CN117828223A - 一种用户画像分析方法、系统及存储介质 - Google Patents

一种用户画像分析方法、系统及存储介质 Download PDF

Info

Publication number
CN117828223A
CN117828223A CN202410063583.6A CN202410063583A CN117828223A CN 117828223 A CN117828223 A CN 117828223A CN 202410063583 A CN202410063583 A CN 202410063583A CN 117828223 A CN117828223 A CN 117828223A
Authority
CN
China
Prior art keywords
course
target user
active
website
courses
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
Application number
CN202410063583.6A
Other languages
English (en)
Inventor
仲崇超
赵明乾
周悦
庄子明
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.)
Sdic Human Resources Service Co ltd
Original Assignee
Sdic Human Resources Service 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 Sdic Human Resources Service Co ltd filed Critical Sdic Human Resources Service Co ltd
Priority to CN202410063583.6A priority Critical patent/CN117828223A/zh
Publication of CN117828223A publication Critical patent/CN117828223A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Electrically Operated Instructional Devices (AREA)

Abstract

本发明公开了一种用户画像分析方法、系统及存储介质，属于信息处理技术领域，该方法包括以下步骤：S1、获取目标用户在网站的学习课程记录；S2、在学习课程记录中确定用户的深度活跃课程，根据深度活跃课程确定对应的活跃课程集合，构建目标用户在网站的活跃度矩阵；S3、根据目标用户在网站的活跃度矩阵，确定目标用户的课程参与权重，并根据目标用户的课程参与权重确定目标用户在网站的活跃程度。本发明针对目标用户的活跃课程集合，构建反映用户学习情况的活跃度矩阵，由活跃度矩阵确定目标用户在网站的活跃情况，确定目标用户对该网站的学习视频是否感兴趣，便于网站运维人员决定是否进一步为用户精准推荐更多视频。

