CN110134863B - 应用程序推荐的方法及装置 - Google Patents
应用程序推荐的方法及装置 Download PDFInfo
- Publication number
- CN110134863B CN110134863B CN201910336155.5A CN201910336155A CN110134863B CN 110134863 B CN110134863 B CN 110134863B CN 201910336155 A CN201910336155 A CN 201910336155A CN 110134863 B CN110134863 B CN 110134863B
- Authority
- CN
- China
- Prior art keywords
- user
- information
- application program
- ability
- application
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 230000009471 action Effects 0.000 claims abstract description 50
- 230000008569 process Effects 0.000 claims abstract description 27
- 230000003993 interaction Effects 0.000 claims description 31
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 description 11
- 238000011161 development Methods 0.000 description 9
- 230000018109 developmental process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 210000003128 head Anatomy 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000016776 visual perception Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000008140 language development Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003923 mental ability Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000003393 splenic effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种应用程序的推荐方法及装置,应用于教学设备,其特征在于,包括:在应用程序运行过程中获取用户信息,所述用户信息包括用户身份信息、年龄信息以及所述用户对所述应用程序的操作信息;根据所述用户信息对所述用户能力进行评估,获取所述用户的能力信息,所述能力信息包括所述用户的思维能力、语言能力、动作能力、协作能力及自我认知能力的其中一种或多种的组合;根据所述用户的能力信息,为用户进行一个或多个应用程序的推荐,所述一个或多个应用程序与所述用户的能力信息进行匹配。本发明提供的应用程序的推荐方法及装置能够自适应及个性化地为所述用户推荐应用,提高了应用程序推荐成功率,很大程度提升用户体验性。
Description
技术领域
本发明属于信息技术领域,具体地,涉及一种应用程序推荐的方法及装置。
背景技术
目前的教学过程中,如何针对性地对具备不同能力的学生进行自适应教学是一个重要的课题。
在目前的教学方式中,可根据大数据或自适应的教学系统来判断不同学生的能力高低,例如从海量的学生习题里面进行大数据分析,并对该学生进行综合性评判,推荐符合其能力的教学试题。
然而,针对3-6岁的学龄前儿童阶段,却并没有相应的习题测试方式来评判孩子的能力发展水平,也并不能为孩子推荐适合自己能力以及帮助自己能力提高的途径。相反地,在学龄前儿童阶段,学习能力往往用游戏及娱乐的方式来进行,例如益智类的游戏应用程序可帮助幼儿进行快速成长,无论是思维层面还是动手层面,均可以得到不同程度的提高。
但是,对于游戏及类似游戏的益智类应用程序而言,却并没有一种行之有效的方式来自适应及个性化推荐给不同的孩子,导致应用程序推荐成功和准确率低,用户体验差。
发明内容
本发明提供了一种应用程序的推荐方法及装置,解决了现有技术中不能个性化、自适应推荐与幼儿能力匹配的应用程序的问题。
为了实现上述目的,本发明提供了一种应用程序的推荐方法,应用于教学设备,包括:
在应用程序运行过程中获取用户信息,所述用户信息包括用户身份信息、年龄信息以及所述用户对所述应用程序的操作信息;
根据所述用户信息对所述用户能力进行评估,获取所述用户的能力信息,所述能力信息包括所述用户的思维能力、语言能力、动作能力、协作能力及自我认知能力的其中一种或多种的组合;
根据所述用户的能力信息,为用户进行一个或多个应用程序的推荐,所述一个或多个应用程序与所述用户的能力信息进行匹配。
可选地,所述用户对所述应用程序的操作信息包括所述用户操作所述应用程序时的交互指令及交互时间、所述用户操作所述应用程序时的历史数据、所述用户在操作所述应用程序后的得分数据,则所述根据所述用户信息对所述用户能力进行评估,包括:
对所述交互指令及交互时间进行解析,获取所述用户对所述应用程序操作的熟练程度参数;
对所述历史数据进行解析,获取所述用户的能力进步值,并绘制所述用户的进步曲线图,根据所述用户操作所述应用程序的得分数据,确定所述应用程序在本次操作中的难易程度;
按照所述熟练程度参数、进步曲线图及难易程度,对所述用户能力进行评估,获取所述用户的能力评估值;
根据关联系统共享的所述用户的能力参数,对所述能力评估值进行优化,所述关联系统为所述用户操作过所述应用程序的系统。
可选地,所述按照所述熟练程度参数、进步曲线图及难易程度,对所述用户能力进行评估,包括:
按照所述熟练程度参数、进步曲线图及难易程度,利用K-Means聚类算法对所述用户能力进行评估,并获取所述用户能力信息。
可选地,所述教学设备包括摄像头及麦克风,则所述在应用程序运行过程中获取用户信息,包括:
在所述应用程序运行过程中,实时捕获所述用户对所述应用程序的操作信息,所述操作信息包括所述用户的动作及声音,其中,通过所述摄像头获取所述用户的动作视频,通过所述麦克风获取所述用户的声音数据。
可选地,所述实时捕获所述用户对所述应用程序的操作信息之后,包括:若根据操作信息识别出用户的身份与教员或家长匹配,则为所述用户提供推荐权限,以使所述用户自定义推荐一个或多个应用程序。
可选地,所述根据所述用户信息对所述用户能力进行评估,包括:
利用深度神经网络对所述用户的动作进行解析,并利用自动声音识别ASR对所述用户的声音进行识别,确定出所述用户的思维能力、语言能力、动作能力、协作能力及自我认知能力。
可选地,所述解析所述用户的动作,包括:利用卷积神经网络算法对所述用户的动作进行解析,包括:采集所述用户的动作数据;根据所述动作数据获取网络模型,对所述网络模型进行训练,利用训练后的模型解析所述用户的动作。
可选地,所述根据所述用户的能力信息,为用户进行一个或多个应用程序的推荐,所述一个或多个应用程序与所述用户的能力信息进行匹配,包括:
获取所有应用程序的难易程度值;
确定所述用户的能力信息对应的难易程度值;
推荐与所述用户能力信息相匹配的所述一个或多个应用程序,所述相匹配的一个或多个应用程序难易程度与用户能力信息对应难易程度之差在预设阈值范围内。
可选地,所述应用程序为游戏,则所述为用户进行一个或多个应用程序的推荐,包括:
为用户推荐与所述用户能力相匹配的游戏;或在游戏运行过程中,为用户推荐与用户能力相匹配的游戏关卡。
本发明实施例还提供了一种应用程序的推荐装置,所述装置处理器和用于存储能够在处理器上运行的计算机程序的存储器;其中,所述处理器用于运行所述计算机程序时,执行上述应用程序推荐的方法。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机可执行指令,该计算机可执行指令用于执行上述应用程序推荐的方法。
本发明实施例提供应用程序推荐的方法及装置,所述方法通过获取用户信息,并根据所述用户信息对所述用户能力进行评估,获取所述用户的能力信息,进而根据所述能力信息,为所述用户推荐与所述能力信息匹配的一个或多个应用程序的推荐。实现根据所述用户的能力自适应且个性化地为所述用户推荐应用,提高了应用程序推荐成功率,很大程度提升用户体验性。
附图说明
图1是本发明实施例中应用程序的推荐方法的流程图;
图2是本发明实施例中对所述用户能力进行评估方法的流程图;
图3是本发明又一个实施例中应用程序的推荐方法的流程图;
图4是本发明实施例中应用实例的示意图;
图5是本发明实施例中应用程序的推荐装置组成结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
为达到以上目的,如图1所示,本发明提供了一种应用程序的推荐方法,该方法包括:
步骤101、在应用程序运行过程中获取用户信息,用户信息包括用户身份信息、年龄信息以及用户对应用程序的操作信息。
用户信息包括用户访问应用程序的身份信息可以指的登录应用程序的登录ID。其中,登录ID可以注册应用程序时由系统随机分配的ID号,也可以填写身份信息后自定义ID再由系统注册。需要指出的是,用户的身份信息可以包括性别,男女在发育过程中,由于生产激素的不同,同龄的男孩和女孩相比而言,女孩的智力和创造力均明显优于男孩。这主要因为女孩的感受性较高,语言发展能力较快,对具体事物的联想较为丰富。对于儿童,性别是益智类应用的重要考量因素。用户的身份信息还可以包括姓名、年龄、出生地、血型和/或星座等信息,此处不再赘述。用户年龄信息指的是用户的实际年龄,由于儿童在成长过程中,智力与能力的发育在短时间如3-6月会有明显的变化,例如三岁的儿童与三岁6个月有明显区别,年龄信息需具体到月份,例如3岁1个月,5岁7个月,此处只是用于举例说明,不对用户的实际年龄做具体的限制。
用户的身份信息、年龄信息的获取可以由注册账户时,由儿童、家长或指导老师录入的电子调查问卷信息。用户的操作信息可以是由应用程序所属硬件设备连接的信息获取设备,如触摸屏、摄像头和/或麦克风等。举例来说,用户触摸显示屏、按压按钮、摄像头接收的动作输入和/或者麦克风语音输入命令等。其中,摄像头接收的动作输入可以是由增强现实技术(Augmented Reality,AR)设备录入的用户动作信息。AR设备利用摄像机摄取的真实世界图像输入到计算机中,与计算机图形系统产生的虚拟景象合成,并输出到屏幕显示器。用户从屏幕上看到最终的增强场景图片。还可以是由虚拟现实技术(Virtual Reality,VR)设备录入的用户动作信息。虚拟现实是多种技术的综合,包括实时三维计算机图形技术,广角(宽视野)立体显示技术,对观察者头、眼和手的跟踪技术,以及触觉/力觉反馈、立体声、网络传输、语音输入输出技术等。上述的用户操作信息仅用于举例说明,用户操作信息不限于此。应用程序的外接设备获取到用户的操作信息,装载应用程序的装置将用户操作信息转化为对应的用户指令传输至应用程序,利用用户指令与应用程序进行交互。
步骤102、根据用户信息对用户能力进行评估,获取用户的能力信息,能力信息包括用户的思维能力、语言能力、动作能力、协作能力及自我认知能力的其中一种或多种的组合。
对不同年龄段用户的思维能力、语言能力、动作能力、协作能力和/或自我认知力进行量化,根据儿童能力研究的结果设置一个标准值,再根据用户能力实际值对用户能力信息分别进行评分。再根据用户的思维能力、语言能力、动作能力、协作能力和/或自我认知力在能力信息中占的权重及评估分数,估算出用户的能力信息。其中,根据用户年龄段的划分可以是,如3-3岁6个月,3岁6个月-4岁,4-4岁6个月,4岁6个月-5岁,5岁-5岁六个月,5岁六个月-6月或者其他年龄段,此处年龄段划分用于举例说明,具体年龄划分方式不做限制。
思维能力:思维属于心理活动的高级形式,是儿童智能活动的核心。儿童思维有具体形象思维和抽象概括的逻辑思维两种。具体形象思维是根据事物的具体形象来进行联想的,即依靠感知和自身动作进行思维、离开动作思维就终止。而抽象概括的逻辑思维是以概念、判断、推理来进行,使思维具有一定的目的性、方向性和灵活性。
语言能力是指有效地运用语言工具进行交际的能力,包括说和听两方面的能力。用户必须根据说话的意图和交谈情境以及听者的条件而应用不同的言语内容和表达方式,还应根据用户的反馈及时调整自己的言语;听者则必须能从对方所说的直接的和间接的言语中理解其意图,须能对所听信息的可靠性和明确性作出判断和估计,并能及时反馈等。
动作能力是指手和手指的动作以及手眼协调能力,如抓放、手指对捏、模仿、画画、剪贴、折叠、书写等等。当儿童要完成一件事情,需要儿童手的抓握、捏起、穿等动作,以及眼睛和身体各个方面统一的配合才能完成。例如,书写则更有赖于大肌肉运动的发展,拍球、跳绳、单杠等运动项目不仅锻炼手-眼协调能力,而且锻炼大肌肉动作,使儿童握笔的力度、运笔的速度和运笔的准确性都有一个很大的提高。
协作能力的发展是儿童社会化过程的重要标志。幼儿未来的发展,工作,适应能力都缺少不了这一个因素,社会的进步、科技的发展,在现今生活中各个地方都缺少不了合作。对于幼儿个体全面和谐发展十分重要,也是幼儿作为社会人必备的素质之一。为了让幼儿适应社会的发展,应从小培养他们的合作能力。要培养幼儿乐意与人交往,学习互助,合作与分享。
自我认知力是指儿童对自己的了解和认识、对自己的情绪和感受的认识与调节,以及自我评价、自我规划的能力等,其中包括认识自己的长处与缺点,意识并调整自己的情绪、意向、动机、脾气和欲望,并对自己的行为进行自律和反省,它是一个漫长的旅程。
步骤103、根据用户的能力信息,为用户进行一个或多个应用程序的推荐,一个或多个应用程序与用户的能力信息进行匹配。
对用户的思维能力、语言能力、动作能力、协作能力和/或自我认知力分别进行评估。再根据用户的思维能力、语言能力、动作能力、协作能力和/或自我认知力在能力信息中占的权重及评估分数,估算出用户的实际能力信息。获取操作一个或者多个应用程序对应的参考能力信息区间,将用户评估出的能力信息与参考能力信息区间进行对比,如一个或者多个应用程序对应的参考能力信息区间与用户的实际能力信息匹配,即参考能力信息区间与用户的实力能力信息的差值在预设范围内,则为用户推荐一个或多个应用程序,需要指出的是,预设范围可以由工程师进行实际需求自定义设置,具体数值此处不作限制。
在一个实施例中,用户对应用程序的操作信息包括用户操作应用程序时的交互指令及交互时间、用户操作应用程序时的历史数据、用户在操作应用程序后的得分数据,则根据用户信息对用户能力进行评估,图2为实施例中对用户能力进行评估方法的流程图,包括步骤201至步骤204:
步骤201、对交互指令及交互时间进行解析,获取用户对应用程序操作的熟练程度参数。
交互指令指的是用户的操作信息对应的指令,例如用户触摸显示屏对应的指令是点亮屏幕、按压开启按钮可以对应的是开始运行应用程序、及VR动作和/或者语音输入等对应的具体操作应用程序指令,此处不再赘述。交互时间指的是从用户操作应用程序使得应用程序作出正常反馈的时间。举例来说,应用程序为触摸屏输入命令操作的游戏,交互指令指的是用户通过单手指、多手指或手掌通过触摸显示屏输入的操作信息对应的指令。对应的交互时间指的是从触摸显示屏输入游戏操作指令到游戏通过的时间。
获取用户对应用程序操作的熟练程度参数的过程可以是,通过数学模型建立交互时间、交互指令与应用程序熟练程度建立对应映射关系。举例来说,交互指令为触摸一个应用程序中的角色并单手指或者多手指滑动输入指令,交互时间为2-3min,熟练程度参数对应十分制的10分,对应用户对应用程序的操作非常熟练;交互时间为3-4min,熟练程度参数对应十分制的8分,比较熟悉;交互时间为4-5min,熟练程度参数对应十分制的6分,熟悉;交互时间为5-6min,熟练程度参数对应十分制的4分,不熟悉;交互时间大于6min,熟练程度参数对应十分制的2分,非常不熟悉。上述列举的交互指令、交互时间,应用程序之间的映射关系仅用于举例说明,上述映射关系不限于上述列举实例。
步骤202、对历史数据进行解析,获取用户的能力进步值,并绘制用户的进步曲线图,根据用户操作应用程序的得分数据,确定应用程序在本次操作中的难易程度。
历史数据指的是用户多次操作应用程序的数据记录,数据可以包括交互指令、交互时间、与交互指令对应的操作难易程度等。获取用户操作的多个应用程序的历史数据,可以将历史数据对应的能力值进行评估分数,根据分析评估分数走向,获取用户操作应用程序的进步值。以时间为横轴、进步值为纵轴,绘制用户对应用程序操作的进步曲线。利用进步曲线可以直观的查看用户的进步过程。
用户的操作信息,可以具体到交互时间、交互指令等,建立交互时间、交互指令与应用程序熟练程度的数学模型。用户操作应用程序的得分数据指的是对根据应用程序难易程度进行的评分。举例来说,操作应用程序的分数为十分制的10分,熟练程度参数对应十分制的10分,应用程序的操作对用户而言,非常简单;操作应用程序的分数为十分制的8分,熟练程度参数对应十分制的8分,比较简单;操作应用程序的分数为十分制的6分,熟练程度参数对应十分制的6分,应用程序的操作对用户而言,简单;操作应用程序的分数为十分制的4分,熟练程度参数对应十分制的4分,应用程序的操作对用户而言,困难;操作应用程序的分数为十分制的2分,熟练程度参数对应十分制的2分,应用程序的操作对用户而言,非常困难等。上述列举的得分数据,难易程度的映射关系仅用于举例说明,上述映射关系不限于上述列举实例。
步骤203、按照熟练程度参数、进步曲线图及难易程度,对用户能力进行评估,获取能力评估值。
步骤204、根据关联系统共享的所述用户的能力参数,对所述能力评估值进行优化,所述关联系统为所述用户操作过所述应用程序的系统。
根据用户的进步值,获取用户能力的进步值,根据历史数据中用户能力的评估值,结合用户的进步值,评估出当前用户的能力评估值。获取所述用户的能力评估值,并根据关联系统共享的所述用户的能力参数,对所述能力评估值进行优化,所述关联系统为所述用户操作过所述应用程序的系统。
关联系统为用户操作过应用程序的系统。举例来说,用户在手机上操作第一应用程序,用户利用相同的用户身份信息在电脑或者平板上操作相应的、类似的应用程序,电脑或者平板可以将相应的、类似的应用程序的能力参数传输给手机,其中参考电脑或者平板的操作系统视为关联系统。关联系统的共享的能力参数用于对能力评估值进行优化和补偿,结合能力参数可以删除少数明显误差值,增加能力评估值的准确性。
在一个实施例中,按照熟练程度参数、进步曲线图及难易程度,对用户能力进行评估,包括:
按照熟练程度参数、进步曲线图及难易程度,利用K-Means聚类算法对用户能力进行评估,并获取用户能力信息。
将熟练程度参数、进步曲线图及难易程度利用K-means算法进行评估,K-means算法是数据点到原型的某种距离作为优化的目标函数,利用函数求极值的方法得到迭代运算的调整规则。K-means算法以欧式距离作为相似度测度,它是求对应某一初始聚类中心向量V最优分类,使得评价指标J最小。算法采用误差平方和准则函数作为聚类准则函数。K-means算法是很典型的基于距离的聚类算法,采用距离作为相似性的评价指标,即认为两个对象的距离越近,其相似度就越大。该算法认为簇是由距离靠近的对象组成的,因此把得到紧凑且独立的簇作为最终目标。
首先从熟练程度参数、进步曲线图及难易程度等数据对象任意选择多个对象作为初始聚类中心;而对于所剩下其它对象,则根据它们与这些聚类中心的相似度(距离),分别将它们分配给与其最相似的聚类;然后再计算每个所获新聚类的聚类中心;不断重复这一过程直到标准测度函数开始收敛为止。一般都采用均方差作为标准测度函数。获取用户能力信息的最精确估值。
在一个实施例中,教学设备包括摄像头及麦克风,则在应用程序运行过程中获取用户信息,包括:
在应用程序运行过程中,实时捕获用户对应用程序的操作信息,操作信息包括用户的动作及声音,其中,通过摄像头获取用户的动作视频,通过麦克风获取用户的声音数据。
摄像头可以为单摄像头或双摄像头,其采集内容包括用户的动作信息,可以借助背景减法算法来采集用户的操作信息。该方法具体为:基于背景减法的视频运动目标检测主要包括预处理、背景建模、目标检测和后处理四个步骤。算法中的预处理是对每一帧图像都进行去噪和亮度归一化处理,以抑制光照突变和噪声的影响;背景建模则采用改进的均值滤波法自动初始化背景,并不断实时更新背景,以克服环境光照变化所产生的影响;目标检测是在背景减法的基础上采用基于二维交叉熵的阈值分割方法获取运动目标;后处理则运用涂抹和连通区域判别处理去除运动目标检测结果中的噪声点和目标内部的空洞区域。
利用麦克风采集手机用户的声音信息,利用数字拾音头实现噪音的彻底去除,再采集将过滤后的声音信息。是一种靠接收声音震动,将声音进行降噪、放大的电声学仪器,同时增加了时钟电路、存储器和数字处理器。数字拾音头通过软件系统将模拟信号转换成数字信号后对数字信号进行快速傅立叶变换(FFT)和数字滤波,从而将时域(time domain)信号转换成频域(frequency domain)信号再进行相应的处理,比如环境噪声抑制(ambientnoise reduction),声学回声消除(acoustic echo canceller),频带(frequency band)均衡(Equalizer)处理等。
在一个实施例中,根据用户信息对用户能力进行评估,包括:
解析用户的动作,并利用自动声音识别ASR对用户的声音进行识别,确定出用户的思维能力、语言能力、动作能力、协作能力及自我认知能力。
解析用户动作可以利用深度神经网络算法或者机器学习,自动识别出用户操作信息对应的输入指令,再利用自动声音识别ASR对用户的声音信息进行识别用户声音信息对应的输入指令。
语音识别技术,也被称为自动语音识别(Automatic Speech Recognition,ASR),其目标是将人类的语音中的词汇内容转换为计算机可读的输入,例如按键、二进制编码或者字符序列。ASR过程包括如下:训练(Training):预先分析出语音特征参数,制作语音模板,并存放在语音参数库中。识别(Recognition):待识语音经过与训练时相同的分析,得到语音参数。将它与库中的参考模板一一比较,并采用判决的方法找出最接近语音特征的模板,得出识别结果。失真测度(Distortion Measures):在进行比较时要有个标准,这就是计量语音特征参数矢量之间的“失真测度”。主要识别框架:基于模式匹配的动态时间规整法(DTW)和基于统计模型的隐马尔可夫模型法。
在一个实施例中,所述实时捕获所述用户对所述应用程序的操作信息之后,包括:若根据操作信息识别出用户的身份与教员或家长匹配,则为所述用户提供推荐权限,以使所述用户自定义推荐一个或多个应用程序。
若根据操作信息识别出用户的身份与教员或家长匹配,则支持用户自定义设置一个或多个应用程序的推荐。可以利用摄像头和麦克风实时捕获用户对应用程序的操作信息,根据操作信息识别出用户的身份信息如年龄信息,若用户的身份信息为教员或者家长时,支持用户自定义为儿童上设置一个或多个应用程序的推荐,或者是自定义设置应用程序中关卡。
当用户为家长时,用户可以获取儿童在学校操作应用程序获取的成绩信息,成绩信息可以包括儿童的得分信息,错题信息,能力信息和/或能力进步值等。家长通过成绩信息可以知晓儿童的操作应用程序的情况,针对儿童错题信息可以进行查漏补缺,为儿童推荐一个或多个锻炼某一方面能力的应用程序或者对儿童错题、错误操作进行分析讲解的应用程序。举例来说,用户通过成绩信息发现儿童操作应程序的交互时间较长,原因是由于儿童触摸屏幕上的目标不准确,可以自定义设置为儿童推荐一个或多个适用于培养儿童动作能力的应用程序。且用户可以将儿童的成绩信息反馈至学校,以使老师在学校也可以针对性地为儿童的成绩信息自定义设置一个或多个应用程序推荐。需要说明的是,当用户的指导老师时,用户可以获取儿童在家里操作应用程序获取的成绩信息,成绩信息可以包括儿童的得分信息,错题信息,能力信息和/或能力进步值等,老师通过成绩信息可以知晓儿童的操作应用程序的情况,针对儿童错题信息可以进行查漏补缺,为儿童推荐一个或多个锻炼某一方面能力的应用程序或者对儿童错题、错误操作进行分析讲解的应用程序。且老师可以将儿童的得分信息反馈至家长,以使家长在家也可以针对性地为儿童自定义设置一个或多个应用程序推荐。通过家长和老师协同合作的模式,为儿童提供高适应性、个性化的应用程序推荐。
在一个实施例中,解析用户的动作,包括:利用卷积神经网络算法对用户的动作进行解析,包括:采集用户的动作数据;根据动作数据获取网络模型,对网络模型进行训练,利用训练后的模型解析用户的动作。
上述解析过程具体包括:采集用户的动作数据;根据采集的动作数据中的有标签数据及其类别,对无标签数据的样本类别、样本相似度和样本所属领域进行预测;根据预测结果获取模型参数,建立对用户动作数据进行解析网络模型;并对模型进行训练;最后通过训练后的网络模型执行用户动作数据的解析任务。
卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feed-forward Neural Networks),是深度学习(deeplearning)的代表算法之一。卷积神经网络仿造生物的视知觉(visual perception)机制构建,可以进行监督学习和非监督学习,其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化(grid-like topology)特征。卷积神经网络长期以来是图像识别领域的核心算法之一,并在大量学习数据时有稳定的表现。对于一般的大规模图像分类问题,卷积神经网络可用于构建阶层分类器(hierarchicalclassifier),也可以在精细分类识别(fine-grained recognition)中用于提取图像的判别特征以供其它分类器进行学习。对于后者,特征提取可以人为地将图像的不同部分分别输入卷积神经网络,也可以由卷积神经网络通过非监督学习自行提取。
在一个实施例中,根据用户的能力信息,为用户进行一个或多个应用程序的推荐,一个或多个应用程序与用户的能力信息进行匹配,图3为用户进行一个或多个应用程序的推荐方法的流程图,包括:
步骤301、获取所有应用程序的难易程度值;
步骤302、确定用户的能力信息对应的难易程度值;
步骤303、推荐与用户能力信息相匹配的一个或多个应用程序,相匹配的一个或多个应用程序难易程度与用户能力信息对应难易程度之差在预设阈值范围内。
获取应用程序的难易程度值,事先采用beta测试,经过大量的数据测试确定出对于用户而言的难易程度值。对用户的思维能力、语言能力、动作能力、协作能力和/或自我认知力分别进行评分。再根据用户的思维能力、语言能力、动作能力、协作能力和/或自我认知力在能力信息中占的权重及评估分数,估算出用户的实际能力信息。确定出以用户的实际能力信息能够驾驭和操作的应用程序。进而推荐与用户能力信息相匹配的一个或多个应用程序。
在一个是实施例中,应用程序为游戏,则为用户进行一个或多个应用程序的推荐,包括:为用户推荐与用户能力相匹配的游戏;或在游戏运行过程中,为用户推荐与用户能力相匹配的游戏关卡。为用户推荐一个或者多个匹配的应用程序指的是推荐匹配的新的应用程序或者同一个应用程序的新关卡。推荐应用程序的方式可以为页面弹出提示框,提示用户跳转新的引用程序或者新的关卡,或者自定义直接跳转至推荐的应用程序。
本发明实施例还提供了一种装置,该装置包括:处理器和用于存储能够在处理器上运行的计算机程序的存储器,其中,处理器用于运行计算机程序时执行上述实现应用程序的推荐方法,如下:
在应用程序运行过程中获取用户信息,用户信息包括用户身份信息、年龄信息以及用户对应用程序的操作信息;
根据用户信息对用户能力进行评估,获取用户的能力信息,能力信息包括用户的思维能力、语言能力、动作能力、协作能力及自我认知能力的其中一种或多种的组合;
根据用户的能力信息,为用户进行一个或多个应用程序的推荐,一个或多个应用程序与用户的能力信息进行匹配。
图4是本发明实施例中应用实例的示意图;用户可以利用在装置如手机、平板或者电脑操作应用程序。该装置可以包括摄像头、麦克风、应用程序道具和/或AR装置等信息录入装置。其中,应用程序道具可以包括温度传感器、压力传感器或重力传感器等传感器,用户在使用应用程序道具时,录入用户的按压、触摸、旋转等操作信息。该装置还可以包括显示设备、扬声器等输出装置。用户根据信息录入装置获取用户的操作信息,进而匹配出用户的指令,实现操作应用程序,还可以由输出装置直观显示。需要说明的是,可以利用摄像头和麦克风等信息录入装置实时捕获用户对应用程序的操作信息,根据操作信息识别出用户的身份信息,若用户的身份信息为教员或者家长时,支持用户自定义为儿童上设置一个或多个应用程序的推荐,或者是自定义设置应用程序中关卡。
本实施例提供应用程序推荐的装置,通过获取用户信息,并根据用户信息对用户能力进行评估,获取用户的能力信息,进而根据能力信息,为用户推荐与能力信息匹配的一个或多个应用程序的推荐。实现根据用户的能力自适应且个性化地为用户推荐应用,提高了应用程序推荐成功率,很大程度提升用户体验性。
本发明实施例还提供了一种存储介质,其上存储有计算机指令,该指令被处理器执行时实现上述实现应用程序的推荐方法。
图5是本发明实施例提供的一种系统结构示意图。该系统500可以包括一个或一个以上中央处理器(central processing units,CPU)510(例如,一个或一个以上处理器)和存储器520,一个或一个以上存储应用程序532或数据534的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对装置中的一系列指令操作。更进一步地,中央处理器510可以设置为与存储介质530通信,在装置500上执行存储介质530中的一系列指令操作。系统500还可以包括一个或一个以上电源540,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口560,上述方法实施例所执行的步骤可以基于该图5所示的系统结构。
应理解,在本申请的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的模块及方法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本说明书的各个部分均采用递进的方式进行描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点介绍的都是与其他实施例不同之处。尤其,对于装置和系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例部分的说明即可。
最后,需要说明的是:以上仅为本申请技术方案的较佳实施例而已,并非用于限定本申请的保护范围。显然,本领域技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.一种应用程序的推荐方法,应用于教学设备,其特征在于,包括:
在应用程序运行过程中获取用户信息,所述用户信息包括用户身份信息、年龄信息以及所述用户对所述应用程序的操作信息;
根据所述用户信息对所述用户能力进行评估,获取所述用户的能力信息,所述能力信息包括所述用户的思维能力、语言能力、动作能力、协作能力及自我认知能力的其中一种或多种的组合;
根据所述用户的能力信息,为用户进行一个或多个应用程序的推荐,所述一个或多个应用程序与所述用户的能力信息进行匹配;
其中,所述用户对所述应用程序的操作信息包括所述用户操作所述应用程序时的交互指令及交互时间、所述用户操作所述应用程序时的历史数据、所述用户在操作所述应用程序后的得分数据,所述根据所述用户信息对所述用户能力进行评估,包括:对所述交互指令及交互时间进行解析,获取所述用户对所述应用程序操作的熟练程度参数;
对所述历史数据进行解析,获取所述用户的能力进步值,并绘制所述用户的进步曲线图,根据所述用户操作所述应用程序的得分数据,确定所述应用程序在本次操作中的难易程度;
按照所述熟练程度参数、进步曲线图及难易程度,对所述用户能力进行评估,获取所述用户的能力评估值;
所述教学设备包括摄像头及麦克风,所述在应用程序运行过程中获取用户信息,包括:在所述应用程序运行过程中,实时捕获所述用户对所述应用程序的操作信息,所述操作信息包括所述用户的动作及声音,其中,通过所述摄像头获取所述用户的动作视频,通过所述麦克风获取所述用户的声音数据;
所述实时捕获所述用户对所述应用程序的操作信息之后,包括:若根据操作信息识别出用户的身份与教员或家长匹配,则支持用户自定义设置一个或多个应用程序的推荐;
当用户的身份为家长时,用户可以获取儿童在学校操作应用程序获取的成绩信息,且用户可以将儿童的成绩信息反馈至学校,以使教员在学校也可以针对性地为儿童的成绩信息自定义设置一个或多个应用程序推荐;
当用户的身份为教员时,用户可以获取儿童在家里操作应用程序获取的成绩信息,且教员可以将儿童的得分信息反馈至家长,以使家长在家也可以针对性地为儿童自定义设置一个或多个应用程序推荐。
2.根据权利要求1所述的方法,其特征在于,所述根据所述用户信息对所述用户能力进行评估,还包括:
根据关联系统共享的所述用户的能力参数,对所述能力评估值进行优化,所述关联系统为所述用户操作过所述应用程序的系统。
3.根据权利要求2所述的方法,其特征在于,所述按照所述熟练程度参数、进步曲线图及难易程度,对所述用户能力进行评估,包括:
按照所述熟练程度参数、进步曲线图及难易程度,利用K-Means聚类算法对所述用户能力进行评估,并获取所述用户能力信息。
4.根据权利要求1所述的方法,其特征在于,所述支持用户自定义设置一个或多个应用程序的推荐,包括:
为所述用户提供推荐权限,以使所述用户自定义推荐一个或多个应用程序。
5.根据权利要求4所述的方法,其特征在于,所述根据所述用户信息对所述用户能力进行评估,包括:
解析所述用户的动作,并利用自动声音识别ASR对所述用户的声音进行识别,确定出所述用户的思维能力、语言能力、动作能力、协作能力及自我认知能力。
6.根据权利要求5所述的方法,其特征在于,所述解析所述用户的动作,包括:
利用卷积神经网络算法对所述用户的动作进行解析,包括:采集所述用户的动作数据;根据所述动作数据获取网络模型,对所述网络模型进行训练,利用训练后的模型解析所述用户的动作。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述根据所述用户的能力信息,为用户进行一个或多个应用程序的推荐,所述一个或多个应用程序与所述用户的能力信息进行匹配,包括:
获取所有应用程序的难易程度值;
确定所述用户的能力信息对应的难易程度值;
推荐与所述用户能力信息相匹配的所述一个或多个应用程序,所述相匹配的一个或多个应用程序难易程度与用户能力信息对应难易程度之差在预设阈值范围内。
8.根据权利要求7所述的方法,其特征在于,所述应用程序为游戏,则所述为用户进行一个或多个应用程序的推荐,包括:
为用户推荐与所述用户能力相匹配的游戏;或在游戏运行过程中,为用户推荐与用户能力相匹配的游戏关卡。
9.一种应用程序的推荐装置,其特征在于,所述装置包括处理器和用于存储能够在处理器上运行的计算机程序的存储器;其中,所述处理器用于运行所述计算机程序时,执行权利要求1至8任一项所述的应用程序推荐的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910336155.5A CN110134863B (zh) | 2019-04-24 | 2019-04-24 | 应用程序推荐的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910336155.5A CN110134863B (zh) | 2019-04-24 | 2019-04-24 | 应用程序推荐的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110134863A CN110134863A (zh) | 2019-08-16 |
CN110134863B true CN110134863B (zh) | 2021-07-20 |
Family
ID=67571001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910336155.5A Active CN110134863B (zh) | 2019-04-24 | 2019-04-24 | 应用程序推荐的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110134863B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507581B (zh) * | 2020-03-26 | 2023-07-14 | 平安直通咨询有限公司 | 基于语速的课程匹配方法、系统、设备及存储介质 |
CN111672130A (zh) * | 2020-06-03 | 2020-09-18 | 西安万像电子科技有限公司 | 游戏玩家的身份认证方法、认证装置和云游戏系统 |
CN112131426B (zh) * | 2020-09-25 | 2023-09-22 | 腾讯科技(深圳)有限公司 | 游戏教学视频推荐方法、装置、电子设备和存储介质 |
CN112016101B (zh) * | 2020-11-02 | 2021-03-02 | 深圳开源互联网安全技术有限公司 | 软件研发安全能力动态评估和提升方法及系统 |
CN117972137B (zh) * | 2024-04-01 | 2024-06-04 | 深圳市致尚信息技术有限公司 | 一种影视数据智能监管分析方法、系统及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106409024A (zh) * | 2016-08-31 | 2017-02-15 | 北京哥大诺博教育科技股份有限公司 | 幼儿自适应能力提升系统及方法 |
CN107885836A (zh) * | 2017-11-09 | 2018-04-06 | 广东小天才科技有限公司 | 一种用于智能终端的应用程序推荐方法及装置 |
-
2019
- 2019-04-24 CN CN201910336155.5A patent/CN110134863B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106409024A (zh) * | 2016-08-31 | 2017-02-15 | 北京哥大诺博教育科技股份有限公司 | 幼儿自适应能力提升系统及方法 |
CN107885836A (zh) * | 2017-11-09 | 2018-04-06 | 广东小天才科技有限公司 | 一种用于智能终端的应用程序推荐方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110134863A (zh) | 2019-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110134863B (zh) | 应用程序推荐的方法及装置 | |
CN107203953B (zh) | 一种基于互联网、表情识别和语音识别的教学系统及其实现方法 | |
CN107030691B (zh) | 一种看护机器人的数据处理方法及装置 | |
CN110556129B (zh) | 双模态情感识别模型训练方法及双模态情感识别方法 | |
US11494612B2 (en) | Systems and methods for domain adaptation in neural networks using domain classifier | |
CN110334626B (zh) | 一种基于情感状态的在线学习系统 | |
CN105229725B (zh) | 多语言深神经网络 | |
CN103035135B (zh) | 基于增强现实技术的儿童认知系统及认知方法 | |
US20230325663A1 (en) | Systems and methods for domain adaptation in neural networks | |
US11640519B2 (en) | Systems and methods for domain adaptation in neural networks using cross-domain batch normalization | |
CN110838286A (zh) | 一种模型训练的方法、语种识别的方法、装置及设备 | |
CN109635644A (zh) | 一种用户动作的评价方法、装置和可读介质 | |
CN110992222A (zh) | 教学交互方法、装置、终端设备及存储介质 | |
CN111414506B (zh) | 基于人工智能情绪处理方法、装置、电子设备及存储介质 | |
CN109064389A (zh) | 一种手绘线条画生成现实感图像的深度学习方法 | |
Sharma et al. | LIVELINET: A Multimodal Deep Recurrent Neural Network to Predict Liveliness in Educational Videos. | |
Alshammari et al. | Robotics utilization in automatic vision-based assessment systems from artificial intelligence perspective: A systematic review | |
CN113282840B (zh) | 一种训练采集综合管理平台 | |
Geng | Design of English teaching speech recognition system based on LSTM network and feature extraction | |
Najeeb et al. | Gamified smart mirror to leverage autistic education-aliza | |
CN117635383A (zh) | 一种虚拟导师与多人协作口才培训系统、方法及设备 | |
Chai et al. | SignInstructor: an effective tool for sign language vocabulary learning | |
Xiao et al. | Power-spectral analysis of head motion signal for behavioral modeling in human interaction | |
Alam et al. | ASL champ!: a virtual reality game with deep-learning driven sign recognition | |
Budiharto et al. | Modeling of natural interaction and algorithm of Intelligent humanoid robot for education |
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: 20210702 Address after: Room 455, room 909, 9 / F, block B, 18 Zhongguancun Street, Haidian District, Beijing Applicant after: Beijing xiaohongguo Culture Technology Co.,Ltd. Address before: 100191 room 1104, 1st floor, building 1, No.2 Huayuan Road, Haidian District, Beijing Applicant before: BILE SMART TECHNOLOGY (BEIJING) Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |