CN109885595A - 基于人工智能的课程推荐方法、装置、设备及存储介质 - Google Patents
基于人工智能的课程推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN109885595A CN109885595A CN201910047718.9A CN201910047718A CN109885595A CN 109885595 A CN109885595 A CN 109885595A CN 201910047718 A CN201910047718 A CN 201910047718A CN 109885595 A CN109885595 A CN 109885595A
- Authority
- CN
- China
- Prior art keywords
- learner
- study
- learning
- professional skill
- learned lesson
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 65
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 25
- 230000008921 facial expression Effects 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 239000000203 mixture Substances 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 238000009472 formulation Methods 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 description 20
- 230000001815 facial effect Effects 0.000 description 17
- 230000008569 process Effects 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 210000004709 eyebrow Anatomy 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000012015 optical character recognition Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 206010041349 Somnolence Diseases 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000010422 painting Methods 0.000 description 3
- 241000949648 Angulus Species 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 210000000744 eyelid Anatomy 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005279 excitation period Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000004209 hair Anatomy 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
Abstract
本发明属于人工智能技术领域，公开了一种基于人工智能的课程推荐方法、装置、设备及存储介质。该方法包括：接收学习者触发的学习请求，根据学习请求获取学习者提供的学习需求；根据学习需求，确定学习者需要学习的专业技能和专业技能需要达到的目标掌握程度；根据专业技能和目标掌握程度，为学习者制定学习计划，学习计划规定了各阶段需要学习的学习课程；根据学习计划，为学习者推荐各阶段需要学习的学习课程。通过上述方式，实现了根据学习者的学习需求，为学习者推荐适合其学习的学习课程，进而保证了学习者的学习效果。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的课程推荐方法、装置、设备及存储介质。
背景技术
随着互联网技术的发展，借助互联网平台进行自主学习的方式已经成为人们学习知识的一种常用手段，有效的帮助了那些因为种种限制无法参与到现场教学，进行学习的学习者。
虽然，基于互联网平台的自主学习方式给人们带来了便捷性，可以使学习者在任何时间、任何地点根据自己的需要通过查看相关学习课程进行学习。但是，目前学习者在基于互联网平台进行自主学习时，各种学习网站推荐的学习课程多以人工推荐或者简单匹配的方式为学习进行学习课程的推荐。因此，推荐的学习课程往往无法满足学习者的需求，使得学习效果不理想。
所以，亟需提供一种能够根据学习者需求，为学习者推荐适合学习者的学习课程，以保证学习效果的课程推荐方法。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种基于人工智能的课程推荐方法、装置、设备及存储介质，旨在根据学习者需求，为学习者推荐适合学习者的学习课程，以保证学习者的学习效果。
为实现上述目的，本发明提供了一种基于人工智能的课程推荐方法，所述方法包括以下步骤:
接收学习者触发的学习请求，根据所述学习请求获取所述学习者提供的学习需求；
根据所述学习需求，确定所述学习者需要学习的专业技能和所述专业技能需要达到的目标掌握程度；
根据所述专业技能和所述目标掌握程度，为所述学习者制定学习计划，所述学习计划规定了各阶段需要学习的学习课程；
根据所述学习计划，为所述学习者推荐各阶段需要学习的所述学习课程。
优选地，所述根据所述专业技能和所述目标掌握程度，为所述学习者制定学习计划之前，所述方法还包括：
根据所述专业技能，为所述学习者提供测试问卷；
接收所述学习者提交的所述测试问卷，根据所述测试问卷中应答错误和应答正确的测试题目，确定所述学习者对所述专业技能的初始掌握程度；
其中，所述根据所述专业技能和所述目标掌握程度，为所述学习者制定学习计划，包括：
根据所述专业技能、所述初始掌握程度和所述目标掌握程度，为所述学习者制定所述学习计划。
优选地，所述根据所述专业技能、所述初始掌握程度和所述目标掌握程度，为所述学习者制定所述学习计划之前，所述方法还包括：
获取所述学习者的个人信息，所述个人信息至少包括所述学习者的历史学习数据、目前掌握的专业技能、学习偏好和学历；
根据预先训练获得的学习能力等级确定模型对所述历史学习数据、所述目前掌握的专业技能、所述学习偏好和所述学历进行分析处理，确定所述学习者的学习能力等级；
其中，所述根据所述专业技能、所述初始掌握程度和所述目标掌握程度，为所述学习者制定所述学习计划，包括：
根据所述学习能力等级、所述专业技能、所述初始掌握程度和所述目标掌握程度，为所述学习者制定所述学习计划。
优选地，所述根据所述学习能力等级、所述专业技能、所述初始掌握程度和所述目标掌握程度，为所述学习者制定所述学习计划，包括：
根据所述专业技能，查找出与所述专业技能相关的学习课程，得到待选择学习课程列表；
根据所述初始掌握程度和所述目标掌握程度，从所述待选择学习课程列表中筛选出适合所述学习者的学习课程，得到目标学习课程列表；
确定所述目标学习课程列表中包含的学习课程的总数和各学习课程的难易度；
根据所述学习能力等级、所述学习课程的总数和各学习课程的难易度，为所述学习者制定所述学习计划。
优选地，所述学习课程为视频学习课程；所述根据所述学习计划，为所述学习者推荐各阶段需要学习的所述学习课程之后，所述方法还包括：
在所述学习者观看所述视频学习课程的过程中采集包含所述学习者的人脸的视频；
确定所述视频中所述学习者的面部表情；
根据所述面部表情，判断所述学习者是否处于预设的低效学习状态；
若所述学习者处于预设的低效学习状态，则获取所述视频学习课程当前播放的教学画面和教学语音；
