CN114418807A - 基于历史成绩的在线教育平台的课程推荐方法及系统 - Google Patents
基于历史成绩的在线教育平台的课程推荐方法及系统 Download PDFInfo
- Publication number
- CN114418807A CN114418807A CN202210326239.2A CN202210326239A CN114418807A CN 114418807 A CN114418807 A CN 114418807A CN 202210326239 A CN202210326239 A CN 202210326239A CN 114418807 A CN114418807 A CN 114418807A
- Authority
- CN
- China
- Prior art keywords
- course
- recommendation
- preset
- recommended
- initial
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012163 sequencing technique Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 90
- 238000012937 correction Methods 0.000 claims description 60
- 238000012545 processing Methods 0.000 claims description 31
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 claims description 30
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (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
本发明涉及在线教育技术领域，具体提供了一种基于历史成绩的在线教育平台的课程推荐方法及系统，包括：确定在线教育平台中当前所有教学中的课程，获取当前教学中的各个课程的整体平均成绩，根据整体平均成绩的排序结果建立初始推荐列表；获取用户学习中以及学习过的所有课程的历史平均成绩：若获取到用户的历史平均成绩，则根据历史平均成绩对初始推荐列表调整后向用户推荐课程；若未获取到用户的历史平均成绩，则根据初始推荐列表向用户推荐课程。通过获取当前教学中的各个课程的整体平均成绩，能够反映平台内各个课程的教学水平，将教学水平较高的课程建立推荐列表向用户推荐，能够将在线教育平台的优势课程推荐给用户，提高用户的学习效率。
Description
技术领域
本发明涉及在线教育技术领域，具体而言，涉及一种基于历史成绩的在线教育平台的课程推荐方法及系统。
背景技术
目前，以互联网为核心的信息技术在全球教育领域得到广泛的应用，基于互联网的信息化教学已经显示出其独特的优势，实现了网络化在线教学模式，让课堂不再受时间、空间限制，同时也为老师和学生的沟通提供了大量最新、最丰富的在线学习资源和新的互动交流渠道。
现有的在线教育平台在进行课程推荐时，往往是随机推荐或者仅仅根据用户的浏览记录进行课程推荐，导致无法将在线教育平台的优势课程推荐给用户进行学习。
现有技术中，在中国专利1(公开号：CN106528656A)中公开了一种专门化的适用于网络教育平台的课程资源推荐方法和系统，与通用的或者其它领域上的信息推荐方法和系统不同。上述中国专利1中对网络教育平台上的海量课程资源形成树状的数据结构，并且综合考虑专业知识体系及海量学员的学业特点形成了用户画像模型，在此基础上利用个体学员的学习历史和学习状态实现分类模式识别，进而根据学员所属的分类以及课程的关联度，从大数据课程资源库当中生成个性化的课程推荐。
在中国专利2(公开号：CN112632140A)中公开了一种课程推荐方法、装置、设备及存储介质，包括：根据用户的历史选课数据计算用户相似度以及课程相似度；根据所述用户相似度，计算用户对待推荐课程的第一感兴趣程度，将所述第一感兴趣程度中较高的第一预设数量个课程作为第一推荐课程集合；根据所述课程相似度，计算用户对待推荐课程的第二感兴趣程度，将所述第二感兴趣程度中较高的第二预设数量个课程作为第二推荐课程集合；将所述第一推荐课程集合和所述第二推荐课程集合一起推送给用户。根据中国专利2公开的课程推荐方法，可以快速为不同用户推荐不同的课程，使用户快速找到感兴趣的课程，而且推荐课程时可以保密用户信息和课程信息，不仅提高了学习质量和学习效率，还大大提高了用户的体验度。
然而，在上述现有技术中，将上述技术应用于在线教育平台时，依然存在着向用户推荐课程时，在线教育平台无法将在线教育平台的优势课程推荐给用户进行学习的问题。
发明内容
鉴于此，本发明提出了一种基于历史成绩的在线教育平台的课程推荐方法及系统，旨在解决现有的在线教育平台在向用户推荐课程时，在线教育平台无法将在线教育平台的优势课程推荐给用户进行学习的问题。
一个方面，本发明提出了一种基于历史成绩的在线教育平台的课程推荐方法，包括：
确定在线教育平台中当前所有教学中的课程，获取当前教学中的各个课程的整体平均成绩，根据各个所述课程的整体平均成绩的排序结果，选取排序结果位于前四位的课程建立初始推荐列表；
当用户登陆所述在线教育平台后，获取所述用户学习中以及学习过的所有课程的历史平均成绩：
若获取到所述用户的历史平均成绩，则根据所述历史平均成绩对所述初始推荐列表调整后，获取待推荐列表，并根据所述待推荐列表向所述用户推荐课程；
若未获取到所述用户的历史平均成绩，则根据所述初始推荐列表向所述用户推荐课程。
进一步地，在选取排序结果位于前四位的课程建立所述初始推荐列表时，分别获取排序结果位于前四位的课程的平均分数A1、A2、A3和A4，并建立所述初始推荐列表C[C1:(A1*a1)-C2:(A2*a2)-C3:(A3*a3)-C4:(A4*a4)],其中，
依次为历史平均成绩排序结果位于前四位的课程，
为与
相对应的历史平均成绩的分数，
依次为与
相对应的推荐系数，且a1＞a2＞a3＞a4；
在获取到所述用户的历史成绩，并根据获取到的所述历史成绩调整所述初始推荐列表时，建立用户所学课程矩阵D，设定D(D1/d1，D2/d2，D3/d3，...，Dn/dn),其中，
依次为用户所学课程，
依次为与
相对应的历史成绩平均分数；
判断所述初始推荐列表C与所述用户所学课程矩阵D中是否存在至少一个相同的课程：
若存在至少一个相同的课程，则根据所述初始推荐列表C中的历史平均成绩的分数Ai与所述用户所学课程矩阵D中的历史成绩平均分数dm之间的差值对所述初始推荐列表C进行调整，i=1，2，3，4，m=1，2，3，...，n，具体为：
建立成绩差值矩阵E和调整系数矩阵f，设定E(E0，E1，E2，E3，E4)，其中，E0为预设分数标准差值，E1为第一预设分数差值，E2为第二预设分数差值，E3为第三预设分数差值，E4为第四预设分数差值，且E0＜E1＜E2＜E3＜E4；设定f(f1，f2,f3，f4)，其中，f1为第一预设调整系数，f2为第二预设调整系数，f3为第三预设调整系数，f4为第四预设调整系数，且f1＜f2＜f3＜f4；
获取每一相同课程的历史平均成绩的分数Ai和历史成绩平均分数dm之间的差值△E，并判断所述差值△E是否超过标准差值E0，若△E≤E0，则不对所述初始推荐列表C进行调整，若△E＞E0，则根据所述差值△E与各预设分数差值之间的关系选定预设调整系数，以对所述初始推荐列表C中的课程推荐顺序进行调整：
当E0＜△E≤E1时，选定所述第一预设调整系数f1对所述初始推荐列表C中的课程推荐顺序进行调整；
当E1＜△E≤E2时，选定所述第二预设调整系数f2对所述初始推荐列表C中的课程推荐顺序进行调整；
当E2＜△E≤E3时，选定所述第三预设调整系数f3对所述初始推荐列表C中的课程推荐顺序进行调整；
当E3＜△E≤E4时，选定所述第四预设调整系数f4对所述初始推荐列表C中的课程推荐顺序进行调整；
当选定所述第i预设调整系数fi对所述初始推荐列表C中的第i课程Ci的推荐顺序进行调整时，i=1，2，3，4，首先获取所述第i课程Ci的推荐值G，G=(Ai*ai)，i=1，2，3，4，根据所述第i预设调整系数fi对所述第i课程Ci的推荐值G进行调整，调整后的推荐值G=(Ai*ai*fi)，然后再对所述初始推荐列表C中各个课程的推荐值G从大到小进行排序后，形成所述待推荐列表，以向所述用户推荐课程；
若不存在相同的课程，则判断所述用户所学课程矩阵D中的各个课程的历史成绩平均分数dm是否超过及格分数D01，并根据超过所述及格分数D01的课程数量调整所述初始推荐列表C中的课程：
当所述用户所学课程矩阵D中的一个课程的历史成绩平均分数dm小于所述及格分数D01时，则使该课程替换所述初始推荐列表C中位于末位的课程，形成新的推荐列表后向所述用户进行课程推荐；
当所述用户所学课程矩阵D中至少两个课程的历史成绩平均分数dm小于所述及格分数D01时，则将所述至少两个课程的历史成绩平均分数dm由大到小排序后位于末两位的课程替换所述初始推荐列表C中位于末两位的课程，形成新的推荐列表后向所述用户进行课程推荐。
进一步地，当建立所述初始推荐列表C，且在所述用户登陆所述在线教育平台后，获取所述用户在所述在线教育平台内的搜索记录和浏览记录信息，根据所述搜索记录和浏览记录信息确定关键词信息，从所述关键词信息中提取若干关键词，并根据若干关键词的出现次数从高到低进行排序，并从排序后的关键词中选取位于前四位的关键词，并依次确定与排序在前四位的关键词相匹配的第一推荐课程G1、第二推荐课程G2、第三推荐课程G3和第四推荐课程G4，并建立第二初始课程推荐列表G0[G1:(H1*b1)-G2:(H2*b2)-G3:(H3*b3)-G4:(H4*b4)]，其中，
分别为与
相对应的历史平均成绩的分数，
依次为与
相对应的推荐系数，且b1＞b2＞b3＞b4；
当未在所述在线教育平台中获取到所述用户学习中或者学习过的所有课程的历史平均成绩时，则根据所述第二初始课程推荐列表G0向所述用户推荐课程。
