CN111611406A - 用于人工智能学习模式的数据存储系统与方法 - Google Patents
用于人工智能学习模式的数据存储系统与方法 Download PDFInfo
- Publication number
- CN111611406A CN111611406A CN202010460520.6A CN202010460520A CN111611406A CN 111611406 A CN111611406 A CN 111611406A CN 202010460520 A CN202010460520 A CN 202010460520A CN 111611406 A CN111611406 A CN 111611406A
- Authority
- CN
- China
- Prior art keywords
- data
- learning
- artificial intelligence
- intelligence learning
- scene
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 274
- 238000013500 data storage Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000012216 screening Methods 0.000 claims abstract description 57
- 238000013507 mapping Methods 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 230000008030 elimination Effects 0.000 claims description 4
- 238000011160 research Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/31—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了用于人工智能学习模式的数据存储系统与方法，该用于人工智能学习模式的数据存储系统与方法通过对人工智能学习场景的运行进行实时跟踪记录，以提高获得的人工智能学习运行数据的时效性和真实性，并且还通过对数据进行筛选来提高筛选后的数据与人工智能学习模式的学习需求内容的匹配性，以及通过对筛选后的数据进行关于跟踪记录时序的排列和云端存储，从而提高对相关数据的存储效率和后续数据利用的便捷性。
Description
技术领域
本发明涉及人工智能学习的技术领域，特别涉及用于人工智能学习模式的数据存储系统与方法。
背景技术
目前，人工智能学习技术广泛应用于教学和科研等不同领域中，而人工智能学习技术通常是基于大数据来实现，在教学和科研等相关领域中，相应的教学大数据和科研大数据的数据量巨大并且数据结构复杂多变，为了保证在教学和科研等相关领域中人工智能学习技术的正常应用，需要有相当数量和更新度的数据进行支撑，这就对用于人工智能学习模式的数据存储提出了较高的要求。而现有的数据存储系统只是通过单一的方式对数据进行无任何预处理的存储，这种存储方式虽然能够最大限度地保证数据的真实性，但是并不能提高数据的存储效率，也不能最大限度地对优化对数据的计算转换。可见，现有的数据存储方式并不能满足人工智能学习模式对大数据的存储和利用需求。
发明内容
针对现有技术存在的缺陷，本发明提供用于人工智能学习模式的数据存储系统与方法，该用于人工智能学习模式的数据存储系统与方法通过对人工智能学习场景运行状态的跟踪记录结果，获得相应的人工智能学习运行数据，并根据当前人工智能学习模式对应的学习需求内容，对该人工智能学习运行数据进行筛选，以及将该筛选得到的人工智能学习运行数据按照所述跟踪记录的时序进行排列，并存储到相应的云端数据库和对存储其中的人工智能学习运行数据进行更新；可见，该用于人工智能学习模式的数据存储系统与方法通过对人工智能学习场景的运行进行实时跟踪记录，以提高获得的人工智能学习运行数据的时效性和真实性，并且还通过对数据进行筛选来提高筛选后的数据与人工智能学习模式的学习需求内容的匹配性，以及通过对筛选后的数据进行关于跟踪记录时序的排列和云端存储，从而提高对相关数据的存储效率和后续数据利用的便捷性。
本发明提供用于人工智能学习模式的数据存储系统，其特征在于：
所述用于人工智能学习模式的数据存储系统包括数据获取模块、数据筛选模块、数据排列与存储模块和数据更新模块；其中，
所述数据获取模块用于根据对人工智能学习场景运行状态的跟踪记录结果，获得相应的人工智能学习运行数据；
所述数据筛选模块用于根据当前人工智能学习模式对应的学习需求内容，对所述人工智能学习运行数据进行筛选；
所述数据排列与存储模块用于将所述筛选得到的人工智能学习运行数据按照所述跟踪记录的时序进行排列，并存储到相应的云端数据库；
所述数据更新模块用于对所述云端数据库中的人工智能学习运行数据进行更新；
进一步，所述数据获取模块包括学习场景区块划分子模块、学习内容/学习进度跟踪记录子模块和坏点数据剔除子模块；其中，
所述学习场景区块划分子模块用于根据所述人工智能学习的知识学习图谱层次，对所述人工智能学习场景进行关于若干学习场景区块的划分；
所述学习内容/学习进度跟踪记录子模块用于对所述划分得到的每一个学习场景区块，进行关于人工智能学习内容和/或人工智能学习进度的跟踪记录，以此获得相应得到人工智能学习内容数据集合和/或人工智能学习进度数据集合；
所述坏点数据剔除子模块用于对所述人工智能学习内容数据集合和/或所述人工智能学习进度数据集合进行坏点数据剔除处理，以此得到所述人工智能学习运行数据；
进一步，所述数据筛选模块包括筛选标准确定子模块和定向筛选子模块；其中，
