讲师课程选报方法、装置、设备及存储介质

摘要

本申请涉及人工智能技术领域，公开了一种讲师课程选报方法、装置、设备及存储介质，方法包括：当接收到课程设计指令时，从课程设计指令中获取待设计课程信息，其中，待设计课程信息包括用于表征待设计课程所对应的知识领域的目标领域标签；获取归属于目标领域标签的知识点标签集以及学习对象标签集；根据目标领域标签、知识点标签集以及学习对象标签集生成备选课程信息集；通过预训练好的课程预测模型获取各个讲师对备选课程信息集中的各个备选课程信息的预测授课意向，以根据各个预测授课意向计算各个备选课程信息的选报概率；根据选报概率从备选课程信息集中选取目标课程信息，并将目标课程信息发布给各个讲师以供各个讲师选报。

说明书

技术领域

本申请涉及人工智能的技术领域，尤其涉及一种讲师课程选报方法、装置、设备及存储介质。

背景技术

目前的教育培训中，针对某位讲师授课的培训课程安排，一般是由培训管理员根据该教师授课特点及水平进行安排调整。在这种情况下，讲师所被分配到的培训课程，不一定是符合讲师所擅长的知识以及授课风格的课程。一旦讲师被安排的课程不符合自己的讲课需求，可能会导致讲师的授课质量底下。

发明内容

本申请的主要目的在于提供一种讲师课程选报方法、装置、设备及存储介质，旨在解决现有技术中讲师只能被动安排培训课程，导致讲师授课积极性低下，授课质量不佳的问题。

第一方面，本申请提供一种讲师课程选报方法，包括：

当接收到课程设计指令时，从所述课程设计指令中获取待设计课程信息，其中，所述待设计课程信息包括用于表征待设计课程所对应的知识领域的目标领域标签；

获取归属于所述目标领域标签的知识点标签集以及学习对象标签集；

根据所述目标领域标签、所述知识点标签集以及所述学习对象标签集生成备选课程信息集；

通过预训练好的课程预测模型获取各个讲师对所述备选课程信息集中的各个备选课程信息的预测授课意向，且根据所述预测授课意向计算各个所述备选课程信息的选报概率；

根据所述选报概率从所述备选课程信息集中选取目标课程信息，并将所述目标课程信息发布给各个讲师以供各个讲师选报。

第二方面，本申请还提供一种讲师课程选报装置，所述讲师课程选报装置包括：

设计指令接收模块，用于当接收到课程设计指令时，从所述课程设计指令中获取待设计课程信息，其中，所述待设计课程信息包括用于表征待设计课程所对应的知识领域的目标领域标签；

标签处理模块，用于获取归属于所述目标领域标签的知识点标签集以及学习对象标签集；

课程信息生成模块，用于根据所述目标领域标签、所述知识点标签集以及所述学习对象标签集生成备选课程信息集；

选报概率获取模块，用于通过预训练好的课程预测模型获取各个讲师对所述备选课程信息集中的各个备选课程信息的预测授课意向，且根据所述预测授课意向计算各个所述备选课程信息的选报概率；

目标课程确认模块，用于根据所述选报概率从所述备选课程信息集中选取目标课程信息，并将所述目标课程信息发布给各个讲师以供各个讲师选报。

第三方面，本申请还提供一种计算机设备，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如上所述的讲师课程选报方法的步骤。

第四方面，本申请还提供一种存储介质，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如上所述的讲师课程选报方法的步骤。

本申请提供一种讲师课程选报方法、装置、设备及存储介质，本申请提供一种讲师课程选报方法、装置、设备及存储介质，本申请中，通过课程预测模型预测讲师群体对备选课程信息集中的各个备选课程信息的选报概率，且根据选报概率从备选课程信息集中选取目标课程信息以供讲师选报，一方面，最终所选取出来的目标课程信息是根据选报概率选取出来的，可以确保目标课程信息符合大部分讲师的授课要求，将目标课程信息发布给讲师们进行选报授课，可以提高讲师们选报目标课程信息进行授课的积极性；另一方面，讲师可以结合自身的情况选报自己有把握的课程进行授课，可以解决讲师授课质量不佳的问题。

附图说明

为了更清楚地说明本申请实施例技术方案，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，下面描述中的附图是本申请的一些实施例，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。

