CN116541432A - 一种基于教育机器人的在线课堂智能推荐方法 - Google Patents
一种基于教育机器人的在线课堂智能推荐方法 Download PDFInfo
- Publication number
- CN116541432A CN116541432A CN202310575358.6A CN202310575358A CN116541432A CN 116541432 A CN116541432 A CN 116541432A CN 202310575358 A CN202310575358 A CN 202310575358A CN 116541432 A CN116541432 A CN 116541432A
- Authority
- CN
- China
- Prior art keywords
- courses
- recommended
- similar
- screening
- keywords
- 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 33
- 238000012216 screening Methods 0.000 claims abstract description 124
- 238000011156 evaluation Methods 0.000 claims abstract description 62
- 208000015212 rumination disease Diseases 0.000 claims abstract description 26
- 230000022676 rumination Effects 0.000 claims abstract description 17
- 238000012937 correction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 241000282849 Ruminantia Species 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 2
- 238000012790 confirmation Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24578—Query processing with adaptation to user needs using ranking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于教育机器人的在线课堂智能推荐方法,属于在线教育技术领域,具体包括:通过用户的历史观看记录得到反刍比大于预设值的课程,并将其作为高反刍比课程,利用高反刍比课程的关键词进相似课程的筛选,并基于高反刍比课程以及相似课程的用户的点击次数、反刍比、观看时长进行特征关键词的构建;基于特征关键词进行推荐相似课程的筛选,并基于推荐相似课程的筛选评估值进行筛选课程的确认;通过特征关键词确定重点用户,并结合重点用户对筛选课程的点击率、观看时长,并结合相似度实现筛选课程的推荐值的生成,并基于推荐值和筛选评估值确定推荐课程以及推荐课程的推荐排序,从而进一步提升了推荐的准确性。
Description
技术领域
本发明属于在线教育技术领域,尤其涉及一种基于教育机器人的在线课堂智能推荐方法。
背景技术
为了基于教育机器人实现对用户在在线课堂的课程的智能推荐,在发明专利CN113065060B《基于深度学习的教育平台课程推荐方法及系统》中通过获取用户的行为数据、用户的基本信息和用户的历史观看课程,并将用户的行为序列、课程特征、用户特征和用户所处环境特征,输入到预先训练好的神经网络模型中,输出课程推荐结果,但是却存在以下技术问题:
1、忽视了对用户的历史观看课程和行为数据的二次筛选,对于用户来说,用户有可能由于误操作或者短暂观看之后觉得兴趣度不大等原因,若不能将上述课程排除在外,则有可能导致推荐结果不够准确。
2、未考虑基于历史推荐结果的其它用户的点击情况或者观看情况生成多项课程推荐结果,若仅仅采用用户的数据,同时生成一个课程推荐结果,则同样无法准确的实现对课程的推荐。
针对上述技术问题,本发明提供了一种基于教育机器人的在线课堂智能推荐方法。
发明内容
为实现本发明目的,本发明采用如下技术方案:
