CN111858920A - 用户群的匹配方法及装置、终端设备、存储介质 - Google Patents
用户群的匹配方法及装置、终端设备、存储介质 Download PDFInfo
- Publication number
- CN111858920A CN111858920A CN201910364385.2A CN201910364385A CN111858920A CN 111858920 A CN111858920 A CN 111858920A CN 201910364385 A CN201910364385 A CN 201910364385A CN 111858920 A CN111858920 A CN 111858920A
- Authority
- CN
- China
- Prior art keywords
- user
- learning
- user group
- matching
- information
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 15
- 239000000284 extract Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 2
- 238000011002 quantification Methods 0.000 description 12
- 239000012925 reference material Substances 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000012552 review Methods 0.000 description 9
- 230000003203 everyday effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 3
- 238000007596 consolidation process Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010009 beating Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003287 optical effect Effects 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
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开了一种用户群的匹配方法及装置、终端设备、存储介质,涉及教育领域,该用户群的匹配方法包括以下步骤:收集用户在学习过程中的个性化信息;从收集的所述个性化信息中,获取所述用户的至少一个学习特征;根据获取的各所述学习特征,从用户群特征图谱中匹配出所述用户对应的用户群。本发明根据收集的个性化信息,从多个角度提取出此用户一定量的学习特征,实现与用户群特征图谱中各用户群的精确匹配,为后续根据用户群给用户量身推荐更精准的教学服务打下基础,给用户带来更多学习上的帮助,提高其使用体验。
Description
技术领域
本发明涉及教育领域,尤其涉及一种用户群的匹配方法及装置、终端设备、存储介质。
背景技术
在学习时,不同类型的学生基于自己的兴趣、学习习惯、学习能力等不同的因素而侧重于不同难度的题目,例如:学生能力很强、且又热爱挑战高难度的学神学生喜欢频繁地刷高难度的题目、超前学习下一阶段的内容等;而学习能力较强、稳扎稳打型的学霸学生喜欢整理错题本、复习已经学过的知识来巩固知识点;而学习能力较差的学渣学生可能连最基础的题目都会大量出错。
现有辅助学习用的终端设备有的可以为学生定制复习计划,但是因其无法准确定位当前使用的用户所属的类别(即用户群),这些复习计划一般是根据学生的薄弱知识点定制,只能实现薄弱知识点的巩固,无法给予更多的提升帮助。
发明内容
本发明的目的是提供一种用户群的匹配方法及装置、终端设备、存储介质,根据用户的个性化信息,确定其对应的用户群,后续推荐复习计划时能够更有针对性。
本发明提供的技术方案如下:
一种用户群的匹配方法,包括以下步骤:收集用户在学习过程中的个性化信息;从收集的所述个性化信息中,获取所述用户的至少一个学习特征;根据获取的各所述学习特征,从用户群特征图谱中匹配出所述用户对应的用户群。
在上述技术方案中,通过用户的个性化信息定位用户所属的用户群,为后续根据用户群给用户量身推荐更精准的教学服务打下基础,给用户带来更多学习上的帮助。
进一步,所述个性化信息包括:提问信息、学习视频、个人信息和参考资料信息;所述的从收集的所述个性化信息中,获取所述用户的至少一个学习特征包括以下步骤:根据所述个人信息,确定所述用户的年级;根据所述提问信息、学习视频和参考资料信息,确定所述用户的学习内容;根据所述用户的年级和所述学习内容,获取所述用户的至少一个学习特征。
在上述技术方案中,从用户的年级和学习内容以多角度方式提取学习特征,为后续匹配打下基础。
进一步,所述根据所述用户的年级和所述学习内容,获取所述用户的至少一个学习特征包括以下步骤:根据所述学习内容,定位所述学习内容对应的年级;根据所述用户的年级和所述学习内容对应的年级,获取所述用户的学习特征。
进一步,所述根据所述用户的年级和所述学习内容,获取所述用户的至少一个学习特征包括以下步骤:根据所述学习内容,提取出所述用户处理相同题目的次数;根据所述次数,获取所述用户的学习特征。
在上述技术方案中,根据收集的个性化信息,从多个角度提取出此用户一定量的学习特征,为后续与用户群特征图谱中的用户群进行精确匹配打下基础。
