标签创建模块，其与所述数据获取模块相连，用以对提取到的各课程内容的关键字进
课程存储模块，其与所述标签创建模块相连，用以存储各所述课程以及与课程对应的
智能推荐模块，其与所述课程存储模块相连，用以根据推荐集筛选规则对所述课程存
数据计算模块，其分别与所述数据获取模块、所述课程存储模块以及所述智能推荐模
块相连，用以对所述数据获取模块中获取的数据进行数据统计以计算单个课程的进度时长
占比、单个课程的播放时长占比、单个标签的占比、推荐课程的点击率以及用户偏好集中
其中，所述进度时长占比根据单个课程的历史播放时长与单个所述课程的总时长计
算，所述播放时长占比根据所述课程推荐集中已点击的课程的播放时长与所述课程推荐集
中已点击的课程的总时长计算，所述单个标签的占比根据设定课程集中标签的数量与课程
数量的比值计算，所述推荐课程的点击率根据课程推荐集的浏览量和课程推荐集的点击量
匹配评估模块，其分别与所述数据计算模块以及所述智能推荐模块相连，用以根据用
户历史播放课程中的标签占比确定课程推荐集的筛选条件，并通过对所述课程推荐集中课
程的点击率以及已点击的课程的播放时长的分析结果确定所述课程推荐集以及课程推荐
其中，所述匹配评估模块在第一预设匹配条件根据所述用户偏好集中度的分析结果重
新确定课程推荐集的筛选条件，所述第一预设匹配条件为判定所述课程推荐集不符合推荐
2.根据权利要求1所述的基于AI智能推荐的学习系统，其特征在于，所述匹配评估模块
进度分析单元，其与所述数据获取模块以及所述数据计算模块相连，用以根据单个课
程的进度时长占比确定单个所述课程的学习进度，以及，将对用户课程学习进度的判定结
筛选条件分析单元，其与所述数据计算模块相连，用以根据用户历史播放课程中的标
签占比分析结果确定一次推荐集的筛选条件，在第一预设匹配条件根据所述用户偏好集中
度的分析结果确定二次推荐集的筛选条件，在第二预设匹配条件根据标签占比比值与预设
推荐评估单元，其与所述数据计算模块以及所述智能推荐模块相连，用以根据用户对
所述课程的点击率判定所述课程推荐集是否符合推荐集匹配标准，根据用户对所述课程的
播放时长占比判定所述课程推荐集中的课程是否符合课程匹配标准，以及，根据用户在所
述课程推荐集内已点击的课程的标签中数量占比最多的标签和用户历史点击过的课程的
3.根据权利要求2所述的基于AI智能推荐的学习系统，其特征在于，所述进度分析单元
根据进度时长占比H与预设进度时长占比进行比对以确定单个课程的学习进度，其中，所述
进度分析单元设置有第一预设进度时长占比H1和第二预设进度时长占比H2，0＜H1＜H2＜
1，设定H＝hi/HI，hi为用户历史播放课程中单个课程的历史播放时长，HI为所述单个课程
当H≤H1时，所述进度分析单元判定进度时长占比低于标准，所述进度分析单元将所述
当H1＜H＜H2时，所述进度分析单元判定进度时长占比符合标准，所述进度分析单元将
当H≥H2时，所述进度分析单元判定进度时长占比高于标准，所述进度分析单元将用户
4.根据权利要求3所述的基于AI智能推荐的学习系统，其特征在于，所述筛选条件分析
单元根据最大标签占比M确定向用户推荐的一次推荐集中课程的筛选条件，其中，所述筛选
条件分析单元设置有预设标签占比M0，0.5≤M0＜1，设定M＝n1/N1，n1为用户历史播放课程
中学习进度记为学习完成的课程的标签中数量最多的标签BQ11的标签数量，N1为所述学习
当M≥M0时，所述筛选条件分析单元判定标签BQ11符合标签占比标准，所述智能推荐模
当M＜M0时，所述筛选条件分析单元判定标签BQ11不符合标签占比标准，所述智能推荐
模块采用标签BQ11和标签BQ12分别作为一次推荐集中课程的筛选条件，其中，BQ12为用户
