本技术涉及课件推荐的领域,具体而言,涉及一种推荐课件的方法、装置、设备和可读存储介质。
背景技术:
1、目前,随着大数据和人工智能技术的飞速发展,在线培训越来越受到人们的欢迎,在推荐课件中用到的方法主要是根据全部用户历史搜索的记录为用户随机推荐课件。
2、上述推荐课件的方法有很大的局限性,在课件推荐的过程中由于每一用户的喜好不同,导致给不同的用户推荐课件时不是当前用户所想要的课件。
3、因此,如何准确的为不同用户推荐课件,是一个需要解决的技术问题。
技术实现思路
1、本技术实施例的目的在于提供一种推荐课件的方法,通过本技术的实施例的技术方案可以达到准确的为不同用户推荐课件的效果。
2、第一方面,本技术实施例提供了一种推荐课件的方法,包括,获取用户的基本信息和所述用户期望的课件属性,其中,课件属性包括适用人群类型、课件类型、难易程度和所属场景中的至少一个;将基本信息和课件属性输入课件推荐模型,得到一个或多个推荐课件,其中,课件推荐模型是通过已注册用户的已注册基本信息和历史练习课件对基础模型进行训练得到的。
3、本技术在上述实施例中,通过课件推荐模型识别用户的一些基本信息和选择的课件属性,可以根据不同的用户为对应的用户推荐能够满足用户需求的课件,可以达到准确的为不同用户推荐课件的效果。
4、在一些实施例中,将基本信息和课件属性输入课件推荐模型,得到一个或多个推荐课件,包括:
5、确定用户的用户类型,其中,用户类型包括新用户和旧用户;
6、根据用户的用户类型、基本信息和课件属性,通过课件推荐模型为用户推荐一个或多个课件,其中,基本信息包括所属部门、年龄、姓名和性别中的至少一个。
7、本技术在上述实施例中,通过课件推荐模型可以为不同类型的用户推荐一个或多个课件,并且根据不同用户基本信息和课件属性也可以达到准确的为不同用户推荐一个或多个课件的效果。
8、在一些实施例中,根据用户的用户类型、基本信息和课件属性,通过课件推荐模型为用户推荐一个或多个课件,包括:
9、当用户的用户类型为旧用户时,根据用户的历史练习课件通过课件推荐模型为用户推荐符合基本信息和课件属性的课件;
10、当用户的用户类型为新用户时,根据已注册用户的历史练习课件通过课件推荐模型为用户推荐符合符合基本信息和课件属性的课件。
11、本技术在上述实施例中,旧用户可以根据该用户历史的练习课件为该用户准确的推荐符合基本信息和课件属性的课件,新用户可以根据已注册用户的历史练习课件为该用户准确的推荐符合基本信息和课件属性的课件。
12、在一些实施例中,当用户的用户类型为旧用户时,根据用户的历史练习课件通过课件推荐模型为用户推荐符合基本信息和课件属性的课件,包括:
13、通过课件推荐模型将系统中全部课件转化成向量,得到多个课件向量;
14、通过课件推荐模型将用户的历史练习课件中符合基本信息和课件属性并且满意度得分最高的满意课件转化成向量,得到满意课件向量;
15、通过课件推荐模型计算满意课件向量和多个课件向量的余弦相似度,得到多个相似度值;
16、通过课件推荐模型将多个相似度值中数值最大的一个或多个相似度值对应的系统中的课件推荐给用户。
17、本技术在上述实施例中,通过向量间余弦相似度的计算可以计算出系统课件中与用户满意的历史练习课件相同或者相似的课件,进而为用户准确的推荐符合基本信息和课件属性的系统课件。
18、在一些实施例中,当用户的用户类型为新用户时,根据已注册用户的历史练习课件通过课件推荐模型为用户推荐符合符合基本信息和课件属性的课件,包括:
19、通过课件推荐模型将系统中全部课件转化成向量,得到多个课件向量;
20、通过课件推荐模型将已注册用户的历史练习课件中符合基本信息和课件属性并且满意度得分最高的多个满意课件转化成向量,得到多个满意课件向量;
21、通过课件推荐模型计算多个满意课件向量中的每一课件向量和多个课件向量中的每一课件向量的余弦相似度,得到多个相似度值;
22、通过课件推荐模型将多个相似度值中数值最大的一个或多个相似度值对应的系统中的课件推荐给用户。
23、本技术在上述实施例中,通过向量间余弦相似度的计算可以计算出系统课件中与已注册用户满意的历史练习课件相同或者相似的课件,进而为用户准确的推荐符合基本信息和课件属性的系统课件。
24、在一些实施例中,在获取用户的基本信息和用户期望的课件属性之前,还包括:
25、将已注册用户的已注册基本信息历史练习课件转化成向量,得到多个课件向量和多个基本信息向量;
26、将多个课件向量和多个基本信息向量嵌入矩阵,得到特征矩阵;
27、降低特征矩阵的维度,得到降维矩阵;
28、通过降维矩阵对基础模型进行训练,得到课件推荐模型。
29、本技术在上述实施例中,通过已注册用户的已注册基本信息历史练习课件对基础模型的训练,可以让课件推荐模型能够根据不同用户的基本信息和输入的课件属性,准确的为不同用户推荐一个或多个课件。
30、在一些实施例中,在将基本信息和课件属性输入课件推荐模型,得到一个或多个推荐课件之前,还包括:
31、通过自动标注模型将已注册用户的初始历史练习课件进行已注册基本信息和课件属性的标注,得到历史练习课件,其中,自动标注模型是通过已注册用户的初始历史练习课件中的部分初始历史课件对基础模型进行训练得到的,部分初始历史课件远小于已注册用户的初始历史练习课件。
32、本技术在上述实施例中,通过自动标注模型标注得到的历史练习课件,可以用来对基础模型进行训练,得到为不同用户推荐一个或多个课件的课件推荐模型,进而可以通过课件推荐模型准确的为不同用户推荐一个或多个课件。
33、第二方面,本技术实施例提供了一种推荐课件的装置,包括:
34、获取模块,用于获取用户的基本信息和用户期望的课件属性,其中,课件属性包括适用人群类型、课件类型、难易程度和所属场景中的至少一个;
35、推荐模块,用于将基本信息和课件属性输入课件推荐模型,得到一个或多个推荐课件,其中,课件推荐模型是通过已注册用户的已注册基本信息和历史练习课件对基础模型进行训练得到的。
36、可选的,推荐模块具体用于:
37、确定用户的用户类型,其中,用户类型包括新用户和旧用户;
38、根据用户的用户类型、基本信息和课件属性,通过课件推荐模型为用户推荐一个或多个课件,其中,基本信息包括所属部门、年龄、姓名和性别中的至少一个。
39、可选的,推荐模块具体用于:
40、当用户的用户类型为旧用户时,根据用户的历史练习课件通过课件推荐模型为用户推荐符合基本信息和课件属性的课件;
41、当用户的用户类型为新用户时,根据已注册用户的历史练习课件通过课件推荐模型为用户推荐符合符合基本信息和课件属性的课件。
42、可选的,推荐模块具体用于:
43、当用户的用户类型为旧用户时,通过课件推荐模型将系统中全部课件转化成向量,得到多个课件向量;
44、通过课件推荐模型将用户的历史练习课件中符合基本信息和课件属性并且满意度得分最高的满意课件转化成向量,得到满意课件向量;
45、通过课件推荐模型计算满意课件向量和多个课件向量的余弦相似度,得到多个相似度值;
46、通过课件推荐模型将多个相似度值中数值最大的一个或多个相似度值对应的系统中的课件推荐给用户。
47、可选的,推荐模块具体用于:
48、当用户的用户类型为新用户时,通过课件推荐模型将系统中全部课件转化成向量,得到多个课件向量;
49、通过课件推荐模型将已注册用户的历史练习课件中符合基本信息和课件属性并且满意度得分最高的多个满意课件转化成向量,得到多个满意课件向量;
50、通过课件推荐模型计算多个满意课件向量中的每一课件向量和多个课件向量中的每一课件向量的余弦相似度,得到多个相似度值;
51、通过课件推荐模型将多个相似度值中数值最大的一个或多个相似度值对应的系统中的课件推荐给用户。
52、可选的,所述装置还包括:
53、训练模块,用于所述获取模块在获取用户的基本信息和用户期望的课件属性之前,将已注册用户的已注册基本信息历史练习课件转化成向量,得到多个课件向量和多个基本信息向量;
54、将多个课件向量和多个基本信息向量嵌入矩阵,得到特征矩阵;
55、降低特征矩阵的维度,得到降维矩阵;
56、通过降维矩阵对基础模型进行训练,得到课件推荐模型。
57、可选的,所述装置还包括:
58、自动标注模块,用于所述推荐模块在将基本信息和课件属性输入课件推荐模型,得到一个或多个推荐课件之前,通过自动标注模型将已注册用户的初始历史练习课件进行已注册基本信息和课件属性的标注,得到历史练习课件,其中,自动标注模型是通过已注册用户的初始历史练习课件中的部分初始历史课件对基础模型进行训练得到的,部分初始历史课件远小于已注册用户的初始历史练习课件。
59、第三方面,本技术实施例提供一种电子设备,包括处理器以及存储器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如上述第一方面提供的所述方法中的步骤。
60、第四方面,本技术实施例提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。
61、本技术的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本技术实施例了解。本技术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。