CN114139053A - 基于学分银行和大数据分析的终身学习资源智能推送系统 - Google Patents

基于学分银行和大数据分析的终身学习资源智能推送系统 Download PDF

Info

Publication number
CN114139053A
CN114139053A CN202111438001.0A CN202111438001A CN114139053A CN 114139053 A CN114139053 A CN 114139053A CN 202111438001 A CN202111438001 A CN 202111438001A CN 114139053 A CN114139053 A CN 114139053A
Authority
CN
China
Prior art keywords
learning
audio
resource
proportion
value
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
CN202111438001.0A
Other languages
English (en)
Inventor
丁慧洁
肖小红
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.)
Guangdong Polytechnic Institute
Original Assignee
Guangdong Polytechnic Institute
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 Guangdong Polytechnic Institute filed Critical Guangdong Polytechnic Institute
Priority to CN202111438001.0A priority Critical patent/CN114139053A/zh
Publication of CN114139053A publication Critical patent/CN114139053A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/75—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
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7834—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using audio features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7847—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using low-level visual features of the video content

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Library & Information Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供基于学分银行和大数据分析的终身学习资源智能推送系统，包括知识构建模块、资源碎片化模块、特征关联模块、智能推送模块，本发明以学习知识点的关键词构建学习树形模型，然后以树形模型为基础，对不同格式的学习资料进行划分和关键词提取，这样使书本，教学视频、音频这些需要统一较长的学习时间段的信息，得以碎片化，使之以关键词为索引，基于大数据进行可靠性匹配，使得学员时间能够得以更加充分的应用。本为学员匹配精准的学习资源，有效提高学员的学习兴趣和学习效率，以解决现有的学习匹配方法功能单一导致学员学习兴趣和学习效率低下的问题。

Description

基于学分银行和大数据分析的终身学习资源智能推送系统
技术领域
本发明涉及数据智能推送技术领域，尤其涉及基于学分银行和大数据分析的终身学习资源智能推送系统。
背景技术
由于互联网的不断发展，传统的教育方式采用面对面的教学，现在越来越多的培训教育采用线上教育的方式进行，线上教育可以采用一对一的老师视频教学，也可以由学员根据自身的喜好自由进行课程选择，提高了学习的便捷性和学习方式的多样性。
但是现有的在线学习的过程中，由于学习资源的泛滥，自学的学生想要找到匹配自己喜好的学习方式和学习课程很难，学员在使用自己不喜欢的学习方式在学习时，随着目前碎片化学习和线上学习的普及，学员更能利用碎片时间进行学习，但是目前学习资源一般较长、耗时较大，所以无法真正为碎片化学习提供可靠的技术支持环境，带来的问题就是学习效率低下，学习的有效性存在不足，现有的在线课程匹配方法中，通常都是采用学员自选的模式，然后根据模式的关键词进行检索，得到相应的学习课程，这种匹配模式的功能单一，同样是需要从学员端进行课程选取，很难精准的匹配到学员学习的需求。
发明内容
针对现有技术存在的不足，本发明目的是提供基于学分银行和大数据分析的终身学习资源智能推送系统，通过对学员的学习习惯进行获取，并筒数据处理后，为学员匹配精准的学习资源，有效提高学员的学习兴趣和学习效率，以解决现有的学习匹配方法功能单一导致学员学习兴趣和学习效率低下的问题。
为了实现上述目的，本发明是通过如下的技术方案来实现：基于学分银行和大数据分析的终身学习资源智能推送系统，包括知识构建模块、资源碎片化模块、特征关联模块、智能推送模块，
所述知识构建模块包括知识构建策略，所述知识构建策略用于构建学科知识模型，所述知识构建策略以下步骤：
步骤S11，根据学科对知识信息进行分类生成知识关键词；
步骤S12，根据知识关键词的关系标记对应的知识关键词生成学科知识模型树；
步骤S13，根据知识关键词在对应学科模型树中的位置存储所述知识关键词至知识模型数据库中；
所述资源碎片化模块包括资源处理策略，所述资源处理策略包括以下步骤：
步骤S21，识别学习资源类型，若学习资源属于视频资源，则进入步骤S22-1，若学习资源属于音频资源，则进入步骤S22-2，若学习资源属于题型资源，则进入步骤S22-3；
步骤S22-1，分别获取视频资源的画面信息流和音频信息流，通过预设的画面识别算法从画面信息流中实时确定对应的画面特征，通过预设的音频识别算法从所述音频信息流中实时确定对应的音频特征，根据画面特征和音频特征确定视频划分依据，并根据所确定的视频划分依据划分视频资源以得到新的多个学习资源；步骤S22-2，获取音频资源的音频信息流，通过预设的音频识别算法从所述音频信息流中实时确定对应的音频特征，根据音频特征确定音频划分依据，并根据所确定的音频划分依据划分音频资源以得到新的多个学习资源；步骤S22-3，根据预设的题型划分依据划分题型资源以获得多个新的学习资源；
所述特征关联模块包括有特征关联策略，所述特征关联策略包括以下步骤：
步骤S31，提取所述学习资源中的关键词以生成关键词特征；
步骤S32，根据得到的关键词特征从所述知识模型数据库定位对应的关键词所在位置以生成知识匹配信息，所述知识匹配信息反映学习资源和对应关键词在学科知识模型树中的位置关系；
步骤S33，将知识匹配信息存储至知识学习库中进行存储；
所述智能推送模块包括智能推送策略，所述智能推送策略包括以下步骤：
步骤S41，记录每个学员在学习过程中的若干学习参数，若干学习参数包括学习时间、学习课程类型以及学习方式；
步骤S42，将记录的若干学习参数进行量化处理，根据若干学习参数得到该学员对应的学习偏向值，并根据学习偏向值建立该学员的学习偏向模型；
步骤S43，根据学习清单中从所述知识模型树中确定学习目标的位置，并从所述知识学习库中调取对应的学习资源，根据学习资源包括的学习内容进行学习参考值的计算；
步骤S44，将该学员的学习偏向值与学习参考值进行比对，为该学员匹配最优的学习资源。
进一步的，所述的画面识别算法包括配置的画面算法库，所述画面算法库存储有若干画面提取子算法用于提取画面特征，每一所述画面提取子算法对应有画面索引条件，所述画面识别算法根据画面索引条件判断该学习资源对应的画面提取子算法；所述画面索引条件包括字体关系条件、画面切换关系条件、内容序号关系条件、目录索引关系条件。
进一步的，所述的音频识别算法配置有转化关键词库，所述转化关键词库存储有若干转化词，音频识别算法识别音频信息流中对应的转化词作为所述的音频特征。
进一步的，所述的音频识别算法还包括根据音频信息流中的音频变化频率计算音频转化间隔时间，当音频信息流中的音频超过所述音频转化间隔时间没有变化时，将对应的时段作为所述的音频特征。
进一步的，所述步骤S41还包括步骤A1、步骤A2，所述步骤A1包括：将该学员的学习课程类型分为若干学习课程，并对若干学习课程进行标号处理，分别标记为Kc1至Kcn，其中Kc1为第一类学习课程，Kcn为第n类学习课程，Kc为学习课程的代号，1至n分别为若干学习课程对应的标号顺序；
所述步骤A2包括：将该学员的学习方式分为视频学习、音频学习、做题学习以及看材料学习，分别记录该学员在不同的学习课程下所花费的学习方式的学习时间，并分别记录为该学习课程下的视频学习时间、音频学习时间、做题学习时间以及看材料学习时间。
进一步的，所述步骤S42还包括步骤B1，所述步骤B1包括：通过第一偏向算法计算得到该学员的视频学习比例值，通过第二偏向算法计算得到该学员的音频学习比例值，通过第三偏向算法计算得到该学员的做题学习比例值，通过第四偏向算法计算的到该学员的看材料学习比例值；
然后将视频学习比例值、音频学习比例值、做题学习比例值以及看材料学习比例值带入学习偏向算法中求得学习偏向值；
所述第一偏向算法配置为：
Figure BDA0003379848480000051
所述第二偏向算法配置为：
Figure BDA0003379848480000052
所述第三偏向算法配置为：
Figure BDA0003379848480000053
所述第四偏向算法配置为：
Figure BDA0003379848480000054
其中，Psp为视频学习比例值，Kclsp为第一学习课程所花费的视频学习时间，Kcnsp为第n学习课程所花费的视频学习时间，Zsc为该学员花费的总时长，Pyp为音频学习比例值，Kclyp为第一学习课程所花费的音频学习时间，Kcnyp为第n学习课程所花费的音频学习时间，Pzt为做题学习比例值，Kclzt为第一学习课程所花费的做题学习时间，Kcnzt为第n学习课程所花费的做题学习时间，Pcl为看材料学习比例值，Kclcl为第一学习课程所花费的看材料学习时间，Kcncl为第n学习课程所花费的看材料学习时间，α为比例值转换系数。
进一步的，所述学习偏向算法配置为：
Pxxp＝k1×(Psp-b1)3+k2×(Pyp-b2)3+k3×(Pzt-b3)3+k4×(Pcl-b4)3；其中，Pxxp为学习偏向值，k1为视频偏向比例，k2为音频偏向比例，k3为做题偏向比例，k4为看材料偏向比例，b1为视频消减占比，b2为音频消减占比，b3为做题消减占比，b4为看材料消减占比，且k1、k2、k3、k4、b1、b2、b3以及b4均大于零。
进一步的，所述步骤S43还包括步骤C1，所述步骤C1包括：将学习资源按照学习课程进行分类，然后将分类后的学习课程中的每条学习资源按照视频占比时长、音频占比时长、做题数量以及材料占比时长进行划分，并通过学习参考算法分别计算出每条学习资源的学习参考值；
所述学习参考算法配置为：
Pxck＝k5×(Sspc-b5)3+k6×(Sypc-b6)3+k7×(Sszt-b7)3+k8×(Sclc-b8)3；其中，Pxck为学习参考值，Sspc为视频占比时长，Sypc为音频占比时长，Sszt为做题数量，Sclc为材料占比时长，k5为视频占比比例，k6为音频占比比例，k7为做题数量比例，k8为材料占比比例，b5为视频占比消减值，b6为音频占比消减值，b7为做题数量消减值，b8为材料占比消减值，且k5、k6、k7、k8、b5、b6、b7以及b8均大于零。
进一步的，所述步骤S44还包括步骤D1，所述步骤D1包括：将若干学习课程的单项学习课程时长进行比对，获取单项学习课程时长最长的前三个，由时长的从长到短进行排序依次标记为第一偏向课程、第二偏向课程以及第三偏向课程；
按照第一偏向课程、第二偏向课程以及第三偏向课程的推荐顺序，依次推荐该学习课程类型下的三条学习资源。
进一步的，所述步骤S44还包括步骤D2，所述步骤D2包括：将学习偏向值依次与第一偏向课程内的学习资源的学习参考值进行比对，按照比对差值的绝对值由小到大依次进行排列，选取排序前三的学习资源作为第一偏向课程的推荐学习资源；
然后将学习偏向值依次与第二偏向课程内的学习资源的学习参考值进行比对，按照比对差值的绝对值由小到大依次进行排列，选取排序前三的学习资源作为第二偏向课程的推荐学习资源；
最后将学习偏向值依次与第三偏向课程内的学习资源的学习参考值进行比对，按照比对差值的绝对值由小到大依次进行排列，选取排序前三的学习资源作为第三偏向课程的推荐学习资源。
本发明的有益效果：本发明以学习知识点的关键词构建学习树形模型，然后以树形模型为基础，对不同格式的学习资料进行划分和关键词提取，这样使书本，教学视频、音频这些需要统一较长的学习时间段的信息，得以碎片化，使之以关键词为索引，基于大数据进行可靠性匹配，使得学员时间能够得以更加充分的应用。通过记录每个学员在学习过程中的若干学习参数，然后将记录的若干学习参数进行量化处理，根据若干学习参数得到该学员对应的学习偏向值，并根据学习偏向值建立该学员的学习偏向模型，再将知识数据库中的学习资源进行分类处理，并根据学习资源包括的学习内容进行学习参考值的计算，最后再将该学员的学习偏向值与学习参考值进行比对，能够为该学员匹配最优的学习资源，从而提高该学员的学习兴趣和学习效率，提高学习资源匹配的有效性和准确性。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为系统架构原理图；
图2为本发明整体处理策略流程图；
图3为本发明的综合分析系统的原理框图。
附图标记：100、知识构建模块；200、资源碎片化模块；300、特征关联模块；400、智能推送模块；V1、知识构建策略；V2、资源处理策略；V3、特征关联策略；V4、智能推送策略；1、知识模型数据库；2、知识学习库；11、学分银行数据库模块；12、智能分析模块；13、智能答疑模块；14、综合评价模块；141、智能转换单元。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
(1)面向多种数据内容的大数据治理平台，传统模式下数据仅存储结构化数据，并且对数据的关联和数据的标准没有宏观层面的定义和限制，本课题在进行数据平台建设的时候，需要对学分银行数据存储的多样性(主要是结构化、半结构化)，全局数据治理的要求，特别是对数据的标准的全局定义，以及数据的血缘。
(2)数据的开放平台建设，这里包含了数据的接入、数据清洗，以及数据标准的接入要求，对于数据接入和数据的清洗，主要采用快速定义的方式，同时会对数据接入进行监控和预警；另外会提供不同类型的数据接入的技术标准和模型标准，这样便于生态的数据接入。
(3)数据价值的呈现，这里会对不同的数据层级的用户群体，提供不用的数据可视化内容，以便于在运营和管理决策的时候提供数据依据，使得数据可存、可管、可用。本发明核心是通过对云数据的两方面运用，第一是通过对用户习惯的分析，推送最优质的学习资源，第二是通过对云数据进行知识库的构建，通过关键词网络的方式克服了学习资源不效率的问题，且云资源为关键词网络模型的完善和可行性提供了可靠的支持。
请参阅图1，包括知识构建模块100、资源碎片化模块200、特征关联模块300、智能推送模块400，
所述知识构建模块100包括知识构建策略V1，所述知识构建策略V1用于构建学科知识模型，所述知识构建策略V1以下步骤：
步骤S11，根据学科对知识信息进行分类生成知识关键词；这个与一般的关键词不同，由于学科的特性，导致技术术语的规范化和特征化，技术术语的特异性本身就较强，这样为知识关键词划分提供了一个较好的基础。
步骤S12，根据知识关键词的关系标记对应的知识关键词生成学科知识模型树；由于如果仅仅通过知识关键词作为划分学习资料的依据，那么难免出现知识关键词混用的情况，例如在物理学科中运用到数学的知识关键词，所以就应该对知识关键词建立关联关系，例如“牛顿第一定律”这样一个知识关键词，向上具有“力学”“物理学”等关键词，向下具有“保持静止”“外力作用”等关键词，横向具有“理想斜面实验”“伽利略”等关键词，而关系树不仅可以从方向所属关系划分特征，还可以再在这个基础上进行细化，例如上位关键词的分级，向下包含的关键词的包含关系，横向关键词的论据以及关系等等，从知识体系建立关键词的学科知识模型树。
步骤S13，根据知识关键词在对应学科模型树中的位置存储所述知识关键词至知识模型数据库1中；而根据分析关系就可以存储对应的知识体系到知识模型库1中，这样就构建了以关键词为整个知识学习的架构的一个逻辑树。
构建了逻辑树之后，所述资源碎片化模块200包括资源处理策略V2，所述资源处理策略V2包括以下步骤：
步骤S21，识别学习资源类型，若学习资源属于视频资源，则进入步骤S22-1，若学习资源属于音频资源，则进入步骤S22-2，若学习资源属于题型资源，则进入步骤S22-3；首先由于学习资源虽然都是以电子格式存储，但是由于其类型不同存在较大的差别。所以首先对学习资源的类型进行分类，根据格式可以进行初步划分。
步骤S22-1，分别获取视频资源的画面信息流和音频信息流，通过预设的画面识别算法从画面信息流中实时确定对应的画面特征，通过预设的音频识别算法从所述音频信息流中实时确定对应的音频特征，根据画面特征和音频特征确定视频划分依据，并根据所确定的视频划分依据划分视频资源以得到新的多个学习资源；步骤S22-2，获取音频资源的音频信息流，通过预设的音频识别算法从所述音频信息流中实时确定对应的音频特征，根据音频特征确定音频划分依据，并根据所确定的音频划分依据划分音频资源以得到新的多个学习资源；步骤S22-3，根据预设的题型划分依据划分题型资源以获得多个新的学习资源；所述的画面识别算法包括配置的画面算法库，所述画面算法库存储有若干画面提取子算法用于提取画面特征，每一所述画面提取子算法对应有画面索引条件，所述画面识别算法根据画面索引条件判断该学习资源对应的画面提取子算法；所述画面索引条件包括字体关系条件、画面切换关系条件、内容序号关系条件、目录索引关系条件。所述的音频识别算法配置有转化关键词库，所述转化关键词库存储有若干转化词，音频识别算法识别音频信息流中对应的转化词作为所述的音频特征。所述的音频识别算法还包括根据音频信息流中的音频变化频率计算音频转化间隔时间，当音频信息流中的音频超过所述音频转化间隔时间没有变化时，将对应的时段作为所述的音频特征。由于需要对学习资源碎片化，就需要有一定的划分依据，例如如果是视频信息，画面信息流可以通过图像识别技术识别其中的文字信息，而音频信息流可以通过识别语音对应的信息从而提取特征，如果是画面特征，一般都是以培训PPT形式结合老师呈现的，所以如果能识别出PPT标题，是否切换PPT画面，画面标题需要的变化，是否出现目录索引的关键词等等因素，就可以作为是否是一个知识点的依据，从而根据画面索引条件就可以对视频进行划分，将视频划分为多个碎片化的知识信息，有利于利用碎片化学习时间，而同样的，音频识别算法的转换可能基于一些关键语句“我们来看下一个知识点”，或是“进入下一章节”等等，将这些关键词预存，如果出现匹配，那么就可以对一个完整的音频信息进行划分，或者是出现一段音乐以及出现较长的停顿等等都可以作为划分的依据，这样就得到了不同类型的学习资源的不同划分。
而将学习资源碎片化后，通过对学习资源的处理所述特征关联模块300包括有特征关联策略V3，所述特征关联策略V3包括以下步骤：
步骤S31，提取所述学习资源中的关键词以生成关键词特征；首先是重新提取每一学习字眼中的关键词特征，通过音频识别和图像识别，文字信息识别等技术就可以实现。
步骤S32，根据得到的关键词特征从所述知识模型数据库定位对应的关键词所在位置以生成知识匹配信息，所述知识匹配信息反映学习资源和对应关键词在学科知识模型树中的位置关系；而例如提取到关键词后，通过比对的方式确定提取到的每个关键词在对应知识模型树的位置，根据关键词出现的频次、出现的位置(标题、目录、内容)等信息，确定该关键词属于哪一知识模型树，需要说明的是，一个关键词在知识模型树中可能存在两个以上的位置，因为例如“三角函数”可能出现在计算空间位置也可能出现在计算平面位置关系的学习材料中，但是如果出现关键词为“立方体”，“Z轴”那么就可以确定该所处的模型树中的位置关系。
步骤S33，将知识匹配信息存储至知识学习库2中进行存储；然后通过构建知识学习库2就可以将学习资源以关键词的所在的位置的方式进行存储，就可以针对学习需求进行匹配。
所述智能推送模块400包括智能推送策略，所述智能推送策略包括以下步骤：
所述推送方法包括如下子步骤：
步骤A1，所述步骤A1包括：将该学员的学习课程类型分为若干学习课程，并对若干学习课程进行标号处理，分别标记为Kcl至Kcn，其中Kcl为第一类学习课程，Kcn为第n类学习课程，Kc为学习课程的代号，1至n分别为若干学习课程对应的标号顺序，将学习课程进行标号后，能够便于后续的分类对应管理，并且在对每个学习课程内的学习资源的学习参考值和该学员的学习偏向值进行对应时，能够更加的精准，提高学习资源选取的准确性和选取效率。
步骤A2，所述步骤A2包括：将该学员的学习方式分为视频学习、音频学习、做题学习以及看材料学习，分别记录该学员在不同的学习课程下所花费的学习方式的学习时间，并分别记录为该学习课程下的视频学习时间、音频学习时间、做题学习时间以及看材料学习时间，一般来说，学习方式包括视频学习、音频学习、做题学习以及看材料学习，其他种类的学习方式的学习效率较低，故不做参考。
步骤B1，所述步骤B1包括：通过第一偏向算法计算得到该学员的视频学习比例值，通过第二偏向算法计算得到该学员的音频学习比例值，通过第三偏向算法计算得到该学员的做题学习比例值，通过第四偏向算法计算的到该学员的看材料学习比例值；
所述第一偏向算法配置为：
Figure BDA0003379848480000121
所述第二偏向算法配置为：
Figure BDA0003379848480000122
所述第三偏向算法配置为：
Figure BDA0003379848480000123
所述第四偏向算法配置为：
Figure BDA0003379848480000124
通过对视频学习、音频学习、做题学习以及看材料学习的花费时长进行占比计算，能够得到该学员最喜欢使用哪种学习方式进行学习，其中，Psp为视频学习比例值，Kclsp为第一学习课程所花费的视频学习时间，Kcnsp为第n学习课程所花费的视频学习时间，Zsc为该学员花费的总时长，Pyp为音频学习比例值，Kclyp为第一学习课程所花费的音频学习时间，Kcnyp为第n学习课程所花费的音频学习时间，Pzt为做题学习比例值，Kclzt为第一学习课程所花费的做题学习时间，Kcnzt为第n学习课程所花费的做题学习时间，Pcl为看材料学习比例值，Kclcl为第一学习课程所花费的看材料学习时间，Kcncl为第n学习课程所花费的看材料学习时间，α为比例值转换系数。
将视频学习比例值、音频学习比例值、做题学习比例值以及看材料学习比例值带入学习偏向算法中求得学习偏向值；
所述学习偏向算法配置为：
Pxxp＝k1×(Psp-b1)3+k2×(Pyp-b2)3+k3×(Pzt-b3)3+k4×(Pcl-b4)3；其中，Pxxp为学习偏向值，k1为视频偏向比例，k2为音频偏向比例，k3为做题偏向比例，k4为看材料偏向比例，b1为视频消减占比，b2为音频消减占比，b3为做题消减占比，b4为看材料消减占比，且k1、k2、k3、k4、b1、b2、b3以及b4均大于零，通过对视频学习、音频学习、做题学习以及看材料学习的比例值进行统一计算，便于后续统一的比对处理。
步骤C1，所述步骤C1包括：将学习资源按照学习课程进行分类，然后将分类后的学习课程中的每条学习资源按照视频占比时长、音频占比时长、做题数量以及材料占比时长进行划分，并通过学习参考算法分别计算出每条学习资源的学习参考值。
所述学习参考算法配置为：
Pxck＝k5×(Sspc-b5)3+k6×(Sypc-b6)3+k7×(Sszt-b7)3+k8×(Sclc-b8)3；其中，Pxck为学习参考值，Sspc为视频占比时长，Sypc为音频占比时长，Sszt为做题数量，Sclc为材料占比时长，k5为视频占比比例，k6为音频占比比例，k7为做题数量比例，k8为材料占比比例，b5为视频占比消减值，b6为音频占比消减值，b7为做题数量消减值，b8为材料占比消减值，且k5、k6、k7、k8、b5、b6、b7以及b8均大于零，通过对学习资源进行学习参考值的计算，能够便于与学员的学习偏向值进行比对处理，从而便于给学员推荐指定的学习资源。
步骤D1，所述步骤D1包括：将若干学习课程的单项学习课程时长进行比对，获取单项学习课程时长最长的前三个，由时长的从长到短进行排序依次标记为第一偏向课程、第二偏向课程以及第三偏向课程；
按照第一偏向课程、第二偏向课程以及第三偏向课程的推荐顺序，依次推荐该学习课程类型下的三条学习资源。
在进行推荐的过程中，不能只单一的比较学习偏向值和学习参考值，应基于该学员喜好哪类学习课程，在学习课程的基础上进行推荐，从而进一步提高学习资源推荐的有效性。
步骤D2，所述步骤D2包括：将学习偏向值依次与第一偏向课程内的学习资源的学习参考值进行比对，按照比对差值的绝对值由小到大依次进行排列，选取排序前三的学习资源作为第一偏向课程的推荐学习资源；
然后将学习偏向值依次与第二偏向课程内的学习资源的学习参考值进行比对，按照比对差值的绝对值由小到大依次进行排列，选取排序前三的学习资源作为第二偏向课程的推荐学习资源；
最后将学习偏向值依次与第三偏向课程内的学习资源的学习参考值进行比对，按照比对差值的绝对值由小到大依次进行排列，选取排序前三的学习资源作为第三偏向课程的推荐学习资源。在学习课程的基础上，通过比对学习参考值和学习偏向值，能够为学员精准的比配到较优的学习资源，从而提高学员挑选课程的效率以及有效性。
请参阅图2，所述推送方法主要概括为如下步骤：步骤S41，记录每个学员在学习过程中的若干学习参数，若干学习参数包括学习时间、学习课程类型以及学习方式；
步骤S42，将记录的若干学习参数进行量化处理，根据若干学习参数得到该学员对应的学习偏向值，并根据学习偏向值建立该学员的学习偏向模型；
步骤S43，根据学习清单中从所述知识模型树中确定学习目标的位置，并从所述知识学习库2中调取对应的学习资源，根据学习资源包括的学习内容进行学习参考值的计算；通过这样设置，从学生的学习清单中调取对应的数据，就可以在碎片化的时间匹配到对应的学习任务，为智能推送提供可能，将电子数据碎片化处理后，通过知识树的位置进行索引，然后以相同的调取逻辑获取到对应的学习资源，根据学习人员的具体学习情况进行匹配。
步骤S44，将该学员的学习偏向值与学习参考值进行比对，为该学员匹配最优的学习资源。
请参阅图3，可以利用知识模型数据库扩展推送方法的应用，所述推送方法应用于一种学分银行综合分析系统，所述综合分析系统1包括学分银行数据库模块11、智能分析模块12、智能答疑模块13以及综合评价模块14。
其中，学分银行数据库模块11中存储的信息来源较广，所述学分银行数据库模块11包括部委数据、省机关数据、便民服务数据、学校数据、基础教育数据、生态数据等等，能够以较大的样本作为基础，提高智能分析结果的准确性。
所述智能分析模块12用于通过智能分析学生的学习数据以及实时跟踪学生的学习情况；通过对学生的学习状况进行智能监控分析，能够进一步为教师调整教学方式提供依据，最终达到学与教的同步统一的良好状态，并作为成绩评价体系的重要组成部分。
所述智能答疑模块13用于根据学生提出的问题进行智能答复；由于开放教育中，学生用户大多是一边工作一边学习的在职教育类型，只有在工作之余如周末和晚上才有时间学习，但是在这个时间段一般是老师下班或周末的休息时间，从而导致师生时空隔离，很难同频同步，因此设置智能答疑模块能够在教学平台中智能答复学生用户的一些问题，并且可提供全天候24小时的自动答疑，从而解决师生不同时在线的问题。
所述综合评价模块14用于对学生的学习情况进行评估，所述综合评估模块配置14有实施例一中的基于学分银行和大数据分析的终身学习资源智能推送方法；所述推送方法包括：记录每个学员在学习过程中的若干学习参数，若干学习参数包括学习时间、学习课程类型以及学习方式；然后将记录的若干学习参数进行量化处理，根据若干学习参数得到该学员对应的学习偏向值，并根据学习偏向值建立该学员的学习偏向模型；再将将知识数据库中的学习资源进行分类处理，并根据学习资源包括的学习内容进行学习参考值的计算；最后将该学员的学习偏向值与学习参考值进行比对，为该学员匹配最优的学习资源。通过所述推送方法能够既对用户的学习偏向进行分析，同时能够基于学生的学习偏向进行学习评估，最后再为学生用户推送相匹配的学习资源，从而提高学分银行综合分析系统的分析方法的实际应用效果。
所述综合评价模块14中还包括智能转换单元141，所述智能转换单元141用于将学生数据与学分银行的学分进行处理转换，从而提高数据置换的高效性，能够在平台中实现智能化的数据对接和转换。
需要说明的以上内容都是通过云服务器进行数据收集、处理、计算、存储，以结合大数据提高数据可靠性，和准确性，通过云计算架构，使大量的非格式化数据可以进行统一处理、量化、计算，简化复杂模型，模型在不断训练下趋于可靠，达到精准推送的效果。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.基于学分银行和大数据分析的终身学习资源智能推送系统，其特征在于，包括知识构建模块、资源碎片化模块、特征关联模块、智能推送模块，
所述知识构建模块包括知识构建策略，所述知识构建策略用于构建学科知识模型，所述知识构建策略以下步骤：
步骤S11，根据学科对知识信息进行分类生成知识关键词；
步骤S12，根据知识关键词的关系标记对应的知识关键词生成学科知识模型树；
步骤S13，根据知识关键词在对应学科模型树中的位置存储所述知识关键词至知识模型数据库中；
所述资源碎片化模块包括资源处理策略，所述资源处理策略包括以下步骤：
步骤S21，识别学习资源类型，若学习资源属于视频资源，则进入步骤S22-1，若学习资源属于音频资源，则进入步骤S22-2，若学习资源属于题型资源，则进入步骤S22-3；
步骤S22-1，分别获取视频资源的画面信息流和音频信息流，通过预设的画面识别算法从画面信息流中实时确定对应的画面特征，通过预设的音频识别算法从所述音频信息流中实时确定对应的音频特征，根据画面特征和音频特征确定视频划分依据，并根据所确定的视频划分依据划分视频资源以得到新的多个学习资源；步骤S22-2，获取音频资源的音频信息流，通过预设的音频识别算法从所述音频信息流中实时确定对应的音频特征，根据音频特征确定音频划分依据，并根据所确定的音频划分依据划分音频资源以得到新的多个学习资源；步骤S22-3，根据预设的题型划分依据划分题型资源以获得多个新的学习资源；
所述特征关联模块包括有特征关联策略，所述特征关联策略包括以下步骤：
步骤S31，提取所述学习资源中的关键词以生成关键词特征；
步骤S32，根据得到的关键词特征从所述知识模型数据库定位对应的关键词所在位置以生成知识匹配信息，所述知识匹配信息反映学习资源和对应关键词在学科知识模型树中的位置关系；
步骤S33，将知识匹配信息存储至知识学习库中进行存储；
所述智能推送模块包括智能推送策略，所述智能推送策略包括以下步骤：
步骤S41，记录每个学员在学习过程中的若干学习参数，若干学习参数包括学习时间、学习课程类型以及学习方式；
步骤S42，将记录的若干学习参数进行量化处理，根据若干学习参数得到该学员对应的学习偏向值，并根据学习偏向值建立该学员的学习偏向模型；
步骤S43，根据学习清单中从所述知识模型树中确定学习目标的位置，并从所述知识学习库中调取对应的学习资源，根据学习资源包括的学习内容进行学习参考值的计算；
步骤S44，将该学员的学习偏向值与学习参考值进行比对，为该学员匹配最优的学习资源。
2.根据权利要求1所述的基于学分银行和大数据分析的终身学习资源智能推送系统，其特征在于，
所述的画面识别算法包括配置的画面算法库，所述画面算法库存储有若干画面提取子算法用于提取画面特征，每一所述画面提取子算法对应有画面索引条件，所述画面识别算法根据画面索引条件判断该学习资源对应的画面提取子算法；所述画面索引条件包括字体关系条件、画面切换关系条件、内容序号关系条件、目录索引关系条件。
3.根据权利要求1所述的基于学分银行和大数据分析的终身学习资源智能推送系统，其特征在于，
所述的音频识别算法配置有转化关键词库，所述转化关键词库存储有若干转化词，音频识别算法识别音频信息流中对应的转化词作为所述的音频特征。
4.根据权利要求3所述的基于学分银行和大数据分析的终身学习资源智能推送系统，其特征在于，
所述的音频识别算法还包括根据音频信息流中的音频变化频率计算音频转化间隔时间，当音频信息流中的音频超过所述音频转化间隔时间没有变化时，将对应的时段作为所述的音频特征。
5.根据权利要求1所述的基于学分银行和大数据分析的终身学习资源智能推送系统，其特征在于，所述步骤S41还包括步骤A1、步骤A2，所述步骤A1包括：将该学员的学习课程类型分为若干学习课程，并对若干学习课程进行标号处理，分别标记为Kc1至Kcn，其中Kc1为第一类学习课程，Kcn为第n类学习课程，Kc为学习课程的代号，1至n分别为若干学习课程对应的标号顺序；
所述步骤A2包括：将该学员的学习方式分为视频学习、音频学习、做题学习以及看材料学习，分别记录该学员在不同的学习课程下所花费的学习方式的学习时间，并分别记录为该学习课程下的视频学习时间、音频学习时间、做题学习时间以及看材料学习时间。
6.根据权利要求5所述的基于学分银行和大数据分析的终身学习资源智能推送系统，其特征在于，所述步骤S42还包括步骤B1，所述步骤B1包括：通过第一偏向算法计算得到该学员的视频学习比例值，通过第二偏向算法计算得到该学员的音频学习比例值，通过第三偏向算法计算得到该学员的做题学习比例值，通过第四偏向算法计算的到该学员的看材料学习比例值；
然后将视频学习比例值、音频学习比例值、做题学习比例值以及看材料学习比例值带入学习偏向算法中求得学习偏向值；
所述第一偏向算法配置为：
Figure FDA0003379848470000041
所述第二偏向算法配置为：
Figure FDA0003379848470000042
所述第三偏向算法配置为：
Figure FDA0003379848470000043
所述第四偏向算法配置为：
Figure FDA0003379848470000044
其中，Psp为视频学习比例值，Kc1sp为第一学习课程所花费的视频学习时间，Kcnsp为第n学习课程所花费的视频学习时间，Zsc为该学员花费的总时长，Pyp为音频学习比例值，Kc 1yp为第一学习课程所花费的音频学习时间，Kcnyp为第n学习课程所花费的音频学习时间，Pzt为做题学习比例值，Kc1zt为第一学习课程所花费的做题学习时间，Kcnzt为第n学习课程所花费的做题学习时间，Pcl为看材料学习比例值，Kclcl为第一学习课程所花费的看材料学习时间，Kcncl为第n学习课程所花费的看材料学习时间，α为比例值转换系数。
7.根据权利要求6所述的基于学分银行和大数据分析的终身学习资源智能推送系统，其特征在于，所述学习偏向算法配置为：
Pxxp＝k1×(Psp-b1)3+k2×(Pyp-b2)3+k3×(Pzt-b3)3+k4×(Pc/-b4)3；其中，Pxxp为学习偏向值，k1为视频偏向比例，k2为音频偏向比例，k3为做题偏向比例，k4为看材料偏向比例，b1为视频消减占比，b2为音频消减占比，b3为做题消减占比，b4为看材料消减占比，且k1、k2、k3、k4、b1、b2、b3以及b4均大于零。
8.根据权利要求7所述的基于学分银行和大数据分析的终身学习资源智能推送系统，其特征在于，所述步骤S43还包括步骤C1，所述步骤C1包括：将学习资源按照学习课程进行分类，然后将分类后的学习课程中的每条学习资源按照视频占比时长、音频占比时长、做题数量以及材料占比时长进行划分，并通过学习参考算法分别计算出每条学习资源的学习参考值；
所述学习参考算法配置为：
Pxck＝k5×(Sspc-b5)3+k6×(Sypc-b6)3+k7×(Sszt-b7)3+k8×(Sclc-b8)3；其中，Pxck为学习参考值，Sspc为视频占比时长，Sypc为音频占比时长，Sszt为做题数量，Sclc为材料占比时长，k5为视频占比比例，k6为音频占比比例，k7为做题数量比例，k8为材料占比比例，b5为视频占比消减值，b6为音频占比消减值，b7为做题数量消减值，b8为材料占比消减值，且k5、k6、k7、k8、b5、b6、b7以及b8均大于零。
9.根据权利要求8所述的基于学分银行和大数据分析的终身学习资源智能推送系统，其特征在于，所述步骤S44还包括步骤D1，所述步骤D1包括：将若干学习课程的单项学习课程时长进行比对，获取单项学习课程时长最长的前三个，由时长的从长到短进行排序依次标记为第一偏向课程、第二偏向课程以及第三偏向课程；
按照第一偏向课程、第二偏向课程以及第三偏向课程的推荐顺序，依次推荐该学习课程类型下的三条学习资源。
10.根据权利要求9所述的基于学分银行和大数据分析的终身学习资源智能推送系统，其特征在于，所述步骤S44还包括步骤D2，所述步骤D2包括：将学习偏向值依次与第一偏向课程内的学习资源的学习参考值进行比对，按照比对差值的绝对值由小到大依次进行排列，选取排序前三的学习资源作为第一偏向课程的推荐学习资源；
然后将学习偏向值依次与第二偏向课程内的学习资源的学习参考值进行比对，按照比对差值的绝对值由小到大依次进行排列，选取排序前三的学习资源作为第二偏向课程的推荐学习资源；
最后将学习偏向值依次与第三偏向课程内的学习资源的学习参考值进行比对，按照比对差值的绝对值由小到大依次进行排列，选取排序前三的学习资源作为第三偏向课程的推荐学习资源。
CN202111438001.0A 2021-11-29 2021-11-29 基于学分银行和大数据分析的终身学习资源智能推送系统 Pending CN114139053A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111438001.0A CN114139053A (zh) 2021-11-29 2021-11-29 基于学分银行和大数据分析的终身学习资源智能推送系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111438001.0A CN114139053A (zh) 2021-11-29 2021-11-29 基于学分银行和大数据分析的终身学习资源智能推送系统

Publications (1)

Publication Number Publication Date
CN114139053A true CN114139053A (zh) 2022-03-04

Family

ID=80389534

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111438001.0A Pending CN114139053A (zh) 2021-11-29 2021-11-29 基于学分银行和大数据分析的终身学习资源智能推送系统

Country Status (1)

Country Link
CN (1) CN114139053A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117114940A (zh) * 2023-10-24 2023-11-24 山东爱书人家庭教育科技有限公司 一种资源匹配方法、系统、装置及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117114940A (zh) * 2023-10-24 2023-11-24 山东爱书人家庭教育科技有限公司 一种资源匹配方法、系统、装置及介质

Similar Documents

Publication Publication Date Title
CN107230174B (zh) 一种基于网络的在线互动学习系统和方法
CN111737495A (zh) 基于领域自分类的中高端人才智能推荐系统及其方法
CN106126524B (zh) 信息推送方法和装置
CN111709575A (zh) 基于c-lstm的学业成绩预测方法
CN114913729B (zh) 一种选题方法、装置、计算机设备和存储介质
CN113656687B (zh) 基于教研数据的教师画像构建方法
CN110888989B (zh) 一种智能学习平台及其构建方法
Jenders et al. Which answer is best? Predicting accepted answers in MOOC forums
Dang et al. MOOC-KG: A MOOC knowledge graph for cross-platform online learning resources
CN113259763B (zh) 教学视频处理方法、装置和电子设备
CN112214688A (zh) 选修课的推荐方法、装置和服务器
CN114818678A (zh) 一种科技成果管理方法、平台及电子设备
CN117609419A (zh) 基于元学习与知识增强的领域检索方法
CN117077679B (zh) 命名实体识别方法和装置
CN117033665B (zh) 一种图谱知识点与视频的对齐方法及装置
CN114139053A (zh) 基于学分银行和大数据分析的终身学习资源智能推送系统
CN112330387A (zh) 一种应用于看房软件的虚拟经纪人
CN115757720A (zh) 基于知识图谱的项目信息搜索方法、装置、设备和介质
CN112507082B (zh) 一种智能识别不当文本交互的方法、装置和电子设备
Fazuludeen et al. MOOCRec 2 for humanities-learning style based MOOC recommender and search engine
CN114707510A (zh) 资源推荐信息推送方法、装置、计算机设备及存储介质
CN113569741A (zh) 图像试题的答案生成方法、装置、电子设备及可读介质
CN113204662A (zh) 基于拍搜行为预测用户所属群组的方法、装置和计算机设备
Abdulaziz et al. A survey on Big Data Analytics for Education
Ngo et al. Exploration and integration of job portals in Vietnam

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