CN116628339B - 一种基于人工智能的教育资源推荐方法及系统 - Google Patents
一种基于人工智能的教育资源推荐方法及系统 Download PDFInfo
- Publication number
- CN116628339B CN116628339B CN202310679156.6A CN202310679156A CN116628339B CN 116628339 B CN116628339 B CN 116628339B CN 202310679156 A CN202310679156 A CN 202310679156A CN 116628339 B CN116628339 B CN 116628339B
- Authority
- CN
- China
- Prior art keywords
- resource
- educational
- target
- learning
- target user
- 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 43
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 33
- 238000012216 screening Methods 0.000 claims abstract description 42
- 238000012163 sequencing technique Methods 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 7
- 230000014509 gene expression Effects 0.000 claims description 37
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 230000006399 behavior Effects 0.000 claims description 11
- 230000009193 crawling Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000009286 beneficial effect Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 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
- G06F16/90—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
- 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
- G06Q50/2057—Career enhancement or continuing education service
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于人工智能的教育资源推荐方法及系统,其方法包括:确定教育资源的资源特征;读取目标用户的资源需求以及对应的需求特征,并根据需求特征对教育资源的资源特征进行筛选选取待推荐教育资源的目标资源特征;对目标用户的历史学习信息进行分析确定目标用户的兴趣特征,分别确定兴趣特征与各目标资源特征的匹配度,并基于匹配度确定每个待推荐教育资源对应的推荐值;对每个待推荐教育资源对应的推荐值进行排序,输出最优推荐值对应的目标教育资源,同时,实时监督目标用户对目标教育资源的学习程度,并根据学习程度对目标教育资源中的学习项目进行更新推荐。提高了教育资源推荐的可靠性、及时性以及便捷性。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种基于人工智能的教育资源推荐方法及系统。
背景技术
目前,随着智能化技术的不断发展,通过互联网实现对教育资源的获取的方式也越来越多,但是随着互联网的发展以及电子产品的普及,教育资源的准确分享与推荐可以有效提高用户学习的效率与便利,因此,各种教育资源的推荐技术在不断的更新发展;
然而,在现有技术中对教育资源的推荐往往是通过简单筛选实现对教育资源的推荐,从而使得对教育资源的受众程度大大减少,造成教育资源的浪费,与此同时,在推荐过程中往往是采取静态的推荐手段,确定了推荐的教育资源后,并没用为教育资源对应的知识点等进行合理的动态推荐,从而不利于提高教育资源推荐的可靠性与便捷性;
因此,本发明提供了一种基于人工智能的教育资源推荐方法及系统。
发明内容
本发明提供一种基于人工智能的教育资源推荐方法及系统,用以通过对教育资源数据库中的教育资源的资源特征进行有效确定,其次,对目标用户的资源需求进行解析,实现根据资源需求从教育资源中有效确定出待推荐教育资源的目标资源特征,最后,通过对目标用户的历史学习信息进行分析,实现对目标用户的兴趣特征进行有效确定,并根据兴趣特征与待推荐教育资源的目标资源特征的匹配度,实现从待推荐教育资源中确定最优的目标教育资源,且对目标用户对最优的目标教育资源的学习情况进行实时更新,保障了用户对教育资源的有效了解,同时,提高了教育资源推荐的可靠性、及时性以及便捷性。
本发明提供了一种基于人工智能的教育资源推荐方法,包括:
步骤1:获取教育资源数据库,并对教育资源数据库中的教育资源数据进行处理,确定教育资源数据库中教育资源的资源特征;
步骤2:读取目标用户的资源需求,并确定资源需求对应的需求特征,同时,将需求特征与教育资源数据库中教育资源的资源特征进行筛选并匹配,并基于筛选结果提取教育资源数据库中与需求特征匹配的待推荐教育资源的目标资源特征;
步骤3:读取目标用户的历史学习信息,并对历史学习信息进行分析确定目标用户的兴趣特征,分别确定兴趣特征与各目标资源特征的匹配度,并基于匹配度确定每个待推荐教育资源对应的推荐值;
步骤4:对每个待推荐教育资源对应的推荐值进行排序,输出最优推荐值对应的目标教育资源,同时,实时监督目标用户对目标教育资源的学习程度,并根据学习程度对目标教育资源中的学习项目进行更新推荐。
优选的,一种基于人工智能的教育资源推荐方法,步骤1中,获取教育资源数据库,并对教育资源数据库中的教育资源数据进行处理,确定教育资源数据库中教育资源的资源特征,包括:
输入资源爬取指令,并基于资源爬取指令在预设网络页面中爬取教育资源数据,并在教育资源数据中摘取无关数据,并基于摘取结果将剩余的教育资源数据进行整合,获得教育资源数据库;
对教育资源数据库中的教育资源数据进行分析,确定教育资源数据库中的教育资源数据的教育类型,并基于教育类型将教育资源数据库中的教育资源数据进行分类,并基于分类结果输出教育资源数据库中教育资源的资源特征。
优选的,一种基于人工智能的教育资源推荐方法,步骤2中,读取目标用户的资源需求,并确定资源需求对应的需求特征向量,并确定资源需求对应的需求特征,包括:
对目标用户的资源需求进行读取,确定资源需求的文本表达,同时,基于预设文本拆分顺序将文本表达进行拆分,获得多个子文本表达;
将每个子文本表达输入至预设语义词汇库中,输出每个子文本表达在文本表达中所占的语义权重;
