基于人工智能的课程数据推荐方法、装置、设备及介质与流程

1.本发明涉及人工智能的智能决策技术领域，尤其涉及一种基于人工智能的课程数据推荐方法、装置、计算机设备及存储介质。


背景技术：

2.目前，线上培训在各个领域得到了广泛的应用，一般用户在进行线上培训时，是用户根据线上培训提供的视频目录自主选择待学习视频或者是系统基于用户画像中的用户标签集合进行待学习视频的推荐。
3.但是线上培训系统基于用户标签进行待学习视频的推荐时，用户标签的形成主要基于用户填写的基本用户信息(如姓名、性别、年龄、学历、工作种类、工作职级等信息)，用户在其他系统中产生的行为数据(如其他领域培训数据，业务行为数据等)未参与形成线上培训系统中用户的用户画像，由于基于原始的用户画像中用户标签组成用户标签集合标签维度较少，导致上述用户标签集合作为线上培训系统进行培训课程推荐的参考标签而得到课程推荐结果随机性很强且不准确。


技术实现要素：

4.本发明实施例提供了一种基于人工智能的课程数据推荐方法、装置、计算机设备及存储介质，旨在解决现有技术中线上培训系统基于用户标签进行待学习视频的推荐时，基于用户填写的基本用户信息原始得到用户画像中用户标签维度较少，导致其这些用户标签作为线上培训系统进行培训课程推荐的参考标签而得到课程推荐结果随机性很强且不准确的问题。
5.第一方面，本发明实施例提供了一种基于人工智能的课程数据推荐方法，其包括：
6.若确定当前系统时间与本轮参数采集起始时间之间的时间间隔等于预设的参数获取周期，获取待预测对象在本轮参数采集时间周期的观测参数集；
7.获取预测模型，将与所述观测参数集相应的待预测输入向量输入至所述预测模型进行运算，得到当前对象输出结果；
8.获取分类模型，将所述当前对象输出结果输入至所述分类模型进行运算，得到当前对象分类结果；以及
9.获取与所述当前对象分类结果相应的目标课程推荐数据集，将所述目标课程推荐数据集发送至与所述待预测对象相应的接收端。
10.第二方面，本发明实施例提供了一种基于人工智能的课程数据推荐装置，其包括：
11.观测数据集获取单元，用于若确定当前系统时间与本轮参数采集起始时间之间的时间间隔等于预设的参数获取周期，获取待预测对象在本轮参数采集时间周期的观测参数集；
12.输出结果获取单元，用于将与所述观测参数集相应的待预测输入向量输入至所述预测模型进行运算，得到当前对象输出结果；
13.分类结果获取单元，用于获取分类模型，将所述当前对象输出结果输入至所述分类模型进行运算，得到当前对象分类结果；以及
14.推荐数据集获取单元，用于获取与所述当前对象分类结果相应的目标课程推荐数据集，将所述目标课程推荐数据集发送至与所述待预测对象相应的接收端。
15.第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的基于人工智能的课程数据推荐方法。
16.第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于人工智能的课程数据推荐方法。
17.本发明实施例提供了一种基于人工智能的课程数据推荐方法、装置、计算机设备及存储介质，先是获取待预测对象在本轮参数采集时间周期的观测参数集，然后获取预测模型以将与观测参数集相应的待预测输入向量输入至预测模型进行运算得到当前对象输出结果，之后再获取分类模型以将当前对象输出结果输入至分类模型进行运算得到当前对象分类结果，最后获取与当前对象分类结果相应的目标课程推荐数据集以将目标课程推荐数据集发送至与待预测对象相应的接收端。实现了基于用户多维度行为数据形成观测参数集后输入至预测模型和分类模型计算获取用户的分类结果，基于用户分类结果进行课程推荐，由于课程推荐参考了更多维度和来自更多系统的用户行为数据，得到的预测结果和分类结果更加准确。
附图说明
18.为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
19.图1为本发明实施例提供的基于人工智能的课程数据推荐方法的应用场景示意图；
20.图2为本发明实施例提供的基于人工智能的课程数据推荐方法的流程示意图；
21.图3为本发明实施例提供的基于人工智能的课程数据推荐装置的示意性框图；
22.图4为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