对所述教学语音进行关键词提取，根据提取到的关键词确定所述教学画面中需要进行混合现实的对象，对所述对象进行混合现实处理，得到能够让所述学习者身临其境的混合现实教学画面，以使所述学习者能够与所述混合现实教学画面中的对象进行互动。
优选地，所述对所述对象进行混合现实处理，得到能够让所述学习者身临其境的混合现实教学画面，包括：
对所述对象进行数字化处理，得到所述对象对应的图像矩阵；
确定所述图像矩阵与预先训练获得的各类物体对应的图像特征矩阵之间的相似度；
根据预设的筛选规则，筛选出相似度满足所述筛选规则的图像特征矩阵；
根据预设的映射关系表，获取筛选出的图像特征矩阵对应的渲染模型和对应的介绍信息，所述映射关系表为各图像特征矩阵与对应的渲染模型和对应的介绍信息之间的对应关系；
从所述视频学习课程中实时提取图像数据，确定所述对象在所述图像数据中的实时位置及大小；
根据所述对象在所述图像数据中的实时位置及大小，在所述图像数据上实时叠加所述渲染模型和所述介绍信息，得到所述混合现实教学画面。
优选地，所述得到能够让所述学习者身临其境的混合现实教学画面之后，所述方法还包括：
根据提取到的关键词查找对应的学习资料，将查找到的所述学习资料推送给所述学习者，以辅助所述学习者理解所述关键词对应的知识点。
此外，为实现上述目的，本发明还提出一种基于人工智能的课程推荐装置，所述装置包括：
获取模块，用于接收学习者触发的学习请求，根据所述学习请求获取所述学习者提供的学习需求；
确定模块，用于根据所述学习需求，确定所述学习者需要学习的专业技能和所述专业技能需要达到的目标掌握程度；
制定模块，用于根据所述专业技能和所述目标掌握程度，为所述学习者制定学习计划，所述学习计划规定了各阶段需要学习的学习课程；
推荐模块，用于根据所述学习计划，为所述学习者推荐各阶段需要学习的所述学习课程。
此外，为实现上述目的，本发明还提出一种基于人工智能的课程推荐设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于人工智能的课程推荐程序，所述基于人工智能的课程推荐程序配置为实现如上文所述的基于人工智能的课程推荐方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有基于人工智能的课程推荐程序，所述基于人工智能的课程推荐程序被处理器执行时实现如上文所述的基于人工智能的课程推荐方法的步骤。
本发明提供的基于人工智能的课程推荐方案，在接收到用户提供的学习需求之后，通过根据人工智能技术来确定学习者需要学习的专业技能及所述专业技能需要达到的目标掌握程度，然后根据确定的专业技能和目标掌握程度为学习者制定学习计划，从而保证了为学习者制定的学习计划是符合其学习需求的学习计划，并且根据所述学习计划为学习者推荐的各阶段需要学习的学习课程是为学习者量身定制的，进而能够使学习者能够根据推荐的学习课程更好的进行学习。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的基于人工智能的课程推荐设备的结构示意图；
图2为本发明基于人工智能的课程推荐方法第一实施例的流程示意图；
图3为本发明基于人工智能的课程推荐方法第二实施例的流程示意图；
图4为本发明基于人工智能的课程推荐装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的基于人工智能的课程推荐设备结构示意图。
如图1所示，该基于人工智能的课程推荐设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对基于人工智能的课程推荐设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及基于人工智能的课程推荐程序。
在图1所示的基于人工智能的课程推荐设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明基于人工智能的课程推荐设备中的处理器1001、存储器1005可以设置在基于人工智能的课程推荐设备中，所述基于人工智能的课程推荐设备通过处理器1001调用存储器1005中存储的基于人工智能的课程推荐程序，并执行本发明实施例提供的基于人工智能的课程推荐方法。
本发明实施例提供了一种基于人工智能的课程推荐方法，参照图2，图2为本发明一种基于人工智能的课程推荐方法第一实施例的流程示意图。
本实施例中，所述基于人工智能的课程推荐方法包括以下步骤：
步骤S10，接收学习者触发的学习请求，根据所述学习请求获取所述学习者提供的学习需求。
具体的说，本实施例的执行主体可以为学习者使用的任意终端设备，比如智能手机、平板电脑、个人计算机等，此处不再一一列举，对此也不做限制。
相应地，触发学习请求的方式，具体可以是学习者打开了终端设备上安装的用于辅助学习者进行自主学习的某一应用程序(Application，App)，然后通过点击App上的某一功能按键，比如App上设置的文本输入框，或者语音输入按键，还或者图片输入按键等，此处不再一一列举，对此也不做限制。
相应地，获取到的学习需求，具体可以是学习者在操作上述功能按键时输入的信息，该信息可以是学习者近期的目标，比如考研(可以具体到想要考取哪个专业，哪所学校)、出国(去哪个国家，出国的目的是学习还是旅游等)、工作(从事什么工作)等，此处不再一一列举，对此也不做限制。
此外，值得一提的是，由于在实际应用中学习者触发学习请求的方式有所不同，因而获取到的学习需求也会有所不同。
比如，在学习者触发学习请求时，操作的是App上设置的文本输入框，则获取到的学习需求为文本格式；在学习者触发学习请求时，操作的是App上设置的语音输入按键，则获取到的学习需求为语音格式；在学习者触发学习请求时，操作的是App上设置的图片输入按键，则获取到的学习需求为图片格式。
此外，应当理解的是，在学习者提供的学习需求为图片格式的学习需求时，上传的方式可以是直接从终端设备本地的存储空间获取的，也可以是由App启动终端设备的摄像头直接拍摄的，具体的是上传方式，本领域的技术人员可以根据需要设置，此处不做限制。
需要说明的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定。
步骤S20，根据所述学习需求，确定所述学习者需要学习的专业技能和所述专业技能需要达到的目标掌握程度。
具体的说，在根据所述学习需求，确定所述学习者需要学习的专业技能和所述专业技能需要达到的目标掌握程度时，可以先采用关键词提取技术，对所述学习需求进行关键词提取操作，然后通过对提取到的关键词进行分析处理，进而确定所述学习者需要学习的专业技能和所述专业技能需要达到的目标掌握程度。
应当理解的是，由于在实际应用中，学习者提供的学习需求可能存在上述几种格式(文本格式、语音格式、图片格式)，因而在执行步骤S20之前，可以先确定所述学习需求的格式。
相应地，若所述学习需求为文本格式，则直接采用关键词提取技术，对所述学习需求进行关键词提取操作，然后通过对提取到的关键词的分析处理，确定所述学习者需要学习的专业技能和所述专业技能需要达到的目标掌握程度；若所述学习需求为语音格式，则先利用语音识别技术，将语音格式的学习需求转换为文本格式的学习需，然后再采用关键词提取技术，对所述学习需求进行关键词提取操作，并对提取到的关键词的分析处理，确定所述学习者需要学习的专业技能和所述专业技能需要达到的目标掌握程度；若所述学习需求为图片格式，则利用光学字符识别(Optical Character Recognition，OCR)技术，将图片格式的学习需求转换为文本格式的学习需求，然后再采用关键词提取技术，对所述学习需求进行关键词提取操作，并对提取到的关键词的分析处理，确定所述学习者需要学习的专业技能和所述专业技能需要达到的目标掌握程度。
此外，应当理解的是，为了保证提取出的关键词具有较高的参考价值，进而保证确定的专业技能和所述专业技能需要达到的目标掌握程度较为准确。在采用关键词提取技术，对所述学习需求进行关键词提取操作，并对提取到的关键词的分析处理，确定所述学习者需要学习的专业技能和所述专业技能需要达到的目标掌握程度之前，可以先对文本格式的学习需求进行文本预处理操作。
比如说，去停用词，即去掉学习需求中含有的如：呢、吗、啊等没有实际意义的词。
还比如说，去掉无效特殊字符，如表情符号、各种标点符号等。
相应地，在将语音格式的学习需求转换为文本格式的学习需求之前，同样可以先对语音格式的学习需求进行一系列预处理操作，比如滤波、去除干扰声音等操作，以保证转换出的文本信息更加准确。
同理，在将图片格式的学习需求转换为文本格式的学习需求之前，同样可以先对图片格式的学习需求进行一系列预处理操作，比如灰度处理去噪等操作，以保证转换出的文本信息更加准确。
需要说明的是，上述提到的OCR技术，为一种常用的文字识别技术。在具体实现中，可以直接利用现有的OCR文字识别软件，将JPG、PNG、GIF、BMP、DOC等图片格式的图片、照片上的文字内容转换为可编辑的文本内容；也可以由本领域的技术人员根据业务需要，借助光学字符识别技术自行封装文字识别功能库，此处不做限制。
此外，上述提到的利用语音识别技术，将语音格式的学习需求转换为文本格式的学习需求的操作，同样可以直接利用现有已经较为成熟的语音识别软件，也可以由本领域的技术人员根据业务需要，借助语音识别技术自行封装语音识别功能库，此处不做限制。
此外，值得一提的是，在实际应用中，为了进一步保证根据所述学习需求确定的学习者需要学习的专业技能和所述专业技能需要达到的目标掌握程度的准确性，还可以基于大数据分析技术，通过对各大数据平台存储的数据进行训练，预先构建一个大数据分析模型。然后，在获取到学习者的学习需求之后，将从所述学习需求中提取到的关键词作为输入变量，输入到预先构建的大数据分析模型中，由大数据分析模型进行分析处理，最终便可输出所述学习者需要学习的专业技能和所述专业技能需要达到的目标掌握程度。
比如说，学习者提供的学习需求为：想要从事房地产销售工作。
通过对所述学习需求进行关键词提取操作后，提取到的关键词为“房地产”、“销售工作”，通过将这两个关键词可以确定想要从事房地产销售工作，需要学习房产交易中涉及的专业知识，即学习者需要具备房产交易行业的专业技能，并且从事房地产销售工作，学习者需要达到的目标掌握程度需要至少需要熟悉房地产交易过程中涉及的各个交易环节、能够为购房者办理各种业务。
需要说明的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定。
步骤S30，根据所述专业技能和所述目标掌握程度，为所述学习者制定学习计划。
具体的说，根据所述专业技能可以确定与所述专业技能相关的所有学习课程；根据所述目标掌握程度可以确定所述学习者至少需要学习与所述专业技能相关的所有学习课程中的哪些学习课程。
也就是说，根据所述专业技能和所述目标掌握程度，为所述学习者制定学习计划，制定的学习计划中至少规定了学习者各阶段需要学习的学习课程。
此外，值得一提的是，在实际应用中，为了使制定的学习计划能够更加适合学习者，在为所述学习者制定学习计划时，除了依据所述专业技能和所述目标掌握程度之外，还可以增加所述学习者对所述专业技能的初始掌握程度作为参考。这样，在确定学习者实际需要学习的学习课程时，便可以根据所述初始掌握程度和所述目标掌握程度，从与所述专业技能相关的所有学习课程中筛选出适合所述学习者的学习课程。
也就是说，在根据所述专业技能和所述目标掌握程度，为所述学习者制定学习计划之前，需要先确定所述学习者对所述专业技能的初始掌握程度。
应当理解的是，在实际应用中，确定所述学习者对所述专业技能的初始掌握程度的方式可以有多种，为了便于理解本实施例中给出一种较为常用的确定方式，其实现过程大致如下：
首先，根据所述专业技能，为所述学习者提供测试问卷。
具体的说，由于根据所述专业技能可以确定所述学习者需要学习的专业知识，因而为所述学习者提供的测试问卷即为包括所述专业技能对应的专业知识的测试问卷。
此外，关于测试问卷中的具体题型，可以是选择题、判断题、问答题等任意一种或几种的组合，此处不做限制。
然后，接收所述学习者提交的所述测试问卷，根据所述测试问卷中应答错误和应答正确的测试题目，确定所述学习者对所述专业技能的初始掌握程度。
具体的说，根据应当错误的测试题目可以大致确定所述学习者当前欠缺的专业知识，根据应当正确的测试题目可以大致确定所述学习者当前掌握的装有知识，因而通过根据所述测试问卷中应答错误和应答正确的测试题目，确定所述学习者对所述专业技能的初始掌握程度，可以保证得到的所述初始掌握程度较为贴近所述学习者的实际情况。
相应地，为所述学习者制定学习计划的操作，具体变为：根据所述专业技能、所述初始掌握程度和所述目标掌握程度，为所述学习者制定所述学习计划。
需要说明的是，以上给出的仅为一种具体的实现方式，对本发明的技术方案并不构成限定。在具体实现中，本领域的技术人员可以根据需要进行设置，此处不做限制。
此外，应当理解的是，由于不同的学习者学习知识的速度、接收能力会有所不同，因而为了使制定的学习计划能够更加适合学习者，在为所述学习者制定学习计划时，除了依据所述专业技能、所述初始掌握程度和所述目标掌握程度之外，还可以增加所述学习者的学习能力等级作为参考。这样，在为所述学习者制定学习计划时，便可以根据所述学习者的学习能力等级，合理划分学习阶段，及各个阶段需要学习的学习课程。
也就是说，在根据所述专业技能、所述初始掌握程度和所述目标掌握程度，为所述学习者制定所述学习计划之前，需要先确定所述学习者的学习能力等级。
应当理解的是，在实际应用中，确定所述学习者的学习能力等级的方式可以有多种，为了便于理解本实施例中给出一种具体的确定方式，其实现过程大致如下：
首先，获取所述学习者的个人信息。
需要说明的是，本实施中所说的个人信息至少包括所述学习者的历史学习数据、目前掌握的专业技能、学习偏好和学历等，此处不再一一列举，对此也不做限制。
应当理解的是，关于个人信息的获取，具体可以是根据学习者输入的身份标识信息，如身份证号码，然后根据学习者的身份证号码从各大数据平台搜索所述学习者的个人信息；或者是通过终端设备的生物特征采集单元(如摄像头、语音采集装置、指纹采集模组等)采集到的生物特征信息(如人脸特征信息、虹膜特征信息、声纹特征信息、指纹特征信息等)，然后根据生物特征信息从各大数据平台匹配相关的个人信息。
还或者是，通过获取学习者输入的预先注册的学习账号，然后查找与学习账号绑定的个人信息。
需要说明的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定。
然后，根据预先训练获得的学习能力等级确定模型对所述历史学习数据、所述目前掌握的专业技能、所述学习偏好和所述学历进行分析处理，确定所述学习者的学习能力等级。
具体的说，根据所述历史学习数据，通过分析可以确定学习者学习了哪些知识，每次学习所需的时间等；根据学习者目前掌握的专业技能、学习偏好、学历等，可以确定与当前需要学习的专业技能的相关性。因而，根据上述个人信息，可以辅助预测学习者的学习能力等级。
比如说，通过学习者的个人信息可以获知所述学习者曾经从事过销售工作，并且所述学习者曾经就读的专业与房屋建筑有关。因而，即便所述学习者没有从事过房地产销售工作，但是根据其历史从业及专业，也可以大致预估出所述学习者在学习关于房地产交易的知识时，其学习能力等级还是相对较高的。
此外，上述所说的学习能力等级确定模型对，也可以是由技术人员采用大数据分析技术，对各大数据平台中存储的数据进行训练获得的。
相应地，为所述学习者制定学习计划的操作，具体变为：根据所述学习能力等级、所述专业技能、所述初始掌握程度和所述目标掌握程度，为所述学习者制定所述学习计划。
此外，关于上述所说的“根据所述学习能力等级、所述专业技能、所述初始掌握程度和所述目标掌握程度，为所述学习者制定所述学习计划”的操作，大致如下所示：
首先，根据所述专业技能，查找出与所述专业技能相关的学习课程，得到待选择学习课程列表。
具体的说，查找出的与所述专业技能相关的学习课程，可以是文本资料、音视频资料等。
然后，根据所述初始掌握程度和所述目标掌握程度，从所述待选择学习课程列表中筛选出适合所述学习者的学习课程，得到目标学习课程列表。
此外，值得一提的是，为了方便过滤出适合不同学习者的学习课程，还可以预先对已有的学习课程进行如下处理，比如：为学习课程自定义标题、标签、适用人群、内容等，然后根据这些标签与确定的所述专业技能、所述初始掌握程度和所述目标掌握程度，计算出于学习课程的匹配值，并将匹配值符合预设要求(如匹配值最高的课程)的学习课添加到目标学习课程列表中。
接着，确定所述目标学习课程列表中包含的学习课程的总数和各学习课程的难易度。
