CN114723488A - 课程推荐方法、装置、电子设备及存储介质 - Google Patents
课程推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114723488A CN114723488A CN202210361114.3A CN202210361114A CN114723488A CN 114723488 A CN114723488 A CN 114723488A CN 202210361114 A CN202210361114 A CN 202210361114A CN 114723488 A CN114723488 A CN 114723488A
- Authority
- CN
- China
- Prior art keywords
- course
- evaluation
- recommendation
- label
- index
- 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 50
- 238000011156 evaluation Methods 0.000 claims abstract description 198
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 49
- 238000004590 computer program Methods 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- 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
- G06Q50/2057—Career enhancement or continuing education service
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及智能决策技术，揭露一种课程推荐方法，包括：对每个所述负面评价进行意图识别，得到对应的评价标签；根据每种所述评价标签对应的所有所述负面评价在所述负面评价集中的数量占比，得到该种评价标签的评价权重；计算所述课程标签与所述评价标签的关联度，得到初始推荐指数；根据所述初始推荐指数及所述评价权重进行加权计算，得到每个所述课程对应的推荐指数；利用所述推荐指数及预设的推荐阈值对所述课程集合中的所有课程进行筛选，并将筛选的课程推送至所述待推荐用户。本发明还涉及一种区块链技术，所述评价标签可以存储在区块链节点中。本发明还提出一种课程推荐装置、设备以及介质。本发明可以提高课程推荐的准确率。
Description
技术领域
本发明涉及智能决策技术，尤其涉及一种课程推荐方法、装置、电子设备及存储介质。
背景技术
在实际业务操作过程中，业务人员会有一些被客户投诉，需要进行相关课程的培训后才可以继续执业，因此，需要向被投诉人员推送培训课程。
但是现有的课程推荐方法对课程没有筛选，不论课程对被投诉人员是否有用，直接将所有培训课程推荐给被投诉人员，导致课程推荐的准确率较低。
发明内容
本发明提供一种课程推荐方法、装置、电子设备及存储介质，其主要目的在于提高了课程推荐的准确率。
获取待推荐用户预设时间段内的所有负面评价，得到负面评价集；
对每个所述负面评价进行意图识别，得到对应的评价标签；
根据每种所述评价标签对应的所有所述负面评价在所述负面评价集中的数量占比，得到该种评价标签的评价权重；
获取课程集合，其中，所述课程集合中的每个课程都有对应的课程标签；
计算所述课程标签与所述评价标签的关联度，得到初始推荐指数；
根据所述初始推荐指数及所述评价权重进行加权计算，得到每个所述课程对应的推荐指数；
利用所述推荐指数及预设的推荐阈值对所述课程集合中的所有课程进行筛选，并将筛选的课程推送至所述待推荐用户的预设终端设备。
可选地，所述根据每种所述评价标签对应的所有所述负面评价在所述负面评价集中的数量占比，得到该种评价标签的评价权重，包括：
计算每种所述评价标签对应的所有所述负面评价的数量，得到标签评价数量；
根据每种所述评价标签对应的所述标签评价数量与所述负面评价集中元素的数量进行计算，得到该评价标签对应的所述评价权重。
可选地，所述计算所述课程标签与所述评价标签的关联度，得到初始推荐指数，包括：
将所述课程标签转换为向量，得到课程向量；
将所述评价标签转换为向量，得到评价向量；
计算所述课程向量与所述评价向量的相似度，得到所述初始推荐指数。
可选地，所述将所述课程标签转换为向量，得到课程向量，包括：
将所述课程标签的每个字符转化为向量，得到字符向量；
