[0001] 本申请涉及大数据分析与信息推荐技术领域，具体而言，涉及一种在线学习挖掘方法及在线学习系统。

[0002] 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，为了提高学院用户的学习体验，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挖掘。

[0003] 对于在线学习平台而言，通过预先配置的不同在线学习推荐模型可以为每个学员用户更有针对性地提供在线学习推荐结果以便于为学员用户符合其自身日常学习行为的丰富推荐内容。然而，在此基础上，也对在线学习平台上的推荐内容的丰富性造成了巨大的挑战，在线学习平台往往无法准确知晓哪些推荐内容更符合当前广大学员用户的学习行为，由此往往可能导致在线学习平台更新的推荐内容后续无法针对性地推荐给广大学员用户，而广大学员用户真正需要的推荐内容可能更新不及时或者更新内容过少，进而严重影响信息推荐体验。

[0019] 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。

[0020] 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。

[0021] 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。

[0022] 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。

[0023] 步骤S110，获取针对每个在线学习终端200所对应的学习行为数据在多个在线学习推荐模型所对应的待挖掘的在线学习推荐结果，分别对在线学习推荐结果进行风格特征提取和内容特征提取，得到多个在线学习推荐模型对应的风格特征提取信息和内容特征提取信息。

[0024] 步骤S120，确定对在线学习推荐模型的风格特征提取信息和内容特征提取信息进行并行映射挖掘的在线学习挖掘指令集。

[0025] 步骤S130，根据在线学习挖掘指令集，计算出风格特征提取信息和内容特征提取信息在相同在线学习挖掘指令下分别对应的观测挖掘向量矩阵，并构造两个观测挖掘向量矩阵之间的挖掘节点序列，以及基于挖掘节点序列对在线学习推荐模型的风格特征提取信息和内容特征提取信息进行并行映射挖掘，得到对应的并行映射挖掘信息。

[0026] 步骤S140，根据确定的并行映射挖掘信息，分别生成每个在线学习推荐模型对应的在线学习推荐结果的在线学习挖掘结果。

[0027] 本实施例中，风格特征提取信息可以用于表示在线学习推荐结果的每个待挖掘推荐对象的风格特征，例如如果学员用户学习的重要内容包括音乐、军事、新媒体，那么待挖掘推荐对象可以是音乐、军事、新媒体下的挖掘项目，风格特征可以是指音乐、军事、新媒体分别对应的音乐类风格特征、军事类风格特征、新媒体类风格特征等，在此不作具体限定。

[0028] 本实施例中，内容特征提取信息用于表示在线学习推荐结果的每个待挖掘推荐对象的内容特征，例如内容特征可以是指词汇搭配对特征、词汇出现的次数特征等，在此不作具体限定。

[0029] 本实施例中，在线学习挖掘结果中可以包括在线学习挖掘内容知识点，在线学习挖掘内容知识点用于提示相应的在线学习平台的管理者针对在线学习挖掘内容知识点进行推荐内容的更新。

[0030] 例如，假设在线学习挖掘内容知识点包括音乐类下的钢琴学习知识点，那么可以提示相应的在线学习平台的管理者针对钢琴学习知识点进行推荐内容的更新。

[0031] 由此，基于上述设计，本实施例通过对在线学习推荐结果进行风格特征提取和内容特征提取，并确定对在线学习推荐模型的风格特征提取信息和内容特征提取信息进行并行映射挖掘，由此可以从在线学习推荐结果中有效挖掘出在线学习挖掘结果，以便于在线学习平台参考该在线学习挖掘结果进行后续的推荐内容侧重点布局，进而改善在线学习平台更新的推荐内容后续无法针对性地推荐给广大学员用户，而广大学员用户真正需要的推荐内容可能更新不及时或者更新内容过少的情况，提高信息推荐体验。

[0032] 在一种可能的设计中，针对步骤S110，在对在线学习推荐结果进行风格特征提取和内容特征提取的过程中，仅作为示例，本实施例可以分别对在线学习推荐结果的课程标签信息所指示的推荐课程信息进行提取，得到对应的推荐风格课程特征和推荐内容课程特征。

[0033] 在此基础上，可以分别对推荐风格课程特征和推荐内容课程特征进行映射关联，得到推荐风格课程特征的第一映射关联序列以及推荐内容课程特征的第二映射关联序列。

[0034] 其中，值得说明的是，第一映射关联序列中可以包括推荐风格课程特征的多个第一风格特征向量，相对应地，第二映射关联序列中可以包括推荐内容课程特征的多个第一内容特征向量。

