CN111931068A - 一种基于企业在线教育的智能推荐方法 - Google Patents

Abstract

本发明提供了一种基于企业在线教育的智能推荐方法，包括：获取知识数据，并将知识数据保存到知识数据库中；获取用户数据和用户的行为数据；获取企业推送的必要推荐资源；知识推荐模型，用于根据用户数据和行为数据，获取知识数据库中相应的知识数据；知识推荐模型，还用于根据用户数据，获取相应的必要推荐资源；将获取的知识数据和必要推荐资源合并，生成资源推荐数据，并将资源推荐数据向用户端传输；上述方法将用户所需学习的必要推荐资源与用户所感兴趣的知识数据合并后，生成资源推荐数据向用户推送，实现了同时将必要推荐资源和知识数据向用户端传输，从而进一步实现了企业在线教育的功能。

Description

一种基于企业在线教育的智能推荐方法

技术领域

本发明涉及信息推送技术领域，特别涉及一种基于企业在线教育的智能推荐方法。

背景技术

随着大数据技术和人工智能技术的不断发展，使得信息的推送更加方便快捷；同时根据用户的信息浏览记录和用户对信息的偏好，向用户推送信息，极大的提升了用户体验；

但目前对于信息的推送，只是基于用户的兴趣爱好向用户推荐用户所感兴趣的知识数据，当企业需要向用户推送所要学习的必要资源时，只能依靠传统的邮件方式将用户所需学习的必要资源向用户传输。

因此，急需一种基于企业在线教育的智能推荐方法。

发明内容

为解决上述技术问题，本发明提供一种基于企业在线教育的智能推荐方法，用以实现将用户感兴趣的知识数据和企业推送的必要推荐资源向用户传输。

本发明实施例中提供了一种基于企业在线教育的智能推荐方法，其特征在于，包括：

获取企业的知识数据，并将所述知识数据保存到知识数据库中；

获取用户数据和用户的行为数据；

获取企业推送的必要推荐资源；

知识推荐模型，用于根据所述用户数据和所述行为数据，获取所述知识数据库中相应的所述知识数据；所述知识推荐模型，还用于根据所述用户数据，获取相应的所述必要推荐资源；将获取的所述知识数据和所述必要推荐资源合并，生成资源推荐数据，并将所述资源推荐数据向用户端传输。

在一个实施例中，获取知识数据，并将所述知识数据保存到知识数据库中包括：

基于大数据技术获取所述知识数据，并对所述知识数据进行检测，其包括：

获取包含敏感信息的知识数据，并将所述知识数据中的所述敏感信息进行标记；通过敏感分析模型对标记所述敏感信息的所述知识数据进行分析，获取所述知识数据中的所述敏感信息和所述敏感信息的相关情节；

对获取的所述知识数据进行检测，判断所述知识数据是否包含所述敏感信息或所述敏感信息的相关情节，当所述知识数据包含所述敏感信息或所述敏感信息的相关情节时，则暂停将所述知识数据向所述知识数据库传输；当所述知识数据不包含所述敏感信息和所述敏感信息的相关情节时，则将所述知识数据向所述知识数据库传输；

所述知识数据库，用于对所述知识数据进行鉴别，根据所述知识数据的内容，获取所述知识数据的标题信息、类别信息和权限信息；将所述知识数据与所述知识数据的所述标题信息、所述类别信息、所述权限信息关联；

知识推荐模型，用于根据所述用户数据和所述行为数据，获取所述知识数据库中相应的所述知识数据包括：

根据用户的所述行为数据，获取所述知识数据库中相应的所述知识数据；

获取所述知识数据的所述权限信息；

将用户的所述用户数据中的职务信息与所述权限信息进行比对，当所述用户数据中的所述职务信息符合所述权限信息时，将所述知识数据的所述标题信息和所述类别信息向所述用户端传输；

所述用户端，用于接收用户根据所述用户端显示的所述标题信息和所述类别信息输入的知识数据获取指令，并将所述知识数据获取指令向所述知识推荐模型传输；

所述知识推荐模型，用于根据所述知识获取指令中的标题信息和类别信息，从所述知识数据库中获取相应的所述知识数据向所述用户端传输。

在一个实施例中，当所述知识数据包含所述敏感信息或所述敏感信息的相关情节时，则暂停将所述知识数据向所述知识数据库传输包括：

当所述知识数据仅包含所述敏感信息时，将所述知识数据中的所述敏感信息删除，并对删除所述敏感信息的所述知识数据的语义完整度进行检测；当判断删除所述敏感信息的所述知识数据的语义完整时，将删除所述敏感信息的所述知识数据向所述知识数据库传输；当判断删除所述敏感信息的所述知识数据的语义不完整时，检测所述知识数据的关键内容是否缺失，当检测到所述知识数据的关键内容缺失时，将删除所述敏感信息的所述知识数据过滤；当检测到所述知识数据的关键内容没有缺失时，对所述知识数据中语义不完整的部分进行恢复处理，使恢复处理后的所述知识数据语义完整，并将恢复处理后的所述知识数据向所述知识数据库传输；

当所述知识数据仅包含所述敏感信息的相关情节时，通过敏感分析模型对所述敏感信息的相关情节进行分析，判断所述敏感信息的相关情节是否包含对所述敏感信息的诱导或所述敏感信息的变形；当判断所述敏感信息的相关情节包含对所述敏感信息的诱导或所述敏感信息的变形，则将所述知识数据过滤；当判断所述敏感信息的相关情节不包含对所述敏感信息的诱导以及所述敏感信息的变形，将所述知识数据向所述知识数据库传输；

