CN116228483B - 基于量子驱动的学习路径推荐方法及装置 - Google Patents
基于量子驱动的学习路径推荐方法及装置 Download PDFInfo
- Publication number
- CN116228483B CN116228483B CN202310498564.1A CN202310498564A CN116228483B CN 116228483 B CN116228483 B CN 116228483B CN 202310498564 A CN202310498564 A CN 202310498564A CN 116228483 B CN116228483 B CN 116228483B
- Authority
- CN
- China
- Prior art keywords
- learning
- courses
- course
- quantum
- data matrix
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000009471 action Effects 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims description 55
- 239000011159 matrix material Substances 0.000 claims description 47
- 238000004590 computer program Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013144 data compression Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 29
- 230000006870 function Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003993 interaction 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
- 239000002096 quantum dot Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
- G06N10/60—Quantum algorithms, e.g. based on quantum optimisation, quantum Fourier or Hadamard transforms
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及计算机技术领域，特别涉及一种基于量子驱动的学习路径推荐方法及装置，其中方法包括：获取已完成待推荐用户学习目标的其他用户的学习路径，并根据该其他用户的学习路径上包含的课程，生成课程集合；根据该其他用户的学习路径，确定课程集合中任意两个课程之间的学习顺序关系；将所述课程集合中的课程进行分组，使得每一个分组中的课程对所述学习目标所对应课程内容的覆盖度相近；在量子驱动作用下从每一个分组中选择一个课程，并将所选择的课程按照所述学习顺序关系形成推荐的学习路径。本方案，能够提高用户体验。
Description
技术领域
本发明实施例涉及计算机技术领域，特别涉及一种基于量子驱动的学习路径推荐方法及装置。
背景技术
课程学习平台上包含大量的在线课程，能够满足不同用户不同需求的课程学习。目前，用户在课程学习平台上输入学习目标，课程学习平台为用户检索出满足其学习目标的多个课程，用户在检索出的多个课程中自行选择若干个课程并按照随机顺序进行学习，自行决定的学习顺序可能会影响学习效果，进而影响用户体验。
发明内容
本发明实施例提供了一种基于量子驱动的学习路径推荐方法及装置，能够提高用户体验。
第一方面，本发明实施例提供了一种基于量子驱动的学习路径推荐方法，包括：
获取已完成待推荐用户学习目标的其他用户的学习路径，并根据该其他用户的学习路径上包含的课程，生成课程集合；
根据该其他用户的学习路径，确定所述课程集合中任意两个课程之间的学习顺序关系；
将所述课程集合中的课程进行分组，使得每一个分组中的课程对所述学习目标所对应课程内容的覆盖度相近；
在量子驱动作用下从每一个分组中选择一个课程，并将所选择的课程按照所述学习顺序关系形成推荐的学习路径。
第二方面，本发明实施例还提供了一种基于量子驱动的学习路径推荐装置，包括：
