CN114647721B - 教育智能机器人控制方法、设备及介质 - Google Patents

教育智能机器人控制方法、设备及介质 Download PDF

Info

Publication number
CN114647721B
CN114647721B CN202210559919.9A CN202210559919A CN114647721B CN 114647721 B CN114647721 B CN 114647721B CN 202210559919 A CN202210559919 A CN 202210559919A CN 114647721 B CN114647721 B CN 114647721B
Authority
CN
China
Prior art keywords
learning
feature
preset
training
knowledge
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.)
Active
Application number
CN202210559919.9A
Other languages
English (en)
Other versions
CN114647721A (zh
Inventor
谌世凤
马莉
毕宏博
林海洋
周佳庆
周春大
林进玉
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.)
Fenglin Technology Shenzhen Co ltd
Original Assignee
Fenglin Technology Shenzhen 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 Fenglin Technology Shenzhen Co ltd filed Critical Fenglin Technology Shenzhen Co ltd
Priority to CN202210559919.9A priority Critical patent/CN114647721B/zh
Publication of CN114647721A publication Critical patent/CN114647721A/zh
Application granted granted Critical
Publication of CN114647721B publication Critical patent/CN114647721B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (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)
  • Manipulator (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了教育智能机器人控制方法、设备及介质，所述教育智能机器人控制方法包括：获取目标用户的实时学习画像以及各待学习知识点对应的待学习知识点信息；依据所述实时学习画像和各所述待学习知识点信息，分别预测所述目标用户与各所述待学习知识点之间的学习匹配度；依据各所述学习匹配度，在各所述待学习知识点中筛选各待选取知识点；根据所述目标用户的学习习惯特征和各所述待选取知识点对应的知识点学习特征，在各所述待选取知识点中选取目标学习知识点；控制教育智能机器人向所述目标用户推荐所述目标学习知识点。本申请解决了现有技术中教育智能机器人辅助学习效果差的技术问题。

Description

教育智能机器人控制方法、设备及介质
技术领域
本申请涉及人工智能技术领域，尤其涉及一种教育智能机器人控制方法、设备及介质。
背景技术
随着人工智能的不断发展，人工智能的应用也越来越广泛，目前，教育智能机器人在辅助用户进行学习时，通常是由用户自主去选择知识点进行学习，但是对于一些年龄较小的用户，通常没有能力来规划自己的学习计划，对于自身需要学习什么知识点的需求并不明确，从而影响教育智能机器人辅助学习的效果。
发明内容
本申请的主要目的在于提供一种教育智能机器人控制方法、设备及介质，旨在解决现有技术中教育智能机器人辅助学习效果差的技术问题。
为实现上述目的，本申请提供一种教育智能机器人控制方法，所述教育智能机器人控制方法包括：
获取目标用户的实时学习画像以及各待学习知识点对应的待学习知识点信息；
依据所述实时学习画像和各所述待学习知识点信息，分别预测所述目标用户与各所述待学习知识点之间的学习匹配度；
依据各所述学习匹配度，在各所述待学习知识点中筛选各待选取知识点；
根据所述目标用户的学习习惯特征和各所述待选取知识点对应的知识点学习特征，在各所述待选取知识点中选取目标学习知识点；
控制教育智能机器人向所述目标用户推荐所述目标学习知识点。
本申请还提供一种教育智能机器人控制装置，所述装置为虚拟装置，所述教育智能机器人控制装置包括：
获取模块，用于获取目标用户的实时学习画像以及各待学习知识点对应的待学习知识点信息；
预测模块，用于依据所述实时学习画像和各所述待学习知识点信息，分别预测所述目标用户与各所述待学习知识点之间的学习匹配度；
第一筛选模块，用于依据各所述学习匹配度，在各所述待学习知识点中筛选各待选取知识点；
第二筛选模块，用于根据所述目标用户的学习习惯特征和各所述待选取知识点对应的知识点学习特征，在各所述待选取知识点中选取目标学习知识点；
推荐模块，用于控制教育智能机器人向所述目标用户推荐所述目标学习知识点。
本申请还提供一种电子设备，所述电子设备包括：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所述教育智能机器人控制方法的程序，所述教育智能机器人控制方法的程序被处理器执行时可实现如上述的教育智能机器人控制方法的步骤。
本申请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上存储有实现教育智能机器人控制方法的程序，所述教育智能机器人控制方法的程序被处理器执行时实现如上述的教育智能机器人控制方法的步骤。
本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的教育智能机器人控制方法的步骤。
本申请提供了一种教育智能机器人控制方法、设备及介质，相比于现有技术中采用的由用户自主去选择知识点进行学习的技术手段，本申请获取目标用户的实时学习画像以及各待学习知识点对应的待学习知识点信息；依据所述实时学习画像和各所述待学习知识点信息，分别预测所述目标用户与各所述待学习知识点之间的学习匹配度；依据各所述学习匹配度，在各所述待学习知识点中筛选各待选取知识点；根据所述目标用户的学习习惯特征和各所述待选取知识点对应的知识点学习特征，在各所述待选取知识点中选取目标学习知识点，可依据用户的实时学习画像与待学习知识点的待学习知识点信息以及用户的学习习惯，为用户自动筛选当前最适合学习的目标学习知识点，从而可控制教育智能机器人向所述目标用户推荐所述目标学习知识点，实现了为用户自动推荐相适配的学习知识点的目的，克服了现有技术中对于一些年龄较小的用户，通常没有能力来规划自己的学习计划，对于自身需要学习什么知识点的需求并不明确，从而影响教育智能机器人辅助学习的效果的技术缺陷，提升了教育智能机器人的辅助学习效果。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请教育智能机器人控制方法第一实施例的流程示意图；
图2为本申请教育智能机器人控制方法第二实施例的流程示意图；
图3为本申请实施例中教育智能机器人控制方法涉及的硬件运行环境的设备结构示意图。
本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，均属于本申请保护的范围。
实施例一
本申请实施例提供一种教育智能机器人控制方法，在本申请教育智能机器人控制方法的第一实施例中，参照图1，所述教育智能机器人控制方法包括：
步骤S10，获取目标用户的实时学习画像以及各待学习知识点对应的待学习知识点信息；
步骤S20，依据所述实时学习画像和各所述待学习知识点信息，分别预测所述目标用户与各所述待学习知识点之间的学习匹配度；
步骤S30，依据各所述学习匹配度，在各所述待学习知识点中筛选各待选取知识点；
步骤S40，根据所述目标用户的学习习惯特征和各所述待选取知识点对应的知识点学习特征，在各所述待选取知识点中选取目标学习知识点；
步骤S50，控制教育智能机器人向所述目标用户推荐所述目标学习知识点。
在本实施例中，需要说明的是，所述实时学习画像可以为实时学习画像矩阵，由所述目标用户已经学习过的各知识点对应的知识点信息组成，其中，所述知识点信息包括用户学习次数、用户学习花费时长，以及该知识点与其他知识点之间的关联程度组成，例如假设存在知识点A，B，C，用户学习过知识点A，且用户学习次数为a，用户学习花费时长为b，A与B的关联程度为i，A与C的关联程度为j，则知识点A对应的知识点信息为向量（a，b，i，j）。所述待学习知识点信息可以为待学习知识点信息向量，由用户所需学习次数、用户所需学习时长，以及待学习知识点与其他知识点之间的关联程度组成，其中，所述用户所需学习次数为用户学习好所述待选取知识点所需的学习次数，所述用户所需学习时长为用户学习好所述待选取知识点所需的学习时长。
作为一种示例，步骤S10至步骤S50包括：获取目标用户的实时学习画像矩阵以及各待学习知识点对应的待学习知识点信息向量；将各所述待学习知识点信息分别与所述实时学习画像矩阵进行拼接，得到各学习后画像矩阵；通过将所述学习后画像矩阵输入预设学习匹配度检测模型，将所述学习后画像矩阵映射为对应的学习匹配度；依据各所述学习匹配度，则各所述待学习知识点中筛选预设数量的匹配度排名前列的知识点作为待选取知识点；获取所述目标用户对应的学习习惯特征以及各所述待选取知识点对应的知识点学习特征，其中，所述学习习惯特征为表征目标用户的学习习惯类型的嵌入特征，所述学习习惯类型与用户的学习时间段和学习频率相关，所述知识点学习特征为表征知识点的类型的嵌入特征，所述知识点学习特征与知识点对应的高效学习时间段以及对应的高效学习次数相关；依据所述学习习惯特征和各所述知识点学习特征之间的特征相似度，在各所述待选取知识点中选取特征相似度排名靠前的知识点作为目标学习知识点，其中，所述目标知识点的数量至少为1，例如可选取特征相似度排名前三的知识点作为目标学习知识点；控制教育智能机器人向所述目标用户推荐所述目标学习知识点。
其中，所述依据所述实时学习画像和各所述待学习知识点信息，分别预测所述目标用户与各所述待学习知识点之间的学习匹配度的步骤包括：
步骤S21，依据预设第一特征提取模型，对所述实时学习画像进行特征提取，得到学习画像嵌入特征；
步骤S22，依据预设第二特征提取模型，对各所述待学习知识点信息进行特征提取，得到各知识点嵌入特征；
