[发明专利]课程推荐方法、装置、电子设备及存储介质

权利要求书

1.一种课程推荐方法，其特征在于，包括：

获取当前导师的导师特征数据，并确定待推荐课程的课程特征数据；

根据所述导师在第一历史时间范围的学习行为信息，确定所述导师的第一衍生特征数据，具体包括：获取所述导师在第一历史时间范围的学习行为信息，从所述学习行为信息中提取知识点标签词，其中，所述知识点标签词用于表征所述学习行为信息涉及的知识点；将所述知识点标签词与所述课程进行匹配，并统计每个所述课程的知识点标签词的第一匹配数量；根据所述课程以及所述课程对应的第一匹配数量，确定所述导师的第一衍生特征数据；

根据所述导师在第一历史时间范围的知识交互信息，确定所述导师的第二衍生特征数据，具体包括：获取所述导师在第一历史时间范围的知识交互信息，分析所述知识交互信息的主题关键词；将所述主题关键词与所述课程进行匹配，并统计每个所述课程的主题关键词的第二匹配数量；根据所述课程以及所述课程对应的第二匹配数量，确定所述导师的第二衍生特征数据；

将所述导师特征数据、所述第一衍生特征数据以及所述第二衍生特征数据合并为导师综合特征数据；

将所述导师综合特征数据和所述课程特征数据输入至预先训练好的DeepFM模型中，输出所述当前导师对所述待推荐课程产生交互行为的满意度预测值；其中，所述DeepFM模型基于历史导师的导师特征数据、所述历史导师讲授的课程的课程特征数据以及所述课程的实际满意度值训练得到；

根据各所述待推荐课程对应的所述满意度预测值，对各所述待推荐课程进行排序，根据排序结果向所述当前导师进行课程推荐。

2.根据权利要求1所述的课程推荐方法，其特征在于，所述DeepFM模型包括FM模型、降噪自编码器、DNN模型以及顶层网络；

所述将所述导师特征数据和所述课程特征数据输入至预先训练好的DeepFM模型中，输出所述当前导师对所述待推荐课程产生交互行为的满意度预测值，包括：

将所述导师特征数据和所述课程特征数据输入至所述FM模型中，分别得到所述导师特征向量和所述课程特征向量；

利用所述降噪自编码器分别在所述导师特征向量和所述课程特征向量中加入噪声，得到损坏的导师特征向量和损坏的课程特征向量；

利用所述降噪自编码器分别对所述损坏的导师特征向量和所述损坏的课程特征向量进行编码，得到导师隐含层特征向量和课程隐含层特征向量；

利用所述FM模型，对所述导师特征向量和所述课程特征向量进行交叉特征组合，得到第一输出结果；

将所述导师隐含层特征向量和所述课程隐含层特征向量输入至所述DNN模型中，对所述导师隐含层特征向量和所述课程隐含层特征向量进行全连接操作，得到第二输出结果；

利用所述顶层网络，对所述第一输出结果和所述第二输出结果进行满意度预测，得到输出结果。

3.根据权利要求1所述的课程推荐方法，其特征在于，所述根据所述课程以及所述课程对应的第一匹配数量，确定所述导师的第一衍生特征数据，包括：

将每个所述课程的课程特征数据以及所述课程对应的第一匹配数量形成每个所述课程的课程特征更新数据；

将与所述学习行为信息匹配的各课程的课程特征更新数据组成第一衍生特征集合，输入至预先训练好的第一深度神经网络DNN模型中，得到第一衍生隐层状态特征，其中，所述第一深度神经网络DNN模型基于导师的历史第一衍生特征集合以及导师与第一衍生特征集合中的课程的实际交互倾向训练得到；

根据所述第一衍生隐层状态特征确定所述第一衍生特征数据。

4.根据权利要求1所述的课程推荐方法，其特征在于，所述根据所述课程以及所述课程对应的第二匹配数量，确定所述导师的第二衍生特征数据，包括：

将每个所述课程的课程特征数据以及所述课程对应的第二匹配数量形成每个所述课程的课程特征更新数据；

将与所述知识交互信息匹配的各课程的课程特征更新数据组成第二衍生特征集合，输入至预先训练好的第二深度神经网络DNN模型中，得到第二衍生隐层状态特征，其中，所述第二深度神经网络DNN模型基于导师的历史第二衍生特征集合以及导师与第二衍生特征集合中的课程的实际兴趣倾向训练得到；

根据所述第二衍生隐层状态特征确定所述第二衍生特征数据。