CN113724040A - 课程推荐方法、电子设备及存储介质 - Google Patents

课程推荐方法、电子设备及存储介质 Download PDF

Info

Publication number
CN113724040A
CN113724040A CN202110943398.2A CN202110943398A CN113724040A CN 113724040 A CN113724040 A CN 113724040A CN 202110943398 A CN202110943398 A CN 202110943398A CN 113724040 A CN113724040 A CN 113724040A
Authority
CN
China
Prior art keywords
course
user
group
probability
score
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
CN202110943398.2A
Other languages
English (en)
Other versions
CN113724040B (zh
Inventor
石奕
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.)
Zhuo Erzhi Lian Wuhan Research Institute Co Ltd
Original Assignee
Zhuo Erzhi Lian Wuhan Research Institute 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 Zhuo Erzhi Lian Wuhan Research Institute Co Ltd filed Critical Zhuo Erzhi Lian Wuhan Research Institute Co Ltd
Priority to CN202110943398.2A priority Critical patent/CN113724040B/zh
Publication of CN113724040A publication Critical patent/CN113724040A/zh
Application granted granted Critical
Publication of CN113724040B publication Critical patent/CN113724040B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种课程推荐方法、电子设备及存储介质，课程推荐方法包括：基于每个用户对应的第一平均分，对多个用户进行聚类，得到多个分组；所述第一平均分表征用户学习的所有课程的平均分；基于每个用户每门课程的第一得分和每个用户对应的第一平均分，以及基于每门课程的总平均分、每个分组中每门课程的第二平均分以及每个用户每门课程与每个分组之间的第一距离，确定出向每个用户推荐每个分组对应的每门课程的第一概率；基于确定出的第一概率输出对应用户对应的课程推荐结果；其中，第一距离表征用户每门课程的第一得分与对应分组中每门课程的第二平均分之间的欧式距离。通过上述方案，提升了课程推荐的准确度。

Description

课程推荐方法、电子设备及存储介质
技术领域
本申请涉及计算机技术领域，尤其涉及一种课程推荐方法、电子设备及存储介质。
背景技术
相关技术中，根据设定职位对应的设定必备技能进行课程推荐，但不同的用户自身情况各不相同，这种课程推荐方式针对性较差，推荐的课程与用户的实际需求不符，导致推荐准确度较低。
发明内容
有鉴于此，本申请实施例期望提供一种课程推荐方法、电子设备及存储介质，以解决相关技术中课程推荐方法的推荐准确度较低的技术问题。
为达到上述目的，本申请的技术方案是这样实现的：
本申请实施例提供了一种课程推荐方法，包括：
基于每个用户对应的第一平均分，对多个用户进行聚类，得到多个分组；所述第一平均分表征用户学习的所有课程的平均分；
基于每个用户每门课程的第一得分和每个用户对应的第一平均分，以及基于每门课程的总平均分、每个分组中每门课程的第二平均分以及每个用户每门课程与每个分组之间的第一距离，确定出向每个用户推荐每个分组对应的每门课程的第一概率；
基于确定出的第一概率输出对应用户对应的课程推荐结果；
其中，第一距离表征用户每门课程的第一得分与对应分组中每门课程的第二平均分之间的欧式距离。
上述方案中，所述确定出向每个用户推荐每个分组中的每门课程的第一概率时，所述方法包括：
基于第一用户学习的每门课程的第一得分和第一用户对应的第一平均分，以及基于每门课程的总平均分和每个分组中每门课程的第二平均分，确定出向第一用户推荐每个分组对应的每门课程的第二概率；
基于第一用户学习的每门课程的第一得分和每个分组中每门课程的第二平均分，确定出第一用户学习的每门课程与每个分组之间的第一距离；
基于确定出的第二概率和对应的第一距离，确定出向第一用户推荐每个分组对应的每门课程的第一概率。
上述方案中，所述确定出向第一用户推荐每个分组对应的每门课程的第二概率时，所述方法包括：
基于第一用户学习的每门课程的第一得分和第一用户对应的第一平均分，以及基于每门课程的总平均分和第一分组中每门课程的第二平均分，确定出第一用户与第一分组的匹配概率；
基于第一分组中学习每门课程的人数和所述多个分组中学习每门课程的总人数，确定出每门课程出现在第一分组的第三概率；
基于确定出的匹配概率和第三概率，确定出向第一用户推荐第一分组对应的每门课程的第二概率。
上述方案中，所述基于第一用户学习的每门课程的第一得分和第一用户对应的第一平均分，以及基于每门课程的总平均分和第一分组中每门课程的第二平均分，确定出第一用户与第一分组的匹配概率，包括：