步骤S23，分别计算所述学习画像嵌入特征和各所述知识点嵌入特征之间的相似度，得到各所述学习匹配度。
在本实施例中，需要说明的是，所述预设第一特征提取模型和所述预设第二特征提取模型为基于对比学习构建特征提取模型，对于学习匹配度高的知识点和实时学习画像，预设第一特征提取模型和预设第二特征提取模型会输出相似度高的嵌入特征，对于学习匹配度低的知识点和实时学习画像，预设第一特征提取模型和预设第二特征提取模型会输出相似度低的嵌入特征。
作为一种示例，步骤S21至步骤S23包括：通过将所述实时学习画像输入预设第一特征提取模型，将所述实时学习画像映射至预设特征维度，得到学习画像嵌入特征；通过分别将各所述待学习知识点信息输入预设第二特征提取模型，分别将各所述待学习知识点信息映射至预设特征维度，得到各知识点嵌入特征；分别计算所述学习画像嵌入特征和各所述知识点嵌入特征之间的相似度，得到各所述学习匹配度。
其中，所述根据所述目标用户的学习习惯特征和各所述待选取知识点对应的知识点学习特征，在各所述待选取知识点中选取目标学习知识点的步骤包括：
步骤S41，计算所述学习习惯特征和各所述知识点学习特征之间的特征相似度；
步骤S42，依据各所述特征相似度，在各所述待选取知识点中选取所述目标学习知识点。
作为一种示例，步骤S41至步骤S42包括：计算所述学习习惯特征和各所述知识点学习特征之间的特征相似度；依据各所述特征相似度，在各所述待选取知识点中选取特征相似度最高的知识点所述目标学习知识点。
其中，在所述根据所述目标用户的学习习惯特征和各所述待选取知识点对应的知识点学习特征，在各所述待选取知识点中选取目标学习知识点的之前，所述方法还包括：
步骤A10，获取所述目标用户对于各类型知识点的学习时间分布信息以及第一学习频率分布信息；
步骤A20，依据所述学习时间分布信息和所述第一学习频率分布信息，生成所述目标用户对应的学习习惯特征。
在本实施例中，需要说明的是，所述学习时间分布信息可以为由各类型知识点的学习时间信息向量构成的学习时间分布特征矩阵，所述学习时间信息向量由类型知识点的类别标签以及在预设时间内的学习时间段作为特征值构成，例如一种类型知识点A对应的预设时间段为三天，用户在第一天的学习时间段为8点至10点，在第二天的学习时间段为9点至10点，在第三天的学习时间段为10点至14点，则A对应的学习时间信息向量为（A，8,10,9,10,10,14）。所述第一学习频率分布信息可以为各类型知识点的学习频率信息向量构成的学习频率分布特征矩阵，所述第一学习频率信息向量由类型知识点的类别标签以及在预设时间内的学习频率作为特征值构成，其中学习频率可以为在一天内的学习次数，例如一种类型知识点B对应的预设时间段为三天，用户在第一天的学习频率为2，在第二天的学习频率为3，在第三天的学习频率为4，则A对应的学习时间信息向量为（A，2，3，4）。
作为一种示例，步骤A10至步骤A20包括：获取所述目标用户对于各类型知识点共同对应的学习时间分布特征矩阵和共同对应的学习频率分布特征矩阵；对所述学习时间分布特征矩阵和所述学习频率分布特征矩阵进行拼接，得到第一拼接特征；通过将所述第一拼接特征输入预设学习习惯特征提取模型，将所述第一拼接特征转换至预设学习习惯特征维度，得到学习习惯特征，其中，所述学习习惯特征为表征目标用户的学习习惯的嵌入特征，也即为embedding。
其中，在所述根据所述目标用户的学习习惯特征和各所述待选取知识点对应的知识点学习特征，在各所述待选取知识点中选取目标学习知识点的之前，所述方法还包括：
步骤B10，获取所述待选取知识点所需的第二学习频率分布信息以及所述待选取知识点对应的高效学习时间分布信息；
步骤B20，依据所述高效学习时间分布信息和所述第二学习频率分布信息，生成所述待选取知识点对应的知识点学习特征。
在本实施例中，需要说明的是，用户在学习某一知识点时，用户能否高效学好该知识点通常与学习频率分布和学习时间分布相关，一个与知识点相适配的学习频率分布和学习时间分布可提升用户对于该知识点的学习效率，例如对于背诵类知识点A，需要学习三天，通常在每天的7点至8点的时间段的学习效率最高，且第一天学习1次，第二天学习3次，第三天学习2次，即可高效学习好该知识点；对于数学类知识点B需要学习两天，通常在每天的20点至22点的时间段的学习效率最高，且第一天学习4次，第二天学习1次，即可高效学习好该知识点。
另外，需要说明的是，所述高效学习时间分布信息可以为待选取知识点的高效学习时间信息向量，例如假设对于背诵类知识点A，需要学习三天，通常在每天的7点至8点的时间段的学习效率最高，则高效学习时间信息向量为（A，7，8，7，8，7，8）。所述第二学习频率分布信息可以为待选取知识点的高效学习频率信息向量，例如假设对于背诵类知识点A，需要学习三天，第一天学习1次，第二天学习3次，第三天学习2次，即可高效学习好该知识点，则所述高效学习频率信息向量为（A，1，3，2）。
作为一种示例，步骤B10至步骤B20包括：获取所述待选取知识点对应的高效学习时间信息向量以及对应的高效学习频率信息向量；对所述高效学习时间信息向量以及所述高效学习频率信息向量进行拼接，得到第二拼接特征；通过将所述第二拼接特征输入预设知识点高效学习特征提取模型，将所述第二拼接特征映射至预设高效特征维度，得到知识点学习特征，其中，所述知识点学习特征为用于表征高效学习该知识点所需的学习习惯的嵌入特征，也即为embedding。从而根据表征目标用户的学习习惯的学习习惯特征以及表征待选取知识点所需的学习习惯的知识点特征之间的相似度，即可确定目标用户在学习习惯方面是否与待选取知识点相匹配，也即确定目标用户在学习待选取知识点时是否存在较好的学习习惯，从而可实现依据用户的学习习惯，为用户选取相适配的学习知识点的目的，可提升教育智能机器人向用户推荐目标学习知识点的准确度。
本申请实施例提供了一种教育智能机器人控制方法，相比于现有技术中采用的由用户自主去选择知识点进行学习的技术手段，本申请实施例获取目标用户的实时学习画像以及各待学习知识点对应的待学习知识点信息；依据所述实时学习画像和各所述待学习知识点信息，分别预测所述目标用户与各所述待学习知识点之间的学习匹配度；依据各所述学习匹配度，在各所述待学习知识点中筛选各待选取知识点；根据所述目标用户的学习习惯特征和各所述待选取知识点对应的知识点学习特征，在各所述待选取知识点中选取目标学习知识点，可依据用户的实时学习画像与待学习知识点的待学习知识点信息以及用户的学习习惯，为用户自动筛选当前最适合学习的目标学习知识点，从而可控制教育智能机器人向所述目标用户推荐所述目标学习知识点，实现了为用户自动推荐相适配的学习知识点的目的，克服了现有技术中对于一些年龄较小的用户，通常没有能力来规划自己的学习计划，对于自身需要学习什么知识点的需求并不明确，从而影响教育智能机器人辅助学习的效果的技术缺陷，提升了教育智能机器人的辅助学习效果。
实施例二
进一步地，参照图2，基于上述第一实施例，在本申请教育智能机器人控制方法的另一实施例中，在所述依据预设第二特征提取模型，对各所述待学习知识点信息进行特征提取，得到各知识点嵌入特征的步骤之前，所述教育智能机器人控制方法还包括：
步骤C10，获取至少一个训练学习画像、至少一个训练待学习知识点信息，其中，各所述训练学习画像和各所述训练待学习知识点信息两两之间存在预设学习匹配度；
步骤C20，依据待训练第一特征提取模型，分别对各所述训练学习画像进行特征提取，得到各训练学习画像嵌入特征；
