CN109684466B - 一种智能教育顾问系统 - Google Patents

Abstract

本发明提供了一种智能教育顾问系统，包括：用户接口，该用户接口从用户接收用户输入并向用户提示输出；数据库，该数据库中存储有多个解决方案文件；使用神经网络的分析引擎，该分析引擎对所述用户输入进行分析，得到用户画像，并根据所述用户画像选择所述多个解决方案文件中的一个，经由所述用户接口向用户输出；训练单元，所述训练单元对所述用户输入进行评估，根据评估结果调整所述神经网络的参数，并根据评估结果修改、追加或者删除所述解决方案文件以及所述用户画像。本发明通过根据用户输入利用训练单元对问题分析引擎进行实时训练，能够更加准确地应对用户需求，为用户提供更加具有针对性的顾问服务。

Description

一种智能教育顾问系统

技术领域

本发明涉及一种智能教育顾问系统，尤其涉及一种利用人工智能技术对问题分析引擎和数据库进行实时训练的智能教育顾问系统。

背景技术

人工智能技术正在各领域得到广泛应用。例如在家庭教育、校园教育等教育问题咨询领域以及家庭保健、用药指导等健康问题咨询领域，出现了一些以公众号、搜素引擎、网络课程为代表的互联网形式的应用平台。用户可以在这些平台输入问题，平台根据问题关键字进行搜索，然后输出解答。在解答的指导下，进行家庭教育和健康用药等。

发明内容

然而，上述现有技术中，存在如下问题：上述顾问查询服务大都局限于问题信息的检索，并没有对信息进行有效的构建和整理，以知识库的形式呈现给用户，以致于用户还是要从繁杂的网络数据中搜寻、判别有用的信息，无法精确的获取自己想要的知识。另外他们对于信息的展示形式，大多过于单一，都只是文字的阐述和罗列。

本发明针对上述问题，提供了一种利用人工智能技术对问题分析引擎和数据库进行实时训练的智能教育顾问系统。通过自动化/智能化方式，使得原本必须依靠专业人士提供的顾问服务，能够针对不同用户定制内容，让更多普通用户享受到低成本、易获得、专业化、定制化的顾问服务。

本发明所涉及的智能教育顾问系统包括：包括：用户接口，该用户接口从用户接收用户输入并向用户提示输出；数据库，该数据库中存储有多个解决方案文件；使用神经网络的分析引擎，该分析引擎对所述用户输入进行分析，得到用户画像，并根据所述用户画像选择所述多个解决方案文件中的一个，经由所述用户接口向用户输出；训练单元，所述训练单元对所述用户输入进行评估，根据评估结果调整所述神经网络的参数，并根据评估结果修改、追加或者删除所述解决方案文件以及所述用户画像。

本发明通过根据用户输入利用训练单元对问题分析引擎进行实时训练，能够更加准确地应对用户需求，为用户提供更加具有针对性的顾问服务。

附图说明

作为示例而非限制，在附图中示出了本发明，附图中相同的附图标记指示相同或相似的元素，附图中：

图1是表示示例性非限制计算系统或运行环境的框图，其中可实现本文所描述各种实施方式的一个或多个方面。

图2示出了根据本发明实施方式1的智能教育顾问系统的概要结构图。

图3示出了根据本发明实施方式1的数据库中所存储的数据文件。

图4进一步详细地示出了本发明实施方式1的分析引擎的概要结构图。

图5示出了本发明实施方式1的智能教育顾问系统的运作流程图。

图6示出了本发明实施方式2的智能教育顾问系统的运作流程图。

具体实施方式

下文中所描述的本发明的具体实施方式可应用于任何设备。因此，应当理解，构想了结合各实施方式使用的所有种类的手持式、便携式和其它计算设备和计算对象。因此，以下在图1中所述的通用远程计算机只是计算设备的一个示例。

各实施方式可部分地经由操作系统来实现，以供设备或对象的服务开发者使用和/或被包括在用于执行本文中所述的各实施方式的一个或多个功能方面的应用软件内。软件可以在由诸如客户机工作站、服务器或其它设备等一个或多个计算机执行的诸如程序模块等计算机可执行指令的通用上下文中描述。本领域的技术人员将理解，计算机系统具有可用于传递数据的各种配置和协议，并且由此没有特定配置或协议应当被认为是限制性的。

