CN117009829A - 一种录播课程的相似度识别方法及装置 - Google Patents

Abstract

本发明公开了一种录播课程的相似度识别方法及装置，属于数据处理技术领域。相似度识别方法包括：分别将两门课程划分为多个知识模块，将对应的两个知识模块确定为一个知识模块组；确定各个知识模块组中每个知识模块的知识特征向量；计算每个知识模块组的第一相似度，第一相似度为该知识模块组中两个知识模块的知识特征向量的相似度；计算每个知识模块组的第二相似度，第二相似度为两门课程的通用特征向量的相似度；计算每个知识模块组的第三相似度，第三相似度为两门课程的知识水平特征向量的相似度；基于所有知识模块组的第一相似度、第二相似度和第三相似度计算两门课程的相似度。本发明提供了一种基于录播课程的相似度识别方法。

Description

一种录播课程的相似度识别方法及装置

技术领域

本发明属于数据处理技术领域，特别是涉及一种录播课程的相似度识别方法及装置。

背景技术

随着高校大规模录播教室的建设和普及，越来越多的教学录播视频资源随之产生，同时也衍生出了对教学录播视频资源相似度分析以及特征评价的需求。这其中存在不同学院对于不同课程的讲授内容存在相同知识点、相同教师授课、相同专业等内容，也会存在同样的C语言程序设计这门课程在不同的学院授课时存在知识内容、授课难度的差异。在现有的各类课程检索、相关课程、课程推荐等应用中一般均基于相同学院、相同学院、相同专业、课程标题等维度进行关系建立，在日益增长的授课视频大规模增长的形势下，如何实现找到课程间的多位关系特征、实现课程相似度的计算，为教学视频应用场景中的各类检索、推荐等提供数据基础是急需解决的需求。

发明内容

本发明的目的在于克服现有技术的不足，提供一种录播课程的相似度识别方法及装置。

本发明的目的是通过以下技术方案来实现的：一种录播课程的相似度识别方法，包括：

分别将两门课程划分为多个知识模块，并将两门课程中相对应的两个知识模块确定为一个知识模块组；

确定各个知识模块组中每个知识模块的知识特征向量；

计算每个知识模块组的第一相似度，每个知识模块组的第一相似度为该知识模块组中两个知识模块的知识特征向量的相似度；

计算每个知识模块组的第二相似度，每个知识模块组的第二相似度为两门课程的通用特征向量的相似度；

计算每个知识模块组的第三相似度，每个知识模块组的第三相似度为两门课程的知识水平特征向量的相似度；

基于所有知识模块组的第一相似度、第二相似度和第三相似度计算两门课程的相似度。

进一步地，分别将两门课程划分为多个知识模块，并将两门课程中相对应的两个知识模块确定为一个知识模块组，包括：

分别将两门课程按照章节划分为多个知识模块；

将两门课程中每个共同章节对应的两个知识模块确定为一个知识模块组。

进一步地，确定每个知识模块组中每个知识模块的知识特征向量，包括：

确定每个知识模块组中每个知识模块包含的知识点；

将每个知识模块组中两个知识模块包含的知识点求并集，生成该知识模块组的知识点集合；

根据所述知识点集合和每个知识模块包含的知识点生成该知识模块的知识特征向量。

进一步地，确定每个知识模块组中每个知识模块的知识特征向量，还包括：

将知识点集合中分别属于两个知识模块、且相似度大于预设值的两个知识点合并为一个知识点。

进一步地，所述通用特征向量的生成方法包括：

获取每门课程对应的第一指标组中每项指标的值，所述第一指标组包括课程名称、教师工号、学院代码、专业代码、职称和培养层次中的一种或多种；

将第一指标组中每项指标的值组成所述课程的通用特征向量。

进一步地，所述知识水平特征向量的生成方法包括：

确定每门课程对应的第二指标组中每项指标的值，所述第二指标组包括记忆、理解、应用、分析和评价中的一种或多种；

将第二指标组中每项指标的值组成所述课程的知识水平特征向量。

进一步地，所述知识模块组的第一相似度的计算公式为：

式中，表示知识特征向量/>和知识特征向量/>的相似度，/>表示知识特征向量/>和知识特征向量/>的维度数量，/>表示知识特征向量/>的第j个维度，/>表示知识特征向量/>的第j个维度；

