在线学习挖掘方法、在线学习系统及服务器技术方案

本申请实施例提供一种在线学习挖掘方法、在线学习系统及服务器，通过对在线学习推荐结果进行风格特征提取和内容特征提取，并确定对在线学习推荐模型的风格特征提取信息和内容特征提取信息进行并行映射挖掘，由此可以从在线学习推荐结果中有效挖掘出在线学习挖掘结果，以便于在线学习平台参考该在线学习挖掘结果进行后续的推荐内容侧重点布局，进而改善在线学习平台更新的推荐内容后续无法针对性地推荐给广大学员用户，而广大学员用户真正需要的推荐内容可能更新不及时或者更新内容过少的情况，提高信息推荐体验。

【技术实现步骤摘要】
在线学习挖掘方法、在线学习系统及服务器
本申请涉及大数据分析与信息推荐
，具体而言，涉及一种在线学习挖掘方法、在线学习系统及服务器。
技术介绍
随着互联网技术的快速发展，通过在网上建立在线学习平台，可以使得众多学员用户通过互联网进行广泛地学习。在传统方案中，为了提高学院用户的学习体验，在线学习平台通常会收集学员用户在学习过程中产生的学习行为，并通过对学习行为进行大数据分析后与多个在线学习推荐模型进行匹配以为该学员用户关联对应的在线学习推荐模型进行后续的在线学习挖掘。对于在线学习平台而言，通过预先配置的不同在线学习推荐模型可以为每个学员用户更有针对性地提供在线学习推荐结果以便于为学员用户符合其自身日常学习行为的丰富推荐内容。然而，在此基础上，也对在线学习平台上的推荐内容的丰富性造成了巨大的挑战，在线学习平台往往无法准确知晓哪些推荐内容更符合当前广大学员用户的学习行为，由此往往可能导致在线学习平台更新的推荐内容后续无法针对性地推荐给广大学员用户，而广大学员用户真正需要的推荐内容可能更新不及时或者更新内容过少，进而严重影响信息推荐体验。
技术实现思路
有鉴于此，本申请的目的在于提供一种在线学习挖掘方法、在线学习系统及服务器，可以从在线学习推荐结果中有效挖掘出在线学习挖掘结果，以便于在线学习平台参考该在线学习挖掘结果进行后续的推荐内容侧重点布局，进而改善在线学习平台更新的推荐内容后续无法针对性地推荐给广大学员用户，而广大学员用户真正需要的推荐内容可能更新不及时或者更新内容过少的情况，提高信息推荐体验。第一方面，本申请提供一种在线学习挖掘方法，应用于服务器，所述服务器与多个在线学习终端通信连接，所述方法包括：获取针对每个在线学习终端所对应的学习行为数据在多个在线学习推荐模型所对应的待挖掘的在线学习推荐结果，分别对所述在线学习推荐结果进行风格特征提取和内容特征提取，得到所述多个在线学习推荐模型对应的风格特征提取信息和内容特征提取信息，其中，所述风格特征提取信息用于表示所述在线学习推荐结果的每个待挖掘推荐对象的风格特征，所述内容特征提取信息用于表示所述在线学习推荐结果的每个待挖掘推荐对象的内容特征；确定对所述在线学习推荐模型的风格特征提取信息和内容特征提取信息进行并行映射挖掘的在线学习挖掘指令集；根据所述在线学习挖掘指令集，计算出所述风格特征提取信息和所述内容特征提取信息在相同在线学习挖掘指令下分别对应的观测挖掘向量矩阵，并构造两个所述观测挖掘向量矩阵之间的挖掘节点序列，以及基于所述挖掘节点序列对所述在线学习推荐模型的风格特征提取信息和内容特征提取信息进行并行映射挖掘，得到对应的并行映射挖掘信息；根据确定的所述并行映射挖掘信息，分别生成每个在线学习推荐模型对应的在线学习推荐结果的在线学习挖掘结果，所述在线学习挖掘结果中包括在线学习挖掘内容知识点，所述在线学习挖掘内容知识点用于提示相应的在线学习平台的管理者针对所述在线学习挖掘内容知识点进行推荐内容的更新。在第一方面的一种可能的设计中，所述分别对所述在线学习推荐结果进行风格特征提取和内容特征提取，得到所述多个在线学习推荐模型对应的风格特征提取信息和内容特征提取信息的步骤，包括：分别对所述在线学习推荐结果的课程标签信息所指示的推荐课程信息进行提取，得到对应的推荐风格课程特征和推荐内容课程特征；分别对所述推荐风格课程特征和所述推荐内容课程特征进行映射关联，得到所述推荐风格课程特征的第一映射关联序列以及所述推荐内容课程特征的第二映射关联序列，其中，所述第一映射关联序列中包括所述推荐风格课程特征的多个第一风格特征向量，所述第二映射关联序列中包括所述推荐内容课程特征的多个第一内容特征向量；在预设的关联挖掘序列中获得与所述在线学习推荐结果关联的目标挖掘向量范围，并分别将所述推荐风格课程特征对应的第一映射关联序列中的每个第一风格特征向量和所述推荐内容课程特征对应的第二映射关联序列中的每个第一内容特征向量与所述目标挖掘向量范围中的每个目标挖掘向量进行聚类，得到所述推荐风格课程特征与所述目标挖掘向量范围之间的第一聚类特征向量以及所述推荐内容课程特征与所述目标挖掘向量范围之间的第二聚类特征向量，所述关联挖掘序列包括与所述在线学习推荐结果关联的目标挖掘向量范围；以所述目标挖掘向量范围为参考挖掘向量区间进行比对，直至所述关联挖掘序列中出现一个当前挖掘向量，使得所述推荐风格课程特征与所述当前挖掘向量之间的第三聚类特征向量与所述推荐风格课程特征与所述目标挖掘向量范围之间的第一聚类特征向量的第一比对匹配率大于设定匹配率，且所述推荐内容课程特征与所述当前挖掘向量之间的第四聚类特征向量与所述推荐内容课程特征与所述当前挖掘向量之间的第二聚类特征向量的第二比对匹配率大于所述设定匹配率时，得到所述在线学习推荐模型对应的风格特征提取信息和内容特征提取信息。在第一方面的一种可能的设计中，所述在线学习推荐模型包括与所述风格特征提取信息对应的第一在线学习推荐模型结构和与所述内容特征提取信息对应的第二在线学习推荐模型结构，所述确定对所述在线学习推荐模型的风格特征提取信息和内容特征提取信息进行并行映射挖掘的在线学习挖掘指令集的步骤，包括：根据所述第一在线学习推荐模型结构输出的风格特征提取信息及所述第二在线学习推荐模型结构输出的内容特征提取信息，确定所述第一在线学习推荐模型结构相对于所述第二在线学习推荐模型结构的第一链接网络层以及所述第二在线学习推荐模型结构相对于所述第一在线学习推荐模型结构的第二链接网络层；基于所述第一链接网络层以及所述风格特征提取信息所表征的所述第一在线学习推荐模型结构对所述第二在线学习推荐模型结构并行映射挖掘的并行映射挖掘部分的第一并行映射挖掘元素，对所述第一在线学习推荐模型结构进行调整，得到第一目标模型结构；基于所述第二链接网络层以及所述内容特征提取信息所表征的所述第二在线学习推荐模型结构向所述第一在线学习推荐模型结构并行映射挖掘的并行映射挖掘部分的第二并行映射挖掘元素，对所述第二在线学习推荐模型结构进行调整，得到第二目标模型结构；根据所述第一目标模型结构和所述第二目标模型结构确定对所述风格特征提取信息和所述内容特征提取信息进行并行映射挖掘的并行映射挖掘参数；其中，所述并行映射挖掘参数用于表征采用所述第一目标模型结构对所述风格特征提取信息进行并行映射挖掘的第一并行映射挖掘行为与采用所述第二目标模型结构对所述内容特征提取信息进行并行映射挖掘的第二并行映射挖掘行为相同；在所述并行映射挖掘参数所指示的并行映射挖掘范围内采用所述第一目标模型结构确定所述风格特征提取信息的第一特征并行映射挖掘范围，并根据所述第一特征并行映射挖掘范围以及预存的所述第二在线学习推荐模型结构与所述服务器中的其他在线学习推荐模型之间的并行映射挖掘映射关系中包括的所述第二在线学习推荐模型结构与所述第一在线学习推荐模型结构之间的第一并行映射挖掘结果，得到第一在线学习挖掘指令集，所述第一并行映射挖掘结果是所述第二在线学习推荐模型结构作本文档来自技高网...

【技术保护点】
1.一种在线学习挖掘方法，其特征在于，应用于服务器，所述服务器与多个在线学习终端通信连接，所述方法包括：/n获取针对所述每个在线学习终端所对应的学习行为数据在多个在线学习推荐模型所对应的待挖掘的在线学习推荐结果，分别对所述在线学习推荐结果进行风格特征提取和内容特征提取，得到所述多个在线学习推荐模型对应的风格特征提取信息和内容特征提取信息，其中，所述风格特征提取信息用于表示所述在线学习推荐结果的每个待挖掘推荐对象的风格特征，所述内容特征提取信息用于表示所述在线学习推荐结果的每个待挖掘推荐对象的内容特征；/n确定对所述在线学习推荐模型的风格特征提取信息和内容特征提取信息进行并行映射挖掘的在线学习挖掘指令集；/n根据所述在线学习挖掘指令集，计算出所述风格特征提取信息和所述内容特征提取信息在相同在线学习挖掘指令下分别对应的观测挖掘向量矩阵，并构造两个所述观测挖掘向量矩阵之间的挖掘节点序列，以及基于所述挖掘节点序列对所述在线学习推荐模型的风格特征提取信息和内容特征提取信息进行并行映射挖掘，得到对应的并行映射挖掘信息；/n根据确定的所述并行映射挖掘信息，分别生成每个在线学习推荐模型对应的在线学习推荐结果的在线学习挖掘结果，所述在线学习挖掘结果中包括在线学习挖掘内容知识点，所述在线学习挖掘内容知识点用于提示相应的在线学习平台的管理者针对所述在线学习挖掘内容知识点进行推荐内容的更新；/n所述获取针对每个在线学习终端所对应的学习行为数据在多个在线学习推荐模型所对应的待挖掘的在线学习推荐结果的步骤，包括：/n从每个所述在线学习终端中获取学员用户对应的学习行为数据，并提取与所述学习行为数据对应的学习行为风格数据，所述学习行为数据为所述服务器根据所述学员用户对应的在线学习终端的在线学习模式信息，以及所述在线学习终端与所述服务器之间的在线学习交互方式得到的；/n根据每个在线学习推荐模型对每个在线学习终端所对应的学习行为数据进行计算，得到多个在线学习推荐模型所对应的待挖掘的在线学习推荐结果；/n所述根据每个在线学习推荐模型对每个在线学习终端所对应的学习行为数据进行计算，得到多个在线学习推荐模型所对应的待挖掘的在线学习推荐结果的步骤，包括：/n获取每个学员用户的在线学习推荐模型的学习风格权重参数以及每个在线学习推荐模型在对应的学习风格权重参数下的推荐策略所对应的推荐权重，并根据学习行为风格数据中的风格数据对应的风格权重以及每个在线学习推荐模型的学习风格权重参数及其在对应的学习风格权重参数下的推荐策略中所对应的推荐权重，计算学习行为数据与每个在线学习推荐模型之间的适配度；其中，学习风格权重参数是指具体的学习风格所占的权重参数类型，不同的学习风格权重参数所对应的推荐策略各有不同，对于不同的在线学习推荐模型而言，不同的学习风格权重参数所对应的推荐策略所对应的推荐权重也各有不同；/n在确定出的所有适配度中未存在达到预设适配度阈值的目标适配度时，确定出每个在线学习推荐模型相对于学员用户的推荐级别并根据推荐级别的大小顺序，通过每个对应的在线学习推荐模型对学员用户的学习行为数据进行数据特征识别得到学员用户对应的多个模型匹配属性以及每个模型匹配属性中对应的与每个在线学习推荐模型的推荐级别对应的模型属性节点，根据每个模型匹配属性从学员用户对应的学习行为风格数据中确定出每个模型匹配属性对应的风格属性权重参数，将每个模型匹配属性对应的风格属性权重参数关联到每个模型匹配属性中加载的模型属性节点对应的第二目标在线学习推荐模型中，通过每个第二目标在线学习推荐模型根据风格属性权重参数对学员用户进行信息推荐得到第二在线学习推荐结果。/n...

