CN117910994A - 一种基于深度学习的课程推荐方法、系统与存储介质 - Google Patents
一种基于深度学习的课程推荐方法、系统与存储介质 Download PDFInfo
- Publication number
- CN117910994A CN117910994A CN202410309984.5A CN202410309984A CN117910994A CN 117910994 A CN117910994 A CN 117910994A CN 202410309984 A CN202410309984 A CN 202410309984A CN 117910994 A CN117910994 A CN 117910994A
- Authority
- CN
- China
- Prior art keywords
- matching
- course
- job
- user
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000013136 deep learning model Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims 1
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000009286 beneficial effect Effects 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
- 230000006399 behavior Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于深度学习的课程推荐方法、系统与存储介质,属于机器学习技术领域,具体包括:获取用户的求职简历,并根据所述求职简历的解析结果进行所述用户的不同维度的简历特征以及所述用户的求职意愿的确定,利用简历特征匹配度进行求职意愿中的匹配求职意愿的确定,根据用户在在线平台的不同的在线课程的点击数据进行用户的点击课程的确定,并利用用户的点击课程的点击数据、不同的点击课程与用户的匹配求职课程的关联情况以及匹配求职课程的课程匹配度,采用深度学习模型进行用户的课程推荐结果的生成,保证了用户的课程推荐结果的准确性。
Description
技术领域
本发明属于机器学习技术领域,尤其涉及一种基于深度学习的课程推荐方法、系统与存储介质。
背景技术
随着社会和科技的快速发展,在不断的提升新的就业工作机会的基础上,也对求职者的个人能力和工作经验提出了越来越高的要求,这就要求求职者需要参加相关的课程,不断的更新自己的知识储备,提升个人能力,与此同时,由于平台的用户数量较多,同时不同用户的培训需求存在一定程度的差异,因此如何实现对用户的课程推荐成为亟待解决的技术问题。
为解决上述技术问题,现有技术方案中往往是通过对用户自身的课程的点击情况进行课程的推荐,具体的在发明专利CN202310895106.1《基于人工智能的课程推荐方法及系统》、CN202310793352.6《一种基于用户行为分析的课程推荐方法、装置及存储介质》中均给出了类似的技术手段,但是通过分析不难发现,存在以下技术问题:
上述技术方案在进行课程推荐时,均未考虑用户的求职意愿,求职意愿的差异对课程培训的需求也存在着较大的差异,因此若不能考虑用户的求职意愿,则无法准确的实现对用户的匹配的培训课程的准确推荐。
针对上述技术问题,本发明提供了一种基于深度学习的课程推荐方法、系统与存储介质。
发明内容
为实现本发明目的,本发明采用如下技术方案:
根据本发明的一个方面,提供了一种基于深度学习的课程推荐方法。
一种基于深度学习的课程推荐方法,其特征在于,具体包括:
S1获取用户的求职简历,并根据所述求职简历的解析结果进行所述用户的不同维度的简历特征以及所述用户的求职意愿的确定;
S2通过不同维度的简历特征与所述用户的求职意愿的匹配情况确定所述用户的不同的求职意愿的简历特征匹配度,并利用所述简历特征匹配度进行所述求职意愿中的匹配求职意愿的确定;
S3将在线平台存在所述匹配求职意愿的其它用户作为相似历史用户,并根据不同的相似历史用户与所述用户的匹配求职意愿的相同情况以及相似历史用户的匹配在线课程确定所述用户与不同的在线课程的课程匹配度,利用所述课程匹配度进行所述用户的匹配求职课程的筛选;
S4根据所述用户在所述在线平台的不同的在线课程的点击数据进行所述用户的点击课程的确定,并利用所述用户的点击课程的点击数据、不同的点击课程与所述用户的匹配求职课程的关联情况以及所述匹配求职课程的课程匹配度,采用深度学习模型进行所述用户的课程推荐结果的生成。
进一步的技术方案在于,所述简历特征包括所述用户的专业学历特征、工作经验特征、个人技能特征以及培训课程特征。
进一步的技术方案在于,所述用户的求职意愿根据所述用户的求职简历中填写的求职意愿的解析结果进行确定。
进一步的技术方案在于,利用所述简历特征匹配度进行所述求职意愿中的匹配求职意愿的确定,具体包括:
当所述求职意愿的建立特征匹配度大于预设匹配度阈值时,则确定所述求职意愿为匹配求职意愿。
进一步的技术方案在于,所述用户与在线课程的课程匹配度的确定的方法为:
通过不同的相似历史用户的匹配在线课程与所述在线课程的关联度进行所述在线课程在不同的相似历史用户的用户课程匹配度的确定;
基于不同的相似历史用户与所述用户的匹配求职意愿的相同数量进行不同的相似历史用户的权重值的确定,并结合所述在线课程在不同的相似历史用户的用户课程匹配度确定所述用户与所述在线课程的课程匹配度。
进一步的技术方案在于,当所述匹配求职课程的综合评估系数满足要求时,则确定所述匹配求职课程为课程推荐结果。
进一步的技术方案在于,所述深度学习模型采用基于GAN神经网络、RNN神经网络、深度残差网络中的任意一种或者多种模型进行构建。
第二方面,本发明提供了一种计算机系统,包括:通信连接的存储器和处理器,以及存储在所述存储器上并能够在所述处理器上运行的计算机程序,其特征在于:所述处理器运行所述计算机程序时执行上述的一种基于深度学习的课程推荐方法。
第三方面,本发明提供了一种计算机存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行上述的一种基于深度学习的课程推荐方法。
本发明的有益效果在于:
1、在本发明中利用简历特征匹配度进行求职意愿中的匹配求职意愿的确定,从而实现了从求职意愿与用户本身的简历特征的匹配情况对用户本身的求职意愿进行筛选,避免了与用户本身的简历不够匹配导致的求职意愿不够准确的技术问题的出现,进一步保证了用户的课程推荐结果的准确性。
2、在本发明中利用用户的点击课程的点击数据、不同的点击课程与用户的匹配求职课程的关联情况以及匹配求职课程的课程匹配度,采用深度学习模型进行用户的课程推荐结果的生成,既考虑到匹配求职课程与用户的求职意愿的匹配性,并且通过进一步结合用户自身的点击课程以及点击课程与匹配求职课程的关联情况,实现了进一步与用户的点击数据的匹配,进一步保证了课程推荐结果的准确性。
其他特征和优点将在随后的说明书中阐述,本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
通过参照附图详细描述其示例实施方式,本发明的上述和其它特征及优点将变得更加明显;
图1是一种基于深度学习的课程推荐方法的流程图;
图2是求职意愿的简历特征匹配度的确定的方法的流程图;
图3是用户与在线课程的课程匹配度的确定的方法的流程图;
图4是用户的课程推荐结果的生成的方法的流程图;
图5是一种计算机存储介质的框架图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中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说明书一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
现有技术方案中在进行培训课程的推荐时,往往仅考虑用户自身的课程点击情况,但是可能存在用户对培训课程不够熟悉,从而使得推荐结果难以满足要求的技术问题的出现。
同时现有技术中均未考虑结合用户的求职简历的解析结果,进行用户的匹配的求职课程的确定,用户的求职简历在一定程度上反映了用户的真实的求职意愿和求职目标,因此通过用户的求职意愿的解析,可以使得课程的推荐结果更加准确。
为解决上述技术问题,申请人首先根据用户的求职简历的解析进行求职意愿的确定,并根据求职意愿与用户的求职简历中的培训经历以及工作经历的匹配情况进行匹配求职意愿的确定,从而可以实现综合课程的点击数据和课程与匹配求职意愿的匹配情况实现对用户的课程的推荐结果的输出。
具体的,采用以下技术方案:
首先根据用户的求职简历的解析结果进行用户的不同维度的简历特征,例如培训、工作经历或者学历等简历特征,根据用户的求职简历的目标进行用户的求职意愿的确定;
然后通过不同维度的简历特征与用户的求职意愿的匹配情况确定用户的不同的求职意愿的简历特征匹配度,具体的可以通过不同维度的简历特征与用户的求职意愿的匹配数量占比确定不同维度的维度特征匹配度,根据不同维度的维度特征匹配度的权重和确定用户的求职意愿的简历特征匹配度,并将简历特征匹配度较大的求职意愿作为匹配求职意愿;
随后将在线平台存在匹配求职意愿的其它用户作为相似历史用户,并根据不同的相似历史用户与用户的匹配求职意愿的相同情况以及相似历史用户的匹配在线课程确定用户与不同的在线课程的课程匹配度,具体的根据相似历史用户与用户的匹配求职意愿的匹配数量确定相似历史用户的用户相似度,从而可以根据不同的相似历史用户的匹配在线课程的用户相似度的数量和确定用户与不同的在线课程的课程匹配度,并将课程匹配度较大的作为用户的匹配求职课程;
最后根据用户的点击数据得到用户的点击课程,并将点击次数大于预设点击次数的点击课程作为感兴趣课程,根据不同的感兴趣课程与用户的匹配求职课程的关联情况以及匹配求职课程的课程匹配度确定不同的感兴趣课程的权重值,将权重值较大的感兴趣课程作为匹配的学习课程,并将匹配的学习课程以及匹配的学习课程的权重值作为深度学习模型的输入数据,采用深度学习模型进行用户的课程推荐结果的生成。
以下将从方法类实施例和系统类实施例两个角度进行进一步阐述。
为解决上述问题,根据本发明的一个方面,如图1所示,提供了一种基于深度学习的课程推荐方法,其特征在于,具体包括:
S1获取用户的求职简历,并根据所述求职简历的解析结果进行所述用户的不同维度的简历特征以及所述用户的求职意愿的确定;
进一步的,所述简历特征包括所述用户的专业学历特征、工作经验特征、个人技能特征以及培训课程特征。
需要说明的是,所述用户的求职意愿根据所述用户的求职简历中填写的求职意愿的解析结果进行确定。
S2通过不同维度的简历特征与所述用户的求职意愿的匹配情况确定所述用户的不同的求职意愿的简历特征匹配度,并利用所述简历特征匹配度进行所述求职意愿中的匹配求职意愿的确定;
具体的举例说明,如图2所示,所述求职意愿的简历特征匹配度的确定的方法为:
基于不同维度的简历特征与所述用户的求职意愿的匹配情况进行不同的简历特征的特征匹配度的确定,并利用所述特征匹配度进行不同维度的简历特征中的匹配简历特征以及不匹配简历特征的确定;
分别根据不同维度的简历特征中的匹配简历特征的特征数量以及不同的匹配简历特征的特征匹配度、不匹配简历特征的特征数量以及不同的不匹配简历特征的特征匹配度的特征匹配度进行不同维度的简历特征的意愿匹配度的确定;
获取所述求职意愿的匹配简历特征的特征数量占比以及不同的简历特征的特征匹配度的平均值,并结合不同维度的简历特征的意愿匹配度进行求职意愿的简历特征匹配度的确定。
进一步的,利用所述简历特征匹配度进行所述求职意愿中的匹配求职意愿的确定,具体包括:
当所述求职意愿的建立特征匹配度大于预设匹配度阈值时,则确定所述求职意愿为匹配求职意愿。
在另外的一个可能的实施例中,所述求职意愿的简历特征匹配度的确定的方法为:
判断所述用户的简历特征的数量是否满足要求,若是,则进入下一步骤,若否,则确定所述求职意愿不属于匹配求职意愿;
基于不同维度的简历特征与所述用户的求职意愿的匹配情况进行不同的简历特征的特征匹配度的确定,判断不同的简历特征的特征匹配度的均值是否大于匹配度限定值,若是,则确定所述求职意愿为匹配求职意愿,若否,则进入下一步骤;
利用所述特征匹配度进行不同维度的简历特征中的匹配简历特征以及不匹配简历特征的确定,判断所述匹配简历特征的数量是否满足要求,若是,则确定所述求职意愿为匹配求职意愿,若否,则进入下一步骤;
分别根据不同维度的简历特征中的匹配简历特征的特征数量以及不同的匹配简历特征的特征匹配度、不匹配简历特征的特征数量以及不同的不匹配简历特征的特征匹配度的特征匹配度进行不同维度的简历特征的意愿匹配度的确定;
获取所述求职意愿的匹配简历特征的特征数量占比以及不同的简历特征的特征匹配度的平均值,并结合不同维度的简历特征的意愿匹配度进行求职意愿的简历特征匹配度的确定。
在另外的一个可能的实施例中,所述求职意愿的简历特征匹配度的确定的方法为:
根据不同维度的简历特征的数量确定是否存在可信维度,若是,则进入下一步骤,若否,则确定所述求职意愿不属于匹配求职意愿;
将简历特征的数量满足要求的维度作为可信维度,基于不同的简历特征与所述用户的求职意愿的匹配情况进行不同的简历特征的特征匹配度的确定,判断是否存在特征匹配度的特征匹配度的均值满足要求的可信维度,若是,则进入下一步骤,若否,则确定所述求职意愿不属于匹配求职意愿;
利用所述特征匹配度进行不同维度的简历特征中的匹配简历特征以及不匹配简历特征的确定,判断所述匹配简历特征的数量满足要求的可信维度的数量是否满足要求,若是,则确定所述求职意愿为匹配求职意愿,若否,则进入下一步骤;
分别根据不同维度的简历特征中的匹配简历特征的特征数量以及不同的匹配简历特征的特征匹配度、不匹配简历特征的特征数量以及不同的不匹配简历特征的特征匹配度的特征匹配度进行不同维度的简历特征的意愿匹配度的确定,判断意愿匹配度满足要求的维度的数量是否满足要求,若是,则确定所述求职意愿为匹配求职意愿,若否,则进入下一步骤;
获取所述求职意愿的匹配简历特征的特征数量占比以及不同的简历特征的特征匹配度的平均值,并结合不同维度的简历特征的意愿匹配度进行求职意愿的简历特征匹配度的确定。
S3将在线平台存在所述匹配求职意愿的其它用户作为相似历史用户,并根据不同的相似历史用户与所述用户的匹配求职意愿的相同情况以及相似历史用户的匹配在线课程确定所述用户与不同的在线课程的课程匹配度,利用所述课程匹配度进行所述用户的匹配求职课程的筛选;
具体的,如图3所示,所述用户与在线课程的课程匹配度的确定的方法为:
通过不同的相似历史用户的匹配在线课程与所述在线课程的关联度进行所述在线课程在不同的相似历史用户的用户课程匹配度的确定;
基于不同的相似历史用户与所述用户的匹配求职意愿的相同数量进行不同的相似历史用户的权重值的确定,并结合所述在线课程在不同的相似历史用户的用户课程匹配度确定所述用户与所述在线课程的课程匹配度。
进一步的,利用所述课程匹配度进行所述用户的匹配求职课程的筛选,具体包括:
当所述用户与所述在线课程的课程匹配度在预设匹配度范围内时,则确定所述在线课程为匹配求职课程。
需要说明的是,所述匹配在线课程与所述在线课程的关联度根据所述匹配在线课程与所述在线课程的类型进行确定。
在另外的一个可能的实施例中,所述用户与在线课程的课程匹配度的确定的方法为:
通过不同的相似历史用户的匹配在线课程与所述在线课程的关联度进行所述在线课程在不同的相似历史用户的用户课程匹配度的确定,判断是否存在用户课程匹配度满足要求的相似历史用户,若是,则进入下一步骤,若否,则确定所述在线课程不属于匹配求职课程;
将用户课程匹配度满足要求的相似历史用户作为相似匹配用户,判断所述相似匹配用户的数量是否小于预设用户数量,若是,则确定所述在线课程不属于匹配求职课程,若否,则进入下一步骤;
基于不同的相似历史用户与所述用户的匹配求职意愿的相同数量进行不同的相似历史用户的权重值的确定,并根据不同的相似匹配用户的权重值以及用户课程匹配度进行所述相似匹配用户中的可信匹配用户的确定,判断所述可信匹配用户的数量是否小于预设可信用户数量,若是,则确定所述在线课程不属于匹配求职课程,若否,则进入下一步骤;
获取所述用户的可信匹配用户的数量以及相似匹配用户数量,并结合不同的相似历史用户的权重值以及所述在线课程在不同的相似历史用户的用户课程匹配度确定所述用户与所述在线课程的课程匹配度。
在另外的一个可能的实施例中,所述用户与在线课程的课程匹配度的确定的方法为:
通过不同的相似历史用户的匹配在线课程与所述在线课程的关联度进行所述在线课程在不同的相似历史用户的用户课程匹配度的确定,将用户课程匹配度满足要求的相似历史用户作为相似匹配用户,判断所述相似匹配用户的数量是否小于预设用户数量,若是,则确定所述在线课程不属于匹配求职课程,若否,则进入下一步骤;
基于不同的相似历史用户与所述用户的匹配求职意愿的相同数量进行不同的相似历史用户的权重值的确定,并利用所述相似历史用户的权重值将所述相似历史用户划分至不同的相似区间,判断预设相似区间内是否存在相似匹配用户,若是,则进入下一步骤,若否,则确定所述在线课程不属于匹配求职课程;
根据不同的相似区间的相似匹配用户的数量、不同的相似匹配用户的权重值以及用户课程匹配度进行不同的相似区间的区间综合匹配度的确定,判断是否存在区间综合匹配度满足要求的相似区间,若是,则进入下一步骤,若否,则确定所述在线课程不属于匹配求职课程;
获取所述用户的可信匹配用户的数量以及相似匹配用户数量,并结合不同的相似历史用户的权重值以及所述在线课程在不同的相似历史用户的用户课程匹配度确定所述用户与所述在线课程的课程匹配度。
S4根据所述用户在所述在线平台的不同的在线课程的点击数据进行所述用户的点击课程的确定,并利用所述用户的点击课程的点击数据、不同的点击课程与所述用户的匹配求职课程的关联情况以及所述匹配求职课程的课程匹配度,采用深度学习模型进行所述用户的课程推荐结果的生成。
进一步的,当所述用户在所述在线课程的点击次数大于预设点击次数时,则确定所述在线课程为点击课程。
具体的,如图4所示,所述用户的课程推荐结果的生成的方法为:
基于所述用户的点击课程的点击数据进行所述用户的点击课程的点击次数的确定,并结合不同的点击课程与所述用户的匹配求职课程的关联系数进行所述匹配求职课程的点击关联系数的确定;
通过所述匹配求职课程的点击关联系数、课程匹配度,采用深度学习模型进行所述匹配求职课程的综合评估系数的确定,基于所述综合评估系数进行所述匹配求职课程中的课程推荐结果的生成。
进一步的,当所述匹配求职课程的综合评估系数满足要求时,则确定所述匹配求职课程为课程推荐结果。
在另外的一个可能的实施例中,所述用户的课程推荐结果的生成的方法为:
通过不同的点击课程与所述用户的匹配求职课程的关联系数确定是否存在关联系数大于预设关联系数的点击课程,若是,则进入下一步骤,若否,则确定所述匹配求职课程不属于课程推荐结果;
基于所述用户的点击课程的点击数据进行所述用户的点击课程的点击次数的确定,并通过所述点击次数进行所述点击课程中的可信点击课程的确定,判断是否存在关联系数大于预设关联系数的可信点击课程,若是,则进入下一步骤,若否,则确定所述匹配求职课程不属于课程推荐结果;
利用所述用户的点击课程的点击次数以及不同的点击课程与所述用户的匹配求职课程的关联系数进行所述匹配求职课程的点击关联系数的确定,判断所述匹配求职课程的点击关联系数是否满足要求,若是,则进入下一步骤,若否,则确定所述匹配求职课程不属于课程推荐结果;
通过所述匹配求职课程的点击关联系数、课程匹配度,采用深度学习模型进行所述匹配求职课程的综合评估系数的确定,基于所述综合评估系数进行所述匹配求职课程中的课程推荐结果的生成。
进一步的,所述深度学习模型采用基于GAN神经网络、RNN神经网络、深度残差网络中的任意一种或者多种模型进行构建。
系统类实施例
第二方面,本发明提供了一种计算机系统,包括:通信连接的存储器和处理器,以及存储在所述存储器上并能够在所述处理器上运行的计算机程序,其特征在于:所述处理器运行所述计算机程序时执行上述的一种基于深度学习的课程推荐方法。
上述的一种基于深度学习的课程推荐方法,具体包括:
获取用户的求职简历,并根据所述求职简历的解析结果进行所述用户的不同维度的简历特征以及所述用户的求职意愿的确定;
通过不同维度的简历特征与所述用户的求职意愿的匹配情况确定所述用户的不同的求职意愿的简历特征匹配度,并利用所述简历特征匹配度进行所述求职意愿中的匹配求职意愿的确定;
将在线平台存在所述匹配求职意愿的其它用户作为相似历史用户,通过不同的相似历史用户的匹配在线课程与所述在线课程的关联度进行所述在线课程在不同的相似历史用户的用户课程匹配度的确定,判断是否存在用户课程匹配度满足要求的相似历史用户,若是,则进入下一步骤,若否,则确定所述在线课程不属于匹配求职课程;
将用户课程匹配度满足要求的相似历史用户作为相似匹配用户,判断所述相似匹配用户的数量是否小于预设用户数量,若是,则确定所述在线课程不属于匹配求职课程,若否,则进入下一步骤;
