CN110807606B - 一种基于大数据的智能自适应教育培训系统 - Google Patents

Abstract

一种基于大数据的智能自适应教育培训系统，公开了将教育培训系统内的用户评价资源进行量化限制，用户评价偏离评分均值来计算用户评分的权重，对专业用户，采用各种证明的凭证给予量化分值构成专业基础分，再根据用户对其提供的教育培训服务产品的评价，计算其专业动态分值，不断矫正和优化专业用户的专业水平，并根据矫正后的专业水平转化成一定的权重，影响专业用户所提供的教育培训服务产的排序以及专业用户所获得服务的报酬。

Description

一种基于大数据的智能自适应教育培训系统

技术领域

本发明涉及信息技术领域，具体涉及一种基于大数据的智能自适应教育培训系统。

背景技术

现在网络平台中，用户可以给予所购买的商品或服务给予评价，因为具备无限好评的权限，而好评却能给商家或服务提供者带来排序曝光等实实在在的价值，所以造成好评成为最廉价的商品，信用体系和网络评论功能和初衷背道而驰，致使刷好评形成了灰色产业链，失去了好评给用户参考的本身鉴别的意义。教育培训平台同样不例外，在教育平台上，各种老师及课程设置的五花八门数量极多，即便在细分类别，用户也无法甄别好差，找到适合自身条件的课程、老师或自学的相关资历教材等资源。有些互联网教育培训平台不得不自身组织专业人士来甄别筛选，在细分教育培训领域的初期尚且能应付，但伴随平台的发展，各种教育培训资源的增多，用户的增多，数据信息巨量增加且动态变化的态势下，平台即便不计成本组织再多的专业人士都难以应付，造成优质教育资源置于用户视野之外，而鱼目混珠的伪劣资源却充斥用户的视野，久而久之，许多用户对教育平台失去信心，进而形成了教育培训网络系统平台发展的瓶颈。

发明内容

鉴于背景技术所述的问题，本发明申请创造了一种基于大数据的智能自适应教育培训平台的技术解决方案，以评分机制约束用户给予好评的限度，评价出高低不同。针对这种基于人性的理解和理念，融合到技术方案中，技术方案才会具备现实的技术效果。这些也是构成技术方案本身的要素。因此在系统软件和代码方面形成有针对性的逻辑内容，具体如下：

创建用户信息表，并创建包括但不限于用户名、等级、积分、专业等级、专业积分、用户类别、贡献积分等栏目，创建其他相关的表格及栏目。

系统用户分为包括但不限于专业用户、学员用户、系统用户、普通用户。

专业基础分值，用户可以提交各种所属专业分类的专业能力证明，包含但不限于英语等级证书，英语教师证书，职称证明材料，学历，申请专业能力认证，系统根据各种证书的证明进行分类，并设定好匹配的基础分值，及相应的专业权重系数，并根据初级审查真实的证书材料，运算出该用户的专业基础分值。

--1

j是用户构成专业积分的因子总数，是用户专业初始积分构成因子的加权系数，用户专业初始积分构成因子的基础分值，/> 是专业用户专业基础分值。

在专业用户专业积分的基础值 大于或等于系统设定的教学阀值A后，系统根据具体的专业积分的基础值/> ，在指定一段时间周期，每个周期内给予专业用户C次数网络教学、咨询、授业解惑教育培训服务的权限；

C=INT() --2

根据以上算式，当大到一定程度时，人的精力等其他因素限制在平台服务的次数将小于用户所获得教学权限的次数，相当于在时间周期内教学的权限等于是没有限制的。这符合知名专家，学者，高级教师凭借初始资历的核查，在初始进入平台时，系统就给予其在次数上任意多的教学咨询服务权限。

专业动态分值，专业基础分值经过社会权威机构的证明认可专业能力的转化集成算法，但现实中，证书和能力并非绝对成正比关系，具备各种证书却缺少实践教学能力的人也不是没有，许多自学成才的大师也不在少数，为避免误人子弟，将真知真人才获得最公平的待遇，教学资源能够最优化配置，所以本申请的技术方案，根据专业用户在平台所提供的服务的次数、评价相关的数据来矫正专业能力现有评定；为了真实客观有效的评定专业动态分值，必须考量如下几个方面的因素：

首先，专业用户在平台上提供服务的次数N越大，其提供服务产品的时候其实也是其经验积累的和进步的证明，因此专业动态分值需要和在平台服务的次数成正比关系；因此专业动态分值里必须包括 ，用户在平台上提供教育培训服务的次数N和所述对应的加权系数K1组成算式计算用户评在平台上提供服务的次数的加权因子参数；

优选地，将专业用户在平台上提供服务的次数N在专业动态分值中的权重设定为12.5%.

进一步，专业动态分值计算公式中涉及N的一部分算式如下：

--3

为用户评在平台上提供服务的次数的加权因子参数， K1为调节用户评在平台上提供服务的次数N对用户专业动态分值权重系数影响敏感度的一个加权常数，K1值可以根据需要进行调整大小来控制所述的敏感程度。

其次用户真实的评价能反映专业用户在平台所提供的服务的水平，因而好评量化的数值和专业动态分值具备一定权重的正比关系。需要更好更精准计算专业动态分值就必须先精准量化并计算出用户评分并根据行为管理学预判矫正用户评分和客观现实存在的偏差。

不同用户评分其客观性也不同，一个对专业知识刚刚入门的初学者和行业专家的评分显然不能等同，因此，需要给每个用户给予系统运算的评分权重系数Q，才能做到客观公平；而用户的评分权重系数Q和专业分成正比，和其评分记录的精准性成正比；

这样我们借鉴概率论和统计方差衡量用户评分值这一随机变量在同一组评分数据时的离散程度来反比计算，即类似计算方差的算法：

--4

σ为用户评分离散对应评分均值的衡量参数变量，X为用户对教育服务产品评分值变量，为/>对应的教育服务产品单元中所有用户评分的均值，和方差的区别是这里μ并非整体数据样本的均值，而是x对应的私有的一组数据的均值，N为当前用户评分总次数。这样获得用户的σ值。设定调节用户历史评分离散平均值σ对用户评分权重系数影响敏感度的加权常数K2，计算用户评分权重系数中用户历史评分离散程度的加权因子参数/>。

优选地，将用户历史评分的离散参数对用户评分权重系数的加权控制在25%到零的区间。

进一步，用户评分离散参数的算法权重系数需要取值在75%--100%之间，则本技术方案设定的计算公式如下：

-- 5

为用户评分权重系数中用户历史评分离散程度的加权因子参数， K2为调节用户历史评分离散平均值σ对用户评分权重系数影响敏感度的一个加权常数，K2值可以根据需要进行调整大小来控制所述的敏感程度。

用户评分客观程度矫正另外一个重要构成因素就是用户专业程度Z，通过所述的用户专业基础分值，已经计算过动态专业分值矫正过的/>，来加权矫正系数来矫正评分，让评分更加贴近客观真实的水平。在动态专业分值矫正过的/>被计算以前，将专业分值以/>的值进行计算，即Z等于/>，否则Z等于/>加/>的和，设定调节用户专业能力Z对用户评分权重系数影响敏感度的一个加权常数K3，计算用户评分权重系数中用户专业能力Z的加权因子参数/>。优选地，将用户评分权重系数中用户专业能力Z的加权因子参数的加权控制在75%到零的区间。

进一步，本技术方案设定的计算公式如下：

--6

为用户评分权重系数中用户专业能力Z的加权因子参数， K3为调节用户专业能力Z对用户评分权重系数影响敏感度的一个加权常数，K3值可以根据需要进行调整大小来控制所述的敏感程度。

通过以上的技术算法，可以获得一个用户综合的评分权重系数：

= /> * /> --7

在一种基于大数据的智能自进化教育培训系统中设置优化模块，创建监测系统任务量的功能模块，在系统相对空闲时候启动优化模块，优化模块包括上述用户评分权重系数的算法，并将结果更新记录到数据库中用户对应的表格中。

设置用户评分记录模块及相应的数据库表格，编辑记录用户评分记录中包含但不限于的信息内容有：评分值、评分对象单元、时间、评分用户名、评分用户id、被评分单元对应的专家用户名称及id、经过矫正后的评分值。其中经过矫正后的评分值伴随用户评分系数的更新而更新运算，具体算法为：