进一步地，在根据所述第二初始课程推荐列表G0向所述用户推荐课程时，分别获取所述第二初始课程推荐列表G0中的各个推荐课程分别与所述初始推荐列表C中各个课程之间的分数差值，并建立课程分数差值矩阵K，设定K(K1，K2，K3，K4)，其中，K1为H1分别与
之间的平均分数差值，K2为H2分别与
之间的平均分数差值，K3为H3分别与
之间的平均分数差值，K4为H4分别与
之间的平均分数差值，则Ki=[|4*Ki-(A1+A2+A3+A4)|]/4，i=1，2，3，4；
预先设定预设修正系数矩阵Y，设定Y(Y1，Y2，Y3，Y4)，其中，Y1为第一预设修正系数，Y2为第二预设修正系数，Y3为第三预设修正系数，Y4为第四预设修正系数，且1＜Y1＜Y2＜Y3＜Y4＜1.5；预先设定参考分数差值矩阵X，设定X(X1，X2，X3，X4)，其中，X1为第一预设参考分数差值，X2为第二预设参考分数差值，X3为第三预设参考分数差值，X4为第四预设参考分数差值，且X1＞X2＞X3＞X4；
根据所述课程分数差值矩阵K中各个平均分数差值与各预设参考分数差值之间的关系选定预设修正系数，以对所述第二初始课程推荐列表G0中各个课程的推荐系数进行修正：
当X1≤Ki＜X2时，选定所述第一预设修正系数Y1对所述第i推荐课程Gi的推荐系数bi进行修正，则所述第i推荐课程Gi修正后的推荐系数为bi*Y1，i=1，2，3，4；
当X2≤Ki＜X3时，选定所述第二预设修正系数Y2对所述第i推荐课程Gi的推荐系数bi进行修正，则所述第i推荐课程Gi修正后的推荐系数为bi*Y2，i=1，2，3，4；
当X3≤Ki＜X4时，选定所述第三预设修正系数Y3对所述第i推荐课程Gi的推荐系数bi进行修正，则所述第i推荐课程Gi修正后的推荐系数为bi*Y3，i=1，2，3，4；
当X4≤Ki时，选定所述第四预设修正系数Y4对所述第i推荐课程Gi的推荐系数bi进行修正，则所述第i推荐课程Gi修正后的推荐系数为bi*Y4，i=1，2，3，4；
在对所述第二初始课程推荐列表G0中的各个课程的推荐系数进行修正，则修正后的第二初始课程推荐列表为G0[G1:(H1*(b1*Xi))-G2:(H2*(b2*Xi))-G3:(H3*(b3*Xi))-G4:(H4*(b4*Xi))]
将修正后的第二初始课程推荐列表中各个课程的推荐系数与所述初始推荐列表中各个课程的推荐系数按课程排序进行比较，若修正后的第二初始课程推荐列表中的课程的推荐系数小于所述初始推荐列表中的课程的推荐系数，则将所述修正后的第二初始课程推荐列表中的课程替换为所述初始课程推荐列表中的课程，在所述修正后的第二初始课程推荐列表中的课程替换完成后，生成第二待推荐列表，根据所述第二待推荐列表向所述用户进行课程推荐。
进一步地，当所述在线教育平台根据所述待推荐列表向所述用户进行课程推荐时，记录所述用户浏览每一个推荐课程的实时课程浏览时长△S；
设定课程浏览时长矩阵S，设定S(S1，S2，S3，S4)，其中，S1为第一预设课程浏览时长，S2为第二预设课程浏览时长，S3为第三预设课程浏览时长，S4为第四预设课程浏览时长，且0＜S1＜S2＜S3＜S4；设定课程推荐次数矩阵W，设定W(W1，W2，W3，W4)，其中，W1为第一预设课程推荐次数，W2为第二预设课程推荐次数，W3为第三预设课程推荐次数，W4为第四预设课程推荐次数，且0＜W1＜W2＜W3＜W4；设定课程推荐时间间隔矩阵T，设定T(T1，T2，T3，T4)，其中，T1为第一预设课程推荐时间间隔，T2为第二预设课程推荐时间间隔，T3为第三预设课程推荐时间间隔，T4为第四预设课程推荐时间间隔，且0＜T1＜T2＜T3＜T4；
根据所述用户浏览每一个推荐课程的实时课程浏览时长△S与各预设课程浏览时长之间的关系，对所述待推荐列表内的课程进行调整，并确定向所述用户推荐课程时的时间间隔和推荐次数：
当△S＜S1时，将当前课程从所述待推荐列表内移除；
当S1≤△S＜S2时，将当前课程的推荐次数设定为第一预设课程推荐次数W1，将下一次推荐当前课程的时间间隔设定为第一预设课程推荐时间间隔T1；
当S2≤△S＜S3时，将当前课程的推荐次数设定为第二预设课程推荐次数W2，将下一次推荐当前课程的时间间隔设定为第二预设课程推荐时间间隔T2；
当S3≤△S＜S4时，将当前课程的推荐次数设定为第三预设课程推荐次数W3，将下一次推荐当前课程的时间间隔设定为第三预设课程推荐时间间隔T3；
当S4≤△S时，将当前课程的推荐次数设定为第四预设课程推荐次数W4，将下一次推荐当前课程的时间间隔设定为第四预设课程推荐时间间隔T4。
与现有技术相比，本发明的有益效果在于，通过确定在线教育平台中当前所有教学中的课程，并获取当前教学中的各个课程的整体平均成绩，根据各个课程的整体平均成绩的排序结果，选取排序结果位于前四位的课程建立初始推荐列表，并当用户登陆在线教育平台后，若获取到用户学习中以及学习过的所有课程的历史平均成绩，则根据历史平均成绩对初始推荐列表调整后向用户推荐课程，从而根据在线教育平台内的整体成绩，从而能够从侧面反映出当前平台内各个课程的教学水平，并将教学水平较高的课程建立推荐列表向用户进行课程推荐，从而能够有效地将在线教育平台的优势课程推荐给用户进行学习，以提高用户的学习效率。
同时，还根据用户的学习成绩对初始推荐列表进行调整后再进行课程推荐，从而能够在用户的某一课程成绩较好时，不再向用户推荐该课程，从而能够进一步的提高用户的学习效率，还能够准确地向用户推荐用户所需求的课程，使得在线教育平台在推荐课程时能够有效地满足用户需求，精准地进行课程推荐。
另一方面，本发明还提出了一种基于历史成绩的在线教育平台的课程推荐系统，包括：
列表建立模块，用于确定在线教育平台中当前所有教学中的课程，获取当前教学中的各个课程的整体平均成绩，根据各个所述课程的整体平均成绩的排序结果，选取排序结果位于前四位的课程建立初始推荐列表；
处理模块，用于当用户登陆所述在线教育平台后，获取所述用户学习中以及学习过的所有课程的历史平均成绩：
若获取到所述用户的历史平均成绩，则根据所述历史平均成绩对所述初始推荐列表调整后，获取待推荐列表，并根据所述待推荐列表向所述用户推荐课程；
若未获取到所述用户的历史平均成绩，则根据所述初始推荐列表向所述用户推荐课程。
进一步地，所述处理模块还用于在选取排序结果位于前四位的课程建立所述初始推荐列表时，分别获取排序结果位于前四位的课程的平均分数A1、A2、A3和A4，并建立所述初始推荐列表C[C1:(A1*a1)-C2:(A2*a2)-C3:(A3*a3)-C4:(A4*a4)],其中，
依次为历史平均成绩排序结果位于前四位的课程，
为与
相对应的历史平均成绩的分数，
依次为与
相对应的推荐系数，且a1＞a2＞a3＞a4；
所述处理模块还用于在获取到所述用户的历史成绩，并根据获取到的所述历史成绩调整所述初始推荐列表时，建立用户所学课程矩阵D，设定D(D1/d1，D2/d2，D3/d3，...，Dn/dn),其中，
依次为用户所学课程，
依次为与
相对应的历史成绩平均分数；
所述处理模块还用于判断所述初始推荐列表C与所述用户所学课程矩阵D中是否存在至少一个相同的课程：
若存在至少一个相同的课程，则根据所述初始推荐列表C中的历史平均成绩的分数Ai与所述用户所学课程矩阵D中的历史成绩平均分数dm之间的差值对所述初始推荐列表C进行调整，i=1，2，3，4，m=1，2，3，...，n，具体为：
建立成绩差值矩阵E和调整系数矩阵f，设定E(E0，E1，E2，E3，E4)，其中，E0为预设分数标准差值，E1为第一预设分数差值，E2为第二预设分数差值，E3为第三预设分数差值，E4为第四预设分数差值，且E0＜E1＜E2＜E3＜E4；设定f(f1，f2,f3，f4)，其中，f1为第一预设调整系数，f2为第二预设调整系数，f3为第三预设调整系数，f4为第四预设调整系数，且f1＜f2＜f3＜f4；
获取每一相同课程的历史平均成绩的分数Ai和历史成绩平均分数dm之间的差值△E，并判断所述差值△E是否超过标准差值E0，若△E≤E0，则不对所述初始推荐列表C进行调整，若△E＞E0，则根据所述差值△E与各预设分数差值之间的关系选定预设调整系数，以对所述初始推荐列表C中的课程推荐顺序进行调整：
当E0＜△E≤E1时，选定所述第一预设调整系数f1对所述初始推荐列表C中的课程推荐顺序进行调整；
当E1＜△E≤E2时，选定所述第二预设调整系数f2对所述初始推荐列表C中的课程推荐顺序进行调整；
当E2＜△E≤E3时，选定所述第三预设调整系数f3对所述初始推荐列表C中的课程推荐顺序进行调整；
当E3＜△E≤E4时，选定所述第四预设调整系数f4对所述初始推荐列表C中的课程推荐顺序进行调整；
当选定所述第i预设调整系数fi对所述初始推荐列表C中的第i课程Ci的推荐顺序进行调整时，i=1，2，3，4，首先获取所述第i课程Ci的推荐值G，G=(Ai*ai)，i=1，2，3，4，根据所述第i预设调整系数fi对所述第i课程Ci的推荐值G进行调整，调整后的推荐值G=(Ai*ai*fi)，然后再对所述初始推荐列表C中各个课程的推荐值G从大到小进行排序后，形成所述待推荐列表，以向所述用户推荐课程；
若不存在相同的课程，则判断所述用户所学课程矩阵D中的各个课程的历史成绩平均分数dm是否超过及格分数D01，并根据超过所述及格分数D01的课程数量调整所述初始推荐列表C中的课程：
当所述用户所学课程矩阵D中的一个课程的历史成绩平均分数dm小于所述及格分数D01时，则使该课程替换所述初始推荐列表C中位于末位的课程，形成新的推荐列表后向所述用户进行课程推荐；
当所述用户所学课程矩阵D中至少两个课程的历史成绩平均分数dm小于所述及格分数D01时，则将所述至少两个课程的历史成绩平均分数dm由大到小排序后位于末两位的课程替换所述初始推荐列表C中位于末两位的课程，形成新的推荐列表后向所述用户进行课程推荐。
进一步地，所述处理模块还用于当建立所述初始推荐列表C，且在所述用户登陆所述在线教育平台后，获取所述用户在所述在线教育平台内的搜索记录和浏览记录信息，根据所述搜索记录和浏览记录信息确定关键词信息，从所述关键词信息中提取若干关键词，并根据若干关键词的出现次数从高到低进行排序，并从排序后的关键词中选取位于前四位的关键词，并依次确定与排序在前四位的关键词相匹配的第一推荐课程G1、第二推荐课程G2、第三推荐课程G3和第四推荐课程G4，并建立第二初始课程推荐列表G0[G1:(H1*b1)-G2:(H2*b2)-G3:(H3*b3)-G4:(H4*b4)]，其中，
分别为与
相对应的历史平均成绩的分数，
依次为与
相对应的推荐系数，且b1＞b2＞b3＞b4；
当未在所述在线教育平台中获取到所述用户学习中或者学习过的所有课程的历史平均成绩时，则根据所述第二初始课程推荐列表G0向所述用户推荐课程。
进一步地，所述处理模块还用于在根据所述第二初始课程推荐列表G0向所述用户推荐课程时，分别获取所述第二初始课程推荐列表G0中的各个推荐课程分别与所述初始推荐列表C中各个课程之间的分数差值，并建立课程分数差值矩阵K，设定K(K1，K2，K3，K4)，其中，K1为H1分别与
之间的平均分数差值，K2为H2分别与
之间的平均分数差值，K3为H3分别与
之间的平均分数差值，K4为H4分别与
之间的平均分数差值，则Ki=[|4*Ki-(A1+A2+A3+A4)|]/4，i=1，2，3，4；
预先设定预设修正系数矩阵Y，设定Y(Y1，Y2，Y3，Y4)，其中，Y1为第一预设修正系数，Y2为第二预设修正系数，Y3为第三预设修正系数，Y4为第四预设修正系数，且1＜Y1＜Y2＜Y3＜Y4＜1.5；预先设定参考分数差值矩阵X，设定X(X1，X2，X3，X4)，其中，X1为第一预设参考分数差值，X2为第二预设参考分数差值，X3为第三预设参考分数差值，X4为第四预设参考分数差值，且X1＞X2＞X3＞X4；
根据所述课程分数差值矩阵K中各个平均分数差值与各预设参考分数差值之间的关系选定预设修正系数，以对所述第二初始课程推荐列表G0中各个课程的推荐系数进行修正：
当X1≤Ki＜X2时，选定所述第一预设修正系数Y1对所述第i推荐课程Gi的推荐系数bi进行修正，则所述第i推荐课程Gi修正后的推荐系数为bi*Y1，i=1，2，3，4；
当X2≤Ki＜X3时，选定所述第二预设修正系数Y2对所述第i推荐课程Gi的推荐系数bi进行修正，则所述第i推荐课程Gi修正后的推荐系数为bi*Y2，i=1，2，3，4；
当X3≤Ki＜X4时，选定所述第三预设修正系数Y3对所述第i推荐课程Gi的推荐系数bi进行修正，则所述第i推荐课程Gi修正后的推荐系数为bi*Y3，i=1，2，3，4；
当X4≤Ki时，选定所述第四预设修正系数Y4对所述第i推荐课程Gi的推荐系数bi进行修正，则所述第i推荐课程Gi修正后的推荐系数为bi*Y4，i=1，2，3，4；
在对所述第二初始课程推荐列表G0中的各个课程的推荐系数进行修正，则修正后的第二初始课程推荐列表为G0[G1:(H1*(b1*Xi))-G2:(H2*(b2*Xi))-G3:(H3*(b3*Xi))-G4:(H4*(b4*Xi))]
将修正后的第二初始课程推荐列表中各个课程的推荐系数与所述初始推荐列表中各个课程的推荐系数按课程排序进行比较，若修正后的第二初始课程推荐列表中的课程的推荐系数小于所述初始推荐列表中的课程的推荐系数，则将所述修正后的第二初始课程推荐列表中的课程替换为所述初始课程推荐列表中的课程，在所述修正后的第二初始课程推荐列表中的课程替换完成后，生成第二待推荐列表，根据所述第二待推荐列表向所述用户进行课程推荐。
进一步地，所述的基于历史成绩的在线教育平台的课程推荐系统，其特征在于，还包括：
时长模块，用于当所述在线教育平台根据所述待推荐列表向所述用户进行课程推荐时，记录所述用户浏览每一个推荐课程的实时课程浏览时长△S；
所述处理模块还用于设定课程浏览时长矩阵S，设定S(S1，S2，S3，S4)，其中，S1为第一预设课程浏览时长，S2为第二预设课程浏览时长，S3为第三预设课程浏览时长，S4为第四预设课程浏览时长，且0＜S1＜S2＜S3＜S4；设定课程推荐次数矩阵W，设定W(W1，W2，W3，W4)，其中，W1为第一预设课程推荐次数，W2为第二预设课程推荐次数，W3为第三预设课程推荐次数，W4为第四预设课程推荐次数，且0＜W1＜W2＜W3＜W4；所述处理模块还用于设定课程推荐时间间隔矩阵T，设定T(T1，T2，T3，T4)，其中，T1为第一预设课程推荐时间间隔，T2为第二预设课程推荐时间间隔，T3为第三预设课程推荐时间间隔，T4为第四预设课程推荐时间间隔，且0＜T1＜T2＜T3＜T4；
所述处理模块还用于根据所述用户浏览每一个推荐课程的实时课程浏览时长△S与各预设课程浏览时长之间的关系，对所述待推荐列表内的课程进行调整，并确定向所述用户推荐课程时的时间间隔和推荐次数：
当△S＜S1时，将当前课程从所述待推荐列表内移除；
当S1≤△S＜S2时，将当前课程的推荐次数设定为第一预设课程推荐次数W1，将下一次推荐当前课程的时间间隔设定为第一预设课程推荐时间间隔T1；
当S2≤△S＜S3时，将当前课程的推荐次数设定为第二预设课程推荐次数W2，将下一次推荐当前课程的时间间隔设定为第二预设课程推荐时间间隔T2；
当S3≤△S＜S4时，将当前课程的推荐次数设定为第三预设课程推荐次数W3，将下一次推荐当前课程的时间间隔设定为第三预设课程推荐时间间隔T3；
当S4≤△S时，将当前课程的推荐次数设定为第四预设课程推荐次数W4，将下一次推荐当前课程的时间间隔设定为第四预设课程推荐时间间隔T4。
可以理解的是，上述在线教育平台的课程推荐系统及方法具有相同的有益效果，在此不再赘述。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本发明实施例提供的课程推荐方法的第一流程图；
图2为本发明实施例提供的课程推荐方法的第二流程图；
图3为本发明实施例提供的课程推荐系统的第一功能框图；
图4为本发明实施例提供的课程推荐系统的第二功能框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整地传达给本领域的技术人员。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
参阅图1所示，本实施例提供了本发明提出了一种基于历史成绩的在线教育平台的课程推荐方法，包括：
步骤1：确定在线教育平台中当前所有教学中的课程，获取当前教学中的各个课程的整体平均成绩，根据各个所述课程的整体平均成绩的排序结果，选取排序结果位于前四位的课程建立初始推荐列表；
步骤2：当用户登陆所述在线教育平台后，获取所述用户学习中以及学习过的所有课程的历史平均成绩：若获取到所述用户的历史平均成绩，则根据所述历史平均成绩对所述初始推荐列表调整后，获取待推荐列表，并根据所述待推荐列表向所述用户推荐课程；若未获取到所述用户的历史平均成绩，则根据所述初始推荐列表向所述用户推荐课程。
需要说明的是，获取的用户的历史平均成绩为记录在在线教育平台的数据库内的历史成绩数据，在该历史成绩数据中记录有每一个用户在在线教育平台内学习的所有的课程的成绩评分信息，当用户通过身份认证登陆在线教育平台后，即在数据库中提取出该用户的历史成绩数据。
历史平均成绩(即为上述历史成绩数据)中记录有用户正在学习和学习完成的各个课程的成绩评分，即是，在历史成绩内存储有历史成绩评分。通过从数据库中获取的用户的历史成绩数据中分别获取各个课程的历史成绩评分，并进行平均计算后，获取历史平均成绩。
具体而言，数据库中存储有各个课程的所有用户的成绩，将每一课程中所有用户的成绩进行平均计算，以获取每一课程的整体平均成绩。
具体而言，在选取排序结果位于前四位的课程建立所述初始推荐列表时，分别获取排序结果位于前四位的课程的平均分数A1、A2、A3和A4，并建立所述初始推荐列表C[C1:(A1*a1)-C2:(A2*a2)-C3:(A3*a3)-C4:(A4*a4)],其中，
依次为历史平均成绩排序结果位于前四位的课程，
为与
相对应的历史平均成绩的分数，
依次为与
相对应的推荐系数，且a1＞a2＞a3＞a4；
在获取到所述用户的历史成绩，并根据获取到的所述历史成绩调整所述初始推荐列表时，建立用户所学课程矩阵D，设定D(D1/d1，D2/d2，D3/d3，...，Dn/dn),其中，
依次为用户所学课程，
依次为与
相对应的历史成绩平均分数；
判断所述初始推荐列表C与所述用户所学课程矩阵D中是否存在至少一个相同的课程：
若存在至少一个相同的课程，则根据所述初始推荐列表C中的历史平均成绩的分数Ai与所述用户所学课程矩阵D中的历史成绩平均分数dm之间的差值对所述初始推荐列表C进行调整，i=1，2，3，4，m=1，2，3，...，n，具体为：
建立成绩差值矩阵E和调整系数矩阵f，设定E(E0，E1，E2，E3，E4)，其中，E0为预设分数标准差值，E1为第一预设分数差值，E2为第二预设分数差值，E3为第三预设分数差值，E4为第四预设分数差值，且E0＜E1＜E2＜E3＜E4；设定f(f1，f2,f3，f4)，其中，f1为第一预设调整系数，f2为第二预设调整系数，f3为第三预设调整系数，f4为第四预设调整系数，且f1＜f2＜f3＜f4；
获取每一相同课程的历史平均成绩的分数Ai和历史成绩平均分数dm之间的差值△E，并判断所述差值△E是否超过标准差值E0，若△E≤E0，则不对所述初始推荐列表C进行调整，若△E＞E0，则根据所述差值△E与各预设分数差值之间的关系选定预设调整系数，以对所述初始推荐列表C中的课程推荐顺序进行调整：
当E0＜△E≤E1时，选定所述第一预设调整系数f1对所述初始推荐列表C中的课程推荐顺序进行调整；
当E1＜△E≤E2时，选定所述第二预设调整系数f2对所述初始推荐列表C中的课程推荐顺序进行调整；
当E2＜△E≤E3时，选定所述第三预设调整系数f3对所述初始推荐列表C中的课程推荐顺序进行调整；
当E3＜△E≤E4时，选定所述第四预设调整系数f4对所述初始推荐列表C中的课程推荐顺序进行调整；
当选定所述第i预设调整系数fi对所述初始推荐列表C中的第i课程Ci的推荐顺序进行调整时，i=1，2，3，4，首先获取所述第i课程Ci的推荐值G，G=(Ai*ai)，i=1，2，3，4，根据所述第i预设调整系数fi对所述第i课程Ci的推荐值G进行调整，调整后的推荐值G=(Ai*ai*fi)，然后再对所述初始推荐列表C中各个课程的推荐值G从大到小进行排序后，形成所述待推荐列表，以向所述用户推荐课程；
若不存在相同的课程，则判断所述用户所学课程矩阵D中的各个课程的历史成绩平均分数dm是否超过及格分数D01，并根据超过所述及格分数D01的课程数量调整所述初始推荐列表C中的课程：
当所述用户所学课程矩阵D中的一个课程的历史成绩平均分数dm小于所述及格分数D01时，则使该课程替换所述初始推荐列表C中位于末位的课程，形成新的推荐列表后向所述用户进行课程推荐；
