[发明专利]课程推荐方法、装置、计算机设备及介质

权利要求书

1.一种课程推荐方法，其特征在于，包括：

获取待推荐用户的基础数据；

对所述基础数据进行数据预处理和聚合，根据得到的聚合结果，对所述待推荐用户进行画像处理，得到用户画像；

根据所述用户画像进行特征提取，得到目标向量；

将所述目标向量输入至预先训练的课程推荐模型中，并采用所述预先训练的课程推荐模型进行数据处理，得到待推荐课程类别；

从所述待推荐课程类别中，选取至少一个课程推荐信息，作为目标推荐课程，并将所述目标推荐课程推荐给所述待推荐用户；

所述对所述基础数据进行数据预处理和聚合，根据得到的聚合结果，对所述待推荐用户进行画像处理，得到用户画像包括：

对所述基础数据进行数据预处理，得到标准数据；对所述标准数据进行分词处理，并对分词处理结果进行聚类，得到所述待推荐用户的关联类别；根据所述关联类别，生成目标标签和所述目标标签的重要性排序，得到所述用户画像；

所述根据所述用户画像进行特征提取，得到目标向量包括：

基于预设语料库，构建所述用户画像中每个标签对应的基础词向量；针对每个所述基础词向量，计算该基础词向量与其他基础词向量之间的空间距离，并从所述空间距离中选取最小值作为该基础词向量的最小空间距离；将所述最小空间距离中小于或等于预设空间距离阈值的基础词向量，作为标签向量；基于K-Means聚合算法对所述标签向量进行分类，得到目标向量；

所述预先训练的课程推荐模型为梯度提升决策树模型，所述采用所述预先训练的课程推荐模型进行数据处理，得到待推荐课程类别包括：

将所述目标向量的每个维度作为一个训练特征；将所述训练特征输入到梯度提升决策树模型中，通过梯度提升决策树模型对所述训练特征进行训练，得到n棵决策树，其中，n为正整数；将所每棵所述决策树的路径包含的训练特征作为自变量，基于二分类逻辑回归模型，进行课程类别的预测，得到每个课程类别对应的预测分值；将预测分值超过预设阈值的课程类别，作为所述待推荐课程类别。

2.如权利要求1所述的课程推荐方法，其特征在于，在所述将所述目标向量输入至预先训练的课程推荐模型中，并采用所述预先训练的课程推荐模型进行数据处理，得到待推荐课程类别之前，所述课程推荐方法还包括：

获取每个样本用户的用户画像；

提取每个所述用户画像的特征向量；

获取每个所述样本用户的历史行为数据集合；

确定每个所述样本用户的历史行为数据集合中的历史行为数据所指示的关联类别；

针对每个所述样本用户，将所述样本用户的用户画像的特征向量作为输入，将所述样本用户的历史行为数据集合中的历史行为数据所指示的关联类别作为输出，训练得到所述预先训练的课程推荐模型。

3.如权利要求1至2任一项所述的课程推荐方法，其特征在于，在所述从所述待推荐课程类别中，选取至少一个课程推荐信息，作为目标推荐课程，并将所述目标推荐课程推荐给所述待推荐用户之后，所述课程推荐方法还包括：

接收所述待推荐用户针对所述目标推荐课程的学习评估数据；

基于所述学习评估数据，对所述待推荐用户进行二次画像，得到更新画像；

基于所述更新画像，对所述目标推荐课程进行更新。

4.一种课程推荐装置，所述课程推荐装置运行时实现如权利要求1至3任一项所述的课程推荐方法，其特征在于，所述课程推荐装置包括：

采集模块，用于获取待推荐用户的基础数据；

画像模块，用于对所述基础数据进行数据预处理和聚合，根据得到的聚合结果，对所述待推荐用户进行画像处理，得到用户画像；

提取模块，用于根据所述用户画像进行特征提取，得到目标向量；

训练模块，用于将所述目标向量输入至预先训练的课程推荐模型中，并采用所述预先训练的课程推荐模型进行数据处理，得到待推荐课程类别；

推荐模块，用于从所述待推荐课程类别中，选取至少一个课程推荐信息，作为目标推荐课程，并将所述目标推荐课程推荐给所述待推荐用户。