CN105824979A - 课程推荐方法及其*** - Google Patents
课程推荐方法及其*** Download PDFInfo
- Publication number
- CN105824979A CN105824979A CN201610398113.0A CN201610398113A CN105824979A CN 105824979 A CN105824979 A CN 105824979A CN 201610398113 A CN201610398113 A CN 201610398113A CN 105824979 A CN105824979 A CN 105824979A
- Authority
- CN
- China
- Prior art keywords
- curricula
- behavioral data
- course
- variable
- variable behavioral
- 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 26
- 230000009471 action Effects 0.000 claims abstract description 62
- 230000003542 behavioural effect Effects 0.000 claims description 131
- 230000015572 biosynthetic process Effects 0.000 claims description 11
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000006399 behavior Effects 0.000 abstract description 46
- 238000005457 optimization Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000126 substance Substances 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- 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)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种课程推荐方法及其***，所述课程推荐方法包括：获取当前用户的网络行为数据以及其它用户的选课行为数据，所述选课行为数据包括其它用户对课程的选取动作或者放弃动作；根据所述选课行为数据以及预设的预测模型形成当前用户的预测选课行为数据，所述预测选课行为数据包括预测当前用户对课程进行选取动作或者放弃动作；根据所述网络行为数据以及所述预测选课行为数据形成当前用户的推荐选课行为数据，所述推荐选课行为数据包括推荐当前用户对课程进行选取动作或者放弃动作。本发明提供的技术方案在样本量较小的情况下具有较好的自动学习适应能力，从而能够减小误差，提高推荐的精准度。
Description
技术领域
本发明涉及互联网技术领域，尤其涉及一种课程推荐方法及其***。
背景技术
现有技术根据学生的必修课成绩形成学生的学习基础和学习特征，根据所述学习基础和所述学习特征对选修课的选择进行决策排序，最终根据上述决策排序形成推荐课程。然而，现有技术以必修课成绩作为样本，数据量小，无法避免学生由于发挥失常带来的成绩误差。而且，现有技术需要计算每个必修课的信息增益，以形成选修课的决策图，计算量大，处理效率低。
发明内容
为解决上述问题，本发明提供一种课程推荐方法及其***，至少部分解决现有的课程推荐方法误差大、效率低的问题。
为此，本发明提供一种课程推荐方法，包括：
获取当前用户的网络行为数据以及其它用户的选课行为数据，所述选课行为数据包括其它用户对课程的选取动作或者放弃动作；
根据所述选课行为数据以及预设的预测模型形成当前用户的预测选课行为数据，所述预测选课行为数据包括预测当前用户对课程进行选取动作或者放弃动作；
根据所述网络行为数据以及所述预测选课行为数据形成当前用户的推荐选课行为数据，所述推荐选课行为数据包括推荐当前用户对课程进行选取动作或者放弃动作。
可选的，所述根据所述网络行为数据以及所述预测选课行为数据形成当前用户的推荐选课行为数据的步骤包括：
根据所述网络行为数据形成用户特征数据；
根据所述用户特征数据以及所述预测选课行为数据形成当前用户的推荐选课行为数据。
可选的，所述根据所述用户特征数据以及所述预测选课行为数据形成当前用户的推荐选课行为数据的步骤包括：
根据所述用户特征数据形成当前用户对课程的兴趣度；
根据所述兴趣度以及所述预测选课行为数据形成当前用户的推荐选课行为数据。
可选的，所述根据所述选课行为数据以及预设的预测模型形成当前用户的预测选课行为数据的步骤之前包括：
根据所述选课行为数据形成预测模型。
可选的，所述根据所述选课行为数据形成预测模型的步骤包括：
根据支持向量机算法对所述选课行为数据进行分析；
根据分析结果形成预测模型。
本发明还提供一种课程推荐***，包括：
第一获取单元，用于获取当前用户的网络行为数据以及其它用户的选课行为数据，所述选课行为数据包括其它用户对课程的选取动作或者放弃动作；
第一形成单元，用于根据所述选课行为数据以及预设的预测模型形成当前用户的预测选课行为数据，所述预测选课行为数据包括预测当前用户对课程进行选取动作或者放弃动作；
第二形成单元，用于根据所述网络行为数据以及所述预测选课行为数据形成当前用户的推荐选课行为数据，所述推荐选课行为数据包括推荐当前用户对课程进行选取动作或者放弃动作。
可选的，所述第二形成单元包括：
第一形成模块，用于根据所述网络行为数据形成用户特征数据；
第二形成模块，用于根据所述用户特征数据以及所述预测选课行为数据形成当前用户的推荐选课行为数据。
可选的，所述第二形成模块包括：
第一形成子模块，用于根据所述用户特征数据形成当前用户对课程的兴趣度；
第二形成子模块，用于根据所述兴趣度以及所述预测选课行为数据形成当前用户的推荐选课行为数据。
可选的，还包括：
第三形成单元，用于根据所述选课行为数据形成预测模型。
可选的，所述第三形成单元包括：
第一分析模块，用于根据支持向量机算法对所述选课行为数据进行分析；
第三形成模块，用于根据分析结果形成预测模型。
本发明具有下述有益效果：
本发明提供的课程推荐方法及其***之中，所述课程推荐方法包括：获取当前用户的网络行为数据以及其它用户的选课行为数据，所述选课行为数据包括其它用户对课程的选取动作或者放弃动作；根据所述选课行为数据以及预设的预测模型形成当前用户的预测选课行为数据，所述预测选课行为数据包括预测当前用户对课程进行选取动作或者放弃动作；根据所述网络行为数据以及所述预测选课行为数据形成当前用户的推荐选课行为数据，所述推荐选课行为数据包括推荐当前用户对课程进行选取动作或者放弃动作。本发明提供的技术方案在样本量较小的情况下具有较好的自动学习适应能力，从而能够减小误差，提高推荐的精准度。另外，本发明提供的技术方案以专业和兴趣两个维度作为选课参考坐标，在课程选择时不仅考虑对主修专业的辅助程度，同时也考虑学生个人的兴趣程度，从而形成精准的个性化推荐。因此，本发明提供的技术方案既能够满足课程的专业划分，也能够充分考虑学生的个性化需求。
附图说明
图1为本发明实施例一提供的一种课程推荐方法的流程图；
图2为本发明实施例二提供的一种课程推荐***的结构示意图。
具体实施方式
为使本领域的技术人员更好地理解本发明的技术方案，下面结合附图对本发明提供的课程推荐方法及其***进行详细描述。
实施例一
图1为本发明实施例一提供的一种课程推荐方法的流程图。如图1所示，所述课程推荐方法包括：
步骤1001、获取当前用户的网络行为数据以及其它用户的选课行为数据，所述选课行为数据包括其它用户对课程的选取动作或者放弃动作。
步骤1002、根据所述选课行为数据以及预设的预测模型形成当前用户的预测选课行为数据，所述预测选课行为数据包括预测当前用户对课程进行选取动作或者放弃动作。
本实施例中，所述根据所述选课行为数据以及预设的预测模型形成当前用户的预测选课行为数据的步骤之前包括：根据所述选课行为数据形成预测模型。优选的，所述根据所述选课行为数据形成预测模型的步骤包括：根据支持向量机算法对所述选课行为数据进行分析；根据分析结果形成预测模型。本实施例提供的技术方案在样本量较小的情况下具有较好的自动学习适应能力，从而能够减小误差，提高推荐的精准度。
本实施例中，待选择课程为选修课，选课行为数据为课程选择集合。本实施例提供的技术方案是基于大数据分析的课程推荐方法，所述课程推荐方法结合专业和兴趣两个维度进行综合分析，最终向学生推荐课程选择集合。在专业维度方面，本实施例使用支持向量机(SupportVectorMachine，SVM)的分类特性以及预测特性，从大量的选修课之中选择与当前学生的专业相似的课程选择集合Class_set1。本实施例将每个学生的课程选择规范化，即选择为1、非选为0，以此数据列为样本数据训练模型，输出当前学生的课程选择集合Class_set2。规范化的数据格式如表1所示：
表1
| 课程1 | 课程2 | 课程3 | 课程4 | 课程5 | … | 课程N | |
| X1 | 0 | 1 | 0 | 1 | 1 | … | 1 |
| X2 | 0 | 1 | 0 | 0 | 0 | … | 0 |
| … | 1 | 1 | 0 | 1 | 0 | … | 1 |
| XM | 0 | 1 | 0 | 0 | 0 | … | 1 |
其中，1表示对课程的选择动作，0表示对课程的非选动作，Xi表示第i个学生的选课记录，X表示与当前学生的专业强相关的学生。
本实施例根据SVM算法预测当前学生可能存在的选课行为。预测算法由训练阶段和工作阶段组成。在算法的训练阶段，将上述规范数据作为训练样本，构建基于多个核函数的多个SVM模型，选取最合适的SVM模型进行参数寻优，根据参数寻优之后的SVM模型形成预测模型，将后续样本的选课行为。在算法的工作阶段，根据训练阶段形成的预测模型对样本数据进行检测工作，输出结果为当前学生可能存在的选课行为，提取选课行为为1的课程，从而形成当前学生的课程选择集合Class_set2。
步骤1003、根据所述网络行为数据以及所述预测选课行为数据形成当前用户的推荐选课行为数据，所述推荐选课行为数据包括推荐当前用户对课程进行选取动作或者放弃动作。
本实施例中，所述根据所述网络行为数据以及所述预测选课行为数据形成当前用户的推荐选课行为数据的步骤包括：根据所述网络行为数据形成用户特征数据；根据所述用户特征数据以及所述预测选课行为数据形成当前用户的推荐选课行为数据。优选的，所述根据所述用户特征数据以及所述预测选课行为数据形成当前用户的推荐选课行为数据的步骤包括：根据所述用户特征数据形成当前用户对课程的兴趣度；根据所述兴趣度以及所述预测选课行为数据形成当前用户的推荐选课行为数据。本实施例提供的技术方案以专业和兴趣两个维度作为选课参考坐标，在课程选择时不仅考虑对主修专业的辅助程度，同时也考虑学生个人的兴趣程度，从而形成精准的个性化推荐。因此，本实施例提供的技术方案既能够满足课程的专业划分，也能够充分考虑学生的个性化需求。
在兴趣维度方面，本实施例获得当前学生的网络行为数据，从所述网络行为数据之中分析得到当前学生的兴趣标签，从而获得当前学生对课程的兴趣度，最后使用Top-N算法获得课程选择集合Class_set3，所述选择集合Class_set3用于给当前学生作出课程推荐。
本实施例获得当前学生的网络行为数据，根据所述网络行为数据形成用户特征数据，对上述用户特征数据进行加工处理，形成特征标签，经过标准化映射处理后，生成学生-特征标签矩阵。所述学生-特征标签矩阵如表2所示：
表2
其中，Ii1表示学生i在特征标签1的兴趣度。本实施例计算当前学生对课程选择集合Class_set2的兴趣度，使用Top-N算法获得课程选择集合Class_set3，所述选择集合Class_set3用于给当前学生作出课程推荐。
本实施例提供的课程推荐方法包括：获取当前用户的网络行为数据以及其它用户的选课行为数据，所述选课行为数据包括其它用户对课程的选取动作或者放弃动作；根据所述选课行为数据以及预设的预测模型形成当前用户的预测选课行为数据，所述预测选课行为数据包括预测当前用户对课程进行选取动作或者放弃动作；根据所述网络行为数据以及所述预测选课行为数据形成当前用户的推荐选课行为数据，所述推荐选课行为数据包括推荐当前用户对课程进行选取动作或者放弃动作。本实施例提供的技术方案在样本量较小的情况下具有较好的自动学习适应能力，从而能够减小误差，提高推荐的精准度。另外，本实施例提供的技术方案以专业和兴趣两个维度作为选课参考坐标，在课程选择时不仅考虑对主修专业的辅助程度，同时也考虑学生个人的兴趣程度，从而形成精准的个性化推荐。因此，本实施例提供的技术方案既能够满足课程的专业划分，也能够充分考虑学生的个性化需求。
实施例二
图2为本发明实施例二提供的一种课程推荐***的结构示意图。如图2所示，所述课程推荐***包括第一获取单元101、第一形成单元102以及第二形成单元103。所述第一获取单元101用于获取当前用户的网络行为数据以及其它用户的选课行为数据，所述选课行为数据包括其它用户对课程的选取动作或者放弃动作。所述第一形成单元102用于根据所述选课行为数据以及预设的预测模型形成当前用户的预测选课行为数据，所述预测选课行为数据包括预测当前用户对课程进行选取动作或者放弃动作。所述第二形成单元103用于根据所述网络行为数据以及所述预测选课行为数据形成当前用户的推荐选课行为数据，所述推荐选课行为数据包括推荐当前用户对课程进行选取动作或者放弃动作。
本实施例中，所述课程推荐***还包括第三形成单元，所述第三形成单元用于根据所述选课行为数据形成预测模型。优选的，所述第三形成单元包括第一分析模块和第三形成模块。所述第一分析模块用于根据支持向量机算法对所述选课行为数据进行分析，所述第三形成模块用于根据分析结果形成预测模型。本实施例提供的技术方案在样本量较小的情况下具有较好的自动学习适应能力，从而能够减小误差，提高推荐的精准度。
本实施例中，待选择课程为选修课，选课行为数据为课程选择集合。本实施例提供的技术方案是基于大数据分析的课程推荐方法，所述课程推荐方法结合专业和兴趣两个维度进行综合分析，最终向学生推荐课程选择集合。在专业维度方面，本实施例使用支持向量机(SupportVectorMachine，SVM)的分类特性以及预测特性，从大量的选修课之中选择与当前学生的专业相似的课程选择集合Class_set1。如表1所示，本实施例将每个学生的课程选择规范化，即选择为1、非选为0，以此数据列为样本数据训练模型，输出当前学生的课程选择集合Class_set2。
本实施例根据SVM算法预测当前学生可能存在的选课行为。预测算法由训练阶段和工作阶段组成。在算法的训练阶段，将上述规范数据作为训练样本，构建基于多个核函数的多个SVM模型，选取最合适的SVM模型进行参数寻优，根据参数寻优之后的SVM模型形成预测模型，将后续样本的选课行为。在算法的工作阶段，根据训练阶段形成的预测模型对样本数据进行检测工作，输出结果为当前学生可能存在的选课行为，提取选课行为为1的课程，从而形成当前学生的课程选择集合Class_set2。
本实施例中，所述第二形成单元包括第一形成模块和第二形成模块。所述第一形成模块用于根据所述网络行为数据形成用户特征数据，所述第二形成模块用于根据所述用户特征数据以及所述预测选课行为数据形成当前用户的推荐选课行为数据。优选的，所述第二形成模块包括第一形成子模块和第二形成子模块。所述第一形成子模块用于根据所述用户特征数据形成当前用户对课程的兴趣度，所述第二形成子模块用于根据所述兴趣度以及所述预测选课行为数据形成当前用户的推荐选课行为数据。本实施例提供的技术方案以专业和兴趣两个维度作为选课参考坐标，在课程选择时不仅考虑对主修专业的辅助程度，同时也考虑学生个人的兴趣程度，从而形成精准的个性化推荐。因此，本实施例提供的技术方案既能够满足课程的专业划分，也能够充分考虑学生的个性化需求。
在兴趣维度方面，本实施例获得当前学生的网络行为数据，从所述网络行为数据之中分析得到当前学生的兴趣标签，从而获得当前学生对课程的兴趣度，最后使用Top-N算法获得课程选择集合Class_set3，所述选择集合Class_set3用于给当前学生作出课程推荐。
如表2所示，本实施例获得当前学生的网络行为数据，根据所述网络行为数据形成用户特征数据，对上述用户特征数据进行加工处理，形成特征标签，经过标准化映射处理后，生成学生-特征标签矩阵。本实施例计算当前学生对课程选择集合Class_set2的兴趣度，使用Top-N算法获得课程选择集合Class_set3，所述选择集合Class_set3用于给当前学生作出课程推荐。
本实施例提供的课程推荐***包括：第一获取单元，用于获取当前用户的网络行为数据以及其它用户的选课行为数据，所述选课行为数据包括其它用户对课程的选取动作或者放弃动作；第一形成单元，用于根据所述选课行为数据以及预设的预测模型形成当前用户的预测选课行为数据，所述预测选课行为数据包括预测当前用户对课程进行选取动作或者放弃动作；第二形成单元，用于根据所述网络行为数据以及所述预测选课行为数据形成当前用户的推荐选课行为数据，所述推荐选课行为数据包括推荐当前用户对课程进行选取动作或者放弃动作。本实施例提供的技术方案在样本量较小的情况下具有较好的自动学习适应能力，从而能够减小误差，提高推荐的精准度。另外，本实施例提供的技术方案以专业和兴趣两个维度作为选课参考坐标，在课程选择时不仅考虑对主修专业的辅助程度，同时也考虑学生个人的兴趣程度，从而形成精准的个性化推荐。因此，本实施例提供的技术方案既能够满足课程的专业划分，也能够充分考虑学生的个性化需求。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。
Claims (10)
1.一种课程推荐方法，其特征在于，包括：
获取当前用户的网络行为数据以及其它用户的选课行为数据，所述选课行为数据包括其它用户对课程的选取动作或者放弃动作；
根据所述选课行为数据以及预设的预测模型形成当前用户的预测选课行为数据，所述预测选课行为数据包括预测当前用户对课程进行选取动作或者放弃动作；
根据所述网络行为数据以及所述预测选课行为数据形成当前用户的推荐选课行为数据，所述推荐选课行为数据包括推荐当前用户对课程进行选取动作或者放弃动作。
2.根据权利要求1所述的课程推荐方法，其特征在于，所述根据所述网络行为数据以及所述预测选课行为数据形成当前用户的推荐选课行为数据的步骤包括：
根据所述网络行为数据形成用户特征数据；
根据所述用户特征数据以及所述预测选课行为数据形成当前用户的推荐选课行为数据。
3.根据权利要求2所述的课程推荐方法，其特征在于，所述根据所述用户特征数据以及所述预测选课行为数据形成当前用户的推荐选课行为数据的步骤包括：
根据所述用户特征数据形成当前用户对课程的兴趣度；
根据所述兴趣度以及所述预测选课行为数据形成当前用户的推荐选课行为数据。
4.根据权利要求1所述的课程推荐方法，其特征在于，所述根据所述选课行为数据以及预设的预测模型形成当前用户的预测选课行为数据的步骤之前包括：
根据所述选课行为数据形成预测模型。
5.根据权利要求4所述的课程推荐方法，其特征在于，所述根据所述选课行为数据形成预测模型的步骤包括：
根据支持向量机算法对所述选课行为数据进行分析；
根据分析结果形成预测模型。
6.一种课程推荐***，其特征在于，包括：
第一获取单元，用于获取当前用户的网络行为数据以及其它用户的选课行为数据，所述选课行为数据包括其它用户对课程的选取动作或者放弃动作；
第一形成单元，用于根据所述选课行为数据以及预设的预测模型形成当前用户的预测选课行为数据，所述预测选课行为数据包括预测当前用户对课程进行选取动作或者放弃动作；
第二形成单元，用于根据所述网络行为数据以及所述预测选课行为数据形成当前用户的推荐选课行为数据，所述推荐选课行为数据包括推荐当前用户对课程进行选取动作或者放弃动作。
7.根据权利要求6所述的课程推荐***，其特征在于，所述第二形成单元包括：
第一形成模块，用于根据所述网络行为数据形成用户特征数据；
第二形成模块，用于根据所述用户特征数据以及所述预测选课行为数据形成当前用户的推荐选课行为数据。
8.根据权利要求7所述的课程推荐***，其特征在于，所述第二形成模块包括：
第一形成子模块，用于根据所述用户特征数据形成当前用户对课程的兴趣度；
第二形成子模块，用于根据所述兴趣度以及所述预测选课行为数据形成当前用户的推荐选课行为数据。
9.根据权利要求6所述的课程推荐***，其特征在于，还包括：
第三形成单元，用于根据所述选课行为数据形成预测模型。
10.根据权利要求9所述的课程推荐***，其特征在于，所述第三形成单元包括：
第一分析模块，用于根据支持向量机算法对所述选课行为数据进行分析；
第三形成模块，用于根据分析结果形成预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610398113.0A CN105824979A (zh) | 2016-06-07 | 2016-06-07 | 课程推荐方法及其*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610398113.0A CN105824979A (zh) | 2016-06-07 | 2016-06-07 | 课程推荐方法及其*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105824979A true CN105824979A (zh) | 2016-08-03 |
Family
ID=56531950
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610398113.0A Pending CN105824979A (zh) | 2016-06-07 | 2016-06-07 | 课程推荐方法及其*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105824979A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106548434A (zh) * | 2016-11-23 | 2017-03-29 | 清华大学 | 一种课程设计方法及*** |
| CN106780217A (zh) * | 2016-12-27 | 2017-05-31 | 北京粉笔蓝天科技有限公司 | 一种课程动态排序方法、***及数据库 |
| JP2018092589A (ja) * | 2016-11-25 | 2018-06-14 | キヤノンマーケティングジャパン株式会社 | 情報処理装置、制御方法、プログラム |
| CN109360458A (zh) * | 2018-10-25 | 2019-02-19 | 重庆鲁班机器人技术研究院有限公司 | 趣味性辅助教学方法、装置及机器人 |
| CN109919817A (zh) * | 2019-03-22 | 2019-06-21 | 深圳市元征科技股份有限公司 | 教学管理方法、***、区块链节点设备及计算机存储介质 |
| CN110019392A (zh) * | 2017-11-07 | 2019-07-16 | 北京大米科技有限公司 | 在网络教学***中推荐教师的方法 |
| CN110060538A (zh) * | 2019-04-08 | 2019-07-26 | 上海云之驾科技股份有限公司 | 基于历史数据建模的个性化人工智能驾培训练***及方法 |
| CN112214688A (zh) * | 2020-10-12 | 2021-01-12 | 中国石油大学(北京) | 选修课的推荐方法、装置和服务器 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130311409A1 (en) * | 2012-05-18 | 2013-11-21 | Veetle, Inc. | Web-Based Education System |
| CN103544663A (zh) * | 2013-06-28 | 2014-01-29 | Tcl集团股份有限公司 | 网络公开课的推荐方法、***和移动终端 |
| CN104008515A (zh) * | 2014-06-04 | 2014-08-27 | 江苏金智教育信息技术有限公司 | 一种智能选课推荐的方法 |
| CN104680453A (zh) * | 2015-02-28 | 2015-06-03 | 北京大学 | 基于学生属性的课程推荐方法及*** |
-
2016
- 2016-06-07 CN CN201610398113.0A patent/CN105824979A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130311409A1 (en) * | 2012-05-18 | 2013-11-21 | Veetle, Inc. | Web-Based Education System |
| CN103544663A (zh) * | 2013-06-28 | 2014-01-29 | Tcl集团股份有限公司 | 网络公开课的推荐方法、***和移动终端 |
| CN104008515A (zh) * | 2014-06-04 | 2014-08-27 | 江苏金智教育信息技术有限公司 | 一种智能选课推荐的方法 |
| CN104680453A (zh) * | 2015-02-28 | 2015-06-03 | 北京大学 | 基于学生属性的课程推荐方法及*** |
Non-Patent Citations (1)
| Title |
|---|
| 袁文翠 等: "基于学生行为分析的兴趣课程推荐***的研究", 《微型电脑应用》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106548434A (zh) * | 2016-11-23 | 2017-03-29 | 清华大学 | 一种课程设计方法及*** |
| JP2018092589A (ja) * | 2016-11-25 | 2018-06-14 | キヤノンマーケティングジャパン株式会社 | 情報処理装置、制御方法、プログラム |
| CN106780217A (zh) * | 2016-12-27 | 2017-05-31 | 北京粉笔蓝天科技有限公司 | 一种课程动态排序方法、***及数据库 |
| CN110019392A (zh) * | 2017-11-07 | 2019-07-16 | 北京大米科技有限公司 | 在网络教学***中推荐教师的方法 |
| CN110019392B (zh) * | 2017-11-07 | 2021-07-23 | 北京大米科技有限公司 | 在网络教学***中推荐教师的方法 |
| CN109360458A (zh) * | 2018-10-25 | 2019-02-19 | 重庆鲁班机器人技术研究院有限公司 | 趣味性辅助教学方法、装置及机器人 |
| CN109919817A (zh) * | 2019-03-22 | 2019-06-21 | 深圳市元征科技股份有限公司 | 教学管理方法、***、区块链节点设备及计算机存储介质 |
| CN110060538A (zh) * | 2019-04-08 | 2019-07-26 | 上海云之驾科技股份有限公司 | 基于历史数据建模的个性化人工智能驾培训练***及方法 |
| CN112214688A (zh) * | 2020-10-12 | 2021-01-12 | 中国石油大学(北京) | 选修课的推荐方法、装置和服务器 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105824979A (zh) | 课程推荐方法及其*** | |
| CN110363210B (zh) | 一种图像语义分割模型的训练方法和服务器 | |
| CN106202476B (zh) | 一种基于知识图谱的人机对话的方法及装置 | |
| CN106484777B (zh) | 一种多媒体数据处理方法以及装置 | |
| dos Santos et al. | Inclusion of dominance effects in the multivariate GBLUP model | |
| CN103514230B (zh) | 一种用于根据语料序列训练语言模型的方法与设备 | |
| CN110264274B (zh) | 客群划分方法、模型生成方法、装置、设备及存储介质 | |
| CN109934227A (zh) | 图像文字识别***和方法 | |
| CN104750674A (zh) | 一种人机会话满意度预测方法及*** | |
| CN112184089B (zh) | 试题难度预测模型的训练方法、装置、设备及存储介质 | |
| CN107506350A (zh) | 一种识别信息的方法和设备 | |
| CN110008397A (zh) | 一种推荐模型训练方法及装置 | |
| CN111462069A (zh) | 目标对象检测模型训练方法、装置、电子设备及存储介质 | |
| CN110399547B (zh) | 用于更新模型参数的方法、装置、设备和存储介质 | |
| JP6468364B2 (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
| CN107203772B (zh) | 一种用户类型识别方法及装置 | |
| CN114021718A (zh) | 模型行为可解释性方法、***、介质及设备 | |
| Azevedo et al. | GenomicLand: Software for genome-wide association studies and genomic prediction | |
| CN109858031B (zh) | 神经网络模型训练、上下文预测方法及装置 | |
| CN103729431B (zh) | 具有增减量功能的海量微博数据分布式分类装置及方法 | |
| CN106204122B (zh) | 触点价值度量方法和装置 | |
| CN112148942A (zh) | 基于数据聚类的业务指标数据分类方法及装置 | |
| CN116756536B (zh) | 数据识别方法、模型训练方法、装置、设备及存储介质 | |
| CN113780365A (zh) | 样本生成方法和装置 | |
| CN110929509B (zh) | 一种基于louvain社区发现算法的领域事件触发词聚类方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160803 |