技術(shù)領(lǐng)域

本申請涉及大數(shù)據(jù)分析與信息推薦技術(shù)領(lǐng)域，具體而言，涉及一種在線學(xué)習(xí)推薦方法、在線學(xué)習(xí)系統(tǒng)及服務(wù)器。

背景技術(shù)

隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，通過在網(wǎng)上建立在線學(xué)習(xí)平臺，可以使得眾多學(xué)員用戶通過互聯(lián)網(wǎng)進(jìn)行廣泛地學(xué)習(xí)。在傳統(tǒng)方案中，為了提高學(xué)員用戶的學(xué)習(xí)體驗(yàn)，在線學(xué)習(xí)平臺通常會收集學(xué)員用戶在學(xué)習(xí)過程中產(chǎn)生的學(xué)習(xí)行為，并通過對學(xué)習(xí)行為進(jìn)行大數(shù)據(jù)分析后與多個在線學(xué)習(xí)推薦模型進(jìn)行匹配以為該學(xué)員用戶關(guān)聯(lián)對應(yīng)的在線學(xué)習(xí)推薦模型進(jìn)行后續(xù)的在線學(xué)習(xí)推薦。

經(jīng)本申請發(fā)明人研究發(fā)現(xiàn)，對于在線學(xué)習(xí)平臺而言，搭建的在線學(xué)習(xí)推薦模型通常有限，在實(shí)際模型匹配過程中通常是優(yōu)選匹配度最佳的在線學(xué)習(xí)推薦模型關(guān)聯(lián)到對應(yīng)的學(xué)員用戶上。然而，就會導(dǎo)致當(dāng)匹配度較低（低于一定匹配度閾值）時，即便采用匹配度最佳的在線學(xué)習(xí)推薦模型，也難以達(dá)到較為準(zhǔn)確的推薦精度，而在線學(xué)習(xí)推薦模型的參數(shù)配置過程也無法在短時間內(nèi)進(jìn)行有效更新，從而持續(xù)導(dǎo)致信息推薦體驗(yàn)較差。

發(fā)明內(nèi)容

有鑒于此，本申請的目的在于提供一種在線學(xué)習(xí)推薦方法、在線學(xué)習(xí)系統(tǒng)及服務(wù)器，可以實(shí)時提高推薦精度，避免在線學(xué)習(xí)推薦模型的參數(shù)配置過程無法在短時間內(nèi)進(jìn)行有效更新持續(xù)導(dǎo)致的信息推薦體驗(yàn)較差的情況。

第一方面，本申請?zhí)峁┮环N在線學(xué)習(xí)推薦方法，應(yīng)用于服務(wù)器，所述服務(wù)器與多個在線學(xué)習(xí)終端通信連接，所述方法包括：

從每個所述在線學(xué)習(xí)終端中獲取學(xué)員用戶對應(yīng)的學(xué)習(xí)行為數(shù)據(jù)，并提取與所述學(xué)習(xí)行為數(shù)據(jù)對應(yīng)的學(xué)習(xí)行為風(fēng)格數(shù)據(jù)，所述學(xué)習(xí)行為數(shù)據(jù)為所述服務(wù)器根據(jù)所述學(xué)員用戶對應(yīng)的在線學(xué)習(xí)終端的在線學(xué)習(xí)模式信息，以及所述在線學(xué)習(xí)終端與所述服務(wù)器之間的在線學(xué)習(xí)交互方式得到的；

獲取每個學(xué)員用戶的在線學(xué)習(xí)推薦模型的學(xué)習(xí)風(fēng)格權(quán)重參數(shù)以及每個在線學(xué)習(xí)推薦模型在對應(yīng)的學(xué)習(xí)風(fēng)格權(quán)重參數(shù)下的推薦策略所對應(yīng)的推薦權(quán)重，并根據(jù)所述學(xué)習(xí)行為風(fēng)格數(shù)據(jù)中的風(fēng)格數(shù)據(jù)對應(yīng)的風(fēng)格權(quán)重以及每個在線學(xué)習(xí)推薦模型的學(xué)習(xí)風(fēng)格權(quán)重參數(shù)及其在對應(yīng)的學(xué)習(xí)風(fēng)格權(quán)重參數(shù)下的推薦策略中所對應(yīng)的推薦權(quán)重，計算所述學(xué)習(xí)行為數(shù)據(jù)與每個在線學(xué)習(xí)推薦模型之間的適配度；

在確定出的所有適配度中存在達(dá)到預(yù)設(shè)適配度閾值的目標(biāo)適配度時，將所述學(xué)員用戶關(guān)聯(lián)到所述目標(biāo)適配度對應(yīng)的第一目標(biāo)在線學(xué)習(xí)推薦模型中以使所述第一目標(biāo)在線學(xué)習(xí)推薦模型對所述學(xué)員用戶進(jìn)行信息推薦得到第一在線學(xué)習(xí)推薦結(jié)果；

在確定出的所有適配度中未存在達(dá)到所述預(yù)設(shè)適配度閾值的目標(biāo)適配度時，確定出每個在線學(xué)習(xí)推薦模型相對于所述學(xué)員用戶的推薦級別并根據(jù)所述推薦級別的大小順序，通過每個對應(yīng)的在線學(xué)習(xí)推薦模型對所述學(xué)員用戶的所述學(xué)習(xí)行為數(shù)據(jù)進(jìn)行數(shù)據(jù)特征識別得到所述學(xué)員用戶對應(yīng)的多個模型匹配屬性以及每個模型匹配屬性中對應(yīng)的與每個在線學(xué)習(xí)推薦模型的推薦級別對應(yīng)的模型屬性節(jié)點(diǎn)，根據(jù)每個模型匹配屬性從所述學(xué)員用戶對應(yīng)的學(xué)習(xí)行為風(fēng)格數(shù)據(jù)中確定出每個模型匹配屬性對應(yīng)的風(fēng)格屬性權(quán)重參數(shù)，將每個模型匹配屬性對應(yīng)的風(fēng)格屬性權(quán)重參數(shù)關(guān)聯(lián)到每個模型匹配屬性中加載的模型屬性節(jié)點(diǎn)對應(yīng)的第二目標(biāo)在線學(xué)習(xí)推薦模型中，通過每個所述第二目標(biāo)在線學(xué)習(xí)推薦模型根據(jù)所述風(fēng)格屬性權(quán)重參數(shù)對所述學(xué)員用戶進(jìn)行信息推薦得到第二在線學(xué)習(xí)推薦結(jié)果。

在第一方面的一種可能的設(shè)計中，所述根據(jù)所述學(xué)習(xí)行為風(fēng)格數(shù)據(jù)中的風(fēng)格數(shù)據(jù)對應(yīng)的風(fēng)格權(quán)重以及每個在線學(xué)習(xí)推薦模型的學(xué)習(xí)風(fēng)格權(quán)重參數(shù)及其在對應(yīng)的學(xué)習(xí)風(fēng)格權(quán)重參數(shù)下的推薦策略中所對應(yīng)的推薦權(quán)重，計算所述學(xué)習(xí)行為數(shù)據(jù)與每個在線學(xué)習(xí)推薦模型之間的適配度的步驟，包括：

計算所述學(xué)習(xí)行為風(fēng)格數(shù)據(jù)中的風(fēng)格數(shù)據(jù)對應(yīng)的風(fēng)格權(quán)重在每個在線學(xué)習(xí)推薦模型的學(xué)習(xí)風(fēng)格權(quán)重參數(shù)下的風(fēng)格轉(zhuǎn)換權(quán)重；

計算每個風(fēng)格轉(zhuǎn)換權(quán)重與對應(yīng)的學(xué)習(xí)風(fēng)格權(quán)重參數(shù)下的推薦策略中所對應(yīng)的推薦權(quán)重之間的權(quán)重差值的絕對值；

將計算得到的各個權(quán)重差值的絕對值進(jìn)行相加得到所述學(xué)習(xí)行為數(shù)據(jù)與每個在線學(xué)習(xí)推薦模型之間的適配度。

在第一方面的一種可能的設(shè)計中，所述確定出每個在線學(xué)習(xí)推薦模型相對于所述學(xué)員用戶的推薦級別的步驟，包括：

獲取每個在線學(xué)習(xí)推薦模型對應(yīng)的多個模型權(quán)重節(jié)點(diǎn)，確定各模型權(quán)重節(jié)點(diǎn)中的推薦內(nèi)容特征對應(yīng)的內(nèi)容特征序列以及多個內(nèi)容影響參數(shù)，所述內(nèi)容特征序列用于表征推薦內(nèi)容特征對學(xué)習(xí)推薦過程中的推薦傾向行為，所述內(nèi)容影響參數(shù)用于表征所述推薦內(nèi)容特征對學(xué)習(xí)推薦過程的影響權(quán)重；

在根據(jù)所述內(nèi)容特征序列確定出各模型權(quán)重節(jié)點(diǎn)中包含有第一風(fēng)格維度特征序列時，根據(jù)各模型權(quán)重節(jié)點(diǎn)在所述第一風(fēng)格維度特征序列下的內(nèi)容影響參數(shù)及其位置信息，確定各模型權(quán)重節(jié)點(diǎn)在第二風(fēng)格維度特征序列下的各內(nèi)容影響參數(shù)與各模型權(quán)重節(jié)點(diǎn)在所述第一風(fēng)格維度特征序列下的各內(nèi)容影響參數(shù)之間的第一匹配參數(shù)，其中，所述第一風(fēng)格維度特征序列表示學(xué)習(xí)內(nèi)容風(fēng)格的特征序列，所述第二風(fēng)格維度特征序列表示學(xué)習(xí)行為風(fēng)格的特征序列；