图1为本申请实施例提供的一种讲师课程选报方法的步骤流程示意图；

图2为本申请实施例提供的一种讲师课程选报装置的示意性框图；

图3为本申请实施例提供的一种计算机设备的结构示意性框图。

本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。另外，虽然在装置示意图中进行了功能模块的划分，但是在某些情况下，可以以不同于装置示意图中的模块划分。

本申请实施例提供一种讲师课程选报方法、装置、设备及存储介质。其中，该方法可应用于终端设备或服务器中，该终端设备可以为手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备；该服务器可以为单台的服务器，也可以为由多台服务器组成的服务器集群。以下以该方法应用于服务器为例进行解释说明。

下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

请参照图1，图1为本申请实施例提供的一种讲师课程选报方法的步骤流程示意图。

如图1所示，该讲师课程选报方法包括步骤S10至步骤S14。

步骤S10、当接收到课程设计指令时，从所述课程设计指令中获取待设计课程信息，其中，所述待设计课程信息包括用于表征待设计课程所对应的知识领域的目标领域标签。

可以理解，课程设计指令为触发本申请的执行主体进行课程设计，以确定课程内容的指令，其中，所需确定的课程内容包括对应课程的知识领域，知识点以及学习对象。

接收到课程设计指令时，从课程设计指令中获取待设计课程信息以确定目标领域标签。其中，待设计课程信息所对应的课程即为待设计课程，根据目标领域标签即可确定待设计课程的知识领域。示例性的，假设目标领域标签为保额销售技能标签，则说明所要设计的待设计课程是关于保额销售技能领域。

可以理解，不同的知识领域所包含的知识点以及所面对的学习对象不同，并且，不同的知识点的学习难度不同，有的知识点比较浅显易懂，而有的知识点则比较晦涩难懂。因此，在不同的学习对象当前所掌握的知识水平不同的情况下，讲师对不同的学习对象传授同样的知识点的难度也不同。

在一些实施方式中，当本申请的执行主体为服务器时，课程设计指令可以为服务器接收到的网络请求；当本申请的执行主体为终端设备时，课程设计指令可以为终端设备收到的由用户点击终端设备的屏幕触发的操作指令；当然，课程设计指令还可以为其他形式的指令，在此不做限制。

在一些实施方式中，所述当接收到课程设计指令时，从所述课程设计指令中获取待设计课程信息之前，所述方法还包括：

构建选课问卷信息，其中，所述选课问卷信息包括多个问卷课程信息，所述问卷课程信息包括对应问卷课程的领域标签、知识点标签以及学习对象标签，且所述知识点标签以及所述学习对象标签归属于所述领域标签；

将所述选课问卷信息发送给讲师，并收集讲师对各个问卷课程信息的授课意向；

获取讲师的讲师属性信息，并根据所述讲师属性信息、所述问卷课程信息以及所述授课意向对预设的学习模型进行训练，得到课程预测模型。

讲师的讲师属性信息包括讲师的个人信息、能力信息以及授课风格信息。在一些实施方式中，讲师的个人信息包括讲师的性别、年龄、岗位、职级以及入司年限等信息；讲师的能力信息为讲师的能力测评结果，包括讲师所擅长的知识领域以及知识点；讲师的授课风格信息则表征讲师的授课风格。将各个问卷课程信息发送给各个讲师后，各个讲师即可结合自身的情况去选报自身有把握的课程，在讲师选报问卷课程信息的过程中，收集讲师对各个问卷课程信息的授课意向。可以理解，在这个过程中，参与问卷课程信息选报的讲师的数量可以为一个或多个。

在一些实施方式中，授课意向可以为选报授课或拒绝授课。问卷课程信息中除了包括有对应问卷课程的领域标签、知识点标签以及学习对象标签，还设置有选报授课选项以及拒绝授课选项。讲师在填写选课问卷信息的过程中，可以结合自身的情况来去决定设置哪一个选项为选中状态。当讲师选择选报授课选项为选中状态时，该讲师对该问卷课程信息的授课意向为选报授课，可以推断对这个问卷课程信息所指定的知识领域、知识点以及所要面对的学习对象比较有把握；相应的，当讲师选择拒绝授课选项为选中状态时，该讲师对该问卷课程信息的授课意向为拒绝授课，可以推断讲师对该问卷课程信息没有把握。对于这种情况，讲师可能对这个问卷课程信息所指定的知识领域、知识点不够熟悉，或者可能因为讲师认为知识领域以及知识点与学习对象不够匹配，不太符合自身的授课要求。