应当理解的是，关键学习课程难易度的确定，可以是基于预先构建的分析模型，也可以是根据其他学习者为学习课程添加的学习标签来确定，具体的实现方式，本领域的技术人员可以根据需要设置，此次不做限制。
最后，根据所述学习能力等级、所述学习课程的总数和各学习课程的难易度，为所述学习者制定所述学习计划。
具体的说，制定的学习计划中可以规定，学习者在每一阶段应该学习哪些学习课程，每次的学习时长、学习课程的类型等，此处不再一一列举，对此也不做限制。
此外，值得一提的是，在为所述学习者制定所述学习计划时，为了保证学习时长、时间段的合理设置，还可以获取所述学习者的身体状态数据，然后根据所述学习者的身体状态数据来设置。
比如，根据学习者的身体状态数据，可以知晓所述学习者每天在晚上8点到10点之间处于兴奋期，在该状态下学习学习效率会相对较高，则制定的学习计划中的学习时间可以设置为每天晚上8点到10点之间。
需要说明的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定。在具体实现中，本领域的技术人员可以根据需要进行设置，此处不做限制。
步骤S40，根据所述学习计划，为所述学习者推荐各阶段需要学习的所述学习课程。
应当理解的是，由于最终制定的学习计划是根据所述学习能力等级、所述专业技能、所述初始掌握程度和所述目标掌握程度制定的，因而在根据所述学习计划，为所述学习者推荐各阶段需要学习的所述学习课程时，具体可以是根据所述学习计划，为所述学习推荐从初始掌握程度达到所述目标掌握程度对应的学习课程。
此外，值得一提的是，在实际应用中，若根据所述学习计划，为所述学习者推荐某一学习阶段需要学习的学习课程时，匹配出了多个符合要求的学习课程，则可以根据各学习课程被浏览的次数、查看该学习课程的用户类型，来计算各学习课程的受众权重值(受欢迎情况)，然后根据预设的规则，选取受众权重值符合要求的学习课程作为当前学习阶段的推荐课程。
需要说明的是，以上给出的仅为一种具体的实现方式，对本发明的技术方案并不构成任何限定。
通过上述描述不难发现，本实施例中提供的基于人工智能的课程推荐方法，在接收到用户提供的学习需求之后，通过根据人工智能技术来确定学习者需要学习的专业技能及所述专业技能需要达到的目标掌握程度，然后根据确定的专业技能和目标掌握程度为学习者制定学习计划，从而保证了为学习者制定的学习计划是符合其学习需求的学习计划，并且根据所述学习计划为学习者推荐的各阶段需要学习的学习课程是为学习者量身定制的，进而能够使学习者能够根据推荐的学习课程更好的进行学习。
并且，在整个课程推荐过程，无需其他人力介入处理，因而大大减少了人工干预，节省了人力资源。
参考图3，图3为本发明一种基于人工智能的课程推荐方法第二实施例的流程示意图。
基于上述第一实施例，本实施例基于人工智能的课程推荐方法在所述步骤S40之后，还包括：
步骤S50，在所述学习者观看所述视频学习课程的过程中，监控所述学习者的面部表情变化。
步骤S60，若根据所述面部表情变化确定所述学习者处于预设的低效学习状态，则对所述视频学习课程进行混合现实处理。
为了便于理解上述所说的步骤S50和步骤S60，以下给出一种具体的实现方式，大致如下：
(1)在所述学习者观看所述视频学习课程的过程中采集包含所述学习者的人脸的视频。
应当理解的是，在播放视频学习课程的终端设备为学习者的个人计算机、智能手机、平板电脑等终端设备时，为了保证后续得到混合现实教学画面能够在学习者面前呈现，学习者在观看视频学习课程的过程中，需要佩戴3D眼镜等交换设备。
此外，为了方便用户观看，播放视频学习课程的终端设备可以直接选用3D播放器，这样学习者无需佩戴3D眼镜，只需通过交互笔就可以轻松方便的与后续得到的混合现实教学画面中的对象进行互动。
此外，关于步骤(1)中的操作，在实际应用中大致如下：
比如，学习者在使用自己的终端设备观看视频学习课程时，先按下了播放按键，这样终端设备内的处理器便可以接收到学习者触发的学习指令，然后根据该学习指令控制终端设备播放所述视频学习课程，同时在播放的过程中开启用终端设备内置的摄像头或学习者所处房间的摄像头(外置摄像头与终端设备预先建立通信连接)，实时采集包含所述学习者的人脸的视频。
需要说明的是，以上仅为举例说明，对本发明的技术方案并不构成限定，在具体实现中，本领域的技术人员可以根据需要设置上述操作逻辑，此处不做限制。
(2)确定所述视频中所述学习者的面部表情。
具体的说，在实际应用中，确定所述视频中学习者的面部表情的操作，可以通过如下步骤实现：
(2-1)根据预先训练获得的人脸特征检测模型，从所述视频中提取所述学习者的面部特征点。
应当理解的是，为了保证减少不必要的干扰，可以先根据预先训练获得的人脸检测模型，从所述视频中识别出所述学习者的人脸图像。然后再根据预先训练获得的人脸特征检测模型，从所述人脸图像中提取出所述学习者的面部特征点，比如眼睛、眉毛、嘴巴、下颌等部位的特征点。
(2-2)根据各面部特征点，对所述学习者的人脸进行面部区域划分，得到与各面部特征点对应的面部特征区域。
比如，规定划分后的面部特征区域中有且仅有一个面部特征点，即每一个面部特征点位于一个面特征区域。
或者，规定同一对象的几个面部特征点位于一个面部特征区域，如标识左侧眉毛的所有面部特征点位于同一个面部特征区域，标识右侧眉毛的所有面部特征点位于同一个面部特征区域。
需要说明的是，以上仅为举例说明，对本发明的技术方案并不构成限定，在具体实现中，本领域的技术人员可以根据需要对人脸进行面部区域划分，此处不做限制。
(2-3)基于光流法，确定各面部区域中的面部特征点的速度向量。
需要说明的是，此处所说的速度向量，不仅仅用于表示对应的面部特征点的运动速度信息，还用于表示该面部特征点的运动方向信息。
此外，关于基于光流法，确定各面部区域中的面部特征点的速度向量的方式，具体可以是通过遍历各面部特征区域，检测遍历到的当前面部特征区域中的面部特征点在相邻两个图像帧之间的像素变化强度；然后根据所述像素变化强度，推断所述当前面部特征区域中的面部特征点的速度向量。
此外，值得一提的是，在计算速度向量时，还需要根据人脸关键点定位技术，确定上述各面部特征的空间位置坐标，然后根据位置坐标的变化确定偏移量。并通过相应的传感设备，确定当前视频的强度。
为了便于理解，以下进行具体说明。
假设，某一面部特征点的位置坐标为P(x，y，t)，强度为I(x，y，t)，在两帧之间移动了Δx，Δy，Δt。其中，x为横坐标，y为纵坐标，t为光学量值，则根据亮度恒定约束条件，有：
公式1：I(x，y，t)＝I(x+Δx，y+Δy，t+Δt)；
假设移动很小，I(x，y，t)的图像约束可以用泰勒级数来获得：
公式2：
其中，τ一个高阶无穷小的。因而，通过对公式1和公式2进行整理，可以获得：
公式3：
公式4：
通过对公式3和公式4进行整理，可以获得：
公式5：
其中，Vx和Vy分别是x和y的分量，I(x，y，t)的速度或光流。因此，在距离Δt是两帧之间，上述特征点的光学量值t被表示为一个二维的速度向量
此外，未在本实施例中介绍的内容，可以通过查找光流法的相关资料实现，此处不再赘述。
(2-4)根据各面部特征点的速度向量，确定所述视频中所述学习者的面部表情。
比如，在标识眼内角的上眼皮的特征点向下运动，导致眼内角的上眼皮降低，标识嘴巴的特征点向外运动，导致出嘴巴张大时，通常可以认为所述视频中的学习者的面部表情为困倦。
还比如，在标识上唇的特征点向上运动，标识下唇的特征点跟谁上唇的特征点向上运动，导致上唇抬起，且下唇与上唇紧闭，嘴角下端，唇轻微凸起；标识眉毛内角的特征点向眉心运动，导致眉毛内角皱在一起，且眉毛抬高是，通常认为所述视频中的学习者的面部表情为疑惑。
还比如，在标识唇角的特征点向后脸颊后上方运动，导致唇角向后拉并抬高，标识嘴巴的特征点向外运动，导致出嘴巴张大时，通常可以认为所述视频中的学习者的面部表情为满意。
需要说明的是，以上仅为举例说明，在具体实现中，本领域的技术人员可以结合微表情的变化特征与获得的各面部特征点的速度向量，确定所述视频中所述学习者的面部表情，此处不再赘述，对此也不做限制。
(3)根据所述面部表情，判断所述学习者是否处于预设的低效学习状态。
具体的说，通过研究表明，在学习者做出困倦、疑惑的表情和动作时，学习者当前的学习效率较低，即处于预设的低效学习状态。因而，在根据面部表情判断学习者是否处于预设的低效学习状态时，只需判断学习者是否做出了困倦、疑惑的面部表情即可。