所述筛选标准确定子模块用于根据当前人工智能学习模式在学习文理科目内容和/或学习内容难度级别上的需求信息，生成相应的学习需求吻合度评判标准；
所述定向筛选子模块用于根据所述学习需求吻合度评判标准，对所述人工智能学习运行数据进行定向筛选处理，以此获得匹配于当前人工智能学习模式关于学习文理科目内容和/或学习内容难度级别需求的目标人工智能学习运行数据；
进一步，所述数据排列与存储模块包括映射关系构建子模块、排列操作子模块和存储操作子模块；其中，
所述映射关系构建子模块用于构建关于所述跟踪记录对应的完整记录时序序列信息与所述筛选得到的目标人工智能学习数据之间的映射关系；
所述排列操作子模块用于根据所述映射关系，对所述目标人工智能学习数据按照跟踪记录的先后时序顺序进行排列；
所述存储操作子模块用于将排列后的所述目标人工智能学习数据存储到所述云端数据库；
进一步，所述数据更新模块包括数据获取时刻确定子模块和更新操作子模块；其中，
所述数据获取时刻确定子模块用于获取所述云端数据库中最早存储的人工智能学习运行数据对应的数据获取时刻；
所述更新操作子模块用于在所述数据获取时间与当前时刻之间的时间差超出预定时间差阈值时，触发所述数据获取模块、所述数据筛选模块、所述数据排列与存储模块依次运行，以实现对所述云端数据库的数据更新；
进一步，所述数据排列与存储模块用于将所述筛选得到的人工智能学习运行数据按照所述跟踪记录的时序进行排列，并存储到相应的云端数据库，其具体实现步骤如下：
步骤A1，根据所述数据获取模块所述学习场景区的具体授课课程信息，并对科目与课程章节进行初步分类处理，以获取初步知识学习图谱层次信息；
步骤A2，根据所述获取的初步知识学习图谱层次信息，通过关键参数组合以及下面公式(1)，以划分若干学习场景区块
在上述公式(1)，ln为以自然常数e为底的对数函数，M所述人工智能学习场景中各科目的类别编号，N为所述人工智能学习场景中各数据节点的数量，s为人工智能学习场景中各数据节点的序号，ts为人工智能学习场景中各数据节点的序号为s所对应的学习时长，t0为人工智能学习场景开展学习所对应的初始数据节点，r为人工智能学习场景各数据节点的难度系数，其取值范围为[1，22]，w为数据学习权限等级，wr为人工智能学习场景各数据节点的难度系数为r所对应的数据学习权限等级，w1为人工智能学习场景数据节点难度系数为1所对应的初级数据学习权限等级，Q(ts,wr)为划分若干学习场景区块；
步骤A3、根据所述映射关系构建子模块，构建所述跟踪记录对应的完整记录时序序列信息，通过下面公式(2)对应的线性变化处理，获取目标人工智能学习数据之间的映射关系
在上述公式(2)中，exp为以自然常数e为底的指数函数，K为所述各区块学习场景的完整记录时序序列信息，i为所述各区块学习场景的序列编号，xi为所述各区块学习场景的序列编号为i所对应的数据节点总数，ar为所述各区块学习场景中不同难度系数的数据节点学习完成率，j为所述各区块学习场景中各数据节点的时间坐标，yj为所述各区块学习场景中各数据节点的时间坐标为j所对应的数据节点学习进度信息，br为所述各区块学习场景中不同难度系数的数据节点的测试通过率，Q(xi(ar,1))为所述各区块学习场景中已完成的数据节点总数，Q(yj(br,0))为所述各区块学习场景中未通过测试的数据节点总数，P(xi(ar),yj(br))为根据所述各数据节点学习顺序，根据学习进度及测试通过率，获取目标人工智能学习数据之间的映射关系；
步骤A4、通过下面公式(3)，将所述步骤A3获取的目标人工智能学习数据之间的映射关系与云端数据库进行比对，根据比对结果，执行将按照所述跟踪记录的时序进行排列的人工智能学习运行数据存储到相应的云端数据库的操作
在上述公式(3)中，l为所述云端数据库中运行数据的预设排序编号，zl为所述云端数据库中运行数据的预设排序编号为l所对应的运行数据信息，u为所述云端数据库中运行数据的数据学习权限等级，ou为所述云端数据库中运行数据的数据学习权限等级为u所对应的各课程进度信息，D(zl,ou)为所述云端数据库预设运行数据及对应的数据学习权限等级信息，C(k)为将根据跟踪记录的时序进行排列的人工智能学习运行数据与云端数据库进行比对，若C(k)不为1，表示人工智能学习运行数据存在变动，执行将按照所述跟踪记录的时序进行排列的人工智能学习运行数据存储到相应的云端数据库的操作。
本发明还提供用于人工智能学习模式的数据存储方法，其特征在于，所述用于人工智能学习模式的数据存储方法包括如下步骤：
步骤S1，对人工智能学习场景运行状态进行跟踪记录，以获得相应的人工智能学习运行数据；
步骤S2，根据当前人工智能学习模式对应的学习需求内容，对所述人工智能学习运行数据进行筛选；
步骤S3，将所述筛选得到的人工智能学习运行数据按照所述跟踪记录的时序进行排列，并存储到相应的云端数据库；
步骤S4，对所述云端数据库中的人工智能学习运行数据进行更新；
进一步，在所述步骤S1中，对人工智能学习场景运行状态进行跟踪记录，以获得相应的人工智能学习运行数据具体包括，
步骤S101，根据所述人工智能学习的知识学习图谱层次，对所述人工智能学习场景进行关于若干学习场景区块的划分；
步骤S102，对所述划分得到的每一个学习场景区块，进行关于人工智能学习内容和/或人工智能学习进度的跟踪记录，以此获得相应得到人工智能学习内容数据集合和/或人工智能学习进度数据集合；
步骤S103，对所述人工智能学习内容数据集合和/或所述人工智能学习进度数据集合进行坏点数据剔除处理，以此得到所述人工智能学习运行数据；
或者，
在所述步骤S2中，根据当前人工智能学习模式对应的学习需求内容，对所述人工智能学习运行数据进行筛选具体包括，
步骤S201，获取当前人工智能学习模式在学习文理科目内容和/或学习内容难度级别上的需求信息，并根据所述需求信息生成相应的学习需求吻合度评判标准；
