相似度对应的用户数据，作为参考用户数据；根据所述参考用户数据进行课程推荐，得到所述目标喜好标签向量对应的课程推荐结果。过Dice相似度深度挖掘了用户之间的相似度，根据最相近的用户进行课程推荐，提高了课程推荐的准确性。

Description

基于人工智能的课程推荐方法、装置、设备及存储介质
技术领域
本申请涉及到人工智能技术领域，特别是涉及到一种基于人工智能的课程推荐方法、装置、设备及存储介质。
背景技术
随着网络课程的日益丰富，网络课程的种类和数量呈现井喷式增加，导致学员面对种类和数量众多的网络课程难以进行选择。为了解决该问题，培训平台的管理员在后台手动推送网络课程给学员，这种学习方式使学员处于被动的状态，无法学习自己真正感兴趣的课程，降低了学员学习的积极性，也降低了学员对培训平台的黏性。
发明内容
本申请的主要目的为提供一种基于人工智能的课程推荐方法、装置、设备及存储介质，旨在解决现有技术为了解决学员面对种类和数量众多的网络课程难以进行选择的问题，采用管理员在后台手动推送网络课程给学员，导致学员无法学习自己真正感兴趣的课程的技术问题。
为了实现上述发明目的，本申请提出一种基于人工智能的课程推荐方法，所述方法包括：
获取课程推荐请求，所述课程推荐请求携带有目标喜好标签向量；
获取用户数据库，分别计算所述用户数据库中的每个喜好标签向量与所述目标喜好标签向量之间的Dice相似度，得到相似度集；
从所述相似度集中获取最大的所述Dice相似度作为目标相似度；
从所述用户数据库中获取所述目标相似度对应的用户数据，作为参考用户数据；
根据所述参考用户数据进行课程推荐，得到所述目标喜好标签向量对应的课程推荐结果。
进一步的，所述根据所述参考用户数据进行课程推荐，得到所述目标喜好标签向量对应的课程推荐结果的步骤，包括：
对所述参考用户数据中的课程学习数据按照学习次数进行倒序排序，得到排序后的课程学习数据；
获取预设提取规则，采用从头开始提取的方式，从所述排序后的课程学习数据中提取数量符合所述预设提取规则的课程标识，作为所述课程推荐结果。
进一步的，所述采用从头开始提取的方式，从所述排序后的课程学习数据中提取数量符合所述预设提取规则的课程标识，作为所述课程推荐结果的步骤，包括：
采用从头开始提取的方式，从所述排序后的课程学习数据中提取数量符合所述预设提取规则的所述课程标识，作为热门课程推荐数据；
根据所述参考用户数据中的课程收藏数据，确定课程收藏推荐数据；
根据所述热门课程推荐数据和所述课程收藏推荐数据，确定所述课程推荐结果。
进一步的，所述采用从头开始提取的方式，从所述排序后的课程学习数据中提取数量符合所述预设提取规则的所述课程标识，作为热门课程推荐数据的步骤之后，还包括：
根据所述热门课程推荐数据生成热门课程推荐信息；
将所述热门课程推荐信息发送给所述目标喜好标签向量对应的目标客户端；
获取所述目标客户端发送的热门课程配置数据；
根据所述热门课程配置数据，更新所述用户数据库中的与所述目标喜好标签向量对应的所述用户数据的课程计划列表。
进一步的，所述根据所述参考用户数据中的课程收藏数据，确定课程收藏推荐数据的步骤之后，还包括：
根据所述课程收藏推荐数据生成课程收藏推荐信息；
将所述课程收藏推荐信息发送给所述目标客户端；
获取所述目标客户端发送的课程收藏配置数据；
根据所述课程收藏配置数据，更新所述用户数据库中的与所述目标喜好标签向量对应的所述用户数据的课程收藏数据。
进一步的，所述获取课程推荐请求的步骤，包括：
获取课程批量配置数据；
采用所述课程批量配置数据，从kafka消息中间件中获取用户喜好标签数据集；
对所述用户喜好标签数据集中的每个用户喜好标签数据进行喜好标签向量生成，得到喜好标签向量集；
从所述喜好标签向量集中获取所述喜好标签向量作为目标喜好标签向量；
根据所述目标喜好标签向量生成所述课程推荐请求；
重复执行所述从所述喜好标签向量集中获取所述喜好标签向量作为目标喜好标签向量的步骤，直至完成所述喜好标签向量集中的所述喜好标签向量的获取。
进一步的，所述获取课程批量配置数据的步骤之前，包括：
获取批次处理时长监控结果、CPU核心数量、块间隔数据和所述课程批量配置数据；
根据所述批次处理时间监控结果、所述CPU核心数量和所述块间隔数据进行批处理间隔数据计算，得到待处理的批处理间隔数据；
根据所述待处理的批处理间隔数据分别进行滑动窗口大小计算和滑动间隔数据计算，得到待处理的所述滑动窗口大小和待处理的滑动间隔数据；
根据所述待处理的批处理间隔数据、所述待处理的所述滑动窗口大小和所述待处理的滑动间隔数据更新所述课程批量配置数据。
本申请还提出了一种基于人工智能的课程推荐装置，所述装置包括：
请求获取模块，用于获取课程推荐请求，所述课程推荐请求携带有目标喜好标签向量；
相似度集确定模块，用于获取用户数据库，分别计算所述用户数据库中的每个喜好标签向量与所述目标喜好标签向量之间的Dice相似度，得到相似度集；
目标相似度确定模块，用于从所述相似度集中获取最大的所述Dice相似度作为目标相似度；
参考用户数据确定模块，用于从所述用户数据库中获取所述目标相似度对应的用户数据，作为参考用户数据；
课程推荐结果确定模块，用于根据所述参考用户数据进行课程推荐，得到所述目标喜好标签向量对应的课程推荐结果。
