[發明專利]課程推薦方法、裝置、計算機設備及介質

有效

• 申請號: 202011590904.6
• 申請日: 2020-12-29
• 公開（公告）號: CN112632385B
• 公開（公告）日: 2023-09-22
• 發明（設計）人: 黃良仁
• 申請（專利權）人: 中國平安人壽保險股份有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/35;G06F18/23213;G06F18/214;G06F18/243;G06F18/27;G06Q50/20
• 代理公司: 深圳市世聯合知識產權代理有限公司 44385
• 代理人: 汪琳琳

1.一種課程推薦方法，其特征在于，包括：

獲取待推薦用戶的基礎數據；

對所述基礎數據進行數據預處理和聚合，根據得到的聚合結果，對所述待推薦用戶進行畫像處理，得到用戶畫像；

根據所述用戶畫像進行特征提取，得到目標向量；

將所述目標向量輸入至預先訓練的課程推薦模型中，并采用所述預先訓練的課程推薦模型進行數據處理，得到待推薦課程類別；

從所述待推薦課程類別中，選取至少一個課程推薦信息，作為目標推薦課程，并將所述目標推薦課程推薦給所述待推薦用戶；

所述對所述基礎數據進行數據預處理和聚合，根據得到的聚合結果，對所述待推薦用戶進行畫像處理，得到用戶畫像包括：

對所述基礎數據進行數據預處理，得到標準數據；對所述標準數據進行分詞處理，并對分詞處理結果進行聚類，得到所述待推薦用戶的關聯類別；根據所述關聯類別，生成目標標簽和所述目標標簽的重要性排序，得到所述用戶畫像；

所述根據所述用戶畫像進行特征提取，得到目標向量包括：

基于預設語料庫，構建所述用戶畫像中每個標簽對應的基礎詞向量；針對每個所述基礎詞向量，計算該基礎詞向量與其他基礎詞向量之間的空間距離，并從所述空間距離中選取最小值作為該基礎詞向量的最小空間距離；將所述最小空間距離中小于或等于預設空間距離閾值的基礎詞向量，作為標簽向量；基于K-Means聚合算法對所述標簽向量進行分類，得到目標向量；

所述預先訓練的課程推薦模型為梯度提升決策樹模型，所述采用所述預先訓練的課程推薦模型進行數據處理，得到待推薦課程類別包括：

將所述目標向量的每個維度作為一個訓練特征；將所述訓練特征輸入到梯度提升決策樹模型中，通過梯度提升決策樹模型對所述訓練特征進行訓練，得到n棵決策樹，其中，n為正整數；將所每棵所述決策樹的路徑包含的訓練特征作為自變量，基于二分類邏輯回歸模型，進行課程類別的預測，得到每個課程類別對應的預測分值；將預測分值超過預設閾值的課程類別，作為所述待推薦課程類別。

2.如權利要求1所述的課程推薦方法，其特征在于，在所述將所述目標向量輸入至預先訓練的課程推薦模型中，并采用所述預先訓練的課程推薦模型進行數據處理，得到待推薦課程類別之前，所述課程推薦方法還包括：

獲取每個樣本用戶的用戶畫像；

提取每個所述用戶畫像的特征向量；

獲取每個所述樣本用戶的歷史行為數據集合；

確定每個所述樣本用戶的歷史行為數據集合中的歷史行為數據所指示的關聯類別；

針對每個所述樣本用戶，將所述樣本用戶的用戶畫像的特征向量作為輸入，將所述樣本用戶的歷史行為數據集合中的歷史行為數據所指示的關聯類別作為輸出，訓練得到所述預先訓練的課程推薦模型。

3.如權利要求1至2任一項所述的課程推薦方法，其特征在于，在所述從所述待推薦課程類別中，選取至少一個課程推薦信息，作為目標推薦課程，并將所述目標推薦課程推薦給所述待推薦用戶之后，所述課程推薦方法還包括：

接收所述待推薦用戶針對所述目標推薦課程的學習評估數據；

基于所述學習評估數據，對所述待推薦用戶進行二次畫像，得到更新畫像；

基于所述更新畫像，對所述目標推薦課程進行更新。

4.一種課程推薦裝置，所述課程推薦裝置運行時實現如權利要求1至3任一項所述的課程推薦方法，其特征在于，所述課程推薦裝置包括：

采集模塊，用于獲取待推薦用戶的基礎數據；

畫像模塊，用于對所述基礎數據進行數據預處理和聚合，根據得到的聚合結果，對所述待推薦用戶進行畫像處理，得到用戶畫像；

提取模塊，用于根據所述用戶畫像進行特征提取，得到目標向量；

訓練模塊，用于將所述目標向量輸入至預先訓練的課程推薦模型中，并采用所述預先訓練的課程推薦模型進行數據處理，得到待推薦課程類別；

推薦模塊，用于從所述待推薦課程類別中，選取至少一個課程推薦信息，作為目標推薦課程，并將所述目標推薦課程推薦給所述待推薦用戶。