当所述知识数据包含所述敏感信息和所述敏感信息的相关情节时，则将所述知识数据过滤。

在一个实施例中，获取用户数据和用户的行为数据包括：

向所述用户端传输用户数据获取指令；

所述用户端，用于接收到所述用户数据获取指令时，将所述用户端对应的所述用户数据向所述知识推荐模型传输；

所述知识数据库，还用于所述用户端获取所述知识数据时，记录所述用户端对所述知识数据的获取记录；并根据所述获取记录，获取用户基于所述用户端对所述知识数据的操作记录；所述知识数据库，还用于根据所述用户端对所述知识数据的获取记录和所述操作记录的操作内容，获取用户对所述知识数据的兴趣信息；并将对所述知识数据的所述获取记录、所述操作记录以及用户的所述兴趣信息合并，生成用户的行为数据。

在一个实施例中，所述操作记录，包括对所述知识数据的收藏操作、分享操作以及评论操作；

所述用户数据，包括用户的名字信息、年龄信息、职务信息以及所属部门信息。

在一个实施例中，获取用户数据和用户的行为数据之后，还包括：

获取用户的所述行为数据中的所述操作记录中的评论操作；

分析用户的所述评论操作的内容是否包含敏感信息，当所述评论操作的内容包含所述敏感信息时，将所述评论操作删除，并向进行所述评论操作的所述用户端发送警告信息；所述用户端，还用于将所述警告信息向用户显示；

记录向所述用户端发送所述警告信息的次数，当向所述用户端发送所述警告信息的次数达到第一阈值次数时，在预设时间周期内限制用户基于所述用户端进行所述评论操作；当向所述用户端发送所述警告信息的次数达到第二阈值次数时，限制用户基于所述用户端的任何操作，并将用户的所述用户数据向企业后台工作人员传输。

在一个实施例中，获取企业推送的必要推荐资源包括：

获取所述必要推荐资源，并获取所述必要推荐资源对应的推荐权限信息；

根据所述必要推荐资源的内容，获取用户读取所述必要推荐资源的最短时间信息，并将所述必要推荐资源对应的最短时间信息向所述用户端传输；

所述知识推荐模型，还用于根据所述用户数据，获取相应的所述必要推荐资源；具体包括：

获取所述用户数据中的职务信息和所属部门信息；

将所述必要推荐资源对应的所述推荐权限信息与所述用户数据中的所述职务信息和所属部门信息进行比对，当所述职务信息和所述所属部门信息均满足所述必要推荐资源对应的所述推荐权限信息时，将获取的所述知识数据和所述必要推荐资源合并，生成资源推荐数据；并将所述资源推荐数据中的所述必要推荐资源进行置顶处理后，将所述资源推荐数据向所述用户端传输；当所述职务信息和所述所属部门信息不满足所述必要推荐资源对应的所述推荐权限信息时，禁止将所述必要推荐资源向所述用户端传输；

所述用户端，用于将所述知识推荐模型传输的所述资源推荐数据向用户显示；所述用户端，还用于在用户基于所述用户端读取所述资源推荐数据中的所述必要资源数据时，按照所述最短时间信息进行计时，在计时过程中，所述用户端只能显示所述必要推荐资源。

在一个实施例中，所述用户端，还用于记录用户对所述必要推荐资源的读取情况和读取时间信息，并将所述读取情况和所述读取时间信息向所述知识推荐模型传输；

所述知识推荐模型，还用于根据所述用户端传输的所述读取情况和所述读取时间信息，记录所有用户对所述必要推荐资源的学习情况，并将所述学习情况向企业后台工作人员显示；

所述用户端，还用于记录用户已读取的所述必要推荐资源和所述知识数据，建立用户的已读取数据库，将用户已读取的所述必要推荐资源和所述知识数据向所述已读取数据库传输进行存储；并将所述已读取数据库向所述知识推荐模型传输；

所述知识推荐模型，还用于将生成的所述资源推荐数据向所述用户端传输时，将所述资源推荐数据与所述已读取数据库中的所述必要推荐资源和所述知识数据进行比对，当所述资源推荐数据中与所述已读取数据库中的所述必要推荐资源和所述知识数据比对一致时，将所述资源推荐数据中比对一致的所述必要推荐资源和所述知识数据进行过滤处理，并将过滤处理后的所述资源推荐数据向所述用户端传输。

在一个实施例中，根据所述用户数据和所述行为数据，获取所述知识数据库中相应的所述知识数据包括：

所述知识推荐模型，还用于根据所述兴趣信息，对用户对应的所述用户端进行分类；并根据协同过滤算法，从所述知识数据库中获取所述兴趣信息相同的用户所读取的所述知识数据，并将所述知识数据向用户对应的所述用户端传输；

所述知识推荐模型，还用于获取用户已读取的所述知识数据，采用自然语言处理技术对所述知识数据进行深度理解学习，获取所述知识数据的实质内容和相关拓扑内容；并根据所述知识数据的所述实质内容和所述相关拓扑内容基于所述知识数据库中查询与所述实质内容和所述相关拓扑内容相似的知识数据，并将查询获取的所述知识数据向所述用户端传输；

通过网络获取当前热门信息，并将所述当前热门信息向所述知识数据库传输；所述知识数据库，用于将所述当前热门信息保存为知识数据，并将所述知识数据向所述用户端传输。

在一个实施例中，将获取的所述知识数据和所述必要推荐资源合并，生成资源推荐数据的过程中，还包括：

获取所述知识数据的第一数据列表，同时，获取所述必要推荐资源的第二数据列表，其中，所述第一数据列表以及第二数据列表包括：列表名称以及列表中每个子区域的区域名称、区域位置、区域属性、数据索引；

根据所述第一数据列表以及第二数据列表，确定每个所述子区域的暂存数据，并对所述暂存数据进行数据分析，判断所述暂存数据中是否存在待剔除数据，所述待剔除数据包括：空白字符、重叠字段；

若存在，将所述待剔除数据进行剔除，同时，获取对应子区域的剩余数据，并确定所述剩余数据的形态指标，同时，将所述形态指标导入到知识形态模型中，获得所述剩余数据的知识形态；

若不存在，获取对应子区域的暂存数据的知识形态；

基于所述知识形态构建所述知识数据的第一形态集合，同时，构建所述必要推荐资源的第二形态集合；

根据如下公式，计算所述第一形态集合中的第一知识形态与所述第二形态集合中的第二知识形态之间的第一匹配度S1以及所述第一形态集合中的每个第一知识形态与剩余的每个知识形态之间的第二匹配度S2；

；

；

其中，p1表示所述第一形态集合中第一知识形态的个数，且取值范围为[1，N1]，p2表示 所述第二形态集合中第二知识形态的个数，且取值范围为[1，N2]，i表示第一知识形态的形 态指标数，且取值范围为[1，n1]；

表示第p1个第一知识形态中的第i个形态指标的形 态参数；j表示第二知识形态的形态指标数，且取值范围为[1，n2]；

表示第p2个第二 知识形态中的第j个形态指标的形态参数；

表示第一知识形态的平均形态参数；

表 示第p2个第二知识形态平均形态参数；

表示第p3个第一知识形态中的第k个形态指标 的形态参数，且k的取值范围为[1，n2]，

表示剩余的知识形态的平均形态参数；其中，p3 的取值范围为[1，N1-1]；

若第一匹配度大于或等于第一预设度，判断所述第一形态集合的当前容量是否大于第二形态集合的当前容量；

若是，将所述知识数据中与所述第一知识形态相关的数据进行删除；

否则，将所述必要推荐资源中与所述第二知识形态相关的数据进行删除；

同时，若第二匹配度大于或等于第二预设度，将所述知识数据中与所述第一知识形态相匹配的知识形态相关的数据进行删除；

若第一匹配度小于第一预设度，且第二匹配度小于第二预设度，保留所述第一知识形态对应的数据；

根据保留的数据，生成资源推荐数据。

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所写的说明书、权利要求书、以及附图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

图1为本发明所提供一种基于企业在线教育的智能推荐方法的结构示意图。

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。

本发明实施例提供了一种基于企业在线教育的智能推荐方法，如图1所示，包括：

获取企业的知识数据，并将知识数据保存到知识数据库中；

获取用户数据和用户的行为数据；

获取企业推送的必要推荐资源；

知识推荐模型，用于根据用户数据和行为数据，获取知识数据库中相应的知识数据；知识推荐模型，还用于根据用户数据，获取相应的必要推荐资源；将获取的知识数据和必要推荐资源合并，生成资源推荐数据，并将资源推荐数据向用户端传输。

上述方法的工作原理在于：获取知识数据，并将知识数据保存到知识数据库中；获取用户数据和用户的行为数据；获取企业推送的必要推荐资源；知识推荐模型根据用户数据和行为数据，获取知识数据库中相应的知识数据；知识推荐模型根据用户数据，获取相应的必要推荐资源；将获取的知识数据和必要推荐资源合并，生成资源推荐数据，并将资源推荐数据向用户端传输。

该实施例中，通过知识推荐模型，根据获取的用户数据和行为数据，实现了对知识数据库中相应的知识数据的获取；并根据用户的用户数据，实现了对必要推荐资源的获取；并将获取的知识数据和必要推荐资源合并，从而实现了对资源推荐数据的获取，并将资源推荐数据向用户端传输；与传统技术相比，上述方法不仅根据用户的用户数据和行为数据，实现了从知识数据库中对用户感兴趣的知识数据的获取；并且根据用户的用户数据，实现了对用户所需学习的必要推荐资源的智能获取；并将获取的知识数据和必要推荐资源合并，生成资源推荐数据向用户端传输，从而实现了将用户感兴趣的知识数据和用户所需学习的必要推荐资源向用户端传输，以便用户通过用户端获取知识数据和学习企业推荐的必要推荐资源。

上述技术方案的有益效果是：解决了传统技术中，只能根据用户的兴趣爱好向用户推荐用户所感兴趣的知识数据，而不能同时向用户推荐企业所要求学习的必要推荐资源的问题，上述方法将用户所需学习的必要推荐资源与用户所感兴趣的知识数据合并后，生成资源推荐数据向用户推送，实现了同时将必要推荐资源和知识数据向用户端传输，同时也实现了采用向用户推荐知识数据的方式，将企业推送的必要推荐资源向用户端传输，从而进一步实现了企业在线教育的功能。

本发明实施例提供了一种基于企业在线教育的智能推荐方法，获取知识数据，并将知识数据保存到知识数据库中包括：

基于大数据技术获取知识数据，并对知识数据进行检测，其包括：

获取包含敏感信息的知识数据，并将知识数据中的敏感信息进行标记；通过敏感分析模型对标记敏感信息的知识数据进行分析，获取知识数据中的敏感信息和敏感信息的相关情节；

对获取的知识数据进行检测，判断知识数据是否包含敏感信息或敏感信息的相关情节，当知识数据包含敏感信息或敏感信息的相关情节时，则暂停将知识数据向知识数据库传输；当知识数据不包含敏感信息和敏感信息的相关情节时，则将知识数据向知识数据库传输；