根据本发明的一个方面,提供了一种基于教育机器人的在线课堂智能推荐方法。
一种基于教育机器人的在线课堂智能推荐方法,其特征在于,具体包括:
S11通过教育机器人获取用户在在线课堂的累计在线时长,并基于所述累计在线时长确定是否能够进行课程的推荐,若是,则进入步骤S12,若否,则输出无法进行课程的推荐;
S12通过所述用户的历史观看记录得到反刍比大于预设值的课程,并将其作为高反刍比课程,基于高反刍比课程的标题,利用关键词提取模型确定所述高反刍比课程的关键词;
S13利用所述高反刍比课程的关键词进行所述高反刍比课程的相似课程的筛选,并基于所述高反刍比课程以及所述相似课程的用户的点击次数、反刍比、观看时长进行所述关键词的权值的构建,并基于所述关键词以及所述关键词的权值进行所述用户的特征关键词的构建;
S14基于所述特征关键词进行推荐相似课程的筛选,并基于所述推荐相似课程的累计观看时长、累计观看人数、累计点击人数得到所述推荐相似课程的筛选评估值,并基于所述筛选评估值进行筛选课程的确认;
S15通过所述特征关键词确定与所述用户的相似度大于设定值的重点用户,并结合重点用户对筛选课程的点击率、观看时长,并结合所述相似度实现筛选课程的推荐值的生成,并基于所述推荐值和筛选评估值确定推荐课程以及所述推荐课程的推荐排序。
进一步的技术方案在于,基于所述累计在线时长确定是否能够进行课程的推荐,具体包括:
当所述用户的累计在线时长小于预设在线时长时,在确定不能够进行课程的推荐。
进一步的技术方案在于,所述反刍比根据所述课程的用户的观看时长与所述课程的实际时长的比值进行确定。
进一步的技术方案在于,所述聚类关键词根据所述高反刍比课程群的高反刍比课程的关键词通过去重处理后进行确定。
进一步的技术方案在于,基于所述相似权值、基础权值、修正权值进行权值的构建,具体包括:
基于所述基础权值和所述修正权值,采用基于层次分析法的数学模型得到修正后的权值;
基于所述相似权值对所述修正后的权值进行进一步的修正,得到权值。
进一步的技术方案在于,基于所述筛选评估值进行筛选课程的确认,具体包括:
通过所述筛选评估值确定备选的相似推荐课程的数量,并判断所述备选的相似推荐课程的数量确定是否需要进一步的筛选,若是,则进入下一步骤,若否,则将所述备选的相似推荐课程作为相似推荐课程;
通过所述其它评估值对所述备选的相似推荐课程进行进一步筛选,得到大于评估预设值的备选的相似推荐课程,并基于所述大于评估阈值的备选的相似推荐课程的数量确定是否需要进一步的筛选,若是,则进入下一步骤,若否,则将所述大于评估阈值的备选的相似推荐课程作为相似推荐课程;
基于所述大于评估阈值的备选的相似推荐课程的累计筛选评估值对所述大于评估阈值的备选的相似推荐课程进行二次筛选,得到相似推荐课程。
第二方面,本发明提供了一种计算机系统,包括:通信连接的存储器和处理器,以及存储在所述存储器上并能够在所述处理器上运行的计算机程序,其特征在于:所述处理器运行所述计算机程序时执行上述的一种基于教育机器人的在线课堂智能推荐方法。
第三方面,本发明提供了一种计算机存储介质,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,令计算机执行上述的一种基于教育机器人的在线课堂智能推荐方法。
本发明的有益效果在于:
通过首先对用户的累计在线时长和高反刍比课程的关键词的提取,从而避免了由于累计在线时长较短导致的推荐的准确性不高的技术问题,同时也通过对高反刍比课程的关键词的提取,实现了对用户的类型的准确评估,保证了进行课程的推荐的准确性。
通过基于所述高反刍比课程以及所述相似课程的用户的点击次数、反刍比、观看时长进行所述关键词的权值的构建,并基于所述关键词以及所述关键词的权值进行所述用户的特征关键词的构建,从而不仅仅考虑到用户的高反刍比课程,并结合相似课程的情况,进一步保证了评估的准确性和全面性。
通过基于所述推荐相似课程的累计观看时长、累计观看人数、累计点击人数得到所述推荐相似课程的筛选评估值,并基于所述筛选评估值进行筛选课程的确认,从而实现了结合其他用户的观看情况实现了对筛选课程的确认,进一步保证了筛选课程的准确性。
通过结合重点用户对筛选课程的点击率、观看时长,并结合所述相似度实现筛选课程的推荐值的生成,从而实现了从与用户的相似度较高的重点用户的角度实现了对推荐课程的筛选,保证了推荐课程的推荐的准确性。
其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