基于不同的相似历史用户与所述用户的匹配求职意愿的相同数量进行不同的相似历史用户的权重值的确定,并根据不同的相似匹配用户的权重值以及用户课程匹配度进行所述相似匹配用户中的可信匹配用户的确定,判断所述可信匹配用户的数量是否小于预设可信用户数量,若是,则确定所述在线课程不属于匹配求职课程,若否,则进入下一步骤;
获取所述用户的可信匹配用户的数量以及相似匹配用户数量,并结合不同的相似历史用户的权重值以及所述在线课程在不同的相似历史用户的用户课程匹配度确定所述用户与所述在线课程的课程匹配度,利用所述课程匹配度进行所述用户的匹配求职课程的筛选;
根据所述用户在所述在线平台的不同的在线课程的点击数据进行所述用户的点击课程的确定,并通过不同的点击课程与所述用户的匹配求职课程的关联系数确定是否存在关联系数大于预设关联系数的点击课程,若是,则进入下一步骤,若否,则确定所述匹配求职课程不属于课程推荐结果;
基于所述用户的点击课程的点击数据进行所述用户的点击课程的点击次数的确定,并通过所述点击次数进行所述点击课程中的可信点击课程的确定,判断是否存在关联系数大于预设关联系数的可信点击课程,若是,则进入下一步骤,若否,则确定所述匹配求职课程不属于课程推荐结果;
利用所述用户的点击课程的点击次数以及不同的点击课程与所述用户的匹配求职课程的关联系数进行所述匹配求职课程的点击关联系数的确定,判断所述匹配求职课程的点击关联系数是否满足要求,若是,则进入下一步骤,若否,则确定所述匹配求职课程不属于课程推荐结果;
通过所述匹配求职课程的点击关联系数、课程匹配度,采用深度学习模型进行所述匹配求职课程的综合评估系数的确定,基于所述综合评估系数进行所述匹配求职课程中的课程推荐结果的生成。
介质类实施例
第三方面,如图5所示,本发明提供了一种计算机存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行上述的一种基于深度学习的课程推荐方法。
上述的一种基于深度学习的课程推荐方法,具体包括:
获取用户的求职简历,并根据所述求职简历的解析结果进行所述用户的不同维度的简历特征以及所述用户的求职意愿的确定;
通过不同维度的简历特征与所述用户的求职意愿的匹配情况确定所述用户的不同的求职意愿的简历特征匹配度,并利用所述简历特征匹配度进行所述求职意愿中的匹配求职意愿的确定;
将在线平台存在所述匹配求职意愿的其它用户作为相似历史用户,并通过不同的相似历史用户的匹配在线课程与所述在线课程的关联度进行所述在线课程在不同的相似历史用户的用户课程匹配度的确定,判断是否存在用户课程匹配度满足要求的相似历史用户,若是,则进入下一步骤,若否,则确定所述在线课程不属于匹配求职课程;
将用户课程匹配度满足要求的相似历史用户作为相似匹配用户,判断所述相似匹配用户的数量是否小于预设用户数量,若是,则确定所述在线课程不属于匹配求职课程,若否,则进入下一步骤;
基于不同的相似历史用户与所述用户的匹配求职意愿的相同数量进行不同的相似历史用户的权重值的确定,并根据不同的相似匹配用户的权重值以及用户课程匹配度进行所述相似匹配用户中的可信匹配用户的确定,判断所述可信匹配用户的数量是否小于预设可信用户数量,若是,则确定所述在线课程不属于匹配求职课程,若否,则进入下一步骤;
获取所述用户的可信匹配用户的数量以及相似匹配用户数量,并结合不同的相似历史用户的权重值以及所述在线课程在不同的相似历史用户的用户课程匹配度确定所述用户与所述在线课程的课程匹配度,利用所述课程匹配度进行所述用户的匹配求职课程的筛选;
根据所述用户在所述在线平台的不同的在线课程的点击数据进行所述用户的点击课程的确定,并利用所述用户的点击课程的点击数据、不同的点击课程与所述用户的匹配求职课程的关联情况以及所述匹配求职课程的课程匹配度,采用深度学习模型进行所述用户的课程推荐结果的生成。
通过以上实施例,本发明取得以下有益效果:
1、在本发明中利用简历特征匹配度进行求职意愿中的匹配求职意愿的确定,从而实现了从求职意愿与用户本身的简历特征的匹配情况对用户本身的求职意愿进行筛选,避免了与用户本身的简历不够匹配导致的求职意愿不够准确的技术问题的出现,进一步保证了用户的课程推荐结果的准确性。
2、在本发明中利用用户的点击课程的点击数据、不同的点击课程与用户的匹配求职课程的关联情况以及匹配求职课程的课程匹配度,采用深度学习模型进行用户的课程推荐结果的生成,既考虑到匹配求职课程与用户的求职意愿的匹配性,并且通过进一步结合用户自身的点击课程以及点击课程与匹配求职课程的关联情况,实现了进一步与用户的点击数据的匹配,进一步保证了课程推荐结果的准确性。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本说明书的一个或多个实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (11)
1.一种基于深度学习的课程推荐方法,其特征在于,具体包括:
获取用户的求职简历,并根据所述求职简历的解析结果进行所述用户的不同维度的简历特征以及所述用户的求职意愿的确定;
通过不同维度的简历特征与所述用户的求职意愿的匹配情况确定所述用户的不同的求职意愿的简历特征匹配度,并利用所述简历特征匹配度进行所述求职意愿中的匹配求职意愿的确定;
将在线平台存在所述匹配求职意愿的其它用户作为相似历史用户,并根据不同的相似历史用户与所述用户的匹配求职意愿的相同情况以及相似历史用户的匹配在线课程确定所述用户与不同的在线课程的课程匹配度,利用所述课程匹配度进行所述用户的匹配求职课程的筛选;
根据所述用户在所述在线平台的不同的在线课程的点击数据进行所述用户的点击课程的确定,并利用所述用户的点击课程的点击数据、不同的点击课程与所述用户的匹配求职课程的关联情况以及所述匹配求职课程的课程匹配度,采用深度学习模型进行所述用户的课程推荐结果的生成。
2.如权利要求1所述的基于深度学习的课程推荐方法,其特征在于,所述简历特征包括所述用户的专业学历特征、工作经验特征、个人技能特征以及培训课程特征。
3.如权利要求1所述的基于深度学习的课程推荐方法,其特征在于,所述用户的求职意愿根据所述用户的求职简历中填写的求职意愿的解析结果进行确定。
4.如权利要求1所述的基于深度学习的课程推荐方法,其特征在于,所述求职意愿的简历特征匹配度的确定的方法为:
基于不同维度的简历特征与所述用户的求职意愿的匹配情况进行不同的简历特征的特征匹配度的确定,并利用所述特征匹配度进行不同维度的简历特征中的匹配简历特征以及不匹配简历特征的确定;
分别根据不同维度的简历特征中的匹配简历特征的特征数量以及不同的匹配简历特征的特征匹配度、不匹配简历特征的特征数量以及不同的不匹配简历特征的特征匹配度的特征匹配度进行不同维度的简历特征的意愿匹配度的确定;
获取所述求职意愿的匹配简历特征的特征数量占比以及不同的简历特征的特征匹配度的平均值,并结合不同维度的简历特征的意愿匹配度进行求职意愿的简历特征匹配度的确定。
5.如权利要求1所述的基于深度学习的课程推荐方法,其特征在于,所述用户与在线课程的课程匹配度的确定的方法为:
通过不同的相似历史用户的匹配在线课程与所述在线课程的关联度进行所述在线课程在不同的相似历史用户的用户课程匹配度的确定;
基于不同的相似历史用户与所述用户的匹配求职意愿的相同数量进行不同的相似历史用户的权重值的确定,并结合所述在线课程在不同的相似历史用户的用户课程匹配度确定所述用户与所述在线课程的课程匹配度。
6.如权利要求5所述的基于深度学习的课程推荐方法,其特征在于,利用所述课程匹配度进行所述用户的匹配求职课程的筛选,具体包括:
当所述用户与所述在线课程的课程匹配度在预设匹配度范围内时,则确定所述在线课程为匹配求职课程。
7.如权利要求5所述的基于深度学习的课程推荐方法,其特征在于,所述匹配在线课程与所述在线课程的关联度根据所述匹配在线课程与所述在线课程的类型进行确定。
8.如权利要求1所述的基于深度学习的课程推荐方法,其特征在于,当所述用户在所述在线课程的点击次数大于预设点击次数时,则确定所述在线课程为点击课程。
9.如权利要求1所述的基于深度学习的课程推荐方法,其特征在于,所述用户的课程推荐结果的生成的方法为:
基于所述用户的点击课程的点击数据进行所述用户的点击课程的点击次数的确定,并结合不同的点击课程与所述用户的匹配求职课程的关联系数进行所述匹配求职课程的点击关联系数的确定;
通过所述匹配求职课程的点击关联系数、课程匹配度,采用深度学习模型进行所述匹配求职课程的综合评估系数的确定,基于所述综合评估系数进行所述匹配求职课程中的课程推荐结果的生成。
10.一种计算机系统,包括:通信连接的存储器和处理器,以及存储在所述存储器上并能够在所述处理器上运行的计算机程序,其特征在于:所述处理器运行所述计算机程序时执行权利要求1-9任一项所述的一种基于深度学习的课程推荐方法。
11.一种计算机存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-9任一项所述的一种基于深度学习的课程推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410309984.5A CN117910994A (zh) | 2024-03-19 | 2024-03-19 | 一种基于深度学习的课程推荐方法、系统与存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410309984.5A CN117910994A (zh) | 2024-03-19 | 2024-03-19 | 一种基于深度学习的课程推荐方法、系统与存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117910994A true CN117910994A (zh) | 2024-04-19 |
Family
ID=90689220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410309984.5A Pending CN117910994A (zh) | 2024-03-19 | 2024-03-19 | 一种基于深度学习的课程推荐方法、系统与存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117910994A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140324721A1 (en) * | 2013-04-29 | 2014-10-30 | Monster Worldwide, Inc. | Identification of Job Skill Sets and Targeted Advertising Based on Missing Skill Sets |
US20180090022A1 (en) * | 2016-09-23 | 2018-03-29 | International Business Machines Corporation | Targeted learning and recruitment |
CN110060027A (zh) * | 2019-04-16 | 2019-07-26 | 深圳市一览网络股份有限公司 | 与简历匹配的职业发展课程的推荐方法及设备和存储介质 |
WO2020187168A1 (zh) * | 2019-03-15 | 2020-09-24 | 河北冀联人力资源服务集团有限公司 | 求职简历推送方法与装置以及任务推送方法与装置 |
CN113254824A (zh) * | 2021-05-14 | 2021-08-13 | 北京百度网讯科技有限公司 | 内容确定方法、设备、介质及程序产品 |
CN114722182A (zh) * | 2022-03-04 | 2022-07-08 | 中国人民大学 | 一种基于知识图谱的在线课推荐方法及系统 |
CN114820248A (zh) * | 2022-03-30 | 2022-07-29 | 广东泰迪智能科技股份有限公司 | 一种基于学生能力画像的工作内推方法 |
CN115757950A (zh) * | 2022-11-15 | 2023-03-07 | 读书郎教育科技有限公司 | 一种基于ai智能推荐的学习系统 |
US20230077840A1 (en) * | 2021-09-16 | 2023-03-16 | Microsoft Technology Licensing, Llc | Machine learning model for specialty knowledge base |
CN117009668A (zh) * | 2023-08-18 | 2023-11-07 | 商洛学院 | 一种基于深度强化学习的自适应学习内容推荐方法及系统 |
CN117635384A (zh) * | 2023-11-30 | 2024-03-01 | 前锦网络信息技术(上海)有限公司 | 个性化培训方法、装置、电子设备及存储介质 |
-
2024
- 2024-03-19 CN CN202410309984.5A patent/CN117910994A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140324721A1 (en) * | 2013-04-29 | 2014-10-30 | Monster Worldwide, Inc. | Identification of Job Skill Sets and Targeted Advertising Based on Missing Skill Sets |
US20180090022A1 (en) * | 2016-09-23 | 2018-03-29 | International Business Machines Corporation | Targeted learning and recruitment |
WO2020187168A1 (zh) * | 2019-03-15 | 2020-09-24 | 河北冀联人力资源服务集团有限公司 | 求职简历推送方法与装置以及任务推送方法与装置 |
CN110060027A (zh) * | 2019-04-16 | 2019-07-26 | 深圳市一览网络股份有限公司 | 与简历匹配的职业发展课程的推荐方法及设备和存储介质 |
CN113254824A (zh) * | 2021-05-14 | 2021-08-13 | 北京百度网讯科技有限公司 | 内容确定方法、设备、介质及程序产品 |
US20230077840A1 (en) * | 2021-09-16 | 2023-03-16 | Microsoft Technology Licensing, Llc | Machine learning model for specialty knowledge base |
CN114722182A (zh) * | 2022-03-04 | 2022-07-08 | 中国人民大学 | 一种基于知识图谱的在线课推荐方法及系统 |
CN114820248A (zh) * | 2022-03-30 | 2022-07-29 | 广东泰迪智能科技股份有限公司 | 一种基于学生能力画像的工作内推方法 |
CN115757950A (zh) * | 2022-11-15 | 2023-03-07 | 读书郎教育科技有限公司 | 一种基于ai智能推荐的学习系统 |
CN117009668A (zh) * | 2023-08-18 | 2023-11-07 | 商洛学院 | 一种基于深度强化学习的自适应学习内容推荐方法及系统 |
CN117635384A (zh) * | 2023-11-30 | 2024-03-01 | 前锦网络信息技术(上海)有限公司 | 个性化培训方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
徐锦阳;张高煜;王曼曦;楼焕钰;薛伟程;毛髌裕;: "招聘网站职位与简历的双向匹配相似度算法", 信息技术, no. 08, 25 August 2016 (2016-08-25) * |
贺爱忠,聂元昆: "高等院校市场营销系列教材 人工智能营销", 31 January 2023, 北京:机械工业出版社, pages: 109 - 111 * |
陈永康;章美仁;: "基于大数据的在线就业课程推荐系统", 电子商务, no. 04, 15 April 2017 (2017-04-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109213863B (zh) | 一种基于学习风格的自适应推荐方法及系统 | |
CN111582694B (zh) | 一种学习评估方法及装置 | |
Wang et al. | Resampling-based ensemble methods for online class imbalance learning | |
Shepard | Quantifying environmental impact assessments using fuzzy logic | |
Whiteson et al. | Protecting against evaluation overfitting in empirical reinforcement learning | |
van De Sande | Properties Of The Bayesian Knowledge Tracing Model. | |
US8170894B2 (en) | Method of identifying innovations possessing business disrupting properties | |
CN108536784B (zh) | 评论信息情感分析方法、装置、计算机存储介质和服务器 | |
CN103116582B (zh) | 一种信息检索方法及相关系统和装置 | |
Judah et al. | Active lmitation learning: formal and practical reductions to IID learning. | |
US20180285769A1 (en) | Artificial immune system for fuzzy cognitive map learning | |
CN102214320A (zh) | 神经网络训练方法及采用该方法的垃圾邮件过滤方法 | |
CN110308658A (zh) | 一种pid参数整定方法、装置、系统及可读存储介质 | |
CN110414664A (zh) | 用于训练神经网络的方法及神经网络训练系统 | |
Petelin et al. | Evolving Gaussian process models for predicting chaotic time-series | |
Nishiyama et al. | The nonparametric kernel Bayes smoother | |
CN117910994A (zh) | 一种基于深度学习的课程推荐方法、系统与存储介质 | |
Pignatelli et al. | A survey of temporal credit assignment in deep reinforcement learning | |
US10373093B2 (en) | Identifying patterns of learning content consumption across multiple entities and automatically determining a customized learning plan based on the patterns | |
CN114912549B (zh) | 风险交易识别模型的训练方法、风险交易识别方法和装置 | |
CN113987261A (zh) | 一种基于动态信任感知的视频推荐方法及系统 | |
CN111340212A (zh) | 一种数据联盟的信誉度确定方法及装置 | |
Gaudesi et al. | An efficient distance metric for linear genetic programming | |
Mohammad et al. | Comparing Gamma and Log-Normal GLMs in R Using Simulation and Real Data Set. | |
CN118013245B (zh) | 一种基于深度学习模型的匹配度评估方法 |
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 |