CN111950737A - 一种基于机器学习算法的学习模式认知方法及装置 - Google Patents

一种基于机器学习算法的学习模式认知方法及装置 Download PDF

Info

Publication number
CN111950737A
CN111950737A CN202010739693.1A CN202010739693A CN111950737A CN 111950737 A CN111950737 A CN 111950737A CN 202010739693 A CN202010739693 A CN 202010739693A CN 111950737 A CN111950737 A CN 111950737A
Authority
CN
China
Prior art keywords
learning
data
algorithm
particle swarm
different
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
Application number
CN202010739693.1A
Other languages
English (en)
Inventor
倪隆
倪慧琳
倪福明
戴晓珑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei Lvshen Network Technology Co Ltd
Original Assignee
Hubei Lvshen Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hubei Lvshen Network Technology Co Ltd filed Critical Hubei Lvshen Network Technology Co Ltd
Priority to CN202010739693.1A priority Critical patent/CN111950737A/zh
Publication of CN111950737A publication Critical patent/CN111950737A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Stored Programmes (AREA)

Abstract

本发明提出了一种基于机器学习算法的学习模式认知方法及装置。包括：获取本地学习数据，根据该本地学习数据建立不同学习组模型，根据不同学习组模型生成不同的学习模式；建立粒子群算法，根据该粒子群算法与不同的学习模式建立粒子群算法模型；获取待计算学习数据，根据粒子群算法模型对该待计算学习数据进行计算，并匹配对应的学习模式。本发明通过本地学习数据预先建立不同的学习模式，然后通过粒子群算法对待计算学习数据进行计算，实现待计算学习数据与不同的学习模式之间的精确匹配，提高了系统的辅助能力。

Description

一种基于机器学习算法的学习模式认知方法及装置
技术领域
本发明涉及大数据技术领域，尤其涉及一种基于机器学习算法的学习模式认知方法及装置。
背景技术
随着科学的发展，机器学习技术也迅速回到人们的视野当中来，机器学习技术为现代社会的许多方面提供了方便；机器学习技术包含多种机器学习算法，其中，支持向量机是一种常用方法，支持向量机是一种监督学习方法，主要用于分析数据、识别模式，对数据的分类分析和回归分析。
学习模式是辅助用户更好对知识进行掌握的学习的方式，针对用户个性的不同，有多种学习模式可供选择，但是现有的学习模式都是一个惯用模板，对用户起到的效果很低，而且缺乏内容，无法实现对用户的精确辅助，所以，亟需一种基于机器学习算法的学习模式认知方法，通过机器学习算法获取多种学习模式，对用户进行精确辅助。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
有鉴于此，本发明提出了一种基于机器学习算法的学习模式认知方法及装置，旨在解决现有技术无法通过机器学习算法来建立不同学习模式以便于对用户学习进行精确辅助的问题。
本发明的技术方案是这样实现的：
一方面，本发明提供了一种基于机器学习算法的学习模式认知方法，所述基于机器学习算法的学习模式认知方法包括以下步骤：
S1，获取本地学习数据，根据该本地学习数据建立不同学习组模型，根据不同学习组模型生成不同的学习模式；
S2，建立粒子群算法，根据该粒子群算法与不同的学习模式建立粒子群算法模型；
S3，获取待计算学习数据，根据粒子群算法模型对该待计算学习数据进行计算，并匹配对应的学习模式。
在以上技术方案的基础上，优选的，步骤S1中，获取本地学习数据，根据该本地学习数据建立不同学习组模型，根据不同学习组模型生成不同的学习模式，还包括以下步骤，获取本地学习数据，所述本地数据包括：学习内容数据，学习场景数据以及学习时间数据，根据学习内容数据建立不同内容集合，将该内容集合作为学习组模型，根据该学习组模型、学习场景数据以及学习时间数据生成不同的学习模式。
在以上技术方案的基础上，优选的，根据学习内容数据建立不同内容集合，将该内容集合作为学习组模型，还包括以下步骤，设定优先度评定词语，从学习内容数据中提取每个词语的使用频率，根据优先度评定词语对学习内容数据中每个词语的优先级进行判断，词语使用频率越多对应的优先级越高，将每个词语的优先级与对应的学习内容数据对应，并将该内容集合作为学习组模型。
在以上技术方案的基础上，优选的，根据该学习组模型、学习场景数据以及学习时间数据生成不同的学习模式，还包括以下步骤，将学习组模型、学习场景数据以及学习时间数据进行排列组合，生成不同的学习模式，每种学习组模型对应不同的学习场景数据以及学习时间数据，每种学习场景数据对应不同的学习组模型以及学习时间数据。
在以上技术方案的基础上，优选的，步骤S2中，建立粒子群算法，根据该粒子群算法与不同的学习模式建立粒子群算法模型，还包括以下步骤，建立粒子群算法，将不同的学习模式中各项数据作为粒子群算法中的查询范围，并与粒子群算法进行关联，根据该粒子群算法与不同的学习模式建立粒子群算法模型。
在以上技术方案的基础上，优选的，所述粒子群算法包括：
vid＝w·vid+c1·rand1()·(Pid-xid)+c2·rand2()·(Pgd-xid)；
其中，vid代表粒子速度，w代表惯性权重，c1和c2代表加速常数，rand1()和rand2()代表两个在[0,1]范围里变化的随机值，Pid代表粒子查询过得位置，xid代表粒子的查询范围，Pgd代表粒子最好适应度值。
在以上技术方案的基础上，优选的，步骤S3中，获取待计算学习数据，根据粒子群算法模型对该待计算学习数据进行计算，并匹配对应的学习模式，还包括以下步骤，获取待计算学习数据，根据粒子群算法模型对该待计算学习数据进行计算，根据计算的各项结果从不同的学习模式中匹配出对应的学习模式。
更进一步优选的，所述基于机器学习算法的学习模式认知装置包括：
获取模块，用于获取本地学习数据，根据该本地学习数据建立不同学习组模型，根据不同学习组模型生成不同的学习模式；
算法模型建立模块，用于建立粒子群算法，根据该粒子群算法与不同的学习模式建立粒子群算法模型；
计算匹配模块，用于获取待计算学习数据，根据粒子群算法模型对该待计算学习数据进行计算，并匹配对应的学习模式。
第二方面，所述基于机器学习算法的学习模式认知方法还包括一种终端设备，所述终端设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的基于机器学习算法的学习模式认知方法程序，所述基于机器学习算法的学习模式认知方法程序配置为实现如上文所述的基于机器学习算法的学习模式认知方法的步骤。
第三方面，所述基于机器学习算法的学习模式认知方法还包括一种存储介质，所述存储介质为计算机存储介质，所述计算机存储介质上存储有基于机器学习算法的学习模式认知方法程序，所述基于机器学习算法的学习模式认知方法程序被处理器执行时实现如上文所述的基于机器学习算法的学习模式认知方法的步骤。
本发明的一种基于机器学习算法的学习模式认知方法相对于现有技术具有以下有益效果：
(1)通过本地学习数据建立不同的学习模式，能够对不同待计算学习数据进行匹配，提高了系统的匹配精度，同时也能够好为用户提供辅助服务。
(2)通过建立粒子群算法，查找该待计算学习数据与不同学习模式中各项参数数据最接近的数据，然后根据这些数据得到待计算学习数据最匹配的学习模式。
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是本发明实施例方案涉及的硬件运行环境的终端设备的结构示意图；
图2为本发明基于机器学习算法的学习模式认知方法第一实施例的流程示意图；
图3为本发明基于机器学习算法的学习模式认知方法第一实施例的功能模块示意图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
如图1所示，该终端设备可以包括：处理器1001，例如中央处理器(CentralProcessing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对终端设备的限定，在实际应用中终端设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于机器学习算法的学习模式认知方法程序。
在图1所示的终端设备中，网络接口1004主要用于建立终端设备与存储基于机器学习算法的学习模式认知方法系统中所需的所有数据的服务器的通信连接；用户接口1003主要用于与用户进行数据交互；本发明基于机器学习算法的学习模式认知方法终端设备中的处理器1001、存储器1005可以设置在基于机器学习算法的学习模式认知方法终端设备中，所述基于机器学习算法的学习模式认知方法终端设备通过处理器1001调用存储器1005中存储的基于机器学习算法的学习模式认知方法程序，并执行本发明实施提供的基于机器学习算法的学习模式认知方法。
结合图2，图2为本发明基于机器学习算法的学习模式认知方法第一实施例的流程示意图。
本实施例中，所述基于机器学习算法的学习模式认知方法包括以下步骤：
S10：获取本地学习数据，根据该本地学习数据建立不同学习组模型，根据不同学习组模型生成不同的学习模式。
应当理解的是，系统会从本地获取之前的学习数据，这些学习数据最开始由管理员进行添加，之后由系统根据每次匹配的待计算学习数据进行自动更新，本地数据包括：学习内容数据，学习场景数据以及学习时间数据，学习内容数据：语文、数学、物理以及化学等一门门学科，同时也可以是兴趣爱好，学习场景数据则是不同的学习地点，比如；教室、书房、公园以及草坪等精确的地点。
应当理解的是，系统会根据学习内容数据建立不同内容集合，这些内容集合包含了很多不同学习方式对应的就是一个个词语，然后系统会设定优先度评定词语，从学习内容数据中提取每个词语的使用频率即学习方式的使用频率，根据优先度评定词语对学习内容数据中每个词语的优先级进行判断，词语使用频率越多对应的优先级越高，将每个词语的优先级与对应的学习内容数据对应，并将该内容集合作为学习组模型。
应当理解的是，之后系统会将学习组模型、学习场景数据以及学习时间数据进行排列组合，生成不同的学习模式，每种学习组模型对应不同的学习场景数据以及学习时间数据，每种学习场景数据对应不同的学习组模型以及学习时间数据。
S20：建立粒子群算法，根据该粒子群算法与不同的学习模式建立粒子群算法模型。
应当理解的是，系统会建立粒子群算法，将不同的学习模式中各项数据作为粒子群算法中的查询范围，并与粒子群算法进行关联，根据该粒子群算法与不同的学习模式建立粒子群算法模型。
应当理解的是，粒子群优化算法是基于群体性活动的一种智能寻优算法，它源于鸟群捕食行为的研究。粒子群优化算法是根据对环境的适应度将群体中的个体移动到好的区域，它将每个个体看作是D维搜索空间中的一个没有体积的粒子(点)，在搜索空间中以一定的速度飞行，这个速度根据它本身的飞行经验和同伴的飞行经验来动态调整。第i个粒子表示为：Xi＝(xi1,xi2,...,xid)；它经历过的最好位置(有最好的适应度值)记为：Pi＝(pi1,pi2,...,pid)也称为Pbest，在群体所有粒子经历过的最好位置的索引号用符号表示g，即Pg也称为Pgest。
粒子i的速度表示为：Vi＝(vi1,vi2,...,vid)，对每一代，粒子的速度vid中第d维(1≤d≤D)，根据如下方程进行变化：
vid＝w·vid+c1·rand1()·(Pid-xid)+c2·rand2()·(Pgd-xid)；
群体粒子的位置更新方程如下：xid＝xid+vid；
其中，vid代表粒子速度，w代表惯性权重，c1和c2代表加速常数，rand1()和rand2()代表两个在[0,1]范围里变化的随机值，Pid代表粒子查询过得位置，xid代表粒子的查询范围，Pgd代表粒子最好适应度值。
S30：获取待计算学习数据，根据粒子群算法模型对该待计算学习数据进行计算，并匹配对应的学习模式。
应当理解的是，系统会获取待计算学习数据，待计算学习数据是用户一些学习数据，系统根据这些用户的学习数据为用户推荐相匹配的学习模式，即根据粒子群算法模型对该待计算学习数据进行计算，根据计算的各项结果从不同的学习模式中匹配出对应的学习模式。
需要说明的是，以上仅为举例说明，并不对本申请的技术方案构成任何限定。
通过上述描述不难发现，本实施例通过获取本地学习数据，根据该本地学习数据建立不同学习组模型，根据不同学习组模型生成不同的学习模式；建立粒子群算法，根据该粒子群算法与不同的学习模式建立粒子群算法模型；获取待计算学习数据，根据粒子群算法模型对该待计算学习数据进行计算，并匹配对应的学习模式。本实施例通过本地学习数据预先建立不同的学习模式，然后通过粒子群算法对待计算学习数据进行计算，实现待计算学习数据与不同的学习模式之间的精确匹配，提高了系统的辅助能力。
此外，本发明实施例还提出一种基于机器学习算法的学习模式认知装置。如图3所示，该基于机器学习算法的学习模式认知装置包括：获取模块10、算法模型建立模块20、计算匹配模块30。
获取模块10，用于获取本地学习数据，根据该本地学习数据建立不同学习组模型，根据不同学习组模型生成不同的学习模式；
算法模型建立模块20，用于建立粒子群算法，根据该粒子群算法与不同的学习模式建立粒子群算法模型；
计算匹配模块30，用于获取待计算学习数据，根据粒子群算法模型对该待计算学习数据进行计算，并匹配对应的学习模式。
此外，需要说明的是，以上所描述的装置实施例仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的基于机器学习算法的学习模式认知方法，此处不再赘述。
此外，本发明实施例还提出一种存储介质，所述存储介质为计算机存储介质，所述计算机存储介质上存储有基于机器学习算法的学习模式认知方法程序，所述基于机器学习算法的学习模式认知方法程序被处理器执行时实现如下操作：
S1，获取本地学习数据，根据该本地学习数据建立不同学习组模型，根据不同学习组模型生成不同的学习模式；
S2，建立粒子群算法，根据该粒子群算法与不同的学习模式建立粒子群算法模型；
S3，获取待计算学习数据，根据粒子群算法模型对该待计算学习数据进行计算，并匹配对应的学习模式。
进一步地，所述基于机器学习算法的学习模式认知方法程序被处理器执行时还实现如下操作：
获取本地学习数据，所述本地数据包括：学习内容数据，学习场景数据以及学习时间数据，根据学习内容数据建立不同内容集合，将该内容集合作为学习组模型，根据该学习组模型、学习场景数据以及学习时间数据生成不同的学习模式。
进一步地，所述基于机器学习算法的学习模式认知方法程序被处理器执行时还实现如下操作：
设定优先度评定词语，从学习内容数据中提取每个词语的使用频率，根据优先度评定词语对学习内容数据中每个词语的优先级进行判断，词语使用频率越多对应的优先级越高，将每个词语的优先级与对应的学习内容数据对应，并将该内容集合作为学习组模型。
进一步地，所述基于机器学习算法的学习模式认知方法程序被处理器执行时还实现如下操作：
将学习组模型、学习场景数据以及学习时间数据进行排列组合，生成不同的学习模式，每种学习组模型对应不同的学习场景数据以及学习时间数据，每种学习场景数据对应不同的学习组模型以及学习时间数据。
进一步地，所述基于机器学习算法的学习模式认知方法程序被处理器执行时还实现如下操作：
建立粒子群算法，将不同的学习模式中各项数据作为粒子群算法中的查询范围，并与粒子群算法进行关联，根据该粒子群算法与不同的学习模式建立粒子群算法模型。
进一步地，所述基于机器学习算法的学习模式认知方法程序被处理器执行时还实现如下操作：
所述粒子群算法包括：
vid＝w·vid+c1·rand1()·(Pid-xid)+c2·rand2()·(Pgd-xid)；
其中，vid代表粒子速度，w代表惯性权重，c1和c2代表加速常数，rand1()和rand2()代表两个在[0,1]范围里变化的随机值，Pid代表粒子查询过得位置，xid代表粒子的查询范围，Pgd代表粒子最好适应度值。
进一步地，所述基于机器学习算法的学习模式认知方法程序被处理器执行时还实现如下操作：
获取待计算学习数据，根据粒子群算法模型对该待计算学习数据进行计算，根据计算的各项结果从不同的学习模式中匹配出对应的学习模式。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于机器学习算法的学习模式认知方法，其特征在于：包括以下步骤；
S1，获取本地学习数据，根据该本地学习数据建立不同学习组模型，根据不同学习组模型生成不同的学习模式；
S2，建立粒子群算法，根据该粒子群算法与不同的学习模式建立粒子群算法模型；
S3，获取待计算学习数据，根据粒子群算法模型对该待计算学习数据进行计算，并匹配对应的学习模式。
2.如权利要求1所述的基于机器学习算法的学习模式认知方法，其特征在于：步骤S1中，获取本地学习数据，根据该本地学习数据建立不同学习组模型，根据不同学习组模型生成不同的学习模式，还包括以下步骤，获取本地学习数据，所述本地数据包括：学习内容数据，学习场景数据以及学习时间数据，根据学习内容数据建立不同内容集合，将该内容集合作为学习组模型，根据该学习组模型、学习场景数据以及学习时间数据生成不同的学习模式。
3.如权利要求2所述的基于机器学习算法的学习模式认知方法，其特征在于：根据学习内容数据建立不同内容集合，将该内容集合作为学习组模型，还包括以下步骤，设定优先度评定词语，从学习内容数据中提取每个词语的使用频率，根据优先度评定词语对学习内容数据中每个词语的优先级进行判断，词语使用频率越多对应的优先级越高，将每个词语的优先级与对应的学习内容数据对应，并将该内容集合作为学习组模型。
4.如权利要求2所述的基于机器学习算法的学习模式认知方法，其特征在于：根据该学习组模型、学习场景数据以及学习时间数据生成不同的学习模式，还包括以下步骤，将学习组模型、学习场景数据以及学习时间数据进行排列组合，生成不同的学习模式，每种学习组模型对应不同的学习场景数据以及学习时间数据，每种学习场景数据对应不同的学习组模型以及学习时间数据。
5.如权利要求4所述的基于机器学习算法的学习模式认知方法，其特征在于：步骤S2中，建立粒子群算法，根据该粒子群算法与不同的学习模式建立粒子群算法模型，还包括以下步骤，建立粒子群算法，将不同的学习模式中各项数据作为粒子群算法中的查询范围，并与粒子群算法进行关联，根据该粒子群算法与不同的学习模式建立粒子群算法模型。
6.如权利要求5所述的基于机器学习算法的学习模式认知方法，其特征在于：所述粒子群算法包括：
vid＝w·vid+c1·rand1()·(Pid-xid)+c2·rand2()·(Pgd-xid)；
其中，vid代表粒子速度，w代表惯性权重，c1和c2代表加速常数，rand1()和rand2()代表两个在[0,1]范围里变化的随机值，Pid代表粒子查询过得位置，xid代表粒子的查询范围，Pgd代表粒子最好适应度值。
7.如权利要求5所述的基于机器学习算法的学习模式认知方法，其特征在于：步骤S3中，获取待计算学习数据，根据粒子群算法模型对该待计算学习数据进行计算，并匹配对应的学习模式，还包括以下步骤，获取待计算学习数据，根据粒子群算法模型对该待计算学习数据进行计算，根据计算的各项结果从不同的学习模式中匹配出对应的学习模式。
8.一种基于机器学习算法的学习模式认知装置，其特征在于，所述基于机器学习算法的学习模式认知装置包括：
获取模块，用于获取本地学习数据，根据该本地学习数据建立不同学习组模型，根据不同学习组模型生成不同的学习模式；
算法模型建立模块，用于建立粒子群算法，根据该粒子群算法与不同的学习模式建立粒子群算法模型；
计算匹配模块，用于获取待计算学习数据，根据粒子群算法模型对该待计算学习数据进行计算，并匹配对应的学习模式。
9.一种终端设备，其特征在于，所述终端设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的基于机器学习算法的学习模式认知方法程序，所述基于机器学习算法的学习模式认知方法程序配置为实现如权利要求1至7任一项所述的基于机器学习算法的学习模式认知方法的步骤。
10.一种存储介质，其特征在于，所述存储介质为计算机存储介质，所述计算机存储介质上存储有基于机器学习算法的学习模式认知方法程序，所述基于机器学习算法的学习模式认知方法程序被处理器执行时实现如权利要求1至7任一项所述的基于机器学习算法的学习模式认知方法的步骤。
CN202010739693.1A 2020-07-28 2020-07-28 一种基于机器学习算法的学习模式认知方法及装置 Pending CN111950737A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010739693.1A CN111950737A (zh) 2020-07-28 2020-07-28 一种基于机器学习算法的学习模式认知方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010739693.1A CN111950737A (zh) 2020-07-28 2020-07-28 一种基于机器学习算法的学习模式认知方法及装置

Publications (1)

Publication Number Publication Date
CN111950737A true CN111950737A (zh) 2020-11-17

Family

ID=73338568

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010739693.1A Pending CN111950737A (zh) 2020-07-28 2020-07-28 一种基于机器学习算法的学习模式认知方法及装置

Country Status (1)

Country Link
CN (1) CN111950737A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120196261A1 (en) * 2011-01-31 2012-08-02 FastTrack Technologies Inc. System and method for a computerized learning system
CN104699245A (zh) * 2015-03-05 2015-06-10 广东小天才科技有限公司 一种学习内容和互动学习情景的推送方法、学习机及系统
CN104903930A (zh) * 2012-10-26 2015-09-09 组米公司 用于创建、递送、使用以及利用集成的教学和学习的方法和系统
CN107423851A (zh) * 2017-07-20 2017-12-01 上海理工大学 基于学习风格情境感知的自适应学习方法
CN107862970A (zh) * 2017-11-20 2018-03-30 无锡开放大学 一种用于翻转课堂的教学质量评价模型
CN110148318A (zh) * 2019-03-07 2019-08-20 上海晨鸟信息科技有限公司 一种数字助教系统、信息交互方法和信息处理方法
CN111047489A (zh) * 2020-01-02 2020-04-21 成都易化人工智能科技有限公司 基于区块链的智能学习系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120196261A1 (en) * 2011-01-31 2012-08-02 FastTrack Technologies Inc. System and method for a computerized learning system
CN104903930A (zh) * 2012-10-26 2015-09-09 组米公司 用于创建、递送、使用以及利用集成的教学和学习的方法和系统
CN104699245A (zh) * 2015-03-05 2015-06-10 广东小天才科技有限公司 一种学习内容和互动学习情景的推送方法、学习机及系统
CN107423851A (zh) * 2017-07-20 2017-12-01 上海理工大学 基于学习风格情境感知的自适应学习方法
CN107862970A (zh) * 2017-11-20 2018-03-30 无锡开放大学 一种用于翻转课堂的教学质量评价模型
CN110148318A (zh) * 2019-03-07 2019-08-20 上海晨鸟信息科技有限公司 一种数字助教系统、信息交互方法和信息处理方法
CN111047489A (zh) * 2020-01-02 2020-04-21 成都易化人工智能科技有限公司 基于区块链的智能学习系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张鹏威: "面向中职学生的移动学习资源推荐方法及应用研究", 《中国优秀硕士学位论文全文数据库(电子期刊)社会科学Ⅱ辑》, no. 7, 15 July 2019 (2019-07-15), pages 14 - 52 *

Similar Documents

Publication Publication Date Title
US11763599B2 (en) Model training method and apparatus, face recognition method and apparatus, device, and storage medium
Wang et al. Friendbook: a semantic-based friend recommendation system for social networks
US9560094B2 (en) System and method for identifying and analyzing personal context of a user
KR20190142286A (ko) 가중치 기반의 유사 문제 필터링 방법
CN109684047A (zh) 事件处理方法、装置、设备和计算机存储介质
CN110852109A (zh) 语料生成方法、语料生成装置、和存储介质
CN109918641A (zh) 文章主题成分分解方法、装置、设备和存储介质
Xu et al. Effective community division based on improved spectral clustering
CN111192170B (zh) 题目推送方法、装置、设备和计算机可读存储介质
CN110245310A (zh) 一种对象的行为分析方法、装置及存储介质
CN113222170A (zh) 一种用于物联网ai协同服务平台的智能算法和模型
CN114722937A (zh) 一种异常数据检测方法、装置、电子设备和存储介质
CN111708890A (zh) 一种搜索词确定方法和相关装置
CN113158030B (zh) 异地兴趣点的推荐方法、装置、电子设备及存储介质
CN113766633A (zh) 数据处理方法、装置、电子设备以及存储介质
CN110096697A (zh) 词向量矩阵压缩方法和装置、及获取词向量的方法和装置
TW202223804A (zh) 電子資源推送方法及系統
Jiang et al. Fast, accurate event classification on resource-lean embedded sensors
CN110516153B (zh) 视频的智能推送方法和装置、存储介质及电子装置
CN112069803A (zh) 文本备份方法、装置、设备及计算机可读存储介质
CN111950737A (zh) 一种基于机器学习算法的学习模式认知方法及装置
CN111814812A (zh) 建模方法、装置、存储介质、电子设备及场景识别方法
CN115312040A (zh) 语音唤醒方法、装置、电子设备和计算机可读存储介质
CN111797856A (zh) 建模方法、装置、存储介质及电子设备
Cuomo et al. A biologically inspired model for analyzing behaviours in social network community and cultural heritage scenario

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