CN112132480A - 大数据在线教育平台的师资匹配方法及系统 - Google Patents
大数据在线教育平台的师资匹配方法及系统 Download PDFInfo
- Publication number
- CN112132480A CN112132480A CN202011051968.9A CN202011051968A CN112132480A CN 112132480 A CN112132480 A CN 112132480A CN 202011051968 A CN202011051968 A CN 202011051968A CN 112132480 A CN112132480 A CN 112132480A
- Authority
- CN
- China
- Prior art keywords
- oscillogram
- difference
- standard music
- obtaining
- teaching
- 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 36
- 230000033764 rhythmic process Effects 0.000 claims abstract description 46
- 230000008676 import Effects 0.000 claims abstract description 11
- 230000002354 daily effect Effects 0.000 claims description 38
- 238000010586 diagram Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000003203 everyday effect Effects 0.000 claims description 6
- 239000002131 composite material Substances 0.000 description 12
- 230000003044 adaptive effect Effects 0.000 description 11
- 230000008859 change Effects 0.000 description 9
- 238000001514 detection method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012550 audit Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/63—Querying
-
- 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)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Educational Technology (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Auxiliary Devices For Music (AREA)
Abstract
本发明实施例公开了一种大数据在线教育平台的师资匹配方法及系统,所述方法包括:通过音乐数据导入接口获得导入学生日常喜欢听的音乐数据;将所述学习科目、所述学习级别、所述节奏、音色、音调、性格信息与师资库中的教师的授课科目、授课级别、授课节奏、授课音色、授课音调、授课风格进行匹配,得到所述教师的匹配指数;将匹配指数的最大值对应的教师作为目标推荐教师。通过学生日常喜欢听的歌曲预测得到学生应该感兴趣的、喜欢的教师,该教师的授课科目、授课级别、授课节奏、授课音色、授课音调、授课风格是学生喜欢的,学生不再需要试听很多课程才能选到合适的老师,在线教育平台能够智能地为学生匹配学生喜欢的老师,高效、可靠。
Description
技术领域
本发明涉及计算机技术领域,具体而言涉及一种大数据在线教育平台的师资匹配方法及系统。
背景技术
在线教育越来越成为当下学习者活的知识、巩固知识的一个渠道,例如学生通过登录在线平台,可以是从在线平台的老师们学习知识、技能等等。但是,现在的在线教育平台中,往往是通过学生选课,然后就直接上课,但是,可能授课的老师并不是学生喜欢的老师,学习效果可能并不如意。如大家所知,都说兴趣是最好的老师,如果老师不是学生喜欢的老师甚至是学生讨厌的老师,学习效果可能不好,如果授课的老师是学生喜欢的老师,那么学生的在是从老师的过程中,学习会事半功倍。现有的在线教育平台中,也有试课的方式,给学生选择老师的机会,但是,这个时候,学生可能需要试听很多个老师的课程,或者是要是听若干节同一个老师的课程,才能找到或者是还不能找到其感兴趣的老师,才能对老师的教学方法、方式感兴趣、认可。但是,这种方式并不是经济有效的方式:老师不可能提供那么多节免费的试课,学生花费试课的时间太多无疑是对学生时间和精力的浪费。
为此,一种高效的师资匹配方法为人们所需。
发明内容
本发明的目的在于提供了一种大数据在线教育平台的师资匹配方法及系统,用以解决现有技术中存在的上述问题。
第一方面,本发明实施例提供了一种大数据在线教育平台的师资匹配方法,包括:
通过音乐数据导入接口获得导入学生日常喜欢听的音乐数据;
获得学生选择的学习计划数据,所述学习计划数据包括学习科目、学习级别;
将所述学生日常喜欢听的音乐数据与大数据库中的标准音乐进行匹配,获得目标标准音乐,所述目标标准音乐为大数据库中与所述学生日常喜欢听的音乐数据匹配的标准音乐;
从大数据库中获得所述目标标准音乐对应的节奏、音色、音调、性格信息;
将所述学习科目、所述学习级别、所述节奏、音色、音调、性格信息与师资库中的教师的授课科目、授课级别、授课节奏、授课音色、授课音调、授课风格进行匹配,得到所述教师的匹配指数,所述匹配指数表征所述学生与教师的匹配程度;
将匹配指数的最大值对应的教师作为目标推荐教师,将所述目标推荐教师的教师信息发送给学生;所述教师信息包括教师名字、授课科目、授课级别、试课课程视频。
可选的,所述学生日常喜欢听的音乐数据包括学生日常喜欢听的多个曲子;所述将所述学生日常喜欢听的音乐数据与大数据库中的标准音乐进行匹配,获得目标标准音乐,包括:
获得学生日常喜欢听的多个曲子的波形图;
对多个曲子的波形图进行拟合,得到拟合波形图;
获得拟合波形图的多个波峰与标准音乐的波形图的多个波峰的第一差值;获得拟合波形图的多个波谷与标准音乐的波形图的多个波谷的第二差值;
基于第一差值和第二差值得到拟合波形图与标准音乐之间的匹配因子;大数据库中的标准音乐有多个,对应的有多个匹配因子;
获得匹配因子最大的标准音乐作为目标标准音乐。
可选的,拟合波形图的多个波峰与标准音乐的波形图的多个波峰一一对应;所述获得拟合波形图的多个波峰与标准音乐的波形图的多个波峰的第一差值,包括:
获得一一对应的拟合波形图的波峰与标准音乐的波形图的波峰的时间差和振幅差,获得所有波峰的所述振幅差与所述时间差的商;对所有所述商之和开平方,得到所述第一差值;第一差值的具体计算方式如公式(1)所示:
其中,d1表示第一差值,n表示拟合波形图的波峰的数量,tpi表示拟合波形图中第i个波峰所处的时间点;TPi表示标准音乐的波形图中第i个波峰所处的时间点,peaki表示拟合波形图中第i个波峰的位置,Peaki表示标准音乐的波形图中第i个波峰的位置,拟合波形图中第i个波峰的位置peaki与标准音乐的波形图中第i个波峰的位置Peaki对应。
可选的,拟合波形图的多个波谷与标准音乐的波形图的多个波谷一一对应;
获得一一对应的拟合波形图的波谷与标准音乐的波形图的波谷的时间差和振幅差,获得所有波峰的所述振幅差与所述时间差的商;对所有所述商之和开平方,得到所述第二差值;具体计算方式如公式(2)所示:
其中,d2表示第二差值,m表示拟合波形图的波谷的数量,ttj表示拟合波形图中第j个波谷所处的时间点;TTj表示标准音乐的波形图中第j个波谷所处的时间点,troughj表示拟合波形图中第j个波谷的位置,Troughj表示标准音乐的波形图中第j个波谷的位置,拟合波形图中第j个波谷的位置troughj与标准音乐的波形图中第j个波谷的位置Troughj对应。
可选的,所述基于第一差值和第二差值得到拟合波形图与标准音乐之间的匹配因子,包括:
获得所述第一差值与所述第二差值之间的第三差值的绝对值;
以所述第三差值的绝对值以e为底数的指数的倒数作为所述匹配因子;匹配因子的具体计算方式如公式(3)所示:
p=e-|d1-d2| (3)
其中,p表示匹配因子,e为自然数底数。
第二方面,本发明实施例提供了一种大数据在线教育平台的师资匹配系统,包括:
导入模块,用于通过音乐数据导入接口获得导入学生日常喜欢听的音乐数据;
第一获得模块,用于获得学生选择的学习计划数据,所述学习计划数据包括学习科目、学习级别;
第一匹配模块,用于将所述学生日常喜欢听的音乐数据与大数据库中的标准音乐进行匹配,获得目标标准音乐,所述目标标准音乐为大数据库中与所述学生日常喜欢听的音乐数据匹配的标准音乐;
第二获得模块,用于从大数据库中获得所述目标标准音乐对应的节奏、音色、音调、性格信息;
第二匹配模块,用于将所述学习科目、所述学习级别、所述节奏、音色、音调、性格信息与师资库中的教师的授课科目、授课级别、授课节奏、授课音色、授课音调、授课风格进行匹配,得到所述教师的匹配指数,所述匹配指数表征所述学生与教师的匹配程度;
推荐模块,用于将匹配指数的最大值对应的教师作为目标推荐教师,将所述目标推荐教师的教师信息发送给学生;所述教师信息包括教师名字、授课科目、授课级别、试课课程视频。
可选的,所述学生日常喜欢听的音乐数据包括学生日常喜欢听的多个曲子;所述将所述学生日常喜欢听的音乐数据与大数据库中的标准音乐进行匹配,获得目标标准音乐,包括:
获得学生日常喜欢听的多个曲子的波形图;
对多个曲子的波形图进行拟合,得到拟合波形图;
获得拟合波形图的多个波峰与标准音乐的波形图的多个波峰的第一差值;获得拟合波形图的多个波谷与标准音乐的波形图的多个波谷的第二差值;
基于第一差值和第二差值得到拟合波形图与标准音乐之间的匹配因子;大数据库中的标准音乐有多个,对应的有多个匹配因子;
获得匹配因子最大的标准音乐作为目标标准音乐。
可选的,拟合波形图的多个波峰与标准音乐的波形图的多个波峰一一对应;所述获得拟合波形图的多个波峰与标准音乐的波形图的多个波峰的第一差值,包括:
获得一一对应的拟合波形图的波峰与标准音乐的波形图的波峰的时间差和振幅差,获得所有波峰的所述振幅差与所述时间差的商;对所有所述商之和开平方,得到所述第一差值;第一差值的具体计算方式如公式(1)所示:
其中,d1表示第一差值,n表示拟合波形图的波峰的数量,tpi表示拟合波形图中第i个波峰所处的时间点;TPi表示标准音乐的波形图中第i个波峰所处的时间点,peaki表示拟合波形图中第i个波峰的位置,Peaki表示标准音乐的波形图中第i个波峰的位置,拟合波形图中第i个波峰的位置peaki与标准音乐的波形图中第i个波峰的位置Peaki对应。
可选的,拟合波形图的多个波谷与标准音乐的波形图的多个波谷一一对应;
获得一一对应的拟合波形图的波谷与标准音乐的波形图的波谷的时间差和振幅差,获得所有波峰的所述振幅差与所述时间差的商;对所有所述商之和开平方,得到所述第二差值;具体计算方式如公式(2)所示:
其中,d2表示第二差值,m表示拟合波形图的波谷的数量,ttj表示拟合波形图中第j个波谷所处的时间点;TTj表示标准音乐的波形图中第j个波谷所处的时间点,troughj表示拟合波形图中第j个波谷的位置,Troughj表示标准音乐的波形图中第j个波谷的位置,拟合波形图中第j个波谷的位置troughj与标准音乐的波形图中第j个波谷的位置Troughj对应。
可选的,所述基于第一差值和第二差值得到拟合波形图与标准音乐之间的匹配因子,包括:
获得所述第一差值与所述第二差值之间的第三差值的绝对值;
以所述第三差值的绝对值以e为底数的指数的倒数作为所述匹配因子;匹配因子的具体计算方式如公式(3)所示:
p=e-|d1-d2| (3)
其中,p表示匹配因子,e为自然数底数。
相对于现有技术,本发明达到的有益效果为:
本发明实施例提供了一种大数据在线教育平台的师资匹配方法及系统,所述方法包括:通过音乐数据导入接口获得导入学生日常喜欢听的音乐数据;获得学生选择的学习计划数据,所述学习计划数据包括学习科目、学习级别;将所述学生日常喜欢听的音乐数据与大数据库中的标准音乐进行匹配,获得目标标准音乐,所述目标标准音乐为大数据库中与所述学生日常喜欢听的音乐数据匹配的标准音乐;从大数据库中获得所述目标标准音乐对应的节奏、音色、音调、性格信息;将所述学习科目、所述学习级别、所述节奏、音色、音调、性格信息与师资库中的教师的授课科目、授课级别、授课节奏、授课音色、授课音调、授课风格进行匹配,得到所述教师的匹配指数,所述匹配指数表征所述学生与教师的匹配程度;将匹配指数的最大值对应的教师作为目标推荐教师,将所述目标推荐教师的教师信息发送给学生;所述教师信息包括教师名字、授课科目、授课级别、试课课程视频。通过采用以上方案,通过学生日常喜欢听的歌曲预测得到学生应该感兴趣的、喜欢的教师,该教师的授课科目、授课级别、授课节奏、授课音色、授课音调、授课风格是学生喜欢的,如此可以提高学生的学习效果。学生不再需要试听很多课程才能选到合适的老师,在线教育平台能够智能地为学生匹配学生可能喜欢的老师,高效、科学、可靠。
附图说明
图1是本发明实施例提供的一种大数据在线教育平台的师资匹配方法流程图。
图2是本发明实施例提供的一种大数据在线教育平台的师资匹配系统方框结构示意图。
图3是本发明实施例提供的一种电子设备的方框结构示意图。
具体实施方式
下面结合附图,对本发明作详细的说明。
实施例
本发明实施例提供了一种大数据在线教育平台的师资匹配方法,如图1所示,所述方法包括:
S101:通过音乐数据导入接口获得导入学生日常喜欢听的音乐数据。
所述音乐数据包括音乐曲子,学生喜欢听的音乐曲子可以有多首,可以从学生日常喜欢听歌的应用程序中获得。
S102:获得学生选择的学习计划数据,所述学习计划数据包括学习科目、学习级别。学习科目包括英语、数学、计算机等等课程,学习级别包括一年级、二年级、大一、大二等等表示学生学习课程难度的级别。
S103:将所述学生日常喜欢听的音乐数据与大数据库中的标准音乐进行匹配,获得目标标准音乐。
所述目标标准音乐为大数据库中与所述学生日常喜欢听的音乐数据匹配的标准音乐。
S104:从大数据库中获得所述目标标准音乐对应的节奏、音色、音调、性格信息。
S105:将所述学习科目、所述学习级别、所述节奏、音色、音调、性格信息与师资库中的教师的授课科目、授课级别、授课节奏、授课音色、授课音调、授课风格进行匹配,得到所述教师的匹配指数。
所述匹配指数表征所述学生与教师的匹配程度。
S106:将匹配指数的最大值对应的教师作为目标推荐教师,将所述目标推荐教师的教师信息发送给学生。
所述教师信息包括教师名字、授课科目、授课级别、试课课程视频。
通过采用以上方案,通过学生日常喜欢听的歌曲预测得到学生应该感兴趣的、喜欢的教师,该教师的授课科目、授课级别、授课节奏、授课音色、授课音调、授课风格是学生喜欢的,如此可以提高学生的学习效果。学生不再需要试听很多课程才能选到合适的老师,在线教育平台能够智能地为学生匹配学生可能喜欢的老师,高效、科学、可靠。
可选的,所述学生日常喜欢听的音乐数据包括学生日常喜欢听的多个曲子。所述将所述学生日常喜欢听的音乐数据与大数据库中的标准音乐进行匹配,获得目标标准音乐,具体的可以是:
获得学生日常喜欢听的多个曲子的波形图;
对多个曲子的波形图进行拟合,得到拟合波形图;
获得拟合波形图的多个波峰与标准音乐的波形图的多个波峰的第一差值;获得拟合波形图的多个波谷与标准音乐的波形图的多个波谷的第二差值;
基于第一差值和第二差值得到拟合波形图与标准音乐之间的匹配因子;大数据库中的标准音乐有多个,对应的有多个匹配因子;
获得匹配因子最大的标准音乐作为目标标准音乐。
其中,拟合波形图的多个波峰与标准音乐的波形图的多个波峰一一对应;所述获得拟合波形图的多个波峰与标准音乐的波形图的多个波峰的第一差值具体为:
获得一一对应的拟合波形图的波峰与标准音乐的波形图的波峰的时间差和振幅差,获得所有波峰的所述振幅差与所述时间差的商;对所有所述商之和开平方,得到所述第一差值;第一差值的具体计算方式如公式(1)所示:
其中,d1表示第一差值,n表示拟合波形图的波峰的数量,tpi表示拟合波形图中第i个波峰所处的时间点;TPi表示标准音乐的波形图中第i个波峰所处的时间点,peaki表示拟合波形图中第i个波峰的位置,Peaki表示标准音乐的波形图中第i个波峰的位置,拟合波形图中第i个波峰的位置peaki与标准音乐的波形图中第i个波峰的位置Peaki对应。
通过采用以上方案,通过计算两个波形图(拟合波形图和标准音乐的波形图)中的波峰位置的变化率,然后以变化率的标准差作为获得拟合波形图的多个波峰与标准音乐的波形图的多个波峰的第一差值,而不是直接将波峰的位置变化差值作为第一差值,通过如此,第一差值可以准确表征两个波形图的波峰的变化差异,从而可以准确表征两个波形图的匹配程度。
其中,拟合波形图的多个波谷与标准音乐的波形图的多个波谷一一对应。获得一一对应的拟合波形图的波谷与标准音乐的波形图的波谷的时间差和振幅差,获得所有波峰的所述振幅差与所述时间差的商;对所有所述商之和开平方,得到所述第二差值;第二差值的具体计算方式如公式(2)所示:
其中,d2表示第二差值,m表示拟合波形图的波谷的数量,ttj表示拟合波形图中第j个波谷所处的时间点;TTj表示标准音乐的波形图中第j个波谷所处的时间点,troughj表示拟合波形图中第j个波谷的位置,Troughj表示标准音乐的波形图中第j个波谷的位置,拟合波形图中第j个波谷的位置troughj与标准音乐的波形图中第j个波谷的位置Troughj对应。
通过采用以上方案,通过计算两个波形图(拟合波形图和标准音乐的波形图)中的波谷位置的变化率,然后以变化率的标准差作为获得拟合波形图的多个波谷与标准音乐的波形图的多个波谷的第二差值,而不是直接将波谷的位置变化差值作为第二差值,通过如此,第二差值可以准确表征两个波形图的波谷的变化差异,从而可以准确表征两个波形图的匹配程度。
如此,基于第一差值和第二差值得到拟合波形图与标准音乐之间的匹配因子可以准确表示两个波形图的相似程度(匹配程度)。
其中,所述基于第一差值和第二差值得到拟合波形图与标准音乐之间的匹配因子,具体为:
获得所述第一差值与所述第二差值之间的第三差值的绝对值;
以所述第三差值的绝对值以e为底数的指数的倒数作为所述匹配因子;匹配因子的具体计算方式如公式(3)所示:
p=e-|d1-d2| (3)
其中,p表示匹配因子,e为自然数底数。
以波峰的匹配程度(第一差值)减去波谷的匹配程度(第二差值),可以提高两个波形图匹配的准确性。匹配因子越小,表示两个波形图的匹配程度越高。
在本发明实施例中,在将匹配指数的最大值对应的教师作为目标推荐教师,将所述目标推荐教师的教师信息发送给学生之后,所述方法还包括:
若监听到所述学生对所述课程视频进行试听的操作,控制摄像头打开并拍摄学生在试听所述课程视频过程中的试听视频。在监听到结束试听所述课程视频的操作时,根据所述试听视频对所述课程视频对应的教师进行适应性打分,将适应性打分的结果发送给所述学生。之后,若监听到所述学生选择学习或者收藏所述教师信息,将所述教师信息存入所述学生的教师库中。此时,表示学生对该老师的教授风格是喜欢的,学生可以收藏在教师库中,以供日后学习以及师从该教师。
若监听到所述学生对所述课程视频进行拒绝试听的操作,表示学生不喜欢这位目标推荐教师,那么需要推荐更加适合学生的教师给学生。此时,获得学生的学习科目、学习级别、适应节奏、偏好音色、偏好音调、性格信息,并计算学生的学习科目、学习级别、适应节奏、偏好音色、偏好音调、性格信息与所述目标推荐教师的授课科目、授课级别、授课节奏、授课音色、授课音调、授课风格之间的偏差值,获得所述目标推荐教师的匹配指数与所述偏差值之和,得到调整匹配指数,将所述调整匹配指数对应的师资大数据库中的教师信息发送给学生。
如此能够为学生匹配到合适的教师,提高学生的体验效果。
其中,所述视频中包括多帧人脸图像,所述根据所述试听视频对所述课程视频对应的教师进行适应性打分,包括:在所述视频的每帧人脸图像中识别出学生的人脸信息,多帧人脸图像对应多个人脸信息;
针对每帧人脸图像,根据所述人脸信息得到所述学生对所述教师的偏好值,所述偏好值表征所述学生对所述教师的课程教授作出的反应情况;
以所有人脸图像对应的偏好值之和作为学生对所述教师的适应性打分的结果。
需要说明的是,所述人脸信息包括人脸信息图,所述人脸信息图是由人脸特征和人脸轮廓组合得到的图像;所述根据所述人脸信息得到所述学生对所述教师的偏好值,包括:
基于人脸信息图和标准人脸信息图获得人脸的形变信息图;所述标准人脸信息图是基于标准人脸图像获得的,所述标准人脸图像预先拍摄学生并存储在大数据库中。以所述形变信息图的像素值的作为所述学生对所述教师的偏好值,针对所述形变信息图中的像素值,对于嘴角特征点的像素值为人脸信息图中嘴角的位置和标准人脸信息中嘴角的位置的变化距离。
作为进一步的,计算学生的学习科目、学习级别、适应节奏、偏好音色、偏好音调、性格信息与所述目标推荐教师的授课科目、授课级别、授课节奏、授课音色、授课音调、授课风格之间的偏差值,具体为:
对学习科目、学习级别、适应节奏、偏好音色、偏好音调、性格信息与授课科目、授课级别、授课节奏、授课音色、授课音调、授课风格的差值进行加权求和,得到第一偏差指数;第一偏差指数具体计算方式如公式(4)所示:
其中,r1表示第一偏差指数,ak表示第k个加权系数,ak,k=1,2,3,4,5,6的取值分别是0.5、0.2、0.1、0.09、0.06、0.05,Sk,k=1,2,3,4,5,6分别表示学习科目、学习级别、适应节奏、偏好音色、偏好音调、性格信息的取值,学习科目、学习级别、适应节奏、偏好音色、偏好音调、性格信息分别用数字级别表示。例如学习科目为1,表示学习科目为语文,学习科目为2表示学习科目为数学;学习级别为1表示学习的是1年级的课程,学习级别为2表示二年级的课程;适应节奏为1表示适应适应速度为1级别的授课速度,适应节奏为2表示适应适应速度为2级别的授课速度,偏好音色为1表示偏好低沉音色,偏好音色为2表示偏好尖锐音色;偏好音调为1表示偏好轻音调、偏好音调为2表示偏好高音调,性格信息为1表示偏好轻快活泼风格,性格信息为2表示偏好严肃风格。
Tek,k=1,2,3,4,5,6分别表示授课科目、授课级别、授课节奏、授课音色、授课音调、授课风格的取值,授课科目、授课级别、授课节奏、授课音色、授课音调、授课风格分别用数字级别表示。例如,授课科目为1,表示授课科目为语文,授课科目为2表示授课科目为数学;授课级别为1表示教授的是1年级的课程,授课级别为2表示二年级的课程;授课节奏为1表示速度为1级别的授课速度,授课节奏为2表示速度为2级别的授课速度,授课音色为1表示低沉音色,授课音色为2表示尖锐音色;授课音调为1表示轻音调、授课音调为2表示高音调,授课风格为1表示轻快活泼风格,授课风格为2表示严肃风格。
以学习科目、学习级别、适应节奏、偏好音色、偏好音调、性格信息与授课科目、授课级别、授课节奏、授课音色、授课音调、授课风格的标准差作为第二偏差指数;如公式(5)所示:
其中,r2表示第二偏差指数;
可选的,在所述视频的每帧人脸图像中识别出学生的人脸信息,包括:
获得当前帧图像的前一帧图像的前像素点以及后一帧图像中与前像素点位置相对应的一后像素点。如果当前帧图像是第一帧图像,那么残差区域是基于当前帧图像和当前帧图像的后一帧图像获得的。
基于与前像素点对应的前区块和后区块,通过绝对差值和运算获得前像素点和后像素点之间的第一差值信息。前区块是前一帧图像中的一个区块,后区块是后一帧图像中的区域。前区块包括多个像素点。当像素点对应的前区块是,以前像素点为中心,设定大小的一个矩形区块,例如当前区块是2x2的区块的矩形区块。若前像素点的位置处在当前帧图像的边缘,则前区块包括以当前像素点为中心,获得与该像素点相邻的多个像素点,这些像素点构成的确定的一个区块就是当前区块。
针对前区块中的每个像素点,获得每个像素点的取值与后区块中与每个像素点位置相对应的像素点的取值的差值;对差值的绝对值进行求和运算,获得第一差值信息,多个前像素点对应多个第一差值信息,多个第一差值信息按照与前像素点的对应关系,组成残差区块。其中,每个前区块中的每个像素点对应一个差值,具体的,对每个差值的绝对值进行求和运算。为了获得前帧图像中与前区块位置相对应的后区块,在后一帧图像中,获得与前区块位置相对应的后区块,当前区块中的每个像素点与后区块中的每个像素点一一位置相对应。其中,位置相对应指的是位置一一对应,例如前像素点的位置与后像素点的位置相同,具体体现为,前像素点的位置的取值与后像素点的位置的取值相同,例如,若前像素点的位置的取值为(1,2),后像素点的位置的取值为(1,2),则前像素点与后像素点位置相对应。如此,前区块和后区块的大小一致。具体的,通过下述公式(6)获得第一差值信息。
其中,a(i,j)表示前像素点(m,n)对应的前区块中的像素点(i,j)的取值,b(i,j)表示后区块中与像素点(i,j)位置相对应的像素点的取值,k表示前区块在横轴方向的像素点的数量,s1(m,n)表示第一差值信息。通过采用于前像素点对应的前区块中的每个像素点的取值,减去与前像素点对应的后区块中的与前区块的每个像素点一一对应的每个像素点的取值,求取获得的差值的绝对值,对这些像素点对应的绝对值进行求和,获得第一差值信息,进而得到的残差区块可以准确表征前帧图像相对于后一帧图像的差别。
获得残差区域中的像素点(i,j)的像素值与所述当前帧图像中的像素点(i,j+k)的像素值之和,其中,i,j是正整数,k是大于或等于0的整数。然后,若和大于255,融合当前帧图像的像素点(i,j)的像素值为第一差值,第一差值为255与和与255的商的余数之差值。例如,残差区域中的像素点(i,j)的像素值与所述当前帧图像中的像素点(i,j+k)的像素值之和为Y,Y>255,Y/255的余数为X,则第一差值等于255-X。若和不大于255,融合当前帧图像的像素点(i,j)的像素值为和。即融合当前帧图像的像素点(i,j)的像素值为Y。
对所述融合当前帧图像进行高通滤波,获得高频当前帧图像。对所述融合当前帧图像进行低通滤波,获得低频当前帧图像;
若高频当前帧图像中像素点(i,j)的像素值与低频当前帧图像中像素点(i,j)的像素值相等,且像素点的像素值为第一取值,则对复合当前帧图像的像素点(i,j)的像素值赋值成第二取值;若高频当前帧图像中像素点(i,j)的像素值与低频当前帧图像中像素点(i,j)的像素值相同,且像素点的像素值不为第一取值,则对复合当前帧图像的像素点(i,j)进行扩展,以使像素点(i,j)包括一个融合通道;对融合通道进行赋值,以使融合通道的取值为第二取值,第二取值与所述像素点的像素值和第一取值不同。通过采用以上方案,获得的复合当前帧图像包括了高频当前帧图像中的像素信息和低频当前帧图像中的像素信息,增强了复合当前帧图像的特征,进而为提高了检测的目标的准确性。
获得所述融合当前帧图像和所述复合当前帧图像的距离;
若所述距离小于目标值,基于所述当前帧目标区域和所述复合目标区域,获得待检测的人脸区域,人脸区域包括人脸信息,具体的可以包括人脸位置、轮廓、颜色信息。
通过采用以上方案,通过基于视频中当前帧图像的前一帧图像和后一帧图像,获得残差区域,将残差区域与当前帧图像进行融合,获得融合当前帧图像,增强了当前帧图像的特征信息。通过对融合当前帧图像进行高通滤波,获得高频当前帧图像,高频当前帧图像保留了当前帧图像的高频特征信息,对融合当前帧图像进行低通滤波,获得低频当前帧图像,低频当前帧图像保留了当前帧图像的低频特征信息,将高频当前帧图像和低频帧图像进行融合,获得复合当前帧图像,增强了复合当前帧图像中的特征信息,同时提高了特征信息的保真性。基于第一卷积神经网络对当前帧图像进行目标检测,获得当前帧目标区域;基于第二卷积神经网络对复合当前帧图像进行目标检测,获得复合目标区域,进一步提高了目标在符合目标区域中的概率,提高了目标检测的准确性。获得当前帧目标区域和复合目标区域的距离,若距离小于目标值,基于当前帧目标区域和复合目标区域,获得待检测的目标,结合了传统神经网络的目标检测的结果,加上准确性高的第二神经网络的目标检测结果,提高了目标检测的准确性,提高了待检测的目标的精度。
针对上述实施例提供一种大数据在线教育平台的师资匹配方法,本申请实施例还对应提供一种用于执行上述的步骤的执行主体,该执行主体可以为图2中大数据在线教育平台的师资匹配系统200。请参考图2,该系统包括:
导入模块210,用于通过音乐数据导入接口获得导入学生日常喜欢听的音乐数据;
第一获得模块220,用于获得学生选择的学习计划数据,所述学习计划数据包括学习科目、学习级别;
第一匹配模块230,用于将所述学生日常喜欢听的音乐数据与大数据库中的标准音乐进行匹配,获得目标标准音乐,所述目标标准音乐为大数据库中与所述学生日常喜欢听的音乐数据匹配的标准音乐;
第二获得模块240,用于从大数据库中获得所述目标标准音乐对应的节奏、音色、音调、性格信息;
第二匹配模块250,用于将所述学习科目、所述学习级别、所述节奏、音色、音调、性格信息与师资库中的教师的授课科目、授课级别、授课节奏、授课音色、授课音调、授课风格进行匹配,得到所述教师的匹配指数,所述匹配指数表征所述学生与教师的匹配程度;
推荐模块260,用于将匹配指数的最大值对应的教师作为目标推荐教师,将所述目标推荐教师的教师信息发送给学生;所述教师信息包括教师名字、授课科目、授课级别、试课课程视频。
可选的,所述系统还包括:
获得模块,随机从师资大数据库中获得一位教师作为目标推荐教师,将所述目标推荐教师的教师信息发送给学生;所述教师信息包括教师名字、授课科目、授课级别、试课课程视频;
拍摄模块,用于若监听到所述学生对所述课程视频进行试听的操作,控制摄像头打开并拍摄学生在试听所述课程视频过程中的试听视频;
打分模块,用于在监听到结束试听所述课程视频的操作时,根据所述试听视频对所述课程视频对应的教师进行适应性打分,将适应性打分的结果发送给所述学生;
存储模块,用于若监听到所述学生选择学习或者收藏所述教师信息,将所述教师信息存入所述学生的教师库中;
调整模块,用于若监听到所述学生对所述课程视频进行拒绝试听的操作,获得学生的学习科目、学习级别、适应节奏、偏好音色、偏好音调、性格信息,并计算学生的学习科目、学习级别、适应节奏、偏好音色、偏好音调、性格信息与所述目标推荐教师的授课科目、授课级别、授课节奏、授课音色、授课音调、授课风格之间的偏差值;获得所述目标推荐教师的匹配指数与所述偏差值之和,得到调整匹配指数;将所述调整匹配指数对应的师资大数据库中的教师信息发送给学生。
如此能够为学生匹配到合适的教师,提高学生的体验效果。
关于上述实施例中的系统,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本申请实施例还提供了一种电子设备,如图3所示,所述电子设备至少包括数据接口501和处理器502。处理器502通过数据接口501与存储系统600进行数据交互,具体的处理器502通过数据接口501与存储系统600中的存储区块进行数据交互。
可选的,如图3所示,电子设备还包括存储系统600。同样的,处理器502通过数据接口501与存储系统600中的存储区块进行数据交互。
可选的,电子设备还包括存储器504存储在存储器504上并可在处理器502上运行的计算机程序,所述处理器502执行所述程序时实现前文所述大数据在线教育平台的师资匹配方法的任一方法的步骤。
其中,存储系统600可以是存储器504,也可以与存储器504不同,存储系统600也可以是存储器504的部分存储分区,还可以是存储器504是存储系统600中的某个存储区块。用于存储上述大数据在线教育平台的师资匹配方法及系统涉及的数据,例如标准音乐数据、学生喜欢听的音乐数据、教师信息等等。
其中,在图3中,总线架构(用总线500来代表),总线500可以包括任意数量的互联的总线和桥,总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进进一步描述。处理器502负责管理总线500和通常的处理,而存储器504可以被用于存储处理器502在执行操作时所使用的数据。
本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前文所述方法的任一方法的步骤。在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本申请也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本申请的内容,并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本申请的示例性实施例的描述中,本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本申请的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种大数据在线教育平台的师资匹配方法,其特征在于,包括:
通过音乐数据导入接口获得导入学生日常喜欢听的音乐数据;
获得学生选择的学习计划数据,所述学习计划数据包括学习科目、学习级别;
将所述学生日常喜欢听的音乐数据与大数据库中的标准音乐进行匹配,获得目标标准音乐,所述目标标准音乐为大数据库中与所述学生日常喜欢听的音乐数据匹配的标准音乐;
从大数据库中获得所述目标标准音乐对应的节奏、音色、音调、性格信息;
将所述学习科目、所述学习级别、所述节奏、音色、音调、性格信息与师资库中的教师的授课科目、授课级别、授课节奏、授课音色、授课音调、授课风格进行匹配,得到所述教师的匹配指数,所述匹配指数表征所述学生与教师的匹配程度;
将匹配指数的最大值对应的教师作为目标推荐教师,将所述目标推荐教师的教师信息发送给学生;所述教师信息包括教师名字、授课科目、授课级别、试课课程视频。
2.根据权利要求1所述的方法,其特征在于,所述学生日常喜欢听的音乐数据包括学生日常喜欢听的多个曲子;所述将所述学生日常喜欢听的音乐数据与大数据库中的标准音乐进行匹配,获得目标标准音乐,包括:
获得学生日常喜欢听的多个曲子的波形图;
对多个曲子的波形图进行拟合,得到拟合波形图;
获得拟合波形图的多个波峰与标准音乐的波形图的多个波峰的第一差值;获得拟合波形图的多个波谷与标准音乐的波形图的多个波谷的第二差值;
基于第一差值和第二差值得到拟合波形图与标准音乐之间的匹配因子;大数据库中的标准音乐有多个,对应的有多个匹配因子;
获得匹配因子最大的标准音乐作为目标标准音乐。
3.根据权利要求2所述的方法,其特征在于,拟合波形图的多个波峰与标准音乐的波形图的多个波峰一一对应;所述获得拟合波形图的多个波峰与标准音乐的波形图的多个波峰的第一差值,包括:
获得一一对应的拟合波形图的波峰与标准音乐的波形图的波峰的时间差和振幅差,获得所有波峰的所述振幅差与所述时间差的商;对所有所述商之和开平方,得到所述第一差值;第一差值的具体计算方式如公式(1)所示:
其中,d1表示第一差值,n表示拟合波形图的波峰的数量,tpi表示拟合波形图中第i个波峰所处的时间点;TPi表示标准音乐的波形图中第i个波峰所处的时间点,peaki表示拟合波形图中第i个波峰的位置,Peaki表示标准音乐的波形图中第i个波峰的位置,拟合波形图中第i个波峰的位置peaki与标准音乐的波形图中第i个波峰的位置Peaki对应。
4.根据权利要求3所述的方法,其特征在于,拟合波形图的多个波谷与标准音乐的波形图的多个波谷一一对应;
获得一一对应的拟合波形图的波谷与标准音乐的波形图的波谷的时间差和振幅差,获得所有波峰的所述振幅差与所述时间差的商;对所有所述商之和开平方,得到所述第二差值;具体计算方式如公式(2)所示:
其中,d2表示第二差值,m表示拟合波形图的波谷的数量,ttj表示拟合波形图中第j个波谷所处的时间点;TTj表示标准音乐的波形图中第j个波谷所处的时间点,troughj表示拟合波形图中第j个波谷的位置,Troughj表示标准音乐的波形图中第j个波谷的位置,拟合波形图中第j个波谷的位置troughj与标准音乐的波形图中第j个波谷的位置Troughj对应。
5.根据权利要求4所述的方法,其特征在于,所述基于第一差值和第二差值得到拟合波形图与标准音乐之间的匹配因子,包括:
获得所述第一差值与所述第二差值之间的第三差值的绝对值;
以所述第三差值的绝对值以e为底数的指数的倒数作为所述匹配因子;匹配因子的具体计算方式如公式(3)所示:
p=e-|d1-d2| (3)
其中,p表示匹配因子,e为自然数底数。
6.一种大数据在线教育平台的师资匹配系统,其特征在于,包括:
导入模块,用于通过音乐数据导入接口获得导入学生日常喜欢听的音乐数据;
第一获得模块,用于获得学生选择的学习计划数据,所述学习计划数据包括学习科目、学习级别;
第一匹配模块,用于将所述学生日常喜欢听的音乐数据与大数据库中的标准音乐进行匹配,获得目标标准音乐,所述目标标准音乐为大数据库中与所述学生日常喜欢听的音乐数据匹配的标准音乐;
第二获得模块,用于从大数据库中获得所述目标标准音乐对应的节奏、音色、音调、性格信息;
第二匹配模块,用于将所述学习科目、所述学习级别、所述节奏、音色、音调、性格信息与师资库中的教师的授课科目、授课级别、授课节奏、授课音色、授课音调、授课风格进行匹配,得到所述教师的匹配指数,所述匹配指数表征所述学生与教师的匹配程度;
推荐模块,用于将匹配指数的最大值对应的教师作为目标推荐教师,将所述目标推荐教师的教师信息发送给学生;所述教师信息包括教师名字、授课科目、授课级别、试课课程视频。
7.根据权利要求6所述的系统,其特征在于,所述学生日常喜欢听的音乐数据包括学生日常喜欢听的多个曲子;所述将所述学生日常喜欢听的音乐数据与大数据库中的标准音乐进行匹配,获得目标标准音乐,包括:
获得学生日常喜欢听的多个曲子的波形图;
对多个曲子的波形图进行拟合,得到拟合波形图;
获得拟合波形图的多个波峰与标准音乐的波形图的多个波峰的第一差值;获得拟合波形图的多个波谷与标准音乐的波形图的多个波谷的第二差值;
基于第一差值和第二差值得到拟合波形图与标准音乐之间的匹配因子;大数据库中的标准音乐有多个,对应的有多个匹配因子;
获得匹配因子最大的标准音乐作为目标标准音乐。
8.根据权利要求7所述的系统,其特征在于,拟合波形图的多个波峰与标准音乐的波形图的多个波峰一一对应;所述获得拟合波形图的多个波峰与标准音乐的波形图的多个波峰的第一差值,包括:
获得一一对应的拟合波形图的波峰与标准音乐的波形图的波峰的时间差和振幅差,获得所有波峰的所述振幅差与所述时间差的商;对所有所述商之和开平方,得到所述第一差值;第一差值的具体计算方式如公式(1)所示:
其中,d1表示第一差值,n表示拟合波形图的波峰的数量,tpi表示拟合波形图中第i个波峰所处的时间点;TPi表示标准音乐的波形图中第i个波峰所处的时间点,peaki表示拟合波形图中第i个波峰的位置,Peaki表示标准音乐的波形图中第i个波峰的位置,拟合波形图中第i个波峰的位置peaki与标准音乐的波形图中第i个波峰的位置Peaki对应。
9.根据权利要求8所述的系统,其特征在于,拟合波形图的多个波谷与标准音乐的波形图的多个波谷一一对应;
获得一一对应的拟合波形图的波谷与标准音乐的波形图的波谷的时间差和振幅差,获得所有波峰的所述振幅差与所述时间差的商;对所有所述商之和开平方,得到所述第二差值;具体计算方式如公式(2)所示:
其中,d2表示第二差值,m表示拟合波形图的波谷的数量,ttj表示拟合波形图中第j个波谷所处的时间点;TTj表示标准音乐的波形图中第j个波谷所处的时间点,troughj表示拟合波形图中第j个波谷的位置,Troughj表示标准音乐的波形图中第j个波谷的位置,拟合波形图中第j个波谷的位置troughj与标准音乐的波形图中第j个波谷的位置Troughj对应。
10.根据权利要求9所述的系统,其特征在于,所述基于第一差值和第二差值得到拟合波形图与标准音乐之间的匹配因子,包括:
获得所述第一差值与所述第二差值之间的第三差值的绝对值;
以所述第三差值的绝对值以e为底数的指数的倒数作为所述匹配因子;匹配因子的具体计算方式如公式(3)所示:
p=e-|d1-d2| (3)
其中,p表示匹配因子,e为自然数底数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011051968.9A CN112132480A (zh) | 2020-09-29 | 2020-09-29 | 大数据在线教育平台的师资匹配方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011051968.9A CN112132480A (zh) | 2020-09-29 | 2020-09-29 | 大数据在线教育平台的师资匹配方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112132480A true CN112132480A (zh) | 2020-12-25 |
Family
ID=73844890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011051968.9A Pending CN112132480A (zh) | 2020-09-29 | 2020-09-29 | 大数据在线教育平台的师资匹配方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132480A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112988791A (zh) * | 2021-03-01 | 2021-06-18 | 深圳市微幼科技有限公司 | 一种支持多交互应用模式的教育平台系统 |
CN113222357A (zh) * | 2021-04-22 | 2021-08-06 | 朱洪东 | 针对在线教育的大数据资源分配方法及可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030036046A1 (en) * | 2001-07-20 | 2003-02-20 | David Smolover | System and method for providing an outline tutorial |
CN103065623A (zh) * | 2012-12-17 | 2013-04-24 | 深圳Tcl新技术有限公司 | 音色匹配方法和装置 |
CN104318950A (zh) * | 2014-08-25 | 2015-01-28 | 联想(北京)有限公司 | 信息处理方法及电子设备 |
CN110717471A (zh) * | 2019-10-16 | 2020-01-21 | 姜通渊 | B超图像目标检测方法及b超扫描仪 |
CN110717910A (zh) * | 2019-10-16 | 2020-01-21 | 姜通渊 | Ct图像目标检测方法及ct扫描仪 |
CN110844074A (zh) * | 2019-11-22 | 2020-02-28 | 重庆师范大学 | 一种农药喷洒无人机 |
CN111079546A (zh) * | 2019-11-22 | 2020-04-28 | 重庆师范大学 | 一种无人机害虫检测方法 |
-
2020
- 2020-09-29 CN CN202011051968.9A patent/CN112132480A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030036046A1 (en) * | 2001-07-20 | 2003-02-20 | David Smolover | System and method for providing an outline tutorial |
CN103065623A (zh) * | 2012-12-17 | 2013-04-24 | 深圳Tcl新技术有限公司 | 音色匹配方法和装置 |
CN104318950A (zh) * | 2014-08-25 | 2015-01-28 | 联想(北京)有限公司 | 信息处理方法及电子设备 |
CN110717471A (zh) * | 2019-10-16 | 2020-01-21 | 姜通渊 | B超图像目标检测方法及b超扫描仪 |
CN110717910A (zh) * | 2019-10-16 | 2020-01-21 | 姜通渊 | Ct图像目标检测方法及ct扫描仪 |
CN110844074A (zh) * | 2019-11-22 | 2020-02-28 | 重庆师范大学 | 一种农药喷洒无人机 |
CN111079546A (zh) * | 2019-11-22 | 2020-04-28 | 重庆师范大学 | 一种无人机害虫检测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112988791A (zh) * | 2021-03-01 | 2021-06-18 | 深圳市微幼科技有限公司 | 一种支持多交互应用模式的教育平台系统 |
CN112988791B (zh) * | 2021-03-01 | 2022-08-02 | 安徽壹芯科技股份有限公司 | 一种支持多交互应用模式的教育平台系统 |
CN113222357A (zh) * | 2021-04-22 | 2021-08-06 | 朱洪东 | 针对在线教育的大数据资源分配方法及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110364049B (zh) | 一种具有偏离度自动反馈数据闭环纠偏控制的专业技能实训辅助教学系统及辅助教学方法 | |
CN110060538A (zh) | 基于历史数据建模的个性化人工智能驾培训练系统及方法 | |
CN106485984B (zh) | 一种钢琴的智能教学方法和装置 | |
CN112132480A (zh) | 大数据在线教育平台的师资匹配方法及系统 | |
Nuankaew et al. | Students model in different learning styles of academic achievement at the university of Phayao, Thailand | |
CN107767850A (zh) | 一种演唱评分方法及系统 | |
CN112163119B (zh) | 大数据在线教育平台网课优化方法、系统及电子设备 | |
CN109300069A (zh) | 用户学习路径模型的获取方法、装置以及电子设备 | |
CN108629715A (zh) | 基于大数据与人工智能的精准教学方法和机器人系统 | |
CN113342761B (zh) | 一种基于互联网的教学资源共享系统及方法 | |
CN110109937A (zh) | 一种科普知识测评与学习方法、系统及设备 | |
CN114117252A (zh) | 一种学生智能专属题库推荐方法及系统 | |
CN112365183A (zh) | 一种人工智能教育的方法及装置 | |
Yan et al. | A method for personalized C programming learning contents recommendation to enhance traditional instruction | |
Rabiha et al. | Image processing model based E-Learning for students authentication | |
CN111564064A (zh) | 基于游戏互动的智能教育系统与方法 | |
CN110237397A (zh) | 一种大脑认知训练系统 | |
CN110378814A (zh) | 智能教学生态系统 | |
JP2003271752A (ja) | 教材提示方法及び装置及び教材提示プログラム及び教材提示プログラムを格納した記憶媒体 | |
CN111179666B (zh) | 基于人工智能的自适应教育系统 | |
CN108805770A (zh) | 基于大数据与人工智能的教学内容画像方法和机器人系统 | |
CN113269667A (zh) | 错题推送方法、装置及电子设备 | |
CN113254752A (zh) | 基于大数据的备课方法、装置及存储介质 | |
Deng et al. | Influence of Intelligent Technology Applications on the Learning Effect: Virtual Reality as an Example | |
CN114721520B (zh) | 一种基于虚拟现实的交互式训练系统及方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201225 |