步骤S202，根据所述学习需求吻合度评判标准，对所述人工智能学习运行数据进行定向筛选处理，以此获得匹配于当前人工智能学习模式关于学习文理科目内容和/或学习内容难度级别需求的目标人工智能学习运行数据；
进一步，在所述步骤S3中，将所述筛选得到的人工智能学习运行数据按照所述跟踪记录的时序进行排列，并存储到相应的云端数据库具体包括，
步骤S301，获取对人工智能学习场景运行状态进行跟踪记录的完整记录时序序列信息；
步骤S302，构建关于所述完整记录时序序列信息与所述筛选得到的目标人工智能学习数据之间的映射关系；
步骤S303，根据所述映射关系，对所述目标人工智能学习数据按照跟踪记录的先后时序顺序进行排列，并将排列后的所述目标人工智能学习数据存储到所述云端数据库；
进一步，在所述步骤S4中，对所述云端数据库中的人工智能学习运行数据进行更新具体包括，
步骤S401，获取所述云端数据库中最早存储的人工智能学习运行数据对应的数据获取时刻；
步骤S402，判断所述数据获取时间与当前时刻之间的时间差是否超出预定时间差阈值，若是，则再一次执行所述步骤S1-S3，以实现对所述云端数据库的数据更新，若否，则维持所述云端数据当前的数据存储状态不变。
相比于现有技术，该用于人工智能学习模式的数据存储系统与方法通过对人工智能学习场景运行状态的跟踪记录结果，获得相应的人工智能学习运行数据，并根据当前人工智能学习模式对应的学习需求内容，对所述人工智能学习运行数据进行筛选，以及将所述筛选得到的人工智能学习运行数据按照所述跟踪记录的时序进行排列，并存储到相应的云端数据库和对存储其中的人工智能学习运行数据进行更新；可见，该用于人工智能学习模式的数据存储系统与方法通过对人工智能学习场景的运行进行实时跟踪记录，以提高获得的人工智能学习运行数据的时效性和真实性，并且还通过对数据进行筛选来提高筛选后的数据与人工智能学习模式的学习需求内容的匹配性，以及通过对筛选后的数据进行关于跟踪记录时序的排列和云端存储，从而提高对相关数据的存储效率和后续数据利用的便捷性。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1为本发明提供的用于人工智能学习模式的数据存储系统的结构示意图。
图2为本发明提供的用于人工智能学习模式的数据存储方法的流程示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，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作出创造性劳动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。
参阅图1，为本发明实施例提供的用于人工智能学习模式的数据存储系统的结构示意图。该用于人工智能学习模式的数据存储系统包括数据获取模块、数据筛选模块、数据排列与存储模块和数据更新模块；其中，
该数据获取模块用于根据对人工智能学习场景运行状态的跟踪记录结果，获得相应的人工智能学习运行数据；
该数据筛选模块用于根据当前人工智能学习模式对应的学习需求内容，对该人工智能学习运行数据进行筛选；
该数据排列与存储模块用于将该筛选得到的人工智能学习运行数据按照该跟踪记录的时序进行排列，并存储到相应的云端数据库；
该数据更新模块用于对该云端数据库中的人工智能学习运行数据进行更新。
该用于人工智能学习模式的数据存储系统通过对人工智能学习场景进行跟踪记录获取数据、数据筛选、数据排列、数据存储和数据更新相应的数据处理操作，其可保证获得的数据能够最大限度地反应人工智能学习过程的真实性和有效性，并且还能够优化数据的质量和结构，从而提高对相关数据的存储效率和对相关数据进行后续利用处理的便捷性。
优选地，该数据获取模块包括学习场景区块划分子模块、学习内容/学习进度跟踪记录子模块和坏点数据剔除子模块；其中，
该学习场景区块划分子模块用于根据该人工智能学习的知识学习图谱层次，对该人工智能学习场景进行关于若干学习场景区块的划分；
该学习内容/学习进度跟踪记录子模块用于对该划分得到的每一个学习场景区块，进行关于人工智能学习内容和/或人工智能学习进度的跟踪记录，以此获得相应得到人工智能学习内容数据集合和/或人工智能学习进度数据集合；
该坏点数据剔除子模块用于对该人工智能学习内容数据集合和/或该人工智能学习进度数据集合进行坏点数据剔除处理，以此得到该人工智能学习运行数据。
该数据获取模块通过划分学习场景区块、跟踪记录学习内容和/或学习进度以及剔除坏点数据能够有效地避免对人工智能学习场景进行整体跟踪记录而导致数据记录错误的情况出现，并且还能够最大限度地提高对学习内容和/或学习进度跟踪记录的实时性和准确性，以及提高跟踪记录得到的数据质量以防止坏点数据的出现。
优选地，该数据筛选模块包括筛选标准确定子模块和定向筛选子模块；其中，
该筛选标准确定子模块用于根据当前人工智能学习模式在学习文理科目内容和/或学习内容难度级别上的需求信息，生成相应的学习需求吻合度评判标准；
该定向筛选子模块用于根据该学习需求吻合度评判标准，对该人工智能学习运行数据进行定向筛选处理，以此获得匹配于当前人工智能学习模式关于学习文理科目内容和/或学习内容难度级别需求的目标人工智能学习运行数据。
该数据筛选模块通过对数据进行关于学习文理科目内容和/或学习内容难度级别的需求信息的吻合评判和定向筛选，能够最大限度地保证相关数据满足不同人工智能学习场景的需求以及提高相关数据的可用性和有效性。
优选地，该数据排列与存储模块包括映射关系构建子模块、排列操作子模块和存储操作子模块；其中，
该映射关系构建子模块用于构建关于该跟踪记录对应的完整记录时序序列信息与该筛选得到的目标人工智能学习数据之间的映射关系；