当所述用户所学课程矩阵D中至少两个课程的历史成绩平均分数dm小于所述及格分数D01时，则将所述至少两个课程的历史成绩平均分数dm由大到小排序后位于末两位的课程替换所述初始推荐列表C中位于末两位的课程，形成新的推荐列表后向所述用户进行课程推荐。
具体而言，当建立所述初始推荐列表C，且在所述用户登陆所述在线教育平台后，获取所述用户在所述在线教育平台内的搜索记录和浏览记录信息，根据所述搜索记录和浏览记录信息确定关键词信息，从所述关键词信息中提取若干关键词，并根据若干关键词的出现次数从高到低进行排序，并从排序后的关键词中选取位于前四位的关键词，并依次确定与排序在前四位的关键词相匹配的第一推荐课程G1、第二推荐课程G2、第三推荐课程G3和第四推荐课程G4，并建立第二初始课程推荐列表
G0[G1:(H1*b1)-G2:(H2*b2)-G3:(H3*b3)-G4:(H4*b4)]，其中，
分别为与
相对应的历史平均成绩的分数，
依次为与
相对应的推荐系数，且b1＞b2＞b3＞b4；
当未在所述在线教育平台中获取到所述用户学习中或者学习过的所有课程的历史平均成绩时，则根据所述第二初始课程推荐列表G0向所述用户推荐课程。
具体而言，在根据所述第二初始课程推荐列表G0向所述用户推荐课程时，分别获取所述第二初始课程推荐列表G0中的各个推荐课程分别与所述初始推荐列表C中各个课程之间的分数差值，并建立课程分数差值矩阵K，设定K(K1，K2，K3，K4)，其中，K1为H1分别与
之间的平均分数差值，K2为H2分别与
之间的平均分数差值，K3为H3分别与
之间的平均分数差值，K4为H4分别与
之间的平均分数差值，则Ki=[|4*Ki-(A1+A2+A3+A4)|]/4，i=1，2，3，4；
预先设定预设修正系数矩阵Y，设定Y(Y1，Y2，Y3，Y4)，其中，Y1为第一预设修正系数，Y2为第二预设修正系数，Y3为第三预设修正系数，Y4为第四预设修正系数，且1＜Y1＜Y2＜Y3＜Y4＜1.5；预先设定参考分数差值矩阵X，设定X(X1，X2，X3，X4)，其中，X1为第一预设参考分数差值，X2为第二预设参考分数差值，X3为第三预设参考分数差值，X4为第四预设参考分数差值，且X1＞X2＞X3＞X4；
根据所述课程分数差值矩阵K中各个平均分数差值与各预设参考分数差值之间的关系选定预设修正系数，以对所述第二初始课程推荐列表G0中各个课程的推荐系数进行修正：
当X1≤Ki＜X2时，选定所述第一预设修正系数Y1对所述第i推荐课程Gi的推荐系数bi进行修正，则所述第i推荐课程Gi修正后的推荐系数为bi*Y1，i=1，2，3，4；
当X2≤Ki＜X3时，选定所述第二预设修正系数Y2对所述第i推荐课程Gi的推荐系数bi进行修正，则所述第i推荐课程Gi修正后的推荐系数为bi*Y2，i=1，2，3，4；
当X3≤Ki＜X4时，选定所述第三预设修正系数Y3对所述第i推荐课程Gi的推荐系数bi进行修正，则所述第i推荐课程Gi修正后的推荐系数为bi*Y3，i=1，2，3，4；
当X4≤Ki时，选定所述第四预设修正系数Y4对所述第i推荐课程Gi的推荐系数bi进行修正，则所述第i推荐课程Gi修正后的推荐系数为bi*Y4，i=1，2，3，4；
在对所述第二初始课程推荐列表G0中的各个课程的推荐系数进行修正，则修正后的第二初始课程推荐列表为G0[G1:(H1*(b1*Xi))-G2:(H2*(b2*Xi))-G3:(H3*(b3*Xi))-G4:(H4*(b4*Xi))]
将修正后的第二初始课程推荐列表中各个课程的推荐系数与所述初始推荐列表中各个课程的推荐系数按课程排序进行比较，若修正后的第二初始课程推荐列表中的课程的推荐系数小于所述初始推荐列表中的课程的推荐系数，则将所述修正后的第二初始课程推荐列表中的课程替换为所述初始课程推荐列表中的课程，在所述修正后的第二初始课程推荐列表中的课程替换完成后，生成第二待推荐列表，根据所述第二待推荐列表向所述用户进行课程推荐。
具体而言，参阅图2所示，上述实施例还包括步骤3：当所述在线教育平台根据所述待推荐列表向所述用户进行课程推荐时，记录所述用户浏览每一个推荐课程的实时课程浏览时长△S；根据所述用户浏览每一个推荐课程的实时课程浏览时长△S与各预设课程浏览时长之间的关系，对所述待推荐列表内的课程进行调整，并确定向所述用户推荐课程时的时间间隔和推荐次数。
具体而言，设定课程浏览时长矩阵S，设定S(S1，S2，S3，S4)，其中，S1为第一预设课程浏览时长，S2为第二预设课程浏览时长，S3为第三预设课程浏览时长，S4为第四预设课程浏览时长，且0＜S1＜S2＜S3＜S4；设定课程推荐次数矩阵W，设定W(W1，W2，W3，W4)，其中，W1为第一预设课程推荐次数，W2为第二预设课程推荐次数，W3为第三预设课程推荐次数，W4为第四预设课程推荐次数，且0＜W1＜W2＜W3＜W4；设定课程推荐时间间隔矩阵T，设定T(T1，T2，T3，T4)，其中，T1为第一预设课程推荐时间间隔，T2为第二预设课程推荐时间间隔，T3为第三预设课程推荐时间间隔，T4为第四预设课程推荐时间间隔，且0＜T1＜T2＜T3＜T4；
根据所述用户浏览每一个推荐课程的实时课程浏览时长△S与各预设课程浏览时长之间的关系，对所述待推荐列表内的课程进行调整，并确定向所述用户推荐课程时的时间间隔和推荐次数：
当△S＜S1时，将当前课程从所述待推荐列表内移除；
当S1≤△S＜S2时，将当前课程的推荐次数设定为第一预设课程推荐次数W1，将下一次推荐当前课程的时间间隔设定为第一预设课程推荐时间间隔T1；
当S2≤△S＜S3时，将当前课程的推荐次数设定为第二预设课程推荐次数W2，将下一次推荐当前课程的时间间隔设定为第二预设课程推荐时间间隔T2；
当S3≤△S＜S4时，将当前课程的推荐次数设定为第三预设课程推荐次数W3，将下一次推荐当前课程的时间间隔设定为第三预设课程推荐时间间隔T3；
当S4≤△S时，将当前课程的推荐次数设定为第四预设课程推荐次数W4，将下一次推荐当前课程的时间间隔设定为第四预设课程推荐时间间隔T4。
可以理解的是，上述实施例通过确定在线教育平台中当前所有教学中的课程，并获取当前教学中的各个课程的整体平均成绩，根据各个课程的整体平均成绩的排序结果，选取排序结果位于前四位的课程建立初始推荐列表，并当用户登陆在线教育平台后，若获取到用户学习中以及学习过的所有课程的历史平均成绩，则根据历史平均成绩对初始推荐列表调整后向用户推荐课程，从而根据在线教育平台内的整体成绩，从而能够从侧面反映出当前平台内各个课程的教学水平，并将教学水平较高的课程建立推荐列表向用户进行课程推荐，从而能够有效地将在线教育平台的优势课程推荐给用户进行学习，以提高用户的学习效率。
同时，还根据用户的学习成绩对初始推荐列表进行调整后再进行课程推荐，从而能够在用户的某一课程成绩较好时，不再向用户推荐该课程，从而能够进一步的提高用户的学习效率，还能够准确地向用户推荐用户所需求的课程，使得在线教育平台在推荐课程时能够有效地满足用户需求，精准地进行课程推荐。
可以看出，上述实施例通过在用户登陆在线教育平台后获取用户的历史成绩，以及用户搜索记录和浏览记录信息中关键词信息，还获取用户的位置信息，从而根据用户的历史成绩、关键词信息和位置信息确定待推荐课程列表，并根据确定的待推荐课程列表向用户推荐课程，从而能够准确地向用户推荐用户所需求的课程，使得在线教育平台在推荐课程时能够有效地满足用户需求，精准地进行课程推荐。
参阅图3所示，基于上述实施例的另一种优选的实施方式中，本实施方式提供了一种基于历史成绩的在线教育平台的课程推荐系统，包括：
列表建立模块，用于确定在线教育平台中当前所有教学中的课程，获取当前教学中的各个课程的整体平均成绩，根据各个所述课程的整体平均成绩的排序结果，选取排序结果位于前四位的课程建立初始推荐列表；
处理模块，用于当用户登陆所述在线教育平台后，获取所述用户学习中以及学习过的所有课程的历史平均成绩：
若获取到所述用户的历史平均成绩，则根据所述历史平均成绩对所述初始推荐列表调整后，获取待推荐列表，并根据所述待推荐列表向所述用户推荐课程；
若未获取到所述用户的历史平均成绩，则根据所述初始推荐列表向所述用户推荐课程。
具体而言，所述处理模块还用于在选取排序结果位于前四位的课程建立所述初始推荐列表时，分别获取排序结果位于前四位的课程的平均分数A1、A2、A3和A4，并建立所述初始推荐列表
C[C1:(A1*a1)-C2:(A2*a2)-C3:(A3*a3)-C4:(A4*a4)],其中，
依次为历史平均成绩排序结果位于前四位的课程，
为与
相对应的历史平均成绩的分数，
依次为与
相对应的推荐系数，且a1＞a2＞a3＞a4；
所述处理模块还用于在获取到所述用户的历史成绩，并根据获取到的所述历史成绩调整所述初始推荐列表时，建立用户所学课程矩阵D，设定D(D1/d1，D2/d2，D3/d3，...，Dn/dn),其中，
依次为用户所学课程，
依次为与D1~Dn相对应的历史成绩平均分数；
所述处理模块还用于判断所述初始推荐列表C与所述用户所学课程矩阵D中是否存在至少一个相同的课程：
若存在至少一个相同的课程，则根据所述初始推荐列表C中的历史平均成绩的分数Ai与所述用户所学课程矩阵D中的历史成绩平均分数dm之间的差值对所述初始推荐列表C进行调整，i=1，2，3，4，m=1，2，3，...，n，具体为：
建立成绩差值矩阵E和调整系数矩阵f，设定E(E0，E1，E2，E3，E4)，其中，E0为预设分数标准差值，E1为第一预设分数差值，E2为第二预设分数差值，E3为第三预设分数差值，E4为第四预设分数差值，且E0＜E1＜E2＜E3＜E4；设定f(f1，f2,f3，f4)，其中，f1为第一预设调整系数，f2为第二预设调整系数，f3为第三预设调整系数，f4为第四预设调整系数，且f1＜f2＜f3＜f4；
获取每一相同课程的历史平均成绩的分数Ai和历史成绩平均分数dm之间的差值△E，并判断所述差值△E是否超过标准差值E0，若△E≤E0，则不对所述初始推荐列表C进行调整，若△E＞E0，则根据所述差值△E与各预设分数差值之间的关系选定预设调整系数，以对所述初始推荐列表C中的课程推荐顺序进行调整：
当E0＜△E≤E1时，选定所述第一预设调整系数f1对所述初始推荐列表C中的课程推荐顺序进行调整；