选取最大语义权重所对应的目标子文本表达,并将目标子文本表达中的词汇作为资源需求中的目标关键词;
将目标关键词输入至预设语义特征提取模型中,并基于预设语义特征提取模型输出资源需求对应的需求特征。
优选的,一种基于人工智能的教育资源推荐方法,步骤2中,根据需求特征对教育资源数据库中教育资源的资源特征进行筛选,选取待推荐教育资源的目标资源特征,包括:
基于需求特征确定数据筛选索引,并基于数据筛选索引对教育资源数据库中的教育资源进行定位,且基于定位结果将需求特征与教育资源对应的资源特征进行匹配筛选;
基于匹配筛选结果获取与需求特征相匹配的教育资源对应的资源特征,并将与需求特征相匹配的教育资源对应的资源特征作为待推荐教育资源的目标资源特征。
优选的,一种基于人工智能的教育资源推荐方法,步骤3中,读取目标用户的历史学习信息,并对历史学习信息进行分析,确定目标用户的兴趣特征,分别确定兴趣特征与各目标资源特征的匹配度,并基于匹配度确定每个待推荐教育资源对应的推荐值,包括:
获取目标用户的身份标识,并基于身份标识生成数据访问请求,且将数据访问请求传输至预设服务器;
基于预设服务器根据身份标识对预设数据库中的预存储数据进行读取,得到目标用户的历史学习信息,并对历史学习信息进行聚类处理,且对聚类处理后得到的各子历史学习信息组进行预处理,得到各子历史学习信息组对应的特征关键字序列;
提取特征关键字序列的属性信息,并基于属性信息将相似度大于预设相似度阈值的子历史学习信息组对应的特征关键字序列进行合并,且基于合并结果得到目标用户的多类型访问特征向量;
基于预设运算要求对预设模型库中的模型进行筛选,并基于筛选结果获取潜在模型,且基于预设训练数据对潜在模型进行训练,得到目标兴趣分析模型;
将多类型访问特征向量输入目标兴趣分析模型进行分析,得到目标用户对不同类型的教育资源的访问行为特征,并基于访问行为特征得到目标用户的兴趣特征;
将目标用户的兴趣特征与待推荐教育资源的目标资源特征进行匹配,并基于匹配结果确定目标用户对不同待推荐教育资源的目标资源特征的兴趣度,且基于兴趣度确定每个待推荐教育资源对应的推荐值。
优选的,一种基于人工智能的教育资源推荐方法,步骤4中,对每个待推荐教育资源对应的推荐值进行排序,输出最优推荐值对应的目标教育资源,包括:
S401:将每个待推荐教育资源对应的推荐值根据由小到大的顺序进行排序,并基于排序结果选取最大推荐值,将最大推荐值作为最优推荐值;
S402:基于最优推荐值确定对应的目标教育资源,同时,获取目标教育资源的资源标签,并确定目标用户的用户终端对应的用户标识;
S403:基于资源标签与用户标识对目标教育资源进行封装,获得待传输资源数据包;
S404:获取目标教育资源所在的目标平台地址,同时,确定用户终端的终端地址;
S405:基于目标平台地址与终端地址构建数据通信链路,同时,将待传输资源数据包基于数据通信链路传输至用户终端,完成对教育资源的推荐。
优选的,一种基于人工智能的教育资源推荐方法,步骤4中,实时监督目标用户对目标教育资源的学习程度,并根据学习程度对目标教育资源中的学习项目进行更新推荐,包括:
对目标教育资源进行读取,确定目标教育资源中包含的学习项目,同时,基于目标用户的历史学习信息获取目标用户的历史学习成绩;
根据目标用户的历史学习成绩对目标用户的学习能力进行评估,确定目标用户的学习能力系数;
对目标教育资源中包含的每个学习项目进行评估,确定目标教育资源中每个学习项目的难易程度;
将目标用户的学习能力系数在目标教育资源中每个学习项目的难易程度进行映射,并基于映射结果确定对目标用户在目标教育资源中每个学习项目进行推荐的推荐方案;
基于推荐方案对目标用户进行学习项目推荐,同时,实时监测目标用户对当前学习项目的学习程度,并基于目标用户对当前学习项目的学习程度确定目标用户对当前学习项目的知识掌握值;
将目标用户对当前学习项目的知识掌握值与预设掌握阈值进行比较,判断是否需要对目标用户更新推荐学习项目;
当目标用户对当前学习项目的知识掌握值小于或等于预设掌握阈值时,则判定不需要对目标用户更新推荐学习项目;
否则,则判定需要对目标用户更新推荐项目,并基于推荐方案对目标用户的学习项目进行更新推荐。
优选的,一种基于人工智能的教育资源推荐方法,根据目标用户的历史学习成绩对目标用户的学习能力进行评估,确定目标用户的学习能力系数,包括:
读取目标用户的历史学习成绩,并将目标用户的历史学习成绩与预设第一阈值以及预设第二阈值进行比较,其中,预设第一阈值小于预设第二阈值;
当目标用户的历史学习成绩小于或等于预设第一阈值时,则输出第一学习能力系数;
当目标用户的历史学习成绩大于预设第一阈值且小于或等于预设第二阈值时,则输出第二学习能力系数;
当目标用户的历史学习成绩大于预设第二阈值时,则输出第三学习能力系数。
优选的,一种基于人工智能的教育资源推荐方法,基于推荐方案对目标用户的学习项目进行更新推荐,包括:
基于目标用户的当前学习项目生成学习项目定位请求,根据第一学习项目定位请求在推荐方案中进行定位,确定当前学习项目在推荐方案中的目标定位;
根据当前学习项目在推荐方案中的目标定位,确定与目标定位相邻的下一个待推荐学习项目;
基于待推荐学习项目生成学习项目更新推荐指令,并基于学习项目更新推荐指令将待推荐学习项目更新推荐为当前学习项目。
本发明提供了一种基于人工智能的教育资源推荐系统,包括:
资源特征获取模块,用于获取教育资源数据库,并对教育资源数据库中的教育资源数据进行处理,确定教育资源数据库中教育资源的资源特征;
筛选模块,用于读取目标用户的资源需求,并确定资源需求对应的需求特征,同时,将需求特征与教育资源数据库中教育资源的资源特征进行筛选,并基于筛选结果提取教育资源数据库中与需求特征匹配的待推荐教育资源的目标资源特征;
推荐值确定模块,用于读取目标用户的历史学习信息,并对历史学习信息进行分析确定目标用户的兴趣特征,分别确定兴趣特征与各目标资源特征的匹配度,并基于匹配度确定每个待推荐教育资源对应的推荐值;
推荐模块,用于对每个待推荐教育资源对应的推荐值进行排序,输出最优推荐值对应的目标教育资源,同时,实时监督目标用户对目标教育资源的学习程度,并根据学习程度对目标教育资源中的学习项目进行更新推荐。
本发明的其它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可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种基于人工智能的教育资源推荐方法流程图;
图2为本发明实施例中一种基于人工智能的教育资源推荐方法中步骤4的流程图;
图3为本发明实施例中一种基于人工智能的教育资源推荐系统结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1:
本实施例提供了一种基于人工智能的教育资源推荐方法,如图1所示,包括:
步骤1:获取教育资源数据库,并对教育资源数据库中的教育资源数据进行处理,确定教育资源数据库中教育资源的资源特征;
步骤2:读取目标用户的资源需求,并确定资源需求对应的需求特征,同时,将需求特征与教育资源数据库中教育资源的资源特征进行筛选并匹配,并基于筛选结果提取教育资源数据库中与需求特征匹配的待推荐教育资源的目标资源特征;