步骤C30，依据待训练第二特征提取模型，分别对各所述训练待学习知识点信息进行特征提取，得到各训练知识点嵌入特征；
步骤C40，依据各所述预设学习匹配度、各所述训练学习画像嵌入特征和各所述训练知识点嵌入特征，对所述待训练第一特征提取模型和所述待训练第二特征提取模型进行迭代训练更新，得到所述预设第一特征提取模型和所述预设第二特征提取模型。
作为一种示例，步骤C10至步骤C40包括：获取至少一个训练学习画像、至少一个训练待学习知识点信息，其中，各所述训练学习画像和各所述训练待学习知识点信息两两之间存在预设学习匹配度；通过分别将各训练学习画像输入待训练第一特征提取模型，分别将各所述训练学习画像映射至预设特征维度，得到各训练学习画像嵌入特征；通过分别将各训练待学习知识点信息输入待训练第二特征提取模型，分别将各所述训练待学习知识点信息映射至预设特征维度，得到各训练知识点嵌入特征；分别计算每一所述训练学习画像嵌入特征和每一所述训练知识点嵌入特征两两之间的相似度，得到各训练输出学习匹配度；根据每一训练输出学习匹配度与对应的预设学习匹配度之间的差距，对所述待训练第一特征提取模型和所述待训练第二特征提取模型进行迭代训练更新，得到所述预设第一特征提取模型和所述预设第二特征提取模型。
其中，所述依据各所述预设学习匹配度、各所述训练学习画像嵌入特征和各所述训练知识点嵌入特征，对所述待训练第一特征提取模型和所述待训练第二特征提取模型进行迭代训练更新，得到所述预设第一特征提取模型和所述预设第二特征提取模型的步骤包括:
步骤C41，依据各所述预设学习匹配度，在各所述训练知识点嵌入特征中选取每一所述训练学习画像嵌入特征对应的第一正样本特征和对应的第一负样本特征；
步骤C42，依据各所述预设学习匹配度，在各所述训练学习画像嵌入特征中选取每一所述训练知识点嵌入特征对应的第二正样本特征和对应的第二负样本特征；
步骤C43，依据各所述训练学习画像嵌入特征、各所述第一正样本特征和各所述第一负样本特征，构建第一对比学习总损失；
步骤C44，依据各所述训练知识点嵌入特征、各所述第二正样本特征和各所述第二负样本特征，构建第二对比学习总损失；
步骤C45，依据所述第一对比学习总损失迭代更新所述待训练第一特征提取模型，以及依据所述第二对比学习总损失迭代更新所述待训练第二特征提取模型，得到所述预设第一特征提取模型和所述预设第二特征提取模型。
作为一种示例，步骤C41至步骤C45包括：依据各所述预设学习匹配度，在各所述训练知识点嵌入特征中选取每一所述训练学习画像嵌入特征对应的第一正样本特征和对应的第一负样本特征，其中，所述训练学习画像嵌入特征和所述第一正样本特征之间的预设学习匹配度大于预设第一匹配度阈值，所述训练学习画像嵌入特征和所述第一负样本特征之间的预设学习匹配度小于预设第二匹配度阈值，预设第一匹配度阈值不小于预设第二匹配度阈值，例如可设置预设第一匹配度阈值为80%，可设置预设第二匹配度阈值为20%；依据各所述预设学习匹配度，在各所述训练学习画像嵌入特征中选取每一所述训练知识点嵌入特征对应的第二正样本特征和对应的第二负样本特征，其中，所述训练知识点嵌入特征和所述第二正样本特征之间的预设学习匹配度大于预设第三匹配度阈值，所述训练知识点嵌入特征和所述第二负样本特征之间的预设学习匹配度小于预设第四匹配度阈值，预设第三匹配度阈值不小于预设第四匹配度阈值，例如可设置预设第一匹配度阈值为90%，可设置预设第二匹配度阈值为20%；根据预设对比学习损失计算公式，计算每一训练学习画像嵌入特征、对应的第一正样本特征以及对应的第一负样本特征三者共同对应的第一对比学习损失，对各所述第一对比学习损失求平均，得到第一对比学习总损失；根据预设对比学习损失计算公式，计算每一训练知识点嵌入特征、对应的第二正样本特征以及对应的第二负样本特征三者共同对应的第二对比学习损失，对各所述第二对比学习损失求平均，得到第二对比学习总损失；判断所述第一对比学习总损失和所述第二对比学习总损失是否均收敛，若均收敛，则将待训练第一特征提取模型作为预设第一特征提取模型，以及将待训练第二特征提取模型作为预设第二特征提取模型；若未均收敛，则依据所述第一对比学习总损失计算的模型梯度更新所述待训练第一特征提取模型，以及依据所述第二对比学习总损失计算的模型梯度更新所述待训练第二特征提取模型，并返回执行步骤：获取至少一个训练学习画像、至少一个训练待学习知识点信息，其中，各所述训练学习画像和各所述训练待学习知识点信息两两之间存在预设学习匹配度，直至迭代训练更新过程中计算得到的第一对比学习总损失和计算得到的第二对比学习总损失均收敛。
作为一种示例，预设对比学习损失计算公式如下：
Figure 981789DEST_PATH_IMAGE001
其中，若
Figure 267277DEST_PATH_IMAGE002
为所述第一对比学习损失，
Figure 923997DEST_PATH_IMAGE003
为所述训练学习画像嵌入特征，
Figure 978540DEST_PATH_IMAGE004
为所述第一正例样本特征，
Figure 814909DEST_PATH_IMAGE005
为所述第一负例样本特征，M为第一负例样本特征的数量，进而当第一正例样本特征与训练学习画像嵌入特征之间的距离足够小，而各第一负例样本特征与训练学习画像嵌入特征的距离足够大时，所述第一对比学习总损失即可收敛，进而基于第一对比学习总损失更新得到的预设第一特征提取模型即可具备拉近学习画像嵌入特征与作为正例的知识点嵌入特征的距离，以及学习画像嵌入特征与作为负例的知识点嵌入特征的距离的能力，进而预设第一特征提取模型可基于不同样本类型（正例还是负例）的样本，生成不同的学习画像嵌入特征，使得生成的学习画像嵌入特征具备样本类别信息，提升了特征提取生成的学习画像嵌入特征所包含的信息量，进而可为进行学习匹配度预测提供更多的决策依据，提升了学习匹配度预测的准确性，从而为提升教育智能机器人的辅助学习效果奠定了基础。
相同地，若
Figure 322114DEST_PATH_IMAGE002
为所述第二对比学习损失，
Figure 3762DEST_PATH_IMAGE003
为所述训练知识点嵌入特征，
Figure 178392DEST_PATH_IMAGE004
为所述第二正例样本特征，
Figure 920083DEST_PATH_IMAGE005
为所述第 二例样本特征，M为第二负例样本特征的数量，进而当第二正例样本特征与训练知识点嵌入特征之间的距离足够小，而各第二负例样本特征与训练知识点嵌入特征的距离足够大时，所述第二对比学习总损失即可收敛，进而基于第二对比学习总损失更新得到的预设第二特征提取模型即可具备拉近知识点嵌入特征与作为正例的学习画像嵌入特征的距离，以及知识点嵌入特征与作为负例的学习画像嵌入特征的距离的能力，进而预设第二特征提取模型可基于不同样本类型（正例还是负例）的样本，生成不同的知识点嵌入特征，使得生成的知识点嵌入特征具备样本类别信息，提升了特征提取生成的知识点嵌入特征所包含的信息量，进而可为进行学习匹配度预测提供更多的决策依据，提升了学习匹配度预测的准确性，从而为提升教育智能机器人的辅助学习效果奠定了基础。
实施例三
本申请实施例还提供一种教育智能机器人控制装置，所述教育智能机器人控制装置包括：
获取模块，用于获取目标用户的实时学习画像以及各待学习知识点对应的待学习知识点信息；