所述知识模块组的第二相似度的计算公式为：

式中，表示通用特征向量/>和通用特征向量/>的相似度，/>表示通用特征向量/>和通用特征向量/>的维度数量，/>表示通用特征向量/>的第j个维度，/>表示通用特征向量/>的第j个维度；

所述知识模块组的第三相似度的计算公式为：

式中，表示知识水平特征向量/>和知识水平特征向量/>的相似度，表示知识水平特征向量/>和知识水平特征向量/>的维度数量，/>表示知识水平特征向量/>的第j个维度，/>表示知识水平特征向量/>的第j个维度。

进一步地，所述相似度识别方法还包括：

分别为第一相似度、第二相似度、第三相似度和知识模块组设置权重。

进一步地，两门课程的相似度的计算公式为：

式中，表示课程a和课程b的相似度；m表示知识模块组的个数；/>表示第i个知识模块组的权重；/>表示第一相似度的权重；/>表示第i个知识模块组的第一相似度；/>表示第二相似度的权重；/>表示第i个知识模块组的第二相似度；/>表示第三相似度的权重；表示第i个知识模块组的第三相似度/>。

一种录播课程的相似度识别装置，包括：

划分模块，用于分别将两门课程划分为多个知识模块，并将两门课程中相对应的两个知识模块确定为一个知识模块组；

知识特征向量确定模块，用于确定各个知识模块组中每个知识模块的知识特征向量；

第一相似度计算模块，用于计算每个知识模块组的第一相似度，每个知识模块组的第一相似度为该知识模块组中两个知识模块的知识特征向量的相似度；

第二相似度计算模块，用于计算每个知识模块组的第二相似度，每个知识模块组的第二相似度为两门课程的通用特征向量的相似度；

第三相似度计算模块，用于计算每个知识模块组的第三相似度，每个知识模块组的第三相似度为两门课程的知识水平特征向量的相似度；

课程相似度计算模块，用于基于每个知识模块组的第一相似度、第二相似度和第三相似度计算两门课程的相似度。

本发明的有益效果是：

（1）本发明基于课程进行知识模块的拆分，强化基于课程内容的相似度计算，实现了从课程基础信息相似度计算到课程知识体系相似度计算的转变，实现了基于知识内容的相似度计算；

（2）本发明基于知识认知水平的特征定义与特征计算，加入知识模块认知水平的相似度计算，从教学模式、知识认知水平的角度进行特征的定义与提取，如课程是否为理解性知识模块、讲授性知识模块、问答性知识模块等维度度进行提取，更好的实现了课程相似度的认知水平计算，为学生不同教学风格、不同知识接受方式（如推荐场景、检索场景、教学特征分类等）等提供基础数据支撑；

（3）本发明通过对知识点模块的拆分，以及对不同的知识模块进行权重的调节，如果在后期的课程推荐等场景中根据用户的知识缺陷等问题进行相关知识的权重参数强化等方法，能够更好的推荐出利于学生解决缺陷知识内容的课程。

附图说明

图1为本发明中相似度识别方法的一种流程图；

图2为本发明中相似度识别装置的一种组成框图。

具体实施方式

下面将结合实施例，对本发明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，本领域技术人员在没有付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。

参阅图1至图2，本发明提供一种录播课程的相似度识别方法及装置：

如图1所示，本实施例的第一方面提供了一种录播课程的相似度识别方法，所述相似度识别方法包括步骤S100至步骤S600。

步骤S100.分别将两门课程划分为多个知识模块，并将两门课程中相对应的两个知识模块确定为一个知识模块组。

在一些实施例中，分别将两门课程划分为多个知识模块，并将两门课程中相对应的两个知识模块确定为一个知识模块组，包括：分别将两门课程按照章节划分为多个知识模块；将两门课程中每个共同章节对应的两个知识模块确定为一个知识模块组。

一般的，知识模块的划分主要依据知识点及其之间的关系，通常按课程的章节进行知识模块的划分，比如将课程的每一章划分为一个知识模块。例如，“C语言程序设计”课程可按照“不同数据、语句类型”划分为选择结构程序设计、循环结构程序设计、数组、函数、指针与链表、文件等知识模块。在进行知识模块的具体划分时，只要能保证在对实际课程的知识点进行抽取时的非歧义性，知识点的粒度可适当大些，以方便计算。

每个知识模块组包括两个对应的知识模块，且这两个知识模块分别属于两门课程。例如，课程一中的第三章对应于课程二中的第六章，进行知识模块划分时，课程一中的第三章被划分为知识模块A，课程二中的第六章被划分为知识模块B，则将知识模块A和知识模块B组成一个知识模块组。

步骤S200.确定各个知识模块组中每个知识模块的知识特征向量。

在一些实施例中，确定每个知识模块组中每个知识模块的知识特征向量，包括：确定每个知识模块组中每个知识模块包含的知识点；将每个知识模块组中两个知识模块包含的知识点求并集，生成该知识模块组的知识点集合；根据所述知识点集合和每个知识模块包含的知识点生成该知识模块的知识特征向量。

在一些实施例中，确定每个知识模块组中每个知识模块的知识特征向量，还包括：将知识点集合中分别属于两个知识模块、且相似度大于预设值的两个知识点合并为一个知识点。通过将相似的知识点进行合并，有利于减小后续的计算量。

例如，两门“C语言程序设计”课程中的知识模块“函数”对应的知识点：

A1:{ a11.函数的定义，a12.函数的参数和函数的值，a13.函数的嵌套调用，a14.函数的递归调用，a15.变量作用域}；

A2:{ a21.模块化设计思想，a22.函数概述,a23.标准库函数简介,a24.函数的定义与调用,a25.函数的参数,a26.变量的作用域}；

对A1和A2中的知识点进行文本特征值的提取，然后进行文本相似度的计算，如果相似度超过0.8，则进行知识点的合并。比如，分别计算A2中每个知识点与A1中所有知识点的相似度，若A2中一个知识点与A1中某个知识点的相似度大于预设值，则将这两个知识点进行合并，若A2中一个知识点与A1中两个或以上知识点的相似度大于预设值，则将A2中的那个知识点与A1中相似度最高的那个知识点进行合并。

假设A1和A2中知识点的相似度计算结果如表1，则知识模块“函数”所属知识模块组的知识点集合AS为{a11.函数的定义，a14.函数的递归调用，a12.函数的参数和函数的值，a15.变量作用域，a13.函数的嵌套调用，a21.模块化设计思想，a23.标准库函数简介}。

表1

根据A1和A2中是否存在知识点集合AS中的知识点进行赋值，若存在对应的知识点，则赋值为1，否则赋值为0，如表2所示。

表2

此时，知识模块A1的知识特征向量为{1，1，1，1，1，0，0}，知识模块A2的知识特征向量为{1，1，1，1，1，1，1}。

步骤S300.计算每个知识模块组的第一相似度，每个知识模块组的第一相似度为该知识模块组中两个知识模块的知识特征向量的相似度。

所述知识模块组的第一相似度的计算公式为：

式中，表示知识特征向量/>和知识特征向量/>的相似度，/>表示知识特征向量/>和知识特征向量/>的维度数量，/>表示知识特征向量/>的第j个维度，/>表示知识特征向量/>的第j个维度。

步骤S400.计算每个知识模块组的第二相似度，每个知识模块组的第二相似度为两门课程的通用特征向量的相似度。

在一些实施例中，所述通用特征向量的生成方法包括：获取每门课程对应的第一指标组中每项指标的值，所述第一指标组包括课程名称、授课教师、开课学院、学科门类、教师职称和课程层次中的一种或多种；将第一指标组中每项指标的值组成所述课程的通用特征向量。

本实施例主要通过课程名称、授课教师、开课学院、学科门类、教师职称、课程层次等属性数据来形成各门课程的数据表格，再根据数据表格中的内容生成一条基于文本的行向量来作为课程的通用特征向量。例如，如表3所示的数据表格，可以生成如下通用特征向量[C语言程序设计，30020，计算机学院，软件工程，副教授，本科]，[计算机网络，30021，计算机学院，软件工程，副教授，本科]，[编译原理，30022，计算机学院，软件工程，副教授，本科]。

表3

所述知识模块组的第二相似度的计算公式为：

式中，表示通用特征向量/>和通用特征向量/>的相似度，/>表示通用特征向量/>和通用特征向量/>的维度数量，/>表示通用特征向量/>的第j个维度，/>表示通用特征向量/>的第j个维度。

步骤S500.计算每个知识模块组的第三相似度，每个知识模块组的第三相似度为两门课程的知识水平特征向量的相似度。

在一些实施例中，所述知识水平特征向量的生成方法包括：确定每门课程对应的第二指标组中每项指标的值，所述第二指标组包括记忆、理解、应用、分析和评价中的一种或多种；

将第二指标组中每项指标的值组成所述课程的知识水平特征向量。

本实施例中根据知识水平特征定义记忆、理解、应用、分析、评价等多个指标（）量规，对于每门课程，给各个指标赋予相应的分值，从而生成各门课程的知识水平特征向量。一般的，每个指标的分值在0-10之间，分值数据来自于教师的督导与学生的反馈机制。1)记忆:从长时记忆中 提取相关的知识，主要指需要学生进行直接复述,如“列举出计算机语言冶；2)理解:从口头、书面和图像 等交流形式的教学信息中建构意义,主要指需要学生不仅复述,还需理解,如比较“for 循环语句与 do while 循环语句的异同冶;3 )应用:在给定情境中执 行或者使用程序,主要指让学生应用原理公式解决 问题,这类问题有时与现实生活不直接对应,如编写 程序求三个实数平均值;4)分析:把材料分解成各个组成部分并确定各部分之间的相互关系,以及各 部分与总体结构或总目的之间的关系;5)评价:基于准则和标准做出判断;6)创造:将要素组成内在一致的整体或功能性整体或将要素重新组织成新的模型或体系。

假设两门课程各个量规的分值如表4所示，则这两门课程的知识水平特征向量为[ {"courseid": 1001, "记忆": 8, "理解": 8, "应用": 7, "分析": 6, "评价": 8},{"courseid": 1002, "记忆": 6, "理解": 9, "应用": 10, "分析": 6, "评价": 5} ]。

表4

所述知识模块组的第三相似度的计算公式为：

式中，表示知识水平特征向量/>和知识水平特征向量/>的相似度，表示知识水平特征向量/>和知识水平特征向量/>的维度数量，/>表示知识水平特征向量/>的第j个维度，/>表示知识水平特征向量/>的第j个维度。

步骤S600.基于所有知识模块组的第一相似度、第二相似度和第三相似度计算两门课程的相似度。

在一些实施例中，所述相似度识别方法还包括：分别为第一相似度、第二相似度、第三相似度和知识模块组设置权重。本实施例中，通过为第一相似度、第二相似度、第三相似度和知识模块组设置权重，可以更好地反应两门课程的相似度。

两门课程的相似度的计算公式为：

式中，表示课程a和课程b的相似度；m表示知识模块组的个数；/>表示第i个知识模块组的权重；/>表示第一相似度的权重；/>表示第i个知识模块组的第一相似度；/>表示第二相似度的权重；/>表示第i个知识模块组的第二相似度；/>表示第三相似度的权重；表示第i个知识模块组的第三相似度/>。

如图2所示，本实施例的第二方面提供了一种录播课程的相似度识别装置，所述相似度识别装置包括划分模块、知识特征向量确定模块、第一相似度计算模块、第二相似度计算模块、第三相似度计算模块和课程相似度计算模块。

划分模块，用于分别将两门课程划分为多个知识模块，并将两门课程中相对应的两个知识模块确定为一个知识模块组。

知识特征向量确定模块，用于确定各个知识模块组中每个知识模块的知识特征向量。

第一相似度计算模块，用于计算每个知识模块组的第一相似度，每个知识模块组的第一相似度为该知识模块组中两个知识模块的知识特征向量的相似度。

第二相似度计算模块，用于计算每个知识模块组的第二相似度，每个知识模块组的第二相似度为两门课程的通用特征向量的相似度。

第三相似度计算模块，用于计算每个知识模块组的第三相似度，每个知识模块组的第三相似度为两门课程的知识水平特征向量的相似度。

课程相似度计算模块，用于基于每个知识模块组的第一相似度、第二相似度和第三相似度计算两门课程的相似度。

需要说明的是，本领域技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统或者装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再重复描述。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (10)

1.一种录播课程的相似度识别方法，其特征在于，包括：

分别将两门课程划分为多个知识模块，并将两门课程中相对应的两个知识模块确定为一个知识模块组；

确定各个知识模块组中每个知识模块的知识特征向量；

计算每个知识模块组的第一相似度，每个知识模块组的第一相似度为该知识模块组中两个知识模块的知识特征向量的相似度；

计算每个知识模块组的第二相似度，每个知识模块组的第二相似度为两门课程的通用特征向量的相似度；

计算每个知识模块组的第三相似度，每个知识模块组的第三相似度为两门课程的知识水平特征向量的相似度；

基于所有知识模块组的第一相似度、第二相似度和第三相似度计算两门课程的相似度。

2.根据权利要求1所述的一种录播课程的相似度识别方法，其特征在于，分别将两门课程划分为多个知识模块，并将两门课程中相对应的两个知识模块确定为一个知识模块组，包括：

分别将两门课程按照章节划分为多个知识模块；

将两门课程中每个共同章节对应的两个知识模块确定为一个知识模块组。

3.根据权利要求1所述的一种录播课程的相似度识别方法，其特征在于，确定每个知识模块组中每个知识模块的知识特征向量，包括：

确定每个知识模块组中每个知识模块包含的知识点；

将每个知识模块组中两个知识模块包含的知识点求并集，生成该知识模块组的知识点集合；

根据所述知识点集合和每个知识模块包含的知识点生成该知识模块的知识特征向量。

4.根据权利要求3所述的一种录播课程的相似度识别方法，其特征在于，确定每个知识模块组中每个知识模块的知识特征向量，还包括：

将知识点集合中分别属于两个知识模块、且相似度大于预设值的两个知识点合并为一个知识点。

5.根据权利要求1所述的一种录播课程的相似度识别方法，其特征在于，所述通用特征向量的生成方法包括：

获取每门课程对应的第一指标组中每项指标的值，所述第一指标组包括课程名称、教师工号、学院代码、专业代码、职称和培养层次中的一种或多种；

将第一指标组中每项指标的值组成所述课程的通用特征向量。

6.根据权利要求1所述的一种录播课程的相似度识别方法，其特征在于，所述知识水平特征向量的生成方法包括：

确定每门课程对应的第二指标组中每项指标的值，所述第二指标组包括记忆、理解、应用、分析和评价中的一种或多种；

将第二指标组中每项指标的值组成所述课程的知识水平特征向量。

7.根据权利要求1所述的一种录播课程的相似度识别方法，其特征在于，所述知识模块组的第一相似度的计算公式为：

式中，表示知识特征向量/>和知识特征向量/>的相似度，/>表示知识特征向量/>和知识特征向量/>的维度数量，/>表示知识特征向量/>的第j个维度，/>表示知识特征向量/>的第j个维度；

所述知识模块组的第二相似度的计算公式为：

式中，表示通用特征向量/>和通用特征向量/>的相似度，/>表示通用特征向量/>和通用特征向量/>的维度数量，/>表示通用特征向量/>的第j个维度，/>表示通用特征向量/>的第j个维度；

所述知识模块组的第三相似度的计算公式为：

式中，表示知识水平特征向量/>和知识水平特征向量/>的相似度，/>表示知识水平特征向量/>和知识水平特征向量/>的维度数量，/>表示知识水平特征向量的第j个维度，/>表示知识水平特征向量/>的第j个维度。

8.根据权利要求1所述的一种录播课程的相似度识别方法，其特征在于，所述相似度识别方法还包括：

分别为第一相似度、第二相似度、第三相似度和知识模块组设置权重。

9.根据权利要求1所述的一种录播课程的相似度识别方法，其特征在于，两门课程的相似度的计算公式为：

式中，表示课程a和课程b的相似度；m表示知识模块组的个数；/>表示第i个知识模块组的权重；/>表示第一相似度的权重；/>表示第i个知识模块组的第一相似度；表示第二相似度的权重；/>表示第i个知识模块组的第二相似度；/>表示第三相似度的权重；表示第i个知识模块组的第三相似度/>。

10.一种录播课程的相似度识别装置，其特征在于，包括：

划分模块，用于分别将两门课程划分为多个知识模块，并将两门课程中相对应的两个知识模块确定为一个知识模块组；

知识特征向量确定模块，用于确定各个知识模块组中每个知识模块的知识特征向量；

第一相似度计算模块，用于计算每个知识模块组的第一相似度，每个知识模块组的第一相似度为该知识模块组中两个知识模块的知识特征向量的相似度；

第二相似度计算模块，用于计算每个知识模块组的第二相似度，每个知识模块组的第二相似度为两门课程的通用特征向量的相似度；

第三相似度计算模块，用于计算每个知识模块组的第三相似度，每个知识模块组的第三相似度为两门课程的知识水平特征向量的相似度；

课程相似度计算模块，用于基于每个知识模块组的第一相似度、第二相似度和第三相似度计算两门课程的相似度。