CN109886848A - 数据处理的方法、装置、介质和电子设备 - Google Patents
数据处理的方法、装置、介质和电子设备 Download PDFInfo
- Publication number
- CN109886848A CN109886848A CN201910089816.9A CN201910089816A CN109886848A CN 109886848 A CN109886848 A CN 109886848A CN 201910089816 A CN201910089816 A CN 201910089816A CN 109886848 A CN109886848 A CN 109886848A
- Authority
- CN
- China
- Prior art keywords
- learning
- target user
- path
- plan
- recommendation
- 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.)
- Granted
Links
Abstract
本发明提供了一种数据处理的方法。包括：根据目标用户的计划学习数据，对包含标准知识点的通用学习路径进行个性化处理，以确定目标用户的推荐学习路径，其中，通用学习路径包含多个学习任务；获取目标用户的实际学习路径，并将推荐学习路径和实际学习路径进行比对以得到比对结果；根据比对结果确定对目标用户的督学策略，督学策略用于促使目标用户持续学习推荐学习路径的推荐学习任务。本方案根据目标用户的计划学习数据为每个目标用户提供个性化处理后的推荐学习路径，有利于培养目标用户持续学习的学习习惯，从而有利于提高目标用户的完课率。并且，基于实际学习状况及时对推荐学习路径进行对应调整，从而能够进一步提高目标用户的完课率。
Description
技术领域
本发明涉及数据处理技术领域，更具体地，本发明涉及一种数据处理的方法、数据处理的装置、计算机可读介质和电子设备。
背景技术
本部分旨在为权利要求书中陈述的本发明提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
随着科学技术的猛进发展，人们对知识的学习欲望越来越强烈。从而，“互联网+教育”形式的在线教育平台的发展应运而生。在线教育平台提供在线开放课程，从而为大众人群提供通过网络学习知识的机会。上述在线开放课程的参与者不一定是在校学生，参与者只要在成功注册并报名课程后，通过一段时间学习并达到课程所要求的条件后，可以获得相应的证书作为结课证明。其中，在线教育平台提供关于不同知识点的在线开放课程，讲授在线开放课程的老师按照循序渐进地方式定期发布一系列的学习任务，不同的学习任务可能具有不同的学习主题与学习时长等，还可以针对不同的学习任务发布测验作业，以供参与者按照授课老师发布的学习任务进行有节奏地学习。
目前通过在线教育平台进行学习的过程中，由于包含各种知识点的学习任务较多，同时整体学习周期长，因此面临着参与者完课率较低的问题。
现有技术中，为了解决上述问题，现有第一种技术方案会在发布学习任务之后，通过模板化的消息向所有参与此学习任务的用户发送提醒消息，以使用户根据提醒消息自主前往对应课程学习页面，从而实现召回用户学习。现有第二种技术方案中，为了提高参与者的课程完成率，在线教育平台记录统计参与者的学习时间，并可视化展示给用户，以强化用户的成就感，促进用户持续学习。
然而，使用现有技术提供的方法仍然无法有效提高参与者的完课率。
发明内容
为此，非常需要一种改进的数据处理的方法，以有效提高参与者的完课率，能够为用户智能生成符合用户个性化的督学策略。
在本上下文中，本发明的实施方式期望提供一种数据处理的方法、数据处理的装置、计算机可读介质和电子设备。
在本发明实施方式的第一方面中，提供了一种数据处理的方法，包括：
根据目标用户的计划学习数据，对包含标准知识点的通用学习路径进行个性化处理，以确定所述目标用户的推荐学习路径，其中，所述通用学习路径包含多个学习任务；
获取所述目标用户的实际学习路径，并将所述推荐学习路径和所述实际学习路径进行比对以得到比对结果；
根据所述比对结果确定对所述目标用户的督学策略，所述督学策略用于促使所述目标用户持续学习所述推荐学习路径的推荐学习任务。
在本发明的一些实施例中，基于前述方案，根据目标用户的计划学习数据，对包含标准知识点的通用学习路径进行个性化处理，以确定所述目标用户的推荐学习路径，包括：
基于机器学习模型，根据不同用户的历史学习行为数据确定多条包含标准知识点的通用学习路径；
根据所述目标用户的计划学习数据与所述多条包含标准知识点的通用学习路径，确定所述目标用户的计划学习路径；
根据所述目标用户的计划学习数据和所述计划学习路径中计划学习任务的属性特征，对所述计划学习路径进行个性化处理，以确定所述目标用户的推荐学习路径。
在本发明的一些实施例中，基于前述方案，基于机器学习模型，根据不同用户的历史学习行为数据确定多条包含标准知识点的通用学习路径，包括：
采集海量用户的历史学习行为数据，并将所述历史学习行为数据输入RNN神经网络模型；
通过所述RNN神经网络模型的第一隐藏层，计算每个用户的历史学习行为数据与所述标准知识点之间的第一匹配度，并根据所述第一匹配度确定所述标准知识点对应的至少一条初始学习路径；
通过所述RNN神经网络模型的第二隐藏层，对所述标准知识点对应的至少一条初始学习路径进行处理，得到每个学习任务的属性特征，并根据所述每个学习任务的属性特征确定所述标准知识点对应的通用学习路径；
其中，所述属性特征包括：关联特征、时长特征、主题特征；所述有序历史学习行为数据包括但不限于：浏览数据、收藏数据、点击数据、测试数据、在线学习数据。
在本发明的一些实施例中，基于前述方案，根据所述目标用户的计划学习数据与所述多条包含标准知识点的通用学习路径，确定所述目标用户的计划学习路径，包括：
根据所述目标用户的计划学习数据，计算得到所述计划学习数据包含的至少一个计划知识点；
计算所述至少一个计划知识点与所述标准知识点之间的第二匹配度；
根据所述第二匹配度确定至少一条通用学习路径作为所述目标用户的计划学习路径。
在本发明的一些实施例中，基于前述方案，所述计划学习任务的属性特征包括不同计划学习任务之间的关联特征，
其中，根据所述目标用户的计划学习数据和所述计划学习路径中计划学习任务的属性特征，对所述计划学习路径进行个性化处理，包括：
拆分所述计划学习路径得到多个计划学习任务，并根据所述不同计划学习任务之间的关联特征对所述计划学习任务进行重排序处理；
获取所述目标用户的计划学习数据包含的计划学习时长与计划学习间隔时长；
基于所述重新排序后的计划学习任务，以及所述计划学习时长与所述计划学习间隔时长，确定所述目标用户的推荐学习路径，所述推荐学习路径包括具有时序的多个推荐学习任务，每个推荐学习任务包括推荐学习主题和对应的推荐学习时长、以及不同的推荐学习主题之间的间隔时长。
在本发明的一些实施例中，基于前述方案，获取所述目标用户的实际学习路径，并将所述推荐学习路径和所述实际学习路径进行比对以得到比对结果，包括：
获取所述目标用户的实际学习路径，所述实际学习路径包括实际学习任务，所述实际学习任务对应的实际学习主题、完成所述实际学习主题的学习时长、以及完成不同实际学习主题之间的时间间隔；
将所述目标用户的推荐学习路径与所述实际学习路径进行对比，以获取比对结果。
在本发明的一些实施例中，基于前述方案，将所述目标用户的推荐学习路径与所述实际学习路径进行对比，以获取比对结果，包括：
将所述实际学习主题与所述推荐学习主题进行比对以得到第一比对结果；
将所述完成所述实际学习主题的学习时长与对应的推荐学习时长进行比对以得到第二比对结果；
将完成不同实际学习主题之间的间隔时长与所述不同的推荐学习主题之间的间隔时长进行比对以得到第三比对结果。
在本发明的一些实施例中，基于前述方案，根据所述比对结果确定对所述目标用户的督学策略，包括：
根据所述第一比对结果确定所述目标用户所处的学习阶段；
为不同学习阶段的目标用户发送不同的督学提醒消息；
其中，所述学习阶段包括但不限于：初学阶段、持续学习阶段、深度学习阶段与放弃学习阶段。
在本发明的一些实施例中，基于前述方案，根据所述比对结果确定对所述目标用户的督学策略，包括：
根据所述比对结果调整所述推荐学习路径。
在本发明的一些实施例中，基于前述方案，所述方法还包括：
基于所述第一比对结果为所述实际学习主题与所述推荐学习主题不一致，调整所述推荐学习路径中推荐学习任务的先后顺序；
基于所述第二比对结果为完成所述实际学习主题的学习时长与对应的推荐学习时长不一致，调整所述推荐学习主题对应的推荐学习时长；
基于所述第三比对结果为完成不同实际学习主题的间隔时长与所述不同的推荐学习任务的间隔时长不一致，调整所述推荐学习主题之间的间隔时长。
在本发明的一些实施例中，基于前述方案，所述方法还包括：
根据所述比对结果发送对所述推荐学习路径的调整建议消息；
响应于所述目标用户对所述调整建议消息的应答信息，对所述推荐学习路径进行调整。
在本发明的一些实施例中，基于前述方案，在根据目标用户的计划学习数据，对包含标准知识点的通用学习路径进行个性化处理，以确定所述目标用户的推荐学习路径之后，该方法还包括：
根据所述目标用户的推荐学习路径，生成所述目标用户的可交互学习日历。
