CN110162713A - 基于卷积神经网络的自适应学习内容推荐方法及系统 - Google Patents

Abstract

本申请提供了一种基于卷积神经网络的自适应学习内容推荐方法及系统，通过建立多个卷积神经网络，并对学习者的测试结果、学习行为数据等进行卷积计算，可以得到能够真实反应学习者当前知识水平以及学习态度的客观输出结果，同时通过对学习行为数据的分析，可以确定与学习者相匹配的学习方式。从客观上实现了对学习者学习状态的分析，避免了对学习者学习状态进行人为分析带来的主观偏差，可以更准确的为学习者提供针对性的学习内容，提高学习者的学习效率。

Description

基于卷积神经网络的自适应学习内容推荐方法及系统

技术领域

本申请涉及神经网络技术领域，具体而言，涉及一种基于卷积神经网络的自适应学习内容推荐方法及系统。

背景技术

学习者在学习过程中，为了检验学习效果，通常会通过试题测试的方式，确定对知识的掌握程度。现有的试题测试方法虽然可以通过最终分数体现学习者的知识水平，但难以从客观上体现学习者对知识点的掌握情况，使得教学者无法了解学习者的真实学习水平。同时，由于学习者的个体差异，学习者的学习行为具有不同的表现形式，在进行教学过程中，难以根据学习者的个体差异针对性的进行教学。因此，目前难以为学习者提供针对性的学习指导。

发明内容

有鉴于此，本申请提供了一种基于卷积神经网络的自适应学习内容推荐方法及系统。

本申请提供的技术方案如下：

一种基于卷积神经网络的自适应学习内容推荐方法，应用于包括多个服务器的自适应学习内容推荐系统，该学习内容推荐方法包括：

获取对学习者预先进行测试得到的测试结果数据，并根据该测试结果数据使用第一卷积神经网络得到所述学习者的知识水平参数；

根据预先获取的所述学习者的学习行为数据，确定与所述学习者对应的学习方式类型；

根据所述学习行为数据使用第二卷积神经网络得到所述学习者的学习态度类型；

根据所述知识水平参数、学习方式类型和学习态度类型，确定向所述学习者推送的学习内容数据。

本申请还提供了一种基于卷积神经网络的自适应学习内容推荐系统，该自适应学习内容推荐系统包括多个服务器，该自适应学习内容推荐系统包括：

第一处理模块，用于获取对学习者预先进行测试得到的测试结果数据，并根据该测试结果数据使用第一卷积神经网络得到所述学习者的知识水平参数；

第二处理模块，用于根据预先获取的所述学习者的学习行为数据，确定与所述学习者对应的学习方式类型；

第三处理模块，用于根据所述学习行为数据使用第二卷积神经网络得到所述学习者的学习态度类型；

内容推荐模块，用于根据所述知识水平参数、学习方式类型和学习态度类型，确定向所述学习者推送的学习内容数据。

本申请实施例中的自适应学习内容推荐方法及系统，通过建立多个卷积神经网络，并对学习者的测试结果、学习行为数据等进行卷积计算，可以得到能够真实反应学习者当前知识水平以及学习态度的客观输出结果，同时通过对学习行为数据的分析，可以确定与学习者相匹配的学习方式。从客观上实现了对学习者学习状态的分析，避免了对学习者学习状态进行人为分析带来的主观偏差，可以更准确的为学习者提供针对性的学习内容，提高学习者的学习效率。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例提供的一种基于卷积神经网络的自适应学习内容推荐方法的流程示意图。

图2为本申请实施例提供的一种基于卷积神经网络的自适应学习内容推荐方法中步骤S101的子步骤的流程示意图。

图3为本申请实施例提供的一种基于卷积神经网络的自适应学习内容推荐方法中建立的第一二维坐标空间的示意图。

图4为本申请实施例提供的一种基于卷积神经网络的自适应学习内容推荐方法中得到的图像数据的示意图。

图5为本申请实施例提供的一种基于卷积神经网络的自适应学习内容推荐方法中获取学习行为数据的流程示意图。

图6为本申请实施例提供的一种基于卷积神经网络的自适应学习内容推荐方法中建立的第二二维坐标空间的示意图。

图7为本申请实施例提供的一种基于卷积神经网络的自适应学习内容推荐系统的功能模块示意图。

图标：10-基于卷积神经网络的自适应学习内容推荐系统；101-第一处理模块；102-第二处理模块；103-第三处理模块；104-内容推荐模块。

具体实施方式

下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

本申请实施例提供了一种基于卷积神经网络的自适应学习内容推荐方法，应用于自适应学习内容推荐系统，如图1所示，该方法包括以下步骤。

步骤S101，获取对学习者预先进行测试得到的测试结果数据，并根据该测试结果数据使用第一卷积神经网络得到所述学习者的知识水平参数。

学习者在长期的学习过层中，会进行不同形式的学习行为，其中，为了对学习者的学习效果进行检验，通常通过不同形式的测试对学习者进行测验。例如，学习者通过对测试试卷进行作答，并再对学习者作答的数据和答案数据进行比对，确定学习者进行了正确作答和错误作答的具体试题，即可确定该学习者对于知识的掌握程度。

在本申请实施例中，为了提高进行测试的准确性，可以预先建立包含有多种试题的试题库，试题库内存储的试题对应有不同的知识点，在对学习者进行测试时，可以根据学习者的当前状态确定对应的试卷，学习者可以通过计算机进行试题作答。在完成试题作答后，系统可以对学习者的作答内容和标准答案进行比对，以确定测试结果。对于一些主观性的试题，还可以进行人工评卷。最后根据判卷结果得到学习者的测试评分，同时可以根据学习者对试题答对或答错的情况，确定学习者对某些知识点的掌握情况。

在本申请实施例中，试题数据库中的每道试题可以检测一个或多个知识点，没道试题可以标明所检测的知识点以及相应的检测难度级别。对学习者进行测试的试卷可以从试题数据库中抽取多道试题组成。在实际测试过程中，可以先确定整体试卷需要检测的知识点范围，然后从试题库中确定处于知识点范围内的各个试题，使得试题的检测知识点不超过该试卷需要检测的知识点范围。同时为了实现更客观的检测，试卷中对于每个知识点可以包括各个难度级别的试题。

在本申请实施例中，测试题与知识点的对应关系可以通过测试题元数据描述。试题数据库中可以为每道测试题建立编号，测试题的编号可以由四部分组成：技术类名、技术类编号、技术方向编号以及测试题序列号。

为了获得学习者的准确的测试结果，在对学习者进行测试评估时，可以使用多套试题进行评估，例如，可以使用3套以上试卷，避免测试过程中的偶然情况。最后为学习者生成一个测试结果报告，测试结果报告中可以包括每个知识节点的考题信息和得分信息。测试结果报告中的成绩分数可以换算为百分制，比如，总分为20分，学习者测试得分为15分，则换算百分制后，学习者的得分为15/20*100＝75分。测试结果报告中的分数可以分别按照每个被测试的知识节点的难度等级进行记录。

在获得了学习者的测试结果数据后，可以通过卷积神经网络对学习者的知识水平参数进行分析。如图2所示，通过以下子步骤进行知识水平参数的确定。

子步骤S111，以所述测试次数作为纵坐标，以所述知识节点的难度等级作为横坐标，把所述学习者的测试结果数据通过第一二维坐标空间进行表达，所述第一二维坐标空间中每一坐标点的值为相应的测试得分，得到一输入数据模型。

在建立知识水平参数分析模型时，如图3所示，可以以测试次数作为纵坐标，以测试的知识节点的难度等级作为横坐标，把学习者的测试结果划分为二维空间，空间中每一点的值为相应的测试得分。

子步骤S112，使用所述测试次数和所述知识节点的难度等级进行图像的空间划分，将所述输入数据模型转换为图像数据，其中，该图像数据中的每个像素点的像素值为所述输入数据模型中一个对应坐标点的值。

如此，可以将学习者的测试结果数据抽象成一张黑白图像，使用测试次数和知识节点难度级别进行图像的空间划分，使用相应点的测试得分作为图像对应点的像素值。图4为将输入数据模型转换为图像数据后得到的图像，图4中各个像素点的像素值是与输入数据模型中的坐标点的数值对应的，在实际使用过程中，图中各个像素点反应出的灰度可以是不同的。

子步骤S113，将所述图像数据分别输入多个所述第一卷积过滤器进行卷积操作，得到多个第一卷积特征图。

卷积阶段首先要确定过滤器的大小和步长，从而可以对输入数据进行卷积操作。可选的，本申请实施例可设定第一卷积过滤器的大小为2×3×1的矩阵，其中，2、3、1分别表示第一卷积过滤器的高度、宽度和深度。第一卷积过滤器的高度可以对应输入数据的纵坐标，即测试的次数。第一卷积过滤器的宽度可以对应输入数据的横坐标，也就是知识点的难度等级。第一卷积过滤器的深度对应输入的通道，在本申请实施例中为1。本申请实施例可以设定第一卷积过滤器的步长为1，同时当扫描到图片边缘的时候使用全0填充值。

使用2×3×1的第一卷积过滤器对测试结果图像数据进行步长为1的扫描的目的可以理解为以相邻2次测试和相邻3个知识点难度为范围，寻找学习者测试结果的局部特征。比如，发现学习者对每个知识节点的难度为中级的测试分数最高，或者发现学习者对难度为高级的测试分数不稳定等特征。

通过使用第一卷积过滤器对图像数据进行一次卷积操作以后就会得到一个第一卷积特征图，该第一卷积特征图就是由该卷积过滤器中2×3×1个权重和1个偏值来确定的。因为使用了填充值，所以卷积后得到的第一卷积特征图的大小与输入数据模型一样仍然为4×20×1。

第一卷积神经网络的每个第一卷积特征图只能识别一个局部特性，为了能够对学习者的测试结果进行全面的理解，发现测试结果中隐藏的各种特征，就需要使用多个第一卷积过滤器对输入数据模型进行多次卷积操作。每次卷积操作都会生成一个第一卷积特征图，所以经过卷积操作后就会得到多个第一卷积特征图，每个第一卷积特征图描述了测试结果的某个特征，通过多个第一卷积特征图所识别的多个局部特性就可以达到对全局的理解。

例如，本申请实施例可以使用20个第一卷积过滤器对测试结果进行卷积操作，也就是说，通过设置20个第一卷积过滤器可以试图发现20个不同的局部特性来全面分析学习者的测试结果。所以，经过20次卷积操作以后，将会得到20个第一卷积特征图。每个第一卷积特征图都是通过一个对应的卷积过滤器中的2×3×1个权重和1个偏值来定义的，所以第一卷积神经网络中的卷积层共有2×3×1×20＝120个权重和20个偏值。

本申请实施例中第一卷积神经网络的卷积处理过程中可以使用激活函数ReLU(Rectified Liner Unit，修正线性单元)，f(x)＝max(0,x)。使用该激活函数具有收敛快、求梯度简单以及运算量小的特点，很大程度的解决了神经网络算法在优化深层神经网络时的梯度耗散问题。

子步骤S114，使用所述第一池化层对每个所述第一卷积特征图进行均值池化处理，得到多个第一池化特征图及多个第一特征神经元。

在上面的示例中，本申请实施例在池化层可以采用规模为2×2，步长为2的均值池化(Mean Pooling)方法，也就是取4个点的平均值，对4×20的卷积层的第一卷积特征图进行规模为2×2，步长为2的均值池化后生成一个2×10的特征图。如此，本申请实施例的第一卷积神经网络在卷积层共有20个第一卷积特征图，通过对这20个第一卷积特征图分别进行池化操作后，池化层将得到20个2×10的第一池化特征图。

经过卷积和池化操作之后，第一卷积神经网络得到了20个2×10的特征图，总共拥有2×10×20＝400个第一特征神经元。第一池化层不引入新的权重和偏值，所以第一卷积神经网络卷积和池化层共有2×3×1×20＝120个权重和20个偏值。第一池化层的作用在于压缩数据和权重参数的量，从而减少过度拟合，所以，第一池化层不引入新的权重和偏值参数，也不使用激活函数。

子步骤S115，使用所述第一全连接层对每个所述第一特征神经元输出的信息进行计算。

第一卷积神经网络模型在卷积层和池化层从多个特征方面对问题进行理解，为了对问题进行更全面和更抽象级别的理解，本申请实施例在卷积层和池化层后添加了一个包括多个第一全连接神经元的第一全连接层。例如，针对上面的示例，第一全连接层可以包括100个第一全连接神经元，这100个第一全连接神经元需要与第一池化层的每一个第一特征神经元进行连接，也就是说在全连层的每一个神经元都会从池化层的400个神经元的每一个神经元中接收信息，所以，第一全连接层将引进400×100＝40000个权重和1个偏值。

在上述示例中，第一卷积层和第一池化层具有2×3×1×20＝120个权重和20个偏值，所以，加入第一全连接层以后，第一卷积神经网络就共含有40120个权重和21个偏值。

子步骤S116，根据所述第一全连接层中每个第一全连接神经元的计算结果，得到所述学习者的知识水平参数，并通过所述第一输出层进行输出。

第一卷积神经网络的最后一层是输出层，本申请实施例通过对测试结果分析是对各个知识节点分别建立神经网络，也就是说，基于同一组测试结果，对每个知识节点建立一个神经网络，分析学习者对该知识节点的掌握程度，从而确定应该向学习者推荐哪些学习资料。

在本申请实施例中，可以将学习者对知识节点的掌握程度分为优、良、中、差、劣五个等级，即学习者对某一知识点的知识水平参数为优、良、中、差、劣五个等级中的一个。相应的，第一输出层可以设置5个神经元。从第一全连接层到第一输出层采用全连接，即第一输出层的每一个神经元会接收第一全连接层的每一个第一全连接神经元的信息，通过softmax激活函数计算后输出结果，第一输出层可以得到不同知识水平参数的概率值，输出概率值最大的就是输入数据模型的知识水平参数，即通过第一神经网络得到了学习者的测试结果数据对应的知识水平参数。

在上述示例中，第一输出层中5个神经元需要与第一全连接层的100个神经元进行连接。所以，第一输出层将引进5×100个权重和1个偏值。如此，第一卷积神经网络包含(2×3×1×20)+(400×100)+(100×5)＝41100个权重参数和20+1+1＝22个偏值参数。

步骤S102，根据所述学习者的学习行为数据，确定与所述学习者对应的学习方式类型。

不同的学习者在进行学习时具有不同类型的学习方式，而确定一名学习者是何种学习方式类型就需要分析该学习者的各种学习行为，因此，学习行为数据作为确定学习者学习方式类型的必要的数据。在本申请实施例中，自适应学习内容推荐系统包括服务器和客户端，服务器可以完成对学习行为数据的分析，而学习者的各种学习行为是通过与服务器连接的客户端进行的。详细的，如图6所示，可以通过以下子骤确定学习者的学习行为数据。

步骤S201，获取所述学习者通过所述客户端访问的所述学习内容的时刻以及所述学习内容对应的内容标识。

步骤S202，根据所述学习内容对应的内容标识，确定所述学习行为对应的行为权重。

为了向学习者推荐针对性的学习内容，需要对学习者的学习方式类型进行准确的分析。在本申请实施例中，学习者通过客户端进行的所有学习行为都会受到服务器的监控和记录，学习行为包括但不限于浏览学习资料、观看视频、搜索学习资料、做实验、做作业、提问问题、答疑、讨论、写实验报告以及自我测试等。服务器预先为每种学习内容分配相应的内容标识，并为不同的学习行为确定对应的行为权重。服务器可以通过客户端获取所述学习者进行学习行为的时刻以及进行各种学习行为对应的内容标识。根据所述网络学习行为对应的内容标识以及所述网络学习行为的预设权重，确定所述学习者预设时间段内进行学习行为的行为数据集合。

步骤S203，将所述学习者预设时间段内进行所述学习行为的次数、总时长和/或每种学习行为的汇总权重作为该学习者的学习行为数据。

学习者在通过网络学习系统进行学习前，可以注册唯一的身份标识，通过预先在网络学习系统中登陆该身份标识，以便网络学习系统可以记录不同学习者的不同学习行为。服务器可以记录哪一学习者在什么时间对哪些学习内容进行了什么样的学习。

服务器可以将学习者所有的学习行为与学习者的身份标识进行绑定，从而确定该学习者对应的所有学习行为。学习者在使用网络学习系统进行学习时，可以使用客户端访问服务器内预先配置的各种学习资源。当学习者使用客户端访问某一学习资源时，服务器即可通过该学习资源的内容标识，记录下学习者的学习行为。在记录学习者学习行为的同时，还可以记录学习行为发生的时刻，同时可以记录学习者使用某一学习资源的时长。

学习者使用不同的学习资源会对学习方式类型的确定带来影响，服务器可以预先对不同的学习行为赋予不同的权重，例如，学习者通过普通搜索网站搜索学习某一知识点的获得的权重，相比通过专业网站搜索同样知识点获得的权重要低。因为通过专业网站学习到的知识点一般要相比普通搜索网站要更专业。同样的，对于不同的学习行为，网络学习系统也可以赋予学习行为对应的权重。例如，对于某一知识点，学习者进行了针对性的实验，那么该从事实验的学习行为获得的权重就相对较高。如果学习者针对该知识点仅进行了网页的浏览，那么该浏览网页的学习行为就只能获得相对较低的权重。

进一步的，根据上述学习行为数据，通过如下步骤就可以总结出该学习者的学习方式类型。

详细地，首先，获取所述学习者预设时间段内进行所述学习行为的汇总权重。

其次，根据预先确定的对应关系以及所述汇总权重与学习方式类型的对应关系，确认所述学习者的学习方式类型，其中，所述对应关系包括不同权重值分别对应的学习方式类型。

在本申请实施中，可以预先将学习方式类型划分为不同类型，学习方式类型包括但不限于：基于视频的学习方式、基于幻灯片的学习方式、基于文本的学习方式、基于实验的学习方式、基于习题讲解的学习方式、基于习题的学习方式以及基于测试的学习方式。如果通过分析某一学习者的行为数据，确定该学习者通过网络学习平台的大部分时间是观看各个知识点的学习视频，同时观看视频的时长超过了某一时长，那么可以确定该学习者的学习方式类型就是基于视频的学习方式。同理，如果某一学习者进行学习的大部分时间都是通过作答习题进行的，那么该学习者的学习方式就是基于习题的学习方式。可以理解的是，一名学习者可以被确定对应有一个或多个学习方式类型。

