[發明專利]在線學習推薦方法及在線學習系統

在審

• 申請號: 202011187823.1
• 申請日: 2020-03-20
• 公開（公告）號: CN112287227A
• 公開（公告）日: 2021-01-29
• 發明（設計）人: 張明
• 申請（專利權）人: 張明
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06K9/62;G06Q50/20
• 代理公司: 暫無信息
• 代理人: 暫無信息

本申請實施例提供一種在線學習推薦方法及在線學習系統，可以在當學員用戶的學習行為數據與各個在線學習推薦模型之間的未存在達到預設適配度閾值時，結合每個在線學習推薦模型相對于學員用戶的推薦級別匹配學員用戶對應的多個模型匹配屬性以及每個模型匹配屬性中加載的模型屬性節點，由此將每個模型匹配屬性對應的風格屬性權重參數關聯到每個模型匹配屬性中加載的模型屬性節點對應的第二目標在線學習推薦模型中，通過每個第二目標在線學習推薦模型根據風格屬性權重參數對學員用戶進行信息推薦，從而可以實時提高推薦精度，避免了在線學習推薦模型的參數配置過程無法在短時間內進行有效更新持續導致的信息推薦體驗較差的情況。

技術領域

本申請涉及大數據分析與信息推薦技術領域，具體而言，涉及一種在線學習推薦方法及在線學習系統。

背景技術

隨著互聯網技術的快速發展，通過在網上建立在線學習平臺，可以使得眾多學員用戶通過互聯網進行廣泛地學習。在傳統方案中，為了提高學員用戶的學習體驗，在線學習平臺通常會收集學員用戶在學習過程中產生的學習行為，并通過對學習行為進行大數據分析后與多個在線學習推薦模型進行匹配以為該學員用戶關聯對應的在線學習推薦模型進行后續的在線學習推薦。

經本申請發明人研究發現，對于在線學習平臺而言，搭建的在線學習推薦模型通常有限，在實際模型匹配過程中通常是優選匹配度最佳的在線學習推薦模型關聯到對應的學員用戶上。然而，就會導致當匹配度較低（低于一定匹配度閾值）時，即便采用匹配度最佳的在線學習推薦模型，也難以達到較為準確的推薦精度，而在線學習推薦模型的參數配置過程也無法在短時間內進行有效更新，從而持續導致信息推薦體驗較差。

發明內容

有鑒于此，本申請的目的在于提供一種在線學習推薦方法及在線學習系統，可以實時提高推薦精度，避免在線學習推薦模型的參數配置過程無法在短時間內進行有效更新持續導致的信息推薦體驗較差的情況。

第一方面，本申請提供一種在線學習推薦方法，應用于服務器，所述服務器與多個在線學習終端通信連接，所述方法包括：

從每個所述在線學習終端中獲取學員用戶對應的學習行為數據，并提取與所述學習行為數據對應的學習行為風格數據，所述學習行為數據為所述服務器根據所述學員用戶對應的在線學習終端的在線學習模式信息，以及所述在線學習終端與所述服務器之間的在線學習交互方式得到的；

獲取每個學員用戶的在線學習推薦模型的學習風格權重參數以及每個在線學習推薦模型在對應的學習風格權重參數下的推薦策略所對應的推薦權重，并根據所述學習行為風格數據中的風格數據對應的風格權重以及每個在線學習推薦模型的學習風格權重參數及其在對應的學習風格權重參數下的推薦策略中所對應的推薦權重，計算所述學習行為數據與每個在線學習推薦模型之間的適配度；

在確定出的所有適配度中存在達到預設適配度閾值的目標適配度時，將所述學員用戶關聯到所述目標適配度對應的第一目標在線學習推薦模型中以使所述第一目標在線學習推薦模型對所述學員用戶進行信息推薦得到第一在線學習推薦結果；

在確定出的所有適配度中未存在達到所述預設適配度閾值的目標適配度時，確定出每個在線學習推薦模型相對于所述學員用戶的推薦級別并根據所述推薦級別的大小順序，通過每個對應的在線學習推薦模型對所述學員用戶的所述學習行為數據進行數據特征識別得到所述學員用戶對應的多個模型匹配屬性以及每個模型匹配屬性中對應的與每個在線學習推薦模型的推薦級別對應的模型屬性節點，根據每個模型匹配屬性從所述學員用戶對應的學習行為風格數據中確定出每個模型匹配屬性對應的風格屬性權重參數，將每個模型匹配屬性對應的風格屬性權重參數關聯到每個模型匹配屬性中加載的模型屬性節點對應的第二目標在線學習推薦模型中，通過每個所述第二目標在線學習推薦模型根據所述風格屬性權重參數對所述學員用戶進行信息推薦得到第二在線學習推薦結果。