在根據(jù)所述內(nèi)容特征序列確定出各模型權(quán)重節(jié)點(diǎn)中包含有第一風(fēng)格維度特征序列時，根據(jù)各模型權(quán)重節(jié)點(diǎn)在所述第一風(fēng)格維度特征序列下的內(nèi)容影響參數(shù)及其位置信息，確定各模型權(quán)重節(jié)點(diǎn)在第二風(fēng)格維度特征序列下的各內(nèi)容影響參數(shù)與各模型權(quán)重節(jié)點(diǎn)在所述第一風(fēng)格維度特征序列下的各內(nèi)容影響參數(shù)之間的第一匹配參數(shù)；

將各模型權(quán)重節(jié)點(diǎn)在所述第二風(fēng)格維度特征序列下的與在所述第一風(fēng)格維度特征序列下的內(nèi)容影響參數(shù)之間的第一匹配參數(shù)達(dá)到預(yù)設(shè)參數(shù)范圍的內(nèi)容影響參數(shù)轉(zhuǎn)移到所述第一風(fēng)格維度特征序列下；

在各模型權(quán)重節(jié)點(diǎn)在所述第二風(fēng)格維度特征序列下包含有多個內(nèi)容影響參數(shù)時，根據(jù)各模型權(quán)重節(jié)點(diǎn)在所述第一風(fēng)格維度特征序列下的內(nèi)容影響參數(shù)及其位置信息確定各模型權(quán)重節(jié)點(diǎn)在所述第二風(fēng)格維度特征序列下的各內(nèi)容影響參數(shù)之間的第二匹配參數(shù)，并根據(jù)所述各內(nèi)容影響參數(shù)之間的第二匹配參數(shù)對所述第二風(fēng)格維度特征序列下的各內(nèi)容影響參數(shù)進(jìn)行篩選；

根據(jù)各模型權(quán)重節(jié)點(diǎn)在所述第一風(fēng)格維度特征序列下的內(nèi)容影響參數(shù)及其位置信息為上述篩選得到的目標(biāo)內(nèi)容影響參數(shù)設(shè)置列表位置等級，并將所述目標(biāo)內(nèi)容影響參數(shù)轉(zhuǎn)移到所述第一風(fēng)格維度特征序列中的與所述列表位置等級對應(yīng)的列表區(qū)間中；

根據(jù)位于所述第一風(fēng)格維度特征序列中的所有內(nèi)容影響參數(shù)分別進(jìn)行加權(quán)處理后，乘以對應(yīng)的在線學(xué)習(xí)推薦模型對應(yīng)的所述適配度，確定各模型權(quán)重節(jié)點(diǎn)對應(yīng)的在線學(xué)習(xí)推薦模型相對于所述學(xué)員用戶的推薦級別。

在第一方面的一種可能的設(shè)計中，所述根據(jù)所述推薦級別的大小順序?qū)λ鰧W(xué)員用戶進(jìn)行數(shù)據(jù)特征識別得到所述學(xué)員用戶對應(yīng)的多個模型匹配屬性以及每個模型匹配屬性中加載的與每個在線學(xué)習(xí)推薦模型的推薦級別對應(yīng)的模型屬性節(jié)點(diǎn)的步驟，包括：

將各個推薦級別所對應(yīng)的推薦內(nèi)容節(jié)點(diǎn)列出，建立在線學(xué)習(xí)推薦模型節(jié)點(diǎn)序列，該在線學(xué)習(xí)推薦模型節(jié)點(diǎn)序列為分項(xiàng)處理列表，每個模型區(qū)域?qū)?yīng)一組序列特征，每組序列特征具有至少一個推薦內(nèi)容節(jié)點(diǎn)，該在線學(xué)習(xí)推薦模型節(jié)點(diǎn)序列的各模型區(qū)域具有從高到低的遞進(jìn)關(guān)系；

確定所述學(xué)員用戶的預(yù)設(shè)配置屬性信息，并提取該學(xué)員用戶的預(yù)設(shè)配置屬性信息中包含的至少一個所述在線學(xué)習(xí)推薦模型節(jié)點(diǎn)序列中的推薦內(nèi)容節(jié)點(diǎn)；

建立所述推薦內(nèi)容節(jié)點(diǎn)與所述在線學(xué)習(xí)推薦模型節(jié)點(diǎn)序列之間的映射關(guān)系，根據(jù)該映射關(guān)系生成映射推薦策略；

其中，根據(jù)該映射關(guān)系生成映射推薦策略，包括：根據(jù)每個推薦內(nèi)容節(jié)點(diǎn)將對應(yīng)的所述在線學(xué)習(xí)推薦模型節(jié)點(diǎn)序列轉(zhuǎn)換為模型節(jié)點(diǎn)數(shù)據(jù)，并分別生成每個模型節(jié)點(diǎn)數(shù)據(jù)的至少一個推薦單位，而后獲取所述推薦級別的互不重復(fù)的推薦單位構(gòu)成推薦單位組，并將所述推薦單位組中的各個推薦單位映射到所述在線學(xué)習(xí)推薦模型節(jié)點(diǎn)序列中，組成映射推薦策略，其中，每個推薦單位與一種推薦項(xiàng)目內(nèi)容一一對應(yīng)；

將所述學(xué)員用戶的預(yù)設(shè)配置屬性信息中包含的推薦內(nèi)容節(jié)點(diǎn)與所述映射推薦策略中的各個推薦內(nèi)容節(jié)點(diǎn)進(jìn)行遍歷比較，在遍歷比較過程中，若一個推薦單位的所有推薦內(nèi)容節(jié)點(diǎn)均包含在所述學(xué)員用戶的預(yù)設(shè)配置屬性信息中，則將該推薦單位記錄為該學(xué)員用戶的模型匹配屬性指向；

根據(jù)所述學(xué)員用戶的各個模型匹配屬性指向，確定所述學(xué)員用戶對應(yīng)的多個匹配位置，根據(jù)每個匹配位置對所述學(xué)員用戶進(jìn)行數(shù)據(jù)特征識別得到對應(yīng)的模型匹配屬性，并根據(jù)每個模型匹配屬性中包括的加載的推薦級別的模型節(jié)點(diǎn)數(shù)據(jù)的至少一個推薦單位確定該推薦級別的模型屬性節(jié)點(diǎn)。

在第一方面的一種可能的設(shè)計中，所述確定所述學(xué)員用戶的預(yù)設(shè)配置屬性信息的步驟，包括：

基于所述學(xué)員用戶所對應(yīng)的存儲于所述服務(wù)器中的所述學(xué)員用戶的注冊節(jié)點(diǎn)和所述學(xué)員用戶的當(dāng)前使用節(jié)點(diǎn)所形成的多段用戶注冊資料信息，對所述學(xué)員用戶進(jìn)行分項(xiàng)處理得到多個注冊項(xiàng)目信息；

獲取每個注冊項(xiàng)目信息的項(xiàng)目編輯前信息和項(xiàng)目編輯后信息；

根據(jù)所述每個注冊項(xiàng)目信息的項(xiàng)目編輯前信息和項(xiàng)目編輯后信息，建立與所述學(xué)員用戶對應(yīng)的項(xiàng)目編輯記錄的項(xiàng)目編輯行為集合；

獲取與所述學(xué)員用戶對應(yīng)的項(xiàng)目編輯記錄對應(yīng)的多個編輯屬性單位，并統(tǒng)計所述多個編輯屬性單位中的目標(biāo)編輯屬性單位，其中，所述目標(biāo)編輯屬性單位中存在編輯字碼特征；

判斷相鄰的兩個目標(biāo)編輯屬性單位之間是否存在關(guān)聯(lián)編輯項(xiàng)目，若存在，則統(tǒng)計所述關(guān)聯(lián)編輯項(xiàng)目的數(shù)量，且在所述數(shù)量沒有超過設(shè)定數(shù)值時，將所述項(xiàng)目編輯行為集合植入每個用戶注冊資料信息中，當(dāng)植入每個用戶注冊資料信息中的項(xiàng)目編輯行為集合出現(xiàn)更新時，獲取完成更新的項(xiàng)目編輯行為集合，統(tǒng)計已獲取到的每個完成更新的項(xiàng)目編輯行為集合對應(yīng)的編輯行為特征和注冊項(xiàng)目信息偏向信息；

根據(jù)所述每個完成更新的項(xiàng)目編輯行為集合對應(yīng)的編輯行為特征和注冊項(xiàng)目信息偏向信息確定所述每個完成更新的項(xiàng)目編輯行為集合的編輯權(quán)重；

根據(jù)所述編輯權(quán)重，對實(shí)時獲取的完成更新的項(xiàng)目編輯行為集合進(jìn)行修正，得到學(xué)員用戶塊編輯序列，按照所述學(xué)員用戶塊編輯序列中的序列特征對每個用戶注冊資料信息中的學(xué)習(xí)行為風(fēng)格數(shù)據(jù)進(jìn)行提取，并根據(jù)提取得到的學(xué)習(xí)行為風(fēng)格數(shù)據(jù)確定所述學(xué)員用戶的預(yù)設(shè)配置屬性信息。

在第一方面的一種可能的設(shè)計中，所述根據(jù)每個匹配位置對所述學(xué)員用戶進(jìn)行數(shù)據(jù)特征識別得到對應(yīng)的模型匹配屬性的步驟，包括：

獲取所述學(xué)員用戶的當(dāng)前行為特征并從所述當(dāng)前行為特征中定位出每個匹配位置對應(yīng)的第一模型特征；

判斷所述當(dāng)前行為特征中的每個匹配位置對應(yīng)的第一模型特征相對于所述當(dāng)前行為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當(dāng)前行為特征中除所述第一模型特征以外的特征；

如果是，將從所述當(dāng)前行為特征中定位出的每個匹配位置對應(yīng)的第一模型特征確定為所述當(dāng)前行為特征的有效模型特征，否則，將從所述當(dāng)前行為特征中定位出的每個匹配位置對應(yīng)的第一模型特征與所述當(dāng)前行為特征中的第二模型特征進(jìn)行加權(quán)求和并將加權(quán)求和結(jié)果確定為所述當(dāng)前行為特征的有效模型特征；

針對每個匹配位置，提取該匹配位置植入所述服務(wù)器的運(yùn)行線程中的第一模型匹配命令行，并將所述當(dāng)前行為特征的有效模型特征中的部分特征與所述第一模型匹配命令行進(jìn)行融合得到第二模型匹配命令行；

在所述運(yùn)行線程對應(yīng)的鏡像線程中分別運(yùn)行所述第一模型匹配命令行和所述第二模型匹配命令行，得到分別對應(yīng)的第一運(yùn)行結(jié)果和第二運(yùn)行結(jié)果；

判斷所述第一運(yùn)行結(jié)果和所述第二運(yùn)行結(jié)果的相似度是否達(dá)到預(yù)設(shè)閾值，在所述第一運(yùn)行結(jié)果和所述第二運(yùn)行結(jié)果的相似度達(dá)到所述預(yù)設(shè)閾值時，啟動該匹配位置以運(yùn)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對應(yīng)的第三運(yùn)行結(jié)果，提取所述第三運(yùn)行結(jié)果中的特征分類信息并根據(jù)所述特征分類信息得到該匹配位置對應(yīng)的模型匹配屬性，在所述第一運(yùn)行結(jié)果和所述第二運(yùn)行結(jié)果的相似度沒有達(dá)到所述預(yù)設(shè)閾值時，返回將所述當(dāng)前行為特征的有效模型特征中的部分特征與所述第一模型匹配命令行進(jìn)行融合得到第二模型匹配命令行的步驟。

在第一方面的一種可能的設(shè)計中，所述方法還包括：

獲取每個所述第二目標(biāo)在線學(xué)習(xí)推薦模型根據(jù)所述風(fēng)格屬性權(quán)重參數(shù)對所述學(xué)員用戶進(jìn)行信息推薦得到的第二在線學(xué)習(xí)推薦結(jié)果；

根據(jù)每個第二在線學(xué)習(xí)推薦結(jié)果的推薦內(nèi)容項(xiàng)目，得到每個所述第二在線學(xué)習(xí)推薦結(jié)果對應(yīng)的推薦風(fēng)格的推薦風(fēng)格特征；

根據(jù)所述學(xué)員用戶的預(yù)設(shè)推薦風(fēng)格的特征篩選范圍以及所述第二在線學(xué)習(xí)推薦結(jié)果對應(yīng)的推薦風(fēng)格的推薦風(fēng)格特征，獲取推薦篩選結(jié)果，其中，所述推薦篩選結(jié)果包括多個位于所述預(yù)設(shè)推薦風(fēng)格的特征篩選范圍的推薦風(fēng)格特征對應(yīng)的風(fēng)格特征集合；

獲取所述推薦篩選結(jié)果包含的不同風(fēng)格特征的任意一個第一篩選特征內(nèi)容的篩選特征內(nèi)容信息，并根據(jù)所述第一篩選特征內(nèi)容的篩選特征內(nèi)容信息確定所述第一篩選特征內(nèi)容的篩選特征內(nèi)容屬性，基于所述第一篩選特征內(nèi)容的篩選特征內(nèi)容信息中的篩選特征內(nèi)容場景確定所述第一篩選特征內(nèi)容對應(yīng)的目標(biāo)學(xué)習(xí)場景；

確定與所述第一篩選特征內(nèi)容的篩選特征內(nèi)容屬性相匹配的推薦課程信息，并選擇與所述推薦課程信息相適配的推薦課程；

根據(jù)所述第一篩選特征內(nèi)容的篩選特征內(nèi)容屬性和多個具有所述推薦課程信息的推薦課程在所述目標(biāo)學(xué)習(xí)場景下的課程標(biāo)簽，在該多個具有所述推薦課程信息的推薦課程中選擇匹配所述第一篩選特征內(nèi)容的目標(biāo)推薦課程，其中，所述目標(biāo)推薦課程還需匹配與所述第一篩選特征內(nèi)容存在關(guān)聯(lián)的第二篩選特征內(nèi)容；

獲取所述第一篩選特征內(nèi)容的篩選特征內(nèi)容信息包括的所述第一篩選特征內(nèi)容的課程標(biāo)簽信息，并獲取所述第二篩選特征內(nèi)容的篩選特征內(nèi)容信息包括的所述第二篩選特征內(nèi)容的課程標(biāo)簽信息；

根據(jù)所述第一篩選特征內(nèi)容的課程標(biāo)簽信息以及所述第二篩選特征內(nèi)容的課程標(biāo)簽信息生成對應(yīng)的第三在線學(xué)習(xí)推薦結(jié)果。

第二方面，本申請實(shí)施例還提供一種在線學(xué)習(xí)推薦裝置，應(yīng)用于服務(wù)器，所述服務(wù)器與多個在線學(xué)習(xí)終端通信連接，所述裝置包括：

提取模塊，用于從每個所述在線學(xué)習(xí)終端中獲取學(xué)員用戶對應(yīng)的學(xué)習(xí)行為數(shù)據(jù)，并提取與所述學(xué)習(xí)行為數(shù)據(jù)對應(yīng)的學(xué)習(xí)行為風(fēng)格數(shù)據(jù)，所述學(xué)習(xí)行為數(shù)據(jù)為所述服務(wù)器根據(jù)所述學(xué)員用戶對應(yīng)的在線學(xué)習(xí)終端的在線學(xué)習(xí)模式信息，以及所述在線學(xué)習(xí)終端與所述服務(wù)器之間的在線學(xué)習(xí)交互方式得到的；

計算模塊，用于獲取每個學(xué)員用戶的在線學(xué)習(xí)推薦模型的學(xué)習(xí)風(fēng)格權(quán)重參數(shù)以及每個在線學(xué)習(xí)推薦模型在對應(yīng)的學(xué)習(xí)風(fēng)格權(quán)重參數(shù)下的推薦策略所對應(yīng)的推薦權(quán)重，并根據(jù)所述學(xué)習(xí)行為風(fēng)格數(shù)據(jù)中的風(fēng)格數(shù)據(jù)對應(yīng)的風(fēng)格權(quán)重以及每個在線學(xué)習(xí)推薦模型的學(xué)習(xí)風(fēng)格權(quán)重參數(shù)及其在對應(yīng)的學(xué)習(xí)風(fēng)格權(quán)重參數(shù)下的推薦策略中所對應(yīng)的推薦權(quán)重，計算所述學(xué)習(xí)行為數(shù)據(jù)與每個在線學(xué)習(xí)推薦模型之間的適配度；

第一推薦模塊，用于在確定出的所有適配度中存在達(dá)到預(yù)設(shè)適配度閾值的目標(biāo)適配度時，將所述學(xué)員用戶關(guān)聯(lián)到所述目標(biāo)適配度對應(yīng)的第一目標(biāo)在線學(xué)習(xí)推薦模型中以使所述第一目標(biāo)在線學(xué)習(xí)推薦模型對所述學(xué)員用戶進(jìn)行信息推薦得到第一在線學(xué)習(xí)推薦結(jié)果；

第二推薦模塊，用于在確定出的所有適配度中未存在達(dá)到所述預(yù)設(shè)適配度閾值的目標(biāo)適配度時，確定出每個在線學(xué)習(xí)推薦模型的推薦級別并根據(jù)所述推薦級別的大小順序，通過每個對應(yīng)的在線學(xué)習(xí)推薦模型對所述學(xué)員用戶的所述學(xué)習(xí)行為數(shù)據(jù)進(jìn)行數(shù)據(jù)特征識別得到所述學(xué)員用戶對應(yīng)的多個模型匹配屬性以及每個模型匹配屬性中對應(yīng)的與每個在線學(xué)習(xí)推薦模型的推薦級別對應(yīng)的模型屬性節(jié)點(diǎn)，根據(jù)每個模型匹配屬性從所述學(xué)員用戶對應(yīng)的學(xué)習(xí)行為風(fēng)格數(shù)據(jù)中確定出每個模型匹配屬性對應(yīng)的風(fēng)格屬性權(quán)重參數(shù)，將每個模型匹配屬性對應(yīng)的風(fēng)格屬性權(quán)重參數(shù)關(guān)聯(lián)到每個模型匹配屬性中加載的模型屬性節(jié)點(diǎn)對應(yīng)的第二目標(biāo)在線學(xué)習(xí)推薦模型中，通過每個所述第二目標(biāo)在線學(xué)習(xí)推薦模型根據(jù)所述風(fēng)格屬性權(quán)重參數(shù)對所述學(xué)員用戶進(jìn)行信息推薦得到第二在線學(xué)習(xí)推薦結(jié)果。

第三方面，本申請實(shí)施例還提供一種在線學(xué)習(xí)系統(tǒng)，所述在線學(xué)習(xí)系統(tǒng)包括服務(wù)器以及與所述服務(wù)器通信連接的多個在線學(xué)習(xí)終端；

每個所述在線學(xué)習(xí)終端，用于向所述服務(wù)器發(fā)送學(xué)院用戶對應(yīng)的學(xué)習(xí)行為數(shù)據(jù)；

所述服務(wù)器，用于從每個所述在線學(xué)習(xí)終端中獲取學(xué)員用戶對應(yīng)的學(xué)習(xí)行為數(shù)據(jù)，并提取與所述學(xué)習(xí)行為數(shù)據(jù)對應(yīng)的學(xué)習(xí)行為風(fēng)格數(shù)據(jù)，所述學(xué)習(xí)行為數(shù)據(jù)為所述服務(wù)器根據(jù)所述學(xué)員用戶對應(yīng)的在線學(xué)習(xí)終端的在線學(xué)習(xí)模式信息，以及所述在線學(xué)習(xí)終端與所述服務(wù)器之間的在線學(xué)習(xí)交互方式得到的；

所述服務(wù)器，用于獲取每個學(xué)員用戶的在線學(xué)習(xí)推薦模型的學(xué)習(xí)風(fēng)格權(quán)重參數(shù)以及每個在線學(xué)習(xí)推薦模型在對應(yīng)的學(xué)習(xí)風(fēng)格權(quán)重參數(shù)下的推薦策略所對應(yīng)的推薦權(quán)重，并根據(jù)所述學(xué)習(xí)行為風(fēng)格數(shù)據(jù)中的風(fēng)格數(shù)據(jù)對應(yīng)的風(fēng)格權(quán)重以及每個在線學(xué)習(xí)推薦模型的學(xué)習(xí)風(fēng)格權(quán)重參數(shù)及其在對應(yīng)的學(xué)習(xí)風(fēng)格權(quán)重參數(shù)下的推薦策略中所對應(yīng)的推薦權(quán)重，計算所述學(xué)習(xí)行為數(shù)據(jù)與每個在線學(xué)習(xí)推薦模型之間的適配度；

在確定出的所有適配度中存在達(dá)到預(yù)設(shè)適配度閾值的目標(biāo)適配度時，所述服務(wù)器，用于將所述學(xué)員用戶關(guān)聯(lián)到所述目標(biāo)適配度對應(yīng)的第一目標(biāo)在線學(xué)習(xí)推薦模型中以使所述第一目標(biāo)在線學(xué)習(xí)推薦模型對所述學(xué)員用戶進(jìn)行信息推薦得到第一在線學(xué)習(xí)推薦結(jié)果；

在確定出的所有適配度中未存在達(dá)到所述預(yù)設(shè)適配度閾值的目標(biāo)適配度時，所述服務(wù)器，用于確定出每個在線學(xué)習(xí)推薦模型的推薦級別并根據(jù)所述推薦級別的大小順序，通過每個對應(yīng)的在線學(xué)習(xí)推薦模型對所述學(xué)員用戶的所述學(xué)習(xí)行為數(shù)據(jù)進(jìn)行數(shù)據(jù)特征識別得到所述學(xué)員用戶對應(yīng)的多個模型匹配屬性以及每個模型匹配屬性中對應(yīng)的與每個在線學(xué)習(xí)推薦模型的推薦級別對應(yīng)的模型屬性節(jié)點(diǎn)，根據(jù)每個模型匹配屬性從所述學(xué)員用戶對應(yīng)的學(xué)習(xí)行為風(fēng)格數(shù)據(jù)中確定出每個模型匹配屬性對應(yīng)的風(fēng)格屬性權(quán)重參數(shù)，將每個模型匹配屬性對應(yīng)的風(fēng)格屬性權(quán)重參數(shù)關(guān)聯(lián)到每個模型匹配屬性中加載的模型屬性節(jié)點(diǎn)對應(yīng)的第二目標(biāo)在線學(xué)習(xí)推薦模型中，通過每個所述第二目標(biāo)在線學(xué)習(xí)推薦模型根據(jù)所述風(fēng)格屬性權(quán)重參數(shù)對所述學(xué)員用戶進(jìn)行信息推薦得到第二在線學(xué)習(xí)推薦結(jié)果。

第四方面，本申請實(shí)施例還提供一種服務(wù)器，所述服務(wù)器包括處理器、機(jī)器可讀存儲介質(zhì)和網(wǎng)絡(luò)接口，所述機(jī)器可讀存儲介質(zhì)、所述網(wǎng)絡(luò)接口以及所述處理器之間通過總線系統(tǒng)相連，所述網(wǎng)絡(luò)接口用于與至少一個在線學(xué)習(xí)終端通信連接，所述機(jī)器可讀存儲介質(zhì)用于存儲程序、指令或代碼，所述處理器用于執(zhí)行所述機(jī)器可讀存儲介質(zhì)中的程序、指令或代碼，以執(zhí)行第一方面或者第一方面中任意一個可能的設(shè)計中的在線學(xué)習(xí)推薦方法。

第五方面，本申請實(shí)施例提供一種計算機(jī)可讀存儲介質(zhì)，計算機(jī)可讀存儲介質(zhì)中存儲有指令，當(dāng)其被執(zhí)行時，使得計算機(jī)執(zhí)行上述第一方面或者第一方面中任意一個可能的設(shè)計中的在線學(xué)習(xí)推薦方法。

根據(jù)上述任意一個方面，本申請通過結(jié)合學(xué)員用戶的學(xué)習(xí)行為數(shù)據(jù)對應(yīng)的學(xué)習(xí)行為風(fēng)格數(shù)據(jù)，可以在當(dāng)與各個在線學(xué)習(xí)推薦模型之間的未存在達(dá)到預(yù)設(shè)適配度閾值時，結(jié)合每個在線學(xué)習(xí)推薦模型相對于學(xué)員用戶的推薦級別匹配學(xué)員用戶對應(yīng)的多個模型匹配屬性以及每個模型匹配屬性中加載的模型屬性節(jié)點(diǎn)，由此將每個模型匹配屬性對應(yīng)的風(fēng)格屬性權(quán)重參數(shù)關(guān)聯(lián)到每個模型匹配屬性中加載的模型屬性節(jié)點(diǎn)對應(yīng)的第二目標(biāo)在線學(xué)習(xí)推薦模型中，通過每個第二目標(biāo)在線學(xué)習(xí)推薦模型根據(jù)風(fēng)格屬性權(quán)重參數(shù)對學(xué)員用戶進(jìn)行信息推薦，從而可以實(shí)時提高推薦精度，避免了在線學(xué)習(xí)推薦模型的參數(shù)配置過程無法在短時間內(nèi)進(jìn)行有效更新持續(xù)導(dǎo)致的信息推薦體驗(yàn)較差的情況。

附圖說明

為了更清楚地說明本申請實(shí)施例的技術(shù)方案，下面將對實(shí)施例中所需要使用的附圖作簡單地介紹，應(yīng)當(dāng)理解，以下附圖僅示出了本申請的某些實(shí)施例，因此不應(yīng)被看作是對范圍的限定，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他相關(guān)的附圖。

圖1為本申請實(shí)施例提供的在線學(xué)習(xí)系統(tǒng)的應(yīng)用場景示意圖；

圖2為本申請實(shí)施例提供的在線學(xué)習(xí)推薦方法的流程示意圖；

圖3為本申請實(shí)施例提供的在線學(xué)習(xí)推薦裝置的功能模塊示意圖；

圖4為本申請實(shí)施例提供的用于實(shí)現(xiàn)上述的在線學(xué)習(xí)推薦方法的服務(wù)器的結(jié)構(gòu)示意框圖。

具體實(shí)施方式

下面結(jié)合說明書附圖對本申請進(jìn)行具體說明，方法實(shí)施例中的具體操作方法也可以應(yīng)用于裝置實(shí)施例或系統(tǒng)實(shí)施例中。

圖1是本申請一種實(shí)施例提供的在線學(xué)習(xí)系統(tǒng)10的交互示意圖。在線學(xué)習(xí)系統(tǒng)10可以包括服務(wù)器100以及與所述服務(wù)器100通過網(wǎng)絡(luò)通信連接的在線學(xué)習(xí)終端200，圖1所示的在線學(xué)習(xí)系統(tǒng)10僅為一種可行的示例，在其它可行的實(shí)施例中，該在線學(xué)習(xí)系統(tǒng)10也可以僅包括圖1所示組成部分的其中一部分或者還可以包括其它的組成部分。