在一些实施方式中，授课意向中还可以包括讲师填写问卷课程信息的过程行为，根据该过程行为，可以评估讲师对问卷课程信息进行授课的兴趣以及信心。示例性的，在讲师填写问卷课程信息的过程中，如果讲师先是将问卷中的拒绝授课选项设置为选中状态，稍后，讲师取消设置拒绝授课选项为选中状态，并设置选报授课选项为选中状态。对于这种情况，可以推断讲师可能对该问卷课程信息比较感兴趣但是又缺乏信心，没有足够的把握上好这个课。

收集到各个讲师的讲师属性信息，以及各个讲师对各个问卷课程信息的授课意向后，即可根据讲师属性信息、问卷课程信息以及授课意向对预设的学习模型进行训练；在训练模型的过程中，以讲师属性信息以及问卷课程信息作为自变量，并以授课意向作为因变量，最终训练出来的课程预测模型，可以根据输入的讲师属性信息以及课程信息输出预测授课意向，其中，预测授课意向为课程预测模型评估讲师属性信息与课程信息的匹配程度后，预测出来的讲师属性信息所归属的讲师对课程信息的授课意向。

在一些实施方式中，预设的学习模型可以为神经网络模型，也可以为其他具有学习能力的模型，在此不做限制。

步骤S11、获取归属于所述目标领域标签的知识点标签集以及学习对象标签集。

可以理解，不同的知识领域所包含的知识点以及所面对的学习对象不同。由归属于目标领域标签的知识点标签所构成的集合，即为知识点标签集；同理，由归属于目标领域标签的学习对象标签所构成的集合，即为学习对象标签集。

在一些实施方式中，可以通过预设的标签匹配预设信息表来获取归属于目标领域标签的知识点标签集以及学习对象标签集。

示例性的，假设标签匹配预设信息表如下表一所示。

表一、

假设目标领域标签为“知识领域1”，则获取到的归属于“知识领域1”的知识点标签集包括“知识点1a”、“知识点1b”以及“知识点1c”，获取到的归属于“知识领域1”的学习对象标签集包括“学习对象1a”以及“学习对象1b”。

步骤S12、根据所述目标领域标签、所述知识点标签集以及所述学习对象标签集生成备选课程信息集。

可以理解，从知识点标签集中选取知识点标签，且从学习对象标签集中选取学习对象标签后，即可将目标领域标签与选取出来的标签进行组合，得到多个备选课程信息，由多个备选课程信息构成的集合，即为备选课程信息集。

在一些实施方式中，所述备选课程信息集包括多个备选课程信息，所述根据所述目标领域标签、所述知识点标签集以及所述学习对象标签集生成备选课程信息集，包括：

从所述知识点标签集中选取若干个知识点标签作为目标知识点标签，并从所述学习对象标签集中选取若干个学习对象标签作为目标学习对象标签；

根据所述目标知识领域标签、所述目标知识点标签以及所述目标学习对象标签构成所述备选课程信息。

可以理解，每一个备选课程信息中所包含的知识点标签可以为一个或多个，同理，每一个备选课程信息中所包含的学习对象标签也可以为一个或多个。

示例性的，假设目标领域标签为“知识领域2”，知识点标签集包括“知识点2a”以及“知识点2b”，学习对象标签集包括“学习对象2a”以及“学习对象2b”。则通过选取目标知识点标签以及目标学习对象标签与目标知识领域标签进行组合，所得到的的备选课程信息集如下表二所示。

表二、

步骤S13、通过预训练好的课程预测模型获取各个讲师对所述备选课程信息集中的各个备选课程信息的预测授课意向，且根据所述预测授课意向计算各个所述备选课程信息的选报概率。

可以理解，课程预测模型为根据讲师的讲师属性信息、问卷课程信息、以及讲师对问卷课程信息的授课意向训练获得，因此，利用课程预测模型可以预测各个讲师对备选课程信息集中的各个备选课程信息的授课意向，得到预测授课意向。根据各个讲师对各个备选课程信息的预测授课意向，即可计算各个备选课程信息的选报概率。

在一些实施方式中，选报概率表征备选课程信息被各个讲师选报以进行授课的概率。

在一些实施方式中，所述通过预训练好的课程预测模型获取各个讲师对所述备选课程信息集中的各个备选课程信息的预测授课意向，包括：

获取讲师属性信息集，其中，所述讲师属性信息集包括若干个讲师的讲师属性信息；

从所述备选课程信息集中选取目标备选课程信息，并从所述讲师属性信息集中获取目标讲师对应的目标讲师属性信息；

将所述目标备选课程信息以及所述目标讲师属性信息输入所述课程预测模型，并获取所述课程预测模型的输出结果作为所述目标讲师对所述目标备选课程信息的预测授课意向。

可以理解，培训机构中的每一个讲师都有一个对应的讲师属性信息，由多个讲师的讲师属性信息所构成的集合即为讲师属性信息集。

逐个从讲师属性信息集中获取讲师属性信息作为目标讲师属性信息，且逐个从备选课程信息集中选取目标备选课程信息，将目标讲师属性信息以及目标备选课程信息输入课程预测模型之后，课程预测模型即可对目标讲师属性信息以及目标备选课程信息进行分析并生成输出结果，其中，输出结果即为课程预测模型预测的目标讲师对目标备选课程信息的授课意向，也即预测授课意向。重复执行上述步骤，即可获取各个讲师对备选课程信息集中的各个备选课程信息的预测授课意向。

在一些实施方式中，所述根据所述预测授课意向计算各个所述备选课程信息的选报概率，包括：

根据所述讲师属性信息集确定讲师总数，并根据所述预测授课意向计算选报所述目标备选课程信息的讲师的数量作为选报讲师数；

获取所述选报讲师数与所述讲师总数的比值作为所述目标备选课程信息的选报概率。

可以理解，每一个讲师都有其对应的讲师属性信息，可以通过讲师属性信息集中的讲师属性信息的个数确定讲师总数。另外，预测授课意向可以为选报授课或者拒绝授课，计算对应目标备选课程信息且结果值为选报授课的预测授课意向的数量，即得到选报讲师数。

在一些实施方式中，利用选报讲师数除以讲师总数，所得到的结果，即为目标备选课程信息对应的的选报概率。

可以理解，在讲师总数一定的情况下，目标备选课程信息对应的选报讲师数越多，说明目标备选课程信息越符合讲师群体的授课要求，也即在目标备选课程信息发布出去后，愿意选报该目标备选课程信息以进行授课的讲师也越多。

示例性的，假设备选课程信息集中包括“备选课程信息1”以及“备选课程信息2”，并且假设一共有3个讲师，其中，讲师1对应的讲师属性信息为“讲师属性信息1”，讲师2对应的讲师属性信息为“讲师属性信息2”，讲师3对应的讲师属性信息为“讲师属性信息3”，则讲师属性信息集包括：“讲师属性信息1”、“讲师属性信息2”以及“讲师属性信息3”。

假设通过课程预测模型所获取到的各个备选课程信息的预测授课意向如下表三所示。

表三、

在讲师总数为3的情况下，“备选课程信息1”的选报讲师数为1，则“备选课程信息1”的选报概率为1/3。同理，因为“备选课程信息2”的选报讲师数为2，则“备选课程信息2”的选报概率为2/3。

在一些实施方式中，所述待设计课程信息还包括所述待设计课程的授课起止时间，所述获取讲师属性信息集，包括：

从各个讲师中筛选在所述授课起止时间内处于无课状态的讲师作为目标讲师；

获取所述目标讲师的个人信息、能力信息以及授课风格信息，得到目标讲师属性信息；

将各个所述目标讲师对应的目标讲师属性信息添加到预设集合中，得到讲师属性信息集。

可以理解，在授课起止时间内有授课安排的老师处于有课状态，而在授课起止时间内没有授课安排的老师则处于无课状态。在获取讲师属性信息集时排除掉在授课起止时间处于有课状态的老师，可以提高计算出来的目标备选课程信息的选报概率的准确度。

另外，为了利用课程预测模型获得更准确的预测授课意向，在利用课程预测模型获取各个讲师对备选课程信息集中的各个备选课程信息的预测授课意向时，向课程预测模型所输入的讲师属性信息，与训练课程预测模型时所输入的讲师属性信息需要包含相同类型的元素。

示例性的，假设在训练课程预测模型时，所输入的讲师的个人信息包括讲师的个人信息、能力信息以及授课风格信息，则在向课程预测模型输入讲师属性信息以获取预测授课意向时，所输入的讲师属性信息同样得包含个人信息、能力信息以及授课风格信息。

在一些实施方式中，个人信息包括讲师的性别、年龄、岗位、职级以及入司年限等信息；讲师的能力信息包括讲师所擅长的知识领域以及知识点；讲师的授课风格信息则表征讲师的授课风格。

步骤S14、根据所述选报概率从所述备选课程信息集中选取目标课程信息，并将所述目标课程信息发布给各个讲师以供各个讲师选报。

可以理解，备选课程信息的选报概率越高，说明有把握选报备选课程信息进行授课的讲师越多，备选课程信息越符合各个讲师的授课要求，各个讲师选报备选课程信息进行授课的积极性越高。

获得备选课程信息集中各个备选课程信息的选报概率后，即可根据各个备选课程信息对应的选报概率从备选课程信息集中选取目标课程信息。将目标课程信息发布给各个讲师后，各个讲师即可根据自身的情况决定是否选报目标课程信息以进行授课。

在一些实施方式中，所述根据所述选报概率从所述备选课程信息集中选取目标课程信息，包括：

从所述备选课程信息集中筛选所述选报概率最高的备选课程信息作为目标课程信息。

通过本实施方式所提供的技术方案，可以尽可能的确保所选出来的目标课程信息所对应的知识领域、知识点以及所面对的学习对象，是最符合讲师群体的授课要求的。将这个目标课程信息发布给各个讲师后，讲师选报该课程信息进行授课的概率非常大。

在一些实施方式中，所述根据所述选报概率从所述备选课程信息集中选取目标课程信息，包括：

计算所述备选课程信息集中的各个备选课程信息的热门得分；

根据各个备选课程信息的选报概率计算各个备选课程信息的选报概率得分；

根据所述选报概率得分以及所述热门得分确定各个备选课程信息的综合得分；

从所述备选课程信息集中筛选所述综合得分最高的备选课程信息作为目标课程信息。

可以理解，备选课程信息包括目标领域标签、目标知识点标签以及目标学习对象标签。

在一些实施方式中，可以通过大数据的技术获取人们对各个目标知识点标签对应的目标知识点的搜索次数，以确定各个目标知识点的热门度，并根据目标知识点的热门度计算备选课程信息的热门得分；或者，可以通过问卷调查的方式获取各个目标知识点标签对应的热门度，并根据目标知识点的热门度计算备选课程信息的热门得分；另外，还可以通过其他方式计算选课程信息的热门得分，在此不做限制。

累加备选课程信息的选报概率得分以及热门得分，即得到备选课程信息的综合得分。根据综合得分选取目标课程信息，可以让所选出来的目标课程信息同时兼顾讲师的授课需求以及学生的学习需求。

在一些实施方式中，所述将所述目标课程信息发布给各个讲师以供各个讲师选报之后，还包括：

获取各个讲师对所述目标课程信息的选报授课意向；

并根据各个讲师的讲师属性信息、所述目标课程信息以及所述选报授课意向继续对所述课程预测模型进行训练。

通过本实施方式所提供的技术方案，可以进一步提高课程预测模型根据讲师属性信息以及课程信息输出预测授课意向的准确率。

本申请中，通过课程预测模型预测讲师群体对备选课程信息集中的各个备选课程信息的选报概率，且根据选报概率从备选课程信息集中选取目标课程信息以供讲师选报，一方面，最终所选取出来的目标课程信息是根据选报概率选取出来的，可以确保目标课程信息符合大部分讲师的授课要求，将目标课程信息发布给讲师们进行选报授课，可以提高讲师们选报目标课程信息进行授课的积极性；另一方面，讲师可以结合自身的情况选报自己有把握的课程进行授课，可以解决讲师授课质量不佳的问题。

请参照图2，图2为本申请实施例提供的一种讲师课程选报装置的示意性框图。

如图2所示，该讲师课程选报装置201，包括：

设计指令接收模块2011，用于当接收到课程设计指令时，从所述课程设计指令中获取待设计课程信息，其中，所述待设计课程信息包括用于表征待设计课程所对应的知识领域的目标领域标签；

标签处理模块2012，用于获取归属于所述目标领域标签的知识点标签集以及学习对象标签集；

课程信息生成模块2013，用于根据所述目标领域标签、所述知识点标签集以及所述学习对象标签集生成备选课程信息集；

选报概率获取模块2014，用于通过预训练好的课程预测模型获取各个讲师对所述备选课程信息集中的各个备选课程信息的预测授课意向，且根据所述预测授课意向计算各个所述备选课程信息的选报概率；

目标课程确认模块2015，用于根据所述选报概率从所述备选课程信息集中选取目标课程信息，并将所述目标课程信息发布给各个讲师以供各个讲师选报。

在一些实施方式中，该讲师课程选报装置201还包括模型预训练模块2016，在设计指令接收模块2011在当接收到课程设计指令时，从所述课程设计指令中获取待设计课程信息之前，模型预训练模块2016用于构建选课问卷信息，其中，所述选课问卷信息包括多个问卷课程信息，所述问卷课程信息包括对应问卷课程的领域标签、知识点标签以及学习对象标签，且所述知识点标签以及所述学习对象标签归属于所述领域标签；

将所述选课问卷信息发送给讲师，并收集讲师对各个问卷课程信息的授课意向；

获取讲师的讲师属性信息，并根据所述讲师属性信息、所述问卷课程信息以及所述授课意向对预设的学习模型进行训练，得到课程预测模型。

在一些实施方式中，所述选报概率获取模块2014在通过预训练好的课程预测模型获取各个讲师对所述备选课程信息集中的各个备选课程信息的预测授课意向时，包括：

获取讲师属性信息集，其中，所述讲师属性信息集包括若干个讲师的讲师属性信息；

从所述备选课程信息集中选取目标备选课程信息，并从所述讲师属性信息集中获取目标讲师对应的目标讲师属性信息；

将所述目标备选课程信息以及所述目标讲师属性信息输入所述课程预测模型，并获取所述课程预测模型的输出结果作为所述目标讲师对所述目标备选课程信息的预测授课意向。

在一些实施方式中，所述选报概率获取模块2014在根据所述预测授课意向计算各个所述备选课程信息的选报概率时，包括：

根据所述讲师属性信息集确定讲师总数，并根据所述预测授课意向计算选报所述目标备选课程信息的讲师的数量作为选报讲师数；

获取所述选报讲师数与所述讲师总数的比值作为所述目标备选课程信息的选报概率。

在一些实施方式中，所述待设计课程信息还包括所述待设计课程的授课起止时间，所述选报概率获取模块2014在获取讲师属性信息集时，包括：

从各个讲师中筛选在所述授课起止时间内处于无课状态的讲师作为目标讲师；

获取所述目标讲师的个人信息、能力信息以及授课风格信息，得到目标讲师属性信息；

将各个所述目标讲师对应的目标讲师属性信息添加到预设集合中，得到讲师属性信息集。

在一些实施方式中，所述目标课程确认模块2015在根据所述选报概率从所述备选课程信息集中选取目标课程信息时，包括：

从所述备选课程信息集中筛选所述选报概率最高的备选课程信息作为目标课程信息。

在一些实施方式中，所述目标课程确认模块2015在根据所述选报概率从所述备选课程信息集中选取目标课程信息时，包括：

计算所述备选课程信息集中的各个备选课程信息的热门得分；

根据各个备选课程信息的选报概率计算各个备选课程信息的选报概率得分；

根据所述选报概率得分以及所述热门得分确定各个备选课程信息的综合得分；

从所述备选课程信息集中筛选所述综合得分最高的备选课程信息作为目标课程信息。

需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各模块及单元的具体工作过程，可以参考前述讲师课程选报方法实施例中的对应过程，在此不再赘述。

上述实施例提供的装置可以实现为一种计算机程序的形式，该计算机程序可以在如图3所示的计算机设备上运行。

请参阅图3，图3为本申请实施例提供的一种计算机设备的结构示意性框图。该计算机设备包括但不限定于服务器。

如图3所示，该计算机设备301包括通过系统总线连接的处理器3011、存储器和网络接口，其中，存储器可以包括存储介质3012和内存储器3015，存储介质3012可以是非易失性的，也可以是易失性的。

存储介质3012可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器3011执行任意一种讲师课程选报方法。

处理器3011用于提供计算和控制能力，支撑整个计算机设备的运行。

内存储器3015为存储介质3012中的计算机程序的运行提供环境，该计算机程序被处理器3011执行时，可使得处理器3011执行任意一种讲师课程选报方法。

该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

应当理解的是，处理器3011可以是中央处理单元(Central Processing Unit，CPU)，该处理器3011还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

其中，在一些实施方式中，所述处理器3011用于运行存储在存储器中的计算机程序，以实现如下步骤：

当接收到课程设计指令时，从所述课程设计指令中获取待设计课程信息，其中，所述待设计课程信息包括用于表征待设计课程所对应的知识领域的目标领域标签；

获取归属于所述目标领域标签的知识点标签集以及学习对象标签集；

根据所述目标领域标签、所述知识点标签集以及所述学习对象标签集生成备选课程信息集；

通过预训练好的课程预测模型获取各个讲师对所述备选课程信息集中的各个备选课程信息的预测授课意向，且根据所述预测授课意向计算各个所述备选课程信息的选报概率；

根据所述选报概率从所述备选课程信息集中选取目标课程信息，并将所述目标课程信息发布给各个讲师以供各个讲师选报。

在一些实施方式中，所述处理器3011在当接收到课程设计指令时，从所述课程设计指令中获取待设计课程信息之前，还用于实现：

构建选课问卷信息，其中，所述选课问卷信息包括多个问卷课程信息，所述问卷课程信息包括对应问卷课程的领域标签、知识点标签以及学习对象标签，且所述知识点标签以及所述学习对象标签归属于所述领域标签；

将所述选课问卷信息发送给讲师，并收集讲师对各个问卷课程信息的授课意向；

获取讲师的讲师属性信息，并根据所述讲师属性信息、所述问卷课程信息以及所述授课意向对预设的学习模型进行训练，得到课程预测模型。

在一些实施方式中，所述处理器3011在通过预训练好的课程预测模型获取各个讲师对所述备选课程信息集中的各个备选课程信息的预测授课意向时，用于实现：

获取讲师属性信息集，其中，所述讲师属性信息集包括若干个讲师的讲师属性信息；

从所述备选课程信息集中选取目标备选课程信息，并从所述讲师属性信息集中获取目标讲师对应的目标讲师属性信息；

将所述目标备选课程信息以及所述目标讲师属性信息输入所述课程预测模型，并获取所述课程预测模型的输出结果作为所述目标讲师对所述目标备选课程信息的预测授课意向。

在一些实施方式中，所述处理器3011在根据所述预测授课意向计算各个所述备选课程信息的选报概率时，用于实现：

根据所述讲师属性信息集确定讲师总数，并根据所述预测授课意向计算选报所述目标备选课程信息的讲师的数量作为选报讲师数；

获取所述选报讲师数与所述讲师总数的比值作为所述目标备选课程信息的选报概率。

在一些实施方式中，所述待设计课程信息还包括所述待设计课程的授课起止时间，所述处理器3011在获取讲师属性信息集时，用于实现：

从各个讲师中筛选在所述授课起止时间内处于无课状态的讲师作为目标讲师；

获取所述目标讲师的个人信息、能力信息以及授课风格信息，得到目标讲师属性信息；

将各个所述目标讲师对应的目标讲师属性信息添加到预设集合中，得到讲师属性信息集。

在一些实施方式中，所述处理器3011在根据所述选报概率从所述备选课程信息集中选取目标课程信息时，用于实现：

从所述备选课程信息集中筛选所述选报概率最高的备选课程信息作为目标课程信息。

在一些实施方式中，所述处理器3011在根据所述选报概率从所述备选课程信息集中选取目标课程信息时，用于实现：

计算所述备选课程信息集中的各个备选课程信息的热门得分；

根据各个备选课程信息的选报概率计算各个备选课程信息的选报概率得分；

根据所述选报概率得分以及所述热门得分确定各个备选课程信息的综合得分；

从所述备选课程信息集中筛选所述综合得分最高的备选课程信息作为目标课程信息。

需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述计算机设备的具体工作过程，可以参考前述讲师课程选报方法实施例中的对应过程，在此不再赘述。

本申请实施例还提供一种存储介质，该存储介质为计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序中包括程序指令，所述程序指令被执行时所实现的方法可参照本申请讲师课程选报方法的各个实施例。

其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。

应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。