课程获取单元，用于获取已完成待推荐用户学习目标的其他用户的学习路径，并根据该其他用户的学习路径上包含的课程，生成课程集合；
顺序确定单元，用于根据该其他用户的学习路径，确定课程集合中任意两个课程之间的学习顺序关系；
分组单元，用于将所述课程集合中的课程进行分组，使得每一个分组中的课程对所述学习目标所对应课程内容的覆盖度相近；
路径生成单元，用于在量子驱动作用下从每一个分组中选择一个课程，并将所选择的课程按照所述学习顺序关系形成推荐的学习路径。
第三方面，本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本说明书任一实施例所述的方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本说明书任一实施例所述的方法。
本发明实施例提供了一种基于量子驱动的学习路径推荐方法及装置，通过获取已完成待推荐用户学习目标的其他用户的学习路径，由于学习路径上包含有该其他用户学习过的课程，因此可以得到用于满足待推荐用户学习目标的课程集合，另外，由于课程之间存在先后学习顺序的关联性，且学习效果受学习顺序关系的影响，因此，通过确定出课程集合中任意两个课程之间的学习顺序关系，以为后续学习路径的生成作为依据，提高学习路径的推荐准确性；进一步地，通过将课程集合中的课程进行分组，使得每一个分组中的课程对所述学习目标所对应课程内容的覆盖度相近，由于不同分组中的课程覆盖不同的课程内容，如此在进行课程选择时，从每一个分组中选择一个课程，使得课程组合的课程内容不重复；更进一步地，利用量子驱动作用进行课程选择，从而可以进一步提高课程选择的速度和准确性。可见，本方案，能够提高用户体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种基于量子驱动的学习路径推荐方法流程图；
图2是本发明一实施例提供的一种电子设备的硬件架构图；
图3是本发明一实施例提供的一种基于量子驱动的学习路径推荐装置结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参考图1，本发明实施例提供了一种基于量子驱动的学习路径推荐方法，该方法包括：
步骤100，获取已完成待推荐用户学习目标的其他用户的学习路径，并根据该其他用户的学习路径上包含的课程，生成课程集合；
步骤102，根据该其他用户的学习路径，确定所述课程集合中任意两个课程之间的学习顺序关系；
步骤104，将所述课程集合中的课程进行分组，使得每一个分组中的课程对所述学习目标所对应课程内容的覆盖度相近；
步骤106，在量子驱动作用下从每一个分组中选择一个课程，并将所选择的课程按照所述学习顺序关系形成推荐的学习路径。
本发明实施例中，通过获取已完成待推荐用户学习目标的其他用户的学习路径，由于学习路径上包含有该其他用户学习过的课程，因此可以得到用于满足待推荐用户学习目标的课程集合，另外，由于课程之间存在先后学习顺序的关联性，且学习效果受学习顺序关系的影响，因此，通过确定出课程集合中任意两个课程之间的学习顺序关系，以为后续学习路径的生成作为依据，提高学习路径的推荐准确性；进一步地，通过将课程集合中的课程进行分组，使得每一个分组中的课程对所述学习目标所对应课程内容的覆盖度相近，由于不同分组中的课程覆盖不同的课程内容，如此在进行课程选择时，从每一个分组中选择一个课程，使得课程组合的课程内容不重复；更进一步地，利用量子驱动作用进行课程选择，从而可以进一步提高课程选择的速度和准确性。可见，本方案，能够提高用户体验。
下面描述图1所示的各个步骤的执行方式。
首先，针对步骤100，获取已完成待推荐用户学习目标的其他用户的学习路径，并根据该其他用户的学习路径上包含的课程，生成课程集合。
本发明实施例中，学习目标可以作为检索条件输入到课程学习平台上，比如，该学习目标是中级经济师、雅思等。用户将学习目标输入到课程学习平台进行检索，课程学习平台可在课程库中检索与学习目标相关的课程。为了提高课程与学习目标的匹配度，可以利用课程学习平台中已完成待推荐用户学习目标的其他用户的学习路径，确定满足待推荐用户学习目标的课程。
其中，在确定该已完成待推荐用户学习目标的其他用户时，可以预先存储每一个注册用户在课程学习平台上的检索记录和学习记录，根据存储信息将检索学习目标并完成相应课程学习的注册用户作为已完成待推荐用户学习目标的其他用户，并获取存储的该其他用户的学习路径。