本實(shí)施例中，在線學(xué)習(xí)終端200可以包括移動設(shè)備、平板計算機(jī)、膝上型計算機(jī)等或其任意組合。在一些實(shí)施例中，移動設(shè)備可以包括智能家居設(shè)備、可穿戴設(shè)備、智能移動設(shè)備、虛擬現(xiàn)實(shí)設(shè)備、或增強(qiáng)現(xiàn)實(shí)設(shè)備等，或其任意組合。在一些實(shí)施例中，智能家居設(shè)備可以包括智能電器設(shè)備的控制設(shè)備、智能監(jiān)控設(shè)備、智能電視、智能攝像機(jī)等，或其任意組合。在一些實(shí)施例中，可穿戴設(shè)備可包括智能手環(huán)、智能鞋帶、智能玻璃、智能頭盔、智能手表、智能服裝、智能背包、智能配件等，或其任何組合。在一些實(shí)施例中，智能移動設(shè)備可以包括智能手機(jī)、個人數(shù)字助理、游戲設(shè)備等，或其任意組合。在一些實(shí)施例中，虛擬現(xiàn)實(shí)設(shè)備和/或增強(qiáng)現(xiàn)實(shí)設(shè)備可以包括虛擬現(xiàn)實(shí)頭盔、虛擬現(xiàn)實(shí)玻璃、虛擬現(xiàn)實(shí)貼片、增強(qiáng)現(xiàn)實(shí)頭盔、增強(qiáng)現(xiàn)實(shí)玻璃、或增強(qiáng)現(xiàn)實(shí)貼片等，或其任意組合。例如，虛擬現(xiàn)實(shí)設(shè)備和/或增強(qiáng)現(xiàn)實(shí)設(shè)備可以包括各種虛擬現(xiàn)實(shí)產(chǎn)品等。

為了解決前述背景技術(shù)中的技術(shù)問題，圖2為本申請實(shí)施例提供的在線學(xué)習(xí)推薦方法的流程示意圖，本實(shí)施例提供的在線學(xué)習(xí)推薦方法可以由圖1中所示的服務(wù)器100執(zhí)行，下面對該在線學(xué)習(xí)推薦方法進(jìn)行詳細(xì)介紹。

步驟S110，從每個在線學(xué)習(xí)終端200中獲取學(xué)員用戶對應(yīng)的學(xué)習(xí)行為數(shù)據(jù)，并提取與學(xué)習(xí)行為數(shù)據(jù)對應(yīng)的學(xué)習(xí)行為風(fēng)格數(shù)據(jù)。

本實(shí)施例中，學(xué)習(xí)行為數(shù)據(jù)可以為服務(wù)器100根據(jù)學(xué)員用戶對應(yīng)的在線學(xué)習(xí)終端200的在線學(xué)習(xí)模式信息以及在線學(xué)習(xí)終端200與服務(wù)器100之間的在線學(xué)習(xí)交互方式得到的。例如，在線學(xué)習(xí)模式信息可以用于表征學(xué)員用戶的在線學(xué)習(xí)模式，例如小學(xué)生學(xué)習(xí)模式、中學(xué)生學(xué)習(xí)模式、大學(xué)生學(xué)習(xí)模式，或者預(yù)習(xí)學(xué)習(xí)模式、復(fù)習(xí)學(xué)習(xí)模式、備考學(xué)習(xí)模式等諸多模式，對用戶不同的在線學(xué)習(xí)模式而言，學(xué)習(xí)行為數(shù)據(jù)的采集策略可能各有不同，具體可以根據(jù)實(shí)際設(shè)計需求進(jìn)行靈活調(diào)整，在此不作具體限制。又例如，在線學(xué)習(xí)交互方式可以是指學(xué)員用戶與在線學(xué)習(xí)平臺（服務(wù)器100）之間的交互方式，例如單向問答交互方式、雙向問答交互方式等，在此不作具體限定。

步驟S120，獲取每個學(xué)員用戶的在線學(xué)習(xí)推薦模型的學(xué)習(xí)風(fēng)格權(quán)重參數(shù)以及每個在線學(xué)習(xí)推薦模型在對應(yīng)的學(xué)習(xí)風(fēng)格權(quán)重參數(shù)下的推薦策略所對應(yīng)的推薦權(quán)重，并根據(jù)學(xué)習(xí)行為風(fēng)格數(shù)據(jù)中的風(fēng)格數(shù)據(jù)對應(yīng)的風(fēng)格權(quán)重以及每個在線學(xué)習(xí)推薦模型的學(xué)習(xí)風(fēng)格權(quán)重參數(shù)及其在對應(yīng)的學(xué)習(xí)風(fēng)格權(quán)重參數(shù)下的推薦策略中所對應(yīng)的推薦權(quán)重，計算學(xué)習(xí)行為數(shù)據(jù)與每個在線學(xué)習(xí)推薦模型之間的適配度。

本實(shí)施例中，學(xué)習(xí)風(fēng)格權(quán)重參數(shù)可以是指具體的學(xué)習(xí)風(fēng)格所占的權(quán)重參數(shù)類型，例如音樂類風(fēng)格權(quán)重參數(shù)、數(shù)學(xué)類風(fēng)格權(quán)重參數(shù)等，不同的學(xué)習(xí)風(fēng)格權(quán)重參數(shù)所對應(yīng)的推薦策略各有不同，而對于不同的在線學(xué)習(xí)推薦模型而言，不同的學(xué)習(xí)風(fēng)格權(quán)重參數(shù)所對應(yīng)的推薦策略所對應(yīng)的推薦權(quán)重也各有不同，具體可預(yù)先進(jìn)行配置和訓(xùn)練，在此不做詳細(xì)贅述。

步驟S130，在確定出的所有適配度中存在達(dá)到預(yù)設(shè)適配度閾值的目標(biāo)適配度時，將學(xué)員用戶關(guān)聯(lián)到目標(biāo)適配度對應(yīng)的第一目標(biāo)在線學(xué)習(xí)推薦模型中以使第一目標(biāo)在線學(xué)習(xí)推薦模型對學(xué)員用戶進(jìn)行信息推薦得到第一在線學(xué)習(xí)推薦結(jié)果。

步驟S140，在確定出的所有適配度中未存在達(dá)到預(yù)設(shè)適配度閾值的目標(biāo)適配度時，確定出每個在線學(xué)習(xí)推薦模型相對于學(xué)員用戶的推薦級別并根據(jù)推薦級別的大小順序，通過每個對應(yīng)的在線學(xué)習(xí)推薦模型對學(xué)員用戶的學(xué)習(xí)行為數(shù)據(jù)進(jìn)行數(shù)據(jù)特征識別得到學(xué)員用戶對應(yīng)的多個模型匹配屬性以及每個模型匹配屬性中對應(yīng)的與每個在線學(xué)習(xí)推薦模型的推薦級別對應(yīng)的模型屬性節(jié)點(diǎn)，根據(jù)每個模型匹配屬性從學(xué)員用戶對應(yīng)的學(xué)習(xí)行為風(fēng)格數(shù)據(jù)中確定出每個模型匹配屬性對應(yīng)的風(fēng)格屬性權(quán)重參數(shù)，將每個模型匹配屬性對應(yīng)的風(fēng)格屬性權(quán)重參數(shù)關(guān)聯(lián)到每個模型匹配屬性中加載的模型屬性節(jié)點(diǎn)對應(yīng)的第二目標(biāo)在線學(xué)習(xí)推薦模型中，通過每個第二目標(biāo)在線學(xué)習(xí)推薦模型根據(jù)風(fēng)格屬性權(quán)重參數(shù)對學(xué)員用戶進(jìn)行信息推薦得到第二在線學(xué)習(xí)推薦結(jié)果。

基于上述設(shè)計，本實(shí)施例可以在當(dāng)學(xué)員用戶的學(xué)習(xí)行為數(shù)據(jù)與各個在線學(xué)習(xí)推薦模型之間的未存在達(dá)到預(yù)設(shè)適配度閾值時，結(jié)合每個在線學(xué)習(xí)推薦模型相對于學(xué)員用戶的推薦級別匹配學(xué)員用戶對應(yīng)的多個模型匹配屬性以及每個模型匹配屬性中加載的模型屬性節(jié)點(diǎn)，由此將每個模型匹配屬性對應(yīng)的風(fēng)格屬性權(quán)重參數(shù)關(guān)聯(lián)到每個模型匹配屬性中加載的模型屬性節(jié)點(diǎn)對應(yīng)的第二目標(biāo)在線學(xué)習(xí)推薦模型中，通過每個第二目標(biāo)在線學(xué)習(xí)推薦模型根據(jù)風(fēng)格屬性權(quán)重參數(shù)對學(xué)員用戶進(jìn)行信息推薦，從而可以實(shí)時提高推薦精度，避免了在線學(xué)習(xí)推薦模型的參數(shù)配置過程無法在短時間內(nèi)進(jìn)行有效更新持續(xù)導(dǎo)致的信息推薦體驗(yàn)較差的情況。

在一種可能的設(shè)計中，針對步驟S120，本實(shí)施例可以計算學(xué)習(xí)行為風(fēng)格數(shù)據(jù)中的風(fēng)格數(shù)據(jù)對應(yīng)的風(fēng)格權(quán)重在每個在線學(xué)習(xí)推薦模型的學(xué)習(xí)風(fēng)格權(quán)重參數(shù)下的風(fēng)格轉(zhuǎn)換權(quán)重，然后計算每個風(fēng)格轉(zhuǎn)換權(quán)重與對應(yīng)的學(xué)習(xí)風(fēng)格權(quán)重參數(shù)下的推薦策略中所對應(yīng)的推薦權(quán)重之間的權(quán)重差值的絕對值，由此將計算得到的各個權(quán)重差值的絕對值進(jìn)行相加得到學(xué)習(xí)行為數(shù)據(jù)與每個在線學(xué)習(xí)推薦模型之間的適配度。

例如，假設(shè)在線學(xué)習(xí)推薦模型A的學(xué)習(xí)風(fēng)格權(quán)重參數(shù)包括權(quán)重參數(shù)A1、權(quán)重參數(shù)A2以及權(quán)重參數(shù)A3，學(xué)習(xí)行為風(fēng)格數(shù)據(jù)中的風(fēng)格數(shù)據(jù)對應(yīng)的風(fēng)格權(quán)重為B，那么可以計算風(fēng)格權(quán)重B分別在權(quán)重參數(shù)A1、權(quán)重參數(shù)A2以及權(quán)重參數(shù)A3下的風(fēng)格轉(zhuǎn)換權(quán)重B1、風(fēng)格轉(zhuǎn)換權(quán)重B2以及風(fēng)格轉(zhuǎn)換權(quán)重B3，接下來則可以計算獲得該學(xué)習(xí)行為數(shù)據(jù)與在線學(xué)習(xí)推薦模型A之間的適配度為|A1-A2|+|A1-A2|+|A1-A2|。

在一種可能的設(shè)計中，基于前述的描述可知，在確定出的所有適配度中存在達(dá)到預(yù)設(shè)適配度閾值的目標(biāo)適配度時，可以將學(xué)員用戶關(guān)聯(lián)到目標(biāo)適配度對應(yīng)的第一目標(biāo)在線學(xué)習(xí)推薦模型中以使第一目標(biāo)在線學(xué)習(xí)推薦模型對學(xué)員用戶進(jìn)行信息推薦得到第一在線學(xué)習(xí)推薦結(jié)果。而本申請的重點(diǎn)在于，在確定出的所有適配度中未存在達(dá)到預(yù)設(shè)適配度閾值的目標(biāo)適配度時，如何實(shí)時提高推薦精度，避免在線學(xué)習(xí)推薦模型的參數(shù)配置過程無法在短時間內(nèi)進(jìn)行有效更新持續(xù)導(dǎo)致的信息推薦體驗(yàn)較差的情況，因此接下來本實(shí)施例將重點(diǎn)針對上述步驟S140進(jìn)行詳細(xì)闡述。

例如，在一種可能的設(shè)計中，針對步驟S140，在確定出每個在線學(xué)習(xí)推薦模型相對于學(xué)員用戶的推薦級別的過程中，本實(shí)施例可以獲取每個在線學(xué)習(xí)推薦模型對應(yīng)的多個模型權(quán)重節(jié)點(diǎn)，確定各模型權(quán)重節(jié)點(diǎn)中的推薦內(nèi)容特征對應(yīng)的內(nèi)容特征序列以及多個內(nèi)容影響參數(shù)。

其中，值得說明的是，內(nèi)容特征序列可以用于表征推薦內(nèi)容特征對學(xué)習(xí)推薦過程中的推薦傾向行為，內(nèi)容影響參數(shù)可以用于表征推薦內(nèi)容特征對學(xué)習(xí)推薦過程的影響權(quán)重。

在此基礎(chǔ)上，可以在根據(jù)內(nèi)容特征序列確定出各模型權(quán)重節(jié)點(diǎn)中包含有第一風(fēng)格維度特征序列時，根據(jù)各模型權(quán)重節(jié)點(diǎn)在第一風(fēng)格維度特征序列下的內(nèi)容影響參數(shù)及其位置信息，確定各模型權(quán)重節(jié)點(diǎn)在第二風(fēng)格維度特征序列下的各內(nèi)容影響參數(shù)與各模型權(quán)重節(jié)點(diǎn)在第一風(fēng)格維度特征序列下的各內(nèi)容影響參數(shù)之間的第一匹配參數(shù)。

其中，值得說明的是，第一風(fēng)格維度特征序列可以表示學(xué)習(xí)內(nèi)容風(fēng)格的特征序列，第二風(fēng)格維度特征序列可以表示學(xué)習(xí)行為風(fēng)格的特征序列。

由此，在根據(jù)內(nèi)容特征序列確定出各模型權(quán)重節(jié)點(diǎn)中包含有第一風(fēng)格維度特征序列時，可以根據(jù)各模型權(quán)重節(jié)點(diǎn)在第一風(fēng)格維度特征序列下的內(nèi)容影響參數(shù)及其位置信息，確定各模型權(quán)重節(jié)點(diǎn)在第二風(fēng)格維度特征序列下的各內(nèi)容影響參數(shù)與各模型權(quán)重節(jié)點(diǎn)在第一風(fēng)格維度特征序列下的各內(nèi)容影響參數(shù)之間的第一匹配參數(shù)，然后將各模型權(quán)重節(jié)點(diǎn)在第二風(fēng)格維度特征序列下的與在第一風(fēng)格維度特征序列下的內(nèi)容影響參數(shù)之間的第一匹配參數(shù)達(dá)到預(yù)設(shè)參數(shù)范圍的內(nèi)容影響參數(shù)轉(zhuǎn)移到第一風(fēng)格維度特征序列下。而后，在各模型權(quán)重節(jié)點(diǎn)在第二風(fēng)格維度特征序列下包含有多個內(nèi)容影響參數(shù)時，根據(jù)各模型權(quán)重節(jié)點(diǎn)在第一風(fēng)格維度特征序列下的內(nèi)容影響參數(shù)及其位置信息確定各模型權(quán)重節(jié)點(diǎn)在第二風(fēng)格維度特征序列下的各內(nèi)容影響參數(shù)之間的第二匹配參數(shù)，并根據(jù)各內(nèi)容影響參數(shù)之間的第二匹配參數(shù)對第二風(fēng)格維度特征序列下的各內(nèi)容影響參數(shù)進(jìn)行篩選。

這樣，即可根據(jù)各模型權(quán)重節(jié)點(diǎn)在第一風(fēng)格維度特征序列下的內(nèi)容影響參數(shù)及其位置信息為上述篩選得到的目標(biāo)內(nèi)容影響參數(shù)設(shè)置列表位置等級，并將目標(biāo)內(nèi)容影響參數(shù)轉(zhuǎn)移到第一風(fēng)格維度特征序列中的與列表位置等級對應(yīng)的列表區(qū)間中，從而根據(jù)位于第一風(fēng)格維度特征序列中的所有內(nèi)容影響參數(shù)分別進(jìn)行加權(quán)處理后，乘以對應(yīng)的在線學(xué)習(xí)推薦模型對應(yīng)的適配度，確定各模型權(quán)重節(jié)點(diǎn)對應(yīng)的在線學(xué)習(xí)推薦模型相對于學(xué)員用戶的推薦級別。

再例如，進(jìn)一步地，在一種可能的設(shè)計中，針對步驟S140，在根據(jù)推薦級別的大小順序?qū)W(xué)員用戶進(jìn)行數(shù)據(jù)特征識別得到學(xué)員用戶對應(yīng)的多個模型匹配屬性以及每個模型匹配屬性中加載的與每個在線學(xué)習(xí)推薦模型的推薦級別對應(yīng)的模型屬性節(jié)點(diǎn)的過程中，本實(shí)施例可以將各個推薦級別所對應(yīng)的推薦內(nèi)容節(jié)點(diǎn)列出，建立在線學(xué)習(xí)推薦模型節(jié)點(diǎn)序列。

可選地，該在線學(xué)習(xí)推薦模型節(jié)點(diǎn)序列可以為分項(xiàng)處理列表，每個模型區(qū)域?qū)?yīng)一組序列特征，每組序列特征具有至少一個推薦內(nèi)容節(jié)點(diǎn)，該在線學(xué)習(xí)推薦模型節(jié)點(diǎn)序列的各模型區(qū)域具有從高到低的遞進(jìn)關(guān)系。

同時，在本實(shí)施例中，可以確定學(xué)員用戶的預(yù)設(shè)配置屬性信息，并提取該學(xué)員用戶的預(yù)設(shè)配置屬性信息中包含的至少一個在線學(xué)習(xí)推薦模型節(jié)點(diǎn)序列中的推薦內(nèi)容節(jié)點(diǎn)。

而后，可以建立推薦內(nèi)容節(jié)點(diǎn)與在線學(xué)習(xí)推薦模型節(jié)點(diǎn)序列之間的映射關(guān)系，根據(jù)該映射關(guān)系生成映射推薦策略。

例如，根據(jù)該映射關(guān)系生成映射推薦策略，具體可以是：根據(jù)每個推薦內(nèi)容節(jié)點(diǎn)將對應(yīng)的在線學(xué)習(xí)推薦模型節(jié)點(diǎn)序列轉(zhuǎn)換為模型節(jié)點(diǎn)數(shù)據(jù)，并分別生成每個模型節(jié)點(diǎn)數(shù)據(jù)的至少一個推薦單位，而后獲取推薦級別的互不重復(fù)的推薦單位構(gòu)成推薦單位組，并將推薦單位組中的各個推薦單位映射到在線學(xué)習(xí)推薦模型節(jié)點(diǎn)序列中，組成映射推薦策略，其中，每個推薦單位與一種推薦項(xiàng)目內(nèi)容一一對應(yīng)。

由此，可以將學(xué)員用戶的預(yù)設(shè)配置屬性信息中包含的推薦內(nèi)容節(jié)點(diǎn)與映射推薦策略中的各個推薦內(nèi)容節(jié)點(diǎn)進(jìn)行遍歷比較，在遍歷比較過程中，若一個推薦單位的所有推薦內(nèi)容節(jié)點(diǎn)均包含在學(xué)員用戶的預(yù)設(shè)配置屬性信息中，則將該推薦單位記錄為該學(xué)員用戶的模型匹配屬性指向，然后根據(jù)學(xué)員用戶的各個模型匹配屬性指向，確定學(xué)員用戶對應(yīng)的多個匹配位置，根據(jù)每個匹配位置對學(xué)員用戶進(jìn)行數(shù)據(jù)特征識別得到對應(yīng)的模型匹配屬性，并根據(jù)每個模型匹配屬性中包括的加載的推薦級別的模型節(jié)點(diǎn)數(shù)據(jù)的至少一個推薦單位確定該推薦級別的模型屬性節(jié)點(diǎn)。