基于所有第一差值之和以及所有第二差值之和，计算出第一乘积；其中，第一差值表征第一得分与对应的第一平均分之差；第二差值表征第二平均分与对应的总平均分之差；
基于所有第一差值的平方的总和以及所有第二差值的平方的总和，计算出第二乘积；
基于所述第二乘积的开方和所述第一乘积，确定出第一用户与第一分组的匹配概率。
上述方案中，所述基于第一用户学习的每门课程的第一得分和每个分组中每门课程对应的第二平均分，确定出第一用户学习的每门课程与每个分组之间的第一距离时，所述包括：
基于第一用户学习的第一课程的第一得分和第一分组中每门课程的第二平均分，计算出第一课程与第一分组对应的每门课程之间的第三差值的平方；
对所有第三差值的平方的总和进行开方，得到第一用户学习的第一课程与第一分组之间的第一距离。
上述方案中，所述基于确定出的第二概率和对应的第一距离，确定出向第一用户推荐每个分组对应的每门课程的第一概率时，所述方法包括：
基于向第一用户推荐第一分组对应的每门课程的第二概率和对应的第一距离，确定出每门课程对应的第三乘积；
基于第一分组中第一课程对应的第三乘积以及第一课程在每个分组中对应的第三乘积的总和，计算出向第一用户推荐第一分组对应的第一课程的第一概率。
上述方案中，每个分组中的用户学习的课程不完全相同。
本申请实施例还提供了一种电子设备，包括：
聚类单元，用于基于每个用户对应的第一平均分，对多个用户进行聚类，得到多个分组；所述第一平均分表征用户学习的所有课程的平均分；
确定单元，用于基于每个用户每门课程的第一得分和每个用户对应的第一平均分，以及基于每门课程的总平均分、每个分组中每门课程的第二平均分以及每个用户每门课程与每个分组之间的第一距离，确定出向每个用户推荐每个分组对应的每门课程的第一概率；
推荐单元，用于基于确定出的第一概率输出对应用户对应的课程推荐结果；
其中，第一距离表征用户每门课程的第一得分与对应分组中每门课程的第二平均分之间的欧式距离。
本申请实施例还提供了一种电子设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，
其中，所述处理器用于运行所述计算机程序时，执行上述课程推荐方法的步骤。
本申请实施例还提供了一种存储介质，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课程推荐方法的步骤。
在本申请实施例中，基于每个用户对应的第一平均分，对多个用户进行聚类，得到多个分组；基于每个用户每门课程的第一得分和每个用户对应的第一平均分，以及基于每门课程的总平均分、每个分组中每门课程的第二平均分以及每个用户每门课程与每个分组之间的第一距离，确定出向每个用户推荐每个分组对应的每门课程的第一概率；基于确定出的第一概率输出对应用户对应的课程推荐结果。由于基于用户对应的第一平均分聚类得到的每个分组中的用户的学习能力相似，每个用户每门课程与每个分组之间的第一距离可以反映出用户学习的课程与对应分组对应的课程之间的相似度，因此，可以综合用户的学习能力和课程之间的相似度确定出第一概率，基于确定出的第一概率进行课程推荐时，因综合考虑了用户的学习能力和课程相似度，使得输出的课程推荐结果中推荐的课程与用户实际需求以及学习能力相匹配，提高了课程推荐的准确度。
附图说明
图1为本申请实施例提供的课程推荐方法的实现流程示意图；
图2为本申请实施例提供的课程推荐方法确定第一概率的实现流程示意图；
图3为本申请实施例提供的课程推荐方法确定第二概率的实现流程示意图；
图4为本申请实施例提供的电子设备的结构示意图；
图5为本申请实施例提供的电子设备的硬件组成结构示意图。
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。
图1为本申请实施例提供的课程推荐方法的实现流程示意图，其中，流程的执行主体为终端、服务器等电子设备。如图1示出的，课程推荐方法包括：
步骤101：基于每个用户对应的第一平均分，对多个用户进行聚类，得到多个分组；所述第一平均分表征用户学习的所有课程的平均分。
这里，电子设备获取每个用户学习的每门课程的第一得分，并对每个用户学习的每门课程的第一得分进行求和，得到每个用户对应的总分，计算每用户对应的总分与对应学习的课程的总数之商，得到每个用户对应的第一平均分；利用聚类算法，基于每个用户对应的第一平均分对所有用户进行聚类，得到聚类结果，聚类结果中包括多个分组。其中，聚类算法包括：k-means聚类算法。
实际应用时，电子设备可以从电子成绩单中获取用户学习的每门课程的第一得分。电子设备可以采用矩阵的形式表示每个分组中每个用户每门课程的第一得分。
需要说明的是，参与聚类的用户学习的课程可以相同，也可以不同。由于本申请中是基于用户对应的第一平均分进行聚类，因此，聚类得到的每个分组中的用户的学习能力近似。
在一些实施例中，每个分组中的用户学习的课程不完全相同，由此可以是的课程多样化，可以提高向用户推荐的课程的丰富度。其中，同一分组中的用户学习的课程可以部分相同，也可以完全不同；不同分组中的用户学习的课程可以相同，也可以不同。
步骤102：基于每个用户每门课程的第一得分和每个用户对应的第一平均分，以及基于每门课程的总平均分、每个分组中每门课程的第二平均分以及每个用户每门课程与每个分组之间的第一距离，确定出向每个用户推荐每个分组对应的每门课程的第一概率；其中，第一距离表征用户每门课程的第一得分与对应分组中每门课程的第二平均分之间的欧式距离。
这里，电子设备基于每个用户学习的每门课程的第一得分，对每门课程的所有第一得分进行求和，得到每门课程对应的总分；计算出每门课程对应的总分与学习对应课程的用户的总数之商，得到每门课程的总平均分。
电子设备基于每个分组中每个用户学习的每门课程的第一得分和每个分组中学习每门课程的用户的总数，计算出每个分组中每门课程的第二平均分；基于每个用户学习的每门课程的第一得分和每个分组中每门课程的第二平均分，计算出每个用户学习的每门课程的第一得分与每个分组中每门课程的第二平均分之间的欧式距离，得到每个用户每门课程与每个分组之间的第一距离。
电子设备在确定出每门课程的总平均分、每个分组中每门课程的第二平均分、以及每个用户每门课程与每个分组之间的第一距离的情况下，基于每个用户每门课程的第一得分和每个用户对应的第一平均分，以及基于每门课程的总平均分、每个分组中每门课程的第二平均分，确定出每个用户与每个分组的匹配概率；基于每个分组中用户学习的所有课程，确定出每个分组中学习每门课程的人数，并计算出每个分组中学习每门课程的人数与所有分组中学习对应课程的总人数之商，得到每门课程出现在每个分组的概率；基于每个用户与每个分组的匹配概率、以及每门课程出现在每个分组的概率，确定出向每个用户推荐每个分组对应的每门课程的第二概率；基于向每个用户推荐第一分组对应的每门课程的第二概率、以及每个用户每门课程与每个分组之间的第一距离，确定出向每个用户推荐每个分组对应的每门课程的第一概率。
实际应用时，电子设备可以采用矩阵的形式表示向每个用户推荐每个分组对应的每门课程的第一概率。
由于第一概率表征对应课程与用户的学习能力以及实际需求的匹配度，为了提高计算出的第一概率的准确度，从而进一步提高课程推荐结果的准确度，如图2所示，在一些实施例中，所述确定出向每个用户推荐每个分组中的每门课程的第一概率时，所述方法包括：
步骤201：基于第一用户学习的每门课程的第一得分和第一用户对应的第一平均分，以及基于每门课程的总平均分和每个分组中每门课程的第二平均分，确定出向第一用户推荐每个分组对应的每门课程的第二概率。
需要说明的是，第一用户为任一分组中的任一用户。电子设备针对每个用户，按照步骤201至步骤203确定出对应的第一概率。
电子设备基于第一用户学习的每门课程的第一得分和第一用户对应的第一平均分，计算出第一用户对应的每个第一得分与对应的第一平均分之差；基于每门课程的总平均分和每个分组中每门课程的第二平均分，计算出每个分组中每门课程的第二平均分与对应的总平均分之差；基于第一用户对应的每个第一得分与对应的第一平均分之差、以及每门课程的第二平均分与对应的总平均分之差，确定出第一用户与每个分组的匹配概率。
电子设备基于每个分组中用户学习的所有课程，确定出每个分组中学习每门课程的人数，并计算出每个分组中学习每门课程的人数与所有分组中学习对应课程的总人数之商，得到每门课程出现在每个分组的第三概率。
电子设备基于第一用户与每个分组的匹配概率以及每门课程出现在每个分组的第三概率，计算出向第一用户推荐每个分组对应的每门课程的第二概率。
考虑到由用户对应的第一平均分聚类得到的不同分组中，用户的学习能力可能不同，不同分组中的用户学习同一门课程的困难程度可能有差异，而第二概率表征用户的学习能力与对应课程的匹配度。为了提高计算出的第二概率的准确度，进而提高向用户推荐的课程与用户的学习能力的匹配度，如图3所示，在一些实施例中，所述确定出向第一用户推荐每个分组对应的每门课程的第二概率时，所述方法包括：
步骤301：基于第一用户学习的每门课程的第一得分和第一用户对应的第一平均分，以及基于每门课程的总平均分和第一分组中每门课程的第二平均分，确定出第一用户与第一分组的匹配概率。
需要说明的是，第一分组为聚类得到的多个分组中的任一分组。电子设备按照步骤301至步骤303，确定出向第一用户推荐每个分组对应的每门课程的第二概率。
电子设备基于第一用户学习的每门课程的第一得分和第一用户对应的第一平均分，计算出第一用户对应的每个第一得分与对应的第一平均分之差；基于每门课程的总平均分和第一分组中每门课程的第二平均分，计算出第一分组中每门课程的第二平均分与对应的总平均分之差；基于第一用户对应的每个第一得分与对应的第一平均分之差、以及每门课程的第二平均分与对应的总平均分之差，确定出第一用户与第一分组的匹配概率。
为了准确地确定出用户的学习能力与每个分组对应的课程的匹配度，在一些实施例中，所述基于第一用户学习的每门课程的第一得分和第一用户对应的第一平均分，以及基于每门课程的总平均分和第一分组中每门课程的第二平均分，确定出第一用户与第一分组的匹配概率，包括：
基于所有第一差值之和以及所有第二差值之和，计算出第一乘积；其中，第一差值表征第一得分与对应的第一平均分之差；第二差值表征第二平均分与对应的总平均分之差；
基于所有第一差值的平方的总和以及所有第二差值的平方的总和，计算出第二乘积；
基于所述第二乘积的开方和所述第一乘积，确定出第一用户与第一分组的匹配概率。
这里，电子设备基于第一用户学习的每门课程的第一得分和第一用户对应的第一平均分，计算出第一用户对应的每个第一得分与对应的第一平均分之间的第一差值；基于每门课程的总平均分和第一分组中每门课程的第二平均分，计算出第一分组中每门课程的第二平均分与对应的总平均分之间的第二差值。
电子设备计算出所有第一差值之和以及所有第二差值之和，基于所有第一差值之和以及所有第二差值之和，计算出第一乘积。实际应用时，将所有第一差值之和与所有第二差值之和之间的乘积，确定为第一乘积。
电子设备计算出所有第一差值的平方的总和，以及计算出所有第二差值的平方的总和，基于所有第一差值的平方的总和以及所有第二差值的平方的总和，计算出第二乘积；基于计算出的第二乘积的开方和计算出的第一乘积，确定出第一用户与第一分组的匹配概率。
实际应用时，将计算出的第一乘积与计算出的第二乘积的开方之商，确定为第一用户与第一分组的匹配概率。
实际应用时，按照以下公式计算出每个用户与每个分组的匹配概率：
Figure BDA0003215985480000091
其中，Sk表征第k个用户；Oi表征第i个分组，i为小于或等于m的正整数，m表征聚类得到的分组的总数；p(sk,oi)表征第k个用户与第i个分组的匹配概率；Cj表征第j门课程，j为小于或等于n的正整数，n表征课程的总数；
Figure BDA0003215985480000092
表征第k个用户第j门课程的第一得分；
Figure BDA0003215985480000093
表征第k个用户对应的第一平均分；
Figure BDA0003215985480000094
表征第i个分组中第j门课程对应的第二平均分；
Figure BDA0003215985480000095
表征第j门课程对应的总平均分。
当然，在一些实施例中，也可以基于第一设定系数和第一乘积，以及基于第二设定系数和第二乘积的开方，计算出第一用户与第一分组的匹配概率。第一设定系数与第二设定系数不同。其中，第一设定系数与第一乘积之积作为分子，第二设定系数与第二乘积的开方之间的乘积作为分母。
步骤302：基于第一分组中学习每门课程的人数和所述多个分组中学习每门课程的总人数，确定出每门课程出现在第一分组的第三概率。
这里，电子设备将第一分组中学习每门课程的人数与学习对应课程的总人数之商，确定为对应课程出现在第一分组的第三概率。
实际应用时，电子设备采用公式
Figure BDA0003215985480000096
计算出每门课程出现在每个分组的第三概率。其中，p(oi,cj)表征第j门课程现在第i个分组中的第三概率；
Figure BDA0003215985480000097
表征第i个分组中学习第j门课程的人数；
Figure BDA0003215985480000098
表征所有分组中学习第j门课程的总人数。
步骤303：基于确定出的匹配概率和第三概率，确定出向第一用户推荐第一分组对应的每门课程的第二概率。
实际应用时，将确定出的匹配概率与第三概率之间的乘积，确定为向第一用户推荐第一分组对应的每门课程的第二概率。
实际应用时，采用公式p(sk,oi,cj)＝p(sk,oi)×p(oi,cj)，计算出向每个用户推荐每个分组对应的每门课程的第二概率。其中，p(sk,oi,cj)表征向第k个用户推荐第i个分组中的第j门课程的第二概率。
实际应用时，可以采用一维向量来表示向第一用户推荐每个分组对应的每门课程的第二概率；该一维向量
Figure BDA0003215985480000101
其中，T表征课程名称，C表示第一得分，t表示学期，p表征对应的p(sk,oi,cj)，也称课程推荐度。
步骤202：基于第一用户学习的每门课程的第一得分和每个分组中每门课程的第二平均分，确定出第一用户学习的每门课程与每个分组之间的第一距离。
这里，电子设备基于第一用户学习的每门课程的第一得分和第i个分组中每门课程的第二平均分，计算出第一用户学习的每门课程与第i个分组之间的欧式距离，得到第一用户学习的每门课程与第i个分组之间的第一距离。按照这种方法，计算出第一用户学习的每门课程与每个分组之间的第一距离欧式距离。其中，i为小于或等于m的正整数。
考虑到第一距离表征用户学习的课程与对应分组对应的课程之间的相似度，可以反映出不同分组中的课程与用户的实际需求的匹配度，为了提高计算出的第一距离的准确度，以提高向用户推荐的课程与用户的实际需求的匹配度，在一些实施例中，所述基于第一用户学习的每门课程的第一得分和每个分组中每门课程对应的第二平均分，确定出第一用户学习的每门课程与每个分组之间的第一距离时，所述包括：
基于第一用户学习的第一课程的第一得分和第一分组中每门课程的第二平均分，计算出第一课程与第一分组对应的每门课程之间的第三差值的平方；
对所有第三差值的平方的总和进行开方，得到第一用户学习的第一课程与第一分组之间的第一距离。
这里，电子设备按照上述方法，计算出第一用户学习的第一课程与每个分组之间的第一距离。
实际应用时，电子设备采用公式
Figure BDA0003215985480000111
计算出每个用户学习的每门课程与每个分组之间的第一距离欧式距离。其中，
Figure BDA0003215985480000112
表征第k个用户学习的第g门课程与第i个分组之间的第一距离。
Figure BDA0003215985480000113
表征第k个用户第g门课程的第一得分；g为小于或等于n的正整数。步骤203：基于确定出的第二概率和对应的第一距离，确定出向第一用户推荐每个分组对应的每门课程的第一概率。
这里，在一些实例中，电子设备可以基于向第一用户推荐第i个分组对应的每门课程的第二概率、以及第一用户学习的每门课程与第i个分组之间的第一距离，计算出向第一用户推荐第i个分组对应的每门课程的第一概率。其中，第一概率为第二概率与对应的第一距离之积。
在一些实施例中，电子设备也可以基于向第一用户推荐第i个分组对应的每门课程的第二概率、以及第一用户学习的每门课程与每i个分组之间的第一距离，以及基于向第一用户推荐每个分组对应的每门课程的第二概率、以及第一用户学习的每门课程与每个分组之间的第一距离，计算出向第一用户推荐第i个分组对应的每门课程的第一概率。实现过程如下：
基于向第一用户推荐第i个分组对应的第j门课程的第二概率、以及第一用户学习的第j门课程与第i个分组之间的第一距离，计算出第i个分组对应的第j门课程对应的第三乘积；按照此方法，计算出第i个分组对应的每门课程对应的第三乘积。
计算出每个用户学习的每门课程在不同分组对应的第三乘积的总和；基于第i个分组对应的第j门课程对应的第三乘积，以及对应课程在不同分组对应的第三乘积的总和，确定出向第一用户推荐第i个分组对应的第j门课程的第一概率。实际应用时，将第i个分组对应的第j门课程对应的第三乘积与对应课程对应的第三乘积的总和之商，确定为向第一用户推荐第i个分组对应的第j门课程的第一概率。
为了提高计算出的第一概率的准确度，在一些实施例中，所述基于确定出的第二概率和对应的第一距离，确定出向第一用户推荐每个分组对应的每门课程的第一概率时，所述方法包括：
基于向第一用户推荐第一分组对应的每门课程的第二概率和对应的第一距离，确定出每门课程对应的第三乘积；
基于第一分组中第一课程对应的第三乘积以及第一课程在每个分组中对应的第三乘积的总和，计算出向第一用户推荐第一分组对应的第一课程的第一概率。
这里，电子设备基于向第一用户推荐第一分组对应的第一课程的第二概率，以及第一用户学习的第一课程与第一分组之间的第一距离，计算出第一课程对应的第三乘积；按照此方法，计算出第一分组对应的每门课程对应的第三乘积。
计算出第一分组中第一课程对应的第三乘积与第一课程在每个分组中对应的第三乘积的总和之商，得到向第一用户推荐第一分组对应的第一课程的第一概率。
实际应用时，采用以下公式计算出向每个用户推荐每个分组对应的每门课程的第一概率：
Figure BDA0003215985480000121
其中，p(sk,oi,cg)表征向第k个用户推荐第i个分组中的第g门课程的第二概率。需要说明的是，p(sk,oi,cg)的计算方式与p(sk,oi,cj)的计算方式相同，即，p(sk,oi,cg)＝p(sk,oi)×p(oi,cg)。
在本方案中，确定出的第三乘积与对应的第一距离相关，确定出的第一概率总和与第一用户学习的课程在每个分组对应的第三乘积相关，而第一距离表征用户学习的课程与对应分组对应的课程之间的相似度，第一距离从一定程度上反映出了对应分组对应的课程与用户的实际需求的匹配程度，由此，确定出的第一概率能够更准确地反映出对应分组对应的课程与用户的实际需求的匹配程度，进而提高基于第一概率输出的课程推荐结果中推荐的课程与用户的实际需求的匹配程度。
步骤103：基于确定出的第一概率输出对应用户对应的课程推荐结果。
这里，电子设备在确定出向每个用户推荐每个分组对应的每门课程的第一概率的情况下，针对每个用户，可以向对应用户推荐最大的第一概率对应的课程，也可以从确定出的第一概率中确定出大于设定阈值的第一概率，并向对应的用户推荐大于设定阈值的第一概率对应的课程。也就是说，输出的课程推荐结果中包括最大的第一概率对应的课程，或者大于设定阈值的第一概率对应的课程。
在本申请实施例中，基于每个用户对应的第一平均分，对多个用户进行聚类，得到多个分组；基于每个用户每门课程的第一得分和每个用户对应的第一平均分，以及基于每门课程的总平均分、每个分组中每门课程的第二平均分以及每个用户每门课程与每个分组之间的第一距离，确定出向每个用户推荐每个分组对应的每门课程的第一概率；基于确定出的第一概率输出对应用户对应的课程推荐结果。由于基于用户对应的第一平均分聚类得到的多个分组中每个分组中的用户的学习能力相似，每个用户每门课程与每个分组之间的第一距离可以反映出用户学习的课程与对应分组对应的课程之间的相似度，因此，可以综合用户的学习能力和课程之间的相似度确定出第一概率，基于确定出的第一概率进行课程推荐时，因综合考虑了用户的学习能力和课程相似度，使得推荐的课程与用户实际需求以及学习能力相匹配，提高了课程推荐的准确度。
为实现本申请实施例的方法，本申请实施例还提供了一种电子设备，如图4所示，该电子设备包括：
聚类单元41，用于基于每个用户对应的第一平均分，对多个用户进行聚类，得到多个分组；所述第一平均分表征用户学习的所有课程的平均分；
确定单元42，用于基于每个用户每门课程的第一得分和每个用户对应的第一平均分，以及基于每门课程的总平均分、每个分组中每门课程的第二平均分以及每个用户每门课程与每个分组之间的第一距离，确定出向每个用户推荐每个分组对应的每门课程的第一概率；
推荐单元43，用于基于确定出的第一概率输出对应用户对应的课程推荐结果；
其中，第一距离表征用户每门课程的第一得分与对应分组中每门课程的第二平均分之间的欧式距离。
在一些实施例中，在确定第一概率时，确定单元42具体用于：
基于第一用户学习的每门课程的第一得分和第一用户对应的第一平均分，以及基于每门课程的总平均分和每个分组中每门课程的第二平均分，确定出向第一用户推荐每个分组对应的每门课程的第二概率；
基于第一用户学习的每门课程的第一得分和每个分组中每门课程的第二平均分，确定出第一用户学习的每门课程与每个分组之间的第一距离；
基于确定出的第二概率和对应的第一距离，确定出向第一用户推荐每个分组对应的每门课程的第一概率。
在一些实施例中，在确定第二概率时，确定单元42具体用于：
基于第一用户学习的每门课程的第一得分和第一用户对应的第一平均分，以及基于每门课程的总平均分和第一分组中每门课程的第二平均分，确定出第一用户与第一分组的匹配概率；
基于第一分组中学习每门课程的人数和所述多个分组中学习每门课程的总人数，确定出每门课程出现在第一分组的第三概率；
基于确定出的匹配概率和第三概率，确定出向第一用户推荐第一分组对应的每门课程的第二概率。
在一些实施例中，在确定出第一用户与第一分组的匹配概率时，确定单元42具体用于：
基于所有第一差值之和以及所有第二差值之和，计算出第一乘积；其中，第一差值表征第一得分与对应的第一平均分之差；第二差值表征第二平均分与对应的总平均分之差；
基于所有第一差值的平方的总和以及所有第二差值的平方的总和，计算出第二乘积；
基于所述第二乘积的开方和所述第一乘积，确定出第一用户与第一分组的匹配概率。
在一些实施例中，在确定第一距离时，确定单元42具体用于：
基于第一用户学习的第一课程的第一得分和第一分组中每门课程的第二平均分，计算出第一课程与第一分组对应的每门课程之间的第三差值的平方；
对所有第三差值的平方的总和进行开方，得到第一用户学习的第一课程与第一分组之间的第一距离。
在一些实施例中，在确定第一概率时，确定单元42具体用于：
所述基于确定出的第二概率和对应的第一距离，确定出向第一用户推荐每个分组对应的每门课程的第一概率时，所述方法包括：
基于向第一用户推荐第一分组对应的每门课程的第二概率和对应的第一距离，确定出每门课程对应的第三乘积；
基于第一分组中第一课程对应的第三乘积以及第一课程在每个分组中对应的第三乘积的总和，计算出向第一用户推荐第一分组对应的第一课程的第一概率。
在一些实施例中，每个分组中的用户学习的课程不完全相同。
实际应用时，聚类单元41、确定单元42和推荐单元43可通过电子设备中的处理器，比如中央处理器(CPU，Central Processing Unit)、数字信号处理器(DSP，Digital SignalProcessor)、微控制单元(MCU，Microcontroller Unit)或可编程门阵列(FPGA，Field－Programmable Gate Array)等实现。
需要说明的是：上述实施例提供的电子设备在进行课程推荐时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的电子设备与课程推荐方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
基于上述程序模块的硬件实现，且为了实现本申请实施例的方法，本申请实施例还提供了一种电子设备。图5为本申请实施例提供的电子设备的硬件组成结构示意图，如图5所示，电子设备5包括：
通信接口51，能够与其它设备比如网络设备等进行信息交互；
处理器52，与所述通信接口51连接，以实现与其它设备进行信息交互，用于运行计算机程序时，执行上述一个或多个技术方案提供的课程推荐方法。而所述计算机程序存储在存储器53上。
当然，实际应用时，电子设备5中的各个组件通过总线系统54耦合在一起。可理解，总线系统54用于实现这些组件之间的连接通信。总线系统54除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图5中将各种总线都标为总线系统54。
本申请实施例中的存储器53用于存储各种类型的数据以支持电子设备5的操作。这些数据的示例包括：用于在电子设备5上操作的任何计算机程序。
可以理解，存储器53可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本申请实施例描述的存储器53旨在包括但不限于这些和任意其它适合类型的存储器。
上述本申请实施例揭示的方法可以应用于处理器52中，或者由处理器52实现。处理器52可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器52中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器52可以是通用处理器、DSP，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。处理器52可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器53，处理器52读取存储器53中的程序，结合其硬件完成前述方法的步骤。
可选地，所述处理器52执行所述程序时实现本申请实施例的各个方法中由终端实现的相应流程，为了简洁，在此不再赘述。
在示例性实施例中，本申请实施例还提供了一种存储介质，即计算机存储介质，具体为计算机可读存储介质，例如包括存储计算机程序的第一存储器53，上述计算机程序可由终端的处理器52执行，以完成前述方法所述步骤。计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或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，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本申请各实施例中的各功能单元可以全部集成在一个处理模块中，也可以是各单元分别单独作为一个单元，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单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，本申请实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种课程推荐方法，其特征在于，所述方法包括：
基于每个用户对应的第一平均分，对多个用户进行聚类，得到多个分组；所述第一平均分表征用户学习的所有课程的平均分；
基于每个用户每门课程的第一得分和每个用户对应的第一平均分，以及基于每门课程的总平均分、每个分组中每门课程的第二平均分以及每个用户每门课程与每个分组之间的第一距离，确定出向每个用户推荐每个分组对应的每门课程的第一概率；
基于确定出的第一概率输出对应用户对应的课程推荐结果；
其中，第一距离表征用户每门课程的第一得分与对应分组中每门课程的第二平均分之间的欧式距离。
2.根据权利要求1所述的方法，其特征在于，所述确定出向每个用户推荐每个分组中的每门课程的第一概率时，所述方法包括：
基于第一用户学习的每门课程的第一得分和第一用户对应的第一平均分，以及基于每门课程的总平均分和每个分组中每门课程的第二平均分，确定出向第一用户推荐每个分组对应的每门课程的第二概率；
基于第一用户学习的每门课程的第一得分和每个分组中每门课程的第二平均分，确定出第一用户学习的每门课程与每个分组之间的第一距离；
基于确定出的第二概率和对应的第一距离，确定出向第一用户推荐每个分组对应的每门课程的第一概率。
3.根据权利要求2所述的方法，其特征在于，所述确定出向第一用户推荐每个分组对应的每门课程的第二概率时，所述方法包括：
基于第一用户学习的每门课程的第一得分和第一用户对应的第一平均分，以及基于每门课程的总平均分和第一分组中每门课程的第二平均分，确定出第一用户与第一分组的匹配概率；
基于第一分组中学习每门课程的人数和所述多个分组中学习每门课程的总人数，确定出每门课程出现在第一分组的第三概率；
基于确定出的匹配概率和第三概率，确定出向第一用户推荐第一分组对应的每门课程的第二概率。
4.根据权利要求3所述的方法，其特征在于，所述基于第一用户学习的每门课程的第一得分和第一用户对应的第一平均分，以及基于每门课程的总平均分和第一分组中每门课程的第二平均分，确定出第一用户与第一分组的匹配概率，包括：
基于所有第一差值之和以及所有第二差值之和，计算出第一乘积；其中，第一差值表征第一得分与对应的第一平均分之差；第二差值表征第二平均分与对应的总平均分之差；
基于所有第一差值的平方的总和以及所有第二差值的平方的总和，计算出第二乘积；
基于所述第二乘积的开方和所述第一乘积，确定出第一用户与第一分组的匹配概率。
5.根据权利要求2所述的方法，其特征在于，所述基于第一用户学习的每门课程的第一得分和每个分组中每门课程对应的第二平均分，确定出第一用户学习的每门课程与每个分组之间的第一距离时，所述包括：
基于第一用户学习的第一课程的第一得分和第一分组中每门课程的第二平均分，计算出第一课程与第一分组对应的每门课程之间的第三差值的平方；
对所有第三差值的平方的总和进行开方，得到第一用户学习的第一课程与第一分组之间的第一距离。
6.根据权利要求2所述的方法，其特征在于，所述基于确定出的第二概率和对应的第一距离，确定出向第一用户推荐每个分组对应的每门课程的第一概率时，所述方法包括：
基于向第一用户推荐第一分组对应的每门课程的第二概率和对应的第一距离，确定出每门课程对应的第三乘积；
基于第一分组中第一课程对应的第三乘积以及第一课程在每个分组中对应的第三乘积的总和，计算出向第一用户推荐第一分组对应的第一课程的第一概率。
7.根据权利要求1所述的方法，其特征在于，每个分组中的用户学习的课程不完全相同。
8.一种电子设备，其特征在于，包括：
聚类单元，用于基于每个用户对应的第一平均分，对多个用户进行聚类，得到多个分组；所述第一平均分表征用户学习的所有课程的平均分；
确定单元，用于基于每个用户每门课程的第一得分和每个用户对应的第一平均分，以及基于每门课程的总平均分、每个分组中每门课程的第二平均分以及每个用户每门课程与每个分组之间的第一距离，确定出向每个用户推荐每个分组对应的每门课程的第一概率；
推荐单元，用于基于确定出的第一概率输出对应用户对应的课程推荐结果；
其中，第一距离表征用户每门课程的第一得分与对应分组中每门课程的第二平均分之间的欧式距离。
9.一种电子设备，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，
其中，所述处理器用于运行所述计算机程序时，执行权利要求1至7任一项所述的方法的步骤。
10.一种存储介质，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7任一项所述的方法的步骤。
CN202110943398.2A 2021-08-17 2021-08-17 课程推荐方法、电子设备及存储介质 Active CN113724040B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110943398.2A CN113724040B (zh) 2021-08-17 2021-08-17 课程推荐方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110943398.2A CN113724040B (zh) 2021-08-17 2021-08-17 课程推荐方法、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113724040A true CN113724040A (zh) 2021-11-30
CN113724040B CN113724040B (zh) 2023-11-28

Family

ID=78676122

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110943398.2A Active CN113724040B (zh) 2021-08-17 2021-08-17 课程推荐方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113724040B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6652287B1 (en) * 2000-12-21 2003-11-25 Unext.Com Administrator and instructor course management application for an online education course
CN106846194A (zh) * 2016-12-27 2017-06-13 广东小天才科技有限公司 一种评价课程难度的方法及装置
CN106875309A (zh) * 2017-04-01 2017-06-20 福建云课堂教育科技有限公司 一种课程推荐方法及系统
US10467304B1 (en) * 2014-05-30 2019-11-05 Better Learning, Inc. Recommending educational mobile applications and assessing student progress in meeting education standards correlated to the applications
CN110428173A (zh) * 2019-08-02 2019-11-08 福建师范大学 一种基于教学大数据的开放式实训课程评价系统与方法
CN110765362A (zh) * 2019-09-04 2020-02-07 广东工业大学 一种基于学习情况相似度的协同过滤个性化学习推荐方法
US20200357296A1 (en) * 2019-05-10 2020-11-12 Rahul Sharma Integrated education management methods and systems
CN112632393A (zh) * 2020-12-30 2021-04-09 北京博海迪信息科技有限公司 课程推荐方法、装置及电子设备
CN113094584A (zh) * 2021-04-15 2021-07-09 中国建设银行股份有限公司 推荐学习资源的确定方法和装置
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 (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6652287B1 (en) * 2000-12-21 2003-11-25 Unext.Com Administrator and instructor course management application for an online education course
US10467304B1 (en) * 2014-05-30 2019-11-05 Better Learning, Inc. Recommending educational mobile applications and assessing student progress in meeting education standards correlated to the applications
CN106846194A (zh) * 2016-12-27 2017-06-13 广东小天才科技有限公司 一种评价课程难度的方法及装置
CN106875309A (zh) * 2017-04-01 2017-06-20 福建云课堂教育科技有限公司 一种课程推荐方法及系统
US20200357296A1 (en) * 2019-05-10 2020-11-12 Rahul Sharma Integrated education management methods and systems
CN110428173A (zh) * 2019-08-02 2019-11-08 福建师范大学 一种基于教学大数据的开放式实训课程评价系统与方法
CN110765362A (zh) * 2019-09-04 2020-02-07 广东工业大学 一种基于学习情况相似度的协同过滤个性化学习推荐方法
CN112632393A (zh) * 2020-12-30 2021-04-09 北京博海迪信息科技有限公司 课程推荐方法、装置及电子设备
CN113094584A (zh) * 2021-04-15 2021-07-09 中国建设银行股份有限公司 推荐学习资源的确定方法和装置
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
古奋飞;: "基于标签与评分个性化课程推荐算法", 长春工业大学学报, no. 02, pages 91 - 104 *
周丽娟;徐明升;张研研;张璋;: "基于协同过滤的课程推荐模型", 计算机应用研究, no. 04, pages 121 - 124 *

Also Published As

Publication number Publication date
CN113724040B (zh) 2023-11-28

Similar Documents

Publication Publication Date Title
CN109101620B (zh) 相似度计算方法、聚类方法、装置、存储介质及电子设备
US20150278350A1 (en) Recommendation System With Dual Collaborative Filter Usage Matrix
WO2021159738A1 (zh) 基于医学领域的数据推荐方法、设备、服务器及存储介质
CN112287069B (zh) 基于语音语义的信息检索方法、装置及计算机设备
CN110209809B (zh) 文本聚类方法和装置、存储介质及电子装置
US20210042391A1 (en) Generating summary content using supervised sentential extractive summarization
CN111782826A (zh) 知识图谱的信息处理方法、装置、设备及存储介质
CN111126084B (zh) 数据处理方法、装置、电子设备和存储介质
CN111104964B (zh) 音乐与动作的匹配方法、设备及计算机存储介质
CN109885180B (zh) 纠错方法和装置、计算机可读介质
CN111062209A (zh) 自然语言处理模型训练方法和自然语言处理模型
CN111738009A (zh) 实体词标签生成方法、装置、计算机设备和可读存储介质
CN111046882A (zh) 基于剖面隐式马尔科夫模型的疾病名称标准化方法和系统
CN112132118B (zh) 人物关系识别方法、装置、电子设备及计算机存储介质
CN111241106B (zh) 近似数据处理方法、装置、介质及电子设备
CN113724040A (zh) 课程推荐方法、电子设备及存储介质
CN114358023B (zh) 智能问答召回方法、装置、计算机设备及存储介质
CN113891323B (zh) 一种基于WiFi的用户标签获取系统
WO2021169356A1 (zh) 语音文件修复方法、装置、计算机设备及存储介质
CN112541069A (zh) 一种结合关键词的文本匹配方法、系统、终端及存储介质
WO2021082570A1 (zh) 基于人工智能的语义识别方法、装置和语义识别设备
CN113658711A (zh) 医疗数据本地化方法、装置、计算机设备及存储介质
CN112905748A (zh) 一种演讲效果评估系统
CN113868545B (zh) 一种项目推荐方法、装置、电子设备及存储介质
CN115878849B (zh) 一种视频标签关联方法、装置和电子设备

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