CN113672722B - 线上课程智能推荐方法、装置、电子设备及存储介质 - Google Patents
线上课程智能推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113672722B CN113672722B CN202110960713.2A CN202110960713A CN113672722B CN 113672722 B CN113672722 B CN 113672722B CN 202110960713 A CN202110960713 A CN 202110960713A CN 113672722 B CN113672722 B CN 113672722B
- Authority
- CN
- China
- Prior art keywords
- course
- online
- word
- vector
- spliced
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000013598 vector Substances 0.000 claims abstract description 159
- 230000011218 segmentation Effects 0.000 claims abstract description 16
- 238000012163 sequencing technique Methods 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 125000002015 acyclic group Chemical group 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 11
- 238000012827 research and development Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (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
本发明涉及人工智能领域,揭露一种线上课程智能推荐方法,包括:获取线上课程和课程标签,对线上课程进行分词后与课程标签进行向量拼接,得到拼接词语向量集;根据拼接词语向量集,计算线上课程的课程加权值,根据课程加权值,计算线上课程的课程散列值;根据课程散列值,计算线上课程中任意两个课程的汉明距离,根据汉明距离,对线上课程进行相似度排序,得到相似线上课程列表;查询待推荐用户的历史浏览课程,将历史浏览课程与线上课程进行匹配,从匹配成功的线上课程的相似线上课程列表中选取满足预设条件的相似线上课程返回至待推荐用户。此外,本发明还涉及区块链技术,所述课程散列值可存储于区块链中。本发明可以提高线上课程推荐的效率。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种线上课程智能推荐方法、装置、电子设备及计算机可读存储介质。
背景技术
随着网络授课的日益普及,越来越多的公司通过自己的在线授课平台对自己的员工进行在线培训,以提高员工的综合实力和竞争力,解决企业人才内训瓶颈,帮助员工实现能力提升,助力企业业务发展。
然而现阶段大部分的企业在线授课平台不具有为员工智能推荐学***台***管理员在后台手动推送的课程,这种学习方式使员工处于被动,通常无法学习自己感兴趣的课程,从而导致线上课程推荐的效率较低。
发明内容
本发明提供一种线上课程智能推荐方法、装置、电子设备及计算机可读存储介质,其主要目的在于提高线上课程推荐的效率。
为实现上述目的,本发明提供的一种线上课程智能推荐方法,包括:
获取线上课程和其对应的课程标签,对所述线上课程进行分词,得到课程词语集,将所述课程词语集中每个课程词语与所述课程标签进行向量拼接,得到拼接词语向量集;
设置所述拼接词语向量集中每个拼接词语向量的词语权重值,并计算所述拼接词语向量集中每个拼接词语向量的词语散列值,根据所述词语散列值和所述词语权重值,对所述拼接词语向量集中每个拼接词语向量进行加权操作,得到每个所述拼接词语向量的词语加权值;
将每个所述拼接词语向量的词语加权值进行累加操作,得到所述线上课程的课程加权值,根据所述课程加权值,采用相似哈希算法计算所述线上课程的课程散列值;
根据所述课程散列值,计算所述线上课程中任意两个课程的汉明距离,根据所述汉明距离,对所述线上课程进行相似度排序,得到所述线上课程的相似线上课程列表;
查询待推荐用户的历史浏览课程,将所述历史浏览课程与所述线上课程进行匹配,并从匹配成功的所述线上课程的相似线上课程列表中选取满足预设条件的相似线上课程,将选取的相似线上课程返回至所述待推荐用户。
可选地,所述对所述线上课程进行分词,得到课程词语集,包括:
采用分词算法对所述线上课程进行词图扫描,得到所述线上课程的词语有向无环图;
采用动态规划算法计算所述词语有向无环图中的词语生成路径,得到词语生成概率;
根据所述词语生成概率,对所述词语有向无环图进行词语切分,得到课程词语集。
可选地,所述将所述课程词语集中每个课程词语与所述课程标签进行向量拼接,得到拼接词语向量集,包括:
采用词向量转换算法将课程词语集中每个课程词语与所述课程标签转换成课程词语向量和课程标签向量;
利用向量拼接字符将每个所述课程词语向量和课程标签向量进行拼接,得到拼接词语向量集。
可选地,所述根据所述词语散列值和所述词语权重值,对所述拼接词语向量集中每个拼接词语向量进行加权操作,得到每个所述拼接词语向量的词语加权值,包括:
根据所述词语散列值,标记每个所述拼接词语向量的负位数和正位数;
将所述词语权重值的相反数作为所述负位数的加权值,将所述词语权重值作为所述正位数的加权值;
汇总所述负位数的加权值和所述正位数的加权值,得到每个所述拼接词语向量的词语加权值。
可选地,所述根据所述课程散列值,计算所述线上课程中任意两个线上课程的汉明距离,包括:
根据所述课程散列值,获取所述任意两个线上课程的散列值位数;
若所述散列值位数的个数相同,识别所述散列值位数中不同数值的数量,根据所述不同数值的数量,确定所述任意两个线上课程的汉明距离;
若所述散列值位数的个数不相同,则从个数长的散列值中裁剪出与个数较短的散列值相同的位数,并识别裁剪的散列值位数中不同数值的数量,根据所述不同数值的数量,确定所述任意两个线上课程的汉明距离;
可选地,所述将所述历史浏览课程与所述线上课程进行匹配,包括:
计算所述历史浏览课程与所述线上课程的名称匹配度;
若所述名称匹配度大于预设匹配度,则所述历史浏览课程与所述线上课程匹配成功;
若所述名称匹配度不大于预设匹配度,则所述历史浏览课程与所述线上课程匹配失败。
可选地,所述计算所述历史浏览课程与所述线上课程的名称匹配度,包括:
利用下述公式计算所述历史浏览课程与所述线上课程的名称匹配度:
其中,T(x,y)表示名称匹配度,xi表示历史浏览课程中第i个课程的名称字符向量,yj表示线上课程中第j个课程的名称字符向量。
为了解决上述问题,本发明还提供一种线上课程智能推荐装置,所述装置包括:
向量拼接模块,用于获取线上课程和其对应的课程标签,对所述线上课程进行分词,得到课程词语集,将所述课程词语集中每个课程词语与所述课程标签进行向量拼接,得到拼接词语向量集;
向量加权模块,用于设置所述拼接词语向量集中每个拼接词语向量的词语权重值,并计算所述拼接词语向量集中每个拼接词语向量的词语散列值,根据所述词语散列值和所述词语权重值,对所述拼接词语向量集中每个拼接词语向量进行加权操作,得到每个所述拼接词语向量的词语加权值;
散列值计算模块,用于将每个所述拼接词语向量的词语加权值进行累加操作,得到所述线上课程的课程加权值,根据所述课程加权值,采用相似哈希算法计算所述线上课程的课程散列值;
相似课程生成模块,用于根据所述课程散列值,计算所述线上课程中任意两个课程的汉明距离,根据所述汉明距离,对所述线上课程进行相似度排序,得到所述线上课程的相似线上课程列表;
线上课程推荐模块,用于查询待推荐用户的历史浏览课程,将所述历史浏览课程与所述线上课程进行匹配,并从匹配成功的所述线上课程的相似线上课程列表中选取满足预设条件的相似线上课程,将选取的相似线上课程返回至所述待推荐用户。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以实现上述所述的线上课程智能推荐方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的线上课程智能推荐方法。
本发明实施例首先对所述线上课程进行分词,以拆分出所述线上课程中存在的所有词语名称,从而更好的体现出所述线上课程的组成结构,进而可以明确所述线上课程的维度特征,并将分词后的课程词语与所述课程标签进行向量拼接,以提高所述课程词语所表达的课程语义;其次,本发明实施例通过计算每个拼接词语向量的词语散列值,可以降低所述拼接词语向量的数据量,提高后续数据计算速度,以保障后续海量线上课程的数据快速计算前提,并对每个拼接词语向量进行加权表征每个所述拼接词语向量在所述线上课程中的语义信息,提高线上课程语义的匹配准确性;进一步地,本发明实施例通过计算线上课程中任意两个线上课程的汉明距离,可以度量比对不同线上课程之间的语义相似度,生成线上课程的相似线上课程列表,并根据相似线上课程列表给用户推荐其收藏过的及播放量大的课程的相似课程,避免用户只是单调地学习平台***管理员在后台手动推送课程的现象,提高线上课程的推荐效率。因此,本发明提出的一种线上课程智能推荐方法、装置、电子设备以及计算机可读存储介质可以提高线上课程的推荐效率。