Description

一种用户画像分析方法、系统及存储介质
技术领域
本发明属于信息处理技术领域，具体涉及一种用户画像分析方法、系统及存储介质。
背景技术
随着互联网技术的发展，在线学习平台受到越来越多用户的喜爱。在线学习平台以丰富的教学内容元素为主导，具有分类明确性和极强互动性等特点，并能够为在线学习平台的用户提供学习视频随时在线回看等社交功能。因此，为了实现更好地了解用户对在线学习的热度，用户画像的支持必不可少。用户画像是对现实世界中用户的数学建模，用户画像是根据用户的属性和行为信息，充分地了解用户、挖掘用户和定位用户，表征用户兴趣爱好。因此，设计一种用户画像分析方法能够全面准确地了解用户在线学习的情况，具有十分重要的意义。
发明内容
本发明为了解决以上问题，提出了一种用户画像分析方法、系统及存储介质。
本发明的技术方案是：一种用户画像分析方法包括以下步骤：
S1、获取目标用户在网站的学习课程记录；
S2、在学习课程记录中确定用户的深度活跃课程，根据深度活跃课程确定对应的活跃课程集合，构建目标用户在网站的活跃度矩阵；
S3、根据目标用户在网站的活跃度矩阵，确定目标用户的课程参与权重，并根据目标用户的课程参与权重确定目标用户在网站的活跃程度。
进一步地，S1中，目标用户在网站的学习课程记录包括课程名称、每个课程的已学习时长、每个课程的未学习时长、每个课程的学习次数以及每个课程的评价分数。
进一步地，S2包括以下子步骤：
S21、判断学习课程记录中最大学习次数是否唯一，若是则将最大学习次数对应的课程作为深度活跃课程，否则在最大学习次数相同的课程中选择已学习时长最长的课程作为深度活跃课程；
S22、根据学习课程记录中所有课程名称，为深度活跃课程匹配相似活跃课程，将深度活跃课程与所有相似活跃课程作为活跃课程集合；
S23、根据活跃课程集合中各个课程的学习次数、已学习时长和未学习时长，确定目标用户在网站的活跃度矩阵。
上述进一步方案的有益效果是：在本发明中，在用户学习过的所有课程中，将最大学习次数的课程作为深度活跃课程，如果出现多个学习次数相同的课程，则优先选择学习时长最长的课程（若学习时长相同，则再加未学习时长最短这一限制条件）作为深度活跃课程，这样选出的深度活跃课程可以代表用户可能感兴趣的课程方向，并根据课程名称的词向量，从学习课程记录中挑选出与深度活跃课程类似的其余课程。再由这些课程的学习情况来构建用户在该网站的活跃度矩阵，反映用户在该网址的学习方向以及活跃度情况。
进一步地，S22中，为深度活跃课程匹配相似活跃课程的具体方法为：计算学习课程记录中其余各个课程的课程名称与深度活跃课程的课程名称之间的最优相似值，将所有最优相似值从大到小排序，将排名前个课程作为深度活跃课程的相似活跃课程；其中，c表示深度活跃课程的学习次数，N表示目标用户的课程总数，/>表示向下取整；
学习课程记录中，第n个课程的课程名称与深度活跃课程的课程名称之间的最优相似值Un的计算公式为：
；式中，N表示目标用户的课程总数，Sn表示目标用户的第n个课程的课程名称文本，S0表示深度活跃课程的课程名称文本，len(·)表示文本字符的长度函数，Vn_p表示目标用户的第n个课程的课程名称中第p个单词的词向量，Vq表示深度活跃课程的课程名称中第q个单词的词向量，P表示目标用户的第n个课程的课程名称的单词个数，Q表示深度活跃课程的课程名称的单词个数，exp(·)表示指数函数。
进一步地，S22包括以下子步骤：
S221、计算活跃课程集合中所有课程的学习次数均值，作为第一活跃系数；
S222、根据活跃课程集合中各个课程的已学习时长和未学习时长，计算第二活跃系数；
S223、将第一活跃系数作为活跃度矩阵第一行第一列的元素，将第二活跃系数作为活跃度矩阵第二行第一列的元素，生成目标用户在网站的活跃度矩阵。
进一步地，S222中，第二活跃系数s的计算公式为：
；式中，tj表示活跃课程集合中第j个课程的已学习时长，/>表示活跃课程集合中第j个课程的未学习时长，J表示活跃课程集合的课程个数。
进一步地，S3包括以下子步骤：
S31、根据目标用户在网站的活跃度矩阵以及目标用户对每个课程的评价分数，计算目标用户的课程参与权重；
S32、根据目标用户的课程参与权重，确定目标用户在网站的活跃度程度；具体为：若目标用户的课程参与权重大于或等于活跃度矩阵的值，则目标用户在网站的活跃程度为非常活跃，否则目标用户在网站的活跃程度为不活跃。
若目标用户在网站的活跃程度为非常活跃，则表示目标用户在网站学习视频的时间和次数较多，可着重为该用户推荐更多学习视频。
进一步地，S31中，目标用户的课程参与权重γ的计算公式为：
；式中，N表示目标用户的课程总数，fn表示目标用户的第n个课程的评价分数，Y表示目标用户在网站的活跃度矩阵，I表示单位矩阵，λY表示目标用户在网站的活跃度矩阵的特征值。
本发明的有益效果是：本发明公开了一种用户画像分析方法，在目标用户的学习课程记录中挑选出一个最具代表性的深度活跃课程，再由该深度活跃课程确定一个课程集合，该课程集合包含了与深度活跃课程类似的学习课程，便于对用户的画像进行准确刻画；本发明针对目标用户的活跃课程集合，构建反映用户学习情况的活跃度矩阵，由活跃度矩阵确定目标用户在网站的活跃情况，确定目标用户对该网站的学习视频是否感兴趣，便于网站运维人员决定是否进一步为用户精准推荐更多视频。
基于以上方法，本发明还提出一种用户画像分析系统，包括学习课程记录获取单元、活跃度矩阵生成单元和活跃程度生成单元；
学习课程记录获取单元用于获取目标用户在网站的学习课程记录；
活跃度矩阵生成单元用于在学习课程记录中确定用户的深度活跃课程，根据深度活跃课程确定对应的活跃课程集合，构建目标用户在网站的活跃度矩阵；
活跃程度生成单元用于根据目标用户在网站的活跃度矩阵，确定目标用户的课程参与权重，并根据目标用户的课程参与权重确定目标用户在网站的活跃程度。
本发明的有益效果是：本发明公开了一种用户画像分析系统，对目标用户在网站的学习情况进行深度刻画，生动地反映用户情况，便于网站运维人员了解用户。
为实现上述目的，本发明还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，执行计算机程序时实现上述的用户画像分析方法的部分或全部步骤。
附图说明
图1为用户画像分析方法的流程图；
图2为用户画像分析系统结构示意图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
如图1所示，本发明提供了一种用户画像分析方法，包括以下步骤：
S1、获取目标用户在网站的学习课程记录；
S2、在学习课程记录中确定用户的深度活跃课程，根据深度活跃课程确定对应的活跃课程集合，构建目标用户在网站的活跃度矩阵；
S3、根据目标用户在网站的活跃度矩阵，确定目标用户的课程参与权重，并根据目标用户的课程参与权重确定目标用户在网站的活跃程度。
在本发明实施例中，S1中，目标用户在网站的学习课程记录包括课程名称、每个课程的已学习时长、每个课程的未学习时长、每个课程的学习次数以及每个课程的评价分数。
在本发明实施例中，S2包括以下子步骤：
S21、判断学习课程记录中最大学习次数是否唯一，若是则将最大学习次数对应的课程作为深度活跃课程，否则在最大学习次数相同的课程中选择已学习时长最长的课程作为深度活跃课程；
S22、根据学习课程记录中所有课程名称，为深度活跃课程匹配相似活跃课程，将深度活跃课程与所有相似活跃课程作为活跃课程集合；
S23、根据活跃课程集合中各个课程的学习次数、已学习时长和未学习时长，确定目标用户在网站的活跃度矩阵。
在本发明中，在用户学习过的所有课程中，将最大学习次数的课程作为深度活跃课程，如果出现多个学习次数相同的课程，则优先选择学习时长最长的课程（若学习时长相同，则再加未学习时长最短这一限制条件）作为深度活跃课程，这样选出的深度活跃课程可以代表用户可能感兴趣的课程方向，并根据课程名称的词向量，从学习课程记录中挑选出与深度活跃课程类似的其余课程。再由这些课程的学习情况来构建用户在该网站的活跃度矩阵，反映用户在该网址的学习方向以及活跃度情况。
在本发明实施例中，S22中，为深度活跃课程匹配相似活跃课程的具体方法为：计算学习课程记录中其余各个课程的课程名称与深度活跃课程的课程名称之间的最优相似值，将所有最优相似值从大到小排序，将排名前个课程作为深度活跃课程的相似活跃课程；其中，c表示深度活跃课程的学习次数，N表示目标用户的课程总数，/>表示向下取整；
学习课程记录中，第n个课程的课程名称与深度活跃课程的课程名称之间的最优相似值Un的计算公式为：
；式中，N表示目标用户的课程总数，Sn表示目标用户的第n个课程的课程名称文本，S0表示深度活跃课程的课程名称文本，len(·)表示文本字符的长度函数，Vn_p表示目标用户的第n个课程的课程名称中第p个单词的词向量，Vq表示深度活跃课程的课程名称中第q个单词的词向量，P表示目标用户的第n个课程的课程名称的单词个数，Q表示深度活跃课程的课程名称的单词个数，exp(·)表示指数函数。
在本发明实施例中，S22包括以下子步骤：
S221、计算活跃课程集合中所有课程的学习次数均值，作为第一活跃系数；
S222、根据活跃课程集合中各个课程的已学习时长和未学习时长，计算第二活跃系数；
S223、将第一活跃系数作为活跃度矩阵第一行第一列的元素，将第二活跃系数作为活跃度矩阵第二行第一列的元素，生成目标用户在网站的活跃度矩阵。
在本发明实施例中，S222中，第二活跃系数s的计算公式为：
；式中，tj表示活跃课程集合中第j个课程的已学习时长，/>表示活跃课程集合中第j个课程的未学习时长，J表示活跃课程集合的课程个数。
在本发明实施例中，S3包括以下子步骤：
S31、根据目标用户在网站的活跃度矩阵以及目标用户对每个课程的评价分数，计算目标用户的课程参与权重；
S32、根据目标用户的课程参与权重，确定目标用户在网站的活跃度程度；具体为：若目标用户的课程参与权重大于或等于活跃度矩阵的值，则目标用户在网站的活跃程度为非常活跃，否则目标用户在网站的活跃程度为不活跃。
若目标用户在网站的活跃程度为非常活跃，则表示目标用户在网站学习视频的时间和次数较多，可着重为该用户推荐更多学习视频。
在本发明实施例中，S31中，目标用户的课程参与权重γ的计算公式为：
；式中，N表示目标用户的课程总数，fn表示目标用户的第n个课程的评价分数，Y表示目标用户在网站的活跃度矩阵，I表示单位矩阵，λY表示目标用户在网站的活跃度矩阵的特征值。
本发明实施例提供了一种用户画像分析系统，如图2所示，包括学习课程记录获取单元、活跃度矩阵生成单元和活跃程度生成单元；
学习课程记录获取单元用于获取目标用户在网站的学习课程记录；
活跃度矩阵生成单元用于在学习课程记录中确定用户的深度活跃课程，根据深度活跃课程确定对应的活跃课程集合，构建目标用户在网站的活跃度矩阵；
活跃程度生成单元用于根据目标用户在网站的活跃度矩阵，确定目标用户的课程参与权重，并根据目标用户的课程参与权重确定目标用户在网站的活跃程度。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，执行计算机程序时实现上述方法实施例的任意一种用户画像分析方法的部分或全部步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本发明中，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。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (10)

1.一种用户画像分析方法，其特征在于，包括以下步骤：
S1、获取目标用户在网站的学习课程记录；
S2、在学习课程记录中确定用户的深度活跃课程，根据深度活跃课程确定对应的活跃课程集合，构建目标用户在网站的活跃度矩阵；
S3、根据目标用户在网站的活跃度矩阵，确定目标用户的课程参与权重，并根据目标用户的课程参与权重确定目标用户在网站的活跃程度。
2.根据权利要求1所述的用户画像分析方法，其特征在于，所述S1中，目标用户在网站的学习课程记录包括课程名称、每个课程的已学习时长、每个课程的未学习时长、每个课程的学习次数以及每个课程的评价分数。
3.根据权利要求1所述的用户画像分析方法，其特征在于，所述S2包括以下子步骤：
S21、判断学习课程记录中最大学习次数是否唯一，若是则将最大学习次数对应的课程作为深度活跃课程，否则在最大学习次数相同的课程中选择已学习时长最长的课程作为深度活跃课程；
S22、根据学习课程记录中所有课程名称，为深度活跃课程匹配相似活跃课程，将深度活跃课程与所有相似活跃课程作为活跃课程集合；
S23、根据活跃课程集合中各个课程的学习次数、已学习时长和未学习时长，确定目标用户在网站的活跃度矩阵。
4.根据权利要求3所述的用户画像分析方法，其特征在于，所述S22中，为深度活跃课程匹配相似活跃课程的具体方法为：计算学习课程记录中其余各个课程的课程名称与深度活跃课程的课程名称之间的最优相似值，将所有最优相似值从大到小排序，将排名前个课程作为深度活跃课程的相似活跃课程；其中，c表示深度活跃课程的学习次数，N表示目标用户的课程总数，/>表示向下取整；
所述学习课程记录中，第n个课程的课程名称与深度活跃课程的课程名称之间的最优相似值Un的计算公式为：
；式中，N表示目标用户的课程总数，Sn表示目标用户的第n个课程的课程名称文本，S0表示深度活跃课程的课程名称文本，len(·)表示文本字符的长度函数，Vn_p表示目标用户的第n个课程的课程名称中第p个单词的词向量，Vq表示深度活跃课程的课程名称中第q个单词的词向量，P表示目标用户的第n个课程的课程名称的单词个数，Q表示深度活跃课程的课程名称的单词个数，exp(·)表示指数函数。
5.根据权利要求3所述的用户画像分析方法，其特征在于，所述S22包括以下子步骤：
S221、计算活跃课程集合中所有课程的学习次数均值，作为第一活跃系数；
S222、根据活跃课程集合中各个课程的已学习时长和未学习时长，计算第二活跃系数；
S223、将第一活跃系数作为活跃度矩阵第一行第一列的元素，将第二活跃系数作为活跃度矩阵第二行第一列的元素，生成目标用户在网站的活跃度矩阵。
6.根据权利要求5所述的用户画像分析方法，其特征在于，所述S222中，第二活跃系数s的计算公式为：
；式中，tj表示活跃课程集合中第j个课程的已学习时长，/>表示活跃课程集合中第j个课程的未学习时长，J表示活跃课程集合的课程个数。
7.根据权利要求1所述的用户画像分析方法，其特征在于，所述S3包括以下子步骤：
S31、根据目标用户在网站的活跃度矩阵以及目标用户对每个课程的评价分数，计算目标用户的课程参与权重；
S32、根据目标用户的课程参与权重，确定目标用户在网站的活跃度程度；具体为：若目标用户的课程参与权重大于或等于活跃度矩阵的值，则目标用户在网站的活跃程度为非常活跃，否则目标用户在网站的活跃程度为不活跃。
8.根据权利要求7所述的用户画像分析方法，其特征在于，所述S31中，目标用户的课程参与权重γ的计算公式为：
；式中，N表示目标用户的课程总数，fn表示目标用户的第n个课程的评价分数，Y表示目标用户在网站的活跃度矩阵，I表示单位矩阵，λY表示目标用户在网站的活跃度矩阵的特征值。
9.一种用户画像分析系统，其特征在于，包括学习课程记录获取单元、活跃度矩阵生成单元和活跃程度生成单元；
所述学习课程记录获取单元用于获取目标用户在网站的学习课程记录；
所述活跃度矩阵生成单元用于在学习课程记录中确定用户的深度活跃课程，根据深度活跃课程确定对应的活跃课程集合，构建目标用户在网站的活跃度矩阵；
所述活跃程度生成单元用于根据目标用户在网站的活跃度矩阵，确定目标用户的课程参与权重，并根据目标用户的课程参与权重确定目标用户在网站的活跃程度。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，其特征在于，执行所述计算机程序时实现如权利要求1至8中任一项所述的用户画像分析方法的步骤。
CN202410063583.6A 2024-01-17 2024-01-17 一种用户画像分析方法、系统及存储介质 Pending CN117828223A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410063583.6A CN117828223A (zh) 2024-01-17 2024-01-17 一种用户画像分析方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410063583.6A CN117828223A (zh) 2024-01-17 2024-01-17 一种用户画像分析方法、系统及存储介质

Publications (1)

Publication Number Publication Date
CN117828223A true CN117828223A (zh) 2024-04-05

Family

ID=90511567

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410063583.6A Pending CN117828223A (zh) 2024-01-17 2024-01-17 一种用户画像分析方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN117828223A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106528656A (zh) * 2016-10-20 2017-03-22 杨瀛 一种基于学员历史和实时学习状态参量实现课程推荐的方法和系统
US20200234606A1 (en) * 2019-01-22 2020-07-23 International Business Machines Corporation Personalized educational planning based on user learning profile
CN113407831A (zh) * 2021-06-16 2021-09-17 中国联合网络通信集团有限公司 课程推荐方法及设备
CN115082041A (zh) * 2022-07-20 2022-09-20 深圳市必提教育科技有限公司 用户信息管理方法、装置、设备及存储介质
CN116521936A (zh) * 2023-06-30 2023-08-01 云南师范大学 一种基于用户行为分析的课程推荐方法、装置及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106528656A (zh) * 2016-10-20 2017-03-22 杨瀛 一种基于学员历史和实时学习状态参量实现课程推荐的方法和系统
US20200234606A1 (en) * 2019-01-22 2020-07-23 International Business Machines Corporation Personalized educational planning based on user learning profile
CN113407831A (zh) * 2021-06-16 2021-09-17 中国联合网络通信集团有限公司 课程推荐方法及设备
CN115082041A (zh) * 2022-07-20 2022-09-20 深圳市必提教育科技有限公司 用户信息管理方法、装置、设备及存储介质
CN116521936A (zh) * 2023-06-30 2023-08-01 云南师范大学 一种基于用户行为分析的课程推荐方法、装置及存储介质

Similar Documents

Publication Publication Date Title
Haiyang et al. A time series classification method for behaviour-based dropout prediction
CN109902753B (zh) 用户推荐模型训练方法、装置、计算机设备和存储介质
CN111209474B (zh) 在线课程的推荐方法、装置、计算机设备和存储介质
CN112116092B (zh) 可解释性知识水平追踪方法、系统和存储介质
CN105718582B (zh) 一种E-learning平台下学习资源个性化推荐系统及方法
CN113610235B (zh) 一种基于深度知识追踪的适应性学习支持装置及方法
CN110334275B (zh) 一种新闻流行度预测方法、设备和存储介质
JP6819355B2 (ja) レコメンデーション生成
CN110321436B (zh) 一种基于社交注意力机制表示学习的冷启动欺诈评论检测方法
CN114429212A (zh) 智能学习知识能力跟踪方法、电子设备及存储介质
Jiang et al. Preference cognitive diagnosis for student performance prediction
CN113255843B (zh) 演讲稿测评方法及设备
CN117828223A (zh) 一种用户画像分析方法、系统及存储介质
CN113918704A (zh) 基于机器学习的问答方法、装置、电子设备及介质
JP7293658B2 (ja) 情報処理装置、情報処理方法及びプログラム
Orazem et al. Occupational entry and uncertainty: males leaving high school
CN112905763B (zh) 会话系统开发方法、装置、计算机设备及存储介质
Martin et al. Information Technology in the Teaching of History: International Perspectives
Starzomski et al. Contemporary visions of progress in ecology and thoughts for the future
Duménil et al. Thomas Piketty's Historical Macroeconomics: A Critical Analysis
CN110929163B (zh) 课程推荐方法、装置、计算机设备及存储介质
CN111652767B (zh) 用户画像构建方法、装置、计算机设备和存储介质
Mehrotra et al. Task-Based User Modelling for Personalization via Probabilistic Matrix Factorization.
Crispín et al. Duration of the transition from regular basic education to higher education in Peru
Câmara et al. RULK: A Framework for Representing User Knowledge in Search-as-Learning.

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