通过参照附图详细描述其示例实施方式,本发明的上述和其它特征及优点将变得更加明显。
图1是一种基于教育机器人的在线课堂智能推荐方法的流程图;
图2是特征关键词确定的具体步骤的流程图;
图3是筛选评估值构建的具体步骤的流程图;
图4是筛选课程的推荐值的生成的具体步骤的流程图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
为解决上述问题,根据本发明的一个方面,如图1所示,提供了根据本发明的一个方面,提供了一种基于教育机器人的在线课堂智能推荐方法,其特征在于,具体包括:
S11通过教育机器人获取用户在在线课堂的累计在线时长,并基于所述累计在线时长确定是否能够进行课程的推荐,若是,则进入步骤S12,若否,则输出无法进行课程的推荐;
具体的举例说明,当用户在在线课堂的累计在线时长小于5小时时,则无法进行课程的推荐。
S12通过所述用户的历史观看记录得到反刍比大于预设值的课程,并将其作为高反刍比课程,基于高反刍比课程的标题,利用关键词提取模型确定所述高反刍比课程的关键词;
可以理解的是,基于所述累计在线时长确定是否能够进行课程的推荐,具体包括:
当所述用户的累计在线时长小于预设在线时长时,在确定不能够进行课程的推荐。
需要说明的是,所述反刍比根据所述课程的用户的观看时长与所述课程的实际时长的比值进行确定。
在本实施例中,通过首先对用户的累计在线时长和高反刍比课程的关键词的提取,从而避免了由于累计在线时长较短导致的推荐的准确性不高的技术问题,同时也通过对高反刍比课程的关键词的提取,实现了对用户的类型的准确评估,保证了进行课程的推荐的准确性。
S13利用所述高反刍比课程的关键词进行所述高反刍比课程的相似课程的筛选,并基于所述高反刍比课程以及所述相似课程的用户的点击次数、反刍比、观看时长进行所述关键词的权值的构建,并基于所述关键词以及所述关键词的权值进行所述用户的特征关键词的构建;
具体的举例说明,如图2所示,所述特征关键词确定的具体步骤为:
S21获取所述高反刍比课程的关键词,并基于所述关键词对所述高反刍比课程进行聚类分析得到高反刍比课程群以及所述高反刍比课程群的关键词,并将所述高反刍比课程群的关键词作为聚类关键词;
S22基于所述聚类关键词所对应的高反刍比课程群的高反刍比课程的数量、高反刍比课程的反刍比的平均值以及最大值进行所述聚类关键词的基础权值的构建,并判断所述基础权值是否大于权值限定值,若是,则基于所述基础权值以及所述聚类关键词进行特征关键词的构建,若否,则进入步骤S23;
S23基于所述聚类关键词所对应的高反刍比课程群的高反刍比课程的用户的观看时长的和、用户的点击次数的和、用户的反刍比的和进行所述聚类关键词的修正权值的构建;
S24基于所述聚类关键词进行所述高反刍比课程群的相似课程的确定,并基于所述相似课程的用户的观看时长的和、用户的点击次数的和、用户的反刍比的和进行所述聚类关键词的相似权值的构建,并基于所述相似权值、基础权值、修正权值进行权值的构建,并基于所述权值以及所述聚类关键词进行特征关键词的构建。
具体的,所述聚类关键词根据所述高反刍比课程群的高反刍比课程的关键词通过去重处理后进行确定。
可以理解的是,基于所述相似权值、基础权值、修正权值进行权值的构建,具体包括:
基于所述基础权值和所述修正权值,采用基于层次分析法的数学模型得到修正后的权值;
基于所述相似权值对所述修正后的权值进行进一步的修正,得到权值。
在本实施例中,通过基于所述高反刍比课程以及所述相似课程的用户的点击次数、反刍比、观看时长进行所述关键词的权值的构建,并基于所述关键词以及所述关键词的权值进行所述用户的特征关键词的构建,从而不仅仅考虑到用户的高反刍比课程,并结合相似课程的情况,进一步保证了评估的准确性和全面性。
S14基于所述特征关键词进行推荐相似课程的筛选,并基于所述推荐相似课程的累计观看时长、累计观看人数、累计点击人数得到所述推荐相似课程的筛选评估值,并基于所述筛选评估值进行筛选课程的确认;
具体的举例说明,如图3所示,所述筛选评估值构建的具体步骤为:
S31基于所述推荐相似课程的累计点击人数确定所述推荐相似课程是否可能为筛选课程,若是,则进入步骤S32,若否,则确定所述推荐相似课程不为筛选课程;
S32获取所述推荐相似课程的累计观看人数,并基于所述累计观看人数确定所述推荐相似课程是否可能为筛选课程,若是,则进入步骤S33,若否,则确定所述推荐相似课程不为筛选课程;