预测模块，用于依据所述实时学习画像和各所述待学习知识点信息，分别预测所述目标用户与各所述待学习知识点之间的学习匹配度；
第一筛选模块，用于依据各所述学习匹配度，在各所述待学习知识点中筛选各待选取知识点；
第二筛选模块，用于根据所述目标用户的学习习惯特征和各所述待选取知识点对应的知识点学习特征，在各所述待选取知识点中选取目标学习知识点；
推荐模块，用于控制教育智能机器人向所述目标用户推荐所述目标学习知识点。
可选地，所述预测模块还用于：
依据预设第一特征提取模型，对所述实时学习画像进行特征提取，得到学习画像嵌入特征；
依据预设第二特征提取模型，对各所述待学习知识点信息进行特征提取，得到各知识点嵌入特征；
分别计算所述学习画像嵌入特征和各所述知识点嵌入特征之间的相似度，得到各所述学习匹配度。
可选地，所述教育智能机器人控制装置还用于：
获取至少一个训练学习画像、至少一个训练待学习知识点信息，其中，各所述训练学习画像和各所述训练待学习知识点信息两两之间存在预设学习匹配度；
依据待训练第一特征提取模型，分别对各所述训练学习画像进行特征提取，得到各训练学习画像嵌入特征；
依据待训练第二特征提取模型，分别对各所述训练待学习知识点信息进行特征提取，得到各训练知识点嵌入特征；
依据各所述预设学习匹配度、各所述训练学习画像嵌入特征和各所述训练知识点嵌入特征，对所述待训练第一特征提取模型和所述待训练第二特征提取模型进行迭代训练更新，得到所述预设第一特征提取模型和所述预设第二特征提取模型。
可选地，所述教育智能机器人控制装置还用于：
依据各所述预设学习匹配度，在各所述训练知识点嵌入特征中选取每一所述训练学习画像嵌入特征对应的第一正样本特征和对应的第一负样本特征；
依据各所述预设学习匹配度，在各所述训练学习画像嵌入特征中选取每一所述训练知识点嵌入特征对应的第二正样本特征和对应的第二负样本特征；
依据各所述训练学习画像嵌入特征、各所述第一正样本特征和各所述第一负样本特征，构建第一对比学习总损失；
依据各所述训练知识点嵌入特征、各所述第二正样本特征和各所述第二负样本特征，构建第二对比学习总损失；
依据所述第一对比学习总损失迭代更新所述待训练第一特征提取模型，以及依据所述第二对比学习总损失迭代更新所述待训练第二特征提取模型，得到所述预设第一特征提取模型和所述预设第二特征提取模型。
可选地，所述第二筛选模块还用于：
计算所述学习习惯特征和各所述知识点学习特征之间的特征相似度；
依据各所述特征相似度，在各所述待选取知识点中选取所述目标学习知识点。
可选地，所述教育智能机器人控制装置还用于：
获取所述目标用户对于各类型知识点的学习时间分布信息以及第一学习频率分布信息；
依据所述学习时间分布信息和所述第一学习频率分布信息，生成所述目标用户对应的学习习惯特征。
可选地，所述教育智能机器人控制装置还用于：
获取所述待选取知识点所需的第二学习频率分布信息以及所述待选取知识点对应的高效学习时间分布信息；
依据所述高效学习时间分布信息和所述第二学习频率分布信息，生成所述待选取知识点对应的知识点学习特征。
本申请提供的教育智能机器人控制装置，采用上述实施例中的教育智能机器人控制方法，解决了教育智能机器人辅助学习效果差的技术问题。与现有技术相比，本申请实施例提供的教育智能机器人控制装置的有益效果与上述实施例提供的教育智能机器人控制方法的有益效果相同，且该教育智能机器人控制装置中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。
实施例四
本申请实施例提供一种电子设备，电子设备包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例一中的教育智能机器人控制方法。
下面参考图3，其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图3所示，电子设备可以包括处理装置（例如中央处理器、图形处理器等），其可以根据存储在只读存储器（ROM）中的程序或者从存储装置加载到随机访问存储器（RAM）中的程序而执行各种适当的动作和处理。在RAM中，还存储有电子设备操作所需的各种程序和数据。处理装置、ROM以及RAM通过总线彼此训练。输入/输出（I/O）接口也连接至总线。
通常，以下系统可以连接至I/O接口：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置；包括例如磁带、硬盘等的存储装置；以及通信装置。通信装置可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的电子设备，但是应理解的是，并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储装置被安装，或者从ROM被安装。在该计算机程序被处理装置执行时，执行本公开实施例的方法中限定的上述功能。
本申请提供的电子设备，采用上述实施例中的教育智能机器人控制方法，解决了教育智能机器人辅助学习效果差的技术问题。与现有技术相比，本申请实施例提供的电子设备的有益效果与上述实施例提供的教育智能机器人控制方法的有益效果相同，且该电子设备中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
实施例五
本实施例提供一种计算机可读存储介质，具有存储在其上的计算机可读程序指令，计算机可读程序指令用于执行上述实施例一中的教育智能机器人控制的方法。
本申请实施例提供的计算机可读存储介质例如可以是U盘，但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
上述计算机可读存储介质可以是电子设备中所包含的；也可以是单独存在，而未装配入电子设备中。
上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被电子设备执行时，使得电子设备：获取目标用户的实时学习画像以及各待学习知识点对应的待学习知识点信息；依据所述实时学习画像和各所述待学习知识点信息，分别预测所述目标用户与各所述待学习知识点之间的学习匹配度；依据各所述学习匹配度，在各所述待学习知识点中筛选各待选取知识点；根据所述目标用户的学习习惯特征和各所述待选取知识点对应的知识点学习特征，在各所述待选取知识点中选取目标学习知识点；控制教育智能机器人向所述目标用户推荐所述目标学习知识点。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该单元本身的限定。
本申请提供的计算机可读存储介质，存储有用于执行上述教育智能机器人控制方法的计算机可读程序指令，解决了教育智能机器人辅助学习效果差的技术问题。与现有技术相比，本申请实施例提供的计算机可读存储介质的有益效果与上述实施例提供的教育智能机器人控制方法的有益效果相同，在此不做赘述。
实施例六
本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的教育智能机器人控制方法的步骤。
本申请提供的计算机程序产品解决了教育智能机器人辅助学习效果差的技术问题。与现有技术相比，本申请实施例提供的计算机程序产品的有益效果与上述实施例提供的教育智能机器人控制方法的有益效果相同，在此不做赘述。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利处理范围内。

