一种基于大数据的在线学习推荐方法、装置和计算机设备制造方法及图纸

本发明专利技术实施例提供了一种基于大数据的在线学习推荐方法、装置和计算机设备，获取到用户学习行为日志及非结构化行业数据；通过在线推荐组件针对所述用户学习行为日志进行处理，得到第一推荐结果；以及通过离线推荐组件针对所述非结构化行业数据进行处理，得到第二推荐结果；将第一推荐结果及第二推荐结果输入至缓存中；从缓存中输出所述第一推荐结果及第二推荐结果；据海量日志进行大数据在线推荐计算，实现用户学习行为的推荐内容；根据结构化的离线数据进行大数据离线推荐计算，实现用户画像及学习行为的推荐内容。及学习行为的推荐内容。及学习行为的推荐内容。

【技术实现步骤摘要】
一种基于大数据的在线学习推荐方法、装置和计算机设备


[0001]本专利技术涉及计算机
，特别是涉及一种基于大数据的在线学习推荐方法、一种基于大数据的在线学习推荐装置、一种计算机设备和一种存储介质。

技术介绍

[0002]随着在线培训需求的发展，个性化精准培训显的越来越重要，企业内员工不同的岗位、级别、所在部分等用户画像以及学习行为习惯为学员推送有针对性的培训内容；
[0003]目前比较常用的推荐方法是基于一些简单的规则：评分最高、浏览最多、学习人数最多等不同维度形成推荐结果；基于能力模型：规划整个公司每个岗位、级别的能力模型；市场上在线学习的培训平台大多数是简单的基于规则的推荐，并非真正的智能推荐，这些推荐存在以下缺陷；
[0004]第一方面，很难制定出适合每个个体的规则，满足不了用户的需求；规则需要不断的进行更新，花费的成本大，效率低；
[0005]第二方面，规划整个企业每个岗位、级别的能力模型，不是一件简单的事情，很多企业并没有完善的能力模型，可行性太差，另外随着公司的发展，还需要定期的更新能力模型，企业投入成本大，见率低。

技术实现思路

[0006]鉴于上述问题，提出了本专利技术实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于大数据的在线学习推荐方法、一种基于大数据的在线学习推荐装置、一种计算机设备和一种存储介质。
[0007]为了解决上述问题，本专利技术实施例公开了一种基于大数据的在线学习推荐方法，包括：
[0008]获取到用户学习行为日志及非结构化行业数据；
[0009]通过在线推荐组件针对所述用户学习行为日志进行处理，得到第一推荐结果；以及通过离线推荐组件针对所述非结构化行业数据进行处理，得到第二推荐结果；
[0010]将第一推荐结果及第二推荐结果输入至缓存中；
[0011]从缓存中输出所述第一推荐结果及第二推荐结果。
[0012]优选地，所述通过在线推荐组件针对所述用户学习行为日志进行处理，得到第一推荐结果，包括：
[0013]通过flume组件获取用户学习行为日志，并将所述用户学习行为日志储存于Kafka中间缓存组件，再通过Spark Streaming组件处理所述用户学习行为日志，得到第一推荐结果。
[0014]优选地，所述通过离线推荐组件针对所述非结构化行业数据进行处理，得到第二推荐结果，包括：
[0015]通过Spark SQL组件针对所述非结构化行业数据进行数据挖掘；
[0016]通过Spark MLib组件进行非结构化行业数据的处理，得到第二推荐结果。
[0017]优选地，所述通过Spark MLib组件进行非结构化行业数据的处理，得到第二推荐结果，包括：
[0018]基于用户(User
‑
based)算法、Item
‑
based和Model
‑
based对非结构化行业数据进行特征抽取、转换和选择，得到第二推荐结果。
[0019]优选地，所述用户学习行为日志包括：登陆信息、课程信息、考试信息、学习课件信息；所述非结构化行业数据包括所属部门信息、岗位信息、职级信息、学历信息、入职日期信息、性别信息。
[0020]本专利技术实施例还公开了一种基于大数据的在线学习推荐装置，包括：
[0021]数据获取模块，用于获取到用户学习行为日志及非结构化行业数据；
[0022]推荐结果获取模块，用于通过在线推荐组件针对所述用户学习行为日志进行处理，得到第一推荐结果；以及通过离线推荐组件针对所述非结构化行业数据进行处理，得到第二推荐结果；
[0023]输入模块，用于将第一推荐结果及第二推荐结果输入至缓存中；
[0024]输出模块，用于从缓存中输出所述第一推荐结果及第二推荐结果。
[0025]优选地，所述推荐结果获取模块包括：
[0026]第一推荐结果获取子模块，用于通过flume组件获取用户学习行为日志，并将所述用户学习行为日志储存于Kafka中间缓存组件，再通过Spark Streaming组件处理所述用户学习行为日志，得到第一推荐结果。
[0027]优选地，所述推荐结果获取模块包括：
[0028]数据挖掘子模块，用于通过Spark SQL组件针对所述非结构化行业数据进行数据挖掘；
[0029]第二推荐结果获取子模块，用于通过Spark MLib组件进行非结构化行业数据的处理，得到第二推荐结果。
[0030]本专利技术实施例还公开了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的基于大数据的在线学习推荐方法的步骤。
[0031]本专利技术实施例还公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于大数据的在线学习推荐方法的步骤。
[0032]本专利技术实施例包括以下优点：
[0033]本专利技术实施例中，基于大数据的在线学习推荐方法包括：获取到用户学习行为日志及非结构化行业数据；通过在线推荐组件针对所述用户学习行为日志进行处理，得到第一推荐结果；以及通过离线推荐组件针对所述非结构化行业数据进行处理，得到第二推荐结果；将第一推荐结果及第二推荐结果输入至缓存中；从缓存中输出所述第一推荐结果及第二推荐结果；据海量日志进行大数据在线推荐计算，实现用户学习行为的推荐内容；根据结构化的离线数据进行大数据离线推荐计算，实现用户画像及学习行为的推荐内容。
附图说明
[0034]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使
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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图
[0035]图1是本专利技术实施例的一种基于大数据的在线学习推荐方法实施例的步骤流程图；
[0036]图2是本专利技术实施例的一种第一推荐结果获取步骤的流程示意图；
[0037]图3是本专利技术实施例的一种第二推荐结果获取步骤的流程示意图；
[0038]图4是本专利技术实施例的一种第二推荐结果获取步骤的流程示意图；
[0039]图5是本专利技术实施例的一种基于大数据的在线学习推荐装置实施例的结构框图；
[0040]图6是一个实施例的一种计算机设备的内部结构图。
具体实施方式
[0041]为了使本专利技术实施例所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本专利技术实施例进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0042]参照图1，示出了本专利技术实施例的一种基于大数据的在线学习推荐方法实施例的步骤流程图，具体可以包括如下步骤：
[0043]步骤101，获取到用户学习行为日志及非结构化行业数据；
[004本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据的在线学习推荐方法，其特征在于，包括：获取到用户学习行为日志及非结构化行业数据；通过在线推荐组件针对所述用户学习行为日志进行处理，得到第一推荐结果；以及通过离线推荐组件针对所述非结构化行业数据进行处理，得到第二推荐结果；将第一推荐结果及第二推荐结果输入至缓存中；从缓存中输出所述第一推荐结果及第二推荐结果。2.根据权利要求1所述的基于大数据的在线学习推荐方法，其特征在于，所述通过在线推荐组件针对所述用户学习行为日志进行处理，得到第一推荐结果，包括：通过flume组件获取用户学习行为日志，并将所述用户学习行为日志储存于Kafka中间缓存组件，再通过Spark Streaming组件处理所述用户学习行为日志，得到第一推荐结果。3.根据权利要求1所述的基于大数据的在线学习推荐方法，其特征在于，所述通过离线推荐组件针对所述非结构化行业数据进行处理，得到第二推荐结果，包括：通过Spark SQL组件针对所述非结构化行业数据进行数据挖掘；通过Spark MLib组件进行非结构化行业数据的处理，得到第二推荐结果。4.根据权利要求1所述的基于大数据的在线学习推荐方法，其特征在于，所述通过Spark MLib组件进行非结构化行业数据的处理，得到第二推荐结果，包括：基于用户(User
‑
based)算法、Item
‑
based和Model
‑
based对非结构化行业数据进行特征抽取、转换和选择，得到第二推荐结果。5.根据权利要求1所述的基于大数据的在线学习推荐方法，其特征在于，所述用户学习行为日志包括：登陆信息、课程信息、考试信息、学习课...

【专利技术属性】
技术研发人员：傅金波，姜璐，
申请(专利权)人：广州汇思信息科技股份有限公司，
类型：发明
国别省市：