[发明专利]基于无监督学习的课程推荐方法、装置、设备及介质

说明书

本发明涉及人工智能领域，提供一种基于无监督学习的课程推荐方法、装置、设备及介质，能够采用cycle‑GAN模型对训练数据进行扩展，有效解决由于样本数量不足导致模型训练效果不佳，精度较差的问题，同时，由于cycle‑GAN模型的特性，扩展后生成的样本也具有较强的可用性，并且，由于综合了不同维度的预测结果，推荐的课程也更加合理，进而实现对课程的自动推荐。本发明还涉及区块链技术，涉及到的模型可存储于区块链。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于无监督学习的课程推荐方法、装置、设备及介质。

背景技术

目前，针对营业部的培训缺乏灵活性，只能提供制式化、标准化的培训内容，无法满足营业部、营业组及代理人的实际需求。具体而言，营业部与代理人的经营目标主要包括销售、主拓、展业和增员等，设置有针对性的业务培训将大大提升他们的经营业绩，例如开单及增员效率。但现况是，目前营业部培训的效果难以保证。

此外，代理人千人千面的特性也给营业部的培训规划增添了难度。一方面难以抽象总结出能够与营业部整体情况相匹配的培训需求，并根据培训需求对培训方案进行设计与执行；另一方面，也很难通过营业部间的横向比较，为营业部量身定制合适的培训目标和方向。

并且，通常采用的课程推荐模型的训练效果也局限于训练样本的数量，当没有足够的样本支撑模型做训练时，模型预测的效果将受到很大影响。

发明内容

鉴于以上内容，有必要提供一种基于无监督学习的课程推荐方法、装置、设备及介质，能够实现对课程的自动推荐，并且，由于综合了不同维度的预测结果，推荐的课程也更加合理。

一种基于无监督学习的课程推荐方法，所述基于无监督学习的课程推荐方法包括：

响应于课程推荐指令，根据所述课程推荐指令获取特征指标及模式指标；

获取待推荐对象，根据所述待推荐对象确定基准对象；

获取所述待推荐对象对应于所述特征指标的数据作为第一样本，获取所述基准对象对应于所述特征指标的数据作为第二样本，并整合所述第一样本及所述第二样本，得到特征样本；

获取所述待推荐对象对应于所述模式指标的数据作为第三样本，获取所述基准对象对应于所述模式指标的数据作为第四样本，并整合所述第三样本及所述第四样本，得到模式样本；

调取预先训练的cycle-GAN模型，利用所述cycle-GAN模型对所述特征样本进行扩展，得到第一训练数据，及利用所述cycle-GAN模型对所述模式样本进行扩展，得到第二训练数据；

基于所述第一训练数据训练第一预测模型，及基于所述第二训练数据训练第二预测模型；

获取待预测数据，将所述待预测数据输入至所述第一预测模型，得到第一预测结果，及将所述待预测数据输入至所述第二预测模型，得到第二预测结果；

根据所述第一预测结果及所述第二预测结果确定目标推荐课程。

根据本发明优选实施例，所述根据所述课程推荐指令获取特征指标及模式指标包括：

解析所述课程推荐指令的方法体，得到所述课程推荐指令所携带的信息；

获取第一预设标签；

根据所述第一预设标签构建第一正则表达式；

根据所述第一正则表达式在所述课程推荐指令所携带的信息中进行遍历，并将遍历到的数据确定为第一地址；

获取第二预设标签；

根据所述第二预设标签构建第二正则表达式；

根据所述第二正则表达式在所述课程推荐指令所携带的信息中进行遍历，并将遍历到的数据确定为第二地址；