将所有所述字符向量按照对应的字符在所述课程标签中的先后顺序进行连接，得到所述课程向量。
可选地，所述根据所述初始推荐指数及所述评价权重进行加权计算，得到每个所述课程对应的推荐指数，包括：
将所述评价标签对应的评价权重与该评价标签对应的每个所述初始推荐指数进行计算，得到每个所述初始推荐指数的权重指数；
将所述课程对应的所有所述权重指数进行计算，得到所述推荐指数。
可选地，所述利用所述推荐指数及预设的推荐阈值对所述课程集合中的所有课程进行筛选，并将筛选的课程推送至所述待推荐用户的预设终端设备，包括：
将大于所述推荐阈值的推荐指数确定为目标推荐指数；
将所述目标推荐指数对应的课程推荐至所述终端设备。
可选地，所述利用所述推荐指数及预设的推荐阈值对所述课程集合中的所有课程进行筛选，并将筛选的课程推送至所述待推荐用户的预设终端设备，所述方法还包括：
将大于所述推荐阈值的推荐指数确定为目标推荐指数；
将所有所述目标推荐指数按照数值从大到小的顺序进行排列，得到目标推荐指数序列；
将所述目标推荐指数序列中预设排名之前的所有目标推荐指数对应的课程推荐值所述终端设备。
为了解决上述问题，本发明还提供一种课程推荐装置，所述装置包括：
意图识别模块，用于获取待推荐用户预设时间段内的所有负面评价，得到负面评价集；对每个所述负面评价进行意图识别，得到对应的评价标签；
关联计算模块，用于根据每种所述评价标签对应的所有所述负面评价在所述负面评价集中的数量占比，得到该种评价标签的评价权重；获取课程集合，其中，所述课程集合中的每个课程都有对应的课程标签；计算所述课程标签与所述评价标签的关联度，得到初始推荐指数；
课程推荐模块，用于根据所述初始推荐指数及所述评价权重进行加权计算，得到每个所述课程对应的推荐指数；利用所述推荐指数及预设的推荐阈值对所述课程集合中的所有课程进行筛选，并将筛选的课程推送至所述待推荐用户的预设终端设备。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个计算机程序；及
处理器，执行所述存储器中存储的计算机程序以实现上述所述的课程推荐方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的课程推荐方法。
本发明实施例计算所述课程标签与所述评价标签的关联度，得到初始推荐指数；根据所述初始推荐指数及所述评价权重进行加权计算，得到每个所述课程对应的推荐指数；利用所述推荐指数及预设的推荐阈值对所述课程集合中的所有课程进行筛选，并将筛选的课程推送至所述待推荐用户的预设终端设备；通过标签的关联度筛选适合待推荐用户的课程进行推荐，提高课程推荐的准确率，因此本发明实施例提出的课程推荐方法、装置、电子设备及可读存储介质提高了课程推荐的准确率。
附图说明
图1为本发明一实施例提供的课程推荐方法的流程示意图；
图2为本发明一实施例提供的课程推荐装置的模块示意图；
图3为本发明一实施例提供的实现课程推荐方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种课程推荐方法。所述课程推荐方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述课程推荐方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示的本发明一实施例提供的课程推荐方法的流程示意图，在本发明实施例中，所述课程推荐方法包括：
S1、获取待推荐用户预设时间段内的所有负面评价，得到负面评价集。
本发明实施例中所述待推荐用户为被客户投诉的业务员，所述负面评价为客户投诉的具体文本内容。
进一步地，为了更准确的评估所述待推荐用户近期被投诉的内容，获取待推荐用户预设时间段内的所有负面评价。
可选地，本发明实施例中获取待推荐用户预设时间段内的所有负面评价之前，所述方法还包括：
将当前时间作为区间右端点，将预设时间间隔作为区间长度；
本发明实施例中对所述当前时间的时间精确度不做限制，包括但不限于：年、月、天、小时、分钟、秒等。
利用所述区间右端点及所述区间长度构建区间，得到所述时间段。
例如：当前时间为3/21，时间间隔为10天，那么所述时间段为[3/11,3/21]，即所述时间段为3/11日至3/21日。
S2、对每个所述负面评价进行意图识别，得到对应的评价标签。
本发明实施例中为了判断负面评价的类别更有针对性的对所述待推荐用户进行课程推荐，需要识别每个负面评价的评价维度(如服务态度、服务响应速度)，因此，对每个所述负面评价进行意图识别，将意图识别的结果作为该负面评价对应的评价标签，例如：意图识别的结果为该负面评价为服务态度评价，那对应的评价标签为“服务态度”。
本发明实施例中进行意图识别的方法不做限制，可选地，本发明实施例中可利用深度学习模型(如卷积神经网络模型、长短期记忆人工神经网络)或规则模板进行意图识别。
本发明另一实施例中所述评价标签可以存储在区块链节点中，利用区块链节点高吞吐的特性提高数据的取用效率。
S3、根据每种所述评价标签对应的所有所述负面评价在所述负面评价集中的数量占比，得到该种评价标签的评价权重。
本发明实施例中为了不同类别的负面评价的权重，根据每种所述评价标签对应的所有所述负面评价在所述负面评价集中的数量占比，得到该种评价标签的评价权重。
详细地，本发明实施例中根据每种所述评价标签对应的所有所述负面评价在所述负面评价集中的数量占比，得到该种评价标签的评价权重，包括：
步骤A：计算每种所述评价标签对应的所有所述负面评价的数量，得到标签评价数量；
步骤B：根据每种所述评价标签对应的所述标签评价数量与所述负面评价集中元素的数量进行计算，得到该评价标签对应的所述评价权重。
例如：评价标签A对应的负面评价数量为5个，那么评价标签A对应的所述标签评价数量为5，所述负面评价集中元素的数量为10，那么评价标签A对应的评价权重为5/10＝0.5。
S4、获取课程集合，其中，所述课程集合中的每个课程都有对应的课程标签。
本发明实施例中所述课程为对用户进行技能培训课程，其中，所述课程标签为用来总结所述课程对应的内容的短小文本，用来对所述课程进行内容分类或内容总结。
S5、计算所述课程标签与所述评价标签的关联度，得到初始推荐指数。
本发明实施例通过计算所述课程标签与所述评价标签的关联度来衡量所述课程与所述待推荐用户的匹配程度。
具体地，本发明实施例中计算所述课程标签与所述评价标签的关联度，得到初始推荐指数，包括：
将所述课程标签转换为向量，得到课程向量；
将所述评价标签转换为向量，得到评价向量；
计算所述课程向量与所述评价向量的相似度，得到所述初始推荐指数。
本发明实施例对计算所述课程向量与所述评价向量的相似度的方法不做限制，可选地，本发明实施例中可利用欧几里得距离算法、皮尔逊相关系数算法、余弦相似度计算所述课程向量与所述评价向量的相似度。
进一步地，本发明实施例中将所述课程标签转换为向量，得到课程向量，包括：
步骤a：将所述课程标签的每个字符转化为向量，得到字符向量；
本发明实施例中将所述课程标签的每个字符转化为向量的方法不做限制，可选地，本发明实施例中可利用one-hot算法、Word2Vec模型、bert模型等模型或方法将所述课程标签的每个字符转化为向量。
步骤b：将所有所述字符向量按照对应的字符在所述课程标签中的先后顺序进行连接，得到所述课程向量。
本发明另一实施例中将所述课程标签转换为向量，得到课程向量，包括：
步骤I：对所述课程标签进行分词，得到标签词语；
步骤II：将每个所述标签词语转换为词向量；
本发明实施例中将每个所述标签词语转换为词向量的方法不做限制，可选地，本发明实施例中可利用one-hot算法、Word2Vec模型、bert模型等模型或方法将将每个所述标签词语转换为词向量。
步骤III：将所有所述词向量对应的所述标签词语在所述课程标签中的后顺序进行连接，得到所述课程向量。
S6、根据所述初始推荐指数及所述评价权重进行加权计算，得到每个所述课程对应的推荐指数。
本发明实施例中根据所述初始推荐指数及所述评价权重进行加权计算，得到每个所述课程对应的推荐指数，包括：
将所述评价标签对应的评价权重与该评价标签对应的每个所述初始推荐指数进行计算，得到每个所述初始推荐指数的权重指数；
将所述课程对应的所有所述权重指数进行计算，得到所述推荐指数。
例如：课程A对应了两个初始推荐指数，分别为初始推荐指数A、初始推荐指数B，评价标签A对应初始推荐指数A，评价标签B对应初始推荐指数B，评价标签A对应的评价权重为0.7，评价标签B对应的评价权重为0.3，那么初始推荐指数A的权重指数为(初始推荐指数A*0.7)，初始推荐指数B的权重指数为(初始推荐指数B*0.3),那么课程A对应的推荐指数为(初始推荐指数A*0.7)+(初始推荐指数B*0.3)。
S7、利用所述推荐指数及预设的推荐阈值对所述课程集合中的所有课程进行筛选，并将筛选的课程推送至所述待推荐用户的预设终端设备。
本发明实施例中为了将更符合所述待推荐用户的课程推荐，需要对所述课程集合中的所有课程进行筛选。
详细地，本发明实施例中利用所述推荐指数及预设的推荐阈值对所述课程集合中的所有课程进行筛选，并将筛选的课程推送至所述待推荐用户的预设终端设备，包括：
将大于所述推荐阈值的推荐指数确定为目标推荐指数；
将所述目标推荐指数对应的课程推荐至所述终端设备。
本发明另一实施例中利用所述推荐指数及预设的推荐阈值对所述课程集合中的所有课程进行筛选，并将筛选的课程推送至所述待推荐用户的预设终端设备，包括：
将大于所述推荐阈值的推荐指数确定为目标推荐指数；
将所有所述目标推荐指数按照数值从大到小的顺序进行排列，得到目标推荐指数序列；
将所述目标推荐指数序列中预设排名之前的所有目标推荐指数对应的课程推荐值所述终端设备。
本发明实施例中对所述预设排名的设定规则不做限制。
本发明另一实施例中利用所述推荐指数及预设的推荐阈值对所述课程集合中的所有课程进行筛选，并将筛选的课程推送至所述待推荐用户的预设终端设备，包括：
判断是否存在大于所述推荐阈值的推荐指数；
当存在大于所述推荐阈值的推荐指数；
将大于所述推荐阈值的推荐指数确定为目标推荐指数；
将所有所述目标推荐指数按照数值从大到小的顺序进行排列，得到目标推荐指数序列；
将所述目标推荐指数序列中预设排名之前的所有目标推荐指数对应的课程推荐值所述终端设备。
当不存在大于所述推荐阈值的推荐指数；
将所有所述推荐指数中的最大推荐指数对应的课程推送至所述终端设备。
本发明实施例中所述终端设备为可以进行信息(如视频信息、音频信息、文本信息中的一种或多种)接收和显示的终端，本发明实施例对所述终端的具体表现形式不做限制，可选地，本发明实施例中，所述终端设备，包括：手机、电脑、平板等智能终端。
如图2所示，是本发明课程推荐装置的功能模块图。
本发明所述课程推荐装置100可以安装于电子设备中。根据实现的功能，所述课程推荐装置可以包括意图识别模块101、关联计算模块102、课程推荐模块103，本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述意图识别模块101用于获取待推荐用户预设时间段内的所有负面评价，得到负面评价集；对每个所述负面评价进行意图识别，得到对应的评价标签；
所述关联计算模块102用于根据每种所述评价标签对应的所有所述负面评价在所述负面评价集中的数量占比，得到该种评价标签的评价权重；获取课程集合，其中，所述课程集合中的每个课程都有对应的课程标签；计算所述课程标签与所述评价标签的关联度，得到初始推荐指数；
所述课程推荐模块103用于根据所述初始推荐指数及所述评价权重进行加权计算，得到每个所述课程对应的推荐指数；利用所述推荐指数及预设的推荐阈值对所述课程集合中的所有课程进行筛选，并将筛选的课程推送至所述待推荐用户的预设终端设备。
详细地，本发明实施例中所述课程推荐装置100中所述的各模块在使用时采用与上述图1中所述的课程推荐方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图3所示，是本发明实现课程推荐方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如课程推荐程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如课程推荐程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如课程推荐程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述通信总线12可以是外设部件互连标准(perIPheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障分类电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
可选地，所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地，所述通信接口13还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的课程推荐程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
获取待推荐用户预设时间段内的所有负面评价，得到负面评价集；
对每个所述负面评价进行意图识别，得到对应的评价标签；
根据每种所述评价标签对应的所有所述负面评价在所述负面评价集中的数量占比，得到该种评价标签的评价权重；
获取课程集合，其中，所述课程集合中的每个课程都有对应的课程标签；
计算所述课程标签与所述评价标签的关联度，得到初始推荐指数；
根据所述初始推荐指数及所述评价权重进行加权计算，得到每个所述课程对应的推荐指数；
利用所述推荐指数及预设的推荐阈值对所述课程集合中的所有课程进行筛选，并将筛选的课程推送至所述待推荐用户的预设终端设备。
具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以是非易失性的，也可以是易失性的。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明实施例还可以提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取待推荐用户预设时间段内的所有负面评价，得到负面评价集；
对每个所述负面评价进行意图识别，得到对应的评价标签；
根据每种所述评价标签对应的所有所述负面评价在所述负面评价集中的数量占比，得到该种评价标签的评价权重；
获取课程集合，其中，所述课程集合中的每个课程都有对应的课程标签；
计算所述课程标签与所述评价标签的关联度，得到初始推荐指数；
根据所述初始推荐指数及所述评价权重进行加权计算，得到每个所述课程对应的推荐指数；
利用所述推荐指数及预设的推荐阈值对所述课程集合中的所有课程进行筛选，并将筛选的课程推送至所述待推荐用户的预设终端设备。
进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种课程推荐方法，其特征在于，所述方法包括：
获取待推荐用户预设时间段内的所有负面评价，得到负面评价集；
对每个所述负面评价进行意图识别，得到对应的评价标签；
根据每种所述评价标签对应的所有所述负面评价在所述负面评价集中的数量占比，得到该种评价标签的评价权重；
获取课程集合，其中，所述课程集合中的每个课程都有对应的课程标签；
计算所述课程标签与所述评价标签的关联度，得到初始推荐指数；
根据所述初始推荐指数及所述评价权重进行加权计算，得到每个所述课程对应的推荐指数；
利用所述推荐指数及预设的推荐阈值对所述课程集合中的所有课程进行筛选，并将筛选的课程推送至所述待推荐用户的预设终端设备。
2.如权利要求1所述的课程推荐方法，其特征在于，所述根据每种所述评价标签对应的所有所述负面评价在所述负面评价集中的数量占比，得到该种评价标签的评价权重，包括：
计算每种所述评价标签对应的所有所述负面评价的数量，得到标签评价数量；
根据每种所述评价标签对应的所述标签评价数量与所述负面评价集中元素的数量进行计算，得到该评价标签对应的所述评价权重。
3.如权利要求1所述的课程推荐方法，其特征在于，所述计算所述课程标签与所述评价标签的关联度，得到初始推荐指数，包括：
将所述课程标签转换为向量，得到课程向量；
将所述评价标签转换为向量，得到评价向量；
计算所述课程向量与所述评价向量的相似度，得到所述初始推荐指数。
4.如权利要求3所述的课程推荐方法，其特征在于，所述将所述课程标签转换为向量，得到课程向量，包括：
将所述课程标签的每个字符转化为向量，得到字符向量；
将所有所述字符向量按照对应的字符在所述课程标签中的先后顺序进行连接，得到所述课程向量。
5.如权利要求1所述的课程推荐方法，其特征在于，所述根据所述初始推荐指数及所述评价权重进行加权计算，得到每个所述课程对应的推荐指数，包括：
将所述评价标签对应的评价权重与该评价标签对应的每个所述初始推荐指数进行计算，得到每个所述初始推荐指数的权重指数；
将所述课程对应的所有所述权重指数进行计算，得到所述推荐指数。
6.如权利要求1所述的课程推荐方法，其特征在于，所述利用所述推荐指数及预设的推荐阈值对所述课程集合中的所有课程进行筛选，并将筛选的课程推送至所述待推荐用户的预设终端设备，包括：
将大于所述推荐阈值的推荐指数确定为目标推荐指数；
将所述目标推荐指数对应的课程推荐至所述终端设备。
7.如权利要求1至6中任意一项所述的课程推荐方法，其特征在于，所述利用所述推荐指数及预设的推荐阈值对所述课程集合中的所有课程进行筛选，并将筛选的课程推送至所述待推荐用户的预设终端设备，所述方法还包括：
将大于所述推荐阈值的推荐指数确定为目标推荐指数；
将所有所述目标推荐指数按照数值从大到小的顺序进行排列，得到目标推荐指数序列；
将所述目标推荐指数序列中预设排名之前的所有目标推荐指数对应的课程推荐值所述终端设备。
8.一种课程推荐装置，其特征在于，包括：
意图识别模块，用于获取待推荐用户预设时间段内的所有负面评价，得到负面评价集；对每个所述负面评价进行意图识别，得到对应的评价标签；
关联计算模块，用于根据每种所述评价标签对应的所有所述负面评价在所述负面评价集中的数量占比，得到该种评价标签的评价权重；获取课程集合，其中，所述课程集合中的每个课程都有对应的课程标签；计算所述课程标签与所述评价标签的关联度，得到初始推荐指数；
课程推荐模块，用于根据所述初始推荐指数及所述评价权重进行加权计算，得到每个所述课程对应的推荐指数；利用所述推荐指数及预设的推荐阈值对所述课程集合中的所有课程进行筛选，并将筛选的课程推送至所述待推荐用户的预设终端设备。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的课程推荐方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的课程推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210361114.3A CN114723488B (zh) | 2022-04-07 | 2022-04-07 | 课程推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210361114.3A CN114723488B (zh) | 2022-04-07 | 2022-04-07 | 课程推荐方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114723488A true CN114723488A (zh) | 2022-07-08 |
| CN114723488B CN114723488B (zh) | 2023-05-30 |
Family
ID=82241210
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210361114.3A Active CN114723488B (zh) | 2022-04-07 | 2022-04-07 | 课程推荐方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114723488B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110302165A1 (en) * | 2010-06-08 | 2011-12-08 | Kazuo Ishii | Content recommendation device and content recommendation method |
| CN109299372A (zh) * | 2018-10-18 | 2019-02-01 | 浙江正元智慧科技股份有限公司 | 一种基于协同过滤的智慧选课推荐方法 |
| CN111428138A (zh) * | 2020-03-26 | 2020-07-17 | 中国建设银行股份有限公司 | 一种课程推荐方法、系统、设备及存储介质 |
| CN112561750A (zh) * | 2020-12-14 | 2021-03-26 | 软通动力信息技术(集团)股份有限公司 | 课程推荐方法、装置、电子设备及存储介质 |
| CN112860989A (zh) * | 2021-01-20 | 2021-05-28 | 平安科技（深圳）有限公司 | 课程推荐方法、装置、计算机设备及存储介质 |
| CN113656705A (zh) * | 2021-08-31 | 2021-11-16 | 中国平安财产保险股份有限公司 | 基于人工智能的课程推荐方法、装置、设备及存储介质 |
| CN113868529A (zh) * | 2021-09-29 | 2021-12-31 | 平安银行股份有限公司 | 知识推荐方法、装置、电子设备及可读存储介质 |
| CN114036381A (zh) * | 2021-11-08 | 2022-02-11 | 泰康保险集团股份有限公司 | 课程推荐方法及装置、存储介质和电子设备 |
| CN114154895A (zh) * | 2021-12-09 | 2022-03-08 | 上海开放大学 | 一种学习评估与推荐课程关联处理方法和系统 |
-
2022
- 2022-04-07 CN CN202210361114.3A patent/CN114723488B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110302165A1 (en) * | 2010-06-08 | 2011-12-08 | Kazuo Ishii | Content recommendation device and content recommendation method |
| CN109299372A (zh) * | 2018-10-18 | 2019-02-01 | 浙江正元智慧科技股份有限公司 | 一种基于协同过滤的智慧选课推荐方法 |
| CN111428138A (zh) * | 2020-03-26 | 2020-07-17 | 中国建设银行股份有限公司 | 一种课程推荐方法、系统、设备及存储介质 |
| CN112561750A (zh) * | 2020-12-14 | 2021-03-26 | 软通动力信息技术(集团)股份有限公司 | 课程推荐方法、装置、电子设备及存储介质 |
| CN112860989A (zh) * | 2021-01-20 | 2021-05-28 | 平安科技（深圳）有限公司 | 课程推荐方法、装置、计算机设备及存储介质 |
| CN113656705A (zh) * | 2021-08-31 | 2021-11-16 | 中国平安财产保险股份有限公司 | 基于人工智能的课程推荐方法、装置、设备及存储介质 |
| CN113868529A (zh) * | 2021-09-29 | 2021-12-31 | 平安银行股份有限公司 | 知识推荐方法、装置、电子设备及可读存储介质 |
| CN114036381A (zh) * | 2021-11-08 | 2022-02-11 | 泰康保险集团股份有限公司 | 课程推荐方法及装置、存储介质和电子设备 |
| CN114154895A (zh) * | 2021-12-09 | 2022-03-08 | 上海开放大学 | 一种学习评估与推荐课程关联处理方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114723488B (zh) | 2023-05-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112380859A (zh) | 舆情信息的推荐方法、装置、电子设备及计算机存储介质 | |
| CN112883190A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
| CN115002200A (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
| CN113868528A (zh) | 资讯推荐方法、装置、电子设备及可读存储介质 | |
| CN114781832A (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
| CN113946690A (zh) | 潜在客户挖掘方法、装置、电子设备及存储介质 | |
| CN114186132B (zh) | 信息推荐方法、装置、电子设备及存储介质 | |
| CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
| CN113868529A (zh) | 知识推荐方法、装置、电子设备及可读存储介质 | |
| CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
| CN113656690A (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
| CN112269875A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
| CN114595321A (zh) | 问题标注方法、装置、电子设备及存储介质 | |
| CN113505273B (zh) | 基于重复数据筛选的数据排序方法、装置、设备及介质 | |
| CN113591881A (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
| CN112633988A (zh) | 用户产品推荐方法、装置、电子设备及可读存储介质 | |
| CN115982454A (zh) | 基于用户画像的问卷推送方法、装置、设备及存储介质 | |
| CN115238179A (zh) | 项目推送方法、装置、电子设备及计算机可读存储介质 | |
| CN115082736A (zh) | 垃圾识别分类方法、装置、电子设备及存储介质 | |
| CN115221274A (zh) | 文本情感分类方法、装置、电子设备及存储介质 | |
| CN114722280A (zh) | 基于用户画像的课程推荐方法、装置、设备及存储介质 | |
| CN115099680A (zh) | 风险管理方法、装置、设备及存储介质 | |
| CN115203364A (zh) | 软件故障反馈处理方法、装置、设备及可读存储介质 | |
| CN114385815A (zh) | 基于业务需求的新闻筛选方法、装置、设备及存储介质 | |
| CN113656703A (zh) | 基于新上线课程的智能推荐方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |