一种基于教育机器人的在线课堂智能推荐方法与流程

1.本发明属于在线教育技术领域，尤其涉及一种基于教育机器人的在线课堂智能推荐方法。


背景技术：

2.为了基于教育机器人实现对用户在在线课堂的课程的智能推荐，在发明专利cn113065060b《基于深度学习的教育平台课程推荐方法及系统》中通过获取用户的行为数据、用户的基本信息和用户的历史观看课程，并将用户的行为序列、课程特征、用户特征和用户所处环境特征，输入到预先训练好的神经网络模型中，输出课程推荐结果，但是却存在以下技术问题：
3.1、忽视了对用户的历史观看课程和行为数据的二次筛选，对于用户来说，用户有可能由于误操作或者短暂观看之后觉得兴趣度不大等原因，若不能将上述课程排除在外，则有可能导致推荐结果不够准确。
4.2、未考虑基于历史推荐结果的其它用户的点击情况或者观看情况生成多项课程推荐结果，若仅仅采用用户的数据，同时生成一个课程推荐结果，则同样无法准确的实现对课程的推荐。
5.针对上述技术问题，本发明提供了一种基于教育机器人的在线课堂智能推荐方法。


技术实现要素：

6.为实现本发明目的，本发明采用如下技术方案：
7.根据本发明的一个方面，提供了一种基于教育机器人的在线课堂智能推荐方法。
8.一种基于教育机器人的在线课堂智能推荐方法，其特征在于，具体包括：
9.s11通过教育机器人获取用户在在线课堂的累计在线时长，并基于所述累计在线时长确定是否能够进行课程的推荐，若是，则进入步骤s12，若否，则输出无法进行课程的推荐；
10.s12通过所述用户的历史观看记录得到反刍比大于预设值的课程，并将其作为高反刍比课程，基于高反刍比课程的标题，利用关键词提取模型确定所述高反刍比课程的关键词；
11.s13利用所述高反刍比课程的关键词进行所述高反刍比课程的相似课程的筛选，并基于所述高反刍比课程以及所述相似课程的用户的点击次数、反刍比、观看时长进行所述关键词的权值的构建，并基于所述关键词以及所述关键词的权值进行所述用户的特征关键词的构建；
12.s14基于所述特征关键词进行推荐相似课程的筛选，并基于所述推荐相似课程的累计观看时长、累计观看人数、累计点击人数得到所述推荐相似课程的筛选评估值，并基于所述筛选评估值进行筛选课程的确认；
13.s15通过所述特征关键词确定与所述用户的相似度大于设定值的重点用户，并结合重点用户对筛选课程的点击率、观看时长，并结合所述相似度实现筛选课程的推荐值的生成，并基于所述推荐值和筛选评估值确定推荐课程以及所述推荐课程的推荐排序。
14.进一步的技术方案在于，基于所述累计在线时长确定是否能够进行课程的推荐，具体包括：
15.当所述用户的累计在线时长小于预设在线时长时，在确定不能够进行课程的推荐。
16.进一步的技术方案在于，所述反刍比根据所述课程的用户的观看时长与所述课程的实际时长的比值进行确定。
17.进一步的技术方案在于，所述聚类关键词根据所述高反刍比课程群的高反刍比课程的关键词通过去重处理后进行确定。
18.进一步的技术方案在于，基于所述相似权值、基础权值、修正权值进行权值的构建，具体包括：
19.基于所述基础权值和所述修正权值，采用基于层次分析法的数学模型得到修正后的权值；
20.基于所述相似权值对所述修正后的权值进行进一步的修正，得到权值。
21.进一步的技术方案在于，基于所述筛选评估值进行筛选课程的确认，具体包括：
22.通过所述筛选评估值确定备选的相似推荐课程的数量，并判断所述备选的相似推荐课程的数量确定是否需要进一步的筛选，若是，则进入下一步骤，若否，则将所述备选的相似推荐课程作为相似推荐课程；
23.通过所述其它评估值对所述备选的相似推荐课程进行进一步筛选，得到大于评估预设值的备选的相似推荐课程，并基于所述大于评估阈值的备选的相似推荐课程的数量确定是否需要进一步的筛选，若是，则进入下一步骤，若否，则将所述大于评估阈值的备选的相似推荐课程作为相似推荐课程；
