推荐决策模型训练以及课程推荐方法技术

本公开提供一种推荐决策模型训练以及课程推荐方法

【技术实现步骤摘要】
推荐决策模型训练以及课程推荐方法、装置、设备和介质


[0001]本专利技术涉及计算机
，尤其涉及一种推荐决策模型训练以及课程推荐方法
、
装置
、
设备和介质
。

技术介绍

[0002]随着互联网技术的发展，基于互联网的线上教育行业受到广泛关注，为了提升用户的使用体验，线上教育行业的服务方可以为用户推荐课程
。
[0003]相关技术中，可以利用用户在历史学习时段中的课程学习情况训练推荐决策模型，并利用课程推荐模型确定是否要为用户推荐某一课程
。
然而，相关技术中提供的课程推荐方案，会存在训练效率低，且训练得到的推荐决策模型的推荐结果精准度差的问题
。

技术实现思路

[0004]本公开提供一种推荐决策模型训练以及课程推荐方法
、
装置
、
设备和介质，可以提升获取的推荐决策模型确定的课程推荐结果的精准度
。
本公开的技术方案如下：
[0005]根据本公开的第一方面，提供了一种推荐决策模型训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种推荐决策模型训练方法，其特征在于，包括：对多个样本课程的样本特征进行分类，获得多类样本课程数据集，所述样本课程的样本特征包括样本课程的基本特征，以及与所述样本课程关联的用户特征；确定所述多类课程数据集中满足训练要求的初始样本课程数据集，以及确定各个非初始样本课程数据集中的部分样本课程；组合所述初始样本课程集中的样本课程，以及各个非初始样本课程数据集中的部分样本课程，得到目标样本课程数据集；基于所述目标样本课程数据集训练待训练推荐决策模型，得到推荐决策模型
。2.
如权利要求1所述的推荐决策模型训练方法，其特征在于，训练待训练推荐决策模型的方法包括：利用所述目标样本课程数据集对所述待训练推荐决策模型的参数进行一次优化，得到优化后推荐决策模型；以自适应增强算法为训练方法，利用所述目标样本课程数据集对所述优化后推荐决策模型的参数进行二次优化，得到推荐决策模型
。3.
如权利要求2所述的推荐决策模型训练方法，其特征在于，所述利用所述目标样本课程数据集对所述待训练推荐决策模型的参数进行一次优化，得到优化后推荐决策模型，包括：以粒子群优化算法为训练算法，利用所述目标样本课程数据集在第一预设参数范围内对所述待训练推荐决策模型的参数进行优化，得到初始推荐决策模型；以网格搜索算法为训练算法，利用所述样本课程数据集在第二预设参数范围内对所述初始推荐决策模型的参数进行优化，得到所述优化后推荐决策模型，所述第二预设参数范围的极小值大于所述第一预设参数范围的极小值，且所述第二预设参数范围的极大值大于所述第一预设参数范围的极大值
。4.
权利要求2所述的推荐决策模型训练方法，其特征在于，所述目标样本课程数据集包括多个目标样本课程，每个目标样本课程包括多个样本特征，所述以自适应增强算法为训练方法，利用所述目标样本课程数据集对所述优化后推荐决策模型的参数进行二次优化，得到推荐决策模型，包括：初始化各个目标样本课程的每个样本特征的初始特征权重；利用各个目标样本课程的每个样本特征训练所述优化后推荐决策模型，得到当前迭代训练的弱分类器；若所述弱分类器的分类误差率小于或者等于第一预设阈值，基于所述弱分类器的分类误差率，更新所述弱分类器的权值，以及所述各个目标样本课程的每个样本特征的初始特征权重，并进行下一次迭代训练，直至训练得到的弱分类器的分类误差率大于所述第一预设阈值，或者，模型训练迭代次数大于预设迭代次数阈值，得到推荐决策模型
。5.
如权利要求4所述的推荐决策模型训练方法，其特征在于，在进行下一次迭代训练之前，所述方法还包括：若与所述目标样本课程关联的多个样本特征中存在目标样本特征，则删除所述目标样本特征，得到更新后的目标样本课程，所述目标样本特征的更新后特征权重大于特征权重阈值
。
6.
如权利要求4所述的推荐决策模型训练方法，其特征在于，所述推荐决策模型是在模型训练迭代次数大于预设迭代次数阈值的情况下确定的，所述方法还包括：基于预设样本特征的预设特征关注参数，以及所述推荐决策模型输出的目标样本课程的样本推荐结果，得到所述...

【专利技术属性】
技术研发人员：张琪，张万中，张全发，
申请(专利权)人：北京世纪好未来教育科技有限公司，
类型：发明
国别省市：