CN110162554A - 数据处理方法、装置、存储介质和电子设备 - Google Patents

Abstract

本发明公开了一种数据处理方法、装置、存储介质和电子设备，其中，该方法包括：获取试听教学数据，该试听教学数据包括：至少一个待定老师信息和多个待定学员信息，待定老师信息包括待定学员对老师的评价信息，待定学员信息包括待定老师对学员的评价信息；将试听教学数据输入至预设的预测模型，以确定待定老师与待定学员之间的匹配信息；根据匹配信息和预定规则确定开班信息，开班信息包括目标老师信息和目标学员信息，预定规则用于指示目标学员的数量。通过本发明，可以提高课程的整体效果，从而提高用户的满意度。

Description

数据处理方法、装置、存储介质和电子设备

技术领域

本发明公开涉及数据处理领域，具体涉及一种数据处理方法、装置、存储介质和电子设备。

背景技术

对于在线互联网教育，内容展现有很多模式，例如，一对一、一对小班，一对大班等。针对某一个教育品牌，用户一般都会选择试听，然后根据上课情况及后续服务的及时反馈，进行择优选择。在产品层面上，怎么利用已有的服务，最大化满足用户的参与度，使得主动性与能力都能有所提高，是一个很有意义的业务问题。

目前，对于一对N模式，即一名老师对应多名学生，采用的是随机或者常规手段进行排课，这样的排课方式并未有效考虑老师和学生之间的配合程度，因而不利于整体课程效果的提高。

发明内容

有鉴于此，本发明实施例提供一种数据处理方法、装置、存储介质和电子设备，以解决现有技术中的由于一对多模式的排课方式未有效考虑老师与学生之间的配合度而导致整体课程效果较低的问题。

根据本发明实施例的第一方面，提供一种数据处理方法，该方法包括：获取试听教学数据，该试听教学数据包括：至少一个待定老师信息和多个待定学员信息，待定老师信息包括待定学员对老师的评价信息，待定学员信息包括待定老师对学员的评价信息；将试听教学数据输入至预设的预测模型，以确定待定老师与待定学员之间的匹配信息；根据匹配信息和预定规则确定开班信息，开班信息包括目标老师信息和目标学员信息，预定规则用于指示目标学员的数量。

根据本发明实施例的第二方面，提供一种数据处理装置，该装置包括：数据获取单元，用于获取试听教学数据，该试听教学数据包括：至少一个待定老师信息和多个待定学员信息，待定老师信息包括待定学员对老师的评价信息，待定学员信息包括待定老师对学员的评价信息；匹配信息确定单元，用于将试听教学数据输入至预设的预测模型，以确定待定老师与待定学员之间的匹配信息；开班信息确定单元，用于根据匹配信息和预定规则确定开班信息，开班信息包括目标老师信息和目标学员信息，预定规则用于指示目标学员的数量。

根据本发明实施例的第三方面，提供一种计算机可读存储介质，其上存储计算机程序指令，其中，所述计算机程序指令在被处理器执行时实现如第一方面所述的方法。

根据本发明实施例的第四方面，提供一种电子设备，包括存储器和处理器，其中，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如第一方面所述的方法。

本发明实施例根据试听教学数据和预测模型来确定老师和学员之间的匹配信息，并根据匹配信息来确定开班信息，相比于现有技术中通过随机或者常规手段来开班，本发明实施例由于有效考虑了老师和学员之间的匹配度，因而可以提高课程的整体效果，从而提高用户的满意度。

附图说明

通过以下参照附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：

图1是根据本发明实施例的数据处理方法流程图；

图2是根据本发明实施例的数据处理装置的结构框图；

图3是根据本发明实施例的开班信息确定单元203的结构框图；

图4是根据本发明实施例的开班信息确定模块2032的结构框图；

图5是根据本发明实施例的数据处理装置的详细结构框图；

图6是根据本发明实施例的预测模型训练单元204的结构框图；

图7是根据本发明实施例的数据处理装置的应用示例图；

图8是根据本发明实施例的电子设备的示意图。

具体实施方式

以下基于实施例对本发明进行描述，但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。

此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。

除非上下文明确要求，否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。

在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

由于现有技术中的一对多模式通过随机或者常规手段来排课，未考虑历史教学数据，也未有效考虑老师与学生之间的配合度，导致了整体课程效果较低。基于此，本发明实施例提供一种数据处理方法，以解决现有技术中的至少一个问题。

图1是根据本发明实施例的数据处理方法流程图，如图1所示，该方法包括：

步骤101，获取试听教学数据，试听教学数据包括：至少一个待定老师信息和多个待定学员信息，待定老师信息包括待定学员对老师的评价信息，待定学员信息包括待定老师对学员的评价信息；

步骤102，将试听教学数据输入至预设的预测模型，以确定待定老师与待定学员之间的匹配信息；

步骤103，根据匹配信息和预定规则确定开班信息，开班信息包括目标老师信息和目标学员信息，这里的预定规则用于指示目标学员的数量。

本发明实施例根据试听教学数据和预测模型来确定老师和学员之间的匹配信息，并根据匹配信息来确定开班信息，相比于现有技术中通过随机或者常规手段来开班，本发明实施例由于有效考虑了老师和学员之间的匹配度，因而可以提高课程的整体效果，从而提高用户的满意度。

在一个实施例中，预测模型可以通过如下方式来训练：获取历史教学数据，历史教学数据包括：含有学员评价信息的老师信息、含有老师评价信息的学员信息；根据老师信息和学员信息来确定老师学员匹配关系；根据老师学员匹配关系来训练该预测模型。该预测模型可以是梯度提升决策树(Gradient Boosting Decision Tree，GBDT)模型。

在具体实施过程中，老师信息具体可以包括：学员(对老师)评价信息、家长(对老师)评价信息、学校(对老师)评价信息、课程统计信息(例如，老师在一周内的上课次数等)等；学员信息具体可以包括：老师(对学员)评价信息、学员基本信息(例如，年龄、性别等)。通过这些历史教学数据，就可以尽可能全面的体现老师和学员之间的匹配关系。

在获取到历史教学数据之后，为了后续的匹配操作，可以对这些数据进行数字化处理。具体数字化处理过程包括：对于类别型数据，例如，用A-C来表示的家长(对老师)评价信息，A表示优，C表示差，这种类别型数据通过独热编码(one-hot)操作来进行数字化处理；对于连续型数据，可以通过等频或等宽分箱操作来进行数字化处理，例如，对于课程统计信息，用桶[1，10]、[10，20]、[20，30]对课程统计信息进行分箱，如老师A一周的上课次数为10次，老师B一周的上课次数为15次，则老师A和B落入桶[10，20]中。

随后，将数字化处理后的历史教学数据作为训练数据，输入至预测模型，以此来训练预测模型，其中，训练数据中的学员信息与老师信息相互对应。

在步骤101中，获取的试听教学数据具体可以包括：学员(对老师)评价信息、家长(对老师)评价信息、学校(对老师)评价信息、课程统计信息、老师(对学员)评价信息、学员基本信息等。通过预测模型，可以得到老师与学员之间的匹配信息，该匹配信息可以用数字表示，例如，匹配信息可以用0-1之间的数字表示，1表示匹配度高，0表示不匹配。

在得到匹配信息之后，就可以根据匹配程度，对待定老师和待定学员进行匹配，将匹配度高的老师和学员安排在一个班级中，以提高课程效率。

优选地，对于匹配度较高的待定老师和待定学员，还可以进一步优化，以确定匹配度最优的目标老师和目标学员。具体而言，根据预定规则和预定算法从匹配度较高的待定老师和待定学员中进一步选择，以得到匹配度最优的目标老师和目标学生。

具体地，当预定规则规定开班学员为N名时，构建数量均为N的待定老师与待定学员的带权重的二分图，该权重设置为对应的老师学员之间的匹配信息，N为大于1的正整数。例如，当N为5、需要开设两个班级时，则需要老师A和老师B两名，学员10名，将老师A虚拟成A1、A2、A3、A4、A5，老师B虚拟成B1、B2、B3、B4、B5，权重为老师A、B分别与相应学员之间的匹配信息，如此来构建二分图。

根据预定算法对带权重的二分图进行最佳匹配操作，通过最佳匹配操作，可以得到匹配度最优的老师和学员；之后根据最佳匹配操作结果来选择目标老师和N名目标学员进行开班。这里的预定算法为带权重的匈牙利算法，该权重设置也为对应的老师学员之间的匹配信息。

在本发明实施例中，通过将待定老师和待定学员的信息经过数字化处理后输入至预测模型，可以得到待定老师和待定学员之间的匹配信息，之后再根据预定算法对初步匹配的待定老师和待定学员进一步匹配，得到目标老师和目标学员，以此开班，从而可以得到匹配度高的老师和学员，提高整体课程的效果。

基于相似的发明构思，本发明实施例还提供一种数据处理装置，优选地用于实现上述的方法。图2是该装置的结构框图，如图2所示，该装置包括：数据获取单元201、匹配信息确定单元202和开班信息确定单元203，其中：

数据获取单元201，用于获取试听教学数据，该试听教学数据包括：至少一个待定老师信息和多个待定学员信息，待定老师信息包括待定学员对老师的评价信息，待定学员信息包括待定老师对学员的评价信息；

匹配信息确定单元202，用于将试听教学数据输入至预设的预测模型，以确定待定老师与待定学员之间的匹配信息；

开班信息确定单元203，用于根据匹配信息和预定规则确定开班信息，开班信息包括目标老师信息和目标学员信息，预定规则用于指示目标学员的数量。

本发明实施例通过匹配信息确定单元202根据数据获取单元201获取的试听教学数据和预测模型来确定老师和学员之间的匹配信息，之后开班信息确定单元203根据匹配信息来确定开班信息，相比于现有技术中通过随机或者常规手段来开班，本发明实施例由于有效考虑了老师和学员之间的匹配度，因而可以提高课程的整体效果，从而提高用户的满意度。

如图3所示，开班信息确定单元203包括：匹配模块2031和开班信息确定模块2032，其中：

匹配模块2031，用于根据匹配信息对待定老师和待定学员进行匹配。

在一个实施例中，匹配信息可以用数字表示，例如，匹配信息可以用0-1之间的数字表示，1表示匹配度高，0表示不匹配。

开班信息确定模块2032，用于根据预定规则从匹配的待定老师和待定学员中选择目标老师和目标学员，以确定开班信息。

在一个实施例中，开班信息确定模块2032具体用于：根据预定规则和预定算法从匹配的待定老师和待定学员中选择目标老师和目标学员。

如图4所示，开班信息确定模块2032包括：二分图构建子模块20321、最佳匹配操作子模块20322和开班信息确定子模块20323，其中：

二分图构建子模块20321，用于构建数量均为N的待定老师与待定学员的带权重的二分图，权重设置为对应的匹配信息，其中，N为开班的目标学员数量，N为大于9的正整数；

最佳匹配操作子模块20322，用于根据预定算法对带所述权重的二分图进行最佳匹配操作；该预定算法为带权重的匈牙利算法。

开班信息确定子模块20323，用于根据最佳匹配操作来选择目标老师和目标学员。

在一个实施例中，开班信息为一个老师对应N个学员，二分图构建子模块20321虚拟构建了N个老师，与N个学员构建带权重的二分图，这里的权重是匹配信息确定单元202确定的老师和学员之间的匹配信息(可以用0-1之间的数字表示)，最佳匹配操作子模块20322用带权重的匈牙利算法，对二分图进行最佳匹配操作，通过最佳匹配操作，可以得到匹配度最优的老师和学员，从而开班信息确定子模块20323可以根据最佳匹配操作结果来选择目标老师和目标学员，开班信息确定模块2032以此来确定开班信息，可以较大程度的提高课程效率，提高老师学员的满意度。

如图5所示，上述装置还包括：预测模型训练单元204，用于训练上述预测模型，优选地，本发明实施例中的预测模型为梯度提升决策树(GBDT)模型。

具体地，如图6所示，预测模型训练单元204包括：历史数据获取模块2041、老师学员匹配关系确定模块2042和预测模型训练模块2043，其中：

历史数据获取模块2041，用于获取历史教学数据，历史教学数据包括：含有学员评价信息的老师信息、含有老师评价信息的学员信息。在具体实施过程中，老师信息具体可以包括：学员(对老师)评价信息、家长(对老师)评价信息、学校(对老师)评价信息、课程统计信息(例如，老师在一周内的上课次数等)等；学员信息具体可以包括：老师(对学员)评价信息、学员基本信息(例如，年龄、性别等)。通过这些历史教学数据，就可以尽可能全面的体现老师和学员之间的匹配关系。

老师学员匹配关系确定模块2042，用于根据老师信息和学员信息来确定老师学员匹配关系。

预测模型训练模块2043，用于根据老师学员匹配关系来训练预测模型。

参见图5，装置还包括：数字化处理单元205，用于对历史数据获取模块2041获取的历史教学数据进行数字化处理，该数字化处理包括以下之一：独热编码(one-hot)操作、分箱操作。具体而言，对于历史教学数据中的类别型数据，通过独热编码操作来进行数字化处理；对于历史教学数据中的连续型数据，则通过等频或等宽分箱操作来进行数字化处理。

图7是根据本发明实施例的数据处理装置的应用示例图，如图7所示：

数据获取单元201从教学数据库中，过滤得到可用数据，获取试听教学数据，数据包括：教学质量评估(Teaching Quality Assurance，TQA)，老师学员之间的互相反馈(feedback)信息、老师基本信息(例如，年龄、性别、国籍等)、学员基本信息(例如，年龄、性别等)、了解课程渠道(例如，网络、朋友推荐等)、EP(Education Partner，教育合作者)等，匹配信息确定单元202进行初步匹配，将这些数据数字化处理后输入至GBDT FM(Factorization Machines，二分类器)，得到预测结果，即，初级匹配结果，通过该初级匹配结果可以进行开班，相比于现有技术中的通过随机或者常规手段来开班，由于有效考虑了老师和学员之间的匹配度，因而可以提高课程的整体效果，从而提高用户的满意度。

优选地，匹配信息确定单元202通过将老师学员构造成预测数据集，输入到GBDT预测模型中进行匹配，得到老师学员预测结果，即，初级匹配结果，之后开班信息确定单元203再根据初级匹配结果进一步构建二分图，得到最优化匹配结果，由此来确定最优化的老师学员，相比于匹配信息确定单元202的匹配，开班信息确定单元203的匹配更优，可以进一步提高课程的整体效果，进一步提高老师学员的满意度。

图8是本发明实施例的电子设备的示意图。图8所示的电子设备为通用数据处理装置，其包括通用的计算机硬件结构，其至少包括处理器801和存储器802。处理器801和存储器802通过总线803连接。存储器802适于存储处理器801可执行的一条或多条指令或程序。上述处理器801可以是独立的微处理器，也可以是一个或者多个微处理器集合。由此，处理器801通过执行存储器802所存储的命令，从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其他装置的控制。总线803将上述多个组件连接在一起，同时将上述组件连接到显示控制器804和显示装置以及输入/输出(I/O)装置805。输入/输出(I/O)装置805可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地，输入/输出(I/O)装置805通过输入/输出(I/O)控制器806与系统相连。

其中，存储器802可以存储软件组件，例如操作系统、通信模块、交互模块以及应用程序。以上所述的每个模块和应用程序都对应于完成一个或多个功能和在发明实施例中描述的方法的一组可执行程序指令。

综上所述，对于互联网教学课堂来说，影响课程的因子非常多，本发明实施例通过历史教学数据来构建预测模型，通过该预测模型，可以得到老师和学员之间的初步匹配，相比于现有技术中的随机开班或者按常规开班，通过匹配结果来开班，可以较好地提高整体课程的效果；在初步匹配的结果上，根据开班规则，从老师学员方面，构建带权重的二分图，利用该二分图的匹配策略得到匹配度最优的目标老师和目标学员，以此来开班，可以更好地提高整体课程的效果，提高老师学员的学习积极性。

上述根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应理解，流程图和/或框图的每个块以及流程图图例和/或框图中的块的组合可以由计算机程序指令来实现。这些计算机程序指令可以被提供至通用计算机、专用计算机或其它可编程数据处理设备的处理器，以产生机器，使得(经由计算机或其它可编程数据处理设备的处理器执行的)指令创建用于实现流程图和/或框图块或块中指定的功能/动作的装置。

同时，如本领域技术人员将意识到的，本发明实施例的各个方面可以被实现为系统、方法或计算机程序产品。因此，本发明实施例的各个方面可以采取如下形式：完全硬件实现方式、完全软件实现方式(包括固件、常驻软件、微代码等)或者在本文中通常可以都称为“电路”、“模块”或“系统”的将软件方面与硬件方面相结合的实现方式。此外，本发明的方面可以采取如下形式：在一个或多个计算机可读介质中实现的计算机程序产品，计算机可读介质具有在其上实现的计算机可读程序代码。

可以利用一个或多个计算机可读介质的任意组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读存储介质可以是如(但不限于)电子的、磁的、光学的、电磁的、红外的或半导体系统、设备或装置，或者前述的任意适当的组合。计算机可读存储介质的更具体的示例(非穷尽列举)将包括以下各项：具有一根或多根电线的电气连接、便携式计算机软盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪速存储器)、光纤、便携式光盘只读存储器(CD-ROM)、光存储装置、磁存储装置或前述的任意适当的组合。在本发明实施例的上下文中，计算机可读存储介质可以为能够包含或存储由指令执行系统、设备或装置使用的程序或结合指令执行系统、设备或装置使用的程序的任意有形介质。

计算机可读信号介质可以包括传播的数据信号，所述传播的数据信号具有在其中如在基带中或作为载波的一部分实现的计算机可读程序代码。这样的传播的信号可以采用多种形式中的任何形式，包括但不限于：电磁的、光学的或其任何适当的组合。计算机可读信号介质可以是以下任意计算机可读介质：不是计算机可读存储介质，并且可以对由指令执行系统、设备或装置使用的或结合指令执行系统、设备或装置使用的程序进行通信、传播或传输。

用于执行针对本发明各方面的操作的计算机程序代码可以以一种或多种编程语言的任意组合来编写，所述编程语言包括：面向对象的编程语言如Java、Smalltalk、C++、PHP、Python等；以及常规过程编程语言如“C”编程语言或类似的编程语言。程序代码可以作为独立软件包完全地在用户计算机上、部分地在用户计算机上执行；部分地在用户计算机上且部分地在远程计算机上执行；或者完全地在远程计算机或服务器上执行。在后一种情况下，可以将远程计算机通过包括局域网(LAN)或广域网(WAN)的任意类型的网络连接至用户计算机，或者可以与外部计算机进行连接(例如通过使用因特网服务供应商的因特网)。

以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (11)

1.一种数据处理方法，其特征在于，所述方法包括：

获取试听教学数据，所述试听教学数据包括：至少一个待定老师信息和多个待定学员信息，所述待定老师信息包括待定学员对老师的评价信息，所述待定学员信息包括待定老师对学员的评价信息；

将所述试听教学数据输入至预设的预测模型，以确定待定老师与待定学员之间的匹配信息；

根据所述匹配信息和预定规则确定开班信息，所述开班信息包括目标老师信息和目标学员信息，所述预定规则用于指示目标学员的数量。

2.根据权利要求1所述的数据处理方法，其特征在于，根据所述匹配信息和预定规则确定开班信息包括：

根据所述匹配信息对待定老师和待定学员进行匹配；

根据所述预定规则从匹配的待定老师和待定学员中选择所述目标老师和目标学员，以确定所述开班信息。

3.根据权利要求2所述的数据处理方法，其特征在于，根据所述预定规则从匹配的待定老师和待定学员中选择所述目标老师和目标学员包括：

根据所述预定规则和预定算法从匹配的待定老师和待定学员中选择所述目标老师和目标学员。

4.根据权利要求3所述的数据处理方法，其特征在于，响应于所述预定规则指示目标学员的数量为N，根据所述预定规则和预定算法从匹配的待定老师和待定学员中选择所述目标老师和目标学员包括：

构建数量均为N的待定老师与待定学员的带权重的二分图，所述权重设置为对应的匹配信息，N为大于1的正整数；

根据所述预定算法对带所述权重的二分图进行最佳匹配操作；

根据所述最佳匹配操作来选择所述目标老师和目标学员。

5.根据权利要求4所述的数据处理方法，其特征在于，所述预定算法为带所述权重的匈牙利算法。

6.根据权利要求1所述的数据处理方法，其特征在于，所述预测模型通过如下方式进行训练：

获取历史教学数据，所述历史教学数据包括：含有学员评价信息的老师信息、含有老师评价信息的学员信息；

根据所述老师信息和所述学员信息来确定老师学员匹配关系；

根据所述老师学员匹配关系来训练所述预测模型。

7.根据权利要求6所述的数据处理方法，其特征在于，获取历史教学数据之后，所述方法还包括：

对所述历史教学数据进行数字化处理，所述数字化处理包括以下之一：独热编码操作、分箱操作。

8.根据权利要求1所述的数据处理方法，其特征在于，所述预测模型为梯度提升决策树模型。

9.一种数据处理装置，其特征在于，所述装置包括：

数据获取单元，用于获取试听教学数据，所述试听教学数据包括：至少一个待定老师信息和多个待定学员信息，所述待定老师信息包括待定学员对老师的评价信息，所述待定学员信息包括待定老师对学员的评价信息；

匹配信息确定单元，用于将所述试听教学数据输入至预设的预测模型，以确定待定老师与待定学员之间的匹配信息；

开班信息确定单元，用于根据所述匹配信息和预定规则确定开班信息，所述开班信息包括目标老师信息和目标学员信息，所述预定规则用于指示目标学员的数量。

10.一种计算机可读存储介质，其上存储计算机程序指令，其特征在于，所述计算机程序指令在被处理器执行时实现如权利要求1-8中任一项所述的方法。

11.一种电子设备，包括存储器和处理器，其特征在于，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-8中任一项所述的方法。