S33基于所述推荐相似课程的累计观看人数、累计观看时长、累计点击人数,并结合所述推荐相似课程的推荐次数以及上线时间,进行所述推荐相似课程的累计筛选评估值的确定,并基于所述推荐相似课程的累计筛选评估值确定所述推荐相似课程是否可能为筛选课程,若是,则进入步骤S34,若否,则确定所述推荐相似课程不为筛选课程;
S34将所述推荐相似课程的累计观看时长大于设定推荐时长的用户作为推荐用户,并基于所述推荐用户的累计观看时长、推荐用户的人数、推荐用户的观看时长的平均值和完播率进行所述相似推荐课程的其它评估值的确定,并基于所述其它评估值与所述类似筛选评估值进行所述相似推荐课程的筛选评估值的确定。
具体的,基于所述筛选评估值进行筛选课程的确认,具体包括:
通过所述筛选评估值确定备选的相似推荐课程的数量,并判断所述备选的相似推荐课程的数量确定是否需要进一步的筛选,若是,则进入下一步骤,若否,则将所述备选的相似推荐课程作为相似推荐课程;
通过所述其它评估值对所述备选的相似推荐课程进行进一步筛选,得到大于评估预设值的备选的相似推荐课程,并基于所述大于评估阈值的备选的相似推荐课程的数量确定是否需要进一步的筛选,若是,则进入下一步骤,若否,则将所述大于评估阈值的备选的相似推荐课程作为相似推荐课程;
基于所述大于评估阈值的备选的相似推荐课程的累计筛选评估值对所述大于评估阈值的备选的相似推荐课程进行二次筛选,得到相似推荐课程。
在本实施例中,通过基于所述推荐相似课程的累计观看时长、累计观看人数、累计点击人数得到所述推荐相似课程的筛选评估值,并基于所述筛选评估值进行筛选课程的确认,从而实现了结合其他用户的观看情况实现了对筛选课程的确认,进一步保证了筛选课程的准确性。
S15通过所述特征关键词确定与所述用户的相似度大于设定值的重点用户,并结合重点用户对筛选课程的点击率、观看时长,并结合所述相似度实现筛选课程的推荐值的生成,并基于所述推荐值和筛选评估值确定推荐课程以及所述推荐课程的推荐排序。
具体的举例说明,如图4所示,所述筛选课程的推荐值的生成的具体步骤为;
S41通过特征关键词的匹配数量对所述在线课堂的用户进行筛选得到筛选用户,并基于所述筛选用户与所述用户的匹配的关键词的数量、匹配的关键词的权值的和、匹配的关键词的权值的和占所述筛选用户的关键词的权值的和的比例以及所述匹配的关键词的权值的和占所述用户的关键词的权值的和的比例进行相似度的确定,并将相似度大于设定值的筛选用户作为重点用户;
S42判断所述重点用户对所述筛选课程的点击率是否大于点击率设定量,若是,则进入步骤S43,若否,则将所述筛选课程作为一般筛选课程,并利用所述重点用户对所述筛选课程的平均观看时长和点击率进行所述筛选课程的推荐值的确定;
S43判断是否存在对所述筛选课程的观看时长是否大于观看时长设定值的重点用户,若是,则进入步骤S44,若否,则将所述筛选课程作为一般筛选课程,并利用所述重点用户对所述筛选课程的平均观看时长和点击率进行所述筛选课程的推荐值的确定;
S44将所述筛选课程作为核心筛选课程,并基于重点用户对筛选课程的点击率、观看时长、相似度进行所述重点用户的推荐值的确定,并基于所有的重点用户的推荐值的平均值以及最大值,并结合所述重点用户的数量进行所述筛选课程的推荐值的确定。
需要说明的是,基于所述推荐值和筛选评估值确定推荐课程以及所述推荐课程的推荐排序,具体包括:
当所述筛选课程为一般筛选课程时,则不将所述筛选课程作为推荐课程;
当所述筛选课程为核心筛选课程时,则将所述筛选课程作为推荐课程,并首先基于所述推荐课程的筛选评估值进行排序,并当所述推荐课程的筛选评估值一致时,再基于所述推荐值进行所述推荐课程的排序。
在本实施例中,通过结合重点用户对筛选课程的点击率、观看时长,并结合所述相似度实现筛选课程的推荐值的生成,从而实现了从与用户的相似度较高的重点用户的角度实现了对推荐课程的筛选,保证了推荐课程的推荐的准确性。
另一方面,本发明提供了一种计算机系统,包括:通信连接的存储器和处理器,以及存储在所述存储器上并能够在所述处理器上运行的计算机程序,其特征在于:所述处理器运行所述计算机程序时执行上述的一种基于教育机器人的在线课堂智能推荐方法。
另一方面,本发明提供了一种计算机存储介质,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,令计算机执行上述的一种基于教育机器人的在线课堂智能推荐方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本说明书的一个或多个实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种基于教育机器人的在线课堂智能推荐方法,其特征在于,具体包括:
通过教育机器人获取用户在在线课堂的累计在线时长,并基于所述累计在线时长确定是否能够进行课程的推荐,若是,则进入下一步骤,若否,则输出无法进行课程的推荐;
通过所述用户的历史观看记录得到反刍比大于预设值的课程,并将其作为高反刍比课程,基于高反刍比课程的标题,利用关键词提取模型确定所述高反刍比课程的关键词;
利用所述高反刍比课程的关键词进行所述高反刍比课程的相似课程的筛选,并基于所述高反刍比课程以及所述相似课程的用户的点击次数、反刍比、观看时长进行所述关键词的权值的构建,并基于所述关键词以及所述关键词的权值进行所述用户的特征关键词的构建;
基于所述特征关键词进行推荐相似课程的筛选,并基于所述推荐相似课程的累计观看时长、累计观看人数、累计点击人数得到所述推荐相似课程的筛选评估值,并基于所述筛选评估值进行筛选课程的确认;
通过所述特征关键词确定与所述用户的相似度大于设定值的重点用户,并结合重点用户对筛选课程的点击率、观看时长,并结合所述相似度实现筛选课程的推荐值的生成,并基于所述推荐值和筛选评估值确定推荐课程以及所述推荐课程的推荐排序。
2.如权利要求1所述的一种基于教育机器人的在线课堂智能推荐方法,其特征在于,基于所述累计在线时长确定是否能够进行课程的推荐,具体包括:
当所述用户的累计在线时长小于预设在线时长时,在确定不能够进行课程的推荐。
3.如权利要求1所述的一种基于教育机器人的在线课堂智能推荐方法,其特征在于,所述反刍比根据所述课程的用户的观看时长与所述课程的实际时长的比值进行确定。
4.如权利要求1所述的一种基于教育机器人的在线课堂智能推荐方法,其特征在于,所述特征关键词确定的具体步骤为:
获取所述高反刍比课程的关键词,并基于所述关键词对所述高反刍比课程进行聚类分析得到高反刍比课程群以及所述高反刍比课程群的关键词,并将所述高反刍比课程群的关键词作为聚类关键词;
基于所述聚类关键词所对应的高反刍比课程群的高反刍比课程的数量、高反刍比课程的反刍比的平均值以及最大值进行所述聚类关键词的基础权值的构建,并判断所述基础权值是否大于权值限定值,若是,则基于所述基础权值以及所述聚类关键词进行特征关键词的构建,若否,则进入下一步骤;
基于所述聚类关键词所对应的高反刍比课程群的高反刍比课程的用户的观看时长的和、用户的点击次数的和、用户的反刍比的和进行所述聚类关键词的修正权值的构建;
基于所述聚类关键词进行所述高反刍比课程群的相似课程的确定,并基于所述相似课程的用户的观看时长的和、用户的点击次数的和、用户的反刍比的和进行所述聚类关键词的相似权值的构建,并基于所述相似权值、基础权值、修正权值进行权值的构建,并基于所述权值以及所述聚类关键词进行特征关键词的构建。
5.如权利要求4所述的一种基于教育机器人的在线课堂智能推荐方法,其特征在于,所述聚类关键词根据所述高反刍比课程群的高反刍比课程的关键词通过去重处理后进行确定。
6.如权利要求4所述的一种基于教育机器人的在线课堂智能推荐方法,其特征在于,基于所述相似权值、基础权值、修正权值进行权值的构建,具体包括:
基于所述基础权值和所述修正权值,采用基于层次分析法的数学模型得到修正后的权值;
基于所述相似权值对所述修正后的权值进行进一步的修正,得到权值。
7.如权利要求1所述的一种基于教育机器人的在线课堂智能推荐方法,其特征在于,所述筛选评估值构建的具体步骤为:
基于所述推荐相似课程的累计点击人数确定所述推荐相似课程是否可能为筛选课程,若是,则进入下一步骤,若否,则确定所述推荐相似课程不为筛选课程;
获取所述推荐相似课程的累计观看人数,并基于所述累计观看人数确定所述推荐相似课程是否可能为筛选课程,若是,则进入下一步骤,若否,则确定所述推荐相似课程不为筛选课程;
基于所述推荐相似课程的累计观看人数、累计观看时长、累计点击人数,并结合所述推荐相似课程的推荐次数以及上线时间,进行所述推荐相似课程的累计筛选评估值的确定,并基于所述推荐相似课程的累计筛选评估值确定所述推荐相似课程是否可能为筛选课程,若是,则进入下一步骤,若否,则确定所述推荐相似课程不为筛选课程;
将所述推荐相似课程的累计观看时长大于设定推荐时长的用户作为推荐用户,并基于所述推荐用户的累计观看时长、推荐用户的人数、推荐用户的观看时长的平均值和完播率进行所述相似推荐课程的其它评估值的确定,并基于所述其它评估值与所述类似筛选评估值进行所述相似推荐课程的筛选评估值的确定。
8.如权利要求7所述的一种基于教育机器人的在线课堂智能推荐方法,其特征在于,基于所述筛选评估值进行筛选课程的确认,具体包括:
通过所述筛选评估值确定备选的相似推荐课程的数量,并判断所述备选的相似推荐课程的数量确定是否需要进一步的筛选,若是,则进入下一步骤,若否,则将所述备选的相似推荐课程作为相似推荐课程;
通过所述其它评估值对所述备选的相似推荐课程进行进一步筛选,得到大于评估预设值的备选的相似推荐课程,并基于所述大于评估阈值的备选的相似推荐课程的数量确定是否需要进一步的筛选,若是,则进入下一步骤,若否,则将所述大于评估阈值的备选的相似推荐课程作为相似推荐课程;
基于所述大于评估阈值的备选的相似推荐课程的累计筛选评估值对所述大于评估阈值的备选的相似推荐课程进行二次筛选,得到相似推荐课程。
9.一种计算机系统,包括:通信连接的存储器和处理器,以及存储在所述存储器上并能够在所述处理器上运行的计算机程序,其特征在于:所述处理器运行所述计算机程序时执行权利要求1-8任一项所述的一种基于教育机器人的在线课堂智能推荐方法。
10.一种计算机存储介质,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1-8任一项所述的一种基于教育机器人的在线课堂智能推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310575358.6A CN116541432B (zh) | 2023-05-22 | 2023-05-22 | 一种基于教育机器人的在线课堂智能推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310575358.6A CN116541432B (zh) | 2023-05-22 | 2023-05-22 | 一种基于教育机器人的在线课堂智能推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116541432A true CN116541432A (zh) | 2023-08-04 |
CN116541432B CN116541432B (zh) | 2023-10-17 |
Family
ID=87452202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310575358.6A Active CN116541432B (zh) | 2023-05-22 | 2023-05-22 | 一种基于教育机器人的在线课堂智能推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116541432B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117575745A (zh) * | 2024-01-17 | 2024-02-20 | 山东正禾大教育科技有限公司 | 基于ai大数据的课程教学资源个性推荐方法 |
CN118377764A (zh) * | 2024-06-21 | 2024-07-23 | 莱芜职业技术学院 | 一种基于云平台的学习资料共享方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105045916A (zh) * | 2015-08-20 | 2015-11-11 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种手机游戏推荐系统及其推荐方法 |
CN105225553A (zh) * | 2014-06-17 | 2016-01-06 | 中兴通讯股份有限公司 | 在线教育中课程的推荐方法及装置 |
CN106331778A (zh) * | 2015-07-06 | 2017-01-11 | 腾讯科技(深圳)有限公司 | 视频推荐方法和装置 |
CN110334202A (zh) * | 2019-03-28 | 2019-10-15 | 平安科技(深圳)有限公司 | 基于新闻应用软件的用户兴趣标签构建方法及相关设备 |
CN110825910A (zh) * | 2019-10-15 | 2020-02-21 | 平安科技(深圳)有限公司 | 基于大数据的视频课程推荐方法及相关装置 |
CN111598750A (zh) * | 2020-05-12 | 2020-08-28 | 湖北美和易思教育科技有限公司 | 一种基于反刍比算法的学生在线学习状态评估方法及系统 |
CN111881343A (zh) * | 2020-07-07 | 2020-11-03 | Oppo广东移动通信有限公司 | 信息推送方法、装置、电子设备及计算机可读存储介质 |
CN112015998A (zh) * | 2020-11-02 | 2020-12-01 | 北京值得买科技股份有限公司 | 一种基于用户画像的商品推荐方法 |
CN114139056A (zh) * | 2021-12-01 | 2022-03-04 | 浪潮云信息技术股份公司 | 一种基于在线学习课程的智能化搜索推荐方法及系统 |
KR102375755B1 (ko) * | 2021-03-31 | 2022-03-17 | 고려대학교 산학협력단 | 과목 유사도에 기반한 과목 추천 시스템과 방법 및 이를 위한 컴퓨터 프로그램 |
CN114282054A (zh) * | 2020-09-28 | 2022-04-05 | 苏宁云计算有限公司 | 一种视频推荐方法、装置、计算机设备和存储介质 |
CN114418807A (zh) * | 2022-03-30 | 2022-04-29 | 北京英华在线科技有限公司 | 基于历史成绩的在线教育平台的课程推荐方法及系统 |
CN115577185A (zh) * | 2022-11-15 | 2023-01-06 | 湖南师范大学 | 基于混合推理和中智群决策的慕课推荐方法及装置 |
-
2023
- 2023-05-22 CN CN202310575358.6A patent/CN116541432B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105225553A (zh) * | 2014-06-17 | 2016-01-06 | 中兴通讯股份有限公司 | 在线教育中课程的推荐方法及装置 |
CN106331778A (zh) * | 2015-07-06 | 2017-01-11 | 腾讯科技(深圳)有限公司 | 视频推荐方法和装置 |
CN105045916A (zh) * | 2015-08-20 | 2015-11-11 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种手机游戏推荐系统及其推荐方法 |
CN110334202A (zh) * | 2019-03-28 | 2019-10-15 | 平安科技(深圳)有限公司 | 基于新闻应用软件的用户兴趣标签构建方法及相关设备 |
WO2021073164A1 (zh) * | 2019-10-15 | 2021-04-22 | 平安科技(深圳)有限公司 | 基于大数据的视频课程推荐方法和相关装置 |
CN110825910A (zh) * | 2019-10-15 | 2020-02-21 | 平安科技(深圳)有限公司 | 基于大数据的视频课程推荐方法及相关装置 |
CN111598750A (zh) * | 2020-05-12 | 2020-08-28 | 湖北美和易思教育科技有限公司 | 一种基于反刍比算法的学生在线学习状态评估方法及系统 |
CN111881343A (zh) * | 2020-07-07 | 2020-11-03 | Oppo广东移动通信有限公司 | 信息推送方法、装置、电子设备及计算机可读存储介质 |
CN114282054A (zh) * | 2020-09-28 | 2022-04-05 | 苏宁云计算有限公司 | 一种视频推荐方法、装置、计算机设备和存储介质 |
CN112015998A (zh) * | 2020-11-02 | 2020-12-01 | 北京值得买科技股份有限公司 | 一种基于用户画像的商品推荐方法 |
KR102375755B1 (ko) * | 2021-03-31 | 2022-03-17 | 고려대학교 산학협력단 | 과목 유사도에 기반한 과목 추천 시스템과 방법 및 이를 위한 컴퓨터 프로그램 |