进一步,所述的根据获取的各所述学习特征,从用户群特征图谱中匹配出所述用户对应的用户群包括以下步骤:将获取的各所述学习特征与用户群特征图谱中各用户群的核心特征进行匹配,当一用户群的核心特征被完全匹配上时,被完全匹配上的用户群为所述用户对应的用户群。
进一步,所述的根据获取的各所述学习特征,从用户群特征图谱中匹配出所述用户对应的用户群包括以下步骤:将获取的各所述学习特征与用户群特征图谱中各用户群的特征进行匹配,当获取的各所述学习特征与一用户群的特征匹配度大于预设值时,匹配度大于预设值的用户群为所述用户对应的用户群。
在上述技术方案中,多种匹配方式,适应于不同应用场合的需求,应用场景更广泛。
本发明还提供一种用户群的匹配装置,包括:收集模块,用于收集用户在学习过程中的个性化信息;获取模块,用于从收集的所述个性化信息中,获取所述用户的至少一个学习特征;匹配模块,用于根据获取的各所述学习特征,从用户群特征图谱中匹配出所述用户对应的用户群。
进一步,所述个性化信息包括:提问信息、学习视频、个人信息和参考资料信息;所述获取模块,用于从收集的所述个性化信息中,获取所述用户的至少一个学习特征包括:确定子模块,用于根据所述个人信息,确定所述用户的年级;以及,根据所述提问信息、学习视频和参考资料信息,确定所述用户的学习内容;提取子模块,根据所述用户的年级和所述学习内容,提取所述用户的至少一个学习特征。
本发明还提供一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时实现如上述任一所述的用户群的匹配方法的步骤。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一所述的用户群的匹配方法的步骤。
与现有技术相比,本发明的用户群的匹配方法及装置、终端设备、存储介质有益效果在于:
本发明根据收集用户的个性化信息,可为每位用户量身匹配其对应的用户群,为后续提供精确的教学服务打下基础。
附图说明
下面将以明确易懂的方式,结合附图说明优选实施方式,对一种用户群的匹配方法及装置、终端设备、存储介质的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明用户群的匹配方法一个实施例的流程图;
图2是本发明用户群的匹配方法另一个实施例的流程图;
图3是本发明用户群的匹配装置一个实施例的结构示意图;
图4是本发明用户群的匹配装置另一个实施例的结构示意图;
图5是本发明终端设备一个实施例的结构示意图。
附图标号说明:
3.用户群的匹配装置,31.收集模块,32.获取模块,321.确定子模块,322.提取子模块,33.匹配模块,5.终端设备,51.存储器,52.计算机程序,53.处理器。
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,以便透彻理解本申请实施例。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他实施例中也可以实现本申请。在其他情况中,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申请的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所述描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其他特征、整体、步骤、操作、元素、组件和/或集合的存在或添加。
为使图面简洁,各图中只示意性地表示出了与本发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
具体实现中,本申请实施例中描述的终端设备包括但不限于诸如具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其他便携式设备。还应当理解的是,在某些实施例中,所述终端设备并非便携式通信设备,而是具有触摸敏感表面(例如:触摸屏显示器和/或触摸板)的台式计算机。
在接下来的讨论中,描述了包括显示器和触摸敏感表面的终端设备。然而,应当理解的是,终端设备可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其他物理用户接口设备。
终端设备支持各种应用程序,例如以下中的一个或多个:绘图应用程序、演示应用程序、网络创建应用程序、文字处理应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数码相机应用程序、数字摄像机应用程序、Web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。
可以在终端设备上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的一个或多个功能以及终端上显示的相应信息。这样,终端的公共物理架构(例如,触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。
另外,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
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,下面将对照附图说明本发明的具体实施方式。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,并获得其他的实施方式。
图1示出了本发明的一个用户群的匹配方法的实现流程图,该匹配方法可以应用于终端设备(例如:家教机、学习机,本实施例中为方便理解,都以家教机作为主语解释,但本领域的技术人员均明白该匹配方法也可应用于其他终端设备,只要能实现相应功能即可),匹配方法包括以下步骤:
S101收集用户在学习过程中的个性化信息。
具体的,个性化信息是指用户在使用家教机学习时产生的属于自己学习习惯的信息。个性化信息包括:提问信息、学习视频、个人信息(例如:年龄、年级)和参考资料信息(例如:用户看的参考资料/视频)。
提问信息是指用户在学习过程中向家教机询问的题目,例如:有一道数学题目不会做,询问家教机此道题目怎么做,被询问的这道题目就是一个提问信息。
学习视频是家教机在用户学习过程中拍摄的视频,例如:用户每天晚上做家庭作业时,其都会打开家教机的录像功能,录下学生做题的试卷、题目等,方便其随时向家教机咨询问题,而家教机一直录下来的录像就是学习视频。
个人信息是指用户自己在家教机上填写的信息,例如:自己的年龄、年级等。
参考资料信息是指用户使用家教机看的参考资料,包括但不限于PPT、视频、PDF等格式。
通过各种途径来收集用户的个性化信息,便于后面进行用户群的匹配。为了提高匹配精度,可收集一段时间的个性化信息(保证有足够的数据进行匹配)后再进行匹配,一段时间可根据用户的实际情况决定,例如:一个星期、两个星期、10天等。
S102从收集的个性化信息中,获取用户的至少一个学习特征。
具体的,对收集的个性化信息进行多方面的分析,从中提取出用户的至少一个学习特征。在实际使用时,可以编写各种规则定义各学习特征。
在另一个实施例中的实现方式是,采用现有开源的算法,例如:机器学习算法,使用大量的和收集的个性化信息相同定义的信息及其对应的学习特征进行训练,得到一个训练好的学习特征模型,在收集了用户的个性化信息后,直接输入至此训练好的学习特征模型,提取出来若干个学习特征。
S103根据获取的各学习特征,从用户群特征图谱中匹配出用户对应的用户群。
具体的,用户群特征图谱是根据预先定义好的用户群和学习特征的关联构建的图谱,一个用户群对应有至少一个学习特征,各用户群的定义及其对应的学习特征根据想要达到的分类效果决定。
例如:定义有三种用户群,初级用户群、中级用户群和高级用户群,初级用户群是指学最基本的课本知识都比较艰难的用户,其对应的学习特征有:每天做作业时会提很多问题,量化定义为每天的提问信息的个数超过一定量(例如:10);每天的错题数量比较多,量化定义为从每天的学习视频中提取出的错题数量超过一定量(例如:5);不太看参考资料,即使看也只是看课本上的学习内容,量化定义为参考资料信息为无或为课本内容。中级用户群是指可熟练掌握课本知识的用户,其对应的学习特征有:每天做作业时提问的次数较少,量化定义为每天的提问信息的个数不超过一定量(例如:4);每天的错题数量比较少,量化定义为从每天的学习视频中提取出的错题数量不超过一定量(例如:3);会看课外的参考资料、学习视频等,量化定义为参考资料信息有一定的数量(例如:1-3),内容涉及基础巩固。高级用户群是除了能够熟练掌握课本知识、还能进行深度学习(例如:爱做高难度的题目、自学下一阶段的内容等)的用户,其对应的学习特征有:做的题目难度比较大,量化定义为从个性化信息中提取出的题目与数据库匹配,确定其难度系数大于一定值(例如:1.2,1.5等,根据难度系数的定义决定,此例子中用1表示标准的难度,小于1说明简单,大于1说明有难度,数值越大,难度越高)的数量大于一定值(例如:20),用户做的难题在其做的所有题目中占有的百分比大于一定值(例如:50%)。
根据收集的个性化信息,从多个角度提取出此用户一定量的学习特征,与用户群特征图谱中各用户群进行匹配,从而定位到此用户所属的用户群。
可选地,S103根据获取的各学习特征,从用户群特征图谱中匹配出用户对应的用户群包括但不限于以下三种方式:
第一种,将获取的各学习特征与用户群特征图谱中各用户群对应的特征进行匹配,当一用户群的特征被完全匹配上时,被完全匹配上的用户群为用户对应的用户群。
具体的,这种匹配方式例子为:若用户群A对应有10个(学习)特征,提取出用户的学习特征有20个,这20个中必须要有10个与用户群A对应的10个特征完全匹配,用户群A才可以成为该用户的用户群。
这种匹配方式因多角度地考虑了用户群会有的特征,当用户匹配出其对应的用户群时,符合度比较高。
第二种,将获取的各学习特征与用户群特征图谱中各用户群的核心特征进行匹配,当一用户群的核心特征被完全匹配上时,被完全匹配上的用户群为用户对应的用户群。
具体的,核心特征是指该用户的独有的一些特色特征,可根据不同的定义灵活设置。
例如:中级用户群对应的特征有1)每天的提问信息的个数不超过5个:2)每天的学习视频中提取出的错题数量不超过3个。将特征1)作为中级用户群的核心特征,只要用户提取出来的学习特征匹配到1),此用户即为中级用户群。
再比如,高级用户群对应的特征有1)每天的提问信息的个数不超过3个:2)每天的学习视频中提取出的错题数量不超过2个;3)从个性化信息中提取出的题目与数据库匹配,确定其难度系数大于一定值的数量大于5题;4)用户做的难题(难度系数大于1的题目)在其做的所有题目中占有的百分比大于50%。将特征3)和4)设为高级用户群的核心特征,只要提取出来的学习特征匹配到特征3)和4),此用户即为高级用户群。
核心特征能够较明确地反映用户群的特色,仅匹配核心特征,可快速、有效、精确地定位用户的用户群。
第三种,将获取的各学习特征与用户群特征图谱中各用户群的特征进行匹配,当获取的各学习特征与一用户群的特征匹配度大于预设值(根据实际需求设置,例如:70%,80%等)时,匹配度大于预设值的用户群为用户对应的用户群。
具体的,直接根据匹配度来确定用户所属的用户群,能够保证定位的用户群大概率地符合用户的实际情况。
例如:用户群B有对应的10个特征,从一用户的个性化信息中获取了11个特征,其中8个与用户群B匹配,此用户与用户群B的匹配度为80%,当预设值为75%时,用户群B即为该用户的用户群。
可选地,用户群特征图谱中设置各用户群的优先级,当一用户匹配出来多个用户群时,将优先级高的用户群作为该用户的用户群。
本实施例中,通过用户的个性化信息定位用户所属的用户群,为后续根据用户群给用户量身推荐更精准的教学服务(例如:复习计划)打下基础,给用户带来更多学习上的帮助,提高其使用体验。
基于上述实施例的改进,图2示出了本发明另一个用户群的匹配方法的实现流程图,包括以下步骤:
S201收集用户在学习过程中的个性化信息;个性化信息包括:提问信息、学习视频、个人信息和参考资料信息。
从收集的个性化信息中,获取用户的至少一个学习特征包括以下步骤:S202根据个人信息,确定用户的年级;
S203根据提问信息、学习视频和参考资料信息,确定用户的学习内容;
S204根据用户的年级和学习内容,获取用户的至少一个学习特征。
具体的,个人信息是用户自己填写的信息,若其填写了年级,需要根据其填写这些信息的时间和当前时间,确定其目前真正的年级。例如:用户2018年3月份填写了三年级,现在是2019年4月份,则可推算出其目前是四年级。
若用户没有填写年级,仅写了年龄(一般要求填写的是出生年月),则需要根据其填写的年龄及当前时间确定其对应的年级。
提问信息、学习视频和参考资料信息中都体现了用户实际的学习情况,对其进行数据清理、整理后,提取出有效的数据作为用户的学习内容。学习内容包括:做错的/做正确的题目、参考资料的内容等。
根据学习内容和用户的年级进行综合分析,获取用户的至少一个学习特征。
S204根据用户的年级和学习内容,获取用户的至少一个学习特征包括但不限于以下任意一种或多种方式的组合:
第一种,S214根据学习内容,定位学习内容对应的年级;S224根据用户的年级和学习内容对应的年级,获取用户的学习特征。
具体的,通过学习内容中题目与数据库中各年级的题目进行匹配,可定位出学习内容的年级,同理,通过对参考资料的内容与数据库中各年级的教学内容进行匹配,可定位出学习内容的年级。
根据用户实际的年级和他看的学习内容对应的年级,可以得出用户是否在做进阶学习(即学习比他实际年级高的学习内容)。若用户群特征图谱中高级用户群对应的一个特征为进阶学习,则这个用户就匹配了高级用户群的一个特征。
第二种,S234根据学习内容,提取出用户处理相同题目的次数;S244根据次数,获取用户的学习特征。
具体的,处理的定义比较广泛,做题目、订正、整理错题、复习错题都属于处理的范围。此种方式主要是查看用户是否有复习自己做过的题目的习惯。处理相同题目的次数的定义为:统计各题被处理的次数,求平均。
每个用户群可设置不同的处理相同题目的次数作为一特征,从而与获取的此学习特征进行匹配。
第三种,S254根据学习内容中涉及到的难题数量,获取用户的学习特征。
具体的,从学习内容中提取出来各题目,将其与数据库中的各题目进行匹配,匹配成功后,提取数据库中匹配成功的题目对应的难度系数,将难度系数大于一定值(例如:1.2)的题目作为难题,从而进行难题数量的统计。
每个用户群可设置不同的难题数量作为一特征,从而与获取的此学习特征进行匹配。
本实施例中给予了不同的学习特征的定义,在实际使用时,可根据实际需求和应用场合,灵活地调整学习特征的定义,使用户匹配的用户群更精准。
S205根据获取的各学习特征,从用户群特征图谱中匹配出用户对应的用户群。
可选地,S205根据获取的各学习特征,从用户群特征图谱中匹配出用户对应的用户群包括但不限于以下三种方式:
第一种,将获取的各学习特征与用户群特征图谱中各用户群对应的特征进行匹配,当一用户群的特征被完全匹配上时,被完全匹配上的用户群为用户对应的用户群。
第二种,将获取的各学习特征与用户群特征图谱中各用户群的核心特征进行匹配,当一用户群的核心特征被完全匹配上时,被完全匹配上的用户群为用户对应的用户群。
第三种,将获取的各学习特征与用户群特征图谱中各用户群的特征进行匹配,当获取的各学习特征与一用户群的特征匹配度大于预设值(根据实际需求设置,例如:70%,80%等)时,匹配度大于预设值的用户群为用户对应的用户群。
在本实施例中,根据个人信息从多方面考虑,提取出用户的学习特征进行用户群的匹配,学习特征可根据实际需求进行灵活调整,使用户与用户群的匹配度更高,为后续给用户提供更精准的学习服务打下了基础。
应理解,在上述实施例中,各步骤序号的大小并不意味着执行顺序的先后,各步骤的执行顺序应以功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图3是本申请提供的用户群的匹配装置3的示意图,为了便于说明,仅示出了与本申请实施例相关的部分。
该用户群的匹配装置可以是内置于终端设备(例如:家教机、学习机)内的软件单元、硬件单元或者软硬结合的单元,也可以作为独立的挂件集成到终端设备中。
该用户群的匹配装置包括:
收集模块31,用于收集用户在学习过程中的个性化信息。
具体的,个性化信息是指用户在使用终端设备学习时产生的属于自己学习习惯的信息。个性化信息包括:提问信息、学习视频、个人信息(例如:年龄、年级)和参考资料信息(例如:用户看的参考资料/视频)。
提问信息是指用户在学习过程中向终端设备询问的题目,例如:有一道数学题目不会做,询问终端设备此道题目怎么做,被询问的这道题目就是一个提问信息。
学习视频是终端设备在用户学习过程中拍摄的视频,例如:用户每天晚上做家庭作业时,其都会打开终端设备的录像功能,录下学生做题的试卷、题目等,方便其随时向终端设备咨询问题,而终端设备一直录下来的录像就是学习视频。
个人信息是指用户自己在终端设备上填写的信息,例如:自己的年龄、年级等。
参考资料信息是指用户使用终端设备看的参考资料,包括但不限于PPT、视频、PDF等格式。
通过各种途径来收集用户的个性化信息,便于后面进行用户群的匹配。为了提高匹配精度,可收集一段时间的个性化信息(保证有足够的数据进行匹配)后再进行匹配,一段时间可根据用户的实际情况决定,例如:一个星期、两个星期、10天等。
获取模块32,用于从收集的个性化信息中,获取用户的至少一个学习特征。
具体的,对收集的个性化信息进行多方面的分析,从中提取出用户的至少一个学习特征。在实际使用时,可以编写各种规则定义各学习特征。
在另一个实施例中的实现方式是,采用现有开源的算法,例如:机器学习算法,使用大量的和收集的个性化信息相同定义的信息及其对应的学习特征进行训练,得到一个训练好的学习特征模型,在收集了用户的个性化信息后,直接输入至此训练好的学习特征模型,提取出来若干个学习特征。
匹配模块33,用于根据获取的各学习特征,从用户群特征图谱中匹配出用户对应的用户群。
具体的,用户群特征图谱是根据预先定义好的用户群和学习特征的关联构建的图谱,一个用户群对应有至少一个学习特征,各用户群的定义及其对应的学习特征根据想要达到的分类效果决定。
例如:定义有三种用户群,初级用户群、中级用户群和高级用户群,初级用户群是指学最基本的课本知识都比较艰难的用户,其对应的学习特征有:每天做作业时会提很多问题,量化定义为每天的提问信息的个数超过一定量(例如:10);每天的错题数量比较多,量化定义为从每天的学习视频中提取出的错题数量超过一定量(例如:5);不太看参考资料,即使看也只是看课本上的学习内容,量化定义为参考资料信息为无或为课本内容。中级用户群是指可熟练掌握课本知识的用户,其对应的学习特征有:每天做作业时提问的次数较少,量化定义为每天的提问信息的个数不超过一定量(例如:4);每天的错题数量比较少,量化定义为从每天的学习视频中提取出的错题数量不超过一定量(例如:3);会看课外的参考资料、学习视频等,量化定义为参考资料信息有一定的数量(例如:1-3),内容涉及基础巩固。高级用户群是除了能够熟练掌握课本知识、还能进行深度学习(例如:爱做高难度的题目、自学下一阶段的内容等)的用户,其对应的学习特征有:做的题目难度比较大,量化定义为从个性化信息中提取出的题目与数据库匹配,确定其难度系数大于一定值(例如:1.2,1.5等,根据难度系数的定义决定,此例子中用1表示标准的难度,小于1说明简单,大于1说明有难度,数值越大,难度越高)的数量大于一定值(例如:20),用户做的难题在其做的所有题目中占有的百分比大于一定值(例如:50%)。
根据收集的个性化信息,从多个角度提取出此用户一定量的学习特征,与用户群特征图谱中各用户群进行匹配,从而定位到此用户所属的用户群。
可选地,匹配模块33,用于根据获取的各学习特征,从用户群特征图谱中匹配出用户对应的用户群包括但不限于以下三种方式:
第一种,匹配模块33,将获取的各学习特征与用户群特征图谱中各用户群对应的特征进行匹配,当一用户群的特征被完全匹配上时,被完全匹配上的用户群为用户对应的用户群。
具体的,这种匹配方式例子为:若用户群A对应有10个(学习)特征,提取出用户的学习特征有20个,这20个中必须要有10个与用户群A对应的10个特征完全匹配,用户群A才可以成为该用户的用户群。
这种匹配方式因多角度地考虑了用户群会有的特征,当用户匹配出其对应的用户群时,符合度比较高。
第二种,匹配模块33,将获取的各学习特征与用户群特征图谱中各用户群的核心特征进行匹配,当一用户群的核心特征被完全匹配上时,被完全匹配上的用户群为用户对应的用户群。
具体的,核心特征是指该用户的独有的一些特色特征,可根据不同的定义灵活设置。
例如:中级用户群对应的特征有1)每天的提问信息的个数不超过5个:2)每天的学习视频中提取出的错题数量不超过3个。将特征1)作为中级用户群的核心特征,只要用户提取出来的学习特征匹配到1),此用户即为中级用户群。
再比如,高级用户群对应的特征有1)每天的提问信息的个数不超过3个:2)每天的学习视频中提取出的错题数量不超过2个;3)从个性化信息中提取出的题目与数据库匹配,确定其难度系数大于一定值的数量大于5题;4)用户做的难题(难度系数大于1的题目)在其做的所有题目中占有的百分比大于50%。将特征3)和4)设为高级用户群的核心特征,只要提取出来的学习特征匹配到特征3)和4),此用户即为高级用户群。
核心特征能够较明确地反映用户群的特色,仅匹配核心特征,可快速、有效、精确地定位用户的用户群。
第三种,匹配模块33,将获取的各学习特征与用户群特征图谱中各用户群的特征进行匹配,当获取的各学习特征与一用户群的特征匹配度大于预设值(根据实际需求设置,例如:70%,80%等)时,匹配度大于预设值的用户群为用户对应的用户群。
具体的,直接根据匹配度来确定用户所属的用户群,能够保证定位的用户群大概率地符合用户的实际情况。
例如:用户群B有对应的10个特征,从一用户的个性化信息中获取了11个特征,其中8个与用户群B匹配,此用户与用户群B的匹配度为80%,当预设值为75%时,用户群B即为该用户的用户群。
可选地,用户群特征图谱中设置各用户群的优先级,匹配模块33,当一用户匹配出来多个用户群时,将优先级高的用户群作为该用户的用户群。
本实施例中,通过用户的个性化信息定位用户所属的用户群,为后续根据用户群给用户量身推荐更精准的教学服务(例如:复习计划)打下基础,给用户带来更多学习上的帮助,提高其使用体验。
基于上述装置实施例的改进,图4示出了本发明另一个用户群的匹配装置3的结构示意图,包括:
收集模块31,用于收集用户在学习过程中的个性化信息;个性化信息包括:提问信息、学习视频、个人信息和参考资料信息。
获取模块32,用于从收集的个性化信息中,获取用户的至少一个学习特征包括:
确定子模块321,用于根据个人信息,确定用户的年级;以及,根据提问信息、学习视频和参考资料信息,确定用户的学习内容;