【技术特征摘要】
1.一种在线学习挖掘方法，其特征在于，应用于服务器，所述服务器与多个在线学习终端通信连接，所述方法包括：
获取针对所述每个在线学习终端所对应的学习行为数据在多个在线学习推荐模型所对应的待挖掘的在线学习推荐结果，分别对所述在线学习推荐结果进行风格特征提取和内容特征提取，得到所述多个在线学习推荐模型对应的风格特征提取信息和内容特征提取信息，其中，所述风格特征提取信息用于表示所述在线学习推荐结果的每个待挖掘推荐对象的风格特征，所述内容特征提取信息用于表示所述在线学习推荐结果的每个待挖掘推荐对象的内容特征；
确定对所述在线学习推荐模型的风格特征提取信息和内容特征提取信息进行并行映射挖掘的在线学习挖掘指令集；
根据所述在线学习挖掘指令集，计算出所述风格特征提取信息和所述内容特征提取信息在相同在线学习挖掘指令下分别对应的观测挖掘向量矩阵，并构造两个所述观测挖掘向量矩阵之间的挖掘节点序列，以及基于所述挖掘节点序列对所述在线学习推荐模型的风格特征提取信息和内容特征提取信息进行并行映射挖掘，得到对应的并行映射挖掘信息；
根据确定的所述并行映射挖掘信息，分别生成每个在线学习推荐模型对应的在线学习推荐结果的在线学习挖掘结果，所述在线学习挖掘结果中包括在线学习挖掘内容知识点，所述在线学习挖掘内容知识点用于提示相应的在线学习平台的管理者针对所述在线学习挖掘内容知识点进行推荐内容的更新；
所述获取针对每个在线学习终端所对应的学习行为数据在多个在线学习推荐模型所对应的待挖掘的在线学习推荐结果的步骤，包括：
从每个所述在线学习终端中获取学员用户对应的学习行为数据，并提取与所述学习行为数据对应的学习行为风格数据，所述学习行为数据为所述服务器根据所述学员用户对应的在线学习终端的在线学习模式信息，以及所述在线学习终端与所述服务器之间的在线学习交互方式得到的；
根据每个在线学习推荐模型对每个在线学习终端所对应的学习行为数据进行计算，得到多个在线学习推荐模型所对应的待挖掘的在线学习推荐结果；
所述根据每个在线学习推荐模型对每个在线学习终端所对应的学习行为数据进行计算，得到多个在线学习推荐模型所对应的待挖掘的在线学习推荐结果的步骤，包括：
获取每个学员用户的在线学习推荐模型的学习风格权重参数以及每个在线学习推荐模型在对应的学习风格权重参数下的推荐策略所对应的推荐权重，并根据学习行为风格数据中的风格数据对应的风格权重以及每个在线学习推荐模型的学习风格权重参数及其在对应的学习风格权重参数下的推荐策略中所对应的推荐权重，计算学习行为数据与每个在线学习推荐模型之间的适配度；其中，学习风格权重参数是指具体的学习风格所占的权重参数类型，不同的学习风格权重参数所对应的推荐策略各有不同，对于不同的在线学习推荐模型而言，不同的学习风格权重参数所对应的推荐策略所对应的推荐权重也各有不同；
在确定出的所有适配度中未存在达到预设适配度阈值的目标适配度时，确定出每个在线学习推荐模型相对于学员用户的推荐级别并根据推荐级别的大小顺序，通过每个对应的在线学习推荐模型对学员用户的学习行为数据进行数据特征识别得到学员用户对应的多个模型匹配属性以及每个模型匹配属性中对应的与每个在线学习推荐模型的推荐级别对应的模型属性节点，根据每个模型匹配属性从学员用户对应的学习行为风格数据中确定出每个模型匹配属性对应的风格属性权重参数，将每个模型匹配属性对应的风格属性权重参数关联到每个模型匹配属性中加载的模型属性节点对应的第二目标在线学习推荐模型中，通过每个第二目标在线学习推荐模型根据风格属性权重参数对学员用户进行信息推荐得到第二在线学习推荐结果。


2.根据权利要求1所述的在线学习挖掘方法，其特征在于，所述分别对所述在线学习推荐结果进行风格特征提取和内容特征提取，得到所述多个在线学习推荐模型对应的风格特征提取信息和内容特征提取信息的步骤，包括：
分别对所述在线学习推荐结果的课程标签信息所指示的推荐课程信息进行提取，得到对应的推荐风格课程特征和推荐内容课程特征；
分别对所述推荐风格课程特征和所述推荐内容课程特征进行映射关联，得到所述推荐风格课程特征的第一映射关联序列以及所述推荐内容课程特征的第二映射关联序列，其中，所述第一映射关联序列中包括所述推荐风格课程特征的多个第一风格特征向量，所述第二映射关联序列中包括所述推荐内容课程特征的多个第一内容特征向量；
在预设的关联挖掘序列中获得与所述在线学习推荐结果关联的目标挖掘向量范围，并分别将所述推荐风格课程特征对应的第一映射关联序列中的每个第一风格特征向量和所述推荐内容课程特征对应的第二映射关联序列中的每个第一内容特征向量与所述目标挖掘向量范围中的每个目标挖掘向量进行聚类，得到所述推荐风格课程特征与所述目标挖掘向量范围之间的第一聚类特征向量以及所述推荐内容课程特征与所述目标挖掘向量范围之间的第二聚类特征向量，所述关联挖掘序列包括与所述在线学习推荐结果关联的目标挖掘向量范围；
以所述目标挖掘向量范围为参考挖掘向量区间进行比对，直至所述关联挖掘序列中出现一个当前挖掘向量，使得所述推荐风格课程特征与所述当前挖掘向量之间的第三聚类特征向量与所述推荐风格课程特征与所述目标挖掘向量范围之间的第一聚类特征向量的第一比对匹配率大于设定匹配率，且所述推荐内容课程特征与所述当前挖掘向量之间的第四聚类特征向量与所述推荐内容课程特征与所述当前挖掘向量之间的第二聚类特征向量的第二比对匹配率大于所述设定匹配率时，得到所述在线学习推荐模型对应的风格特征提取信息和内容特征提取信息。


3.根据权利要求1所述的在线学习挖掘方法，其特征在于，所述在线学习推荐模型包括与所述风格特征提取信息对应的第一在线学习推荐模型结构和与所述内容特征提取信息对应的第二在线学习推荐模型结构，所述确定对所述在线学习推荐模型的风格特征提取信息和内容特征提取信息进行并行映射挖掘的在线学习挖掘指令集的步骤，包括：
根据所述第一在线学习推荐模型结构输出的风格特征提取信息及所述第二在线学习推荐模型结构输出的内容特征提取信息，确定所述第一在线学习推荐模型结构相对于所述第二在线学习推荐模型结构的第一链接网络层以及所述第二在线学习推荐模型结构相对于所述第一在线学习推荐模型结构的第二链接网络层；
基于所述第一链接网络层以及所述风格特征提取信息所表征的所述第一在线学习推荐模型结构对所述第二在线学习推荐模型结构并行映射挖掘的并行映射挖掘部分的第一并行映射挖掘元素，对所述第一在线学习推荐模型结构进行调整，得到第一目标模型结构；
基于所述第二链接网络层以及所述内容特征提取信息所表征的所述第二在线学习推荐模型结构向所述第一在线学习推荐模型结构并行映射挖掘的并行映射挖掘部分的第二并行映射挖掘元素，对所述第二在线学习推荐模型结构进行调整，得到第二目标模型结构；
根据所述第一目标模型结构和所述第二目标模型结构确定对所述风格特征提取信息和所述内容特征提取信息进行并行映射挖掘的并行映射挖掘参数；其中，所述并行映射挖掘参数用于表征采用所述第一目标模型结构对所述风格特征提取信息进行并行映射挖掘的第一并行映射挖掘行为与采用所述第二目标模型结构对所述内容特征提取信息进行并行映射挖掘的第二并行映射挖掘行为相同；
在所述并行映射挖掘参数所指示的并行映射挖掘范围内采用所述第一目标模型结构确定所述风格特征提取信息的第一特征并行映射挖掘范围，并根据所述第一特征并行映射挖掘范围以及预存的所述第二在线学习推荐模型结构与所述服务器中的其他在线学习推荐模型之间的并行映射挖掘映射关系中包括的所述第二在线学习推荐模型结构与所述第一在线学习推荐模型结构之间的第一并行映射挖掘结果，得到第一在线学习挖掘指令集，所述第一并行映射挖掘结果是所述第二在线学习推荐模型结构作为并行映射挖掘对象且所述第一在线学习推荐模型结构作为待并行映射挖掘对象对应的并行映射挖掘结果；
在所述并行映射挖掘参数内采用所述第二目标模型结构确定所述内容特征提取信息的第二特征并行映射挖掘范围，并根据所述第二特征并行映射挖掘范围以及预存的所述第一在线学习推荐模型结构与所述服务器中的其他在线学习推荐模型之间的并行映射挖掘映射关系中包括的所述第一在线学习推荐模型结构与所述第二在线学习推荐模型结构之间的第二并行映射挖掘结果，得到第二在线学习挖掘指令集，所述第二并行映射挖掘结果是所述第一在线学习推荐模型结构作为并行映射挖掘对象且所述第二在线学习推荐模型结构作为待并行映射挖掘对象对应的并行映射挖掘结果；

【专利技术属性】
技术研发人员：张明，
申请(专利权)人：张明，
类型：发明
国别省市：江苏;32