CN116228361A - 基于特征匹配的课程推荐方法、装置、设备和存储介质 - Google Patents

基于特征匹配的课程推荐方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN116228361A
CN116228361A CN202310202883.3A CN202310202883A CN116228361A CN 116228361 A CN116228361 A CN 116228361A CN 202310202883 A CN202310202883 A CN 202310202883A CN 116228361 A CN116228361 A CN 116228361A
Authority
CN
China
Prior art keywords
course
student
matching
courses
pairs
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
Application number
CN202310202883.3A
Other languages
English (en)
Inventor
周英
黄宝忠
盖君芳
陈圆谜
齐炎
刘俊聪
黄程韦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202310202883.3A priority Critical patent/CN116228361A/zh
Publication of CN116228361A publication Critical patent/CN116228361A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q30/00Commerce
    • G06Q30/06Buying, selling or leasing transactions
    • G06Q30/0601Electronic shopping [e-shopping]
    • G06Q30/0631Item recommendations
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q30/00Commerce
    • G06Q30/02Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201Market modelling; Market analysis; Collecting market data
    • G06Q30/0203Market surveys; Market polls
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services
    • G06Q50/20Education
    • G06Q50/205Education administration or guidance

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本申请涉及人工智能领域,特别是涉及一种基于特征匹配的课程推荐方法、装置、计算机设备和存储介质,所述方法包括:以正相关的课程特征样本和学生特征样本的匹配对作为训练样本,以各所述匹配对之间的匹配度作为输出,训练课程推荐模型;将目标学生的学生特征以及备选课程的课程特征输入所述课程推荐模型,输出所述目标学生与各所述备选课程的匹配度;基于各所述匹配度,确定所述目标学生的推荐课程。本发明能够为学生智能推荐合适的课程。

Description

基于特征匹配的课程推荐方法、装置、设备和存储介质
技术领域
本申请涉及人工智能领域,特别是涉及一种基于特征匹配的课程推荐方法、装置、计算机设备和存储介质。
背景技术
随着互联网技术的进步,在当前的在线学***和知识水平的课程资源。
发明内容
基于此,有必要针对上述技术问题,提供一种基于特征匹配的课程推荐方法、装置、计算机设备和存储介质。
第一方面,本发明实施例提出一种基于特征匹配的课程推荐方法,所述方法包括:
以正相关的课程特征样本和学生特征样本的匹配对作为训练样本,以各所述匹配对之间的匹配度作为输出,训练课程推荐模型;
将目标学生的学生特征以及备选课程的课程特征输入所述课程推荐模型,输出所述目标学生与各所述备选课程的匹配度;
基于各所述匹配度,确定所述目标学生的推荐课程。
在一实施例中,所述课程推荐模型为:
p=RELU(WT·[f1(sid);f2(cid)]+b)
其中,cid表示备选课程的编号,sid表示目标学生的编号,RELU表示激活函数,W表示神经网络权重,b表示偏置项,f1()表示课程特征的表征学习网络,f2()表示学生特征的表征学习网络。
在一实施例中,所述以正相关的课程特征样本和学生特征样本的匹配对作为训练样本,以各所述匹配对之间的匹配度作为输出,训练课程推荐模型包括:
以正相关的课程特征样本和学生特征样本的匹配对作为训练样本,以各所述匹配对之间的匹配度作为输出,以代价函数输出的最小化作为目的,训练课程推荐模型;其中,所述代价函数为:
Figure BDA0004110127890000021
其中,N表示匹配对的数量,pi表示第i个匹配对输入课程推荐模型的输出结果;yi表示第i个匹配对的标注。
在一实施例中,在所述以正相关的课程特征样本和学生特征样本的匹配对作为训练样本,以各所述匹配对之间的匹配度作为输出,训练课程推荐模型之前,还包括:
随机生成课程和学生的配对,选择其中能力分值上升的学生集合;
若学生集合中的学生的浏览记录中,存在配对的课程;
则提取该课程的课程特征以及该学生的学生特征生成匹配对,将所述匹配对作为训练样本。
在一实施例中,所述课程特征包括各课程的关键词以及内容特征;所述学生特征包括课程序列以及各课程的习题的答题结果。
在一实施例中,所述能力分值基于对应学生所做的习题的得分以及该习题的难度所确定。
在一实施例中,所述基于各所述匹配度,确定所述目标学生的推荐课程包括:
将各所述匹配度从高到低排序,从高到低选择对应的预设个数的备选课程作为推荐课程。
第二方面,本发明实施例提出一种基于特征匹配的课程推荐装置,所述装置包括:
模型训练模块,用于以正相关的课程特征样本和学生特征样本的匹配对作为训练样本,以各所述匹配对之间的匹配度作为输出,训练课程推荐模型;
课程推荐模型,用于将目标学生的学生特征以及备选课程的课程特征输入所述课程推荐模型,输出所述目标学生与各所述备选课程的匹配度;
确定模块,用于基于各所述匹配度,确定所述目标学生的推荐课程。
第三方面,本发明实施例提出一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行第一方面所述的步骤。
第四方面,本发明实施例提出一种计算机可读存储介质,其上存储有计算机程序,所述处理器执行所述计算机程序时实现第一方面所述的步骤。
相比于现有技术,上述方法、装置、计算机设备和存储介质,以正相关的课程特征样本和学生特征样本的匹配对作为训练样本,以各所述匹配对之间的匹配度作为输出,训练课程推荐模型,将目标学生的学生特征以及备选课程的课程特征输入所述课程推荐模型,输出所述目标学生与各所述备选课程的匹配度,基于各所述匹配度,确定所述目标学生的推荐课程,从而能够为学生智能推荐合适的课程。
附图说明
图1为一实施例中终端的结构示意图;
图2为一实施例中基于特征匹配的课程推荐方法的流程示意图;
图3为一实施例中训练样本确定方法的流程示意图;
图4为一实施例中基于特征匹配的课程推荐装置的模块连接示意图;
图5为一实施例中计算机设备的结构示意图。
具体实施方式
为了更清楚地说明本发明的实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本发明的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本发明应用于其他类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
如本发明和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本发明对根据本发明的实施例的***中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在计算设备和/或处理器上。模块仅是说明性的,并且***和方法的不同方面可以使用不同模块。
应当理解的是,当单元或模块被描述为“连接”、“耦接”其它单元、模块或块时,其可以指直接连接或耦接,或者与其它单元、模块或块通信,或者可以存在中间的单元、模块或块,除非上下文明确指明其它方式。本文所使用的术语“和/或”可包括一个或多个相关列出项目的任意与所有组合。
本申请提供的基于特征匹配的课程推荐方法,可以应用于如图1所示的终端中。如图1所示,终端10可以包括一个或两个(图1中仅示出一个)处理器102和用于存储数据的存储器104,其中,处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置。上述终端10还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图2所示的结构仅为示意,其并不对上述终端的结构造成限制。例如,终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示出的不同配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如在本实施例中的基于特征匹配的课程推荐方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络包括终端的通信供应商提供的无线网络。在一个实例中,传输设备106包括一个网络适配器(NetworkInterfaceController,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输设备106可以为射频(RadioFrequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在一实施例中,如图2所示,提供了一种基于特征匹配的课程推荐方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
S202:以正相关的课程特征样本和学生特征样本的匹配对作为训练样本,以各所述匹配对之间的匹配度作为输出,训练课程推荐模型;
S204:将目标学生的学生特征以及备选课程的课程特征输入所述课程推荐模型,输出所述目标学生与各所述备选课程的匹配度;
S206:基于各所述匹配度,确定所述目标学生的推荐课程。
基于上述步骤S202-S206,以正相关的课程特征样本和学生特征样本的匹配对作为训练样本,以各所述匹配对之间的匹配度作为输出,训练课程推荐模型,将目标学生的学生特征以及备选课程的课程特征输入所述课程推荐模型,输出所述目标学生与各所述备选课程的匹配度,基于各所述匹配度,确定所述目标学生的推荐课程,从而能够为学生智能推荐合适的课程。
在步骤S202之前,如图3所示,还包括:
S302:随机生成课程和学生的配对,选择其中能力分值上升的学生集合;
S304:若学生集合中的学生的浏览记录中,存在配对的课程;
S306:则提取该课程的课程特征以及该学生的学生特征生成匹配对,将所述匹配对作为训练样本。
考虑到当负相关的样本数量远超过正相关的样本数量时,所训练得到的课程推荐模型的输出不准确,因此在本实施例中选择以正相关的课程特征样本和学生特征样本的匹配对作为训练样本,以提高课程推荐模型的输出更准确。
首先,建立课程与习题之间的对应关系,map(cid,tid),取值为0代表无关,取值为1代表关联。
然后,随机生成课程和学生的配对(cid,sid),选择其中能力分值上升的学生集合Sa={sid1,sid2,sid3...},其中,学生sid的浏览记录Cid={cid1,cid2,cid3...}中存在该配对课程cid的,标记为正确匹配,标记函数Label(cid,sid)=1,分数提升程度为匹配度的百分比,不存在该课程的为错误匹配。提取争取匹配的课程的课程特征以及对应学生的学生特征生成匹配对,将所述匹配对作为训练样本。
其中,所述课程特征包括各课程的关键词以及内容特征;所述学生特征包括课程序列以及各课程的习题的答题结果。
对于课程特征的提取采用以下方法:
第一步,获取课程的电子资源,通过分词工具、词频统计,提取每个课程的关键词列表,记为keyword_list={keyword1,keyword2,keyword3,...};
第二步,收集特定课程内容的语料库,通过预训练模型,构造文本到特征的转换模型,每个课程的摘要内容进行转换后的特征记为lecture_vector。
对于学生特征的提取采用以下方法:
第一步,历史课程的编号记为cid,学生的编号记为sid,学生访问的课程,构成序列{cid1,cid2,cid3...}
第二步,习题的编号记为tid,答题过程中的时间、得分,记为behavior_id=(tid,bt,bscore),为学生答题行为的一个特征矢量。
其中,所述能力分值基于对应学生所做的习题的得分以及该习题的难度所确定。
具体的,从学生的答题行为,获得其综合能力水平,对单个学生的近期所做过的习题得分、习题难度,进行计算,得到能力分值Score=difficulty(tn),其中,difficulty()是课程难度等级,tn代表第n个测试,学生通过完成对应的习题获得成绩分数s,map(cid,tid)=1代表当前测试对应习题,加权分数s大于阈值th,则通过当前测试,最近M个通过的测试中的最高难度的测试记为t_n,其对应难度代表该学生的能力分值。
其中的课程难度等级通过计算所有做过该习题的学生的正确率得分所确定。
步骤S204中,所述课程推荐模型为:
p=RELU(WT·[f1(sid);f2(cid)]+b)
其中,cid表示备选课程的编号,sid表示目标学生的编号,RELU表示激活函数,W表示神经网络权重,b表示偏置项,f1()表示课程特征的表征学习网络,f2()表示学生特征的表征学习网络。
以正相关的课程特征样本和学生特征样本的匹配对作为训练样本,以各所述匹配对之间的匹配度作为输出,以代价函数输出的最小化作为目的,训练课程推荐模型;其中,所述代价函数为:
Figure BDA0004110127890000081
其中,N表示匹配对的数量,pi表示第i个匹配对输入课程推荐模型的输出结果;yi表示第i个匹配对的标注。
在训练过程中,从学生的浏览和点击行为角度,记录学生的行为记录,通过注意力加权机制,将不同的特征lecture_vector合并为一个融合的lecture_vector=lecture_vector1*weight1+lecture_vector2*weight2+lecture_vector3*weight3+...,其中权重weight1,weight2,...的和sum(weight)=1。
训练课程推荐模型,通过深度神经网络优化器,如随机梯度下降法等,进行神经网络的训练。记神经网络的参数为θ,更新参数的公式为:
Figure BDA0004110127890000082
其中η是学习率,/>
Figure BDA0004110127890000083
是代价函数J(θ)的梯度,x(i)和y(i)为训练样本。
在步骤S206中,将各所述匹配度从高到低排序,从高到低选择对应的预设个数的备选课程作为推荐课程。
在一示例实施例中,以天为级别的更新课程之间的相关度:从所有浏览记录中,对课程cid1,cid2出现在同一个序列中的次数进行计数。对每一个课程cid1,记录其计数值前50的课程,记为cid1的备选后续课程。
对给定学生,假设其目前所学课程为cid1,则考察cid1的备选后续课程,通过课程推荐模型计算该学生和这些邻接节点的匹配度。按照匹配度从高到低排序,排序最高者的10个课程为对该学生的推荐课程。
应该理解的是,虽然上述流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一实施例中,如图4所示,本发明提供了一种基于特征匹配的课程推荐装置,所述装置包括:
模型训练模块402,用于以正相关的课程特征样本和学生特征样本的匹配对作为训练样本,以各所述匹配对之间的匹配度作为输出,训练课程推荐模型;
课程推荐模型404,用于将目标学生的学生特征以及备选课程的课程特征输入所述课程推荐模型,输出所述目标学生与各所述备选课程的匹配度;
确定模块406,用于基于各所述匹配度,确定所述目标学生的推荐课程。
在本实施例中,以正相关的课程特征样本和学生特征样本的匹配对作为训练样本,以各所述匹配对之间的匹配度作为输出,训练课程推荐模型,将目标学生的学生特征以及备选课程的课程特征输入所述课程推荐模型,输出所述目标学生与各所述备选课程的匹配度,基于各所述匹配度,确定所述目标学生的推荐课程,从而能够为学生智能推荐合适的课程。
在一实施例中,所述课程推荐模型为:
p=RELU(WT·[f1(sid);f2(cid)]+b)
其中,cid表示备选课程的编号,sid表示目标学生的编号,RELU表示激活函数,W表示神经网络权重,b表示偏置项,f1()表示课程特征的表征学习网络,f2()表示学生特征的表征学习网络。
在一实施例中,所述模型训练模块以正相关的课程特征样本和学生特征样本的匹配对作为训练样本,以各所述匹配对之间的匹配度作为输出,以代价函数输出的最小化作为目的,训练课程推荐模型;其中,所述代价函数为:
Figure BDA0004110127890000101
其中,N表示匹配对的数量,pi表示第i个匹配对输入课程推荐模型的输出结果;yi表示第i个匹配对的标注。
在一实施例中,还包括样本确定模块,用于:
随机生成课程和学生的配对,选择其中能力分值上升的学生集合;
若学生集合中的学生的浏览记录中,存在配对的课程;
则提取该课程的课程特征以及该学生的学生特征生成匹配对,将所述匹配对作为训练样本。
在一实施例中,所述课程特征包括各课程的关键词以及内容特征;所述学生特征包括课程序列以及各课程的习题的答题结果。
在一实施例中,所述能力分值基于对应学生所做的习题的得分以及该习题的难度所确定。
在一实施例中,所述确定模块具体用于:
将各所述匹配度从高到低排序,从高到低选择对应的预设个数的备选课程作为推荐课程。
关于基于特征匹配的课程推荐装置的具体限定可以参见上文中对于分析方法的限定,在此不再赘述。上述基于特征匹配的课程推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储动作检测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述任一项基于特征匹配的课程推荐方法实施例中的步骤。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任一项基于特征匹配的课程推荐方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于特征匹配的课程推荐方法,其特征在于,所述方法包括:
以正相关的课程特征样本和学生特征样本的匹配对作为训练样本,以各所述匹配对之间的匹配度作为输出,训练课程推荐模型;
将目标学生的学生特征以及备选课程的课程特征输入所述课程推荐模型,输出所述目标学生与各所述备选课程的匹配度;
基于各所述匹配度,确定所述目标学生的推荐课程。
2.根据权利要求1所述的方法,其特征在于,所述课程推荐模型为:
p=RELU(WT·[f1(sid);f2(cid)]+b)
其中,cid表示备选课程的编号,sid表示目标学生的编号,RELU表示激活函数,W表示神经网络权重,b表示偏置项,f1()表示课程特征的表征学习网络,f2()表示学生特征的表征学习网络。
3.根据权利要求2所述的方法,其特征在于,所述以正相关的课程特征样本和学生特征样本的匹配对作为训练样本,以各所述匹配对之间的匹配度作为输出,训练课程推荐模型包括:
以正相关的课程特征样本和学生特征样本的匹配对作为训练样本,以各所述匹配对之间的匹配度作为输出,以代价函数输出的最小化作为目的,训练课程推荐模型;其中,所述代价函数为:
Figure FDA0004110127880000011
其中,N表示匹配对的数量,pi表示第i个匹配对输入课程推荐模型的输出结果;yi表示第i个匹配对的标注。
4.根据权利要求1所述的方法,其特征在于,在所述以正相关的课程特征样本和学生特征样本的匹配对作为训练样本,以各所述匹配对之间的匹配度作为输出,训练课程推荐模型之前,还包括:
随机生成课程和学生的配对,选择其中能力分值上升的学生集合;
若学生集合中的学生的浏览记录中,存在配对的课程;
则提取该课程的课程特征以及该学生的学生特征生成匹配对,将所述匹配对作为训练样本。
5.根据权利要求4所述的方法,其特征在于,所述课程特征包括各课程的关键词以及内容特征;所述学生特征包括课程序列以及各课程的习题的答题结果。
6.根据权利要求4所述的方法,其特征在于,所述能力分值基于对应学生所做的习题的得分以及该习题的难度所确定。
7.根据权利要求6所述的方法,其特征在于,所述基于各所述匹配度,确定所述目标学生的推荐课程包括:
将各所述匹配度从高到低排序,从高到低选择对应的预设个数的备选课程作为推荐课程。
8.一种基于特征匹配的课程推荐装置,其特征在于,所述装置包括:
模型训练模块,用于以正相关的课程特征样本和学生特征样本的匹配对作为训练样本,以各所述匹配对之间的匹配度作为输出,训练课程推荐模型;
课程推荐模型,用于将目标学生的学生特征以及备选课程的课程特征输入所述课程推荐模型,输出所述目标学生与各所述备选课程的匹配度;
确定模块,用于基于各所述匹配度,确定所述目标学生的推荐课程。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现权利要求1至权利要求7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现权利要求1至权利要求7中任一项所述的方法的步骤。
CN202310202883.3A 2023-02-28 2023-02-28 基于特征匹配的课程推荐方法、装置、设备和存储介质 Pending CN116228361A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310202883.3A CN116228361A (zh) 2023-02-28 2023-02-28 基于特征匹配的课程推荐方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310202883.3A CN116228361A (zh) 2023-02-28 2023-02-28 基于特征匹配的课程推荐方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN116228361A true CN116228361A (zh) 2023-06-06

Family

ID=86587047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310202883.3A Pending CN116228361A (zh) 2023-02-28 2023-02-28 基于特征匹配的课程推荐方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN116228361A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116912867A (zh) * 2023-09-13 2023-10-20 之江实验室 结合自动标注和召回补全的教材结构提取方法和装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116912867A (zh) * 2023-09-13 2023-10-20 之江实验室 结合自动标注和召回补全的教材结构提取方法和装置
CN116912867B (zh) * 2023-09-13 2023-12-29 之江实验室 结合自动标注和召回补全的教材结构提取方法和装置

Similar Documents

Publication Publication Date Title
CN112632385B (zh) 课程推荐方法、装置、计算机设备及介质
CN109359215B (zh) 视频智能推送方法和***
CN110399541B (zh) 基于深度学习的题目推荐方法、装置及存储介质
CN110472060B (zh) 题目推送方法、装置、计算机设备和存储介质
US20190354887A1 (en) Knowledge graph based learning content generation
CN110473438B (zh) 一种基于定量化分析的单词辅助学习***及方法
CN111444344A (zh) 实体分类方法、装置、计算机设备和存储介质
CN112287037A (zh) 一种多实体混合知识图谱构建方法、装置及存储介质
CN110598869B (zh) 基于序列模型的分类方法、装置、电子设备
CN110659311B (zh) 题目推送方法、装置、电子设备及存储介质
CN115544241B (zh) 一种线上作业的智能推送方法及装置
CN116628339B (zh) 一种基于人工智能的教育资源推荐方法及***
CN111079018A (zh) 习题个性化推荐方法、装置、设备、计算机可读存储介质
CN114254127A (zh) 学生能力画像方法、学习资源推荐方法及装置
CN110414581A (zh) 图片检测方法和装置、存储介质及电子装置
CN111192170B (zh) 题目推送方法、装置、设备和计算机可读存储介质
CN115187772A (zh) 目标检测网络的训练及目标检测方法、装置及设备
CN116228361A (zh) 基于特征匹配的课程推荐方法、装置、设备和存储介质
CN116796802A (zh) 基于错题分析的学习推荐方法、装置、设备及存储介质
CN117726884B (zh) 对象类别识别模型的训练方法、对象类别识别方法及装置
CN113988044A (zh) 错题原因类别的判定方法
CN116719957B (zh) 基于画像挖掘的学习内容分发方法及***
CN113283488A (zh) 一种基于学习行为的认知诊断方法及***
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
CN113160009A (zh) 信息推送方法、相关装置、以及计算机介质

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