提取子模块322,根据用户的年级和学习内容,提取用户的至少一个学习特征。
具体的,个人信息是用户自己填写的信息,若其填写了年级,需要根据其填写这些信息的时间和当前时间,确定其目前真正的年级。例如:用户2018年3月份填写了三年级,现在是2019年4月份,则可推算出其目前是四年级。
若用户没有填写年级,仅写了年龄(一般要求填写的是出生年月),则需要根据其填写的年龄及当前时间确定其对应的年级。
提问信息、学习视频和参考资料信息中都体现了用户实际的学习情况,对其进行数据清理、整理后,提取出有效的数据作为用户的学习内容。学习内容包括:做错的/做正确的题目、参考资料的内容等。
根据学习内容和用户的年级进行综合分析,获取用户的至少一个学习特征。
提取子模块322,根据用户的年级和学习内容,提取用户的至少一个学习特征的方式包括但不限于以下任意一种或多种方式的组合:
第一种,提取子模块322,进一步用于根据学习内容,定位学习内容对应的年级;以及,根据用户的年级和学习内容对应的年级,获取用户的学习特征。
具体的,通过学习内容中题目与数据库中各年级的题目进行匹配,可定位出学习内容的年级,同理,通过对参考资料的内容与数据库中各年级的教学内容进行匹配,可定位出学习内容的年级。
根据用户实际的年级和他看的学习内容对应的年级,可以得出用户是否在做进阶学习(即学习比他实际年级高的学习内容)。若用户群特征图谱中高级用户群对应的一个特征为进阶学习,则这个用户就匹配了高级用户群的一个特征。
第二种,提取子模块322,用于根据学习内容,提取出用户处理相同题目的次数;以及,根据次数,获取用户的学习特征。
具体的,处理的定义比较广泛,做题目、订正、整理错题、复习错题都属于处理的范围。此种方式主要是查看用户是否有复习自己做过的题目的习惯。处理相同题目的次数的定义为:统计各题被处理的次数,求平均。
每个用户群可设置不同的处理相同题目的次数作为一特征,从而与提取的此学习特征进行匹配。
第三种,提取子模块322,用于根据学习内容中涉及到的难题数量,获取用户的学习特征。
具体的,从学习内容中提取出来各题目,将其与数据库中的各题目进行匹配,匹配成功后,提取数据库中匹配成功的题目对应的难度系数,将难度系数大于一定值(例如:1.2)的题目作为难题,从而进行难题数量的统计。
每个用户群可设置不同的难题数量作为一特征,从而与获取的此学习特征进行匹配。
本实施例中给予了不同的学习特征的定义,在实际使用时,可根据实际需求和应用场合,灵活地调整学习特征的定义,使用户匹配的用户群更精准。
匹配模块33,用于根据获取的各学习特征,从用户群特征图谱中匹配出用户对应的用户群。
可选地,匹配模块33,用于根据获取的各学习特征,从用户群特征图谱中匹配出用户对应的用户群包括但不限于以下三种方式:
第一种,匹配模块33,用于根据获取的各学习特征,从用户群特征图谱中匹配出用户对应的用户群包括但不限于以下三种方式:
第一种,匹配模块33,将获取的各学习特征与用户群特征图谱中各用户群对应的特征进行匹配,当一用户群的特征被完全匹配上时,被完全匹配上的用户群为用户对应的用户群。
第二种,匹配模块33,将获取的各学习特征与用户群特征图谱中各用户群的核心特征进行匹配,当一用户群的核心特征被完全匹配上时,被完全匹配上的用户群为用户对应的用户群。
第三种,匹配模块33,将获取的各学习特征与用户群特征图谱中各用户群的特征进行匹配,当获取的各学习特征与一用户群的特征匹配度大于预设值(根据实际需求设置,例如:70%,80%等)时,匹配度大于预设值的用户群为用户对应的用户群。
在本实施例中,根据个人信息从多方面考虑,提取出用户的学习特征进行用户群的匹配,学习特征可根据实际需求进行灵活调整,使用户与用户群的匹配度更高,为后续给用户提供更精准的学习服务打下了基础。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各程序模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的程序模块完成,即将所述装置的内部结构划分成不同的程序单元或模块,以完成以上描述的全部或者部分功能。实施例中的各程序模块可以集成在一个处理单元中,也可是各个单元单独物理存在,也可以两个或两个以上单元集成在一个处理单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件程序单元的形式实现。另外,各程序模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。
图5是本发明一个实施例中提供的终端设备5的结构示意图。如图5所示,本实施例的终端设备5包括:处理器53、存储器51以及存储在所述存储器51中并可在所述处理器53上运行的计算机程序52,例如:用户群的匹配程序。所述处理器53执行所述计算机程序52时实现上述各个用户群的匹配方法实施例中的步骤,或者,所述处理器53执行所述计算机程序52时实现上述各用户群的匹配装置实施例中各模块的功能。
所述终端设备5可以为桌上型计算机、笔记本、掌上电脑、平板型计算机、手机等设备。所述终端设备5可包括,但不仅限于,处理器53、存储器51。本领域技术人员可以理解,图5仅仅是终端设备的示例,并不构成对终端设备5的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如:终端设备还可以包括输入输出设备、显示设备、网络接入设备、总线等。
所述处理器53可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,
DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述终端设备5的内部存储单元,例如:终端设备的硬盘或内存。所述存储器也可以是所述终端设备的外部存储设备,例如:所述终端设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序52以及所述终端设备5所需要的其他程序和数据。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述或记载的部分,可以参见其他实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其他的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性、机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可能集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序发送指令给相关的硬件完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括:计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如:在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
应当说明的是,上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种用户群的匹配方法,其特征在于,包括以下步骤:
收集用户在学习过程中的个性化信息;
从收集的所述个性化信息中,获取所述用户的至少一个学习特征;
根据获取的各所述学习特征,从用户群特征图谱中匹配出所述用户对应的用户群。
2.如权利要求1所述的用户群的匹配方法,其特征在于,所述个性化信息包括:提问信息、学习视频、个人信息和参考资料信息;
所述的从收集的所述个性化信息中,获取所述用户的至少一个学习特征包括以下步骤:
根据所述个人信息,确定所述用户的年级;
根据所述提问信息、学习视频和参考资料信息,确定所述用户的学习内容;
根据所述用户的年级和所述学习内容,获取所述用户的至少一个学习特征。
3.如权利要求2所述的用户群的匹配方法,其特征在于,所述根据所述用户的年级和所述学习内容,获取所述用户的至少一个学习特征包括以下步骤:
根据所述学习内容,定位所述学习内容对应的年级;
根据所述用户的年级和所述学习内容对应的年级,获取所述用户的学习特征。
4.如权利要求2所述的用户群的匹配方法,其特征在于,所述根据所述用户的年级和所述学习内容,获取所述用户的至少一个学习特征包括以下步骤:
根据所述学习内容,提取出所述用户处理相同题目的次数;
根据所述次数,获取所述用户的学习特征。
5.如权利要求1所述的用户群的匹配方法,其特征在于,所述的根据获取的各所述学习特征,从用户群特征图谱中匹配出所述用户对应的用户群包括以下步骤:
将获取的各所述学习特征与用户群特征图谱中各用户群的核心特征进行匹配,当一用户群的核心特征被完全匹配上时,被完全匹配上的用户群为所述用户对应的用户群。
6.如权利要求1所述的用户群的匹配方法,其特征在于,所述的根据获取的各所述学习特征,从用户群特征图谱中匹配出所述用户对应的用户群包括以下步骤:
将获取的各所述学习特征与用户群特征图谱中各用户群的特征进行匹配,当获取的各所述学习特征与一用户群的特征匹配度大于预设值时,匹配度大于预设值的用户群为所述用户对应的用户群。
7.一种用户群的匹配装置,其特征在于,包括:
收集模块,用于收集用户在学习过程中的个性化信息;
获取模块,用于从收集的所述个性化信息中,获取所述用户的至少一个学习特征;
匹配模块,用于根据获取的各所述学习特征,从用户群特征图谱中匹配出所述用户对应的用户群。
8.如权利要求7所述的用户群的匹配装置,其特征在于,所述个性化信息包括:提问信息、学习视频、个人信息和参考资料信息;
所述获取模块,用于从收集的所述个性化信息中,获取所述用户的至少一个学习特征包括:
确定子模块,用于根据所述个人信息,确定所述用户的年级;以及,根据所述提问信息、学习视频和参考资料信息,确定所述用户的学习内容;
提取子模块,根据所述用户的年级和所述学习内容,提取所述用户的至少一个学习特征。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器运行所述计算机程序时实现如权利要求1-6中任一项所述用户群的匹配方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述用户群的匹配方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910364385.2A CN111858920A (zh) | 2019-04-30 | 2019-04-30 | 用户群的匹配方法及装置、终端设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910364385.2A CN111858920A (zh) | 2019-04-30 | 2019-04-30 | 用户群的匹配方法及装置、终端设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111858920A true CN111858920A (zh) | 2020-10-30 |
Family
ID=72966162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910364385.2A Pending CN111858920A (zh) | 2019-04-30 | 2019-04-30 | 用户群的匹配方法及装置、终端设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111858920A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056739A (zh) * | 2023-07-28 | 2023-11-14 | 广东津虹数字科技有限公司 | 匹配方法、装置、电子设备及计算机程序产品 |
CN117056739B (zh) * | 2023-07-28 | 2024-06-07 | 广东津虹数字科技有限公司 | 匹配方法、装置、电子设备及计算机程序产品 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108959483A (zh) * | 2018-06-21 | 2018-12-07 | 广东小天才科技有限公司 | 一种基于搜索的学习辅助方法及电子设备 |
-
2019
- 2019-04-30 CN CN201910364385.2A patent/CN111858920A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108959483A (zh) * | 2018-06-21 | 2018-12-07 | 广东小天才科技有限公司 | 一种基于搜索的学习辅助方法及电子设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056739A (zh) * | 2023-07-28 | 2023-11-14 | 广东津虹数字科技有限公司 | 匹配方法、装置、电子设备及计算机程序产品 |
CN117056739B (zh) * | 2023-07-28 | 2024-06-07 | 广东津虹数字科技有限公司 | 匹配方法、装置、电子设备及计算机程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shin et al. | The use of a mobile learning management system at an online university and its effect on learning satisfaction and achievement | |
CN109615408B (zh) | 基于大数据的广告投放方法及装置、存储介质、电子设备 | |
CN110673777A (zh) | 在线教学方法、装置、存储介质及终端设备 | |
Bertot et al. | Public libraries and the Internet: Roles, perspectives, and implications | |
CN102929966B (zh) | 一种用于提供个性化搜索列表的方法及系统 | |
CN111858951A (zh) | 基于知识图谱的学习推荐方法及装置、终端设备 | |
CN103703465A (zh) | 与媒体内的对象相关联的情感信息 | |
US20220180384A1 (en) | Data collection method and system | |
CN109816057A (zh) | 图书馆图书借阅管理方法、系统、电子设备及存储介质 | |
CN112085984B (zh) | 一种智能学习装置、定制教学系统及方法 | |
CN108959469A (zh) | 阅读管理方法、装置、计算机设备及存储介质 | |
CN103092348A (zh) | 一种基于用户行为的移动终端广告播放方法 | |
CN116204714A (zh) | 推荐方法、装置、电子设备及存储介质 | |
CN110889406B (zh) | 一种习题数据卡的信息采集方法、系统及终端 | |
CN109885727A (zh) | 资料推送方法、装置、电子设备及系统 | |
CN111382977A (zh) | 基于用户借阅行为的图书采购方法、装置及存储介质 | |
Chaveesuk et al. | Analysis of factors influencing the mobile technology acceptance for library information services: Conceptual model | |
CN108733784B (zh) | 一种教学课件推荐方法、装置及设备 | |
CN110598112A (zh) | 一种题目推荐方法、装置、终端设备及存储介质 | |
CN112002184A (zh) | 一种基于学习记录的辅助学习方法及系统 | |
CN111858920A (zh) | 用户群的匹配方法及装置、终端设备、存储介质 | |
Herzing | Mobile web surveys | |
CN115033735A (zh) | 一种视频推荐方法、装置、设备及可读存储介质 | |
López-Sánchez et al. | Use and adoption of ICTs oriented to university student learning: Systematic review using PRISMA methodology | |
CN110060686B (zh) | 语音交互方法及装置、终端设备、计算机可读存储介质 |
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 |