需要说明的是，以上给出的仅为两种用于判定为低效学习状态的具体面部表情和肢体动作，在实际应用中，可以根据微表情学和相关的肢体语言学进行设置，此处不做限制。
此外，值得一提的是，由于在实际学习过程中，学习者在长时间的学习过程中往往难以始终保持最佳的学习状态。一般情况下，大脑会经历从能够高效学习的高效期，再到思考，学习状态差的低效期。在低效学习状态下，学习者往往难以很好的理解视频学习课程中播放的教学内容，因而在这种状态下，很容易产生知识“盲点”(即对学习者来说，看不透、想不准、理不清的知识点)。因此，为了提升远程教学质量，就需要尽可能的吸引学习者的注意力，以使学习者的大脑能够长时间的保持高效学习状态，或者能够尽快从低效学习状态恢复到高效学习状态，可以在判定用户进入低效学习状态后，先暂停当前播放的视频学习课程，为学习者播放一段轻松愉悦的音乐，或者讲一个小笑话，让学习者稍作片刻休息。然后在执行步骤(4)及之后的操作。
(4)若所述学习者处于预设的低效学习状态，则获取所述视频学习课程当前播放的教学画面和教学语音。
具体的说，在判定学习者当前时刻处于预设的低效学习状态时，为了调动学习者的积极性，以使学习者尽快从低效学习状态恢复到高效学习状态，本实施例通过获取视频学习课程当前播放的教学画面和教学语音，从而可以较为精准的确定当前时刻，导致学习者产生困惑的知识点，使得后续步骤(5)中进行的混合现实处理，是专门针对导致当前学习者产生困惑的内容进行处理，从而在基于互联网平台的自主学习过程中实现了为不同学习者，提供符合各学习实际情况的学习方式。
(5)对所述教学语音进行关键词提取，根据提取到的关键词确定所述教学画面中需要进行混合现实的对象，对所述对象进行混合现实处理，得到能够让所述学习者身临其境的混合现实教学画面，以使所述学习者能够与所述混合现实教学画面中的对象进行互动。
具体的说，在从教学语音中提取关键词时，可以先将教学语音转换为文本格式，然后在对得到的文本内容进行关键词提取；也可以实际采用语音识别技术，从教学语音中识别出相应的关键词。
为了便于理解，上述所说的根据提取到的关键词确定所述教学画面中需要进行混合现实的对象，以下进行举例说明。
假设学习者学习的课程为地理课程中关于等高线地形判断的内容，学习者对于提取到的关键词“山地山峰”、“盆地洼地”、“山脊山脊线”、“山谷山谷线”、“鞍部”、“陡崖”等内容比较困惑，并且在教学画面中显示的图也均为等高线样式的。这种状态下，学习者可能在大脑中无法想象出具体的立体画面。
这个时候，便可以根据提取到的关键词来确定教学画面中需要进行混合现实的对象。
比如，根据“山地山峰”确定的为教学画面中表示山地山峰的等高线图。这时，就可以对山地山峰的等高线图进行虚拟现实处理和增强现实处理，在山地山峰等高线的平面图形上展示出立体的山体图形(虚拟现实)，同时在对应的位置，展示出这种地形特征的描述信息及习惯使用的表述方法。这样，学习者便可以看到立体的等高线模型，并且在观看过程中还可以通过手持交互笔做出预设的动作，比如向左滑动，以使等高线模型跟者向左旋转，方便学者看到对立面的画面，从而更好的理解当前所讲解的知识点。
此外，上述对所述对象进行混合现实(Mixed Reality，MR)处理的操作，大致可以是，先对所述对象进行数字化处理，得到所述对象对应的图像矩阵；然后，确定所述图像矩阵与预先训练获得的各类物体对应的图像特征矩阵之间的相似度；接着，根据预设的筛选规则，筛选出相似度满足所述筛选规则的图像特征矩阵；接着，根据预设的映射关系表，获取筛选出的图像特征矩阵对应的渲染模型和对应的介绍信息，所述映射关系表为各图像特征矩阵与对应的渲染模型和对应的介绍信息之间的对应关系；接着，从所述视频学习课程中实时提取图像数据，确定所述对象在所述图像数据中的实时位置及大小；最后，根据所述对象在所述图像数据中的实时位置及大小，在所述图像数据上实时叠加所述渲染模型和所述介绍信息，得到所述混合现实教学画面。
此外，值得一提的是，在实际应用中，为了保证最终得到的混合现实教学画面的效果，在从所述视频学习课程中实时提取图像数据时，具体可以精确到帧，即以帧为单位从所述视频学习课程中实时提取图像数据，这样在确定所述对象在所述图像数据中的实时位置及大小时，就可以根据所述对象的特征信息，对每一帧所述图像数据进行特征检测，确定所述对象在所述图像数据中的实时位置及大小。
通过这种精确到帧的处理方式，可以有效的保证后续确定的所述对象在所述图像数据中的实时位置及大小的准确性，进而能够准确的在所述图像数据上实时叠加所述渲染模型和所述介绍信息，保证了混合现实效果。
进一步地，为了保证上述操作能够顺利进行，上述操作中用到的各类物体对应的图像特征矩阵及映射关系表可以预先构建。
比如，通过获取训练样本图像集合，所述训练样本图像集合包括各类物体对应的样本图像及各样本图像对应的物体类别；以各样本图像以及各样本图像对应的物体类别为输入，对深度学习模型进行分类训练，获得各类物体对应的图像特征矩阵；建立各类物体对应的图像特征矩阵与对应的渲染模型和对应的介绍信息之间的对应关系，生成所述映射关系表。
还比如说，在学习者学习的学习课程为房地产销售中，涉及的户型介绍内容时，为了使学习者更好的了解户型，以便在后续从业中更好的为客户进行介绍。可以将不同类型的户型分别作为需要进行混合现实处理的对象，通过将平面的户型图转换为立体图，并且该立体图可以由学习者通过交互设备进行旋转，从而使得学习者能够更好的进行学习、理解。
需要说明的是，以上给出的仅为一种具体的实现方式，对本发明的技术方案并不构成限定，在具体实现中，本领域的技术人员可以根据需要选取合适的操作方式实现对教学画面的混合现实处理，此处不做限制。
通过上述描述不难发现，本实施例中提供的基于人工智能的课程推荐方法，通过在学习者观看视频学习课程的过程中实时采集包含学习者人脸的视频，借助生物识别技术确定所述视频中学习者的面部表情，然后通过对面部表情的分析来判断学习者是否处于预设的低效学习状态，当判定学习者处于预设的低效学习状态时，通过获取视频学习课程当前播放的教学画面和教学语音，并利用语音识别技术从教学语音中提取关键词，然后根据提取到的关键词确定教学画面中需要进行混合现实的对象，最后借助混合现实技术对确定的对象进行混合现实处理，从而可以得到能够让学习者身临其境的混合现实教学画面，使得学习者在观看视频学习课程的过程中能够与混合现实教学画面中的对象进行互动，从而提升了学习者的参与度，使得学习者能够更好的通过互联网教学平台进行自主学习。
此外，值得一提的是，在实际应用中，为了使学习能够更好的辅助学习者学习，帮助其消除知识盲点，在得到能够让所述学习者身临其境的混合现实教学画面之后，还可以根据提取到的关键词查找对应的学习资料，并将查找到的所述学习资料推送给所述学习者，以辅助所述学习者理解所述关键词对应的知识点。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有基于人工智能的课程推荐程序，所述基于人工智能的课程推荐程序被处理器执行时实现如上文所述的基于人工智能的课程推荐方法的步骤。
参照图4，图4为本发明基于人工智能的课程推荐装置第一实施例的结构框图。
如图4所示，本发明实施例提出的基于人工智能的课程推荐装置包括：获取模块4001、确定模块4002、所制定模块4003和推荐模块4004。
其中，所述获取模块4001，用于接收学习者触发的学习请求，根据所述学习请求获取所述学习者提供的学习需求；所述确定模块4002，用于根据所述学习需求，确定所述学习者需要学习的专业技能和所述专业技能需要达到的目标掌握程度；所述制定模块4003，用于根据所述专业技能和所述目标掌握程度，为所述学习者制定学习计划；所述推荐模块4004，用于根据所述学习计划，为所述学习者推荐各阶段需要学习的所述学习课程。
需要说明的是，在本实施例中，所述制定模块4003为学习者制定的学习计划中，具体可以规定所述学习者在各阶段需要学习的学习课程。
此外，值得一提的是，在实际应用中，为了使制定的学习计划能够更加适合学习者，所述基于人工智能的课程推荐装置还可以包括：初始掌握程度确定模块。
具体的说，所述初始掌握程度确定模块，用于先根据所述专业技能，为所述学习者提供测试问卷；然后，接收所述学习者提交的所述测试问卷，根据所述测试问卷中应答错误和应答正确的测试题目，确定所述学习者对所述专业技能的初始掌握程度。