23.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
24.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
25.还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目
的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
26.还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
27.请参阅图1和图2，图1为本发明实施例提供的基于人工智能的课程数据推荐方法的应用场景示意图；图2为本发明实施例提供的基于人工智能的课程数据推荐方法的流程示意图，该基于人工智能的课程数据推荐方法应用于服务器中，该方法通过安装于服务器中的应用软件进行执行。
28.如图2所示，该方法包括步骤s101～s104。
29.s101、若确定当前系统时间与本轮参数采集起始时间之间的时间间隔等于预设的参数获取周期，获取待预测对象在本轮参数采集时间周期的观测参数集。
30.在本实施例中，是以服务器为执行主体描述技术方案。在服务器中可以存储各对象(例如对象为学生、员工等，任意能参与完成考勤、登录线上学习平台、外出拜访等动作的角色均可以视为本技术中所描述的对象)在本轮参数采集时间周期内的观测参数集，还可以存储各对象在之前各轮参数采集时间周期的历史观测参数集。之后基于待预测对象在本轮参数采集时间周期的观测参数集可以进行用户信息挖掘或是用户特征预测。
31.例如，当前系统时间为2021年11月1日00：00：00，本轮参数采集起始时间为2021年10月1日00：00：00,当前系统时间与本轮参数采集起始时间之间的时间间隔为30天，而预设的参数获取周期为一个月，此时可以获取预先选定的单个或多个待预测对象在本轮参数采集时间周期(本轮参数采集时间周期对应的时间段是2021年10月1日00：00：00-2021年10月31日24：00：00)内的观测参数集。例如针对每一待预测对象需要采集以下参数：考勤次数、互动参与次数(是指课程培训过程中的课堂互动次数)、随堂测验参与次数、随堂测验答题数、考试参与次数、考试最高分数、考试平均分数、复习材料学习时长、参训时长、学习平台登录频次、学习平台登录时长、学习平台学习时长、学习平台学习深度等级、学习平台跳出率、学习平台考试平均分、准客户信息录入数、客户拜访次数、建议书送达次数。也就是在该观测参数集内包括待预测对象的三大类参数，第一类参数是学习过程参与参数(如考勤次数、互动参与次数、复习材料学习时长、参训时长、学习平台登录频次、学习平台登录时长、学习平台学习时长、学习平台学习深度等级、学习平台跳出率)，第二类参数是学习效果检测参数(如随堂测验参与次数、随堂测验答题数、考试参与次数、考试最高分数、考试平均分数、学习平台考试平均分)、第三类参数是业务相关参数(如准客户信息录入数、客户拜访次数、建议书送达次数)。当获取了每一个待预测对象的观测参数集后，即可基于观测参数集进行对象行为或特征的预测。
32.在一实施例中，步骤s101之前还包括：
33.在历史观测数据集中获取满足预设第一筛选策略的目标历史观测数据集；其中，所述目标历史观测数据集中所包括的每一条目标历史观测数据对应一个目标对象；
34.在对象输出结果数据库中获取与各目标对象分别相应的对象输出结果；
35.将每一目标对象的目标历史观测数据和对象输出结果组成每一目标对象相应的样本数据；
36.通过目标对象相应的样本数据对待训练预测模型进行训练，得到预测模型。
37.在本实施例中，为了合理利用历史数据作为样本数据训练预测模型，此时需要先筛选出满足条件的目标历史观测数据以目标历史观测数据集。其中，所述预设第一筛选策略用于从所述历史观测数据中筛选出数据产生时间在本轮参数采集时间周期的起始时间之前的一年内、且每一筛选的数据均可对应在对象输出结果数据库查询到对象数据结果的目标历史观测数据。更具体的，将预设第一筛选策略设置为历史观测数据的数据产生时间在本轮参数采集时间周期的起始时间之前的一整年内，而且每一历史观测数据均可以对应在对象输出结果数据库查询到对象数据结果(例如以企业业务员开发业务为具体场景，对象的历史观测数据即为对象在开发业务过程中的三大类参数，对象结果数据为对象的业绩表现结果，业绩表现结果具体如转正率、留存率、入钻率等)，通过预设第一筛选策略筛选出目标历史观测数据集后，即可用于训练预测模型。
38.由于每一条目标历史观测数据对应一个目标对象在对象输出结果数据库中也能检索获取到相应的对象输出结果，这样将每一目标对象的目标历史观测数据和对象输出结果组成每一目标对象相应的样本数据后即可组成样本集对待训练预测模型进行模型训练。例如，每一条样本数据均包括4个部分，分别是第一类参数、第二类参数、第三类参数及对象输出结果，当以样本数据中第一类参数、第二类参数、第三类参数拼接组成的向量为输入向量，以对象输出结果为输出向量对待训练预测模型进行训练即可完成训练过程，从而得到预测模型。
39.具体实施时，所述预测模型为cox回归模型(即比例风险回归模型)，通过cox回归模型可以基于对象的输入向量分析输入向量中各子参数取值与对象输出结果的关联性关系，并通过生存法则输出不同对象在未来达成不同表现的概率(也即输出对象输出结果)。
40.在一实施例中，所述通过目标对象相应的样本数据对待训练预测模型进行训练，得到预测模型之后，还包括：
41.将目标对象相应的样本数据中每一子参数依序进行置零屏蔽分别输入至预测模型进行运算，得到样本数据中各子参数相应的参数测试结果以组成参数测试结果集；
42.若确定目标对象相应的样本数据有子参数对应的参数测试结果与样本数据的对象数据结果的差异值未超出预设的差异值阈值，则将子参数的结果相关性结果设置为非强相关参数；
43.若确定目标对象相应的样本数据有子参数对应的参数测试结果与样本数据的对象数据结果的差异值超出预设的差异值阈值，则将子参数的结果相关性结果设置为强相关参数；
44.在目标对象相应的样本数据所包括的各子参数中获取具有强相关参数属性的子参数，组成样本数据的强相关子参数集。
45.其中，为了更加准确的获知每一样本数据的第一类参数、第二类参数、第三类参数中与对象输出结果的相关性，此时可以将第一类参数中各子参数(如考勤次数、互动参与次数、复习材料学习时长、参训时长、学习平台登录频次、学习平台登录时长、学习平台学习时长、学习平台学习深度等级、学习平台跳出率)，第二类参数中各子参数(如随堂测验参与次数、随堂测验答题数、考试参与次数、考试最高分数、考试平均分数、学习平台考试平均分)，第三类参数中各子参数(如准客户信息录入数、客户拜访次数、建议书送达次数)依序进行置零屏蔽处理，然后再分别输入至训练完成的预测模型，得到与每一样本数据分别对应的
参数测试结果，从而组成参数测试结果集。
46.例如已知样本数据a中对应第一类参数为[4805001001000.520015030.3]，其表示考勤次数为480次、互动参与次数为500次、复习材料学习时长为100小时、参训时长为100小时、学习平台登录频次为0.5次/天、学习平台登录时长为200小时、学习平台学习时长为150小时、学习平台学习深度等级为3级且学习平台跳出率为0.3；样本数据a中对应第二类参数为[301000201009091]，其表示随堂测验参与次数为30次、随堂测验答题数为1000题、考试参与次数为20次、考试最高分数为100分、考试平均分数为90分、学习平台考试平均分为91分；样本数据a中对应第三类参数为[700300200]，其表示准客户信息录入数为700个、客户拜访次数为300次、建议书送达次数为200次；样本数据a中输入向量则由第一类参数、第二类参数、第三类参数依序拼接而成，拼接的组合成的输入向量为[4805001001000.520015030.3301000201009091700300200]。将样本数据a的输入向量中依序进行置零屏蔽处理可以理解为先将输入向量[4805001001000.520015030.3301000201009091700300200]中第一个取值置为0且其他值保持不变从而得到样本数据a中对应的第一次调整样本数据a’,此时将第一次调整样本数据a’输入至预测模型进行运算得到第一参数测试结果并与样本数据a的输出向量进行比较判断是否一致或者是差异值极小(例如第一参数测试结果每一个取值与样本数据a的输出向量中每一个取值之间的波动均为超过10％)，若参数测试结果与样本数据a的输出向量进行比较得到结论是两者一致或者是差异值极小则可以认为考勤次数这一参数与对象输出结果的相关性不高，实际获取样本数据时可以忽略该参数的取值。以此类推，在分析样本数据中其他子参数对输出向量的相关性时，也是将样本数据中该子参数的取值置零以对输入向量进行调整后再输入至预测模型进行运算得到参数测试结果，最后通过参数测试结果与相应样本数据的输出向量进行比较判断是否一致或者是差异值极小以确定该子参数与对象输出结果的相关性。当获取了样本数据a中每一子参数的结果相关性结果后，即可筛选出具有强相关参数属性的子参数，组成样本数据的强相关子参数集。
[0047]
s102、获取预测模型，将与所述观测参数集相应的待预测输入向量输入至所述预测模型进行运算，得到当前对象输出结果。
[0048]
在本实施例中，当获取了待预测对象在本轮参数采集周期内的观测参数集后，可以获取与与所述观测参数集相应的待预测输入向量，其获取过程参考样本数据中输入向量的获取过程，也就是将观测参数集中第一类参数、第二类参数、第三类参数拼接组成待预测输入向量。由于在服务器中预先完成了对预测模型的训练，此时直接获取已完成训练的预测模型，将所述待预测输入向量输入至所述预测模型进行运算，即可得到待预测对象的当前对象输出结果。
[0049]
在一实施例中，步骤s102包括：
[0050]
获取强相关子参数集，将所述待预测输入向量中具有强相关参数属性的子参数的取值进行保留且将具有非强相关参数属性的子参数的取值进行置零，更新所述待预测输入向量，将所述待预测输入向量输入至所述预测模型进行运算得到当前对象输出结果。
[0051]
在本实施例中，为了屏蔽待预测输入向量中与输出结果相关性较小的子参数取值，直接选择将所述待预测输入向量中具有强相关参数属性的子参数的取值进行保留且将具有非强相关参数属性的子参数的取值进行置零即可，这样至保留了所述待预测输入向量中具有强相关参数属性的子参数的取值以更新所述待预测输入向量。之后再将更新后的待
预测输入向量输入至所述预测模型进行运算，得到当前对象输出结果。通过这一方式可以筛选出待预测输入向量的重要维度特征以聚焦预测运算，得到受干扰较小的输出结果。
[0052]
s103、获取分类模型，将所述当前对象输出结果输入至所述分类模型进行运算，得到当前对象分类结果。
[0053]
在本实施例中，在服务器中基于样本数据训练了预测模型之后，还可以根据每一样本数据的对象输出结果及人工标注或自动标注的对象分类结果(如第一类型对象、第二类型对象等)对待训练分类模型进行训练，得到用于基于对象的对象输出结果进行用户类型分类的分类模型。当基于待预测对象的当前对象输出结果得到了当前对象分类结果，即可准确获取该待预测对象所属对象类型，从而进一步基于对象类型进行进一步的数据推荐。
[0054]
s104、获取与所述当前对象分类结果相应的目标课程推荐数据集，将所述目标课程推荐数据集发送至与所述待预测对象相应的接收端。
[0055]
在本实施例中，由于在服务器中预先存储了与每一对象结果分别对应的课程推荐数据集，当已知了所述当前对象分类结果后，即可获取与所述当前对象分类结果相应的目标课程推荐数据集，将所述目标课程推荐数据集发送至与所述待预测对象相应的接收端，从而实现对待预测对象进一步学习课程所需数据的及时推送。
[0056]
在一实施例中，步骤s104之后包括：
[0057]
获取与所述目标课程推荐数据集相应的目标课程学习轨迹数据，将所述目标课程学习轨迹数据发送至与所述待预测对象相应的接收端。
[0058]
在本实施例中，为了更加明确的向待预测对象推送目标课程推荐数据集的相关辅助数据，例如目标课程学习轨迹数据即为一种目标课程推荐数据集的相关辅助数据，通过目标课程学习轨迹数据可以获知其中所包括的各课程的学习先后顺序、各课程的推荐学习时长及推荐测试次数，当待预测对象相应的接收端接收了目标课程推荐数据集和目标课程学习轨迹数据后，可以参考目标课程学习轨迹数据对目标课程推荐数据集进行在线学习。通过这一方式，实现了基于对象的行为数据来智能推荐课程学习数据，而且推荐结果是参考了行为数据中的强相关参数，所输出的推荐结果更加客观和准确。
[0059]
在一实施例中，所述通过目标对象相应的样本数据对待训练预测模型进行训练，得到预测模型之后还包括：
[0060]
将所述预测模型的模型参数上传至区块链进行存储。
[0061]
在本实施例中，所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0062]
本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。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。
[0063]
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。
[0064]
该方法实现了基于用户多维度行为数据形成观测参数集后输入至预测模型和分类模型计算获取用户的分类结果，基于用户分类结果进行课程推荐，由于课程推荐参考了更多维度和来自更多系统的用户行为数据，得到的预测结果和分类结果更加准确。
[0065]
本发明实施例还提供一种基于人工智能的课程数据推荐装置，该基于人工智能的课程数据推荐装置用于执行前述基于人工智能的课程数据推荐方法的任一实施例。具体地，请参阅图3，图3是本发明实施例提供的基于人工智能的课程数据推荐装置100的示意性框图。
[0066]
其中，如图3所示，基于人工智能的课程数据推荐装置100包括观测数据集获取单元101、输出结果获取单元102、分类结果获取单元103和推荐数据集获取单元104。
[0067]
观测数据集获取单元101，用于若确定当前系统时间与本轮参数采集起始时间之间的时间间隔等于预设的参数获取周期，获取待预测对象在本轮参数采集时间周期的观测参数集。
[0068]
在本实施例中，是以服务器为执行主体描述技术方案。在服务器中可以存储各对象(例如对象为学生、员工等，任意能参与完成考勤、登录线上学习平台、外出拜访等动作的角色均可以视为本技术中所描述的对象)在本轮参数采集时间周期内的观测参数集，还可以存储各对象在之前各轮参数采集时间周期的历史观测参数集。之后基于待预测对象在本轮参数采集时间周期的观测参数集可以进行用户信息挖掘或是用户特征预测。
[0069]
例如，当前系统时间为2021年11月1日00：00：00，本轮参数采集起始时间为2021年10月1日00：00：00,当前系统时间与本轮参数采集起始时间之间的时间间隔为30天，而预设的参数获取周期为一个月，此时可以获取预先选定的单个或多个待预测对象在本轮参数采集时间周期(本轮参数采集时间周期对应的时间段是2021年10月1日00：00：00-2021年10月31日24：00：00)内的观测参数集。例如针对每一待预测对象需要采集以下参数：考勤次数、互动参与次数(是指课程培训过程中的课堂互动次数)、随堂测验参与次数、随堂测验答题数、考试参与次数、考试最高分数、考试平均分数、复习材料学习时长、参训时长、学习平台登录频次、学习平台登录时长、学习平台学习时长、学习平台学习深度等级、学习平台跳出率、学习平台考试平均分、准客户信息录入数、客户拜访次数、建议书送达次数。也就是在该观测参数集内包括待预测对象的三大类参数，第一类参数是学习过程参与参数(如考勤次数、互动参与次数、复习材料学习时长、参训时长、学习平台登录频次、学习平台登录时长、学习平台学习时长、学习平台学习深度等级、学习平台跳出率)，第二类参数是学习效果检测参数(如随堂测验参与次数、随堂测验答题数、考试参与次数、考试最高分数、考试平均分数、学习平台考试平均分)、第三类参数是业务相关参数(如准客户信息录入数、客户拜访次数、建议书送达次数)。当获取了每一个待预测对象的观测参数集后，即可基于观测参数集进行对象行为或特征的预测。
[0070]
在一实施例中，基于人工智能的课程数据推荐装置100还包括：
[0071]
目标历史观测数据集获取单元，用于在历史观测数据集中获取满足预设第一筛选策略的目标历史观测数据集；其中，所述目标历史观测数据集中所包括的每一条目标历史
观测数据对应一个目标对象；
[0072]
对象输出结果获取单元，用于在对象输出结果数据库中获取与各目标对象分别相应的对象输出结果；
[0073]
样本数据获取单元，用于将每一目标对象的目标历史观测数据和对象输出结果组成每一目标对象相应的样本数据；
[0074]
预测模型训练单元，用于通过目标对象相应的样本数据对待训练预测模型进行训练，得到预测模型。
[0075]
在本实施例中，为了合理利用历史数据作为样本数据训练预测模型，此时需要先筛选出满足条件的目标历史观测数据以目标历史观测数据集。其中，所述预设第一筛选策略用于从所述历史观测数据中筛选出数据产生时间在本轮参数采集时间周期的起始时间之前的一年内、且每一筛选的数据均可对应在对象输出结果数据库查询到对象数据结果的目标历史观测数据。更具体的，将预设第一筛选策略设置为历史观测数据的数据产生时间在本轮参数采集时间周期的起始时间之前的一整年内，而且每一历史观测数据均可以对应在对象输出结果数据库查询到对象数据结果(例如以企业业务员开发业务为具体场景，对象的历史观测数据即为对象在开发业务过程中的三大类参数，对象结果数据为对象的业绩表现结果，业绩表现结果具体如转正率、留存率、入钻率等)，通过预设第一筛选策略筛选出目标历史观测数据集后，即可用于训练预测模型。
[0076]
由于每一条目标历史观测数据对应一个目标对象在对象输出结果数据库中也能检索获取到相应的对象输出结果，这样将每一目标对象的目标历史观测数据和对象输出结果组成每一目标对象相应的样本数据后即可组成样本集对待训练预测模型进行模型训练。例如，每一条样本数据均包括4个部分，分别是第一类参数、第二类参数、第三类参数及对象输出结果，当以样本数据中第一类参数、第二类参数、第三类参数拼接组成的向量为输入向量，以对象输出结果为输出向量对待训练预测模型进行训练即可完成训练过程，从而得到预测模型。
[0077]
具体实施时，所述预测模型为cox回归模型，通过cox回归模型可以基于对象的输入向量分析输入向量中各子参数取值与对象输出结果的关联性关系，并通过生存法则输出不同对象在未来达成不同表现的概率(也即输出对象输出结果)。
[0078]
在一实施例中，基于人工智能的课程数据推荐装置100还包括：
[0079]
参数测试结果集获取单元，用于将目标对象相应的样本数据中每一子参数依序进行置零屏蔽分别输入至预测模型进行运算，得到样本数据中各子参数相应的参数测试结果以组成参数测试结果集；
[0080]
非强相关参数获取单元，用于若确定目标对象相应的样本数据有子参数对应的参数测试结果与样本数据的对象数据结果的差异值未超出预设的差异值阈值，则将子参数的结果相关性结果设置为非强相关参数；
[0081]
强相关参数获取单元，用于若确定目标对象相应的样本数据有子参数对应的参数测试结果与样本数据的对象数据结果的差异值超出预设的差异值阈值，则将子参数的结果相关性结果设置为强相关参数；
[0082]
强相关子参数获取单元，用于在目标对象相应的样本数据所包括的各子参数中获取具有强相关参数属性的子参数，组成样本数据的强相关子参数集。
[0083]
其中，为了更加准确的获知每一样本数据的第一类参数、第二类参数、第三类参数中与对象输出结果的相关性，此时可以将第一类参数中各子参数(如考勤次数、互动参与次数、复习材料学习时长、参训时长、学习平台登录频次、学习平台登录时长、学习平台学习时长、学习平台学习深度等级、学习平台跳出率)，第二类参数中各子参数(如随堂测验参与次数、随堂测验答题数、考试参与次数、考试最高分数、考试平均分数、学习平台考试平均分)，第三类参数中各子参数(如准客户信息录入数、客户拜访次数、建议书送达次数)依序进行置零屏蔽处理，然后再分别输入至训练完成的预测模型，得到与每一样本数据分别对应的参数测试结果，从而组成参数测试结果集。
[0084]
例如已知样本数据a中对应第一类参数为[4805001001000.520015030.3]，其表示考勤次数为480次、互动参与次数为500次、复习材料学习时长为100小时、参训时长为100小时、学习平台登录频次为0.5次/天、学习平台登录时长为200小时、学习平台学习时长为150小时、学习平台学习深度等级为3级且学习平台跳出率为0.3；样本数据a中对应第二类参数为[301000201009091]，其表示随堂测验参与次数为30次、随堂测验答题数为1000题、考试参与次数为20次、考试最高分数为100分、考试平均分数为90分、学习平台考试平均分为91分；样本数据a中对应第三类参数为[700300200]，其表示准客户信息录入数为700个、客户拜访次数为300次、建议书送达次数为200次；样本数据a中输入向量则由第一类参数、第二类参数、第三类参数依序拼接而成，拼接的组合成的输入向量为[4805001001000.520015030.3301000201009091700300200]。将样本数据a的输入向量中依序进行置零屏蔽处理可以理解为先将输入向量[4805001001000.520015030.3301000201009091700300200]中第一个取值置为0且其他值保持不变从而得到样本数据a中对应的第一次调整样本数据a’,此时将第一次调整样本数据a’输入至预测模型进行运算得到第一参数测试结果并与样本数据a的输出向量进行比较判断是否一致或者是差异值极小(例如第一参数测试结果每一个取值与样本数据a的输出向量中每一个取值之间的波动均为超过10％)，若参数测试结果与样本数据a的输出向量进行比较得到结论是两者一致或者是差异值极小则可以认为考勤次数这一参数与对象输出结果的相关性不高，实际获取样本数据时可以忽略该参数的取值。以此类推，在分析样本数据中其他子参数对输出向量的相关性时，也是将样本数据中该子参数的取值置零以对输入向量进行调整后再输入至预测模型进行运算得到参数测试结果，最后通过参数测试结果与相应样本数据的输出向量进行比较判断是否一致或者是差异值极小以确定该子参数与对象输出结果的相关性。当获取了样本数据a中每一子参数的结果相关性结果后，即可筛选出具有强相关参数属性的子参数，组成样本数据的强相关子参数集。
[0085]
输出结果获取单元102，用于获取预测模型，将与所述观测参数集相应的待预测输入向量输入至所述预测模型进行运算，得到当前对象输出结果。
[0086]
在本实施例中，当获取了待预测对象在本轮参数采集周期内的观测参数集后，可以获取与与所述观测参数集相应的待预测输入向量，其获取过程参考样本数据中输入向量的获取过程，也就是将观测参数集中第一类参数、第二类参数、第三类参数拼接组成待预测输入向量。由于在服务器中预先完成了对预测模型的训练，此时直接获取已完成训练的预测模型，将所述待预测输入向量输入至所述预测模型进行运算，即可得到待预测对象的当前对象输出结果。
[0087]
在一实施例中，基于人工智能的课程数据推荐装置100包括：
[0088]
待预测输入向量更新单元，用于获取强相关子参数集，将所述待预测输入向量中具有强相关参数属性的子参数的取值进行保留且将具有非强相关参数属性的子参数的取值进行置零，更新所述待预测输入向量，将所述待预测输入向量输入至所述预测模型进行运算得到当前对象输出结果。
[0089]
在本实施例中，为了屏蔽待预测输入向量中与输出结果相关性较小的子参数取值，直接选择将所述待预测输入向量中具有强相关参数属性的子参数的取值进行保留且将具有非强相关参数属性的子参数的取值进行置零即可，这样至保留了所述待预测输入向量中具有强相关参数属性的子参数的取值以更新所述待预测输入向量。之后再将更新后的待预测输入向量输入至所述预测模型进行运算，得到当前对象输出结果。通过这一方式可以筛选出待预测输入向量的重要维度特征以聚焦预测运算，得到受干扰较小的输出结果。
[0090]
分类结果获取单元103，用于获取分类模型，将所述当前对象输出结果输入至所述分类模型进行运算，得到当前对象分类结果。
[0091]
在本实施例中，在服务器中基于样本数据训练了预测模型之后，还可以根据每一样本数据的对象输出结果及人工标注或自动标注的对象分类结果(如第一类型对象、第二类型对象等)对待训练分类模型进行训练，得到用于基于对象的对象输出结果进行用户类型分类的分类模型。当基于待预测对象的当前对象输出结果得到了当前对象分类结果，即可准确获取该待预测对象所属对象类型，从而进一步基于对象类型进行进一步的数据推荐。
[0092]
推荐数据集获取单元104，用于获取与所述当前对象分类结果相应的目标课程推荐数据集，将所述目标课程推荐数据集发送至与所述待预测对象相应的接收端。
[0093]
在本实施例中，由于在服务器中预先存储了与每一对象结果分别对应的课程推荐数据集，当已知了所述当前对象分类结果后，即可获取与所述当前对象分类结果相应的目标课程推荐数据集，将所述目标课程推荐数据集发送至与所述待预测对象相应的接收端，从而实现对待预测对象进一步学习课程所需数据的及时推送。
[0094]
在一实施例中，基于人工智能的课程数据推荐装置100还包括：
[0095]
学习轨迹数据发送单元，用于获取与所述目标课程推荐数据集相应的目标课程学习轨迹数据，将所述目标课程学习轨迹数据发送至与所述待预测对象相应的接收端。
[0096]
在本实施例中，为了更加明确的向待预测对象推送目标课程推荐数据集的相关辅助数据，例如目标课程学习轨迹数据即为一种目标课程推荐数据集的相关辅助数据，通过目标课程学习轨迹数据可以获知其中所包括的各课程的学习先后顺序、各课程的推荐学习时长及推荐测试次数，当待预测对象相应的接收端接收了目标课程推荐数据集和目标课程学习轨迹数据后，可以参考目标课程学习轨迹数据对目标课程推荐数据集进行在线学习。通过这一方式，实现了基于对象的行为数据来智能推荐课程学习数据，而且推荐结果是参考了行为数据中的强相关参数，所输出的推荐结果更加客观和准确。
[0097]
在一实施例中，基于人工智能的课程数据推荐装置100还包括：
[0098]
模型参数上传单元，用于将所述预测模型的模型参数上传至区块链进行存储。
[0099]
在本实施例中，所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信
息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0100]
该装置实现了基于用户多维度行为数据形成观测参数集后输入至预测模型和分类模型计算获取用户的分类结果，基于用户分类结果进行课程推荐，由于课程推荐参考了更多维度和来自更多系统的用户行为数据，得到的预测结果和分类结果更加准确。
[0101]
上述基于人工智能的课程数据推荐装置可以实现为计算机程序的形式，该计算机程序可以在如图4所示的计算机设备上运行。
[0102]
请参阅图4，图4是本发明实施例提供的计算机设备的示意性框图。该计算机设备500是服务器，也可以是服务器集群。服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
[0103]
参阅图4，该计算机设备500包括通过装置总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括存储介质503和内存储器504。
[0104]
该存储介质503可存储操作装置5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行基于人工智能的课程数据推荐方法。
[0105]
该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。
[0106]
该内存储器504为存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行基于人工智能的课程数据推荐方法。
[0107]
该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图4中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0108]
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现本发明实施例公开的基于人工智能的课程数据推荐方法。
[0109]
本领域技术人员可以理解，图4中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图4所示实施例一致，在此不再赘述。
[0110]
应当理解，在本发明实施例中，处理器502可以是中央处理单元(central processing unit，cpu)，该处理器502还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0111]
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质，也可以为易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现本发明实施例公开的
基于人工智能的课程数据推荐方法。
[0112]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0113]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
[0114]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
[0115]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0116]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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，后台服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0117]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。