CN110599375A

CN110599375A - 一种用于个性化学习优化的方法、装置、系统和存储介质

Info

Publication number: CN110599375A
Application number: CN201910754577.4A
Authority: CN
Inventors: 苟大银; 白勃; 陈飞
Original assignee: Shenzhen Laifa Lighting Communication Technology Co Ltd
Current assignee: Shenzhen Laifa Lighting Communication Technology Co Ltd
Priority date: 2019-08-15
Filing date: 2019-08-15
Publication date: 2019-12-20

Abstract

本发明涉及一种用于个性化学习优化的方法、装置、系统和存储介质。本发明实施例通过人工智能和机器学习最大限度的提高学习者的学习效率和有效性，通过将学习计划与学习者对待学习单词的熟悉度相关联，根据学习者对待学习单词的熟悉度规划学习者学习每个单词的时间，同时，给出了计算学习者对学习单词的熟悉度的方法，通过跟踪已知单词集，计算用户在给定已知单词集的情况下，知道待学习单词的概率来估计熟悉度，使得学习者有足够的时间学习和复习不熟悉的单词，而对于熟悉的单词，学习者可以节省时间和精力，提高学习者的学习效率。

Description

一种用于个性化学习优化的方法、装置、系统和存储介质

技术领域

本发明涉及词语学习技术领域，尤其涉及一种用于个性化学习优化的方法、装置、系统和存储介质。

背景技术

无论是母语还是非母语，拥有足够大的词汇量是学习语言的重要部分。增加学习者词汇量的通常方法是学习词汇课程或阅读理解课程。在这些课程中，内容设计专家通常根据其专业经验，在学龄儿童的年龄组中选择最适合的单词，或者让儿童或成人学习者进行测试看看其水平在什么档次上。尽管如此，在任何一种情况下，都很难为每个用户定制个性化课程，例如，很难决定是否应该将某一特定的单词包括在某一特定学习者的学习规划中。

传统上，公立学校或课外学习中心将学习者分为不同的班级，如8年级或9年级，托福或GRE班等。显而易见的问题是，在任何课程中，对于特定的学习者，一些单词是其已经知道的，让其花时间在这些已知的单词上是浪费时间。对于不知道的单词，其难易程度对不同人而言也是不一样的，让其平均花费力气学习每一个单词也容易造成时间上浪费的。

发明内容

为了解决现有技术存在的问题，本发明实施例提供了一种词语学习方法、装置、系统和存储介质。

本发明将使用学习者已经知道的词来估计其对一个新出现的单词的熟悉程度。学习规划将基于该信息，系统以较高的概率向学习者呈现其熟悉程度较低的单词，让其有足够的时间学习和复习。而对于比较熟悉的单词，将让其很快测试通过，不必浪费时间和精力。

(一)已知单词的个性化数据库

假设我们是一家提供语言学习课程以改善用户词汇量的服务提供商。当用户订阅该服务时，一个个性化的数据库会被创建，随着时间的推移，该用户从我们的语言学校服务中新获取的单词就会变为其已经掌握的单词。该数据库不需要包含用户从其他地方所学的单词，因为也难以知道该用户还知道什么单词以及从哪里学到的这些单词。例如，像“he”，“she”，“boy”和“girl”这样的简单单词,对于是大学生的学习者，我们几乎可以肯定其知道这些单词，但不会包括在其数据库中。而从我们的课程中所学到的，与其水平适当的词语如“opulent(华丽)”或“orthodox(正统)”将被包括在其个性化的数据库中。

(二)存储配对熟悉估计矩阵的全局数据库

本发明在实现时需要有一个全局数据库来存储任何可能的两个单词之间的熟悉估计计数，这样就可以很容易地估计相对概率P(a|w)，它表示当把新词“w”提供给任何学习者学习时，他已经熟悉单词“a”的概率。注意这里对于一个单词来说，并不区分某个特定的学习者，因此这个概率不是个性化的。