5.根据权利要求4所述的基于AI智能推荐的学习系统，其特征在于，所述推荐评估单元
根据点击率Q与预设点击率Q0进行比对以判定所述课程推荐集是否符合推荐集匹配标准，
其中，所述推荐评估单元设置有预设点击率Q0，0.8＜Q0＜1，设定Q＝D/L，L为用户对课程推
6.根据权利要求5所述的基于AI智能推荐的学习系统，其特征在于，所述推荐评估单元
在第三预设匹配条件根据播放时长占比T与预设播放时长占比T0进行比对以判定所述课程
推荐集中的课程是否符合课程匹配标准，其中，所述推荐评估单元设置有预设播放时长占
比T0，设定T＝ti/TI，ti为用户对所述课程推荐集中已点击的课程的播放时长，TI为用户对
若T≥T0，所述推荐评估单元判定所述课程推荐集中的课程符合课程匹配标准，并确定
若T＜T0，所述推荐评估单元判定所述课程推荐集中的课程不符合课程匹配标准；
7.根据权利要求6所述的基于AI智能推荐的学习系统，其特征在于，所述筛选条件分析
单元在第一预设匹配条件根据用户偏好集中度A确定向用户推荐的二次推荐集中课程的筛
选条件，其中，所述筛选条件分析单元设置有第一预设用户偏好集中度A1以及第二预设用
户偏好集中度A2，0＜A1＜A2＜1，设定A＝n2/N2，n2为用户在所述一次推荐集内已点击的课
程的标签中剔除标签BQ11后数量最多的标签BQ21的标签数量，N2为所述一次推荐集中标签
当A≤A1时，所述筛选条件分析单元判定用户偏好集中度A低于标准，所述智能推荐模
块采用标签BQ21、标签BQ22以及标签BQ23作为二次推荐集中课程的筛选条件，其中，BQ22为
用户在所述一次推荐集内已点击的课程的标签中剔除标签BQ11后数量次多的标签，BQ23为
用户在所述一次推荐集内已点击的课程的标签中剔除标签BQ11后数量第三多的标签；
当A1＜A≤A2时，所述筛选条件分析单元判定用户偏好集中度A符合标准，所述智能推
荐模块采用标签BQ21以及标签BQ22分别作为二次推荐集中课程的筛选条件；
当A2＜A≤1时，所述筛选条件分析单元判定用户偏好集中度A高于标准，所述智能推荐
8.根据权利要求7所述的基于AI智能推荐的学习系统，其特征在于，所述推荐评估单元
根据标签BQX和标签BQY进行名称比对判定用户偏好是否存在波动，其中，BQX为用户在所述
二次推荐集内已点击的课程的标签中数量占比最多的标签，BQY为用户历史点击过的课程
若BQX与BQY标签名称相同，所述推荐评估单元判定用户偏好不存在波动，采用所述二
9.根据权利要求8所述的基于AI智能推荐的学习系统，其特征在于，所述筛选条件分析
单元在所述第二预设匹配条件根据占比比值△P与预设占比比值△P0进行比对确定向用户
推荐的三次推荐集中课程的筛选条件，其中，所述筛选条件分析单元设置有预设占比比值
△P0，0＜△P0＜1，设定△P＝△NY/△NX，△NX为标签BQX的数量占比，△NY为标签BQY的数
当0＜△P≤△P0时，所述筛选条件分析单元判定用户偏好波动低于标准，并采用标签
当△P0＜△P≤1时，所述筛选条件分析单元判定用户偏好波动符合标准，并采用标签
当△P＞1时，所述筛选条件分析单元判定用户偏好波动高于标准，并采用标签BQY作为
10.根据权利要求9所述的基于AI智能推荐的学习系统，其特征在于，所述智能推荐模
所述推荐集筛选规则设置为采用若干标签作为课程推荐集中课程的筛选条件以从所
若作为筛选条件的标签的数量为一个，则将筛选出的单个推荐集作为课程推荐集；
若作为筛选条件的标签的数量超过一个，则将筛选出的各所述推荐集进行合并以形成
所述推荐集剔除规则设置为将学习进度记为学习完成的课程从所述课程推荐集中去
本发明涉及个性化推荐技术领域，尤其涉及一种基于AI智能推荐的学习系统及方
随时随地进行在线学习，但现实情况却显示，学习者因为在搜索和选择课程上浪费了大量
时间，从而降低了学习效率。智能推荐系统能够为学习者推荐合适的课程，减少学习者搜索
和筛选课程的时间，使学习者可以集中精力在课程学习而非课程选择中。传统的课程推荐
方法往往通过在线问卷的方式将学习者的偏好信息录入系统对学习者学习倾向进行课程
中国专利公开号CN112632393A公开了课程推荐方法、装置及电子设备，该课程推
荐方法包括：获取目标用户的学习目标信息；根据所述学习目标信息生成所述目标用户的
第一学习课程；获取所述目标用户的学习记录；根据所述目标用户的学习记录对所述目标
用户进行能力测试；根据所述目标用户的学习记录和能力测试结果对所述目标用户推荐第
力测试结果对学习者进行二次课程推荐，但并未对推荐课程与用户的匹配性进行评估，无
法保证一次课程推荐是否为有效推荐，若一次课程推荐为无效推荐，则二次课程推荐也将
为此，本发明提供一种基于AI智能推荐的学习系统及方法，用以克服现有技术中
荐模块相连，用以对所述数据获取模块中获取的数据进行数据统计以计算单个课程的进度
时长占比、单个课程的播放时长占比、单个标签的占比、推荐课程的点击率以及用户偏好集
计算，所述播放时长占比根据所述课程推荐集中已点击的课程的播放时长与所述课程推荐
集中已点击的课程的总时长计算，所述单个标签的占比根据设定课程集中标签的数量与课
程数量的比值计算，所述推荐课程的点击率根据课程推荐集的浏览量和课程推荐集的点击
据用户历史播放课程中的标签占比确定课程推荐集的筛选条件，并通过对所述课程推荐集
中课程的点击率以及已点击的课程的播放时长的分析结果确定所述课程推荐集以及课程
果重新确定课程推荐集的筛选条件，所述第一预设匹配条件为判定所述课程推荐集不符合
个课程的进度时长占比确定单个所述课程的学习进度，以及，将对用户课程学习进度的判
的标签占比分析结果确定一次推荐集的筛选条件，在第一预设匹配条件根据所述用户偏好
集中度的分析结果确定二次推荐集的筛选条件，在第二预设匹配条件根据标签占比比值与
户对所述课程的点击率判定所述课程推荐集是否符合推荐集匹配标准，根据用户对所述课
程的播放时长占比判定所述课程推荐集中的课程是否符合课程匹配标准，以及，根据用户
在所述课程推荐集内已点击的课程的标签中数量占比最多的标签和用户历史点击过的课
以确定单个课程的学习进度，其中，所述进度分析单元设置有第一预设进度时长占比H1和
第二预设进度时长占比H2，0＜H1＜H2＜1，设定H＝h i/HI，h i为用户历史播放课程中单个
当H≤H1时，所述进度分析单元判定进度时长占比低于标准，所述进度分析单元将
当H1＜H＜H2时，所述进度分析单元判定进度时长占比符合标准，所述进度分析单
当H≥H2时，所述进度分析单元判定进度时长占比高于标准，所述进度分析单元将
荐集中课程的筛选条件，其中，所述筛选条件分析单元设置有预设标签占比M0，0.5≤M0＜
1，设定M＝n1/N1，n1为用户历史播放课程中学习进度记为学习完成的课程的标签中数量最
当M≥M0时，所述筛选条件分析单元判定标签BQ11符合标签占比标准，所述智能推
当M＜M0时，所述筛选条件分析单元判定标签BQ11不符合标签占比标准，所述智能
推荐模块采用标签BQ11和标签BQ12分别作为一次推荐集中课程的筛选条件，其中，BQ12为
进一步地，所述推荐评估单元根据点击率Q与预设点击率Q0进行比对以判定所述
课程推荐集是否符合推荐集匹配标准，其中，所述推荐评估单元设置有预设点击率Q0，0.8
＜Q0＜1，设定Q＝D/L，L为用户对课程推荐集中课程的浏览量，D为用户对所述课程推荐集
放时长占比T0进行比对以判定所述课程推荐集中的课程是否符合课程匹配标准，其中，所
述推荐评估单元设置有预设播放时长占比T0，设定T＝t i/TI，t i为用户对所述课程推荐
集中已点击的课程的播放时长，T I为用户对所述课程推荐集中已点击的课程的总课程时
若T≥T0，所述推荐评估单元判定所述课程推荐集中的课程符合课程匹配标准，并
若T＜T0，所述推荐评估单元判定所述课程推荐集中的课程不符合课程匹配标准；
定向用户推荐的二次推荐集中课程的筛选条件，其中，所述筛选条件分析单元设置有第一
预设用户偏好集中度A1以及第二预设用户偏好集中度A2，0＜A1＜A2＜1，设定A＝n2/N2，n2
为用户在所述一次推荐集内已点击的课程的标签中剔除标签BQ11后数量最多的标签BQ21
当A≤A1时，所述筛选条件分析单元判定用户偏好集中度A低于标准，所述智能推
荐模块采用标签BQ21、标签BQ22以及标签BQ23作为二次推荐集中课程的筛选条件，其中，
BQ22为用户在所述一次推荐集内已点击的课程的标签中剔除标签BQ11后数量次多的标签，
BQ23为用户在所述一次推荐集内已点击的课程的标签中剔除标签BQ11后数量第三多的标
当A1＜A≤A2时，所述筛选条件分析单元判定用户偏好集中度A符合标准，所述智
能推荐模块采用标签BQ21以及标签BQ22分别作为二次推荐集中课程的筛选条件；
当A2＜A≤1时，所述筛选条件分析单元判定用户偏好集中度A高于标准，所述智能
进一步地，所述推荐评估单元根据标签BQX和标签BQY进行名称比对判定用户偏好
是否存在波动，其中，BQX为用户在所述二次推荐集内已点击的课程的标签中数量占比最多
若BQX与BQY标签名称相同，所述推荐评估单元判定用户偏好不存在波动，采用所
预设占比比值△P0进行比对确定向用户推荐的三次推荐集中课程的筛选条件，其中，所述
筛选条件分析单元设置有预设占比比值△P0，0＜△P0＜1，设定△P＝△NY/△NX，△NX为标
当0＜△P≤△P0时，所述筛选条件分析单元判定用户偏好波动低于标准，并采用
当△P0＜△P≤1时，所述筛选条件分析单元判定用户偏好波动符合标准，并采用
当△P＞1时，所述筛选条件分析单元判定用户偏好波动高于标准，并采用标签BQY
与现有技术相比，本发明的有益效果在于，本发明基于AI智能推荐的学习系统包
括数据获取模块、标签创建模块、课程存储模块、智能推荐模块、数据计算模块以及匹配评
估模块，通过对各课程内容的关键字分析对课程设置若干标签，根据用户历史播放课程中
的标签占比确定课程推荐集的筛选条件以筛选出符合条件的课程，根据用户对课程推荐集
中课程的点击率以及已点击的课程的播放时长的分析结果确定课程推荐集以及课程推荐
集中的课程是否符合匹配标准，并根据匹配性评估结果调整课程推荐集的筛选条件以形成
更为符合用户偏好的课程推荐集向用户进行推荐，本发明系统通过用户对课程的点击偏好
确定用户偏好的课程的标签，并根据用户偏好的课程标签形成相应课程推荐集向用户推送
符合其偏好的课程，使得推荐课程与用户偏好保持精准匹配，进而保证了用户对推荐课程
元，进度分析单元根据单个课程的进度时长占比确定单个课程的学习进度以提供用户偏好
筛选基础，筛选条件分析单元根据课程标签占比分析结果逐步细化课程推荐集的筛选条件
以使课程推荐集中的课程更精准地匹配用户偏好，推荐评估单元根据用户对课程的点击
率、课程的播放时长以及用户在不同条件下点击过的课程的标签中数量占比最多的标签是
否改变以确定用户偏好是否存在波动，保证了课程推荐集与用户偏好的匹配性，并为调整
定单个课程的学习进度，为后续用户偏好课程的筛选提供了基础，保证了后续用户偏好课
中课程的筛选条件，初步将用户学习完成的课程作为用户偏好，并根据用户学习完成的课
程的标签的数量占比确定一次推荐集的筛选条件，保证了精准推荐，保证了一次推荐集与