[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，所述方法包括：

获取待推荐用户的工作数据；

根据所述工作数据利用预先训练完成的能力评估模型对所述待推荐用户进行能力评价，得到预设能力维度集中每种能力维度对应的能力指数；

获取课程集合，其中，所述课程集合中的每个课程都有对应的课程标签；

计算所述能力维度与所述课程标签的关联度，得到初始推荐指数；

根据所述初始推荐指数及所述能力指数进行加权计算，得到每个所述课程对应的推荐指数；

利用所述推荐指数及预设的推荐阈值对所述课程集合中的所有课程进行筛选，并将筛选的课程推送至所述待推荐用户的预设终端设备。

2.如权利要求1所述的课程推荐方法，其特征在于，所述根据所述工作数据利用预先训练完成的能力评估模型对所述待推荐用户进行能力评价，得到预设能力维度集中每种能力维度对应的能力指数，包括：

将所述工作数据转化为向量形式，得到工作特征向量；

将所述工作特征向量输入所述能力评估模型，利用所述能力评估模型中的预设激活函数进行计算，得到每种所述能力维度对应的能力指数。

3.如权利要求1所述的课程推荐方法，其特征在于，所述根据所述工作数据利用预先训练完成的能力评估模型对所述待推荐用户进行能力评价之前，所述方法还包括：

获取预设历史工作数据集合，其中，所述历史工作数据集中每个历史工作数据都有每个所述能力维度对应的能力标签值；

将每个所述历史工作数据转化为向量形式，得到历史工作向量；

将每个所述历史工作数据对应的所述能力标签值对该历史工作数据对应的所述历史工作向量；

利用所有标记的所述历史工作向量对预构建的深度学习模型进行迭代训练，得到所述能力评估模型。

4.如权利要求1所述的课程推荐方法，其特征在于，所述计算所述能力维度与所述课程标签的关联度，得到初始推荐指数，包括：

将所述课程标签转换为向量，得到课程向量；

将所述能力维度转换为向量，得到能力维度向量；

计算所述课程向量与所述能力维度向量的相似度，得到所述初始推荐指数。

5.如权利要求4所述的课程推荐方法，其特征在于，所述将所述课程标签转换为向量，得到课程向量，包括：

将所述课程标签的每个字符转化为向量，得到字符向量；

将所述字符向量中的所有元素的中位数确定该字符向量的字符向量特征值；

将所有所述字符向量特征值按照所属的字符向量对应的字符在所述课程标签中的先后顺序进行连接，得到所述课程向量。

6.如权利要求1所述的课程推荐方法，其特征在于，所述根据所述初始推荐指数及所述能力指数进行加权计算，得到每个所述课程对应的推荐指数，包括：

将所述能力维度对应的能力指数与该能力维度对应的每个所述初始推荐指数进行计算，得到每个所述初始推荐指数的权重指数；

将所述课程对应的所有所述权重指数进行计算，得到所述推荐指数。

7.如权利要求1至6中任意一项所述的课程推荐方法，其特征在于，所述利用所述推荐指数及预设的推荐阈值对所述课程集合中的所有课程进行筛选，并将筛选的课程推送至所述待推荐用户的预设终端设备，所述方法还包括：

将大于所述推荐阈值的推荐指数确定为目标推荐指数；

将所有所述目标推荐指数按照数值从大到小的顺序进行排列，得到目标推荐指数序列；

将所述目标推荐指数序列中预设排名之前的所有目标推荐指数对应的课程推荐值所述终端设备。