Claims (7)

1.一种教育智能机器人控制方法，其特征在于，所述教育智能机器人控制方法包括：
获取目标用户的实时学习画像以及各待学习知识点对应的待学习知识点信息；
依据所述实时学习画像和各所述待学习知识点信息，分别预测所述目标用户与各所述待学习知识点之间的学习匹配度；
依据各所述学习匹配度，在各所述待学习知识点中筛选各待选取知识点；
根据所述目标用户的学习习惯特征和各所述待选取知识点对应的知识点学习特征，在各所述待选取知识点中选取目标学习知识点；
控制教育智能机器人向所述目标用户推荐所述目标学习知识点；
其中，所述依据所述实时学习画像和各所述待学习知识点信息，分别预测所述目标用户与各所述待学习知识点之间的学习匹配度的步骤包括：
依据预设第一特征提取模型，对所述实时学习画像进行特征提取，得到学习画像嵌入特征；
依据预设第二特征提取模型，对各所述待学习知识点信息进行特征提取，得到各知识点嵌入特征；
分别计算所述学习画像嵌入特征和各所述知识点嵌入特征之间的相似度，得到各所述学习匹配度；
其中，在所述依据预设第二特征提取模型，对各所述待学习知识点信息进行特征提取，得到各知识点嵌入特征的步骤之前，所述教育智能机器人控制方法还包括：
获取至少一个训练学习画像和至少一个训练待学习知识点信息，其中，各所述训练学习画像和各所述训练待学习知识点信息两两之间存在预设学习匹配度;
依据待训练第一特征提取模型，分别对各所述训练学习画像进行特征提取，得到各训练学习画像嵌入特征；
依据待训练第二特征提取模型，分别对各所述训练待学习知识点信息进行特征提取，得到各训练知识点嵌入特征；
依据各所述预设学习匹配度，在各所述训练知识点嵌入特征中选取每一所述训练学习画像嵌入特征对应的第一正样本特征和对应的第一负样本特征，其中，所述训练学习画像嵌入特征和所述第一正样本特征之间的预设学习匹配度大于预设第一匹配度阈值，所述训练学习画像嵌入特征和所述第一负样本特征之间的预设学习匹配度小于预设第二匹配度阈值，预设第一匹配度阈值不小于预设第二匹配度阈值；
依据各所述预设学习匹配度，在各所述训练学习画像嵌入特征中选取每一所述训练知识点嵌入特征对应的第二正样本特征和对应的第二负样本特征，其中，所述训练知识点嵌入特征和所述第二正样本特征之间的预设学习匹配度大于预设第三匹配度阈值，所述训练知识点嵌入特征和所述第二负样本特征之间的预设学习匹配度小于预设第四匹配度阈值，预设第三匹配度阈值不小于预设第四匹配度阈值；
依据各所述训练学习画像嵌入特征、各所述第一正样本特征和各所述第一负样本特征，构建第一对比学习总损失；
依据各所述训练知识点嵌入特征、各所述第二正样本特征和各所述第二负样本特征，构建第二对比学习总损失；
依据所述第一对比学习总损失迭代更新所述待训练第一特征提取模型，以及依据所述第二对比学习总损失迭代更新所述待训练第二特征提取模型，得到所述预设第一特征提取模型和所述预设第二特征提取模型。
2.如权利要求1所述教育智能机器人控制方法，其特征在于，所述根据所述目标用户的学习习惯特征和各所述待选取知识点对应的知识点学习特征，在各所述待选取知识点中选取目标学习知识点的步骤包括：
计算所述学习习惯特征和各所述知识点学习特征之间的特征相似度；
依据各所述特征相似度，在各所述待选取知识点中选取所述目标学习知识点。
3.如权利要求1所述教育智能机器人控制方法，其特征在于，在所述根据所述目标用户的学习习惯特征和各所述待选取知识点对应的知识点学习特征，在各所述待选取知识点中选取目标学习知识点的之前，所述方法还包括：
获取所述目标用户对于各类型知识点的学习时间分布信息以及第一学习频率分布信息；
依据所述学习时间分布信息和所述第一学习频率分布信息，生成所述目标用户对应的学习习惯特征。
4.如权利要求1所述教育智能机器人控制方法，其特征在于，在所述根据所述目标用户的学习习惯特征和各所述待选取知识点对应的知识点学习特征，在各所述待选取知识点中选取目标学习知识点的之前，所述方法还包括：
获取所述待选取知识点所需的第二学习频率分布信息以及所述待选取知识点对应的高效学习时间分布信息；
依据所述高效学习时间分布信息和所述第二学习频率分布信息，生成所述待选取知识点对应的知识点学习特征。
5.一种教育智能机器人控制装置，其特征在于，所述教育智能机器人控制方法装置：
获取模块，用于获取目标用户的实时学习画像以及各待学习知识点对应的待学习知识点信息；
预测模块，用于依据所述实时学习画像和各所述待学习知识点信息，分别预测所述目标用户与各所述待学习知识点之间的学习匹配度；
第一筛选模块，用于依据各所述学习匹配度，在各所述待学习知识点中筛选各待选取知识点；
第二筛选模块，用于根据所述目标用户的学习习惯特征和各所述待选取知识点对应的知识点学习特征，在各所述待选取知识点中选取目标学习知识点；
推荐模块，用于控制教育智能机器人向所述目标用户推荐所述目标学习知识点；
其中，所述预测模块还用于：
依据预设第一特征提取模型，对所述实时学习画像进行特征提取，得到学习画像嵌入特征；
依据预设第二特征提取模型，对各所述待学习知识点信息进行特征提取，得到各知识点嵌入特征；
分别计算所述学习画像嵌入特征和各所述知识点嵌入特征之间的相似度，得到各所述学习匹配度；
其中，在所述依据预设第二特征提取模型，对各所述待学习知识点信息进行特征提取，得到各知识点嵌入特征的步骤之前，所述教育智能机器人控制方法还包括：
获取至少一个训练学习画像和至少一个训练待学习知识点信息，其中，各所述训练学习画像和各所述训练待学习知识点信息两两之间存在预设学习匹配度;
依据待训练第一特征提取模型，分别对各所述训练学习画像进行特征提取，得到各训练学习画像嵌入特征；
依据待训练第二特征提取模型，分别对各所述训练待学习知识点信息进行特征提取，得到各训练知识点嵌入特征；
依据各所述预设学习匹配度，在各所述训练知识点嵌入特征中选取每一所述训练学习画像嵌入特征对应的第一正样本特征和对应的第一负样本特征，其中，所述训练学习画像嵌入特征和所述第一正样本特征之间的预设学习匹配度大于预设第一匹配度阈值，所述训练学习画像嵌入特征和所述第一负样本特征之间的预设学习匹配度小于预设第二匹配度阈值，预设第一匹配度阈值不小于预设第二匹配度阈值；
依据各所述预设学习匹配度，在各所述训练学习画像嵌入特征中选取每一所述训练知识点嵌入特征对应的第二正样本特征和对应的第二负样本特征，其中，所述训练知识点嵌入特征和所述第二正样本特征之间的预设学习匹配度大于预设第三匹配度阈值，所述训练知识点嵌入特征和所述第二负样本特征之间的预设学习匹配度小于预设第四匹配度阈值，预设第三匹配度阈值不小于预设第四匹配度阈值；
依据各所述训练学习画像嵌入特征、各所述第一正样本特征和各所述第一负样本特征，构建第一对比学习总损失；
依据各所述训练知识点嵌入特征、各所述第二正样本特征和各所述第二负样本特征，构建第二对比学习总损失；
依据所述第一对比学习总损失迭代更新所述待训练第一特征提取模型，以及依据所述第二对比学习总损失迭代更新所述待训练第二特征提取模型，得到所述预设第一特征提取模型和所述预设第二特征提取模型。
6.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至4中任一项所述的教育智能机器人控制方法的步骤。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有实现教育智能机器人控制方法的程序，所述实现教育智能机器人控制方法的程序被处理器执行以实现如权利要求1至4中任一项所述教育智能机器人控制方法的步骤。
CN202210559919.9A 2022-05-23 2022-05-23 教育智能机器人控制方法、设备及介质 Active CN114647721B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210559919.9A CN114647721B (zh) 2022-05-23 2022-05-23 教育智能机器人控制方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210559919.9A CN114647721B (zh) 2022-05-23 2022-05-23 教育智能机器人控制方法、设备及介质

Publications (2)

Publication Number Publication Date
CN114647721A CN114647721A (zh) 2022-06-21
CN114647721B true CN114647721B (zh) 2022-09-16

Family

ID=81996632

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210559919.9A Active CN114647721B (zh) 2022-05-23 2022-05-23 教育智能机器人控制方法、设备及介质

Country Status (1)

Country Link
CN (1) CN114647721B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107423442A (zh) * 2017-08-07 2017-12-01 火烈鸟网络(广州)股份有限公司 基于用户画像行为分析的应用推荐方法及系统，储存介质及计算机设备
CN111898020A (zh) * 2020-06-18 2020-11-06 济南浪潮高新科技投资发展有限公司 基于bert和lstm的知识学习体系推荐方法、设备及介质
CN112148890A (zh) * 2020-09-23 2020-12-29 中国科学院自动化研究所 基于网络群体智能的教学知识点图谱系统
CN112231373A (zh) * 2020-11-04 2021-01-15 腾讯科技（深圳）有限公司 知识点数据的处理方法、装置、设备和计算机可读介质
CN113590961A (zh) * 2021-08-03 2021-11-02 浙江工商大学 基于认知与状态评价的个性化习题推荐方法、装置及智能终端
WO2022041182A1 (zh) * 2020-08-31 2022-03-03 华为技术有限公司 音乐推荐方法和装置