从概念上讲，上述矩阵应该是如下的一个表格，在具体的实现时可以随需要选择各种有效的实现方式，例如稀疏矩阵，字典等。

	计数	“opulent”	“orthodox”	……
					“nostalgia”	99	81	90
……	……	……	……

在上表中，第一垂直列中的单词是呈现给学习者的新单词，第一行中的单词代表学习者已知的单词。垂直列“计数”表示系统已经将第一列中的新单词呈现了多少次给学习者用于学习，其他格子中的数字表示当第一列中的新单词被初次呈现时有多少学习者已经知道第一行中的单词。

以上的描述通过一个例子更容易解释清楚。假设全局数据库的当前状态如上所示，当学习者Alex登录，系统向他呈现“nostalgia(怀旧)”一词用于学习。计数列的数字“99”将增加“1”并变为“100”。然后系统在Alex个性化数据库中搜索单词“opulent(华丽)”看他是否熟悉此单词，但找不到，因此“81”将保持不变。类似地，系统在Alex的个人数据库中搜索“orthodox(正统)”一词，而且找到了，因此数字“90”将增加到“91”。当这一系列操作完成后，表的状态将更改如下，

	Count	“opulent”	“orthodox”	……
					“nostalgia”	100	81	91
……	……	……	……

这个时候，上述的条件概率可估计如下，

P(“opulent”|“nostalgia”)＝81/100＝0.81，这意味着当学习者初学“nostalgia(怀旧)”时，他熟悉“opulent(华丽)”的概率是0.81。

P(“orthodox”|“nostalgia”)＝91/100＝0.91，这意味着当学习者初学“nostalgia(怀旧)”时，他熟悉“orthodox(正统)”的概率是0.91。

(三)从已知词汇估计特定学习者对新词的熟悉概率

假设学习者知道的所有单词表示为已知单词集合A＝{a，b，c...}，当向他呈现新单词w时，我们想知道学习者对这个新单词的熟悉程度，数学上就是求解P(w|A)。基于贝叶斯定理，这应该是，P(w|A)＝P(A，w)/P(A)＝P({a，b，c，...}|w)P(w)/P(A)。

其中，P(A)：学习者知道已知单词集A的概率，估计可以通过计数学习者总人数，以及知道A中所有单词的人的计数。

P(w)：学习者知道单词“w”的概率，类似地如上所述估计。

根据朴素贝叶斯假设，P({a，b，c，...}|w)可以估计如下：

P({a，b，c，...}|w)＝P(a|w)*P(b|w)*P(c|w)*...。

其中，P(a|w)，P(b|w)，P(c|w)的估计如前所述。

在系统服务营运的初期，订户不多，估计将不会非常准确(因为“计数”通常会非常低)，但随着订户数量的增加，估计将越来越准确。

为了使系统更加具有鲁棒性，提供的服务更加实用，P(A)的估计需要有足够的计数以避免无关紧要的噪声。异常情况有可能出现在个别学习者知道一些非常罕见的单词(例如“yeoman”或“xantar”)的情形，因为各计数不多，导致概率估计没有意义。在这种情况下，可以用P(A)的足够大的子集来代替P(A)。

另外也可以通过思考实验来设计一些特例到系统提供的服务中来测试鲁棒性。例如，根据常理，我们可以知道，对于大学生学习者来说，像“cat(猫)”或“boy(男孩)”这样的简单单词，他们肯定是非常熟悉的。如果我们强制地将这些非常简单的单词加入到以大学生为主的学习者的课程中，系统很快就会发现，基本上所有的学习者不论开始学习什么新单词，这些单词都属于已经非常熟悉的。

(四)更智能化的个性化学习规划

根据以上推理和考虑，对于P(w|A)非常低的单词，可以从对知识点的陈述阶段开始，介绍该单词的发音，涵义，用法等等。而对于熟悉概率接近1.0概率的单词，可以直接进行最终测试来来看学习者是否真的掌握了该单词。如果学习者测试失败，则以熟悉程度一般的单词进行学习规划。对于熟悉概率越低的单词，应给学习者呈现更多的次数，以便他有更多的机会学习及复习。

(五)更智能化的课程内容设计

随着越来越多的用户订阅我们的服务，内容设计也会变得更加智能，我们可以设计工具来自动进行健全性检查，删除无意义的内容。例如，假设在一个词汇课程的内容设计中，选择的单词有如下几种方案，

方案1:{“opulent”,“orthodox”,“nostalgia”,…,}；

方案2:{“opulent”,“orthodox”,“cat”,“cacophonous”,…,}；

方案3:{“opulent”,“orthodox”,“forfeit”,“xantar”,…,}；

使用基于本发明中描述的方法构建的自动检查工具，我们可以从方案2中删除单词“cat”，并从方案3中删除单词“xantar”。

本发明的上述技术方案与现有技术相比具有如下优点：本发明实施例通过人工智能和机器学习最大限度的提高学习者的学习效率和有效性，通过将学习计划与学习者对学习单词的熟悉度相关联，根据学习者对待学习单词的熟悉度规划学习者学习每个单词的时间，同时，给出了计算学习者对待学习单词的熟悉度的方法，通过跟踪已知单词集，计算用户在给定已知单词集的情况下，知道待学习单词的概率来估计熟悉度，使得学习者有足够的时间学习和复习不熟悉的单词，而对于熟悉的单词，学习者可以节省时间和精力，提高学习者的学习效率。

附图说明

图1为本发明各个实施例提供的终端的一种示意图；

图2是本发明实施例提供的一种用于个性化学习优化的方法流程示意图；

图3是本发明另一实施例提供的一种用于个性化学习优化的方法流程示意图；

图4是本发明又一实施例提供的一种用于个性化学习优化的装置结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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，都属于本发明保护的范围。

如图1所示，本发明实施例提供的为实现本发明各个实施例的一种终端的硬件结构示意图，包括处理器1110、通信接口1120、存储器1130和通信总线1140，各电子元器件通过通信总线1140完成相互间的通信，其中，终端可以是诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(PersonalDigitalAssistant，PDA)、便捷式媒体播放器(PortableMediaPlayer，PMP)、导航装置、可穿戴设备、智能手环、计步器等移动终端，以及诸如数字TV、台式计算机等固定终端。

本发明实施例提供了一种用于个性化学习优化的方法、装置、系统和存储介质，主要目的是通过人工智能和机器学习最大限度地提高学习者的学习效率和有效性。

在本实施例中，优化学习者的效率通常可以应用于学习语言中的词汇学习，但不限于此，而以下实施例以词汇学习作为示例，只不过是为了便于描述而已。

实施例1，如图2所示，在本实施例中，优化的个性化学习是通过将学习计划与学习者对待学习单词的熟悉度相关联来实现的，即，为较不熟悉的单词安排更多时间，而对于较熟悉的单词则安排更少时间。

本发明将使用学习者已经知道的词来估计其对一个新出现的单词的熟悉程度，该信息将被包含在定制的学习课程的初始状态中。学习规划将基于该信息，系统以较高的概率向学习者呈现其熟悉程度较低的单词，让其有足够的时间学习和复习。而对于比较熟悉的单词，将让其很快测试通过，不必浪费时间和精力。

应当理解，在本方案的实施例中以单词为例，但本方案的内容明显不限定于单词，还可以扩展至其他语种的词汇学习，比如，中文、韩文等不同语种的文字，还可以是具有具体形态或含义的词汇的语言的学习，比如藏文、蒙古文等文字的词汇学习，以简单的替换词汇学习中的词汇的种类的方案应当被保护在本方案的保护范围之内。

实施例2，如图3所示，结合上述实施例，本发明实施例提供了一种用于个性化学习优化的方法，所述方法包括：

所述的熟悉度是通过用户在给定已知单词集的情况下，知道待学习单词的概率来估计的，即P(w|A)，其中w是待学习单词，A是用户已经知道的单词集。

在本实施例中，所述概率P(w|A)的计算是通过知道已知单词和待学习单词的联合概率，即P(w，A)，和，知道已知单词的概率来计算，即P(A)，计算是P(w|A)＝P(w，A)/P(A)。

其中，知道已知单词集A的概率P(A)是通过在学习者总数中知道已知单词集A的学习者的百分比来估计的。

其中，所述联合概率P(w，A)是通过将知道待学习单词的概率P(w)乘以在给定待学习单词w的情况下知道已知单词集A的条件概率P(A|w)来计算的。

在本实施例中，概率P(A|w)是通过假设知道A中的一个单词独立于知道另一个单词来估计的，例如，如果A＝{a，b，......}，则P({a，b，......}|w)＝P(a|w)*P(b|w)*......。

在本实施例中，通过待学习单词知道已知单词的所述概率(即P(a|w))的估计是通过计数待学习单词被呈现给学习者的学习次数(记为c(w))并计数有多少学习者知道一个已知单词(记为c(a))；估计用c(a)/c(w)完成。

通过上述实施例提供的方法针对现有的词汇课程的内容进行计算学习者对词汇课程中的学习单词的熟悉度；根据该熟悉度可以确定词汇课程内容中是否存在难度过高或者难度过低的词汇，难度过高和难度过低的词汇可能不适合当前学习者进行学习。

比如，随着越来越多的用户订阅我们的服务，内容设计也会变得更加智能，我们可以设计工具来自动进行健全性检查，删除无意义的内容。例如，假设在一个词汇课程的内容设计中，选择的单词有如下几种方案，

-方案1:{“opulent”,“orthodox”,“nostalgia”,…,}

-方案2:{“opulent”,“orthodox”,“cat”,“cacophonous”,…,}

-方案3:{“opulent”,“orthodox”,“forfeit”,“xantar”,…,}

使用基于本发明上述实施例中描述的方法构建的自动检查工具，我们可以从方案2中删除单词“cat”，并从方案3中删除单词“xantar”。

以上，实施例中以单词作为具体实例是为了方便理解，并不是限定本方案仅应用与单词的学习，应当理解，上述实施例的技术特征，可以延伸至其他语种的词汇学习中，单纯的替换所学习的词汇的种类，若与本方案的实质内容一致，应当属于本方案的保护范围之内。

如图4所示，本发明实施例提供了目的是通过人工智能和机器学习最大限度地提高学习者的学习效率和有效性的装置，包括：数据库和计算模块。

在本实施例中，数据库括具有从所有学习者收集的数据的全局数据库。该数据库用于计数待学习单词向学习者呈现的次数，以及计数有多少学习者在呈现待学习单词时已经知道另一个单词。

在本实施例中，一种数据库，其包括许多个性化数据库，每个学习者有一个这样的数据库,用于记录学习者已经知道的单词。

在本实施例中，计算模块包括负责用户在给定已知单词集的情况下，知道待学习单词的概率P(w|A)的代码模块；

在本实施例中，所述概率P(w|A)的计算是通过知道已知单词和待学习单词的联合概率，即P(w，A)，和知道已知单词的概率来计算，即P(A)，计算是P(w|A)＝P(w，A)/P(A)。

在本实施例中，知道已知单词集A的概率P(A)是通过在学习者总数中知道已知单词集A的学习者的百分比来估计的。

在本实施例中，联合概率P(w，A)是通过将知道待学习单词的概率P(w)乘以在给定待学习单词w的情况下，知道已知单词集A的条件概率P(A|w)来计算的；即P(w，A)＝P(w)*P(A|w)。

在本实施例中，通过待学习单词知道已知单词的所述概率(即P(a|w))的估计是通过计数待学习单词被呈现给学习者的学习次数(记为c(w))并计数有多少学习者知道一个已知单词(记为c(a))。估计用c(a)/c(w)完成。同上所述，可分别计算通过待学习单词w知道已知单词集A中的单词的概率。

在本实施例中，计算模块还包括对计数待学习单词向学习者呈现的次数，以及计数有多少学习者在呈现待学习单词时已经知道另一个单词的进行数据库维护的代码模块。

在本实施例中，计算模块还包括对记录学习者已经知道的单词的单词进行计数器维护的代码模块。

在本实施例中，计算模块还用于根据学习单词的熟悉度即，为较不熟悉的单词安排更多时间，而对于较熟悉的单词则安排更少时间，对每个待学习单词的学习力度规划。

本发明实施例提供了一种个性化学习优化的系统，包括处理器1110、通信接口1120、存储器1130和通信总线1140，其中，处理器1110，通信接口1120，存储器1130通过通信总线1140完成相互间的通信；

存储器1130，用于存放计算机程序；

处理器1110，用于执行存储器1130上所存放的程序时，实现上述中任一实施例所述的用于个性化学习优化的方法。

上述电子设备提到的通信总线1140可以是外设部件互连标准(PeripheralComponentInterconnect，简称PCI)总线或扩展工业标准结构(ExtendedIndustryStandardArchitecture，简称EISA)总线等。该通信总线1140可以分为地址总线、数据总线、控制总线等。为便于表示，图1中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口1120用于上述电子设备与其他设备之间的通信。

存储器1130可以包括随机存取存储器1130(RandomAccessMemory，简称RAM)，也可以包括非易失性存储器1130(non-volatilememory)，例如至少一个磁盘存储器1130。可选的，存储器1130还可以是至少一个位于远离前述处理器1110的存储装置。

上述的处理器1110可以是通用处理器1110，包括中央处理器1110(CentralProcessingUnit，简称CPU)、网络处理器1110(NetworkProcessor，简称NP)等；还可以是数字信号处理器1110(DigitalSignalProcessing，简称DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，简称ASIC)、现场可编程门阵列(Field-ProgrammableGateArray，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

本发明实施例提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述中任一实施例所述的用于个性化学习优化的方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本发明实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidStateDisk(SSD))等。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims

1.本发明提出了一种用于个性化学习优化的方法、装置、系统和存储介质，主要目的是通过人工智能和机器学习最大限度地提高学习者的学习效率和有效性。

2.如权利要求1所述，优化学习者的效率通常可以应用于学习语言中的词汇学习，但不限于此，而以下权利要求以词汇学习作为示例，只不过是为了便于描述而已。

3.如权利要求1所述，优化的个性化学习是通过将学习计划与学习者对待学习单词的熟悉度相关联来实现的，即，为较不熟悉的单词安排更多时间，而对于较熟悉的单词则安排更少时间。

4.如权利要求3所述，所述的熟悉度是通过用户在给定已知单词集的情况下，知道待学习单词的概率来估计的，即P(w|A)，其中w是待学习单词，A是用户已经知道的单词集。

5.如权利要求4所述，所述概率P(w|A)的计算是通过知道已知单词和待学习单词的联合概率，即P(w，A)，和知道已知单词的概率来计算，即P(A)，计算是P(w|A)＝P(w，A)/P(A)。

6.如权利要求5所述的知道已知单词的概率P(A)是通过在学习者总数中知道单词集A的学习者的百分比来估计的。

7.如权利要求5所述，所述联合概率P(w，A)是通过将知道待学习单词的概率P(w)乘以给定待学习单词w的情况下知道已知单词集A的条件概率即P(A|w)来计算的。

8.如权利要求7所述的概率P(A|w)是通过假设知道A中的一个单词独立于知道另一个单词来估计的，例如，如果A＝{a，b，......}，则P({a，b，......}|w)＝P(a|w)*P(b|w)*......。

9.如权利要求8所述，通过待学习单词知道已知单词的所述概率(即P(a|w))的估计是通过计数待学习单词被呈现给学习者的学习次数(记为c(w))并计数有多少学习者知道一个已知单词(记为c(a))；估计用c(a)/c(w)完成。

10.如权利要求1所述的装置，包括数据库和计算模块。

11.如权利要求10所述的一种数据库，其包括具有从所有学习者收集的数据的全局数据库；该数据库用于计数待学习单词向学习者呈现的次数，以及计数有多少学习者在呈现待学习单词时已经知道另一个单词。

12.如权利要求10所述的数据库中的另一种数据库包括许多个性化数据库，每个学习者有一个这样的数据库,用记录学习者已经知道的单词。

13.如权利要求10所述的一种计算模块，包括负责从权利要求4到权利要求9(双边包含)的所有概率计算或估计的代码模块。

14.如权利要求10所述的另一种计算模块，包括用于权利要求11和权利要求12中的数据库和计数器维护的代码模块。

15.权利要求10中的另一种计算模块包括利用权利要求3中描述的方法对每个待学习单词的学习力度规划。

16.一种个性化学习优化的系统，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现权利要求1～9中任一所述的用于个性化学习优化的方法。

17.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1～9中任一所述的用于个性化学习优化的方法。