CN116228484B - 基于量子聚类算法的课程组合方法及装置 - Google Patents

基于量子聚类算法的课程组合方法及装置 Download PDF

Info

Publication number
CN116228484B
CN116228484B CN202310498570.7A CN202310498570A CN116228484B CN 116228484 B CN116228484 B CN 116228484B CN 202310498570 A CN202310498570 A CN 202310498570A CN 116228484 B CN116228484 B CN 116228484B
Authority
CN
China
Prior art keywords
course
courses
data matrix
quantum
group
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
CN202310498570.7A
Other languages
English (en)
Other versions
CN116228484A (zh
Inventor
王嘉诚
张少仲
张栩
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.)
Zhongcheng Hualong Computer Technology Co Ltd
Original Assignee
Zhongcheng Hualong Computer 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 Zhongcheng Hualong Computer Technology Co Ltd filed Critical Zhongcheng Hualong Computer Technology Co Ltd
Priority to CN202310498570.7A priority Critical patent/CN116228484B/zh
Publication of CN116228484A publication Critical patent/CN116228484A/zh
Application granted granted Critical
Publication of CN116228484B publication Critical patent/CN116228484B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • Y—GENERAL 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (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聚类算法的课程组合方法及装置，方法包括：将满足待推荐用户学习目标的多个课程进行分组，使得每一个分组中的课程对学习目标所对应课程内容的覆盖度相近；针对每一个分组，确定该分组中每一个课程用于进行可选性评估的数据矩阵，并对待聚类的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；根据每一个分组中划分的可选性评估类别，分别从每一个分组中选择一个课程，作为为待推荐用户推荐的课程组合。本方案，能够提高用户体验。

Description

基于量子聚类算法的课程组合方法及装置
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聚类算法的课程组合方法及装置。
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学习目标的课程学习。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进行学习。然而该方式选择的若干个课程，可能与学习目标的匹配度较差，且选择的若干个课程中可能存在内容重复的课程，导致用户体验较差。
发明内容
本发明实施例提供了一种基于量子聚类算法的课程组合方法及装置，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聚类算法的课程组合方法，包括：
将满足待推荐用户学习目标的多个课程进行分组，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；
针对每一个分组，确定该分组中每一个课程用于进行可选性评估的数据矩阵，并对待聚类的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；
根据每一个分组中划分的可选性评估类别，分别从每一个分组中选择一个课程，作为为所述待推荐用户推荐的课程组合。
第二方面，本发明实施例还提供了一种基于量子聚类算法的课程组合装置，包括：
分组单元，用于将满足待推荐用户学习目标的多个课程进行分组，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；
量子聚类单元，用于针对每一个分组，确定该分组中每一个课程用于进行可选性评估的数据矩阵，并对待聚类的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；
课程选择单元，用于根据每一个分组中划分的可选性评估类别，分别从每一个分组中选择一个课程，作为为所述待推荐用户推荐的课程组合。
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聚类算法的课程组合方法及装置，通过将多个课程进行分组，使得每一个分组中的课程对学习目标所需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；另外，由于量子计算具有并行性和叠加性特点，通过利用量子聚类算法对每一个分组中的课程进行可选性评估，能够快速准确的对分组中各课程进行可选性评估类别的分类，使得选择的课程组合更加匹配用户的学习目标。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聚类算法的课程组合方法流程图；
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聚类算法的课程组合装置结构图；
图4是本发明一实施例提供的另一种基于量子聚类算法的课程组合装置结构图；
图5是本发明一实施例提供的又一种基于量子聚类算法的课程组合装置结构图。
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聚类算法的课程组合方法，该方法包括：
步骤100，将满足待推荐用户学习目标的多个课程进行分组，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102，针对每一个分组，确定该分组中每一个课程用于进行可选性评估的数据矩阵，并对待聚类的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；
步骤104，根据每一个分组中划分的可选性评估类别，分别从每一个分组中选择一个课程，作为为所述待推荐用户推荐的课程组合。
本发明实施例中，通过将多个课程进行分组，使得每一个分组中的课程对学习目标所需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；另外，由于量子计算具有并行性和叠加性特点，通过利用量子聚类算法对每一个分组中的课程进行可选性评估，能够快速准确的对分组中各课程进行可选性评估类别的分类，使得选择的课程组合更加匹配用户的学习目标。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，将满足待推荐用户学习目标的多个课程进行分组，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。
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所有与学习目标相关的课程，并将检索出的相关课程确定为满足用户学习目标的多个课程。
考虑到课程学习平台中满足学习目标的课程量较大，且不同课程给用户带来的学习效果也会存在不同，因此，为了提高用户的学习效果，本发明一个实施例中，可以通过如下方式（A1-A2）获取满足待推荐用户学习目标的多个课程：
A1、确定已完成所述学习目标的其他用户针对所述学习目标选择的若干个课程；
首先，确定已完成该学习目标的其他用户。
具体地，确定在课程学习平台中搜索过该学习目标且已完成相应课程学习的注册用户，一个实现方式中，可以将确定的该注册用户作为已完成该学习目标的其他用户；另一个实现方式中，进一步通过对该注册用户进行问卷调查或信息反馈方式确定该注册用户对该学习目标的考核结果，比如考试成绩、学习效果评分等，将考核结果超过设定值的注册用户作为已完成该学习目标的其他用户，从而可以提高其他用户所学习课程的参考性。
然后，获取每一个其他用户在课程学习平台上完成的所有课程。
最后，将其他用户在课程学习平台上完成的所有课程中，与学习目标不相关的课程删除，得到该其他用户针对学习目标选择的若干个课程。
预先存储每一个注册用户在课程学习平台上完成的所有课程，然后根据确定的已完成该学习目标的其他用户，获取每一个其他用户在课程学习平台上完成的所有课程。进一步地，由于用户在课程学习平台上可以针对不同学习目标进行课程学习，因此，需要将与用户学习目标不相关的课程删除，以使得选择的课程与用户学习目标更加匹配。
A2、将其他用户选择的若干个课程进行组合，得到满足所述待推荐用户学习目标的多个课程。
由于不同的其他用户选择的若干个课程可能存在相同课程，也可能存在不同课程，因此，通过将各个其他用户选择的若干个课程进行组合，以将多个相同课程合并为一个课程，进而得到满足待推荐用户学习目标的多个课程的集合。举例来说，用户1选择的课程包括课程1、课程2和课程3，用户2选择的课程包括课程2、课程3和课程4，那么组合后得到的多个课程为课程1、课程2、课程3和课程4。
本发明实施例中，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。可见，为了提高用户学习效果，本发明一个实施例中，还可以包括：确定所述多个课程中任意两个课程之间的组合粘性，以利用所述组合粘性执行所述从每一个分组中选择一个课程，以使课程组合中的多个课程的组合粘性最高。
一个实现方式中，针对多个课程中的任意两个课程，均可以通过如下方式确定该两个课程之间的组合粘性：确定其他用户选择的若干个课程中是否存在该两个课程，若存在，则根据同时选择该两个课程的其他用户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、将同时选择该两个课程的其他用户的数量作为该两个课程之间的组合粘性；
方式二、将同时选择该两个课程的其他用户的数量与已完成学习目标的其他用户的总数量的比值，作为该两个课程之间的组合粘性；
方式三、基于同时选择该两个课程的其他用户对该学习目标的考核结果，为该其他用户配置相应的权值，将同时选择该两个课程的其他用户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，同时选择该两个课程的用户数量越多，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。
进一步地，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，为了避免课程组合中存在重复课程，可以将多个课程进行分组，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。
通过将多个课程进行分组，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。
然后，针对步骤102，针对每一个分组，确定该分组中每一个课程用于进行可选性评估的数据矩阵，并对待聚类的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，以根据数据矩阵的量子态和k个聚类中心的量子态的距离，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。
由于同一个分组中的课程对课程内容的覆盖度相近，且由于相同分组中的不同课程，对用户学习效果可能存在不同，为了提高用户学习效果，可以对每一个分组中的课程进行可选性评估，以根据可选性评估结果进行课程选择。
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。
为了能够实现对课程的可选性评估，需要确定每一个分组中每一个课程用于进行可选性评估的数据矩阵，具体地，可以包括：确定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；生成每一个课程的评估因素对可选性评估类别的隶属度矩阵，将隶属度矩阵作为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、学习该课程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。
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
Figure SMS_1
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。那么在对待聚类的数据矩阵进行量子主成分提取时，具体可以包括B1-B2：
B1、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
Figure SMS_2
：
Figure SMS_3
Figure SMS_4
其中，
Figure SMS_5
产生的初始态；L为角量子数、C为磁量子数、B为主量子数，/>
Figure SMS_6
为第i个数据矩阵中的第j个维度的数据信息,/>
Figure SMS_7
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
Figure SMS_8
：
Figure SMS_9
其中，
Figure SMS_10
存储着数据矩阵的左奇异向量，/>
Figure SMS_11
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
Figure SMS_12
，并执行D个受控酉操作/>
Figure SMS_13
，以完成对分解的奇异值的减法操作。其中，/>
Figure SMS_14
为对第j个奇异值/>
Figure SMS_15
进行减法操作后得到的奇异值，
Figure SMS_16
为所述设定阈值，D为所述数据矩阵的初始维度。其中，/>
Figure SMS_17
。
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
Figure SMS_18
：
Figure SMS_19
以上量子态中，
Figure SMS_20
即为提取出的d维主成分。
B2、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
Figure SMS_21
，并执行d个受控酉操作/>
Figure SMS_22
，以完成对目标奇异值的还原；其中，该公式中的/>
Figure SMS_23
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，/>
Figure SMS_24
。
其中，
Figure SMS_25
为将奇异值/>
Figure SMS_26
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/>
Figure SMS_27
。
如此，可以提取得到所述数据矩阵的量子主成分
Figure SMS_28
为：
Figure SMS_29
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。
最后，针对步骤104，根据每一个分组中划分的可选性评估类别，分别从每一个分组中选择一个课程，作为为所述待推荐用户推荐的课程组合。
本发明实施例中，由于每一个分组中均划分了可选性评估类别，在每一个分组中选择一个课程时，可以优先从可选性评估最高的类别中进行课程选择。
本发明一个实施例中，当步骤100中，确定了任意两个课程之间的组合粘性，为了进一步提高课程组合对用户的学习效果，在每一个分组中进行课程选择时，还需要依据课程之间的组合粘结进行选择。
优选地，从可选性评估最高的类别中选择课程的组合粘性最高的课程进行组合。其中，针对课程组合中的若干个课程，可以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。
如图2、图3所示，本发明实施例提供了一种基于量子聚类算法的课程组合装置。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聚类算法的课程组合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聚类算法的课程组合装置，包括：
分组单元301，用于将满足待推荐用户学习目标的多个课程进行分组，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；
量子聚类单元302，用于针对每一个分组，确定该分组中每一个课程用于进行可选性评估的数据矩阵，并对待聚类的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；
课程选择单元303，用于根据每一个分组中划分的可选性评估类别，分别从每一个分组中选择一个课程，作为为所述待推荐用户推荐的课程组合。
在本发明一个实施例中，请参考图4，该装置还可以包括：
课程获取单元304，用于利用如下方式获取所述满足待推荐用户学习目标的多个课程：确定已完成所述学习目标的其他用户针对所述学习目标选择的若干个课程；将其他用户选择的若干个课程进行组合，得到满足所述待推荐用户学习目标的多个课程。
在本发明一个实施例中，请参考图5，该装置还可以包括：
组合粘性确定单元305，用于确定所述多个课程中任意两个课程之间的组合粘性，以利用所述组合粘性触发课程选择单元执行所述从每一个分组中选择一个课程，以使课程组合中的多个课程的组合粘性最高。
在本发明一个实施例中，所述组合粘性确定单元在确定任意两个课程之间的组合粘性时，具体用于确定其他用户选择的若干个课程中是否存在该两个课程，若存在，则根据同时选择该两个课程的其他用户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。
在本发明一个实施例中，所述量子聚类单元在确定该分组中每一个课程用于进行可选性评估的数据矩阵时，具体用于确定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；生成每一个课程的评估因素对可选性评估类别的隶属度矩阵，将隶属度矩阵作为用于进行可选性评估的数据矩阵。
在本发明一个实施例中，所述量子聚类单元在对待聚类的数据矩阵进行量子主成分提取时，具体用于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，所述量子聚类单元在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
Figure SMS_30
，并执行D个受控酉操作/>
Figure SMS_31
，以完成对分解的奇异值的减法操作；
其中，
Figure SMS_32
为对第j个奇异值/>
Figure SMS_33
进行减法操作后得到的奇异值/>
Figure SMS_34
为所述设定阈值，D为所述数据矩阵的初始维度；
所述量子聚类单元在利用所述设定阈值对所述目标奇异值进行还原，包括：
定义
Figure SMS_35
，并执行d个受控酉操作/>
Figure SMS_36
，以完成对奇异值的还原；
其中，
Figure SMS_37
为将奇异值/>
Figure SMS_38
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/>
Figure SMS_39
。
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聚类算法的课程组合装置的具体限定。在本发明的另一些实施例中，一种基于量子聚类算法的课程组合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聚类算法的课程组合方法。
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聚类算法的课程组合方法。
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 (10)

1.一种基于量子聚类算法的课程组合方法，其特征在于，包括：
将满足待推荐用户学习目标的多个课程进行分组，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；
针对每一个分组，确定该分组中每一个课程用于进行可选性评估的数据矩阵，并对待聚类的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；
根据每一个分组中划分的可选性评估类别，分别从每一个分组中选择一个课程，作为为所述待推荐用户推荐的课程组合；
所述确定该分组中每一个课程用于进行可选性评估的数据矩阵，包括：确定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；生成每一个课程的评估因素对可选性评估类别的隶属度矩阵，将隶属度矩阵作为用于进行可选性评估的数据矩阵；
所述对待聚类的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
Figure QLYQS_1
，并执行D个受控酉操作/>
Figure QLYQS_2
，以完成对分解的奇异值的减法操作；
其中，
Figure QLYQS_3
为对第j个奇异值/>
Figure QLYQS_4
进行减法操作后得到的奇异值，/>
Figure QLYQS_5
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
Figure QLYQS_6
，并执行d个受控酉操作/>
Figure QLYQS_7
，以完成对奇异值的还原；
其中，
Figure QLYQS_8
为将奇异值/>
Figure QLYQS_9
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/>
Figure QLYQS_10
。
2.根据权利要求1所述的方法，其特征在于，满足待推荐用户学习目标的多个课程的获取方式包括：
确定已完成所述学习目标的其他用户针对所述学习目标选择的若干个课程；将其他用户选择的若干个课程进行组合，得到满足所述待推荐用户学习目标的多个课程。
3.根据权利要求2所述的方法，其特征在于，还包括：确定所述多个课程中任意两个课程之间的组合粘性，以利用所述组合粘性执行所述从每一个分组中选择一个课程，以使课程组合中的多个课程的组合粘性最高。
4.根据权利要求3所述的方法，其特征在于，所述任意两个课程之间的组合粘性的确定方式，包括：
确定其他用户选择的若干个课程中是否存在该两个课程，若存在，则根据同时选择该两个课程的其他用户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。
5.一种基于量子聚类算法的课程组合装置，其特征在于，包括：
分组单元，用于将满足待推荐用户学习目标的多个课程进行分组，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；
量子聚类单元，用于针对每一个分组，确定该分组中每一个课程用于进行可选性评估的数据矩阵，并对待聚类的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；
课程选择单元，用于根据每一个分组中划分的可选性评估类别，分别从每一个分组中选择一个课程，作为为所述待推荐用户推荐的课程组合；
所述量子聚类单元在确定该分组中每一个课程用于进行可选性评估的数据矩阵时，具体用于：确定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；生成每一个课程的评估因素对可选性评估类别的隶属度矩阵，将隶属度矩阵作为用于进行可选性评估的数据矩阵；
所述量子聚类单元在对待聚类的数据矩阵进行量子主成分提取时，具体用于：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；
所述量子聚类单元在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
Figure QLYQS_11
，并执行D个受控酉操作/>
Figure QLYQS_12
，以完成对分解的奇异值的减法操作；
其中，
Figure QLYQS_13
为对第j个奇异值/>
Figure QLYQS_14
进行减法操作后得到的奇异值，/>
Figure QLYQS_15
为所述设定阈值，D为所述数据矩阵的初始维度；
所述量子聚类单元在利用所述设定阈值对所述目标奇异值进行还原，包括：
定义
Figure QLYQS_16
，并执行d个受控酉操作/>
Figure QLYQS_17
，以完成对奇异值的还原；
其中，
Figure QLYQS_18
为将奇异值/>
Figure QLYQS_19
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/>
Figure QLYQS_20
。
6.根据权利要求5所述的装置，其特征在于，还包括：
课程获取单元，用于利用如下方式获取所述满足待推荐用户学习目标的多个课程：确定已完成所述学习目标的其他用户针对所述学习目标选择的若干个课程；将其他用户选择的若干个课程进行组合，得到满足所述待推荐用户学习目标的多个课程。
7.根据权利要求6所述的装置，其特征在于，还包括：
组合粘性确定单元，用于确定所述多个课程中任意两个课程之间的组合粘性，以利用所述组合粘性触发课程选择单元执行所述从每一个分组中选择一个课程，以使课程组合中的多个课程的组合粘性最高。
8.根据权利要求7所述的装置，其特征在于，所述组合粘性确定单元在确定任意两个课程之间的组合粘性时，具体用于：确定其他用户选择的若干个课程中是否存在该两个课程，若存在，则根据同时选择该两个课程的其他用户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。
9.一种电子设备，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1-4中任一项所述的方法。
10.一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1-4中任一项所述的方法。
CN202310498570.7A 2023-05-06 2023-05-06 基于量子聚类算法的课程组合方法及装置 Active CN116228484B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310498570.7A CN116228484B (zh) 2023-05-06 2023-05-06 基于量子聚类算法的课程组合方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310498570.7A CN116228484B (zh) 2023-05-06 2023-05-06 基于量子聚类算法的课程组合方法及装置

Publications (2)

Publication Number Publication Date
CN116228484A CN116228484A (zh) 2023-06-06
CN116228484B true CN116228484B (zh) 2023-07-07

Family

ID=86569793

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310498570.7A Active CN116228484B (zh) 2023-05-06 2023-05-06 基于量子聚类算法的课程组合方法及装置

Country Status (1)

Country Link
CN (1) CN116228484B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112231586A (zh) * 2020-12-15 2021-01-15 平安科技（深圳）有限公司 基于迁移学习的课程推荐方法、装置、设备及介质
CN114969487A (zh) * 2021-02-18 2022-08-30 广州视源电子科技股份有限公司 一种课程推荐方法、装置、计算机设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2835324A1 (en) * 2011-04-07 2012-10-11 Tristan DENLEY Course recommendation system and method
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
US11544293B2 (en) * 2018-04-20 2023-01-03 Fabulous Inventions Ab Computer system and method for indexing and retrieval of partially specified type-less semi-infinite information
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
CN113674097A (zh) * 2021-08-24 2021-11-19 四川元匠科技有限公司 基于量子聚类算法的金融投资分析方法、存储介质和终端

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112231586A (zh) * 2020-12-15 2021-01-15 平安科技（深圳）有限公司 基于迁移学习的课程推荐方法、装置、设备及介质
CN114969487A (zh) * 2021-02-18 2022-08-30 广州视源电子科技股份有限公司 一种课程推荐方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN116228484A (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
CN110503531B (zh) 时序感知的动态社交场景推荐方法
CN111444247A (zh) 一种基于kpi指标的根因定位方法、装置及存储介质
CN109902823B (zh) 一种基于生成对抗网络的模型训练方法及设备
CN110610193A (zh) 标注数据的处理方法及装置
US11403550B2 (en) Classifier
CN114117213A (zh) 一种推荐模型训练、推荐方法、装置、介质和设备
CN114418035A (zh) 决策树模型生成方法、基于决策树模型的数据推荐方法
WO2016095068A1 (en) Pedestrian detection apparatus and method
AU2024202957A1 (en) System and method for analyzing media for talent discovery cross-reference to related applications
CN112070559A (zh) 状态获取方法和装置、电子设备和存储介质
CN113656699B (zh) 用户特征向量确定方法、相关设备及介质
CN109460474B (zh) 用户偏好趋势挖掘方法
CN113919510A (zh) 一种样本特征选择方法、装置、设备及介质
CN111563207B (zh) 一种搜索结果的排序方法、装置、存储介质及计算机设备
CN110472659B (zh) 数据处理方法、装置、计算机可读存储介质和计算机设备
CN116228484B (zh) 基于量子聚类算法的课程组合方法及装置
CN116228483B (zh) 基于量子驱动的学习路径推荐方法及装置
WO2022188080A1 (zh) 图像分类网络模型训练方法、图像分类方法及相关设备
CN111081321B (zh) 一种cns药物关键特征识别方法
Le et al. Optimizing genetic algorithm in feature selection for named entity recognition
KR101363335B1 (ko) 문서 분류모델 생성장치 및 방법
CN111931035B (zh) 业务推荐方法、装置及设备
CN113704422A (zh) 一种文本推荐方法、装置、计算机设备和存储介质
CN109308565B (zh) 人群绩效等级识别方法、装置、存储介质及计算机设备
CN113590673A (zh) 基于区块链深度学习的数据热度统计方法

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