当E1＜△E≤E2时，选定所述第二预设调整系数f2对所述初始推荐列表C中的课程推荐顺序进行调整；
当E2＜△E≤E3时，选定所述第三预设调整系数f3对所述初始推荐列表C中的课程推荐顺序进行调整；
当E3＜△E≤E4时，选定所述第四预设调整系数f4对所述初始推荐列表C中的课程推荐顺序进行调整；
当选定所述第i预设调整系数fi对所述初始推荐列表C中的第i课程Ci的推荐顺序进行调整时，i=1，2，3，4，首先获取所述第i课程Ci的推荐值G，G=(Ai*ai)，i=1，2，3，4，
根据所述第i预设调整系数fi对所述第i课程Ci的推荐值G进行调整，调整后的推荐
值G=(Ai*ai*fi)，然后再对所述初始推荐列表C中各个课程的推荐值G从大到小进行排序后，形成所述待推荐列表，以向所述用户推荐课程；
若不存在相同的课程，则判断所述用户所学课程矩阵D中的各个课程的历史成绩平均分数dm是否超过及格分数D01，并根据超过所述及格分数D01的课程数量调整所述初始推荐列表C中的课程：
当所述用户所学课程矩阵D中的一个课程的历史成绩平均分数dm小于所述及格分数D01时，则使该课程替换所述初始推荐列表C中位于末位的课程，形成新的推荐列表后向所述用户进行课程推荐；
当所述用户所学课程矩阵D中至少两个课程的历史成绩平均分数dm小于所述及格分数D01时，则将所述至少两个课程的历史成绩平均分数dm由大到小排序后位于末两位的课程替换所述初始推荐列表C中位于末两位的课程，形成新的推荐列表后向所述用户进行课程推荐。
具体而言，所述处理模块还用于当建立所述初始推荐列表C，且在所述用户登陆所述在线教育平台后，获取所述用户在所述在线教育平台内的搜索记录和浏览记录信息，根据所述搜索记录和浏览记录信息确定关键词信息，从所述关键词信息中提取若干关键词，并根据若干关键词的出现次数从高到低进行排序，并从排序后的关键词中选取位于前四位的关键词，并依次确定与排序在前四位的关键词相匹配的第一推荐课程G1、第二推荐课程G2、第三推荐课程G3和第四推荐课程G4，并建立第二初始课程推荐列表
G0[G1:(H1*b1)-G2:(H2*b2)-G3:(H3*b3)-G4:(H4*b4)]，其中，
分别为与
相对应的历史平均成绩的分数，
依次为与
相对应的推荐系数，且b1＞b2＞b3＞b4；
当未在所述在线教育平台中获取到所述用户学习中或者学习过的所有课程的历史平均成绩时，则根据所述第二初始课程推荐列表G0向所述用户推荐课程。
具体而言，所述处理模块还用于在根据所述第二初始课程推荐列表G0向所述用户推荐课程时，分别获取所述第二初始课程推荐列表G0中的各个推荐课程分别与所述初始推荐列表C中各个课程之间的分数差值，并建立课程分数差值矩阵K，设定K(K1，K2，K3，K4)，其中，K1为H1分别与
之间的平均分数差值，K2为H2分别与
之间的平均分数差值，K3为H3分别与
之间的平均分数差值，K4为H4分别与
之间的平均分数差值，则Ki=[|4*Ki-(A1+A2+A3+A4)|]/4，i=1，2，3，4；
预先设定预设修正系数矩阵Y，设定Y(Y1，Y2，Y3，Y4)，其中，Y1为第一预设修正系数，Y2为第二预设修正系数，Y3为第三预设修正系数，Y4为第四预设修正系数，且1＜Y1＜Y2＜Y3＜Y4＜1.5；预先设定参考分数差值矩阵X，设定X(X1，X2，X3，X4)，其中，X1为第一预设参考分数差值，X2为第二预设参考分数差值，X3为第三预设参考分数差值，X4为第四预设参考分数差值，且X1＞X2＞X3＞X4；
根据所述课程分数差值矩阵K中各个平均分数差值与各预设参考分数差值之间的关系选定预设修正系数，以对所述第二初始课程推荐列表G0中各个课程的推荐系数进行修正：
当X1≤Ki＜X2时，选定所述第一预设修正系数Y1对所述第i推荐课程Gi的推荐系数bi进行修正，则所述第i推荐课程Gi修正后的推荐系数为bi*Y1，i=1，2，3，4；
当X2≤Ki＜X3时，选定所述第二预设修正系数Y2对所述第i推荐课程Gi的推荐系数bi进行修正，则所述第i推荐课程Gi修正后的推荐系数为bi*Y2，i=1，2，3，4；
当X3≤Ki＜X4时，选定所述第三预设修正系数Y3对所述第i推荐课程Gi的推荐系数bi进行修正，则所述第i推荐课程Gi修正后的推荐系数为bi*Y3，i=1，2，3，4；
当X4≤Ki时，选定所述第四预设修正系数Y4对所述第i推荐课程Gi的推荐系数bi进行修正，则所述第i推荐课程Gi修正后的推荐系数为bi*Y4，i=1，2，3，4；
在对所述第二初始课程推荐列表G0中的各个课程的推荐系数进行修正，则修正后的第二初始课程推荐列表为
G0[G1:(H1*(b1*Xi))-G2:(H2*(b2*Xi))-G3:(H3*(b3*Xi))-G4:(H4*(b4*Xi))]
将修正后的第二初始课程推荐列表中各个课程的推荐系数与所述初始推荐列表中各个课程的推荐系数按课程排序进行比较，若修正后的第二初始课程推荐列表中的课程的推荐系数小于所述初始推荐列表中的课程的推荐系数，则将所述修正后的第二初始课程推荐列表中的课程替换为所述初始课程推荐列表中的课程，在所述修正后的第二初始课程推荐列表中的课程替换完成后，生成第二待推荐列表，根据所述第二待推荐列表向所述用户进行课程推荐。
结合图4所示，具体而言，所述的基于历史成绩的在线教育平台的课程推荐系统，还包括：
时长模块，用于当所述在线教育平台根据所述待推荐列表向所述用户进行课程推荐时，记录所述用户浏览每一个推荐课程的实时课程浏览时长△S；
所述处理模块还用于设定课程浏览时长矩阵S，设定S(S1，S2，S3，S4)，其中，S1为第一预设课程浏览时长，S2为第二预设课程浏览时长，S3为第三预设课程浏览时长，S4为第四预设课程浏览时长，且0＜S1＜S2＜S3＜S4；设定课程推荐次数矩阵W，设定W(W1，W2，W3，W4)，其中，W1为第一预设课程推荐次数，W2为第二预设课程推荐次数，W3为第三预设课程推荐次数，W4为第四预设课程推荐次数，且0＜W1＜W2＜W3＜W4；所述处理模块还用于设定课程推荐时间间隔矩阵T，设定T(T1，T2，T3，T4)，其中，T1为第一预设课程推荐时间间隔，T2为第二预设课程推荐时间间隔，T3为第三预设课程推荐时间间隔，T4为第四预设课程推荐时间间隔，且0＜T1＜T2＜T3＜T4；
所述处理模块还用于根据所述用户浏览每一个推荐课程的实时课程浏览时长△S与各预设课程浏览时长之间的关系，对所述待推荐列表内的课程进行调整，并确定向所述用户推荐课程时的时间间隔和推荐次数：
当△S＜S1时，将当前课程从所述待推荐列表内移除；
当S1≤△S＜S2时，将当前课程的推荐次数设定为第一预设课程推荐次数W1，将下一次推荐当前课程的时间间隔设定为第一预设课程推荐时间间隔T1；
当S2≤△S＜S3时，将当前课程的推荐次数设定为第二预设课程推荐次数W2，将下一次推荐当前课程的时间间隔设定为第二预设课程推荐时间间隔T2；
当S3≤△S＜S4时，将当前课程的推荐次数设定为第三预设课程推荐次数W3，将下一次推荐当前课程的时间间隔设定为第三预设课程推荐时间间隔T3；
当S4≤△S时，将当前课程的推荐次数设定为第四预设课程推荐次数W4，将下一次推荐当前课程的时间间隔设定为第四预设课程推荐时间间隔T4。
可以理解的是，上述实施例通过确定在线教育平台中当前所有教学中的课程，并获取当前教学中的各个课程的整体平均成绩，根据各个课程的整体平均成绩的排序结果，选取排序结果位于前四位的课程建立初始推荐列表，并当用户登陆在线教育平台后，若获取到用户学习中以及学习过的所有课程的历史平均成绩，则根据历史平均成绩对初始推荐列表调整后向用户推荐课程，从而根据在线教育平台内的整体成绩，从而能够从侧面反映出当前平台内各个课程的教学水平，并将教学水平较高的课程建立推荐列表向用户进行课程推荐，从而能够有效地将在线教育平台的优势课程推荐给用户进行学习，以提高用户的学习效率。
同时，还根据用户的学习成绩对初始推荐列表进行调整后再进行课程推荐，从而能够在用户的某一课程成绩较好时，不再向用户推荐该课程，从而能够进一步的提高用户的学习效率，还能够准确地向用户推荐用户所需求的课程，使得在线教育平台在推荐课程时能够有效地满足用户需求，精准地进行课程推荐。
可以看出，上述实施例通过在用户登陆在线教育平台后获取用户的历史成绩，以及用户搜索记录和浏览记录信息中关键词信息，还获取用户的位置信息，从而根据用户的历史成绩、关键词信息和位置信息确定待推荐课程列表，并根据确定的待推荐课程列表向用户推荐课程，从而能够准确地向用户推荐用户所需求的课程，使得在线教育平台在推荐课程时能够有效地满足用户需求，精准地进行课程推荐。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于历史成绩的在线教育平台的课程推荐方法，其特征在于，包括：
确定在线教育平台中当前所有教学中的课程，获取当前教学中的各个课程的整体平均成绩，根据各个所述课程的整体平均成绩的排序结果，选取排序结果位于前四位的课程建立初始推荐列表；
当用户登陆所述在线教育平台后，获取所述用户学习中以及学习过的所有课程的历史平均成绩：
若获取到所述用户的历史平均成绩，则根据所述历史平均成绩对所述初始推荐列表调整后，获取待推荐列表，并根据所述待推荐列表向所述用户推荐课程；
若未获取到所述用户的历史平均成绩，则根据所述初始推荐列表向所述用户推荐课程。
2.根据权利要求1所述的基于历史成绩的在线教育平台的课程推荐方法，其特征在于，
在选取排序结果位于前四位的课程建立所述初始推荐列表时，分别获取排序结果位于前四位的课程的平均分数A1、A2、A3和A4，并建立所述初始推荐列表C[C1:(A1*a1)-C2:(A2*a2)-C3:(A3*a3)-C4:(A4*a4)],其中，
依次为历史平均成绩排序结果位于前四位的课程，
为与
相对应的历史平均成绩的分数，
依次为与
相对应的推荐系数，且a1＞a2＞a3＞a4；
在获取到所述用户的历史成绩，并根据获取到的所述历史成绩调整所述初始推荐列表时，建立用户所学课程矩阵D，设定D(D1/d1，D2/d2，D3/d3，...，Dn/dn),其中，
依次为用户所学课程，
依次为与
相对应的历史成绩平均分数；
判断所述初始推荐列表C与所述用户所学课程矩阵D中是否存在至少一个相同的课程：
若存在至少一个相同的课程，则根据所述初始推荐列表C中的历史平均成绩的分数Ai与所述用户所学课程矩阵D中的历史成绩平均分数dm之间的差值对所述初始推荐列表C进行调整，i=1，2，3，4，m=1，2，3，...，n，具体为：
建立成绩差值矩阵E和调整系数矩阵f，设定E(E0，E1，E2，E3，E4)，其中，E0为预设分数标准差值，E1为第一预设分数差值，E2为第二预设分数差值，E3为第三预设分数差值，E4为第四预设分数差值，且E0＜E1＜E2＜E3＜E4；设定f(f1，f2,f3，f4)，其中，f1为第一预设调整系数，f2为第二预设调整系数，f3为第三预设调整系数，f4为第四预设调整系数，且f1＜f2＜f3＜f4；
获取每一相同课程的历史平均成绩的分数Ai和历史成绩平均分数dm之间的差值△E，并判断所述差值△E是否超过标准差值E0，若△E≤E0，则不对所述初始推荐列表C进行调整，若△E＞E0，则根据所述差值△E与各预设分数差值之间的关系选定预设调整系数，以对所述初始推荐列表C中的课程推荐顺序进行调整：
当E0＜△E≤E1时，选定所述第一预设调整系数f1对所述初始推荐列表C中的课程推荐顺序进行调整；
当E1＜△E≤E2时，选定所述第二预设调整系数f2对所述初始推荐列表C中的课程推荐顺序进行调整；
当E2＜△E≤E3时，选定所述第三预设调整系数f3对所述初始推荐列表C中的课程推荐顺序进行调整；
当E3＜△E≤E4时，选定所述第四预设调整系数f4对所述初始推荐列表C中的课程推荐顺序进行调整；
当选定所述第i预设调整系数fi对所述初始推荐列表C中的第i课程Ci的推荐顺序进行调整时，i=1，2，3，4，首先获取所述第i课程Ci的推荐值G，G=(Ai*ai)，i=1，2，3，4，根据所述第i预设调整系数fi对所述第i课程Ci的推荐值G进行调整，调整后的推荐值G=(Ai*ai*fi)，然后再对所述初始推荐列表C中各个课程的推荐值G从大到小进行排序后，形成所述待推荐列表，以向所述用户推荐课程；
若不存在相同的课程，则判断所述用户所学课程矩阵D中的各个课程的历史成绩平均分数dm是否超过及格分数D01，并根据超过所述及格分数D01的课程数量调整所述初始推荐列表C中的课程：
当所述用户所学课程矩阵D中的一个课程的历史成绩平均分数dm小于所述及格分数D01时，则使该课程替换所述初始推荐列表C中位于末位的课程，形成新的推荐列表后向所述用户进行课程推荐；
当所述用户所学课程矩阵D中至少两个课程的历史成绩平均分数dm小于所述及格分数D01时，则将所述至少两个课程的历史成绩平均分数dm由大到小排序后位于末两位的课程替换所述初始推荐列表C中位于末两位的课程，形成新的推荐列表后向所述用户进行课程推荐。
3.根据权利要求2所述的基于历史成绩的在线教育平台的课程推荐方法，其特征在于，
当建立所述初始推荐列表C，且在所述用户登陆所述在线教育平台后，获取所述用户在所述在线教育平台内的搜索记录和浏览记录信息，根据所述搜索记录和浏览记录信息确定关键词信息，从所述关键词信息中提取若干关键词，并根据若干关键词的出现次数从高到低进行排序，并从排序后的关键词中选取位于前四位的关键词，并依次确定与排序在前四位的关键词相匹配的第一推荐课程G1、第二推荐课程G2、第三推荐课程G3和第四推荐课程G4，并建立第二初始课程推荐列表G0[G1:(H1*b1)-G2:(H2*b2)-G3:(H3*b3)-G4:(H4*b4)]，其中，
分别为与
相对应的历史平均成绩的分数，
依次为与
相对应的推荐系数，且b1＞b2＞b3＞b4；
当未在所述在线教育平台中获取到所述用户学习中或者学习过的所有课程的历史平均成绩时，则根据所述第二初始课程推荐列表G0向所述用户推荐课程。
4.根据权利要求3所述的基于历史成绩的在线教育平台的课程推荐方法，其特征在于，
在根据所述第二初始课程推荐列表G0向所述用户推荐课程时，分别获取所述第二初始课程推荐列表G0中的各个推荐课程分别与所述初始推荐列表C中各个课程之间的分数差值，并建立课程分数差值矩阵K，设定K(K1，K2，K3，K4)，其中，K1为H1分别与
之间的平均分数差值，K2为H2分别与
之间的平均分数差值，K3为H3分别与
之间的平均分数差值，K4为H4分别与
之间的平均分数差值，则Ki=[|4*Ki-(A1+A2+A3+A4)|]/4，i=1，2，3，4；
预先设定预设修正系数矩阵Y，设定Y(Y1，Y2，Y3，Y4)，其中，Y1为第一预设修正系数，Y2为第二预设修正系数，Y3为第三预设修正系数，Y4为第四预设修正系数，且1＜Y1＜Y2＜Y3＜Y4＜1.5；预先设定参考分数差值矩阵X，设定X(X1，X2，X3，X4)，其中，X1为第一预设参考分数差值，X2为第二预设参考分数差值，X3为第三预设参考分数差值，X4为第四预设参考分数差值，且X1＞X2＞X3＞X4；
根据所述课程分数差值矩阵K中各个平均分数差值与各预设参考分数差值之间的关系选定预设修正系数，以对所述第二初始课程推荐列表G0中各个课程的推荐系数进行修正：
当X1≤Ki＜X2时，选定所述第一预设修正系数Y1对所述第i推荐课程Gi的推荐系数bi进行修正，则所述第i推荐课程Gi修正后的推荐系数为bi*Y1，i=1，2，3，4；
当X2≤Ki＜X3时，选定所述第二预设修正系数Y2对所述第i推荐课程Gi的推荐系数bi进行修正，则所述第i推荐课程Gi修正后的推荐系数为bi*Y2，i=1，2，3，4；
当X3≤Ki＜X4时，选定所述第三预设修正系数Y3对所述第i推荐课程Gi的推荐系数bi进行修正，则所述第i推荐课程Gi修正后的推荐系数为bi*Y3，i=1，2，3，4；
当X4≤Ki时，选定所述第四预设修正系数Y4对所述第i推荐课程Gi的推荐系数bi进行修正，则所述第i推荐课程Gi修正后的推荐系数为bi*Y4，i=1，2，3，4；
在对所述第二初始课程推荐列表G0中的各个课程的推荐系数进行修正，则修正后的第二初始课程推荐列表为
G0[G1:(H1*(b1*Xi))-G2:(H2*(b2*Xi))-G3:(H3*(b3*Xi))-G4:(H4*(b4*Xi))]
将修正后的第二初始课程推荐列表中各个课程的推荐系数与所述初始推荐列表中各个课程的推荐系数按课程排序进行比较，若修正后的第二初始课程推荐列表中的课程的推荐系数小于所述初始推荐列表中的课程的推荐系数，则将所述修正后的第二初始课程推荐列表中的课程替换为所述初始课程推荐列表中的课程，在所述修正后的第二初始课程推荐列表中的课程替换完成后，生成第二待推荐列表，根据所述第二待推荐列表向所述用户进行课程推荐。
5.根据权利要求1所述的基于历史成绩的在线教育平台的课程推荐方法，其特征在于，
当所述在线教育平台根据所述待推荐列表向所述用户进行课程推荐时，记录所述用户浏览每一个推荐课程的实时课程浏览时长△S；
设定课程浏览时长矩阵S，设定S(S1，S2，S3，S4)，其中，S1为第一预设课程浏览时长，S2为第二预设课程浏览时长，S3为第三预设课程浏览时长，S4为第四预设课程浏览时长，且0＜S1＜S2＜S3＜S4；设定课程推荐次数矩阵W，设定W(W1，W2，W3，W4)，其中，W1为第一预设课程推荐次数，W2为第二预设课程推荐次数，W3为第三预设课程推荐次数，W4为第四预设课程推荐次数，且0＜W1＜W2＜W3＜W4；设定课程推荐时间间隔矩阵T，设定T(T1，T2，T3，T4)，其中，T1为第一预设课程推荐时间间隔，T2为第二预设课程推荐时间间隔，T3为第三预设课程推荐时间间隔，T4为第四预设课程推荐时间间隔，且0＜T1＜T2＜T3＜T4；
根据所述用户浏览每一个推荐课程的实时课程浏览时长△S与各预设课程浏览时长之间的关系，对所述待推荐列表内的课程进行调整，并确定向所述用户推荐课程时的时间间隔和推荐次数：
当△S＜S1时，将当前课程从所述待推荐列表内移除；
当S1≤△S＜S2时，将当前课程的推荐次数设定为第一预设课程推荐次数W1，将下一次推荐当前课程的时间间隔设定为第一预设课程推荐时间间隔T1；
当S2≤△S＜S3时，将当前课程的推荐次数设定为第二预设课程推荐次数W2，将下一次推荐当前课程的时间间隔设定为第二预设课程推荐时间间隔T2；
当S3≤△S＜S4时，将当前课程的推荐次数设定为第三预设课程推荐次数W3，将下一次推荐当前课程的时间间隔设定为第三预设课程推荐时间间隔T3；
当S4≤△S时，将当前课程的推荐次数设定为第四预设课程推荐次数W4，将下一次推荐当前课程的时间间隔设定为第四预设课程推荐时间间隔T4。
6.一种基于历史成绩的在线教育平台的课程推荐系统，其特征在于，包括：
列表建立模块，用于确定在线教育平台中当前所有教学中的课程，获取当前教学中的各个课程的整体平均成绩，根据各个所述课程的整体平均成绩的排序结果，选取排序结果位于前四位的课程建立初始推荐列表；
处理模块，用于当用户登陆所述在线教育平台后，获取所述用户学习中以及学习过的所有课程的历史平均成绩：
若获取到所述用户的历史平均成绩，则根据所述历史平均成绩对所述初始推荐列表调整后，获取待推荐列表，并根据所述待推荐列表向所述用户推荐课程；
若未获取到所述用户的历史平均成绩，则根据所述初始推荐列表向所述用户推荐课程。
7.根据权利要求6所述的基于历史成绩的在线教育平台的课程推荐系统，其特征在于，
所述处理模块还用于在选取排序结果位于前四位的课程建立所述初始推荐列表时，分别获取排序结果位于前四位的课程的平均分数A1、A2、A3和A4，并建立所述初始推荐列表
C[C1:(A1*a1)-C2:(A2*a2)-C3:(A3*a3)-C4:(A4*a4)],其中，
次为历史平均成绩排序结果位于前四位的课程，
为与
相对应的历史平均成绩的分数，
依次为与
相对应的推荐系数，且a1＞a2＞a3＞a4；
所述处理模块还用于在获取到所述用户的历史成绩，并根据获取到的所述历史成绩调整所述初始推荐列表时，建立用户所学课程矩阵D，设定D(D1/d1，D2/d2，D3/d3，...，Dn/dn),其中，
依次为用户所学课程，
依次为与
相对应的历史成绩平均分数；
所述处理模块还用于判断所述初始推荐列表C与所述用户所学课程矩阵D中是否存在至少一个相同的课程：
若存在至少一个相同的课程，则根据所述初始推荐列表C中的历史平均成绩的分数Ai与所述用户所学课程矩阵D中的历史成绩平均分数dm之间的差值对所述初始推荐列表C进行调整，i=1，2，3，4，m=1，2，3，...，n，具体为：
建立成绩差值矩阵E和调整系数矩阵f，设定E(E0，E1，E2，E3，E4)，其中，E0为预设分数标准差值，E1为第一预设分数差值，E2为第二预设分数差值，E3为第三预设分数差值，E4为第四预设分数差值，且E0＜E1＜E2＜E3＜E4；设定f(f1，f2,f3，f4)，其中，f1为第一预设调整系数，f2为第二预设调整系数，f3为第三预设调整系数，f4为第四预设调整系数，且f1＜f2＜f3＜f4；
获取每一相同课程的历史平均成绩的分数Ai和历史成绩平均分数dm之间的差值△E，并判断所述差值△E是否超过标准差值E0，若△E≤E0，则不对所述初始推荐列表C进行调整，若△E＞E0，则根据所述差值△E与各预设分数差值之间的关系选定预设调整系数，以对所述初始推荐列表C中的课程推荐顺序进行调整：
当E0＜△E≤E1时，选定所述第一预设调整系数f1对所述初始推荐列表C中的课程推荐顺序进行调整；
当E1＜△E≤E2时，选定所述第二预设调整系数f2对所述初始推荐列表C中的课程推荐顺序进行调整；
当E2＜△E≤E3时，选定所述第三预设调整系数f3对所述初始推荐列表C中的课程推荐顺序进行调整；
当E3＜△E≤E4时，选定所述第四预设调整系数f4对所述初始推荐列表C中的课程推荐顺序进行调整；
当选定所述第i预设调整系数fi对所述初始推荐列表C中的第i课程Ci的推荐顺序进行调整时，i=1，2，3，4，首先获取所述第i课程Ci的推荐值G，G=(Ai*ai)，i=1，2，3，4，根据所述第i预设调整系数fi对所述第i课程Ci的推荐值G进行调整，调整后的推荐值G=(Ai*ai*fi)，然后再对所述初始推荐列表C中各个课程的推荐值G从大到小进行排序后，形成所述待推荐列表，以向所述用户推荐课程；
若不存在相同的课程，则判断所述用户所学课程矩阵D中的各个课程的历史成绩平均分数dm是否超过及格分数D01，并根据超过所述及格分数D01的课程数量调整所述初始推荐列表C中的课程：
当所述用户所学课程矩阵D中的一个课程的历史成绩平均分数dm小于所述及格分数D01时，则使该课程替换所述初始推荐列表C中位于末位的课程，形成新的推荐列表后向所述用户进行课程推荐；
当所述用户所学课程矩阵D中至少两个课程的历史成绩平均分数dm小于所述及格分数D01时，则将所述至少两个课程的历史成绩平均分数dm由大到小排序后位于末两位的课程替换所述初始推荐列表C中位于末两位的课程，形成新的推荐列表后向所述用户进行课程推荐。
8.根据权利要求7所述的基于历史成绩的在线教育平台的课程推荐系统，其特征在于，
所述处理模块还用于当建立所述初始推荐列表C，且在所述用户登陆所述在线教育平台后，获取所述用户在所述在线教育平台内的搜索记录和浏览记录信息，根据所述搜索记录和浏览记录信息确定关键词信息，从所述关键词信息中提取若干关键词，并根据若干关键词的出现次数从高到低进行排序，并从排序后的关键词中选取位于前四位的关键词，并依次确定与排序在前四位的关键词相匹配的第一推荐课程G1、第二推荐课程G2、第三推荐课程G3和第四推荐课程G4，并建立第二初始课程推荐列表
G0[G1:(H1*b1)-G2:(H2*b2)-G3:(H3*b3)-G4:(H4*b4)]，其中，
分别为与
相对应的历史平均成绩的分数，
依次为与
相对应的推荐系数，且b1＞b2＞b3＞b4；
当未在所述在线教育平台中获取到所述用户学习中或者学习过的所有课程的历史平均成绩时，则根据所述第二初始课程推荐列表G0向所述用户推荐课程。
9.根据权利要求8所述的基于历史成绩的在线教育平台的课程推荐系统，其特征在于，
所述处理模块还用于在根据所述第二初始课程推荐列表G0向所述用户推荐课程时，分别获取所述第二初始课程推荐列表G0中的各个推荐课程分别与所述初始推荐列表C中各个课程之间的分数差值，并建立课程分数差值矩阵K，设定K(K1，K2，K3，K4)，其中，K1为H1分别与A1~A4之间的平均分数差值，K2为H2分别与A1~A4之间的平均分数差值，K3为H3分别与A1~A4之间的平均分数差值，K4为H4分别与A1~A4之间的平均分数差值，则Ki=[|4*Ki-(A1+A2+A3+A4)|]/4，i=1，2，3，4；
预先设定预设修正系数矩阵Y，设定Y(Y1，Y2，Y3，Y4)，其中，Y1为第一预设修正系数，Y2为第二预设修正系数，Y3为第三预设修正系数，Y4为第四预设修正系数，且1＜Y1＜Y2＜Y3＜Y4＜1.5；预先设定参考分数差值矩阵X，设定X(X1，X2，X3，X4)，其中，X1为第一预设参考分数差值，X2为第二预设参考分数差值，X3为第三预设参考分数差值，X4为第四预设参考分数差值，且X1＞X2＞X3＞X4；
根据所述课程分数差值矩阵K中各个平均分数差值与各预设参考分数差值之间的关系选定预设修正系数，以对所述第二初始课程推荐列表G0中各个课程的推荐系数进行修正：
当X1≤Ki＜X2时，选定所述第一预设修正系数Y1对所述第i推荐课程Gi的推荐系数bi进行修正，则所述第i推荐课程Gi修正后的推荐系数为bi*Y1，i=1，2，3，4；
当X2≤Ki＜X3时，选定所述第二预设修正系数Y2对所述第i推荐课程Gi的推荐系数bi进行修正，则所述第i推荐课程Gi修正后的推荐系数为bi*Y2，i=1，2，3，4；
当X3≤Ki＜X4时，选定所述第三预设修正系数Y3对所述第i推荐课程Gi的推荐系数bi进行修正，则所述第i推荐课程Gi修正后的推荐系数为bi*Y3，i=1，2，3，4；
当X4≤Ki时，选定所述第四预设修正系数Y4对所述第i推荐课程Gi的推荐系数bi进行修正，则所述第i推荐课程Gi修正后的推荐系数为bi*Y4，i=1，2，3，4；
在对所述第二初始课程推荐列表G0中的各个课程的推荐系数进行修正，则修正后的第二初始课程推荐列表为
G0[G1:(H1*(b1*Xi))-G2:(H2*(b2*Xi))-G3:(H3*(b3*Xi))-G4:(H4*(b4*Xi))]
将修正后的第二初始课程推荐列表中各个课程的推荐系数与所述初始推荐列表中各个课程的推荐系数按课程排序进行比较，若修正后的第二初始课程推荐列表中的课程的推荐系数小于所述初始推荐列表中的课程的推荐系数，则将所述修正后的第二初始课程推荐列表中的课程替换为所述初始课程推荐列表中的课程，在所述修正后的第二初始课程推荐列表中的课程替换完成后，生成第二待推荐列表，根据所述第二待推荐列表向所述用户进行课程推荐。
10.根据权利要求6所述的基于历史成绩的在线教育平台的课程推荐系统，其特征在于，还包括：
时长模块，用于当所述在线教育平台根据所述待推荐列表向所述用户进行课程推荐时，记录所述用户浏览每一个推荐课程的实时课程浏览时长△S；
所述处理模块还用于设定课程浏览时长矩阵S，设定S(S1，S2，S3，S4)，其中，S1为第一预设课程浏览时长，S2为第二预设课程浏览时长，S3为第三预设课程浏览时长，S4为第四预设课程浏览时长，且0＜S1＜S2＜S3＜S4；设定课程推荐次数矩阵W，设定W(W1，W2，W3，W4)，其中，W1为第一预设课程推荐次数，W2为第二预设课程推荐次数，W3为第三预设课程推荐次数，W4为第四预设课程推荐次数，且0＜W1＜W2＜W3＜W4；所述处理模块还用于设定课程推荐时间间隔矩阵T，设定T(T1，T2，T3，T4)，其中，T1为第一预设课程推荐时间间隔，T2为第二预设课程推荐时间间隔，T3为第三预设课程推荐时间间隔，T4为第四预设课程推荐时间间隔，且0＜T1＜T2＜T3＜T4；
所述处理模块还用于根据所述用户浏览每一个推荐课程的实时课程浏览时长△S与各预设课程浏览时长之间的关系，对所述待推荐列表内的课程进行调整，并确定向所述用户推荐课程时的时间间隔和推荐次数：
当△S＜S1时，将当前课程从所述待推荐列表内移除；
当S1≤△S＜S2时，将当前课程的推荐次数设定为第一预设课程推荐次数W1，将下一次推荐当前课程的时间间隔设定为第一预设课程推荐时间间隔T1；
当S2≤△S＜S3时，将当前课程的推荐次数设定为第二预设课程推荐次数W2，将下一次推荐当前课程的时间间隔设定为第二预设课程推荐时间间隔T2；
当S3≤△S＜S4时，将当前课程的推荐次数设定为第三预设课程推荐次数W3，将下一次推荐当前课程的时间间隔设定为第三预设课程推荐时间间隔T3；
当S4≤△S时，将当前课程的推荐次数设定为第四预设课程推荐次数W4，将下一次推荐当前课程的时间间隔设定为第四预设课程推荐时间间隔T4。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210326239.2A CN114418807B (zh) | 2022-03-30 | 2022-03-30 | 基于历史成绩的在线教育平台的课程推荐方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210326239.2A CN114418807B (zh) | 2022-03-30 | 2022-03-30 | 基于历史成绩的在线教育平台的课程推荐方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114418807A true CN114418807A (zh) | 2022-04-29 |
| CN114418807B CN114418807B (zh) | 2022-06-28 |
Family
ID=81264541
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210326239.2A Active CN114418807B (zh) | 2022-03-30 | 2022-03-30 | 基于历史成绩的在线教育平台的课程推荐方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114418807B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115098790A (zh) * | 2022-08-24 | 2022-09-23 | 北京英华在线科技有限公司 | 在线教育平台用的课程管理方法及系统 |
| CN116342335A (zh) * | 2023-02-03 | 2023-06-27 | 武汉博奥鹏程教育科技有限公司 | 一种课程的推荐方法和装置 |
| CN116541432A (zh) * | 2023-05-22 | 2023-08-04 | 杭州精英在线教育科技股份有限公司 | 一种基于教育机器人的在线课堂智能推荐方法 |
| CN117788124A (zh) * | 2024-02-26 | 2024-03-29 | 山东街景智能制造科技股份有限公司 | 一种用于定制化产品的数据管理系统及方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130011821A1 (en) * | 2011-04-07 | 2013-01-10 | Tristan Denley | Course recommendation system and method |
| CN105787839A (zh) * | 2016-03-23 | 2016-07-20 | 成都准星云学科技有限公司 | 一种学习资源推送方法和装置 |
| CN106528656A (zh) * | 2016-10-20 | 2017-03-22 | 杨瀛 | 一种基于学员历史和实时学习状态参量实现课程推荐的方法和系统 |
| CN107481170A (zh) * | 2017-08-18 | 2017-12-15 | 深圳市华第时代科技有限公司 | 一种课程推荐方法、装置、选课服务器及存储介质 |
| CN109740048A (zh) * | 2018-12-12 | 2019-05-10 | 中国联合网络通信集团有限公司 | 一种课程推荐方法及装置 |
| CN110990691A (zh) * | 2019-11-14 | 2020-04-10 | 泰康保险集团股份有限公司 | 一种在线课程推荐方法、装置及计算机存储介质 |
| CN112214688A (zh) * | 2020-10-12 | 2021-01-12 | 中国石油大学(北京) | 选修课的推荐方法、装置和服务器 |
| CN112214670A (zh) * | 2020-10-09 | 2021-01-12 | 平安国际智慧城市科技股份有限公司 | 一种在线课程推荐方法、装置、电子设备及存储介质 |
| CN112614032A (zh) * | 2020-12-28 | 2021-04-06 | 深圳市诺达教育股份有限公司 | 基于大数据的教育软件数据处理方法 |
| CN113052737A (zh) * | 2021-04-30 | 2021-06-29 | 成都市教育家网络科技有限公司 | 一种基于强制督学和智能推荐的学习方法及系统 |
| CN113888052A (zh) * | 2021-11-11 | 2022-01-04 | 挂号网（杭州）科技有限公司 | 课程推荐方法、装置、系统、电子设备及存储介质 |
-
2022
- 2022-03-30 CN CN202210326239.2A patent/CN114418807B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130011821A1 (en) * | 2011-04-07 | 2013-01-10 | Tristan Denley | Course recommendation system and method |
| CN105787839A (zh) * | 2016-03-23 | 2016-07-20 | 成都准星云学科技有限公司 | 一种学习资源推送方法和装置 |
| CN106528656A (zh) * | 2016-10-20 | 2017-03-22 | 杨瀛 | 一种基于学员历史和实时学习状态参量实现课程推荐的方法和系统 |
| CN107481170A (zh) * | 2017-08-18 | 2017-12-15 | 深圳市华第时代科技有限公司 | 一种课程推荐方法、装置、选课服务器及存储介质 |
| CN109740048A (zh) * | 2018-12-12 | 2019-05-10 | 中国联合网络通信集团有限公司 | 一种课程推荐方法及装置 |
| CN110990691A (zh) * | 2019-11-14 | 2020-04-10 | 泰康保险集团股份有限公司 | 一种在线课程推荐方法、装置及计算机存储介质 |
| CN112214670A (zh) * | 2020-10-09 | 2021-01-12 | 平安国际智慧城市科技股份有限公司 | 一种在线课程推荐方法、装置、电子设备及存储介质 |
| CN112214688A (zh) * | 2020-10-12 | 2021-01-12 | 中国石油大学(北京) | 选修课的推荐方法、装置和服务器 |
| CN112614032A (zh) * | 2020-12-28 | 2021-04-06 | 深圳市诺达教育股份有限公司 | 基于大数据的教育软件数据处理方法 |
| CN113052737A (zh) * | 2021-04-30 | 2021-06-29 | 成都市教育家网络科技有限公司 | 一种基于强制督学和智能推荐的学习方法及系统 |
| CN113888052A (zh) * | 2021-11-11 | 2022-01-04 | 挂号网（杭州）科技有限公司 | 课程推荐方法、装置、系统、电子设备及存储介质 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115098790A (zh) * | 2022-08-24 | 2022-09-23 | 北京英华在线科技有限公司 | 在线教育平台用的课程管理方法及系统 |
| CN116342335A (zh) * | 2023-02-03 | 2023-06-27 | 武汉博奥鹏程教育科技有限公司 | 一种课程的推荐方法和装置 |
| CN116342335B (zh) * | 2023-02-03 | 2023-11-14 | 武汉博奥鹏程教育科技有限公司 | 一种课程的推荐方法和装置 |
| CN116541432A (zh) * | 2023-05-22 | 2023-08-04 | 杭州精英在线教育科技股份有限公司 | 一种基于教育机器人的在线课堂智能推荐方法 |
| CN116541432B (zh) * | 2023-05-22 | 2023-10-17 | 杭州精英在线教育科技股份有限公司 | 一种基于教育机器人的在线课堂智能推荐方法 |
| CN117788124A (zh) * | 2024-02-26 | 2024-03-29 | 山东街景智能制造科技股份有限公司 | 一种用于定制化产品的数据管理系统及方法 |
| CN117788124B (zh) * | 2024-02-26 | 2024-05-14 | 山东街景智能制造科技股份有限公司 | 一种用于定制化产品的数据管理系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114418807B (zh) | 2022-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114418807B (zh) | 基于历史成绩的在线教育平台的课程推荐方法及系统 | |
| Chen et al. | A music recommendation system based on music data grouping and user interests | |
| CN103514304B (zh) | 一种项目推荐方法和装置 | |
| CN110162591B (zh) | 一种面向数字教育资源的实体对齐方法及系统 | |
| CN110880019B (zh) | 通过无监督域适应训练目标域分类模型的方法 | |
| CN110532379B (zh) | 一种基于lstm的用户评论情感分析的电子资讯推荐方法 | |
| CN109902823B (zh) | 一种基于生成对抗网络的模型训练方法及设备 | |
| CN107608960B (zh) | 一种命名实体链接的方法和装置 | |
| CN106776701B (zh) | 用于物品推荐的问题确定方法和装置 | |
| CN106168980A (zh) | 多媒体资源推荐排序方法及装置 | |
| US20080071764A1 (en) | Method and an apparatus to perform feature similarity mapping | |
| CN102023986A (zh) | 参考外部知识构建文本分类器的方法和设备 | |
| CN105744370A (zh) | 基于群体收视行为的广播电视系统及其个性节目推荐方法 | |
| Sahebi et al. | Content-based cross-domain recommendations using segmented models. | |
| CN109635200B (zh) | 一种基于中介真值程度度量和用户的协同过滤推荐方法 | |
| Do et al. | Dynamic weighted hybrid recommender systems | |
| CN106202151A (zh) | 一种用于提高个性化推荐系统多样性的方法 | |
| CN115204967A (zh) | 一种融入用户长短期兴趣表征隐式反馈的推荐方法 | |
| CN109033428A (zh) | 一种智能客服方法及系统 | |
| CN112163118A (zh) | 一种用于教学的推荐视频获取方法及装置 | |
| CN108932308B (zh) | 一种基于混合推荐算法的歌曲推荐方法 | |
| CN110968793A (zh) | 基于协同过滤混合填充的用户冷启动推荐算法 | |
| CN112733004B (zh) | 一种基于多臂老虎机算法的影视作品推荐方法 | |
| CN116186385A (zh) | 一种基于解耦表征学习与图神经网络的服务推荐方法 | |
| CN115472181A (zh) | 基于特征融合和聚类的翻唱识别方法、装置和存储介质 |
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 |