CN114862141A - 基于画像关联性的课程推荐方法、装置、设备及存储介质 - Google Patents
基于画像关联性的课程推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114862141A CN114862141A CN202210416122.3A CN202210416122A CN114862141A CN 114862141 A CN114862141 A CN 114862141A CN 202210416122 A CN202210416122 A CN 202210416122A CN 114862141 A CN114862141 A CN 114862141A
- Authority
- CN
- China
- Prior art keywords
- portrait
- course
- target
- student
- lecturer
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000013598 vector Substances 0.000 claims description 97
- 230000006399 behavior Effects 0.000 claims description 56
- 230000011218 segmentation Effects 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 7
- 238000013145 classification model Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000003542 behavioural effect Effects 0.000 claims description 3
- 230000002035 prolonged effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 238000007726 management method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction 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
- 230000008450 motivation Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012384 transportation and delivery 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Technology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能技术，揭露了一种基于画像关联性的课程推荐方法，包括：获取多个讲师的课程数据分类得到课程标签；获取目标学员的学员画像进行所述课程标签的推送，获取所述目标学员根据课程标签返回的选课行为数据；获取每个所述讲师的讲师画像，提取所述讲师画像的画像语义；计算所述画像语义与所述行为画像的匹配值，并确定被选取的讲师画像对应的讲师为目标讲师，将所述目标讲师的课程标签推送给所述目标学员。此外，本发明还涉及区块链技术，数据列表可存储于区块链的节点。本发明还提出一种基于画像关联性的课程推荐装置、电子设备以及存储介质。本发明可以提高课程推荐的效率。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于画像关联性的课程推荐方法、装置、电子设备及计算机可读存储介质。
背景技术
现如今，随着培训数字化升级、教培理念的改革，学员们可以选择的课程种类与数量繁多，因此，如何向学员提供针对性且相应的课程，成为了亟待解决的问题。
在传统课程推荐中，往往是基于课程类别的推荐，即学员需求什么类别的课程，便向学员推荐该类别的课程。但在很多情况下，讲师授课风格不同，学员的性格、学习习惯、学习方法不同，都会影响学员在培训课堂的喜好度、投入度，从而影响授课培训效果及学员对讲师授课情况的评价结果，所以仅依靠类别进行课程推荐，会导致课程推荐的精确度较低。
发明内容
本发明提供一种基于画像关联性的课程推荐方法、装置及计算机可读存储介质，其主要目的在于解决课程推荐时效率较低的问题。
为实现上述目的，本发明提供的一种基于画像关联性的课程推荐方法，包括：
获取多个讲师的课程数据，将所述课程数据进行分类得到课程标签；
将所述课程标签推送给目标学员，获取所述目标学员根据课程标签返回的选课行为数据；
获取所述目标学员的学员画像，根据所述所述学员画像以及所述选课行为数据生成所述目标学员的行为画像；
获取每个所述讲师的讲师画像，提取所述讲师画像的画像语义；
计算所述画像语义与所述行为画像的匹配值，选取所述匹配值最大的画像语义对应的讲师画像，并确定被选取的讲师画像对应的讲师为目标讲师，将所述目标讲师的课程标签推送给所述目标学员。
可选地，所述将所述课程数据进行分类得到课程标签，包括：
提取所述课程数据的目标词，构建所述目标词的语境向量；
将所述目标词向量和所述语境向量输入至预设的目标函数，得到优化向量；
利用预设的分类模型对所述优化向量进行分类，得到所述课程标签。
可选地，所述构建所述目标词的语境向量，包括：
对所述目标词逐个进行编码，得到目标词向量；
对所述目标词的上下文进行编码，得到上下文向量，对所述上下文词向量取平均值，得到语境向量。
可选地，所述基于所述学员画像进行所述课程标签的推送，包括：
根据所述学员画像生成所述目标学员的用户标识；
基于所述用户标识、所述课程标签分析所述目标学员对每个所述课程标签的兴趣概率；
向所述目标学员推送所述兴趣概率大于预设的概率阈值的课程标签。
可选地，所述提取所述讲师画像的画像语义，包括：
对所述讲师画像进行分词处理，得到画像分词；
统计所述画像分词中每一个分词的分词频率，选取所述分词频率大于预设频率阈值的画像分词为关键词，并将所述关键词中每一个词语转换为词向量；
将所述词向量拼接为向量矩阵，并确定所述向量矩阵为所述讲师画像的画像语义。
可选地，所述将所述词向量拼接为向量矩阵，包括：
统计所述词向量中每一个词向量的向量长度，确定所述向量长度中的最大值为目标长度；
利用预设参数将所述词向量中的每一个向量的向量长度延长至所述目标长度；
将延长后的所述词向量中的每一个向量作为行向量进行拼接，得到向量矩阵。
可选地，所述计算所述画像语义与所述行为画像的匹配值，包括：
利用如下匹配值算法计算所述画像语义与所述行为画像的匹配值：
其中,S为所述匹配值，Tk为第k个画像语义，C为所述行为画像,k为[1,n] 内的整数，n为所述画像语义的数量。
为了解决上述问题，本发明还提供一种基于画像关联性的课程推荐装置，所述装置包括：
数据分类模块，获取多个讲师的课程数据，将所述课程数据进行分类得到课程标签；
行为画像模块，获取目标学员的学员画像，基于所述学员画像进行所述课程标签的推送，获取所述目标学员根据课程标签返回的选课行为数据，根据所述学员画像以及所述选课行为数据生成所述目标学员的行为画像；
画像语义模块，获取每个所述讲师的讲师画像，提取所述讲师画像的画像语义；
标签推送模块，计算所述画像语义与所述行为画像的匹配值，选取所述匹配值最大的画像语义对应的讲师画像，并确定被选取的讲师画像对应的讲师为目标讲师，将所述目标讲师的课程标签推送给所述目标学员。
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：
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上述所述的基于画像关联性的课程推荐方法。
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基于画像关联性的课程推荐方法。
本发明实施例可获取多个讲师的课程数据，将所述课程数据进行分类得到课程标签，对课程数据进行分类可以更好的对所述目标学员进行数据管理，便于提升后续进行课程推荐的精确度；同时，当得到所述目标学员根据课程标签返回的选课行为数据时，对所述目标学员的信息可以更加精确细致的进行调整，为了更好的匹配所述目标讲师；进一步地，计算所述目标讲师的画像语义与所述目标学员的行为画像的匹配值，利用所述匹配值可以利用所述目标学员偏好性，推送符合所述目标学员意愿的所述目标讲师的课程标签，更精确的向所述目标学员推送让其满意度更高的所述课程标签。因此本发明提出的基于画像关联性的课程推荐方法、装置、电子设备及计算机可读存储介质，可以解决课程推荐精确度较低的问题。
附图说明
图1为本发明一实施例提供的基于画像关联性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数据分类的流程示意图；
图3为本发明一实施例提供的提取画像语义的流程示意图；
图4为本发明一实施例提供的基于画像关联性的课程推荐装置的功能模块图；
图5为本发明一实施例提供的实现所述基于画像关联性的课程推荐方法的电子设备的结构示意图。
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。
本申请实施例提供一种基于画像关联性的课程推荐方法。所述基于画像关联性的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，所述基于画像关联性的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。所述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 (ContentDeliveryNetwork，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，为本发明一实施例提供的基于画像关联性的课程推荐方法的流程示意图。在本实施例中，所述基于画像关联性的课程推荐方法包括：
S1、获取多个讲师的课程数据，将所述课程数据进行分类得到课程标签；
在本发明实施例中，所述课程数据为所述讲师的讲授的学科类别、适应的学习阶段、授课视频、测试与作业、授课时的人数等等；所述课程标签是对课程进行独有属性的特殊介绍，是针对所有讲师的自带课程数据提取出来的共性与特性的显示标签，例如：适应人群、授课时长、授课次数、开班人数、应用范围、适应程度。
详细地，可设计一份包括适应人群、授课时长、授课次数、开班人数、应用范围、适应程度此类信息的问卷，通过讲师的信息问卷获得讲师的课程数据。
在本发明实施例中，参考图2所示，所述将所述课程数据进行分类得到课程标签，包括：
S21、提取所述课程数据的目标词，构建所述目标词的语境向量；
S22、将所述目标词向量和所述语境向量输入至预设的目标函数，得到优化向量；
S23、利用预设的分类模型对所述优化向量进行分类，得到所述课程标签。
详细地，所述提取所述课程数据的目标词是指将一个句子进行分词处理得到词语，例如：“我喜欢数学这门学科”可以处理为“我”“喜欢”“数学”“这门”“学科”，将处理得到的词作为目标词。
具体地，所述构建所述目标词的语境向量，包括：
对所述目标词逐个进行编码，得到目标词向量；
对所述目标词的上下文进行编码，得到上下文向量，对所述上下文词向量取平均值，得到语境向量。
详细地，所述课程标签是对课程数据特征的总结归纳。例如：课程数据为一个班是6个人时，课程标签是开班人数；课程数据为一个班是4个人时，课程标签是开班人数；课程数据为一个班是100个人时，课程标签是开班人数；课程数据为一节课是1小时时，课程标签是授课时长；课程数据为一节课是2小时时，课程标签也是授课时长。
详细地，所述目标函数可以为Y＝f(m,n),其中，m是所述目标词向量， n是所述语境向量，Y是优化向量。
在本发明实施例中所述的分类模型可包括但不限于Transfomer、 Context2vec和CBOW模型，可以利用这些模型分类出所述课程标签。例如：从“我觉得我的数学这门学科需要加强”和“小明的英语学的很好”两句话中得到“数学”和“英语”是学科名称，则利用模型分类出与学科有关所述课程标签。
S2、获取目标学员的学员画像，基于所述学员画像进行所述课程标签的推送，获取所述目标学员根据课程标签返回的选课行为数据，根据所述学员画像以及所述选课行为数据生成所述目标学员的行为画像；
在本发明实施例中，所述学员画像可包括，学员个人属性：性别、年龄、岗位、职级、入司年限、收入；学员能力属性：能力测评结果(含高分能力、低分能力)；学员学习阶段：当前所处阶段(新人/绩优/资格证学习)；学员当前所处的关键实践节点：首单开拓、业务拓展、推广增员、团队管理、服务沟通等类别。
详细地，所述选课行为数据包含点击浏览次数、报名/取消报名次数、报名后顺序等数据。
详细地，所述获取目标学员的学员画像的方法可以是所述目标学员点击网站，基于所述用户行为进行的数据分析；也可以是网络问卷形式获取所需的学员信息数据；也可以是基于所述学员与网站工作人员的沟通整合出的信息数据。
在本发明实施例中，所述基于所述学员画像进行所述课程标签的推送，包括：
根据所述学员画像生成所述目标学员的用户标识；
基于所述用户标识、所述课程标签分析所述目标学员对每个所述课程标签的兴趣概率；
向所述目标学员推送所述兴趣概率大于预设的概率阈值的课程标签。
详细地，可利用预先训练的概率预测网络模型分析所述目标学员对所述课程标签的兴趣概率，所述概率预测网络模型为基于预设训练集进行训练得到的，所述预设训练集包括多个训练样本，所述训练样本包括所述目标学员的用户标识、所述选课的行为数据、所述目标学员对所述课程标签感兴趣的概率。
在本发明实施例中，所述生成所述训练样本，包括：
针对所述每个目标学员，根据时间先后顺序对所述目标学员的历史行为进行排序；
根据所述目标学员的第一预设个历史行为，定义所述目标学员的第一样本信息，将所述目标学员对所述第一样本信息感兴趣的概率设置为第一概率；
根据所述目标学员在所述第一预设个历史行为之后的历史行为，确定该样本用户对应的第二样本信息，将所述目标学员对所述第二样本信息感兴趣的概率设置为第二概率。
详细地，所述行为画像是所述目标学员的基础信息的整合，为了方便精确的实现所述课程标签的推送。
S3、获取每个所述讲师的讲师画像，提取所述讲师画像的画像语义；
在本发明实施例中，所述学员画像可包括，讲师个人属性：性别、年龄、讲课风格、性格特点；讲师能力属性：从业年限、从事讲师年限、资格证持有、收入情况；其他属性：衣着风格、课堂授课形式(互动较多/内容讲授较多等)。
在本发明实施例中，参考图3所示，所述提取所述讲师画像的画像语义，包括：
S31、对所述讲师画像进行分词处理，得到画像分词；
S32、统计所述画像分词中每一个分词的分词频率，选取所述分词频率大于预设频率阈值的画像分词为关键词，并将所述关键词中每一个词语转换为词向量；
S33、将所述词向量拼接为向量矩阵，并确定所述向量矩阵为所述讲师画像的画像语义。
详细地，可利用预先训练的具有分词功能的人工智能模型对所述讲师画像进行分词处理，得到所述画像分词，其中，所述人工智能模型包括但不限于NLP(Natural LanguageProcessing，自然语言处理)模型、HMM(Hidden Markov Model，隐马尔可夫模型)。
具体地，所述分词频率是指某一个分词在所述讲师画像的画像分词中出现的次数，当分词的分词频率越高，则说明该分词的重要性越大。
进一步地，为了提高对所述关键词的处理效率，可利用预先训练的词向量模型将所述关键词转换为数值形式的词向量，其中，所述词向量模型包括但不限于word2vec模型、bert模型。
可选地，所述将所述词向量拼接为向量矩阵，包括：
统计所述词向量中每一个词向量的向量长度，确定所述向量长度中的最大值为目标长度；
利用预设参数将所述词向量中的每一个向量的向量长度延长至所述目标长度；
将延长后的所述词向量中的每一个向量作为行向量进行拼接，得到向量矩阵。
例如，所述词向量中包含向量A：(1,4,6)，向量B：(2,3)，向量C： (3,7,8,9)，经过统计可知，向量A的向量长度为3，向量B的向量长度为2，向量C的向量长度为4，则确定4为所述目标长度，并利用预设参数(如x) 将向量A的向量长度延长为4，得到延长后的向量A：(1,4,6,x)，将向量B 的向量长度延长为4，得到延长后的向量B：(2,3,x,x)。
进一步地，可将延长后的每一个词向量作为行向量，拼接为如下所述向量矩阵：
S4、计算所述画像语义与所述行为画像的匹配值，选取所述匹配值最大的画像语义对应的讲师画像，并确定被选取的讲师画像对应的讲师为目标讲师，将所述目标讲师的课程标签推送给所述目标学员。
在本发明实施例中，所述计算所述画像语义与所述行为画像的匹配值，包括：
利用如下匹配值算法计算所述画像语义与所述行为画像的匹配值：
其中,S为所述匹配值，Tk为第k个画像语义，C为所述行为画像,k为[1,n] 内的整数，n为所述画像语义的数量。
详细地，当所述目标学员的行为画像显示其更倾向于讲课幽默、带动力强的所述讲师时，具有诙谐幽默、授课形式多变的所述讲师画像与所述行为画像匹配值更大，便向所述目标学员推送所述目标讲师的课程标签。
本发明实施例可获取多个讲师的课程数据，将所述课程数据进行分类得到课程标签，对课程数据进行分类可以更好的对所述目标学员进行数据管理，便于提升后续进行课程推荐的精确度；同时，当得到所述目标学员根据课程标签返回的选课行为数据时，对所述目标学员的信息可以更加精确细致的进行调整，为了更好的匹配所述目标讲师；进一步地，计算所述目标讲师的画像语义与所述目标学员的行为画像的匹配值，利用所述匹配值可以利用所述目标学员偏好性，推送符合所述目标学员意愿的所述目标讲师的课程标签，更精确的向所述目标学员推送让其满意度更高的所述课程标签。因此本发明提出的基于画像关联性的课程推荐方法，可以解决课程推荐精确度较低的问题。
如图4所示，是本发明一实施例提供的基于画像关联性的课程推荐装置的功能模块图。
本发明所述基于画像关联性的课程推荐装置100可以安装于电子设备中。根据实现的功能，所述基于画像关联性的课程推荐装置100可以包括数据分类模块101、行为画像模块102、画像语义模块103及标签推送模块104。本发明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：
所述数据分类模块101，获取多个讲师的课程数据，将所述课程数据进行分类得到课程标签；
所述行为画像模块102，获取目标学员的学员画像，基于所述学员画像进行所述课程标签的推送，获取所述目标学员根据课程标签返回的选课行为数据，根据所述学员画像以及所述选课行为数据生成所述目标学员的行为画像；
所述画像语义模块103，获取每个所述讲师的讲师画像，提取所述讲师画像的画像语义；
所述标签推送模块104，计算所述画像语义与所述行为画像的匹配值，选取所述匹配值最大的画像语义对应的讲师画像，并确定被选取的讲师画像对应的讲师为目标讲师，将所述目标讲师的课程标签推送给所述目标学员。
如图5所示，是本发明一实施例提供的实现基于画像关联性的课程推荐方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口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，如基于画像关联性的课程推荐程序。
其中，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(ControlUnit)，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(例如执行基于画像关联性的课程推荐程序等)，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(Secure Digital，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，例如基于画像关联性的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。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口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。所述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。
图中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，图中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、电源故障检测电路、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。
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1中的所述存储器11存储的基于画像关联性的课程推荐程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取多个讲师的课程数据，将所述课程数据进行分类得到课程标签；
获取目标学员的学员画像，基于所述学员画像进行所述课程标签的推送，获取所述目标学员根据课程标签返回的选课行为数据，根据所述学员画像以及所述选课行为数据生成所述目标学员的行为画像；
获取每个所述讲师的讲师画像，提取所述讲师画像的画像语义；
计算所述画像语义与所述行为画像的匹配值，选取所述匹配值最大的画像语义对应的讲师画像，并确定被选取的讲师画像对应的讲师为目标讲师，将所述目标讲师的课程标签推送给所述目标学员。
具体地，所述处理器10对上述指令的具体实现方法可参考附图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1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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，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)。
本发明还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：
获取多个讲师的课程数据，将所述课程数据进行分类得到课程标签；
获取目标学员的学员画像，基于所述学员画像进行所述课程标签的推送，获取所述目标学员根据课程标签返回的选课行为数据，根据所述学员画像以及所述选课行为数据生成所述目标学员的行为画像；
获取每个所述讲师的讲师画像，提取所述讲师画像的画像语义；
计算所述画像语义与所述行为画像的匹配值，选取所述匹配值最大的画像语义对应的讲师画像，并确定被选取的讲师画像对应的讲师为目标讲师，将所述目标讲师的课程标签推送给所述目标学员。
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。
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。
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。
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。第一、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)
1.一种基于画像关联性的课程推荐方法，其特征在于，所述方法包括：
获取多个讲师的课程数据，将所述课程数据进行分类得到课程标签；
获取目标学员的学员画像，基于所述学员画像进行所述课程标签的推送，获取所述目标学员根据课程标签返回的选课行为数据，根据所述学员画像以及所述选课行为数据生成所述目标学员的行为画像；
获取每个所述讲师的讲师画像，提取所述讲师画像的画像语义；
计算所述画像语义与所述行为画像的匹配值，选取所述匹配值最大的画像语义对应的讲师画像，并确定被选取的讲师画像对应的讲师为目标讲师，将所述目标讲师的课程标签推送给所述目标学员。
2.如权利要求1所述的基于画像关联性的课程推荐方法，其特征在于，所述将所述课程数据进行分类得到课程标签，包括：
提取所述课程数据的目标词，构建所述目标词的语境向量；
将所述目标词向量和所述语境向量输入至预设的目标函数，得到优化向量；
利用预设的分类模型对所述优化向量进行分类，得到所述课程标签。
3.如权利要求2所述的基于画像关联性的课程推荐方法，其特征在于，所述构建所述目标词的语境向量，包括：
对所述目标词逐个进行编码，得到目标词向量；
对所述目标词的上下文进行编码，得到上下文向量，对所述上下文词向量取平均值，得到语境向量。
4.如权利要求1所述的基于画像关联性的课程推荐方法，其特征在于，所述基于所述学员画像进行所述课程标签的推送，包括：
根据所述学员画像生成所述目标学员的用户标识；
基于所述用户标识和所述课程标签分析所述目标学员对每个所述课程标签的兴趣概率；
向所述目标学员推送所述兴趣概率大于预设的概率阈值的课程标签。
5.如权利要求1所述的基于画像关联性的课程推荐方法，其特征在于，所述提取所述讲师画像的画像语义，包括：
对所述讲师画像进行分词处理，得到画像分词；
统计所述画像分词中每一个分词的分词频率，选取所述分词频率大于预设频率阈值的画像分词为关键词，并将所述关键词中每一个词语转换为词向量；
将所述词向量拼接为向量矩阵，并确定所述向量矩阵为所述讲师画像的画像语义。
6.如权利要求5所述的基于画像关联性的课程推荐方法，其特征在于，所述将所述词向量拼接为向量矩阵，包括：
统计所述词向量中每一个词向量的向量长度，确定所述向量长度中的最大值为目标长度；
利用预设参数将所述词向量中的每一个向量的向量长度延长至所述目标长度；
将延长后的所述词向量中的每一个向量作为行向量进行拼接，得到向量矩阵。
7.如权利要求1至6中任一项所述的基于画像关联性的课程推荐方法，其特征在于，所述计算所述画像语义与所述行为画像的匹配值，包括：
利用如下匹配值算法计算所述画像语义与所述行为画像的匹配值：
其中,S为所述匹配值，Tk为第k个画像语义，C为所述行为画像,k为[1,n]内的整数，n为所述画像语义的数量。
8.一种基于画像关联性的课程推荐装置，其特征在于，所述装置包括：
数据分类模块，获取多个讲师的课程数据，将所述课程数据进行分类得到课程标签；
行为画像模块，获取目标学员的学员画像，基于所述学员画像进行所述课程标签的推送，获取所述目标学员根据课程标签返回的选课行为数据，根据所述学员画像以及所述选课行为数据生成所述目标学员的行为画像；
画像语义模块，获取每个所述讲师的讲师画像，提取所述讲师画像的画像语义；
标签推送模块，计算所述画像语义与所述行为画像的匹配值，选取所述匹配值最大的画像语义对应的讲师画像，并确定被选取的讲师画像对应的讲师为目标讲师，将所述目标讲师的课程标签推送给所述目标学员。
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中任意一项所述的基于画像关联性的课程推荐方法。
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中任意一项所述的基于画像关联性的课程推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210416122.3A CN114862141A (zh) | 2022-04-20 | 2022-04-20 | 基于画像关联性的课程推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210416122.3A CN114862141A (zh) | 2022-04-20 | 2022-04-20 | 基于画像关联性的课程推荐方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114862141A true CN114862141A (zh) | 2022-08-05 |
Family
ID=82630841
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210416122.3A Withdrawn CN114862141A (zh) | 2022-04-20 | 2022-04-20 | 基于画像关联性的课程推荐方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114862141A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116362933A (zh) * | 2023-05-30 | 2023-06-30 | 南京农业大学 | 基于大数据的智慧校园管理方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108510307A (zh) * | 2018-02-25 | 2018-09-07 | 心触动（武汉）科技有限公司 | 一种课程推荐方法及系统 |
| CN109427218A (zh) * | 2017-08-25 | 2019-03-05 | 北京三好互动教育科技有限公司 | 一种在线教育系统和方法 |
| CN109754348A (zh) * | 2019-01-03 | 2019-05-14 | 寂通(上海)管理咨询有限公司 | 一种课程推送方法、装置、电子设备和介质 |
| CN113449187A (zh) * | 2021-06-28 | 2021-09-28 | 平安银行股份有限公司 | 基于双画像的产品推荐方法、装置、设备及存储介质 |
| WO2021196468A1 (zh) * | 2020-03-31 | 2021-10-07 | 深圳壹账通智能科技有限公司 | 标签建立方法、装置、电子设备及介质 |
-
2022
- 2022-04-20 CN CN202210416122.3A patent/CN114862141A/zh not_active Withdrawn
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109427218A (zh) * | 2017-08-25 | 2019-03-05 | 北京三好互动教育科技有限公司 | 一种在线教育系统和方法 |
| CN108510307A (zh) * | 2018-02-25 | 2018-09-07 | 心触动（武汉）科技有限公司 | 一种课程推荐方法及系统 |
| CN109754348A (zh) * | 2019-01-03 | 2019-05-14 | 寂通(上海)管理咨询有限公司 | 一种课程推送方法、装置、电子设备和介质 |
| WO2021196468A1 (zh) * | 2020-03-31 | 2021-10-07 | 深圳壹账通智能科技有限公司 | 标签建立方法、装置、电子设备及介质 |
| CN113449187A (zh) * | 2021-06-28 | 2021-09-28 | 平安银行股份有限公司 | 基于双画像的产品推荐方法、装置、设备及存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116362933A (zh) * | 2023-05-30 | 2023-06-30 | 南京农业大学 | 基于大数据的智慧校园管理方法及系统 |
| CN116362933B (zh) * | 2023-05-30 | 2023-09-26 | 南京农业大学 | 基于大数据的智慧校园管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112632385B (zh) | 课程推荐方法、装置、计算机设备及介质 | |
| CN107230174B (zh) | 一种基于网络的在线互动学习系统和方法 | |
| CN113590956B (zh) | 知识点推荐方法、装置、终端及计算机可读存储介质 | |
| CN112184500A (zh) | 基于深度学习和知识图谱的课外学习辅导系统及实现方法 | |
| CN115002200B (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
| CN114648392B (zh) | 基于用户画像的产品推荐方法、装置、电子设备及介质 | |
| CN113886567A (zh) | 一种基于知识图谱的教学方法及系统 | |
| CN113656687B (zh) | 基于教研数据的教师画像构建方法 | |
| CN112288337B (zh) | 行为推荐方法、装置、设备及介质 | |
| CN113378970A (zh) | 语句相似性检测方法、装置、电子设备及存储介质 | |
| CN111475645B (zh) | 知识点标注方法、装置及计算机可读存储介质 | |
| CN115238115A (zh) | 基于中文数据的图像检索方法、装置、设备及存储介质 | |
| CN114461777A (zh) | 智能问答方法、装置、设备及存储介质 | |
| CN117077679B (zh) | 命名实体识别方法和装置 | |
| Li et al. | Aligning open educational resources to new taxonomies: How AI technologies can help and in which scenarios | |
| CN114862141A (zh) | 基于画像关联性的课程推荐方法、装置、设备及存储介质 | |
| CN113254814A (zh) | 网络课程视频打标签方法、装置、电子设备及介质 | |
| CN112907155A (zh) | 评价学生作业产品的方法 | |
| CN112364068A (zh) | 课程标签生成方法、装置、设备及介质 | |
| CN114722280A (zh) | 基于用户画像的课程推荐方法、装置、设备及存储介质 | |
| CN115146064A (zh) | 意图识别模型优化方法、装置、设备及存储介质 | |
| CN114741538A (zh) | 简历筛选方法及装置 | |
| Dogra | A Framework for an automatic evaluation of image description based on an image accessibility guideline | |
| CN114722200A (zh) | 导师推荐方法、装置、设备及存储介质 | |
| CN113486266B (zh) | 页面标签添加方法、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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220805 |
|
| WW01 | Invention patent application withdrawn after publication |