在线学习推荐方法、在线学习系统及服务器

摘要

本申请实施例提供一种在线学习推荐方法、在线学习系统及服务器，可以在当学员用户的学习行为数据与各个在线学习推荐模型之间的未存在达到预设适配度阈值时，结合每个在线学习推荐模型相对于学员用户的推荐级别匹配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加载的模型属性节点，由此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，从而可以实时提高推荐精度，避免了在线学习推荐模型的参数配置过程无法在短时间内进行有效更新持续导致的信息推荐体验较差的情况。

说明书

技术领域

本申请涉及大数据分析与信息推荐技术领域，具体而言，涉及一种在线学习推荐方法、在线学习系统及服务器。

背景技术

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，为了提高学员用户的学习体验，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推荐。

经本申请发明人研究发现，对于在线学习平台而言，搭建的在线学习推荐模型通常有限，在实际模型匹配过程中通常是优选匹配度最佳的在线学习推荐模型关联到对应的学员用户上。然而，就会导致当匹配度较低（低于一定匹配度阈值）时，即便采用匹配度最佳的在线学习推荐模型，也难以达到较为准确的推荐精度，而在线学习推荐模型的参数配置过程也无法在短时间内进行有效更新，从而持续导致信息推荐体验较差。

发明内容

有鉴于此，本申请的目的在于提供一种在线学习推荐方法、在线学习系统及服务器，可以实时提高推荐精度，避免在线学习推荐模型的参数配置过程无法在短时间内进行有效更新持续导致的信息推荐体验较差的情况。

第一方面，本申请提供一种在线学习推荐方法，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：

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；

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，并根据所述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，计算所述学习行为数据与每个在线学习推荐模型之间的适配度；

在确定出的所有适配度中存在达到预设适配度阈值的目标适配度时，将所述学员用户关联到所述目标适配度对应的第一目标在线学习推荐模型中以使所述第一目标在线学习推荐模型对所述学员用户进行信息推荐得到第一在线学习推荐结果；

在确定出的所有适配度中未存在达到所述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所述学员用户的推荐级别并根据所述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所述学员用户的所述学习行为数据进行数据特征识别得到所述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所述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，通过每个所述第二目标在线学习推荐模型根据所述风格属性权重参数对所述学员用户进行信息推荐得到第二在线学习推荐结果。

在第一方面的一种可能的设计中，所述根据所述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，计算所述学习行为数据与每个在线学习推荐模型之间的适配度的步骤，包括：

计算所述学习行为风格数据中的风格数据对应的风格权重在每个在线学习推荐模型的学习风格权重参数下的风格转换权重；

计算每个风格转换权重与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之间的权重差值的绝对值；

将计算得到的各个权重差值的绝对值进行相加得到所述学习行为数据与每个在线学习推荐模型之间的适配度。

在第一方面的一种可能的设计中，所述确定出每个在线学习推荐模型相对于所述学员用户的推荐级别的步骤，包括：

获取每个在线学习推荐模型对应的多个模型权重节点，确定各模型权重节点中的推荐内容特征对应的内容特征序列以及多个内容影响参数，所述内容特征序列用于表征推荐内容特征对学习推荐过程中的推荐倾向行为，所述内容影响参数用于表征所述推荐内容特征对学习推荐过程的影响权重；

在根据所述内容特征序列确定出各模型权重节点中包含有第一风格维度特征序列时，根据各模型权重节点在所述第一风格维度特征序列下的内容影响参数及其位置信息，确定各模型权重节点在第二风格维度特征序列下的各内容影响参数与各模型权重节点在所述第一风格维度特征序列下的各内容影响参数之间的第一匹配参数，其中，所述第一风格维度特征序列表示学习内容风格的特征序列，所述第二风格维度特征序列表示学习行为风格的特征序列；

在根据所述内容特征序列确定出各模型权重节点中包含有第一风格维度特征序列时，根据各模型权重节点在所述第一风格维度特征序列下的内容影响参数及其位置信息，确定各模型权重节点在第二风格维度特征序列下的各内容影响参数与各模型权重节点在所述第一风格维度特征序列下的各内容影响参数之间的第一匹配参数；

将各模型权重节点在所述第二风格维度特征序列下的与在所述第一风格维度特征序列下的内容影响参数之间的第一匹配参数达到预设参数范围的内容影响参数转移到所述第一风格维度特征序列下；

在各模型权重节点在所述第二风格维度特征序列下包含有多个内容影响参数时，根据各模型权重节点在所述第一风格维度特征序列下的内容影响参数及其位置信息确定各模型权重节点在所述第二风格维度特征序列下的各内容影响参数之间的第二匹配参数，并根据所述各内容影响参数之间的第二匹配参数对所述第二风格维度特征序列下的各内容影响参数进行筛选；

根据各模型权重节点在所述第一风格维度特征序列下的内容影响参数及其位置信息为上述筛选得到的目标内容影响参数设置列表位置等级，并将所述目标内容影响参数转移到所述第一风格维度特征序列中的与所述列表位置等级对应的列表区间中；

根据位于所述第一风格维度特征序列中的所有内容影响参数分别进行加权处理后，乘以对应的在线学习推荐模型对应的所述适配度，确定各模型权重节点对应的在线学习推荐模型相对于所述学员用户的推荐级别。

在第一方面的一种可能的设计中，所述根据所述推荐级别的大小顺序对所述学员用户进行数据特征识别得到所述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加载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的步骤，包括：

将各个推荐级别所对应的推荐内容节点列出，建立在线学习推荐模型节点序列，该在线学习推荐模型节点序列为分项处理列表，每个模型区域对应一组序列特征，每组序列特征具有至少一个推荐内容节点，该在线学习推荐模型节点序列的各模型区域具有从高到低的递进关系；

确定所述学员用户的预设配置属性信息，并提取该学员用户的预设配置属性信息中包含的至少一个所述在线学习推荐模型节点序列中的推荐内容节点；

建立所述推荐内容节点与所述在线学习推荐模型节点序列之间的映射关系，根据该映射关系生成映射推荐策略；

其中，根据该映射关系生成映射推荐策略，包括：根据每个推荐内容节点将对应的所述在线学习推荐模型节点序列转换为模型节点数据，并分别生成每个模型节点数据的至少一个推荐单位，而后获取所述推荐级别的互不重复的推荐单位构成推荐单位组，并将所述推荐单位组中的各个推荐单位映射到所述在线学习推荐模型节点序列中，组成映射推荐策略，其中，每个推荐单位与一种推荐项目内容一一对应；

将所述学员用户的预设配置属性信息中包含的推荐内容节点与所述映射推荐策略中的各个推荐内容节点进行遍历比较，在遍历比较过程中，若一个推荐单位的所有推荐内容节点均包含在所述学员用户的预设配置属性信息中，则将该推荐单位记录为该学员用户的模型匹配属性指向；

根据所述学员用户的各个模型匹配属性指向，确定所述学员用户对应的多个匹配位置，根据每个匹配位置对所述学员用户进行数据特征识别得到对应的模型匹配属性，并根据每个模型匹配属性中包括的加载的推荐级别的模型节点数据的至少一个推荐单位确定该推荐级别的模型属性节点。

在第一方面的一种可能的设计中，所述确定所述学员用户的预设配置属性信息的步骤，包括：

基于所述学员用户所对应的存储于所述服务器中的所述学员用户的注册节点和所述学员用户的当前使用节点所形成的多段用户注册资料信息，对所述学员用户进行分项处理得到多个注册项目信息；

获取每个注册项目信息的项目编辑前信息和项目编辑后信息；

根据所述每个注册项目信息的项目编辑前信息和项目编辑后信息，建立与所述学员用户对应的项目编辑记录的项目编辑行为集合；

获取与所述学员用户对应的项目编辑记录对应的多个编辑属性单位，并统计所述多个编辑属性单位中的目标编辑属性单位，其中，所述目标编辑属性单位中存在编辑字码特征；

判断相邻的两个目标编辑属性单位之间是否存在关联编辑项目，若存在，则统计所述关联编辑项目的数量，且在所述数量没有超过设定数值时，将所述项目编辑行为集合植入每个用户注册资料信息中，当植入每个用户注册资料信息中的项目编辑行为集合出现更新时，获取完成更新的项目编辑行为集合，统计已获取到的每个完成更新的项目编辑行为集合对应的编辑行为特征和注册项目信息偏向信息；

根据所述每个完成更新的项目编辑行为集合对应的编辑行为特征和注册项目信息偏向信息确定所述每个完成更新的项目编辑行为集合的编辑权重；

根据所述编辑权重，对实时获取的完成更新的项目编辑行为集合进行修正，得到学员用户块编辑序列，按照所述学员用户块编辑序列中的序列特征对每个用户注册资料信息中的学习行为风格数据进行提取，并根据提取得到的学习行为风格数据确定所述学员用户的预设配置属性信息。

在第一方面的一种可能的设计中，所述根据每个匹配位置对所述学员用户进行数据特征识别得到对应的模型匹配属性的步骤，包括：

获取所述学员用户的当前行为特征并从所述当前行为特征中定位出每个匹配位置对应的第一模型特征；

判断所述当前行为特征中的每个匹配位置对应的第一模型特征相对于所述当前行为特征中的第二模型特征是否存在匹配的特征值，所述第二模型特征是所述当前行为特征中除所述第一模型特征以外的特征；

如果是，将从所述当前行为特征中定位出的每个匹配位置对应的第一模型特征确定为所述当前行为特征的有效模型特征，否则，将从所述当前行为特征中定位出的每个匹配位置对应的第一模型特征与所述当前行为特征中的第二模型特征进行加权求和并将加权求和结果确定为所述当前行为特征的有效模型特征；

针对每个匹配位置，提取该匹配位置植入所述服务器的运行线程中的第一模型匹配命令行，并将所述当前行为特征的有效模型特征中的部分特征与所述第一模型匹配命令行进行融合得到第二模型匹配命令行；

在所述运行线程对应的镜像线程中分别运行所述第一模型匹配命令行和所述第二模型匹配命令行，得到分别对应的第一运行结果和第二运行结果；

判断所述第一运行结果和所述第二运行结果的相似度是否达到预设阈值，在所述第一运行结果和所述第二运行结果的相似度达到所述预设阈值时，启动该匹配位置以运行所述第二模型匹配命令行，得到所述第二模型匹配命令行对应的第三运行结果，提取所述第三运行结果中的特征分类信息并根据所述特征分类信息得到该匹配位置对应的模型匹配属性，在所述第一运行结果和所述第二运行结果的相似度没有达到所述预设阈值时，返回将所述当前行为特征的有效模型特征中的部分特征与所述第一模型匹配命令行进行融合得到第二模型匹配命令行的步骤。

在第一方面的一种可能的设计中，所述方法还包括：

获取每个所述第二目标在线学习推荐模型根据所述风格属性权重参数对所述学员用户进行信息推荐得到的第二在线学习推荐结果；

根据每个第二在线学习推荐结果的推荐内容项目，得到每个所述第二在线学习推荐结果对应的推荐风格的推荐风格特征；

根据所述学员用户的预设推荐风格的特征筛选范围以及所述第二在线学习推荐结果对应的推荐风格的推荐风格特征，获取推荐筛选结果，其中，所述推荐筛选结果包括多个位于所述预设推荐风格的特征筛选范围的推荐风格特征对应的风格特征集合；

获取所述推荐筛选结果包含的不同风格特征的任意一个第一筛选特征内容的筛选特征内容信息，并根据所述第一筛选特征内容的筛选特征内容信息确定所述第一筛选特征内容的筛选特征内容属性，基于所述第一筛选特征内容的筛选特征内容信息中的筛选特征内容场景确定所述第一筛选特征内容对应的目标学习场景；

确定与所述第一筛选特征内容的筛选特征内容属性相匹配的推荐课程信息，并选择与所述推荐课程信息相适配的推荐课程；

根据所述第一筛选特征内容的筛选特征内容属性和多个具有所述推荐课程信息的推荐课程在所述目标学习场景下的课程标签，在该多个具有所述推荐课程信息的推荐课程中选择匹配所述第一筛选特征内容的目标推荐课程，其中，所述目标推荐课程还需匹配与所述第一筛选特征内容存在关联的第二筛选特征内容；

获取所述第一筛选特征内容的筛选特征内容信息包括的所述第一筛选特征内容的课程标签信息，并获取所述第二筛选特征内容的筛选特征内容信息包括的所述第二筛选特征内容的课程标签信息；

根据所述第一筛选特征内容的课程标签信息以及所述第二筛选特征内容的课程标签信息生成对应的第三在线学习推荐结果。

第二方面，本申请实施例还提供一种在线学习推荐装置，应用于服务器，所述服务器与多个在线学习终端通信连接，所述装置包括：

提取模块，用于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；

计算模块，用于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，并根据所述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，计算所述学习行为数据与每个在线学习推荐模型之间的适配度；

第一推荐模块，用于在确定出的所有适配度中存在达到预设适配度阈值的目标适配度时，将所述学员用户关联到所述目标适配度对应的第一目标在线学习推荐模型中以使所述第一目标在线学习推荐模型对所述学员用户进行信息推荐得到第一在线学习推荐结果；

第二推荐模块，用于在确定出的所有适配度中未存在达到所述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的推荐级别并根据所述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所述学员用户的所述学习行为数据进行数据特征识别得到所述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所述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，通过每个所述第二目标在线学习推荐模型根据所述风格属性权重参数对所述学员用户进行信息推荐得到第二在线学习推荐结果。

第三方面，本申请实施例还提供一种在线学习系统，所述在线学习系统包括服务器以及与所述服务器通信连接的多个在线学习终端；

每个所述在线学习终端，用于向所述服务器发送学院用户对应的学习行为数据；

所述服务器，用于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；

所述服务器，用于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，并根据所述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，计算所述学习行为数据与每个在线学习推荐模型之间的适配度；

在确定出的所有适配度中存在达到预设适配度阈值的目标适配度时，所述服务器，用于将所述学员用户关联到所述目标适配度对应的第一目标在线学习推荐模型中以使所述第一目标在线学习推荐模型对所述学员用户进行信息推荐得到第一在线学习推荐结果；

在确定出的所有适配度中未存在达到所述预设适配度阈值的目标适配度时，所述服务器，用于确定出每个在线学习推荐模型的推荐级别并根据所述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所述学员用户的所述学习行为数据进行数据特征识别得到所述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所述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，通过每个所述第二目标在线学习推荐模型根据所述风格属性权重参数对所述学员用户进行信息推荐得到第二在线学习推荐结果。

第四方面，本申请实施例还提供一种服务器，所述服务器包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连，所述网络接口用于与至少一个在线学习终端通信连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以执行第一方面或者第一方面中任意一个可能的设计中的在线学习推荐方法。

第五方面，本申请实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其被执行时，使得计算机执行上述第一方面或者第一方面中任意一个可能的设计中的在线学习推荐方法。

根据上述任意一个方面，本申请通过结合学员用户的学习行为数据对应的学习行为风格数据，可以在当与各个在线学习推荐模型之间的未存在达到预设适配度阈值时，结合每个在线学习推荐模型相对于学员用户的推荐级别匹配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加载的模型属性节点，由此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，从而可以实时提高推荐精度，避免了在线学习推荐模型的参数配置过程无法在短时间内进行有效更新持续导致的信息推荐体验较差的情况。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本申请实施例提供的在线学习系统的应用场景示意图；

图2为本申请实施例提供的在线学习推荐方法的流程示意图；

图3为本申请实施例提供的在线学习推荐装置的功能模块示意图；

图4为本申请实施例提供的用于实现上述的在线学习推荐方法的服务器的结构示意框图。

具体实施方式

下面结合说明书附图对本申请进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。

图1是本申请一种实施例提供的在线学习系统10的交互示意图。在线学习系统10可以包括服务器100以及与所述服务器100通过网络通信连接的在线学习终端200，图1所示的在线学习系统10仅为一种可行的示例，在其它可行的实施例中，该在线学习系统10也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。

本实施例中，在线学习终端200可以包括移动设备、平板计算机、膝上型计算机等或其任意组合。在一些实施例中，移动设备可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等，或其任意组合。在一些实施例中，智能家居设备可以包括智能电器设备的控制设备、智能监控设备、智能电视、智能摄像机等，或其任意组合。在一些实施例中，可穿戴设备可包括智能手环、智能鞋带、智能玻璃、智能头盔、智能手表、智能服装、智能背包、智能配件等，或其任何组合。在一些实施例中，智能移动设备可以包括智能手机、个人数字助理、游戏设备等，或其任意组合。在一些实施例中，虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实玻璃、虚拟现实贴片、增强现实头盔、增强现实玻璃、或增强现实贴片等，或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括各种虚拟现实产品等。

为了解决前述背景技术中的技术问题，图2为本申请实施例提供的在线学习推荐方法的流程示意图，本实施例提供的在线学习推荐方法可以由图1中所示的服务器100执行，下面对该在线学习推荐方法进行详细介绍。

步骤S110，从每个在线学习终端200中获取学员用户对应的学习行为数据，并提取与学习行为数据对应的学习行为风格数据。

本实施例中，学习行为数据可以为服务器100根据学员用户对应的在线学习终端200的在线学习模式信息以及在线学习终端200与服务器100之间的在线学习交互方式得到的。例如，在线学习模式信息可以用于表征学员用户的在线学习模式，例如小学生学习模式、中学生学习模式、大学生学习模式，或者预习学习模式、复习学习模式、备考学习模式等诸多模式，对用户不同的在线学习模式而言，学习行为数据的采集策略可能各有不同，具体可以根据实际设计需求进行灵活调整，在此不作具体限制。又例如，在线学习交互方式可以是指学员用户与在线学习平台（服务器100）之间的交互方式，例如单向问答交互方式、双向问答交互方式等，在此不作具体限定。

步骤S120，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。

本实施例中，学习风格权重参数可以是指具体的学习风格所占的权重参数类型，例如音乐类风格权重参数、数学类风格权重参数等，不同的学习风格权重参数所对应的推荐策略各有不同，而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，具体可预先进行配置和训练，在此不做详细赘述。

步骤S130，在确定出的所有适配度中存在达到预设适配度阈值的目标适配度时，将学员用户关联到目标适配度对应的第一目标在线学习推荐模型中以使第一目标在线学习推荐模型对学员用户进行信息推荐得到第一在线学习推荐结果。

步骤S140，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。

基于上述设计，本实施例可以在当学员用户的学习行为数据与各个在线学习推荐模型之间的未存在达到预设适配度阈值时，结合每个在线学习推荐模型相对于学员用户的推荐级别匹配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加载的模型属性节点，由此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，从而可以实时提高推荐精度，避免了在线学习推荐模型的参数配置过程无法在短时间内进行有效更新持续导致的信息推荐体验较差的情况。

在一种可能的设计中，针对步骤S120，本实施例可以计算学习行为风格数据中的风格数据对应的风格权重在每个在线学习推荐模型的学习风格权重参数下的风格转换权重，然后计算每个风格转换权重与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之间的权重差值的绝对值，由此将计算得到的各个权重差值的绝对值进行相加得到学习行为数据与每个在线学习推荐模型之间的适配度。

例如，假设在线学习推荐模型A的学习风格权重参数包括权重参数A1、权重参数A2以及权重参数A3，学习行为风格数据中的风格数据对应的风格权重为B，那么可以计算风格权重B分别在权重参数A1、权重参数A2以及权重参数A3下的风格转换权重B1、风格转换权重B2以及风格转换权重B3，接下来则可以计算获得该学习行为数据与在线学习推荐模型A之间的适配度为|A1-A2|+|A1-A2|+|A1-A2|。

在一种可能的设计中，基于前述的描述可知，在确定出的所有适配度中存在达到预设适配度阈值的目标适配度时，可以将学员用户关联到目标适配度对应的第一目标在线学习推荐模型中以使第一目标在线学习推荐模型对学员用户进行信息推荐得到第一在线学习推荐结果。而本申请的重点在于，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，如何实时提高推荐精度，避免在线学习推荐模型的参数配置过程无法在短时间内进行有效更新持续导致的信息推荐体验较差的情况，因此接下来本实施例将重点针对上述步骤S140进行详细阐述。

例如，在一种可能的设计中，针对步骤S140，在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的过程中，本实施例可以获取每个在线学习推荐模型对应的多个模型权重节点，确定各模型权重节点中的推荐内容特征对应的内容特征序列以及多个内容影响参数。

其中，值得说明的是，内容特征序列可以用于表征推荐内容特征对学习推荐过程中的推荐倾向行为，内容影响参数可以用于表征推荐内容特征对学习推荐过程的影响权重。

在此基础上，可以在根据内容特征序列确定出各模型权重节点中包含有第一风格维度特征序列时，根据各模型权重节点在第一风格维度特征序列下的内容影响参数及其位置信息，确定各模型权重节点在第二风格维度特征序列下的各内容影响参数与各模型权重节点在第一风格维度特征序列下的各内容影响参数之间的第一匹配参数。

其中，值得说明的是，第一风格维度特征序列可以表示学习内容风格的特征序列，第二风格维度特征序列可以表示学习行为风格的特征序列。

由此，在根据内容特征序列确定出各模型权重节点中包含有第一风格维度特征序列时，可以根据各模型权重节点在第一风格维度特征序列下的内容影响参数及其位置信息，确定各模型权重节点在第二风格维度特征序列下的各内容影响参数与各模型权重节点在第一风格维度特征序列下的各内容影响参数之间的第一匹配参数，然后将各模型权重节点在第二风格维度特征序列下的与在第一风格维度特征序列下的内容影响参数之间的第一匹配参数达到预设参数范围的内容影响参数转移到第一风格维度特征序列下。而后，在各模型权重节点在第二风格维度特征序列下包含有多个内容影响参数时，根据各模型权重节点在第一风格维度特征序列下的内容影响参数及其位置信息确定各模型权重节点在第二风格维度特征序列下的各内容影响参数之间的第二匹配参数，并根据各内容影响参数之间的第二匹配参数对第二风格维度特征序列下的各内容影响参数进行筛选。

这样，即可根据各模型权重节点在第一风格维度特征序列下的内容影响参数及其位置信息为上述筛选得到的目标内容影响参数设置列表位置等级，并将目标内容影响参数转移到第一风格维度特征序列中的与列表位置等级对应的列表区间中，从而根据位于第一风格维度特征序列中的所有内容影响参数分别进行加权处理后，乘以对应的在线学习推荐模型对应的适配度，确定各模型权重节点对应的在线学习推荐模型相对于学员用户的推荐级别。

再例如，进一步地，在一种可能的设计中，针对步骤S140，在根据推荐级别的大小顺序对学员用户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加载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的过程中，本实施例可以将各个推荐级别所对应的推荐内容节点列出，建立在线学习推荐模型节点序列。

可选地，该在线学习推荐模型节点序列可以为分项处理列表，每个模型区域对应一组序列特征，每组序列特征具有至少一个推荐内容节点，该在线学习推荐模型节点序列的各模型区域具有从高到低的递进关系。

同时，在本实施例中，可以确定学员用户的预设配置属性信息，并提取该学员用户的预设配置属性信息中包含的至少一个在线学习推荐模型节点序列中的推荐内容节点。

而后，可以建立推荐内容节点与在线学习推荐模型节点序列之间的映射关系，根据该映射关系生成映射推荐策略。

例如，根据该映射关系生成映射推荐策略，具体可以是：根据每个推荐内容节点将对应的在线学习推荐模型节点序列转换为模型节点数据，并分别生成每个模型节点数据的至少一个推荐单位，而后获取推荐级别的互不重复的推荐单位构成推荐单位组，并将推荐单位组中的各个推荐单位映射到在线学习推荐模型节点序列中，组成映射推荐策略，其中，每个推荐单位与一种推荐项目内容一一对应。

由此，可以将学员用户的预设配置属性信息中包含的推荐内容节点与映射推荐策略中的各个推荐内容节点进行遍历比较，在遍历比较过程中，若一个推荐单位的所有推荐内容节点均包含在学员用户的预设配置属性信息中，则将该推荐单位记录为该学员用户的模型匹配属性指向，然后根据学员用户的各个模型匹配属性指向，确定学员用户对应的多个匹配位置，根据每个匹配位置对学员用户进行数据特征识别得到对应的模型匹配属性，并根据每个模型匹配属性中包括的加载的推荐级别的模型节点数据的至少一个推荐单位确定该推荐级别的模型属性节点。

在一种可能的示例中，在确定学员用户的预设配置属性信息的过程中，本实施例可以基于学员用户所对应的存储于服务器100中的学员用户的注册节点和学员用户的当前使用节点所形成的多段用户注册资料信息，对学员用户进行分项处理得到多个注册项目信息，并且获取每个注册项目信息的项目编辑前信息和项目编辑后信息，然后根据每个注册项目信息的项目编辑前信息和项目编辑后信息，建立与学员用户对应的项目编辑记录的项目编辑行为集合。

接下来，可以获取与学员用户对应的项目编辑记录对应的多个编辑属性单位，并统计多个编辑属性单位中的目标编辑属性单位，其中，目标编辑属性单位中存在编辑字码特征。

由此，可以判断相邻的两个目标编辑属性单位之间是否存在关联编辑项目，若存在，则统计关联编辑项目的数量，且在数量没有超过设定数值时，将项目编辑行为集合植入每个用户注册资料信息中，当植入每个用户注册资料信息中的项目编辑行为集合出现更新时，获取完成更新的项目编辑行为集合，统计已获取到的每个完成更新的项目编辑行为集合对应的编辑行为特征和注册项目信息偏向信息。

而后，可以根据每个完成更新的项目编辑行为集合对应的编辑行为特征和注册项目信息偏向信息确定每个完成更新的项目编辑行为集合的编辑权重，并根据编辑权重，对实时获取的完成更新的项目编辑行为集合进行修正，得到学员用户块编辑序列，按照学员用户块编辑序列中的序列特征对每个用户注册资料信息中的学习行为风格数据进行提取，并根据提取得到的学习行为风格数据确定学员用户的预设配置属性信息。

在一种可能的示例中，在上述根据每个匹配位置对学员用户进行数据特征识别得到对应的模型匹配属性的过程中，本实施例可以获取学员用户的当前行为特征并从当前行为特征中定位出每个匹配位置对应的第一模型特征，然后判断当前行为特征中的每个匹配位置对应的第一模型特征相对于当前行为特征中的第二模型特征是否存在匹配的特征值。其中，第二模型特征是当前行为特征中除第一模型特征以外的特征。

如果当前行为特征中的每个匹配位置对应的第一模型特征相对于当前行为特征中的第二模型特征存在匹配的特征值，则可以将从当前行为特征中定位出的每个匹配位置对应的第一模型特征确定为当前行为特征的有效模型特征，否则，将从当前行为特征中定位出的每个匹配位置对应的第一模型特征与当前行为特征中的第二模型特征进行加权求和并将加权求和结果确定为当前行为特征的有效模型特征。

在此基础上，针对每个匹配位置，提取该匹配位置植入服务器100的运行线程中的第一模型匹配命令行，并将当前行为特征的有效模型特征中的部分特征与第一模型匹配命令行进行融合得到第二模型匹配命令行，然后在运行线程对应的镜像线程中分别运行第一模型匹配命令行和第二模型匹配命令行，得到分别对应的第一运行结果和第二运行结果。

由此，可以判断第一运行结果和第二运行结果的相似度是否达到预设阈值，在第一运行结果和第二运行结果的相似度达到预设阈值时，启动该匹配位置以运行第二模型匹配命令行，得到第二模型匹配命令行对应的第三运行结果，提取第三运行结果中的特征分类信息并根据特征分类信息得到该匹配位置对应的模型匹配属性，在第一运行结果和第二运行结果的相似度没有达到预设阈值时，返回将当前行为特征的有效模型特征中的部分特征与第一模型匹配命令行进行融合得到第二模型匹配命令行的步骤。

值得说明的是，在上述基础上，本申请发明人进一步考虑到每个第二目标在线学习推荐模型可能存在不同的侧重推荐方式，为避免推荐过于繁杂给学员用户带来过度的筛选体验，本实施例可以进一步获取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的第二在线学习推荐结果，然后根据每个第二在线学习推荐结果的推荐内容项目，得到每个第二在线学习推荐结果对应的推荐风格的推荐风格特征，由此可以根据学员用户的预设推荐风格的特征筛选范围以及第二在线学习推荐结果对应的推荐风格的推荐风格特征，获取推荐筛选结果。

其中，值得说明的是，上述的推荐筛选结果可以包括多个位于预设推荐风格的特征筛选范围的推荐风格特征对应的风格特征集合。

然后，可以获取推荐筛选结果包含的不同风格特征的任意一个第一筛选特征内容的筛选特征内容信息，并根据第一筛选特征内容的筛选特征内容信息确定第一筛选特征内容的筛选特征内容属性，基于第一筛选特征内容的筛选特征内容信息中的筛选特征内容场景确定第一筛选特征内容对应的目标学习场景，同时确定与第一筛选特征内容的筛选特征内容属性相匹配的推荐课程信息，并选择与推荐课程信息相适配的推荐课程，这样可以根据第一筛选特征内容的筛选特征内容属性和多个具有推荐课程信息的推荐课程在目标学习场景下的课程标签，在该多个具有推荐课程信息的推荐课程中选择匹配第一筛选特征内容的目标推荐课程，其中，目标推荐课程还需匹配与第一筛选特征内容存在关联的第二筛选特征内容。

而后，可以获取第一筛选特征内容的筛选特征内容信息包括的第一筛选特征内容的课程标签信息，并获取第二筛选特征内容的筛选特征内容信息包括的第二筛选特征内容的课程标签信息，由此可以根据第一筛选特征内容的课程标签信息以及第二筛选特征内容的课程标签信息生成对应的第三在线学习推荐结果。

基于上述设计整合筛选得到的第三在线学习推荐结果，可以避免推荐过于繁杂给学员用户带来过度的筛选体验

图3为本申请实施例提供的在线学习推荐装置300的功能模块示意图，本实施例可以根据上述方法实施例对该在线学习推荐装置300进行功能模块的划分。例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本申请中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。比如，在采用对应各个功能划分各个功能模块的情况下，图3示出的在线学习推荐装置300只是一种装置示意图。其中，在线学习推荐装置300可以包括提取模块310、计算模块320、第一推荐模块330以及第二推荐模块340，下面分别对该在线学习推荐装置300的各个功能模块的功能进行详细阐述。

提取模块310，用于从每个在线学习终端200中获取学员用户对应的学习行为数据，并提取与学习行为数据对应的学习行为风格数据，学习行为数据为服务器100根据学员用户对应的在线学习终端200的在线学习模式信息，以及在线学习终端200与服务器100之间的在线学习交互方式得到的。

计算模块320，用于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。

第一推荐模块330，用于在确定出的所有适配度中存在达到预设适配度阈值的目标适配度时，将学员用户关联到目标适配度对应的第一目标在线学习推荐模型中以使第一目标在线学习推荐模型对学员用户进行信息推荐得到第一在线学习推荐结果。

第二推荐模块340，用于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。

进一步地，图4为本申请实施例提供的用于执行上述在线学习推荐方法的服务器100的结构示意图。如图4所示，该服务器100可包括网络接口110、机器可读存储介质120、处理器130以及总线140。处理器130可以是一个或多个，图4中以一个处理器130为例。网络接口110、机器可读存储介质120以及处理器130可以通过总线140或其他方式连接，图4中以通过总线140连接为例。

机器可读存储介质120作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请实施例中的在线学习推荐方法对应的程序指令/模块（例如图3中所示的在线学习推荐装置300的提取模块310、计算模块320、第一推荐模块330以及第二推荐模块340）。处理器130通过检测存储在机器可读存储介质120中的软件程序、指令以及模块，从而执行终端设备的各种功能应用以及数据处理，即实现上述的在线学习推荐方法，在此不再赘述。

机器可读存储介质120可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。

处理器130可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器130中的硬件的集成逻辑电路或者软件形式的指令完成。

服务器100可以通过网络接口110和其它设备（例如在线学习终端200）进行信息交互。网络接口110可以是电路、总线、收发器或者其它任意可以用于进行信息交互的装置。处理器130可以利用网络接口110收发信息。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意对来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。

本申请实施例是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

显然，本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请实施例的这些表达和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。