CN111667248A - 基于大数据分析的个性化教育管理系统、方法、介质 - Google Patents

Abstract

基于大数据分析的个性化教育管理系统、方法、介质。本发明提供一种应用于教育管理，即教师和学者的交互，该方法包括以下步骤：步骤S101：预先在云平台建立包括多种学者特征的画像数据库，以及包括多个教学策略的策略数据库，教学策略和学者特征对应设有映射关系；步骤S102：通过教师端获取学者在预设时间段内的历史学习特征并将历史学习特征量化；步骤S103：根据历史学习特征进行聚类，确定画像数据库中对应的学者特征；步骤S104：通过学者特征，确定对应映射该学者特征的教学策略；步骤S105：爬取和学者特征对应的多个相似词；步骤S106：通过相似词进行自重建，形成学者标签；步骤S107：将学者标签和教学策略通过学生端对学者进行推荐。

Description

基于大数据分析的个性化教育管理系统、方法、介质

技术领域

本发明涉及教育系统领域，具体是一种基于大数据分析的教育管理系统、方法、及其可读存储介质。

背景技术

伴随着网络技术日新月异的发展，数据正在数以万计的累积发展，大数据时代已经到来。数据挖掘与推荐系统的应用逐渐向教育领域发展，因此基于远程网络的个性化学习及教育平台应运而生。如今在个性化学习领域研究中面临的一个重要问题是：如何解决传统教学过程对时间和空间地域依赖的限制，从而去建立一个个性化、自主化的学习环境，学习者(简称学者)能够通过个性化学习系统为其推荐具有针对性的知识教育服务。同时这种个性化的学习推荐模式还应当符合现代教育以人为本的理念，因此应当根据学习者的不同需求为其提供相应的学习内容和个性化的学习策略。

现有的教育系统中，由于学生的素质不一，学习的进度也各有不同，对于教师来说，管理学生的日常学习习惯，通过历史学习的反馈因材施教是繁重的工作，特别针对机构的老师，由于学生上课周期短，老师还未熟识学生就要换班，因此要针对个人情况对教学策略进行改进是很难实现的一件事。而对于学生来说，收到的教学策略往往不适应自己的进度，导致效率不高。因此，现有的教育系统急需改进。

发明内容

为解决上述技术问题，本发明的目的是提供一种基于大数据分析的教育管理的方法、系统以及存储介质。

为了实现上述目的，本申请的第一方面，提供了一种基于大数据分析的个性化教育管理的方法；应用于教育管理，即教师和学者的交互，其特征在于，方法包括以下步骤：步骤S101：预先在云平台建立包括多种学者特征的画像数据库，以及包括多个教学策略的策略数据库，教学策略和学者特征对应设有映射关系；步骤S102：通过教师端获取学者在预设时间段内的历史学习特征并将历史学习特征量化；步骤S103：根据历史学习特征进行聚类，确定画像数据库中对应的学者特征；步骤S104：通过学者特征，确定对应映射该学者特征的教学策略；步骤S105：爬取和学者特征对应的多个相似词；步骤S106：通过相似词进行自重建，形成学者标签；步骤S107：将学者标签和教学策略通过学生端对学者进行推荐。

在本发明实施例中，根据历史学习特征进行聚类，确定画像数据库对应的学者特征包括以下步骤：步骤S1031：计算历史学习特征和画像数据库的相关度，以获得特征序列；步骤S1032：对特征序列进行特征聚类，以获得特征簇；步骤S1033：在特征簇中代表性选择与历史学习特征对应的学者特征。

在本发明实施例中，相关度的计算方法为皮尔森相关系数、余弦相似度算法、使用词向量求平均、或者加权求平均计算相似度、基于文库的词语相关度的任一种。

在本发明实施例中，通过学者特征，确定对应映射该学者特征的教学策略包括以下步骤：步骤S1041：将学者特征作为键值输入；步骤S1042：根据预设的映射关系输出对应学者特征的教学策略；其中，教学策略对应映射多个学者特征，学者特征包括学者性别、昵称、头像、年龄段、年级、学科成绩、学习效率的至少一种；历史学习特征包括历史学习成绩、学习时长、学习科目、日常行为表现、学习习惯、当前排名、籍贯、学习时间段的任一种或者多种的组合。

在本发明实施例中，爬取和学者特征对应的多个相似词包括以下步骤：步骤S1051：将学者特征作为关键词输入至预设浏览器中，得到浏览器搜索后的html结果；步骤S1052：定义头文件，编码关键词，以爬取html结果中的相似词；步骤S1053：从新的文件中读取相似词并进行解析；步骤S1054：通过cnki助手，补充相似词。

在本发明实施例中，通过相似词进行自重建，形成学者标签包括以下步骤：步骤S1061：结合transformer模型和自注意力机制建立神经网络结构；步骤S1062：将相似词作为神经网络结构的输入样本，将transformer模型作为参数进行训练并优化后得到目标函数；步骤S1063：通过重复步骤S1061以及步骤S1062更新目标函数，直至达到设定的优化条件从而获取预训练模型；步骤S1064：通过预训练模型对相似词进行重组，以获得学者标签。

在本发明实施例中，结合transformer模型和自注意力机制建立神经网络结构包括以下步骤：步骤S10611：配置神经网络结构的层数以及每层位置点数；步骤S10612：设定神经网络结构的第一层的每一个位置点只关注与自身不相邻的位置点的信息；步骤S10613：从第一层开始，设定每层的位置点均与上一层中自身位置以及相邻的至少两个位置点相互连接并关注；及步骤S10614：配置神经网络结构的最后一层为Softmax层。

在本发明实施例中，通过相似词进行自重建，形成学者标签进一步包括以下步骤：步骤S1065：获取任务文本对预训练模型进行任务微调

在本发明的第二方面，还提供一种基于混合移动应用程序升级的系统，被配置成执行上述的基于大数据分析的教育管理的方法。

在本发明的第三发明，还提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于在被处理器执行时使得处理器能够执行根据上述的基于大数据分析的教育管理的方法。

通过上述技术方案，其主要通过该方法建立学者端、教师端，从而在应用程序上实现老师和学者的互动，通过预先在云平台建立包括多种学者特征的画像数据库，以及包括多个教学策略的策略数据库，教学策略和学者特征对应设有映射关系，老师在应用程序上可以记录每个学生的情况，即历史学习特征，进而该方法通过历史学习特征进行聚类，确定画像数据库中对应的学者特征，针对学者特征因材施教，下发对应的教学策略；并将该学者特征进性相似词查询，将该类词汇作为学者标签，进一步将学者标签和对应该学者的教学策略下发给学者。通过该方式，可以减少老师的工作量，同时由于教学策略是针对学生个人情况制定的个性化材料，可以提高学生的学习效率。对应开发商来说，可以极大提高用户的满意程度。

本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：

图1是发明实施例一中提供的基于大数据分析的个性化管理方法的流程图；

图2是发明实施例一中提供的基于大数据分析的个性化管理方法中步骤S103中的流程图；

图3是发明实施例一中提供的基于大数据分析的个性化管理方法中步骤S104中的流程图；

图4是发明实施例一中提供的基于大数据分析的个性化管理方法中步骤S105中的流程图；

图5是发明实施例一中提供的基于大数据分析的个性化管理方法中步骤S106中的流程图；

图6是发明实施例一中提供的基于大数据分析的个性化管理方法中步骤S1061中的流程图；

图7是发明实施例二中提供的基于大数据分析的个性化管理方法的电子设备的模块图；以及

图8是发明实施例二中提供的基于大数据分析的个性化管理系统800的模块图。

附图标记说明：

60、电子设备；601、存储器；602、处理器；800、个性化管理系统；801、中央处理单元(CPU)；802、存储器(ROM)；803、RAM；804、总线；805、I/0接口；806、输入部分；807、输出部分；808、存储部分；809、通信部分；810、驱动器；811、可拆卸介质。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。

请参阅图1，图1是发明实施例一中提供的基于大数据分析的个性化管理方法的流程图。该方法主要应用于教育管理，即教师和学者的交互中，用于给每个学者制定个性化的方案。进一步地，该个性化教育管理方法主要以计算机程序通过应用程序实施，因此，该方法首先通过建立云平台、教师端、以及学生端，为方便理解，学生端和教师端可以统称为用户端。教师和学生可以分别通过教师端和学生端进行沟通交流，该个性化管理方法包括以下步骤：