该排列操作子模块用于根据该映射关系，对该目标人工智能学习数据按照跟踪记录的先后时序顺序进行排列；
该存储操作子模块用于将排列后的该目标人工智能学习数据存储到该云端数据库。
该数据排列与存储模块通过构建该映射关系能够准确地确定该筛选得到的目标人工智能学习数据与该完整记录时序序列信息之间的一一对应关系，以便于后续对相关数据进行时序先后排列和存储的快捷性和精确性。
优选地，该数据更新模块包括数据获取时刻确定子模块和更新操作子模块；其中，
该数据获取时刻确定子模块用于获取该云端数据库中最早存储的人工智能学习运行数据对应的数据获取时刻；
该更新操作子模块用于在该数据获取时间与当前时刻之间的时间差超出预定时间差阈值时，触发该数据获取模块、该数据筛选模块、该数据排列与存储模块依次运行，以实现对该云端数据库的数据更新。
该数据更新子模块通过最早存储的人工智能学习运行数据对应的数据获取时刻与当前时刻之间的时间差作为数据更新的依据能够最大限度地保证云端数据库中存储的数据始终保持相应的时效性，从而避免发生数据过期的情况。
优选地，该数据排列与存储模块用于将该筛选得到的人工智能学习运行数据按照该跟踪记录的时序进行排列，并存储到相应的云端数据库，其具体实现步骤如下：
步骤A1，根据该数据获取模块该学习场景区的具体授课课程信息，并对科目与课程章节进行初步分类处理，以获取初步知识学习图谱层次信息；
步骤A2，根据该获取的初步知识学习图谱层次信息，通过关键参数组合以及下面公式(1)，以划分若干学习场景区块
在上述公式(1)，ln为以自然常数e为底的对数函数，M该人工智能学习场景中各科目的类别编号，N为该人工智能学习场景中各数据节点的数量，s为人工智能学习场景中各数据节点的序号，ts为人工智能学习场景中各数据节点的序号为s所对应的学习时长，t0为人工智能学习场景开展学习所对应的初始数据节点，r为人工智能学习场景各数据节点的难度系数，其取值范围为[1，22]，w为数据学习权限等级，wr为人工智能学习场景各数据节点的难度系数为r所对应的数据学习权限等级，w1为人工智能学习场景数据节点难度系数为1所对应的初级数据学习权限等级，Q(ts,wr)为划分若干学习场景区块；
步骤A3、根据该映射关系构建子模块，构建该跟踪记录对应的完整记录时序序列信息，通过下面公式(2)对应的线性变化处理，获取目标人工智能学习数据之间的映射关系
在上述公式(2)中，exp为以自然常数e为底的指数函数，K为该各区块学习场景的完整记录时序序列信息，i为该各区块学习场景的序列编号，xi为该各区块学习场景的序列编号为i所对应的数据节点总数，ar为该各区块学习场景中不同难度系数的数据节点学习完成率，j为该各区块学习场景中各数据节点的时间坐标，yj为该各区块学习场景中各数据节点的时间坐标为j所对应的数据节点学习进度信息，br为该各区块学习场景中不同难度系数的数据节点的测试通过率，Q(xi(ar,1))为该各区块学习场景中已完成的数据节点总数，Q(yj(br,0))为该各区块学习场景中未通过测试的数据节点总数，P(xi(ar),yj(br))为根据该各数据节点学习顺序，根据学习进度及测试通过率，获取目标人工智能学习数据之间的映射关系；
步骤A4、通过下面公式(3)，将该步骤A3获取的目标人工智能学习数据之间的映射关系与云端数据库进行比对，根据比对结果，执行将按照该跟踪记录的时序进行排列的人工智能学习运行数据存储到相应的云端数据库的操作
在上述公式(3)中，l为该云端数据库中运行数据的预设排序编号，zl为该云端数据库中运行数据的预设排序编号为l所对应的运行数据信息，u为该云端数据库中运行数据的数据学习权限等级，ou为该云端数据库中运行数据的数据学习权限等级为u所对应的各课程进度信息，D(zl,ou)为该云端数据库预设运行数据及对应的数据学习权限等级信息，C(k)为将根据跟踪记录的时序进行排列的人工智能学习运行数据与云端数据库进行比对，若C(k)不为1，表示人工智能学习运行数据存在变动，执行将按照该跟踪记录的时序进行排列的人工智能学习运行数据存储到相应的云端数据库的操作；
上述该数据排列与存储模块的工作过程通过对科目、学习难度等关键参数提取，获取各区块学习场景，并通过各区块学习场景中各数据节点的学习进度，以及完成不同难度系数的数据节点后提升学习权限，逐步开展后续运行数据的学习计划，并通过对人工智能学习场景的运行进行实时跟踪记录，以提高获得的人工智能学习运行数据的时效性和真实性，并通过跟踪记录时序的排列和云端存储，提高对相关数据的存储效率和后续数据利用的便捷性。
参阅图2，为本发明实施例提供的用于人工智能学习模式的数据存储方法的流程示意图。该用于人工智能学习模式的数据存储方法包括如下步骤：
步骤S1，对人工智能学习场景运行状态进行跟踪记录，以获得相应的人工智能学习运行数据；
步骤S2，根据当前人工智能学习模式对应的学习需求内容，对该人工智能学习运行数据进行筛选；
步骤S3，将该筛选得到的人工智能学习运行数据按照该跟踪记录的时序进行排列，并存储到相应的云端数据库；
步骤S4，对该云端数据库中的人工智能学习运行数据进行更新。
该用于人工智能学习模式的数据存储方法通过对人工智能学习场景进行跟踪记录获取数据、数据筛选、数据排列、数据存储和数据更新相应的数据处理操作，其可保证获得的数据能够最大限度地反应人工智能学习过程的真实性和有效性，并且还能够优化数据的质量和结构，从而提高对相关数据的存储效率和对相关数据进行后续利用处理的便捷性。
优选地，在该步骤S1中，对人工智能学习场景运行状态进行跟踪记录，以获得相应的人工智能学习运行数据具体包括，
步骤S101，根据该人工智能学习的知识学习图谱层次，对该人工智能学习场景进行关于若干学习场景区块的划分；
步骤S102，对该划分得到的每一个学习场景区块，进行关于人工智能学习内容和/或人工智能学习进度的跟踪记录，以此获得相应得到人工智能学习内容数据集合和/或人工智能学习进度数据集合；
步骤S103，对该人工智能学习内容数据集合和/或该人工智能学习进度数据集合进行坏点数据剔除处理，以此得到该人工智能学习运行数据。
通过划分学习场景区块、跟踪记录学习内容和/或学习进度以及剔除坏点数据能够有效地避免对人工智能学习场景进行整体跟踪记录而导致数据记录错误的情况出现，并且还能够最大限度地提高对学习内容和/或学习进度跟踪记录的实时性和准确性，以及提高跟踪记录得到的数据质量以防止坏点数据的出现。
优选地，在该步骤S101中，根据该人工智能学习的知识学习图谱层次，对该人工智能学习场景进行关于若干学习场景区块的划分具体包括，
根据该人工智能学习中知识学习图谱对应的知识点数量和不同知识点之间的关联性，将该人工智能学习场景划分为该若干学习场景区块。
根据知识点数量和不同知识点之间的关联性等知识学习图谱层次信息来划分得到不同的学习场景区块，能够提高学习场景区块的划分准确性和优化性。
优选地，在该步骤S103中，对该人工智能学习内容数据集合和/或该人工智能学习进度数据集合进行坏点数据剔除处理，以此得到该人工智能学习运行数据具体包括，
步骤S1031，计算该人工智能内容数据集合和/或该人工智能学习进度数据集合中某一个数据所处的数据子集合区间对应的数据置信度值；
步骤S1032，若该数据置信度值超出预设数据置信度接受范围，则确定该某一个数据为坏点数据，并将该某一个数据进行删除，以此得到该人工智能学习运行数据。
根据数据置信度来进行坏点数据进行删除，能够有效地避免数据误删除情况的出现。
优选地，在该步骤S2中，根据当前人工智能学习模式对应的学习需求内容，对该人工智能学习运行数据进行筛选具体包括，
步骤S201，获取当前人工智能学习模式在学习文理科目内容和/或学习内容难度级别上的需求信息，并根据该需求信息生成相应的学习需求吻合度评判标准；
步骤S202，根据该学习需求吻合度评判标准，对该人工智能学习运行数据进行定向筛选处理，以此获得匹配于当前人工智能学习模式关于学习文理科目内容和/或学习内容难度级别需求的目标人工智能学习运行数据。
通过对数据进行关于学习文理科目内容和/或学习内容难度级别的需求信息的吻合评判和定向筛选，能够最大限度地保证相关数据满足不同人工智能学习场景的需求以及提高相关数据的可用性和有效性。
优选地，在该步骤S3中，将该筛选得到的人工智能学习运行数据按照该跟踪记录的时序进行排列，并存储到相应的云端数据库具体包括，
步骤S301，获取对人工智能学习场景运行状态进行跟踪记录的完整记录时序序列信息；
步骤S302，构建关于该完整记录时序序列信息与该筛选得到的目标人工智能学习数据之间的映射关系；
步骤S303，根据该映射关系，对该目标人工智能学习数据按照跟踪记录的先后时序顺序进行排列，并将排列后的该目标人工智能学习数据存储到该云端数据库。
通过构建该映射关系能够准确地确定该筛选得到的目标人工智能学习数据与该完整记录时序序列信息之间的一一对应关系，以便于后续对相关数据进行时序先后排列和存储的快捷性和精确性。
优选地，在该步骤S4中，对该云端数据库中的人工智能学习运行数据进行更新具体包括，
步骤S401，获取该云端数据库中最早存储的人工智能学习运行数据对应的数据获取时刻；
步骤S402，判断该数据获取时间与当前时刻之间的时间差是否超出预定时间差阈值，若是，则再一次执行该步骤S1-S3，以实现对该云端数据库的数据更新，若否，则维持该云端数据当前的数据存储状态不变。
通过最早存储的人工智能学习运行数据对应的数据获取时刻与当前时刻之间的时间差作为数据更新的依据能够最大限度地保证云端数据库中存储的数据始终保持相应的时效性，从而避免发生数据过期的情况。
从上述实施例的内容可知，该用于人工智能学习模式的数据存储系统与方法通过对人工智能学习场景运行状态的跟踪记录结果，获得相应的人工智能学习运行数据，并根据当前人工智能学习模式对应的学习需求内容，对所述人工智能学习运行数据进行筛选，以及将该筛选得到的人工智能学习运行数据按照该跟踪记录的时序进行排列，并存储到相应的云端数据库和对存储其中的人工智能学习运行数据进行更新；可见，该用于人工智能学习模式的数据存储系统与方法通过对人工智能学习场景的运行进行实时跟踪记录，以提高获得的人工智能学习运行数据的时效性和真实性，并且还通过对数据进行筛选来提高筛选后的数据与人工智能学习模式的学习需求内容的匹配性，以及通过对筛选后的数据进行关于跟踪记录时序的排列和云端存储，从而提高对相关数据的存储效率和后续数据利用的便捷性。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.用于人工智能学习模式的数据存储系统，其特征在于：
所述用于人工智能学习模式的数据存储系统包括数据获取模块、数据筛选模块、数据排列与存储模块和数据更新模块；其中，
所述数据获取模块用于根据对人工智能学习场景运行状态的跟踪记录结果，获得相应的人工智能学习运行数据；
所述数据筛选模块用于根据当前人工智能学习模式对应的学习需求内容，对所述人工智能学习运行数据进行筛选；
所述数据排列与存储模块用于将所述筛选得到的人工智能学习运行数据按照所述跟踪记录的时序进行排列，并存储到相应的云端数据库；
所述数据更新模块用于对所述云端数据库中的人工智能学习运行数据进行更新。
2.如权利要求1所述的用于人工智能学习模式的数据存储系统，其特征在于：
所述数据获取模块包括学习场景区块划分子模块、学习内容/学习进度跟踪记录子模块和坏点数据剔除子模块；其中，
所述学习场景区块划分子模块用于根据所述人工智能学习的知识学习图谱层次，对所述人工智能学习场景进行关于若干学习场景区块的划分；
所述学习内容/学习进度跟踪记录子模块用于对所述划分得到的每一个学习场景区块，进行关于人工智能学习内容和/或人工智能学习进度的跟踪记录，以此获得相应得到人工智能学习内容数据集合和/或人工智能学习进度数据集合；
