CN115757950B - 一种基于ai智能推荐的学习系统 - Google Patents

一种基于ai智能推荐的学习系统 Download PDF

Info

Publication number
CN115757950B
CN115757950B CN202211428070.8A CN202211428070A CN115757950B CN 115757950 B CN115757950 B CN 115757950B CN 202211428070 A CN202211428070 A CN 202211428070A CN 115757950 B CN115757950 B CN 115757950B
Authority
CN
China
Prior art keywords
course
recommendation
courses
user
labels
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.)
Active
Application number
CN202211428070.8A
Other languages
English (en)
Other versions
CN115757950A (zh
Inventor
陈家峰
秦曙光
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.)
Readboy Education Technology Co Ltd
Original Assignee
Readboy Education Technology 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 Readboy Education Technology Co Ltd filed Critical Readboy Education Technology Co Ltd
Priority to CN202211428070.8A priority Critical patent/CN115757950B/zh
Publication of CN115757950A publication Critical patent/CN115757950A/zh
Application granted granted Critical
Publication of CN115757950B publication Critical patent/CN115757950B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于AI智能推荐的学习系统,涉及个性化推荐技术领域,包括数据获取模块、标签创建模块、课程存储模块、智能推荐模块、数据计算模块以及匹配评估模块,本发明通过用户历史播放课程中的标签占比确定课程推荐集的筛选条件以筛选出符合条件的课程,根据用户对课程推荐集中课程的点击率以及已点击的课程的播放时长的分析结果确定课程推荐集以及课程推荐集中的课程是否符合匹配标准,并根据匹配性评估结果调整课程推荐集的筛选条件以形成更为符合用户偏好的课程推荐集向用户进行推荐,使得推荐课程与用户偏好保持精准匹配,进而保证了用户对推荐课程的利用率。