本申请还提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请还提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请的基于人工智能的课程推荐方法、装置、设备及存储介质，其中方法首先通过获取课程推荐请求，所述课程推荐请求携带有目标喜好标签向量，然后通过分别计算所述用户数据库中的每个喜好标签向量与所述目标喜好标签向量之间的Dice相似度，得到相似度集，从所述相似度集中获取最大的所述Dice相似度作为目标相似度，从所述用户数据库中获取所述目标相似度对应的用户数据，作为参考用户数据，最后通过根据所述参考用户数据进行课程推荐，得到所述目标喜好标签向量对应的课程推荐结果，通过Dice相似度深度挖掘了用户之间的相似度，根据最相近的用户进行课程推荐，提高了课程推荐的准确性，使用户能学习自己真正感兴趣的课程，而且也避免了管理员在后台手动推送网络课程，减少了管理员的工作量。
附图说明
图1为本申请一实施例的基于人工智能的课程推荐方法的流程示意图；
图2为本申请一实施例的基于人工智能的课程推荐装置的结构示意框图；
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、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
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请实施例中提供一种基于人工智能的课程推荐方法，所述方法包括：
S1：获取课程推荐请求，所述课程推荐请求携带有目标喜好标签向量；
S2：获取用户数据库，分别计算所述用户数据库中的每个喜好标签向量与所述目标喜好标签向量之间的Dice相似度，得到相似度集；
S3：从所述相似度集中获取最大的所述Dice相似度作为目标相似度；
S4：从所述用户数据库中获取所述目标相似度对应的用户数据，作为参考用户数据；
S5：根据所述参考用户数据进行课程推荐，得到所述目标喜好标签向量对应的课程推荐结果。
本实施例首先通过获取课程推荐请求，所述课程推荐请求携带有目标喜好标签向量，然后通过分别计算所述用户数据库中的每个喜好标签向量与所述目标喜好标签向量之间的Dice相似度，得到相似度集，从所述相似度集中获取最大的所述Dice相似度作为目标相似度，从所述用户数据库中获取所述目标相似度对应的用户数据，作为参考用户数据，最后通过根据所述参考用户数据进行课程推荐，得到所述目标喜好标签向量对应的课程推荐结果，通过Dice相似度深度挖掘了用户之间的相似度，根据最相近的用户进行课程推荐，提高了课程推荐的准确性，使用户能学习自己真正感兴趣的课程，而且也避免了管理员在后台手动推送网络课程，减少了管理员的工作量。
对于S1，可以获取用户输入的课程推荐请求，也可以从第三方应用系统中获取课程推荐请求，还可以是实现本申请的程序根据预设条件主动触发的课程推荐请求。比如，所述预设条件为用户更新喜好标签时，根据更新之后的喜好标签数据生成目标喜好标签向量，根据目标喜好标签向量生成课程推荐请求。
课程推荐请求，是进行课程推荐的请求。
目标喜好标签向量，是需要进行课程推荐的用户的喜好标签向量。
喜好标签向量中每个向量元素对应用户的一个喜好标签，其中，向量元素的数量和喜好标签的总数量相同。喜好标签向量中的向量元素可以取值为1，也可以取值为0。当喜好标签向量中的向量元素的值为1时，意味着用户选中了该向量元素对应的喜好标签；当喜好标签向量中的向量元素的值为0时，意味着用户没有选中了该向量元素对应的喜好标签。
对于S2，可以从数据库中获取用户数据库，也可以从第三方应用系统中获取用户数据库。
用户数据库中包括多个用户数据。用户数据包括：用户标识、课程学习数据和喜好标签向量。用户标识可以是用户名称、用户ID等唯一标识一个用户的数据。课程学习数据包括：课程标识、学习次数和学习时间。课程标识可以是课程名称、课程ID等唯一标识一个课程的数据。
其中，分别计算所述用户数据库中的每个喜好标签向量与所述目标喜好标签向量之间的Dice相似度，将计算得到的所有Dice相似度作为所述相似度集。也就是说，所述相似度集中的Dice相似度与所述用户数据库中的喜好标签向量一一对应。
所述相似度集中的第i个所述Dice相似度的计算公式yi为：
ci是所述用户数据库中的第i个所述喜好标签向量，c1是所述目标喜好标签向量，∩是计算交集。
在实际场景中，特征维度通常较高，欧氏距离不能像在二维或三维空间内有效。而Dice相似度更适合计算不带方向的两个向量之间的相似度，可以将Dice相似度视为两个向量之间重叠的百分比，更适合对两个喜好标签向量之间的相似度的表述，通过Dice相似度进行课程推荐，有利于提高课程推荐的准确性。
对于S3，从所述相似度集中获取最大的所述Dice相似度，将获取的所述Dice相似度作为所述目标相似度。
对于S4，将所述目标相似度对应的所述喜好标签向量，在所述用户数据库中对应的用户数据，作为所述参考用户数据，从而找到了与目标喜好标签向量对应的用户最接近的用户的用户数据。
对于S5，根据所述参考用户数据中的课程学习数据进行课程推荐，得到所述目标喜好标签向量对应的课程推荐结果。因所述参考用户数据对应的用户是与目标喜好标签向量对应的用户最接近的用户，所以根据所述参考用户数据中的课程学习数据进行课程推荐可以推荐目标喜好标签向量对应的用户真正感兴趣的课程，提高了课程推荐的准确性，使用户能学习自己真正感兴趣的课程。
在一个实施例中，上述根据所述参考用户数据进行课程推荐，得到所述目标喜好标签向量对应的课程推荐结果的步骤，包括：
S51：对所述参考用户数据中的课程学习数据按照学习次数进行倒序排序，得到排序后的课程学习数据；
S52：获取预设提取规则，采用从头开始提取的方式，从所述排序后的课程学习数据中提取数量符合所述预设提取规则的课程标识，作为所述课程推荐结果。
本实施例通过从所述排序后的课程学习数据中提取数量符合所述预设提取规则的课程标识作为所述课程推荐结果，因所述参考用户数据对应的用户是与目标喜好标签向量对应的用户最接近的用户，所以根据所述参考用户数据中的课程学习数据进行课程推荐可以推荐目标喜好标签向量对应的用户真正感兴趣的课程，提高了课程推荐的准确性，使用户能学习自己真正感兴趣的课程。
对于S51，对所述参考用户数据中的课程学习数据按照学习次数进行倒序排序，从而将学习次数多的数据排在前面，将学习次数少的数据排在后面，将排序后的所述参考用户数据中的课程学习数据作为排序后的课程学习数据。
对于S52，可以从数据库中获取预设提取规则，也可以从第三方应用系统中获取预设提取规则，还可以将预设提取规则写入实现本申请的程序中。
可选的，预设提取规则设为提取比例，其中，提取比例是0％-100％的数值。
可选的，预设提取规则设为提取数量，其中，提取数量大于0的整数。
其中，采用从头开始提取的方式，从所述排序后的课程学习数据中提取数量符合所述预设提取规则的课程标识，也就是从学习次数最高的课程标识开始提取，将提取的各个课程标识作为所述课程推荐结果。也就是说，所述课程推荐结果中的课程标识的数量符合所述预设提取规则。
在一个实施例中，上述采用从头开始提取的方式，从所述排序后的课程学习数据中提取数量符合所述预设提取规则的课程标识，作为所述课程推荐结果的步骤，包括：
S521：采用从头开始提取的方式，从所述排序后的课程学习数据中提取数量符合所述预设提取规则的所述课程标识，作为热门课程推荐数据；
S522：根据所述参考用户数据中的课程收藏数据，确定课程收藏推荐数据；
S523：根据所述热门课程推荐数据和所述课程收藏推荐数据，确定所述课程推荐结果。
本实施例通过从所述排序后的课程学习数据中提取数量符合所述预设提取规则的课程标识作为热门课程推荐数据，将所述参考用户数据中的课程收藏数据作为课程收藏推荐数据，方便目标喜好标签向量对应的用户快速的学习和收藏课程，提高了用户满意度；因所述参考用户数据对应的用户是与目标喜好标签向量对应的用户最接近的用户，所以根据所述参考用户数据中的课程学习数据进行课程推荐可以推荐目标喜好标签向量对应的用户真正感兴趣的课程，提高了课程推荐的准确性，使用户能学习自己真正感兴趣的课程。
对于S521，采用从头开始提取的方式，从所述排序后的课程学习数据中提取数量符合所述预设提取规则的课程标识，也就是从学习次数最高的课程标识开始提取，将提取的各个课程标识作为热门课程推荐数据。也就是说，所述热门课程推荐数据中的课程标识的数量符合所述预设提取规则。
对于S522，将所述参考用户数据中的课程收藏数据，直接作为课程收藏推荐数据。
可选的，采用预设提取比例，从所述参考用户数据中的课程收藏数据中提取最晚收藏的课程标识作为课程收藏推荐数据。
预设提取比例是0％-100％的数值，不包括0％，可以包括100％。
对于S523，将所述热门课程推荐数据和所述课程收藏推荐数据作为所述课程推荐结果。
在一个实施例中，上述采用从头开始提取的方式，从所述排序后的课程学习数据中提取数量符合所述预设提取规则的所述课程标识，作为热门课程推荐数据的步骤之后，还包括：
S61：根据所述热门课程推荐数据生成热门课程推荐信息；
S62：将所述热门课程推荐信息发送给所述目标喜好标签向量对应的目标客户端；
S63：获取所述目标客户端发送的热门课程配置数据；
S64：根据所述热门课程配置数据，更新所述用户数据库中的与所述目标喜好标签向量对应的所述用户数据的课程计划列表。
本实施例确定热门课程推荐数据之后，根据热门课程推荐数据获取热门课程配置数据，根据热门课程配置数据所述用户数据库中的与所述目标喜好标签向量对应的所述用户数据的课程计划列表，从而快速的确定了与所述目标喜好标签向量对应的所述用户数据的课程计划列表，提高了用户体验。
对于S61，采用预设的热门课程推荐信息模板，根据所述热门课程推荐数据生成热门课程推荐信息。
对于S62，通过与目标客户端的通信连接，将所述热门课程推荐信息发送给所述目标喜好标签向量对应的目标客户端。
目标客户端可以是移动设备的终端，也可以是个人电脑的终端。
目标客户端收到所述热门课程推荐信息时，可以采用弹窗提醒，也可以采用站内信的方式提醒，在此不做赘述。
当用户在目标客户端点击展示的所述热门课程推荐信息时，可以针对每个课程标识进行配置操作，配置操作完成点击提交按钮，提交按钮被点击时将生成配置完成信号；目标客户端根据配置完成信号从展示所述热门课程推荐信息的页面中获取配置数据，将获取的配置数据作为热门课程配置数据。
配置操作包括但不限于：收藏、马上学习、不感兴趣。
热门课程配置数据包括：课程标识和配置操作。
对于S63，通过与目标客户端的通信连接，获取所述目标客户端发送的热门课程配置数据。
对于S64，根据所述热门课程配置数据，对所述用户数据库中的与所述目标喜好标签向量对应的所述用户数据的课程计划列表进行替换更新。
在一个实施例中，上述根据所述参考用户数据中的课程收藏数据，确定课程收藏推荐数据的步骤之后，还包括：