附图说明
图1为本发明一实施例提供的线上课程智能推荐方法的流程示意图;
图2为本发明一实施例提供的线上课程智能推荐装置的模块示意图;
图3为本发明一实施例提供的实现线上课程智能推荐方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种线上课程智能推荐方法。所述线上课程智能推荐方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述线上课程智能推荐方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,为本发明一实施例提供的线上课程智能推荐方法的流程示意图。在本发明实施例中,所述线上课程智能推荐方法包括:
S1、获取线上课程和其对应的课程标签,对所述线上课程进行分词,得到课程词语集,将所述课程词语集中每个课程词语与所述课程标签进行向量拼接,得到拼接词语向量集。
本发明实施例中,所述线上课程是指通过线上网络平台进行教学的课程,所述线上网络平台可以为企业内部培训平台、教育培训平台以及外部营销培训平台等,所述线上课程基于不同业务场景产生,如金融课程、考研课程、考公课程以及考证课程等等,所述课程标签可以理解为所述线上课程的教学领域标签。
进一步地,本发明实施例通过对所述线上课程进行分词,以拆分出所述线上课程中存在的所有词语名称,从而更好的体现出所述线上课程的组成结构,进而可以明确所述线上课程的课程维度特征。
作为本发明的一个实施例,所述对所述线上课程进行分词,得到课程词语集,包括:采用分词算法对所述线上课程进行词图扫描,得到所述线上课程的词语有向无环图,采用动态规划算法计算所述词语有向无环图中的词语生成路径,得到词语生成概率,根据所述词语生成概率,对所述词语有向无环图进行词语切分,得到课程词语集。
其中,所述分词算法可以为结巴分词算法,所述动态规划算法可以通过Python语言进行编译,所述词语切分可以通过前缀词典实现。
应该了解的是,在所述线上课程分词后得到的课程词语集是用于表征所述线上课程的不同维度,为进一步提高所述课程词语集中每个课程词语与所述线上课程的维度语义表达,本发明实施例将所述课程词语集中每个课程词语与所述课程标签进行向量拼接,以提高所述课程词语集中每个课程词语所表达的课程语义。
作为本发明的一个实施例,所述将所述课程词语集中每个课程词语与所述课程标签进行向量拼接,得到拼接词语向量集,包括:采用词向量转换算法将课程词语集中每个课程词语与所述课程标签转换成课程词语向量和课程标签向量,利用向量拼接字符将所述课程词语向量和课程标签向量进行拼接,得到拼接词语向量集。
其中,所述词向量转换算法可以为Word2vec算法,所述向量拼接字符可以为“-”,也可以根据实际业务场景设置。
S2、设置所述拼接词语向量集中每个拼接词语向量的词语权重值,并计算所述拼接词语向量集中每个拼接词语向量的词语散列值,根据所述词语散列值和所述词语权重值,对所述拼接词语向量集中每个拼接词语向量进行加权操作,得到每个所述拼接词语向量的词语加权值。
本发明实施例中,所述词语权重值可以理解为所述拼接词语向量在其对应线上课程中的所占比例,其根据所述拼接词语向量对应课程词语在其线上课程中出现的频率或者重要程度进行设置,例如,存在线上课程为“如何管理一个研发团队”,其存在课程词语为“如何”,“管理”,“一个”,“研发”,“团队”,“研发团队”,则设置课程词语的词语权重值分别可以为,“如何(2)”,“管理(3)”,“一个(1)”,“研发(3)”,“团队(3)”,“研发团队(4)”,其中,课程词语的数值越大,则表示该课程词语的重要度越高,所述词语散列值可以理解为所述拼接词语向量的哈希值,其用于生成所述拼接词语向量的词语标识,降低所述拼接词语向量的数据量,提高后续数据计算速度,以保障后续海量线上课程的数据快速计算前提,所述词语加权值用于表征每个所述拼接词语向量在所述线上课程中的语义信息,提高线上课程语义的匹配准确性。
进一步地,所述拼接词语向量集中每个拼接词语向量的词语散列值可以通过哈希函数进行计算,即通过哈希函数将所述拼接词语向量集中每个拼接词语向量转换成0和1的数值形式,例如“研发”的词语散列值可以为011110,“团队”的词语散列值可以为110110。