在本发明的一些实施例中，基于前述方案，根据所述目标用户的推荐学习路径，生成所述目标用户的可交互学习日历，包括：
为所述推荐学习路径中的每个推荐学习任务设置对应的超链接；
根据所述推荐学习路径中的每个推荐学习任务对应的超链接，生成所述目标用户的可交互学习日历，所述每个推荐学习任务对应的超链接用于为所述目标用户提供所述推荐学习路径中的每个推荐学习任务对应的学习场景。
在本发明的一些实施例中，基于前述方案，在获取所述目标用户的实际学习路径之后，该方法还包括：
根据获取到的实际学习路径，确定预设时长内的学习成果反馈报告并发送至所述目标用户，以促使所述目标用户持续学习所述推荐学习路径的推荐学习任务。
在本发明实施方式的第二方面中，提供了一种数据处理的装置，包括：
个性化处理模块，用于根据目标用户的计划学习数据，对包含标准知识点的通用学习路径进行个性化处理，以确定所述目标用户的推荐学习路径，其中，所述通用学习路径包含多个学习任务；
比对模块，用于获取所述目标用户的实际学习路径，并将所述推荐学习路径和所述实际学习路径进行比对以得到比对结果；
督学策略确定模块，用于根据所述比对结果确定对所述目标用户的督学策略，所述督学策略用于促使所述目标用户持续学习所述推荐学习路径的推荐学习任务。
在本发明实施方式的第三方面中，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述第一方面中所述的数据处理的方法。
在本发明实施方式的第四方面中，提供了一种电子设备，包括：处理器和存储器，所述存储器存储有可执行指令，所述处理器用于调用所述存储器存储的可执行指令执行如上述第一方面中所述的数据处理的方法。
根据本发明提供的实施方式中，根据目标用户的计划学习数据，对包含标准知识点的通用学习路径进行个性化处理，从而为每个目标用户提供个性化处理后的推荐学习路径。每个目标用户通过执行各自对应的推荐学习路径中的学习任务能够达到个性化学习的技术效果，有利于培养目标用户持续学习的学习习惯，从而有利于提高目标用户的完课率。
进一步地，本技术方案还在目标用户的实际学习过程中获取目标用户的实际学习路径，并将推荐学习路径和实际学习路径进行比对以得到比对结果，以根据比对结果为目标用户生产个性化的督学策略。从而，在上述推荐学习路径的基础上，基于实际学习状况及时对推荐学习路径进行对应调整，使得调整后的学习路径更加符合目标用户个性化学习需求，同时，还基于实际学习状态向用户推送提醒消息以督促用户持续学习，从而能够进一步提高目标用户的完课率。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：
图1示意性地示出了根据本发明实施例的数据处理的方法的流程示意图；
图2示意性地示出了根据本发明实施例的推荐学习路径的确定方法的流程示意图；
图3示意性地示出了根据本发明实施例的通用学习路径的确定方法的流程示意图；
图4示意性地示出了本发明实施例的计划学习路径的确定方法的流程示意图；
图5示意性地示出了本发明实施例的推荐学习路径的确定方法的流程示意图；
图6示意性地示出了根据本发明实施例的第一督学策略和第二督学策略的确定方法的流程示意图；
图7示意性地示出了根据本发明实施例的调整方案的确定方法的流程示意图；
图8示意性地示出了根据本发明另一实施例的调整方案的确定方法的流程示意图；
图9示意性地示出了根据本发明再一实施例的调整方案的确定方法的流程示意图；
图10示意性地示出了根据本发明实施例的第三督学策略的确定方法的流程示意图；
图11示意性地示出了根据本发明实施例的可交互日历的确定方法的流程示意图；
图12示意性地示出了根据本发明实施例的数据处理的装置的结构示意图；
图13示意性地示出了根据本发明的示例实施例的计算机可读介质的示意图；以及，
图14示意性地示出了根据发明的示例实施例的电子设备的方框图。
在附图中，相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本发明更加透彻和完整，并且能够将本发明的范围完整地传达给本领域的技术人员。
本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备或计算机程序产品。因此，本发明可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
根据本发明的实施方式，提出了一种数据处理的方法、数据处理的装置、计算机可读介质和电子设备。
在本发明中，需要理解的是，涉及的“目标用户”为目标对象，通过本技术方案可以为每个目标用户提供一条推荐学习路径，例如，“目标用户”可以是已经在某在线学习平台的学员。其中，还需要理解的是“学习路径”，即包括有一系列学习任务，用户执行这些学习任务以达到学习知识的目的。
在本发明中，需要理解的是，涉及的“标准知识点”可以指预置知识图谱中的知识点。
在本发明中，还需要理解的是，涉及的“学习路径”，“学习路径”可以是有一系列的学习任务组成的。具体的，每个学习任务可以具备属性特征，属性特征可以包括：关联特征、时长特征、主题特征。
本文中，具体包括：初始学习路径、通用学习路径、计划学习路径、推荐学习路径、实际学习路径。
其中，对于某一用户，根据其与某一标准知识点相关历史学习行为数据(如，浏览、收藏、点击、测试、在线学习等)确定关于此标准知识点的初始学习路径。对于一个标准知识点，根据此标准知识点相关的至少一条初始学习路径确定一条通用学习路径。而，计划学习路径和实际学习路径是针对目标用户而言的，计划学习路径的确定方式如下：根据目标用户的计划学习数据(如，目标用户的计划学习学科等)获取匹配到的标准知识点，进一步地拉取标准知识点对应的通用学习路径作为此目标用户的计划学习路径。实际学习路径则是根据目标用户的实际学习数据确定的。推荐学习路径是系统根据目标用户的计划学习数据(如，计划学习时长与计划学习间隔时长)对计划学习路径进行个性化处理得到的。
此外，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。
下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。
发明概述
本发明人发现，通过第一种现有技术中提供的提高在线学习课程的完课率的方法中，由于不同目标用户之间学习诉求不同，所需要学的内容差异性很大，统一的消息推送可能只符合部分用户的学习习惯，而由在线学习平台统一发送地提醒消息，对于海量多元化的目标用户而言，一方面无法满足不同的目标用户日益差异化的学习诉求，另一方面容易受目标用户选课数量、活跃情况等影响，使得目标用户收到大量杂糅消息。从而不能够有效培养目标用户持续学习的学习习惯，无法提高目标用户的完课率。
通过第二种现有技术中提供的提高在线学习课程的完课率的方法中，虽然体现了目标用户的部分学习成果(学习时长等)，但是无法实现与目标用户交互，导致对用户而言缺乏参与感，同样使得在线学习过程难以持续。同时，现有技术的技术方案中学习场景与学习时间的割裂，导致出现目标用户学习路径冗长的问题。并且，现有技术的技术方案依赖于目标用户主动逐个查阅课程才能统筹学习时长，缺乏统一视角，容易错过许多关键学习节点。
基于上述内容，本发明的基本思想在于，根据目标用户的计划学习数据，对包含标准知识点的通用学习路径进行个性化处理，从而为每个目标用户提供个性化处理后的推荐学习路径。每个目标用户通过执行各自对应的推荐学习路径中的学习任务能够达到个性化学习的技术效果，有利于培养目标用户持续学习的学习习惯，从而有利于提高目标用户的完课率。
进一步地，本技术方案还在目标用户的实际学习过程中获取目标用户的实际学习路径，并将推荐学习路径和实际学习路径进行比对以得到比对结果，以根据比对结果为目标用户生产个性化的督学策略。从而，在上述推荐学习路径的基础上，基于实际学习状况及时对推荐学习路径进行对应调整，使得调整后的学习路径更加符合目标用户个性化学习需求，同时，还基于实际学习状态向用户推送提醒消息以督促用户持续学习，从而能够进一步提高目标用户的完课率。
在介绍了本发明的基本原理之后，下面具体介绍本发明的各种非限制性实施方式。
应用场景总览
需要注意的是，下述应用场景仅是为了便于理解本发明的精神和原理而示出，本发明的实施方式在此方面不受任何限制。相反，本发明的实施方式可以应用于适用的任何场景。
示例性的，本发明适用于在线教育平台提供课程学习过程中，具体可以用于目标用户针对知识点的学习过程。如，为了提高统计的准确性与便利性，预先设置包含多个知识点的知识图谱，且可以将知识图谱中知识点记作标准知识点。进而，根据海量用户的历史学习行为数据为每个标准知识点确定出一条通用学习路径。
针对具有不同学习诉求的目标用户，能够根据各个目标用户的计划学习数据对上述通用学习路径进行个性化处理，以为目标用户制定个性化的推荐学习路径。每个目标用户通过执行各自对应的推荐学习路径中的学习任务能够达到个性化学习的技术效果，有利于培养目标用户持续学习的学习习惯，从而有利于提高目标用户的完课率。另外，还可以根据推荐学习路径为各个目标用户制定个性化的可交互日历，进而使得学习任务更加直观地呈现给目标用户，同时目标用户也可通过点击学习任务直接进入学习场景，如此有利于目标用户提高学习效率以及提升学习体验，从而有利于提高用户的学习持续性。