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095504A (zh) * 2015-08-28 2015-11-25 广东小天才科技有限公司 一种基于学习习惯推荐学习内容的方法、装置和系统
CN110648170A (zh) * 2019-09-02 2020-01-03 平安科技（深圳）有限公司 一种物品推荐的方法及相关装置
CN111177413A (zh) * 2019-12-30 2020-05-19 北京谦仁科技有限公司 学习资源推荐方法、装置和电子设备
CN111241397A (zh) * 2020-01-09 2020-06-05 南京贝湾信息科技有限公司 一种内容推荐方法、装置和计算设备
CN111428058B (zh) * 2020-03-31 2021-02-05 上海松鼠课堂人工智能科技有限公司 基于mcm的智适应复习资源推送方法
CN111931067B (zh) * 2020-09-14 2023-09-29 北京百度网讯科技有限公司 兴趣点推荐方法、装置、设备和介质
CN112818236A (zh) * 2021-02-04 2021-05-18 上海松鼠课堂人工智能科技有限公司 基于场景的学习内容推荐方法及系统
CN112885172B (zh) * 2021-04-28 2021-08-06 北京合众美华教育投资有限公司 一种网络教学方法及系统
CN113590956A (zh) * 2021-07-30 2021-11-02 深圳市金博奥科技有限公司 知识点推荐方法、装置、终端及计算机可读存储介质
CN114168841A (zh) * 2021-10-29 2022-03-11 中国建设银行股份有限公司 内容推荐方法及其装置
CN114254208A (zh) * 2021-12-22 2022-03-29 科大讯飞股份有限公司 薄弱知识点的识别方法、学习路径的规划方法与装置
CN114398556A (zh) * 2022-01-18 2022-04-26 腾讯科技（深圳）有限公司 学习内容的推荐方法、装置、设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107423442A (zh) * 2017-08-07 2017-12-01 火烈鸟网络(广州)股份有限公司 基于用户画像行为分析的应用推荐方法及系统，储存介质及计算机设备
CN111898020A (zh) * 2020-06-18 2020-11-06 济南浪潮高新科技投资发展有限公司 基于bert和lstm的知识学习体系推荐方法、设备及介质
WO2022041182A1 (zh) * 2020-08-31 2022-03-03 华为技术有限公司 音乐推荐方法和装置
CN112148890A (zh) * 2020-09-23 2020-12-29 中国科学院自动化研究所 基于网络群体智能的教学知识点图谱系统
CN112231373A (zh) * 2020-11-04 2021-01-15 腾讯科技（深圳）有限公司 知识点数据的处理方法、装置、设备和计算机可读介质
CN113590961A (zh) * 2021-08-03 2021-11-02 浙江工商大学 基于认知与状态评价的个性化习题推荐方法、装置及智能终端

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"【特征提取】基于深度学习的特征提取和匹配方法介绍";小白学视觉;《https://blog.csdn.net/qq_42722197/article/details/115500294》;20210407;1-3 *
"Research on Intelligent Recommendation of Learning Resources Based on Collaborative Filtering Algorithm";Yinglong Yu 等;《https://ieeexplore.ieee.org/document/9726990》;20220509;326-328 *
基于匹配有效性的教育资源推荐方案设计;韩颖铮等;《微型电脑应用》;20180517(第05期);1-4 *
基于深度学习的推荐系统研究综述;黄立威等;《计算机学报》;20180305(第07期);1619-1647 *

Also Published As

Publication number Publication date
CN114647721A (zh) 2022-06-21

Similar Documents

Publication Publication Date Title
KR102342604B1 (ko) 뉴럴 네트워크 생성 방법 및 장치
CN110276346B (zh) 目标区域识别模型训练方法、装置和计算机可读存储介质
CN111381909B (zh) 一种页面展示方法、装置、终端设备及存储介质
CN114091617A (zh) 联邦学习建模优化方法、电子设备、存储介质及程序产品
CN110069191B (zh) 基于终端的图像拖拽变形实现方法和装置
US10541884B2 (en) Simulating a user score from input objectives
WO2023185391A1 (zh) 交互式分割模型训练方法、标注数据生成方法及设备
CN111738316B (zh) 零样本学习的图像分类方法、装置及电子设备
CN112306447A (zh) 一种界面导航方法、装置、终端和存储介质
CN110287817B (zh) 目标识别及目标识别模型的训练方法、装置和电子设备
CN116894188A (zh) 业务标签集更新方法、装置、介质及电子设备
CN114638411A (zh) 二氧化碳浓度预测方法、装置、设备及介质
CN110069195B (zh) 图像拖拽变形方法和装置
CN114647721B (zh) 教育智能机器人控制方法、设备及介质
CN110060324B (zh) 图像渲染方法、装置及电子设备
CN116151961A (zh) 信用风险预测方法、电子设备及可读存储介质
CN115543638B (zh) 基于不确定性的边缘计算数据收集分析方法、系统及设备
CN116563007A (zh) 授信信用风险预测方法、电子设备及可读存储介质
CN115293889A (zh) 信用风险预测模型训练方法、电子设备及可读存储介质
CN110222777B (zh) 图像特征的处理方法、装置、电子设备及存储介质
CN115470292B (zh) 区块链共识方法、装置、电子设备及可读存储介质
CN110929571B (zh) 一种笔迹拟合的方法、装置、介质和电子设备
CN117633536A (zh) 模型训练优化方法、电子设备及计算机可读存储介质
CN116401597B (zh) 地震解释模型构建方法、电子设备及可读存储介质
CN117576477A (zh) 模型训练优化方法、装置、电子设备及可读存储介质

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
GR01 Patent grant
GR01 Patent grant