一种基于在线学习课程的智能化搜索推荐方法和系统与流程

1.本发明涉及计算机技术领域，尤其涉及一种基于在线学习课程的智能化搜索推荐方法和系统。


背景技术：

2.随着互联网技术的不断发展和普及，越来越多的人选择在线学习课程来提升自己的技能和知识水平。在线学习平台提供了丰富的课程资源，但是也存在着课程质量参差不齐、课程内容重复等问题，给学生的学习带来了一定的困扰。因此，如何快速准确地找到符合自己需求的优质课程成为了学生们面临的重要问题。
3.传统的搜索引擎往往只能根据关键词匹配进行搜索，无法根据用户的学习需求和兴趣进行个性化推荐。而基于机器学习的推荐系统可以根据用户的历史行为和兴趣特点，对用户进行个性化推荐，提高用户满意度和学习效果。因此，基于在线学习课程的智能化搜索推荐方法和系统具有重要的研究和应用价值。


技术实现要素：

4.为解决针对用户进行个性化推荐的问题，本发明提供了一种基于在线学习课程的智能化搜索推荐方法和系统，旨在解决现有在线学习平台推荐课程的问题，提高用户的学习效果和满意度。
5.为实现上述目的，本发明实施例提供了如下的技术方案：第一方面，在本发明提供的一个实施例中，提供了一种基于在线学习课程的智能化搜索推荐方法，包括以下步骤：采集用户的学习浏览数据，对所述学习浏览数据进行预处理，生成学习浏览数据对应的关键词序列，基于加载的课程目录进行章节匹配；获取用户当前阶段的在线学习课程日志，基于用户的学习模型对当前在线学习课程进行分类和标签化，建立基于章节匹配的在线学习课程的特征向量；响应于搜索指令获取搜索结果，其中，所述搜索指令至少包括用户输入的检索词、选择段落或章节内容；根据所包含的关键词、课程的特征向量对获取的搜索结果划分推荐层级，根据所述推荐层级的推荐优先级进行推荐至用户端显示。
6.作为本发明的进一步方案，采集用户的学习浏览数据包括收集用户的学习历史数据和学习行为数据，包括用户的学习目标、学习时间、学习课程、学习进度、评价信息。
7.作为本发明的进一步方案，基于用户的学习模型对当前在线学习课程进行分类和标签化，建立基于章节匹配的在线学习课程的特征向量，包括以下步骤：对在线学习平台中的在线学习课程进行分类，根据在线学习课程的学科领域、难度级别以及课程类型进行分类；对在线学习平台中的在线学习课程进行标签化，根据在线学习课程的主题、内容
以及知识点进行标签化；根据在线学习课程的分类和标签，建立基于章节匹配的在线学习课程的特征向量，将在线学习课程的分类和标签转化为向量形式，建立课程特征向量。
8.作为本发明的进一步方案，所述基于在线学习课程的智能化搜索推荐方法，还包括基于用户的学习模型和在线学习课程的特征向量，建立用户和在线学习课程之间的推荐模型，包括以下步骤：基于用户的学习模型和在线学习课程的特征向量，构建训练数据集；建立用户和在线学习课程之间的推荐模型，通过构建的训练数据集对模型进行训练和优化，根据用户的搜索行为和历史记录，实时更新推荐模型。
9.作为本发明的进一步方案，还包括根据注册用户的在线学习课程日志按照加载的课程目录进行章节信息匹配，并构建章节信息的相似度矩阵；根据当前用户的在线学习课程日志对当前在线学习课程进行用户相似度矩阵筛选，从高到低筛选出相似度排序在先的日志结果作为参考结果；根据用户的查询信息以及所述查询信息对应的上下文信息，给出个性化的推荐结果。
10.作为本发明的进一步方案，响应于搜索指令获取搜索结果时，对用户的搜索指令进行分析和处理包括以下步骤：对搜索指令进行分词和关键词提取，以获取用户的搜索意图；根据用户的搜索意图和学习模型，获得匹配的课程特征向量；基于用户和在线学习课程之间的推荐模型，计算每个课程的推荐得分；根据推荐得分，对在线学习课程进行排序，返回给用户最相关的课程列表，并根据用户的反馈和行为数据，更新和优化推荐模型。
11.作为本发明的进一步方案，响应于搜索指令获取搜索结果为基于用户的搜索指令和推荐模型，生成个性化的搜索推荐结果，其中包括以下步骤：对用户的搜索指令进行关键词提取、语义分析，从搜索指令中提取出关键词，作为推荐模型的输入，对搜索指令进行语义分析；基于用户的搜索指令和推荐模型，生成候选课程列表，通过推荐模型对候选课程进行打分排序，得出个性化搜索推荐结果；将推荐结果呈现给用户，对搜索推荐结果进行展示和反馈，根据用户的反馈和行为，不断优化推荐模型和搜索推荐结果。
12.第二方面，在本发明提供的另一个实施例中，提供了一种基于在线学习课程的智能化搜索推荐系统，该系统包括数据采集模块、数据处理模块、特征提取模块、搜索推荐模块和用户界面模块。
13.数据采集模块，用于采集用户的学习浏览数据；数据处理模块，用于对学习浏览数据进行预处理，生成学习浏览数据对应的关键词序列，基于加载的课程目录进行章节匹配；特征提取模块，用于获取用户当前阶段的在线学习课程日志，基于用户的学习模型对当前在线学习课程进行分类和标签化，建立基于章节匹配的在线学习课程的特征向
量；搜索推荐模块，用于响应于搜索指令获取搜索结果，根据所包含的关键词、课程的特征向量对获取的搜索结果划分推荐层级，根据所述推荐层级的推荐优先级进行推荐；用户界面模块，用于展示推荐结果和收集用户的反馈。
14.作为本发明的进一步方案，所述基于在线学习课程的智能化搜索推荐系统包括以下模块：优化模块，用于根据用户的反馈，对学习模型进行优化。
15.作为本发明的进一步方案，所述基于在线学习课程的智能化搜索推荐系统包括以下模块：推荐模型建立模块，用于基于用户的学习模型和在线学习课程的特征向量，建立用户和在线学习课程之间的推荐模型，并根据用户的搜索行为和历史记录，实时更新推荐模型。
16.第三方面，在本发明提供的又一个实施例中，提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器加载并执行所述计算机程序时实现基于在线学习课程的智能化搜索推荐方法的步骤。
17.第四方面，在本发明提供的再一个实施例中，提供了一种存储介质，存储有计算机程序，所述计算机程序被处理器加载并执行时实现所述基于在线学习课程的智能化搜索推荐方法的步骤。
18.与现有技术相比，本发明提供的技术方案具有如下有益效果：本发明提供的基于在线学习课程的智能化搜索推荐方法和系统，该系统通过采集用户的学习行为数据，基于加载的课程目录进行章节匹配，然后结合用户的兴趣爱好和学习目标，对学习资源进行智能化推荐。在推荐过程中，该系统考虑学习资源的难度、时长、类型等因素，以及用户的学习历史和评价等因素，从而提高推荐的准确性和个性化程度。同时，该系统还可以根据用户的反馈，不断优化学习模型，提高推荐效果。该系统的用户界面友好，易于操作，能够满足用户的个性化需求。
19.本发明还具有以下优势：1.提高用户搜索效率：该系统可以根据用户的搜索历史和学习课程，智能推荐相关的搜索结果，从而提高用户的搜索效率。
20.2.提高用户学习效果：该系统可以根据用户的学习课程，智能推荐相关的学习资源，从而提高用户的学习效果。
21.3.提高用户满意度：该系统可以根据用户的偏好和搜索历史，智能推荐相关的搜索结果和学习资源，从而提高用户的满意度。
22.4.降低用户搜索成本：该系统可以根据用户的搜索历史和学习课程，智能推荐相关的搜索结果和学习资源，从而降低用户的搜索成本。
23.5.提高系统的用户粘性：该系统可以根据用户的偏好和搜索历史，智能推荐相关的搜索结果和学习资源，从而提高系统的用户粘性。
24.本发明的这些方面或其他方面在以下实施例的描述中会更加简明易懂。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
25.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例。在附图中：图1为本发明实施例的一种基于在线学习课程的智能化搜索推荐方法的流程图。
26.图2为本发明实施例的一种基于在线学习课程的智能化搜索推荐方法中建立基于章节匹配的在线学习课程的特征向量的流程图。
27.图3为本发明实施例的一种基于在线学习课程的智能化搜索推荐方法中建立推荐模型的流程图。
28.图4为本发明实施例的一种基于在线学习课程的智能化搜索推荐方法中对搜索指令进行分析和处理廓的流程图。
29.图5为本发明实施例的一种基于在线学习课程的智能化搜索推荐方法中生成个性化的搜索推荐结果的流程图。
30.图6为本发明实施例的一种基于在线学习课程的智能化搜索推荐系统的系统框图。
具体实施方式
31.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
32.在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
33.下面将结合本发明示例性实施例中的附图，对本发明示例性实施例中的技术方案进行清楚、完整地描述，显然，所描述的示例性实施例仅仅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，本领域技术人员在没有作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。
34.由于传统的搜索引擎往往只能根据关键词匹配进行搜索，无法根据用户的学习需求和兴趣进行个性化推荐。而基于机器学习的推荐系统可以根据用户的历史行为和兴趣特点，对用户进行个性化推荐，提高用户满意度和学习效果。因此，基于在线学习课程的智能化搜索推荐方法和系统具有重要的研究和应用价值。
35.针对上述问题，本发明提供的基于在线学习课程的智能化搜索推荐方法和系统，该方法利用用户的学习历史数据和行为数据，基于加载的课程目录进行章节匹配，并根据用户的学习模型对在线学习平台的课程进行分类和标签化。当用户进行搜索操作时，该方法根据用户的搜索关键词、学习模型和搜索推荐模型，推荐与用户学习兴趣和能力相匹配的课程。同时，该方法还可以根据当前在线学习课程的特征向量和历史在线学习课程和结
果搜索结果间的交互关系，对结果搜索结果池进行筛选，以提高搜索推荐准确性。
36.具体地，下面结合附图，对本技术实施例作进一步阐述。
37.参见图1所示，本发明的一个实施例提供一种基于在线学习课程的智能化搜索推荐方法，该基于在线学习课程的智能化搜索推荐方法具体包括如下步骤：s1、采集用户的学习浏览数据，对所述学习浏览数据进行预处理，生成学习浏览数据对应的关键词序列，基于加载的课程目录进行章节匹配；s2、获取用户当前阶段的在线学习课程日志，基于用户的学习模型对当前在线学习课程进行分类和标签化，建立基于章节匹配的在线学习课程的特征向量；s3、响应于搜索指令获取搜索结果，其中，所述搜索指令至少包括用户输入的检索词、选择段落或章节内容；s4、根据所包含的关键词、课程的特征向量对获取的搜索结果划分推荐层级，根据所述推荐层级的推荐优先级进行推荐至用户端显示。
38.在本实施例中，采集用户的学习浏览数据包括收集用户的学习历史数据和学习行为数据，包括用户的学习目标、学习时间、学习课程、学习进度、评价信息。在采集用户的学习浏览数据后，还根据收集到的数据，基于加载的课程目录进行章节匹配，包括用户的学习兴趣、学习偏好、学习能力等信息，基于用户的学习模型，对在线学习平台的课程进行分类和标签化，建立课程的特征向量，利用机器学习算法对用户的学习模型和课程的特征向量进行训练，建立搜索推荐模型。当用户进行搜索操作时，根据用户的搜索关键词、学习模型和搜索推荐模型，推荐与用户学习兴趣和能力相匹配的课程。本发明通过采集用户的学习行为数据，基于加载的课程目录进行章节匹配，然后结合用户的兴趣爱好和学习目标，对学习资源进行智能化推荐。在推荐过程中，该方法考虑学习资源的难度、时长、类型等因素，以及用户的学习历史和评价等因素，从而提高推荐的准确性和个性化程度。同时，该方法还可以根据用户的反馈，不断优化学习模型，提高推荐效果。该方法的用户界面友好，易于操作，能够满足用户的个性化需求。
39.示例性的，在本实施例中，采集用户的学习行为数据时，采集用户的学习行为数据包括但不限于以下步骤：1.用户的个人信息，如姓名、年龄、性别、学历等；2.用户的学习历史记录，包括学习过的课程、学习时长、学习进度等；3.用户的评价行为数据，包括对课程的评分、评价内容等；4.用户的搜索行为数据，包括搜索的关键词、搜索的次数、搜索的结果等；5.用户的交互行为数据，包括点击、观看、笔记、讨论等；6.用户的社交行为数据，包括关注、点赞、评论等。
40.本实施例中，将采集到的学习行为数据进行处理和分析，包括但不限于用户的课程历史、评分、笔记、收藏、讨论等信息。
41.示例性的，采集到的学习行为数据可以包括以下步骤：1.用户的浏览记录，包括访问的课程、章节、视频、文档等；2.用户的学习行为，包括观看视频、做题、提交作业等；3.用户的评分和评论，包括对课程、章节、视频、讲师等的评价；4.用户的笔记和收藏，包括对课程、章节、视频、文档等的标注和收藏；
5.用户的讨论和交流，包括对课程、章节、问题等的讨论和回答。
42.对采集到的学习行为数据进行处理和分析，可以通过数据挖掘、机器学习等技术，提取出用户的兴趣、偏好、能力水平等信息，以便为用户推荐更加个性化、精准的课程和资源。
43.在本实施例中，该基于在线学习课程的智能化搜索推荐方法还包括基于处理和分析后的学习行为数据，建立用户的兴趣模型。建立用户的兴趣模型时基于用户的关注点：根据用户的学习行为数据，分析用户关注哪些课程、知识点、主题等，建立用户的关注点模型；基于用户的偏好：根据用户的学习行为数据，分析用户喜欢哪种类型的课程、学习资源和学习方式等，建立用户的偏好模型。基于用户的学习目标：根据用户的学习行为数据和学习历史，分析用户的学习目标和需求，建立用户的学习目标模型。基于用户的能力水平：根据用户的学习行为数据和学习历史，分析用户的知识水平、技能水平和认知水平等，建立用户的能力水平模型。基于用户的学习风格：根据用户的学习行为数据和学习历史，分析用户的学习风格，如视觉型、听觉型、动手型等，建立用户的学习风格模型。
44.基于上述分析结果，可以建立用户的兴趣模型，用于推荐符合用户兴趣和目标的课程。
45.在建立用户的兴趣模型时，需要分析用户的学习行为数据，需要进行数据采集和数据处理；其中，数据采集为收集用户的学习行为数据，包括学习历史、评分、笔记、收藏、讨论等信息。数据处理为对采集到的数据进行清洗、去重、归一化等处理，以便后续分析使用。
46.在本实施例中，建立用户的兴趣模型的具体步骤如下：1、根据用户的历史课程记录、评分、笔记、收藏、讨论等信息，分析用户的关注点和偏好，了解用户的兴趣领域和学习风格；2、根据用户的学习目标，分析用户的需求和目标，了解用户的学习方向和重点；3、根据用户的兴趣领域、学习风格和学习目标等信息，建立用户的兴趣模型，包括用户的兴趣标签、知识点关联度、学习路径等信息；4、不断更新和优化用户的兴趣模型，根据用户的新的学习行为数据，调整兴趣标签、知识点关联度、学习路径等信息，以提高推荐效果；5、模型更新：随着用户的学习行为变化，兴趣模型也需要不断更新和优化，以保持准确性和实用性。
47.在本发明实施例中，参见图2所示，基于用户的学习模型对当前在线学习课程进行分类和标签化，建立基于章节匹配的在线学习课程的特征向量，包括以下步骤：s101、课程分类：对在线学习平台中的在线学习课程进行分类，根据在线学习课程的学科领域、难度级别以及课程类型进行分类；s102、课程标签化：对在线学习平台中的在线学习课程进行标签化，根据在线学习课程的主题、内容以及知识点进行标签化；s103、建立课程特征向量：根据在线学习课程的分类和标签，建立基于章节匹配的在线学习课程的特征向量，将在线学习课程的分类和标签转化为向量形式，建立课程特征向量。
48.本发明的优点在于，利用机器学习算法对用户的学习模型和课程的特征向量进行训练，建立搜索推荐模型，能够更加准确地推荐与用户学习兴趣和能力相匹配的课程，提高
用户的学习效果和满意度。
49.在本实施例中，参见图3所示，所述基于在线学习课程的智能化搜索推荐方法，还包括基于用户的学习模型和在线学习课程的特征向量，建立用户和在线学习课程之间的推荐模型，包括以下步骤：s201、基于用户的学习模型和在线学习课程的特征向量，构建训练数据集；s202、建立用户和在线学习课程之间的推荐模型，通过构建的训练数据集对模型进行训练和优化；s203、根据用户的搜索行为和历史记录，实时更新推荐模型。
50.其中，可以选择合适的机器学习算法，如协同过滤、基于内容的推荐、深度学习等，建立用户和课程之间的推荐模型，对模型进行训练和优化，以提高推荐的准确性和效率。还可以根据用户的搜索行为和历史记录，实时更新推荐模型，以适应用户的变化兴趣和需求。在线推荐时，根据用户的查询和上下文信息，结合推荐模型，给出个性化的推荐结果。
51.在本实施例中，还包括根据注册用户的在线学习课程日志按照加载的课程目录进行章节信息匹配，并构建章节信息的相似度矩阵；根据当前用户的在线学习课程日志对当前在线学习课程进行用户相似度矩阵筛选，从高到低筛选出相似度排序在先的日志结果作为参考结果；根据用户的查询信息以及所述查询信息对应的上下文信息，给出个性化的推荐结果。
52.在本实施例中，参见图4所示，响应于搜索指令获取搜索结果时，对用户的搜索指令进行分析和处理包括以下步骤：s301、对搜索指令进行分词和关键词提取，以获取用户的搜索意图；s302、根据用户的搜索意图和学习模型，获得匹配的课程特征向量；s303、基于用户和在线学习课程之间的推荐模型，计算每个课程的推荐得分；s304、根据推荐得分，对在线学习课程进行排序，返回给用户最相关的课程列表，并根据用户的反馈和行为数据，更新和优化推荐模型。
53.在本实施例中，基于用户的搜索指令和推荐模型，生成个性化的搜索推荐结果，包括但不限于推荐相关课程、讲师、学习资源等。其中，对用户的搜索指令进行分析和处理，可以包括以下步骤：1、关键词提取：从搜索指令中提取出关键词，作为推荐模型的输入。
54.2、语义分析：对搜索指令进行语义分析，以理解用户的意图和需求，进而更好地生成个性化的推荐结果。
55.3、上下文分析：考虑搜索指令的上下文信息，如时间、地点、设备等，以更好地理解用户的需求和意图。
56.4、用户反馈：根据用户的反馈信息，对搜索指令进行调整和优化，以提高推荐效果。
57.进一步的，参见图5所示，响应于搜索指令获取搜索结果为基于用户的搜索指令和推荐模型，生成个性化的搜索推荐结果，其中包括以下步骤：s401、对用户的搜索指令进行关键词提取、语义分析，从搜索指令中提取出关键词，作为推荐模型的输入，对搜索指令进行语义分析；
s402、基于用户的搜索指令和推荐模型，生成候选课程列表，通过推荐模型对候选课程进行打分排序，得出个性化搜索推荐结果；s403、将推荐结果呈现给用户，对搜索推荐结果进行展示和反馈，根据用户的反馈和行为，不断优化推荐模型和搜索推荐结果。
58.在本实施例中，对用户的搜索指令进行分析和处理时，包括关键词提取、语义分析等，以确定用户的搜索意图和需求。基于用户的兴趣模型和课程的特征向量，采用机器学习算法，建立用户和课程之间的推荐模型。根据用户的搜索意图和需求，从课程库中筛选出候选课程列表。通过推荐模型对候选课程进行打分排序，得出最终的个性化搜索推荐结果，将推荐结果呈现给用户，以供其选择和学习。
59.其中，对搜索推荐结果进行展示和反馈，包括课程名称、课程描述、评分、学习难度等信息，以及相关推荐课程的链接。
60.本发明提供的基于在线学习课程的智能化搜索推荐方法和系统，该系统通过采集用户的学习行为数据，基于加载的课程目录进行章节匹配，然后结合用户的兴趣爱好和学习目标，对学习资源进行智能化推荐。在推荐过程中，该系统考虑学习资源的难度、时长、类型等因素，以及用户的学习历史和评价等因素，从而提高推荐的准确性和个性化程度。同时，该系统还可以根据用户的反馈，不断优化学习模型，提高推荐效果。该系统的用户界面友好，易于操作，能够满足用户的个性化需求。
61.参见图6所示，本发明的一个实施例还提供了一种基于在线学习课程的智能化搜索推荐系统，所述基于在线学习课程的智能化搜索推荐系统采用上述基于在线学习课程的智能化搜索推荐方法进行搜索结果推荐，所述基于在线学习课程的智能化搜索推荐系统包括数据采集模块110、数据处理模块120、特征提取模块130、搜索推荐模块140、用户界面模块150、优化模块160以及推荐模型建立模块170。
62.数据采集模块110，用于采集用户的学习浏览数据；数据处理模块120，用于对学习浏览数据进行预处理，生成学习浏览数据对应的关键词序列，基于加载的课程目录进行章节匹配；特征提取模块130，用于获取用户当前阶段的在线学习课程日志，基于用户的学习模型对当前在线学习课程进行分类和标签化，建立基于章节匹配的在线学习课程的特征向量；搜索推荐模块140，用于响应于搜索指令获取搜索结果，根据所包含的关键词、课程的特征向量对获取的搜索结果划分推荐层级，根据所述推荐层级的推荐优先级进行推荐；用户界面模块150，用于展示推荐结果和收集用户的反馈；优化模块160，用于根据用户的反馈，对学习模型进行优化；推荐模型建立模块170，用于基于用户的学习模型和在线学习课程的特征向量，建立用户和在线学习课程之间的推荐模型，并根据用户的搜索行为和历史记录，实时更新推荐模型。
63.需要特别说明的是，基于在线学习课程的智能化搜索推荐系统在执行时采用如前述的一种基于在线学习课程的智能化搜索推荐方法的步骤，因此，本实施例中对基于在线学习课程的智能化搜索推荐系统的运行过程不再详细介绍。
64.在一个实施例中，在本发明的实施例中还提供了一种计算机设备，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述的基于在线学习课程的智能化搜索推荐方法，该处理器执行指令时实现上述各方法实施例中的步骤。
65.在本发明的实施例中提供的一种计算机设备，该计算机设备包括存储器和处理器，存储器中存储有计算机程序，该处理器被配置为用于执行所述存储器中存储的计算机程序。所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现上述方法实施例中的步骤：采集用户的学习浏览数据，对所述学习浏览数据进行预处理，生成学习浏览数据对应的关键词序列，基于加载的课程目录进行章节匹配；获取用户当前阶段的在线学习课程日志，基于用户的学习模型对当前在线学习课程进行分类和标签化，建立基于章节匹配的在线学习课程的特征向量；响应于搜索指令获取搜索结果，其中，所述搜索指令至少包括用户输入的检索词、选择段落或章节内容；根据所包含的关键词、课程的特征向量对获取的搜索结果划分推荐层级，根据所述推荐层级的推荐优先级进行推荐至用户端显示。
66.在本发明的一个实施例中还提供了一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤：采集用户的学习浏览数据，对所述学习浏览数据进行预处理，生成学习浏览数据对应的关键词序列，基于加载的课程目录进行章节匹配；获取用户当前阶段的在线学习课程日志，基于用户的学习模型对当前在线学习课程进行分类和标签化，建立基于章节匹配的在线学习课程的特征向量；响应于搜索指令获取搜索结果，其中，所述搜索指令至少包括用户输入的检索词、选择段落或章节内容；根据所包含的关键词、课程的特征向量对获取的搜索结果划分推荐层级，根据所述推荐层级的推荐优先级进行推荐至用户端显示。
67.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。
68.综上所述，本发明提供的基于在线学习课程的智能化搜索推荐方法和系统，通过采集用户的学习行为数据，基于加载的课程目录进行章节匹配，然后结合用户的兴趣爱好和学习目标，对学习资源进行智能化推荐。在推荐过程中，该系统考虑学习资源的难度、时长、类型等因素，以及用户的学习历史和评价等因素，从而提高推荐的准确性和个性化程度。同时，该系统还可以根据用户的反馈，不断优化学习模型，提高推荐效果。该系统的用户界面友好，易于操作，能够满足用户的个性化需求。
69.利用机器学习算法对用户的学习模型和课程的特征向量进行训练，建立搜索推荐
模型，能够更加准确地推荐与用户学习兴趣和能力相匹配的课程，提高用户的学习效果和满意度。
70.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。