所述坏点数据剔除子模块用于对所述人工智能学习内容数据集合和/或所述人工智能学习进度数据集合进行坏点数据剔除处理，以此得到所述人工智能学习运行数据。
3.如权利要求1所述的用于人工智能学习模式的数据存储系统，其特征在于：
所述数据筛选模块包括筛选标准确定子模块和定向筛选子模块；其中，所述筛选标准确定子模块用于根据当前人工智能学习模式在学习文理科目内容和/或学习内容难度级别上的需求信息，生成相应的学习需求吻合度评判标准；
所述定向筛选子模块用于根据所述学习需求吻合度评判标准，对所述人工智能学习运行数据进行定向筛选处理，以此获得匹配于当前人工智能学习模式关于学习文理科目内容和/或学习内容难度级别需求的目标人工智能学习运行数据。
4.如权利要求1所述的用于人工智能学习模式的数据存储系统，其特征在于：
所述数据排列与存储模块包括映射关系构建子模块、排列操作子模块和存储操作子模块；其中，
所述映射关系构建子模块用于构建关于所述跟踪记录对应的完整记录时序序列信息与所述筛选得到的目标人工智能学习数据之间的映射关系；
所述排列操作子模块用于根据所述映射关系，对所述目标人工智能学习数据按照跟踪记录的先后时序顺序进行排列；
所述存储操作子模块用于将排列后的所述目标人工智能学习数据存储到所述云端数据库。
5.如权利要求1所述的用于人工智能学习模式的数据存储系统，其特征在于：
所述数据更新模块包括数据获取时刻确定子模块和更新操作子模块；其中，
所述数据获取时刻确定子模块用于获取所述云端数据库中最早存储的人工智能学习运行数据对应的数据获取时刻；
所述更新操作子模块用于在所述数据获取时间与当前时刻之间的时间差超出预定时间差阈值时，触发所述数据获取模块、所述数据筛选模块、所述数据排列与存储模块依次运行，以实现对所述云端数据库的数据更新。
6.如权利要求1所述的用于人工智能学习模式的数据存储系统，其特征在于：
所述数据排列与存储模块用于将所述筛选得到的人工智能学习运行数据按照所述跟踪记录的时序进行排列，并存储到相应的云端数据库，其具体实现步骤如下：
步骤A1，根据所述数据获取模块所述学习场景区的具体授课课程信息，并对科目与课程章节进行初步分类处理，以获取初步知识学习图谱层次信息；
步骤A2，根据所述获取的初步知识学习图谱层次信息，通过关键参数组合以及下面公式(1)，以划分若干学习场景区块
在上述公式(1)，ln为以自然常数e为底的对数函数，M所述人工智能学习场景中各科目的类别编号，N为所述人工智能学习场景中各数据节点的数量，s为人工智能学习场景中各数据节点的序号，ts为人工智能学习场景中各数据节点的序号为s所对应的学习时长，t0为人工智能学习场景开展学习所对应的初始数据节点，r为人工智能学习场景各数据节点的难度系数，其取值范围为[1，22]，w为数据学习权限等级，wr为人工智能学习场景各数据节点的难度系数为r所对应的数据学习权限等级，w1为人工智能学习场景数据节点难度系数为1所对应的初级数据学习权限等级，Q(ts,wr)为划分若干学习场景区块；
步骤A3、根据所述映射关系构建子模块，构建所述跟踪记录对应的完整记录时序序列信息，通过下面公式(2)对应的线性变化处理，获取目标人工智能学习数据之间的映射关系
在上述公式(2)中，exp为以自然常数e为底的指数函数，K为所述各区块学习场景的完整记录时序序列信息，i为所述各区块学习场景的序列编号，xi为所述各区块学习场景的序列编号为i所对应的数据节点总数，ar为所述各区块学习场景中不同难度系数的数据节点学习完成率，j为所述各区块学习场景中各数据节点的时间坐标，yj为所述各区块学习场景中各数据节点的时间坐标为j所对应的数据节点学习进度信息，br为所述各区块学习场景中不同难度系数的数据节点的测试通过率，Q(xi(ar,1))为所述各区块学习场景中已完成的数据节点总数，Q(yj(br,0))为所述各区块学习场景中未通过测试的数据节点总数，P(xi(ar),yj(br))为根据所述各数据节点学习顺序，根据学习进度及测试通过率，获取目标人工智能学习数据之间的映射关系；
步骤A4、通过下面公式(3)，将所述步骤A3获取的目标人工智能学习数据之间的映射关系与云端数据库进行比对，根据比对结果，执行将按照所述跟踪记录的时序进行排列的人工智能学习运行数据存储到相应的云端数据库的操作
在上述公式(3)中，l为所述云端数据库中运行数据的预设排序编号，zl为所述云端数据库中运行数据的预设排序编号为l所对应的运行数据信息，u为所述云端数据库中运行数据的数据学习权限等级，ou为所述云端数据库中运行数据的数据学习权限等级为u所对应的各课程进度信息，D(zl,ou)为所述云端数据库预设运行数据及对应的数据学习权限等级信息，C(k)为将根据跟踪记录的时序进行排列的人工智能学习运行数据与云端数据库进行比对，若C(k)不为1，表示人工智能学习运行数据存在变动，执行将按照所述跟踪记录的时序进行排列的人工智能学习运行数据存储到相应的云端数据库的操作。
7.用于人工智能学习模式的数据存储方法，其特征在于，所述用于人工智能学习模式的数据存储方法包括如下步骤：
步骤S1，对人工智能学习场景运行状态进行跟踪记录，以获得相应的人工智能学习运行数据；
步骤S2，根据当前人工智能学习模式对应的学习需求内容，对所述人工智能学习运行数据进行筛选；
步骤S3，将所述筛选得到的人工智能学习运行数据按照所述跟踪记录的时序进行排列，并存储到相应的云端数据库；
步骤S4，对所述云端数据库中的人工智能学习运行数据进行更新。
8.如权利要求7所述的用于人工智能学习模式的数据存储系统，其特征在于：
在所述步骤S1中，对人工智能学习场景运行状态进行跟踪记录，以获得相应的人工智能学习运行数据具体包括，
步骤S101，根据所述人工智能学习的知识学习图谱层次，对所述人工智能学习场景进行关于若干学习场景区块的划分；
步骤S102，对所述划分得到的每一个学习场景区块，进行关于人工智能学习内容和/或人工智能学习进度的跟踪记录，以此获得相应得到人工智能学习内容数据集合和/或人工智能学习进度数据集合；
步骤S103，对所述人工智能学习内容数据集合和/或所述人工智能学习进度数据集合进行坏点数据剔除处理，以此得到所述人工智能学习运行数据；
或者，
在所述步骤S2中，根据当前人工智能学习模式对应的学习需求内容，对所述人工智能学习运行数据进行筛选具体包括，
步骤S201，获取当前人工智能学习模式在学习文理科目内容和/或学习内容难度级别上的需求信息，并根据所述需求信息生成相应的学习需求吻合度评判标准；
步骤S202，根据所述学习需求吻合度评判标准，对所述人工智能学习运行数据进行定向筛选处理，以此获得匹配于当前人工智能学习模式关于学习文理科目内容和/或学习内容难度级别需求的目标人工智能学习运行数据。
9.如权利要求7所述的用于人工智能学习模式的数据存储系统，其特征在于：
在所述步骤S3中，将所述筛选得到的人工智能学习运行数据按照所述跟踪记录的时序进行排列，并存储到相应的云端数据库具体包括，
步骤S301，获取对人工智能学习场景运行状态进行跟踪记录的完整记录时序序列信息；
步骤S302，构建关于所述完整记录时序序列信息与所述筛选得到的目标人工智能学习数据之间的映射关系；
步骤S303，根据所述映射关系，对所述目标人工智能学习数据按照跟踪记录的先后时序顺序进行排列，并将排列后的所述目标人工智能学习数据存储到所述云端数据库。
10.如权利要求7所述的用于人工智能学习模式的数据存储系统，其特征在于：
在所述步骤S4中，对所述云端数据库中的人工智能学习运行数据进行更新具体包括，
步骤S401，获取所述云端数据库中最早存储的人工智能学习运行数据对应的数据获取时刻；
步骤S402，判断所述数据获取时间与当前时刻之间的时间差是否超出预定时间差阈值，若是，则再一次执行所述步骤S1-S3，以实现对所述云端数据库的数据更新，若否，则维持所述云端数据当前的数据存储状态不变。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010460520.6A CN111611406B (zh) | 2020-05-27 | 2020-05-27 | 用于人工智能学习模式的数据存储系统与方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010460520.6A CN111611406B (zh) | 2020-05-27 | 2020-05-27 | 用于人工智能学习模式的数据存储系统与方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111611406A true CN111611406A (zh) | 2020-09-01 |
| CN111611406B CN111611406B (zh) | 2021-11-26 |
Family
ID=72201371
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010460520.6A Active CN111611406B (zh) | 2020-05-27 | 2020-05-27 | 用于人工智能学习模式的数据存储系统与方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111611406B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106205248A (zh) * | 2016-08-31 | 2016-12-07 | 北京师范大学 | 一种表征学习者在特定领域知识学习掌握状态的在线学习认知地图生成系统及方法 |
| CN109118860A (zh) * | 2018-09-19 | 2019-01-01 | 江苏金惠甫山软件科技有限公司 | 基于人工智能的英语培训系统及方法 |
| CN109903205A (zh) * | 2019-03-27 | 2019-06-18 | 嘉应学院 | 一种公开课智能推荐方法以及管理系统 |
| CN110059130A (zh) * | 2019-05-13 | 2019-07-26 | 上海乂学教育科技有限公司 | 人工智能k12教育学习内容管理系统 |
| US20200098282A1 (en) * | 2017-06-08 | 2020-03-26 | Shenzhen Eaglesoul Technology Co., Ltd. | Internet-based recorded course learning following system and method |
-
2020
- 2020-05-27 CN CN202010460520.6A patent/CN111611406B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106205248A (zh) * | 2016-08-31 | 2016-12-07 | 北京师范大学 | 一种表征学习者在特定领域知识学习掌握状态的在线学习认知地图生成系统及方法 |
| US20200098282A1 (en) * | 2017-06-08 | 2020-03-26 | Shenzhen Eaglesoul Technology Co., Ltd. | Internet-based recorded course learning following system and method |
| CN109118860A (zh) * | 2018-09-19 | 2019-01-01 | 江苏金惠甫山软件科技有限公司 | 基于人工智能的英语培训系统及方法 |
| CN109903205A (zh) * | 2019-03-27 | 2019-06-18 | 嘉应学院 | 一种公开课智能推荐方法以及管理系统 |
| CN110059130A (zh) * | 2019-05-13 | 2019-07-26 | 上海乂学教育科技有限公司 | 人工智能k12教育学习内容管理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111611406B (zh) | 2021-11-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111950738A (zh) | 机器学习模型优化效果评估方法、装置、终端及存储介质 | |
| CN106919957B (zh) | 处理数据的方法及装置 | |
| CN109218985B (zh) | 一种基于模式相似度的船舶作业行为异常检测方法及系统 | |
| CN111105628A (zh) | 一种停车场画像构建方法和装置 | |
| CN112463859B (zh) | 基于大数据和业务分析的用户数据处理方法及服务器 | |
| CN112613569A (zh) | 图像识别方法、图像分类模型的训练方法及装置 | |
| CN114881343B (zh) | 基于特征选择的电力系统短期负荷预测方法及装置 | |
| CN109242165A (zh) | 一种模型训练及基于模型训练的预测方法及装置 | |
| Guo et al. | Adaln: a vision transformer for multidomain learning and predisaster building information extraction from images | |
| CN117743601B (zh) | 一种自然资源知识图谱补全方法、装置、设备及介质 | |
| CN117710403A (zh) | 目标跟踪检测方法、装置、设备和存储介质 | |
| CN114565803A (zh) | 用于提取难样本的方法、装置及机械设备 | |
| CN114037912A (zh) | 遥感图像的变化检测方法、装置及计算机可读存储介质 | |
| CN111324597B (zh) | 一种主数据管理方法和系统 | |
| CN111611406B (zh) | 用于人工智能学习模式的数据存储系统与方法 | |
| CN113326343A (zh) | 基于多级网格和文件索引的路网数据存储方法及系统 | |
| CN112738725A (zh) | 半封闭区域目标人群的实时识别方法、装置、设备和介质 | |
| CN112819056A (zh) | 群控账号挖掘方法、装置、设备及存储介质 | |
| CN116384844A (zh) | 基于地理信息云平台的决策方法及装置 | |
| CN117009509A (zh) | 数据安全分级方法、装置、设备、存储介质和程序产品 | |
| CN115759742A (zh) | 企业风险评估方法、装置、计算机设备和存储介质 | |
| CN112529315B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
| CN111383032B (zh) | 一种房源信息的真实性检测方法和装置 | |
| CN113515771A (zh) | 数据敏感度判定方法、电子设备及计算机可读存储介质 | |
| CN112651996A (zh) | 目标检测跟踪方法、装置、电子设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: 200237 9 / F and 10 / F, building 2, No. 188, Yizhou Road, Xuhui District, Shanghai Applicant after: Shanghai squirrel classroom Artificial Intelligence Technology Co.,Ltd. Address before: 200237 9 / F and 10 / F, building 2, No. 188, Yizhou Road, Xuhui District, Shanghai Applicant before: SHANGHAI YIXUE EDUCATION TECHNOLOGY Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address |
Address after: 200233 9 / F, 10 / F, building 2, 188 Yizhou Road, Xuhui District, Shanghai Patentee after: SHANGHAI YIXUE EDUCATION TECHNOLOGY Co.,Ltd. Address before: 9 / F and 10 / F, building 2, No. 188, Yizhou Road, Xuhui District, Shanghai, 200237 Patentee before: Shanghai squirrel classroom Artificial Intelligence Technology Co.,Ltd. |
|
| CP03 | Change of name, title or address |