CN113837322A - 课程的分类处理方法、装置、设备及介质 - Google Patents

课程的分类处理方法、装置、设备及介质 Download PDF

Info

Publication number
CN113837322A
CN113837322A CN202111298158.8A CN202111298158A CN113837322A CN 113837322 A CN113837322 A CN 113837322A CN 202111298158 A CN202111298158 A CN 202111298158A CN 113837322 A CN113837322 A CN 113837322A
Authority
CN
China
Prior art keywords
course
classified
type
service object
professional
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
CN202111298158.8A
Other languages
English (en)
Other versions
CN113837322B (zh
Inventor
李素粉
赵健东
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.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications 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 China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN202111298158.8A priority Critical patent/CN113837322B/zh
Publication of CN113837322A publication Critical patent/CN113837322A/zh
Application granted granted Critical
Publication of CN113837322B publication Critical patent/CN113837322B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供的课程的分类处理方法、装置、设备及介质，通过服务器接收终端设备发送的课程分类请求开始进行分类，根据服务对象类型集合，分别获取待分类课程的第一、第二和第三临时变量，进而计算获取服务对象类型指标，从而确定待分类课程的服务对象类型，完成第一级分类。再通过服务器预先获取的课程关键字集合，课程学习量区间集合以及课程峰值学习时间区间集合，选择出待分类课程对应的课程关键字，课程学习量区间，课程峰值学习时间区间，进而确定出待分类课程的专业类型，完成第二级分类，再将服务对象类型和专业类型返回终端设备向用户展示。本方案通过两级分类确定出待分类课程的服务对象类型和专业类型，提高了课程分类的准确性。

Description

课程的分类处理方法、装置、设备及介质
技术领域
本发明涉及计算机领域，尤其涉及一种课程的分类处理方法、装置、设备及介质。
背景技术
随着计算机网络的发展，网上学习平台的课程越来越多，学员可以自由选择课程进行学习，学员在选择课程时通常按照网上学习平台上给定的类别进行查找选择。因此，就需要对课程进行合理的分类。
现有技术中，目前课程的分类方法是通过用户对部分课程进行分类形成样本，再将样本输入初始的分类模型中进行模型训练，训练完成后形成课程分类模型。用户再将网上学习平台上的所有课程输入课程分类模型，进而课程分类模型即可输出课程对应的类别。
综上所述，现有的课程分类方法需要用户使用训练后的课程分类模型进行课程分类，分类结果完全依赖于课程分类模型，导致课程分类的准确性较低。
发明内容
本发明实施例提供一种课程的分类处理方法、装置、设备及介质，用于解决现有技术中课程分类方法需要用户使用训练后的课程分类模型进行课程分类，分类结果完全依赖于课程分类模型，导致课程分类的准确性较低的问题。
第一方面，本发明提供一种课程的分类处理方法，用于服务器，所述方法包括：
接收终端设备发送的课程分类请求，所述课程分类请求用于指示对待分类课程进行分类；
针对所述待分类课程，根据预先获取的服务对象类型集合，分别获取所述待分类课程的第一临时变量，第二临时变量和第三临时变量；其中，所述服务对象类型集合中包括多个服务对象类型以及其他类型，所述第一临时变量包括学习所述待分类课程的学员中每一类服务对象类型的学员数量的占比，所述第二临时变量包括所述待分类课程的线上培训班中每一类服务对象类型的线上培训班数量的占比，所述第三临时变量包括所述待分类课程的线下培训班中每一类服务对象类型的线下培训班数量的占比；
根据所述第一临时变量，第二临时变量，第三临时变量，计算获取多个服务对象类型指标，每个服务对象类型指标用于指示所述待分类课程为所述服务对象类型的可能性；
根据所述多个服务对象类型指标，确定所述待分类课程的目标服务对象类型；
根据预先获取的课程关键字集合，课程学习量区间集合以及课程峰值学习时间区间集合，选择出所述待分类课程对应的课程关键字，课程学习量区间，课程峰值学习时间区间；
根据所述课程关键字，所述课程学习量区间，所述课程峰值学习时间区间，确定出所述待分类课程的目标专业类型；
将所述待分类课程的所述目标服务对象类型和所述目标专业类型返回所述终端设备。
在一种具体实施方式中，所述根据所述课程关键字，所述课程学习量区间，所述课程峰值学习时间区间，确定出所述待分类课程的目标专业类型，包括：
根据所述课程关键字，所述课程学习量区间，所述课程峰值学习时间区间，计算所述待分类课程为每一种专业类型的条件概率；
根据所述待分类课程为每一种专业类型的条件概率和每一种专业类型的先验概率，计算所述待分类课程为每一种专业类型的专业类型指标，所述待分类课程为每一种专业类型的专业类型指标用于指示所述待分类课程为所述专业类型的可能性；
根据所述待分类课程为每一种专业类型的专业类型指标，将数值最大的专业类型指标对应的专业类型确定为所述目标专业类型。
在一种具体实施方式中，所述根据所述课程关键字，所述课程学习量区间，所述课程峰值学习时间区间，计算所述待分类课程为每一种专业类型的条件概率之前，所述方法还包括：
获取训练数据集，所述训练数据集中包括多个课程，以及每个课程对应的课程关键字，课程学习量区间，课程峰值学习时间区间和专业类型；
根据所述训练数据集，分别计算专业类型集合中的每一种专业类型的先验概率。
在一种具体实施方式中，所述根据所述多个服务对象类型指标，确定所述待分类课程的目标服务对象类型，包括：
判断所述多个服务对象类型指标是否全部小于预设的指标阈值；
若所述多个服务对象类型指标全部小于所述指标阈值，则将其他类型确定为所述待分类课程的所述目标服务对象类型；
若所述多个服务对象类型指标中存在大于或等于所述指标阈值的指标，则将所述多个服务对象类型指标中，指标值最大的服务对象类型确定为所述待分类课程的所述目标服务对象类型。
在一种具体实施方式中，所述方法还包括：
获取所述服务对象类型集合，所述服务对象类型集合中包括多种服务对象类型以及其他类型。
在一种具体实施方式中，所述方法还包括：
获取专业类型集合，所述专业类型集合中包括多种专业类型。
在一种具体实施方式中，所述方法还包括：
获取所述课程关键字集合，所述课程关键字集合中包括多种课程关键字。
在一种具体实施方式中，所述方法还包括：
获取所述课程学习量区间集合，所述课程学习量区间集合中包括多种课程学习量区间。
在一种具体实施方式中，所述方法还包括：
获取所述课程峰值学习时间区间集合，所述课程峰值学习时间区间集合中包括课程峰值学习时间区间。
第二方面，本发明提供一种课程的分类处理装置，包括：
接收模块，用于接收终端设备发送的课程分类请求，所述课程分类请求用于指示对待分类课程进行分类；
获取模块，用于针对所述待分类课程，根据预先获取的服务对象类型集合，分别获取所述待分类课程的第一临时变量，第二临时变量和第三临时变量；其中，所述服务对象类型集合中包括多个服务对象类型以及其他类型，所述第一临时变量包括学习所述待分类课程的人员中每一类服务对象类型的学员数量的占比，所述第二临时变量包括所述待分类课程的培训班中每一类服务对象类型的线上培训班数量的占比，所述第三临时变量包括所述待分类课程的培训班中每一类服务对象类型的线下培训班数量的占比；
计算模块，用于根据所述第一临时变量，第二临时变量，第三临时变量，计算获取多个服务对象类型指标，每个服务对象类型指标用于指示所述待分类课程为所述服务对象类型的可能性；
确定模块，用于根据所述多个服务对象类型指标，确定所述待分类课程的目标服务对象类型；
选择模块，用于根据预先获取的课程关键字集合，课程学习量区间集合以及课程峰值学习时间区间集合，选择出所述待分类课程对应的课程关键字，课程学习量区间，课程峰值学习时间区间；
所述确定模块，还用于根据所述课程关键字，所述课程学习量区间，所述课程峰值学习时间区间，确定出所述待分类课程的目标专业类型；
发送模块，用于将所述待分类课程的所述目标服务对象类型和所述目标专业类型返回所述终端设备。
在一种具体实施方式中，所述计算模块，还用于根据所述课程关键字，所述课程学习量区间，所述课程峰值学习时间区间，计算所述待分类课程为每一种专业类型的条件概率；
所述计算模块，还用于根据所述待分类课程为每一种专业类型的条件概率和每一种专业类型的先验概率，计算所述待分类课程为每一种专业类型的专业类型指标，所述待分类课程为每一种专业类型的专业类型指标用于指示所述待分类课程为所述专业类型的可能性；
所述确定模块，还用于根据所述待分类课程为每一种专业类型的专业类型指标，将数值最大的专业类型指标对应的专业类型确定为所述目标专业类型。
在一种具体实施方式中，所述获取模块，还用于获取训练数据集，所述训练数据集中包括多个课程，以及每个课程对应的课程关键字，课程学习量区间，课程峰值学习时间区间和专业类型；
所述计算模块，还用于根据所述训练数据集，分别计算专业类型集合中的每一种专业类型的先验概率。
在一种具体实施方式中，所述确定模块，具体用于：
判断所述多个服务对象类型指标是否全部小于预设的指标阈值；
若所述多个服务对象类型指标全部小于所述指标阈值，则将其他类型确定为所述待分类课程的所述目标服务对象类型；
若所述多个服务对象类型指标中存在大于或等于所述指标阈值的指标，则将所述多个服务对象类型指标中，指标值最大的服务对象类型确定为所述待分类课程的所述目标服务对象类型。
在一种具体实施方式中，所述获取模块，还用于获取所述服务对象类型集合，所述服务对象类型集合中包括多种服务对象类型以及其他类型。
在一种具体实施方式中，所述获取模块，还用于获取专业类型集合，所述专业类型集合中包括多种专业类型。
在一种具体实施方式中，所述获取模块，还用于获取所述课程关键字集合，所述课程关键字集合中包括多种课程关键字。
在一种具体实施方式中，所述获取模块，还用于获取所述课程学习量区间集合，所述课程学习量区间集合中包括多种课程学习量区间。
在一种具体实施方式中，所述获取模块，还用于获取所述课程峰值学习时间区间集合，所述课程峰值学习时间区间集合中包括课程峰值学习时间区间。
第三方面，本发明提供一种服务器，包括：
处理器，存储器，通信接口；
所述存储器用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行第一方面任一项所述的课程的分类处理方法。
第四方面，本发明提供一种可读存储介质，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第一方面任一项所述的课程的分类处理方法。
本发明提供的课程的分类处理方法、装置、设备及介质，通过服务器接收终端设备发送的课程分类请求开始进行分类，根据服务对象类型集合，分别获取待分类课程的第一、第二和第三临时变量，进而计算获取服务对象类型指标，从而确定待分类课程的服务对象类型，完成第一级分类。再通过服务器预先获取的课程关键字集合，课程学习量区间集合以及课程峰值学习时间区间集合，选择出待分类课程对应的课程关键字，课程学习量区间，课程峰值学习时间区间，进而确定出待分类课程的专业类型，完成第二级分类，再将服务对象类型和专业类型返回终端设备向用户展示。本方案通过两级分类确定出待分类课程的服务对象类型和专业类型，提高了课程分类的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的课程的分类处理方法的应用场景示意图；
图2为本发明提供的课程的分类处理方法实施例一的流程示意图；
图3为本发明提供的课程的分类处理方法实施例二的流程示意图；
图4为本发明提供的课程的分类处理装置实施例的结构示意图；
图5为本发明提供的一种服务器的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在根据本实施例的启示下作出的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
随着互联网的普及和深度应用，网上学习平台已经成为教育和知识分享的重要途径。对于平台运营者来说，如何进行有效的学员行为数据分析和课程分类是两个重大问题。对于第一个问题，已经有了很好的解决方法，可以通过学员的行为数据分析通常采用建立学员行为特征模型来解决。通过获取学员的趣味喜好、需求和所有的交互行为等数据，经过剖析综合概括从而得到一个能够运算的可计算的格式化的学员行为特征模型，这个模型可以反映学员个性化需求、知识背景或者喜好。
对于课程分类的问题，目前课程的分类方法是通过用户对部分课程进行分类形成样本，再将样本输入初始的分类模型中进行模型训练，训练完成后形成课程分类模型。用户再将网上学习平台上的所有课程输入课程分类模型，进而课程分类模型即可输出课程对应的类别。这种课程分类方法完全依赖于课程分类模型，导致分类的准确性较低。
针对现有技术中存在的问题，发明人在对课程的分类处理方法进行研究的过程中发现，课程具有属性，分为基本属性和行为属性，其中基本属性包括：课程关键字、讲师姓名、上线时间、课程时长等。行为属性主要是指该课程在某某时间被某某学员以什么样的方式学习，可以提炼为：课程学习次数、课程学习时长、培训班采用量、培训班类别、培训班发起组织等。根据课程的属性，本发明提供的方案通过两级分类来实现课程的分类。
在用户需要进行课程分类时，根据课程的行为属性中的服务对象类型设置服务对象类型集合，并通过终端设备发送至服务器，再向服务器发送课程分类请求来开始进行分类。通过获取待分类课程的第一临时变量，第二临时变量和第三临时变量，进而计算得到服务对象类型指标，最后得到待分类课程的目标服务对象类型，完成第一级分类。
完成第一级分类后，根据课程的基本属性中的课程关键字，行为属性中的课程学习量区间和课程峰值学习时间区间得到课程关键字集合，课程学习量区间集合以及课程峰值学习时间区间集合，进而确定出待分类课程的目标专业类型，完成第二级分类。基于上述发明构思，设计了本发明中的课程的分类处理方案。