在一種可能的示例中，在確定學(xué)員用戶的預(yù)設(shè)配置屬性信息的過程中，本實(shí)施例可以基于學(xué)員用戶所對應(yīng)的存儲于服務(wù)器100中的學(xué)員用戶的注冊節(jié)點(diǎn)和學(xué)員用戶的當(dāng)前使用節(jié)點(diǎn)所形成的多段用戶注冊資料信息，對學(xué)員用戶進(jìn)行分項(xiàng)處理得到多個注冊項(xiàng)目信息，并且獲取每個注冊項(xiàng)目信息的項(xiàng)目編輯前信息和項(xiàng)目編輯后信息，然后根據(jù)每個注冊項(xiàng)目信息的項(xiàng)目編輯前信息和項(xiàng)目編輯后信息，建立與學(xué)員用戶對應(yīng)的項(xiàng)目編輯記錄的項(xiàng)目編輯行為集合。

接下來，可以獲取與學(xué)員用戶對應(yīng)的項(xiàng)目編輯記錄對應(yīng)的多個編輯屬性單位，并統(tǒng)計多個編輯屬性單位中的目標(biāo)編輯屬性單位，其中，目標(biāo)編輯屬性單位中存在編輯字碼特征。

由此，可以判斷相鄰的兩個目標(biāo)編輯屬性單位之間是否存在關(guān)聯(lián)編輯項(xiàng)目，若存在，則統(tǒng)計關(guān)聯(lián)編輯項(xiàng)目的數(shù)量，且在數(shù)量沒有超過設(shè)定數(shù)值時，將項(xiàng)目編輯行為集合植入每個用戶注冊資料信息中，當(dāng)植入每個用戶注冊資料信息中的項(xiàng)目編輯行為集合出現(xiàn)更新時，獲取完成更新的項(xiàng)目編輯行為集合，統(tǒng)計已獲取到的每個完成更新的項(xiàng)目編輯行為集合對應(yīng)的編輯行為特征和注冊項(xiàng)目信息偏向信息。

而后，可以根據(jù)每個完成更新的項(xiàng)目編輯行為集合對應(yīng)的編輯行為特征和注冊項(xiàng)目信息偏向信息確定每個完成更新的項(xiàng)目編輯行為集合的編輯權(quán)重，并根據(jù)編輯權(quán)重，對實(shí)時獲取的完成更新的項(xiàng)目編輯行為集合進(jìn)行修正，得到學(xué)員用戶塊編輯序列，按照學(xué)員用戶塊編輯序列中的序列特征對每個用戶注冊資料信息中的學(xué)習(xí)行為風(fēng)格數(shù)據(jù)進(jìn)行提取，并根據(jù)提取得到的學(xué)習(xí)行為風(fēng)格數(shù)據(jù)確定學(xué)員用戶的預(yù)設(shè)配置屬性信息。

在一種可能的示例中，在上述根據(jù)每個匹配位置對學(xué)員用戶進(jìn)行數(shù)據(jù)特征識別得到對應(yīng)的模型匹配屬性的過程中，本實(shí)施例可以獲取學(xué)員用戶的當(dāng)前行為特征并從當(dāng)前行為特征中定位出每個匹配位置對應(yīng)的第一模型特征，然后判斷當(dāng)前行為特征中的每個匹配位置對應(yīng)的第一模型特征相對于當(dāng)前行為特征中的第二模型特征是否存在匹配的特征值。其中，第二模型特征是當(dāng)前行為特征中除第一模型特征以外的特征。

如果當(dāng)前行為特征中的每個匹配位置對應(yīng)的第一模型特征相對于當(dāng)前行為特征中的第二模型特征存在匹配的特征值，則可以將從當(dāng)前行為特征中定位出的每個匹配位置對應(yīng)的第一模型特征確定為當(dāng)前行為特征的有效模型特征，否則，將從當(dāng)前行為特征中定位出的每個匹配位置對應(yīng)的第一模型特征與當(dāng)前行為特征中的第二模型特征進(jìn)行加權(quán)求和并將加權(quán)求和結(jié)果確定為當(dāng)前行為特征的有效模型特征。

在此基礎(chǔ)上，針對每個匹配位置，提取該匹配位置植入服務(wù)器100的運(yùn)行線程中的第一模型匹配命令行，并將當(dāng)前行為特征的有效模型特征中的部分特征與第一模型匹配命令行進(jìn)行融合得到第二模型匹配命令行，然后在運(yùn)行線程對應(yīng)的鏡像線程中分別運(yùn)行第一模型匹配命令行和第二模型匹配命令行，得到分別對應(yīng)的第一運(yùn)行結(jié)果和第二運(yùn)行結(jié)果。

由此，可以判斷第一運(yùn)行結(jié)果和第二運(yùn)行結(jié)果的相似度是否達(dá)到預(yù)設(shè)閾值，在第一運(yùn)行結(jié)果和第二運(yùn)行結(jié)果的相似度達(dá)到預(yù)設(shè)閾值時，啟動該匹配位置以運(yùn)行第二模型匹配命令行，得到第二模型匹配命令行對應(yīng)的第三運(yùn)行結(jié)果，提取第三運(yùn)行結(jié)果中的特征分類信息并根據(jù)特征分類信息得到該匹配位置對應(yīng)的模型匹配屬性，在第一運(yùn)行結(jié)果和第二運(yùn)行結(jié)果的相似度沒有達(dá)到預(yù)設(shè)閾值時，返回將當(dāng)前行為特征的有效模型特征中的部分特征與第一模型匹配命令行進(jìn)行融合得到第二模型匹配命令行的步驟。

值得說明的是，在上述基礎(chǔ)上，本申請發(fā)明人進(jìn)一步考慮到每個第二目標(biāo)在線學(xué)習(xí)推薦模型可能存在不同的側(cè)重推薦方式，為避免推薦過于繁雜給學(xué)員用戶帶來過度的篩選體驗(yàn)，本實(shí)施例可以進(jìn)一步獲取每個第二目標(biāo)在線學(xué)習(xí)推薦模型根據(jù)風(fēng)格屬性權(quán)重參數(shù)對學(xué)員用戶進(jìn)行信息推薦得到的第二在線學(xué)習(xí)推薦結(jié)果，然后根據(jù)每個第二在線學(xué)習(xí)推薦結(jié)果的推薦內(nèi)容項(xiàng)目，得到每個第二在線學(xué)習(xí)推薦結(jié)果對應(yīng)的推薦風(fēng)格的推薦風(fēng)格特征，由此可以根據(jù)學(xué)員用戶的預(yù)設(shè)推薦風(fēng)格的特征篩選范圍以及第二在線學(xué)習(xí)推薦結(jié)果對應(yīng)的推薦風(fēng)格的推薦風(fēng)格特征，獲取推薦篩選結(jié)果。

其中，值得說明的是，上述的推薦篩選結(jié)果可以包括多個位于預(yù)設(shè)推薦風(fēng)格的特征篩選范圍的推薦風(fēng)格特征對應(yīng)的風(fēng)格特征集合。

然后，可以獲取推薦篩選結(jié)果包含的不同風(fēng)格特征的任意一個第一篩選特征內(nèi)容的篩選特征內(nèi)容信息，并根據(jù)第一篩選特征內(nèi)容的篩選特征內(nèi)容信息確定第一篩選特征內(nèi)容的篩選特征內(nèi)容屬性，基于第一篩選特征內(nèi)容的篩選特征內(nèi)容信息中的篩選特征內(nèi)容場景確定第一篩選特征內(nèi)容對應(yīng)的目標(biāo)學(xué)習(xí)場景，同時確定與第一篩選特征內(nèi)容的篩選特征內(nèi)容屬性相匹配的推薦課程信息，并選擇與推薦課程信息相適配的推薦課程，這樣可以根據(jù)第一篩選特征內(nèi)容的篩選特征內(nèi)容屬性和多個具有推薦課程信息的推薦課程在目標(biāo)學(xué)習(xí)場景下的課程標(biāo)簽，在該多個具有推薦課程信息的推薦課程中選擇匹配第一篩選特征內(nèi)容的目標(biāo)推薦課程，其中，目標(biāo)推薦課程還需匹配與第一篩選特征內(nèi)容存在關(guān)聯(lián)的第二篩選特征內(nèi)容。

而后，可以獲取第一篩選特征內(nèi)容的篩選特征內(nèi)容信息包括的第一篩選特征內(nèi)容的課程標(biāo)簽信息，并獲取第二篩選特征內(nèi)容的篩選特征內(nèi)容信息包括的第二篩選特征內(nèi)容的課程標(biāo)簽信息，由此可以根據(jù)第一篩選特征內(nèi)容的課程標(biāo)簽信息以及第二篩選特征內(nèi)容的課程標(biāo)簽信息生成對應(yīng)的第三在線學(xué)習(xí)推薦結(jié)果。

基于上述設(shè)計整合篩選得到的第三在線學(xué)習(xí)推薦結(jié)果，可以避免推薦過于繁雜給學(xué)員用戶帶來過度的篩選體驗(yàn)

圖3為本申請實(shí)施例提供的在線學(xué)習(xí)推薦裝置300的功能模塊示意圖，本實(shí)施例可以根據(jù)上述方法實(shí)施例對該在線學(xué)習(xí)推薦裝置300進(jìn)行功能模塊的劃分。例如，可以對應(yīng)各個功能劃分各個功能模塊，也可以將兩個或兩個以上的功能集成在一個處理模塊中。上述集成的模塊既可以采用硬件的形式實(shí)現(xiàn)，也可以采用軟件功能模塊的形式實(shí)現(xiàn)。需要說明的是，本申請中對模塊的劃分是示意性的，僅僅為一種邏輯功能劃分，實(shí)際實(shí)現(xiàn)時可以有另外的劃分方式。比如，在采用對應(yīng)各個功能劃分各個功能模塊的情況下，圖3示出的在線學(xué)習(xí)推薦裝置300只是一種裝置示意圖。其中，在線學(xué)習(xí)推薦裝置300可以包括提取模塊310、計算模塊320、第一推薦模塊330以及第二推薦模塊340，下面分別對該在線學(xué)習(xí)推薦裝置300的各個功能模塊的功能進(jìn)行詳細(xì)闡述。

提取模塊310，用于從每個在線學(xué)習(xí)終端200中獲取學(xué)員用戶對應(yīng)的學(xué)習(xí)行為數(shù)據(jù)，并提取與學(xué)習(xí)行為數(shù)據(jù)對應(yīng)的學(xué)習(xí)行為風(fēng)格數(shù)據(jù)，學(xué)習(xí)行為數(shù)據(jù)為服務(wù)器100根據(jù)學(xué)員用戶對應(yīng)的在線學(xué)習(xí)終端200的在線學(xué)習(xí)模式信息，以及在線學(xué)習(xí)終端200與服務(wù)器100之間的在線學(xué)習(xí)交互方式得到的。

計算模塊320，用于獲取每個學(xué)員用戶的在線學(xué)習(xí)推薦模型的學(xué)習(xí)風(fēng)格權(quán)重參數(shù)以及每個在線學(xué)習(xí)推薦模型在對應(yīng)的學(xué)習(xí)風(fēng)格權(quán)重參數(shù)下的推薦策略所對應(yīng)的推薦權(quán)重，并根據(jù)學(xué)習(xí)行為風(fēng)格數(shù)據(jù)中的風(fēng)格數(shù)據(jù)對應(yīng)的風(fēng)格權(quán)重以及每個在線學(xué)習(xí)推薦模型的學(xué)習(xí)風(fēng)格權(quán)重參數(shù)及其在對應(yīng)的學(xué)習(xí)風(fēng)格權(quán)重參數(shù)下的推薦策略中所對應(yīng)的推薦權(quán)重，計算學(xué)習(xí)行為數(shù)據(jù)與每個在線學(xué)習(xí)推薦模型之間的適配度。

第一推薦模塊330，用于在確定出的所有適配度中存在達(dá)到預(yù)設(shè)適配度閾值的目標(biāo)適配度時，將學(xué)員用戶關(guān)聯(lián)到目標(biāo)適配度對應(yīng)的第一目標(biāo)在線學(xué)習(xí)推薦模型中以使第一目標(biāo)在線學(xué)習(xí)推薦模型對學(xué)員用戶進(jìn)行信息推薦得到第一在線學(xué)習(xí)推薦結(jié)果。

第二推薦模塊340，用于在確定出的所有適配度中未存在達(dá)到預(yù)設(shè)適配度閾值的目標(biāo)適配度時，確定出每個在線學(xué)習(xí)推薦模型的推薦級別并根據(jù)推薦級別的大小順序，通過每個對應(yīng)的在線學(xué)習(xí)推薦模型對學(xué)員用戶的學(xué)習(xí)行為數(shù)據(jù)進(jìn)行數(shù)據(jù)特征識別得到學(xué)員用戶對應(yīng)的多個模型匹配屬性以及每個模型匹配屬性中對應(yīng)的與每個在線學(xué)習(xí)推薦模型的推薦級別對應(yīng)的模型屬性節(jié)點(diǎn)，根據(jù)每個模型匹配屬性從學(xué)員用戶對應(yīng)的學(xué)習(xí)行為風(fēng)格數(shù)據(jù)中確定出每個模型匹配屬性對應(yīng)的風(fēng)格屬性權(quán)重參數(shù)，將每個模型匹配屬性對應(yīng)的風(fēng)格屬性權(quán)重參數(shù)關(guān)聯(lián)到每個模型匹配屬性中加載的模型屬性節(jié)點(diǎn)對應(yīng)的第二目標(biāo)在線學(xué)習(xí)推薦模型中，通過每個第二目標(biāo)在線學(xué)習(xí)推薦模型根據(jù)風(fēng)格屬性權(quán)重參數(shù)對學(xué)員用戶進(jìn)行信息推薦得到第二在線學(xué)習(xí)推薦結(jié)果。

進(jìn)一步地，圖4為本申請實(shí)施例提供的用于執(zhí)行上述在線學(xué)習(xí)推薦方法的服務(wù)器100的結(jié)構(gòu)示意圖。如圖4所示，該服務(wù)器100可包括網(wǎng)絡(luò)接口110、機(jī)器可讀存儲介質(zhì)120、處理器130以及總線140。處理器130可以是一個或多個，圖4中以一個處理器130為例。網(wǎng)絡(luò)接口110、機(jī)器可讀存儲介質(zhì)120以及處理器130可以通過總線140或其他方式連接，圖4中以通過總線140連接為例。

機(jī)器可讀存儲介質(zhì)120作為一種計算機(jī)可讀存儲介質(zhì)，可用于存儲軟件程序、計算機(jī)可執(zhí)行程序以及模塊，如本申請實(shí)施例中的在線學(xué)習(xí)推薦方法對應(yīng)的程序指令/模塊（例如圖3中所示的在線學(xué)習(xí)推薦裝置300的提取模塊310、計算模塊320、第一推薦模塊330以及第二推薦模塊340）。處理器130通過檢測存儲在機(jī)器可讀存儲介質(zhì)120中的軟件程序、指令以及模塊，從而執(zhí)行終端設(shè)備的各種功能應(yīng)用以及數(shù)據(jù)處理，即實(shí)現(xiàn)上述的在線學(xué)習(xí)推薦方法，在此不再贅述。

機(jī)器可讀存儲介質(zhì)120可主要包括存儲程序區(qū)和存儲數(shù)據(jù)區(qū)，其中，存儲程序區(qū)可存儲操作系統(tǒng)、至少一個功能所需的應(yīng)用程序；存儲數(shù)據(jù)區(qū)可存儲根據(jù)終端的使用所創(chuàng)建的數(shù)據(jù)等。

處理器130可能是一種集成電路芯片，具有信號的處理能力。在實(shí)現(xiàn)過程中，上述方法實(shí)施例的各步驟可以通過處理器130中的硬件的集成邏輯電路或者軟件形式的指令完成。

服務(wù)器100可以通過網(wǎng)絡(luò)接口110和其它設(shè)備（例如在線學(xué)習(xí)終端200）進(jìn)行信息交互。網(wǎng)絡(luò)接口110可以是電路、總線、收發(fā)器或者其它任意可以用于進(jìn)行信息交互的裝置。處理器130可以利用網(wǎng)絡(luò)接口110收發(fā)信息。

在上述實(shí)施例中，可以全部或部分地通過軟件、硬件、固件或者其任意對來實(shí)現(xiàn)。當(dāng)使用軟件實(shí)現(xiàn)時，可以全部或部分地以計算機(jī)程序產(chǎn)品的形式實(shí)現(xiàn)。所述計算機(jī)程序產(chǎn)品包括一個或多個計算機(jī)指令。在計算機(jī)上加載和執(zhí)行所述計算機(jī)程序指令時，全部或部分地產(chǎn)生按照本申請實(shí)施例所述的流程或功能。所述計算機(jī)可以是通用計算機(jī)、專用計算機(jī)、計算機(jī)網(wǎng)絡(luò)、或者其他可編程裝置。

本申請實(shí)施例是參照根據(jù)本申請實(shí)施例的方法、設(shè)備(系統(tǒng))、和計算機(jī)程序產(chǎn)品的流程圖和/或方框圖來描述的。應(yīng)理解可由計算機(jī)程序指令實(shí)現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結(jié)合。可提供這些計算機(jī)程序指令到通用計算機(jī)、專用計機(jī)、嵌入式處理機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器以產(chǎn)生一個機(jī)器，使得通過計算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器執(zhí)行的指令產(chǎn)生用于實(shí)現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。

這些計算機(jī)程序指令也可存儲在能引導(dǎo)計算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備以特定方式工作的計算機(jī)可讀存儲器中，使得存儲在該計算機(jī)可讀存儲器中的指令產(chǎn)生包括指令裝置的制造品，該指令裝置實(shí)現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。

顯然，本領(lǐng)域的技術(shù)人員可以對本申請實(shí)施例進(jìn)行各種改動和變型而不脫離本申請的精神和范圍。這樣，倘若本申請實(shí)施例的這些表達(dá)和變型屬于本申請權(quán)利要求及其等同技術(shù)的范圍之內(nèi)，則本申請也意圖包含這些改動和變型在內(nèi)。