CN111985627A - 基于对抗网络模型的陪伴学习角色生成方法和系统 - Google Patents

基于对抗网络模型的陪伴学习角色生成方法和系统 Download PDF

Info

Publication number
CN111985627A
CN111985627A CN202011035045.4A CN202011035045A CN111985627A CN 111985627 A CN111985627 A CN 111985627A CN 202011035045 A CN202011035045 A CN 202011035045A CN 111985627 A CN111985627 A CN 111985627A
Authority
CN
China
Prior art keywords
learning
students
sample data
network model
historical
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
Application number
CN202011035045.4A
Other languages
English (en)
Other versions
CN111985627B (zh
Inventor
王鑫
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.)
Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd
Original Assignee
Shanghai Squirrel Classroom Artificial Intelligence 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 Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd filed Critical Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd
Priority to CN202011035045.4A priority Critical patent/CN111985627B/zh
Publication of CN111985627A publication Critical patent/CN111985627A/zh
Application granted granted Critical
Publication of CN111985627B publication Critical patent/CN111985627B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06316—Sequencing of tasks or work
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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—Systems or methods specially adapted for 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)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Educational Technology (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本发明提供了基于对抗网络模型的陪伴学习角色生成方法和系统，其能够根据不同学生的历史学习内容数据对应的难度级别形成不同的样本数据集合，并且还利用对抗网络模型对不同的样本数据集合进行处理，以此实现对学生的学习能力类别初步划分和学习能力类别划分误差确定，这样能够为后续对不同的样本数据集合进行重新分析处理，并得到学生各自对应的学习能力类别最终划分信息以及确定与学生匹配的陪伴学习角色，从而便于根据不同学生自身的实际学习情况生成与之匹配的虚拟陪伴学习角色以及提高虚拟现实教学的人性化和体验性。

Description

基于对抗网络模型的陪伴学习角色生成方法和系统
技术领域
本发明涉及智能教育的技术领域，特别涉及基于对抗网络模型的陪伴学习角色生成方法和系统。
背景技术
目前，虚拟现实教学方式广泛应用于在线教学中，学生通过接入相应的虚拟现实教学课程中就能够获得相应的沉浸式课程教学，这样能够极大地提高学生的学习效率和学习兴趣。在实际应用中，虚拟现实教学通常都会为学生提供若干虚拟陪伴学习角色，学生通过选择相应的虚拟陪伴学习角色能够在学习过程中与其进行互动，以此提高虚拟现实教学的趣味性，但是这些虚拟陪伴学习角色都是预设设置的，其无法根据不同学生的实际情况为其设计合适的虚拟陪伴学习角色，这严重地降低虚拟现实教学的人性化和体验性。可见，现有技术需要能够根据不同学生自身的实际学习情况生成与之匹配的虚拟陪伴学习角色的方法。
发明内容
针对现有技术存在的缺陷，本发明提供基于对抗网络模型的陪伴学习角色生成方法和系统，其通过获取若干学生的历史学习内容数据，并根据该历史学习内容数据的难度级别，将该历史学习内容数据划分为若干样本数据集合，并将对抗网络模型对若干该样本数据集合进行分析处理，从而获得该学生各自对应的学习能力类别初步划分信息和学习能力类别划分误差信息，再根据该学习能力类别初步划分信息和该学习能力类别划分误差信息，指示该对抗网络模型对若干该样本数据集合进行重新分析处理，从而获得该学生各自对应的学习能力类别最终划分信息，并根据该学习能力类别最终划分信息，确定与该学生匹配的陪伴学习角色；可见，该基于对抗网络模型的陪伴学习角色生成方法和系统能够根据不同学生的历史学习内容数据对应的难度级别形成不同的样本数据集合，并且还利用对抗网络模型对不同的样本数据集合进行处理，以此实现对学生的学习能力类别初步划分和学习能力类别划分误差确定，这样能够为后续对不同的样本数据集合进行重新分析处理，并得到学生各自对应的学习能力类别最终划分信息以及确定与学生匹配的陪伴学习角色，从而便于根据不同学生自身的实际学习情况生成与之匹配的虚拟陪伴学习角色以及提高虚拟现实教学的人性化和体验性。
本发明提供基于对抗网络模型的陪伴学习角色生成方法，其特征在于，其包括如下步骤：
步骤S1，获取若干学生的历史学习内容数据，并根据所述历史学习内容数据的难度级别，将所述历史学习内容数据划分为若干样本数据集合；
步骤S2，将对抗网络模型对若干所述样本数据集合进行分析处理，从而获得所述学生各自对应的学习能力类别初步划分信息和学习能力类别划分误差信息；
步骤S3，根据所述学习能力类别初步划分信息和所述学习能力类别划分误差信息，指示所述对抗网络模型对若干所述样本数据集合进行重新分析处理，从而获得所述学生各自对应的学习能力类别最终划分信息，并根据所述学习能力类别最终划分信息，确定与所述学生匹配的陪伴学习角色；
进一步，在所述步骤S1中，获取若干学生的历史学习内容数据，并根据所述历史学习内容数据的难度级别，将所述历史学习内容数据划分为若干样本数据集合具体包括：
步骤S101，获取若干所述学生在上一学年学习过程中对应的历史学习数据，并对所述历史学习数据依次进行数据去重处理和数据卡尔曼滤波处理；
步骤S102，获取所述历史学习数据包含的每一项学习子数据的科目类型和学习数据信息量，并根据所述科目类型和所述学习数据信息量，确定每一项学习子数据的难度级别；
步骤S103，将具有相同难度级别的所有学习子数据都划分到同一数据样本集合中，从而获得对应不同难度级别的若干数据样本集合；
进一步，在所述步骤S2中，将对抗网络模型对若干所述样本数据集合进行分析处理，从而获得所述学生各自对应的学习能力类别初步划分信息和学习能力类别划分误差信息具体包括：
步骤S201，将若干所述样本数据集合输入至所述对抗网络模型，并通过下面公式(1)，确定所述学生各自对应的学习能力类别初步划分代表值：
Figure BDA0002704933830000031
在上述公式(1)中，V(d)表示学生对应的学习能力类别初步划分代表值，yj表示第j个样本数据集合的预设独立编码、且其取值是根据样本数据集合对应的难度级别而确定，pij表示第i个学生的历史学习数据被划分到第j个样本数据集合的概率，m表示样本数据集合的总数量，n表示学生的总数量，pn+1,j表示不同于上述n个学生的另外一个新学生的历史学习数据被划分到第j个样本数据集合的概率，▽表示梯度运算符号；
步骤S202，通过下面公式(2)，确定所述学生各自对应的学习能力类别划分误差系数：
Figure BDA0002704933830000032
在上述公式(2)中，V(g)表示所述学生各自对应的学习能力类别划分误差系数，yj表示第j个样本数据集合的预设独立编码、且其取值是根据样本数据集合对应的难度级别而确定，m表示样本数据集合的总数量，n表示学生的总数量，pn+1,j表示不同于上述n个学生的另外一个新学生的历史学习数据被划分到第j个样本数据集合的概率，▽表示梯度运算符号；
进一步，在所述步骤S3中，根据所述学习能力类别初步划分信息和所述学习能力类别划分误差信息，指示所述对抗网络模型对若干所述样本数据集合进行重新分析处理，从而获得所述学生各自对应的学习能力类别最终划分信息，并根据所述学习能力类别最终划分信息，确定与所述学生匹配的陪伴学习角色具体包括：
步骤S301，根据所述学生各自对应的学习能力类别初步划分代表值V(d)、所述学生各自对应的学习能力类别划分误差系数V(g)以及下面公式(3)，确定指示所述对抗网络模型对若干所述样本数据集合进行重新分析处理，从而获得所述学生各自对应的学习能力类别最终划分代表值：
Figure BDA0002704933830000041
在上述公式(3)中，V表示所述学生各自对应的学习能力类别最终划分代表值，yj表示第j个样本数据集合的预设独立编码、且其取值是根据样本数据集合对应的难度级别而确定，pij表示第i个学生的历史学习数据被划分到第j个样本数据集合的概率，m表示样本数据集合的总数量，n表示学生的总数量，pn+1,j表示不同于上述n个学生的另外一个新学生的历史学习数据被划分到第j个样本数据集合的概率；
步骤S302，将所述学生各自对应的学习能力类别最终划分代表值V与预设陪伴学习角色对照表进行比对，并根据比对的结果，确定与所述学生匹配的陪伴学习角色。
本发明还提供基于对抗网络模型的陪伴学习角色生成系统，其特征在于，其包括学习内容数据获取与处理模块、学习能力类别初步划分信息确定模块、学习能力类别划分误差信息确定模块和陪伴学习角色确定模块；其中，
所述学习内容数据获取与处理模块用于获取若干学生的历史学习内容数据，并根据所述历史学习内容数据的难度级别，将所述历史学习内容数据划分为若干样本数据集合；
所述学习能力类别初步划分信息确定模块用于将对抗网络模型对若干所述样本数据集合进行分析处理，从而获得所述学生各自对应的学习能力类别初步划分信息；
所述学习能力类别划分误差信息确定模块用于将对抗网络模型对若干所述样本数据集合进行分析处理，从而获得所述学生各自对应的学习能力类别划分误差信息；
所述陪伴学习角色确定模块用于根据所述学习能力类别初步划分信息和所述学习能力类别划分误差信息，指示所述对抗网络模型对若干所述样本数据集合进行重新分析处理，从而获得所述学生各自对应的学习能力类别最终划分信息，并根据所述学习能力类别最终划分信息，确定与所述学生匹配的陪伴学习角色；
进一步，所述学习内容数据获取与处理模块获取若干学生的历史学习内容数据，并根据所述历史学习内容数据的难度级别，将所述历史学习内容数据划分为若干样本数据集合具体包括：
获取若干所述学生在上一学年学习过程中对应的历史学习数据，并对所述历史学习数据依次进行数据去重处理和数据卡尔曼滤波处理；
并获取所述历史学习数据包含的每一项学习子数据的科目类型和学习数据信息量，并根据所述科目类型和所述学习数据信息量，确定每一项学习子数据的难度级别；
再将具有相同难度级别的所有学习子数据都划分到同一数据样本集合中，从而获得对应不同难度级别的若干数据样本集合；
进一步，所述学习能力类别初步划分信息确定模块将对抗网络模型对若干所述样本数据集合进行分析处理，从而获得所述学生各自对应的学习能力类别初步划分信息具体包括：
将若干所述样本数据集合输入至所述对抗网络模型，并通过下面公式(1)，确定所述学生各自对应的学习能力类别初步划分代表值：
Figure BDA0002704933830000061
在上述公式(1)中，V(d)表示学生对应的学习能力类别初步划分代表值，yj表示第j个样本数据集合的预设独立编码、且其取值是根据样本数据集合对应的难度级别而确定，pij表示第i个学生的历史学习数据被划分到第j个样本数据集合的概率，m表示样本数据集合的总数量，n表示学生的总数量，pn+1,j表示不同于上述n个学生的另外一个新学生的历史学习数据被划分到第j个样本数据集合的概率，▽表示梯度运算符号；
以及，
所述学习能力类别划分误差信息确定模块将对抗网络模型对若干所述样本数据集合进行分析处理，从而获得所述学生各自对应的学习能力类别划分误差信息具体包括：
通过下面公式(2)，确定所述学生各自对应的学习能力类别划分误差系数：
Figure BDA0002704933830000062
在上述公式(2)中，V(g)表示所述学生各自对应的学习能力类别划分误差系数，yj表示第j个样本数据集合的预设独立编码、且其取值是根据样本数据集合对应的难度级别而确定，m表示样本数据集合的总数量，n表示学生的总数量，pn+1,j表示不同于上述n个学生的另外一个新学生的历史学习数据被划分到第j个样本数据集合的概率，▽表示梯度运算符号；
进一步，所述陪伴学习角色确定模块根据所述学习能力类别初步划分信息和所述学习能力类别划分误差信息，指示所述对抗网络模型对若干所述样本数据集合进行重新分析处理，从而获得所述学生各自对应的学习能力类别最终划分信息，并根据所述学习能力类别最终划分信息，确定与所述学生匹配的陪伴学习角色具体包括：
根据所述学生各自对应的学习能力类别初步划分代表值V(d)、所述学生各自对应的学习能力类别划分误差系数V(g)以及下面公式(3)，确定指示所述对抗网络模型对若干所述样本数据集合进行重新分析处理，从而获得所述学生各自对应的学习能力类别最终划分代表值：
Figure BDA0002704933830000071
在上述公式(3)中，V表示所述学生各自对应的学习能力类别最终划分代表值，yj表示第j个样本数据集合的预设独立编码、且其取值是根据样本数据集合对应的难度级别而确定，pij表示第i个学生的历史学习数据被划分到第j个样本数据集合的概率，m表示样本数据集合的总数量，n表示学生的总数量，pn+1,j表示不同于上述n个学生的另外一个新学生的历史学习数据被划分到第j个样本数据集合的概率；
再将所述学生各自对应的学习能力类别最终划分代表值V与预设陪伴学习角色对照表进行比对，并根据比对的结果，确定与所述学生匹配的陪伴学习角色。
相比于现有技术，该基于对抗网络模型的陪伴学习角色生成方法和系统通过获取若干学生的历史学习内容数据，并根据该历史学习内容数据的难度级别，将该历史学习内容数据划分为若干样本数据集合，并将对抗网络模型对若干该样本数据集合进行分析处理，从而获得该学生各自对应的学习能力类别初步划分信息和学习能力类别划分误差信息，再根据该学习能力类别初步划分信息和该学习能力类别划分误差信息，指示该对抗网络模型对若干该样本数据集合进行重新分析处理，从而获得该学生各自对应的学习能力类别最终划分信息，并根据该学习能力类别最终划分信息，确定与该学生匹配的陪伴学习角色；可见，该基于对抗网络模型的陪伴学习角色生成方法和系统能够根据不同学生的历史学习内容数据对应的难度级别形成不同的样本数据集合，并且还利用对抗网络模型对不同的样本数据集合进行处理，以此实现对学生的学习能力类别初步划分和学习能力类别划分误差确定，这样能够为后续对不同的样本数据集合进行重新分析处理，并得到学生各自对应的学习能力类别最终划分信息以及确定与学生匹配的陪伴学习角色，从而便于根据不同学生自身的实际学习情况生成与之匹配的虚拟陪伴学习角色以及提高虚拟现实教学的人性化和体验性。
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为本发明提供的基于对抗网络模型的陪伴学习角色生成方法的流程示意图。
图2为本发明提供的基于对抗网络模型的陪伴学习角色生成系统的结构示意图。
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基于对抗网络模型的陪伴学习角色生成方法的流程示意图。该基于对抗网络模型的陪伴学习角色生成方法包括如下步骤：
步骤S1，获取若干学生的历史学习内容数据，并根据该历史学习内容数据的难度级别，将该历史学习内容数据划分为若干样本数据集合；
步骤S2，将对抗网络模型对若干该样本数据集合进行分析处理，从而获得该学生各自对应的学习能力类别初步划分信息和学习能力类别划分误差信息；
步骤S3，根据该学习能力类别初步划分信息和该学习能力类别划分误差信息，指示该对抗网络模型对若干该样本数据集合进行重新分析处理，从而获得该学生各自对应的学习能力类别最终划分信息，并根据该学习能力类别最终划分信息，确定与该学生匹配的陪伴学习角色。
上述技术方案的有益效果为：该基于对抗网络模型的陪伴学习角色生成方法能够根据不同学生的历史学习内容数据对应的难度级别形成不同的样本数据集合，并且还利用对抗网络模型对不同的样本数据集合进行处理，以此实现对学生的学习能力类别初步划分和学习能力类别划分误差确定，这样能够为后续对不同的样本数据集合进行重新分析处理，并得到学生各自对应的学习能力类别最终划分信息以及确定与学生匹配的陪伴学习角色，从而便于根据不同学生自身的实际学习情况生成与之匹配的虚拟陪伴学习角色以及提高虚拟现实教学的人性化和体验性。
优选地，在该步骤S1中，获取若干学生的历史学习内容数据，并根据该历史学习内容数据的难度级别，将该历史学习内容数据划分为若干样本数据集合具体包括：
步骤S101，获取若干该学生在上一学年学习过程中对应的历史学习数据，并对该历史学习数据依次进行数据去重处理和数据卡尔曼滤波处理；
步骤S102，获取该历史学习数据包含的每一项学习子数据的科目类型和学习数据信息量，并根据该科目类型和该学习数据信息量，确定每一项学习子数据的难度级别；
步骤S103，将具有相同难度级别的所有学习子数据都划分到同一数据样本集合中，从而获得对应不同难度级别的若干数据样本集合。
上述技术方案的有益效果为：通过对历史学习数据进行数据去重处理和数据卡尔曼滤波处理，能够有效地剔除其中包含的冗余数据和噪声成分，以便于减少确定学习子数据的难度级别的计算量和提高学习子数据的划分准确性和可靠性。
优选地，在该步骤S2中，将对抗网络模型对若干该样本数据集合进行分析处理，从而获得该学生各自对应的学习能力类别初步划分信息和学习能力类别划分误差信息具体包括：
步骤S201，将若干该样本数据集合输入至该对抗网络模型，并通过下面公式(1)，确定该学生各自对应的学习能力类别初步划分代表值：
Figure BDA0002704933830000101
在上述公式(1)中，V(d)表示学生对应的学习能力类别初步划分代表值，yj表示第j个样本数据集合的预设独立编码、且其取值是根据样本数据集合对应的难度级别而确定，pij表示第i个学生的历史学习数据被划分到第j个样本数据集合的概率，m表示样本数据集合的总数量，n表示学生的总数量，pn+1,j表示不同于上述n个学生的另外一个新学生的历史学习数据被划分到第j个样本数据集合的概率，▽表示梯度运算符号；
步骤S202，通过下面公式(2)，确定该学生各自对应的学习能力类别划分误差系数：
Figure BDA0002704933830000102
在上述公式(2)中，V(g)表示该学生各自对应的学习能力类别划分误差系数，yj表示第j个样本数据集合的预设独立编码、且其取值是根据样本数据集合对应的难度级别而确定，m表示样本数据集合的总数量，n表示学生的总数量，pn+1,j表示不同于上述n个学生的另外一个新学生的历史学习数据被划分到第j个样本数据集合的概率，▽表示梯度运算符号。
上述技术方案的有益效果为：通过上述公式(1)和(2)分别计算得到学生各自对应的学习能力类别初步划分代表值和学生各自对应的学习能力类别划分误差系数，能够有效地利用对抗网络模型来对学生进行有针对性的和可靠性的初步分类，从而便于对不同学生的学习能力类别进行细化的分析处理。
优选地，在该步骤S3中，根据该学习能力类别初步划分信息和该学习能力类别划分误差信息，指示该对抗网络模型对若干该样本数据集合进行重新分析处理，从而获得该学生各自对应的学习能力类别最终划分信息，并根据该学习能力类别最终划分信息，确定与该学生匹配的陪伴学习角色具体包括：
步骤S301，根据该学生各自对应的学习能力类别初步划分代表值V(d)、该学生各自对应的学习能力类别划分误差系数V(g)以及下面公式(3)，确定指示该对抗网络模型对若干该样本数据集合进行重新分析处理，从而获得该学生各自对应的学习能力类别最终划分代表值：
Figure BDA0002704933830000111
在上述公式(3)中，V表示该学生各自对应的学习能力类别最终划分代表值，yj表示第j个样本数据集合的预设独立编码、且其取值是根据样本数据集合对应的难度级别而确定，pij表示第i个学生的历史学习数据被划分到第j个样本数据集合的概率，m表示样本数据集合的总数量，n表示学生的总数量，pn+1,j表示不同于上述n个学生的另外一个新学生的历史学习数据被划分到第j个样本数据集合的概率；
步骤S302，将该学生各自对应的学习能力类别最终划分代表值V与预设陪伴学习角色对照表进行比对，并根据比对的结果，确定与该学生匹配的陪伴学习角色。
上述技术方案的有益效果为：通过上述公式(3)计算得到学生各自对应的学习能力类别最终划分代表值，能够有效地对学生的学习能力进行量化表征，以便于后学与预设陪伴学习角色对照表进行比对后即可快速地确定学生匹配的陪伴学习角色，从而改善确定学生的陪伴学习角色的便捷性和可靠性，其中，该预设陪伴学习角色对照表是关于学习能力类别最终划分代表值与不同陪伴学习角色类型的对照表，并且每一个学习能力类别最终划分代表值只与唯一一种陪伴学习角色相对应，这样通过查找该预设陪伴学习角色对照表就能够快速确定学生匹配的陪伴学习角色，而该预设陪伴学习角色对照表可通过大数据统计的方式预先得到。
参阅图2，为本发明实施例提供的基于对抗网络模型的陪伴学习角色生成系统的结构示意图。该基于对抗网络模型的陪伴学习角色生成系统包括学习内容数据获取与处理模块、学习能力类别初步划分信息确定模块、学习能力类别划分误差信息确定模块和陪伴学习角色确定模块；其中，
该学习内容数据获取与处理模块用于获取若干学生的历史学习内容数据，并根据该历史学习内容数据的难度级别，将该历史学习内容数据划分为若干样本数据集合；
该学习能力类别初步划分信息确定模块用于将对抗网络模型对若干该样本数据集合进行分析处理，从而获得该学生各自对应的学习能力类别初步划分信息；
该学习能力类别划分误差信息确定模块用于将对抗网络模型对若干该样本数据集合进行分析处理，从而获得该学生各自对应的学习能力类别划分误差信息；
该陪伴学习角色确定模块用于根据该学习能力类别初步划分信息和该学习能力类别划分误差信息，指示该对抗网络模型对若干该样本数据集合进行重新分析处理，从而获得该学生各自对应的学习能力类别最终划分信息，并根据该学习能力类别最终划分信息，确定与该学生匹配的陪伴学习角色。
上述技术方案的有益效果为：该基于对抗网络模型的陪伴学习角色生成系统能够根据不同学生的历史学习内容数据对应的难度级别形成不同的样本数据集合，并且还利用对抗网络模型对不同的样本数据集合进行处理，以此实现对学生的学习能力类别初步划分和学习能力类别划分误差确定，这样能够为后续对不同的样本数据集合进行重新分析处理，并得到学生各自对应的学习能力类别最终划分信息以及确定与学生匹配的陪伴学习角色，从而便于根据不同学生自身的实际学习情况生成与之匹配的虚拟陪伴学习角色以及提高虚拟现实教学的人性化和体验性。
优选地，该学习内容数据获取与处理模块获取若干学生的历史学习内容数据，并根据该历史学习内容数据的难度级别，将该历史学习内容数据划分为若干样本数据集合具体包括：
获取若干该学生在上一学年学习过程中对应的历史学习数据，并对该历史学习数据依次进行数据去重处理和数据卡尔曼滤波处理；
并获取该历史学习数据包含的每一项学习子数据的科目类型和学习数据信息量，并根据该科目类型和该学习数据信息量，确定每一项学习子数据的难度级别；
再将具有相同难度级别的所有学习子数据都划分到同一数据样本集合中，从而获得对应不同难度级别的若干数据样本集合。
上述技术方案的有益效果为：通过对历史学习数据进行数据去重处理和数据卡尔曼滤波处理，能够有效地剔除其中包含的冗余数据和噪声成分，以便于减少确定学习子数据的难度级别的计算量和提高学习子数据的划分准确性和可靠性。
优选地，该学习能力类别初步划分信息确定模块将对抗网络模型对若干该样本数据集合进行分析处理，从而获得该学生各自对应的学习能力类别初步划分信息具体包括：
将若干该样本数据集合输入至该对抗网络模型，并通过下面公式(1)，确定该学生各自对应的学习能力类别初步划分代表值：
Figure BDA0002704933830000141
在上述公式(1)中，V(d)表示学生对应的学习能力类别初步划分代表值，yj表示第j个样本数据集合的预设独立编码、且其取值是根据样本数据集合对应的难度级别而确定，pij表示第i个学生的历史学习数据被划分到第j个样本数据集合的概率，m表示样本数据集合的总数量，n表示学生的总数量，pn+1,j表示不同于上述n个学生的另外一个新学生的历史学习数据被划分到第j个样本数据集合的概率，▽表示梯度运算符号；
以及，
该学习能力类别划分误差信息确定模块将对抗网络模型对若干该样本数据集合进行分析处理，从而获得该学生各自对应的学习能力类别划分误差信息具体包括：
通过下面公式(2)，确定该学生各自对应的学习能力类别划分误差系数：
Figure BDA0002704933830000142
在上述公式(2)中，V(g)表示该学生各自对应的学习能力类别划分误差系数，yj表示第j个样本数据集合的预设独立编码、且其取值是根据样本数据集合对应的难度级别而确定，m表示样本数据集合的总数量，n表示学生的总数量，pn+1,j表示不同于上述n个学生的另外一个新学生的历史学习数据被划分到第j个样本数据集合的概率，
Figure BDA0002704933830000143
表示梯度运算符号。
上述技术方案的有益效果为：通过上述公式(1)和(2)分别计算得到学生各自对应的学习能力类别初步划分代表值和学生各自对应的学习能力类别划分误差系数，能够有效地利用对抗网络模型来对学生进行有针对性的和可靠性的初步分类，从而便于对不同学生的学习能力类别进行细化的分析处理。
优选地，该陪伴学习角色确定模块根据该学习能力类别初步划分信息和该学习能力类别划分误差信息，指示该对抗网络模型对若干该样本数据集合进行重新分析处理，从而获得该学生各自对应的学习能力类别最终划分信息，并根据该学习能力类别最终划分信息，确定与该学生匹配的陪伴学习角色具体包括：
根据该学生各自对应的学习能力类别初步划分代表值V(d)、该学生各自对应的学习能力类别划分误差系数V(g)以及下面公式(3)，确定指示该对抗网络模型对若干该样本数据集合进行重新分析处理，从而获得该学生各自对应的学习能力类别最终划分代表值：
Figure BDA0002704933830000151
在上述公式(3)中，V表示该学生各自对应的学习能力类别最终划分代表值，yj表示第j个样本数据集合的预设独立编码、且其取值是根据样本数据集合对应的难度级别而确定，pij表示第i个学生的历史学习数据被划分到第j个样本数据集合的概率，m表示样本数据集合的总数量，n表示学生的总数量，pn+1,j表示不同于上述n个学生的另外一个新学生的历史学习数据被划分到第j个样本数据集合的概率；
再将该学生各自对应的学习能力类别最终划分代表值V与预设陪伴学习角色对照表进行比对，并根据比对的结果，确定与该学生匹配的陪伴学习角色。
上述技术方案的有益效果为：通过上述公式(3)计算得到学生各自对应的学习能力类别最终划分代表值，能够有效地对学生的学习能力进行量化表征，以便于后学与预设陪伴学习角色对照表进行比对后即可快速地确定学生匹配的陪伴学习角色，从而改善确定学生的陪伴学习角色的便捷性和可靠性，其中，该预设陪伴学习角色对照表是关于学习能力类别最终划分代表值与不同陪伴学习角色类型的对照表，并且每一个学习能力类别最终划分代表值只与唯一一种陪伴学习角色相对应，这样通过查找该预设陪伴学习角色对照表就能够快速确定学生匹配的陪伴学习角色，而该预设陪伴学习角色对照表可通过大数据统计的方式预先得到。
从上述实施例的内容可知，该基于对抗网络模型的陪伴学习角色生成方法和系统通过获取若干学生的历史学习内容数据，并根据该历史学习内容数据的难度级别，将该历史学习内容数据划分为若干样本数据集合，并将对抗网络模型对若干该样本数据集合进行分析处理，从而获得该学生各自对应的学习能力类别初步划分信息和学习能力类别划分误差信息，再根据该学习能力类别初步划分信息和该学习能力类别划分误差信息，指示该对抗网络模型对若干该样本数据集合进行重新分析处理，从而获得该学生各自对应的学习能力类别最终划分信息，并根据该学习能力类别最终划分信息，确定与该学生匹配的陪伴学习角色；可见，该基于对抗网络模型的陪伴学习角色生成方法和系统能够根据不同学生的历史学习内容数据对应的难度级别形成不同的样本数据集合，并且还利用对抗网络模型对不同的样本数据集合进行处理，以此实现对学生的学习能力类别初步划分和学习能力类别划分误差确定，这样能够为后续对不同的样本数据集合进行重新分析处理，并得到学生各自对应的学习能力类别最终划分信息以及确定与学生匹配的陪伴学习角色，从而便于根据不同学生自身的实际学习情况生成与之匹配的虚拟陪伴学习角色以及提高虚拟现实教学的人性化和体验性。
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 (8)

1.基于对抗网络模型的陪伴学习角色生成方法，其特征在于，其包括如下步骤：
步骤S1，获取若干学生的历史学习内容数据，并根据所述历史学习内容数据的难度级别，将所述历史学习内容数据划分为若干样本数据集合；
步骤S2，将对抗网络模型对若干所述样本数据集合进行分析处理，从而获得所述学生各自对应的学习能力类别初步划分信息和学习能力类别划分误差信息；
步骤S3，根据所述学习能力类别初步划分信息和所述学习能力类别划分误差信息，指示所述对抗网络模型对若干所述样本数据集合进行重新分析处理，从而获得所述学生各自对应的学习能力类别最终划分信息，并根据所述学习能力类别最终划分信息，确定与所述学生匹配的陪伴学习角色。
2.如权利要求1所述的基于对抗网络模型的陪伴学习角色生成方法，其特征在于：
在所述步骤S1中，获取若干学生的历史学习内容数据，并根据所述历史学习内容数据的难度级别，将所述历史学习内容数据划分为若干样本数据集合具体包括：
步骤S101，获取若干所述学生在上一学年学习过程中对应的历史学习数据，并对所述历史学习数据依次进行数据去重处理和数据卡尔曼滤波处理；
步骤S102，获取所述历史学习数据包含的每一项学习子数据的科目类型和学习数据信息量，并根据所述科目类型和所述学习数据信息量，确定每一项学习子数据的难度级别；
步骤S103，将具有相同难度级别的所有学习子数据都划分到同一数据样本集合中，从而获得对应不同难度级别的若干数据样本集合。
3.如权利要求2所述的基于对抗网络模型的陪伴学习角色生成方法，其特征在于：
在所述步骤S2中，将对抗网络模型对若干所述样本数据集合进行分析处理，从而获得所述学生各自对应的学习能力类别初步划分信息和学习能力类别划分误差信息具体包括：
步骤S201，将若干所述样本数据集合输入至所述对抗网络模型，并通过下面公式(1)，确定所述学生各自对应的学习能力类别初步划分代表值：
Figure FDA0002704933820000021
在上述公式(1)中，V(d)表示学生对应的学习能力类别初步划分代表值，yj表示第j个样本数据集合的预设独立编码、且其取值是根据样本数据集合对应的难度级别而确定，取值范围为[1，1000]；pij表示第i个学生的历史学习数据被划分到第j个样本数据集合的概率，m表示样本数据集合的总数量，n表示学生的总数量，pn+1,j表示不同于上述n个学生的另外一个新学生的历史学习数据被划分到第j个样本数据集合的概率，
Figure FDA0002704933820000022
表示梯度运算符号；
步骤S202，通过下面公式(2)，确定所述学生各自对应的学习能力类别划分误差系数：
Figure FDA0002704933820000023
在上述公式(2)中，V(g)表示所述学生各自对应的学习能力类别划分误差系数，yj表示第j个样本数据集合的预设独立编码、且其取值是根据样本数据集合对应的难度级别而确定，m表示样本数据集合的总数量，n表示学生的总数量，pn+1,j表示不同于上述n个学生的另外一个新学生的历史学习数据被划分到第j个样本数据集合的概率，
Figure FDA0002704933820000031
表示梯度运算符号。
4.如权利要求3所述的基于对抗网络模型的陪伴学习角色生成方法，其特征在于：
在所述步骤S3中，根据所述学习能力类别初步划分信息和所述学习能力类别划分误差信息，指示所述对抗网络模型对若干所述样本数据集合进行重新分析处理，从而获得所述学生各自对应的学习能力类别最终划分信息，并根据所述学习能力类别最终划分信息，确定与所述学生匹配的陪伴学习角色具体包括：
步骤S301，根据所述学生各自对应的学习能力类别初步划分代表值V(d)、所述学生各自对应的学习能力类别划分误差系数V(g)以及下面公式(3)，确定指示所述对抗网络模型对若干所述样本数据集合进行重新分析处理，从而获得所述学生各自对应的学习能力类别最终划分代表值：
Figure FDA0002704933820000032
在上述公式(3)中，V表示所述学生各自对应的学习能力类别最终划分代表值，yj表示第j个样本数据集合的预设独立编码、且其取值是根据样本数据集合对应的难度级别而确定，pij表示第i个学生的历史学习数据被划分到第j个样本数据集合的概率，m表示样本数据集合的总数量，n表示学生的总数量，pn+1,j表示不同于上述n个学生的另外一个新学生的历史学习数据被划分到第j个样本数据集合的概率；
步骤S302，将所述学生各自对应的学习能力类别最终划分代表值V与预设陪伴学习角色对照表进行比对，并根据比对的结果，确定与所述学生匹配的陪伴学习角色。
5.基于对抗网络模型的陪伴学习角色生成系统，其特征在于，其包括学习内容数据获取与处理模块、学习能力类别初步划分信息确定模块、学习能力类别划分误差信息确定模块和陪伴学习角色确定模块；其中，
所述学习内容数据获取与处理模块用于获取若干学生的历史学习内容数据，并根据所述历史学习内容数据的难度级别，将所述历史学习内容数据划分为若干样本数据集合；
所述学习能力类别初步划分信息确定模块用于将对抗网络模型对若干所述样本数据集合进行分析处理，从而获得所述学生各自对应的学习能力类别初步划分信息；
所述学习能力类别划分误差信息确定模块用于将对抗网络模型对若干所述样本数据集合进行分析处理，从而获得所述学生各自对应的学习能力类别划分误差信息；
所述陪伴学习角色确定模块用于根据所述学习能力类别初步划分信息和所述学习能力类别划分误差信息，指示所述对抗网络模型对若干所述样本数据集合进行重新分析处理，从而获得所述学生各自对应的学习能力类别最终划分信息，并根据所述学习能力类别最终划分信息，确定与所述学生匹配的陪伴学习角色。
6.如权利要求5所述的基于对抗网络模型的陪伴学习角色生成系统，其特征在于：
所述学习内容数据获取与处理模块获取若干学生的历史学习内容数据，并根据所述历史学习内容数据的难度级别，将所述历史学习内容数据划分为若干样本数据集合具体包括：
获取若干所述学生在上一学年学习过程中对应的历史学习数据，并对所述历史学习数据依次进行数据去重处理和数据卡尔曼滤波处理；
并获取所述历史学习数据包含的每一项学习子数据的科目类型和学习数据信息量，并根据所述科目类型和所述学习数据信息量，确定每一项学习子数据的难度级别；
再将具有相同难度级别的所有学习子数据都划分到同一数据样本集合中，从而获得对应不同难度级别的若干数据样本集合。
7.如权利要求6所述的基于对抗网络模型的陪伴学习角色生成系统，其特征在于：
所述学习能力类别初步划分信息确定模块将对抗网络模型对若干所述样本数据集合进行分析处理，从而获得所述学生各自对应的学习能力类别初步划分信息具体包括：
将若干所述样本数据集合输入至所述对抗网络模型，并通过下面公式(1)，确定所述学生各自对应的学习能力类别初步划分代表值：
Figure FDA0002704933820000051
在上述公式(1)中，V(d)表示学生对应的学习能力类别初步划分代表值，yj表示第j个样本数据集合的预设独立编码、且其取值是根据样本数据集合对应的难度级别而确定，pij表示第i个学生的历史学习数据被划分到第j个样本数据集合的概率，m表示样本数据集合的总数量，n表示学生的总数量，pn+1,j表示不同于上述n个学生的另外一个新学生的历史学习数据被划分到第j个样本数据集合的概率，
Figure FDA0002704933820000052
表示梯度运算符号；
以及，
所述学习能力类别划分误差信息确定模块将对抗网络模型对若干所述样本数据集合进行分析处理，从而获得所述学生各自对应的学习能力类别划分误差信息具体包括：
通过下面公式(2)，确定所述学生各自对应的学习能力类别划分误差系数：
Figure FDA0002704933820000061
在上述公式(2)中，V(g)表示所述学生各自对应的学习能力类别划分误差系数，yj表示第j个样本数据集合的预设独立编码、且其取值是根据样本数据集合对应的难度级别而确定，m表示样本数据集合的总数量，n表示学生的总数量，pn+1,j表示不同于上述n个学生的另外一个新学生的历史学习数据被划分到第j个样本数据集合的概率，
Figure FDA0002704933820000062
表示梯度运算符号。
8.如权利要求7所述的基于对抗网络模型的陪伴学习角色生成系统，其特征在于：
所述陪伴学习角色确定模块根据所述学习能力类别初步划分信息和所述学习能力类别划分误差信息，指示所述对抗网络模型对若干所述样本数据集合进行重新分析处理，从而获得所述学生各自对应的学习能力类别最终划分信息，并根据所述学习能力类别最终划分信息，确定与所述学生匹配的陪伴学习角色具体包括：
根据所述学生各自对应的学习能力类别初步划分代表值V(d)、所述学生各自对应的学习能力类别划分误差系数V(g)以及下面公式(3)，确定指示所述对抗网络模型对若干所述样本数据集合进行重新分析处理，从而获得所述学生各自对应的学习能力类别最终划分代表值：
Figure FDA0002704933820000071
在上述公式(3)中，V表示所述学生各自对应的学习能力类别最终划分代表值，yj表示第j个样本数据集合的预设独立编码、且其取值是根据样本数据集合对应的难度级别而确定，pij表示第i个学生的历史学习数据被划分到第j个样本数据集合的概率，m表示样本数据集合的总数量，n表示学生的总数量，pn+1,j表示不同于上述n个学生的另外一个新学生的历史学习数据被划分到第j个样本数据集合的概率；
再将所述学生各自对应的学习能力类别最终划分代表值V与预设陪伴学习角色对照表进行比对，并根据比对的结果，确定与所述学生匹配的陪伴学习角色。
CN202011035045.4A 2020-09-27 2020-09-27 基于对抗网络模型的陪伴学习角色生成方法和系统 Active CN111985627B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011035045.4A CN111985627B (zh) 2020-09-27 2020-09-27 基于对抗网络模型的陪伴学习角色生成方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011035045.4A CN111985627B (zh) 2020-09-27 2020-09-27 基于对抗网络模型的陪伴学习角色生成方法和系统

Publications (2)

Publication Number Publication Date
CN111985627A true CN111985627A (zh) 2020-11-24
CN111985627B CN111985627B (zh) 2021-03-30

Family

ID=73450519

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011035045.4A Active CN111985627B (zh) 2020-09-27 2020-09-27 基于对抗网络模型的陪伴学习角色生成方法和系统

Country Status (1)

Country Link
CN (1) CN111985627B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3741485B2 (ja) * 1996-06-28 2006-02-01 三菱電機株式会社 遠隔協同授業システム
CN101799998A (zh) * 2010-01-13 2010-08-11 陈大可 以学生现实面授学习特征驱动虚拟角色个性化调整的系统及其控制方法
CN103546581A (zh) * 2013-11-08 2014-01-29 上海斐讯数据通信技术有限公司 一种面向学龄前儿童的云教育系统
CN104156899A (zh) * 2014-08-28 2014-11-19 鲜于庆 基于智能终端app的儿童数据采集方法和应用系统
CN109241830A (zh) * 2018-07-26 2019-01-18 合肥工业大学 基于光照生成对抗网络的课堂听课异常检测方法
CN109460271A (zh) * 2018-09-05 2019-03-12 广州维纳斯家居股份有限公司 一种基于桌面共享的分组系统
CN109784091A (zh) * 2019-01-16 2019-05-21 福州大学 一种融合差分隐私gan和pate模型的表格数据隐私保护方法
CN111343507A (zh) * 2020-02-29 2020-06-26 北京大米未来科技有限公司 在线授课方法、装置、存储介质和电子设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3741485B2 (ja) * 1996-06-28 2006-02-01 三菱電機株式会社 遠隔協同授業システム
CN101799998A (zh) * 2010-01-13 2010-08-11 陈大可 以学生现实面授学习特征驱动虚拟角色个性化调整的系统及其控制方法
CN103546581A (zh) * 2013-11-08 2014-01-29 上海斐讯数据通信技术有限公司 一种面向学龄前儿童的云教育系统
CN104156899A (zh) * 2014-08-28 2014-11-19 鲜于庆 基于智能终端app的儿童数据采集方法和应用系统
CN109241830A (zh) * 2018-07-26 2019-01-18 合肥工业大学 基于光照生成对抗网络的课堂听课异常检测方法
CN109460271A (zh) * 2018-09-05 2019-03-12 广州维纳斯家居股份有限公司 一种基于桌面共享的分组系统
CN109784091A (zh) * 2019-01-16 2019-05-21 福州大学 一种融合差分隐私gan和pate模型的表格数据隐私保护方法
CN111343507A (zh) * 2020-02-29 2020-06-26 北京大米未来科技有限公司 在线授课方法、装置、存储介质和电子设备

Also Published As

Publication number Publication date
CN111985627B (zh) 2021-03-30

Similar Documents

Publication Publication Date Title
CN105955962A (zh) 题目相似度的计算方法及装置
CN103744889A (zh) 一种用于对问题进行聚类处理的方法与装置
CN103150383A (zh) 一种短文本数据的事件演化分析方法
Bulus et al. Statistical power and precision of experimental studies originated in the Republic of Turkey from 2010 to 2020: Current practices and some recommendations
CN110929169A (zh) 基于改进Canopy聚类协同过滤算法的职位推荐方法
CN111985627B (zh) 基于对抗网络模型的陪伴学习角色生成方法和系统
CN116402166B (zh) 一种预测模型的训练方法、装置、电子设备及存储介质
CN112395401A (zh) 自适应负样本对采样方法、装置、电子设备及存储介质
CN112015779A (zh) 学生偏好预测的方法、系统和装置
CN116628162A (zh) 语义问答方法、装置、设备及存储介质
CN110502669A (zh) 基于n边dfs子图的轻量级无监督图表示学习方法及装置
CN115995092A (zh) 图纸文字信息提取方法、装置、设备
CN115587192A (zh) 关系信息抽取方法、设备及计算机可读存储介质
CN113470830A (zh) 异常数据处理方法、装置、设备及存储介质
Siregar et al. Analysis Of Decision Support Systems Edas Method In New Student Admission Selection
CN114139530A (zh) 同义词提取方法、装置、电子设备及存储介质
CN109308565B (zh) 人群绩效等级识别方法、装置、存储介质及计算机设备
CN111652102A (zh) 一种输电通道目标物辨识方法及系统
CN112632264A (zh) 智能问答方法、装置、电子设备及存储介质
Milinković et al. Using decision tree classifier for analyzing students’ activities
CN111241165A (zh) 一种基于大数据的人工智能教育系统及数据处理方法
JP2008250409A (ja) 典型文分析装置、その方法及びそのプログラム
CN112001825B (zh) 基于认知图谱的学习认知路径规划系统
CN113723611B (zh) 基于因果推断的业务因子生成方法、装置、设备及介质
CN104298729B (zh) 数据分类方法及装置

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
GR01 Patent grant
GR01 Patent grant
PP01 Preservation of patent right

Effective date of registration: 20221020

Granted publication date: 20210330

PP01 Preservation of patent right