如果学习者使用了某种方式进行了学习，就可以打上那种学习方式的标签。学习标签的权重与使用的次数及使用的时长最有关。学习者使用某种学习方式的次数越多，使用的时间越长，就说明学习者越偏好该学习模式。所以，学习方式类型计算公式，会与使用的次数和时长有关。

另一方面，对于不同学习方式需要给予不同的权重，因为每类学习方式对应的学习资料的数量不同，会影响到学习者的选择。比如，如果服务器中存储的幻灯片的学习资料比视频资料多，学生选择幻灯片学习的次数就会比选择视频资料进行学习的次数多，因此需要适当降低幻灯片学习方式的权重。

另外，有些类型的学习方式本身决定了需要花费较长的时间，比如，每次做实验需要花费的时间会比做习题的时间要长，所以在一定程度上又需要降低实验学习方式时间长度的权重。学习标签的权重可能随时间的增加而衰减，比如，某个学习者在2个月前使用的某种学习方式的权重应该比本周使用的学习方式的权重要小。因此，还需要定义时间衰减因子。

综上所述，针对一个学习行为事件，学习方式类型的汇总权重计算公式为：

学习方式类型权重＝学习时长×学习时长权重×学习方式权重×时间衰减因子。

可选的，下面给出每种学习方式的权重和学习时长权重作为参考，每个自学习平台可以根据平台上的实际学习资料情况进行相应调整。可以对上述多种学习方式进行权重的设置，例如，基于视频的学习方式的权重可以为0.7，学习时长权重可以为0.6。基于幻灯片的学习方式的权重可以为0.6，学习时长权重可以为0.8。基于文本的学习方式的权重可以为0.5，学习时长权重可以为0.7。基于实验的学习方式的权重可以为1.0，学习时长权重可以为0.5。基于讲习题解的学习方式的权重可以为0.9，学习时长权重可以为0.8。基于习题的学习方式的权重可以为0.8；学习时长权重可以为0.6。基于测试的学习方式的权重可以为0.7，学习时长权重可以为0.5。时间衰减因子可以按天逐步递减，每天减少0.1，100天以后趋于0，也就是不再考虑。

比如，学习者A，昨天上午9点，用50分钟时间，进行了大数据实验。那么，基于上述学习方式类型权重计算公式及上述预设权重，该次学习行为可以计算出的学习方式权重为：

基于实验的学习方式权重＝50×0.5×1.0×0.99＝24.75。

通过学习方式标签权重计算公式可以计算获取每次学习行为给相应学习方法的权重，然后可以对每个学习者的每种学习方式的权重进行汇总得出汇总权重，从而可以得出每个学习者主要使用的学习方式，也就是学习者偏好的学习方式。比如，学习者A在过去3个月的学习方式汇总权重如下：基于视频的学习方式汇总权重为105.45，基于幻灯片的学习方式汇总权重为45.75，基于文本的学习方式汇总权重为30.65，基于实验的学习方式汇总权重为85.50，基于讲习题解的学习方式汇总权重为40.85，基于习题的学习方式汇总权重为55.50，基于测试的学习方式汇总权重为35.50。在上述这些汇总权重中，该学习者A基于视频、基于做实验以及基于习题的学习方式的汇总权重较高，通过这些学习方式的汇总权重，可以看出学习者A喜欢通过观看视频和做实验进行学习，同时也比较喜欢通过做习题的方式进行学习，即可确认该学习者A的学习方式类型包括：基于视频的学习方式、基于实验的学习方式以及基于习题的学习方式。

步骤S103，根据所述学习行为数据，建立第二卷积神经网络确定与所述学习者对应的学习态度类型。

学习者进行学习的过程不仅同学习方式密切相关，还同学习者进行学习时的学习态度密切相关。在本申请实施例中，可以将学习者的学习态度划分为以下几种类型：主动学习型、引导学习型、学习急躁型、学习急功近利型、学习懒惰型和放弃学习型。

主动学习型的学习者，主观很努力，有学习主见，热爱学习，学习中有任何难点疑点都不放过，反复训练，提高技巧技能，提升解决问题的速度以及扩宽解决问题的渠道。对于学习孜孜不倦，心情平静，刻苦钻研，努力探索，能找到好的学习方法，毅力很强，能坚持，能够控制自己的不良情绪。

引导学习型的学习者缺少主见，自觉性较差，但是会在教师的引导、启发下，开动脑筋，积极的去想和做。服从老师的指导和安排，能够认真的完成作业、学习功课，接受老师的督导，能够完成计划和目标，学习勤勤恳恳，兢兢业业，毫不马虎，学习能够达到优异。

学习急躁型的学习者，这类学生能够短时间认真学习，不能长期坚持。开始有极大热情和温度，后来遇到困难多了，就有些急躁，不能静下心来吃苦学习。如遇到有其他“快乐”的事情诱惑，就不会把学习坚持下去而转移去做“快乐”的事情而放弃学习。不能按照要求和规矩办好事情，学习总是马马虎虎，敷衍应付。

学习急功近利型的学习者对于学习带有急功近利思想，自以为有用的东西，就喜欢学习，感到没有用的就不喜欢学，也学不进去。学习没有系统性，学习的基础不扎实。凭自己的一时判断和好恶来学习，不想学的就拒绝或者厌烦，没有超前意识和前瞻意识。

学习懒惰型的学习者没有远大理想，只顾眼前一时的快乐，不顾及将来。读书老是迟到，千方百计的想玩，不想做事情。学习都是在老师的压力下进行，经常不做或不完成作业，或者作业做得十分马虎，学习的量都完不成，更不会有学习的质。

放弃学习型的学习者对于学习毫无兴趣，心思不在学习上，根本不把学习当成一回事。老师讲课，不耐烦听，作业也不完成。

在本申请实施例中，如上所述将学习者的学习态度划分为6种类型。不同类型的学习者的学习态度不同，学习的主动性不同，学习的方法也有差别。但如果仅仅认为通过学习者的行为来判定该学习者的学习态度，则很大程度上会受人的主观意识的影响，本申请实施例中通过第二卷积神经网络实现对学习者的学习态度的客观评价。

详细的，所述第二卷积神经网络包括多个用于对数据进行卷积的第二卷积过滤器、用于对数据进行池化的第二池化层、用于通过多个第二全连接神经元对所述第二池化层的池化结果进行计算的第二全连接层以及用于对所述第二全连接层的计算结果进行分类输出的第二输出层。可以通过以下子步骤进行学习态度类型的确认。

例如，首先，如图6所示，以所述学习行为的种类作为纵坐标，以所述预设时间段的单位时间段作为横坐标，把所述学习行为数据通过第二二维坐标空间进行表达，得到行为数据模型。

为了使用卷积神经网络模型，首先需要确定输入数据模型。可以将学习行为数据中的某段时间内的学习行为依据前述方法进行确定，以某段时间内的天数作为横坐标，以学习行为的类型作为纵坐标，形成学习者学习行为的第二二维坐标空间。如前所述，学习行为数据统计的行为数据是一段时间内的所有学习动作，例如，统计的天数可以为4周共28天。所述第二二维坐标空间中每一坐标点的值为进行所述学习行为的次数或时长。

如图所示，学习者的学习行为数据按天、按行为类型进行分类统计，比如，坐标(10，3)表示第10天该学习者进行讨论的次数，坐标(15，5)表示第15天该学习者浏览幻灯片的时长。学习行为中的时长可以统一采用分钟为单位。

在本申请实施例中，不同的学习动作会对体现学习者不同的学习态度，为了对学习行为数据进行详细的分析，可以将学习行为数据分类为以下多种：提问次数、回答提问次数、答疑次数、讨论次数、浏览幻灯片次数、浏览幻灯片时长、浏览视频次数、浏览视频时长、做实验次数、做实验时长、做作业次数、做作业时长、写实验报告次数、写实验报告时长、自测次数以及自测时长。通过对学习者的多种学习行为进行统计，可以形成与每个学习者对应的输入数据模型。

然后，将所述行为数据模型分别输入多个所述第二卷积过滤器进行卷积操作，得到多个第二卷积特征图。

卷积阶段首先要确定第二卷积过滤器的大小和步长，从而可以对输入进行卷积操作。例如，本申请实施例可以设定第二卷积过滤器的大小为3×3×1的矩阵，其中3、3和1分别表示第二卷积过滤器的长度、宽度和深度。其中，长度对应输入数据模型的横坐标，可以设置为“天”；宽度对应输入数据模型的纵坐标，也就是学习动作的类型；深度对应输入的通道，在本申请实施例中可以取1。

通过使用第二卷积过滤器对输入数据模型进行卷积操作以后就会得到第二卷积特征图，在第二卷积过滤器采用3×3×1矩阵时，第二卷积特征图就是由第二卷积过滤器中3×3×1个权重和1个偏值来确定的。

由于每个第二卷积特征图只能识别一个局部特性，为了能够对问题进行全面的理解，就需要多个第二卷积特征图，从而可以通过多个第二卷积特征图所识别的多个局部特性达到对全局的理解。为了能够全面分析学习者的学习态度，本申请实施例可以使用20个第二卷积特征图进行分析，也就是说，通过发现20个不同的局部特性来全面分析学习者的学习态度。在采用3×3×1矩阵作为第二卷积过滤器时，每个第二卷积特征图都是通过一个对应的第二卷积过滤器中的3×3×1个权重和1个偏值来定义的，所以第二卷积神经网络的卷积层共有3×3×1×20＝180个权重和20个偏值。本申请实施例中第二卷积神经网络对输入数据模型进行卷积时仍然可以使用ReLU作为激活函数。

其次，使用所述第二池化层对每个所述第二卷积特征图进行均值池化处理，得到多个第二池化特征图及多个第二特征神经元。

本申请实施例在对第二卷积特征图进行池化时可以采用规模为2×2，步长为2的均值池化(Mean Pooling)方法，也就是取4个点的平均值。通过对28×16的第二卷积特征图进行规模为2×2，步长为2的均值池化后可以生成一个14×8的第二池化特征图。如前所述，在对输入数据模型进行卷积后可以得到20个第二卷积特征图，通过对这20个第二卷积特征图分别进行池化操作后，可以得到20个14×8的第二池化特征图。所以，经过卷积和池化之后，基于第二卷积神经网络可以得到20个14×8的第二池化特征图，总共拥有2240个第二特征神经元。第二池化层不引入新的权重和偏值，所以本申请实施例中的第二卷积神经网络的第二卷积层和第二池化层共有3×3×1×20＝180个权重和20个偏值。第二池化层的作用在于压缩数据和权重参数的量，从而减少过度拟合，所以，第二池化层不引入新的权重和偏值参数，也不使用激活函数。

进一步地，使用所述第二全连接层对每个所述第二特征神经元输出的信息进行计算。

第二卷积神经网络模型在第二卷积层和第二池化层从多个特征方面对问题进行理解，为了对问题进行更全面和更抽象级别的理解，在对第二卷积特征图进行池化后，可以再添加一个包括多个第二全连接神经元的第二全连接层，在本申请实施例中，第二全连接神经元的个数可以为100个。这100个第二全连接神经元需要与第二池化层的每一个第二特征神经元进行连接，也就是说在第二全连接层的每一个第二全连接神经元都会从第二池化层的2240个第二特征神经元的每一个神经元中接收信息，所以，第二全连接层将引进2240×100＝224000个权重和一个偏值。第二卷积层和第二池化层具有3×3×1×20＝180个权重和20个偏值，所以，加入第二全连接层以后，第二卷积神经网络共含有224180个权重和21个偏值。

最后，根据所述第二全连接层中每个第二全连接神经元的计算结果，得到所述学习者的学习态度类型，并通过所述第二输出层进行输出。

第二卷积神经网络的最后一层是输出层。如前所述，本申请实施例对学习者的学习态度分析的结果分为主动学习型、引导学习型、学习急躁型、学习急功近利型、学习懒惰型和放弃学习型6个等级，所以第二输出层可以有6个输出神经元。从第二全连接层到第二输出层也是采用全连接，第二输出层的每一个输出神经元会接收第二全连接层的每一个第二全连接神经元的信息，通过softmax激活函数计算后输出结果，得到不同学习态度类型的概率值，输出概率值最大的就是该输入数据模型对应的学习态度类型，即通过第二卷积神经网络确定了学习者的学习行为对应的学习态度。其中，第二输出层在设置6个输出神经元时，这6个输出神经元需要与第二全连接层的100个第二全连接神经元进行连接。所以，第二输出层将引进6×100＝600个权重和1个偏值。整个第二卷积神经网络就包含：(3×3×1×20)+(2240×100)+(100×6)＝224780个权重参数和20+1+1＝22个偏值参数。

本申请实施例中通过建立第二卷积神经网络，通过对学习者的学习行为数据进行卷积和池化，实现对学习者学习行为数据体现出的学习态度进行分类。通过该第二卷积神经网络，可以通过学习行为数据更客观的分析学习者的学习态度类型，避免认为主观判断学习者学习态度带来的偏差，本申请中的第二卷积神经网络对学习者学习态度的分析不需要人工参与，提高对学习者学习态度分析的准确性和效率。

步骤S104，根据所述知识水平参数、学习方式类型和学习态度类型，确定与所述学习者相匹配的学习内容数据。

在确定了学习者的学习方式类型和学习态度类型后，即可向该学习者推荐合适的学习内容。可以理解的是，向学习者推荐的学习内容是基于该学习者通过测试后得到的测试结果数据及当前知识水平相匹配的。通过上述学习方式类型的获取，可以确定学习者适应的最佳的学习方式，同时通过学习态度类型可以确定该学习者的客观上的学习态度，为学习者推荐的学习内容也就是最适于该学习者学习的知识，学习者通过相匹配的学习内容数据可以进行效率更高、效果更好的学习。

本申请实施例通过推荐最合适的个性化的学习内容使学习者能够花费最小的精力和最短的时间掌握相应的知识。本申请提供了一种基于多个卷积神经网络为学习者推荐适合个人知识掌握程度和学习特性的学习内容的方法和机制。本申请的基于多个卷积神经网络的自适应学习的推荐算法具有如下优势：

首先，克服了基于规则的推荐算法的主观性、粗颗粒性和固定性三大问题。因为本申请实施例使用的推荐算法不是基于专家设定的规则，而是基于学习者的客观学习成绩和学习行为数据，所以不会受到专家主观意识的影响。同时，本申请基于多个卷积神经网络的推荐算法是基于丰富细致的知识图谱进行分析的，可以非常细粒度的进行学习内容推荐。本申请的基于多个卷积神经网络的推荐算法是基于学习者的实际学习情况进行推荐，而不是采用预先设置的规则，所以能够根据每个学习者当时的真实情况进行个性化推荐。

尽管基于算法的推荐算法比基于规则的推荐算法具有更强的个性化推荐功能，可以根据学习者的测试结果为学习者推荐学习路径和学习内容，但是，基于算法的推荐算法的建立需要大量的专家工作，需要详细分析各种可能导致测试结果的组合，所以实现详细的算法相当困难，同时还会带来推荐内容的不准确。本申请克服了基于算法的推荐算法的这个核心问题，只需要专家或者教师基于学习者测试结果给出学习者对相应学习节点的掌握程度，而不需要专家或教师对测试结果进行详细分析，第一卷积神经网络能够自动根据大量的测试结果进行建模用来分析学习者对知识点的实际掌握程度。所以，本申请的自适应学习的推荐算法不但可以用于比较成熟的专业领域，比如K12和英语，同时还可以应用于新兴专业领域，比如云计算和大数据专业。

另外，本申请中自适应学习推荐算法不仅使用卷积神经网络分析学习者的测试结果，同时还分别使用第二卷积神经网络和学习方式权重算法对学习者的学习行为数据进行分析，获得学习者的学习态度和偏爱的学习方式，因此，本申请的自适应学习的推荐算法不仅知道应该为学习者推送哪些知识节点的学习内容，还知道应该推送哪种形式的学习内容，以及推送学习内容的量和推送频率，从而可以真正做到按照学习者的个性进行推荐。本申请通过大量学习者的学习行为进行建模，从而可以克服只注重基于学习者个人学习行为建模因为数据量有限而带来的数据建模缓慢和预测不准确的缺陷。

综上所述，本申请实施例中的自适应学习内容推荐方法及系统，通过建立多个卷积神经网络，并对学习者的测试结果、学习行为数据等进行卷积计算，可以得到能够真实反应学习者当前知识水平以及学习态度的客观输出结果，同时通过对学习行为数据的分析，可以确定与学习者相匹配的学习方式。从客观上实现了对学习者学习状态的分析，避免了对学习者学习状态进行人为分析带来的主观偏差，可以更准确的为学习者提供针对性的学习内容，提高学习者的学习效率。

本申请实施例还提供了一种基于卷积神经网络的自适应学习内容推荐系统，该自适应学习内容推荐系统多个服务器，如图7所示，所述服务器包括：

一种基于卷积神经网络的自适应学习内容推荐系统10，该自适应学习内容推荐系统包括多个服务器，该自适应学习内容推荐系统包括：

第一处理模块101，用于获取对学习者预先进行测试得到的测试结果数据，并根据该测试结果数据使用第一卷积神经网络得到所述学习者的知识水平参数；

第二处理模块102，用于根据预先获取的所述学习者的学习行为数据，确定与所述学习者对应的学习方式类型；

第三处理模块103，用于根据所述学习行为数据使用第二卷积神经网络得到所述学习者的学习态度类型；

内容推荐模块104，用于根据所述知识水平参数、学习方式类型和学习态度类型，确定向所述学习者推送的学习内容数据。

进一步地，所述测试结果数据包括对所述学习者进行测试的知识节点、每个所述知识节点的难度等级、测试次数以及每次测试各难度等级的知识节点的测试得分，所述第一卷积神经网络包括多个用于对数据进行卷积的第一卷积过滤器、用于对数据进行池化的第一池化层、用于通过多个第一全连接神经元对所述第一池化层的池化结果进行计算的第一全连接层以及用于对所述第一全连接层的计算结果进行分类输出的第一输出层；所述第一处理模块用于：

以所述测试次数作为纵坐标，以所述知识节点的难度等级作为横坐标，把所述学习者的测试结果数据通过第一二维坐标空间进行表达，所述第一二维坐标空间中每一坐标点的值为相应的测试得分，得到一输入数据模型；

使用所述测试次数和所述知识节点的难度等级进行图像的空间划分，将所述输入数据模型转换为图像数据，其中，该图像数据中的每个像素点的像素值为所述输入数据模型中一个对应坐标点的值；

将所述图像数据分别输入多个所述第一卷积过滤器进行卷积操作，得到多个第一卷积特征图；

使用所述第一池化层对每个所述第一卷积特征图进行均值池化处理，得到多个第一池化特征图及多个第一特征神经元；

使用所述第一全连接层对每个所述第一特征神经元输出的信息进行计算；

根据所述第一全连接层中每个第一全连接神经元的计算结果，得到所述学习者的知识水平参数，并通过所述第一输出层进行输出。

进一步地，所述服务器预先配置有多种学习内容，所述服务器预先建立与所述学习内容对应的内容标识，所述自适应学习内容推荐系统包括与所述服务器通信连接的客户端，所述客户端用于采集所述学习者的学习行为，所述服务器用于：

获取所述学习者通过所述客户端访问的所述学习内容的时刻以及所述学习内容对应的内容标识；

根据所述学习内容对应的内容标识，确定所述学习行为对应的行为权重；

将所述学习者预设时间段内进行所述学习行为的次数、总时长或者每种学习行为的汇总权重作为该学习者的学习行为数据。

进一步地，所述第二处理模块102用于：

获取所述学习者预设时间段内进行所述学习行为的汇总权重；

根据预先确定的对应关系以及所述汇总权重确认所述学习者的学习方式类型，其中，所述对应关系包括不同权重值分别对应的学习方式类型。

进一步地，所述第二卷积神经网络包括多个用于对数据进行卷积的第二卷积过滤器、用于对数据进行池化的第二池化层、用于通过多个第二全连接神经元对所述第二池化层的池化结果进行计算的第二全连接层以及用于对所述第二全连接层的计算结果进行分类输出的第二输出层；所述第三处理模块103用于：

以所述学习行为的种类作为纵坐标，以所述预设时间段的单位时间段作为横坐标，把所述学习行为数据通过第二二维坐标空间进行表达，得到行为数据模型，所述第二二维坐标空间中每一坐标点的值为进行所述学习行为的次数或时长；

将所述行为数据模型分别输入多个所述第二卷积过滤器进行卷积操作，得到多个第二卷积特征图；

使用所述第二池化层对每个所述第二卷积特征图进行均值池化处理，得到多个第二池化特征图及多个第二特征神经元；

使用所述第二全连接层对每个所述第二特征神经元输出的信息进行计算；

根据所述第二全连接层中每个第二全连接神经元的计算结果，得到所述学习者的学习态度类型，并通过所述第二输出层进行输出。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，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。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于卷积神经网络的自适应学习内容推荐方法，其特征在于，应用于包括多个服务器的自适应学习内容推荐系统，该学习内容推荐方法包括：

获取对学习者预先进行测试得到的测试结果数据，并根据该测试结果数据使用第一卷积神经网络得到所述学习者的知识水平参数；

根据预先获取的所述学习者的学习行为数据，确定与所述学习者对应的学习方式类型；

根据所述学习行为数据使用第二卷积神经网络得到所述学习者的学习态度类型；

根据所述知识水平参数、学习方式类型和学习态度类型，确定向所述学习者推送的学习内容数据。

2.根据权利要求1所述的基于卷积神经网络的自适应学习内容推荐方法，其特征在于，所述测试结果数据包括对所述学习者进行测试的知识节点、每个所述知识节点的难度等级、测试次数以及每次测试各难度等级的知识节点的测试得分，所述第一卷积神经网络包括多个用于对数据进行卷积的第一卷积过滤器、用于对数据进行池化的第一池化层、用于通过多个第一全连接神经元对所述第一池化层的池化结果进行计算的第一全连接层以及用于对所述第一全连接层的计算结果进行分类输出的第一输出层；

所述根据该测试结果数据使用第一卷积神经网络得到所述学习者的知识水平参数的步骤，包括：

以所述测试次数作为纵坐标，以所述知识节点的难度等级作为横坐标，把所述学习者的测试结果数据通过第一二维坐标空间进行表达，所述第一二维坐标空间中每一坐标点的值为相应的测试得分，得到一输入数据模型；

使用所述测试次数和所述知识节点的难度等级进行图像的空间划分，将所述输入数据模型转换为图像数据，其中，该图像数据中的每个像素点的像素值为所述输入数据模型中一个对应坐标点的值；

将所述图像数据分别输入多个所述第一卷积过滤器进行卷积操作，得到多个第一卷积特征图；

使用所述第一池化层对每个所述第一卷积特征图进行均值池化处理，得到多个第一池化特征图及多个第一特征神经元；

使用所述第一全连接层对每个所述第一特征神经元输出的信息进行计算；

根据所述第一全连接层中每个第一全连接神经元的计算结果，得到所述学习者的知识水平参数，并通过所述第一输出层进行输出。

3.根据权利要求1所述的基于卷积神经网络的自适应学习内容推荐方法，其特征在于，所述服务器预先配置有多种学习内容，所述服务器预先建立与所述学习内容对应的内容标识，所述自适应学习内容推荐系统包括与所述服务器通信连接的客户端，所述客户端用于采集所述学习者的学习行为，所述服务器通过以下步骤预先获取所述学习者的学习行为数据：

获取所述学习者通过所述客户端访问的所述学习内容的时刻以及所述学习内容对应的内容标识；

根据所述学习内容对应的内容标识，确定所述学习行为对应的行为权重；

将所述学习者预设时间段内进行所述学习行为的次数、总时长或者每种学习行为的汇总权重作为该学习者的学习行为数据。

4.根据权利要求3所述的基于卷积神经网络的自适应学习内容推荐方法，其特征在于，根据所述学习者的学习行为数据，确定与所述学习者对应的学习方式类型的步骤，包括：

获取所述学习者预设时间段内进行所述学习行为的汇总权重；

根据预先确定的对应关系以及所述汇总权重确认所述学习者的学习方式类型，其中，所述对应关系包括不同权重值分别对应的学习方式类型。

5.根据权利要求3所述的基于卷积神经网络的自适应学习内容推荐方法，其特征在于，所述第二卷积神经网络包括多个用于对数据进行卷积的第二卷积过滤器、用于对数据进行池化的第二池化层、用于通过多个第二全连接神经元对所述第二池化层的池化结果进行计算的第二全连接层以及用于对所述第二全连接层的计算结果进行分类输出的第二输出层；

所述根据所述学习者的学习行为数据，建立第二卷积神经网络确定与所述学习者对应的学习态度类型的步骤，包括：

以所述学习行为的种类作为纵坐标，以所述预设时间段的单位时间段作为横坐标，把所述学习行为数据通过第二二维坐标空间进行表达，得到行为数据模型，所述第二二维坐标空间中每一坐标点的值为进行所述学习行为的次数或时长；

将所述行为数据模型分别输入多个所述第二卷积过滤器进行卷积操作，得到多个第二卷积特征图；

使用所述第二池化层对每个所述第二卷积特征图进行均值池化处理，得到多个第二池化特征图及多个第二特征神经元；

使用所述第二全连接层对每个所述第二特征神经元输出的信息进行计算；

根据所述第二全连接层中每个第二全连接神经元的计算结果，得到所述学习者的学习态度类型，并通过所述第二输出层进行输出。

6.一种基于卷积神经网络的自适应学习内容推荐系统，其特征在于，该自适应学习内容推荐系统包括多个服务器，该自适应学习内容推荐系统包括：

第一处理模块，用于获取对学习者预先进行测试得到的测试结果数据，并根据该测试结果数据使用第一卷积神经网络得到所述学习者的知识水平参数；

第二处理模块，用于根据预先获取的所述学习者的学习行为数据，确定与所述学习者对应的学习方式类型；

第三处理模块，用于根据所述学习行为数据使用第二卷积神经网络得到所述学习者的学习态度类型；

内容推荐模块，用于根据所述知识水平参数、学习方式类型和学习态度类型，确定向所述学习者推送的学习内容数据。

7.根据权利要求6所述的基于卷积神经网络的自适应学习内容推荐系统，其特征在于，所述测试结果数据包括对所述学习者进行测试的知识节点、每个所述知识节点的难度等级、测试次数以及每次测试各难度等级的知识节点的测试得分，所述第一卷积神经网络包括多个用于对数据进行卷积的第一卷积过滤器、用于对数据进行池化的第一池化层、用于通过多个第一全连接神经元对所述第一池化层的池化结果进行计算的第一全连接层以及用于对所述第一全连接层的计算结果进行分类输出的第一输出层；所述第一处理模块用于：

以所述测试次数作为纵坐标，以所述知识节点的难度等级作为横坐标，把所述学习者的测试结果数据通过第一二维坐标空间进行表达，所述第一二维坐标空间中每一坐标点的值为相应的测试得分，得到一输入数据模型；

使用所述测试次数和所述知识节点的难度等级进行图像的空间划分，将所述输入数据模型转换为图像数据，其中，该图像数据中的每个像素点的像素值为所述输入数据模型中一个对应坐标点的值；

将所述图像数据分别输入多个所述第一卷积过滤器进行卷积操作，得到多个第一卷积特征图；

使用所述第一池化层对每个所述第一卷积特征图进行均值池化处理，得到多个第一池化特征图及多个第一特征神经元；

使用所述第一全连接层对每个所述第一特征神经元输出的信息进行计算；

根据所述第一全连接层中每个第一全连接神经元的计算结果，得到所述学习者的知识水平参数，并通过所述第一输出层进行输出。

8.根据权利要求6所述的基于卷积神经网络的自适应学习内容推荐系统，其特征在于，所述服务器预先配置有多种学习内容，所述服务器预先建立与所述学习内容对应的内容标识，所述自适应学习内容推荐系统包括与所述服务器通信连接的客户端，所述客户端用于采集所述学习者的学习行为，所述服务器用于：

获取所述学习者通过所述客户端访问的所述学习内容的时刻以及所述学习内容对应的内容标识；

根据所述学习内容对应的内容标识，确定所述学习行为对应的行为权重；

将所述学习者预设时间段内进行所述学习行为的次数、总时长或者每种学习行为的汇总权重作为该学习者的学习行为数据。

9.根据权利要求8所述的基于卷积神经网络的自适应学习内容推荐系统，其特征在于，所述第二处理模块用于：

获取所述学习者预设时间段内进行所述学习行为的汇总权重；

根据预先确定的对应关系以及所述汇总权重确认所述学习者的学习方式类型，其中，所述对应关系包括不同权重值分别对应的学习方式类型。

10.根据权利要求8所述的基于卷积神经网络的自适应学习内容推荐系统，其特征在于，所述第二卷积神经网络包括多个用于对数据进行卷积的第二卷积过滤器、用于对数据进行池化的第二池化层、用于通过多个第二全连接神经元对所述第二池化层的池化结果进行计算的第二全连接层以及用于对所述第二全连接层的计算结果进行分类输出的第二输出层；所述第三处理模块用于：

以所述学习行为的种类作为纵坐标，以所述预设时间段的单位时间段作为横坐标，把所述学习行为数据通过第二二维坐标空间进行表达，得到行为数据模型，所述第二二维坐标空间中每一坐标点的值为进行所述学习行为的次数或时长；

将所述行为数据模型分别输入多个所述第二卷积过滤器进行卷积操作，得到多个第二卷积特征图；

使用所述第二池化层对每个所述第二卷积特征图进行均值池化处理，得到多个第二池化特征图及多个第二特征神经元；

使用所述第二全连接层对每个所述第二特征神经元输出的信息进行计算；

根据所述第二全连接层中每个第二全连接神经元的计算结果，得到所述学习者的学习态度类型，并通过所述第二输出层进行输出。