S71：根据所述课程收藏推荐数据生成课程收藏推荐信息；
S72：将所述课程收藏推荐信息发送给所述目标客户端；
S73：获取所述目标客户端发送的课程收藏配置数据；
S74：根据所述课程收藏配置数据，更新所述用户数据库中的与所述目标喜好标签向量对应的所述用户数据的课程收藏数据。
本实施例确定课程收藏推荐数据之后，根据课程收藏推荐数据获取课程收藏配置数据，根据课程收藏配置数据更新所述用户数据库中的与所述目标喜好标签向量对应的所述用户数据的课程收藏数据，从而快速的更新了与所述目标喜好标签向量对应的课程收藏数据，提高了用户体验。
对于S71，采用预设的课程收藏推荐信息模板，根据所述课程收藏推荐数据生成课程收藏推荐信息。
对于S72，通过与目标客户端的通信连接，将所述课程收藏推荐信息发送给所述目标客户端。
目标客户端收到所述课程收藏推荐信息时，可以采用弹窗提醒，也可以采用站内信的方式提醒，在此不做赘述。
当用户在目标客户端点击展示所述课程收藏推荐信息时，可以针对每个课程标识进行配置操作，配置操作完成点击提交按钮，提交按钮被点击时将生成收藏完成信号；目标客户端根据收藏完成信号从展示所述课程收藏推荐信息的页面中获取配置数据，将获取的配置数据作为课程收藏配置数据。
课程收藏配置数据包括：课程标识和配置操作。
对于S73，通过与目标客户端的通信连接，获取所述目标客户端发送的课程收藏配置数据。
对于S74，根据所述课程收藏配置数据对所述用户数据库中的与所述目标喜好标签向量对应的所述用户数据的课程收藏数据进行替换更新。
在一个实施例中，上述获取课程推荐请求的步骤，包括：
S11：获取课程批量配置数据；
S12：采用所述课程批量配置数据，从kafka消息中间件中获取用户喜好标签数据集；
S13：对所述用户喜好标签数据集中的每个用户喜好标签数据进行喜好标签向量生成，得到喜好标签向量集；
S14：从所述喜好标签向量集中获取所述喜好标签向量作为目标喜好标签向量；
S15：根据所述目标喜好标签向量生成所述课程推荐请求；
S16：重复执行所述从所述喜好标签向量集中获取所述喜好标签向量作为目标喜好标签向量的步骤，直至完成所述喜好标签向量集中的所述喜好标签向量的获取。
本实施例根据课程批量配置数据从kafka消息中间件中获取用户喜好标签数据集生成课程推荐请求，从而实现了在用户变更的喜好标签数据时实时进行课程推荐，有利于提高课程推荐的效果，进一步提高用户体验。
对于S11，可以从数据库中获取课程批量配置数据，也可以从第三方应用系统中获取课程批量配置数据。
所述课程批量配置数据包括：批处理间隔数据、块间隔数据、滑动窗口大小、滑动间隔数据。
比如，每台计算机的CPU核心数量为10，则将批处理间隔数据设置为2S，块间隔数据设置为200ms，这样每个批次对应的任务数量为10个(也就是批处理间隔数据设置的2S除以块间隔数据设置200ms)，从而充分利用每个CPU核心，不损失计算机的计算性能，在此举例不做具体限定。
其中，滑动窗口大小和滑动间隔数据设置为批处理间隔数据的整数倍。
对于S12，根据所述课程批量配置数据确定滑动窗口；基于Apache SparkStreaming技术，采用滑动窗口，从所述kafka消息中间件中获取用户喜好标签数据，将获取的各个用户喜好标签数据作为用户喜好标签数据集。
其中，用户喜好标签数据中包括一个或多个喜好标签。用户喜好标签数据包括的是一个用户的喜好标签。
所述喜好标签，是感兴趣的课程分类标签。所述喜好标签包括但不限于：管理类、营养学、Java语言、数据结构、操作系统。
对于S13，对所述用户喜好标签数据集中的每个用户喜好标签数据进行喜好标签向量生成，将生成的各个喜好标签向量作为喜好标签向量集。也就是说，喜好标签向量集是一个批次需要处理的喜好标签向量的集合，喜好标签向量集中的喜好标签向量与所述用户喜好标签数据集中的用户喜好标签数据一一对应。
可选的，获取喜好标签列表；采用独热编码方法，根据所述喜好标签列表，对所述用户喜好标签数据集中的每个用户喜好标签数据分别进行喜好标签向量生成，将生成的各个喜好标签向量作为喜好标签向量集。
喜好标签列表包括多个喜好标签。
也就是说，所述喜好标签向量的向量元素的数量与所述喜好标签列表中的喜好标签的数量相同，而且所述喜好标签向量的向量元素对应的喜好标签的排列顺序与所述喜好标签列表中的喜好标签的排列顺序相同。
对于S14，从所述喜好标签向量集中获取一个所述喜好标签向量，将获取的所述喜好标签向量作为目标喜好标签向量。
对于S15，根据所述目标喜好标签向量生成所述课程推荐请求，也就是将所述目标喜好标签向量作为所述课程推荐请求的参数。
对于S16，重复执行步骤S14至步骤S16，直至完成所述喜好标签向量集中的所述喜好标签向量的获取。
在一个实施例中，上述获取课程批量配置数据的步骤之前，包括：
S111：获取批次处理时长监控结果、CPU核心数量、块间隔数据和所述课程批量配置数据；
S112：根据所述批次处理时间监控结果、所述CPU核心数量和所述块间隔数据进行批处理间隔数据计算，得到待处理的批处理间隔数据；
S113：根据所述待处理的批处理间隔数据分别进行滑动窗口大小计算和滑动间隔数据计算，得到待处理的所述滑动窗口大小和待处理的滑动间隔数据；
S114：根据所述待处理的批处理间隔数据、所述待处理的所述滑动窗口大小和所述待处理的滑动间隔数据更新所述课程批量配置数据。