步骤S101：预先在云平台建立包括多种学者特征的画像数据库，以及包括多个教学策略的策略数据库，教学策略和学者特征对应设有映射关系；

步骤S102：通过教师端获取学者在预设时间段内的历史学习特征并将历史学习特征量化；

步骤S103：根据历史学习特征进行聚类，确定画像数据库中对应的学者特征；

步骤S104：通过学者特征，确定对应映射该学者特征的教学策略；

步骤S105：爬取和学者特征对应的多个相似词；

步骤S106：通过相似词进行自重建，形成学者标签；

步骤S107：将学者标签和教学策略通过学生端对学者进行推荐。

具体地，本申请实施例中云平台代指计算和数据存储处理兼顾的综合云计算平台，本行业领域人员很容易理解，采用云平台的方式在多设备管理领域的优势在于稳定性相对较好，同时兼顾高速、更容易的协作与多设备管理的特点。

其中，本申请实施例中的术语“学者特征”为制定的用户信息以及学习信息，可以设置为基本特征和学习特征，基本特征可以是学者性别、昵称、头像、年龄段等，而学习特征可以是学习年级、学科成绩、学习效率、学习习惯的至少一种，由于本申请实施例所提供的个性化管理方法主要通过计算机程序予以实现，即其应用载体主要为APP端、PC端，因此，画像数据库的学者特征中，基础特征可以通过可通过用户的电子设备获取，或者通过电子设备上的软件获取，可以理解，利用电子设备获取用户特征可以是通过蓝牙申请访问用户端的通讯录、地图、GPS定位系统。从而获取用户的基本特征，或者通过软件的方式获取：如自身开发用于移动工具的软件系统内的数据通常包括用户的一些注册信息，示例性的如：安装该软件的时候，可以向用户询问是否允许读取位置信息，是否允许读取安装列表；如果系统内没有，可以对用户进行问答访问中获取信息，示例性的如：在用户选定好设备终端后，可以申请访问用户填写个人的信息，或者通过外部源获取用户的相关信息，比如在该软件授权访问的软件上获取。而学习特征主要为手动输入，根据用户的个人情况进行输入，从而获取用户的学习特征。本行业领域人员应当理解的是，在开发软件上可以设定引导性的弹窗，从而获取用户的学者特征。

进一步地，本申请实施例中的“教学策略”为针对用户的个人情况所设定的教学计划，可以是学习内容和学习方法，其教学策略的形式不予限定，可以是语音、视频、文本的文件包，其中，对于教学策略和学者特征对应设有映射关系，该映射关系可以采用特征映射，也可以将学者特征作为键值输入，将教学策略作为输出，从而建立映射关系。如：当输入学者特征为性别：男、年级：五年级、成绩：40％、学习习惯：贪玩、易分神、注意力不集中，学习效率：中等，则针对该输入的学者特征，对其下发五年级的中等难度的教学策略，并配合趣味视频和游戏的学习文件包，以针对该学者的学习习惯个性化进行推荐。

其中，历史学习特征为教师通过教师端进行记录的信息，即教师在日常教学过程中，对其学生的记录，开发者可以设置多个虚拟选项，并对虚拟选项进行分数模拟，虚拟选项可以如“上课积极程度、作业完成情况、回答问题情况”等，教师可以通过教师端在虚拟选项中选择对应学生每天的情况，并对其进行打分，如上课积极程度80，作业完成情况70，回答问题情况75，从而记录在教学过程中，学生对应的历史学习特征。

进一步地，如某一学生的历史学习特征中，对某一时间跨度内的上课积极程度进行加权后平均为70分，而通过预设上课积极程度阀值为60～75时，可以制定该学生的学者特征为：不积极学习；当上课积极程度阀值为75～85时，对应的学者特征为：积极学习；当上课积极程度阀值为85～100时，对应的学者特征为：主动学习；从而实现通过历史学历特征量化，并通过历史学习特征确定学者特征。

在本申请实施例中，作为一个可改进的方面，在于当教师端所输入的历史学习特征并非标准的虚拟选项时，从简而言，即应用程序开发商并未考虑到的方面而并未针对该方面开发虚拟选项，如学生的心情因素，此时教师可通过文本形式记录该类历史学习特征，通过相关度的方式，获得学者特征。请参阅图2，图2是发明实施例一中提供的基于大数据分析的个性化管理方法中步骤S103中的流程图，其中步骤S103根据历史学习特征进行聚类，确定画像数据库对应的学者特征包括以下步骤：

步骤S1031：计算历史学习特征和画像数据库的相关度，以获得特征序列；

步骤S1032：对特征序列进行特征聚类，以获得特征簇；

步骤S1033：在特征簇中代表性选择与历史学习特征对应的学者特征。

可以理解，相关度的计算方法为皮尔森相关系数模型、余弦相似度算法模型、使用词向量求平均模型、或者加权求平均计算相似度模型、基于文库的词语相关度的任一种，进一步建立历史学习特征和画像数据库的相关度模型，即学生的计算历史学习特征和学者特征的相关度，以获得该学生的学者特征。本领域人员应当理解，步骤S1031至步骤S1033中属于本领域人员常见算法，如特征聚类(特征聚类：Feature cluslering)，特征子集选择(特征子集选择：Feature subset selection)(整体简称FSGC算法)，因此本发明不在该处过多阐述。

请参阅图3，图3是发明实施例一中提供的基于大数据分析的个性化管理方法中步骤S104中的流程图。其中步骤S104中通过学者特征，确定对应映射该学者特征的教学策略包括以下步骤：

步骤S1041：将学者特征作为键值输入；

步骤S1042：根据预设的映射关系输出对应学者特征的教学策略；

其中，教学策略对应映射多个学者特征，学者特征包括学者性别、昵称、头像、年龄段、年级、学科成绩、学习效率的至少一种；历史学习特征包括历史学习成绩、学习时长、学习科目、日常行为表现、学习习惯、当前排名、籍贯、学习时间段的任一种或者多种的组合。

可以理解，通过建立映射关系，可以从学者特征对应教学策略，从而根据学者特征，对应生成对应的教学策略，本实施例仅指出实现该方式的其中一种方法，并不对该方法做出任何限定。

请参阅图4，图4是发明实施例一中提供的基于大数据分析的个性化管理方法中步骤S105中的流程图。爬取和学者特征对应的多个相似词包括以下步骤：

步骤S1051：将学者特征作为关键词输入至预设浏览器中，得到浏览器搜索后的html结果；

步骤S1052：定义头文件，编码关键词，以爬取html结果中的相似词；

步骤S1053：从新的文件中读取相似词并进行解析；

步骤S1054：通过cnki助手，补充相似词。

可以理解，还也可以通过NLP(Natural Language Processing：自然语言处理)获取相似词，即爬取浏览器所搜索的内容，具体而言，浏览器可以是百度，搜狐等常见浏览器，采用百度搜索或者搜狐搜索作为接口，采用爬虫框架对学者特征进行相似词爬取，可以采用爬虫库，如urlib模块等，从而获取学者特征的相似词，如当对应学者特征的关键词为“积极”时，通过相关词爬取可得到“进取、热心、阳光、坚持、正能量”等一系列相似词，通过该方式的意义在于：对于开发商来说，应用程序所使用的为教师和学者之间的交互，而对于后者来说，肯定不希望自己的特征和标签都是千篇一律的，比如说“聪明”，而对于前者来说，要想对每一位学者都进行记录并采用不同的词汇进行描述，工作量较为繁重且很难取得相应的效果，因此，通过上述方式可以直接获取学者特征的相似词，对于学者端来说增加新鲜感和被重视程度，对于教师端来说减少了工作量，而对于开发商来说，增加了用户端的满意程度。

请参阅图5，图5是发明实施例一中提供的基于大数据分析的个性化管理方法中步骤S106中的流程图。其中步骤S106中通过相似词进行自重建，形成学者标签包括以下步骤：

步骤S1061：结合transformer模型和自注意力机制建立神经网络结构；

步骤S1062：将相似词作为神经网络结构的输入样本，将transformer模型作为参数进行训练并优化后得到目标函数；

步骤S1063：通过重复步骤S1061以及步骤S1062更新目标函数，直至达到设定的优化条件从而获取预训练模型；

步骤S1064：通过预训练模型对相似词进行重组，以获得学者标签；

步骤S1065：获取任务文本对预训练模型进行任务微调。

在本申请实施例中，步骤S1065中的术语“预训练文本”的获得从维基百科、新闻语料、医疗问答语料和财报数据等选取获得，可以通过全连接层或者CRF网络优化目标函数实现对优化后的预训练模型的优化。其中步骤S1061中的“transformer”模型可用多层感应机网络、卷积网络进行替代。

请参阅图6，图6是发明实施例一中提供的基于大数据分析的个性化管理方法中步骤S1061中的流程图。结合transformer模型和自注意力机制建立神经网络结构包括以下步骤：

步骤S10611：配置神经网络结构的层数以及每层位置点数；

步骤S10612：设定神经网络结构的第一层的每一个位置点只关注与自身不相邻的位置点的信息；

步骤S10613：从第一层开始，设定每层的位置点均与上一层中自身位置以及相邻的至少两个位置点相互连接并关注；及

步骤S10614：配置神经网络结构的最后一层为Softmax层。

综上，该方法主要通过该方法建立学者端、教师端，从而在应用程序上实现老师和学者的互动，通过预先在云平台建立包括多种学者特征的画像数据库，以及包括多个教学策略的策略数据库，教学策略和学者特征对应设有映射关系，老师在应用程序上可以记录每个学生的情况，即历史学习特征，进而该方法通过历史学习特征进行聚类，确定画像数据库中对应的学者特征，针对学者特征因材施教，下发对应的教学策略，并将该学者特征进性相似词查询，将该类词汇作为学者标签，进一步将学者标签和对应该学者的教学策略下发给学者，通过该方式，减少老师的工作量，同时由于教学策略是针对学生个人情况制定的个性化材料，可以提高学生的学习效率。对应开发商来说，可以极大提高用户的满意程度。

本发明实施例中，还提供一种基于混合移动应用程序升级的系统，该系统可以被配置成执行上述实施例描述的基于大数据分析的教育管理系统。

请参阅图7，图7是发明实施例二中提供的基于大数据分析的个性化管理方法的电子设备的模块图。本发明的第二实施例提供一种电子设备60，包括存储器601和处理器602，存储器601中存储有计算机程序，计算机程序被设置为运行时执行如第一实施例的自重建方式的语言模型训练方法；

处理器602被设置为通过计算机程序执行如第一实施例的自重建方式的语言模型训练方法。

下面参考图8，图8是发明实施例二中提供的基于大数据分析的个性化管理系统800的模块图。其示出了适于用来实现本申请实施例的终端设备/服务器的计算机系统800的结构示意图。图8示出的终端设备/服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图8所示，计算机系统800包括中央处理单元(CPU)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有系统800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/0)接口805也连接至总线804。

以下部件连接至I/0接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/0接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。

根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是-但不限于-电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言-诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言-诸如语言或类似的程序设计语言。程序代码可以完全地在管理端计算机上执行、部分地在管理端计算机上执行、作为一个独立的软件包执行、部分在管理端计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)域连接到管理端计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员也应当理解，如果将本发明方法或者系统、经过简单变化、在其上述方法增添简单的功能进行组合、或者在其系统上进行替换，如各组件进行型号材料上的替换、使用环境进行替换、各组件位置关系进行简单替换等；或者将其所构成的产品一体设置；或者可拆卸设计；凡组合后的组件可以组成具有特定功能的方法/设备/系统，用这样的方法/设备/系统替代本发明的方法和系统均同样落在本发明的保护范围内。

系统还包括存储器以及处理器，上述基于大数据分析的教育管理系统可作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来针对应用程序进行多样化的升级。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本发明实施例提供了一种机器可读存储介质，其上存储有程序，该程序被处理器执行时实现基于大数据分析的教育管理系统。

本发明实施例提供了一种处理器，处理器用于运行程序，其中，程序运行时执行基于大数据分析的教育管理系统。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品，该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。

Claims (10)

1.一种基于大数据分析的个性化教育管理的方法，应用于教师和学习者的交互，其特征在于，所述方法包括以下步骤：

步骤S101：预先在云平台建立包括多种学习者特征的画像数据库，以及包括多个教学策略的策略数据库，所述教学策略和所述学习者特征对应设有映射关系；

步骤S102：通过教师端获取学习者在预设时间段内的历史学习特征并将所述历史学习特征量化；

步骤S103：根据所述历史学习特征进行聚类，确定所述画像数据库中对应的学习者特征；

步骤S104：通过所述学习者特征，确定对应映射该学习者特征的教学策略；

步骤S105：爬取和所述学习者特征对应的多个相似词；

步骤S106：通过所述相似词进行自重建，形成学习者标签；

步骤S107：将所述学习者标签和所述教学策略通过学生端对学习者进行推荐。

2.如权利要求1所述的个性化教育管理方法，其特征在于，所述根据所述历史学习特征进行聚类，确定所述画像数据库对应的学习者特征包括以下步骤：

步骤S1031：计算所述历史学习特征和画像数据库的相关度，以获得特征序列；

步骤S1032：对特征序列进行特征聚类，以获得特征簇；

步骤S1033：在所述特征簇中代表性选择与所述历史学习特征对应的学习者特征。

3.如权利要求2所述的个性化教育管理方法，其特征在于，所述相关度的计算方法为皮尔森相关系数、余弦相似度算法、使用词向量求平均、或者加权求平均计算相似度、基于文库的词语相关度的任一种。

4.如权利要求1所述的个性化教育管理方法，其特征在于，所述通过所述学习者特征，确定对应映射该学习者特征的教学策略包括以下步骤：

步骤S1041：将所述学习者特征作为键值输入；

步骤S1042：根据预设的映射关系输出对应所述学习者特征的教学策略；

其中，所述教学策略对应映射多个学习者特征，所述学习者特征包括学习者性别、昵称、头像、年龄段、年级、学科成绩、学习效率的至少一种；所述历史学习特征包括历史学习成绩、学习时长、学习科目、日常行为表现、学习习惯、当前排名、籍贯、学习时间段的任一种或者多种的组合。

5.如权利要求1所述的个性化教育管理方法，其特征在于，所述爬取和所述学习者特征对应的多个相似词包括以下步骤：

步骤S1051：将所述学习者特征作为关键词输入至预设浏览器中，得到浏览器搜索后的html结果；

步骤S1052：定义头文件，编码所述关键词，以爬取html结果中的相似词；

步骤S1053：从新的文件中读取所述相似词并进行解析；

步骤S1054：通过cnki助手，补充所述相似词。

6.如权利要求3所述的个性化教育管理方法，其特征在于，所述通过所述相似词进行自重建，形成学习者标签包括以下步骤：

步骤S1061：结合transformer模型和自注意力机制建立神经网络结构；

步骤S1062：将所述相似词作为神经网络结构的输入样本，将transformer模型作为参数进行训练并优化后得到目标函数；

步骤S1063：通过重复步骤S1061以及步骤S1062更新目标函数，直至达到设定的优化条件从而获取预训练模型；

步骤S1064：通过预训练模型对相似词进行重组，以获得学习者标签。

7.如权利要求6所述的个性化教育管理方法，其特征在于，所述结合transformer模型和自注意力机制建立神经网络结构包括以下步骤：

步骤S10611：配置神经网络结构的层数以及每层位置点数；

步骤S10612：设定神经网络结构的第一层的每一个位置点只关注与自身不相邻的位置点的信息；

步骤S10613：从第一层开始，设定每层的位置点均与上一层中自身位置以及相邻的至少两个位置点相互连接并关注；及

步骤S10614：配置神经网络结构的最后一层为Softmax层。

8.如权利要求1至7中任意一项权利要求所述的方法，其特征在于，所述通过所述相似词进行自重建，形成学习者标签进一步包括以下步骤：

步骤S1065：获取任务文本对预训练模型进行任务微调。

9.一种基于混合移动应用程序升级的系统，其特征在于，被配置成执行根据权利要求1至8中任意一项权利要求所述的基于大数据分析的个性化教育管理的方法。

10.一种机器可读存储介质，其特征在于，该机器可读存储介质上存储有指令，该指令用于在被处理器执行时使得所述处理器能够执行根据权利要求1至8中任意一项权利要求所述的基于大数据分析的教育管理的方法。

Images