一种听课人员的智能推荐方法以及推荐系统与流程

本技术涉及在线教学，具体涉及一种听课人员的智能推荐方法以及推荐系统。

背景技术：

1、目前，为了提高教学水平和教学质量，听课人员会参加授课人员发布的课程，授课人员通过现场教学以使听课老师可以学习教学经验，从而听课人员可以将上述的教学经验总结成为自身的教学经验，进而提高自身的教学水平和教学质量。但是，传统的课程常用的邀请方式由授课人员发起，授课人员线下邀请同组的人员或者组长参加听课，或者授课人员将公开信息发送至公开课程信息系统上，所有的听课人员可以凭兴趣报名参加。因为传统的公开课的邀请方式均倾向于各位听课人员的主观经验，并不能客观的邀请听课人员参加，所以无法为听课人员提供更有效的教学帮助，从而无法提升听课人员的教学质量。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种听课人员的智能推荐方法以及推荐系统，解决了现有技术中听课人员凭借主观经验参加公开课的问题。

2、根据本技术的一个方面，提供了一种听课人员的智能推荐方法，包括：

3、获取课堂教学评分表；其中，所述课堂教学评分表包括目标授课人员的信息和听课人员的信息；

4、根据所述目标授课人员的信息以及所述听课人员的信息，计算所述目标授课人员与所述听课人员之间的教学匹配度；

5、获取所述目标授课人员与所述听课人员之间的基本信息匹配度、时间匹配度、订阅听课匹配度；

6、基于层级分析算法，根据所述教学匹配度、所述基本信息匹配度、所述时间匹配度以及所述订阅听课匹配度，构建评价矩阵；

7、根据所述评价矩阵，计算所述听课人员的推荐度；

8、获取推荐人数；

9、根据多个听课人员的推荐度以及所述推荐人数，生成推荐名单。

10、在一实施例中，所述目标授课人员的信息包括所述目标授课人员的姓名和所述目标授课人员在评课指标下对应的评课分数，所述听课人员的信息包括所述听课人员的姓名和所述听课人员在所述评课指标下对应的评课分数，其中，所述根据所述目标授课人员的信息以及所述听课人员的信息，计算所述目标授课人员与所述听课人员之间的教学匹配度包括：

11、若所述目标授课人员的评课分数均大于第一预设分数阈值，则计算所述目标授课人员在所述评课指标下对应的评课分数的第一和值；

12、计算所述听课人员在所述评课指标下对应的评课分数的第二和值；

13、确定所述第一和值和多个第二和值中的和值最大值以及和值最小值；

14、根据所述和值最大值、所述和值最小值以及所述第二和值，计算所述目标授课人员与所述听课人员之间的教学匹配度。

15、在一实施例中，所述根据所述目标授课人员的信息以及所述听课人员的信息，计算所述目标授课人员与所述听课人员之间的教学匹配度，还包括：

16、若所述目标授课人员的评课分数均小于所述第一预设分数阈值且大于第二预设分数阈值，则计算所述目标授课人员在所述评课指标下对应的评课分数的平均值；其中，所述第一预设分数阈值大于所述第二预设分数阈值；

17、根据所述目标授课人员在所述评课指标下对应的评课分数的平均值，计算所述目标授课人员的标准差；

18、若所述标准差大于预设标准差阈值，则根据所述目标授课人员在所述评课指标下对应的评课分数以及所述平均值，计算所述评课指标下的第一绝对偏离值；

19、选取多个第一绝对偏离值中大于预设偏离值的第一绝对偏离值对应的评价指标作为目标评价指标；

20、根据所述听课人员在所述目标评课指标下对应的评课分数的平均值以及所述听课人员在所述目标评课指标下对应的评课分数，计算所述听课人员在所述目标评价指标下的第二绝对偏离值；

21、确定所述第一绝对偏离值以及多个第二绝对偏离值中的绝对偏离值最大值和绝对偏离值最小值；

22、根据所述绝对偏离值最大值、所述绝对偏离值最小值以及所述听课人员在所述目标评价指标下的第二绝对偏离值，计算所述目标授课人员与所述听课人员之间的教学匹配度。

23、在一实施例中，所述根据所述目标授课人员的信息以及所述听课人员的信息，计算所述目标授课人员与所述听课人员之间的教学匹配度，还包括：

24、若所述目标授课人员的评课分数均小于所述第二预设分数阈值或者所述标准差小于所述预设标准差阈值，则获取综合评分以及备课评分；

25、计算所述综合评分对应的第一参考系数、所述备课评分对应的第二参考系数以及在所述评课指标下对应的第三参考系数；

26、根据所述第一参考系数、所述第二参考系数以及所述第三参考系数，计算所述听课人员的秩和比；

27、根据所述秩和比以及秩和比百分数与概率值对照表，获取所述秩和比对应的概率值；

28、根据多个秩和比以及所述秩和比对应的概率值，绘制线性回归曲线；

29、确定所述线性回归曲线与预设线性回归曲线之间的交点；

30、确定所述交点对应的临界秩和比以及所述临界秩和比对应的概率值；

31、根据多个临界秩和比以及所述临界秩和比对应的概率值，构建多个匹配区间；其中，每个匹配区间由多个百分数构成，每个百分数对应一个秩和比；

32、从多个听课人员的秩和比中选取小于所述目标授课人员的秩和比的听课人员作为目标听课人员；

33、确定所述目标听课人员的秩和比对应的百分数；其中，所述目标授课人员与所述听课人员之间的教学匹配度包括所述百分数。

34、在一实施例中，所述基于层级分析算法，根据所述教学匹配度、所述基本信息匹配度、所述时间匹配度以及所述订阅听课匹配度，构建评价矩阵包括：

35、基于重要规则，确定所述教学匹配度分别与所述教学匹配度、所述基本信息匹配度、所述时间匹配度、所述订阅听课匹配度之间的第一重要值；

36、基于所述重要规则，确定所述基本信息匹配度分别与所述基本信息匹配度、所述教学匹配度、所述时间匹配度、所述订阅听课匹配度之间的第二重要值；

37、基于所述重要规则，确定所述时间匹配度分别与所述时间匹配度、所述教学匹配度、所述基本信息匹配度、所述订阅听课匹配度之间的第三重要值；

38、基于重要规则，确定所述订阅听课匹配度与所述订阅听课匹配度、所述教学匹配度、所述时间匹配度、所述基本信息匹配度之间的第四重要值；

39、将所述教学匹配度对应的名称以及其对应的第一重要值、所述基本信息匹配度对应的名称以及其对应的第二重要值、所述时间匹配度对应的名称以及其对应的第三重要值、所述订阅听课匹配度对应的名称以及其对应的第四重要值，构建所述评价矩阵。

40、在一实施例中，所述根据所述评价矩阵，计算所述听课人员的推荐度包括：

41、计算所述评价矩阵的每列之和；

42、根据每列之和，对所述评价矩阵进行归一化处理，以得到归一化矩阵；

43、计算所述归一化矩阵的每行之和；

44、根据每行之和，对所述归一化矩阵进行归一化处理，以得到多个特征向量；

45、根据所述评价矩阵以及多个特征向量，计算多个特征根；

46、根据所述多个特征根以及所述多个特征向量，计算所述评价矩阵对应的最大特征根；

47、根据所述评价矩阵对应的最大特征根，计算所述评价矩阵对应的检验值；

48、若所述检验值小于预设检验阈值，则根据所述多个特征向量，计算所述教学匹配度对应的第一权重、所述基本信息匹配度对应的第二权重、所述时间匹配度对应的第三权重以及所述订阅听课匹配度对应的第四权重；

49、根据所述听课老师的所述教学匹配度与其对应的第一权重、所述基本信息匹配度与其对应的第二权重、所述时间匹配度与其对应的第三权重以及所述订阅听课匹配度与其对应的第四权重，计算所述听课人员对应的推荐度。

50、在一实施例中，在所述根据多个听课人员的推荐度以及所述推荐人数，生成推荐名单之后，还包括：

51、获取所述推荐名单中的听课人员的上课时间段和勿打扰时间段；

52、确定当前的推送次数；

53、若所述推送次数小于预设次数阈值，则获取第一推送时刻；

54、确定当前时刻与所述第一推送时刻之间的第一推送时间段；

55、去除所述第一推送时间段中的所述推荐名单中的听课人员的上课时间段和勿打扰时间段，以得到第一去除时间段；其中，所述第一去除时间段中包括多个第一目标时刻；

56、从所述第一去除时间段中选取靠近所述第一推送时刻的第一目标时刻；

57、若所述当前时刻到达所述第一目标时刻，则向所述推荐名单中的听课人员推送听课信息。

58、在一实施例中，听课人员的智能推荐方法还包括：

59、若所述推送次数大于所述预设次数阈值，则统计所述推荐名单中已同意的听课人员的参加人数；

60、若所述参加人数小于所述推荐人数，则重新生成推荐名单；

61、获取所述推送次数对应的第二推送时刻；

62、确定所述当前时刻与所述第二推送时刻之间的第二推送时间段；

63、获取生成后的推荐名单中的听课人员的勿打扰时间段以及上课时间段；

64、去除所述第二推送时间段中的所述生成后的推荐名单中的听课人员的勿打扰时间段以及上课时间段，以得到第二去除时间段；其中，所述第二去除时间段中包括多个第二目标时刻；

65、从所述第二去除时间段中选取靠近所述第二推送时刻的第二目标时刻；

66、若所述当前时刻到达所述第二目标时刻，则向生成后的推荐名单中的听课人员推送听课信息。

67、在一实施例中，所述重新生成推荐名单包括：

68、确定所述教学匹配度不为0的第一总人数；

69、确定所述基本信息匹配度不为0的第二总人数；

70、确定所述时间匹配度不为0的第三总人数；

71、确定所述订阅听课匹配度不为0的第四总人数；

72、根据所述教学匹配度对应的已拒绝人数以及所述第一总人数，计算第一拒绝比例；

73、根据所述基本信息匹配度对应的已拒绝人数以及所述第二总人数，计算第二拒绝比例；

74、根据所述时间匹配度对应的已拒绝人数以及所述第三总人数，计算第三拒绝比例；

75、根据所述订阅听课匹配度对应的已拒绝人数以及所述第四总人数，计算第四拒绝比例；

76、根据所述第一拒绝比例、所述第二拒绝比例、所述第三拒绝比例以及所述第四拒绝比例，分别调整所述教学匹配度的第一权重、所述基本信息匹配度对应的第二权重、所述时间匹配度对应的第三权重以及所述订阅听课匹配度对应的第四权重；

77、根据所述听课老师的所述教学匹配度与其调整后的第一权重、所述基本信息匹配度与其对应的调整后的第二权重、所述时间匹配度与其对应的调整后的第三权重以及所述订阅听课匹配度与其对应的调整后的第四权重，调整所述听课人员对应的推荐度；

78、根据所述推荐人数以及已拒绝人数，计算剩余人数；

79、去除所述当前的推送次数对应的上一次推送次数中已拒绝的听课人员，以得到剩余人员；

80、根据所述剩余人员的调整后的推荐度以及所述剩余人数，获取推荐人员；

81、根据所述推荐人员和所述当前的推送次数对应的上一次推送次数中已同意的听课人员，重新生成推荐名单。

82、根据本技术的另一方面，提供了一种听课人员的智能推荐系统，包括：

83、获取模块，用于获取课堂教学评分表；其中，所述课堂教学评分表包括目标授课人员的信息和听课人员的信息；

84、计算模块，用于根据所述目标授课人员的信息以及所述听课人员的信息，计算所述目标授课人员与所述听课人员之间的教学匹配度；获取所述目标授课人员与所述听课人员之间的基本信息匹配度、时间匹配度、订阅听课匹配度；基于层级分析算法，根据所述教学匹配度、所述基本信息匹配度、所述时间匹配度以及所述订阅听课匹配度，构建评价矩阵；根据所述评价矩阵，计算所述听课人员的推荐度；

85、推荐模块，用于获取推荐人数；根据多个听课人员的推荐度以及所述推荐人数，生成推荐名单。

86、本技术提供的听课人员的智能推荐方法以及推荐系统，该方法包括：获取课堂教学评分表，其中，课堂教学评分表包括目标授课人员的的信息和听课人员的信息，根据目标授课人员的信息以及听课人员的信息，计算目标授课人员与听课人员之间的教学匹配度，获取目标授课人员与听课人员之间的基本信息匹配度、时间匹配度、订阅听课匹配度，基于层级分析算法，根据教学匹配度、基本信息匹配度、时间匹配度以及订阅听课匹配度，构建评价矩阵，根据评价矩阵，计算听课人员的推荐度，获取推荐人数，根据多个听课人员的推荐度以及推荐人数，生成推荐名单。通过教学匹配度、基本信息匹配度、时间匹配度以及订阅听课匹配度，构建评价矩阵，根据评价矩阵，计算听课人员的推荐度，并根据听课人员的推荐度生成推荐名单，从而可以智能化并客观的生成推荐名单，以使推荐名单中的听课人员参加听课。