由于学习路径中可能包含其他学习目标的课程，因此可以先进行课程筛选，以得到筛选后的与待推荐用户学习目标相匹配的学习路径。并利用筛选后的学习路径上包含的课程进行组合，得到课程集合。
然后，针对步骤102，根据该其他用户的学习路径，确定课程集合中任意两个课程之间的学习顺序关系。
考虑到相同课程之间采用不同学习顺序进行课程学习的学习效果可能不同，且课程内容之间存在基础关系，即一个课程需要在前学习作为课程基础，另一个课程需要在后学习，才能够基于课程基础更容易掌握在后学习的课程内容。因此，需要确定课程集合中任意两个课程之间的学习顺序关系。
一个实现方式中，可以按照课程内容的覆盖范围进行先后顺序的确定。但是，某些学习目标的课程中，可能不存在覆盖范围的先后顺序，因此，本发明另一个实施例中，可以通过如下方式确定课程集合中任意两个课程之间的学习顺序关系：
针对任意两个课程，均执行：确定该其他用户的学习路径中是否存在包含该两个课程的目标学习路径；若存在，则根据所述目标学习路径上该两个课程的顺序，确定该两个课程之间存在的学习顺序关系；若不存在，则根据该两个课程分别在相应学习路径中的平均位置数，确定该两个课程的学习顺序关系。
具体地，若存在目标学习路径包含该两个课程，并进一步判断各目标学习路径上该两个课程的学习顺序关系是否相同，若不相同，则可以按照数量更多先后顺序确定该两个课程的学习顺序关系，比如，针对课程1和课程2，有两条目标学习路径上是先课程1后课程2，有一条目标学习路径上是先课程2后课程1，则将先课程1后课程2确定为课程1和课程2的学习顺序关系，若不同先后顺序所具有的目标学习路径的数量相等，比如，有一条目标学习路径上是先课程1后课程2，有一条目标学习路径上是先课程2后课程1，则进一步利用相应目标学习路径对学习目标的考核结果进行判定，依据考核结果更好的那条目标学习路径来确定课程1和课程2的学习顺序关系。
具体地，在根据该两个课程分别在相应学习路径中的平均位置数，确定该两个课程的学习顺序关系时，将平均位置数更小的课程排序在平均位置数更大的课程之前。
接下来，针对步骤104，将所述课程集合中的课程进行分组，使得每一个分组中的课程对所述学习目标所对应课程内容的覆盖度相近。
在实际应用中，完成学习目标所需的课程内容较多，且满足用户学习目标的多个课程中存在覆盖相同课程内容的课程，因此，为了避免推荐的课程路径中存在重复课程，可以将课程集合中的课程进行分组，使得每一个分组中的课程对所述学习目标所需课程内容的覆盖度相近。其中，可以通过设定覆盖度阈值的方式进行课程分组，若某个课程所覆盖课程内容与该分组中其他任意一个课程所覆盖课程内容的差距小于该覆盖度阈值，则可以将该课程划分到该分组内。
具体地，可以按照课程的课程信息进行分组。该课程信息可以至少可以包括课程标题、课程简介和课程课件中的一种或多种。
通过将课程集合中的课程进行分组，使得从每一个分组中随机选择一个课程，得到的多个课程能够完整覆盖学习目标所需的课程内容，从而可以提高学习效果。
最后，针对步骤106，在量子驱动作用下从每一个分组中选择一个课程，并将所选择的课程按照所述学习顺序关系形成推荐的学习路径。
本发明实施例中，为了提高学习路径中所选择课程的学习效果，提高用户体验，该在量子驱动作用下从每一个分组中选择一个课程，具体可以包括如下步骤A1-A2：
A1、基于量子计算对每一个分组中的课程分别进行可选性评估类别的划分；
A2、基于划分结果从每一个分组的可选性评估最高的类别中进行课程选择。
通过对分组中的课程进行可选性评估类别的划分，如此可以确定每一个分组中哪些课程更值得选择，对用户的学习效果更好，进而可以提高用户体验。
由于传统聚类算法容易受异常点的影响，且对于大数据量的处理速度较慢，且对大数据量的处理准确率也不能得到保证，因此，本发明实施例中，可以利用更加快速、更加准确的量子聚类算法实现对课程的可选性评估类别的划分。
在利用量子聚类算法对课程的可选性评估类别进行划分之前，需要确定每一个课程的可选性评估数据，以为类别划分提供数据依据，具体地，还可以包括：基于影响课程选择的多个评估因素和针对课程设置的多个可选性评估类别，计算每一个课程的评估因素对可选性评估类别的隶属度，以得到用于进行可选性评估的数据矩阵。
其中，评估因素是指用于影响课程选择的因素，比如，该评估因素可以为被学习次数、已完成学习目标的其他用户的考核成绩等；可选性评估类别至少可以为两个，比如，可选性评估类别为优秀、良好、一般等。
本发明实施例中，隶属度矩阵是由每一个评估因素对于每一个可选性评估类别的隶属度构成的，且每一个隶属度均需要通过相应设定的分段函数来计算。隶属度的计算可以通过已有方案来实现，本实施例对此不作赘述。
