CN117874339A - 一种测试分析学习内容智能推荐系统及方法 - Google Patents
一种测试分析学习内容智能推荐系统及方法 Download PDFInfo
- Publication number
- CN117874339A CN117874339A CN202410008355.9A CN202410008355A CN117874339A CN 117874339 A CN117874339 A CN 117874339A CN 202410008355 A CN202410008355 A CN 202410008355A CN 117874339 A CN117874339 A CN 117874339A
- Authority
- CN
- China
- Prior art keywords
- learning
- user
- content
- recommendation
- data
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 13
- 230000006399 behavior Effects 0.000 claims abstract description 127
- 238000004458 analytical method Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 28
- 238000011156 evaluation Methods 0.000 claims description 14
- 230000006978 adaptation Effects 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000001360 synchronised effect Effects 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000007418 data mining Methods 0.000 claims description 4
- 238000004806 packaging method and process Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 10
- 230000009286 beneficial effect Effects 0.000 description 11
- 230000008901 benefit Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012797 qualification 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Educational Technology (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种测试分析学习内容智能推荐系统及方法,包括:数据采集模块,用于采集用户的学习浏览数据,并对学习浏览数据进行处理,得到用户的学习行为特征;内容推荐模块,用于基于用户当前学习阶段的知识点分布网络和神经网络构建内容推荐模型,并基于内容推荐模型对用户的学习行为特征进行分析,得到待推荐学习内容;推荐优化模块,用于对待推荐学习内容进行推荐等级划分,并基于等级递增顺序依次将推荐等级划分结果推荐至用户终端,且基于用户终端对不同推荐等级内容的反馈数据对用户的学习行为特征进行负反馈调整。提高了学习内容推荐的适应性以及准确性,保障了用户的学习效果。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种测试分析学习内容智能推荐系统及方法。
背景技术
测试分析学习内容智能推荐指的是根据用户自身的学习能力以及对学习内容的掌握情况向用户推荐合适的学习内容,测试分析学习内容智能推荐能够个性化地提供学习内容和资源,以提高学习效果和满意度,用户可以获得更加符合自身需求和兴趣的学习资源,节省学习时间和资源,实现个性化的学习路径和持续进步;
但是,传统的在线教育平台通常只根据用户的课程类别或标签进行推荐,无法充分了解学生的个性化兴趣和学习需求,同时,在推荐后不能实时了解用户对推荐内容的学习情况,从而导致不能及时调整推荐策略,从而大大降低了对学习内容的推荐效果;
因此,为了克服上述缺陷,本发明提供了一种测试分析学习内容智能推荐系统及方法。
发明内容
本发明提供一种测试分析学习内容智能推荐系统及方法,用以通过对用户的学习浏览数据进行分析,实现对用户当前的学习情况进行准确有效的了解,其次,构建内容推荐模型,并通过内容推荐模型对用户当前的学习行为特征进行分析后,实现对用户所需的待推荐学习内容进行准确有效的确定和预测,最后,将得到的待推荐学习内容进行推荐等级划分后依次推荐至用户终端,并根据用户终端对每一推荐等级内容的学习反馈数据对用户的学习情况进行更新和调整,从而便于内容推荐模型根据用户实时的学习行为特征适应性匹配相应的推荐学习内容,提高了学习内容推荐的适应性以及准确性,保障了用户的学习效果。
本发明提供了一种测试分析学习内容智能推荐系统,包括:
数据采集模块,用于采集用户的学习浏览数据,并对学习浏览数据进行处理,得到用户的学习行为特征;
内容推荐模块,用于基于用户当前学习阶段的知识点分布网络和神经网络构建内容推荐模型,并基于内容推荐模型对用户的学习行为特征进行分析,得到待推荐学习内容;
推荐优化模块,用于对待推荐学习内容进行推荐等级划分,并基于等级递增顺序依次将推荐等级划分结果推荐至用户终端,且基于用户终端对不同推荐等级内容的反馈数据对用户的学习行为特征进行负反馈调整。
优选的,一种测试分析学习内容智能推荐系统,数据采集模块,包括:
维度确定单元,用于确定对用户的学习浏览数据的采集维度,并分别确定每一采集维度对应的数据来源终端;
接口适配单元,用于基于数据来源终端的终端属性对每一采集维度的访问接口进行差异适配,并基于差异适配结果对不同采集维度下的数据来源终端进行登录;
数据采集单元,用于基于用户身份标签和登录结果对数据来源终端中用户的学习日志和访问参数进行访问,并将不同数据来源终端的访问结果进行汇总,得到用户的学习浏览数据。
优选的,一种测试分析学习内容智能推荐系统,数据采集单元,包括:
数据调取子单元,用于调取采集到的用户的学习浏览数据,并对学习浏览数据进行标准化处理,且基于标准化处理结果构建学习浏览数据对应的协方差矩阵;
主成分确定子单元,用于对协方差矩阵进行特征求解,得到学习浏览数据的特征值以及特征方向,并基于特征值以及特征方向确定学习浏览数据的主成分,且基于主成分对学习浏览数据进行特征降维,得到学习浏览数据的低维特征;
数据融合子单元,用于将低维特征转换为字段向量,并基于字段向量确定不同学习浏览数据的相似度,且基于相似度将学习浏览数据进行集成和融合。