图1由此示出了其中可实现本文所述的各实施方式的一个或多个方面的合适的计算系统环境100的一个示例，尽管如上所述，计算系统环境100仅为合适的计算环境的一个示例，并非对使用范围或功能提出任何限制。另外，计算系统环境100也不旨在被解释为对在示例计算系统环境100中所例示的组件中的任何一个或其组合有任何依赖。

参考图1，用于实现一个或多个实施例的示例性远程设备包括计算机110形式的通用计算设备。计算机110的组件可包括但不限于：处理单元120、系统存储器130以及将包括系统存储器在内的各种系统组件耦合到处理单元120的系统总线122。

计算机110通常包括各种计算机可读介质，并且可以是可由计算机110访问的任何可用介质。系统存储器130可包括诸如只读存储器(ROM)和/或随机存取存储器(RAM)之类的易失性和/或非易失性存储器形式的计算机存储介质。作为示例而非限制，系统存储器130还可包括操作系统、应用程序、其他程序模块、以及程序数据。

用户可通过输入设备140向计算机110输入命令和信息。监视器或其他类型的显示设备也经由诸如输出接口150之类的接口连接到系统总线122。除监视器以外，计算机还可包括诸如扬声器和打印机之类的其他外围输出设备，它们可通过输出接口150连接。

计算机110可使用到一个或多个其他远程计算机(诸如远程计算机170)的逻辑连接在联网或分布式环境中操作。该逻辑连接通过网络接口160实现。远程计算机170可以是个人计算机、服务器、路由器、网络PC、对等设备或其他常见网络节点、或者任何其他远程媒体消费或传输设备，并且可包括以上关于计算机110所述的任何或全部元件。图1所示的逻辑连接包括诸如局域网(LAN)或广域网(WAN)之类的网络172，但也可包括其他网络/总线。这些联网环境在家庭、办公室、企业范围的计算机网络、内联网和因特网中是常见的。

实施方式1

图2示出了根据本发明实施方式1的智能教育顾问系统的概要结构图。本发明实施方式的智能教育顾问系统包括：用户接口201，该用户接口201从用户接收用户输入并向用户提示输出；数据库202，该数据库202中存储有多个解决方案文件；使用神经网络的分析引擎203，该分析引擎203对所述用户输入进行分析，得到用户画像，并根据所述用户画像选择所述多个解决方案文件中的一个，经由所述用户接口201向用户输出；训练单元204，所述训练单元204对所述用户输入进行评估，根据评估结果调整所述神经网络的参数，并根据评估结果修改、追加或者删除所述解决方案文件以及所述用户画像。

这里，在完成一次顾问任务过程中，用户可能需要在不同的完成阶段输入多次用户输入。用户输入的形式可以包括但不限于用户量表问卷、用户对话收集、用户无感收集等。在整个过程中，训练单元204根据不同阶段的用户输入，对分析引擎203所使用的参数进行实时调整，以获取最适合的解决方案。同时，训练单元204还根据不同阶段的过程用户输入，对数据库202中存储的各类数据文件进行修改、追加或者删除。通过这样的实时训练，能够确保伴随有效数据集的增加，通过机器学习不断优化算法，形成更有效的应答模式。

图3示出了数据库202中所存储的数据文件。如图所示，数据库202中所存储的多个解决方案文件包括相互关联的多个问题数据文件E(E₁、E₂、E₃......)、多个归因数据文件S(S₁、S₂、S₃......)以及多个任务描述文件T(T₁、T₂、T₃......)。单个问题数据文件E可能和一个或多个归因数据文件S相关联。单个归因数据文件S可能和一个或多个任务描述文件T相关联。与不同的问题数据文件E相关联的归因数据文件S可能有部分相同。与不同的归因数据文件S相关联的任务描述文件T可能有部分相同。

本发明普通技术人员应该能够理解，图3所示的问题数据文件E、归因数据文件S以及任务描述文件T之间的关联关系仅仅只是一个示例。具体的关联关系是分析引擎203在针对每个用户个体进行分析时所独立生成的。

除了上述问题数据文件E、归因数据文件S以及任务描述文件T，数据库202中还可能存储有用户画像文件U(U₁、U₂、U₃......)。当然，用户画像文件U也可以不存储在数据库202中，而是存储在分析引擎203的缓存中。下文中以将画像文件U存入数据库202为例进行说明。

关于这里所述的问题数据文件E、归因数据文件S、任务描述文件T以及用户画像文件的含义以及作用，下文中还将详细描述。

图4进一步详细地示出了分析引擎203的概要结构图。分析引擎203利用神经网络技术来形成。具体而言，分析引擎203基于贝叶斯法则的EST模型来形成，包括：问题分析模块401、归因分析模块402以及任务分析模块403。此外，分析引擎203还包括用来生成用户画像文件的用户画像模块404。

在问题分析阶段，用户画像模块404根据首次用户输入生成用户画像文件U，并将其存入数据库202。这里，将所生成的用户画像文件设为U₁。同时，问题分析模块401根据首次用户输入，从数据库202所存储的多个问题数据文件中选择一个最为接近的问题数据文件。这里，将该最为接近的问题数据文件设为E₁。

这里，问题分析模块401在生成用户画像文件的过程中所考虑的因素包括但不限于个人与家庭背景、养育方式、个人特质、实时情绪、使用场景等。即，基于以下函数1来生成上述用户画像文件U。

·User_a＝F(个人与家庭背景，养育方式，个人特质，实时情绪，使用场景，etc)(函数1)

这里，将所生成的用户画像文件设为U₁。

在归因分析阶段，归因分析模块402根据问题分析模块401所输出的问题数据文件E₁以及用户画像文件U₁，进行以下函数2的计算，从数据库202中确定与该问题数据文件E₁关联度最高的归因数据文件S(S₁和S₂)，并对每个归因数据文件S确定权重，并按照权重依次从中选择一个轮流进行处理。

这里，将该当前所选择的归因数据文件设为S₁。

在任务分析阶段，任务分析模块403根据归因分析模块402所输出的归因数据文件S₁以及用户画像文件U₁，进行以下函数3的计算，从数据库202中确定与该归因数据文件S₁关联度最高的任务描述文件T(T₁、T₂和T₃)，并对每个任务描述文件T确定权重，并按照权重依次从中选择一个轮流进行处理。

这里，将该当前所选择的任务描述文件设为T₁。

任务分析模块403进一步根据该任务描述文件T₁生成用户输出，经由用户接口201向用户进行提示。提示方式包括但不限于机器人(Chatbot)多轮对话、养成工具等人机互动模式。

此外，任务分析模块403还经由用户接口201从用户接收过程用户输入。该过程用户输入包括但不限于用户的任务完成描述等。任务分析模块403基于该过程用户输入对任务完成情况进行评估，并对完成结果是否满足完成条件进行判断。

下面，参照图5，对本发明的智能教育顾问系统的运作流程进行说明。

图5示出了本发明的实施方式1的智能教育顾问系统的运作流程图。

在步骤501，首先进入问题分析阶段。分析引擎203接收首次用户输入。

在步骤502，用户画像模块404根据首次用户输入生成用户画像文件U，并将其存入数据库202。这里，将所生成的用户画像文件设为U₁。

在步骤503，问题分析模块401根据首次用户输入，从数据库202所存储的多个问题数据文件中选择一个最为接近的问题数据文件。这里，将该最为接近的问题数据文件设为E₁。需要注意，这里的步骤502与步骤503并不限于图中的顺序，两者可以交换顺序或者同时进行。

在步骤504，进入归因分析阶段。归因分析模块402根据问题分析模块401所输出的问题数据文件E₁以及用户画像文件U₁，进行上述函数2的计算，从数据库202中确定与该问题数据文件E₁关联度最高的归因数据文件S(S₁和S₂)，并对每个归因数据文件S确定权重。

在步骤505，归因分析模块402按照权重从中选择一个归因数据文件S进行处理。这里，将该当前所选择的归因数据文件设为S₁。

在步骤506，进入任务分析阶段，任务分析模块403根据归因分析模块402所输出的归因数据文件S₁以及用户画像文件U₁，进行上述函数3的计算，从数据库202中确定与该归因数据文件S₁关联度最高的任务描述文件T(T₁、T₂和T₃)，并对每个任务描述文件T确定权重。

在步骤507，任务分析模块403按照权重从中选择一个任务描述文件T进行处理。这里，将该当前所选择的任务描述文件设为T₁。

在步骤508，任务分析模块403进一步根据该任务描述文件T₁生成用户输出，经由用户接口201向用户进行提示。提示方式包括但不限于机器人(Chatbot)多轮对话、养成工具等人机互动模式。

在步骤509，用户根据提示执行任务。

在步骤510，任务分析模块403经由用户接口201从用户接收过程用户输入。该过程用户输入包括但不限于用户的任务完成描述等。

在步骤511，任务分析模块403基于该过程用户输入对任务完成情况进行评估，并对完成结果是否满足完成条件进行判断。当判断为满足完成条件，任务完成时，流程前进至步骤512。否则，流程将返回步骤508，继续同一任务描述文件T₁的完成过程。

在步骤512，当任务描述文件T₁完成后，训练单元204会根据任务执行情况对任务分析模块403所使用的神经网络参数、任务描述文件T₁和/或用户画像文件U₁进行训练。当然，该训练步骤并不是必须的。在任务执行情况吻合度高的情况下，并不一定需要对神经网络参数、任务描述文件T₁和/或用户画像文件U₁进行训练。

在步骤513，任务分析模块403判断是否还有未处理的任务描述文件T。当存在未处理的任务描述文件，例如T₂和T₃时，流程返回至步骤507，任务分析模块403按照权重选择下一个任务描述文件T进行处理。例如，任务描述文件T₂。当已经完成对所有任务描述文件T的处理，则任务分析阶段结束，流程进入步骤514。

在步骤514，归因分析模块402经由用户接口201从用户接收过程用户输入。该过程用户输入包括但不限于用户的归因评价描述等。

在步骤515，归因分析模块402基于该过程用户输入对归因完成情况进行评估，并对完成结果是否满足完成条件进行判断。当判断为满足完成条件，归因完成时，流程前进至步骤516。否则，流程将返回步骤506，继续同一归因数据文件S₁的完成过程。

在步骤516，当归因数据文件S₁完成后，训练单元204会根据归因执行情况对归因分析模块402所使用的神经网络参数、归因数据文件S₁和/或用户画像文件U₁进行训练。当然，该训练步骤并不是必须的。在归因执行情况吻合度高的情况下，并不一定需要对神经网络参数、归因数据文件S₁和/或用户画像文件U₁进行训练。

在步骤517，归因分析模块402判断是否还有未处理的归因数据文件S。当存在未处理的归因数据文件，例如S₂时，流程返回至步骤505，归因分析模块402按照权重选择下一个归因数据文件S进行处理。例如，归因数据文件S₂。当已经完成对所有归因数据文件S的处理，则归因分析阶段结束，流程进入步骤518。

在步骤518，问题分析模块401经由用户接口201从用户接收过程用户输入。该过程用户输入包括但不限于用户的问题解决描述等。

在步骤519，问题分析模块401基于该过程用户输入对问题完成情况进行评估，并对完成结果是否满足完成条件进行判断。当判断为满足完成条件，问题完成时，流程前进至步骤520。否则，流程将返回步骤504，继续同一问题数据文件E₁的完成过程。

在步骤520，当问题数据文件E₁完成后，训练单元204会根据问题执行情况对问题分析模块401所使用的神经网络参数、问题数据文件E₁和/或用户画像文件U₁进行训练。当然，该训练步骤并不是必须的。在问题执行情况吻合度高的情况下，并不一定需要对神经网络参数、问题数据文件E₁和/或用户画像文件U₁进行训练。

如上所述，由于本发明实施方式1采用的训练单元204能够根据不同阶段的过程用户输入，对数据库202中存储的各类数据文件进行修改、追加或者删除。通过这样的实时训练，能够确保伴随有效数据集的增加，通过机器学习不断优化算法，形成更有效的应答模式。

以上对本发明实施方式1的智能教育顾问系统的运作流程进行了说明。如本领域普通技术人员所能理解的，图中所示出的流程各步骤仅为示例，在不偏离本发明的精神主旨的情况下，可以对流程顺序进行调整，并对步骤进行删减、合并、替换等。在不需要对用户加以精细区分的情况下，也可以省略用户画像模块404以及用户画像文件U。

实施方式2

以下对本发明实施方式2的智能教育顾问系统的运作流程进行说明。实施方式2的系统结构与图2～图4所示的实施方式1完全相同。不同点仅在于其运作流程。

图6示出了本发明实施方式2的智能教育顾问系统的运作流程。图中的步骤501～步骤520与图5示出的实施方式1完全相同。以下针对不同点进行说明。

分析引擎203在任务分析阶段、归因分析阶段、问题分析阶段这三个阶段，对过程用户输入进行分析，可能会原来确定的任务描述文件、归因数据文件和/或问题数据文件存在偏差，并不符合用户的实际情况。造成这一情况的原因包括对首次用户输入信息不够、首次用户输入的分析不准确、应用场景发生变化等等。这时，需要根据从过程用户输入收集到的用户反馈来对应对方案及时做出调整。

图6中，在接收过程用户输入的步骤510之后增加了新的步骤601和步骤602。

在步骤601，任务分析模块403基于过程用户输入判断是否产生了新的任务。在没有产生新的任务的情况下，流程进入步骤511，如实施方式1所描述的那样，继续进行任务分析阶段。在判断为产生了新的任务的情况下，流程进入步骤602。

在步骤602，任务分析模块403基于过程用户输入生成新的任务描述文件T₁’，并将该新的任务描述文件T₁’存入数据库202。然后流程返回步骤508，开始该新的任务描述文件T₁’的处理。

图6中，在接收过程用户输入的步骤514之后增加了新的步骤603和步骤604。

在步骤603，归因分析模块402基于过程用户输入判断是否产生了新的归因。在没有产生新的归因的情况下，流程进入步骤515，如实施方式1所描述的那样，继续进行归因分析阶段。在判断为产生了新的归因的情况下，流程进入步骤604。

在步骤604，归因分析模块402基于过程用户输入生成新的归因数据S₁’，并将该新的归因数据文件S₁’存入数据库202。然后流程返回步骤506，开始该新的归因数据文件S₁’的处理。

图6中，在接收过程用户输入的步骤518之后增加了新的步骤605和步骤606。

在步骤605，问题分析模块401基于过程用户输入判断是否产生了新的问题。在没有产生新的问题的情况下，流程进入步骤519，如实施方式1所描述的那样，继续进行问题分析阶段。在判断为产生了新的问题的情况下，流程进入步骤606。

在步骤606，问题分析模块401基于过程用户输入生成新的问题数据文件E₁’，并将该新的问题数据文件E₁’存入数据库202。然后流程返回步骤504，开始该新的问题数据文件E₁’的处理。

如上所述，由于本发明实施方式2能够在其实施过程中，根据用户的反馈动态地更新任务描述文件、归因数据文件以及问题数据文件，因此能够及时地对问题处理方案作出调整，提供更加有针对性的解决方案。此外，由于能够不断地根据用户反馈补充新的任务描述文件、归因数据文件以及问题数据文件，因此能够在不断累积大数据的同时，为后续的诊断及问题解决提供更加准确的参考。

以上以教育顾问为例对本发明进行了说明，但本领域技术人员能够理解，该应用背景仅仅只是一个应用示例。除家庭教育、校园教育等教育问题咨询领域以外，本发明也能够应用于如家庭保健、用药指导等健康问题咨询领域。

在阅读上述描述时，在权利要求书的精神和范围内的许多其他实施例和修改对于本领域技术人员将是显而易见的。因此，本发明的范围应当参考所附权利要求书以及此类权利要求书的等同例的完整范围来确定。

Claims (8)

1.一种智能教育顾问系统，其特征在于，包括：

用户接口，该用户接口从用户接收用户输入并向用户提示输出；

数据库，该数据库中存储有多个解决方案文件；

使用神经网络的分析引擎，该分析引擎对所述用户输入进行分析，得到用户画像，并根据所述用户画像选择所述多个解决方案文件中的一个，经由所述用户接口向用户输出；

训练单元，所述训练单元对所述用户输入进行评估，根据评估结果调整所述神经网络的参数，并根据评估结果修改、追加或者删除所述解决方案文件以及所述用户画像，

所述分析引擎基于贝叶斯法则的EST模型来形成，包括：问题分析模块、归因分析模块以及任务分析模块，

所述多个解决方案文件包括：问题数据文件、归因数据文件以及任务描述文件，

所述用户输入包括首次用户输入以及过程用户输入，

在问题分析阶段，所述问题分析模块根据首次用户输入从所述数据库所存储的多个问题数据文件中选择一个最为接近的问题数据文件，

在归因分析阶段，所述归因分析模块根据所选择的一个所述问题数据文件从所述数据库中确定关联度最高的至少一个归因数据文件，并对所述至少一个归因数据文件中的每一个确定权重，并按照权重依次从中选择一个轮流进行处理，

在任务分析阶段，所述任务分析模块根据所选择的一个所述归因数据文件从所述数据库中确定关联度最高的至少一个任务描述文件，并对所述至少一个任务描述文件中的每一个确定权重，并按照权重依次从中选择一个轮流进行处理。

2.根据权利要求1所述的智能教育顾问系统，其特征在于，

所述任务分析模块根据所述任务描述文件生成用户输出，经由用户接口向用户进行提示。

3.根据权利要求2所述的智能教育顾问系统，其特征在于，

向用户进行提示的提示方式包括机器人多轮对话和养成工具中的任一种。

4.根据权利要求1所述的智能教育顾问系统，其特征在于，

所述任务分析模块还基于所述过程用户输入对任务完成情况进行评估，并对完成结果是否满足完成条件进行判断。

5.根据权利要求1所述的智能教育顾问系统，其特征在于，

所述分析引擎还包括用来生成与所述用户画像相对应的用户画像文件的用户画像模块，

所述归因分析模块还根据所述用户画像文件进行所述关联度最高的至少一个归因数据文件的确定，

所述任务分析模块还根据所述用户画像文件进行所述关联度最高的至少一个任务描述文件的确定。

6.根据权利要求1所述的智能教育顾问系统，其特征在于，

在归因分析阶段，所述训练单元对所述过程用户输入进行评估，根据评估结果修改、追加或者删除所述归因数据文件，

在任务分析阶段，所述训练单元对所述过程用户输入进行评估，根据评估结果修改、追加或者删除所述任务描述文件。

7.根据权利要求1所述的智能教育顾问系统，其特征在于，

所述分析引擎还基于所述用户输入判断是否产生了新的解决方案文件，在产生了新的解决方案文件的情况下，所述分析引擎基于所述用户输入生成新的解决方案文件，并将该新的解决方案文件存入所述数据库。

8.根据权利要求1所述的智能教育顾问系统，其特征在于，

在任务分析阶段，所述任务分析模块还基于所述过程用户输入判断是否产生了新的任务，在产生了新的任务的情况下，所述任务分析模块基于所述过程用户输入生成新的任务描述文件，并将该新的任务描述文件存入所述数据库，

在归因分析阶段，所述归因分析模块还基于所述过程用户输入判断是否产生了新的归因，在产生了新的归因的情况下，所述归因分析模块基于所述过程用户输入生成新的归因数据文件，并将该新的归因数据文件存入所述数据库，

在问题分析阶段，所述问题分析模块还基于所述过程用户输入判断是否产生了新的问题，在产生了新的问题的情况下，所述问题分析模块基于所述过程用户输入生成新的问题数据文件，并将该新的问题数据文件存入所述数据库。