CN114139056A (zh) * | 2021-12-01 | 2022-03-04 | 浪潮云信息技术股份公司 | 一种基于在线学习课程的智能化搜索推荐方法及系统 |
CN114418807A (zh) * | 2022-03-30 | 2022-04-29 | 北京英华在线科技有限公司 | 基于历史成绩的在线教育平台的课程推荐方法及系统 |
CN115577185A (zh) * | 2022-11-15 | 2023-01-06 | 湖南师范大学 | 基于混合推理和中智群决策的慕课推荐方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117575745A (zh) * | 2024-01-17 | 2024-02-20 | 山东正禾大教育科技有限公司 | 基于ai大数据的课程教学资源个性推荐方法 |
CN117575745B (zh) * | 2024-01-17 | 2024-04-30 | 山东正禾大教育科技有限公司 | 基于ai大数据的课程教学资源个性推荐方法 |
CN118377764A (zh) * | 2024-06-21 | 2024-07-23 | 莱芜职业技术学院 | 一种基于云平台的学习资料共享方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116541432B (zh) | 2023-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116541432B (zh) | 一种基于教育机器人的在线课堂智能推荐方法 | |
CN110929515B (zh) | 基于协同注意力和自适应调整的阅读理解方法及系统 | |
CN106023015B (zh) | 课程学习路径推荐方法及装置 | |
CN110472060B (zh) | 题目推送方法、装置、计算机设备和存储介质 | |
CN108921221A (zh) | 用户特征的生成方法、装置、设备及存储介质 | |
CN111582694A (zh) | 一种学习评估方法及装置 | |
CN109816265B (zh) | 知识特征掌握度的评价方法、题目推荐方法及电子设备 | |
CN110619772A (zh) | 一种数据处理方法、装置、设备及介质 | |
CN110704510A (zh) | 一种结合用户画像的题目推荐方法及系统 | |
CN116028602A (zh) | 一种题目推荐方法、装置、计算机设备和存储介质 | |
CN113869569A (zh) | 一种基于决策树的学习成绩预测及个性化干预的方法 | |
CN115618101A (zh) | 基于负反馈的流媒体内容推荐方法、装置及电子设备 | |
Hagedoorn et al. | Massive open online courses temporal profiling for dropout prediction | |
CN116739858B (zh) | 基于时间序列分析的在线学习行为监测系统 | |
CN111062449A (zh) | 预测模型的训练方法、兴趣度预测方法、装置和存储介质 | |
CN112734142B (zh) | 基于深度学习的资源学习路径规划方法及装置 | |
CN115935071A (zh) | 知识点推荐方法、装置、存储介质及电子设备 | |
KR102329611B1 (ko) | 교육적 요소를 예측하는 사전학습 모델링 시스템 및 방법 | |
CN114971962A (zh) | 学生作业的评价方法、装置、电子设备及存储介质 | |
CN114510617A (zh) | 在线课程学习行为确定方法及装置 | |
CN110851647A (zh) | 音频内容流量智能分配方法、装置、设备及可读存储介质 | |
CN113935804B (zh) | 一种基于强化学习和加权元路径的语义推荐方法 | |
CN114297488B (zh) | 推荐竞赛题目的方法及装置 | |
CN117725191B (zh) | 大语言模型的引导信息生成方法、装置及电子设备 | |
CN117743699B (zh) | 一种基于dkt与汤普森采样算法的习题推荐方法及系统 |
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 |