示例性的，图1为本发明提供的课程的分类处理方法的应用场景示意图。如图1所示，该应用场景可以包括：终端设备11和服务器12。
示例性的，在图1所示的应用场景中，服务器12可以接收终端设备11发送的课程分类请求，从而开始对待分类课程进行分类。服务器12可以确定出待分类课程的目标服务对象类型，完成第一级分类。服务器12还可以确定出待分类课程的目标专业类型，完成第二级分类，再将目标服务对象类型和目标专业类型返回终端设备11。
终端设备11可以向服务器12发送课程分类请求，以便服务器12开始对待分类课程分类。还可以接收服务器12返回的目标服务对象类型和目标专业类型，再通过用户图形界面向用户展示，以便用户使用目标服务对象类型和目标专业类型作为待分类课程的类型。
需要说明的是，图1仅是本发明实施例提供的一种应用场景的示意图，本发明实施例不对图1中包括的各种设备的实际形态进行限定，也不对图1中设备之间的位置关系和交互方式进行限定，在方案的具体应用中，可以根据实际需求设定。
需要理解的是，终端设备可以是电脑，也可以是智能手机等其他智能终端，本发明实施例不对终端设备的具体形态进行限定，可以根据实际需求确定。
下面，通过具体实施例对本发明的技术方案进行详细说明。需要说明的是，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图2为本发明提供的课程的分类处理方法实施例一的流程示意图。如图2所示，该课程的分类处理方法具体包括以下步骤：
S201：接收终端设备发送的课程分类请求。
在本步骤中，当用户需要对待分类课程进行分类时，需要通过终端设备向服务器发送课程分类请求，服务器接收到课程分类请求后就可以对待分类课程进行分类。
需要说明的是，服务器具有存储功能，服务器获取待分类课程的方式可以是在终端设备向服务器发送课程分类请求之前，待分类课程存储在服务器中，服务器可以直接获取到。服务器获取待分类课程的方式还可以是待分类课程包含于课程分类请求中，在服务器接收到课程分类请求时就可以获取到待分类课程。本发明实施例不对服务器获取待分类课程的方式进行具体限定，可根据实际情况进行选择。
需要说明的是，待分类课程的数量可以是一个，也可以是多个，本发明实施例不对待分类课程的数量进行限制，可根据实际情况进行选择。
S202：针对待分类课程，根据预先获取的服务对象类型集合，分别获取待分类课程的第一临时变量，第二临时变量和第三临时变量。
在终端设备向服务器发送课程分类请求之前，服务器还需要获取服务对象类型集合，服务对象类型集合中包括多个服务对象类型以及其他类型，根据服务对象类型可以计算获取待分类课程的第一临时变量，第二临时变量和第三临时变量。本发明实施例完成第一级分类所选出的目标服务对象类型也包含于服务对象类型集合中。
需要说明的是，服务器获取服务对象类型集合的方式是在终端设备向服务器发送课程分类请求之前，用户将服务对象类型集合设置在服务器中，服务器可直接获取。本发明实施例不对服务对象类型集合中的服务对象类型数量进行具体限定，可根据实际情况进行设置。
学习待分类课程的途径包括线上自学途径、线上培训班学习途径和线下培训班学习途径，对于三种途径计算待分类课程的第一临时变量、第二临时变量和第三临时变量。第一临时变量包括学习待分类课程的学员中每一类服务对象类型的学员数量的占比，第二临时变量包括待分类课程的线上培训班中每一类服务对象类型的线上培训班数量的占比，第三临时变量包括待分类课程的线下培训班中每一类服务对象类型的线下培训班数量的占比。
在本步骤中，服务器接收到终端设备发送的课程分类请求后，需要计算待分类课程的第一临时变量。
对于线上自学途径，服务器中存储有学习待分类课程的学员列表、每个学员对应的服务对象类型和学员总数量，进而服务器将第一临时变量中的学习待分类课程的学员中每一类服务对象类型的学员数量的占比确定为每一类服务对象类型的学员数量与学员总数量的比值、每一类服务对象类型的学员数量与第一阈值的比值、1三者的最小值。
需要说明的是，第一阈值是在终端设备向服务器发送课程分类请求之前，由用户设置在服务器中，用于与学员总数量做大小比较。在每一类服务对象类型的学员数量与学员总数量的比值、每一类服务对象类型的学员数量与第一阈值的比值都小于1的情况下，第一阈值小于或等于学员总数量时，第一临时变量中的学习待分类课程的学员中每一类服务对象类型的学员数量的占比确定为每一类服务对象类型的学员数量与学员总数量的比值；第一阈值大于学员总数量时，第一临时变量中的学习待分类课程的学员中每一类服务对象类型的学员数量的占比确定为每一类服务对象类型的学员数量与第一阈值的比值。本发明实施例不对第一阈值的大小进行限定，可根据实际情况进行设置。
需要说明的是，第一临时变量中的学习待分类课程的学员中每一类服务对象类型的学员数量的占比确定为每一类服务对象类型的学员数量与第一阈值的比值的情况，是为了避免在学员总数量很少时，第一临时变量中的学习待分类课程的学员中每一类服务对象类型的学员数量的占比取值不合理的问题。
服务器接收到终端设备发送的课程分类请求后，还需要计算待分类课程的第二临时变量。
对于线上培训班学习途径，服务器中存储有待分类课程的线上培训班列表、每个培训班的每个学员对应的服务对象类型、每个培训班的学员总数量和线上培训班的总数量。服务器将每个培训班的服务对象类型确定为该培训班中学员数量最多的服务对象类型。
进而服务器将第二临时变量中的待分类课程的线上培训班中每一类服务对象类型的线上培训班数量的占比确定为每一类服务对象类型的线上培训班数量与线上培训班总数量的比值、每一类服务对象类型的线上培训班数量与第二阈值的比值、1三者的最小值。
需要说明的是，第二阈值是在终端设备向服务器发送课程分类请求之前，由用户设置在服务器中，用于与线上培训班总数量做大小比较。在每一类服务对象类型的线上培训班数量与线上培训班总数量的比值、每一类服务对象类型的线上培训班数量与第二阈值的比值都小于1的情况下，第二阈值小于或等于线上培训班总数量时，第二临时变量中的待分类课程的线上培训班中每一类服务对象类型的线上培训班数量的占比确定为每一类服务对象类型的线上培训班数量与线上培训班总数量的比值；第二阈值大于线上培训班总数量时，第二临时变量中的待分类课程的线上培训班中每一类服务对象类型的线上培训班数量的占比确定为每一类服务对象类型的线上培训班数量与第二阈值的比值。本发明实施例不对第二阈值的大小进行限定，可根据实际情况进行设置。
需要说明的是，第二临时变量中的待分类课程的线上培训班中每一类服务对象类型的线上培训班数量的占比确定为每一类服务对象类型的线上培训班数量与第二阈值的比值的情况，是为了避免在线上培训班总数量很少时，第二临时变量中的待分类课程的线上培训班中每一类服务对象类型的线上培训班数量的占比取值不合理的问题。
服务器接收到终端设备发送的课程分类请求后，还需要计算待分类课程的第三临时变量。
对于线下培训班学习途径，服务器中存储有待分类课程的线下培训班列表、每个培训班的每个学员对应的服务对象类型、每个培训班的学员总数量和线下培训班的总数量。服务器将每个培训班的服务对象类型确定为该培训班中学员数量最多的服务对象类型。
进而服务器将第三临时变量中的待分类课程的线下培训班中每一类服务对象类型的线下培训班数量的占比确定为每一类服务对象类型的线下培训班数量与线下培训班总数量的比值、每一类服务对象类型的线下培训班数量与第三阈值的比值、1三者的最小值。