知识数据库，用于对知识数据进行鉴别，根据知识数据的内容，获取知识数据的标题信息、类别信息和权限信息；将知识数据与知识数据的标题信息、类别信息、权限信息关联；

知识推荐模型，用于根据用户数据和行为数据，获取知识数据库中相应的知识数据包括：

根据用户的行为数据，获取知识数据库中相应的知识数据；

获取知识数据的权限信息；

将用户的用户数据中的职务信息与权限信息进行比对，当用户数据中的职务信息符合权限信息时，将知识数据的标题信息和类别信息向用户端传输；

用户端，用于接收用户根据用户端显示的标题信息和类别信息输入的知识数据获取指令，并将知识数据获取指令向知识推荐模型传输；

知识推荐模型，用于根据知识获取指令中的标题信息和类别信息，从知识数据库中获取相应的知识数据向用户端传输。

该实施例中，通过对包含敏感信息的知识数据进行分析，获取知识数据中的敏感信息和敏感信息的相关情节；并对获取的知识数据进行检测，检测知识数据是否包含敏感信息或敏感信息的相关情节，当知识数据包含敏感信息或敏感信息的相关情节时，则暂停将知识数据向知识数据库传输；当知识数据不包含敏感信息和敏感信息的相关情节时，则将知识数据向知识数据库传输；从而实现了对不包含敏感信息的知识数据的获取，并将知识数据向知识数据库的传输；知识推荐模型根据用户的行为数据，实现对知识数据库中相应的知识数据的获取；并获取知识数据的权限信息，将用户的用户数据中的职务信息与权限信息进行比对，当用户数据中的职务信息符合权限信息时，判断用户的权限符合获取知识数据，并将知识数据的标题信息和类别信息向用户端传输；用户端接收用户根据用户端显示的标题信息和类别信息输入的知识数据获取指令，并将知识数据获取指令向知识推荐模型传输；知识推荐模型根据知识获取指令中的标题信息和类别信息，从知识数据库中获取相应的知识数据向用户端传输。

上述技术方案的有益效果是：通过上述技术方案实现了根据用户的用户数据和行为数据对知识数据的获取。

本发明实施例提供了一种基于企业在线教育的智能推荐方法，当知识数据包含敏感信息或敏感信息的相关情节时，则暂停将知识数据向知识数据库传输包括：

当知识数据仅包含敏感信息时，将知识数据中的敏感信息删除，并对删除敏感信息的知识数据的语义完整度进行检测；当判断删除敏感信息的知识数据的语义完整时，将删除敏感信息的知识数据向知识数据库传输；当判断删除敏感信息的知识数据的语义不完整时，检测知识数据的关键内容是否缺失，当检测到知识数据的关键内容缺失时，将删除敏感信息的知识数据过滤；当检测到知识数据的关键内容没有缺失时，对知识数据中语义不完整的部分进行恢复处理，使恢复处理后的知识数据语义完整，并将恢复处理后的知识数据向知识数据库传输；

当知识数据仅包含敏感信息的相关情节时，通过敏感分析模型对敏感信息的相关情节进行分析，判断敏感信息的相关情节是否包含对敏感信息的诱导或敏感信息的变形；当判断敏感信息的相关情节包含对敏感信息的诱导或敏感信息的变形，则将知识数据过滤；当判断敏感信息的相关情节不包含对敏感信息的诱导以及敏感信息的变形，将知识数据向知识数据库传输；

当知识数据包含敏感信息和敏感信息的相关情节时，则将知识数据过滤。

该实施例中当知识数据仅包含敏感信息时，将知识数据中的敏感信息删除，并对删除敏感信息的知识数据的语义完整度进行检测；当判断删除敏感信息的知识数据的语义完整时，将删除敏感信息的知识数据向知识数据库传输，从而实现了对知识数据中的敏感信息的过滤处理，并在删除敏感信息的知识数据的语义完整时，将知识数据向知识数据库传输；当判断删除敏感信息的知识数据的语义不完整时，检测知识数据的关键内容是否缺失，当检测到知识数据的关键内容缺失时，将删除敏感信息的知识数据过滤；当检测到知识数据的关键内容没有缺失时，对知识数据中语义不完整的部分进行恢复处理，使恢复处理后的知识数据语义完整，并将恢复处理后的知识数据向知识数据库传输，从而实现了在对删除敏感信息的知识数据的语义不完整时，并判断知识数据的关键内容没有缺失时，对知识数据中语义不完整的部分进行恢复处理，从而使得恢复处理后的知识数据语义完整，并将恢复处理后的知识数据向知识数据库传输；当知识数据仅包含敏感信息的相关情节时，通过敏感分析模型对敏感信息的相关情节进行分析，判断敏感信息的相关情节是否包含对敏感信息的诱导或敏感信息的变形；当判断敏感信息的相关情节包含对敏感信息的诱导或敏感信息的变形，则将知识数据过滤；当判断敏感信息的相关情节不包含对敏感信息的诱导以及敏感信息的变形，将知识数据向知识数据库传输；当知识数据包含敏感信息和敏感信息的相关情节时，则将知识数据过滤。

上述技术方案的有益效果是：实现了对包含敏感信息或敏感信息的相关情节的知识数据的处理，并将处理后的知识数据向知识数据库传输，进一步有效地避免了包含敏感信息或敏感信息的相关情节的知识数据向用户端的传输。

本发明实施例提供了一种基于企业在线教育的智能推荐方法，获取用户数据和用户的行为数据包括：

向用户端传输用户数据获取指令；

用户端，用于接收到用户数据获取指令时，将用户端对应的用户数据向知识推荐模型传输；

知识数据库，还用于用户端获取知识数据时，记录用户端对知识数据的获取记录；并根据获取记录，获取用户基于用户端对知识数据的操作记录；知识数据库，还用于根据用户端对知识数据的获取记录和操作记录的操作内容，获取用户对知识数据的兴趣信息；并将对知识数据的获取记录、操作记录以及用户的兴趣信息合并，生成用户的行为数据。

上述技术方案的有益效果是：用户端接收到传输的数据获取指令时，将用户端对应的用户数据向知识推荐模型传输，从而实现了对用户数据的获取；知识数据库用于记录用户端对知识数据的获取记录；并根据获取记录，获取用户基于用户端对知识数据的操作记录；知识数据库根据用户端对知识数据的获取记录和操作记录的操作内容，获取用户对知识数据的兴趣信息；并将对知识数据的获取记录、操作记录以及用户的兴趣信息合并，从而实现了对用户的行为数据的获取。

本发明实施例提供了一种基于企业在线教育的智能推荐方法，操作记录，包括对知识数据的收藏操作、分享操作以及评论操作；

用户数据，包括用户的名字信息、年龄信息、职务信息以及所属部门信息。从而通过上述技术方案中实现了对用户数据和用户对知识数据的操作记录的获取。

本发明实施例提供了一种基于企业在线教育的智能推荐方法，获取用户数据和用户的行为数据之后，还包括：

获取用户的行为数据中的操作记录中的评论操作；

分析用户的评论操作的内容是否包含敏感信息，当评论操作的内容包含敏感信息时，将评论操作删除，并向进行评论操作的用户端发送警告信息；用户端，还用于将警告信息向用户显示；

记录向用户端发送警告信息的次数，当向用户端发送警告信息的次数达到第一阈值次数时，在预设时间周期内限制用户基于用户端进行评论操作；当向用户端发送警告信息的次数达到第二阈值次数时，限制用户基于用户端的任何操作，并将用户的用户数据向企业后台工作人员传输。

该实施例中，对用户的行为数据中的操作记录中的评论操作的内容是否包含敏感信息进行检测，当评论操作的内容包含敏感信息时，将评论操作删除，并向进行评论操作的用户端发送警告信息；用户端将警告信息向用户显示，以提醒通过用户端发送包含敏感信息的评论操作的用户；并记录向用户端发送警告信息的次数，当向用户端发送警告信息的次数达到第一阈值次数（例如第一阈值次数为1次）时，在预设时间周期（例如预设时间周期为24小时）内限制用户基于用户端进行评论操作；当向用户端发送警告信息的次数达到第二阈值次数（例如第一阈值次数为3次）时，限制用户基于用户端的任何操作，并将用户的用户数据向企业后台工作人员传输。

上述技术方案的有益效果是：实现了当用户进行的评论操作违规时，及时将该评论操作删除，并向用户发出警告，以提醒用户规范评论操作。

本发明实施例提供了一种基于企业在线教育的智能推荐方法，获取企业推送的必要推荐资源包括：

获取必要推荐资源，并获取必要推荐资源对应的推荐权限信息；

根据必要推荐资源的内容，获取用户读取必要推荐资源的最短时间信息，并将必要推荐资源对应的最短时间信息向用户端传输；

知识推荐模型，还用于根据用户数据，获取相应的必要推荐资源；具体包括：

获取用户数据中的职务信息和所属部门信息；

将必要推荐资源对应的推荐权限信息与用户数据中的职务信息和所属部门信息进行比对，当职务信息和所属部门信息均满足必要推荐资源对应的推荐权限信息时，将获取的知识数据和必要推荐资源合并，生成资源推荐数据；并将资源推荐数据中的必要推荐资源进行置顶处理后，将资源推荐数据向用户端传输；当职务信息和所属部门信息不满足必要推荐资源对应的推荐权限信息时，禁止将必要推荐资源向用户端传输；

用户端，用于将知识推荐模型传输的资源推荐数据向用户显示；用户端，还用于在用户基于用户端读取资源推荐数据中的必要资源数据时，按照最短时间信息进行计时，在计时过程中，用户端只能显示必要推荐资源。

该实施例中，通过获取必要推荐资源以及必要推荐资源对应的推荐权限信息，并将必要推荐资源对应的推荐权限信息与用户数据中的职务信息和所属部门信息进行比对，当职务信息和所属部门信息均满足必要推荐资源对应的推荐权限信息时，将获取的知识数据和必要推荐资源合并，生成资源推荐数据；并将资源推荐数据中的必要推荐资源进行置顶处理后，将资源推荐数据向用户端传输，从而实现了将资源推荐数据向用户端的传输，并将资源推荐数据中的必要推荐资源置顶，方便用户对必要推荐资源读取；并且在用户基于用户端读取必要推荐资源时，按照用户读取必要推荐资源的最短时间信息进行计时，在计时过程中，用户端只能显示必要推荐资源，确保用户对必要推荐资源的读取。

本发明实施例提供了一种基于企业在线教育的智能推荐方法，用户端，还用于记录用户对必要推荐资源的读取情况和读取时间信息，并将读取情况和读取时间信息向知识推荐模型传输；

知识推荐模型，还用于根据用户端传输的读取情况和读取时间信息，记录所有用户对必要推荐资源的学习情况，并将学习情况向企业后台工作人员显示；

用户端，还用于记录用户已读取的必要推荐资源和知识数据，建立用户的已读取数据库，将用户已读取的必要推荐资源和知识数据向已读取数据库传输进行存储；并将已读取数据库向知识推荐模型传输；

知识推荐模型，还用于将生成的资源推荐数据向用户端传输时，将资源推荐数据与已读取数据库中的必要推荐资源和知识数据进行比对，当资源推荐数据中与已读取数据库中的必要推荐资源和知识数据比对一致时，将资源推荐数据中比对一致的必要推荐资源和知识数据进行过滤处理，并将过滤处理后的资源推荐数据向用户端传输。

该实施例中，通过用户端记录用户对必要推荐资源的读取情况和读取时间信息，并将读取情况和读取时间信息向知识推荐模型传输；知识推荐模型根据用户端传输的读取情况和读取时间信息，记录所有用户对必要推荐资源的学习情况，并将学习情况向企业后台工作人员显示，从而实现了企业后台工作人员对所有用户对必要推荐资源的学习情况的获取；用户端将用户基于用户端已读取的必要推荐资源和知识数据存入用户的已读数据库中，并将已读数据库向知识推荐模型传输；知识推荐模型将生成的资源推荐数据向用户端传输时，将资源推荐数据与已读取数据库中的必要推荐资源和知识数据进行比对，当资源推荐数据中与已读取数据库中的必要推荐资源和知识数据比对一致时，将资源推荐数据中比对一致的必要推荐资源和知识数据进行过滤处理，并将过滤处理后的资源推荐数据向用户端传输，从而有效地避免了向用户端传输重复的知识数据和必要推荐资源，从而有效提高了用户体验。

本发明实施例提供了一种基于企业在线教育的智能推荐方法，知识推荐模型，用于根据用户数据和行为数据，获取知识数据库中相应的知识数据包括：

知识推荐模型，还用于根据兴趣信息，对用户对应的用户端进行分类；并根据协同过滤算法，从知识数据库中获取兴趣信息相同的用户所读取的知识数据，并将知识数据向用户对应的用户端传输；

知识推荐模型，还用于获取用户已读取的知识数据，采用自然语言处理技术对知识数据进行深度理解学习，获取知识数据的实质内容和相关拓扑内容；并根据知识数据的实质内容和相关拓扑内容基于知识数据库中查询与实质内容和相关拓扑内容相似的知识数据，并将查询获取的知识数据向用户端传输；

通过网络获取当前热门信息，并将当前热门信息向知识数据库传输；知识数据库，用于将当前热门信息保存为知识数据，并将知识数据向用户端传输。

该实施例中，知识推荐模型根据兴趣信息对用户对应的用户端进行分类，并采用协同过滤算法从知识数据库中获取兴趣信息相同的用户所读取的知识数据，并将知识数据向用户端传输；知识推荐模型还采用自然语言处理技术对用户已读取的知识数据进行深度理解学习，获取知识数据的实质内容和相关拓扑内容；并根据知识数据的实质内容和相关拓扑内容基于知识数据库中查询与实质内容和相关拓扑内容相似的知识数据，并将查询获取的知识数据向用户端传输；通过网络获取当前热门信息，并将当前热门信息向知识数据库传输；知识数据库将当前热门信息保存为知识数据向用户端传输；从而通过上述技术方案实现了知识推荐模型通过多种方式向用户端传输获取的知识数据。

本发明实施例提供了一种基于企业在线教育的智能推荐方法，将获取的所述知识数据和所述必要推荐资源合并，生成资源推荐数据的过程中，还包括：

获取所述知识数据的第一数据列表，同时，获取所述必要推荐资源的第二数据列表，其中，所述第一数据列表以及第二数据列表包括：列表名称以及列表中每个子区域的区域名称、区域位置、区域属性、数据索引；

根据所述第一数据列表以及第二数据列表，确定每个所述子区域的暂存数据，并对所述暂存数据进行数据分析，判断所述暂存数据中是否存在待剔除数据，所述待剔除数据包括：空白字符、重叠字段；

若存在，将所述待剔除数据进行剔除，同时，获取对应子区域的剩余数据，并确定所述剩余数据的形态指标，同时，将所述形态指标导入到知识形态模型中，获得所述剩余数据的知识形态；

若不存在，获取对应子区域的暂存数据的知识形态；

基于所述知识形态构建所述知识数据的第一形态集合，同时，构建所述必要推荐资源的第二形态集合；

根据如下公式，计算所述第一形态集合中的第一知识形态与所述第二形态集合中的第二知识形态之间的第一匹配度S1以及所述第一形态集合中的每个第一知识形态与剩余的每个知识形态之间的第二匹配度S2；

；

；

其中，p1表示所述第一形态集合中第一知识形态的个数，且取值范围为[1，N1]，p2表示 所述第二形态集合中第二知识形态的个数，且取值范围为[1，N2]，i表示第一知识形态的形 态指标数，且取值范围为[1，n1]；

表示第p1个第一知识形态中的第i个形态指标的形态 参数；j表示第二知识形态的形态指标数，且取值范围为[1，n2]；

表示第p2个第二知识 形态中的第j个形态指标的形态参数；

表示第一知识形态的平均形态参数；

表示第 p2个第二知识形态平均形态参数；

表示第p3个第一知识形态中的第k个形态指标的形 态参数，且k的取值范围为[1，n2]，

表示剩余的知识形态的平均形态参数；其中，p3的取 值范围为[1，N1-1]；

若第一匹配度大于或等于第一预设度，判断所述第一形态集合的当前容量是否大于第二形态集合的当前容量；

若是，将所述知识数据中与所述第一知识形态相关的数据进行删除；

否则，将所述必要推荐资源中与所述第二知识形态相关的数据进行删除；

同时，若第二匹配度大于或等于第二预设度，将所述知识数据中与所述第一知识形态相匹配的知识形态相关的数据进行删除；

若第一匹配度小于第一预设度，且第二匹配度小于第二预设度，保留所述第一知识形态对应的数据；

根据保留的数据，生成资源推荐数据。

上述技术方案中，数据的形态例如是包括数据的推送形式，数据所属类型，所述对应的推送内容等中的任一种，主要是与推送内容相关的。

上述技术方案的有益效果是：通过获取相关列表，进而确定子区域中的暂存数据，通过对暂存数据的知识形态进行判断，来获取相关集合，同时，通过计算第一匹配度以及第二匹配度，可以提高对数据的有效筛选，保证在推送数据过程中，降低数据的重叠性，提高推送的有效性，且通过对集合的当前容量进行判断，便于删除对应数据中的无关数据，提高数据的推送精度，且间接减少对服务资源的占用，提高推送效率。

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)

1.一种基于企业在线教育的智能推荐方法，其特征在于，包括：

获取企业的知识数据，并将所述知识数据保存到知识数据库中；

获取用户数据和用户的行为数据；

获取企业推送的必要推荐资源；

知识推荐模型，用于根据所述用户数据和所述行为数据，获取所述知识数据库中相应的所述知识数据；所述知识推荐模型，还用于根据所述用户数据，获取相应的所述必要推荐资源；将获取的所述知识数据和所述必要推荐资源合并，生成资源推荐数据，并将所述资源推荐数据向用户端传输。

2.如权利要求1所述的方法，其特征在于，获取知识数据，并将所述知识数据保存到知识数据库中包括：

基于大数据技术获取所述知识数据，并对所述知识数据进行检测，其包括：

获取包含敏感信息的知识数据，并将所述知识数据中的所述敏感信息进行标记；通过敏感分析模型对标记所述敏感信息的所述知识数据进行分析，获取所述知识数据中的所述敏感信息和所述敏感信息的相关情节；

对获取的所述知识数据进行检测，判断所述知识数据是否包含所述敏感信息或所述敏感信息的相关情节，当所述知识数据包含所述敏感信息或所述敏感信息的相关情节时，则暂停将所述知识数据向所述知识数据库传输；当所述知识数据不包含所述敏感信息和所述敏感信息的相关情节时，则将所述知识数据向所述知识数据库传输；

所述知识数据库，用于对所述知识数据进行鉴别，根据所述知识数据的内容，获取所述知识数据的标题信息、类别信息和权限信息；将所述知识数据与所述知识数据的所述标题信息、所述类别信息、所述权限信息关联；

知识推荐模型，用于根据所述用户数据和所述行为数据，获取所述知识数据库中相应的所述知识数据，其包括：

根据用户的所述行为数据，获取所述知识数据库中相应的所述知识数据；

获取所述知识数据的所述权限信息；

将用户的所述用户数据中的职务信息与所述权限信息进行比对，当所述用户数据中的所述职务信息符合所述权限信息时，将所述知识数据的所述标题信息和所述类别信息向所述用户端传输；

所述用户端，用于接收用户根据所述用户端显示的所述标题信息和所述类别信息输入的知识数据获取指令，并将所述知识数据获取指令向所述知识推荐模型传输；

所述知识推荐模型，用于根据所述知识获取指令中的标题信息和类别信息，从所述知识数据库中获取相应的所述知识数据向所述用户端传输。

3.如权利要求2所述的方法，其特征在于，当所述知识数据包含所述敏感信息或所述敏感信息的相关情节时，则暂停将所述知识数据向所述知识数据库传输包括：

当所述知识数据仅包含所述敏感信息时，将所述知识数据中的所述敏感信息删除，并对删除所述敏感信息的所述知识数据的语义完整度进行检测；当判断删除所述敏感信息的所述知识数据的语义完整时，将删除所述敏感信息的所述知识数据向所述知识数据库传输；当判断删除所述敏感信息的所述知识数据的语义不完整时，检测所述知识数据的关键内容是否缺失，当检测到所述知识数据的关键内容缺失时，将删除所述敏感信息的所述知识数据过滤；当检测到所述知识数据的关键内容没有缺失时，对所述知识数据中语义不完整的部分进行恢复处理，使恢复处理后的所述知识数据语义完整，并将恢复处理后的所述知识数据向所述知识数据库传输；

当所述知识数据仅包含所述敏感信息的相关情节时，通过敏感分析模型对所述敏感信息的相关情节进行分析，判断所述敏感信息的相关情节是否包含对所述敏感信息的诱导或所述敏感信息的变形；当判断所述敏感信息的相关情节包含对所述敏感信息的诱导或所述敏感信息的变形，则将所述知识数据过滤；当判断所述敏感信息的相关情节不包含对所述敏感信息的诱导以及所述敏感信息的变形，将所述知识数据向所述知识数据库传输；

当所述知识数据包含所述敏感信息和所述敏感信息的相关情节时，则将所述知识数据过滤。

4.如权利要求1所述的方法，其特征在于，获取用户数据和用户的行为数据包括：

向所述用户端传输用户数据获取指令；

所述用户端，用于接收到所述用户数据获取指令时，将所述用户端对应的所述用户数据向所述知识推荐模型传输；

所述知识数据库，还用于所述用户端获取所述知识数据时，记录所述用户端对所述知识数据的获取记录；并根据所述获取记录，获取用户基于所述用户端对所述知识数据的操作记录；所述知识数据库，还用于根据所述用户端对所述知识数据的获取记录和所述操作记录的操作内容，获取用户对所述知识数据的兴趣信息；并将对所述知识数据的所述获取记录、所述操作记录以及用户的所述兴趣信息合并，生成用户的行为数据。

5.如权利要求4所述的方法，其特征在于，

所述操作记录，包括对所述知识数据的收藏操作、分享操作以及评论操作；

所述用户数据，包括用户的名字信息、年龄信息、职务信息以及所属部门信息。

6.如权利要求5所述的方法，其特征在于，获取用户数据和用户的行为数据之后，还包括：

获取用户的所述行为数据中的所述操作记录中的评论操作；

分析用户的所述评论操作的内容是否包含敏感信息，当所述评论操作的内容包含所述敏感信息时，将所述评论操作删除，并向进行所述评论操作的所述用户端发送警告信息；所述用户端，还用于将所述警告信息向用户显示；

记录向所述用户端发送所述警告信息的次数，当向所述用户端发送所述警告信息的次数达到第一阈值次数时，在预设时间周期内限制用户基于所述用户端进行所述评论操作；当向所述用户端发送所述警告信息的次数达到第二阈值次数时，限制用户基于所述用户端的任何操作，并将用户的所述用户数据向企业后台工作人员传输。

7.如权利要求1所述的方法，其特征在于，获取企业推送的必要推荐资源包括：

获取所述必要推荐资源，并获取所述必要推荐资源对应的推荐权限信息；

根据所述必要推荐资源的内容，获取用户读取所述必要推荐资源的最短时间信息，并将所述必要推荐资源对应的最短时间信息向所述用户端传输；

所述知识推荐模型，还用于根据所述用户数据，获取相应的所述必要推荐资源包括：

获取所述用户数据中的职务信息和所属部门信息；

将所述必要推荐资源对应的所述推荐权限信息与所述用户数据中的所述职务信息和所属部门信息进行比对，当所述职务信息和所述所属部门信息均满足所述必要推荐资源对应的所述推荐权限信息时，将获取的所述知识数据和所述必要推荐资源合并，生成资源推荐数据；并将所述资源推荐数据中的所述必要推荐资源进行置顶处理后，将所述资源推荐数据向所述用户端传输；当所述职务信息和所述所属部门信息不满足所述必要推荐资源对应的所述推荐权限信息时，禁止将所述必要推荐资源向所述用户端传输；

所述用户端，用于将所述知识推荐模型传输的所述资源推荐数据向用户显示；所述用户端，还用于在用户基于所述用户端读取所述资源推荐数据中的所述必要资源数据时，按照所述最短时间信息进行计时，在计时过程中，所述用户端只能显示所述必要推荐资源。

8.如权利要求7所述的方法，其特征在于，

所述用户端，还用于记录用户对所述必要推荐资源的读取情况和读取时间信息，并将所述读取情况和所述读取时间信息向所述知识推荐模型传输；

所述知识推荐模型，还用于根据所述用户端传输的所述读取情况和所述读取时间信息，记录所有用户对所述必要推荐资源的学习情况，并将所述学习情况向企业后台工作人员显示；

所述用户端，还用于记录用户已读取的所述必要推荐资源和所述知识数据，建立用户的已读取数据库，将用户已读取的所述必要推荐资源和所述知识数据向所述已读取数据库传输进行存储；并将所述已读取数据库向所述知识推荐模型传输；

所述知识推荐模型，还用于将生成的所述资源推荐数据向所述用户端传输时，将所述资源推荐数据与所述已读取数据库中的所述必要推荐资源和所述知识数据进行比对，当所述资源推荐数据中与所述已读取数据库中的所述必要推荐资源和所述知识数据比对一致时，将所述资源推荐数据中比对一致的所述必要推荐资源和所述知识数据进行过滤处理，并将过滤处理后的所述资源推荐数据向所述用户端传输。

9.如权利要求4所述的方法，其特征在于，根据所述用户数据和所述行为数据，获取所述知识数据库中相应的所述知识数据包括：

所述知识推荐模型，还用于根据所述兴趣信息，对用户对应的所述用户端进行分类；并根据协同过滤算法，从所述知识数据库中获取所述兴趣信息相同的用户所读取的所述知识数据，并将所述知识数据向用户对应的所述用户端传输；

所述知识推荐模型，还用于获取用户已读取的所述知识数据，采用自然语言处理技术对所述知识数据进行深度理解学习，获取所述知识数据的实质内容和相关拓扑内容；并根据所述知识数据的所述实质内容和所述相关拓扑内容基于所述知识数据库中查询与所述实质内容和所述相关拓扑内容相似的知识数据，并将查询获取的所述知识数据向所述用户端传输；

通过网络获取当前热门信息，并将所述当前热门信息向所述知识数据库传输；所述知识数据库，用于将所述当前热门信息保存为知识数据，并将所述知识数据向所述用户端传输。

10.如权利要求1所述的方法，其特征在于，将获取的所述知识数据和所述必要推荐资源合并，生成资源推荐数据的过程中，还包括：

获取所述知识数据的第一数据列表，同时，获取所述必要推荐资源的第二数据列表，其中，所述第一数据列表以及第二数据列表包括：列表名称以及列表中每个子区域的区域名称、区域位置、区域属性、数据索引；

根据所述第一数据列表以及第二数据列表，确定每个所述子区域的暂存数据，并对所述暂存数据进行数据分析，判断所述暂存数据中是否存在待剔除数据，所述待剔除数据包括：空白字符、重叠字段；

若存在，将所述待剔除数据进行剔除，同时，获取对应子区域的剩余数据，并确定所述剩余数据的形态指标，同时，将所述形态指标导入到知识形态模型中，获得所述剩余数据的知识形态；

若不存在，获取对应子区域的暂存数据的知识形态；

基于所述知识形态构建所述知识数据的第一形态集合，同时，构建所述必要推荐资源的第二形态集合；

根据如下公式，计算所述第一形态集合中的第一知识形态与所述第二形态集合中的第二知识形态之间的第一匹配度S1以及所述第一形态集合中的每个第一知识形态与剩余的每个知识形态之间的第二匹配度S2；

；

；

其中，p1表示所述第一形态集合中第一知识形态的个数，且取值范围为[1，N1]，p2表示 所述第二形态集合中第二知识形态的个数，且取值范围为[1，N2]，i表示第一知识形态的形 态指标数，且取值范围为[1，n1]；

表示第p1个第一知识形态中的第i个形态指标的形态 参数；j表示第二知识形态的形态指标数，且取值范围为[1，n2]；

表示第p2个第二知 识形态中的第j个形态指标的形态参数；

表示第一知识形态的平均形态参数；

表示 第p2个第二知识形态平均形态参数；

表示第p3个第一知识形态中的第k个形态指标的 形态参数，且k的取值范围为[1，n2]，

表示剩余的知识形态的平均形态参数；其中，p3的 取值范围为[1，N1-1]；

若第一匹配度大于或等于第一预设度，判断所述第一形态集合的当前容量是否大于第二形态集合的当前容量；

若是，将所述知识数据中与所述第一知识形态相关的数据进行删除；

否则，将所述必要推荐资源中与所述第二知识形态相关的数据进行删除；

同时，若第二匹配度大于或等于第二预设度，将所述知识数据中与所述第一知识形态相匹配的知识形态相关的数据进行删除；

若第一匹配度小于第一预设度，且第二匹配度小于第二预设度，保留所述第一知识形态对应的数据；

根据保留的数据，生成资源推荐数据。

Images