CN117743985A - 基于移动互联网的在线培训课程推荐方法及系统 - Google Patents
基于移动互联网的在线培训课程推荐方法及系统 Download PDFInfo
- Publication number
- CN117743985A CN117743985A CN202311766905.5A CN202311766905A CN117743985A CN 117743985 A CN117743985 A CN 117743985A CN 202311766905 A CN202311766905 A CN 202311766905A CN 117743985 A CN117743985 A CN 117743985A
- Authority
- CN
- China
- Prior art keywords
- course
- recommended
- courses
- learning
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 title claims abstract description 39
- 239000013598 vector Substances 0.000 claims description 41
- 238000013507 mapping Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 238000009412 basement excavation Methods 0.000 claims description 3
- 238000005314 correlation function Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000005065 mining Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及数据分析领域，揭露一种基于移动互联网的在线培训课程推荐方法、系统及装置，包括：对待推荐课程进行课程分类，得到分类课程，将分类课程进行实体命名，得到命名实体课程；对命名实体课程进行关系抽取，得到实体关系课程，构建实体关系课程的课程知识图谱；检索待推荐用户的历史学习记录，提取历史学习记录中待推荐用户的已学习课程和课程学习成绩，计算学习课程的课程学习完成度，分析待推荐用户的偏好课程；对偏好课程进行推荐，得到推荐课程，计算待推荐用户对推荐课程的课程适合度；确定待推荐用户的目标推荐课程，执行待推荐用户的课程推荐。本发明可以提高对所述待推荐用户在线课程推荐的准确性。
Description
技术领域
本发明涉及数据分析领域，尤其涉及一种基于移动互联网的在线培训课程推荐方法及系统。
背景技术
在线培训是指在线培训是将网络技术应用于人力资源开发领域而创造出来的一种培训方法和形式，在线培训课程推荐可以有效的对需要在线培训的学生进行针对性课程推荐，提高学习学生的学习效率。
目前在线培训课程推荐主要是通过检索培训人员日常学习课程，在向培训人员推荐类似课程，这种推荐方法可能会推荐培训人员已经掌握或者与培训人员学习能力相差较大的培训内容，导致推荐的不够精准。
发明内容
为了解决上述问题，本发明提供了一种基于移动互联网的在线培训课程推荐方法及系统，可以提高对所述待推荐用户在线课程推荐的准确性。
第一方面，本发明提供了一种基于移动互联网的在线培训课程推荐方法及系统，包括：
获取待推荐课程，对所述待推荐课程进行课程分类，得到分类课程，利用训练好的命名实体识别模型将所述分类课程进行实体命名，得到命名实体课程；
对所述命名实体课程进行关系抽取，得到实体关系课程，构建所述实体关系课程的课程知识图谱；
获取待推荐用户，检索所述待推荐用户的历史学习记录，提取所述历史学习记录中所述待推荐用户的已学习课程和课程学习成绩，计算所述学习课程的课程学习完成度，根据所述课程学习完成度，分析所述待推荐用户的偏好课程；
分析所述偏好课程的课程特征，构建所述课程特征的特征向量，根据所述课程学习成绩，计算所述待推荐用户的学习能力；
根据所述特征向量，利用所述课程知识图谱的推荐网络对所述偏好课程进行推荐，得到推荐课程，根据所述学习能力，利用所述课程知识图谱的决策网络计算所述待推荐用户对所述推荐课程的课程适合度；
根据所述课程适合度，确定所述待推荐用户的目标推荐课程，通过所述目标推荐课程，执行所述待推荐用户的课程推荐。
在第一方面的一种可能实现方式中，所述利用训练好的命名实体识别模型将所述分类课程进行实体命名，得到命名实体课程，包括：
利用所述命名实体识别模型中的挖掘网络挖掘所述分类课程中的课程属性；
利用所述命名实体识别模型中的解析网络解析所述课程关系的属性特征；
根据所述属性特征，利用所述命名实体识别模型中的语义网络分析所述分类课程的课程关键语义；
利用所述命名实体识别模型中映射网络将预设的命名实体与所述课程关键语义进行映射，得到所述命名实体课程。
在第一方面的一种可能实现方式中，所述对所述命名实体课程进行关系抽取，得到实体关系课程，包括：
提取所述实体关系课程的课程实体；
对所述行业实体进行关联，得到关联实体；
计算所述关联实体的关联值；
根据所述关联值，分析所述命名实体课程的实体关系，得到所述实体关系课程。
在第一方面的一种可能实现方式中，所述计算所述关联实体的关联值，包括：
构建所述关联实体的关联图；
根据所述关联图，利用下述公式计算所述关联实体的关联值：
其中，表示关联值；Wc表示输入的关联实体；/>表示第a个关联图，/>和/>分别表示第a层卷积层的卷积核和偏置，SSctr表示关联函数。
根据权利要求1所述的方法，其特征在于，所述计算所述学习课程的课程学习完成度，包括：
识别所述学习课程的课程课时和当前完成课时；
在第一方面的一种可能实现方式中，利用下述公式计算所述学习课程的课程学习完成度：
其中，表示课程学习完成度，/>表示待推荐用户对学习课程的兴趣度归一化函数，e表示学习课程的课程实体，P1表示当前完成课时，P2表示课程课时。
在第一方面的一种可能实现方式中，所述根据所述课程学习完成度，分析所述待推荐用户的偏好课程，包括：
通过所述课程学习完成度，利用下述公式计算所述待推荐用户对该课程的兴趣度：
其中，XQDo表示兴趣度，cop表示个性化兴趣捕捉器，e表示学习课程的课程实体，表示课程学习完成度，θ表示正则参数；
根据所述兴趣度，分析所述待推荐用户的偏好课程。
在第一方面的一种可能实现方式中，所述构建所述课程特征的特征向量，包括：
构建所述课程特征的特征矩阵；
计算所述特征矩阵的特征值；
根据所述特征矩阵和所述特征值，利用下述公式计算所述课程特征的特征向量：
AD＝BD
其中，A表示特征矩阵，B表示特征值，D表示特征向量。
在第一方面的一种可能实现方式中，所述根据所述特征向量，利用所述课程知识图谱的推荐网络对所述偏好课程进行推荐，得到推荐课程，包括：
利用所述推荐网络的映射层对所述特征向量进行映射，得到图谱映射节点；
利用所述推荐网络的范围层识别所述图谱映射节点的节点范围；
根据所述节点范围，利用所述推荐网络的推荐层对所述偏好课程进行推荐，得到所述推荐课程。
在第一方面的一种可能实现方式中，所述根据所述学习能力，利用所述课程知识图谱的决策网络计算所述待推荐用户对所述推荐课程的课程适合度，包括：
利用所述决策网络的解析层分析所述推荐课程的课程难度；
根据所述课程难度和所述述学习能力，利用下述计算公式计算所述待推荐用户对所述推荐课程的课程适合度：
其中，AGGsu'm表示课程适合度，∈表示推理函数，M表示学习能力，Jv表示第v个推荐课程，表示第v个推荐课程在图谱中的位置，o表示课程难度。
第二方面，本发明提供了一种基于移动互联网的在线培训课程推荐系统及装置，所述装置包括：
实体命名模块，用于获取待推荐课程，对所述待推荐课程进行课程分类，得到分类课程，利用训练好的命名实体识别模型将所述分类课程进行实体命名，得到命名实体课程；
关系抽取模块，用于对所述命名实体课程进行关系抽取，得到实体关系课程，构建所述实体关系课程的课程知识图谱；
偏好课程分析模块，用于获取待推荐用户，检索所述待推荐用户的历史学习记录，提取所述历史学习记录中所述待推荐用户的已学习课程和课程学习成绩，计算所述学习课程的课程学习完成度，根据所述课程学习完成度，分析所述待推荐用户的偏好课程；
学习能力计算模块，用于分析所述偏好课程的课程特征，构建所述课程特征的特征向量，根据所述课程学习成绩，计算所述待推荐用户的学习能力；
课程适合度计算模块，用于根据所述特征向量，利用所述课程知识图谱的推荐网络对所述偏好课程进行推荐，得到推荐课程，根据所述学习能力，利用所述课程知识图谱的决策网络计算所述待推荐用户对所述推荐课程的课程适合度；
课程推荐模块，用于根据所述课程适合度，确定所述待推荐用户的目标推荐课程，通过所述目标推荐课程，执行所述待推荐用户的课程推荐。
与现有技术相比，本方案的技术原理及有益效果在于：
本发明实施例通过对所述待推荐课程进行课程分类，得到分类课程可以根据课程不同的类型更好的进行课程分析，提高课程的处理效率。进一步地，本发明实施例通过构建所述实体关系课程的课程知识图谱可以让推荐的课程更加具有针对性，提高对用户在线课程推荐的准确性。进一步地，本发明实施例通过提取所述历史学习记录中所述待推荐用户的已学习课程和课程学习成绩来可以明确所述待推荐用户的日常学习状态，从而提高所述待推荐用户在线课程推荐的准确性。进一步地，本发明实施例通过根据所述课程学习完成度，分析所述待推荐用户的偏好课程可以根据所述偏好课程更加精确对所述待推荐用户在线课程的推荐范围。本发明实施例通过分析所述偏好课程的课程特征可以对所述待推荐用户的偏好课程进行分析可以了解所述待推荐用户的学习兴趣，从而提高对所述带推荐用户在线课程推荐的准确性。再次，本发明实施例通过根据所述特征向量，利用所述课程知识图谱的推荐网络对所述偏好课程进行推荐，得到推荐课程可以得到所述待推荐用户相对感兴趣的课程，提高在线推荐课程的选择效率。最后，本发明实施例通过根据所述课程适合度，确定所述待推荐用户的目标推荐课程可以精确的确定所述待推荐用户所需要的课程，提高对所述待推荐用户在线课程推荐的准确性。因此，本发明实施例提出的一种基于移动互联网的在线培训课程推荐方法和系统及装置，可以提高对所述待推荐用户在线课程推荐的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种基于移动互联网的在线培训课程推荐方法及系统的流程示意图；
图2为本发明一实施例提供的一种基于移动互联网的在线培训课程推荐系统及装置的模块示意图；
图3为本发明一实施例提供的实现基于移动互联网的在线培训课程推荐方法及系统的电子设备的内部结构示意图。
具体实施方式
应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种基于移动互联网的在线培训课程推荐方法及系统，所述基于移动互联网的在线培训课程推荐方法及系统的执行主体包括但不限于服务端、终端等能够被配置为执行本发明实施例提供的该方法的电子设备中的至少一种。换言之，所述基于移动互联网的在线培训课程推荐方法及系统可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参阅图1所示，是本发明一实施例提供的基于移动互联网的在线培训课程推荐方法及系统的流程示意图。其中，图1中描述的基于移动互联网的在线培训课程推荐方法及系统包括：
S1、获取待推荐课程，对所述待推荐课程进行课程分类，得到分类课程，利用训练好的命名实体识别模型将所述分类课程进行实体命名，得到命名实体课程。
本发明实施例中，所述待推荐课程是指可以进行推荐的课程。
本发明实施例通过对所述待推荐课程进行课程分类，得到分类课程可以根据课程不同的类型更好的进行课程分析，提高课程的处理效率。其中，所述分类课程是指将所述待推荐课程进行分类后的课程集合。
作为本发明的一个实施例，所述对所述待推荐课程进行课程分类，得到分类课程，可以都过聚类函数实现。
本发明实施例通过利用训练好的命名实体识别模型将所述分类课程进行实体命名，得到命名实体课程可以对课程进行命名，提高后期建立课程知识图谱的建立效率。其中，所述命名实体课程是指进行实体命名后的课程。
作为本发明的一个实施例，所述利用训练好的命名实体识别模型将所述分类课程进行实体命名，得到命名实体课程，包括：利用所述命名实体识别模型中的挖掘网络挖掘所述分类课程中的课程属性；利用所述命名实体识别模型中的解析网络解析所述课程关系的属性特征；根据所述属性特征，利用所述命名实体识别模型中的语义网络分析所述分类课程的课程关键语义；利用所述命名实体识别模型中映射网络将预设的命名实体与所述课程关键语义进行映射，得到所述命名实体课程。
其中，所述挖掘网络是指用来进行数据属性的深度挖掘的网络，所述解析网络是指用来解析属性特征的网络，所述语义网络是指将通过课程之间的关系，分析每一类课程的关键信息的网络；所述映射网络是指用来将预设的实体名称和关键语义进行映射关联的网络。
进一步地，本发明一可选实施例中，所述利用所述命名实体识别模型中的挖掘网络挖掘所述分类课程中的课程属性可以通过数据挖掘算法来实现。
S2、对所述命名实体课程进行关系抽取，得到实体关系课程，构建所述实体关系课程的课程知识图谱。
本发明实施例通过对所述命名实体课程进行关系抽取，得到实体关系课程可以得到命名实体课程之间的关系，为接下来进行课程图谱构建提高数据基础。其中，所述实体关系课程是指将所属课程之间进行关系关联后的课程集合。
作为本发明的一个实施例，所述对所述命名实体课程进行关系抽取，得到实体关系课程，包括：提取所述实体关系课程的课程实体；对所述行业实体进行关联，得到关联实体；计算所述关联实体的关联值；根据所述关联值，分析所述命名实体课程的实体关系，得到所述实体关系课程。
其中，所述课程实体是指课程的实体例如C语言课程、Java课程、高数课程等实体，所述关联实体是指将所述课程实体进行关联，所述关联值是指两个实体之间的关联程度。
进一步地，本发明一可选实施例中，所述计算所述关联实体的关联值，包括：构建所述关联实体的关联图，根据所述关联图，利用下述公式计算所述关联实体的关联值：
其中，表示关联值；Wc表示输入的关联实体；/>表示第a个关联图，/>和/>分别表示第a层卷积层的卷积核和偏置，SSctr表示关联函数。
本发明实施例通过构建所述实体关系课程的课程知识图谱可以让推荐的课程更加具有针对性，提高对用户在线课程推荐的准确性。其中，所述课程知识图谱是指将所述待推荐课程构通过相互的关系整合到一起的组织架构。
作为本发明的一个实施例，所述构建所述实体关系课程的课程知识图谱可以通过将所述实体关系行业数据存储至Neo4j图数据库中完成所述行业知识图谱的构建。
S3、获取待推荐用户，检索所述待推荐用户的历史学习记录，提取所述历史学习记录中所述待推荐用户的已学习课程和课程学习成绩，计算所述学习课程的课程学习完成度，根据所述课程学习完成度，分析所述待推荐用户的偏好课程。
本发明实施例中，所述待推荐用户是指需要进行在线课程推荐的用户，例如，在线补课学生、在线培训白领等用户。
本发明实施例通过检索所述待推荐用户的历史学习记录可以了解所述待推荐用户的学习情况，为后期进行课程推荐提供数据支撑。其中，所述历史学习记录是指所述待推荐用户的日程进行在线学习的课程、考试等记录。
作为本发明的一个实施例，所述检索所述待推荐用户的历史学习记录可以通过Java脚本跟踪查询。
进一步地，本发明实施例通过提取所述历史学习记录中所述待推荐用户的已学习课程和课程学习成绩来可以明确所述待推荐用户的日常学习状态，从而提高所述待推荐用户在线课程推荐的准确性。其中，所述已学习课程和所述课程学习成绩是指所述待推荐用户进行学习的课程和课程获得的成绩。
作为本发明的一个实施例，所述提取所述历史学习记录中所述待推荐用户的已学习课程和课程学习成绩可以通过查询语句来查询。
本发明实施例通过计算所述学习课程的课程学习完成度可以了解所述待推荐用户对所述学习课程是否具有学习耐心，从而判断所述待推荐用户的课程偏好，提高所述待推荐用户在线课程推荐的准确性。其中，所述课程学习完成度是指所述待推荐用户对所述学习课程的完成程度。
作为本发明的一个实施例，所述计算所述学习课程的课程学习完成度，包括：识别所述学习课程的课程课时和当前完成课时；根据所述课程课时和所述当前完成课时，计算所述学习课程的课程学习完成度。
其中，所述课程课时和当前完成课时是指所述学习课程的总课时和完成课时。
进一步地，本发明一可选实施例中，所述根据所述课程课时和所述当前完成课时，利用下述公式计算所述学习课程的课程学习完成度：
其中，表示课程学习完成度，/>表示待推荐用户对学习课程的兴趣度归一化函数，e表示学习课程的课程实体，P1表示当前完成课时，P2表示课程课时。
进一步地，本发明实施例通过根据所述课程学习完成度，分析所述待推荐用户的偏好课程可以根据所述偏好课程更加精确对所述待推荐用户在线课程的推荐范围。其中，所述偏好课程是指所述待推荐用户的日常学习较多的课程。
作为本发明的一个实施例，所述根据所述课程学习完成度，分析所述待推荐用户的偏好课程，包括：通过所述课程学习完成度，计算所述待推荐用户对该课程的兴趣度，根据所述兴趣度，分析所述待推荐用户的偏好课程。
其中，所述兴趣度是指所述待推荐用户对所述学习课程的感兴趣程度。
进一步地，本发明一可选实施例中，所述通过所述课程学习完成度，利用下述公式计算所述待推荐用户对该课程的兴趣度：
其中，XQDo表示兴趣度，cop表示个性化兴趣捕捉器，e表示学习课程的课程实体，表示课程学习完成度，θ表示正则参数。
S4、分析所述偏好课程的课程特征，构建所述课程特征的特征向量，根据所述课程学习成绩，计算所述待推荐用户的学习能力。
本发明实施例通过分析所述偏好课程的课程特征可以对所述待推荐用户的偏好课程进行分析可以了解所述待推荐用户的学习兴趣，从而提高对所述带推荐用户在线课程推荐的准确性。其中，所述课程特征是指所述偏好课程的课程特性。
作为本发明的一个实施例，所述分析所述偏好课程的课程特征可以通过特征函数来实现。
进一步地，发明实施例通过构建所述课程特征的特征向量可以通过特征向量对课程知识图谱进行映射，得到更加准确的课程，其中，所述特征向量是指所述课程特征的向量值。
作为本发明的一个实施例，所述构建所述课程特征的特征向量，包括：构建所述课程特征的特征矩阵；计算所述特征矩阵的特征值；根据所述特征矩阵和所述特征值，计算所述课程特征的特征向量。
其中，所述特征矩阵是指由所述课程特征构建的矩阵，所述特征值是指所述特征矩阵的求得的值。
进一步地，本发明一可选实施例中，所述根据所述特征矩阵和所述特征值，利用下述公式计算所述课程特征的特征向量：
AD＝BD
其中，A表示特征矩阵，B表示特征值，D表示特征向量。
本发明实施例通过根据所述课程学习成绩，计算所述待推荐用户的学习能力可以根据的学习能力更好的判断所述待推荐用户下一阶段需要学习的课程。其中，所述学习能力是指所述待推荐用户的知识掌握程度和掌握速度。
作为本发明的一个实施例，所述根据所述课程学习成绩，计算所述待推荐用户的学习能力可以通过将所述课程学习成绩输入训练好的学习能力判断模型中实现。
S5、根据所述特征向量，利用所述课程知识图谱的推荐网络对所述偏好课程进行推荐，得到推荐课程，根据所述学习能力，利用所述课程知识图谱的决策网络计算所述待推荐用户对所述推荐课程的课程适合度。
本发明实施例通过根据所述特征向量，利用所述课程知识图谱的推荐网络对所述偏好课程进行推荐，得到推荐课程可以得到所述待推荐用户相对感兴趣的课程，提高在线推荐课程的选择效率。其中，所述推荐课程是指进行可以进行推荐的预备课程。
作为本发明的一个实施例，所述根据所述特征向量，利用所述课程知识图谱的推荐网络对所述偏好课程进行推荐，得到推荐课程，包括：利用所述推荐网络的映射层对所述特征向量进行映射，得到图谱映射节点；利用所述推荐网络的范围层识别所述图谱映射节点的节点范围；根据所述节点范围；利用所述推荐网络的推荐层对所述偏好课程进行推荐，得到所述推荐课程。
其中，所述映射层是指通过特征向量与课程知识图谱中的结构节点进行映射的层，所述范围层是指计算所述图谱映射节点之间范围的层，所述推荐层是指进行课程推荐的层。
进一步地，本发明一可选实施例中，所述利用所述推荐网络的映射层对所述特征向量进行映射，得到图谱映射节点可以通过映射函数来实现。
进一步地，本发明实施例通过根据所述学习能力，利用所述课程知识图谱的决策网络计算所述待推荐用户的课程适合度得到推荐课程是否可以很好的满足所述待推荐用户的学习需求，从而提高所述待推荐用户在线课程推荐的准确性。
作为本发明的一个实施例，所述根据所述学习能力，利用所述课程知识图谱的决策网络计算所述待推荐用户对所述推荐课程的课程适合度，包括：利用所述决策网络的解析层分析所述推荐课程的课程难度；根据所述课程难度和所述述学习能力，利用下述计算公式计算所述待推荐用户对所述推荐课程的课程适合度：
其中，AGGsu'm表示课程适合度，∈表示推理函数，M表示学习能力，Jv表示第v个推荐课程，表示第v个推荐课程在图谱中的位置，o表示课程难度。
S6、根据所述课程适合度，确定所述待推荐用户的目标推荐课程，通过所述目标推荐课程，执行所述待推荐用户的课程推荐。
本发明实施例通过根据所述课程适合度，确定所述待推荐用户的目标推荐课程可以精确的确定所述待推荐用户所需要的课程，提高对所述待推荐用户在线课程推荐的准确性。其中，所述目标推荐课程是指最后确定对所述待推荐用户进行推荐的课程。
作为本发明的一个实施例，所述根据所述课程适合度，确定所述待推荐用户的目标推荐课程可以通过判断函数计算适合度越高越符合待推荐用户的目标推荐课程。
进一步地，本发明实施例通过所述目标推荐课程，执行所述待推荐用户的课程推荐可以对所述待推荐用户进行目标课程推荐，提高对所述待推荐用户在线课程推荐的准确性的同时，增加了用户体验感。
作为本发明的一个实施例，所述通过所述目标推荐课程，执行所述待推荐用户的课程推荐可以通过推荐脚本实现。
可以看出，本发明实施例通过对所述待推荐课程进行课程分类，得到分类课程可以根据课程不同的类型更好的进行课程分析，提高课程的处理效率。进一步地，本发明实施例通过构建所述实体关系课程的课程知识图谱可以让推荐的课程更加具有针对性，提高对用户在线课程推荐的准确性。进一步地，本发明实施例通过提取所述历史学习记录中所述待推荐用户的已学习课程和课程学习成绩来可以明确所述待推荐用户的日常学习状态，从而提高所述待推荐用户在线课程推荐的准确性。进一步地，本发明实施例通过根据所述课程学习完成度，分析所述待推荐用户的偏好课程可以根据所述偏好课程更加精确对所述待推荐用户在线课程的推荐范围。本发明实施例通过分析所述偏好课程的课程特征可以对所述待推荐用户的偏好课程进行分析可以了解所述待推荐用户的学习兴趣，从而提高对所述带推荐用户在线课程推荐的准确性。再次，本发明实施例通过根据所述特征向量，利用所述课程知识图谱的推荐网络对所述偏好课程进行推荐，得到推荐课程可以得到所述待推荐用户相对感兴趣的课程，提高在线推荐课程的选择效率。最后，本发明实施例通过根据所述课程适合度，确定所述待推荐用户的目标推荐课程可以精确的确定所述待推荐用户所需要的课程，提高对所述待推荐用户在线课程推荐的准确性。因此，本发明实施例提出的一种基于移动互联网的在线培训课程推荐方法和系统及装置，可以提高对所述待推荐用户在线课程推荐的准确性。
如图2所示，是本发明基于移动互联网的在线培训课程推荐系统及装置功能模块图。
本发明所述基于移动互联网的在线培训课程推荐系统及装置200可以安装于电子设备中。根据实现的功能，所述基于移动互联网的在线培训课程推荐系统及装置可以包括实体命名模块201、关系抽取模块202、偏好课程分析模块203、学习能力计算模块204、课程适合度计算模块205以及课程推荐模块206。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本发明实施例中，关于各模块/单元的功能如下：
所述实体命名模块201，用于获取待推荐课程，对所述待推荐课程进行课程分类，得到分类课程，利用训练好的命名实体识别模型将所述分类课程进行实体命名，得到命名实体课程；
所述关系抽取模块202，用于对所述命名实体课程进行关系抽取，得到实体关系课程，构建所述实体关系课程的课程知识图谱；
所述偏好课程分析模块203，用于获取待推荐用户，检索所述待推荐用户的历史学习记录，提取所述历史学习记录中所述待推荐用户的已学习课程和课程学习成绩，计算所述学习课程的课程学习完成度，根据所述课程学习完成度，分析所述待推荐用户的偏好课程；
所述学习能力计算模块204，用于分析所述偏好课程的课程特征，构建所述课程特征的特征向量，根据所述课程学习成绩，计算所述待推荐用户的学习能力；
所述课程适合度计算模块205，用于根据所述特征向量，利用所述课程知识图谱的推荐网络对所述偏好课程进行推荐，得到推荐课程，根据所述学习能力，利用所述课程知识图谱的决策网络计算所述待推荐用户对所述推荐课程的课程适合度；
所述课程推荐模块206，用于根据所述课程适合度，确定所述待推荐用户的目标推荐课程，通过所述目标推荐课程，执行所述待推荐用户的课程推荐。
详细地，本发明实施例中所述基于移动互联网的在线培训课程推荐系统及装置200中的所述各模块在使用时采用与上述的图1所述的基于移动互联网的在线培训课程推荐方法及系统一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图3所示，是本发明实现基于移动互联网的在线培训课程推荐方法及系统的电子设备的结构示意图。
所述电子设备可以包括处理器30、存储器31、通信总线32以及通信接口33，还可以包括存储在所述存储器31中并可在所述处理器30上运行的计算机程序，如基于移动互联网的在线培训课程推荐系统及程序。
其中，所述处理器30在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器30是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块(例如执行基于移动互联网的在线培训课程推荐系统及程序等)，以及调用存储在所述存储器31内的数据，以执行电子设备的各种功能和处理数据。
所述存储器31至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器31在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器31在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器31还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器31不仅可以用于存储安装于电子设备的应用软件及各类数据，例如数据库配置化连接程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线32可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器31以及至少一个处理器30等之间的连接通信。
所述通信接口33用于上述电子设备3与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，所述用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器30逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利发明范围上并不受此结构的限制。
所述电子设备中的所述存储器31存储的数据库配置化连接程序是多个计算机程序的组合，在所述处理器30中运行时，可以实现：
获取待推荐课程，对所述待推荐课程进行课程分类，得到分类课程，利用训练好的命名实体识别模型将所述分类课程进行实体命名，得到命名实体课程；
对所述命名实体课程进行关系抽取，得到实体关系课程，构建所述实体关系课程的课程知识图谱；
获取待推荐用户，检索所述待推荐用户的历史学习记录，提取所述历史学习记录中所述待推荐用户的已学习课程和课程学习成绩，计算所述学习课程的课程学习完成度，根据所述课程学习完成度，分析所述待推荐用户的偏好课程；
分析所述偏好课程的课程特征，构建所述课程特征的特征向量，根据所述课程学习成绩，计算所述待推荐用户的学习能力；
根据所述特征向量，利用所述课程知识图谱的推荐网络对所述偏好课程进行推荐，得到推荐课程，根据所述学习能力，利用所述课程知识图谱的决策网络计算所述待推荐用户对所述推荐课程的课程适合度；
根据所述课程适合度，确定所述待推荐用户的目标推荐课程，通过所述目标推荐课程，执行所述待推荐用户的课程推荐。
具体地，所述处理器30对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性计算机可读取存储介质中。所述存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取待推荐课程，对所述待推荐课程进行课程分类，得到分类课程，利用训练好的命名实体识别模型将所述分类课程进行实体命名，得到命名实体课程；
对所述命名实体课程进行关系抽取，得到实体关系课程，构建所述实体关系课程的课程知识图谱；
获取待推荐用户，检索所述待推荐用户的历史学习记录，提取所述历史学习记录中所述待推荐用户的已学习课程和课程学习成绩，计算所述学习课程的课程学习完成度，根据所述课程学习完成度，分析所述待推荐用户的偏好课程；
分析所述偏好课程的课程特征，构建所述课程特征的特征向量，根据所述课程学习成绩，计算所述待推荐用户的学习能力；
根据所述特征向量，利用所述课程知识图谱的推荐网络对所述偏好课程进行推荐，得到推荐课程，根据所述学习能力，利用所述课程知识图谱的决策网络计算所述待推荐用户对所述推荐课程的课程适合度；
根据所述课程适合度，确定所述待推荐用户的目标推荐课程，通过所述目标推荐课程，执行所述待推荐用户的课程推荐。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
需要说明的是，在本文中，诸如“第一”和“第二”等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要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于移动互联网的在线培训课程推荐方法及系统，其特征在于，所述方法包括：
获取待推荐课程，对所述待推荐课程进行课程分类，得到分类课程，利用训练好的命名实体识别模型将所述分类课程进行实体命名，得到命名实体课程；
对所述命名实体课程进行关系抽取，得到实体关系课程，构建所述实体关系课程的课程知识图谱；
获取待推荐用户，检索所述待推荐用户的历史学习记录，提取所述历史学习记录中所述待推荐用户的已学习课程和课程学习成绩，计算所述学习课程的课程学习完成度，根据所述课程学习完成度，分析所述待推荐用户的偏好课程；
分析所述偏好课程的课程特征，构建所述课程特征的特征向量，根据所述课程学习成绩，计算所述待推荐用户的学习能力；
根据所述特征向量，利用所述课程知识图谱的推荐网络对所述偏好课程进行推荐，得到推荐课程，根据所述学习能力，利用所述课程知识图谱的决策网络计算所述待推荐用户对所述推荐课程的课程适合度；
根据所述课程适合度，确定所述待推荐用户的目标推荐课程，通过所述目标推荐课程，执行所述待推荐用户的课程推荐。
2.根据权利要求1所述的方法，其特征在于，所述利用训练好的命名实体识别模型将所述分类课程进行实体命名，得到命名实体课程，包括：
利用所述命名实体识别模型中的挖掘网络挖掘所述分类课程中的课程属性；
利用所述命名实体识别模型中的解析网络解析所述课程关系的属性特征；
根据所述属性特征，利用所述命名实体识别模型中的语义网络分析所述分类课程的课程关键语义；
利用所述命名实体识别模型中映射网络将预设的命名实体与所述课程关键语义进行映射，得到所述命名实体课程。
3.根据权利要求1所述的方法，其特征在于，所述对所述命名实体课程进行关系抽取，得到实体关系课程，包括：
提取所述实体关系课程的课程实体；
对所述行业实体进行关联，得到关联实体；
计算所述关联实体的关联值；
根据所述关联值，分析所述命名实体课程的实体关系，得到所述实体关系课程。
4.根据权利要求3所述的方法，其特征在于，所述计算所述关联实体的关联值，包括：
构建所述关联实体的关联图；
根据所述关联图，利用下述公式计算所述关联实体的关联值：
其中，表示关联值；Wc表示输入的关联实体；/>表示第a个关联图，/>和/>分别表示第a层卷积层的卷积核和偏置，SSctr表示关联函数。
5.根据权利要求1所述的方法，其特征在于，所述计算所述学习课程的课程学习完成度，包括：
识别所述学习课程的课程课时和当前完成课时；
根据所述课程课时和所述当前完成课时，利用下述公式计算所述学习课程的课程学习完成度：
其中，表示课程学习完成度，/>表示待推荐用户对学习课程的兴趣度归一化函数，e表示学习课程的课程实体，P1表示当前完成课时，P2表示课程课时。
6.根据权利要求1所述的方法，其特征在于，所述根据所述课程学习完成度，分析所述待推荐用户的偏好课程，包括：
通过所述课程学习完成度，利用下述公式计算所述待推荐用户对该课程的兴趣度：
其中，XQDo表示兴趣度，cop表示个性化兴趣捕捉器，e表示学习课程的课程实体，表示课程学习完成度，θ表示正则参数；
根据所述兴趣度，分析所述待推荐用户的偏好课程。
7.根据权利要求1所述的方法，其特征在于，所述构建所述课程特征的特征向量，包括：
构建所述课程特征的特征矩阵；
计算所述特征矩阵的特征值；
根据所述特征矩阵和所述特征值，利用下述公式计算所述课程特征的特征向量：
AD＝BD
其中，A表示特征矩阵，B表示特征值，D表示特征向量。
8.根据权利要求1所述的方法，其特征在于，所述根据所述特征向量，利用所述课程知识图谱的推荐网络对所述偏好课程进行推荐，得到推荐课程，包括：
利用所述推荐网络的映射层对所述特征向量进行映射，得到图谱映射节点；
利用所述推荐网络的范围层识别所述图谱映射节点的节点范围；
根据所述节点范围，利用所述推荐网络的推荐层对所述偏好课程进行推荐，得到所述推荐课程。
9.根据权利要求1-8所述的方法，其特征在于，所述根据所述学习能力，利用所述课程知识图谱的决策网络计算所述待推荐用户对所述推荐课程的课程适合度，包括：
利用所述决策网络的解析层分析所述推荐课程的课程难度；
根据所述课程难度和所述述学习能力，利用下述计算公式计算所述待推荐用户对所述推荐课程的课程适合度：
其中，AGGsu'm表示课程适合度，∈表示推理函数，M表示学习能力，Jv表示第v个推荐课程，表示第v个推荐课程在图谱中的位置，o表示课程难度。
10.一种基于移动互联网的在线培训课程推荐方法和系统及装置，其特征在于，所述装置包括：
实体命名模块，用于获取待推荐课程，对所述待推荐课程进行课程分类，得到分类课程，利用训练好的命名实体识别模型将所述分类课程进行实体命名，得到命名实体课程；
关系抽取模块，用于对所述命名实体课程进行关系抽取，得到实体关系课程，构建所述实体关系课程的课程知识图谱；
偏好课程分析模块，用于获取待推荐用户，检索所述待推荐用户的历史学习记录，提取所述历史学习记录中所述待推荐用户的已学习课程和课程学习成绩，计算所述学习课程的课程学习完成度，根据所述课程学习完成度，分析所述待推荐用户的偏好课程；
学习能力计算模块，用于分析所述偏好课程的课程特征，构建所述课程特征的特征向量，根据所述课程学习成绩，计算所述待推荐用户的学习能力；
课程适合度计算模块，用于根据所述特征向量，利用所述课程知识图谱的推荐网络对所述偏好课程进行推荐，得到推荐课程，根据所述学习能力，利用所述课程知识图谱的决策网络计算所述待推荐用户对所述推荐课程的课程适合度；
课程推荐模块，用于根据所述课程适合度，确定所述待推荐用户的目标推荐课程，通过所述目标推荐课程，执行所述待推荐用户的课程推荐。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311766905.5A CN117743985A (zh) | 2023-12-21 | 2023-12-21 | 基于移动互联网的在线培训课程推荐方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311766905.5A CN117743985A (zh) | 2023-12-21 | 2023-12-21 | 基于移动互联网的在线培训课程推荐方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117743985A true CN117743985A (zh) | 2024-03-22 |
Family
ID=90278975
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311766905.5A Pending CN117743985A (zh) | 2023-12-21 | 2023-12-21 | 基于移动互联网的在线培训课程推荐方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117743985A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118037003A (zh) * | 2024-04-10 | 2024-05-14 | 禾辰纵横信息技术有限公司 | 一种在线学习课程优化排序方法和系统 |
-
2023
- 2023-12-21 CN CN202311766905.5A patent/CN117743985A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118037003A (zh) * | 2024-04-10 | 2024-05-14 | 禾辰纵横信息技术有限公司 | 一种在线学习课程优化排序方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2019218514A1 (zh) | 网页目标信息的提取方法、装置及存储介质 | |
| CN110674312B (zh) | 构建知识图谱方法、装置、介质及电子设备 | |
| CN107944898A (zh) | 广告投放楼宇信息的自动发现与排序方法 | |
| CN117743985A (zh) | 基于移动互联网的在线培训课程推荐方法及系统 | |
| CN114648392B (zh) | 基于用户画像的产品推荐方法、装置、电子设备及介质 | |
| CN115659008B (zh) | 大数据信息反馈的信息推送系统、方法、电子设备及介质 | |
| WO2023159755A1 (zh) | 虚假新闻检测方法、装置、设备及存储介质 | |
| CN108959550B (zh) | 用户关注点挖掘方法、装置、设备及计算机可读介质 | |
| CN111696656B (zh) | 一种互联网医疗平台的医生评价方法、装置 | |
| CN115391669A (zh) | 一种智能推荐方法、装置、电子设备 | |
| CN113592605A (zh) | 基于相似产品的产品推荐方法、装置、设备及存储介质 | |
| CN115062200A (zh) | 基于人工智能的用户行为挖掘方法及系统 | |
| CN111831708A (zh) | 基于缺失数据的样本分析方法、装置、电子设备及介质 | |
| CN113344125B (zh) | 长文本匹配识别方法、装置、电子设备及存储介质 | |
| CN114756669A (zh) | 问题意图的智能分析方法、装置、电子设备及存储介质 | |
| CN112069782B (zh) | 文档模板生成方法、装置、电子设备及存储介质 | |
| CN116628162A (zh) | 语义问答方法、装置、设备及存储介质 | |
| CN116362684A (zh) | 一种基于图书馆集群的图书管理方法、装置、设备及存储介质 | |
| CN114722280A (zh) | 基于用户画像的课程推荐方法、装置、设备及存储介质 | |
| CN112131884B (zh) | 用于实体分类的方法和装置、用于实体呈现的方法和装置 | |
| CN113591881B (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
| CN113139129B (zh) | 虚拟阅读轨迹图生成方法、装置、电子设备及存储介质 | |
| CN114219367A (zh) | 用户评分方法、装置、设备及存储介质 | |
| CN116484085A (zh) | 一种信息投放方法、装置、设备及存储介质、程序产品 | |
| CN113707302A (zh) | 基于关联信息的服务推荐方法、装置、设备及存储介质 |
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 |