24.基于所述大于评估阈值的备选的相似推荐课程的累计筛选评估值对所述大于评估阈值的备选的相似推荐课程进行二次筛选，得到相似推荐课程。
25.第二方面，本发明提供了一种计算机系统，包括：通信连接的存储器和处理器，以及存储在所述存储器上并能够在所述处理器上运行的计算机程序，其特征在于：所述处理器运行所述计算机程序时执行上述的一种基于教育机器人的在线课堂智能推荐方法。
26.第三方面，本发明提供了一种计算机存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述的一种基于教育机器人的在线课堂智能推荐方法。
27.本发明的有益效果在于：
28.通过首先对用户的累计在线时长和高反刍比课程的关键词的提取，从而避免了由于累计在线时长较短导致的推荐的准确性不高的技术问题，同时也通过对高反刍比课程的关键词的提取，实现了对用户的类型的准确评估，保证了进行课程的推荐的准确性。
29.通过基于所述高反刍比课程以及所述相似课程的用户的点击次数、反刍比、观看时长进行所述关键词的权值的构建，并基于所述关键词以及所述关键词的权值进行所述用户的特征关键词的构建，从而不仅仅考虑到用户的高反刍比课程，并结合相似课程的情况，
进一步保证了评估的准确性和全面性。
30.通过基于所述推荐相似课程的累计观看时长、累计观看人数、累计点击人数得到所述推荐相似课程的筛选评估值，并基于所述筛选评估值进行筛选课程的确认，从而实现了结合其他用户的观看情况实现了对筛选课程的确认，进一步保证了筛选课程的准确性。
31.通过结合重点用户对筛选课程的点击率、观看时长，并结合所述相似度实现筛选课程的推荐值的生成，从而实现了从与用户的相似度较高的重点用户的角度实现了对推荐课程的筛选，保证了推荐课程的推荐的准确性。
32.其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
33.为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
34.通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。
35.图1是一种基于教育机器人的在线课堂智能推荐方法的流程图；
36.图2是特征关键词确定的具体步骤的流程图；
37.图3是筛选评估值构建的具体步骤的流程图；
38.图4是筛选课程的推荐值的生成的具体步骤的流程图。
具体实施方式
39.为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通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，都应当属于本说明书保护的范围。
40.为解决上述问题，根据本发明的一个方面，如图1所示，提供了根据本发明的一个方面，提供了一种基于教育机器人的在线课堂智能推荐方法，其特征在于，具体包括：
41.s11通过教育机器人获取用户在在线课堂的累计在线时长，并基于所述累计在线时长确定是否能够进行课程的推荐，若是，则进入步骤s12，若否，则输出无法进行课程的推荐；
42.具体的举例说明，当用户在在线课堂的累计在线时长小于5小时时，则无法进行课程的推荐。
43.s12通过所述用户的历史观看记录得到反刍比大于预设值的课程，并将其作为高反刍比课程，基于高反刍比课程的标题，利用关键词提取模型确定所述高反刍比课程的关键词；
44.可以理解的是，基于所述累计在线时长确定是否能够进行课程的推荐，具体包括：
45.当所述用户的累计在线时长小于预设在线时长时，在确定不能够进行课程的推
荐。
46.需要说明的是，所述反刍比根据所述课程的用户的观看时长与所述课程的实际时长的比值进行确定。
47.在本实施例中，通过首先对用户的累计在线时长和高反刍比课程的关键词的提取，从而避免了由于累计在线时长较短导致的推荐的准确性不高的技术问题，同时也通过对高反刍比课程的关键词的提取，实现了对用户的类型的准确评估，保证了进行课程的推荐的准确性。
48.s13利用所述高反刍比课程的关键词进行所述高反刍比课程的相似课程的筛选，并基于所述高反刍比课程以及所述相似课程的用户的点击次数、反刍比、观看时长进行所述关键词的权值的构建，并基于所述关键词以及所述关键词的权值进行所述用户的特征关键词的构建；
49.具体的举例说明，如图2所示，所述特征关键词确定的具体步骤为：
50.s21获取所述高反刍比课程的关键词，并基于所述关键词对所述高反刍比课程进行聚类分析得到高反刍比课程群以及所述高反刍比课程群的关键词，并将所述高反刍比课程群的关键词作为聚类关键词；
51.s22基于所述聚类关键词所对应的高反刍比课程群的高反刍比课程的数量、高反刍比课程的反刍比的平均值以及最大值进行所述聚类关键词的基础权值的构建，并判断所述基础权值是否大于权值限定值，若是，则基于所述基础权值以及所述聚类关键词进行特征关键词的构建，若否，则进入步骤s23；
52.s23基于所述聚类关键词所对应的高反刍比课程群的高反刍比课程的用户的观看时长的和、用户的点击次数的和、用户的反刍比的和进行所述聚类关键词的修正权值的构建；
53.s24基于所述聚类关键词进行所述高反刍比课程群的相似课程的确定，并基于所述相似课程的用户的观看时长的和、用户的点击次数的和、用户的反刍比的和进行所述聚类关键词的相似权值的构建，并基于所述相似权值、基础权值、修正权值进行权值的构建，并基于所述权值以及所述聚类关键词进行特征关键词的构建。
54.具体的，所述聚类关键词根据所述高反刍比课程群的高反刍比课程的关键词通过去重处理后进行确定。
55.可以理解的是，基于所述相似权值、基础权值、修正权值进行权值的构建，具体包括：
56.基于所述基础权值和所述修正权值，采用基于层次分析法的数学模型得到修正后的权值；
57.基于所述相似权值对所述修正后的权值进行进一步的修正，得到权值。
58.在本实施例中，通过基于所述高反刍比课程以及所述相似课程的用户的点击次数、反刍比、观看时长进行所述关键词的权值的构建，并基于所述关键词以及所述关键词的权值进行所述用户的特征关键词的构建，从而不仅仅考虑到用户的高反刍比课程，并结合相似课程的情况，进一步保证了评估的准确性和全面性。
59.s14基于所述特征关键词进行推荐相似课程的筛选，并基于所述推荐相似课程的累计观看时长、累计观看人数、累计点击人数得到所述推荐相似课程的筛选评估值，并基于
所述筛选评估值进行筛选课程的确认；
60.具体的举例说明，如图3所示，所述筛选评估值构建的具体步骤为：
61.s31基于所述推荐相似课程的累计点击人数确定所述推荐相似课程是否可能为筛选课程，若是，则进入步骤s32，若否，则确定所述推荐相似课程不为筛选课程；
62.s32获取所述推荐相似课程的累计观看人数，并基于所述累计观看人数确定所述推荐相似课程是否可能为筛选课程，若是，则进入步骤s33，若否，则确定所述推荐相似课程不为筛选课程；
63.s33基于所述推荐相似课程的累计观看人数、累计观看时长、累计点击人数，并结合所述推荐相似课程的推荐次数以及上线时间，进行所述推荐相似课程的累计筛选评估值的确定，并基于所述推荐相似课程的累计筛选评估值确定所述推荐相似课程是否可能为筛选课程，若是，则进入步骤s34，若否，则确定所述推荐相似课程不为筛选课程；