[0035] 接着，可以在预设的关联挖掘序列中获得与在线学习推荐结果关联的目标挖掘向量范围，并分别将推荐风格课程特征对应的第一映射关联序列中的每个第一风格特征向量和推荐内容课程特征对应的第二映射关联序列中的每个第一内容特征向量与目标挖掘向量范围中的每个目标挖掘向量进行聚类，得到推荐风格课程特征与目标挖掘向量范围之间的第一聚类特征向量以及推荐内容课程特征与目标挖掘向量范围之间的第二聚类特征向量。

[0036] 本实施例中，预设的关联挖掘序列具体可以灵活根据学员用户的配置进行确定，或者当学员用户未配置此部分时，根据学员用户的注册资料适应性地为学员用户配置预设的关联挖掘序列，以减少计算量。其中，关联挖掘序列可以包括与在线学习推荐结果关联的目标挖掘向量范围。

[0037] 接下来，可以以目标挖掘向量范围为参考挖掘向量区间进行比对，直至关联挖掘序列中出现一个当前挖掘向量，使得推荐风格课程特征与当前挖掘向量之间的第三聚类特征向量与推荐风格课程特征与目标挖掘向量范围之间的第一聚类特征向量的第一比对匹配率大于设定匹配率，且推荐内容课程特征与当前挖掘向量之间的第四聚类特征向量与推荐内容课程特征与当前挖掘向量之间的第二聚类特征向量的第二比对匹配率大于设定匹配率时，得到在线学习推荐模型对应的风格特征提取信息和内容特征提取信息。

[0038] 在一种可能的设计中，在线学习推荐模型可以包括与风格特征提取信息对应的第一在线学习推荐模型结构和与内容特征提取信息对应的第二在线学习推荐模型结构，针对步骤S120，本实施例可以根据第一在线学习推荐模型结构输出的风格特征提取信息及第二在线学习推荐模型结构输出的内容特征提取信息，确定第一在线学习推荐模型结构相对于第二在线学习推荐模型结构的第一链接网络层以及第二在线学习推荐模型结构相对于第一在线学习推荐模型结构的第二链接网络层。

[0039] 在此基础上，基于第一链接网络层以及风格特征提取信息所表征的第一在线学习推荐模型结构对第二在线学习推荐模型结构并行映射挖掘的并行映射挖掘部分的第一并行映射挖掘元素，对第一在线学习推荐模型结构进行调整，得到第一目标模型结构。

[0040] 同时，基于第二链接网络层以及内容特征提取信息所表征的第二在线学习推荐模型结构向第一在线学习推荐模型结构并行映射挖掘的并行映射挖掘部分的第二并行映射挖掘元素，对第二在线学习推荐模型结构进行调整，得到第二目标模型结构。

[0041] 由此，可以根据第一目标模型结构和第二目标模型结构确定对风格特征提取信息和内容特征提取信息进行并行映射挖掘的并行映射挖掘参数。其中，并行映射挖掘参数用于表征采用第一目标模型结构对风格特征提取信息进行并行映射挖掘的第一并行映射挖掘行为与采用第二目标模型结构对内容特征提取信息进行并行映射挖掘的第二并行映射挖掘行为相同。

[0042] 在并行映射挖掘参数所指示的并行映射挖掘范围内采用第一目标模型结构确定风格特征提取信息的第一特征并行映射挖掘范围，并根据第一特征并行映射挖掘范围以及预存的第二在线学习推荐模型结构与服务器100中的其他在线学习推荐模型之间的并行映射挖掘映射关系中包括的第二在线学习推荐模型结构与第一在线学习推荐模型结构之间的第一并行映射挖掘结果，得到第一在线学习挖掘指令集。

[0043] 本实施例中，值得说明的是，第一并行映射挖掘结果是第二在线学习推荐模型结构作为并行映射挖掘对象且第一在线学习推荐模型结构作为待并行映射挖掘对象对应的并行映射挖掘结果。

[0044] 同时，在并行映射挖掘参数内采用第二目标模型结构确定内容特征提取信息的第二特征并行映射挖掘范围，并根据第二特征并行映射挖掘范围以及预存的第一在线学习推荐模型结构与服务器100中的其他在线学习推荐模型之间的并行映射挖掘映射关系中包括的第一在线学习推荐模型结构与第二在线学习推荐模型结构之间的第二并行映射挖掘结果，得到第二在线学习挖掘指令集。

[0045] 本实施例中，值得说明的是，第二并行映射挖掘结果是第一在线学习推荐模型结构作为并行映射挖掘对象且第二在线学习推荐模型结构作为待并行映射挖掘对象对应的并行映射挖掘结果。

[0046] 由此，即可根据第一在线学习挖掘指令集和第二在线学习挖掘指令集确定对在线学习推荐模型的风格特征提取信息和内容特征提取信息进行并行映射挖掘的在线学习挖掘指令集。也即，在线学习挖掘指令集可以理解为第一在线学习挖掘指令集和第二在线学习挖掘指令集的重合在线学习挖掘指令构成的挖掘指令集。

[0047] 由此，通过将风格特征和内容特征进行强关联后进行后续的挖掘，可以提高挖掘的准确性，避免挖掘过程中风格特征和内容特征的分散挖掘导致的后续挖掘结构不准确的情况。

[0048] 在一种可能的设计，针对步骤S130，本实施例可以根据在线学习挖掘指令集，计算出风格特征提取和内容特征提取在相同在线学习挖掘指令下对应的并行映射挖掘向量的向量范围以及各向量指向方向。

[0049] 在此基础上，可以在根据向量范围确定出并行映射挖掘向量中包含有可观测挖掘信息的情况下，根据并行映射挖掘向量在可观测挖掘信息下的向量指向方向确定并行映射挖掘向量在可信挖掘信息下的各向量指向方向与并行映射挖掘向量在可观测挖掘信息下的各向量指向方向之间的方向角度，并将并行映射挖掘向量在可信挖掘信息下的与在可观测挖掘信息下的向量指向方向的方向角度相同的向量指向方向调整到相应的可观测挖掘信息的分类下。

[0050] 然后，在并行映射挖掘向量的当前可信挖掘信息下包含有多个向量指向方向的情况下，根据并行映射挖掘向量在可观测挖掘信息下的向量指向方向确定并行映射挖掘向量在当前可信挖掘信息下的各向量指向方向之间的方向角度，并根据各向量指向方向之间的方向角度对当前可信挖掘信息下的各向量指向方向进行筛选。

[0051] 接着，可以根据并行映射挖掘向量在可观测挖掘信息下的向量指向方向为上述筛选得到的每一个向量指向方向设置标的物标记，并将每一个向量指向方向调整到标的物标记所对应的可观测挖掘信息的分类下，然后根据可信挖掘信息分类下的各个风格特征提取信息对应的第一向量指向方向以及各个内容特征提取信息下的第二向量指向方向，计算出风格特征提取信息和内容特征提取信息在相同在线学习挖掘指令下分别对应的观测挖掘向量矩阵。

[0052] 本实施例中，值得说明的是，观测挖掘向量矩阵包括多个挖掘节点，例如，在一种可能的示例中，每一个挖掘节点可以对应于一个观测挖掘向量和观测挖掘向量对应的风格特征提取信息对应的第一向量指向方向以及内容特征提取信息下的第二向量指向方向。

[0053] 在此基础上，仍旧针对步骤S130，在构造两个观测挖掘向量矩阵之间的挖掘节点序列，以及基于挖掘节点序列对在线学习推荐模型的风格特征提取信息和内容特征提取信息进行并行映射挖掘，得到对应的并行映射挖掘信息的过程中，本实施例可以将两个观测挖掘向量矩阵（也即风格特征提取信息和内容特征提取信息在相同在线学习挖掘指令下分别对应的观测挖掘向量矩阵）之间的重合挖掘节点构成的序列作为两个观测挖掘向量矩阵之间的挖掘节点序列。

[0054] 然后，分别基于两个观测挖掘向量矩阵之间的挖掘节点序列中的每个挖掘节点所对应的风格特征挖掘指令和内容特征挖掘指令对在线学习推荐模型的风格特征提取信息和内容特征提取信息进行并行映射挖掘，得到对应的并行映射挖掘信息。

[0055] 在一种可能的设计中，针对步骤S140，仅作为示例，本实施例可以根据确定的并行映射挖掘信息，确定针对每个在线学习推荐模型的挖掘标签信息，并根据挖掘标签信息确定每个在线学习推荐模型的挖掘类别标签和对应的学员用户的用户属性标签之间的标签层级。

[0056] 然后，以挖掘类别标签为对象决策节点、以标签层级为对象决策状态节点，将挖掘标签信息构建为挖掘决策树，并根据挖掘决策树，提取将主挖掘类别标签的主对象决策节点与从挖掘类别标签中的从对象决策节点，并依次合并由主对象决策节点与从对象决策节点构成的重构挖掘决策树。

[0057] 在此基础上，可以将每个重构挖掘决策树转换为同种挖掘类别标签型的决策树集合，并分析每个决策树集合输出的各个在线学习挖掘元素之间的风格标签层级和内容标签层级，得到对应的标签层级拓扑结构，并根据标签层级拓扑结构将决策树集合构建成目标决策树集合。

[0058] 其中，值得说明的是，风格标签层级可以是指获取每个风格标签的风格标签特征构成的层级的特征向量，内容标签层级可以是指获取每个内容标签的内容标签特征构成的层级的特征向量。

[0059] 由此，可以确定挖掘标签信息对应的目标决策树集合中各个对象决策节点的决策结果，生成每个在线学习推荐模型对应的在线学习推荐结果的在线学习挖掘结果。

[0060] 值得说明的是，决策树是一种树形结构，其中每个内部节点（例如对象决策节点、对象决策状态节点）表示一个属性上的决策测试，每个分支代表一个测试输出，每个叶节点（例如对象决策节点、对象决策状态节点）代表一种类别（例如在线学习挖掘内容知识点）。

[0061] 在一种可能的设计中，针对步骤S110，在线学习推荐结果可以通过任意可行的实现方式获得，例如可以参照现有技术提供的一些推荐算法获得，或者在一种示例性的实施方式中，为了提高在线学习推荐结果的准确性，本实施例接下来将给出一种示例来进行具体说明。值得说明的是，以下给出的示例不应当理解为对本申请保护范围的限制，本领域技术人员可以在此基础上采用其他任何可行的实现方式来进行实施。

[0062] 本实施例具体可以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。

[0063] 值得说明的是，示例性地，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。

[0064] 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。

[0065] 在此基础上，可以根据每个在线学习推荐模型对每个在线学习终端200所对应的学习行为数据进行计算，得到多个在线学习推荐模型所对应的待挖掘的在线学习推荐结果。

[0066] 例如，可以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。

[0067] 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。

[0068] 然后，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。

[0069] 在一种可能的设计中，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。

[0070] 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|。

[0071] 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。

[0072] 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。

[0073] 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。

[0074] 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。

[0075] 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。

[0076] 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。

[0077] 图3为本申请实施例提供的在线学习挖掘装置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挖掘装置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示出的在线学习挖掘装置300只是一种装置示意图。其中，在线学习挖掘装置300可以包括获取模块310、确定模块320、映射挖掘模块330以及生成模块340，下面分别对该在线学习挖掘装置300的各个功能模块的功能进行详细阐述。

[0078] 获取模块310，用于获取针对每个在线学习终端200所对应的学习行为数据在多个在线学习推荐模型所对应的待挖掘的在线学习推荐结果，分别对在线学习推荐结果进行风格特征提取和内容特征提取，得到多个在线学习推荐模型对应的风格特征提取信息和内容特征提取信息，其中，风格特征提取信息用于表示在线学习推荐结果的每个待挖掘推荐对象的风格特征，内容特征提取信息用于表示在线学习推荐结果的每个待挖掘推荐对象的内容特征。

[0079] 确定模块320，用于确定对在线学习推荐模型的风格特征提取信息和内容特征提取信息进行并行映射挖掘的在线学习挖掘指令集。

[0080] 映射挖掘模块330，用于根据在线学习挖掘指令集，计算出风格特征提取和内容特征提取在相同在线学习挖掘指令下分别对应的观测挖掘向量矩阵，并构造两个观测挖掘向量矩阵之间的挖掘节点序列，以及基于挖掘节点序列对在线学习推荐模型的风格特征提取信息和内容特征提取信息进行并行映射挖掘，得到对应的并行映射挖掘信息。

[0081] 生成模块340，用于根据确定的并行映射挖掘信息，分别生成每个在线学习推荐模型对应的在线学习推荐结果的在线学习挖掘结果，在线学习挖掘结果中包括在线学习挖掘内容知识点，在线学习挖掘内容知识点用于提示相应的在线学习平台的管理者针对在线学习挖掘内容知识点进行推荐内容的更新。

[0082] 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挖掘方法的服务器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。

[0083] 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挖掘方法对应的程序指令/模块（例如图3中所示的在线学习挖掘装置300的获取模块310、确定模块320、映射挖掘模块330以及生成模块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挖掘方法，在此不再赘述。

[0084] 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。

[0085] 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。

[0086] 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。

[0087] 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。

[0088] 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。

[0089] 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。

[0090] 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。