本实施例根据所述批次处理时间监控结果、所述CPU核心数量和所述块间隔数据进行批处理间隔数据分别计算待处理的批处理间隔数据、待处理的所述滑动窗口大小和待处理的滑动间隔数据，最后根据所述待处理的批处理间隔数据、所述待处理的所述滑动窗口大小和所述待处理的滑动间隔数据更新所述课程批量配置数据，从而实现了课程批量配置数据的实时更新，避免出现批次处理时长严重超过预期时长的问题。
对于S111，可以从数据库中获取批次处理时长监控结果、CPU核心数量、块间隔数据和所述课程批量配置数据，也可以从缓存中获取批次处理时长监控结果、CPU核心数量、块间隔数据和所述课程批量配置数据，还可以从第三方应用系统中获取批次处理时长监控结果、CPU核心数量、块间隔数据和所述课程批量配置数据。
批次处理时长监控结果，是从获取用户喜好标签数据集到针对用户喜好标签数据集对应的所有喜好标签向量的完成课程推荐需要的时长。
可以理解的是，批次处理时长监控结果可以是上一个确定的用户喜好标签数据集进行课程推荐的总时长。
CPU核心数量，是指实现本申请的程序文件提供投诉行为数据的分析服务时所装载的服务器的CPU的核心数量。
块间隔数据，是实现本申请的程序文件提供投诉行为数据的分析服务时所装载的服务器处理每个数据块的时长。
对于S112，可以直接根据所述批次处理时间监控结果、所述CPU核心数量和所述块间隔数据进行所述批处理间隔数据计算，将计算得到的所述批处理间隔数据作为待处理的批处理间隔数据。
可选的，采用预设调整比例，根据所述批次处理时间监控结果进行所述批处理间隔数据计算，得到待调整的批处理间隔数据；根据所述待调整的批处理间隔数据、所述CPU核心数量和所述块间隔数据进行批处理间隔数据计算，得到待处理的批处理间隔数据。
可选的，预设调整比例是一个大于0的常量，可以大于1。
对于S113，获取第一预设倍数和第二预设倍数；将所述待处理的批处理间隔数据与第一预设倍数相乘，得到待处理的滑动窗口大小；将所述待处理的批处理间隔数据与第二预设倍数相乘，得到待处理的滑动间隔数据。
第一预设倍数是整数。
第二预设倍数是整数。
对于S114，根据所述待处理的批处理间隔数据、所述待处理的所述滑动窗口大小和所述待处理的滑动间隔数据对所述课程批量配置数据进行替换更新。
参照图2，本申请实施例中还提供一种基于人工智能的课程推荐装置，所述装置包括：
请求获取模块100，用于获取课程推荐请求，所述课程推荐请求携带有目标喜好标签向量；
相似度集确定模块200，用于获取用户数据库，分别计算所述用户数据库中的每个喜好标签向量与所述目标喜好标签向量之间的Dice相似度，得到相似度集；
目标相似度确定模块300，用于从所述相似度集中获取最大的所述Dice相似度作为目标相似度；
参考用户数据确定模块400，用于从所述用户数据库中获取所述目标相似度对应的用户数据，作为参考用户数据；
课程推荐结果确定模块500，用于根据所述参考用户数据进行课程推荐，得到所述目标喜好标签向量对应的课程推荐结果。
本实施例首先通过获取课程推荐请求，所述课程推荐请求携带有目标喜好标签向量，然后通过分别计算所述用户数据库中的每个喜好标签向量与所述目标喜好标签向量之间的Dice相似度，得到相似度集，从所述相似度集中获取最大的所述Dice相似度作为目标相似度，从所述用户数据库中获取所述目标相似度对应的用户数据，作为参考用户数据，最后通过根据所述参考用户数据进行课程推荐，得到所述目标喜好标签向量对应的课程推荐结果，通过Dice相似度深度挖掘了用户之间的相似度，根据最相近的用户进行课程推荐，提高了课程推荐的准确性，使用户能学习自己真正感兴趣的课程，而且也避免了管理员在后台手动推送网络课程，减少了管理员的工作量。
在一个实施例中，上述课程推荐结果确定模块500包括：排序子模块和课程推荐结果确定子模块；
所述排序子模块，用于对所述参考用户数据中的课程学习数据按照学习次数进行倒序排序，得到排序后的课程学习数据；
所述课程推荐结果确定子模块，用于获取预设提取规则，采用从头开始提取的方式，从所述排序后的课程学习数据中提取数量符合所述预设提取规则的课程标识，作为所述课程推荐结果。
在一个实施例中，上述课程推荐结果确定子模块包括：热门课程推荐数据确定单元、课程收藏推荐数据确定单元和课程推荐结果确定单元；
所述热门课程推荐数据确定单元，用于采用从头开始提取的方式，从所述排序后的课程学习数据中提取数量符合所述预设提取规则的所述课程标识，作为热门课程推荐数据；
所述课程收藏推荐数据确定单元，用于根据所述参考用户数据中的课程收藏数据，确定课程收藏推荐数据；
所述课程推荐结果确定单元，用于根据所述热门课程推荐数据和所述课程收藏推荐数据，确定所述课程推荐结果。
在一个实施例中，上述课程推荐结果确定子模块还包括：课程计划更新单元；
所述课程计划更新单元，用于根据所述热门课程推荐数据生成热门课程推荐信息，将所述热门课程推荐信息发送给所述目标喜好标签向量对应的目标客户端，获取所述目标客户端发送的热门课程配置数据，根据所述热门课程配置数据，更新所述用户数据库中的与所述目标喜好标签向量对应的所述用户数据的课程计划列表。
在一个实施例中，上述课程推荐结果确定子模块还包括：课程收藏数据更新单元；
所述课程收藏数据更新单元，用于根据所述课程收藏推荐数据生成课程收藏推荐信息，将所述课程收藏推荐信息发送给所述目标客户端，获取所述目标客户端发送的课程收藏配置数据，根据所述课程收藏配置数据，更新所述用户数据库中的与所述目标喜好标签向量对应的所述用户数据的课程收藏数据。
在一个实施例中，上述请求获取模块100包括：喜好标签向量集确定子模块和课程推荐请求生成子模块；
所述喜好标签向量集确定子模块，用于获取课程批量配置数据，采用所述课程批量配置数据，从kafka消息中间件中获取用户喜好标签数据集，对所述用户喜好标签数据集中的每个用户喜好标签数据进行喜好标签向量生成，得到喜好标签向量集；
所述课程推荐请求生成子模块，用于从所述喜好标签向量集中获取所述喜好标签向量作为目标喜好标签向量，根据所述目标喜好标签向量生成所述课程推荐请求，重复执行所述从所述喜好标签向量集中获取所述喜好标签向量作为目标喜好标签向量的步骤，直至完成所述喜好标签向量集中的所述喜好标签向量的获取。
在一个实施例中，上述装置包括：课程批量配置数据更新模块；
所述课程批量配置数据更新模块，用于获取批次处理时长监控结果、CPU核心数量、块间隔数据和所述课程批量配置数据，根据所述批次处理时间监控结果、所述CPU核心数量和所述块间隔数据进行批处理间隔数据计算，得到待处理的批处理间隔数据，根据所述待处理的批处理间隔数据分别进行滑动窗口大小计算和滑动间隔数据计算，得到待处理的所述滑动窗口大小和待处理的滑动间隔数据，根据所述待处理的批处理间隔数据、所述待处理的所述滑动窗口大小和所述待处理的滑动间隔数据更新所述课程批量配置数据。
参照图3，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于储存基于人工智能的课程推荐方法等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于人工智能的课程推荐方法。所述基于人工智能的课程推荐方法，包括：获取课程推荐请求，所述课程推荐请求携带有目标喜好标签向量；获取用户数据库，分别计算所述用户数据库中的每个喜好标签向量与所述目标喜好标签向量之间的Dice相似度，得到相似度集；从所述相似度集中获取最大的所述Dice相似度作为目标相似度；从所述用户数据库中获取所述目标相似度对应的用户数据，作为参考用户数据；根据所述参考用户数据进行课程推荐，得到所述目标喜好标签向量对应的课程推荐结果。
本实施例首先通过获取课程推荐请求，所述课程推荐请求携带有目标喜好标签向量，然后通过分别计算所述用户数据库中的每个喜好标签向量与所述目标喜好标签向量之间的Dice相似度，得到相似度集，从所述相似度集中获取最大的所述Dice相似度作为目标相似度，从所述用户数据库中获取所述目标相似度对应的用户数据，作为参考用户数据，最后通过根据所述参考用户数据进行课程推荐，得到所述目标喜好标签向量对应的课程推荐结果，通过Dice相似度深度挖掘了用户之间的相似度，根据最相近的用户进行课程推荐，提高了课程推荐的准确性，使用户能学习自己真正感兴趣的课程，而且也避免了管理员在后台手动推送网络课程，减少了管理员的工作量。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种基于人工智能的课程推荐方法，包括步骤：获取课程推荐请求，所述课程推荐请求携带有目标喜好标签向量；获取用户数据库，分别计算所述用户数据库中的每个喜好标签向量与所述目标喜好标签向量之间的Dice相似度，得到相似度集；从所述相似度集中获取最大的所述Dice相似度作为目标相似度；从所述用户数据库中获取所述目标相似度对应的用户数据，作为参考用户数据；根据所述参考用户数据进行课程推荐，得到所述目标喜好标签向量对应的课程推荐结果。
上述执行的基于人工智能的课程推荐方法，首先通过获取课程推荐请求，所述课程推荐请求携带有目标喜好标签向量，然后通过分别计算所述用户数据库中的每个喜好标签向量与所述目标喜好标签向量之间的Dice相似度，得到相似度集，从所述相似度集中获取最大的所述Dice相似度作为目标相似度，从所述用户数据库中获取所述目标相似度对应的用户数据，作为参考用户数据，最后通过根据所述参考用户数据进行课程推荐，得到所述目标喜好标签向量对应的课程推荐结果，通过Dice相似度深度挖掘了用户之间的相似度，根据最相近的用户进行课程推荐，提高了课程推荐的准确性，使用户能学习自己真正感兴趣的课程，而且也避免了管理员在后台手动推送网络课程，减少了管理员的工作量。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (7)

1.一种基于人工智能的课程推荐方法，其特征在于，所述方法包括：
获取课程推荐请求，所述课程推荐请求携带有目标喜好标签向量；
获取用户数据库，分别计算所述用户数据库中的每个喜好标签向量与所述目标喜好标签向量之间的Dice相似度，得到相似度集；
从所述相似度集中获取最大的所述Dice相似度作为目标相似度；
从所述用户数据库中获取所述目标相似度对应的用户数据，作为参考用户数据；
根据所述参考用户数据进行课程推荐，得到所述目标喜好标签向量对应的课程推荐结果；
所述根据所述参考用户数据进行课程推荐，得到所述目标喜好标签向量对应的课程推荐结果的步骤，包括：
对所述参考用户数据中的课程学习数据按照学习次数进行倒序排序，得到排序后的课程学习数据；
获取预设提取规则，采用从头开始提取的方式，从所述排序后的课程学习数据中提取数量符合所述预设提取规则的课程标识，作为所述课程推荐结果；
所述采用从头开始提取的方式，从所述排序后的课程学习数据中提取数量符合所述预设提取规则的课程标识，作为所述课程推荐结果的步骤，包括：