本发明一个实施例中，在得到每一个课程的数据矩阵之后，可以将每一个课程的数据矩阵作为一个待聚类的数据矩阵，每一个分组在进行聚类时的方式相同，以其中一个分组为例，假设该分组中包括N个待聚类的数据矩阵，将该N个待聚类的数据矩阵用数据集 表示，数据集中每一个数据矩阵的维度为D，需要的聚类个数为k。那么，上述步骤A1可以包括：
A11、对所述数据矩阵进行量子主成分提取；
A12、利用提取的量子主成分选取与k个可选性评估类别一一对应的k个聚类中心，以根据数据矩阵与k个聚类中心的距离，将该分组中每一个课程划分至相应聚类中心所对应的可选性评估类别中；k为不小于2的整数。
具体地，上述步骤A11可以包括：
A111、对待聚类的数据矩阵进行奇异值分解，利用设定阈值对分解的奇异值进行减法操作，并基于减法操作后得到的奇异值中大于所述设定阈值的目标奇异值，得到数据压缩后的数据矩阵的奇异值分解形式；
具体地，可以先根据待聚类的数据矩阵准备量子态：
其中，为产生的初始态；L为角量子数、C为磁量子数、B为主量子数，/>为第i个数据矩阵中的第j个维度的数据信息,/>为X的范数。
对准备的量子态进行奇异值分解，并附加量子位，执行幺正操作的相位估计，得到如下量子态：
其中，存储着数据矩阵的左奇异向量，/>存储着数据矩阵的右奇异向量，N为待聚类的数据矩阵个数。
在利用设定阈值对分解的奇异值进行减法操作时，具体可以定义，并执行D个受控酉操作/>，以完成对分解的奇异值的减法操作。其中，/>为对第j个奇异值/>进行减法操作后得到的奇异值，/>为所述设定阈值，D为所述数据矩阵的初始维度。其中，/>。
在进行减法操作后，确定减法操作后得到的奇异值中大于所述设定阈值的目标奇异值，可以得到数据压缩后的数据矩阵的奇异值分解形式。即得到如下量子态：
以上量子态中，即为提取出的d维主成分。
A112、利用所述设定阈值对所述目标奇异值进行还原，提取得到所述数据矩阵的量子主成分。
但是，目前提取的主成分数据是执行了减法操作后的奇异值对应的数据点，在选取聚类中心时，需要选取原始数据作为聚类中心，因此需要目标奇异值进行还原，才能不影响最终的聚类效果。
因此，在利用设定阈值对所述目标奇异值进行还原时，具体可以定义，并执行d个受控酉操作/>，以完成对目标奇异值的还原；其中，该公式中的/>为基于减法操作后得到的奇异值中大于设定阈值的目标奇异值；
其中，为将奇异值/>还原后的奇异值，d为提取的量子主成分的维度，d、D均为正整数，且/>。
如此，可以提取得到所述数据矩阵的量子主成分为：
这样，就将D维数据压缩成了带有d维度主成分的数据。
进一步地，在利用提取的量子主成分选取与k个可选性评估类别一一对应的k个聚类中心时，具体可以使用薛定谔方程表示所述量子主成分中的数据点的分布，进而求解出势函数，以从势函数中选取出k个最小值作为聚类中心。
更进一步地，在根据数据矩阵与k个聚类中心的距离，将该分组中每一个课程划分至相应聚类中心所对应的可选性评估类别中时，可以通过计算指数距离作为数据矩阵与聚类中心的距离，并利用最小值搜索算法搜索到距离最小值，从而完成数据矩阵向影响可选性评估类别的划分。
以某个分组中的多个课程1~课程10为例，其中，可选性评估类别“优秀”包括课程1和课程2，可选性评估类别“良好”包括课程3、课程4和课程5，可选性评估类别“一般”包括课程6、课程7、课程8、课程9和课程10。
在本发明一个实施例中，为了进一步提高推荐的学习路径与学习目标的匹配度，在从每一个分组的可选性评估最高的类别中进行课程选择时，还可以预先计算课程集合中任意两个课程之间的组合粘性，进一步依据课程之间的组合粘性进行选择，以使课程组合中的多个课程的组合粘性最高。
考虑到课程学习效果往往与不同课程之间的组合有关，比如，不同老师所擅长讲解的课程内容可能不同，在某些课程组合中，这些课程的课程内容均是相应课程老师所擅长讲解的，如此，用户基于该课程组合，能够更加高效的学习到相应课程内容的知识点，从而提高学习效果。
一个实现方式中，针对课程集合中的任意两个课程，均可以通过如下方式确定该两个课程之间的组合粘性：确定其他用户的学习路径上是否存在该两个课程，若存在，则根据存在该两个课程的学习路径的数量计算该两个课程之间的组合粘性；若不存在，将该两个课程的组合粘性确定为0。
其中，在计算该两个课程之间的组合粘性时，至少可以通过如下三个方式来计算：
方式一、将存在该两个课程的学习路径的数量作为该两个课程之间的组合粘性；
方式二、将存在该两个课程的学习路径的数量与已完成学习目标的其他用户的学习路径的总数量的比值，作为该两个课程之间的组合粘性；
方式三、基于存在该两个课程的学习路径所对应其他用户对该学习目标的考核结果，为该学习路径配置相应的权值，将存在该两个课程的学习路径的权值之和作为该两个课程之间的组合粘性；考核结果的高低与权值大小为正相关。
可见，存在该两个课程的学习路径的数量越多，其组合粘性越高。并且，当组合粘性与用户对学习目标的考核结果相关联后，也就更加表明组合粘性越高的两个课程进行组合后，能够对学习目标带来更正面的学习效果。
在确定课程组合所对应的组合粘性时，可以针对课程组合中的若干个课程，分别计算两两课程之间的组合粘性，并计算组合粘性之和，将最高组合粘性之和所选择的若干个课程作为最终选择的课程，作为为待推荐用户推荐的课程组合。进一步利用课程组合中两个课程之间的学习顺序关系，形成推荐的学习路径。
如图2、图3所示，本发明实施例提供了一种基于量子驱动的学习路径推荐装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图2所示，为本发明实施例提供的一种基于量子驱动的学习路径推荐装置所在电子设备的一种硬件架构图，除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图3所示，作为一个逻辑意义上的装置，是通过其所在电子设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。本实施例提供的一种基于量子驱动的学习路径推荐装置，包括：
课程获取单元301，用于获取已完成待推荐用户学习目标的其他用户的学习路径，并根据该其他用户的学习路径上包含的课程，生成课程集合；
顺序确定单元302，用于根据该其他用户的学习路径，确定课程集合中任意两个课程之间的学习顺序关系；
分组单元303，用于将所述课程集合中的课程进行分组，使得每一个分组中的课程对所述学习目标所对应课程内容的覆盖度相近；
路径生成单元304，用于在量子驱动作用下从每一个分组中选择一个课程，并将所选择的课程按照所述学习顺序关系形成推荐的学习路径。
在本发明一个实施例中，所述顺序确定单元，具体用于针对任意两个课程，均执行：确定该其他用户的学习路径中是否存在包含该两个课程的目标学习路径；若存在，则根据所述目标学习路径上该两个课程的顺序，确定该两个课程之间存在的学习顺序关系；若不存在，则根据该两个课程分别在相应学习路径中的平均位置数，确定该两个课程的学习顺序关系。
在本发明一个实施例中，所述路径生成单元，在量子驱动作用下从每一个分组中选择一个课程时，具体包括：基于量子计算对每一个分组中的课程分别进行可选性评估类别的划分；基于划分结果从每一个分组的可选性评估最高的类别中进行课程选择。
在本发明一个实施例中，所述路径生成单元还用于基于影响课程选择的多个评估因素和针对课程设置的多个可选性评估类别，计算每一个课程的评估因素对可选性评估类别的隶属度，以得到用于进行可选性评估的数据矩阵；
所述路径生成单元在基于量子计算对每一个分组中的课程分别进行可选性评估类别的划分时，具体包括：对所述数据矩阵进行量子主成分提取；利用提取的量子主成分选取与k个可选性评估类别一一对应的k个聚类中心，以根据数据矩阵与k个聚类中心的距离，将该分组中每一个课程划分至相应聚类中心所对应的可选性评估类别中；k为不小于2的整数。
在本发明一个实施例中，所述路径生成单元在对所述数据矩阵进行量子主成分提取时，具体包括：对待聚类的数据矩阵进行奇异值分解，利用设定阈值对分解的奇异值进行减法操作，并基于减法操作后得到的奇异值中大于所述设定阈值的目标奇异值，得到数据压缩后的数据矩阵的奇异值分解形式；利用所述设定阈值对所述目标奇异值进行还原，提取得到所述数据矩阵的量子主成分。
在本发明一个实施例中，所述路径生成单元在执行所述利用设定阈值对分解的奇异值进行减法操作时，具体包括：
定义，并执行D个受控酉操作，以完成对分解的奇异值的减法操作；
其中，为对第j个奇异值/>进行减法操作后得到的奇异值，/>为所述设定阈值，D为所述数据矩阵的初始维度；
在本发明一个实施例中，所述路径生成单元在执行所述利用所述设定阈值对所述目标奇异值进行还原时，具体包括：
定义，并执行d个受控酉操作，以完成对目标奇异值的还原；
其中，为将奇异值/>还原后得到的奇异值，d为提取的量子主成分的维度，d、D均为正整数，且/>。