步骤3:读取目标用户的历史学习信息,并对历史学习信息进行分析确定目标用户的兴趣特征,分别确定兴趣特征与各目标资源特征的匹配度,并基于匹配度确定每个待推荐教育资源对应的推荐值;
步骤4:对每个待推荐教育资源对应的推荐值进行排序,输出最优推荐值对应的目标教育资源,同时,实时监督目标用户对目标教育资源的学习程度,并根据学习程度对目标教育资源中的学习项目进行更新推荐。
该实施例中,教育资源数据库是提前设定好的,可以是由数据爬取技术在网络中爬取到的关于多种类型的教育资源数据组合而成的。
该实施例中,对教育资源数据库中的教育资源数据进行处理,可以是通过分类、数据清洗以及数据特征提取等数据处理方式实现对教育资源数据的资源特征的提取。
该实施例中,教育资源的资源特征可以是教育资源的类型以及教育资源之间的关联关系等。
该实施例中,目标用户的资源需求可以是目标用户想要学习教育资源的类型等需求,比如,目标用户的资源需求为学习C语言基础。
该实施例中,需求特征可以是用于表征用户需要访问或者调取的教育资源的类型以及需要调取的教育资源的资源量等信息。
该实施例中,待推荐教育资源可以是满足用户资源需求的教育资源,且不唯一。
该实施例中,教育资源数据库可以是提前设定的,包含全部教育资源以及教育资源对应的资源特征。
该实施例中,目标资源特征可以是待推荐教育资源的资源类型以及对应的教育资源量等信息。
该实施例中,历史学习信息是提前已知的,用于表征目标用户在过去一段时间内对教育资源的访问类型等信息。
该实施例中,兴趣特征可以是表征目标用户对不同类型的教育资源的喜好情况,从而便于根据目标用户的兴趣特征向目标用户推荐相应的教育资源。
该实施例中,推荐值可以是用于表征不同待推荐教育资源在向目标用户推荐时的推荐优先级,及推荐值越高的待推荐教育资源越符号目标用户的需求,也更容易向目标用户进行推荐。
该实施例中,最优推荐值对应的目标教育资源可以是根据推荐值最终确定的向目标用户进行推荐的教育资源。
该实施例中,根据学习程度对目标教育资源中的学习项目进行更新推荐可以是当目标教育资源中包含多个不同的学习项目时,且目标用户根据学习顺序对上一学习项目学习合格后会自动向目标用户提供目标教育资源中下一学习项目对应的资源,直至完成当前目标教育资源中所包含的所有资源。
上述技术方案的有益效果是:通过对教育资源数据库中的教育资源的资源特征进行有效确定,其次,对目标用户的资源需求进行解析,实现根据资源需求从教育资源中有效确定出待推荐教育资源的目标资源特征,最后,通过对目标用户的历史学习信息进行分析,实现对目标用户的兴趣特征进行有效确定,并根据兴趣特征与待推荐教育资源的目标资源特征的匹配度,实现从待推荐教育资源中确定最优的目标教育资源,且对目标用户对最优的目标教育资源的学习情况进行实时更新,保障了用户对教育资源的有效了解,同时,提高了教育资源推荐的可靠性、及时性以及便捷性。
实施例2:
在实施例1的基础上,本实施例提供了一种基于人工智能的教育资源推荐方法,步骤1中,获取教育资源数据库,并对教育资源数据库中的教育资源数据进行处理,确定教育资源数据库中教育资源的资源特征,包括:
输入资源爬取指令,并基于资源爬取指令在预设网络页面中爬取教育资源数据,并在教育资源数据中摘取无关数据,并基于摘取结果将剩余的教育资源数据进行整合,获得教育资源数据库;
对教育资源数据库中的教育资源数据进行分析,确定教育资源数据库中的教育资源数据的教育类型,并基于教育类型将教育资源数据库中的教育资源数据进行分类,并基于分类结果输出教育资源数据库中教育资源的资源特征。
该实施例中,预设网络页面是提前设定好的,通过预设网络页面可实现对需要的教育资源进行准确有效的爬取。
该实施例中,在教育资源数据中摘取无关数据可以是将爬取到的教育资源数据中的无关数据进行剔除。
上述技术方案的有益效果是:通过根据资源爬取指令从预设网络页面中爬取教育资源数据,并对爬取到的教育资源数据中的无关数据进行剔除,最后,对剩余的教育资源数据进行整合以及分类,实现对教育资源数据中教育资源的资源特征进行准确有效的确定,为准确向目标用户提供相应的教育资源提供了便利与保障,也便于提高对目标用户的推荐准确性。
实施例3:
在实施例1的基础上,本实施例提供了一种基于人工智能的教育资源推荐方法,步骤2中,读取目标用户的资源需求,并确定资源需求对应的需求特征向量,并确定资源需求对应的需求特征,包括:
对目标用户的资源需求进行读取,确定资源需求的文本表达,同时,基于预设文本拆分顺序将文本表达进行拆分,获得多个子文本表达;
将每个子文本表达输入至预设语义词汇库中,输出每个子文本表达在文本表达中所占的语义权重;
选取最大语义权重所对应的目标子文本表达,并将目标子文本表达中的词汇作为资源需求中的目标关键词;
将目标关键词输入至预设语义特征提取模型中,并基于预设语义特征提取模型输出资源需求对应的需求特征。
该实施例中,文本表达可以是资源需求对应的文本形式,通过对文本表达进行处理,可实现对目标用户的资源需求的需求特征进行准确有效的确定。
该实施例中,预设文本拆分顺序是提前设定好的,用于表征对文本的拆分规则等,是可以进行调整的。
该实施例中,子文本表达可以是根据预设文本拆分顺序将资源需求对应的文本表达进行拆分后得到的数据片段。
该实施例中,预设语义词汇库是提前设定好的,用于存储不同语义在文本中所对应的权重值。
该实施例中,语义权重是用于表征不同子文本表达在文本表达中的重要程度。
该实施例中,目标子文本表达可以是语义权重取值最大的子文本表达。
该实施例中,目标关键词可以是将语义权重最大值对应的子文本表达判定为关键词,从而用于表征目标用户的资源需求。
该实施例中,预设语义特征提取模型是提前设定好的,用于对目标关键词进行分析,从而实现对资源需求对应的需求特征进行准确有效的确定。
上述技术方案的有益效果是:通过将目标用户的资源需求转换为对应的文本表达,并对文本表达进行拆分解析,实现对文本表达中的目标关键词进行准确有效的确定,最后,将目标关键词输入预设语义特征提取模型进行分析,实现对目标用户的需求特征进行准确有效的确定,从而便于根据用户的需求特征从教育资源数据库中准确推荐相应的教育资源,保障了教育资源推荐的准确性以及可靠性。
实施例4:
在实施例1的基础上,本实施例提供了一种基于人工智能的教育资源推荐方法,步骤2中,根据需求特征对教育资源数据库中教育资源的资源特征进行筛选,选取待推荐教育资源的目标资源特征,包括:
基于需求特征确定数据筛选索引,并基于数据筛选索引对教育资源数据库中的教育资源进行定位,且基于定位结果将需求特征与教育资源对应的资源特征进行匹配筛选;
基于匹配筛选结果获取与需求特征相匹配的教育资源对应的资源特征,并将与需求特征相匹配的教育资源对应的资源特征作为待推荐教育资源的目标资源特征。
该实施例中,数据筛选索引是用于对教育资源数据库中的教育资源进行调取,从而便于根据需求特征对教育资源进行有效的筛选。
该实施例中,基于数据筛选索引对教育资源数据库中的教育资源进行定位可以是对需要进行筛选的教育资源的存储位置进行锁定,从而便于对教育资源进行筛选。
上述技术方案的有益效果是:通过将目标用户的需求特征与教育资源数据库中不同教育资源的资源特征进行匹配,实现对教育资源数据库中不同的教育资源进行筛选,挑选出教育资源数据库中与目标用户需求特征相一致的待推荐目标资源的目标资源特征,为准确向目标用户进行教育资源推荐提供了便利与保障,也确保了对目标用户进行资源推荐的准确性。
实施例5:
在实施例1的基础上,本实施例提供了一种基于人工智能的教育资源推荐方法,步骤3中,读取目标用户的历史学习信息,并对历史学习信息进行分析,确定目标用户的兴趣特征,分别确定兴趣特征与各目标资源特征的匹配度,并基于匹配度确定每个待推荐教育资源对应的推荐值,包括:
获取目标用户的身份标识,并基于身份标识生成数据访问请求,且将数据访问请求传输至预设服务器;
基于预设服务器根据身份标识对预设数据库中的预存储数据进行读取,得到目标用户的历史学习信息,并对历史学习信息进行聚类处理,且对聚类处理后得到的各子历史学习信息组进行预处理,得到各子历史学习信息组对应的特征关键字序列;
提取特征关键字序列的属性信息,并基于属性信息将相似度大于预设相似度阈值的子历史学习信息组对应的特征关键字序列进行合并,且基于合并结果得到目标用户的多类型访问特征向量;
基于预设运算要求对预设模型库中的模型进行筛选,并基于筛选结果获取潜在模型,且基于预设训练数据对潜在模型进行训练,得到目标兴趣分析模型;
将多类型访问特征向量输入目标兴趣分析模型进行分析,得到目标用户对不同类型的教育资源的访问行为特征,并基于访问行为特征得到目标用户的兴趣特征;
将目标用户的兴趣特征与待推荐教育资源的目标资源特征进行匹配,并基于匹配结果确定目标用户对不同待推荐教育资源的目标资源特征的兴趣度,且基于兴趣度确定每个待推荐教育资源对应的推荐值。
该实施例中,身份标识是用于标记不同目标用户身份的一种标记标签,通过该标识可快速对目标用户的身份进行区分。
该实施例中,预设服务器是提前设定好的,用于存储不同用户对应的历史学习信息。
该实施例中,预设数据库是预设服务器中缓存预存储数据的空间或容器,其中,预存储数据是提前已知的。
该实施例中,子历史学习信息组可以是对历史学习信息进行聚类后得到的多个不同的集合,从而便于对目标用户的行为习惯进行确定。
该实施例中,预处理可以是对各子历史学习信息组进行数据清洗以及关键词提取等处理。
该实施例中,特征关键字序列可以是能够表征不同子历史学习信息组的数据类型以及数据功能的数据片段。
该实施例中,属性信息可以是特征关键字序列的类型以及取值范围等特点。
该实施例中,预设相似度阈值是提前设定好的,是用于衡量子历史学习信息组是否为同一类的最低标准。
该实施例中,基于属性信息将相似度大于预设相似度阈值的子历史学习信息组对应的特征关键字序列进行合并可以是将同一类的特征关键字序列进行融合,目的是为了高效且快速的确定出目标用户对不同类型的教育资源的访问情况。
该实施例中,多类型访问特征向量是用于表征目标用户对教育资源数据库中不同类型的教育资源的访问情况。
该实施例中,预设运算要求是提前设定好的,例如可以是对运算速率以及运算类型的要求等。
该实施例中,预设模型库是提前设定好的,用于存储不同类型的模型框架。
该实施例中,潜在模型可以是可用于对目标用户的学习行为习惯进行分析的模型,是预设模型库中的一种。
该实施例中,预设训练数据是提前已知的,用于对潜在模型进行训练,从而确保最终得到的模型的准确可靠。
该实施例中,目标兴趣分析模型可以是通过预设训练数据对潜在模型进行训练后得到的模型,可对目标用户的兴趣特征进行有效分析的模型。
该实施例中,访问行为特征可以是表征目标用户对不同类型的教育资源的访问次数或者访问频率以及访问的教育资源的类型等。
该实施例中,兴趣度是用于表征目标用户对不同教育资源的感兴趣情况,兴趣度越大,表明目标用户越感兴趣,其对应的推荐值就越大。
上述技术方案的有益效果是:通过根据目标用户的身份标识实现对目标用户的历史学习信息进行准确有效的读取,其次,对读取到的历史学习信息进行分析,实现对目标用户对不同类型的教育资源的访问特征向量进行准确有效的确定,最后,通过预设训练数据对选取的模型进行训练,实现对目标兴趣分析模型进行准确有效的获取,且通过得到的目标兴趣分析模型对目标用户的多类型访问特征向量进行分析,实现对目标用户的兴趣特征进行有效确定,且根据兴趣特征实现对目标用户对不同待推荐教育资源的目标资源特征的兴趣度进行分析,最终实现对每个待推荐教育资源对应的推荐值进行可靠判断,从而便于根据推荐值向目标用户推荐准确可靠的教育资源,保障了教育资源推荐的效果。
实施例6:
在实施例1的基础上,本实施例提供了一种基于人工智能的教育资源推荐方法,如图2所示,步骤4中,对每个待推荐教育资源对应的推荐值进行排序,输出最优推荐值对应的目标教育资源,包括:
S401:将每个待推荐教育资源对应的推荐值根据由小到大的顺序进行排序,并基于排序结果选取最大推荐值,将最大推荐值作为最优推荐值;
S402:基于最优推荐值确定对应的目标教育资源,同时,获取目标教育资源的资源标签,并确定目标用户的用户终端对应的用户标识;
S403:基于资源标签与用户标识对目标教育资源进行封装,获得待传输资源数据包;
S404:获取目标教育资源所在的目标平台地址,同时,确定用户终端的终端地址;
S405:基于目标平台地址与终端地址构建数据通信链路,同时,将待传输资源数据包基于数据通信链路传输至用户终端,完成对教育资源的推荐。
该实施例中,目标教育资源的资源标签可以是表征目标教育资源的资源类型属性等特征的标识符号。
该实施例中,用户标识可以是目标用户录入用户终端的用户信息,比如,用户名称,用户账号等,通过确定目标用户的用户标识,保障对教育资源进行推荐时的准确性。
上述技术方案的有益效果是:通过资源标签与用户标识对目标资源进行封装,获得待传输资源数据包,进而通过数据通信链路实现对教育资源的推荐,可以有效实现保障教育资源在进行传输过程中的准确性,从而提高目标用户的使用效率以及适用程度。
实施例7:
在实施例1的基础上,本实施例提供了一种基于人工智能的教育资源推荐方法,步骤4中,实时监督目标用户对目标教育资源的学习程度,并根据学习程度对目标教育资源中的学习项目进行更新推荐,包括:
对目标教育资源进行读取,确定目标教育资源中包含的学习项目,同时,基于目标用户的历史学习信息获取目标用户的历史学习成绩;
根据目标用户的历史学习成绩对目标用户的学习能力进行评估,确定目标用户的学习能力系数;
对目标教育资源中包含的每个学习项目进行评估,确定目标教育资源中每个学习项目的难易程度;
将目标用户的学习能力系数在目标教育资源中每个学习项目的难易程度进行映射,并基于映射结果确定对目标用户在目标教育资源中每个学习项目进行推荐的推荐方案;
基于推荐方案对目标用户进行学习项目推荐,同时,实时监测目标用户对当前学习项目的学习程度,并基于目标用户对当前学习项目的学习程度确定目标用户对当前学习项目的知识掌握值;
将目标用户对当前学习项目的知识掌握值与预设掌握阈值进行比较,判断是否需要对目标用户更新推荐学习项目;
当目标用户对当前学习项目的知识掌握值小于或等于预设掌握阈值时,则判定不需要对目标用户更新推荐学习项目;
否则,则判定需要对目标用户更新推荐项目,并基于推荐方案对目标用户的学习项目进行更新推荐。
该实施例中,目标教育资源中包含多个学习项目,且每个学习项目是根据学习的难易程度进行划分的。
该实施例中,历史学习成绩可以是表征目标用户基于历史学习信息中,目标用户的知识得分,进而可以通过历史学习成绩衡量目标用户的学习能力系数。
该实施例中,学习能力系数可以是用来表征目标用户对教育资源进行学习的能力强弱。
该实施例中,基于映射结果确定对目标用户在目标教育资源中每个学习项目进行推荐的推荐方案,例如可以是通过确定学习能力系数衡量目标用户对没和学习项目进行学习的效率,进而根据学习效率从大到小的顺序将学习项目进行排序,从而确定对目标教育资源中每个学习项目进行推荐的推荐方案。
该实施例中,学习程度可以是对当前学习项目的学习进度,从而通过测试等手段确定基于当前学习项目的学习进度确定学习知识掌握值。
该实施例中,预设掌握阈值可以是提前设定好的,用来衡量是为需要对目标用户更新推荐学习项目的标准。
上述技术方案的有益效果是:通过确定目标用户的学习能力系数以及目标教育资源中每个学习项目的难易程度,进而实现对目标用户在目标教育资源中每个学习项目进行推荐的推荐方案的确定,进而根据实时监控目标用户的学习程度,实现对学习项目的动态更新推荐,提高了目标用户对目标教育资源进行学习的有效性以及智能性。
实施例8:
在实施例7的基础上,本实施例提供了一种基于人工智能的教育资源推荐方法,根据目标用户的历史学习成绩对目标用户的学习能力进行评估,确定目标用户的学习能力系数,包括:
读取目标用户的历史学习成绩,并将目标用户的历史学习成绩与预设第一阈值以及预设第二阈值进行比较,其中,预设第一阈值小于预设第二阈值;
当目标用户的历史学习成绩小于或等于预设第一阈值时,则输出第一学习能力系数;
当目标用户的历史学习成绩大于预设第一阈值且小于或等于预设第二阈值时,则输出第二学习能力系数;
当目标用户的历史学习成绩大于预设第二阈值时,则输出第三学习能力系数。
该实施例中,第一预设阈值与第二预设阈值均是提前设定好的,用来衡量目标用户的学习能力系数大小,其中,预设第一阈值小于预设第二阈值。
该实施例中,学习能力系数是指衡量学员对在历史学习过程中对学习知识的掌握程度的数字表达,将学习能力系数根据目标用户的学习能力由强到弱的顺序进行排序,具体为,第三学习能力系数>第二学习能力系数>第一学习能力系数。
上述技术方案的有益效果是:通过将历史学习成绩分别与预设第一阈值以及预设第二阈值进行比较,进而有效确定目标用户的学习能力系数,有效掌握目标学员在历史学习过程中的知识掌握情况,进而根据知识掌握情况确定适合目标学员的学习项目,使得对目标教育资源中学习项目的推荐的准确性得到保障。
实施例9:
在实施例7的基础上,本实施例提供了一种基于人工智能的教育资源推荐方法,基于推荐方案对目标用户的学习项目进行更新推荐,包括:
基于目标用户的当前学习项目生成学习项目定位请求,根据第一学习项目定位请求在推荐方案中进行定位,确定当前学习项目在推荐方案中的目标定位;
根据当前学习项目在推荐方案中的目标定位,确定与目标定位相邻的下一个待推荐学习项目;
基于待推荐学习项目生成学习项目更新推荐指令,并基于学习项目更新推荐指令将待推荐学习项目更新推荐为当前学习项目。
该实施例中,学习项目定位请求可以是用来基于当前学习项目实现在推荐方案中进行定位的请求。
该实施例中,项目更新推荐指令可以是基于待推荐学习项目生成的,用来对目标用户的当前学习项目进行更新的指令。
上述技术方案的有益效果是:通过确定学习项目定位请求可以有效实现在推荐方案中对目标用户的当前学习项目的定位,进而实现对待推荐学习项目的确定,实现对目标用户在目标教育资源中学习项目的智能化推荐。
实施例10:
本实施例提供了一种基于人工智能的教育资源推荐系统,如图3所示,包括:
资源特征获取模块,用于获取教育资源数据库,并对教育资源数据库中的教育资源数据进行处理,确定教育资源数据库中教育资源的资源特征;
筛选模块,用于读取目标用户的资源需求,并确定资源需求对应的需求特征,同时,将需求特征与教育资源数据库中教育资源的资源特征进行筛选,并基于筛选结果提取教育资源数据库中与需求特征匹配的待推荐教育资源的目标资源特征;
推荐值确定模块,用于读取目标用户的历史学习信息,并对历史学习信息进行分析确定目标用户的兴趣特征,分别确定兴趣特征与各目标资源特征的匹配度,并基于匹配度确定每个待推荐教育资源对应的推荐值;
推荐模块,用于对每个待推荐教育资源对应的推荐值进行排序,输出最优推荐值对应的目标教育资源,同时,实时监督目标用户对目标教育资源的学习程度,并根据学习程度对目标教育资源中的学习项目进行更新推荐。
上述技术方案的有益效果是:通过对教育资源数据库中的教育资源的资源特征进行有效确定,其次,对目标用户的资源需求进行解析,实现根据资源需求从教育资源中有效确定出待推荐教育资源的目标资源特征,最后,通过对目标用户的历史学习信息进行分析,实现对目标用户的兴趣特征进行有效确定,并根据兴趣特征与待推荐教育资源的目标资源特征的匹配度,实现从待推荐教育资源中确定最优的目标教育资源,且对目标用户对最优的目标教育资源的学习情况进行实时更新,保障了用户对教育资源的有效了解,同时,提高了教育资源推荐的可靠性、及时性以及便捷性。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种基于人工智能的教育资源推荐方法,其特征在于,包括:
步骤1:获取教育资源数据库,并对教育资源数据库中的教育资源数据进行处理,确定教育资源数据库中教育资源的资源特征;
步骤2:读取目标用户的资源需求,并确定资源需求对应的需求特征,同时,将需求特征与教育资源数据库中教育资源的资源特征进行筛选并匹配,并基于筛选结果提取教育资源数据库中与需求特征匹配的待推荐教育资源的目标资源特征;
步骤3:读取目标用户的历史学习信息,并对历史学习信息进行分析确定目标用户的兴趣特征,分别确定兴趣特征与各目标资源特征的匹配度,并基于匹配度确定每个待推荐教育资源对应的推荐值;
步骤4:对每个待推荐教育资源对应的推荐值进行排序,输出最优推荐值对应的目标教育资源,同时,实时监督目标用户对目标教育资源的学习程度,并根据学习程度对目标教育资源中的学习项目进行更新推荐;
步骤3中,读取目标用户的历史学习信息,并对历史学习信息进行分析,确定目标用户的兴趣特征,分别确定兴趣特征与各目标资源特征的匹配度,并基于匹配度确定每个待推荐教育资源对应的推荐值,包括:
获取目标用户的身份标识,并基于身份标识生成数据访问请求,且将数据访问请求传输至预设服务器;
基于预设服务器根据身份标识对预设数据库中的预存储数据进行读取,得到目标用户的历史学习信息,并对历史学习信息进行聚类处理,且对聚类处理后得到的各子历史学习信息组进行预处理,得到各子历史学习信息组对应的特征关键字序列;
提取特征关键字序列的属性信息,并基于属性信息将相似度大于预设相似度阈值的子历史学习信息组对应的特征关键字序列进行合并,且基于合并结果得到目标用户的多类型访问特征向量;
基于预设运算要求对预设模型库中的模型进行筛选,并基于筛选结果获取潜在模型,且基于预设训练数据对潜在模型进行训练,得到目标兴趣分析模型;
将多类型访问特征向量输入目标兴趣分析模型进行分析,得到目标用户对不同类型的教育资源的访问行为特征,并基于访问行为特征得到目标用户的兴趣特征;
将目标用户的兴趣特征与待推荐教育资源的目标资源特征进行匹配,并基于匹配结果确定目标用户对不同待推荐教育资源的目标资源特征的兴趣度,且基于兴趣度确定每个待推荐教育资源对应的推荐值。
2.根据权利要求1所述的一种基于人工智能的教育资源推荐方法,其特征在于,步骤1中,获取教育资源数据库,并对教育资源数据库中的教育资源数据进行处理,确定教育资源数据库中教育资源的资源特征,包括:
输入资源爬取指令,并基于资源爬取指令在预设网络页面中爬取教育资源数据,并在教育资源数据中摘取无关数据,并基于摘取结果将剩余的教育资源数据进行整合,获得教育资源数据库;
对教育资源数据库中的教育资源数据进行分析,确定教育资源数据库中的教育资源数据的教育类型,并基于教育类型将教育资源数据库中的教育资源数据进行分类,并基于分类结果输出教育资源数据库中教育资源的资源特征。
3.根据权利要求1所述的一种基于人工智能的教育资源推荐方法,其特征在于,步骤2中,读取目标用户的资源需求,并确定资源需求对应的需求特征,并确定资源需求对应的需求特征,包括:
对目标用户的资源需求进行读取,确定资源需求的文本表达,同时,基于预设文本拆分顺序将文本表达进行拆分,获得多个子文本表达;
将每个子文本表达输入至预设语义词汇库中,输出每个子文本表达在文本表达中所占的语义权重;
选取最大语义权重所对应的目标子文本表达,并将目标子文本表达中的词汇作为资源需求中的目标关键词;
将目标关键词输入至预设语义特征提取模型中,并基于预设语义特征提取模型输出资源需求对应的需求特征。
4.根据权利要求1所述的一种基于人工智能的教育资源推荐方法,其特征在于,步骤2中,根据需求特征对教育资源数据库中教育资源的资源特征进行筛选,选取待推荐教育资源的目标资源特征,包括:
基于需求特征确定数据筛选索引,并基于数据筛选索引对教育资源数据库中的教育资源进行定位,且基于定位结果将需求特征与教育资源对应的资源特征进行匹配筛选;
基于匹配筛选结果获取与需求特征相匹配的教育资源对应的资源特征,并将与需求特征相匹配的教育资源对应的资源特征作为待推荐教育资源的目标资源特征。
5.根据权利要求1所述的一种基于人工智能的教育资源推荐方法,其特征在于,步骤4中,对每个待推荐教育资源对应的推荐值进行排序,输出最优推荐值对应的目标教育资源,包括:
S401:将每个待推荐教育资源对应的推荐值根据由小到大的顺序进行排序,并基于排序结果选取最大推荐值,将最大推荐值作为最优推荐值;
S402:基于最优推荐值确定对应的目标教育资源,同时,获取目标教育资源的资源标签,并确定目标用户的用户终端对应的用户标识;
S403:基于资源标签与用户标识对目标教育资源进行封装,获得待传输资源数据包;
S404:获取目标教育资源所在的目标平台地址,同时,确定用户终端的终端地址;
S405:基于目标平台地址与终端地址构建数据通信链路,同时,将待传输资源数据包基于数据通信链路传输至用户终端,完成对教育资源的推荐。
6.根据权利要求1所述的一种基于人工智能的教育资源推荐方法,其特征在于,步骤4中,实时监督目标用户对目标教育资源的学习程度,并根据学习程度对目标教育资源中的学习项目进行更新推荐,包括:
对目标教育资源进行读取,确定目标教育资源中包含的学习项目,同时,基于目标用户的历史学习信息获取目标用户的历史学习成绩;
根据目标用户的历史学习成绩对目标用户的学习能力进行评估,确定目标用户的学习能力系数;
对目标教育资源中包含的每个学习项目进行评估,确定目标教育资源中每个学习项目的难易程度;
将目标用户的学习能力系数在目标教育资源中每个学习项目的难易程度进行映射,并基于映射结果确定对目标用户在目标教育资源中每个学习项目进行推荐的推荐方案;
基于推荐方案对目标用户进行学习项目推荐,同时,实时监测目标用户对当前学习项目的学习程度,并基于目标用户对当前学习项目的学习程度确定目标用户对当前学习项目的知识掌握值;
将目标用户对当前学习项目的知识掌握值与预设掌握阈值进行比较,判断是否需要对目标用户更新推荐学习项目;
当目标用户对当前学习项目的知识掌握值小于或等于预设掌握阈值时,则判定不需要对目标用户更新推荐学习项目;
否则,则判定需要对目标用户更新推荐项目,并基于推荐方案对目标用户的学习项目进行更新推荐。
7.根据权利要求6所述的一种基于人工智能的教育资源推荐方法,其特征在于,根据目标用户的历史学习成绩对目标用户的学习能力进行评估,确定目标用户的学习能力系数,包括:
读取目标用户的历史学习成绩,并将目标用户的历史学习成绩与预设第一阈值以及预设第二阈值进行比较,其中,预设第一阈值小于预设第二阈值;
当目标用户的历史学习成绩小于或等于预设第一阈值时,则输出第一学习能力系数;
当目标用户的历史学习成绩大于预设第一阈值且小于或等于预设第二阈值时,则输出第二学习能力系数;
当目标用户的历史学习成绩大于预设第二阈值时,则输出第三学习能力系数。
8.根据权利要求6所述的一种基于人工智能的教育资源推荐方法,其特征在于,基于推荐方案对目标用户的学习项目进行更新推荐,包括:
基于目标用户的当前学习项目生成学习项目定位请求,根据第一学习项目定位请求在推荐方案中进行定位,确定当前学习项目在推荐方案中的目标定位;
根据当前学习项目在推荐方案中的目标定位,确定与目标定位相邻的下一个待推荐学习项目;
基于待推荐学习项目生成学习项目更新推荐指令,并基于学习项目更新推荐指令将待推荐学习项目更新推荐为当前学习项目。
9.一种基于人工智能的教育资源推荐系统,其特征在于,包括:
资源特征获取模块,用于获取教育资源数据库,并对教育资源数据库中的教育资源数据进行处理,确定教育资源数据库中教育资源的资源特征;
筛选模块,用于读取目标用户的资源需求,并确定资源需求对应的需求特征,同时,将需求特征与教育资源数据库中教育资源的资源特征进行筛选,并基于筛选结果提取教育资源数据库中与需求特征匹配的待推荐教育资源的目标资源特征;
推荐值确定模块,用于读取目标用户的历史学习信息,并对历史学习信息进行分析确定目标用户的兴趣特征,分别确定兴趣特征与各目标资源特征的匹配度,并基于匹配度确定每个待推荐教育资源对应的推荐值;
推荐模块,用于对每个待推荐教育资源对应的推荐值进行排序,输出最优推荐值对应的目标教育资源,同时,实时监督目标用户对目标教育资源的学习程度,并根据学习程度对目标教育资源中的学习项目进行更新推荐;
推荐值确定模块中,读取目标用户的历史学习信息,并对历史学习信息进行分析,确定目标用户的兴趣特征,分别确定兴趣特征与各目标资源特征的匹配度,并基于匹配度确定每个待推荐教育资源对应的推荐值,包括:
获取目标用户的身份标识,并基于身份标识生成数据访问请求,且将数据访问请求传输至预设服务器;
基于预设服务器根据身份标识对预设数据库中的预存储数据进行读取,得到目标用户的历史学习信息,并对历史学习信息进行聚类处理,且对聚类处理后得到的各子历史学习信息组进行预处理,得到各子历史学习信息组对应的特征关键字序列;
提取特征关键字序列的属性信息,并基于属性信息将相似度大于预设相似度阈值的子历史学习信息组对应的特征关键字序列进行合并,且基于合并结果得到目标用户的多类型访问特征向量;
基于预设运算要求对预设模型库中的模型进行筛选,并基于筛选结果获取潜在模型,且基于预设训练数据对潜在模型进行训练,得到目标兴趣分析模型;
将多类型访问特征向量输入目标兴趣分析模型进行分析,得到目标用户对不同类型的教育资源的访问行为特征,并基于访问行为特征得到目标用户的兴趣特征;
将目标用户的兴趣特征与待推荐教育资源的目标资源特征进行匹配,并基于匹配结果确定目标用户对不同待推荐教育资源的目标资源特征的兴趣度,且基于兴趣度确定每个待推荐教育资源对应的推荐值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310679156.6A CN116628339B (zh) | 2023-06-09 | 2023-06-09 | 一种基于人工智能的教育资源推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310679156.6A CN116628339B (zh) | 2023-06-09 | 2023-06-09 | 一种基于人工智能的教育资源推荐方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116628339A CN116628339A (zh) | 2023-08-22 |
CN116628339B true CN116628339B (zh) | 2023-11-17 |
Family
ID=87613375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310679156.6A Active CN116628339B (zh) | 2023-06-09 | 2023-06-09 | 一种基于人工智能的教育资源推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116628339B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117745492B (zh) * | 2023-12-20 | 2024-05-24 | 华南师范大学 | 一种基于教育云平台的教育资源共享方法及系统 |
CN117454018B (zh) * | 2023-12-22 | 2024-03-08 | 深圳市康莱米电子股份有限公司 | 一种基于平板电脑的教育平台实现方法及系统 |
CN117830046B (zh) * | 2024-03-06 | 2024-05-07 | 长春电子科技学院 | 一种基于互联网的在线课程数据云管理系统 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106055661A (zh) * | 2016-06-02 | 2016-10-26 | 福州大学 | 基于多Markov链模型的多兴趣资源推荐方法 |
CN106296312A (zh) * | 2016-08-30 | 2017-01-04 | 江苏名通信息科技有限公司 | 基于社交媒体的在线教育资源推荐系统 |
CN106528693A (zh) * | 2016-10-25 | 2017-03-22 | 广东科海信息科技股份有限公司 | 面向个性化学习的教育资源推荐方法及系统 |
CN107220916A (zh) * | 2017-05-27 | 2017-09-29 | 邹杰 | 学习资源推送方法及装置 |
CN109241405A (zh) * | 2018-08-13 | 2019-01-18 | 华中师范大学 | 一种基于知识关联的学习资源协同过滤推荐方法及系统 |
CN111368210A (zh) * | 2020-05-27 | 2020-07-03 | 腾讯科技(深圳)有限公司 | 基于人工智能的信息推荐方法、装置以及电子设备 |
CN111966913A (zh) * | 2020-10-21 | 2020-11-20 | 拼说说(深圳)网络科技有限公司 | 一种教育资源推荐处理方法、装置及计算机设备 |
CN112000819A (zh) * | 2019-05-27 | 2020-11-27 | 北京达佳互联信息技术有限公司 | 多媒体资源推荐方法、装置、电子设备及存储介质 |
CN112765374A (zh) * | 2020-07-27 | 2021-05-07 | 上海斐杰教育科技有限公司 | 一种用于信息推送的教育资源筛选系统及其方法 |
WO2021109464A1 (zh) * | 2019-12-02 | 2021-06-10 | 南京莱斯网信技术研究院有限公司 | 一种面向大规模用户的个性化教学资源推荐方法 |
CN114065040A (zh) * | 2021-11-18 | 2022-02-18 | 扬州大学 | 基于学科知识图谱的个性化学习路径和学习资源推荐方法 |
CN114861059A (zh) * | 2022-05-18 | 2022-08-05 | 北京百度网讯科技有限公司 | 资源推荐方法、装置、电子设备及存储介质 |
CN114896498A (zh) * | 2022-05-16 | 2022-08-12 | 咪咕文化科技有限公司 | 课程推荐方法、系统、终端及存储介质 |
CN114969528A (zh) * | 2022-05-27 | 2022-08-30 | 浙江大学 | 基于能力评测的用户画像和学习路径推荐方法、装置及设备 |
CN115146161A (zh) * | 2022-06-30 | 2022-10-04 | 武汉美和易思数字科技有限公司 | 一种基于内容推荐的个性化学习资源推荐方法及系统 |
CN115329200A (zh) * | 2022-08-26 | 2022-11-11 | 国家开放大学 | 一种基于知识图谱和用户相似度的教学资源推荐方法 |
WO2023272530A1 (en) * | 2021-06-29 | 2023-01-05 | Siemens Aktiengesellschaft | Method, device and storage medium for knowledge recommendation |
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 |
CN116028702A (zh) * | 2021-10-25 | 2023-04-28 | 北京思明启创科技有限公司 | 学习资源推荐方法、系统及电子设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8457544B2 (en) * | 2008-12-19 | 2013-06-04 | Xerox Corporation | System and method for recommending educational resources |
CN108319733B (zh) * | 2018-03-29 | 2020-08-25 | 华中师范大学 | 一种基于地图的教育大数据分析方法及系统 |
-
2023
- 2023-06-09 CN CN202310679156.6A patent/CN116628339B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106055661A (zh) * | 2016-06-02 | 2016-10-26 | 福州大学 | 基于多Markov链模型的多兴趣资源推荐方法 |
CN106296312A (zh) * | 2016-08-30 | 2017-01-04 | 江苏名通信息科技有限公司 | 基于社交媒体的在线教育资源推荐系统 |
CN106528693A (zh) * | 2016-10-25 | 2017-03-22 | 广东科海信息科技股份有限公司 | 面向个性化学习的教育资源推荐方法及系统 |
CN107220916A (zh) * | 2017-05-27 | 2017-09-29 | 邹杰 | 学习资源推送方法及装置 |
CN109241405A (zh) * | 2018-08-13 | 2019-01-18 | 华中师范大学 | 一种基于知识关联的学习资源协同过滤推荐方法及系统 |
CN112000819A (zh) * | 2019-05-27 | 2020-11-27 | 北京达佳互联信息技术有限公司 | 多媒体资源推荐方法、装置、电子设备及存储介质 |
WO2021109464A1 (zh) * | 2019-12-02 | 2021-06-10 | 南京莱斯网信技术研究院有限公司 | 一种面向大规模用户的个性化教学资源推荐方法 |
CN111368210A (zh) * | 2020-05-27 | 2020-07-03 | 腾讯科技(深圳)有限公司 | 基于人工智能的信息推荐方法、装置以及电子设备 |
CN112765374A (zh) * | 2020-07-27 | 2021-05-07 | 上海斐杰教育科技有限公司 | 一种用于信息推送的教育资源筛选系统及其方法 |
CN111966913A (zh) * | 2020-10-21 | 2020-11-20 | 拼说说(深圳)网络科技有限公司 | 一种教育资源推荐处理方法、装置及计算机设备 |
WO2023272530A1 (en) * | 2021-06-29 | 2023-01-05 | Siemens Aktiengesellschaft | Method, device and storage medium for knowledge recommendation |
CN116028702A (zh) * | 2021-10-25 | 2023-04-28 | 北京思明启创科技有限公司 | 学习资源推荐方法、系统及电子设备 |
CN114065040A (zh) * | 2021-11-18 | 2022-02-18 | 扬州大学 | 基于学科知识图谱的个性化学习路径和学习资源推荐方法 |
CN114896498A (zh) * | 2022-05-16 | 2022-08-12 | 咪咕文化科技有限公司 | 课程推荐方法、系统、终端及存储介质 |
CN114861059A (zh) * | 2022-05-18 | 2022-08-05 | 北京百度网讯科技有限公司 | 资源推荐方法、装置、电子设备及存储介质 |
CN114969528A (zh) * | 2022-05-27 | 2022-08-30 | 浙江大学 | 基于能力评测的用户画像和学习路径推荐方法、装置及设备 |
CN115146161A (zh) * | 2022-06-30 | 2022-10-04 | 武汉美和易思数字科技有限公司 | 一种基于内容推荐的个性化学习资源推荐方法及系统 |
CN115329200A (zh) * | 2022-08-26 | 2022-11-11 | 国家开放大学 | 一种基于知识图谱和用户相似度的教学资源推荐方法 |
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 |
Non-Patent Citations (4)
Title |
---|
基于学习者模型的文本学习资源推荐算法研究;陈鑫宇 等;《计算机技术与发展》;第30卷(第06期);77-81 * |
基于用户画像技术的教育资源个性化推荐服务研究;尹婷婷 等;《数字图书馆论坛》(第11期);第29-35页 * |
基于知识图谱的个性化学习资源推荐研究;黄华升;《软件工程》;第21卷(第10期);23, 24-26 * |
多异构信息网络融合的在线学习资源推荐;仲兆满 等;《实验室研究与探索》;第39卷(第09期);198-203 * |
Also Published As
Publication number | Publication date |
---|---|
CN116628339A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116628339B (zh) | 一种基于人工智能的教育资源推荐方法及系统 | |
CN112632385B (zh) | 课程推荐方法、装置、计算机设备及介质 | |
CN110765257B (zh) | 一种知识图谱驱动型的法律智能咨询系统 | |
KR20190118477A (ko) | 엔티티 추천 방법 및 장치 | |
CN110427563B (zh) | 一种基于知识图谱的专业领域系统冷启动推荐方法 | |
CN105808590B (zh) | 搜索引擎实现方法、搜索方法以及装置 | |
CN112100529B (zh) | 搜索内容排序方法、装置、存储介质和电子设备 | |
CN109408743B (zh) | 文本链接嵌入方法 | |
CN111898031B (zh) | 一种获得用户画像的方法及装置 | |
CN111444344B (zh) | 实体分类方法、装置、计算机设备和存储介质 | |
CN113360616A (zh) | 自动问答处理方法、装置、设备及存储介质 | |
CN111930518B (zh) | 面向知识图谱表示学习的分布式框架构建方法 | |
CN110866093A (zh) | 机器问答方法及装置 | |
CN110347701B (zh) | 一种面向实体检索查询的目标类型标识方法 | |
CN111737494B (zh) | 智能学习系统的知识图谱生成方法 | |
US11928142B2 (en) | Information processing apparatus and information processing method | |
CN110781204A (zh) | 目标对象的标识信息确定方法、装置、设备及存储介质 | |
CN112463944A (zh) | 一种基于多模型融合的检索式智能问答方法及装置 | |
JP4891638B2 (ja) | 目的データをカテゴリに分類する方法 | |
CN115827990A (zh) | 搜索方法及装置 | |
CN113869034B (zh) | 基于强化依赖图的方面情感分类方法 | |
CN115147020A (zh) | 装修数据处理方法、装置、设备及存储介质 | |
CN112330387B (zh) | 一种应用于看房软件的虚拟经纪人 | |
CN115168700A (zh) | 一种基于预训练算法的信息流推荐方法、系统及介质 | |
CN111460206B (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |