[发明专利]在线课程推荐方法、系统、设备及存储介质

说明书

本发明提供了一种在线课程推荐方法、系统、设备及存储介质，所述方法包括：向账户管理系统请求获取用户的身份关联信息，并向课程管理系统请求获取用户的历史课程数据，组合得到用户的特征向量；将用户的特征向量输入至训练好的新课接受度预测模型，得到预测的用户的新课接受度值；如果用户的新课接受度值大于第一阈值，则根据用户的历史浏览数据确定用户的感兴趣课程类别；根据用户的感兴趣类别在课程数据库中选择用户的推荐课程；响应于用户终端发送的课程推荐请求，将选择的推荐课程推送至用户终端。通过采用本发明的方案，实现了对不同用户的个性化课程推荐，提高了课程推荐和选择效率。

技术领域

本发明涉及在线教育技术领域，尤其涉及一种在线课程推荐方法、系统、设备及存储介质。

背景技术

随着在线教育技术的快速发展，越来越多的人选择在线上参加各种课程学习相关知识。首先，用户需要在线上进行订课，订课时，用户结合自己的需要和空闲时间选择需要的课程，然后课程管理平台会根据用户的课程选择进行排课。在用户订课时，需要在海量的课程中筛选适合自己的课程。现有技术中的课程推荐方法，一般是简单抓取用户的历史课程数据，根据用户参加过的课程推荐类似的课程给用户，然而，对于不同用户来说，其需求可能是多种多样的，这种推荐方法过于简单，如果采用统一的推荐规则，难以实现针对用户的个性化推荐方法。此外，如果只根据用户参加过的课程进行课程推荐，也不利用用户选择更多样化的课程类别，不利于新开课程的推广。长期使用下来，会降低用户的使用体验，也因为用户难以在推荐课程中选择到自己需要的课程，转而自行到海量数据中进行课程检索而大大降低了课程的选择效率。

发明内容

针对现有技术中的问题，本发明的目的在于提供一种在线课程推荐方法、系统、设备及存储介质，实现对不同用户的个性化课程推荐，提高课程推荐和选择效率。

本发明实施例提供一种在线课程推荐方法，所述方法包括如下步骤：

向账户管理系统请求获取用户的身份关联信息，并向课程管理系统请求获取用户的历史课程数据，组合得到用户的特征向量，所述历史课程数据包括历史浏览数据和历史参与课程数据；

将所述用户的特征向量输入至训练好的新课接受度预测模型，得到预测的用户的新课接受度值；

如果所述用户的新课接受度值大于第一阈值，则根据用户的历史浏览数据确定用户的感兴趣课程类别；

根据用户的感兴趣类别在课程数据库中选择用户的推荐课程；

响应于用户终端发送的课程推荐请求，将选择的推荐课程推送至所述用户终端。

可选地，所述新课接受度预测模型为基于机器学习构建的新课接受度预测模型，所述方法还包括采用如下步骤训练所述新课接受度预测模型：

向账户管理系统请求查询注册时长大于第二阈值且历史参与课程的数量大于第三阈值的用户，作为样本用户；

向账户管理系统请求获取所述样本用户的身份关联信息，并向课程管理系统请求获取历史课程数据，分别组合得到每个样本用户的特征向量；

对每个样本用户的特征向量进行新课接受度值标记后，加入训练样本；

采用所述训练样本迭代训练所述新课接受度预测模型。

可选地，所述对每个样本用户的特征向量进行新课接受度值标记，包括如下步骤：

向所述样本用户的用户终端发送电子调查问卷，所述电子调查问卷包括接受新课程意愿的程度等级选项；

从所述用户终端的反馈中提取所述样本用户的接受新课程意愿的程度等级，根据接受新课程意愿的程度等级与新课接受度值的对应关系，确定所述样本用户的新课接受度值，对所述样本用户进行标记。