可以理解的是，本发明实施例示意的结构并不构成对一种基于量子驱动的学习路径推荐装置的具体限定。在本发明的另一些实施例中，一种基于量子驱动的学习路径推荐装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本发明任一实施例中的一种基于量子驱动的学习路径推荐方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在被处理器执行时，使所述处理器执行本发明任一实施例中的一种基于量子驱动的学习路径推荐方法。
具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机（或CPU或MPU）读出并执行存储在存储介质中的程序代码。
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘（如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW）、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个…”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
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，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种基于量子驱动的学习路径推荐方法，其特征在于，包括：
获取已完成待推荐用户学习目标的其他用户的学习路径，并根据该其他用户的学习路径上包含的课程，生成课程集合；
根据该其他用户的学习路径，确定所述课程集合中任意两个课程之间的学习顺序关系；
将所述课程集合中的课程进行分组，使得每一个分组中的课程对所述学习目标所对应课程内容的覆盖度相近；
在量子驱动作用下从每一个分组中选择一个课程，并将所选择的课程按照所述学习顺序关系形成推荐的学习路径；
所述在量子驱动作用下从每一个分组中选择一个课程，包括：基于量子计算对每一个分组中的课程分别进行可选性评估类别的划分；基于划分结果从每一个分组的可选性评估最高的类别中进行课程选择；
在所述基于量子计算对每一个分组中的课程分别进行可选性评估类别的划分之前，还包括：基于影响课程选择的多个评估因素和针对课程设置的多个可选性评估类别，计算每一个课程的评估因素对可选性评估类别的隶属度，以得到用于进行可选性评估的数据矩阵；
所述基于量子计算对每一个分组中的课程分别进行可选性评估类别的划分，包括：对所述数据矩阵进行量子主成分提取；利用提取的量子主成分选取与k个可选性评估类别一一对应的k个聚类中心，以根据数据矩阵与k个聚类中心的距离，将该分组中每一个课程划分至相应聚类中心所对应的可选性评估类别中；k为不小于2的整数；
所述对所述数据矩阵进行量子主成分提取，包括：对待聚类的数据矩阵进行奇异值分解，利用设定阈值对分解的奇异值进行减法操作，并基于减法操作后得到的奇异值中大于所述设定阈值的目标奇异值，得到数据压缩后的数据矩阵的奇异值分解形式；利用所述设定阈值对所述目标奇异值进行还原，提取得到所述数据矩阵的量子主成分；
所述利用设定阈值对分解的奇异值进行减法操作，包括：
定义，并执行D个受控酉操作/>，以完成对分解的奇异值的减法操作；
其中，为对第j个奇异值/>进行减法操作后得到的奇异值，/>为所述设定阈值，D为所述数据矩阵的初始维度；
所述利用所述设定阈值对所述目标奇异值进行还原，包括：
定义，并执行d个受控酉操作/>，以完成对目标奇异值的还原；
其中，为将奇异值/>还原后得到的奇异值，d为提取的量子主成分的维度，d、D均为正整数，且/>。
2.根据权利要求1所述的方法，其特征在于，所述根据该其他用户的学习路径，确定所述课程集合中任意两个课程之间的学习顺序关系，包括：
针对任意两个课程，均执行：确定该其他用户的学习路径中是否存在包含该两个课程的目标学习路径；若存在，则根据所述目标学习路径上该两个课程的顺序，确定该两个课程之间存在的学习顺序关系；若不存在，则根据该两个课程分别在相应学习路径中的平均位置数，确定该两个课程的学习顺序关系。
3.一种基于量子驱动的学习路径推荐装置，其特征在于，包括：
课程获取单元，用于获取已完成待推荐用户学习目标的其他用户的学习路径，并根据该其他用户的学习路径上包含的课程，生成课程集合；
顺序确定单元，用于根据该其他用户的学习路径，确定所述课程集合中任意两个课程之间的学习顺序关系；
分组单元，用于将所述课程集合中的课程进行分组，使得每一个分组中的课程对所述学习目标所对应课程内容的覆盖度相近；
路径生成单元，用于在量子驱动作用下从每一个分组中选择一个课程，并将所选择的课程按照所述学习顺序关系形成推荐的学习路径；
所述路径生成单元，在量子驱动作用下从每一个分组中选择一个课程时，具体包括：基于量子计算对每一个分组中的课程分别进行可选性评估类别的划分；基于划分结果从每一个分组的可选性评估最高的类别中进行课程选择；
所述路径生成单元还用于基于影响课程选择的多个评估因素和针对课程设置的多个可选性评估类别，计算每一个课程的评估因素对可选性评估类别的隶属度，以得到用于进行可选性评估的数据矩阵；
所述路径生成单元在基于量子计算对每一个分组中的课程分别进行可选性评估类别的划分时，具体包括：对所述数据矩阵进行量子主成分提取；利用提取的量子主成分选取与k个可选性评估类别一一对应的k个聚类中心，以根据数据矩阵与k个聚类中心的距离，将该分组中每一个课程划分至相应聚类中心所对应的可选性评估类别中；k为不小于2的整数；
所述路径生成单元在对所述数据矩阵进行量子主成分提取时，具体包括：对待聚类的数据矩阵进行奇异值分解，利用设定阈值对分解的奇异值进行减法操作，并基于减法操作后得到的奇异值中大于所述设定阈值的目标奇异值，得到数据压缩后的数据矩阵的奇异值分解形式；利用所述设定阈值对所述目标奇异值进行还原，提取得到所述数据矩阵的量子主成分；
所述路径生成单元在执行所述利用设定阈值对分解的奇异值进行减法操作时，具体包括：
定义，并执行D个受控酉操作/>，以完成对分解的奇异值的减法操作；
其中，为对第j个奇异值/>进行减法操作后得到的奇异值，/>为所述设定阈值，D为所述数据矩阵的初始维度；
所述路径生成单元在执行所述利用所述设定阈值对所述目标奇异值进行还原时，具体包括：
定义，并执行d个受控酉操作/>，以完成对目标奇异值的还原；
其中，为将奇异值/>还原后得到的奇异值，d为提取的量子主成分的维度，d、D均为正整数，且/>。
4.根据权利要求3所述的装置，其特征在于，所述顺序确定单元，具体用于针对任意两个课程，均执行：确定该其他用户的学习路径中是否存在包含该两个课程的目标学习路径；若存在，则根据所述目标学习路径上该两个课程的顺序，确定该两个课程之间存在的学习顺序关系；若不存在，则根据该两个课程分别在相应学习路径中的平均位置数，确定该两个课程的学习顺序关系。
5.一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-2中任一项所述的方法。
6.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-2中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310498564.1A CN116228483B (zh) | 2023-05-06 | 2023-05-06 | 基于量子驱动的学习路径推荐方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310498564.1A CN116228483B (zh) | 2023-05-06 | 2023-05-06 | 基于量子驱动的学习路径推荐方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116228483A CN116228483A (zh) | 2023-06-06 |
| CN116228483B true CN116228483B (zh) | 2023-07-21 |
Family
ID=86569747
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310498564.1A Active CN116228483B (zh) | 2023-05-06 | 2023-05-06 | 基于量子驱动的学习路径推荐方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116228483B (zh) |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017178698A1 (en) * | 2016-04-12 | 2017-10-19 | Acament Oy | Arrangement and method for online learning |
| CN106023015B (zh) * | 2016-05-18 | 2020-10-09 | 腾讯科技（深圳）有限公司 | 课程学习路径推荐方法及装置 |
| CN108595532A (zh) * | 2018-04-02 | 2018-09-28 | 三峡大学 | 一种法律文本的量子聚类系统及方法 |
| 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 |
| CN112214670B (zh) * | 2020-10-09 | 2024-09-17 | 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 |
| CN112632385B (zh) * | 2020-12-29 | 2023-09-22 | 中国平安人寿保险股份有限公司 | 课程推荐方法、装置、计算机设备及介质 |
-
2023
- 2023-05-06 CN CN202310498564.1A patent/CN116228483B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN116228483A (zh) | 2023-06-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bolón-Canedo et al. | Ensembles for feature selection: A review and future trends | |
| CN110598086A (zh) | 文章推荐方法、装置、计算机设备及存储介质 | |
| US8812503B2 (en) | Information processing device, method and program | |
| CN111612039A (zh) | 异常用户识别的方法及装置、存储介质、电子设备 | |
| CN109902823B (zh) | 一种基于生成对抗网络的模型训练方法及设备 | |
| US20210182602A1 (en) | Flexible imputation of missing data | |
| CN114117213A (zh) | 一种推荐模型训练、推荐方法、装置、介质和设备 | |
| CN112395487A (zh) | 信息推荐方法、装置、计算机可读存储介质及电子设备 | |
| CN112733035A (zh) | 基于知识图谱的知识点推荐方法、装置、存储介质及电子装置 | |
| CN112070559A (zh) | 状态获取方法和装置、电子设备和存储介质 | |
| CN116958622A (zh) | 数据的分类方法、装置、设备、介质及程序产品 | |
| Lee et al. | Cover song identification using song-to-song cross-similarity matrix with convolutional neural network | |
| KR101745874B1 (ko) | 학습코스 자동 생성 방법 및 시스템 | |
| CN116228483B (zh) | 基于量子驱动的学习路径推荐方法及装置 | |
| CN113158022A (zh) | 业务推荐方法、装置、服务器及存储介质 | |
| CN111488903A (zh) | 基于特征权重的决策树特征选择方法 | |
| CN111177388A (zh) | 一种处理方法及计算机设备 | |
| CN116228484B (zh) | 基于量子聚类算法的课程组合方法及装置 | |
| US20240152818A1 (en) | Methods for mitigation of algorithmic bias discrimination, proxy discrimination and disparate impact | |
| CN115564578B (zh) | 欺诈识别模型生成方法 | |
| CN111081321B (zh) | 一种cns药物关键特征识别方法 | |
| CN116244426A (zh) | 地理功能区识别方法、装置、设备及存储介质 | |
| CN112733036A (zh) | 知识点推荐方法、装置、存储介质及电子装置 | |
| CN118114093B (zh) | 一种主数据处理方法、系统、设备及存储介质 | |
| CN117273259B (zh) | 在线课程学习路径推荐方法和装置 |
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 |