采用从头开始提取的方式，从所述排序后的课程学习数据中提取数量符合所述预设提取规则的所述课程标识，作为热门课程推荐数据；
根据所述参考用户数据中的课程收藏数据，确定课程收藏推荐数据；
根据所述热门课程推荐数据和所述课程收藏推荐数据，确定所述课程推荐结果；
所述获取课程推荐请求的步骤，包括：
获取课程批量配置数据；
采用所述课程批量配置数据，从kafka消息中间件中获取用户喜好标签数据集；
对所述用户喜好标签数据集中的每个用户喜好标签数据进行喜好标签向量生成，得到喜好标签向量集；
从所述喜好标签向量集中获取所述喜好标签向量作为目标喜好标签向量；
根据所述目标喜好标签向量生成所述课程推荐请求；
重复执行所述从所述喜好标签向量集中获取所述喜好标签向量作为目标喜好标签向量的步骤，直至完成所述喜好标签向量集中的所述喜好标签向量的获取。
2.根据权利要求1所述的基于人工智能的课程推荐方法，其特征在于，所述采用从头开始提取的方式，从所述排序后的课程学习数据中提取数量符合所述预设提取规则的所述课程标识，作为热门课程推荐数据的步骤之后，还包括：
根据所述热门课程推荐数据生成热门课程推荐信息；
将所述热门课程推荐信息发送给所述目标喜好标签向量对应的目标客户端；
获取所述目标客户端发送的热门课程配置数据；
根据所述热门课程配置数据，更新所述用户数据库中的与所述目标喜好标签向量对应的所述用户数据的课程计划列表。
3.根据权利要求2所述的基于人工智能的课程推荐方法，其特征在于，所述根据所述参考用户数据中的课程收藏数据，确定课程收藏推荐数据的步骤之后，还包括：
根据所述课程收藏推荐数据生成课程收藏推荐信息；
将所述课程收藏推荐信息发送给所述目标客户端；
获取所述目标客户端发送的课程收藏配置数据；
根据所述课程收藏配置数据，更新所述用户数据库中的与所述目标喜好标签向量对应的所述用户数据的课程收藏数据。
4.根据权利要求1所述的基于人工智能的课程推荐方法，其特征在于，所述获取课程批量配置数据的步骤之前，包括：
获取批次处理时长监控结果、CPU核心数量、块间隔数据和所述课程批量配置数据；
根据所述批次处理时长监控结果、所述CPU核心数量和所述块间隔数据进行批处理间隔数据计算，得到待处理的批处理间隔数据；
根据所述待处理的批处理间隔数据分别进行滑动窗口大小计算和滑动间隔数据计算，得到待处理的所述滑动窗口大小和待处理的滑动间隔数据；
根据所述待处理的批处理间隔数据、所述待处理的所述滑动窗口大小和所述待处理的滑动间隔数据更新所述课程批量配置数据。
5.一种基于人工智能的课程推荐装置，所述装置用于实现权利要求1至4任一项所述的方法，其特征在于，所述装置包括：
请求获取模块，用于获取课程推荐请求，所述课程推荐请求携带有目标喜好标签向量；
相似度集确定模块，用于获取用户数据库，分别计算所述用户数据库中的每个喜好标签向量与所述目标喜好标签向量之间的Dice相似度，得到相似度集；
目标相似度确定模块，用于从所述相似度集中获取最大的所述Dice相似度作为目标相似度；
参考用户数据确定模块，用于从所述用户数据库中获取所述目标相似度对应的用户数据，作为参考用户数据；
课程推荐结果确定模块，用于根据所述参考用户数据进行课程推荐，得到所述目标喜好标签向量对应的课程推荐结果。
6.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
CN202111013749.6A 2021-08-31 2021-08-31 基于人工智能的课程推荐方法、装置、设备及存储介质 Active CN113656705B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111013749.6A CN113656705B (zh) 2021-08-31 2021-08-31 基于人工智能的课程推荐方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111013749.6A CN113656705B (zh) 2021-08-31 2021-08-31 基于人工智能的课程推荐方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113656705A CN113656705A (zh) 2021-11-16
CN113656705B true CN113656705B (zh) 2024-02-20

Family

ID=78482535

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111013749.6A Active CN113656705B (zh) 2021-08-31 2021-08-31 基于人工智能的课程推荐方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113656705B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114723488B (zh) * 2022-04-07 2023-05-30 平安科技（深圳）有限公司 课程推荐方法、装置、电子设备及存储介质
