基于循环神经网络的课程推荐方法、装置及设备与流程

1.本技术涉及人工智能技术领域，尤其涉及到一种基于循环神经网络的课程推荐方法、装置及设备。


背景技术：

2.课程推荐作为行业内的一块热门业务，如何进行精确的课程推荐投放一直是一个热门且值得关注的研究问题。精准的课程推荐不仅能够极大地提升人工服务效率，提升用户粘性，还能促进课程点击成交。
3.在以往的课程推荐中，用户行为数据大都被收集处理成单个样本特征，而往往忽略掉用户行为的前后序列信息。随着时间的推移，对象在较早期的行为信息往往会被新的信息覆盖，在模型中往往会被忽视掉，体现出“时间遗忘”的特点。进而导致无法分析出对象偏好随着时间的先后变化趋势，且分析维度单一，导致课程推荐不够精准，不符合对象的实际课程需求。例如，用户首先购买过初阶课程a，再购买了中阶课程b，以往的方法仅仅会将这些数据收集处理成两条无关样本。事实上，很容易根据这两条具有先后序列属性的样本推断出用户大概率会购买高阶课程c。


技术实现要素：

4.有鉴于此，本技术提供了一种基于循环神经网络的课程推荐方法、装置及设备，可解决目前在生成课程推荐时，无法分析出对象偏好随着时间的先后变化趋势，且分析维度单一，导致课程推荐不够精准，不符合对象实际课程需求的技术问题。
5.根据本技术的一个方面，提供了一种基于循环神经网络的课程推荐方法，该方法包括：
6.获取目标对象的第一历史课程数据和对象属性数据；
7.基于所述对象属性数据筛选与所述目标对象匹配的关联对象，并获取所述关联对象的第二历史课程数据；
8.对所述第一历史课程数据和所述第二历史课程数据分别进行特征转换处理，得到所述目标对象的第一序列特征和所述关联对象的第二序列特征；
9.将所述第一序列特征和/或所述第二序列特征输入已训练完成的循环神经网络模型，获取所述目标对象在未来预设时间段内的课程预测结果，其中，所述课程预测结果包括预测课程以及所述预测课程对应的预测分值；
10.根据所述课程预测结果为所述目标对象生成课程推荐信息。
11.根据本技术的另一个方面，提供了一种基于循环神经网络的课程推荐装置，该装置包括：
12.获取模块，用于获取目标对象的第一历史课程数据和对象属性数据；
13.筛选模块，用于基于所述对象属性数据筛选与所述目标对象匹配的关联对象，并获取所述关联对象的第二历史课程数据；
14.处理模块，用于对所述第一历史课程数据和所述第二历史课程数据分别进行特征转换处理，得到所述目标对象的第一序列特征和所述关联对象的第二序列特征；
15.输入模块，用于将所述第一序列特征和/或所述第二序列特征输入已训练完成的循环神经网络模型，获取所述目标对象在未来预设时间段内的课程预测结果，其中，所述课程预测结果包括预测课程以及所述预测课程对应的预测分值；
16.生成模块，用于根据所述课程预测结果为所述目标对象生成课程推荐信息。
17.根据本技术的又一个方面，提供了一种非易失性可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述基于循环神经网络的课程推荐方法。
18.根据本技术的再一个方面，提供了一种计算机设备，包括非易失性可读存储介质、处理器及存储在非易失性可读存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于循环神经网络的课程推荐方法。
19.借由上述技术方案，本技术提供的一种基于循环神经网络的课程推荐方法、装置及设备，与目前课程推荐方式相比，本技术可首先获取目标对象的第一历史课程数据和对象属性数据，进而基于对象属性数据筛选与目标对象匹配的关联对象，并获取关联对象的第二历史课程数据；之后对第一历史课程数据和第二历史课程数据分别进行特征转换处理，得到目标对象的第一序列特征和关联对象的第二序列特征；进一步将第一序列特征和/或第二序列特征输入已训练完成的循环神经网络模型，获取目标对象在未来预设时间段内的课程预测结果，其中，课程预测结果包括预测课程以及预测课程对应的预测分值；最后根据课程预测结果为目标对象生成课程推荐信息。在本技术中，可应用于循环神经网络算法实现对目标对象在未来预设时间段的课程预测，充分利用序列属性信息，考虑目标对象偏好随着时间的先后变化趋势，进而更为精确地为目标对象推荐现阶段最为契合的课程产品，可提高课程推荐的精准度，使课程推荐结果更能符合目标对象的实际需求。此外，还可通过对关联对象的挖掘，结合多个维度数据实现对目标对象课程的个性化推荐，可帮助目标对象获知同属性人群的课程订阅情况，进一步满足用户的个性化需求，并且能提高推荐命中率。
20.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
21.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本地申请的不当限定。在附图中：
22.图1示出了本技术实施例提供的一种基于循环神经网络的课程推荐方法的流程示意图；
23.图2示出了本技术实施例提供的另一种基于循环神经网络的课程推荐方法的流程示意图；
24.图3示出了本技术实施例提供的一种基于循环神经网络的课程推荐装置的结构示意图；
25.图4示出了本技术实施例提供的另一种基于循环神经网络的课程推荐装置的结构
示意图。
具体实施方式
26.本技术实施例可以基于人工智能技术实现对课程的智能化推荐。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
27.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
28.下文将参考附图并结合实施例来详细说明本技术。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互结合。
29.针对目前在生成课程推荐时，无法分析出对象偏好随着时间的先后变化趋势，且分析维度单一，导致课程推荐不够精准，不符合对象实际课程需求的技术问题，本实施例提供了一种基于循环神经网络的课程推荐方法，如图1所示，该方法包括：
30.101、获取目标对象的第一历史课程数据和对象属性数据。
31.其中，目标对象为待进行课程推荐的任意潜在客户，第一历史课程数据为目标对象在预设历史时间段内所产生的课程数据，包括第一课程行为数据和第一课程订阅数据，第一课程行为数据可包括课程学习数据(如学习次数、学习频率、学习进度、学习时长、学习完整度等)，课程观看行为数据(如观看状态数据、观看中断/快进行为数据、观看互动行为数据、观看分享行为数据等)等，第一课程订阅数据可包括课程订阅时间、订阅课程编号、订阅课程类型、订阅课程数量、订阅课程费用、订阅课程时长等。预设历史时间段可根据实际应用场景进行设定，如历史一年、历时一个月等；对象属性数据为能够反映目标对象对应人群属性特征的个人身份数据，如可包括用户性别、年龄、学校/职位、城市、区域编号等。
32.对于本技术的执行主体可为基于循环神经网络的课程推荐装置，可配置在客户端侧或服务端侧，能够基于目标对象的对象属性数据筛选出与目标对象匹配的关联对象，进而根据目标对象和/或关联对象在预设历史时间段内的历史课程数据，实现对目标对象在未来预设时间段内的课程预测结果，并根据课程预测结果为目标对象生成课程推荐信息。
33.102、基于对象属性数据筛选与目标对象匹配的关联对象，并获取关联对象的第二历史课程数据。
34.其中，关联对象为对目标对象的课程选取有参考价值，或有影响力的相关用户，如可包括目标对象的家人、同学、同事、朋友、匹配到的相同属性人群(如同年龄段、同专业、同城市、同学区、同学校)等。与第一历史课程数据对应，第二历史课程数据为关联对象在预设历史时间段内所产生的课程数据，同样可包括第二课程行为数据和第二课程订阅数据。第二课程行为数据可包括课程学习数据(如学习次数、学习频率、学习进度、学习时长、学习完整度等)，课程观看行为数据(如观看状态数据、观看中断/快进行为数据、观看互动行为数据、观看分享行为数据等)等，第一课程订阅数据可包括课程订阅时间、订阅课程编号、订阅课程类型、订阅课程数量、订阅课程费用、订阅课程时长等。预设历史时间段可根据实际应
用场景进行设定，如历史一年、历时一个月等。
35.对于本实施例，在基于对象属性数据筛选与目标对象匹配的关联对象时，可选用任何一种可实现的筛选方式，在本技术的下述实施例步骤中，提供两种进行关联对象筛选的可选实施方式，但并不构成对本技术中技术方案的限定。其中，一种可选方式：可根据对象属性数据，在预设知识图谱网络中提取目标对象与多个可能存在实体关系的待分析对象实体的图拓扑结构，进而将图拓扑结构输入至训练完成的预设关联模型，根据预设关联模型的输出结果确定与目标对象存在强关联的关联对象；另一种可选方式：可根据对象属性数据或还可结合目标对象的第一历史课程数据生成目标对象的用户画像，进而将目标对象的用户画像分别与各个预设属性人群对应的人群画像进行特征对比，确定出目标对象所属的目标属性人群，之后再将目标对象的用户画像分别与目标属性人群中各个待分析对象实体对应的人群画像进行二次特征对比，进一步确定出与目标对象存在强关联的关联对象。
36.需要说明的是，经过上述实施例步骤确定出的关联对象可包括一个或多个，当确定出多个关联对象时，可分别提取每个关联对象的历史课程数据，进一步的，可将每个关联对象的历史课程数据均作为独立的第二历史课程数据，对于每个关联对象可分别与目标对象执行下述实施例步骤103至105；为了避免重复计算的计算量过大，可将多个关联对象的历史课程数据进行数据融合，将融合后的历史课程数据确定为本实施例步骤中的第二历史课程数据，对于多个关联对象整体与目标对象执行下述实施例步骤103至105。
37.103、对第一历史课程数据和第二历史课程数据分别进行特征转换处理，得到目标对象的第一序列特征和关联对象的第二序列特征。
38.其中，第一序列特征包括第一行为序列特征和第一标签序列特征，第二序列特征包括第二行为序列特征和第二标签序列特征。
39.对于本实施例，对于第一历史课程数据和第二历史课程数据，可分别按照时间先后顺序对课程行为数据进行排序，得到目标对象的第一课程行为序列，和关联对象的第二课程行为序列，进而可对第一课程行为序列和第二课程行为序列分别进行数据分布归一化和数据序列长度归一化处理，以得到第一行为序列特征和第二行为序列特征；此外，还可对第一课程订阅数据和第二课程订阅数据分别进行标签化处理，以得到第一标签序列特征和第二标签序列特征。
40.其中，数据分布归一化处理是指对课程行为序列数据采取数据z-score标准化，来处理数据缺失、数据分布不均等问题；对于数据序列长度归一化处理，由于数据收集时不可能保证所有用户的课程行为数据具有完全相同的数据维度，因此对于不同长度的课程行为序列，可将其统一规范化为统一序列长度：如果课程行为序列的序列长度大于中位数长度，则进行截断处理，剩余部分构成新的课程行为序列；如果课程行为序列的序列长度等于中位数，则不作处理；如果课程行为序列的序列长度小于中位数长度，则将该课程行为序列中不满足中位数序列长度的部分用“0”代替。标签化处理是指根据课程订阅数据确定已订阅或未订阅的课程产品，并根据课程产品的成交状态更新预设标签序列中的元素值，得到标签序列特征。其中，在预设标签序列中各个元素对应一个预设课程产品，在标签化处理时，可将对象购买过的课程产品对应的元素值更新为“1”，反之更新为“0”，进一步得到目标对象的第一标签序列特征，和关联对象的第二标签序列特征。
41.104、将第一序列特征和/或第二序列特征输入已训练完成的循环神经网络模型，
获取目标对象在未来预设时间段内的课程预测结果，其中，课程预测结果包括预测课程以及预测课程对应的预测分值。
42.其中，循环神经网络模型依据循环神经网络(recurrent neural networks，rnn)算法构建的模型。区别于以往的深度神经网络方法只能对每条样本进行训练，rnn循环神经网络能够对序列数据进行建模，“记住”用户不同时间下的用户行为，每一层的输出数据都会作为下一层的输入数据进行训练，形式化表达如下：
43.对于任一时刻t，定义隐藏层可以由x
t-1
和得到：
[0044][0045]
其中，u和w分别为不同的神经网络参数，用于实时更新样本变化和状态变化，b为偏执项。因此，可以定义总的目标损失函数为：
[0046][0047]
上式中，v为隐藏层到最终输出层的网络参数，c为偏置项，y
t
为t时刻对应的标记信息，计算所有时刻下总的交叉熵损失，即为最终的该样本序列的损失。最小化上式的loss，即可得到最终对每个课程的预测分值，预测分值为0到1之间的分值，越接近于1表示推荐价值越高，反之则越低。
[0048]
在具体的应用场景中，在执行本实施例步骤之前，需要预先基于大量的样本时序数据训练循环神经网络模型，以使循环神经网络模型的预测小于预设阈值。具体的，可利用预处理得到的样本数据对循环神经网络模型进行训练，即可将得到的课程序列特征作为输入特征，将已知的课程订阅结果作为输出特征，对循环神经网络模型进行训练；当判定循环神经网络模型的损失函数值小于设定阈值时，结束训练，得到训练完成的循环神经网络模型。
[0049]
105、根据课程预测结果为目标对象生成课程推荐信息。
[0050]
通过本实施例中基于循环神经网络的课程推荐方法，可首先获取目标对象的第一历史课程数据和对象属性数据，进而基于对象属性数据筛选与目标对象匹配的关联对象，并获取关联对象的第二历史课程数据；之后对第一历史课程数据和第二历史课程数据分别进行特征转换处理，得到目标对象的第一序列特征和关联对象的第二序列特征；进一步将第一序列特征和/或第二序列特征输入已训练完成的循环神经网络模型，获取目标对象在未来预设时间段内的课程预测结果，其中，课程预测结果包括预测课程以及预测课程对应的预测分值；最后根据课程预测结果为目标对象生成课程推荐信息。在本技术中，可应用于循环神经网络算法实现对目标对象在未来预设时间段的课程预测，充分利用序列属性信息，考虑目标对象偏好随着时间的先后变化趋势，进而更为精确地为目标对象推荐现阶段最为契合的课程产品，可提高课程推荐的精准度，使课程推荐结果更能符合目标对象的实际需求。此外，还可通过对关联对象的挖掘，结合多个维度数据实现对目标对象课程的个性化推荐，可帮助目标对象获知同属性人群的课程订阅情况，进一步满足用户的个性化需求，并且能提高推荐命中率。
[0051]
进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例
中的具体实施过程，提供了另一种基于循环神经网络的课程推荐方法，如图2所示，该方法包括：
[0052]
201、获取目标对象的第一历史课程数据和对象属性数据。
[0053]
202a、基于对象属性数据，利用预设知识图谱网络和训练完成的预设关联模型筛选与目标对象匹配的关联对象，并获取关联对象的第二历史课程数据。
[0054]
在具体的应用场景中，预设知识图谱网络可为图卷积神经网络模型。相应的，对于本实施例，实施例步骤202a具体可以包括：基于对象属性数据，在预设知识图谱网络中提取目标对象的图拓扑结构，图拓扑结构中包含一个主节点、至少一个子节点，以及主节点与子节点之间的节点关系，主节点为目标对象，子节点为与目标对象存在实体关系的待分析对象实体；将图拓扑结构输入训练完成的图卷积神经网络模型中，获取目标对象与任一待分析对象实体的预估关联权重；在待分析对象实体中提取与目标对象的预估关联权重大于预设权重阈值的关联对象。需要说明的是，为了避免提取出的关联对象过多，从而导致计算量过大。对于本实施例，对于存在大量待分析对象实体(如成百上千个)对应预估关联权重大于预设权重阈值的情况，还可设定关联对象的预设筛选数量(如5个)，进一步的，可在与目标对象的预估关联权重大于预设权重阈值的待分析对象实体中，按照预估关联权重由大到小的顺序提取出预设筛选数量个关联对象，并利用预设筛选数量个关联对象执行后续步骤。对此，作为一种可选方式，可将每个关联对象的历史课程数据均作为独立的第二历史课程数据，对于每个关联对象可分别与目标对象执行下述实施例步骤203至205；作为另一种可选方式，为了避免重复计算的计算量过大，还可将预设筛选数量个关联对象的历史课程数据进行数据融合，将融合后的历史课程数据确定为本实施例步骤中的第二历史课程数据，对于多个关联对象整体与目标对象执行下述实施例步骤203至205。
[0055]
其中，图拓扑结构是运用拓展星型网络结构将多类型、多层次的数据串联在一起的表现形式，在图拓扑结构中每个节点代表一个实体及相关特征、属性、指标，每条边代表节点间关联关系。在本技术中，图拓扑网络中可包含一个主节点、至少一个子节点，以及主节点与子节点之间的节点关系，主节点为目标对象，子节点为与目标对象存在实体关系的待分析对象实体。
[0056]
在具体的应用场景中，在执行本实施例步骤之前，需要预先获取包含目标对象的预设知识图谱网络，以便基于预设知识图谱网络确定目标对象的图拓扑网络。可首先判断是否存在包含目标对象这一对象实体的现有知识图谱网络，若存在，则可直接将现有的知识图谱网络作为本技术中的预设知识图谱网络；若不存在，则可利用预设的知识图谱构建工具进行预设知识图谱网络的构建。在进行预设知识图谱网络的构建时，具体可在各数据库中收集社交数据、家庭成员数据、同属性人群数据、课程人群数据等指定数据，其中，该指定数据中应至少有目标对象的对象属性数据。进而可利用预设的知识图谱在指定数据中抽取对象实体以及对象实体之间实体关系，依据对象实体以及实体关系形成的三元组，生成包含不同潜在对象实体的预设知识图谱网络，该预设知识图谱网络可用于对任一目标对象对应关联对象的抽取。相应的，实施例步骤具体可以包括：采用预设的知识图谱构建工具从预先收集的指定数据中识别出对象实体以及对象实体之间的实体关系，其中，指定数据中记载了目标对象的对象属性数据，对象实体包括目标对象；根据对象实体以及实体关系形成三元组，并依据三元组生成预设知识图谱网络。其中，预设的知识图谱构建工具可包括
citespace、ucinet、gephi、bibexcel等，在本实施例中，对此不进行具体的限定。
[0057]
鉴于预设知识图谱网络在包含与目标对象存在关联的待分析对象实体之外，还大量包含有与目标对象不相关的实体对象，故为了保证后续关联对象筛选的准确性，并提高筛选效率。对于本实施例，可在确定出预设知识图谱网络后，进一步在预设知识图谱网络中提取以目标对象为主节点的图拓扑结构，以便基于图拓扑网络在待分析对象中快速提取出与目标对象关联性较高的关联对象。其中，图拓扑结构中的子节点对应为与目标对象存在实体关系的待分析对象，图拓扑结构的边为目标对象与待分析对象的实体关系。
[0058]
相应的，在将图拓扑结构输入训练完成的图卷积神经网络模型中，获取目标对象与任一待分析对象实体的预估关联权重之前，需要预先对图卷积神经网络模型进行预训练。一般情况下，若有充足的数据和标签，可以通过有监督学习的方式对图卷积神经网络进行预训练。但是在现实生活中，常常有大量的数据而仅仅有少量的标签，而标注数据需要耗费大量的精力，若直接丢掉这些未标注的数据也很可惜，因此可采用半监督训练方式对卷积神经网络模型进行训练。具体可为这些未标注数据“填充标签”，这些标签和学习任务的最终结果有差异，通过利用未标注数据、与预设关联权重预估任务不同的“填充标签”数据、与预设关联权重预估任务相同的标签数据，迭代半监督训练图卷积算法模型，以此获取到关联权重预估能力较强的图卷积神经网络模型。进行对图卷积神经网络模型的预训练时，若判断对应的损失函数小于预设阈值，则确定图卷积神经网络模型训练完成。
[0059]
进一步的，可将目标对象对应的图拓扑结构输入训练完成的图卷积神经网络模型中，利用图卷积神经网络模型输出目标对象与各个待分析对象实体的预估关联权重，在待分析对象实体中提取与目标对象的预估关联权重大于预设权重阈值的关联对象，并获取关联对象的第二历史课程数据，以利用第一历史课程数据和第二历史课程数据从多个维度实现对目标对象的课程推荐。
[0060]
与实施例步骤202a对应的实施例步骤202b、利用对象属性数据生成目标对象的用户画像，根据用户画像确定与目标对象对应量化特征相似度大于预设特征阈值的关联对象，并获取所述关联对象的第二历史课程数据。
[0061]
在具体的应用场景中，作为一种优选方式，还可根据对象属性数据或还可结合目标对象的第一历史课程数据生成目标对象的用户画像，进而将目标对象的用户画像分别与各个预设属性人群对应的人群画像进行特征对比，确定出目标对象所属的目标属性人群，鉴于目标属性人群中包含与目标对象存在关联的待分析对象实体之外，还大量包含有与目标对象不相关的实体对象，故可进一步将目标对象的用户画像分别与目标属性人群中各个待分析对象实体对应的人群画像进行二次特征对比，进一步确定出与目标对象存在强关联的关联对象。
[0062]
相应的，实施例步骤202b具体可以包括：提取用户画像中的第一特征标签，以及各个预设属性人群对应人群画像的第二特征标签；计算第一特征标签和第二特征标签的第一量化特征相似度，在预设属性人群中提取对应第一量化特征相似度大于第一预设特征阈值的目标属性人群；提取目标属性人群中各个待分析对象实体的第三特征标签，计算第一特征标签和第三特征标签的第二量化特征相似度，在待分析对象实体中提取对应第二量化特征相似度大于第二预设特征阈值的关联对象，其中，第二预设特征阈值大于或等于第一预设特征阈值。
[0063]
与实施例步骤202a同理，需要说明的是，为了避免提取出的关联对象过多，从而导致计算量过大。对于本实施例，对于存在大量待分析对象实体(如成百上千个)对应第二量化特征相似度大于第二预设特征阈值的情况，还可设定关联对象的预设筛选数量(如5个)，进一步的，可在与目标对象的第二量化特征相似度大于第二预设特征阈值的待分析对象实体中，按照第二量化特征相似度由大到小的顺序提取出预设筛选数量个关联对象，并利用预设筛选数量个关联对象执行后续步骤。对此，作为一种可选方式，可将每个关联对象的历史课程数据均作为独立的第二历史课程数据，对于每个关联对象可分别与目标对象执行下述实施例步骤203至205；作为另一种可选方式，为了避免重复计算的计算量过大，还可将预设筛选数量个关联对象的历史课程数据进行数据融合，将融合后的历史课程数据确定为本实施例步骤中的第二历史课程数据，对于多个关联对象整体与目标对象执行下述实施例步骤203至205。
[0064]
203、对第一历史课程数据和第二历史课程数据分别进行特征转换处理，得到目标对象的第一序列特征和关联对象的第二序列特征。
[0065]
其中，第一历史课程数据可包括第一课程行为数据和第一课程订阅数据，第二历史课程数据可包括第二课程行为数据和第二课程订阅数据；第一序列特征可包括第一行为序列特征和第一标签序列特征，第二序列特征可包括第二行为序列特征和第二标签序列特征。
[0066]
对于本实施例，在进行特征转换处理时，可分别按照时间先后顺序分别对第一课程行为数据和第二课程行为数据进行排序，得到目标对象的第一课程行为序列，和关联对象的第二课程行为序列，进而对第一课程行为序列和第二课程行为序列进行数据z-score标准化处理，以消除数据缺失、数据分布不均等问题；之后将标准化处理后的第一课程行为序列和第二课程行为序列统一规范化为统一序列长度，进一步得到目标对象的第一行为序列特征，和关联对象的第二行为序列特征。此外，还可对第一课程订阅数据和第二课程订阅数据分别进行标签化处理。具体可根据第一课程订阅数据确定目标对象已成交或未成交的课程产品，并根据课程产品的成交状态更新预设标签序列中的元素值，得到第一标签序列特征；同样的，可根据第二课程订阅数据确定关联对象已订阅或未订阅的课程产品，并根据课程产品的订阅状态更新预设标签序列中的元素值，得到第二标签序列特征。
[0067]
相应的，实施例步骤204具体可以包括：按照时间先后顺序在第一历史课程数据中提取目标对象的第一课程行为数据和第一课程订阅数据，以及在第二历史课程数据中提取关联对象的第二课程行为数据和第二课程订阅数据；对第一课程行为数据和第二课程行为数据分别进行数据标准化处理，得到预设长度的第一行为序列特征和第二行为序列特征，数据标准化处理包括数据分布归一化处理和序列长度归一化处理；对第一课程订阅数据和第二课程订阅数据分别进行标签化处理，得到第一标签序列特征和第二标签序列特征。
[0068]
204、将第一序列特征和/或第二序列特征输入已训练完成的循环神经网络模型，获取目标对象在未来预设时间段内的课程预测结果。
[0069]
其中，课程预测结果包括预测课程以及预测课程对应的预测分值。
[0070]
在具体的应用场景中，实施例步骤204具体可以包括：将第一序列特征输入已训练完成的循环神经网络模型，获取目标对象在未来预设时间段内的第一课程预测结果；和/或，将第二序列特征输入已训练完成的循环神经网络模型，获取目标对象在未来预设时间
段内的第二课程预测结果；和/或，将第一序列特征和第二序列特征进行特征融合后的第三序列特征输入已训练完成的循环神经网络模型，获取目标对象在未来预设时间段内的第三课程预测结果。
[0071]
其中，在将第二序列特征输入已训练完成的循环神经网络模型，获取目标对象在未来预设时间段内的第二课程预测结果时，可分为两种情况：一、将第二序列特征输入已训练完成的循环神经网络模型，得到课程预测结果，直接将该课程预测结果确定为第二课程预测结果；二、将第二序列特征输入已训练完成的循环神经网络模型，得到课程预测结果，将该课程预测结果和对应的对象关联权重进行加权计算，得到第二课程预测结果。
[0072]
205、根据课程预测结果为目标对象生成课程推荐信息。
[0073]
对于本实施例，与实施例步骤204对应，在根据课程预测结果为目标对象生成课程推荐信息时，实施例步骤205具体可以包括：根据第一课程预测结果、第二课程预测结果、第三课程预测结果中的至少一种，为目标对象生成课程推荐信息。需要说明的是，为了保证课程推荐的精准度并扩大推荐维度，在本实施例步骤中，可优选综合第一序列特征和/或第二序列特征特征经过上述三种可选方式确定出的第一课程预测结果、第二课程预测结果、第三课程预测结果，根据综合得到的课程预测结果为目标对象生成课程推荐信息；或优选利用第一序列特征和第二序列特征得融合序列特征确定出的第三课程预测结果为目标对象生成课程推荐信息。在具体的应用场景中，在根据课程预测结果生成课程信息推荐时，可依据课程预测结果提取出对应预测分值大于预设阈值的课程推荐产品，或按照预测分值由大到小的顺序，筛选出预设数量个课程推荐产品，进而生成包含课程推荐产品以及对应推荐分值的推荐列表，将推荐列表发送至目标对象，以供用户基于推荐列表进行课程产品的快速选取。
[0074]
借由上述基于循环神经网络的课程推荐方法，可首先获取目标对象的第一历史课程数据和对象属性数据，进而基于对象属性数据筛选与目标对象匹配的关联对象，并获取关联对象的第二历史课程数据；之后对第一历史课程数据和第二历史课程数据分别进行特征转换处理，得到目标对象的第一序列特征和关联对象的第二序列特征；进一步将第一序列特征和/或第二序列特征输入已训练完成的循环神经网络模型，获取目标对象在未来预设时间段内的课程预测结果，其中，课程预测结果包括预测课程以及预测课程对应的预测分值；最后根据课程预测结果为目标对象生成课程推荐信息。在本技术中，可应用于循环神经网络算法实现对目标对象在未来预设时间段的课程预测，充分利用序列属性信息，考虑目标对象偏好随着时间的先后变化趋势，进而更为精确地为目标对象推荐现阶段最为契合的课程产品，可提高课程推荐的精准度，使课程推荐结果更能符合目标对象的实际需求。此外，还可通过对关联对象的挖掘，结合多个维度数据实现对目标对象课程的个性化推荐，帮助目标对象获知同属性人群的课程订阅情况，进一步满足用户的个性化需求，同时为目标对象提供课程参考，进一步提高推荐命中率。
[0075]
进一步的，作为图1和图2所示方法的具体实现，本技术实施例提供了一种基于循环神经网络的课程推荐装置，如图3所示，该装置包括：获取模块31、筛选模块32、处理模块33、输入模块34、生成模块35；
[0076]
获取模块31，可用于获取目标对象的第一历史课程数据和对象属性数据；
[0077]
筛选模块32，可用于基于对象属性数据筛选与目标对象匹配的关联对象，并获取
关联对象的第二历史课程数据；
[0078]
处理模块33，可用于对第一历史课程数据和第二历史课程数据分别进行特征转换处理，得到目标对象的第一序列特征和关联对象的第二序列特征；
[0079]
输入模块34，可用于将第一序列特征和/或第二序列特征输入已训练完成的循环神经网络模型，获取目标对象在未来预设时间段内的课程预测结果，其中，课程预测结果包括预测课程以及预测课程对应的预测分值；
[0080]
生成模块35，可用于根据课程预测结果为目标对象生成课程推荐信息。
[0081]
在具体的应用场景中，在基于对象属性数据筛选与目标对象匹配的关联对象时，如图4所示，筛选模块32，具体可包括：第一筛选单元321、第二筛选单元322；
[0082]
第一筛选单元321，可用于基于对象属性数据，利用预设知识图谱网络和训练完成的预设关联模型筛选与目标对象匹配的关联对象；或，
[0083]
第二筛选单元322，可用于利用对象属性数据生成目标对象的用户画像，根据用户画像确定与目标对象对应量化特征相似度大于预设特征阈值的关联对象。
[0084]
在具体的应用场景中，预设关联模型为图卷积神经网络模型，第一筛选单元321，具体可用于基于对象属性数据，在预设知识图谱网络中提取目标对象的图拓扑结构，图拓扑结构中包含一个主节点、至少一个子节点，以及主节点与子节点之间的节点关系，主节点为目标对象，子节点为与目标对象存在实体关系的待分析对象实体；将图拓扑结构输入训练完成的图卷积神经网络模型中，获取目标对象与任一待分析对象实体的预估关联权重；在待分析对象实体中提取与目标对象的预估关联权重大于预设权重阈值的关联对象。
[0085]
在具体的应用场景中，第二筛选单元322，具体可用于提取用户画像中的第一特征标签，以及各个预设属性人群对应人群画像的第二特征标签；计算第一特征标签和第二特征标签的第一量化特征相似度，在预设属性人群中提取对应第一量化特征相似度大于第一预设特征阈值的目标属性人群；提取目标属性人群中各个待分析对象实体的第三特征标签，计算第一特征标签和第三特征标签的第二量化特征相似度，在待分析对象实体中提取对应第二量化特征相似度大于第二预设特征阈值的关联对象，其中，第二预设特征阈值大于或等于第一预设特征阈值。
[0086]
在具体的应用场景中，第一序列特征包括第一行为序列特征和第一标签序列特征，第二序列特征包括第二行为序列特征和第二标签序列特征；在对第一历史课程数据和第二历史课程数据分别进行特征转换处理，得到目标对象的第一序列特征和关联对象的第二序列特征时，如图4所示，处理模块33，具体可包括：提取单元331、第一处理单元332、第二处理单元333；
[0087]
提取单元331，可用于按照时间先后顺序在第一历史课程数据中提取目标对象的第一课程行为数据和第一课程订阅数据，以及在第二历史项目数据中提取关联对象的第二课程行为数据和第二课程订阅数据；
[0088]
第一处理单元332，可用于对第一课程行为数据和第二课程行为数据分别进行数据标准化处理，得到预设长度的第一行为序列特征和第二行为序列特征，数据标准化处理包括数据分布归一化处理和序列长度归一化处理；
[0089]
第二处理单元333，可用于对第一课程订阅数据和第二课程订阅数据分别进行标签化处理，得到第一标签序列特征和第二标签序列特征。
[0090]
在具体的应用场景中，在将第一序列特征和/或第二序列特征输入已训练完成的循环神经网络模型，获取目标对象在未来预设时间段内的课程预测结果时，如图4所示，输入模块34，具体可包括：
[0091]
第一输入单元341，可用于将第一序列特征输入已训练完成的循环神经网络模型，获取目标对象在未来预设时间段内的第一课程预测结果；和/或，
[0092]
第二输入单元342，可用于将第二序列特征输入已训练完成的循环神经网络模型，获取目标对象在未来预设时间段内的第二课程预测结果；和/或，
[0093]
第三输入单元343，可用于将第一序列特征和第二序列特征进行特征融合后的第三序列特征输入已训练完成的循环神经网络模型，获取目标对象在未来预设时间段内的第三课程预测结果。
[0094]
在具体的应用场景中，在根据课程预测结果为目标对象生成课程推荐信息时，生成模块35，具体可用于根据第一课程预测结果、第二课程预测结果、第三课程预测结果中的至少一种，为目标对象生成课程推荐信息。
[0095]
需要说明的是，本实施例提供的一种基于循环神经网络的课程推荐装置所涉及各功能单元的其他相应描述，可以参考图1至图2的对应描述，在此不再赘述。
[0096]
基于上述如图1至图2所示方法，相应的，本实施例还提供了一种非易失性存储介质，其上存储有计算机可读指令，该可读指令被处理器执行时实现上述如图1至图2所示的基于循环神经网络的课程推荐方法。
[0097]
基于这样的理解，本技术的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施场景的方法。
[0098]
基于上述如图1至图2所示的方法和图3、图4所示的虚拟装置实施例，为了实现上述目的，本实施例还提供了一种计算机设备，该计算机设备包括存储介质和处理器；非易失性存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述如图1至图2所示的基于循环神经网络的课程推荐方法。
[0099]
可选的，该计算机设备还可以包括用户接口、网络接口、摄像头、射频(radio frequency，rf)电路，传感器、音频电路、wi-fi模块等等。用户接口可以包括显示屏(display)、输入单元比如键盘(keyboard)等，可选用户接口还可以包括usb接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如wi-fi接口)等。
[0100]
本领域技术人员可以理解，本实施例提供的一种计算机设备结构并不构成对该实体设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0101]
非易失性存储介质中还可以包括操作系统、网络通信模块。操作系统是管理上述计算机设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现非易失性存储介质内部各组件之间的通信，以及与信息处理实体设备中其它硬件和软件之间通信。
[0102]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本技术可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现。
[0103]
通过应用本技术的技术方案，与目前现有技术相比，本技术可首先获取目标对象
的第一历史课程数据和对象属性数据，进而基于对象属性数据筛选与目标对象匹配的关联对象，并获取关联对象的第二历史课程数据；之后对第一历史课程数据和第二历史课程数据分别进行特征转换处理，得到目标对象的第一序列特征和关联对象的第二序列特征；进一步将第一序列特征和/或第二序列特征输入已训练完成的循环神经网络模型，获取目标对象在未来预设时间段内的课程预测结果，其中，课程预测结果包括预测课程以及预测课程对应的预测分值；最后根据课程预测结果为目标对象生成课程推荐信息。在本技术中，可应用于循环神经网络算法实现对目标对象在未来预设时间段的课程预测，充分利用序列属性信息，考虑目标对象偏好随着时间的先后变化趋势，进而更为精确地为目标对象推荐现阶段最为契合的课程产品，可提高课程推荐的精准度，使课程推荐结果更能符合目标对象的实际需求。此外，还可通过对关联对象的挖掘，结合多个维度数据实现对目标对象课程的个性化推荐，帮助目标对象获知同属性人群的课程订阅情况，进一步满足用户的个性化需求，同时为目标对象提供课程参考，进一步提高推荐命中率。
[0104]
本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本技术所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
[0105]
上述本技术序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本技术的几个具体实施场景，但是，本技术并非局限于此，任何本领域的技术人员能思之的变化都应落入本技术的保护范围。