需要说明的是，第三阈值是在终端设备向服务器发送课程分类请求之前，由用户设置在服务器中，用于与线下培训班总数量做大小比较。在每一类服务对象类型的线下培训班数量与线下培训班总数量的比值、每一类服务对象类型的线下培训班数量与第三阈值的比值都小于1的情况下，第三阈值小于或等于线下培训班总数量时，第三临时变量中的待分类课程的线下培训班中每一类服务对象类型的线下培训班数量的占比确定为每一类服务对象类型的线下培训班数量与线下培训班总数量的比值；第三阈值大于线下培训班总数量时，第三临时变量中的待分类课程的线下培训班中每一类服务对象类型的线下培训班数量的占比确定为每一类服务对象类型的线下培训班数量与第三阈值的比值。本发明实施例不对第三阈值的大小进行限定，可根据实际情况进行设置。
需要说明的是，第三临时变量中的待分类课程的线下培训班中每一类服务对象类型的线下培训班数量的占比确定为每一类服务对象类型的线下培训班数量与第三阈值的比值的情况，是为了避免在线下培训班总数量很少时，第三临时变量中的待分类课程的线下培训班中每一类服务对象类型的线下培训班数量的占比取值不合理的问题。
S203：根据第一临时变量，第二临时变量，第三临时变量，计算获取多个服务对象类型指标。
在本步骤中，服务器计算获取到第一临时变量，第二临时变量，第三临时变量后，进而可以计算获取多个服务对象类型指标，每个服务对象类型指标用于指示待分类课程为该服务对象类型指标对应的服务对象类型的可能性。
具体的，每个服务对象类型指标确定为下面三个数值的和。第一个数值为学习待分类课程的学员中该服务对象类型指标对应的服务对象类型的学员数量的占比乘以第一权重，第二个数值为待分类课程的线上培训班中该服务对象类型指标对应的服务对象类型的线上培训班数量的占比乘以第二权重，第三个数值为待分类课程的线下培训班中该服务对象类型指标对应的服务对象类型的线下培训班数量的占比乘以第三权重。
需要说明的是，第一权重、第二权重和第三权重是用户在终端设备向服务器发送课程分类请求之前，设置在服务器中的，服务器可直接获取。
需要说明的是，第一权重、第二权重和第三权重的取值在0到1之间，第一权重、第二权重和第三权重的和为1，可以根据每一种学习待分类课程的途径的学员数量与三种学习待分类课程的途径的学员总数量的比值进行设置，也可以根据用户的需求进行设置。本发明实施例不对第一权重、第二权重和第三权重的取值进行具体限定，可根据实际情况进行选择。
S204：根据多个服务对象类型指标，确定待分类课程的目标服务对象类型。
在本步骤中，服务器在计算获取多个服务对象类型指标后，进而可以确定出待分类课程的目标服务对象类型，完成第一级分类。
具体的，服务器在计算获取多个服务对象类型指标后，将其与预设的指标阈值进行大小判断，如果多个服务对象类型指标全部小于指标阈值，说明待分类课程的服务对象类型不明显，则将其他类型确定为待分类课程的目标服务对象类型。如果多个服务对象类型指标中存在大于或等于指标阈值的指标，则将多个服务对象类型指标中，指标值最大的服务对象类型确定为待分类课程的目标服务对象类型。
需要说明的是，预设的指标阈值是用户在终端设备向服务器发送课程分类请求之前，设置在服务器中的，用于与多个服务对象类型指标及逆行大小比较。本发明实施例不对预设的指标阈值的大小进行具体限定，可根据实际情况进行选择。
S205：根据预先获取的课程关键字集合，课程学习量区间集合以及课程峰值学习时间区间集合，选择出待分类课程对应的课程关键字，课程学习量区间，课程峰值学习时间区间。
在终端设备向服务器发送课程分类请求之前，服务器还需要获取课程关键字集合，课程学习量区间集合以及课程峰值学习时间区间集合，用于从中确定待分类课程的课程关键字，课程学习量区间，课程峰值学习时间区间。
在本步骤中，服务器完成第一级分类后，就可以进行第二级分类。服务器中存储有所有待分类课程的课程关键字、课程学习量，课程峰值学习时间，进而就可以从课程关键字集合，课程学习量区间集合以及课程峰值学习时间区间集合中选择出待分类课程的课程关键字，课程学习量区间，课程峰值学习时间区间。
S206：根据课程关键字，课程学习量区间，课程峰值学习时间区间，确定出待分类课程的目标专业类型。
在本步骤中，在服务器选择出待分类课程对应的课程关键字，课程学习量区间，课程峰值学习时间区间后，就可以计算待分类课程为每一种专业类型的条件概率，进而可以计算出待分类课程为每一种专业类型的专业类型指标，待分类课程为每一种专业类型的专业类型指标用于指示待分类课程为该专业类型的可能性。最后根据待分类课程为每一种专业类型的专业类型指标，将数值最大的专业类型指标对应的专业类型确定为目标专业类型。完成第二级分类。
S207：将待分类课程的目标服务对象类型和目标专业类型返回终端设备。
在本步骤中，服务器完成两级分类，确定出待分类课程的目标服务对象类型和目标专业类型，并将其返回至终端设备向用户展示，以便用户可以使用目标服务对象类型和目标专业类型作为待分类课程的类型。
本发明实施例提供的课程的分类处理方法，通过两级分类对待分类课程进行分类。首先接收到终端设备发送的课程分类请求，开始进行分类。服务器根据预先获取的服务对象类型集合，分别获取待分类课程的第一临时变量，第二临时变量和第三临时变量，进而再计算获取多个服务对象类型指标，根据多个服务对象类型指标，确定待分类课程的目标服务对象类型，完成第一级分类。再根据预先获取的课程关键字集合，课程学习量区间集合以及课程峰值学习时间区间集合，选择出待分类课程对应的课程关键字，课程学习量区间，课程峰值学习时间区间，进而确定出待分类课程的目标专业类型，完成第二级分类。最后将目标服务对象类型和目标专业类型返回终端设备向用户展示。相较于现有技术，用户需要使用训练后的课程分类模型进行课程分类，分类结果完全依赖于课程分类模型，本方案采用两级分类的模式对待分类课程分类，提高了分类的准确性。
图3为本发明提供的课程的分类处理方法实施例二的流程示意图。如图3所示，该课程的分类处理方法具体包括以下步骤：
S301：获取专业类型集合。
在本步骤中，在终端设备向服务器发送课程分类请求之前，需要获取专业类型集合，专业类型集合中包括多种专业类型，根据专业类型可以计算每一种专业类型的先验概率。本发明实施例完成第二级分类所选出的目标专业类型也包含于专业类型集合中。
需要说明的是，服务器获取专业类型集合的方式是在终端设备向服务器发送课程分类请求之前，用户将专业类型集合设置在服务器中，服务器可直接获取。本发明实施例不对专业类型集合中的专业类型数量进行具体限定，可根据实际情况进行设置。
S302：获取课程关键字集合。
在本步骤中，在终端设备向服务器发送课程分类请求之前，需要获取课程关键字集合，用于从中选取待分类课程对应的课程关键字。
需要说明的是，服务器获取课程关键字集合的方式可以是在终端设备向服务器发送课程分类请求之前，用户将课程关键字集合设置在服务器中，服务器可直接获取；还可以是服务器将其存储的每个课程的关键字构成初步课程关键字集合，将初步课程关键字集合中的课程关键字按照出现的频次进行排序，选取前预设数量个课程关键字构成的集合作为课程关键字集合。本发明实施例不对服务器获取课程关键字集合的方式进行限定，也不对课程关键字集合中的课程关键字数量进行具体限定，可根据实际情况进行设置。
S303：获取课程学习量区间集合。
在本步骤中，在终端设备向服务器发送课程分类请求之前，需要获取课程学习量区间集合，用于从中选取待分类课程对应的课程学习量区间。
具体的，服务器从存储的课程中选取存储时间大于预设存储时间的课程，进而从中获取每个课程的总学习时长T1，每个课程的总学习次数T2，进而按照公式T＝f(T1)+f(T2)计算学习量综合指标，学习量综合指标用于划分课程学习量区间。其中T为学习量综合指标，f为归一化函数，
Figure BDA0003337395160000151
x0为预设归一化函数阈值。根据学习量综合指标，将区间[0,2]进行划分得到课程学习量区间集合。
需要说明的是，预设存储时间是在终端设备向服务器发送课程分类请求之前，由用户设置在服务器中，用于服务器选取存储时间大于预设存储时间的课程。本发明实施例不对预设存储时间进行具体限定，可根据实际情况进行选择。
需要说明的是，预设归一化函数阈值是在终端设备向服务器发送课程分类请求之前，由用户设置在服务器中，用于与课程的总学习时长和课程的总学习次数进行大小比较。本发明实施例不对预设归一化函数阈值进行具体限定，可根据实际情况进行选择。
S304：获取课程峰值学习时间区间集合。
在本步骤中，在终端设备向服务器发送课程分类请求之前，需要获取课程峰值学习时间区间集合，用于从中选取待分类课程对应的课程峰值学习时间区间。
具体的，服务器从存储的课程中获取每个课程的开始学习的时间，将开始学习的时间按照时间顺序排列，如果两个开始学习的时间的时间间隔超过预设时间间隔，将这两个开始学习的时间作为两个课程峰值学习时间区间的右端点和左端点。所有课程峰值学习时间区间构成课程峰值学习时间区间集合。
示例性的，预设时间间隔为30分钟，每个课程的开始学习的时间分别为8点5分、8点20分、8点30分、9点20分、9点35分，17点0分，17点10分，17点20分，则课程峰值学习时间区间为(8点5分，8点30分]，(9点20分，9点35分]，(17点0分，17点20分]。上述例子只是对预设时间间隔、每个课程的开始学习的时间和课程峰值学习时间区间进行示例，本发明实施例不对预设时间间隔、每个课程的开始学习的时间和课程峰值学习时间区间进行具体限定，可根据实际情况选择。
S305：获取训练数据集。
在本步骤中，在终端设备向服务器发送课程分类请求之前，需要获取训练数据集，训练数据集中包括多个课程，以及每个课程对应的课程关键字，课程学习量区间，课程峰值学习时间区间和专业类型，用于计算专业类型集合中的每一种专业类型的先验概率和待分类课程为每一种专业类型的条件概率。
需要说明的是，服务器中存储有课程，还可以获取到每个课程的课程关键字、课程学习量区间和课程峰值学习时间区间，所以服务器获取训练数据集的方式可以是服务器从存储的课程中选取部分课程，进而根据课程关键字集合、课程学习量区间集合和课程峰值学习时间区间集合选取部分课程中每个课程的课程关键字、课程学习量区间和课程峰值学习时间区间，用户再对部分课程中的每个课程根据专业类型集合确定专业类型，共同组成训练数据集；服务器获取训练数据集的方式还可以是用户选取部分课程，进而根据课程关键字集合、课程学习量区间集合和课程峰值学习时间区间集合选取部分课程中每个课程的课程关键字、课程学习量区间和课程峰值学习时间区间，再对部分课程中的每个课程根据专业类型集合确定专业类型，共同组成训练数据集。本发明实施例不对服务器获取训练数据集的方式进行限定，可根据实际情况进行选择。
需要说明的是，本发明实施例不对部分课程的选取进行限定，可根据实际情况进行选择。
S306：根据训练数据集，分别计算专业类型集合中的每一种专业类型的先验概率。
在本步骤中，服务器在获取到训练数据集后，就可以计算专业类型集合中的每一种专业类型的先验概率。
具体的，在训练数据集中，每一种专业类型对应的课程数量与课程总数量的比值确定为每一种专业类型的先验概率。
S307：根据课程关键字集合，课程学习量区间集合以及课程峰值学习时间区间集合，选择出待分类课程对应的课程关键字，课程学习量区间，课程峰值学习时间区间。
在本步骤中，在服务器计算得到专业类型集合中的每一种专业类型的先验概率后，就可以对待分类课程进行分类。根据课程关键字集合，课程学习量区间集合以及课程峰值学习时间区间集合，选择出待分类课程对应的课程关键字，课程学习量区间，课程峰值学习时间区间。进而可以计算待分类课程为每一种专业类型的条件概率。
S308：根据课程关键字，课程学习量区间，课程峰值学习时间区间，计算待分类课程为每一种专业类型的条件概率。
在本步骤中，在服务器选择出待分类课程对应的课程关键字，课程学习量区间，课程峰值学习时间区间后，首先计算在每一种专业类型下，课程关键字为待分类课程对应的课程关键字发生的条件概率、课程学习量区间为待分类课程对应的课程学习量区间发生的条件概率、课程峰值学习时间区间为待分类课程对应的课程峰值学习时间区间发生的条件概率，再将上述三种条件概率相乘即可得到待分类课程为每一种专业类型的条件概率。
在每一种专业类型下，课程关键字为待分类课程对应的课程关键字发生的条件概率的计算方法为：每一种专业类型对应的课程中课程关键字为待分类课程对应的课程关键字的课程的数量与每一种专业类型对应的课程的数量的比值。
在每一种专业类型下，课程学习量区间为待分类课程对应的课程学习量区间发生的条件概率的计算方法为：每一种专业类型对应的课程中课程学习量区间为待分类课程对应的课程学习量区间的课程的数量与每一种专业类型对应的课程的数量的比值。
在每一种专业类型下，课程峰值学习时间区间为待分类课程对应的课程峰值学习时间区间发生的条件概率的计算方法为：每一种专业类型对应的课程中课程峰值学习时间区间为待分类课程对应的课程峰值学习时间区间的课程的数量与每一种专业类型对应的课程的数量的比值。
S309：根据待分类课程为每一种专业类型的条件概率和每一种专业类型的先验概率，计算待分类课程为每一种专业类型的专业类型指标。
在本步骤中，服务器计算得到待分类课程为每一种专业类型的条件概率后，就可以结合每一种专业类型的先验概率计算得到待分类课程为每一种专业类型的专业类型指标，进而确定目标专业类型。
具体的，将待分类课程为每一种专业类型的条件概率和每一种专业类型的先验概率相乘即可得到待分类课程为每一种专业类型的专业类型指标。
S310：根据待分类课程为每一种专业类型的专业类型指标，将数值最大的专业类型指标对应的专业类型确定为目标专业类型。
在本步骤中，服务器得到待分类课程为每一种专业类型的专业类型指标后，将每个指标进行大小比较，将数值最大的专业类型指标对应的专业类型确定为目标专业类型。
本发明实施例提供的课程的分类处理方法，通过第一级分类后，服务器再通过获取专业类型集合、课程关键字集合、课程学习量区间集合、课程峰值学习时间区间集合和训练数据集，确定待分类课程对应的课程关键字，课程学习量区间，课程峰值学习时间区间，再计算专业类型集合中的每一种专业类型的先验概率、待分类课程为每一种专业类型的条件概率，进而再计算待分类课程为每一种专业类型的专业类型指标，从而将数值最大的专业类型指标对应的专业类型确定为所述目标专业类型。相较于现有技术利用课程分类模型对待分类课程进行分类，本方案再第二级分类是考虑了专业类型集合中的每一种专业类型的先验概率、待分类课程为每一种专业类型的条件概率，提高了分类的准确性。下面通过一个具体的示例，来对本发明实施例提供的课程的分类处理方法进行示例说明。
服务器获取的服务对象类型集合为{专业线学员类型，领导力学员类型，新员工类型，其他类型}，令A1表示专业线学员类型，A2表示领导力学员类型，A3表示新员工类型，A4表示其他类型。对于线上自学途径，计算第一临时变量f1i，i＝1,2,3，计算机获取到学习待分类课程的学员中A1的学员数量记为n11，学习待分类课程的学员中A2的学员数量记为n12，学习待分类课程的学员中A3的学员数量记为n13，学员总数量为m1，第一阈值为M1，则第一临时变量f1i＝min{n1i/m1,n1i/M1,1}，i＝1,2,3。
对于线上培训班学习途径，计算第二临时变量f2i，i＝1,2,3，计算机获取到A1的线上培训班数量记为n21，A2的线上培训班数量记为n22，A3的线上培训班数量记为n23，线上培训班总数量为m2，第二阈值为M2，则第二临时变量f2i＝min{n2i/m2,n2i/M2,1}，i＝1,2,3。
对于线下培训班学习途径，计算第三临时变量f3i，i＝1,2,3，计算机获取到A1的线下培训班数量记为n31，A2的线下培训班数量记为n32，A3的线下培训班数量记为n33，线下培训班总数量为m3，第三阈值为M3，则第三临时变量f3i＝min{n3i/m3,n3i/M3,1}，i＝1,2,3。
再计算服务对象类型指标fi。fi＝αf1i+βf2i+γf3i，i＝1,2,3，其中，α为第一权重，β为第二权重，γ为第三权重，可以选择α＝m1/m1+j2+j3，β＝j2/m1+j2+j3，γ＝j3/m1+j2+j3，其中，j2为线上培训班的学员总数量，j3为线下培训班的学员总数量。
设定指标阈值为0.1，判断fi，i＝1,2,3是否全部小于0.1，如果全部小于0.1，将其他类型确定为待分类课程的目标服务对象类型；服务对象类型指标fi，i＝1,2,3中存在大于或等于0.1的指标，则将服务对象类型指标fi，i＝1,2,3中确定出指标值最大的服务对象类型指标对应的i，将Ai确定为待分类课程的目标服务对象类型。
服务器获取的专业类型集合为{创新技术类型，通用类型，公共市场类型，其他类型}，令C1表示创新技术类型，C2表示通用类型，C3表示公共市场类型，C4表示其他类型。
服务器获取的课程关键字集合为{第五代移动通信技术(5th Generation MobileCommunication Technology，简称：5G)，保密教育，情绪管理，市场营销}，令B11表示5G，B12表示保密教育，B13表示情绪管理，B14表示市场营销。
服务器获取的课程学习量区间集合为{[0,0.7)，(0.7,1.5]，(1.5,2]}，令B21表示[0,0.7)，B22表示(0.7,1.5]，B23表示(1.5,2]。
服务器获取的课程峰值学习时间区间集合为{(8点0分，9点30分]，(12点0分，13点30分]，(17点30分，19点20分]}，令B31表示(8点0分，9点30分]，B32表示(12点0分，13点30分]，B33表示(17点30分，19点20分]。
服务器获取的训练数据集如表1所示：
Figure BDA0003337395160000201
服务器计算专业类型集合中的每一种专业类型的先验概率，创新技术类型C1的先验概率P(C1),通用类型C2的先验概率P(C2)，公共市场类型C3的先验概率P(C3)，其他类型C4的先验概率P(C4)。
待分类课程对应的课程关键字，课程学习量区间，课程峰值学习时间区间分别为B11，B23，B32，在专业类型Ci，i＝1,2,3,4下，课程关键字为B11发生的条件概率P(B11|Ci)，i＝1,2,3,4，在专业类型Ci，i＝1,2,3,4下，课程学习量区间为B23发生的条件概率P(B23|Ci)，i＝1,2,3,4，在专业类型Ci，i＝1,2,3,4下，课程峰值学习时间区间为B32发生的条件概率P(B32|Ci)，i＝1,2,3,4。再计算待分类课程为专业类型Ci，i＝1,2,3,4的条件概率Pi＝P(B11|Ci)P(B23|Ci)P(B32|Ci)，i＝1,2,3,4。再计算待分类课程为专业类型Ci，i＝1,2,3,4的专业类型指标gi＝Pi·P(Ci)，i＝1,2,3,4，
则将专业类型指标gi，i＝1,2,3,4中确定出指标值最大的专业类型对应的i，将Ci确定为待分类课程的目标专业类型。
需要说明的是，上述例子只是对本发明提供的课程的分类处理方案进行举例示出，并不对服务对象类型集合、服务对象类型指标、指标阈值、专业类型集合、课程关键字集合、课程学习量区间集合、课程峰值学习时间区间、训练数据集和专业类型指标等进行限定，可根据实际情况进行设置。
本发明实施例提供的课程的分类处理方法，通过两级分类的模式对待分类课程进行分类，得到目标服务对象类型和目标专业类型，有效提高了课程分类的准确性。
下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。
图4为本发明提供的课程的分类处理装置实施例的结构示意图；如图4所示，该课程的分类处理装置40包括：
接收模块41，用于接收终端设备发送的课程分类请求，所述课程分类请求用于指示对待分类课程进行分类；
获取模块42，用于针对所述待分类课程，根据预先获取的服务对象类型集合，分别获取所述待分类课程的第一临时变量，第二临时变量和第三临时变量；其中，所述服务对象类型集合中包括多个服务对象类型以及其他类型，所述第一临时变量包括学习所述待分类课程的学员中每一类服务对象类型的学员数量的占比，所述第二临时变量包括所述待分类课程的线上培训班中每一类服务对象类型的线上培训班数量的占比，所述第三临时变量包括所述待分类课程的线下培训班中每一类服务对象类型的线下培训班数量的占比；
计算模块43，用于根据所述第一临时变量，第二临时变量，第三临时变量，计算获取多个服务对象类型指标，每个服务对象类型指标用于指示所述待分类课程为所述服务对象类型的可能性；
确定模块44，用于根据所述多个服务对象类型指标，确定所述待分类课程的目标服务对象类型；
选择模块45，用于根据预先获取的课程关键字集合，课程学习量区间集合以及课程峰值学习时间区间集合，选择出所述待分类课程对应的课程关键字，课程学习量区间，课程峰值学习时间区间；
所述确定模块44，还用于根据所述课程关键字，所述课程学习量区间，所述课程峰值学习时间区间，确定出所述待分类课程的目标专业类型；
发送模块46，用于将所述待分类课程的所述目标服务对象类型和所述目标专业类型返回所述终端设备。
进一步地，所述计算模块43，还用于根据所述课程关键字，所述课程学习量区间，所述课程峰值学习时间区间，计算所述待分类课程为每一种专业类型的条件概率。
进一步地，所述计算模块43，还用于根据所述待分类课程为每一种专业类型的条件概率和每一种专业类型的先验概率，计算所述待分类课程为每一种专业类型的专业类型指标，所述待分类课程为每一种专业类型的专业类型指标用于指示所述待分类课程为所述专业类型的可能性。
进一步地，所述确定模块44，还用于根据所述待分类课程为每一种专业类型的专业类型指标，将数值最大的专业类型指标对应的专业类型确定为所述目标专业类型。
进一步地，所述获取模块42，还用于获取训练数据集，所述训练数据集中包括多个课程，以及每个课程对应的课程关键字，课程学习量区间，课程峰值学习时间区间和专业类型。
进一步地，所述计算模块43，还用于根据所述训练数据集，分别计算专业类型集合中的每一种专业类型的先验概率。
进一步地，所述确定模块44，具体用于：
判断所述多个服务对象类型指标是否全部小于预设的指标阈值；
若所述多个服务对象类型指标全部小于所述指标阈值，则将其他类型确定为所述待分类课程的所述目标服务对象类型；
若所述多个服务对象类型指标中存在大于或等于所述指标阈值的指标，则将所述多个服务对象类型指标中，指标值最大的服务对象类型确定为所述待分类课程的所述目标服务对象类型。
进一步地，所述获取模块42，还用于获取所述服务对象类型集合，所述服务对象类型集合中包括多种服务对象类型以及其他类型。
进一步地，所述获取模块42，还用于获取专业类型集合，所述专业类型集合中包括多种专业类型。
进一步地，所述获取模块42，还用于获取所述课程关键字集合，所述课程关键字集合中包括多种课程关键字.
进一步地，所述获取模块42，还用于获取所述课程学习量区间集合，所述课程学习量区间集合中包括多种课程学习量区间。
进一步地，所述获取模块42，还用于获取所述课程峰值学习时间区间集合，所述课程峰值学习时间区间集合中包括课程峰值学习时间区间。
本实施例提供的课程的分类处理装置，用于执行前述任一方法实施例中的技术方案，其实现原理和技术效果类似，此处不再赘述。
图5为本发明提供的一种服务器的结构示意图。如图5所示，该服务器50包括：
处理器51，存储器52，以及通信接口53；
所述存储器52用于存储所述处理器51的可执行指令；
其中，所述处理器51配置为经由执行所述可执行指令来执行前述任一方法实施例中的服务器的技术方案。
可选的，存储器52既可以是独立的，也可以跟处理器51集成在一起。
可选的，当所述存储器52是独立于处理器51之外的器件时，所述服务器50还可以包括：
总线，用于将上述器件连接起来。
本发明实施例还提供一种可读存储介质，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前述任一方法实施例提供的技术方案。
本发明实施例还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时用于实现前述任一方法实施例提供的技术方案。
本领域普通技术人员可以理解：实现上述各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，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (20)

1.一种课程的分类处理方法，其特征在于，应用于服务器，所述方法包括：
接收终端设备发送的课程分类请求，所述课程分类请求用于指示对待分类课程进行分类；
针对所述待分类课程，根据预先获取的服务对象类型集合，分别获取所述待分类课程的第一临时变量，第二临时变量和第三临时变量；其中，所述服务对象类型集合中包括多个服务对象类型以及其他类型，所述第一临时变量包括学习所述待分类课程的学员中每一类服务对象类型的学员数量的占比，所述第二临时变量包括所述待分类课程的线上培训班中每一类服务对象类型的线上培训班数量的占比，所述第三临时变量包括所述待分类课程的线下培训班中每一类服务对象类型的线下培训班数量的占比；
根据所述第一临时变量，第二临时变量，第三临时变量，计算获取多个服务对象类型指标，每个服务对象类型指标用于指示所述待分类课程为所述服务对象类型的可能性；
根据所述多个服务对象类型指标，确定所述待分类课程的目标服务对象类型；
根据预先获取的课程关键字集合，课程学习量区间集合以及课程峰值学习时间区间集合，选择出所述待分类课程对应的课程关键字，课程学习量区间，课程峰值学习时间区间；
根据所述课程关键字，所述课程学习量区间，所述课程峰值学习时间区间，确定出所述待分类课程的目标专业类型；
将所述待分类课程的所述目标服务对象类型和所述目标专业类型返回所述终端设备。
2.根据权利要求1所述的方法，其特征在于，所述根据所述课程关键字，所述课程学习量区间，所述课程峰值学习时间区间，确定出所述待分类课程的目标专业类型，包括：
根据所述课程关键字，所述课程学习量区间，所述课程峰值学习时间区间，计算所述待分类课程为每一种专业类型的条件概率；
根据所述待分类课程为每一种专业类型的条件概率和每一种专业类型的先验概率，计算所述待分类课程为每一种专业类型的专业类型指标，所述待分类课程为每一种专业类型的专业类型指标用于指示所述待分类课程为所述专业类型的可能性；
根据所述待分类课程为每一种专业类型的专业类型指标，将数值最大的专业类型指标对应的专业类型确定为所述目标专业类型。
3.根据权利要求2所述的方法，其特征在于，所述根据所述课程关键字，所述课程学习量区间，所述课程峰值学习时间区间，计算所述待分类课程为每一种专业类型的条件概率之前，所述方法还包括：
获取训练数据集，所述训练数据集中包括多个课程，以及每个课程对应的课程关键字，课程学习量区间，课程峰值学习时间区间和专业类型；
根据所述训练数据集，分别计算专业类型集合中的每一种专业类型的先验概率。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述根据所述多个服务对象类型指标，确定所述待分类课程的目标服务对象类型，包括：
判断所述多个服务对象类型指标是否全部小于预设的指标阈值；
若所述多个服务对象类型指标全部小于所述指标阈值，则将其他类型确定为所述待分类课程的所述目标服务对象类型；
若所述多个服务对象类型指标中存在大于或等于所述指标阈值的指标，则将所述多个服务对象类型指标中，指标值最大的服务对象类型确定为所述待分类课程的所述目标服务对象类型。
5.根据权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：
获取所述服务对象类型集合，所述服务对象类型集合中包括多种服务对象类型以及其他类型。
6.根据权利要求3所述的方法，其特征在于，所述方法还包括：
获取专业类型集合，所述专业类型集合中包括多种专业类型。
7.根据权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：
获取所述课程关键字集合，所述课程关键字集合中包括多种课程关键字。
8.根据权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：
获取所述课程学习量区间集合，所述课程学习量区间集合中包括多种课程学习量区间。
9.根据权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：
获取所述课程峰值学习时间区间集合，所述课程峰值学习时间区间集合中包括课程峰值学习时间区间。
10.一种课程的分类处理装置，其特征在于，包括：
接收模块，用于接收终端设备发送的课程分类请求，所述课程分类请求用于指示对待分类课程进行分类；
获取模块，用于针对所述待分类课程，根据预先获取的服务对象类型集合，分别获取所述待分类课程的第一临时变量，第二临时变量和第三临时变量；其中，所述服务对象类型集合中包括多个服务对象类型以及其他类型，所述第一临时变量包括学习所述待分类课程的学员中每一类服务对象类型的学员数量的占比，所述第二临时变量包括所述待分类课程的线上培训班中每一类服务对象类型的线上培训班数量的占比，所述第三临时变量包括所述待分类课程的线下培训班中每一类服务对象类型的线下培训班数量的占比；
计算模块，用于根据所述第一临时变量，第二临时变量，第三临时变量，计算获取多个服务对象类型指标，每个服务对象类型指标用于指示所述待分类课程为所述服务对象类型的可能性；
确定模块，用于根据所述多个服务对象类型指标，确定所述待分类课程的目标服务对象类型；
选择模块，用于根据预先获取的课程关键字集合，课程学习量区间集合以及课程峰值学习时间区间集合，选择出所述待分类课程对应的课程关键字，课程学习量区间，课程峰值学习时间区间；
所述确定模块，还用于根据所述课程关键字，所述课程学习量区间，所述课程峰值学习时间区间，确定出所述待分类课程的目标专业类型；
发送模块，用于将所述待分类课程的所述目标服务对象类型和所述目标专业类型返回所述终端设备。
11.根据权利要求10所述的装置，其特征在于，所述计算模块，还用于根据所述课程关键字，所述课程学习量区间，所述课程峰值学习时间区间，计算所述待分类课程为每一种专业类型的条件概率；
所述计算模块，还用于根据所述待分类课程为每一种专业类型的条件概率和每一种专业类型的先验概率，计算所述待分类课程为每一种专业类型的专业类型指标，所述待分类课程为每一种专业类型的专业类型指标用于指示所述待分类课程为所述专业类型的可能性；
所述确定模块，还用于根据所述待分类课程为每一种专业类型的专业类型指标，将数值最大的专业类型指标对应的专业类型确定为所述目标专业类型。
12.根据权利要求11所述的装置，其特征在于，所述获取模块，还用于获取训练数据集，所述训练数据集中包括多个课程，以及每个课程对应的课程关键字，课程学习量区间，课程峰值学习时间区间和专业类型；
所述计算模块，还用于根据所述训练数据集，分别计算专业类型集合中的每一种专业类型的先验概率。
13.根据权利要求10至12任一项所述的装置，其特征在于，所述确定模块，具体用于：
判断所述多个服务对象类型指标是否全部小于预设的指标阈值；
若所述多个服务对象类型指标全部小于所述指标阈值，则将其他类型确定为所述待分类课程的所述目标服务对象类型；
若所述多个服务对象类型指标中存在大于或等于所述指标阈值的指标，则将所述多个服务对象类型指标中，指标值最大的服务对象类型确定为所述待分类课程的所述目标服务对象类型。
14.根据权利要求10至12任一项所述的装置，其特征在于，所述获取模块，还用于获取所述服务对象类型集合，所述服务对象类型集合中包括多种服务对象类型以及其他类型。
15.根据权利要求12所述的装置，其特征在于，所述获取模块，还用于获取专业类型集合，所述专业类型集合中包括多种专业类型。
16.根据权利要求10至12任一项所述的装置，其特征在于，所述获取模块，还用于获取所述课程关键字集合，所述课程关键字集合中包括多种课程关键字。
17.根据权利要求10至12任一项所述的装置，其特征在于，所述获取模块，还用于获取所述课程学习量区间集合，所述课程学习量区间集合中包括多种课程学习量区间。
18.根据权利要求10至12任一项所述的装置，其特征在于，所述获取模块，还用于获取所述课程峰值学习时间区间集合，所述课程峰值学习时间区间集合中包括课程峰值学习时间区间。
19.一种服务器，其特征在于，包括：
处理器，存储器，通信接口；
所述存储器用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至9任一项所述的课程的分类处理方法。
20.一种可读存储介质，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9任一项所述的课程的分类处理方法。
CN202111298158.8A 2021-11-04 2021-11-04 课程的分类处理方法、装置、设备及介质 Active CN113837322B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111298158.8A CN113837322B (zh) 2021-11-04 2021-11-04 课程的分类处理方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111298158.8A CN113837322B (zh) 2021-11-04 2021-11-04 课程的分类处理方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN113837322A true CN113837322A (zh) 2021-12-24
CN113837322B CN113837322B (zh) 2023-05-30

Family

ID=78967178

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111298158.8A Active CN113837322B (zh) 2021-11-04 2021-11-04 课程的分类处理方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN113837322B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150169710A1 (en) * 2013-12-18 2015-06-18 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and apparatus for providing search results
US20160063881A1 (en) * 2014-08-26 2016-03-03 Zoomi, Inc. Systems and methods to assist an instructor of a course
CN107465766A (zh) * 2017-09-21 2017-12-12 掌阅科技股份有限公司 信息推送方法、电子设备及计算机存储介质
CN108647908A (zh) * 2018-05-29 2018-10-12 黑龙江省经济管理干部学院 一种高校教育教学课程权重分析系统
CN109146744A (zh) * 2018-10-18 2019-01-04 贵州民族大学 基于spoc的翻转课堂教学系统
CN109597937A (zh) * 2018-12-03 2019-04-09 华中师范大学 网络课程推荐方法及装置
CN109739896A (zh) * 2018-12-12 2019-05-10 中国联合网络通信集团有限公司 一种网上学习平台的数据分析方法及装置
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
US10593041B1 (en) * 2019-02-21 2020-03-17 Westside Veterinary Innovation, Llc Methods and apparatus for the application of machine learning to radiographic images of animals
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
WO2021118224A1 (ko) * 2019-12-12 2021-06-17 주식회사 이니션 교육정보 공유 및 추천 서비스 제공 방법 및 그 장치와 시스템
CN112990705A (zh) * 2021-03-15 2021-06-18 湖北省子牙童趣教育科技有限公司 一种个性化推荐课程的在线培训平台
CN113077147A (zh) * 2021-03-31 2021-07-06 国家电网有限公司 学员课程智能推送方法、系统及终端设备
CN113139750A (zh) * 2021-05-14 2021-07-20 中国平安人寿保险股份有限公司 一种课程推荐方法、装置、服务器及存储介质
CN113240563A (zh) * 2021-05-31 2021-08-10 中国联合网络通信集团有限公司 课程推送方法、装置和服务器

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150169710A1 (en) * 2013-12-18 2015-06-18 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and apparatus for providing search results
US20160063881A1 (en) * 2014-08-26 2016-03-03 Zoomi, Inc. Systems and methods to assist an instructor of a course
CN107465766A (zh) * 2017-09-21 2017-12-12 掌阅科技股份有限公司 信息推送方法、电子设备及计算机存储介质
CN108647908A (zh) * 2018-05-29 2018-10-12 黑龙江省经济管理干部学院 一种高校教育教学课程权重分析系统
CN109146744A (zh) * 2018-10-18 2019-01-04 贵州民族大学 基于spoc的翻转课堂教学系统
CN109597937A (zh) * 2018-12-03 2019-04-09 华中师范大学 网络课程推荐方法及装置
CN109739896A (zh) * 2018-12-12 2019-05-10 中国联合网络通信集团有限公司 一种网上学习平台的数据分析方法及装置
US10593041B1 (en) * 2019-02-21 2020-03-17 Westside Veterinary Innovation, Llc Methods and apparatus for the application of machine learning to radiographic images of animals
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
WO2021118224A1 (ko) * 2019-12-12 2021-06-17 주식회사 이니션 교육정보 공유 및 추천 서비스 제공 방법 및 그 장치와 시스템
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
CN112990705A (zh) * 2021-03-15 2021-06-18 湖北省子牙童趣教育科技有限公司 一种个性化推荐课程的在线培训平台
CN113077147A (zh) * 2021-03-31 2021-07-06 国家电网有限公司 学员课程智能推送方法、系统及终端设备
CN113139750A (zh) * 2021-05-14 2021-07-20 中国平安人寿保险股份有限公司 一种课程推荐方法、装置、服务器及存储介质
CN113240563A (zh) * 2021-05-31 2021-08-10 中国联合网络通信集团有限公司 课程推送方法、装置和服务器

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
GULZAR, ZAMEER 等: "Course Recommendation Based on Query Classification Approach", INTERNATIONAL JOURNAL OF WEB-BASED LEARNING AND TEACHING TECHNOLOGIES (IJWLTT) *
SERKAN KAYMAK等: "COMPARISON BETWEEN OFFLINE LEARNING AND ONLINE LEARNING", RESEARCHGATE *
吴晓龙: "基于微服务架构的在线学习系统设计与实现", 中国优秀硕士学位论文全文数据库 (信息科技辑) *
周蓓蓓 等: "基于OBE理论的大学计算机基础课程分类教学培养的研究与实践", 中国多媒体与网络教学学报(上旬刊) *
王涛;翟雪松;: "基于神经网络的智能课程推荐模型", 合肥学院学报 *

Also Published As

Publication number Publication date
CN113837322B (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
WO2022095380A1 (zh) 基于ai的虚拟交互模型生成方法、装置、计算机设备及存储介质
CN109740048B (zh) 一种课程推荐方法及装置
CN106126524B (zh) 信息推送方法和装置
CN112784608B (zh) 试题推荐方法、装置、电子设备和存储介质
CN111179675A (zh) 个性化练习题推荐方法、系统、计算机设备以及存储介质
CN111930792B (zh) 数据资源的标注方法、装置、存储介质及电子设备
CN111510659B (zh) 在线交互方法、装置、存储介质及电子设备
CN113342958B (zh) 问答匹配方法、文本匹配模型的训练方法和相关设备
CN115544241B (zh) 一种线上作业的智能推送方法及装置
CN116796802A (zh) 基于错题分析的学习推荐方法、装置、设备及存储介质
US20120329028A1 (en) Method for intelligent personalized learning service
CN110609947A (zh) 智能学习系统的学习内容推荐方法、终端及存储介质
CN108804705B (zh) 基于大数据与人工智能的复习推荐方法和教育机器人系统
JP6397146B1 (ja) 学習支援装置及びプログラム
CN111159379B (zh) 一种自动出题方法、装置及系统
CN110111011B (zh) 一种教学质量监管方法、装置及电子设备
Hamal Intelligent system using deep learning for answering learner questions in a MOOC
CN116228361A (zh) 基于特征匹配的课程推荐方法、装置、设备和存储介质
CN111062449A (zh) 预测模型的训练方法、兴趣度预测方法、装置和存储介质
CN113837322A (zh) 课程的分类处理方法、装置、设备及介质
CN111949882B (zh) 一种领域知识点结构缺陷智能诊断方法
CN114971962A (zh) 学生作业的评价方法、装置、电子设备及存储介质
CN110517070B (zh) 一种消费者人群圈选方法及装置
CN112258352A (zh) 一种智能教学辅助系统
CN112487175A (zh) 参展人流控制方法、装置、服务器及计算机可读存储介质

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