进一步地,作为本发明的一个实施例,所述根据所述词语散列值和所述词语权重值,对所述拼接词语向量集中每个拼接词语向量进行加权操作,得到每个所述拼接词语向量的词语加权值,包括:根据所述词语散列值,标记每个所述拼接词语向量的负位数和正位数,将所述词语权重值的相反数作为所述负位数的加权值,将所述词语权重值作为所述正位数的加权值,汇总所述负位数的加权值和所述正位数的加权值,得到每个所述拼接词语向量的词语加权值。
其中,所述负位数和正位数分别是指0和1,如所述“研发”的词语散列值可以为011110,词语权重值为3,则可以得到所述“研发”的词语权重值为“-3,3,3,3,3,-3”。
S3、将每个所述拼接词语向量的词语加权值进行累加操作,得到所述线上课程的课程加权值,根据所述课程加权值,采用相似哈希算法计算所述线上课程的课程散列值。
应该了解,所述拼接词语向量是基于所述线上课程分词后进行产生,因此,本发明实施例根据所述词语加权值,将每个所述拼接词语向量进行维度累加操作,以将多个维度的词语进行汇总确定所述线上课程的词语权重值,从而可以提高生成所述线上课程的课程语义准确性,进而可以保障后续生成的线上课程的课程散列值准确性。
示例性的,存在拼接词语向量的词语加权值分别为“-3,3,3,3,3,-3”、和“4,-4,-4,4,4,4”,将其进行累加操作得到线上课程的课程加权值为“1,-1,-1,7,7,1”。
进一步地,本发明实施例根据所述课程加权值,相似哈希算法计算所述线上课程的课程散列值,以实现所述课程散列值的降维,从而可以减少后续数据的计算量,进而可以提高后续课程推荐的效率。其中,所述线上课程的课程散列值计算是通过将所述课程加权值中负位数的数值变为0,正位数的数值变为1,如计算上述1,-1,-1,7,7,1”的线上课程的课程散列值为“1,0,0,1,1,1”。
进一步地,为保障所述线上课程的课程散列值的复用性和隐私性,所述线上课程的课程散列值还可存储于一区块链节点中。
S4、根据所述课程散列值,计算所述线上课程中任意两个课程的汉明距离,根据所述汉明距离,对所述线上课程进行相似度排序,得到所述线上课程的相似线上课程列表。
本发明实施例中通过所述课程散列值,计算所述线上课程中任意两个线上课程的汉明距离,以计算所述线上课程之间的课程语义相似度,从而实现后续课程推荐前提。
作为本发明的一个实施例,所述根据所述课程散列值,计算所述线上课程中任意两个线上课程的汉明距离,包括:根据所述课程散列值,获取所述任意两个线上课程的散列值位数;若所述散列值位数的个数相同,识别所述散列值位数中不同数值的数量,根据所述不同数值的数量,确定所述任意两个线上课程的汉明距离;若所述散列值位数的个数不相同,则从个数长的散列值中裁剪出与个数较短的散列值相同的位数,并识别裁剪的散列值位数中不同数值的数量,根据所述不同数值的数量,确定所述任意两个线上课程的汉明距离。其中,所述汉明距离越小,表示其对应两个线上课程的课程越相似。
示例性的,存在两个线上课程的课程散列值为“011100”和“011110”,识别其均有6个散列值位数,识别出其在第五个位数的数值不相同,且剩余位数的数值相同,则可以确定该两个线上课程的汉明距离为1,表示该两个线上课程的课程语义相似。
应该了解,根据所述任意两个线上课程的汉明距离,可以了解所述线上课程中任意一个线上课程与剩余相似课程的汉明距离,因此,本发明实施例通过所述汉明距离,对所述线上课程进行相似线上课程排序,以得到所述线上课程的相似线上课程列表,从而可以加快后续线上课程的推荐速度,提高课程推荐效率。
S5、查询待推荐用户的历史浏览课程,将所述历史浏览课程与所述线上课程进行匹配,并从匹配成功的所述线上课程的相似线上课程列表中选取满足预设条件的相似线上课程,将选取的相似线上课程返回至所述待推荐用户。
本发明实施例中,所述历史浏览课程可以通过查询用户的网页搜索记录或者课程收藏记录查找,所述将所述历史浏览课程与所述线上课程进行匹配,包括:计算所述历史浏览课程与所述线上课程的名称匹配度,若所述名称匹配度大于预设匹配度,则所述历史浏览课程与所述线上课程匹配成功,若所述名称匹配度不大于预设匹配度,则所述历史浏览课程与所述线上课程匹配失败,其中,所述预设匹配度可以设置为0.9,也可以根据实际业务场景设置。
一个可选实施例中,利用下述公式计算所述历史浏览课程与所述线上课程的名称匹配度:
其中,T(x,y)表示名称匹配度,xi表示历史浏览课程中第i个课程的名称字符向量,yj表示线上课程中第j个课程的名称字符向量。例如,存在历史浏览课程为“机器学习”和线上课程为“深度学习”,获取所述“机器学习”和所述“深度学习”的名称字符向量分别为“[0,1,0,1,1,0,1,1]”和“[1,0,0,0,1,0,1,1]”,通过上述公式计算所述“机器学习”和线上课程为“深度学习”的名称匹配度为0.63。
进一步地,本发明实施例从匹配成功的所述线上课程的相似线上课程列表中选取满足预设条件的相似线上课程返回至所述待推荐用户,以实现所述待推荐用户的课程推荐,所述预设条件可以为选取所述相似线上课程列表中排序最靠前的前三位课程,也可以根据实际业务场景设置。
本发明实施例首先对所述线上课程进行分词,以拆分出所述线上课程中存在的所有词语名称,从而更好的体现出所述线上课程的组成结构,进而可以明确所述线上课程的维度特征,并将分词后的课程词语与所述课程标签进行向量拼接,以提高所述课程词语所表达的课程语义;其次,本发明实施例通过计算每个拼接词语向量的词语散列值,可以降低所述拼接词语向量的数据量,提高后续数据计算速度,以保障后续海量线上课程的数据快速计算前提,并对每个拼接词语向量进行加权表征每个所述拼接词语向量在所述线上课程中的语义信息,提高线上课程语义的匹配准确性;进一步地,本发明实施例通过计算线上课程中任意两个线上课程的汉明距离,可以度量比对不同线上课程之间的语义相似度,生成线上课程的相似线上课程列表,并根据相似线上课程列表给用户推荐其收藏过的及播放量大的课程的相似课程,避免用户只是单调地学习平台***管理员在后台手动推送课程的现象,提高线上课程的推荐效率。因此,本发明提出的一种线上课程智能推荐方法可以提高线上课程的推荐效率。
如图2所示,是本发明线上课程智能推荐装置的功能模块图。
本发明所述线上课程智能推荐装置100可以安装于电子设备中。根据实现的功能,所述线上课程智能推荐装置可以包括向量拼接模块101、向量加权模块102、散列值计算模块103、相似课程生成模块104以及线上课程推荐模块105。本发所述模块也可以称之为单元,是指一种能够被电子设备的处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述向量拼接模块101,用于获取线上课程和其对应的课程标签,对所述线上课程进行分词,得到课程词语集,将所述课程词语集中每个课程词语与所述课程标签进行向量拼接,得到拼接词语向量集;
所述向量加权模块102,用于设置所述拼接词语向量集中每个拼接词语向量的词语权重值,并计算所述拼接词语向量集中每个拼接词语向量的词语散列值,根据所述词语散列值和所述词语权重值,对所述拼接词语向量集中每个拼接词语向量进行加权操作,得到每个所述拼接词语向量的词语加权值;
所述散列值计算模块103,用于将每个所述拼接词语向量的词语加权值进行累加操作,得到所述线上课程的课程加权值,根据所述课程加权值,采用相似哈希算法计算所述线上课程的课程散列值;
所述相似课程生成模块104,用于根据所述课程散列值,计算所述线上课程中任意两个课程的汉明距离,根据所述汉明距离,对所述线上课程进行相似度排序,得到所述线上课程的相似线上课程列表;
所述线上课程推荐模块105,用于查询待推荐用户的历史浏览课程,将所述历史浏览课程与所述线上课程进行匹配,并从匹配成功的所述线上课程的相似线上课程列表中选取满足预设条件的相似线上课程,将选取的相似线上课程返回至所述待推荐用户。
详细地,本发明实施例中所述线上课程智能推荐装置100中的所述各模块在使用时采用与上述的图1中所述的线上课程智能推荐方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图3所示,是本发明实现线上课程智能推荐方法的电子设备1的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如线上课程智能推荐程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备1的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备1的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行线上课程智能推荐程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如线上课程智能推荐程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备1与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备1之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
图3仅示出了具有部件的电子设备1,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的线上课程智能推荐程序是多个计算机程序的组合,在所述处理器10中运行时,可以实现:
获取线上课程和其对应的课程标签,对所述线上课程进行分词,得到课程词语集,将所述课程词语集中每个课程词语与所述课程标签进行向量拼接,得到拼接词语向量集;
设置所述拼接词语向量集中每个拼接词语向量的词语权重值,并计算所述拼接词语向量集中每个拼接词语向量的词语散列值,根据所述词语散列值和所述词语权重值,对所述拼接词语向量集中每个拼接词语向量进行加权操作,得到每个所述拼接词语向量的词语加权值;
将每个所述拼接词语向量的词语加权值进行累加操作,得到所述线上课程的课程加权值,根据所述课程加权值,采用相似哈希算法计算所述线上课程的课程散列值;
根据所述课程散列值,计算所述线上课程中任意两个课程的汉明距离,根据所述汉明距离,对所述线上课程进行相似度排序,得到所述线上课程的相似线上课程列表;
查询待推荐用户的历史浏览课程,将所述历史浏览课程与所述线上课程进行匹配,并从匹配成功的所述线上课程的相似线上课程列表中选取满足预设条件的相似线上课程,将选取的相似线上课程返回至所述待推荐用户。
具体地,所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备1的处理器所执行时,可以实现:
获取线上课程和其对应的课程标签,对所述线上课程进行分词,得到课程词语集,将所述课程词语集中每个课程词语与所述课程标签进行向量拼接,得到拼接词语向量集;
设置所述拼接词语向量集中每个拼接词语向量的词语权重值,并计算所述拼接词语向量集中每个拼接词语向量的词语散列值,根据所述词语散列值和所述词语权重值,对所述拼接词语向量集中每个拼接词语向量进行加权操作,得到每个所述拼接词语向量的词语加权值;
将每个所述拼接词语向量的词语加权值进行累加操作,得到所述线上课程的课程加权值,根据所述课程加权值,采用相似哈希算法计算所述线上课程的课程散列值;
根据所述课程散列值,计算所述线上课程中任意两个课程的汉明距离,根据所述汉明距离,对所述线上课程进行相似度排序,得到所述线上课程的相似线上课程列表;
查询待推荐用户的历史浏览课程,将所述历史浏览课程与所述线上课程进行匹配,并从匹配成功的所述线上课程的相似线上课程列表中选取满足预设条件的相似线上课程,将选取的相似线上课程返回至所述待推荐用户。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种线上课程智能推荐方法,其特征在于,所述方法包括:
获取线上课程和其对应的课程标签,对所述线上课程进行分词,得到课程词语集,将所述课程词语集中每个课程词语与所述课程标签进行向量拼接,得到拼接词语向量集;
设置所述拼接词语向量集中每个拼接词语向量的词语权重值,并计算所述拼接词语向量集中每个拼接词语向量的词语散列值,根据所述词语散列值和所述词语权重值,对所述拼接词语向量集中每个拼接词语向量进行加权操作,得到每个所述拼接词语向量的词语加权值;
将每个所述拼接词语向量的词语加权值进行累加操作,得到所述线上课程的课程加权值,根据所述课程加权值,采用相似哈希算法计算所述线上课程的课程散列值;
根据所述课程散列值,计算所述线上课程中任意两个课程的汉明距离,根据所述汉明距离,对所述线上课程进行相似度排序,得到所述线上课程的相似线上课程列表;
查询待推荐用户的历史浏览课程,将所述历史浏览课程与所述线上课程进行匹配,并从匹配成功的所述线上课程的相似线上课程列表中选取满足预设条件的相似线上课程,将选取的相似线上课程返回至所述待推荐用户。
2.如权利要求1所述的线上课程智能推荐方法,其特征在于,所述对所述线上课程进行分词,得到课程词语集,包括:
采用分词算法对所述线上课程进行词图扫描,得到所述线上课程的词语有向无环图;
采用动态规划算法计算所述词语有向无环图中的词语生成路径,得到词语生成概率;
根据所述词语生成概率,对所述词语有向无环图进行词语切分,得到课程词语集。
3.如权利要求1所述的线上课程智能推荐方法,其特征在于,所述将所述课程词语集中每个课程词语与所述课程标签进行向量拼接,得到拼接词语向量集,包括:
采用词向量转换算法将课程词语集中每个课程词语与所述课程标签转换成课程词语向量和课程标签向量;
利用向量拼接字符将每个所述课程词语向量和课程标签向量进行拼接,得到拼接词语向量集。
4.如权利要求1所述的线上课程智能推荐方法,其特征在于,所述根据所述词语散列值和所述词语权重值,对所述拼接词语向量集中每个拼接词语向量进行加权操作,得到每个所述拼接词语向量的词语加权值,包括:
根据所述词语散列值,标记每个所述拼接词语向量的负位数和正位数;
将所述词语权重值的相反数作为所述负位数的加权值,将所述词语权重值作为所述正位数的加权值;
汇总所述负位数的加权值和所述正位数的加权值,得到每个所述拼接词语向量的词语加权值。
5.如权利要求1所述的线上课程智能推荐方法,其特征在于,所述根据所述课程散列值,计算所述线上课程中任意两个线上课程的汉明距离,包括:
根据所述课程散列值,获取所述任意两个线上课程的散列值位数;
若所述散列值位数的个数相同,识别所述散列值位数中不同数值的数量,根据所述不同数值的数量,确定所述任意两个线上课程的汉明距离;
若所述散列值位数的个数不相同,则从个数长的散列值中裁剪出与个数较短的散列值相同的位数,并识别裁剪的散列值位数中不同数值的数量,根据所述不同数值的数量,确定所述任意两个线上课程的汉明距离。
6.如权利要求1至5中任意一项所述的线上课程智能推荐方法,其特征在于,所述将所述历史浏览课程与所述线上课程进行匹配,包括:
计算所述历史浏览课程与所述线上课程的名称匹配度;
若所述名称匹配度大于预设匹配度,则所述历史浏览课程与所述线上课程匹配成功;
若所述名称匹配度不大于预设匹配度,则所述历史浏览课程与所述线上课程匹配失败。
7.如权利要求6所述的线上课程智能推荐方法,其特征在于,所述计算所述历史浏览课程与所述线上课程的名称匹配度,包括:
利用下述公式计算所述历史浏览课程与所述线上课程的名称匹配度:
其中,T(x,y)表示名称匹配度,xi表示历史浏览课程中第i个课程的名称字符向量,yj表示线上课程中第j个课程的名称字符向量。
8.一种线上课程智能推荐装置,其特征在于,所述装置包括:
向量拼接模块,用于获取线上课程和其对应的课程标签,对所述线上课程进行分词,得到课程词语集,将所述课程词语集中每个课程词语与所述课程标签进行向量拼接,得到拼接词语向量集;
向量加权模块,用于设置所述拼接词语向量集中每个拼接词语向量的词语权重值,并计算所述拼接词语向量集中每个拼接词语向量的词语散列值,根据所述词语散列值和所述词语权重值,对所述拼接词语向量集中每个拼接词语向量进行加权操作,得到每个所述拼接词语向量的词语加权值;
散列值计算模块,用于将每个所述拼接词语向量的词语加权值进行累加操作,得到所述线上课程的课程加权值,根据所述课程加权值,采用相似哈希算法计算所述线上课程的课程散列值;
相似课程生成模块,用于根据所述课程散列值,计算所述线上课程中任意两个课程的汉明距离,根据所述汉明距离,对所述线上课程进行相似度排序,得到所述线上课程的相似线上课程列表;
线上课程推荐模块,用于查询待推荐用户的历史浏览课程,将所述历史浏览课程与所述线上课程进行匹配,并从匹配成功的所述线上课程的相似线上课程列表中选取满足预设条件的相似线上课程,将选取的相似线上课程返回至所述待推荐用户。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的线上课程智能推荐方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的线上课程智能推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110960713.2A CN113672722B (zh) | 2021-08-20 | 2021-08-20 | 线上课程智能推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110960713.2A CN113672722B (zh) | 2021-08-20 | 2021-08-20 | 线上课程智能推荐方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113672722A CN113672722A (zh) | 2021-11-19 |
CN113672722B true CN113672722B (zh) | 2023-08-22 |
Family
ID=78544521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110960713.2A Active CN113672722B (zh) | 2021-08-20 | 2021-08-20 | 线上课程智能推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113672722B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019204445A (ja) * | 2018-05-25 | 2019-11-28 | シャープ株式会社 | 情報処理装置、情報処理方法、およびプログラム |
CN111475716A (zh) * | 2020-03-26 | 2020-07-31 | 威比网络科技(上海)有限公司 | 在线课程推荐方法、***、设备及存储介质 |
CN113220734A (zh) * | 2021-05-13 | 2021-08-06 | 平安普惠企业管理有限公司 | 课程推荐方法、装置、计算机设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190130512A1 (en) * | 2017-10-27 | 2019-05-02 | Larry Kuhn | System and method for pre- and post-hiring leadership development |
-
2021
- 2021-08-20 CN CN202110960713.2A patent/CN113672722B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019204445A (ja) * | 2018-05-25 | 2019-11-28 | シャープ株式会社 | 情報処理装置、情報処理方法、およびプログラム |
CN111475716A (zh) * | 2020-03-26 | 2020-07-31 | 威比网络科技(上海)有限公司 | 在线课程推荐方法、***、设备及存储介质 |
CN113220734A (zh) * | 2021-05-13 | 2021-08-06 | 平安普惠企业管理有限公司 | 课程推荐方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113672722A (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113157927B (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
CN115002200B (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
CN112860848B (zh) | 信息检索方法、装置、设备及介质 | |
CN113592605B (zh) | 基于相似产品的产品推荐方法、装置、设备及存储介质 | |
CN113821622B (zh) | 基于人工智能的答案检索方法、装置、电子设备及介质 | |
CN113344125B (zh) | 长文本匹配识别方法、装置、电子设备及存储介质 | |
CN116450829A (zh) | 医疗文本分类方法、装置、设备及介质 | |
CN113505273B (zh) | 基于重复数据筛选的数据排序方法、装置、设备及介质 | |
CN113706249B (zh) | 数据推荐方法、装置、电子设备及存储介质 | |
CN113591881B (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
CN116628162A (zh) | 语义问答方法、装置、设备及存储介质 | |
CN116738044A (zh) | 基于个性化实现高校图书馆的图书推荐方法、装置及设备 | |
CN114548114B (zh) | 文本情绪识别方法、装置、设备及存储介质 | |
CN113672722B (zh) | 线上课程智能推荐方法、装置、电子设备及存储介质 | |
CN113268614B (zh) | 标签体系更新方法、装置、电子设备及可读存储介质 | |
CN115346095A (zh) | 视觉问答方法、装置、设备及存储介质 | |
CN115309865A (zh) | 基于双塔模型的交互式检索方法、装置、设备及存储介质 | |
CN114708073A (zh) | 一种围标串标智能检测方法、装置、电子设备及存储介质 | |
CN114722280A (zh) | 基于用户画像的课程推荐方法、装置、设备及存储介质 | |
CN114219367A (zh) | 用户评分方法、装置、设备及存储介质 | |
CN114385815A (zh) | 基于业务需求的新闻筛选方法、装置、设备及存储介质 | |
CN113723114A (zh) | 基于多意图识别的语义分析方法、装置、设备及存储介质 | |
CN113434660A (zh) | 基于多领域分类的产品推荐方法、装置、设备及存储介质 | |
CN113656703B (zh) | 基于新上线课程的智能推荐方法、装置、设备及存储介质 | |
CN114723488B (zh) | 课程推荐方法、装置、电子设备及存储介质 |
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 |