相应地，所述制定模块4003还用于根据所述专业技能、所述初始掌握程度和所述目标掌握程度，为所述学习者制定所述学习计划。
此外，应当理解的是，由于不同的学习者学习知识的速度、接收能力会有所不同，因而为了使制定的学习计划能够更加适合学习者，所述基于人工智能的课程推荐装置还可以包括：学习能力等级确定模块。
具体的说，所述学习能力等级确定模块，用于获取所述学习者的个人信息，然后根据所述个人信息确定所述学习者的学习能力等级。
需要说明的是，在本实施例中，为了保证确定的学习能力等级符合所述学习者的实际情况，上述所说的个人信息至少包括所述学习者的历史学习数据、目前掌握的专业技能、学习偏好和学历。
相应地，所述根据所述个人信息确定所述学习者的学习能力等级的操作，具体可以是：根据预先训练获得的学习能力等级确定模型对所述历史学习数据、所述目前掌握的专业技能、所述学习偏好和所述学历进行分析处理，确定所述学习者的学习能力等级。
相应地，所述制定模块4003还用于根据所述学习能力等级、所述专业技能、所述初始掌握程度和所述目标掌握程度，为所述学习者制定所述学习计划。
进一步地，为了便于理解上述根据所述学习能力等级、所述专业技能、所述初始掌握程度和所述目标掌握程度，为所述学习者制定所述学习计划的操作，本实施例中给出一种具体的实现方式，大致如下：
根据所述专业技能，查找出与所述专业技能相关的学习课程，得到待选择学习课程列表；
比如，首先根据所述初始掌握程度和所述目标掌握程度，从所述待选择学习课程列表中筛选出适合所述学习者的学习课程，得到目标学习课程列表。
然后，确定所述目标学习课程列表中包含的学习课程的总数和各学习课程的难易度。
最后，根据所述学习能力等级、所述学习课程的总数和各学习课程的难易度，为所述学习者制定所述学习计划。
需要说明的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定。在具体实现中，本领域的技术人员可以根据需要进行设置，此处不做限制。
通过上述描述不难发现，本实施例中提供的基于人工智能的课程推荐装置，在接收到用户提供的学习需求之后，通过根据人工智能技术来确定学习者需要学习的专业技能及所述专业技能需要达到的目标掌握程度，然后根据确定的专业技能和目标掌握程度为学习者制定学习计划，从而保证了为学习者制定的学习计划是符合其学习需求的学习计划，并且根据所述学习计划为学习者推荐的各阶段需要学习的学习课程是为学习者量身定制的，进而能够使学习者能够根据推荐的学习课程更好的进行学习。
并且，在整个课程推荐过程，无需其他人力介入处理，因而大大减少了人工干预，节省了人力资源。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的基于人工智能的课程推荐方法，此处不再赘述。
基于上述基于人工智能的课程推荐装置的第一实施例，提出本发明基于人工智能的课程推荐装置第二实施例。
在本实施例中，所述基于人工智能的课程推荐装置还包括：视频学习课程播放模块、人脸视频采集模块、面部表情确定模块、学习状态判断模块、教学内容获取模块和视频学习课程处理模块。
其中，所述视频学习课程播放模块，用于播放所述推荐模块根据所述学习计划，为所述学习者推荐的各阶段需要学习的视频学习课程。
所述人脸视频采集模块，用于在所述学习者观看所述视频学习课程的过程中采集包含所述学习者的人脸的视频。
所述面部表情确定模块，用于确定所述视频中所述学习者的面部表情。
所述学习状态判断模块，用于根据所述面部表情，判断所述学习者是否处于预设的低效学习状态。
所述教学内容获取模块，用于在所述学习者处于预设的低效学习状态时，获取所述视频学习课程当前播放的教学画面和教学语音。
所述视频学习课程处理模块，用于对所述教学语音进行关键词提取，根据提取到的关键词确定所述教学画面中需要进行混合现实的对象，对所述对象进行混合现实处理，得到能够让所述学习者身临其境的混合现实教学画面，以使所述学习者能够与所述混合现实教学画面中的对象进行互动。
关于所述视频学习课程处理模块对所述对象进行混合现实处理，得到能够让所述学习者身临其境的混合现实教学画面的操作，具体可以通过如下方式实现：
对所述对象进行数字化处理，得到所述对象对应的图像矩阵；
确定所述图像矩阵与预先训练获得的各类物体对应的图像特征矩阵之间的相似度；
根据预设的筛选规则，筛选出相似度满足所述筛选规则的图像特征矩阵；
根据预设的映射关系表，获取筛选出的图像特征矩阵对应的渲染模型和对应的介绍信息，所述映射关系表为各图像特征矩阵与对应的渲染模型和对应的介绍信息之间的对应关系；
从所述视频学习课程中实时提取图像数据，确定所述对象在所述图像数据中的实时位置及大小；
根据所述对象在所述图像数据中的实时位置及大小，在所述图像数据上实时叠加所述渲染模型和所述介绍信息，得到所述混合现实教学画面。
需要说明的是，以上给出的仅为一种具体的实现方式，对本发明的技术方案并不构成限定。
进一步地，为了使学习能够更好的辅助学习者学习，帮助其消除知识盲点，所述基于人工智能的课程推荐装置还可以包括：查找模块。
其中，所述查找模块，用于根据提取到的关键词查找对应的学习资料。
相应地，所述推荐模块还用于将查找到的所述学习资料推送给所述学习者，以辅助所述学习者理解所述关键词对应的知识点。
通过上述描述不难发现，本实施例中提供的基于人工智能的课程推荐装置，通过在学习者观看视频学习课程的过程中实时采集包含学习者人脸的视频，借助生物识别技术确定所述视频中学习者的面部表情，然后通过对面部表情的分析来判断学习者是否处于预设的低效学习状态，当判定学习者处于预设的低效学习状态时，通过获取视频学习课程当前播放的教学画面和教学语音，并利用语音识别技术从教学语音中提取关键词，然后根据提取到的关键词确定教学画面中需要进行混合现实的对象，最后借助混合现实技术对确定的对象进行混合现实处理，从而可以得到能够让学习者身临其境的混合现实教学画面，使得学习者在观看视频学习课程的过程中能够与混合现实教学画面中的对象进行互动，从而提升了学习者的参与度，使得学习者能够更好的通过互联网教学平台进行自主学习。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的基于人工智能的课程推荐方法，此处不再赘述。
此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于人工智能的课程推荐方法，其特征在于，所述方法包括以下步骤：
接收学习者触发的学习请求，根据所述学习请求获取所述学习者提供的学习需求；
根据所述学习需求，确定所述学习者需要学习的专业技能和所述专业技能需要达到的目标掌握程度；
根据所述专业技能和所述目标掌握程度，为所述学习者制定学习计划，所述学习计划规定了各阶段需要学习的学习课程；
根据所述学习计划，为所述学习者推荐各阶段需要学习的所述学习课程。
2.如权利要求1所述的方法，其特征在于，所述根据所述专业技能和所述目标掌握程度，为所述学习者制定学习计划之前，所述方法还包括：
根据所述专业技能，为所述学习者提供测试问卷；
接收所述学习者提交的所述测试问卷，根据所述测试问卷中应答错误和应答正确的测试题目，确定所述学习者对所述专业技能的初始掌握程度；
其中，所述根据所述专业技能和所述目标掌握程度，为所述学习者制定学习计划，包括：
根据所述专业技能、所述初始掌握程度和所述目标掌握程度，为所述学习者制定所述学习计划。
3.如权利要求2所述的方法，其特征在于，所述根据所述专业技能、所述初始掌握程度和所述目标掌握程度，为所述学习者制定所述学习计划之前，所述方法还包括：
获取所述学习者的个人信息，所述个人信息至少包括所述学习者的历史学习数据、目前掌握的专业技能、学习偏好和学历；
根据预先训练获得的学习能力等级确定模型对所述历史学习数据、所述目前掌握的专业技能、所述学习偏好和所述学历进行分析处理，确定所述学习者的学习能力等级；
其中，所述根据所述专业技能、所述初始掌握程度和所述目标掌握程度，为所述学习者制定所述学习计划，包括：
根据所述学习能力等级、所述专业技能、所述初始掌握程度和所述目标掌握程度，为所述学习者制定所述学习计划。
4.如权利要求3所述的方法，其特征在于，所述根据所述学习能力等级、所述专业技能、所述初始掌握程度和所述目标掌握程度，为所述学习者制定所述学习计划，包括：
根据所述专业技能，查找出与所述专业技能相关的学习课程，得到待选择学习课程列表；
根据所述初始掌握程度和所述目标掌握程度，从所述待选择学习课程列表中筛选出适合所述学习者的学习课程，得到目标学习课程列表；
确定所述目标学习课程列表中包含的学习课程的总数和各学习课程的难易度；
根据所述学习能力等级、所述学习课程的总数和各学习课程的难易度，为所述学习者制定所述学习计划。
5.如权利要求1至4任一项所述的方法，其特征在于，所述学习课程为视频学习课程；所述根据所述学习计划，为所述学习者推荐各阶段需要学习的所述学习课程之后，所述方法还包括：
在所述学习者观看所述视频学习课程的过程中采集包含所述学习者的人脸的视频；
确定所述视频中所述学习者的面部表情；
根据所述面部表情，判断所述学习者是否处于预设的低效学习状态；
若所述学习者处于预设的低效学习状态，则获取所述视频学习课程当前播放的教学画面和教学语音；
对所述教学语音进行关键词提取，根据提取到的关键词确定所述教学画面中需要进行混合现实的对象，对所述对象进行混合现实处理，得到能够让所述学习者身临其境的混合现实教学画面，以使所述学习者能够与所述混合现实教学画面中的对象进行互动。
6.如权利要求5所述的方法，其特征在于，所述对所述对象进行混合现实处理，得到能够让所述学习者身临其境的混合现实教学画面，包括：
对所述对象进行数字化处理，得到所述对象对应的图像矩阵；
确定所述图像矩阵与预先训练获得的各类物体对应的图像特征矩阵之间的相似度；
根据预设的筛选规则，筛选出相似度满足所述筛选规则的图像特征矩阵；
根据预设的映射关系表，获取筛选出的图像特征矩阵对应的渲染模型和对应的介绍信息，所述映射关系表为各图像特征矩阵与对应的渲染模型和对应的介绍信息之间的对应关系；
从所述视频学习课程中实时提取图像数据，确定所述对象在所述图像数据中的实时位置及大小；
根据所述对象在所述图像数据中的实时位置及大小，在所述图像数据上实时叠加所述渲染模型和所述介绍信息，得到所述混合现实教学画面。
7.如权利要求5所述的方法，其特征在于，所述得到能够让所述学习者身临其境的混合现实教学画面之后，所述方法还包括：
根据提取到的关键词查找对应的学习资料，将查找到的所述学习资料推送给所述学习者，以辅助所述学习者理解所述关键词对应的知识点。
8.一种基于人工智能的课程推荐装置，其特征在于，所述装置包括：
获取模块，用于接收学习者触发的学习请求，根据所述学习请求获取所述学习者提供的学习需求；
确定模块，用于根据所述学习需求，确定所述学习者需要学习的专业技能和所述专业技能需要达到的目标掌握程度；
制定模块，用于根据所述专业技能和所述目标掌握程度，为所述学习者制定学习计划，所述学习计划规定了各阶段需要学习的学习课程；
推荐模块，用于根据所述学习计划，为所述学习者推荐各阶段需要学习的所述学习课程。
9.一种基于人工智能的课程推荐设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于人工智能的课程推荐程序，所述基于人工智能的课程推荐程序配置为实现如权利要求1至7中任一项所述的基于人工智能的课程推荐方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有基于人工智能的课程推荐程序，所述基于人工智能的课程推荐程序被处理器执行时实现如权利要求1至7任一项所述的基于人工智能的课程推荐方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910047718.9A CN109885595A (zh) | 2019-01-17 | 2019-01-17 | 基于人工智能的课程推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910047718.9A CN109885595A (zh) | 2019-01-17 | 2019-01-17 | 基于人工智能的课程推荐方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109885595A true CN109885595A (zh) | 2019-06-14 |
Family
ID=66926258
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910047718.9A Pending CN109885595A (zh) | 2019-01-17 | 2019-01-17 | 基于人工智能的课程推荐方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109885595A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110516571A (zh) * | 2019-08-16 | 2019-11-29 | 东南大学 | 基于光流注意力神经网络的跨库微表情识别方法及装置 |
| CN111274278A (zh) * | 2020-01-19 | 2020-06-12 | 托普朗宁(北京)教育科技有限公司 | 辅助学习的方法、装置及可读存储介质 |
| CN112071162A (zh) * | 2020-08-26 | 2020-12-11 | 怀化学院 | 一种基于互联网的音乐理论教学互动系统 |
| CN112364068A (zh) * | 2021-01-14 | 2021-02-12 | 平安科技（深圳）有限公司 | 课程标签生成方法、装置、设备及介质 |
| CN112382151A (zh) * | 2020-11-16 | 2021-02-19 | 深圳市商汤科技有限公司 | 一种线上学习方法及装置、电子设备及存储介质 |
| CN112800274A (zh) * | 2019-11-14 | 2021-05-14 | 深圳云天励飞技术有限公司 | 课程视频推荐方法及相关装置 |
| CN113077665A (zh) * | 2021-05-07 | 2021-07-06 | 广州宏途教育网络科技有限公司 | 一种方便学生学习的高效教学系统 |
| CN113570481A (zh) * | 2021-07-01 | 2021-10-29 | 曾毅 | Fiber人才潜能评估与学习课程规划方法、系统及存储介质 |
| CN114461914A (zh) * | 2022-02-11 | 2022-05-10 | 江苏灵狐软件科技有限公司 | 一种基于课程平台数据库的专业教程推送方法及系统 |
| CN115309258A (zh) * | 2022-05-27 | 2022-11-08 | 中国科学院自动化研究所 | 智能导学方法、装置和电子设备 |
| CN116244512A (zh) * | 2023-01-17 | 2023-06-09 | 航天物联网技术有限公司 | 一种基于图结构数据的军事体能训练智能推荐方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040096811A1 (en) * | 2001-05-01 | 2004-05-20 | Anneswamy Rajesh Shanmukha | Computer-assisted system for designing training programs |
| CN108009954A (zh) * | 2017-12-12 | 2018-05-08 | 联想(北京)有限公司 | 一种教学计划制定方法、装置、系统及电子设备 |
| CN108090855A (zh) * | 2017-12-20 | 2018-05-29 | 维沃移动通信有限公司 | 一种学习计划推荐方法及移动终端 |
| CN108171629A (zh) * | 2017-12-28 | 2018-06-15 | 北京中税网控股股份有限公司 | 一种课程推荐方法及装置 |
| CN108573628A (zh) * | 2018-04-23 | 2018-09-25 | 中山大学 | 基于学习轨迹的学习能力评估与扩展知识点集推荐的方法 |
-
2019
- 2019-01-17 CN CN201910047718.9A patent/CN109885595A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040096811A1 (en) * | 2001-05-01 | 2004-05-20 | Anneswamy Rajesh Shanmukha | Computer-assisted system for designing training programs |
| CN108009954A (zh) * | 2017-12-12 | 2018-05-08 | 联想(北京)有限公司 | 一种教学计划制定方法、装置、系统及电子设备 |
| CN108090855A (zh) * | 2017-12-20 | 2018-05-29 | 维沃移动通信有限公司 | 一种学习计划推荐方法及移动终端 |
| CN108171629A (zh) * | 2017-12-28 | 2018-06-15 | 北京中税网控股股份有限公司 | 一种课程推荐方法及装置 |
| CN108573628A (zh) * | 2018-04-23 | 2018-09-25 | 中山大学 | 基于学习轨迹的学习能力评估与扩展知识点集推荐的方法 |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110516571B (zh) * | 2019-08-16 | 2022-02-11 | 东南大学 | 基于光流注意力神经网络的跨库微表情识别方法及装置 |
| CN110516571A (zh) * | 2019-08-16 | 2019-11-29 | 东南大学 | 基于光流注意力神经网络的跨库微表情识别方法及装置 |
| CN112800274B (zh) * | 2019-11-14 | 2024-03-29 | 深圳云天励飞技术有限公司 | 课程视频推荐方法及相关装置 |
| CN112800274A (zh) * | 2019-11-14 | 2021-05-14 | 深圳云天励飞技术有限公司 | 课程视频推荐方法及相关装置 |
| CN111274278A (zh) * | 2020-01-19 | 2020-06-12 | 托普朗宁(北京)教育科技有限公司 | 辅助学习的方法、装置及可读存储介质 |
| CN112071162A (zh) * | 2020-08-26 | 2020-12-11 | 怀化学院 | 一种基于互联网的音乐理论教学互动系统 |
| CN112382151A (zh) * | 2020-11-16 | 2021-02-19 | 深圳市商汤科技有限公司 | 一种线上学习方法及装置、电子设备及存储介质 |
| CN112382151B (zh) * | 2020-11-16 | 2022-11-18 | 深圳市商汤科技有限公司 | 一种线上学习方法及装置、电子设备及存储介质 |
| CN112364068A (zh) * | 2021-01-14 | 2021-02-12 | 平安科技（深圳）有限公司 | 课程标签生成方法、装置、设备及介质 |
| CN113077665A (zh) * | 2021-05-07 | 2021-07-06 | 广州宏途教育网络科技有限公司 | 一种方便学生学习的高效教学系统 |
| CN113570481A (zh) * | 2021-07-01 | 2021-10-29 | 曾毅 | Fiber人才潜能评估与学习课程规划方法、系统及存储介质 |
| CN114461914A (zh) * | 2022-02-11 | 2022-05-10 | 江苏灵狐软件科技有限公司 | 一种基于课程平台数据库的专业教程推送方法及系统 |
| CN114461914B (zh) * | 2022-02-11 | 2023-03-24 | 江苏灵狐软件科技有限公司 | 一种基于课程平台数据库的专业教程推送方法及系统 |
| CN115309258A (zh) * | 2022-05-27 | 2022-11-08 | 中国科学院自动化研究所 | 智能导学方法、装置和电子设备 |
| CN115309258B (zh) * | 2022-05-27 | 2024-03-15 | 中国科学院自动化研究所 | 智能导学方法、装置和电子设备 |
| CN116244512A (zh) * | 2023-01-17 | 2023-06-09 | 航天物联网技术有限公司 | 一种基于图结构数据的军事体能训练智能推荐方法 |
| CN116244512B (zh) * | 2023-01-17 | 2024-02-13 | 航天物联网技术有限公司 | 一种基于图结构数据的军事体能训练智能推荐方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109885595A (zh) | 基于人工智能的课程推荐方法、装置、设备及存储介质 | |
| CN109614849A (zh) | 基于生物识别的远程教学方法、装置、设备及存储介质 | |
| CN109359215B (zh) | 视频智能推送方法和系统 | |
| CN104199834B (zh) | 从信息载体表面交互式获取远程资源并输出的方法及系统 | |
| CN109637207A (zh) | 一种学前教育互动教学装置及教学方法 | |
| CN111915460B (zh) | 基于ai视觉的实验考试智能评分系统 | |
| CN109902912B (zh) | 一种基于性格特征的个性化图像美学评价方法 | |
| Dobricki et al. | Situating vocational learning and teaching using digital technologies-a mapping review of current research literature | |
| Mao | Video analysis of intelligent teaching based on machine learning and virtual reality technology | |
| CN109034090A (zh) | 一种基于肢体动作的情感识别系统及方法 | |
| Maltese et al. | Through their eyes: Tracking the gaze of students in a geology field course | |
| CN111814718A (zh) | 一种融合多种判别技术的注意力检测方法 | |
| CN106803377A (zh) | 一种英语学习管理机器人 | |
| Perkins et al. | Real world map reading strategies | |
| CN117055724A (zh) | 虚拟教学场景中生成式教学资源系统及其工作方法 | |
| CN109902920A (zh) | 用户成长体系的管理方法、装置、设备及存储介质 | |
| Quintana et al. | Object and gesture recognition to assist children with autism during the discrimination training | |
| CN108876677A (zh) | 基于大数据与人工智能的教学效果评价方法和机器人系统 | |
| CN116524772A (zh) | 一种基于互联网的传统文化教育系统 | |
| WO2017028272A1 (zh) | 早教系统 | |
| CN111460245A (zh) | 多维度人群特征测定方法 | |
| CN108921405A (zh) | 基于大数据与人工智能的精准学习评价方法和机器人系统 | |
| CN115188051A (zh) | 基于对象行为的在线课程推荐方法及系统 | |
| Jumat et al. | Augmented Reality Application for Solar System Learning | |
| CN111461153A (zh) | 人群特征深度学习方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190614 |