优选的,一种测试分析学习内容智能推荐系统,数据采集模块,包括:
数据获取单元,用于获取得到的学习浏览数据,并基于学习浏览数据表征的学习行为类型确定学习行为评价指标;
数据处理单元,用于基于学习行为评价指标对学习浏览数据进行分析,得到各学习行为类型对应的描述统计值,同时,基于学习行为类型之间的关联关系对学习浏览数据进行数据挖掘分析,确定学习浏览数据之间的关联规律;
学习行为特征确定单元,用于基于预设预测模型对各学习行为类型对应的描述统计值以及学习浏览数据之间的关联规律进行综合分析,并基于综合分析结果得到用户的学习行为特征。
优选的,一种测试分析学习内容智能推荐系统,内容推荐模块,包括:
阶段确定单元,用于:
获取用户的身份标签,并基于身份标签确定用户的学籍信息;
基于学籍信息加载用户相应级别下的课程目录信息,并提取用户的学习浏览数据中的关键词序列,且将关键词序列与课程目录信息进行映射匹配,得到用户在课程目录信息下的当前学习阶段;
知识点确定单元,用于:
基于当前学习阶段得到知识点搜索指标,并基于知识点搜索指标对课程目录信息下的知识点集合进行全局搜索,得到当前阶段的知识点群;
基于知识点衔接逻辑确定知识点群中各知识点之间的拓扑结构,并基于拓扑结构确定知识点分布网络;
模型构建单元,用于:
分别调取知识点分布网络中各知识点对应的多用户学习数据,并对多用户学习数据进行统计分析,得到不同用户对相应知识点的掌握分值,且基于掌握分值对各知识点进行统计可视化展示;
基于统计可视化展示结果确定不同用户所对应的掌握分值的目标比例,并基于目标比例确定知识点分布网络中各知识点的难易等级,且基于难易等级对知识点分布网络中各知识点进行特征标注;
基于用户学习行为偏好对知识点推荐的影响权重以及知识点分布网络中各知识点的特征标注结果确定知识点推荐机制,并基于运算量从模型库中匹配目标神经网络;
基于知识点推荐机制对目标神经网络进行迭代训练,并基于迭代训练结果得到内容推荐模型。
优选的,一种测试分析学习内容智能推荐系统,内容推荐模块,包括:
分析单元,用于:
获取得到的内容推荐模型,并基于内容推荐模型对用户的学习行为特征进行分析,确定用户的学习行为偏好;
基于学习行为偏好对已知学习内容进行逐层检索,并将每一层检索结果进行临时缓存直至完成全流程检索,得到待推荐学习内容;
核验单元,用于:
提取待推荐学习内容的第一特征向量以及用户学习行为特征的第二特征向量,并基于第一特征向量和第二特征向量确定待推荐学习内容相对用户学习行为特征的归属度;
当归属度大于或等于预设阈值时,判定得到的待推荐学习内容无误。
优选的,一种测试分析学习内容智能推荐系统,模型构建单元,包括:
模型获取子单元,用于:
调取训练数据,并将训练数据拆分为M组测试数据;
基于M组测试数据分别对每一次迭代训练得到的内容推荐模型进行模拟测试,得到每一次迭代训练后的内容推荐模型的召回率;
模型确定子单元,用于基于召回率确定每一次迭代训练得到的内容推荐模型的应用权重,并基于应用权重的目标取值确定最终的内容推荐模型。
优选的,一种测试分析学习内容智能推荐系统,推荐优化模块,包括:
内容获取单元,用于获取得到的待推荐学习内容,并基于待推荐学习内容的基本属性确定待推荐内容与用户偏好之间的相关度,且基于相关度将待推荐学习内容进行第一推荐等级划分;
等级划分单元,用于基于第一推荐等级划分结果得到N个阶梯等级学习内容组,并基于基本属性将每个阶梯等级学习内容组中的待推荐学习内容进行第二推荐等级划分,得到层级推荐学习内容;
内容推送单元,用于:
将同一阶梯等级学习内容组中的同层级推荐学习内容进行关联封装且排版,得到可推送数据,并基于无线传输方式将可推送数据推荐至用户终端。
优选的,一种测试分析学习内容智能推荐系统,推荐优化模块,包括:
监测单元,用于基于用户终端实时监测用户对不同推荐等级内容的学习参数,并基于多维度评价指标对学习参数进行解析,确定用户对不同推荐等级内容的掌握参数以及兴趣偏好转移量;
反馈数据确定单元,用于基于掌握参数以及兴趣偏好转移量确定用户对不同推荐等级内容的反馈数据,并基于反馈数据确定用户的学习行为特征的变量参数,且基于变量参数对用户的学习行为特征进行负反馈调整,得到用户的实时有效学习行为特征;
推荐更新单元,用于将用户的实时有效学习行为特征输入至内容推荐模型中进行同步处理,并基于处理结果对用户的待推荐学习内容进行实时同步更新。
本发明提供了一种测试分析学习内容智能推荐方法,包括:
步骤1:采集用户的学习浏览数据,并对学习浏览数据进行处理,得到用户的学习行为特征;
步骤2:基于用户当前学习阶段的知识点分布网络和神经网络构建内容推荐模型,并基于内容推荐模型对用户的学习行为特征进行分析,得到待推荐学习内容;
步骤3:对待推荐学习内容进行推荐等级划分,并基于等级递增顺序依次将推荐等级划分结果推荐至用户终端,且基于用户终端对不同推荐等级内容的反馈数据对用户的学习行为特征进行负反馈调整。
与现有技术相比,本发明的有益效果如下:
1.通过对用户的学习浏览数据进行分析,实现对用户当前的学习情况进行准确有效的了解,其次,构建内容推荐模型,并通过内容推荐模型对用户当前的学习行为特征进行分析后,实现对用户所需的待推荐学习内容进行准确有效的确定和预测,最后,将得到的待推荐学习内容进行推荐等级划分后依次推荐至用户终端,并根据用户终端对每一推荐等级内容的学习反馈数据对用户的学习情况进行更新和调整,从而便于内容推荐模型根据用户实时的学习行为特征适应性匹配相应的推荐学习内容,提高了学习内容推荐的适应性以及准确性,保障了用户的学习效果。
2.通过对用户的身份标签进行确定,实现通过身份标签对用户的学籍信息进行确定,通过确定的学籍信息对用户相应级别的课程目录信息进行准确有效的确定,其次,通过提取学习浏览数据中的关键词序列,并将关键词与课程目录信息进行匹配,实现对用户的当前学习阶段进行确定,同时,通过确定的当前学习阶段对课程目录信息下包含的知识点集合进行全局搜索,实现对适合用户的知识点群进行准确可靠的确定以及通过对调取的多用户学习数据进行解析,实现对知识点群中不同知识点的难易程度进行准确有效的判定,最后,通过确定用户的学习行为偏好,实现根据学习行为偏好以及知识点的难易程度对目标神经网络进行训练,实现对内容推荐模型进行准确有效的获取,为确定用户的待推荐学习内容提供了便利与保障,便于内容推荐模型根据用户实时的学习行为特征适应性匹配相应的推荐学习内容,提高了学习内容推荐的适应性以及准确性,提高了用户的学习效率。
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本申请文件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测试分析学习内容智能推荐系统的结构图;
图2为本发明实施例中一种测试分析学习内容智能推荐系统中数据采集模块的结构图;
图3为本发明实施例中一种测试分析学习内容智能推荐方法的流程图。
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测试分析学习内容智能推荐系统,如图1所示,包括:
数据采集模块,用于采集用户的学习浏览数据,并对学习浏览数据进行处理,得到用户的学习行为特征;
内容推荐模块,用于基于用户当前学习阶段的知识点分布网络和神经网络构建内容推荐模型,并基于内容推荐模型对用户的学习行为特征进行分析,得到待推荐学习内容;
推荐优化模块,用于对待推荐学习内容进行推荐等级划分,并基于等级递增顺序依次将推荐等级划分结果推荐至用户终端,且基于用户终端对不同推荐等级内容的反馈数据对用户的学习行为特征进行负反馈调整。
该实施例中,学习浏览数据指的是与用户学习相关的所有数据,包括学术;论坛上的学术讨论、学习平台上的学习视频观看数据以及对作业的作答数据等。
该实施例中,对学习浏览数据进行处理指的是对学习浏览数据进行预处理,包括数据清洗以及数据分类等操作。
该实施例中,学习行为特征指的是用户当前的学习情况,包括对知识点的掌握程度、学习过的知识点类型以及用户的学习偏好等信息。
该实施例中,知识点分布网络是提前已知的,是用户当前学习阶段内包含的所有知识点,其中,当前学习阶段指的是用户当前所在的年级等信息。
该实施例中,神经网络是提前设定好的,是用于构建内容推荐模型的基础模型,通过知识点分布网络对神经网络中的网络参数进行调整实现对内容推荐模型的构建。
该实施例中,待推荐学习内容指的是需要从当前的知识点分布网络中向用户进行推荐的内容,且待推荐学习内容不唯一。
该实施例中,推荐等级划分指的是将待推荐内容根据重要程度或难易程度等限定规则进行划分,目的是将待推荐学习内容的推荐顺序进行区分,从而便于用户对不同学习内容进行先后顺序的学习。
该实施例中,反馈数据指的是用户对待推荐学习内容进行学习后得到的学习结果数据。
该实施例中,负反馈调整指的是根据用户对待推荐学习内容的反馈数据对用户的学习行为特征进行更新,从而实现根据最新的学习行为特征确定用户适合的待推荐学习内容。
上述技术方案的有益效果是:通过对用户的学习浏览数据进行分析,实现对用户当前的学习情况进行准确有效的了解,其次,构建内容推荐模型,并通过内容推荐模型对用户当前的学习行为特征进行分析后,实现对用户所需的待推荐学习内容进行准确有效的确定和预测,最后,将得到的待推荐学习内容进行推荐等级划分后依次推荐至用户终端,并根据用户终端对每一推荐等级内容的学习反馈数据对用户的学习情况进行更新和调整,从而便于内容推荐模型根据用户实时的学习行为特征适应性匹配相应的推荐学习内容,提高了学习内容推荐的适应性以及准确性,保障了用户的学习效果。
实施例2:
在实施例1的基础上,本实施例提供了一种测试分析学习内容智能推荐系统,如图2所示,数据采集模块,包括:
维度确定单元,用于确定对用户的学习浏览数据的采集维度,并分别确定每一采集维度对应的数据来源终端;
接口适配单元,用于基于数据来源终端的终端属性对每一采集维度的访问接口进行差异适配,并基于差异适配结果对不同采集维度下的数据来源终端进行登录;
数据采集单元,用于基于用户身份标签和登录结果对数据来源终端中用户的学习日志和访问参数进行访问,并将不同数据来源终端的访问结果进行汇总,得到用户的学习浏览数据。
该实施例中,采集维度指的是对用户的学习浏览数据的采集种类,包括线上学习视频以及学术论坛的学术讨论等学习数据类型。
该实施例中,数据来源终端指的是每一采集维度对应的数据来源信息,包括学习平台以及用户学习的纸质文件等。
该实施例中,终端属性指的是数据来源终端的终端类型以及数据来源终端的运行方式等。
该实施例中,访问接口是提前设定好的,用于对不同数据来源终端进行访问,实现从相应数据来源终端上调取相应的学习浏览数据,其中,差异适配是根据不同数据来源终端的终端属性对访问接收的访问方式进行限定,从而实现通过不同数据来源终端限定的方式采集相应的学习浏览数据。
该实施例中,用户身份标签是用于表征用户身份的标记参数,不同用户对应的用户身份标签不同。
该实施例中,学习日志指的是记录与用户学习行为相关的数据报告,包括作业作答情况等。
该实施例中,访问参数指的是用户在不同学习平台上的数据访问参数,包括对学习视频等的观看类型以及观看时长等。
上述技术方案的有益效果是:通过确定对用户学习浏览数据的采集维度,实现根据采集维度对相应的数据来源终端进行准确有效的确定,其次,通过对每一采集维度的访问接口进行差异适配,实现根据适配结果对不同数据来源终端进行登录,最后,在成功登录后对用户在数据来源终端上的学习日志和访问参数进行准确有效的汇总,实现对用户最终的学习浏览数据进行全面有效的获取,提高了确定用户对应的待推荐学习内容的可靠性,保障了用户的学习效果。
实施例3:
在实施例2的基础上,本实施例提供了一种测试分析学习内容智能推荐系统,数据采集单元,包括:
数据调取子单元,用于调取采集到的用户的学习浏览数据,并对学习浏览数据进行标准化处理,且基于标准化处理结果构建学习浏览数据对应的协方差矩阵;
主成分确定子单元,用于对协方差矩阵进行特征求解,得到学习浏览数据的特征值以及特征方向,并基于特征值以及特征方向确定学习浏览数据的主成分,且基于主成分对学习浏览数据进行特征降维,得到学习浏览数据的低维特征;
数据融合子单元,用于将低维特征转换为字段向量,并基于字段向量确定不同学习浏览数据的相似度,且基于相似度将学习浏览数据进行集成和融合。
该实施例中,标准化处理指的是将学习浏览数据的取值范围和格式进行同一,保证所有特征的均值为0,方差为1,避免不同特征量级的影响。
该实施例中,协方差矩阵是在对学习浏览数据进行标准化处理后,根据学习浏览数据的取值构建的,用于确定学习浏览数据的特征值和特征方向,其中,特征值可以是学习浏览数据的均值以及方差等,特征方向可以是能够学习浏览数据特征数据对应的特征向量方向,从而便于确定不同学习浏览数据之间的相似度。
该实施例中,主成分指的是学习浏览数据的关键数据片段。
该实施例中,特征降维的目的是将学习浏览数据的数据特征进行简化,从而对学习浏览数据之间的相似性进行简洁快速的确定,提高了相似性确定的便捷性以及可靠性,其中,低维特征即为对学习浏览数据进行特征降维后得到的结果,将不同的数据特征进行压缩处理。
该实施例中,字段向量指的是将低维特征转换为向量形式,与低维特征内容相同,格式不同,目的是为了便于通过字段向量对不同学习浏览数据之间的相似度进行确定,例如可以是通过两个向量之间的余弦值进行确定,当取值范围在[0,1]时,取值越小,则对应的学习浏览数据越相似。
上述技术方案的有益效果是:通过对得到的学习浏览数据进行标准化处理后进行特征值和特征方向的确定,为确定不同学习浏览数据的主成分提供了便利,其次,通过确定的学习浏览数据的主成分对学习浏览数据进行特征降维,实现对学习浏览数据的低维特征进行准确有效的确定,最后,通过将低维特征转换为字段向量后,实现通过字段向量对不同学习浏览数据之间的相似度进行锁定,从而实现将相似的学习浏览数据进行集成和融合,提高了对用户学习情况确定的可靠性,从而提高了分析用户学习行为特征的准确性。
实施例4:
在实施例1的基础上,本实施例提供了一种测试分析学习内容智能推荐系统,数据采集模块,包括:
数据获取单元,用于获取得到的学习浏览数据,并基于学习浏览数据表征的学习行为类型确定学习行为评价指标;
数据处理单元,用于基于学习行为评价指标对学习浏览数据进行分析,得到各学习行为类型对应的描述统计值,同时,基于学习行为类型之间的关联关系对学习浏览数据进行数据挖掘分析,确定学习浏览数据之间的关联规律;
学习行为特征确定单元,用于基于预设预测模型对各学习行为类型对应的描述统计值以及学习浏览数据之间的关联规律进行综合分析,并基于综合分析结果得到用户的学习行为特征。
该实施例中,学习浏览数据表征的学习行为类型指的是学习浏览数据表征的学习行为种类,例如可以通过学习浏览数据反映出视频观看行为、纸质作业行为以及学术讨论行为等。
该实施例中,学习行为评价指标时根据学习行为类型确定的,是用于评价用户学习行为情况的评价参数。
该实施例中,描述统计值是用于表征用户不同学习行为类型在学习阶段所占的比例。
该实施例中,数据挖掘分析指的是对学习浏览数据之间的数据取值关系以及相互作用关系进行确定,从而实现对学习浏览数据之间的关联规律进行准确有效的确定。
该实施例中,预设预测模型是提前设定好的,用于对用户学习行为类型的描述统计值和学习浏览数据之间的关联规律进行分析后,对用户的学习行为特征进行确定。
上述技术方案的有益效果是:通过对用户的学习浏览数据进行解析,实现对学习浏览数据表征的学习行为类型的学习行为评价指标进行准确有效的确定,其次,通过确定的学习行为评价指标对用户的学习浏览数据进行分析,实现对学习浏览数据表征的各学习行为类型对应的描述统计值以及学习浏览数据之间的关联规律进行准确有效的确定,最后,通过预设预测模型对描述统计值以及学习浏览数据之间的关联规律进行综合分析,实现对用户的学习行为特征进行准确有效的确定,为确定用户的待推荐内容提供了便利,在满足用户的个性化需求的同时也确保了对待推荐学习内容确定的准确性。
实施例5:
在实施例1的基础上,本实施例提供了一种测试分析学习内容智能推荐系统,内容推荐模块,包括:
阶段确定单元,用于:
获取用户的身份标签,并基于身份标签确定用户的学籍信息;
基于学籍信息加载用户相应级别下的课程目录信息,并提取用户的学习浏览数据中的关键词序列,且将关键词序列与课程目录信息进行映射匹配,得到用户在课程目录信息下的当前学习阶段;
知识点确定单元,用于:
基于当前学习阶段得到知识点搜索指标,并基于知识点搜索指标对课程目录信息下的知识点集合进行全局搜索,得到当前阶段的知识点群;
基于知识点衔接逻辑确定知识点群中各知识点之间的拓扑结构,并基于拓扑结构确定知识点分布网络;
模型构建单元,用于:
分别调取知识点分布网络中各知识点对应的多用户学习数据,并对多用户学习数据进行统计分析,得到不同用户对相应知识点的掌握分值,且基于掌握分值对各知识点进行统计可视化展示;
基于统计可视化展示结果确定不同用户所对应的掌握分值的目标比例,并基于目标比例确定知识点分布网络中各知识点的难易等级,且基于难易等级对知识点分布网络中各知识点进行特征标注;
基于用户学习行为偏好对知识点推荐的影响权重以及知识点分布网络中各知识点的特征标注结果确定知识点推荐机制,并基于运算量从模型库中匹配目标神经网络;
基于知识点推荐机制对目标神经网络进行迭代训练,并基于迭代训练结果得到内容推荐模型。
该实施例中,身份标签指的是能够区分不同用户身份的标记符号。
该实施例中,基于身份标签确定用户的学籍信息指的是通过身份标签对教育系统进行访问,从而实现对用户的学籍信息进行确定。
该实施例中,课程目录信息指的是用户当前所属年级或学习阶段包含的所有课程信息。
该实施例中,关键词序列指的是学习浏览数据中能够表征用户学习行为特点或学习内容的关键数据参数,从而便于对课程目录信息中用户已学习的课程进行确定。
该实施例中,当前学习阶段指的是用户对课程的学习情况,例如可以是已经完成课程目录中的三分之二等。
该实施例中,知识点搜索指标是根据当前学习阶段确定的,是对课程目录信息的知识点进行搜索的参考依据。
该实施例中,知识点集合指的是课程目录信息心中包含的所有知识点。
该实施例中,全局搜索指的是根据用户当前学习阶段对适合用户的知识点进行搜索,即从课程目录信息下的知识点集合中搜索用户已经学过的知识点。
该实施例中,知识点群指的是最终搜索到的适合用户的所有知识点。
该实施例中,知识点衔接逻辑是提前设定好的,用于表征知识点之间存在的相互限定作用或逻辑递进关系等。
该实施例中,拓扑结构是用于表征知识点群中不同知识点之间的交互规则。
该实施例中,多用户学习数据指的是不同用户对知识点分布网络中各知识点的学习情况。
该实施例中,掌握分值指的是通过对不同用户学习数据进行分析,实现通过大量用户对不同知识点的学习情况进行确定,其中,掌握分值可以表征不同知识点的难易程度。
该实施例中,统计可视化展示指的是将用户对不同知识点对应的掌握情况进行统计并进行图表展示,例如可以是通过柱状图进行展示。
该实施例中,目标比例指的是通过统计可视化展示结果确定对该知识点已经掌握的用户在所有用户中所占的数量。
该实施例中,特征标注指的是对不同知识点的难度系数进行标记。
该实施例中,用户学习行为偏好是用于表征用户对不同知识点的感兴趣情况。
该实施例中,影响权重是用于表征不同知识点推荐的优先程度。
该实施例中,知识点推荐机制是根据用户学习行为偏好对知识点推荐的影响权重以及知识点分布网络中各知识点的特征标注结果确定的,表征的是对知识点推荐时依据的推荐指标以及限定规则等。
该实施例中,目标神经网络指的是适用于构建内容推荐模型的基础模型框架,时根据运算量确定的,其中,运算量是提前限定好的。
上述技术方案的有益效果是:通过对用户的身份标签进行确定,实现通过身份标签对用户的学籍信息进行确定,通过确定的学籍信息对用户相应级别的课程目录信息进行准确有效的确定,其次,通过提取学习浏览数据中的关键词序列,并将关键词与课程目录信息进行匹配,实现对用户的当前学习阶段进行确定,同时,通过确定的当前学习阶段对课程目录信息下包含的知识点集合进行全局搜索,实现对适合用户的知识点群进行准确可靠的确定以及通过对调取的多用户学习数据进行解析,实现对知识点群中不同知识点的难易程度进行准确有效的判定,最后,通过确定用户的学习行为偏好,实现根据学习行为偏好以及知识点的难易程度对目标神经网络进行训练,实现对内容推荐模型进行准确有效的获取,为确定用户的待推荐学习内容提供了便利与保障,便于内容推荐模型根据用户实时的学习行为特征适应性匹配相应的推荐学习内容,提高了学习内容推荐的适应性以及准确性,提高了用户的学习效率。
实施例6:
在实施例1的基础上,本实施例提供了一种测试分析学习内容智能推荐系统,内容推荐模块,包括:
分析单元,用于:
获取得到的内容推荐模型,并基于内容推荐模型对用户的学习行为特征进行分析,确定用户的学习行为偏好;
基于学习行为偏好对已知学习内容进行逐层检索,并将每一层检索结果进行临时缓存直至完成全流程检索,得到待推荐学习内容;
核验单元,用于:
提取待推荐学习内容的第一特征向量以及用户学习行为特征的第二特征向量,并基于第一特征向量和第二特征向量确定待推荐学习内容相对用户学习行为特征的归属度;
当归属度大于或等于预设阈值时,判定得到的待推荐学习内容无误。
该实施例中,学习行为偏好指的是用户擅长的知识点以及擅长的学习方式等。
该实施例中,全流程检索指的是根据用户的学习行为偏好对已知学习进行进行检索后得到的能够满足用户要求的知识点。
该实施例中,第一特征向量指的是待推荐学习内容的对应的知识点类型等参数。
该实施例中,第二特征向量指的是用户学习行为特征表征的需要的知识点种类以及感兴趣的知识点种类等信息。
该实施例中,归属度是用于表征确定的待推荐学习内容满足用户学习行为特征要求的程度,取值越大表明越满足用户学习行为特征的要求。
该实施例中,预设阈值是提前设定好的是,是衡量是否满足合格的参考依据,是可以进行调整的。
上述技术方案的有益效果是:通过得到的内容推荐模型对用户的学习行为特征进行分析,实现对用户的学习行为偏好进行准确有效的确定,其次,通过用户的学习行为偏好对已知学习内容进行检索,实现对用户所需的待推荐学习内容进行准确有效的确定,最后,通过将确定的待推荐学习内容与用户学习行为特征进行归属度分析,实现对确定的待推荐学习内容的合格程度进行准确有效的判定,保障了对待推荐学习内容确定的可靠性,也满足了用户的个性化需求。
实施例7:
在实施例6的基础上,本实施例提供了一种测试分析学习内容智能推荐系统,模型构建单元,包括:
模型获取子单元,用于:
调取训练数据,并将训练数据拆分为M组测试数据;
基于M组测试数据分别对每一次迭代训练得到的内容推荐模型进行模拟测试,得到每一次迭代训练后的内容推荐模型的召回率;
模型确定子单元,用于基于召回率确定每一次迭代训练得到的内容推荐模型的应用权重,并基于应用权重的目标取值确定最终的内容推荐模型。
该实施例中,训练数据是提前已知的,用于测试构建的内容推荐模型的性能。
该实施例中,召回率是用于表征每一次迭代训练后的内容推荐模型对测试数据进行分析后得到的测试结果与标准结果之间的一致程度,取值越大表明度对内容推荐模型的训练效果越好。
该实施例中,应用权重是用于表征每一次迭代训练过程的重要程度,其中,目标取值即为应用权重的具体取值大小情况。
上述技术方案的有益效果是:通过调取训练数据,并将训练数据拆分为M组测试数据,实现对每一次迭代训练后的内容推荐模型的性能进行有效测试,从而保障了最终得到的内容推荐模型的准确可靠性,也提高了对待推荐学习内容确定的准确性。
实施例8:
在实施例1的基础上,本实施例提供了一种测试分析学习内容智能推荐系统,推荐优化模块,包括:
内容获取单元,用于获取得到的待推荐学习内容,并基于待推荐学习内容的基本属性确定待推荐内容与用户偏好之间的相关度,且基于相关度将待推荐学习内容进行第一推荐等级划分;
等级划分单元,用于基于第一推荐等级划分结果得到N个阶梯等级学习内容组,并基于基本属性将每个阶梯等级学习内容组中的待推荐学习内容进行第二推荐等级划分,得到层级推荐学习内容;
内容推送单元,用于:
将同一阶梯等级学习内容组中的同层级推荐学习内容进行关联封装且排版,得到可推送数据,并基于无线传输方式将可推送数据推荐至用户终端。
该实施例中,基本属性指的是待推荐学习内容中包含的知识点类型以及包含的知识点数量等。
该实施例中,第一推荐等级划分指的是根据待推荐学习内容与与用户偏好之间的相关度将确定的待推荐学习内容进行推荐顺序划分,即用户越感兴趣的待推荐学习内容的推荐等级越高。
该实施例中,N个阶梯等级学习内容组是对待推荐学习内容进行第一推荐等级划分后得到的结果,用户对不同阶梯等级学习内容组的感兴趣程度不同。
该实施例中,第二推荐等级划分指的是对每一阶梯等级学习内容组中的知识点内容再进行推荐顺序的划分,其中,层级推荐学习内容即为第二推荐等级划分的结果,即将每一阶梯等级学习内容组中包含的知识按照用户的感兴趣程度进行划分。
该实施例中,可推送数据指的是将每一阶梯等级学习内容组属于同一层级的知识点进行关联封装以及排版后得到的能够直接进行推荐的数据,用户对该数据的感兴趣程度相同。
上述技术方案的有益效果是:通过确定待推荐学习内容与用户偏好之间的相关度,实现通过相关度将待推荐学习内容进行第一推荐等级划分,便于依次将用户感兴趣的内容推荐至用户终端,其次,对第一推荐等级划分得到的阶梯等级学习内容组中的待推荐学习内容进行第二推荐等级划分,实现对具体的知识点的推荐等级进行准确有效的确定,最后,通过将每一阶梯等级学习内容组中的同层级推荐学习内容进行关联封装且排版后,推送至用户终端,保障了将待推荐学习内容推荐至用户终端的有序性,也便于确保用户依次对不同的学习内容进行有效了解,保障了用户的学习效率。
实施例9:
在实施例1的基础上,本实施例提供了一种测试分析学习内容智能推荐系统,推荐优化模块,包括:
监测单元,用于基于用户终端实时监测用户对不同推荐等级内容的学习参数,并基于多维度评价指标对学习参数进行解析,确定用户对不同推荐等级内容的掌握参数以及兴趣偏好转移量;
反馈数据确定单元,用于基于掌握参数以及兴趣偏好转移量确定用户对不同推荐等级内容的反馈数据,并基于反馈数据确定用户的学习行为特征的变量参数,且基于变量参数对用户的学习行为特征进行负反馈调整,得到用户的实时有效学习行为特征;
推荐更新单元,用于将用户的实时有效学习行为特征输入至内容推荐模型中进行同步处理,并基于处理结果对用户的待推荐学习内容进行实时同步更新。
该实施例中,学习参数指的是用户对不同待推荐学习内容的学习情况。
该实施例中,多维度评价指标是用于评估用户对待推荐学习内容的学习情况,是提前设定好的,例如可以是对待推荐学习内容掌握的速度以及透彻度等。
该实施例中,掌握参数指的是用户对待推荐学习内容的具体学习情况,包括是否掌握等。
该实施例中,兴趣偏好转移量指的是用户在对待推荐学习内容学习后,自身的兴趣偏好相比之前的兴趣偏好发生的变化。
该实施例中,变量参数指的是用户行为特征发生的具体改变情况,从而便于对用户之后需要的待推荐学习内容进行更新。
该实施例中,实时有效学习行为特征指的是通过确定的学习行为特征的变量参数对用于之前的学习行为特征进行调整后,得到用户当前最新的学习行为特征。
上述技术方案的有益效果是:通过对用户对待推荐学习内容的学习参数进行接收和解析,实现对用户对待推荐学习内容的掌握参数和兴趣偏好转移量进行准确有效的确定,其次,通过掌握参数以及兴趣偏好转移量确定用户对不同推荐等级内容的反馈数据,实现通过反馈数据对用户的学习行为特征进行实时更新,最后,通过内容推荐模型对用户的实时有效学习行为特征进行分析,实现对用户的待推荐学习内容进行同步更新,保障了实时满足用户的个性化需求,保障了用户的学习效果。
实施例10:
本实施例提供了一种测试分析学习内容智能推荐方法,如图3所示,包括:
步骤1:采集用户的学习浏览数据,并对学习浏览数据进行处理,得到用户的学习行为特征;
步骤2:基于用户当前学习阶段的知识点分布网络和神经网络构建内容推荐模型,并基于内容推荐模型对用户的学习行为特征进行分析,得到待推荐学习内容;
步骤3:对待推荐学习内容进行推荐等级划分,并基于等级递增顺序依次将推荐等级划分结果推荐至用户终端,且基于用户终端对不同推荐等级内容的反馈数据对用户的学习行为特征进行负反馈调整。
上述技术方案的有益效果是:通过对用户的学习浏览数据进行分析,实现对用户当前的学习情况进行准确有效的了解,其次,构建内容推荐模型,并通过内容推荐模型对用户当前的学习行为特征进行分析后,实现对用户所需的待推荐学习内容进行准确有效的确定和预测,最后,将得到的待推荐学习内容进行推荐等级划分后依次推荐至用户终端,并根据用户终端对每一推荐等级内容的学习反馈数据对用户的学习情况进行更新和调整,从而便于内容推荐模型根据用户实时的学习行为特征适应性匹配相应的推荐学习内容,提高了学习内容推荐的适应性以及准确性,保障了用户的学习效果。
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 (10)
1.一种测试分析学习内容智能推荐系统,其特征在于,包括:
数据采集模块,用于采集用户的学习浏览数据,并对学习浏览数据进行处理,得到用户的学习行为特征;
内容推荐模块,用于基于用户当前学习阶段的知识点分布网络和神经网络构建内容推荐模型,并基于内容推荐模型对用户的学习行为特征进行分析,得到待推荐学习内容;
推荐优化模块,用于对待推荐学习内容进行推荐等级划分,并基于等级递增顺序依次将推荐等级划分结果推荐至用户终端,且基于用户终端对不同推荐等级内容的反馈数据对用户的学习行为特征进行负反馈调整。
2.根据权利要求1所述的一种测试分析学习内容智能推荐系统,其特征在于,数据采集模块,包括:
维度确定单元,用于确定对用户的学习浏览数据的采集维度,并分别确定每一采集维度对应的数据来源终端;
接口适配单元,用于基于数据来源终端的终端属性对每一采集维度的访问接口进行差异适配,并基于差异适配结果对不同采集维度下的数据来源终端进行登录;
数据采集单元,用于基于用户身份标签和登录结果对数据来源终端中用户的学习日志和访问参数进行访问,并将不同数据来源终端的访问结果进行汇总,得到用户的学习浏览数据。
3.根据权利要求2所述的一种测试分析学习内容智能推荐系统,其特征在于,数据采集单元,包括:
数据调取子单元,用于调取采集到的用户的学习浏览数据,并对学习浏览数据进行标准化处理,且基于标准化处理结果构建学习浏览数据对应的协方差矩阵;
主成分确定子单元,用于对协方差矩阵进行特征求解,得到学习浏览数据的特征值以及特征方向,并基于特征值以及特征方向确定学习浏览数据的主成分,且基于主成分对学习浏览数据进行特征降维,得到学习浏览数据的低维特征;
数据融合子单元,用于将低维特征转换为字段向量,并基于字段向量确定不同学习浏览数据的相似度,且基于相似度将学习浏览数据进行集成和融合。
4.根据权利要求1所述的一种测试分析学习内容智能推荐系统,其特征在于,数据采集模块,包括:
数据获取单元,用于获取得到的学习浏览数据,并基于学习浏览数据表征的学习行为类型确定学习行为评价指标;
数据处理单元,用于基于学习行为评价指标对学习浏览数据进行分析,得到各学习行为类型对应的描述统计值,同时,基于学习行为类型之间的关联关系对学习浏览数据进行数据挖掘分析,确定学习浏览数据之间的关联规律;
学习行为特征确定单元,用于基于预设预测模型对各学习行为类型对应的描述统计值以及学习浏览数据之间的关联规律进行综合分析,并基于综合分析结果得到用户的学习行为特征。
5.根据权利要求1所述的一种测试分析学习内容智能推荐系统,其特征在于,内容推荐模块,包括:
阶段确定单元,用于:
获取用户的身份标签,并基于身份标签确定用户的学籍信息;
基于学籍信息加载用户相应级别下的课程目录信息,并提取用户的学习浏览数据中的关键词序列,且将关键词序列与课程目录信息进行映射匹配,得到用户在课程目录信息下的当前学习阶段;
知识点确定单元,用于:
基于当前学习阶段得到知识点搜索指标,并基于知识点搜索指标对课程目录信息下的知识点集合进行全局搜索,得到当前阶段的知识点群;
基于知识点衔接逻辑确定知识点群中各知识点之间的拓扑结构,并基于拓扑结构确定知识点分布网络;
模型构建单元,用于:
分别调取知识点分布网络中各知识点对应的多用户学习数据,并对多用户学习数据进行统计分析,得到不同用户对相应知识点的掌握分值,且基于掌握分值对各知识点进行统计可视化展示;
基于统计可视化展示结果确定不同用户所对应的掌握分值的目标比例,并基于目标比例确定知识点分布网络中各知识点的难易等级,且基于难易等级对知识点分布网络中各知识点进行特征标注;
基于用户学习行为偏好对知识点推荐的影响权重以及知识点分布网络中各知识点的特征标注结果确定知识点推荐机制,并基于运算量从模型库中匹配目标神经网络;
基于知识点推荐机制对目标神经网络进行迭代训练,并基于迭代训练结果得到内容推荐模型。
6.根据权利要求1所述的一种测试分析学习内容智能推荐系统,其特征在于,内容推荐模块,包括:
分析单元,用于:
获取得到的内容推荐模型,并基于内容推荐模型对用户的学习行为特征进行分析,确定用户的学习行为偏好;
基于学习行为偏好对已知学习内容进行逐层检索,并将每一层检索结果进行临时缓存直至完成全流程检索,得到待推荐学习内容;
核验单元,用于:
提取待推荐学习内容的第一特征向量以及用户学习行为特征的第二特征向量,并基于第一特征向量和第二特征向量确定待推荐学习内容相对用户学习行为特征的归属度;
当归属度大于或等于预设阈值时,判定得到的待推荐学习内容无误。
7.根据权利要求6所述的一种测试分析学习内容智能推荐系统,其特征在于,模型构建单元,包括:
模型获取子单元,用于:
调取训练数据,并将训练数据拆分为M组测试数据;
基于M组测试数据分别对每一次迭代训练得到的内容推荐模型进行模拟测试,得到每一次迭代训练后的内容推荐模型的召回率;
模型确定子单元,用于基于召回率确定每一次迭代训练得到的内容推荐模型的应用权重,并基于应用权重的目标取值确定最终的内容推荐模型。
8.根据权利要求1所述的一种测试分析学习内容智能推荐系统,其特征在于,推荐优化模块,包括:
内容获取单元,用于获取得到的待推荐学习内容,并基于待推荐学习内容的基本属性确定待推荐内容与用户偏好之间的相关度,且基于相关度将待推荐学习内容进行第一推荐等级划分;
等级划分单元,用于基于第一推荐等级划分结果得到N个阶梯等级学习内容组,并基于基本属性将每个阶梯等级学习内容组中的待推荐学习内容进行第二推荐等级划分,得到层级推荐学习内容;
内容推送单元,用于:
将同一阶梯等级学习内容组中的同层级推荐学习内容进行关联封装且排版,得到可推送数据,并基于无线传输方式将可推送数据推荐至用户终端。
9.根据权利要求1所述的一种测试分析学习内容智能推荐系统,其特征在于,推荐优化模块,包括:
监测单元,用于基于用户终端实时监测用户对不同推荐等级内容的学习参数,并基于多维度评价指标对学习参数进行解析,确定用户对不同推荐等级内容的掌握参数以及兴趣偏好转移量;
反馈数据确定单元,用于基于掌握参数以及兴趣偏好转移量确定用户对不同推荐等级内容的反馈数据,并基于反馈数据确定用户的学习行为特征的变量参数,且基于变量参数对用户的学习行为特征进行负反馈调整,得到用户的实时有效学习行为特征;
推荐更新单元,用于将用户的实时有效学习行为特征输入至内容推荐模型中进行同步处理,并基于处理结果对用户的待推荐学习内容进行实时同步更新。
10.一种测试分析学习内容智能推荐方法,其特征在于,包括:
步骤1:采集用户的学习浏览数据,并对学习浏览数据进行处理,得到用户的学习行为特征;
步骤2:基于用户当前学习阶段的知识点分布网络和神经网络构建内容推荐模型,并基于内容推荐模型对用户的学习行为特征进行分析,得到待推荐学习内容;
步骤3:对待推荐学习内容进行推荐等级划分,并基于等级递增顺序依次将推荐等级划分结果推荐至用户终端,且基于用户终端对不同推荐等级内容的反馈数据对用户的学习行为特征进行负反馈调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410008355.9A CN117874339B (zh) | 2024-01-03 | 2024-01-03 | 一种测试分析学习内容智能推荐系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410008355.9A CN117874339B (zh) | 2024-01-03 | 2024-01-03 | 一种测试分析学习内容智能推荐系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117874339A true CN117874339A (zh) | 2024-04-12 |
CN117874339B CN117874339B (zh) | 2024-06-21 |
Family
ID=90578641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410008355.9A Active CN117874339B (zh) | 2024-01-03 | 2024-01-03 | 一种测试分析学习内容智能推荐系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117874339B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108614865A (zh) * | 2018-04-08 | 2018-10-02 | 暨南大学 | 基于深度强化学习的个性化学习推荐方法 |
CN109033418A (zh) * | 2018-08-07 | 2018-12-18 | 广东小天才科技有限公司 | 一种学习内容的智能推荐方法及学习设备 |
CN110021208A (zh) * | 2019-05-16 | 2019-07-16 | 上海乂学教育科技有限公司 | 针对英语阅读题目的高效训练方法及系统 |
CN110222125A (zh) * | 2019-05-13 | 2019-09-10 | 厦门无常师教育科技有限公司 | 一种基于知识图谱的线上教育个性化推送方法及系统 |
CN110263181A (zh) * | 2019-06-17 | 2019-09-20 | 北京作业盒子科技有限公司 | 知识结构的挖掘方法及学习路径的规划方法 |
CN110489455A (zh) * | 2019-08-14 | 2019-11-22 | 北京金山安全软件有限公司 | 学习资源推荐方法、装置、电子设备和存储介质 |
CN111081106A (zh) * | 2019-12-13 | 2020-04-28 | 北京爱论答科技有限公司 | 一种作业推送的方法、系统、设备和存储介质 |
US20200311152A1 (en) * | 2019-03-29 | 2020-10-01 | Indiavidual Learning Private Limited | System and method for recommending personalized content using contextualized knowledge base |
CN112883226A (zh) * | 2021-03-29 | 2021-06-01 | 读书郎教育科技有限公司 | 一种智慧课堂学习视频推荐方法 |
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 |
CN114077704A (zh) * | 2020-08-19 | 2022-02-22 | Tcl科技集团股份有限公司 | 一种学习内容推荐方法、装置、智能终端及存储介质 |
CN114398556A (zh) * | 2022-01-18 | 2022-04-26 | 腾讯科技(深圳)有限公司 | 学习内容的推荐方法、装置、设备及存储介质 |
CN114742677A (zh) * | 2022-04-14 | 2022-07-12 | 南京邮电大学 | 一种基于融媒体的教学辅助互动平台 |
CN114897369A (zh) * | 2022-05-11 | 2022-08-12 | 重庆鼎维网络科技有限公司 | 一种自适应线上学习系统 |
CN115952299A (zh) * | 2022-12-27 | 2023-04-11 | 北京万维高科科技有限责任公司 | 一种智能化模拟考试推荐系统及方法 |
CN116257694A (zh) * | 2023-05-16 | 2023-06-13 | 安徽教育网络出版有限公司 | 一种基于在线学习课程的智能化搜索推荐方法和系统 |
CN117171350A (zh) * | 2022-06-22 | 2023-12-05 | 中国石油大学(华东) | 一种基于知识图谱的个性化课程学习环境构建方法与装置 |
-
2024
- 2024-01-03 CN CN202410008355.9A patent/CN117874339B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108614865A (zh) * | 2018-04-08 | 2018-10-02 | 暨南大学 | 基于深度强化学习的个性化学习推荐方法 |
CN109033418A (zh) * | 2018-08-07 | 2018-12-18 | 广东小天才科技有限公司 | 一种学习内容的智能推荐方法及学习设备 |
US20200311152A1 (en) * | 2019-03-29 | 2020-10-01 | Indiavidual Learning Private Limited | System and method for recommending personalized content using contextualized knowledge base |
CN110222125A (zh) * | 2019-05-13 | 2019-09-10 | 厦门无常师教育科技有限公司 | 一种基于知识图谱的线上教育个性化推送方法及系统 |
CN110021208A (zh) * | 2019-05-16 | 2019-07-16 | 上海乂学教育科技有限公司 | 针对英语阅读题目的高效训练方法及系统 |
CN110263181A (zh) * | 2019-06-17 | 2019-09-20 | 北京作业盒子科技有限公司 | 知识结构的挖掘方法及学习路径的规划方法 |
CN110489455A (zh) * | 2019-08-14 | 2019-11-22 | 北京金山安全软件有限公司 | 学习资源推荐方法、装置、电子设备和存储介质 |
CN111081106A (zh) * | 2019-12-13 | 2020-04-28 | 北京爱论答科技有限公司 | 一种作业推送的方法、系统、设备和存储介质 |
CN114077704A (zh) * | 2020-08-19 | 2022-02-22 | Tcl科技集团股份有限公司 | 一种学习内容推荐方法、装置、智能终端及存储介质 |
CN112883226A (zh) * | 2021-03-29 | 2021-06-01 | 读书郎教育科技有限公司 | 一种智慧课堂学习视频推荐方法 |
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 |
CN114398556A (zh) * | 2022-01-18 | 2022-04-26 | 腾讯科技(深圳)有限公司 | 学习内容的推荐方法、装置、设备及存储介质 |
CN114742677A (zh) * | 2022-04-14 | 2022-07-12 | 南京邮电大学 | 一种基于融媒体的教学辅助互动平台 |
CN114897369A (zh) * | 2022-05-11 | 2022-08-12 | 重庆鼎维网络科技有限公司 | 一种自适应线上学习系统 |
CN117171350A (zh) * | 2022-06-22 | 2023-12-05 | 中国石油大学(华东) | 一种基于知识图谱的个性化课程学习环境构建方法与装置 |
CN115952299A (zh) * | 2022-12-27 | 2023-04-11 | 北京万维高科科技有限责任公司 | 一种智能化模拟考试推荐系统及方法 |
CN116257694A (zh) * | 2023-05-16 | 2023-06-13 | 安徽教育网络出版有限公司 | 一种基于在线学习课程的智能化搜索推荐方法和系统 |
Non-Patent Citations (4)
Title |
---|
YANG QINGHONG 等: "The research of personalized learning system based on learner interests and cognitive level", 2014 9TH INTERNATIONAL CONFERENCE ON COMPUTER SCIENCE & EDUCATION, 16 October 2014 (2014-10-16), pages 522 - 526 * |
王晓波: "基于数据挖掘的学习推荐系统的研究", 微型机与应用, vol. 33, no. 23, 10 December 2014 (2014-12-10), pages 32 - 34 * |
邓明阳: "基于梯度培养的智慧课堂在线系统研究与应用", 天津中德应用技术大学学报, no. 05, 15 October 2020 (2020-10-15), pages 87 - 91 * |
韩立华 等: "面向学历教育和非学历培训的终身学习平台功能架构与技术策略研究", 石家庄铁道大学学报(社会科学版), vol. 14, no. 02, 25 June 2020 (2020-06-25), pages 124 - 131 * |
Also Published As
Publication number | Publication date |
---|---|
CN117874339B (zh) | 2024-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846126B (zh) | 关联问题聚合模型的生成、问答式聚合方法、装置及设备 | |
CN109598995B (zh) | 基于贝叶斯知识跟踪模型的智能教学系统 | |
KR20190118477A (ko) | 엔티티 추천 방법 및 장치 | |
CN116628339B (zh) | 一种基于人工智能的教育资源推荐方法及系统 | |
CN105117460A (zh) | 学习资源推荐方法和系统 | |
CN112347244A (zh) | 基于混合特征分析的涉黄、涉赌网站检测方法 | |
CN114913729B (zh) | 一种选题方法、装置、计算机设备和存储介质 | |
CN115809376A (zh) | 一种基于教学大数据的智能推荐方法 | |
CN106462644A (zh) | 标识来自多个结果页面标识的优选结果页面 | |
CN116861051A (zh) | 基于行为习惯分析的计算机数据检索系统 | |
CN103425748B (zh) | 一种文档资源建议词的挖掘方法和装置 | |
CN111222031A (zh) | 一种网站判别方法及系统 | |
CN112598405B (zh) | 一种基于大数据的商业项目数据管理方法及系统 | |
CN112269906B (zh) | 网页正文的自动抽取方法及装置 | |
CN113569988A (zh) | 一种算法模型评测方法及系统 | |
CN117874339B (zh) | 一种测试分析学习内容智能推荐系统及方法 | |
CN112765374A (zh) | 一种用于信息推送的教育资源筛选系统及其方法 | |
CN113505154A (zh) | 一种基于大数据的数字阅读统计分析方法及系统 | |
CN112836994A (zh) | 针对在线远程教育的大数据可视化方法及在线教育服务器 | |
CN113657726B (zh) | 基于随机森林的人员的危险性分析方法 | |
CN115168700A (zh) | 一种基于预训练算法的信息流推荐方法、系统及介质 | |
CN111339258B (zh) | 基于知识图谱的大学计算机基础习题推荐方法 | |
CN113657766A (zh) | 一种基于游客多元数据的旅游景区欢乐指数的计量方法 | |
CN112559589A (zh) | 一种远程测绘数据处理方法及系统 | |
CN112598553A (zh) | 一种基于在线学习与智能评测的服务系统 |
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 |