CN111311997A - 一种基于网络教育资源的互动方法 - Google Patents

Abstract

本发明公开了一种基于网络教育资源的互动方法，包括：根据当前用户在预设时段内的网络学习行为信息，获取所述当前用户的学习行为特征；利用所述当前用户的学习行为特征为所述当前用户分配班级；获取当前用户输入的反馈信息，从所述当前用户的班级中为所述用户匹配目标用户，其中，所述目标用户与所述当前用户基于所述反馈信息互动学习。通过学生之间精准的讲题匹配，增强了学习氛围和学生对知识理解能力、掌握能力和运用能力的锻炼，改变了“老师只讲课、学生只听课”的教育模式，并实现了“每个学生不仅是学生，也是老师”的新型教育模式。

Description

一种基于网络教育资源的互动方法

技术领域

本发明涉及互联网+技术领域，特别是一种基于网络教育资源的互动方法。

背景技术

随着“互联网+教育”理念成熟，众多的网络教育平台应运而生。这些网络教育平台为通过网络学习的用户提供了大量的网络资源，虽然这些网络资源可以满足更多网络学习用户多样的学习需求，但是，由于网络学习资源的数量太过庞大，这使得用户难以从海量的学习资源中寻找到与自己需求高匹配的学习资源。

发明内容

为解决现有技术中存在的问题，本发明提供了一种基于网络教育资源的互动方法。

本发明采用的技术方案是：

一种基于网络教育资源的互动方法，包括：

根据当前用户在预设时段内的网络学习行为信息，获取所述当前用户的学习行为特征；

利用所述当前用户的学习行为特征为所述当前用户分配班级；

获取当前用户输入的反馈信息，从所述当前用户的班级中为所述用户匹配目标用户，其中，所述目标用户与所述当前用户基于所述反馈信息互动学习。

优选的，获取当前用户输入的反馈信息，从所述当前用户的班级中为所述用户匹配目标用户，包括：

对所述当前用户的作业进行批改，向所述当前用户推送讲解题目选择界面，该用户界面用于显示所述当前用户的作业批改结果，以及供所述当前用户选择需要被同班级其他用户讲解的题目和可以对同班级其他用户进行讲解的题目的选单；

接收所述当前用户的选择结果，根据所述当前用户的对于每道题的选择结果，建立所述当前用户的题目讲解情况矩阵；

将所述当前用户的班级中每个用户分别与其他用户计算各自题目讲解情况矩阵之间的欧式距离；

分别比较计算得到的欧式距离值，优先将相互之间欧式距离值最大的两个用户进行匹配，其中，与所述当前用户匹配的其他用户即为该当前用户的目标用户。

优选的，利用所述当前用户的学习行为特征为所述当前用户分配班级，包括：

根据所述当前用户的学习行为特征为所述当前用户推荐学习课程；

根据所述当前用户选择的学习课程，为所述当前用户分配班级。

优选的，根据所述当前用户的学习行为特征为所述当前用户推荐学习课程，包括：

根据各学习课程的信息，获取各学习课程的课程特征；

根据所述当前用户的学习行为特征和各学习课程的课程特征，提取出所述当前用户的学习行为特征和各学习课程的课程特征中共有的特征类别；

根据提取出的所述当前用户的学习行为特征和各学习课程的课程特征中共有的特征类别，分别建立所述当前用户的特征向量和各课程的特征向量，其中，所述当前用户的特征向量和各课程的特征向量具有相同的维度，每个维度对应一个所述当前用户的学习行为特征和各学习课程的课程特征中共有的特征类别，每个维度的值为对应特征类别所对应的特征程度；

分别计算所述当前用户的特征向量和各课程的特征向量在多维空间的余弦值，向所述当前用户推荐最高余弦值所对应的课程。

优选的，所述方法还包括：

若所述当前用户的注册时间小于预设阈值，则根据所述当前用户的注册信息，为所述当前用户推荐学习课程，其中，所述预设阈值小于等于所述预设时段。

优选的，根据用户选择的学习课程，为所述当前用户分配班级，包括：

根据所述当前用户选择的学习课程的各授课老师的信息，获取各授课老师的授课特征；

根据所述当前用户的学习行为特征和各授课老师的授课特征，提取出所述当前用户的学习行为特征和各授课老师的授课特征中共有的特征类别；

根据提取出的所述当前用户的学习行为特征和各授课老师的授课特征中共有的特征类别，分别建立所述当前用户的特征向量和各授课老师的特征向量，其中，所述当前用户的特征向量和各授课老师的特征向量具有相同的维度，每个维度对应一个所述当前用户的学习行为特征和各授课老师的授课特征中共有的特征类别，每个维度的值为对应特征类别所对应的特征程度；

分别计算所述当前用户的特征向量和各授课老师的授课特征在多维空间的余弦值，将所述当前用户分配至最高余弦值所对应的班级。

优选的，对所述当前用户的作业进行批改，包括：

接收老师上传的作业信息，以及老师上传的用于判断作业正误的标准答案信息；

接收所述当前用户提交的作业答案信息，将所述当前用户提交的作业答案信息与标准答案信息进行比对，得出所述当前用户的作业的批改结果。

优选的，所述标准答案信息包括标准答案、关键公式和关键词；将所述当前用户提交的作业答案信息与标准答案信息进行比对，包括：

以标准答案、关键公式和关键词为正确答案的特征，根据正确答案的特征，通过贝叶斯分类器对所述当前用户提交的作业答案信息进行分类，得到所述当前用户提交的作业中各道题的正误结果。

优选的，所述方法还包括：

生成题目样本库，利用树分类法、主成分分析法、因子分析法得出每道题的特性；

根据题目的特性对每道题进行分类；

获取所述当前用户的作业中的错题，根据错题的类型和频率生成与所述当前用户的作业中的错题同类型的测试题集或训练题集；

将生成的测试题集或训练题集推送给所述当前用户。

优选的，所述方法还包括：

获取所述当前用户在课堂讨论区的发言和提问数据，提取出所述当前用户的发言和提问数据的特征；

根据所述当前用户的发言和提问数据的特征，提取出的所述当前用户的发言和提问数据的特征和该课程的课程特征中共有的特征类别；

根据提取出的所述当前用户的发言和提问数据的特征和该课程的课程特征中共有的特征类别，分别建立所述当前用户的发言和提问数据的特征向量和该课程的特征向量，其中，所述当前用户的发言和提问数据的特征向量和该课程的特征向量具有相同的维度，每个维度对应一个所述当前用户的发言和提问数据的特征与该课程的课程特征中共有的特征类别，每个维度的值为对应特征类别所对应的特征程度；

分别计算所述当前用户的发言和提问数据的特征向量和各课程的课程特征在多维空间的余弦值，该余弦值的大小表征所述当前用户对该课程的参与程度和兴趣程度。

本发明的有益效果是：

1、通过学生之间精准的讲题匹配，增强了学习氛围和学生对知识理解能力、掌握能力和运用能力的锻炼，改变了“老师只讲课、学生只听课”的教育模式，并实现了“每个学生不仅是学生，也是老师”的新型教育模式；

2、通过网课和学生的分类，可向学生更精准的推荐最需要的学习内容，提高了学习效率；

3、通过对讨论区的学生发言和提问的分类匹配，可以让老师实时了解学生的参与程度和兴趣，为提高师生之间的互动提供了数据基础，便于通过建立合理的互动方式，来提高学生的学习效率；

4、网课作业收取后，通过智能系统更高效、准确地完成作业的批改工作，并进行后续的讲题匹配工作。

附图说明

图1为本发明实施例的流程示意图。

具体实施方式

下面结合附图对本发明的实施例进行详细说明。

本发明主要利用朴素贝叶斯分类算法、基于神经网络的特征提取算法和欧几里得距离算法。

1、朴素贝叶斯分类算法介绍

贝叶斯法则是条件概率相互计算的法则，即在已知P(A|B)的情况下怎么计算P(B|A)。P(A|B)是条件概率，表示在条件B成立的情况下条件A发生的概率，贝叶斯法则的表达式如下：

即在条件A成立的情况下条件B发生的概率，等于条件B成立的情况下条件A发生的概率，乘以条件B发生的概率，再除以条件A发生的概率。

朴素贝叶斯学习也叫朴素贝叶斯分类器，它是根据贝叶斯法则进行学习的一种算法。

将贝叶斯法则表达式修改成机器任务表达式如下：

朴素贝叶斯分类是一种十分简单的分类算法，叫它朴素贝叶斯分类是因为这种方法的思想真的很朴素。朴素贝叶斯的思想基础是：对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项属于哪个类别。

朴素贝叶斯分类的基本公式如下：

整个朴素贝叶斯分类分为三个阶段：

第一阶段，准备工作阶段。这个阶段的任务是为朴素贝叶斯分类做必要的准备，主要工作是根据具体情况确定特征属性，并对每个特征属性进行适当划分，然后由人工对一部分待分类项进行分类，形成训练样本集合。这一阶段的输入是所有待分类数据，输出是特征属性和训练样本。这一阶段是整个朴素贝叶斯分类中唯一需要人工完成的阶段，其质量对整个过程将有重要影响，分类器的质量很大程度上由特征属性、特征属性划分及训练样本质量决定。

第二阶段，分类器训练阶段。这个阶段的任务就是生成分类器，主要工作是计算每个类别在训练样本中的出现频率及每个特征属性划分对每个类别的条件概率估计，并将结果记录。其输入是特征属性和训练样本，输出是分类器。这一阶段是机械性阶段，根据前面讨论的公式可以由程序自动计算完成。

第三阶段，应用阶段。这个阶段的任务是使用分类器对待分类项进行分类，其输入是分类器和待分类项，输出是待分类项与类别的映射关系。这一阶段也是机械性阶段，由程序完成。

2、基于神经网络的特征提取算法介绍

卷积神经网络(CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理更具出色表现。卷积神经网络包括卷积层和池化层。其中卷积层是利用输入图像与卷积核进行卷积运算来提取特征，卷积时使用的权用一个矩阵来表示，该矩阵与使用的图像区域大小相同，行、列数值都是奇数，是一个权矩阵，即为卷积核。从信号处理角度来说，卷积核对信号做频率筛选，使用卷积层不断提取特征，越抽象的特征分类效果越好。从模板匹配角度来说，每个卷积核是一个特征模板，训练是为了找到最适合分类的特征模板。

(1)CNN的网络结构

CNN有四层，分别是特征提取层(C-层)、特征映射层(S-层)、池化(pooling)和全连接层。

卷积神经网络主要通过局部接受域、权值共享和子采样这三种结构实现对输入的局部平移不变性，其中局部接受域和权值共享结构都可以减少需要训练的权值数目。

(2)CNN的训练过程

由于CNN本身就是一种从输入到输出的映射，训练CNN模型的过程就相当于训练一个函数映射。CNN的样本集由输入向量和理想输出向量对构成，这是由于卷积神经网络执行的是有监督的训练。为了保证网络不会由于权值过大而达到饱和状态，在开始训练之前，就将权重初始化设置为-1到1之间的随机值。

CNN的训练过程如下：

①、将所有权值初始化为一个-1到1之间较小的随机值。

②、从微表情数据库里面任取一个样本X作为输入，其目标向量为D。

③、前向传播阶段：

对于抽样层的计算公式：

对于全连接层：

其中，f(x)为Relu激活函数，即：

④、反向依次计算各层误差项：

输出层的误差：假如输出层共有M个结点，则输出层结点k的误差项为：

δ_k＝(d_k-y_k)y_k(1-y_k)；

其中d_k为结点k的目标输出，y_k为结点k的预测输出。

中间全连接层的误差：假设当前层为第l层，共L个结点，第l层有M个结点，则对于第l层的结点j的误差项为：

δ_j＝h_j(1-h_j)∑δ_kW_jk；

其中h_j为结点j的输出，W_jk为第l层的结点j到l+1层的结点k的权值。

⑤、从后向前逐层依次计算各个权值的调整量，在第n轮迭代的结点j的第k个输入的权向量的改变量为：

阈值改变量为：

⑥、调整各个权值，更新后的权值为：

W_jk(n+1)＝W_jk(n)+ΔW_jk(n)；

更新后的阈值为：

B_k(n+1)＝B_k(n)+ΔB_k(n)。

⑦、重复②到⑥的过程，直到误差函数小于设定的阈值，其中误差函数为：

(3)CNN在图片处理方面的优点

①、输入图像和网络拓扑结构吻合；

②、特征提取和模式分类同时进行，并同时在训练中产生；

③、权重共享能够减少网络训练参数，使网络更简单，适应性更强。

(4)通过CNN网络框架能够准确检测到人脸的表情区域，同时在原图中表情比较集中的地方，比如眼角、嘴角等部位激活了更多的节点。显示出CNN能够从原始数据中学习到这种数据特征表达的特性。同时，CNN所提取的微表情特征具有较好的表现力，并且特征的显著区域主要集中在面部，因此采用CNN进行微表情特征提取可以省略人脸检测这一过程。

3、欧几里得距离算法介绍

欧几里得距离或欧式距离，是欧几里得空间中两点间“普通”(即直线)的距离。如假设同一多维空间的两个点A和B，分别根据A的坐标(A₁，A₂，A₃，……)和B的坐标(B₁，B₂，B₃，……)，建立A的矩阵[A₁ A₂ A₃ … …]和B的矩阵[B₁ B₂ B₃ … …]，根据A和B的矩阵计算A和B之间的欧式距离D，计算公式如下：

D值越大，说明A和B两点在多维空间中的距离越远，D值越小，说明A和B两在多维空间中的距离越近。

本发明主要涉及服务器、老师和学生三者，老师和学生分别通过老师的客户端和学生的客户端完成与服务器的交互。

实施例1

如图1所示，一种基于网络教育资源的互动方法，包括智能推荐课程方法，根据以下几点为每位学生推荐更适合的课程：

①、对于第一次使用或使用时间较短(如少于一个月)的学生，服务器会根据学生通过学生客户端填写的基本资料，通过学生客户端向学生推荐他们可能感兴趣或者需要的优质课程；

②、对于已经使用过一段时间(如多于一个月)的学生，服务器会结合他们曾经的作业情况、听课状态、历史浏览记录等等，分析他们的薄弱项或者有兴趣的方向，通过学生客户端向学生专门推荐弥补薄弱项的课程、提高类课程或者感兴趣的课程。

对于第②步，具体步骤如下：

服务器利用朴素贝利叶斯分类器，将平台上所有的网课、所有的学生进行分类，得出每一个网课及学生的特征信息。例如：

表1课程特征信息表

表2学生特征信息表

表1和表2中的数字代表拥有特征的程度，0表示完全没有这个特征，1表示完全具有这个特征。

于是我们就可以将网课一拥有的特征信息建立出一个多维向量：

网课一A(0.2,0.2,0.9，……)；

同时学生一也能建立出一个多维向量：

学生一B(0.3,0.5,0.6，……)；

通过计算这两个向量在多维空间的余弦值，计算公式为：

其中，A_i表示网课一的向量中第i个元素，B_i表示学生一的向量中第i个元素，余弦值的大小表示这两个向量的相似程度，0表示完全无关，1表示完全匹配，由此服务器即可向学生的学生客户端推荐该学生最需要或是最喜欢的网络课程了。

值得注意的是，在给学生推荐课程时，选取的学生信息不仅仅包括学生的个人喜好，同时还有学生的学习情况等特征，例如:计算能力是否欠缺、逻辑思维是否缜密等等。尽可能的选取学生和课程之间更多共有的特征类别，则优化的课程推荐就越精准。

实施例2

相比于实施例1，本实施例还包括智能分配班级方法，每位学生的能力都不一样，而每位老师对同一个知识的讲解深度或者是讲解能力也不一样，因此，本发明根据每位学生的历史学习情况，分析学生的学习能力，为其推荐讲解能力匹配的老师所代班级，避免学生上课听不懂老师讲的内容、跟不上班级进度的情况发生。采取如实施例1中智能推荐课程的原理，区别在于对象由学生和课程变为学生和老师，同样的服务器根据学生和老师的信息情况，找出两者具有的相同特征类型，分别建立具有相同维度的学生向量和老师向量，然后计算这两个向量在多维空间的余弦值，与学生之间余弦值最大的老师，即为与学生的学习能力最匹配的老师，将该学生分配至该老师的班级即可。服务器将分配信息推送给老师的客户端和学生的客户端。

实施例3

相比于实施例2，本实施例还包括智能作业批改方法，老师通过老师的客户端上传布置的课后作业时，同时将可作为判断正误标准的答案、关键公式、关键词等信息输入发送至服务器，由服务器的人工智能通过这些关键信息对学生的作业利用朴素贝叶斯分类法进行初步评判，给出正误。

其中，对应于朴素贝叶斯分类的第一阶段，老师上传的关键公式和关键词等信息即是在人工确定标准答案的特征属性，通过该特征属性对答案的正误进行分类，可形成作业题的训练样本集合。该阶段输入的是老师上传的标准答案，输出的是关键公式、关键词等特征属性及题目训练样本。

对应于朴素贝叶斯分类法的第二阶段，输入的是关键公式、关键词等特征属性及题目训练样本，输出的就是根据答案中的特征属性对答案进行正误分类的分类器。

对应于朴素贝叶斯分类法的第三阶段，输入的是对答案进行正误分类的分类器和学生提交的作业答案，输出的是学生提交的作业答案与答案正误的映射关系。

通过上述朴素贝叶斯分类法的操作即可完成人工智能通过这些关键信息对作业进行初步评判，给出正误。

实施例4

相比于实施例3，本实施例还包括智能学生匹配方法，利用欧几里得距离算法完成学生间的智能匹配。具体步骤如下：

在服务器完成作业批改后，向学生的客户端推送一个界面，该界面包括学生的作业批改结果，以及对应于每道题供学生选择的选项，选项包括可对其他同学讲解、不想对其他同学讲解也不需要被其他同学讲解以及需要被其他同学讲这三个选项，同时，服务器对这三个选项依次分别赋值为1、0、-1。

服务器收集学生通过客户端选择的结果，对于每个学生依题目的顺序和该学生对题目的选择结果建立相应的矩阵。

设定某个班级有N个学生，第n个学生对应的矩阵为Y_n，设定课后作业共Z题，第n个学生对第z道题的选项记为X_z ⁽ⁿ⁾,取值为对应选项的赋值，则各学生的矩阵如下：

第1个学生：Y₁＝[X₁ ⁽¹⁾ X₂ ⁽¹⁾ X₃ ⁽¹⁾ … … X_z ⁽¹⁾]；

第2个学生：Y₂＝[X₁ ⁽²⁾ X₂ ⁽²⁾ X₃ ⁽²⁾ … … X_z ⁽²⁾]；

第3个学生：Y₃＝[X₁ ⁽³⁾ X₂ ⁽³⁾ X₃ ⁽³⁾ … … X_z ⁽³⁾]；

……

第个N学生：Y_N＝[X₁ ^(N) X₂ ^(N) X₃ ^(N) … … X_z ⁽ⁿ⁾]；

N个学生分别计算任意第i个和第j个学生之间的欧式距离D_ij，公式如下：

分别比较计算得到的D_ij的大小，D_ij值越大，说明计算的两名学生的矩阵在多维空间中对应的距离越远，表示的是两名学生之间需要被讲的题和可以讲解的题差异性较大，互补性较大；而D_ij值越小，说明计算的两名学生的矩阵在多维空间中对应的距离越近，表示的是两名学生之间需要被讲的题和可以讲解的题差异性较小，互补性较小。因此，优先将相互之间D_ij值最大的两名学生进行匹配；若出现D_ij值相同的情况，则将出现该情况对应的学生随机匹配。

在学生匹配完成后，服务器向相互匹配的学生对应的客户端分别发出通知，以让学生对自己的讲解任务有所准备。在下次正式课程开始之前，服务器在相互匹配的两个学生的客户端之间建立单独的视频聊天频道，以便相互匹配的两个学生相互答疑解惑。这一过程不仅能够帮助学生巩固学习内容，还能使其通过其他同学学到自己不会的知识。同时，这种方式还会有助于学生责任心、逻辑思维、语言表达等能力的培养，可谓一举多得。

在学生相互讲解完成后，服务器再次向学生的客户端推送一界面，该界面包括对应于每道题供学生的选项，区别在于，该选项只有需要被讲解和不需要被讲解两个选择了，用以收集在学生相互讲解完成后，让学生选择自己仍不会并需要被讲解的题目，并将所有学生的选择结果迅速通过老师的客户端反馈给老师，以便在下次讲课时老师可针对学生相互讲解后仍有部分学生不会的题目进行针对性的讲解。这样一来，不仅锻炼了学生对知识的理解能力、运用能力和掌握能力，还提高了老师的授课效率，使老师和学生都可以更高效地学习。

实施例5

相比于实施例4，本实施例还包括智能测试或训练方法，给予服务器海量的不同类型的题目，通过分析处理这些题目之间的关联性，利用树分类法、主成分分析法、因子分析法，找出每道题的特性，并自动将每个题进行分类贴“标签”处理，就能准确地知道每道题所考察的能力，同时也可将这些题目作为训练样本用于训练朴素贝叶斯分类器，以使可对后续加入题库中的题目进行自动分类。再结合学生的历史作业批改情况，根据学生的错题情况，由服务器定期选择与学生近期错题同类型或类型近似的题目，就能给出一套针对每位同学个人情况的测试题集或者训练题集，帮助同学有针对性地解决自身学习问题，巩固学习内容。

实施例6

相比于实施例5，本实施例还包括阶段反馈方法，所述阶段反馈方法具体包括：

①、学习能力反馈方法。在每一阶段学习结束后，通过服务器调取学生关于这一阶段的作业信息，根据作业中正确率最高的题型类别，分析出学生擅长的领域，同时也会根据作业中错误率最高的题型类型，分析出学生薄弱的领域，由预设的报表格式根据学生擅长的领域和薄弱的领域生成学生学习能力的反馈报表，将该报表发送给学生对应的客户端和该学生对应的家长的客户端。

②、学习习惯反馈方法。在学生听课期间，服务器通过学生的客户端自带的摄像装置持续获取学生听课期间的微表情，将学生听课期间的微表情输入至经微表情数据库训练好的CNN，根据学生听课期间的微表情与微表情数据库中不同听课状态的样本进行分析比对，就可得知学生的听课状态，再结合学生课后作业的完成时间等信息，可得出学生学习习惯中的优缺点，并反馈给学生，帮助学生改正陋习，养成良好的学习习惯。

③、表达能力反馈方法。服务器可通过大量不同表达能力的文本和语音对朴素贝叶斯分类器进行训练，得到训练好的表达能力分类器，然后对学生配对讲解过程中服务器收集的学生讲题表达的文本和语音，由训练好的表达能力分类器进行分类，即可得知学生的语言表达能力水平，帮助学生寻找自身表达中的问题，让学生拥有良好的表达能力和技巧。

④、浏览记录反馈方法。由服务器记录学生的课程学习的种类、课程的观看次数等数据，在某一阶段结束后，生成学生这一阶段的浏览“足迹”的数据，该数据可以直观反映出学生的学习情况，学生可根据该数据对自己的学习状态有更直观的了解，并据此为自己的未来整理规划出更好的学习任务和目标。

⑤、参与程序反馈方法。参照智能推荐课程方法中所使用的余弦值算法，获取所述当前用户在课堂讨论区的发言和提问数据，提取出所述当前用户的发言和提问数据的特征；根据所述当前用户的发言和提问数据的特征，提取出的所述当前用户的发言和提问数据的特征和该课程的课程特征中共有的特征类别；根据提取出的所述当前用户的发言和提问数据的特征和该课程的课程特征中共有的特征类别，分别建立所述当前用户的发言和提问数据的特征向量和该课程的特征向量，其中，所述当前用户的发言和提问数据的特征向量和该课程的特征向量具有相同的维度，每个维度对应一个所述当前用户的发言和提问数据的特征与该课程的课程特征中共有的特征类别，每个维度的值为对应特征类别所对应的特征程度；分别计算所述当前用户的发言和提问数据的特征向量和各课程的课程特征在多维空间的余弦值，该余弦值的大小表征所述当前用户对该课程的参与程度和兴趣程度，根据不同的参与程度可以知道学生对课程是否感兴趣、是否跟上了老师的思路等。

以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (10)

1.一种基于网络教育资源的互动方法，其特征在于，包括：

根据当前用户在预设时段内的网络学习行为信息，获取所述当前用户的学习行为特征；

利用所述当前用户的学习行为特征为所述当前用户分配班级；

获取当前用户输入的反馈信息，从所述当前用户的班级中为所述用户匹配目标用户，其中，所述目标用户与所述当前用户基于所述反馈信息互动学习。

2.根据权利要求1所述的方法，其特征在于，获取当前用户输入的反馈信息，从所述当前用户的班级中为所述用户匹配目标用户，包括：

对所述当前用户的作业进行批改，向所述当前用户推送讲解题目选择界面，该用户界面用于显示所述当前用户的作业批改结果，以及供所述当前用户选择需要被同班级其他用户讲解的题目和可以对同班级其他用户进行讲解的题目的选单；

接收所述当前用户的选择结果，根据所述当前用户的对于每道题的选择结果，建立所述当前用户的题目讲解情况矩阵；

将所述当前用户的班级中每个用户分别与其他用户计算各自题目讲解情况矩阵之间的欧式距离；

分别比较计算得到的欧式距离值，优先将相互之间欧式距离值最大的两个用户进行匹配，其中，与所述当前用户匹配的其他用户即为该当前用户的目标用户。

3.根据权利要求2所述的方法，其特征在于，利用所述当前用户的学习行为特征为所述当前用户分配班级，包括：

根据所述当前用户的学习行为特征为所述当前用户推荐学习课程；

根据所述当前用户选择的学习课程，为所述当前用户分配班级。

4.根据权利要求3所述的方法，其特征在于，根据所述当前用户的学习行为特征为所述当前用户推荐学习课程，包括：

根据各学习课程的信息，获取各学习课程的课程特征；

根据所述当前用户的学习行为特征和各学习课程的课程特征，提取出所述当前用户的学习行为特征和各学习课程的课程特征中共有的特征类别；

根据提取出的所述当前用户的学习行为特征和各学习课程的课程特征中共有的特征类别，分别建立所述当前用户的特征向量和各课程的特征向量，其中，所述当前用户的特征向量和各课程的特征向量具有相同的维度，每个维度对应一个所述当前用户的学习行为特征和各学习课程的课程特征中共有的特征类别，每个维度的值为对应特征类别所对应的特征程度；

分别计算所述当前用户的特征向量和各课程的特征向量在多维空间的余弦值，向所述当前用户推荐最高余弦值所对应的课程。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

若所述当前用户的注册时间小于预设阈值，则根据所述当前用户的注册信息，为所述当前用户推荐学习课程，其中，所述预设阈值小于等于所述预设时段。

6.根据权利要求3所述的方法，其特征在于，根据用户选择的学习课程，为所述当前用户分配班级，包括：

根据所述当前用户选择的学习课程的各授课老师的信息，获取各授课老师的授课特征；

根据所述当前用户的学习行为特征和各授课老师的授课特征，提取出所述当前用户的学习行为特征和各授课老师的授课特征中共有的特征类别；

根据提取出的所述当前用户的学习行为特征和各授课老师的授课特征中共有的特征类别，分别建立所述当前用户的特征向量和各授课老师的特征向量，其中，所述当前用户的特征向量和各授课老师的特征向量具有相同的维度，每个维度对应一个所述当前用户的学习行为特征和各授课老师的授课特征中共有的特征类别，每个维度的值为对应特征类别所对应的特征程度；

分别计算所述当前用户的特征向量和各授课老师的授课特征在多维空间的余弦值，将所述当前用户分配至最高余弦值所对应的班级。

7.根据权利要求2所述的方法，其特征在于，对所述当前用户的作业进行批改，包括：

接收老师上传的作业信息，以及老师上传的用于判断作业正误的标准答案信息；

接收所述当前用户提交的作业答案信息，将所述当前用户提交的作业答案信息与标准答案信息进行比对，得出所述当前用户的作业的批改结果。

8.根据权利要求7所述的方法，其特征在于，所述标准答案信息包括标准答案、关键公式和关键词；将所述当前用户提交的作业答案信息与标准答案信息进行比对，包括：

以标准答案、关键公式和关键词为正确答案的特征，根据正确答案的特征，通过贝叶斯分类器对所述当前用户提交的作业答案信息进行分类，得到所述当前用户提交的作业中各道题的正误结果。

9.根据权利要求8所述的方法，其特征在于，所述方法还包括：

生成题目样本库，利用树分类法、主成分分析法、因子分析法得出每道题的特性；

根据题目的特性对每道题进行分类；

获取所述当前用户的作业中的错题，根据错题的类型和频率生成与所述当前用户的作业中的错题同类型的测试题集或训练题集；

将生成的测试题集或训练题集推送给所述当前用户。

10.根据权利要求9所述的方法，其特征在于，所述方法还包括：

获取所述当前用户在课堂讨论区的发言和提问数据，提取出所述当前用户的发言和提问数据的特征；

根据所述当前用户的发言和提问数据的特征，提取出的所述当前用户的发言和提问数据的特征和该课程的课程特征中共有的特征类别；

根据提取出的所述当前用户的发言和提问数据的特征和该课程的课程特征中共有的特征类别，分别建立所述当前用户的发言和提问数据的特征向量和该课程的特征向量，其中，所述当前用户的发言和提问数据的特征向量和该课程的特征向量具有相同的维度，每个维度对应一个所述当前用户的发言和提问数据的特征与该课程的课程特征中共有的特征类别，每个维度的值为对应特征类别所对应的特征程度；

分别计算所述当前用户的发言和提问数据的特征向量和各课程的课程特征在多维空间的余弦值，该余弦值的大小表征所述当前用户对该课程的参与程度和兴趣程度。

Images