CN117194716B (zh) * 2023-09-18 2024-09-06 中晨田润实业有限公司 基于大数据的教育机器人课程个性化推荐系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110610404A (zh) * 2019-09-11 2019-12-24 中国联合网络通信集团有限公司 网络课程推荐方法、装置、系统、电子设备、存储介质
CN111008340A (zh) * 2019-12-19 2020-04-14 中国联合网络通信集团有限公司 课程推荐方法、设备和存储介质
CN111428138A (zh) * 2020-03-26 2020-07-17 中国建设银行股份有限公司 一种课程推荐方法、系统、设备及存储介质
CN112632385A (zh) * 2020-12-29 2021-04-09 中国平安人寿保险股份有限公司 课程推荐方法、装置、计算机设备及介质
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
CN112749340A (zh) * 2021-01-19 2021-05-04 敖客星云(北京)科技发展有限公司 基于大数据的课程推荐方法、系统、移动终端及存储介质
CN113220734A (zh) * 2021-05-13 2021-08-06 平安普惠企业管理有限公司 课程推荐方法、装置、计算机设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110610404A (zh) * 2019-09-11 2019-12-24 中国联合网络通信集团有限公司 网络课程推荐方法、装置、系统、电子设备、存储介质
CN111008340A (zh) * 2019-12-19 2020-04-14 中国联合网络通信集团有限公司 课程推荐方法、设备和存储介质
CN111428138A (zh) * 2020-03-26 2020-07-17 中国建设银行股份有限公司 一种课程推荐方法、系统、设备及存储介质
CN112632385A (zh) * 2020-12-29 2021-04-09 中国平安人寿保险股份有限公司 课程推荐方法、装置、计算机设备及介质
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
CN112749340A (zh) * 2021-01-19 2021-05-04 敖客星云(北京)科技发展有限公司 基于大数据的课程推荐方法、系统、移动终端及存储介质
CN113220734A (zh) * 2021-05-13 2021-08-06 平安普惠企业管理有限公司 课程推荐方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN113656705A (zh) 2021-11-16

Similar Documents

Publication Publication Date Title
CN112632385B (zh) 课程推荐方法、装置、计算机设备及介质
US11194965B2 (en) Keyword extraction method and apparatus, storage medium, and electronic apparatus
CN113656705B (zh) 基于人工智能的课程推荐方法、装置、设备及存储介质
CN109168047B (zh) 视频推荐方法、装置、服务器及存储介质
CN112732892B (zh) 课程推荐方法、装置、设备及存储介质
CN108334568B (zh) 房源推送方法、装置、设备及计算机可读存储介质
CN108229986B (zh) 信息点击预测中的特征构建方法、信息投放方法和装置
CN114419501A (zh) 视频推荐方法、装置、计算机设备及存储介质
CN111429204A (zh) 酒店推荐方法、系统、电子设备和存储介质
CN114461871B (zh) 推荐模型训练方法、对象推荐方法、装置及存储介质
CN111444341A (zh) 用户画像构建方法、装置、设备及可读存储介质
CN111914159A (zh) 一种信息推荐方法及终端
CN113283620B (zh) 基于人工智能的运维方法、装置、设备及存储介质
CN112000871A (zh) 确定搜索结果列表的方法、装置、设备及存储介质
CN110597951A (zh) 文本解析方法、装置、计算机设备和存储介质
CN112699945A (zh) 数据标注方法及装置、存储介质及电子装置
CN110516162B (zh) 一种信息推荐方法、装置、设备及存储介质
CN112182460B (zh) 资源的推送方法和装置、存储介质及电子装置
CN109377284B (zh) 用于推送信息的方法和电子设备
CN113742456A (zh) 基于人工智能的消息触达方法、装置、设备及存储介质
CN112115354B (zh) 信息处理方法、装置、服务器及存储介质
CN110895555B (zh) 数据检索方法和装置、存储介质及电子装置
CN111191065A (zh) 一种同源图像确定方法及装置
CN114491093B (zh) 多媒体资源推荐、对象表征网络的生成方法及装置
CN111597444B (zh) 一种搜索方法、装置、服务器、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