为了进一步提高推荐学习路径的适用性，本技术方案还在目标用户的实际学习过程中获取目标用户的实际学习路径，并将推荐学习路径和实际学习路径进行比对以得到比对结果，以根据比对结果为目标用户生产个性化的督学策略。从而，在上述推荐学习路径的基础上，基于实际学习状况及时对推荐学习路径进行对应调整，使得调整后的学习路径更加符合目标用户个性化学习需求，同时，还基于实际学习状态向用户推送提醒消息以督促用户持续学习，从而能够进一步提高目标用户的完课率。
示例性方法
下面结合上述的应用场景，参考图1至图8来描述根据本发明示例性实施方式的数据处理的方法。
图1示意性地示出了根据本发明实施例的数据处理的方法的流程示意图，参考图1，该方法包括以下步骤：
步骤S11，根据目标用户的计划学习数据，对包含标准知识点的通用学习路径进行个性化处理，以确定所述目标用户的推荐学习路径，其中，所述通用学习路径包含多个学习任务；
步骤S12，获取所述目标用户的实际学习路径，并将所述推荐学习路径和所述实际学习路径进行比对以得到比对结果；以及，
步骤S13，根据所述比对结果确定对所述目标用户的督学策略，所述督学策略用于促使所述目标用户持续学习所述推荐学习路径的推荐学习任务。
以下对图1中所示的各个步骤的实现细节进行详细阐述：
示例性的，在步骤S11中，根据目标用户的计划学习数据，对包含标准知识点的通用学习路径进行个性化处理，从而确定目标用户的推荐学习路径。具体地，图2示意性地示出了根据本发明实施例的推荐学习路径的确定方法的流程示意图，可以作为步骤S11的一种具体实施方式。
参考图2，该实施例提供的推荐学习路径的确定方法包括步骤S21-步骤S23。
在步骤S21中，基于机器学习模型，根据不同用户的历史学习行为数据确定多条包含标准知识点的通用学习路径。
在示例性的实施例中，上述机器学习模型可以是递归神经网络(RecurrentNeural Networks,RNN)模型，也可以是门口循环单元(Gated Recurrent Unit，GRU)神经网络模型，或者长短期记忆(Long Short-Term Memory，LSTM)神经网络模型。上述神经网络模型均为具有反馈结构的神经网络模型(以下可以RNN模型为例进行说明)，可以利用反馈结构将前一层的输出向后一层进行反馈。从而，RNN神经网络模型当前层的输出不仅与当前层的输入有关，还与之前层的输出有关。因此，RNN神经网络模型适用于处理具有时序特征的数据，从而，可以利用RNN神经网络模型对本实施例提供的技术方案中的历史学习行为数据进行处理。
具体的，RNN神经网络模型的结构包括输入层、隐藏层和输出层。
在示例性的实施例中，图3为基于RNN神经网络模型确定通用学习路径的方法，可以作为步骤S21的一种具体实施方式。
参考图3，该实施例提供的推荐学习路径的确定方法包括：
步骤S31，采集海量用户的历史学习行为数据，并将所述历史学习行为数据输入RNN神经网络模型；
步骤S32，通过所述RNN神经网络模型的第一隐藏层，计算每个用户的历史学习行为数据与所述标准知识点之间的第一匹配度，并根据所述第一匹配度确定所述标准知识点对应的至少一条初始学习路径；以及，
步骤S33，通过所述RNN神经网络模型的第二隐藏层，对所述标准知识点对应的至少一条初始学习路径进行处理，得到每个学习任务的属性特征，并根据所述每个学习任务的属性特征确定所述标准知识点对应的通用学习路径。
在示例性的实施例中，步骤S31中的海量用户可以为在线学习平台中的学员。首先获取在线学习平台中每一学员的历史学习行为数据。需要注意的是，同时需要获取历史学习行为数据发生的时间点，从而对于每一学员来说，可以获取其一系列具有时序的历史学习行为数据。
在示例性的实施例中，上述历史学习行为数据是反映学员在在线学习平台中的操作数据，包括但不限于：浏览、收藏、点击、测试、在线学习，进一步地，也可以是每一个用户发生在网络环境下的所有跟学习相关的行为数据。
进一步地，在步骤S32中将属于同一学员的历史学习行为数据输入至RNN神经网络模型。通过RNN神经网络模型的第一隐藏层计算每个学员的历史学习行为数据与上述标准知识点之间的第一匹配度。
示例性的，若学员p的A1历史学习行为数据与X标准知识点之间的第一匹配度大于第一预设阈值，说明A历史学习行为数据与X标准知识点有关。以此类推，在学员p的所有历史学习行为数据中，确定与X标准知识点之间的第一匹配度大于第一预设阈值的A2历史学习行为数据、A3历史学习行为数据…An历史学习行为数据。进一步地，可以根据学员p产生A1历史学习行为数据-An历史学习行为数据的时间点，为X标准知识点确定一条初始学习路径。
以此类推，根据学员q的B1历史学习行为数据-Bm历史学习行为数据的时间点，为X标准知识点确定另一条初始学习路径。其中，B1历史学习行为数据-Bm历史学习行为数据分别与X标准知识点之间的第一匹配度均大于第一预设阈值。
在示例性的实施例中，每条初始学习路径是由学员的历史学习行为数据确定的具有时序的多个学习任务，并且每个学习任务可具有属性特征，包括：关于学习任务主题的主题特征、关于学习任务时间的时长特征、关于不同学习任务之间主题关联关系的关联特征。
从而，为预置知识图谱中的标准知识点确定各自的至少一条初始学习路径。
对于预置知识图谱中的每一个标准知识点，若其对应的初始学习路径大于一条。则在步骤S33中，通过RNN神经网络模型的第二隐藏层，对标准知识点对应的至少一条初始学习路径进行处理，得到每个学习任务的属性特征，并根据每个学习任务的属性特征确定标准知识点对应的通用学习路径。
仍以上述X标准知识点为例进行说明，若根据以上步骤确定X标准知识点的初始学习路径有两条，包括：由A1历史学习行为数据-An历史学习行为数据组成的第一初始学习路径和由B1历史学习行为数据-Bm历史学习行为数据组成的第二初始学习路径。根据两条初始学习路径中每个学习任务的属性特征将其进行合并，最终确定关于X标准知识点的一条学习路径(即为包含X标准知识点的通用学习路径)。其中，通用学习路径中的每个学习任务的属性特征包括：关联特征、时长特征、主题特征。
继续参考图2，在确定多条包含标准知识点的通用学习路径之后，在步骤S22中，根据所述目标用户的计划学习数据与所述多条包含标准知识点的通用学习路径，确定所述目标用户的计划学习路径。
在示例性的实施例中，图4示意性地示出了本发明实施例的计划学习路径的确定方法的流程示意图，可以作为步骤S22的一种具体实施方式。
参考图4，该实施例提供的计划学习路径的确定方法包括：
步骤S41，根据所述目标用户的计划学习数据，计算得到所述计划学习数据包含的至少一个计划知识点；
步骤S42，计算所述至少一个计划知识点与所述标准知识点之间的第二匹配度；以及，
步骤S43，根据所述第二匹配度确定至少一条通用学习路径作为所述目标用户的计划学习路径。
在示例性的实施例中，步骤S41中的计划学习数据可以为在线学习平台中的学员关于计划学习的科目、学科、知识点等的计划学习内容(如，学员a计划学习线性代数、学员b计划学习高等数学中的微积分章节、学员c计划学习中国近代史等)。进一步地，可以采取对上述计划学习内容提取关键词的方式确定对应的计划知识点。
由于通过提取关键词等方式在计划学习数据中确定的计划知识点，存在于预置知识图谱中的标准知识点不完全一致的情况，因此在步骤S42中，计算计划知识点与各个标准知识点之间的第二匹配度。
示例性的，在步骤S43中，若在预置知识图谱中，学员a对应的P计划知识点与Y标准知识点之间的第二匹配度最大，且大于第二预设阈值，说明P计划知识点与Y标准知识点匹配。以此类推，确定与学员a的所有计划知识点相匹配的标准知识点。进一步地，可以将这些匹配出来的标准知识点分别对应的通用学习路径作为所述学员a的计划学习路径。
需要说明的是，计划学习路径是根据目标用户个性化的计划学习数据获取标准知识点，进一步拉取标准知识点对应的通用学习路径。对于一个目标用户来说，其计划学习路径可能包含一条通用学习路径，也可能包含多条通用学习路径，这与目标用户的计划学习数据包含的知识点数目相关。
在示例性的实施例中，对于计划学习路径中的每个学习任务的属性特征，可以根据其在通用学习路径中学习任务的属性特征来确定。具体的，上述计划学习任务的属性特征包括不同计划学习任务之间的关联特征。
再次参考图2，在为目标用户确定计划学习路径之后，在步骤S23中，根据所述目标用户的计划学习数据和所述计划学习路径中计划学习任务的属性特征，对所述计划学习路径进行个性化处理，以确定所述目标用户的推荐学习路径。
其中，图5示意性地示出了本发明实施例的推荐学习路径的确定方法的流程示意图，可以作为步骤S23的一种具体实施方式。
参考图5，该实施例提供的推荐学习路径的确定方法包括：
步骤S51，拆分所述计划学习路径得到多个计划学习任务，并根据所述不同计划学习任务之间的关联特征对所述计划学习任务进行重排序处理；
步骤S52，获取所述目标用户的计划学习数据包含的计划学习时长与计划学习间隔时长；以及，
步骤S53，基于所述重新排序后的计划学习任务，以及所述计划学习时长与所述计划学习间隔时长，确定所述目标用户的推荐学习路径，所述推荐学习路径包括具有时序的多个推荐学习任务，每个推荐学习任务包括推荐学习主题和对应的推荐学习时长、以及不同的推荐学习主题之间的间隔时长。
在示例性的实施例中，由于根据学员a的计划学习数据确定的两个计划知识点，且根据匹配度计算确定出匹配度最大的标准知识点m和标准知识点n，因而学员a的计划学习路径有两条，分别为关于标准知识点m的通用学习路径{M1，M2，…，Mm}和标准知识点n的通用学习路径{N1，N2，…，Nn}，其中，M1，M2，…，Mm表示标准知识点m的通用学习路径中的学习任务，N1，N2，…，Nn表示标准知识点n的通用学习路径中的学习任务。
在步骤S51中，将目标用户(如，学员a)的上述两个通用学习路径分别拆分为多个计划学习任务，例如可以是：M1，M2，…，Mm，N1，N2，…，Nn。进一步的，根据各个计划学习任务属性特征中的关联特征，也就是说，根据不同计划学习任务对应的学习主题之间的关联关系，来对上述所有的计划学习任务进行重新排序，即将属于同一目标用户的多条计划学习路径所包含的所有学习任务进行排序，得到重新排序后的计划学习任务。示例性的，重新排序后的计划学习任务可以表示为：M1，M2，N1，M3，M4，N2，N3，N4，…,Nn。
在示例性的实施例中，在步骤S52和步骤S53中确定所述目标用户的推荐学习路径。其中，推荐学习路径包括具有时序的多个推荐学习任务，每个推荐学习任务包括推荐学习主题和对应的推荐学习时长、以及不同的推荐学习主题之间的间隔时长。具体地，根据上述重新排序后的计划学习任务、以及目标用户的计划学习时长与计划学习间隔时长，确定目标用户的推荐学习路径。以学员a的计划学习任务M1为例进行说明。
示例性的，对于关于标准知识点m的学习任务M1，根据其在通用学习路径中的属性特征中的主题特征：学习任务M1的学习主题为M1，则可以确定对学员a的推荐学习路径中的推荐学习任务M1的学习主题为M1。
示例性的，对于关于标准知识点m的学习任务M1，根据其在通用学习路径中的属性特征中的时长特征：学习任务M1的学习时长为S1，又根据学员a的计划学习时长S2，确定对学员a的推荐学习路径中的推荐学习任务M1的学习时长为S3(也就是说，根据S1、S2确定S3)。
示例性的，对于关于标准知识点m的学习任务M1，根据其在通用学习路径中的属性特征中的时长特征：学习任务M1与相邻学习任务之间的间隔时长为O1，又根据学员a的计划学习间隔时长O2，确定对学员a的推荐学习路径中的推荐学习任务M1的学习时长为O3(也就是说，根据O1、O2确定O3)。
以此类推，为学员a确定了推荐学习路径，其中，推荐学习路径包括具有时序的多个推荐学习任务，每个推荐学习任务包括推荐学习主题和对应的推荐学习时长、以及不同的推荐学习主题之间的间隔时长。
通过图2至图5所示实施例提供的技术方案，能够为任一目标用户提供一条满足个性化的推荐学习路径，同时，推荐学习路径满足用户的计划学习内容以及计划学习时间安排等。通过上述实施例提供的技术方案，根据每个目标用户的计划学习数据分别对每个用户的计划学习路径个性化处理，从而为不同的目标用户提供能够反映用户个性化的推荐学习路径，起到加强目标用户的学习持续性和自我约束力的效果。
继续参考图1，在确定目标用户的推荐学习路径之后，在步骤S12中，获取所述目标用户的实际学习路径，并将所述推荐学习路径和所述实际学习路径进行比对以得到比对结果。以及，在步骤S13中，根据所述比对结果确定对所述目标用户的督学策略。
在示例性的实施例中，图6示意性地示出了根据本发明实施例的第一督学策略和第二督学策略的确定方法的流程示意图。参考图6，该数据处理方法包括步骤S61-步骤S64。
需要注意的是，步骤S61和步骤S62组成的实施例可以作为步骤S12的一种具体实施方式。步骤S61、步骤S62和步骤S63可以作为根据比对结果确定的第一督学策略，步骤S61、步骤S62和步骤S64可以作为根据比对结果确定的第二督学策略。
以下对各种不同的督学策略依次进行详细阐述。
在步骤S61中，获取所述目标用户的实际学习路径，所述实际学习路径包括实际学习任务，所述实际学习任务对应的实际学习主题、完成所述实际学习主题的学习时长、以及完成不同实际学习主题之间的时间间隔。
示例性的，获取目标用户实际学习过程产生的数据：根据实际学习内容判断目标用户的学习主题(即实际学习主题)、完成此学习主题所花费的时间(即完成所述实际学习主题的学习时长)、以及与下一个学习主题之间的时间间隔(即完成不同实际学习主题之间的时间间隔)，从而确立了实际学习任务。进一步的，具有时序的多个实际学习任务组成实际学习路径。
示例性的，可以判断目标用户在学习主题对应的测试中取得的测试结果是否合格，来确定目标用户是否完成此学习主题。
在步骤S62中，将所述目标用户的推荐学习路径与所述实际学习路径进行对比，以获取比对结果。
根据上述比对结果，本技术方案能够确定不同的督学策略，从而通过不同的督学策略多方位地促使所述目标用户持续学习。
在示例性的实施例中，首先介绍上述第一督学策略。获取比对结果之后，在步骤S63中，根据所述比对结果调整所述推荐学习路径。具体的，根据不同的比对结果，可以针对目标用户的推荐学习路径确定不同调整方案。具体的调整方案在以下图7-图9所示实施例中分别进行详细阐述。
在示例性的实施例中，图7示意性地示出了根据本发明实施例的调整方案的确定方法的流程示意图。参考图7，该方法包括：
步骤S71，将所述实际学习主题与所述推荐学习主题进行比对以得到第一比对结果；以及，步骤S72，基于所述第一比对结果为所述实际学习主题与所述推荐学习主题不一致，调整所述推荐学习路径中推荐学习任务的先后顺序。
在示例性的实施例中，对于某一目标用户来说，其推荐学习路径与其实际学习路径进行对比的一种比对方式为学习主题之间的比对。即将目标用户的实际学习主题与所述推荐学习主题进行比对以得到第一比对结果。在基于上述第一比对结果为实际学习主题与推荐学习主题不一致的基础上，则本实施例提供的技术方案为：调整此目标用户的推荐学习路径中推荐学习任务的先后顺序。
示例性的，推荐学习路径K＝{k1，k2，k3，k4，k5…}与目标用户j对应，其中，k1，k2，k3，k4，k5表示推荐学习主题为k1，k2，k3，k4，k5的推荐学习任务。目标用户j在实际执行其推荐学习路径K中具有时序的推荐学习任务时，依次执行推荐学习主题为k1、k2的推荐学习任务之后，目标用户j更希望接下来执行推荐学习主题为k4的推荐学习任务。也就是目标用户j的实际学习任务的实际学习主题依次是k1，k2，k4。由此可见，目标用户j的实际学习路径为K’＝{k1，k2，k4…}。
将目标用户j的实际学习路径K’与其推荐学习路径K进行比对，响应于其实际学习主题与所述推荐学习主题不一致，则本实施例中将调整此目标用户的推荐学习路径中推荐学习任务的先后顺序为{k1，k2，k4，k3，k5…}。通过对推荐学习路径的调整，使得推荐学习路径更加符合目标用户的实际学习状态。
在示例性的实施例中，图8示意性地示出了根据本发明另一实施例的调整方案的确定方法的流程示意图。参考图8，该方法包括：
步骤S81，将所述完成所述实际学习主题的学习时长与对应的推荐学习时长进行比对以得到第二比对结果；以及，步骤S82，基于所述第二比对结果为完成所述实际学习主题的学习时长与对应的推荐学习时长不一致，调整所述推荐学习主题对应的推荐学习时长。
在示例性的实施例中，对于某一目标用户来说，其推荐学习路径与其实际学习路径进行对比的另一种比对方式为完成某一学习任务所用的学习时长之间的比对。即将目标用户的实际学习主题的学习时长与对应的推荐学习时长进行比对以得到第二比对结果。基于上述第二比对结果为完成所述实际学习主题的学习时长与对应的推荐学习时长不一致，则本实施例提供的技术方案为：调整此目标用户的推荐学习路径中推荐学习主题对应的推荐学习时长。
示例性的，推荐学习路径C＝{c1，c2，c3，c4，c5…}与目标用户d对应，其中，c1，c2，c3，c4，c5表示推荐学习主题为c1，c2，c3，c4，c5的推荐学习任务，且分别对应的推荐学习时长记作C1，C2，C3，C4，C5。目标用户d在实际执行其推荐学习路径C中具有时序的推荐学习任务时，执行推荐学习主题为c1的推荐学校任务所用时长是C1，但是由于目标用户d对推荐学习主题c2早有涉猎(即熟悉推荐学习主题c2)，因此执行推荐学习主题为c2的推荐学校任务所用时长是C2’小于对应的推荐时长C2。由此可见，目标用户d的实际学习路径为C’＝{c1，c2，…}，且完成实际学习主题c1的学习时长为C1，完成实际学习主题c2的学习时长为C2’。
将目标用户d的实际学习路径C’与其推荐学习路径C进行比对，其完成实际学习主题的学习时长与对应的推荐学习时长不一致，则本实施例中将调整此目标用户的推荐学习路径中推荐学习主题对应的推荐学习时长。例如，获取与推荐学习主题c2相关的学习任务，适当的缩短这些学习任务的推荐学习时长。通过对推荐学习路径的调整，使得推荐学习路径更加符合目标用户的实际学习状态。
在示例性的实施例中，图9示意性地示出了根据本发明再一实施例的调整方案的确定方法的流程示意图。参考图9，该方法包括：
步骤S91，将完成不同实际学习主题之间的间隔时长与所述不同的推荐学习主题之间的间隔时长进行比对以得到第三比对结果；以及，步骤S92，基于所述第三比对结果为完成不同实际学习主题的间隔时长与所述不同的推荐学习任务的间隔时长不一致，调整所述推荐学习主题之间的间隔时长。
在示例性的实施例中，对于某一目标用户来说，其推荐学习路径与其实际学习路径进行对比的再一种比对方式为：完成不同实际学习主题之间的间隔时长与所述不同的推荐学习主题之间的间隔时长进行比对以得到第三比对结果。基于上述第三比对结果为完成不同实际学习主题的间隔时长与不同的推荐学习主题之间的间隔时长不一致，则本实施例提供的技术方案为：调整此目标用户的推荐学习路径中推荐学习主题之间的间隔时长。
示例性的，推荐学习路径E＝{e1，e2，e3，e4，e5…}与目标用户f对应，其中，e1，e2，e3，e4，e5表示推荐学习主题为e1，e2，e3，e4，e5的推荐学习任务，且相邻推荐学习主题之间的间隔时长分别记作E1，E2，E3，E4。目标用户f在实际执行其推荐学习路径E中具有时序的推荐学习任务时，执行推荐学习主题为e1与推荐学习主题e2之间的间隔是E1，但是由于目标用户d认为推荐学习主题为e2与推荐学习主题为e3之间联系紧密，应当放在一起学习，因此实际执行推荐学习主题为e2与推荐学习主题为e3之间的间隔是E2’，小于对应的推荐时长E2。由此可见，目标用户f的实际学习路径为E’＝{e1，e2，e3，…}，且完成实际学习主题e1与实际学习主题e2之间的间隔时长为E1，完成实际学习主题e2与实际学习主题e3之间的间隔时长为E2’。
将目标用户f的实际学习路径E’与其推荐学习路径E进行比对，其完成不实际学习主题之间的间隔时长与不同的推荐学习主题之间不一致，则本实施例中将调整此目标用户的推荐学习路径中推荐学习主题之间的间隔时长。例如，分别获取与推荐学习主题e2/e3相关的学习任务，适当的缩短这些学习主题的间隔时长。通过对推荐学习路径的调整，使得推荐学习路径更加符合目标用户的实际学习状态。
在示例性的实施例中介绍上述第二督学策略。获取比对结果之后，在步骤S64中，根据所述比对结果发送对所述推荐学习路径的调整建议消息；响应于所述目标用户对所述调整建议消息的应答信息，对所述推荐学习路径进行调整。本督学策略中，向目标用户推送调整建议消息，且当目标用户确定需要调整推荐学校路径时，才实时调整方案。因此，本督学策略提供目标用户自主选择的方式，提高了督促的灵活性。
在示例性的实施例中，根据目标用户的实际学习路径与推荐学习路径的比对结果，不仅可以针对目标用户的推荐学习路径确定不同调整方案(如，图7-9所示实施例)，还可以向目标用户提供个性化的提醒消息。也就是说，本技术方案提供的督学策略不限于对推荐学习路径的调整，还包括：根据目标用户的实际学习路径与推荐学习路径的比对结果，向目标用户提供个性化的提醒消息(可以记作第三督学策略)。示例性的，图10示意性地示出了根据本发明实施例的第三督学策略的确定方法的流程示意图。
参考图10，该图示出的督学策略的确定方法，包括：
步骤S101，将所述实际学习主题与所述推荐学习主题进行比对以得到第一比对结果；步骤S102，根据所述第一比对结果确定所述目标用户所处的学习阶段；以及，步骤S103，为不同学习阶段的目标用户发送不同的督学提醒消息；其中，所述学习阶段包括但不限于：初学阶段、持续学习阶段、深度学习阶段与放弃学习阶段。
示例性的，将推荐学习路径分为不同的学习阶段，包括但不限于：初学阶段、持续学习阶段、深度学习阶段与放弃学习阶段。进一步地，可以根据推荐学习任务在推荐学习路径所处的位置确定此学习任务所属的学习阶段。由于，每个推荐学习任务与学习主题对应。因此，可以根据推荐学习任务对应的学习主题在推荐学习路径所处的位置确定此学习主题所属的学习阶段。
在示例性的实施例中，在步骤S101中将目标用户的实际学习主题与推荐学习主题进行比对以得到第一比对结果。以及，在步骤S102中，根据所述第一比对结果确定所述目标用户所处的学习阶段。
示例性的，将目标用户的实际学习主题与推荐学习主题进行比对，确定与实际学习主题相同的推荐学习主题，根据推荐学习主题在推荐学习路径所述的位置确定其所处的学习阶段，从而，获知目标用户的实际学习主题所述的学习阶段。
进一步地，在步骤S103中，为不同学习阶段的目标用户发送不同的督学提醒消息。
示例性的，根据目标用户的实际学习主题所处的学习阶段(初学阶段、持续学习阶段、深度学习阶段或放弃学习阶段)，向目标用户推送不同的督学提醒消息，以促使目标用户坚持学习，从而有利于进一步引发目标用户自律学习的积极性，提高各个目标用户的完课率。
在本发明的一些实施例中，基于前述方案，在得到所述目标用户的推荐学习路径之后，本实施例提供的数据处理方法，还包括：根据所述目标用户的推荐学习路径，生成所述目标用户的可交互学习日历。
在示例性的实施例中，图11示意性地示出了根据本发明实施例的可交互日历的确定方法的流程示意图，参考图11，该方法包括：
步骤S111，为所述推荐学习路径中的每个推荐学习任务设置对应的超链接。以及，步骤S112，根据所述推荐学习路径中的每个推荐学习任务对应的超链接，生成所述目标用户的可交互学习日历，所述每个推荐学习任务对应的超链接用于为所述目标用户提供所述推荐学习路径中的每个推荐学习任务对应的学习场景。
在示例性的实施例中，对于任一目标用户的推荐学习路径，为其包含的每个推荐学习任务设置超链接，目标用户通过超链接可以进入学习任务对应的学习场景，例如：授课老师授课的场景、提问问题的场景、测试场景等等。然后，根据推荐学习路径中学习任务之间的间隔时长，将针对不同学习任务的超链接分布至日历中形成可交互日历。
在本实施例提供的技术方案中，为每个目标用户提供一种可交互的日历。目标用户可点击可交互日历展示的学习任务前往对应学习场景，进行学习。例如学习视频课程，则可以点击超链接前往对应的视频学习的地址，点击测验作业则会前往对应答题页等。
在本实施例提供的技术方案中，可交互日历将按照间隔时长分布的学习任务可视化，目标用户可以清楚地了解可交互日历中的学习任务的时间分布，可以按照可交互日历中的时间安排进行学习任务的学习。从而，可交互日历将推荐学习路径包含的学习任务可视化，在督促目标用户学习的同时有效的起到了他律作用，有利于提高目标用户学习的持续性。并且，目标用户可以根据可交互日历中的超链接进入学习任务对应的学习场景，从而为目标用户学习对应的学习任务提供了便利，有利于提高目标用户的学习效率。
在示例性的实施例中，在获取所述目标用户的实际学习路径之后，本技术方案还包括：根据获取到的实际学习路径，确定预设时长内的学习成果反馈报告并发送至所述目标用户。通过可视化学习成果展示给目标用户，可以增加目标用户的学习成就感，进一步促使目标用户持续学习所述推荐学习路径的推荐学习任务。
示例性装置
在介绍了本发明示例性实施例的方法之后，接下来，参考图9对本发明示例性实施方式的数据处理的装置进行说明。
图12示意性地示出了根据本发明实施例的数据处理的装置的结构示意图。参考图12，数据处理的装置1200，包括：个性化处理模块1201、比对模块1202、以及督学策略确定模块1204。
其中，个性化处理模块1201，用于根据目标用户的计划学习数据，对包含标准知识点的通用学习路径进行个性化处理，以确定所述目标用户的推荐学习路径，其中，所述通用学习路径包含多个学习任务；
比对模块1202，用于获取所述目标用户的实际学习路径，并将所述推荐学习路径和所述实际学习路径进行比对以得到比对结果；
督学策略确定模块1203，用于根据所述比对结果确定对所述目标用户的督学策略，所述督学策略用于促使所述目标用户持续学习所述推荐学习路径的推荐学习任务。
在本发明的一些实施例中，基于前述方案，所述个性化处理模块1201，包括：
通用学习路径确定子模块2011，用于基于机器学习模型，根据不同用户的历史学习行为数据确定多条包含标准知识点的通用学习路径；
计划学习路径确定子模块2012，用于根据所述目标用户的计划学习数据与所述多条包含标准知识点的通用学习路径确定子模块，用于确定所述目标用户的计划学习路径；
推荐学习路径确定子模块2013，用于根据所述目标用户的计划学习数据和所述计划学习路径中计划学习任务的属性特征，对所述计划学习路径进行个性化处理，以确定所述目标用户的推荐学习路径。
在本发明的一些实施例中，基于前述方案，所述通用学习路径确定子模块2011，包括：
采集单元20111，用于采集海量用户的历史学习行为数据，并将所述历史学习行为数据输入RNN神经网络模型；
匹配度计算单元20112，用于通过所述RNN神经网络模型的第一隐藏层，计算每个用户的历史学习行为数据与所述标准知识点之间的第一匹配度，并根据所述第一匹配度确定所述标准知识点对应的至少一条初始学习路径；
处理单元20113，用于通过所述RNN神经网络模型的第二隐藏层，对所述标准知识点对应的至少一条初始学习路径进行处理，得到每个学习任务的属性特征，并根据所述每个学习任务的属性特征确定所述标准知识点对应的通用学习路径；
其中，所述属性特征包括：关联特征、时长特征、主题特征；所述有序历史学习行为数据包括但不限于：浏览数据、收藏数据、点击数据、测试数据、在线学习数据。
在本发明的一些实施例中，基于前述方案，所述计划学习路径确定子模块2012，包括：
知识点计算单元20121，用于根据所述目标用户的计划学习数据，计算得到所述计划学习数据包含的至少一个计划知识点；
匹配度计算单元20122，用于计算所述至少一个计划知识点与所述标准知识点之间的第二匹配度；
计划学习路径确定单元20123，用于根据所述第二匹配度确定至少一条通用学习路径作为所述目标用户的计划学习路径。
在本发明的一些实施例中，基于前述方案，所述计划学习任务的属性特征包括不同计划学习任务之间的关联特征，
其中，所述推荐学习路径确定子模块2013，包括：
拆分单元20131，用于拆分所述计划学习路径得到多个计划学习任务，并根据所述不同计划学习任务之间的关联特征对所述计划学习任务进行重排序处理；
获取单元20132，用于获取所述目标用户的计划学习数据包含的计划学习时长与计划学习间隔时长；
确定单元20133，用于基于所述重新排序后的计划学习任务，以及所述计划学习时长与所述计划学习间隔时长，确定所述目标用户的推荐学习路径，所述推荐学习路径包括具有时序的多个推荐学习任务，每个推荐学习任务包括推荐学习主题和对应的推荐学习时长、以及不同的推荐学习主题之间的间隔时长。
在本发明的一些实施例中，基于前述方案，所述比对模块1202，包括：
实际学习路径获取子模块2021，用于获取所述目标用户的实际学习路径，所述实际学习路径包括实际学习任务，所述实际学习任务对应的实际学习主题、完成所述实际学习主题的学习时长、以及完成不同实际学习主题之间的时间间隔；
比对结果获取子模块2022，用于将所述目标用户的推荐学习路径与所述实际学习路径进行对比，以获取比对结果。
在本发明的一些实施例中，基于前述方案，所述比对结果获取子模块2022，包括：
主题比对单元20221，用于将所述实际学习主题与所述推荐学习主题进行比对以得到第一比对结果；
学习时长比对单元20222，用于将所述完成所述实际学习主题的学习时长与对应的推荐学习时长进行比对以得到第二比对结果；
间隔时长比对单元20223，用于将完成不同实际学习主题之间的间隔时长与所述不同的推荐学习主题之间的间隔时长进行比对以得到第三比对结果。
在本发明的一些实施例中，基于前述方案，所述督学策略确定模块1203，包括：
学习阶段确定子模块2031，用于根据所述第一比对结果确定所述目标用户所处的学习阶段；
提醒消息发送子模块2032，用于为不同学习阶段的目标用户发送不同的督学提醒消息；
其中，所述学习阶段包括但不限于：初学阶段、持续学习阶段、深度学习阶段与放弃学习阶段。
在本发明的一些实施例中，基于前述方案，所述督学策略确定模块1203，包括：
调整子模块2034，用于根据所述比对结果调整所述推荐学习路径。
在本发明的一些实施例中，基于前述方案，所述调整子模块2034，具体用于：
基于所述第一比对结果为所述实际学习主题与所述推荐学习主题不一致，调整所述推荐学习路径中推荐学习任务的先后顺序；
基于所述第二比对结果为完成所述实际学习主题的学习时长与对应的推荐学习时长不一致，调整所述推荐学习主题对应的推荐学习时长；和/或，
基于所述第三比对结果为完成不同实际学习主题的间隔时长与所述不同的推荐学习任务的间隔时长不一致，调整所述推荐学习主题之间的间隔时长。
在本发明的一些实施例中，基于前述方案，所述督学策略确定模块1203，包括：建议消息发送子模块2033，用于根据所述比对结果，发送对所述推荐学习路径的调整建议消息；
上述调整子模块2034，还用于响应于所述目标用户对所述调整建议消息的应答信息，对所述推荐学习路径进行调整。
在本发明的一些实施例中，基于前述方案，所述装置还包括：
可交互学习日历生产模块1204，用于根据所述目标用户的推荐学习路径，生成所述目标用户的可交互学习日历。
在本发明的一些实施例中，基于前述方案，所述可交互学习日历生产模块1204，具体用于：
为所述推荐学习路径中的每个推荐学习任务设置对应的超链接；
根据所述推荐学习路径中的每个推荐学习任务对应的超链接，生成所述目标用户的可交互学习日历，所述每个推荐学习任务对应的超链接用于为所述目标用户提供所述推荐学习路径中的每个推荐学习任务对应的学习场景。
在本发明的一些实施例中，基于前述方案，所述装置还包括：
学习成果反馈模块1205，用于根据获取到的实际学习路径，确定预设时长内的学习成果反馈报告并发送至所述目标用户，以促使所述目标用户持续学习所述推荐学习路径的推荐学习任务。
示例性介质
在介绍了本发明示例性实施例的装置之后，接下来，对本发明示例性实施方式的介质进行说明。
在一些可能的实施方式中，本发明的各个方面还可以实现为一种介质，其上存储有程序代码，当所述程序代码被设备的处理器执行时，用于实现本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的数据处理的方法中的步骤。
例如，所述设备的处理器执行所述程序代码时可以实现如图1中所述的步骤S11，根据目标用户的计划学习数据，对包含标准知识点的通用学习路径进行个性化处理，以确定所述目标用户的推荐学习路径，其中，所述通用学习路径包含多个学习任务；步骤S12，获取所述目标用户的实际学习路径，并将所述推荐学习路径和所述实际学习路径进行比对以得到比对结果；以及，步骤S13，根据所述比对结果确定对所述目标用户的督学策略，所述督学策略用于促使所述目标用户持续学习所述推荐学习路径的推荐学习任务。
参考图13所示，描述了根据本发明的实施例的用于实现上述数据处理方法的程序产品1300，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此。
在本发明的一些实施方式中，所述设备的处理器执行所述程序代码时用于实现如图1至图11任一图示的步骤。
需要说明的是：上述的介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于：电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于：电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、有线、光缆、RF等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户电子设备上执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务器上执行。在涉及远程电子设备的情形中，远程电子设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户电子设备，或者，可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
示例性电子设备
在介绍了本发明示例性实施方式的数据处理的方法、数据处理的装置、计算机可读介质之后，接下来，介绍根据本发明的另一示例性实施方式的电子设备。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施方式中，根据本发明实施方式的电子设备可以至少包括至少一个处理器、以及至少一个存储器。其中，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的数据处理的方法中的步骤。例如，所述处理器可以执行如图1中所述的步骤S11，根据目标用户的计划学习数据，对包含标准知识点的通用学习路径进行个性化处理，以确定所述目标用户的推荐学习路径，其中，所述通用学习路径包含多个学习任务；步骤S12，获取所述目标用户的实际学习路径，并将所述推荐学习路径和所述实际学习路径进行比对以得到比对结果；以及，步骤S13，根据所述比对结果确定对所述目标用户的督学策略，所述督学策略用于促使所述目标用户持续学习所述推荐学习路径的推荐学习任务。
又如，所述处理器也可以执行如图1至图11任一图示的步骤。
下面参照图14来描述根据本发明的示例实施例的电子设备1400。图14所示的电子设备1400仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图14所示，电子设备1400以通用电子设备的形式表现。电子设备1400的组件可以包括但不限于：上述至少一个处理单元1401、上述至少一个存储单元1402、连接不同系统组件(包括存储单元1402和处理单元1401)的总线1403、显示单元1407。
总线1403包括数据总线、地址总线和控制总线。
存储单元1402可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)14021和/或高速缓存存储器14022，还可以进一步包括只读存储器(ROM)14023。
存储单元1402还可以包括具有一组(至少一个)程序模块14024的程序/实用工具14025，这样的程序模块14024包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
电子设备1400也可以与一个或多个外部设备1404(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与电子设备1400交互的设备通信，和/或与使得电子设备1400能与一个或多个其它电子设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1405进行。并且，电子设备1400还可以通过网络适配器1406与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器1406通过总线1403与电子设备1400的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1400使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了数据处理装置的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施例，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
应当注意，尽管在上文详细描述中提及了数据处理的装置的若干单元或子单元，但是这种划分仅仅是示例性的，并非是强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或单元的特征和功能可以在一个模块或单元中具体化。反之，上文描述的一个模块或单元的特征和功能可以进一步划分为由多个模块或单元来具体化。
此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
虽然已经参考若干具体实施方式描述了本发明的精神和原理，但是应该理解，本发明并不限于所发明的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合以进行受益，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。
Claims (10)
1.一种数据处理的方法，其中，该方法包括：
根据目标用户的计划学习数据，对包含标准知识点的通用学习路径进行个性化处理，以确定所述目标用户的推荐学习路径，其中，所述通用学习路径包含多个学习任务；
获取所述目标用户的实际学习路径，并将所述推荐学习路径和所述实际学习路径进行比对以得到比对结果；
根据所述比对结果确定对所述目标用户的督学策略，所述督学策略用于促使所述目标用户持续学习所述推荐学习路径的推荐学习任务。
2.根据权利要求1所述的方法，其中，根据目标用户的计划学习数据，对包含标准知识点的通用学习路径进行个性化处理，以确定所述目标用户的推荐学习路径，包括：
基于机器学习模型，根据不同用户的历史学习行为数据确定多条包含标准知识点的通用学习路径；
根据所述目标用户的计划学习数据与所述多条包含标准知识点的通用学习路径，确定所述目标用户的计划学习路径；
根据所述目标用户的计划学习数据和所述计划学习路径中计划学习任务的属性特征，对所述计划学习路径进行个性化处理，以确定所述目标用户的推荐学习路径。
3.根据权利要求2所述的方法，其中，基于机器学习模型，根据不同用户的历史学习行为数据确定多条包含标准知识点的通用学习路径，包括：
采集海量用户的历史学习行为数据，并将所述历史学习行为数据输入RNN神经网络模型；
通过所述RNN神经网络模型的第一隐藏层，计算每个用户的历史学习行为数据与所述标准知识点之间的第一匹配度，并根据所述第一匹配度确定所述标准知识点对应的至少一条初始学习路径；
通过所述RNN神经网络模型的第二隐藏层，对所述标准知识点对应的至少一条初始学习路径进行处理，得到每个学习任务的属性特征，并根据所述每个学习任务的属性特征确定所述标准知识点对应的通用学习路径；
其中，所述属性特征包括：关联特征、时长特征、主题特征；所述有序历史学习行为数据包括但不限于：浏览数据、收藏数据、点击数据、测试数据、在线学习数据。
4.根据权利要求2所述的方法，其中，根据所述目标用户的计划学习数据与所述多条包含标准知识点的通用学习路径，确定所述目标用户的计划学习路径，包括：
根据所述目标用户的计划学习数据，计算得到所述计划学习数据包含的至少一个计划知识点；
计算所述至少一个计划知识点与所述标准知识点之间的第二匹配度；
根据所述第二匹配度确定至少一条通用学习路径作为所述目标用户的计划学习路径。
5.根据权利要求2所述的方法，所述计划学习任务的属性特征包括不同计划学习任务之间的关联特征，
其中，根据所述目标用户的计划学习数据和所述计划学习路径中计划学习任务的属性特征，对所述计划学习路径进行个性化处理，包括：
拆分所述计划学习路径得到多个计划学习任务，并根据所述不同计划学习任务之间的关联特征对所述计划学习任务进行重排序处理；
获取所述目标用户的计划学习数据包含的计划学习时长与计划学习间隔时长；
基于所述重新排序后的计划学习任务，以及所述计划学习时长与所述计划学习间隔时长，确定所述目标用户的推荐学习路径，所述推荐学习路径包括具有时序的多个推荐学习任务，每个推荐学习任务包括推荐学习主题和对应的推荐学习时长、以及不同的推荐学习主题之间的间隔时长。
6.根据权利要求1至4中任一项所述的方法，其中，获取所述目标用户的实际学习路径，并将所述推荐学习路径和所述实际学习路径进行比对以得到比对结果，包括：
获取所述目标用户的实际学习路径，所述实际学习路径包括实际学习任务，所述实际学习任务对应的实际学习主题、完成所述实际学习主题的学习时长、以及完成不同实际学习主题之间的时间间隔；
将所述目标用户的推荐学习路径与所述实际学习路径进行对比，以获取比对结果。
7.根据权利要求6中所述的方法，其中，将所述目标用户的推荐学习路径与所述实际学习路径进行对比，以获取比对结果，包括：
将所述实际学习主题与所述推荐学习主题进行比对以得到第一比对结果；
将所述完成所述实际学习主题的学习时长与对应的推荐学习时长进行比对以得到第二比对结果；
将完成不同实际学习主题之间的间隔时长与所述不同的推荐学习主题之间的间隔时长进行比对以得到第三比对结果。
8.一种数据处理的装置，其中，该装置包括：
个性化处理模块，用于根据目标用户的计划学习数据，对包含标准知识点的通用学习路径进行个性化处理，以确定所述目标用户的推荐学习路径，其中，所述通用学习路径包含多个学习任务；
比对模块，用于获取所述目标用户的实际学习路径，并将所述推荐学习路径和所述实际学习路径进行比对以得到比对结果；
督学策略确定模块，用于根据所述比对结果确定对所述目标用户的督学策略，所述督学策略用于促使所述目标用户持续学习所述推荐学习路径的推荐学习任务。
9.一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如权利要求1至7中任一项所述的数据处理方法。
10.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至7中任一项所述的数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910089816.9A CN109886848B (zh) | 2019-01-30 | 2019-01-30 | 数据处理的方法、装置、介质和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910089816.9A CN109886848B (zh) | 2019-01-30 | 2019-01-30 | 数据处理的方法、装置、介质和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109886848A true CN109886848A (zh) | 2019-06-14 |
| CN109886848B CN109886848B (zh) | 2021-08-13 |
Family
ID=66927389
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910089816.9A Active CN109886848B (zh) | 2019-01-30 | 2019-01-30 | 数据处理的方法、装置、介质和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109886848B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111291982A (zh) * | 2020-01-21 | 2020-06-16 | 青梧桐有限责任公司 | 租务工单推荐顺序评估方法、系统、电子设备及存储介质 |
| CN111985821A (zh) * | 2020-08-24 | 2020-11-24 | 北京鸿联九五信息产业有限公司 | 企业服务信息处理方法、装置、电子设备及存储介质 |
| CN112765406A (zh) * | 2019-11-04 | 2021-05-07 | 亿度慧达教育科技（北京）有限公司 | 学习资源规划方法、电子设备及计算机存储介质 |
| CN113313454A (zh) * | 2020-02-26 | 2021-08-27 | 阿里巴巴集团控股有限公司 | 时间提醒方法、装置及设备 |
| CN114998068A (zh) * | 2022-05-19 | 2022-09-02 | 海信集团控股股份有限公司 | 学习计划的生成方法及电子设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102346976A (zh) * | 2011-03-03 | 2012-02-08 | 郭华 | 基于知识结构及效果反馈的电子设备辅助学习方法 |
| CN103106574A (zh) * | 2013-02-25 | 2013-05-15 | 广东欧珀移动通信有限公司 | 在电子设备的日历中提供视频链接的方法及系统 |
| CN106203951A (zh) * | 2016-07-01 | 2016-12-07 | 北京小米移动软件有限公司 | 日历事件提醒方法及装置 |
| CN106780226A (zh) * | 2017-04-12 | 2017-05-31 | 中山市读书郎电子有限公司 | 一种具有个性化的定制式学习方法 |
| CN107665473A (zh) * | 2016-07-27 | 2018-02-06 | 科大讯飞股份有限公司 | 学习路径规划方法和装置 |
| CN107741978A (zh) * | 2017-10-13 | 2018-02-27 | 北京中教在线科技有限公司 | 一种个性化学习资源推送方法及其系统 |
-
2019
- 2019-01-30 CN CN201910089816.9A patent/CN109886848B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102346976A (zh) * | 2011-03-03 | 2012-02-08 | 郭华 | 基于知识结构及效果反馈的电子设备辅助学习方法 |
| CN103106574A (zh) * | 2013-02-25 | 2013-05-15 | 广东欧珀移动通信有限公司 | 在电子设备的日历中提供视频链接的方法及系统 |
| CN106203951A (zh) * | 2016-07-01 | 2016-12-07 | 北京小米移动软件有限公司 | 日历事件提醒方法及装置 |
| CN107665473A (zh) * | 2016-07-27 | 2018-02-06 | 科大讯飞股份有限公司 | 学习路径规划方法和装置 |
| CN106780226A (zh) * | 2017-04-12 | 2017-05-31 | 中山市读书郎电子有限公司 | 一种具有个性化的定制式学习方法 |
| CN107741978A (zh) * | 2017-10-13 | 2018-02-27 | 北京中教在线科技有限公司 | 一种个性化学习资源推送方法及其系统 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112765406A (zh) * | 2019-11-04 | 2021-05-07 | 亿度慧达教育科技（北京）有限公司 | 学习资源规划方法、电子设备及计算机存储介质 |
| CN112765406B (zh) * | 2019-11-04 | 2022-11-11 | 亿度慧达教育科技（北京）有限公司 | 学习资源规划方法、电子设备及计算机存储介质 |
| CN111291982A (zh) * | 2020-01-21 | 2020-06-16 | 青梧桐有限责任公司 | 租务工单推荐顺序评估方法、系统、电子设备及存储介质 |
| CN113313454A (zh) * | 2020-02-26 | 2021-08-27 | 阿里巴巴集团控股有限公司 | 时间提醒方法、装置及设备 |
| CN111985821A (zh) * | 2020-08-24 | 2020-11-24 | 北京鸿联九五信息产业有限公司 | 企业服务信息处理方法、装置、电子设备及存储介质 |
| CN114998068A (zh) * | 2022-05-19 | 2022-09-02 | 海信集团控股股份有限公司 | 学习计划的生成方法及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109886848B (zh) | 2021-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109886848A (zh) | 数据处理的方法、装置、介质和电子设备 | |
| CN103620662B (zh) | 用于自适应知识评估和学习的系统与方法 | |
| Toth et al. | Integrated environmental assessment methods: Evolution and applications | |
| CN109858806A (zh) | 数据处理的方法、装置、介质和电子设备 | |
| KR102305645B1 (ko) | 문제의 게임화를 위한 시스템들 및 방법들 | |
| CN108492096A (zh) | 一种个性化自主学习装置及方法 | |
| Griol et al. | An approach to develop intelligent learning environments by means of immersive virtual worlds | |
| CN107423851A (zh) | 基于学习风格情境感知的自适应学习方法 | |
| CN108763342A (zh) | 学习资源分配方法和装置 | |
| US10188337B1 (en) | Automated correlation of neuropsychiatric test data | |
| Mason et al. | Mindstorms robots and the application of cognitive load theory in introductory programming | |
| Cheng et al. | Artificial intelligence based on effectiveness of inverted classroom teaching of college sports | |
| Khan et al. | Automatic student modelling for detection of learning styles and affective states in web based learning management systems | |
| Rienties et al. | Modeling and managing student satisfaction: use of student feedback to enhance learning experience | |
| So | Does computation technology matter in science, technology, engineering and mathematics (STEM) projects? | |
| US11551321B1 (en) | Dynamic education planning methods and systems | |
| Wang et al. | An automatic classification and clustering algorithm for online learning goals based on cognitive thinking | |
| Abbas et al. | Ready, trainer… one*! discovering the entanglement of adaptive learning with virtual reality in industrial training: a case study | |
| McCusker et al. | Intelligent assessment and content personalisation in adaptive educational systems | |
| Irfan et al. | Cognitive computing applications in education and learning | |
| Jarusek et al. | A web-based problem solving tool for introductory computer science | |
| CN105118341B (zh) | 一种网络课堂教学方法及系统 | |
| Peng | Digital technologies: potential for piano education | |
| KR101627397B1 (ko) | 단어 연상 퀴즈 서비스 제공 시스템 및 방법 | |
| Li et al. | Evaluating human–computer interaction education based on active learning methods using the CRITIC and TOPSIS approach |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20190823 Address after: 310052 Room 309, Building No. 599, Changhe Street Network Business Road, Binjiang District, Hangzhou City, Zhejiang Province Applicant after: Netease Youdao Information Technology (Hangzhou) Co., Ltd. Address before: Hangzhou City, Zhejiang province Binjiang District 310052 River Street Network Road No. 599 building 4 layer 7 Applicant before: NetEase (Hangzhou) Network Co., Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |