[发明专利]课程推荐方法、装置、电子设备及存储介质

说明书

本发明涉及智慧教育技术领域，尤其涉及一种课程推荐方法、装置、电子设备及存储介质。本发明的课程推荐方法，通过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；将导师特征数据和课程特征数据输入至预先训练好的DeepFM模型中，输出导师对待推荐课程产生交互行为的满意度预测值；根据各待推荐课程对应的所述满意度预测值，对各待推荐课程进行排序，根据排序结果向导师进行课程推荐。由于所采用的DeepFM模型是根据导师特征数据以及所述导师讲授的所有课程的课程特征数据训练得到的，充分利用了导师自身特征和课程自身特征，能够很好的预测导师授课的满意度，提高了课程推荐与导师之间的匹配度，使得推荐结果更加准确。

技术领域

本发明涉及智慧教育技术领域，尤其涉及一种课程推荐方法、装置、电子设备及存储介质。

背景技术

在培训场景中，授课导师发挥着重要的作用，也是参与整个教育培训最重要的角色之一。授课导师通过讲授课程体现价值，一方面需要其拥有较好的授课经验、授课技巧等；另一方面，所讲授课程是否与导师匹配，最大程度发挥导师特点和擅长优势，也是决定导师是否能讲好课，发挥课程效果的关键因素。由此可见，授课导师和课程的匹配是一个重要且有意义的问题。

现有技术中导师和课程的匹配方法主要基于策略，通过导师过往讲课经历，统计其讲课效果最好的若干门课程，进而获取其课程标签，再基于该课程标签找寻其它关联课程，将关联课程推荐给导师。现有技术中的上述方案没有考虑到导师自身特征以及课程之间的差异，导师与课程之间的匹配度不佳，课程推荐准确度不高。

发明内容

本发明的目的在于提供一种课程推荐方法、装置、电子设备及存储介质，以解决现有技术中导师与课程之间的匹配度不佳及课程推荐准确度不高的技术问题。

本发明的技术方案如下：提供一种课程推荐方法，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；

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；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。

优选地，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。

优选地，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之前，还包括：