矫正后的评分值=评分值 * 评分记录中评分用户当前的用户评分权重系数。

在保证系统用户的评分权重能随数据的增多而不断优化外，专家用户专业动态分值也具备了相关优化更新的基础。检索专家用户在系统中所有数量S个相关的教育培训服务单元的评分记录，教育培训服务单元/>内的评分记录, 为了控制评价分值的范围方便运算，评分值换算成成百分制的分值后为：/>、/> 、/> ..../>，为了将评分差距调节到适度的区分，优选地，设置f（x）=0.3 x的函数关系则在教育培训服务单元/>内的单个用户评分最所映射对应的服务提供者的专业分影响因子/>的计算为：

--8

其中P为用户评价打分换算成百分制后的数值，为用户的打分权重系数。

进一步专家用户在系统中所属教育培训服务单元内的所有数量s个的评分，因为每人个包含在平台上提供服务产品的专业用户每天都在学习进步，纯粹将过去定格人的专业水平是不公平的机制，因此，本发明的技术方案采用以时间为参数变量，将评分的权重依据当前运算的时间D1和评分的时间D2之间隔△T进行衰减运算，进一步保证评分对专业用户专业分值影响的客观性。基于这样的技术分析，所映射对应的服务提供者的专业分影响因子/>按照如下算式计算。

--9

为专业用户专业动态分值中，所有评分值因素的加权参数，其中经过评价时间距离当前时间间隔/>进行权重矫正，并将所述权重波动范围压缩在0%-25%范围内，也就是说，涉及/>的算式部分的结果压束在75%～100%的区间。K5为调节用户评分时间间隔对用户专业动态分值权重系数影响敏感度的一个加权常数，K5值可以根据需要进行调整大小来控制所述的敏感程度。

进一步，为了将上述专业用户专业动态分值中所有评分值因素的加权参数，融合到专业动态值的整体运算中，设定调节用户评在平台上提供服务所获得的用户评分对用户专业动态分值权重系数影响敏感度的加权常数K4；计算用户评在平台上提供服务的获得评分的加权因子参数/>。

优选地将所述值以设定权重87.5%为基准依据进行如下运算：

--10

为用户评在平台上提供服务的获得评分的加权因子参数， K4为调节用户评在平台上提供服务所获得的用户评分对用户专业动态分值权重系数影响敏感度的一个加权常数，K4值可以根据需要进行调整大小来控制所述的敏感程度。

通过以上的技术手段和算法为基础，进一步设定专业动态分值Z的计算算式：

= A * /> * /> --11

为最终专业用户的专业动态分值，A为专业动态分值区间的调节常数。

进一步将专业用户的专业的基础分值和专业动态分值/>相加合并，得到总和作为专业用户的专业总值/>，启动优化模块进行系统自我进化的运算时，通过上述算法，依次计算更新专业用户的专业总值/>到对应的数据库表格对应的记录中。

以上专业用户的专业分值的客观性，部分取决与用户对专业用户所提供教育培训服务产品的评分，所述评分的客观性，直接影响专业用户专业分值的合理性、公平性及客观性，因而进一步优化评分质量尤为重要，本发明的技术方案，采用评分权限技术手段，进一步加强评分质量，具体如下：

步骤1、在一种基于大数据的智能自进化教育培训系统中设定用户评价专用积分参数。

步骤2、系统根据包括但不限于用户登录次数、充值额度、登录时长、成为会员的时长的用户参数，给用户相应的用户评价专用积分。

步骤3、用户给予一次评价，系统自动扣除与所述评价对应分值的用户评价专用积分值。一种实施例：用户给予好评，好评对应的打分分值为100分，用户评价专用积分小于100，则评价失败，否则评价成功且系统自动在用户评价专用积分里扣除100。

步骤4、进一步，将用户的评价和被评价教育培训服务产品提供者—专家用户的收益以一定权重挂钩，增加公平性；每一个教育培训服务产品单元的提供者获得一定金额的基本报酬，然后用户给予评价分值正比关系的加权计算奖励报酬，两部分进行合计叠加。具体报酬的构成分为二部分，a、根据平台给予专家用户的专业评分为加权系数，乘以该教育培训服务产品本身的基数报酬，构成专业基本报酬，b、用户评价为加权系数的绩效报酬。

报酬计算：一个教育培训服务产品单元有g个用户评分，依次同时前面所述用户评分权重系数的算法，进行计算更新用户评分权重系数，进一步矫正用户的评分值，评分用户大于8个时，去掉最高和最低值，计算均值P。而所述教育培训服务产品的提供者的专业总值为，即/>等于/>加 />的和，系统设定所述教育培训服务产品本身的基数报酬为B，则所述专家用户因该教育培训服务产品的报酬Q设定的计算算式如下:

Q=K22××B +K33×P --12

进一步，教育培训服务产品或鉴于资源根据提供者的专业总分值及矫正过的用户评分以特定的权重计算排序参数进行排序，同时在检索陈列页面和内容目录陈列页面，分割一块，检索对应的内容，按照教学资源或教育培训服务产品上架的时候降序排列，保护新资源同样获得曝光的机会．加入资源优化的行列。

有益的技术效果为：不负责任的评论打分，用户评分加权系数将会降低，甚至降低到一定程度后，完全失效。系统自动关闭其评论打分功能。经过评分加权的算法，系统会积累有优化评分的质量，形成正确引导机制。用户给予培训老师、教学资源评价的分值不是无限的，因此会真实的根据自己的感受给予客观的评价分值。这样真正好的教育培训服务的产品就会被系统逐步提炼出来,避免鱼目混珠。

附图说明

图1 为一种基于大数据的智能自适应教育培训系统 整体逻辑框架图。

特别申明：在本说明书中所述的 “实施例”等，指的是结合该实施例描述的具体特征、要素或者特点包括在本申请概括性描述的实施例中。在说明书中多个地方出现同种表述并非限定特指的是同一个实施例。也就是说，结合任一实施例描述一个具体特征、要素或者特点时，所要主张的是结合其他实施例来实现这种特征、要素或者特点被包含于本发明申请保护的权利要求范围中； 实施例是参照本发明逻辑架构及思路的多个解释性实施例对本发明进行了描述，但本发明的保护范围并不局限于此，本领域技术人员在本发明技术方案框架下可以设计出很多其他的修改和实施方式，可以对技术方案的要点变换组合/或布局进行多种非本质性变型和改进，对于本领域技术人员来说，其他的用途也将是明显的，可轻易想到实施的非实质性变化或替换，这些修改和实施方式将落在本申请公开的原则范围和精神之内。

Claims (4)

1. 一种基于大数据的智能自适应教育培训系统，其特征在于，创建用户信息表，并创建包括但不限于用户名、等级、积分、专业等级、专业积分、用户类别、贡献积分栏目，创建其他相关的表格及栏目； 系统用户分为包括但不限于专业用户、学员用户、系统用户、普通用户；

专业基础分值：用户可以提交各种所属专业分类的专业能力证明，包含但不限于英语等级证书，英语教师证书，职称证明材料，学历，申请专业能力认证，系统根据各种证书的证明进行分类，并设定好匹配的基础分值，及相应的专业权重系数，并根据初级审查真实的证书材料，运算出该用户的专业基础分值；

；

j是用户构成专业积分的因子总数，是用户专业初始积分构成因子的加权系数，/>用户专业初始积分构成因子的基础分值，/> 是专业用户专业基础分值；

在专业用户专业基础分值 大于或等于系统设定的教学阀值A后，系统根据具体的专业用户专业基础分值/> ，在指定一段时间周期，每个周期内给予专业用户C次数网络教学、咨询、授业解惑教育培训服务的权限；

;

根据以上算式，当大到一定程度时，人的精力其他因素限制在平台服务的次数将小于用户所获得教学权限的次数，相当于在时间周期内教学的权限等于是没有限制的；这符合知名专家，学者，高级教师凭借初始资历的核查，在初始进入平台时，系统就给予其在次数上任意多的教学咨询服务权限；

专业动态分值：专业基础分值经过社会权威机构的证明认可专业能力的转化集成算法，根据专业用户在平台所提供的服务的次数、评价相关的数据来矫正专业能力现有评定；必须考量如下几个方面的因素：

首先，专业用户在平台上提供服务的次数N越大，其提供服务产品的时候其实也是其经验积累的和进步的证明，因此专业动态分值需要和在平台服务的次数成正比关系；因此专业动态分值里必须包括 ，用户在平台上提供教育培训服务的次数N和所述对应的加权系数K1组成算式计算用户评分在平台上提供服务的次数的加权因子参数；

其次用户真实的评价能反映专业用户在平台所提供的服务的水平，因而好评量化的数值和专业动态分值具备一定权重的正比关系；需要更好更精准计算专业动态分值就必须先精准量化并计算出用户评分并根据行为管理学预判矫正用户评分和客观现实存在的偏差；

给每个用户给予系统运算的评分权重系数Q，才能做到客观公平；而用户的评分权重系数Q和专业分成正比，和其评分记录的精准性成正比；

这样我们借鉴概率论和统计方差衡量用户评分值这一随机变量在同一组评分数据时的离散程度来反比计算，即类似计算方差的算法：

;

σ为用户评分离散对应评分均值的衡量参数变量，X为用户对教育服务产品评分值变量，为/>对应的教育服务产品单元中所有用户评分的均值，和方差的区别是这里μ并非整体数据样本的均值，而是X对应的私有的一组数据的均值， N为当前用户评分总次数；这样获得用户的σ值；设定调节用户评分离散对应评分均值的衡量参数变量σ对用户评分权重系数影响敏感度的加权常数K2，计算用户评分权重系数中用户历史评分离散程度的加权因子参数ε1；

用户评分客观程度矫正另外一个重要构成因素就是用户专业程度Z，通过所述的专业用户专业基础分值，已经计算过矫正过的/>，来加权矫正系数来矫正评分，让评分更加贴近客观真实的水平；在动态专业分值矫正过的/>被计算以前，将用户专业程度以/>的值进行计算，即Z等于/>，否则Z等于/>加/>的和，设定调节用户专业程度Z对用户评分权重系数影响敏感度的一个加权常数K3，计算用户评分权重系数中用户专业程度Z的加权因子参数ε2；

通过以上的技术算法，可以获得一个用户综合的评分权重系数ε3：

;

在一种基于大数据的智能自适应教育培训系统中设置优化模块，创建监测系统任务量的功能模块，在系统相对空闲时候启动优化模块，优化模块包括上述用户评分权重系数的算法，并将结果更新记录到数据库中用户对应的表格中；

设置用户评分记录模块及相应的数据库表格，编辑记录用户评分记录中包含但不限于的信息内容有：评分值、评分对象单元、时间、评分用户名、评分用户id、被评分单元对应的专家用户名称及id、经过矫正后的评分值；其中经过矫正后的评分值伴随用户评分系数的更新而更新运算，具体算法为：

矫正后的评分值=评分值 * 评分记录中评分用户当前的用户评分权重系数；

在保证系统用户的评分权重能随数据的增多而不断优化外，专家用户专业动态分值也具备了相关优化更新的基础；检索专家用户在系统中所有数量S个相关的教育培训服务单元的评分记录，教育培训服务单元/>内的评分记录, 为了控制评价分值的范围方便运算，评分值换算成成百分制的分值后为：/>、/> 、/> ..../>，为了将评分差距调节到适度的区分，

优选地，设置f（x）=0.3 x的函数关系则在教育培训服务单元内的单个用户评分最所映射对应的服务提供者的专业分影响因子/>的计算为：

；

其中P为用户评分换算成百分制后的数值，为用户的打分权重系数；

进一步专家用户在系统中所属教育培训服务单元内的所有数量S个的评分，采用以时间为参数变量，将评分的权重依据当前运算的时间D1和评分的时间D2之间隔△T进行衰减运算，进一步保证评分对专业用户专业分值影响的客观性；基于这样的技术分析，所映射对应的服务提供者的专业分影响因子θ按照如下算式计算；

；

θ为专业用户专业动态分值中，所有评分值因素的加权参数，其中经过评价时间距离当前时间间隔△进行权重矫正，并将所述权重波动范围压缩在0%-25%范围内，也就是说，涉及△/>的算式部分的结果压束在75%～100%的区间；K5为调节用户评分时间间隔对用户专业动态分值权重系数影响敏感度的一个加权常数，K5值可以根据需要进行调整大小来控制所述的敏感程度；

进一步，为了将上述专业用户专业动态分值中所有评分值因素的加权参数θ，融合到专业动态值的整体运算中，设定调节用户评分在平台上提供服务所获得的用户评分对用户专业动态分值权重系数影响敏感度的加权常数K4；计算用户评分在平台上提供服务的获得用户在平台上提供服务的获得评分的加权因子参数；

优选地将所述值以设定权重87.5%为基准依据进行如下运算：

；

为用户在平台上提供服务的获得评分的加权因子参数， K4为调节用户评分在平台上提供服务所获得的用户评分对用户专业动态分值权重系数影响敏感度的一个加权常数，K4值可以根据需要进行调整大小来控制所述的敏感程度；

通过以上的技术手段和算法为基础，进一步专业用户的专业动态分值的计算算式：

；

为专业用户的专业动态分值，/>为用户在平台上提供服务的次数的加权因子参数，A为专业动态分值区间的调节常数；

进一步将专业用户的专业的基础分值和专业用户的专业动态分值/>相加合并，得到总和作为专业用户的专业总值/>，启动优化模块进行系统自我进化的运算时，通过上述算法，依次计算更新专业用户的专业总值/>到对应的数据库表格对应的记录中；

进一步优化评分质量，具体如下：

步骤1、在一种基于大数据的智能自进化教育培训系统中设定用户评分专用积分参数；

步骤2、系统根据包括但不限于用户登录次数、充值额度、登录时长、成为会员的时长的用户参数，给用户相应的用户评分专用积分；

步骤3、用户给予一次评价，系统自动扣除与所述评价对应分值的用户评分专用积分值；用户给予好评，好评对应的打分分值为100分，用户评分专用积分小于100，则评价失败，否则评价成功且系统自动在用户评分专用积分里扣除100；

步骤4、进一步，将用户的评价和被评价教育培训服务产品提供者—专家用户的收益以一定权重挂钩，增加公平性；每一个教育培训服务产品单元的提供者获得一定金额的基本报酬，然后用户给予评价分值正比关系的加权计算奖励报酬，两部分进行合计叠加；具体报酬的构成分为二部分，a、根据平台给予专家用户的专业评分为加权系数，乘以该教育培训服务产品本身的基数报酬，构成专业基本报酬，b、用户评分为加权系数的绩效报酬；

报酬计算：一个教育培训服务产品单元有g个用户评分，依次同时前面所述用户评分权 重系数的算法，进行计算更新用户评分权重系数，进一步矫正用户的评分值，评分用户大于 8个时，去掉最高和最低值，计算均值P；而所述教育培训服务产品的提供者的专业总值为，即等于加 的和；

进一步，教育培训服务产品或鉴于资源根据提供者的专业总分值及矫正过的用户评分以特定的权重计算排序参数进行排序，同时在检索陈列页面和内容目录陈列页面，分割一块，检索对应的内容，按照教学资源或教育培训服务产品上架的时候降序排列，保护新资源同样获得曝光的机会．加入资源优化的行列。

2.根据权利要求1所述的一种基于大数据的智能自适应教育培训系统，其特征在于，优选地，将专业用户在平台上提供服务的次数N在专业动态分值中的权重设定为12.5%.

进一步，专业动态分值计算公式中涉及N的一部分算式如下：

;

为用户评分在平台上提供服务的次数的加权因子参数， K1为调节用户评分在平台上提供服务的次数N对用户专业动态分值权重系数影响敏感度的一个加权常数，K1值可以根据需要进行调整大小来控制所述的敏感程度。

3.根据权利要求1所述的一种基于大数据的智能自适应教育培训系统，其特征在于，优选地，将用户历史评分的离散参数对用户评分权重系数的加权控制在25%到零的区间；

进一步，用户评分离散参数的算法权重系数需要取值在75%--100%之间，则本技术方案设定的计算公式如下：

;

ε1为用户评分权重系数中用户历史评分离散程度的加权因子参数， K2为调节用户评分离散对应评分均值的衡量参数变量σ对用户评分权重系数影响敏感度的一个加权常数，K2值可以根据需要进行调整大小来控制所述的敏感程度。

4.根据权利要求1所述的一种基于大数据的智能自适应教育培训系统，其特征在于，优选地，将用户评分权重系数中用户专业程度Z的加权因子参数的加权控制在75%到零的区间；进一步计算公式如下：

;

ε2为用户评分权重系数中用户专业程度Z的加权因子参数， K3为调节用户专业程度Z对用户评分权重系数影响敏感度的一个加权常数，K3值可以根据需要进行调整大小来控制所述的敏感程度。