Description

一种基于AI智能推荐的学习系统
技术领域
本发明涉及个性化推荐技术领域,尤其涉及一种基于AI智能推荐的学习系统及方法。
背景技术
随着计算机技术的不断进步,线上教育蓬勃发展,学习者可以通过各种智能媒介随时随地进行在线学习,但现实情况却显示,学习者因为在搜索和选择课程上浪费了大量时间,从而降低了学习效率。智能推荐系统能够为学习者推荐合适的课程,减少学习者搜索和筛选课程的时间,使学习者可以集中精力在课程学习而非课程选择中。传统的课程推荐方法往往通过在线问卷的方式将学习者的偏好信息录入系统对学习者学习倾向进行课程匹配,推荐资源的利用率不高,推荐的准确度也较低。
中国专利公开号CN112632393A公开了课程推荐方法、装置及电子设备,该课程推荐方法包括:获取目标用户的学习目标信息;根据所述学习目标信息生成所述目标用户的第一学习课程;获取所述目标用户的学习记录;根据所述目标用户的学习记录对所述目标用户进行能力测试;根据所述目标用户的学习记录和能力测试结果对所述目标用户推荐第二学习课程。
该技术方案根据学习者学习目标信息对学习者进行一次课程推荐,根据学习者能力测试结果对学习者进行二次课程推荐,但并未对推荐课程与用户的匹配性进行评估,无法保证一次课程推荐是否为有效推荐,若一次课程推荐为无效推荐,则二次课程推荐也将失去意义,存在用户对推荐课程利用率低的问题。
发明内容
为此,本发明提供一种基于AI智能推荐的学习系统及方法,用以克服现有技术中推荐课程与用户的匹配性差造成推荐课程利用率低的问题。
为实现上述目的,本发明提供一种基于AI智能推荐的学习系统,包括:
数据获取模块,用以根据用户的历史播放记录获取用户对课程的浏览量、课程的点击量以及各课程的播放时长;
标签创建模块,其与所述数据获取模块相连,用以对提取到的各课程内容的关键字进行分析以对课程设置若干标签;
课程存储模块,其与所述标签创建模块相连,用以存储各所述课程以及与课程对应的标签;
智能推荐模块,其与所述课程存储模块相连,用以根据推荐集筛选规则对所述课程存储模块中的课程进行筛选以确定向用户推荐的课程推荐集;
数据计算模块,其分别与所述数据获取模块、所述课程存储模块以及所述智能推荐模块相连,用以对所述数据获取模块中获取的数据进行数据统计以计算单个课程的进度时长占比、单个课程的播放时长占比、单个标签的占比、推荐课程的点击率以及用户偏好集中度,
其中,所述进度时长占比根据单个课程的历史播放时长与单个所述课程的总时长计算,所述播放时长占比根据所述课程推荐集中已点击的课程的播放时长与所述课程推荐集中已点击的课程的总时长计算,所述单个标签的占比根据设定课程集中标签的数量与课程数量的比值计算,所述推荐课程的点击率根据课程推荐集的浏览量和课程推荐集的点击量计算,所述用户偏好集中度根据课程推荐集中数量最多的标签计算;
匹配评估模块,其分别与所述数据计算模块以及所述智能推荐模块相连,用以根据用户历史播放课程中的标签占比确定课程推荐集的筛选条件,并通过对所述课程推荐集中课程的点击率以及已点击的课程的播放时长的分析结果确定所述课程推荐集以及课程推荐集中的课程是否符合匹配标准,
其中,所述匹配评估模块在第一预设匹配条件根据所述用户偏好集中度的分析结果重新确定课程推荐集的筛选条件,所述第一预设匹配条件为判定所述课程推荐集不符合推荐集匹配标准或判定所述课程推荐集中的课程不符合课程匹配标准。
进一步地,所述匹配评估模块包括:
进度分析单元,其与所述数据获取模块以及所述数据计算模块相连,用以根据单个课程的进度时长占比确定单个所述课程的学习进度,以及,将对用户课程学习进度的判定结果传递至所述数据计算模块;
筛选条件分析单元,其与所述数据计算模块相连,用以根据用户历史播放课程中的标签占比分析结果确定一次推荐集的筛选条件,在第一预设匹配条件根据所述用户偏好集中度的分析结果确定二次推荐集的筛选条件,在第二预设匹配条件根据标签占比比值与预设占比比值的比对结果确定三次推荐集中课程的筛选条件;
其中,所述第二预设匹配条件为判定用户偏好存在波动;
推荐评估单元,其与所述数据计算模块以及所述智能推荐模块相连,用以根据用户对所述课程的点击率判定所述课程推荐集是否符合推荐集匹配标准,根据用户对所述课程的播放时长占比判定所述课程推荐集中的课程是否符合课程匹配标准,以及,根据用户在所述课程推荐集内已点击的课程的标签中数量占比最多的标签和用户历史点击过的课程的标签中数量占比最多的标签进行名称比对判定用户偏好是否存在波动。
进一步地,所述进度分析单元根据进度时长占比H与预设进度时长占比进行比对以确定单个课程的学习进度,其中,所述进度分析单元设置有第一预设进度时长占比H1和第二预设进度时长占比H2,0<H1<H2<1,设定H=h i/HI,h i为用户历史播放课程中单个课程的历史播放时长,HI为所述单个课程的总时长,
当H≤H1时,所述进度分析单元判定进度时长占比低于标准,所述进度分析单元将所述单个课程的学习进度记为未有效学习;
当H1<H<H2时,所述进度分析单元判定进度时长占比符合标准,所述进度分析单元将所述单个课程的学习进度记为学习中;
当H≥H2时,所述进度分析单元判定进度时长占比高于标准,所述进度分析单元将用户对所述单个课程的学习进度记为学习完成。
进一步地,所述筛选条件分析单元根据最大标签占比M确定向用户推荐的一次推荐集中课程的筛选条件,其中,所述筛选条件分析单元设置有预设标签占比M0,0.5≤M0<1,设定M=n1/N1,n1为用户历史播放课程中学习进度记为学习完成的课程的标签中数量最多的标签BQ11的标签数量,N1为所述学习完成的课程的数量,
当M≥M0时,所述筛选条件分析单元判定标签BQ11符合标签占比标准,所述智能推荐模块采用标签BQ11作为一次推荐集中课程的筛选条件;
当M<M0时,所述筛选条件分析单元判定标签BQ11不符合标签占比标准,所述智能推荐模块采用标签BQ11和标签BQ12分别作为一次推荐集中课程的筛选条件,其中,BQ12为用户历史播放课程中学习进度记为学习完成的课程的标签中数量次多的标签。
进一步地,所述推荐评估单元根据点击率Q与预设点击率Q0进行比对以判定所述课程推荐集是否符合推荐集匹配标准,其中,所述推荐评估单元设置有预设点击率Q0,0.8<Q0<1,设定Q=D/L,L为用户对课程推荐集中课程的浏览量,D为用户对所述课程推荐集中课程的点击量,
若Q≥Q0,所述推荐评估单元判定所述课程推荐集符合推荐集匹配标准;
若Q<Q0,所述推荐评估单元判定所述课程推荐集不符合推荐集匹配标准。
进一步地,所述推荐评估单元在第三预设匹配条件根据播放时长占比T与预设播放时长占比T0进行比对以判定所述课程推荐集中的课程是否符合课程匹配标准,其中,所述推荐评估单元设置有预设播放时长占比T0,设定T=t i/TI,t i为用户对所述课程推荐集中已点击的课程的播放时长,T I为用户对所述课程推荐集中已点击的课程的总课程时长,
若T≥T0,所述推荐评估单元判定所述课程推荐集中的课程符合课程匹配标准,并确定采用该课程推荐集对用户进行课程推荐;
若T<T0,所述推荐评估单元判定所述课程推荐集中的课程不符合课程匹配标准;
其中,所述第三预设匹配条件为判定所述课程推荐集符合推荐集匹配标准。
进一步地,所述筛选条件分析单元在第一预设匹配条件根据用户偏好集中度A确定向用户推荐的二次推荐集中课程的筛选条件,其中,所述筛选条件分析单元设置有第一预设用户偏好集中度A1以及第二预设用户偏好集中度A2,0<A1<A2<1,设定A=n2/N2,n2为用户在所述一次推荐集内已点击的课程的标签中剔除标签BQ11后数量最多的标签BQ21的标签数量,N2为所述一次推荐集中标签BQ11的标签数量,
当A≤A1时,所述筛选条件分析单元判定用户偏好集中度A低于标准,所述智能推荐模块采用标签BQ21、标签BQ22以及标签BQ23作为二次推荐集中课程的筛选条件,其中,BQ22为用户在所述一次推荐集内已点击的课程的标签中剔除标签BQ11后数量次多的标签,BQ23为用户在所述一次推荐集内已点击的课程的标签中剔除标签BQ11后数量第三多的标签;
当A1<A≤A2时,所述筛选条件分析单元判定用户偏好集中度A符合标准,所述智能推荐模块采用标签BQ21以及标签BQ22分别作为二次推荐集中课程的筛选条件;
当A2<A≤1时,所述筛选条件分析单元判定用户偏好集中度A高于标准,所述智能推荐模块采用标签BQ21作为二次推荐集中课程的筛选条件。
进一步地,所述推荐评估单元根据标签BQX和标签BQY进行名称比对判定用户偏好是否存在波动,其中,BQX为用户在所述二次推荐集内已点击的课程的标签中数量占比最多的标签,BQY为用户历史点击过的课程的标签中数量占比最多的标签,
若BQX与BQY标签名称相同,所述推荐评估单元判定用户偏好不存在波动,采用所述二次推荐集对用户进行课程推荐;
若BQX与BQY标签名称不同,所述推荐评估单元判定用户偏好存在波动。
进一步地,所述筛选条件分析单元在所述第二预设匹配条件根据占比比值△P与预设占比比值△P0进行比对确定向用户推荐的三次推荐集中课程的筛选条件,其中,所述筛选条件分析单元设置有预设占比比值△P0,0<△P0<1,设定△P=△NY/△NX,△NX为标签BQX的数量占比,△NY为标签BQY的数量占比,
当0<△P≤△P0时,所述筛选条件分析单元判定用户偏好波动低于标准,并采用标签BQX作为三次推荐集中课程的筛选条件;
当△P0<△P≤1时,所述筛选条件分析单元判定用户偏好波动符合标准,并采用标签BQX以及标签BQY分别作为三次推荐集中课程的筛选条件;
当△P>1时,所述筛选条件分析单元判定用户偏好波动高于标准,并采用标签BQY作为三次推荐集中课程的筛选条件。
进一步地,所述智能推荐模块设置有推荐集筛选规则和推荐集剔除规则,其中,
所述推荐集筛选规则设置为采用若干标签作为课程推荐集中课程的筛选条件以从所述课程储存模块中筛选具有指定标签的课程形成推荐集,其中,
若作为筛选条件的标签的数量为一个,则将筛选出的单个推荐集作为课程推荐集;
若作为筛选条件的标签的数量超过一个,则将筛选出的各所述推荐集进行合并以形成课程推荐集;
所述推荐集剔除规则设置为将学习进度记为学习完成的课程从所述课程推荐集中去除。
与现有技术相比,本发明的有益效果在于,本发明基于AI智能推荐的学习系统包括数据获取模块、标签创建模块、课程存储模块、智能推荐模块、数据计算模块以及匹配评估模块,通过对各课程内容的关键字分析对课程设置若干标签,根据用户历史播放课程中的标签占比确定课程推荐集的筛选条件以筛选出符合条件的课程,根据用户对课程推荐集中课程的点击率以及已点击的课程的播放时长的分析结果确定课程推荐集以及课程推荐集中的课程是否符合匹配标准,并根据匹配性评估结果调整课程推荐集的筛选条件以形成更为符合用户偏好的课程推荐集向用户进行推荐,本发明系统通过用户对课程的点击偏好确定用户偏好的课程的标签,并根据用户偏好的课程标签形成相应课程推荐集向用户推送符合其偏好的课程,使得推荐课程与用户偏好保持精准匹配,进而保证了用户对推荐课程的利用率。
进一步地,匹配评估模块包括进度分析单元、推荐评估单元以及筛选条件分析单元,进度分析单元根据单个课程的进度时长占比确定单个课程的学习进度以提供用户偏好筛选基础,筛选条件分析单元根据课程标签占比分析结果逐步细化课程推荐集的筛选条件以使课程推荐集中的课程更精准地匹配用户偏好,推荐评估单元根据用户对课程的点击率、课程的播放时长以及用户在不同条件下点击过的课程的标签中数量占比最多的标签是否改变以确定用户偏好是否存在波动,保证了课程推荐集与用户偏好的匹配性,并为调整课程推荐集中的课程的筛选条件提供了基础。
进一步地,进度分析单元根据进度时长占比H与预设进度时长占比进行比对以确定单个课程的学习进度,为后续用户偏好课程的筛选提供了基础,保证了后续用户偏好课程筛选的有效性。
进一步地,筛选条件分析单元根据最大标签占比M确定向用户推荐的一次推荐集中课程的筛选条件,初步将用户学习完成的课程作为用户偏好,并根据用户学习完成的课程的标签的数量占比确定一次推荐集的筛选条件,保证了精准推荐,保证了一次推荐集与用户偏好的匹配性。
进一步地,推荐评估单元根据点击率Q与预设点击率Q0进行比对以判定课程推荐集是否符合推荐集匹配标准,通过用户对一次推荐集中课程的点击情况对一次推荐集与用户偏好进行匹配性评估,为后续调整课程推荐集提供了基础。
进一步地,推荐评估单元在第三预设匹配条件根据播放时长占比T与预设播放时长占比T0进行比对以判定课程推荐集中的课程是否符合课程匹配标准,通过用户对一次推荐集中课程的学习情况对一次推荐集中的课程与用户偏好进行匹配性评估,为后续调整课程推荐集中课程的筛选条件提供了基础。
进一步地,筛选条件分析单元在第一预设匹配条件根据用户偏好集中度A确定向用户推荐的二次推荐集中课程的筛选条件,进一步将用户在一次推荐集内点击的课程作为用户偏好,通过用户对一次推荐集内已点击课程的标签的数量占比确定二次推荐集的筛选条件,保证了进一步地精准推荐,保证了二次推荐集与用户偏好的匹配性。
进一步地,推荐评估单元根据标签BQX和标签BQY进行名称比对判定用户偏好是否存在波动,通过将用户在二次推荐集与历史记录中已点击的课程的标签中数量占比最多的标签进行名称比对确定用户偏好的课程标签是否发生改变,进而判定用户偏好是否发生波动,为后续调整课程推荐集中课程的筛选条件提供了基础。
进一步地,筛选条件分析单元在第二预设匹配条件根据占比比值△P与预设占比比值△P0进行比对确定向用户推荐的三次推荐集中课程的筛选条件,根据用户对新偏好的课程的标签的数量占比确定三次推荐集的筛选条件,保证了进一步地精准推荐,保证了三次推荐集与用户偏好的匹配性。
进一步地,智能推荐模块设置有推荐集筛选规则和推荐集剔除规则,采用若干标签作为课程推荐集中课程的筛选条件以从课程储存模块中筛选具有指定标签的课程形成推荐集,并将学习进度记为学习完成的课程从课程推荐集中去除,保证了课程推荐集中无重复课程且无用户已学习完成的课程,从而保证了课程推荐的有效性。
附图说明
图1为本发明基于AI智能推荐的学习系统的结构框图;
图2为本发明匹配评估模块的结构框图;
图3为本发明基于AI智能推荐的学习系统的课程推荐方法的步骤示意图。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
此外,还需要说明的是,在本发明的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1所示,其为本发明基于AI智能推荐的学习系统的结构框图,本发明提供一种基于AI智能推荐的学习系统,包括:
数据获取模块,用以根据用户的历史播放记录获取用户对课程的浏览量、课程的点击量以及各课程的播放时长;
标签创建模块,其与数据获取模块相连,用以对提取到的各课程内容的关键字进行分析以对课程设置若干标签;
课程存储模块,其与标签创建模块相连,用以存储各课程以及与课程对应的标签;
智能推荐模块,其与课程存储模块相连,用以根据推荐集筛选规则对课程存储模块中的课程进行筛选以确定向用户推荐的课程推荐集;
数据计算模块,其分别与数据获取模块、课程存储模块以及智能推荐模块相连,用以对数据获取模块中获取的数据进行数据统计以计算单个课程的进度时长占比、单个课程的播放时长占比、单个标签的占比、推荐课程的点击率以及用户偏好集中度,
其中,进度时长占比根据单个课程的历史播放时长与单个课程的总时长计算,播放时长占比根据课程推荐集中已点击的课程的播放时长与课程推荐集中已点击的课程的总时长计算,单个标签的占比根据设定课程集中标签的数量与课程数量的比值计算,推荐课程的点击率根据课程推荐集的浏览量和课程推荐集的点击量计算,用户偏好集中度根据课程推荐集中数量最多的标签计算;
匹配评估模块,其分别与数据计算模块以及智能推荐模块相连,用以根据用户历史播放课程中的标签占比确定课程推荐集的筛选条件,并通过对课程推荐集中课程的点击率以及已点击的课程的播放时长的分析结果确定课程推荐集以及课程推荐集中的课程是否符合匹配标准,
其中,匹配评估模块在第一预设匹配条件根据用户偏好集中度的分析结果重新确定课程推荐集的筛选条件,第一预设匹配条件为判定课程推荐集不符合推荐集匹配标准或判定课程推荐集中的课程不符合课程匹配标准。
可以理解的是,本发明标签创建模块通过对课程内容的语义识别提取到单个课程内容的关键字,再对关键字进行概括分析,以确定对该单个课程设置的若干标签,至于对于语义识别的方法和关键字的概括分析方法,本发明不作限定,可根据具体的应用场景进行设置,在此不作赘述。例如,对于一节内容为古诗讲解的课程,其标签根据课程内容可设置有:语文、唐代、古诗、李白、三年级。
本发明基于AI智能推荐的学习系统包括数据获取模块、标签创建模块、课程存储模块、智能推荐模块、数据计算模块以及匹配评估模块,通过对各课程内容的关键字分析对课程设置若干标签,根据用户历史播放课程中的标签占比确定课程推荐集的筛选条件以筛选出符合条件的课程,根据用户对课程推荐集中课程的点击率以及已点击的课程的播放时长的分析结果对课程推荐集以及课程推荐集中的课程作出匹配性评估,并根据匹配性评估结果调整课程推荐集的筛选条件以形成更为符合用户偏好的课程推荐集向用户进行推荐,本发明系统通过用户对课程的点击偏好确定用户偏好的课程的标签,并根据用户偏好的课程标签形成相应课程推荐集向用户推送符合其偏好的课程,使得推荐课程与用户偏好保持精准匹配,进而保证了用户对推荐课程的利用率。
请参阅图2所示,其为本发明匹配评估模块的结构框图,匹配评估模块包括:
进度分析单元,其与数据获取模块以及数据计算模块相连,用以根据单个课程的进度时长占比确定单个课程的学习进度,以及,将对用户课程学习进度的判定结果传递至数据计算模块;
筛选条件分析单元,其与数据计算模块相连,用以根据用户历史播放课程中的标签占比分析结果确定一次推荐集的筛选条件,在第一预设匹配条件根据用户偏好集中度的分析结果确定二次推荐集的筛选条件,在第二预设匹配条件根据标签占比比值与预设占比比值的比对结果确定三次推荐集中课程的筛选条件;
其中,第二预设匹配条件为判定用户偏好存在波动;
推荐评估单元,其与数据计算模块以及智能推荐模块相连,用以根据用户对课程的点击率判定课程推荐集是否符合推荐集匹配标准,根据用户对课程的播放时长占比判定课程推荐集中的课程是否符合课程匹配标准,以及,根据用户在课程推荐集内已点击的课程的标签中数量占比最多的标签和用户历史点击过的课程的标签中数量占比最多的标签进行名称比对判定用户偏好是否存在波动。
本发明匹配评估模块包括进度分析单元、推荐评估单元以及筛选条件分析单元,进度分析单元根据单个课程的进度时长占比确定单个课程的学习进度以提供用户偏好筛选基础,筛选条件分析单元根据课程标签占比分析结果逐步细化课程推荐集的筛选条件以使课程推荐集中的课程更精准地匹配用户偏好,推荐评估单元根据用户对课程的点击率、课程的播放时长以及用户在不同条件下点击过的课程的标签中数量占比最多的标签是否改变以确定用户偏好是否存在波动,保证了课程推荐集与用户偏好的匹配性,并为调整课程推荐集中的课程的筛选条件提供了基础。
请继续参阅图1所示,进度分析单元根据进度时长占比H与预设进度时长占比进行比对以确定单个课程的学习进度,其中,进度分析单元设置有第一预设进度时长占比H1和第二预设进度时长占比H2,0<H1<H2<1,设定H=h i/HI,h i为用户历史播放课程中单个课程的历史播放时长,HI为单个课程的总时长,
当H≤H1时,进度分析单元判定进度时长占比低于标准,进度分析单元将单个课程的学习进度记为未有效学习;
当H1<H<H2时,进度分析单元判定进度时长占比符合标准,进度分析单元将单个课程的学习进度记为学习中;
当H≥H2时,进度分析单元判定进度时长占比高于标准,进度分析单元将用户对单个课程的学习进度记为学习完成。
本发明进度分析单元根据进度时长占比H与预设进度时长占比进行比对以确定单个课程的学习进度,为后续用户偏好课程的筛选提供了基础,保证了后续用户偏好课程筛选的有效性。
具体而言,筛选条件分析单元根据最大标签占比M确定向用户推荐的一次推荐集中课程的筛选条件,其中,筛选条件分析单元设置有预设标签占比M0,0.5≤M0<1,设定M=n1/N1,n1为用户历史播放课程中学习进度记为学习完成的课程的标签中数量最多的标签BQ11的标签数量,N1为学习完成的课程的数量,
当M≥M0时,筛选条件分析单元判定标签BQ11符合标签占比标准,智能推荐模块采用标签BQ11作为一次推荐集中课程的筛选条件;
当M<M0时,筛选条件分析单元判定标签BQ11不符合标签占比标准,智能推荐模块采用标签BQ11和标签BQ12分别作为一次推荐集中课程的筛选条件,其中,BQ12为用户历史播放课程中学习进度记为学习完成的课程的标签中数量次多的标签。
可以理解的是,本发明筛选条件分析单元根据最大标签占比M与预设标签占比M0的比对结果确定一次推荐集中课程的筛选条件,智能推荐单元在课程储存模块中将符合筛选条件的课程筛选出来形成一次推荐集。例如,用户历史播放课程中学习进度记为学习完成的课程的标签中数量最多的标签为语文,数量次多的标签为英语,若语文的数量占比大于等于预设标签占比M0,则一次推荐集中的课程仅包含具有语文标签的课程;若语文的数量占比小于预设标签占比M0,则一次推荐集中的课程既包含具有语文标签的课程,又包含具有英语标签的课程。
本发明筛选条件分析单元根据最大标签占比M确定向用户推荐的一次推荐集中课程的筛选条件,初步将用户学习完成的课程作为用户偏好,并根据用户学习完成的课程的标签的数量占比确定一次推荐集的筛选条件,保证了精准推荐,保证了一次推荐集与用户偏好的匹配性。
具体而言,推荐评估单元根据点击率Q与预设点击率Q0进行比对以判定课程推荐集是否符合推荐集匹配标准,其中,推荐评估单元设置有预设点击率Q0,0.8<Q0<1,设定Q=D/L,L为用户对课程推荐集中课程的浏览量,D为用户对课程推荐集中课程的点击量,
若Q≥Q0,推荐评估单元判定课程推荐集符合推荐集匹配标准;
若Q<Q0,推荐评估单元判定课程推荐集不符合推荐集匹配标准。
本发明推荐评估单元根据点击率Q与预设点击率Q0进行比对以判定课程推荐集是否符合推荐集匹配标准,通过用户对一次推荐集中课程的点击情况对一次推荐集与用户偏好进行匹配性评估,为后续调整课程推荐集提供了基础。
具体而言,推荐评估单元在第三预设匹配条件根据播放时长占比T与预设播放时长占比T0进行比对以判定课程推荐集中的课程是否符合课程匹配标准,其中,推荐评估单元设置有预设播放时长占比T0,设定T=t i/TI,t i为用户对课程推荐集中已点击的课程的播放时长,TI为用户对课程推荐集中已点击的课程的总课程时长,
若T≥T0,推荐评估单元判定课程推荐集中的课程符合课程匹配标准,并确定采用该课程推荐集对用户进行课程推荐;
若T<T0,推荐评估单元判定课程推荐集中的课程不符合课程匹配标准;
其中,第三预设匹配条件为判定课程推荐集符合推荐集匹配标准。
本发明推荐评估单元在第三预设匹配条件根据播放时长占比T与预设播放时长占比T0进行比对以判定课程推荐集中的课程是否符合课程匹配标准,通过用户对一次推荐集中课程的学习情况对一次推荐集中的课程与用户偏好进行匹配性评估,为后续调整课程推荐集中课程的筛选条件提供了基础。
具体而言,筛选条件分析单元在第一预设匹配条件根据用户偏好集中度A确定向用户推荐的二次推荐集中课程的筛选条件,其中,筛选条件分析单元设置有第一预设用户偏好集中度A1以及第二预设用户偏好集中度A2,0<A1<A2<1,设定A=n2/N2,n2为用户在一次推荐集内已点击的课程的标签中剔除标签BQ11后数量最多的标签BQ21的标签数量,N2为一次推荐集中标签BQ11的标签数量,
当A≤A1时,筛选条件分析单元判定用户偏好集中度A低于标准,智能推荐模块采用标签BQ21、标签BQ22以及标签BQ23作为二次推荐集中课程的筛选条件,其中,BQ22为用户在一次推荐集内已点击的课程的标签中剔除标签BQ11后数量次多的标签,BQ23为用户在一次推荐集内已点击的课程的标签中剔除标签BQ11后数量第三多的标签;
当A1<A≤A2时,筛选条件分析单元判定用户偏好集中度A符合标准,智能推荐模块采用标签BQ21以及标签BQ22分别作为二次推荐集中课程的筛选条件;
当A2<A≤1时,筛选条件分析单元判定用户偏好集中度A高于标准,智能推荐模块采用标签BQ21作为二次推荐集中课程的筛选条件。
可以理解的是,本发明筛选条件分析单元根据用户偏好集中度A与预设用户偏好集中度的比对结果确定二次推荐集中课程的筛选条件,智能推荐单元在课程储存模块中将符合筛选条件的课程筛选出来形成二次推荐集。例如,用户在一次推荐集内已点击的课程的标签中剔除语文标签后数量最多的标签为古诗,数量次多的标签为唐代,数量第三多的标签为李白,若古诗的数量占比小于等于预设用户偏好集中度A1,则二次推荐集中的课程既包含具有古诗标签的课程,又包含具有唐代标签的课程,还包含具有李白标签的课程;若古诗的数量占比大于预设用户偏好集中度A1且小于等于预设用户偏好集中度A2,则二次推荐集中的课程既包含具有古诗标签的课程,又包含具有唐代标签的课程;若古诗的数量占比大于预设用户偏好集中度A2且小于等于1,则二次推荐集中的课程仅包含具有古诗标签的课程。
本发明筛选条件分析单元在第一预设匹配条件根据用户偏好集中度A确定向用户推荐的二次推荐集中课程的筛选条件,进一步将用户在一次推荐集内点击的课程作为用户偏好,通过用户对一次推荐集内已点击课程的标签的数量占比确定二次推荐集的筛选条件,保证了进一步地精准推荐,保证了二次推荐集与用户偏好的匹配性。
具体而言,推荐评估单元根据标签BQX和标签BQY进行名称比对判定用户偏好是否存在波动,其中,BQX为用户在二次推荐集内已点击的课程的标签中数量占比最多的标签,BQY为用户历史点击过的课程的标签中数量占比最多的标签,
若BQX与BQY标签名称相同,推荐评估单元判定用户偏好不存在波动,采用二次推荐集对用户进行课程推荐;
若BQX与BQY标签名称不同,推荐评估单元判定用户偏好存在波动。
可以理解的是,本发明推荐评估单元根据用户在二次推荐集内已点击的课程的标签中数量占比最多的标签与用户历史点击过的课程的标签中数量占比最多的标签的名称比对结果判定用户偏好是否存在波动。例如,用户在二次推荐集内已点击的课程的标签中数量占比最多的标签为古诗,用户历史点击过的课程的标签中数量占比最多的标签也为古诗,则用户偏好不存在波动;用户在二次推荐集内已点击的课程的标签中数量占比最多的标签为古诗,用户历史点击过的课程的标签中数量占比最多的标签为英语,则用户偏好存在波动。
本发明推荐评估单元根据标签BQX和标签BQY进行名称比对判定用户偏好是否存在波动,通过将用户在二次推荐集与历史记录中已点击的课程的标签中数量占比最多的标签进行名称比对确定用户偏好的课程标签是否发生改变,进而判定用户偏好是否发生波动,为后续调整课程推荐集中课程的筛选条件提供了基础。
具体而言,筛选条件分析单元在第二预设匹配条件根据占比比值△P与预设占比比值△P0进行比对确定向用户推荐的三次推荐集中课程的筛选条件,其中,筛选条件分析单元设置有预设占比比值△P0,0<△P0<1,设定△P=△NY/△NX,△NX为标签BQX的数量占比,△NY为标签BQY的数量占比,
当0<△P≤△P0时,筛选条件分析单元判定用户偏好波动低于标准,并采用标签BQX作为三次推荐集中课程的筛选条件;
当△P0<△P≤1时,筛选条件分析单元判定用户偏好波动符合标准,并采用标签BQX以及标签BQY分别作为三次推荐集中课程的筛选条件;
当△P>1时,筛选条件分析单元判定用户偏好波动高于标准,并采用标签BQY作为三次推荐集中课程的筛选条件。
可以理解的是,本发明筛选条件分析单元根据用户在二次推荐集内已点击的课程的标签中数量最多的标签的数量占比与用户历史点击过的课程的标签中数量最多的标签的数量占比的占比比值△P与预设占比比值△P0确定三次推荐集中课程的筛选条件,智能推荐单元在课程储存模块中将符合筛选条件的课程筛选出来形成三次推荐集。例如,用户在二次推荐集内已点击的课程的标签中数量最多的标签为古诗,数量占比为△NX,用户历史点击过的课程的标签中数量最多的标签为英语,数量占比为△NY,△P=△NY/△NX,若占比比值△P大于0且小于等于预设占比比值△P0,则三次推荐集中的课程仅包含具有古诗标签的课程;若占比比值△P大于预设占比比值△P0且小于等于1,则二次推荐集中的课程既包含具有古诗标签的课程,又包含具有英语标签的课程;若占比比值△P大于1,则二次推荐集中的课程仅包含具有英语标签的课程。
本发明筛选条件分析单元在第二预设匹配条件根据占比比值△P与预设占比比值△P0进行比对确定向用户推荐的三次推荐集中课程的筛选条件,根据用户对新偏好的课程的标签的数量占比确定三次推荐集的筛选条件,保证了进一步地精准推荐,保证了三次推荐集与用户偏好的匹配性。
具体而言,智能推荐模块设置有推荐集筛选规则和推荐集剔除规则,其中,
推荐集筛选规则设置为采用若干标签作为课程推荐集中课程的筛选条件以从课程储存模块中筛选具有指定标签的课程形成推荐集,其中,
若作为筛选条件的标签的数量为一个,则将筛选出的单个推荐集作为课程推荐集;
若作为筛选条件的标签的数量超过一个,则将筛选出的各推荐集进行合并以形成课程推荐集;
推荐集剔除规则设置为将学习进度记为学习完成的课程从课程推荐集中去除。
本发明智能推荐模块设置有推荐集筛选规则和推荐集剔除规则,采用若干标签作为课程推荐集中课程的筛选条件以从课程储存模块中筛选具有指定标签的课程形成推荐集,并将学习进度记为学习完成的课程从课程推荐集中去除,保证了课程推荐集中无重复课程且无用户已学习完成的课程,从而保证了课程推荐的有效性。
请参阅图3所示,其为本发明基于AI智能推荐的学习系统的课程推荐方法的步骤示意图,本发明提供一种基于AI智能推荐的学习系统的课程推荐方法,包括:
步骤1,根据用户单个课程的历史播放时长确定单个课程的学习进度;
步骤2,筛选历史播放课程中学习进度记为学习完成的课程的标签中数量最多的标签BQ1,根据标签BQ1在历史播放课程中学习进度记为学习完成的课程的标签中的数量占比确定向用户推荐的一次推荐集中课程的筛选条件以确定一次推荐集并推送至用户;
步骤3,根据用户对推送的课程推荐集中课程的点击率判定课程推荐集是否符合推荐集匹配标准,若匹配,执行步骤4;若不匹配,跳转至步骤5;
步骤4,根据用户对课程推荐集中的已点击的课程的播放时长判定课程推荐集中的课程是否符合课程匹配标准,若匹配,确定采用该课程推荐集对用户进行课程推荐并跳转至步骤8;若不匹配,执行步骤5;
步骤5,根据用户偏好集中度确定向用户推荐的二次推荐集中课程的筛选条件;
步骤6,根据用户在课程推荐集内已点击的课程的标签中数量占比最多的标签BQX和用户历史点击过的课程的标签中数量占比最多的标签BQY进行名称比对判定用户偏好是否存在波动,若不存在波动,确定继续采用该课程推荐集对用户进行课程推荐并跳转至步骤8;若存在波动,执行步骤7;
步骤7,根据标签BQX的数量占比和标签BQY的数量占比的占比比值确定向用户推荐的三次推荐集中课程的筛选条件;
步骤8,采用符合课程匹配标准的课程推荐集对用户进行课程推荐。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例,并不用于限制本发明;对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于AI智能推荐的学习系统,其特征在于,包括:
数据获取模块,用以根据用户的历史播放记录获取用户对课程的浏览量、课程的点击量以及各课程的播放时长;
标签创建模块,其与所述数据获取模块相连,用以对提取到的各课程内容的关键字进行分析以对课程设置若干标签;
课程存储模块,其与所述标签创建模块相连,用以存储各所述课程以及与课程对应的标签;
智能推荐模块,其与所述课程存储模块相连,用以根据推荐集筛选规则对所述课程存储模块中的课程进行筛选以确定向用户推荐的课程推荐集;
数据计算模块,其分别与所述数据获取模块、所述课程存储模块以及所述智能推荐模块相连,用以对所述数据获取模块中获取的数据进行数据统计以计算单个课程的进度时长占比、单个课程的播放时长占比、单个标签的占比、推荐课程的点击率以及用户偏好集中度,
其中,所述进度时长占比根据单个课程的历史播放时长与单个所述课程的总时长计算,所述播放时长占比根据所述课程推荐集中已点击的课程的播放时长与所述课程推荐集中已点击的课程的总时长计算,所述单个标签的占比根据设定课程集中标签的数量与课程数量的比值计算,所述推荐课程的点击率根据课程推荐集的浏览量和课程推荐集的点击量计算,所述用户偏好集中度根据课程推荐集中数量最多的标签计算;
匹配评估模块,其分别与所述数据计算模块以及所述智能推荐模块相连,用以根据用户历史播放课程中的标签占比确定课程推荐集的筛选条件,并通过对所述课程推荐集中课程的点击率以及已点击的课程的播放时长的分析结果确定所述课程推荐集以及课程推荐集中的课程是否符合匹配标准,
其中,所述匹配评估模块在第一预设匹配条件根据所述用户偏好集中度的分析结果重新确定课程推荐集的筛选条件,所述第一预设匹配条件为判定所述课程推荐集不符合推荐集匹配标准或判定所述课程推荐集中的课程不符合课程匹配标准;
所述匹配评估模块包括:
进度分析单元,其与所述数据获取模块以及所述数据计算模块相连,用以根据单个课程的进度时长占比确定单个所述课程的学习进度,以及,将对用户课程学习进度的判定结果传递至所述数据计算模块;
筛选条件分析单元,其与所述数据计算模块相连,用以根据用户历史播放课程中的标签占比分析结果确定一次推荐集的筛选条件,在第一预设匹配条件根据所述用户偏好集中度的分析结果确定二次推荐集的筛选条件,在第二预设匹配条件根据标签占比比值与预设占比比值的比对结果确定三次推荐集中课程的筛选条件;
其中,所述第二预设匹配条件为判定用户偏好存在波动;
推荐评估单元,其与所述数据计算模块以及所述智能推荐模块相连,用以根据用户对所述课程的点击率判定所述课程推荐集是否符合推荐集匹配标准,根据用户对所述课程的播放时长占比判定所述课程推荐集中的课程是否符合课程匹配标准,以及,根据用户在所述课程推荐集内已点击的课程的标签中数量占比最多的标签和用户历史点击过的课程的标签中数量占比最多的标签进行名称比对判定用户偏好是否存在波动;
所述进度分析单元根据进度时长占比H与预设进度时长占比进行比对以确定单个课程的学习进度,其中,所述进度分析单元设置有第一预设进度时长占比H1和第二预设进度时长占比H2,0<H1<H2<1,设定H=hi/HI,hi为用户历史播放课程中单个课程的历史播放时长,HI为所述单个课程的总时长,
当H≤H1时,所述进度分析单元判定进度时长占比低于标准,所述进度分析单元将所述单个课程的学习进度记为未有效学习;
当H1<H<H2时,所述进度分析单元判定进度时长占比符合标准,所述进度分析单元将所述单个课程的学习进度记为学习中;
当H≥H2时,所述进度分析单元判定进度时长占比高于标准,所述进度分析单元将用户对所述单个课程的学习进度记为学习完成;
所述筛选条件分析单元根据最大标签占比M确定向用户推荐的一次推荐集中课程的筛选条件,其中,所述筛选条件分析单元设置有预设标签占比M0,0.5≤M0<1,设定M=n1/N1,n1为用户历史播放课程中学习进度记为学习完成的课程的标签中数量最多的标签BQ11的标签数量,N1为所述学习完成的课程的数量,
当M≥M0时,所述筛选条件分析单元判定标签BQ11符合标签占比标准,所述智能推荐模块采用标签BQ11作为一次推荐集中课程的筛选条件;
当M<M0时,所述筛选条件分析单元判定标签BQ11不符合标签占比标准,所述智能推荐模块采用标签BQ11和标签BQ12分别作为一次推荐集中课程的筛选条件,其中,BQ12为用户历史播放课程中学习进度记为学习完成的课程的标签中数量次多的标签。
2.根据权利要求1所述的基于AI智能推荐的学习系统,其特征在于,所述推荐评估单元根据点击率Q与预设点击率Q0进行比对以判定所述课程推荐集是否符合推荐集匹配标准,其中,所述推荐评估单元设置有预设点击率Q0,0.8<Q0<1,设定Q=D/L,L为用户对课程推荐集中课程的浏览量,D为用户对所述课程推荐集中课程的点击量,
若Q≥Q0,所述推荐评估单元判定所述课程推荐集符合推荐集匹配标准;
若Q<Q0,所述推荐评估单元判定所述课程推荐集不符合推荐集匹配标准。
3.根据权利要求2所述的基于AI智能推荐的学习系统,其特征在于,所述推荐评估单元在第三预设匹配条件根据播放时长占比T与预设播放时长占比T0进行比对以判定所述课程推荐集中的课程是否符合课程匹配标准,其中,所述推荐评估单元设置有预设播放时长占比T0,设定T=ti/TI,ti为用户对所述课程推荐集中已点击的课程的播放时长,TI为用户对所述课程推荐集中已点击的课程的总课程时长,
若T≥T0,所述推荐评估单元判定所述课程推荐集中的课程符合课程匹配标准,并确定采用该课程推荐集对用户进行课程推荐;
若T<T0,所述推荐评估单元判定所述课程推荐集中的课程不符合课程匹配标准;
其中,所述第三预设匹配条件为判定所述课程推荐集符合推荐集匹配标准。
4.根据权利要求3所述的基于AI智能推荐的学习系统,其特征在于,所述筛选条件分析单元在第一预设匹配条件根据用户偏好集中度A确定向用户推荐的二次推荐集中课程的筛选条件,其中,所述筛选条件分析单元设置有第一预设用户偏好集中度A1以及第二预设用户偏好集中度A2,0<A1<A2<1,设定A=n2/N2,n2为用户在所述一次推荐集内已点击的课程的标签中剔除标签BQ11后数量最多的标签BQ21的标签数量,N2为所述一次推荐集中标签BQ11的标签数量,
当A≤A1时,所述筛选条件分析单元判定用户偏好集中度A低于标准,所述智能推荐模块采用标签BQ21、标签BQ22以及标签BQ23作为二次推荐集中课程的筛选条件,其中,BQ22为用户在所述一次推荐集内已点击的课程的标签中剔除标签BQ11后数量次多的标签,BQ23为用户在所述一次推荐集内已点击的课程的标签中剔除标签BQ11后数量第三多的标签;
当A1<A≤A2时,所述筛选条件分析单元判定用户偏好集中度A符合标准,所述智能推荐模块采用标签BQ21以及标签BQ22分别作为二次推荐集中课程的筛选条件;
当A2<A≤1时,所述筛选条件分析单元判定用户偏好集中度A高于标准,所述智能推荐模块采用标签BQ21作为二次推荐集中课程的筛选条件。
5.根据权利要求4所述的基于AI智能推荐的学习系统,其特征在于,所述推荐评估单元根据标签BQX和标签BQY进行名称比对判定用户偏好是否存在波动,其中,BQX为用户在所述二次推荐集内已点击的课程的标签中数量占比最多的标签,BQY为用户历史点击过的课程的标签中数量占比最多的标签,
若BQX与BQY标签名称相同,所述推荐评估单元判定用户偏好不存在波动,采用所述二次推荐集对用户进行课程推荐;
若BQX与BQY标签名称不同,所述推荐评估单元判定用户偏好存在波动。
6.根据权利要求5所述的基于AI智能推荐的学习系统,其特征在于,所述筛选条件分析单元在所述第二预设匹配条件根据占比比值△P与预设占比比值△P0进行比对确定向用户推荐的三次推荐集中课程的筛选条件,其中,所述筛选条件分析单元设置有预设占比比值△P0,0<△P0<1,设定△P=△NY/△NX,△NX为标签BQX的数量占比,△NY为标签BQY的数量占比,
当0<△P≤△P0时,所述筛选条件分析单元判定用户偏好波动低于标准,并采用标签BQX作为三次推荐集中课程的筛选条件;
当△P0<△P≤1时,所述筛选条件分析单元判定用户偏好波动符合标准,并采用标签BQX以及标签BQY分别作为三次推荐集中课程的筛选条件;
当△P>1时,所述筛选条件分析单元判定用户偏好波动高于标准,并采用标签BQY作为三次推荐集中课程的筛选条件。
7.根据权利要求6所述的基于AI智能推荐的学习系统,其特征在于,所述智能推荐模块设置有推荐集筛选规则和推荐集剔除规则,其中,
所述推荐集筛选规则设置为采用若干标签作为课程推荐集中课程的筛选条件以从所述课程储存模块中筛选具有指定标签的课程形成推荐集,其中,
若作为筛选条件的标签的数量为一个,则将筛选出的单个推荐集作为课程推荐集;
若作为筛选条件的标签的数量超过一个,则将筛选出的各所述推荐集进行合并以形成课程推荐集;
所述推荐集剔除规则设置为将学习进度记为学习完成的课程从所述课程推荐集中去除。
CN202211428070.8A 2022-11-15 2022-11-15 一种基于ai智能推荐的学习系统 Active CN115757950B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211428070.8A CN115757950B (zh) 2022-11-15 2022-11-15 一种基于ai智能推荐的学习系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211428070.8A CN115757950B (zh) 2022-11-15 2022-11-15 一种基于ai智能推荐的学习系统

Publications (2)

Publication Number Publication Date
CN115757950A CN115757950A (zh) 2023-03-07
CN115757950B true CN115757950B (zh) 2023-09-26

Family

ID=85371268

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211428070.8A Active CN115757950B (zh) 2022-11-15 2022-11-15 一种基于ai智能推荐的学习系统

Country Status (1)

Country Link
CN (1) CN115757950B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117910994A (zh) * 2024-03-19 2024-04-19 浙江之科智慧科技有限公司 一种基于深度学习的课程推荐方法、系统与存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109801525A (zh) * 2017-11-17 2019-05-24 深圳市鹰硕技术有限公司 一种用于网络教学的师生多维匹配方法和系统
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
CN111859116A (zh) * 2020-06-19 2020-10-30 湖南师范大学 基于大数据和生涯规划的个性化课程推荐方法与装置
KR20200135892A (ko) * 2019-05-26 2020-12-04 소재현 사용자 맞춤형 학습 커리큘럼 추천 및 교육 컨텐츠 제공 시스템 및 방법
CN112749340A (zh) * 2021-01-19 2021-05-04 敖客星云(北京)科技发展有限公司 基于大数据的课程推荐方法、系统、移动终端及存储介质
CN114781832A (zh) * 2022-04-06 2022-07-22 平安科技(深圳)有限公司 课程推荐方法、装置、电子设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9984073B2 (en) * 2015-02-23 2018-05-29 D2L Corporation Systems and methods for motivation-based course selection

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109801525A (zh) * 2017-11-17 2019-05-24 深圳市鹰硕技术有限公司 一种用于网络教学的师生多维匹配方法和系统
KR20200135892A (ko) * 2019-05-26 2020-12-04 소재현 사용자 맞춤형 학습 커리큘럼 추천 및 교육 컨텐츠 제공 시스템 및 방법
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
CN111859116A (zh) * 2020-06-19 2020-10-30 湖南师范大学 基于大数据和生涯规划的个性化课程推荐方法与装置
CN112749340A (zh) * 2021-01-19 2021-05-04 敖客星云(北京)科技发展有限公司 基于大数据的课程推荐方法、系统、移动终端及存储介质
CN114781832A (zh) * 2022-04-06 2022-07-22 平安科技(深圳)有限公司 课程推荐方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于大数据和机器学习的大学生选课推荐模型研究;张海华;;信息系统工程(第04期);全文 *

Also Published As

Publication number Publication date
CN115757950A (zh) 2023-03-07

Similar Documents

Publication Publication Date Title
US8150822B2 (en) On-line iterative multistage search engine with text categorization and supervised learning
CN106855873B (zh) 网络问答系统、方法与计算机可读取记录媒体
US7313515B2 (en) Systems and methods for detecting entailment and contradiction
CN109165350A (zh) 一种基于深度知识感知的信息推荐方法和系统
CN106815297A (zh) 一种学术资源推荐服务系统与方法
EP2192500A2 (en) System and method for providing robust topic identification in social indexes
CN103299324A (zh) 使用潜在子标记来学习用于视频注释的标记
CN103870523A (zh) 通过分析内容确定上下文并且基于该上下文提供相关内容
CN106897363A (zh) 基于眼动追踪的文本推荐方法
JP2007172249A (ja) 文書分類プログラム、文書分類装置、および文書分類方法
CN111625715B (zh) 信息提取方法、装置、电子设备及存储介质
CN115757950B (zh) 一种基于ai智能推荐的学习系统
WO2005114505A2 (en) Task-based design evaluation
CN116860978B (zh) 基于知识图谱和大模型的小学语文个性化学习系统
CN109902229A (zh) 一种基于评论的可解释推荐方法
US20240086452A1 (en) Tracking concepts within content in content management systems and adaptive learning systems
US20230205832A1 (en) Generating diverse electronic summary documents for a landing page
CN110458600A (zh) 画像模型训练方法、装置、计算机设备及存储介质
CN118093839B (zh) 基于深度学习的知识运营问答对话处理方法及系统
CN114154054A (zh) 基于多头自注意神经机制的多模态新闻推荐方法及装置
KR102185733B1 (ko) 프로필 자동생성서버 및 방법
CN110706064A (zh) 菜品推荐信息的生成方法、装置、设备及存储介质
CN115935071A (zh) 知识点推荐方法、装置、存储介质及电子设备
CN115936939A (zh) 基于多偏好度的项目推荐方法及系统
CN113761081A (zh) 一种用于对企业信息进行多维度组合检索的方法及其系统

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