64.s34将所述推荐相似课程的累计观看时长大于设定推荐时长的用户作为推荐用户，并基于所述推荐用户的累计观看时长、推荐用户的人数、推荐用户的观看时长的平均值和完播率进行所述相似推荐课程的其它评估值的确定，并基于所述其它评估值与所述类似筛选评估值进行所述相似推荐课程的筛选评估值的确定。
65.具体的，基于所述筛选评估值进行筛选课程的确认，具体包括：
66.通过所述筛选评估值确定备选的相似推荐课程的数量，并判断所述备选的相似推荐课程的数量确定是否需要进一步的筛选，若是，则进入下一步骤，若否，则将所述备选的相似推荐课程作为相似推荐课程；
67.通过所述其它评估值对所述备选的相似推荐课程进行进一步筛选，得到大于评估预设值的备选的相似推荐课程，并基于所述大于评估阈值的备选的相似推荐课程的数量确定是否需要进一步的筛选，若是，则进入下一步骤，若否，则将所述大于评估阈值的备选的相似推荐课程作为相似推荐课程；
68.基于所述大于评估阈值的备选的相似推荐课程的累计筛选评估值对所述大于评估阈值的备选的相似推荐课程进行二次筛选，得到相似推荐课程。
69.在本实施例中，通过基于所述推荐相似课程的累计观看时长、累计观看人数、累计点击人数得到所述推荐相似课程的筛选评估值，并基于所述筛选评估值进行筛选课程的确认，从而实现了结合其他用户的观看情况实现了对筛选课程的确认，进一步保证了筛选课程的准确性。
70.s15通过所述特征关键词确定与所述用户的相似度大于设定值的重点用户，并结合重点用户对筛选课程的点击率、观看时长，并结合所述相似度实现筛选课程的推荐值的生成，并基于所述推荐值和筛选评估值确定推荐课程以及所述推荐课程的推荐排序。
71.具体的举例说明，如图4所示，所述筛选课程的推荐值的生成的具体步骤为；
72.s41通过特征关键词的匹配数量对所述在线课堂的用户进行筛选得到筛选用户，并基于所述筛选用户与所述用户的匹配的关键词的数量、匹配的关键词的权值的和、匹配的关键词的权值的和占所述筛选用户的关键词的权值的和的比例以及所述匹配的关键词的权值的和占所述用户的关键词的权值的和的比例进行相似度的确定，并将相似度大于设定值的筛选用户作为重点用户；
73.s42判断所述重点用户对所述筛选课程的点击率是否大于点击率设定量，若是，则
进入步骤s43，若否，则将所述筛选课程作为一般筛选课程，并利用所述重点用户对所述筛选课程的平均观看时长和点击率进行所述筛选课程的推荐值的确定；
74.s43判断是否存在对所述筛选课程的观看时长是否大于观看时长设定值的重点用户，若是，则进入步骤s44，若否，则将所述筛选课程作为一般筛选课程，并利用所述重点用户对所述筛选课程的平均观看时长和点击率进行所述筛选课程的推荐值的确定；
75.s44将所述筛选课程作为核心筛选课程，并基于重点用户对筛选课程的点击率、观看时长、相似度进行所述重点用户的推荐值的确定，并基于所有的重点用户的推荐值的平均值以及最大值，并结合所述重点用户的数量进行所述筛选课程的推荐值的确定。
76.需要说明的是，基于所述推荐值和筛选评估值确定推荐课程以及所述推荐课程的推荐排序，具体包括：
77.当所述筛选课程为一般筛选课程时，则不将所述筛选课程作为推荐课程；
78.当所述筛选课程为核心筛选课程时，则将所述筛选课程作为推荐课程，并首先基于所述推荐课程的筛选评估值进行排序，并当所述推荐课程的筛选评估值一致时，再基于所述推荐值进行所述推荐课程的排序。
79.在本实施例中，通过结合重点用户对筛选课程的点击率、观看时长，并结合所述相似度实现筛选课程的推荐值的生成，从而实现了从与用户的相似度较高的重点用户的角度实现了对推荐课程的筛选，保证了推荐课程的推荐的准确性。
80.另一方面，本发明提供了一种计算机系统，包括：通信连接的存储器和处理器，以及存储在所述存储器上并能够在所述处理器上运行的计算机程序，其特征在于：所述处理器运行所述计算机程序时执行上述的一种基于教育机器人的在线课堂智能推荐方法。
81.另一方面，本发明提供了一种计算机存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述的一种基于教育机器人的在线课堂智能推荐方法。
82.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
83.上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
84.以上所述仅为本说明书的一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

技术特征：
1.一种基于教育机器人的在线课堂智能推荐方法，其特征在于，具体包括：通过教育机器人获取用户在在线课堂的累计在线时长，并基于所述累计在线时长确定是否能够进行课程的推荐，若是，则进入下一步骤，若否，则输出无法进行课程的推荐；通过所述用户的历史观看记录得到反刍比大于预设值的课程，并将其作为高反刍比课程，基于高反刍比课程的标题，利用关键词提取模型确定所述高反刍比课程的关键词；利用所述高反刍比课程的关键词进行所述高反刍比课程的相似课程的筛选，并基于所述高反刍比课程以及所述相似课程的用户的点击次数、反刍比、观看时长进行所述关键词的权值的构建，并基于所述关键词以及所述关键词的权值进行所述用户的特征关键词的构建；基于所述特征关键词进行推荐相似课程的筛选，并基于所述推荐相似课程的累计观看时长、累计观看人数、累计点击人数得到所述推荐相似课程的筛选评估值，并基于所述筛选评估值进行筛选课程的确认；通过所述特征关键词确定与所述用户的相似度大于设定值的重点用户，并结合重点用户对筛选课程的点击率、观看时长，并结合所述相似度实现筛选课程的推荐值的生成，并基于所述推荐值和筛选评估值确定推荐课程以及所述推荐课程的推荐排序。2.如权利要求1所述的一种基于教育机器人的在线课堂智能推荐方法，其特征在于，基于所述累计在线时长确定是否能够进行课程的推荐，具体包括：当所述用户的累计在线时长小于预设在线时长时，在确定不能够进行课程的推荐。3.如权利要求1所述的一种基于教育机器人的在线课堂智能推荐方法，其特征在于，所述反刍比根据所述课程的用户的观看时长与所述课程的实际时长的比值进行确定。4.如权利要求1所述的一种基于教育机器人的在线课堂智能推荐方法，其特征在于，所述特征关键词确定的具体步骤为：获取所述高反刍比课程的关键词，并基于所述关键词对所述高反刍比课程进行聚类分析得到高反刍比课程群以及所述高反刍比课程群的关键词，并将所述高反刍比课程群的关键词作为聚类关键词；基于所述聚类关键词所对应的高反刍比课程群的高反刍比课程的数量、高反刍比课程的反刍比的平均值以及最大值进行所述聚类关键词的基础权值的构建，并判断所述基础权值是否大于权值限定值，若是，则基于所述基础权值以及所述聚类关键词进行特征关键词的构建，若否，则进入下一步骤；基于所述聚类关键词所对应的高反刍比课程群的高反刍比课程的用户的观看时长的和、用户的点击次数的和、用户的反刍比的和进行所述聚类关键词的修正权值的构建；基于所述聚类关键词进行所述高反刍比课程群的相似课程的确定，并基于所述相似课程的用户的观看时长的和、用户的点击次数的和、用户的反刍比的和进行所述聚类关键词的相似权值的构建，并基于所述相似权值、基础权值、修正权值进行权值的构建，并基于所述权值以及所述聚类关键词进行特征关键词的构建。5.如权利要求4所述的一种基于教育机器人的在线课堂智能推荐方法，其特征在于，所述聚类关键词根据所述高反刍比课程群的高反刍比课程的关键词通过去重处理后进行确定。6.如权利要求4所述的一种基于教育机器人的在线课堂智能推荐方法，其特征在于，基
于所述相似权值、基础权值、修正权值进行权值的构建，具体包括：基于所述基础权值和所述修正权值，采用基于层次分析法的数学模型得到修正后的权值；基于所述相似权值对所述修正后的权值进行进一步的修正，得到权值。7.如权利要求1所述的一种基于教育机器人的在线课堂智能推荐方法，其特征在于，所述筛选评估值构建的具体步骤为：基于所述推荐相似课程的累计点击人数确定所述推荐相似课程是否可能为筛选课程，若是，则进入下一步骤，若否，则确定所述推荐相似课程不为筛选课程；获取所述推荐相似课程的累计观看人数，并基于所述累计观看人数确定所述推荐相似课程是否可能为筛选课程，若是，则进入下一步骤，若否，则确定所述推荐相似课程不为筛选课程；基于所述推荐相似课程的累计观看人数、累计观看时长、累计点击人数，并结合所述推荐相似课程的推荐次数以及上线时间，进行所述推荐相似课程的累计筛选评估值的确定，并基于所述推荐相似课程的累计筛选评估值确定所述推荐相似课程是否可能为筛选课程，若是，则进入下一步骤，若否，则确定所述推荐相似课程不为筛选课程；将所述推荐相似课程的累计观看时长大于设定推荐时长的用户作为推荐用户，并基于所述推荐用户的累计观看时长、推荐用户的人数、推荐用户的观看时长的平均值和完播率进行所述相似推荐课程的其它评估值的确定，并基于所述其它评估值与所述类似筛选评估值进行所述相似推荐课程的筛选评估值的确定。8.如权利要求7所述的一种基于教育机器人的在线课堂智能推荐方法，其特征在于，基于所述筛选评估值进行筛选课程的确认，具体包括：通过所述筛选评估值确定备选的相似推荐课程的数量，并判断所述备选的相似推荐课程的数量确定是否需要进一步的筛选，若是，则进入下一步骤，若否，则将所述备选的相似推荐课程作为相似推荐课程；通过所述其它评估值对所述备选的相似推荐课程进行进一步筛选，得到大于评估预设值的备选的相似推荐课程，并基于所述大于评估阈值的备选的相似推荐课程的数量确定是否需要进一步的筛选，若是，则进入下一步骤，若否，则将所述大于评估阈值的备选的相似推荐课程作为相似推荐课程；基于所述大于评估阈值的备选的相似推荐课程的累计筛选评估值对所述大于评估阈值的备选的相似推荐课程进行二次筛选，得到相似推荐课程。9.一种计算机系统，包括：通信连接的存储器和处理器，以及存储在所述存储器上并能够在所述处理器上运行的计算机程序，其特征在于：所述处理器运行所述计算机程序时执行权利要求1-8任一项所述的一种基于教育机器人的在线课堂智能推荐方法。10.一种计算机存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-8任一项所述的一种基于教育机器人的在线课堂智能推荐方法。

技术总结
本发明提供一种基于教育机器人的在线课堂智能推荐方法，属于在线教育技术领域，具体包括：通过用户的历史观看记录得到反刍比大于预设值的课程，并将其作为高反刍比课程，利用高反刍比课程的关键词进相似课程的筛选，并基于高反刍比课程以及相似课程的用户的点击次数、反刍比、观看时长进行特征关键词的构建；基于特征关键词进行推荐相似课程的筛选，并基于推荐相似课程的筛选评估值进行筛选课程的确认；通过特征关键词确定重点用户，并结合重点用户对筛选课程的点击率、观看时长，并结合相似度实现筛选课程的推荐值的生成，并基于推荐值和筛选评估值确定推荐课程以及推荐课程的推荐排序，从而进一步提升了推荐的准确性。从而进一步提升了推荐的准确性。从而进一步提升了推荐的准确性。


技术研发人员：李珍丽 陈孟炎
受保护的技术使用者：杭州精英在线教育科技股份有限公司
技术研发日：2023.05.22
技术公布日：2023/8/4