CN114925284A - 一种基于人工智能的资源搜索推送系统及方法 - Google Patents
一种基于人工智能的资源搜索推送系统及方法 Download PDFInfo
- Publication number
- CN114925284A CN114925284A CN202210686723.6A CN202210686723A CN114925284A CN 114925284 A CN114925284 A CN 114925284A CN 202210686723 A CN202210686723 A CN 202210686723A CN 114925284 A CN114925284 A CN 114925284A
- Authority
- CN
- China
- Prior art keywords
- target
- target user
- course
- knowledge point
- difficulty coefficient
- 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 29
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 24
- 238000012216 screening Methods 0.000 claims abstract description 26
- 230000006978 adaptation Effects 0.000 claims abstract description 22
- 238000012163 sequencing technique Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims description 55
- 238000012545 processing Methods 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000036544 posture Effects 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000001815 facial effect Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims 3
- 230000008569 process Effects 0.000 description 9
- 230000009471 action Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000037237 body shape Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工智能的资源搜索推送系统及方法,步骤S100:将目标用户在学习具备课后练习的课程资源时的学习记录作为目标记录;对目标记录对应课程资源的知识点分布情况进行解析;步骤S200:筛选目标知识点;步骤S300:对目标用户在学习目标知识点时的状态特征进行提取;步骤S400:捕捉目标用户对知识点的掌握程度达不到系统最低要求时所呈现出的各项状态特征;步骤S500:根据目标用户输入的搜索关键词在海量的学习资源库中完成课程资源的调取;将所有调取到的课程资源基于与目标用户之间的适配度进行推送排序;步骤S600:资源搜索推送系统对目标用户在学习其选取的课程资源时的状态进行监测。
Description
技术领域
本发明涉及人工智能技术领域,具体为一种基于人工智能的资源搜索推送系统及方法。
背景技术
现有技术中,课程资源的推送往往只能根据用户输入的关键信息进行对应推送,但是在互联网大数据时代,与关键信息匹配的资源数量往往都是巨大的,用户在匹配得到的各资源中完成资源挑选往往具有一定的盲目性,在一定程度上会对用户造成时间上的浪费;且每个人的学习能力是不一样的,对应的与之相适配的课程风格也是不一样的,用户只有在适配的前提下可以呈现出最佳的学习状态,实现学习事半功倍的效果。
发明内容
本发明的目的在于提供一种基于人工智能的资源搜索推送系统及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于人工智能的资源搜索推送方法,其特征在于,资源搜索推送方法包括:
步骤S100:捕捉目标用户的历史课程资源学习记录;在历史课程资源学习记录中将目标用户在学习具备课后练习的课程资源时的学习记录作为目标记录;基于目标记录中的课后练习内容对每一目标记录对应课程资源的知识点分布情况进行解析;
步骤S200:基于目标记录对应课程资源的知识点分布情况以及目标用户对各知识点的掌握情况筛选出在每一目标记录中对应的目标知识点;目标知识点是指在对应的课程资源的所有知识点中目标用户掌握程度最好的知识点;
步骤S300:利用人工智能技术对目标用户在学习目标知识点时的状态特征进行提取,设定状态特征为目标用户的最佳状态特征;
步骤S400:利用人工智能技术捕捉目标用户对知识点的掌握程度达不到系统最低要求时所呈现出的各项状态特征,设定各项状态特征为目标用户的各欠佳状态特征项;
步骤S500:资源搜索推送系统根据目标用户输入的搜索关键词在海量的学习资源库中完成课程资源的调取;将所有调取到的课程资源基于与目标用户之间的适配度按照从高到低进行推送列表的排序;资源搜索推送系统将推送列表对目标用户进行展示,目标用户完成课程资源的选取;
步骤S600:资源搜索推送系统对目标用户在学习其选取的课程资源时的状态进行监测,当目标用户出现欠佳状态特征时对目标用户发出预警提示;目标用户可在预警提示下选择自我状态调整或者重新选择其他课程资源。
进一步的,步骤S100对每一目标记录对应课程资源的知识点分布情况进行解析的过程包括:
步骤S101:分别提取在各目标记录中对应的课后练习内容,对课后练习内容内各练习题包含的知识点进行解析得到各练习题对应的知识点集合;对各练习题对应的知识点集合进行遍历;
步骤S102:将知识点集合内含有知识点种类数为1的练习题作为第一练习题,将所有第一练习题汇成集合A={a1,a2,…,an};其中,a1、a2、…、an分别表示集合A内第1、2、…、n个第一练习题;其中n表示自然数;将知识点集合内含有的知识点种类数大于或等于2的练习题作为第二练习题,将所有第二练习题汇成集合B={b1,b2,…,bm};其中,b1、b2、…、bm分别表示集合B内第1、2、…、m个第二练习题;其中m表示自然数;
上述从课程资源对应的练习题中解析出相应的知识点分布情况,是为了直观的掌握课程资源内容中涉及的各知识点,且通过基于各练习题中涵盖的知识点种类对各练习题进行分类是为了后续步骤对各知识点在课程资源中的占比情况以及目标用户对各知识点的掌握情况进行分析提供了技术铺垫。
进一步的,步骤S200对每一目标记录中筛选对应目标知识点的过程包括:
步骤S201:分别计算集合A内第i个第一练习题ai的难度系数Pai=1-(zai/wai);其中,zai表示历史记录中不同用户对ai的平均得分;wai表示ai对应的总分;分别计算集合B内第j个第二练习题aj的综合难度系数Paj=1-(zaj/waj);其中,zaj表示历史记录中不同用户对aj的平均得分;waj表示aj对应的总分;
步骤S202:在集合A内分别将含有知识点种类相同的第一练习题进行分别汇集,得到若干个子集合;分别将若干个子集合内的各第一练习题按照难度系数从小到大进行排序;一个子集合内含有一种知识点;计算目标用户对第k个知识点的掌握程度值的范围区间: 其中,表示在第k个知识点对应的子集合内出现的第一种难度系数值;表示目标用户在第k个知识点对应难度系数值为的第一练习题的得分;表示在第k个知识点对应的子集合内出现的第r种难度系数值;表示目标用户在第k个知识点对应难度系数值为的第一练习题的得分;若对应第k个知识点相同难度系数值的第一练习题的个数大于等于2,则目标用户在第k个知识点对应相同难度系数值的第一练习题的得分为平均得分;
步骤S203:设定最小掌握程度值,分别在目标用户对第k个知识点的掌握程度值值的范围区间内将小于最小掌握程度值的掌握程度值进行剔除;对剩下的掌握程度值提取难度系数值,并分别将所有提取到的难度系数值按照从低到高进行排序分别得到若干个子集合对应的知识点的难度系数值范围其中,表示在若干个子集合对应的知识点中出现的最低难度系数值;表示在若干个子集合对应的知识点中出现的最高难度系数值;分别计算若干个子集合对应的知识点的难度系数值跨度
步骤S204:将所有子集合按照难度系数值跨度f从大到小进行排序,将难度系数值跨度f最大的子集合作为目标子集合,将目标子集合对应的知识点作为目标知识点;若难度跨度f最大的子集合个数大于1,将最高难度系数值whigh大的子集合作为目标子集合,将目标子集合对应的知识点作为目标知识点;若最高难度系数值whigh出现相等的情况,分别调取包含相等最高难度系数值whigh的子集合对应的知识点的若干第二练习题,分别计算若干第二练习题的综合难度系数值范围其中,表示在若干第二练习题对应的全部综合难度系数值中出现的最低综合难度系数值;表示在若干第二练习题对应的全部综合难度系数值中出现的最高综合难度系数值;分别计算若干第二练习题的综合难度系数值跨度将对应的综合难度系数值跨度f2大的子集合作为目标子集合,将目标子集合对应的知识点作为目标知识点;
上述步骤中先计算出各第一练习题和第二练习题体现的难度系数值,获取目标用户在各难度系数值对应的练习题中的得分情况,基于难度系数值和对应的得分情况获取目标用户对在该难度系数值下的该知识点的掌握程度值,同时在本专利中,默认出现低于最小掌握程度时,目标用户对该难度系数值下的该知识点是没有达到基本掌握水平的,对这部分数据进行剔除,表示目标用户在对知识点的掌握程度上是缺少难度系数达到该值时的;从筛选后的掌握程度的范围区间中提取对应知识点的难度系数值范围,是为了体现目标用户对该知识点在维度上的掌握情况,在本专利中通过难度系数值跨度来体现维度,难度系数值范围越大说明目标用户对该知识点掌握的越全面;在难度系数值范围相同的情况下,通过最高难度系数值来筛选,因为在维度相同的基础下,若是目标用户能掌握一个知识点越高难度系数值的练习题,说明目标用户对该知识点的理解以及实际掌握程度是更高的;在最高难度系数值相同的情况下,通过目标用户对包含该知识点的第二练习题的综合难度系数值范围来体现在一个课程资源中知识点的重要程度,因为第二练习题也就是对各知识点的综合考察题,若是含有一个知识点的各综合考察题综合体现的综合难度系数值范围越大,说明课后练习在题目设计上考量了在整个课程资源中该知识点的重要程度越大,这也是为了后续提取目标用户在对该知识点学习时的状态特征提取进行技术铺垫,因为在一个课程资源中,对于一个重要的知识点的授课方式往往最能体现整体的授课风格;同样,对于一个重要的知识点的学习方式往往也最能体现出具备最好状态时的状态特点。
进一步的,步骤S300对目标用户在学习目标知识点时呈现的最佳状态进行特征提取的过程包括:
步骤S301:分别在每一目标记录中提取目标用户在学习相应课程资源时的状态记录视频和课程授课视频;分别将课程授课视频拆解成对应各知识点的若干授课视频序列,分别将状态记录视频拆解成学习对应知识点时的若干状态视频序列;分别将若干授课视频序列与若干状态视频序列之间一一建立对应关系,生成若干视频序列对;一视频序列对对应一知识点;分别将针对目标知识点的视频序列对作为目标序列对,分别将所有视频序列对进行视频慢速处理;
步骤S302:分别从经过视频慢速处理后的授课视频序列中提取授课语调变化曲线、授课手势变化曲线、语速变化曲线;分别从授课语调变化曲线、授课手势变化曲线、语速变化曲线中提取变化率大于变化率阈值的曲线点对应的授课视频帧;
步骤S303:分别从经过视频慢速处理后的授课视频序列中提取各授课视频帧的授课内容,授课内容包括一段话、一个词语、一个字;当存在相邻授课视频帧之间出现授课内容相似且重复次数大于重复阈值时,提取对该授课内容部分第二次重复时对应的授课视频帧;
步骤S304:分别基于步骤S303和步骤S304提取到的授课视频帧在相应视频序列对中的状态视频序列内捕捉对应的状态视频帧,分别从状态视频帧中提取目标用户的反应特征;反应特征包括面部微表情、身型姿势、手部姿势;将从每一目标序列对中提取到的反应特征提取相同反应特征,将相同反应特征作为目标用户的最佳状态特征;
上述步骤S303中挑选出的授课视频帧往往是最能体现整体授课风格的视频帧,因为在一个课程资源中,当出现一个重要的知识点时,授课者往往会选择自己习惯并且觉得可以引起观看者注意力的表现形式;同样在步骤S304中提取到的状态视频帧则是能体现当授课者呈现该表现形式时的用户反应的视频帧,从该视频帧中提取目标用户的反应特征,往往能体现出,当用户具备最好状态时的状态特点,因为在这种情况下,往往能体现每个人对重要知识进行吸收时展现的状态特点。
进一步的,步骤S400对目标用户的各欠佳状态特征项进行提取的过程包括包括:
步骤S401:分别将其他从目标序列对以外的视频序列对中提取得到的反应特征与最佳状态特征之间分别基于面部微表情、身型姿势、手部姿势进行一一对应匹配,提取匹配偏差大于匹配偏差阈值的若干反应特征项;
步骤S402:分别溯及提取出若干反应特征项的若干视频序列对,分别溯及若干视频序列对对应的若干知识点,分别查询目标用户对若干知识点的掌握程度值的范围区间;分别累计在掌握程度值的范围区间内剔除掉的小于最小掌握程度值的掌握程度值个数,将剔除掉的掌握程度值个数大于个数阈值对应的反应特征项作为欠佳状态特征项。
进一步的,步骤S500包括:
步骤S501:在历史课程资源学习记录中提取目标用户呈现最佳状态特征时对应的若干授课视频序列,在若干授课视频序列中提取若干相同课程特征;对所有调取到的课程资源进行课程特征分析得到各课程资源对应的课程特征;
步骤S502:将所有调取到的课程资源的课程特征与目标用户在呈现最佳状态特征时对应的课程特征进行特征匹配得到若干特征匹配值,将若干特征匹配值高作为各调取到的课程资源与目标用户之间的适配度;将所有调取到的课程资源基于与目标用户之间的适配度按照从高到低进行推送列表的排序。
为更好的实现上述方法还提出了基于人工智能的资源搜索推送系统,推送系统包括:目标记录提取模块、知识点解析模块、目标知识点筛选模块、最佳状态特征提取模块、欠佳状态特征提取模块、资源适配推送模块、资源学习监督模块;
目标记录提取模块,用于捕捉目标用户的历史课程资源学习记录,并在历史课程资源学习记录中捕捉将在学习具备课后练习的课程资源时的学习记录;
知识点解析模块,用于接收目标记录提取模块中的数据,基于目标记录中的课后练习内容对每一目标记录对应课程资源的知识点分布情况进行解析;
目标知识点筛选模块,用于接收知识点解析模块中的数据,基于目标记录对应课程资源的知识点分布情况以及目标用户对各知识点的掌握情况筛选出在每一目标记录中对应的目标知识点;
最佳状态特征提取模块,用于对目标用户在学习目标知识点时的状态特征进行提取,设定状态特征为目标用户的最佳状态特征;
欠佳状态特征提取模块,用于捕捉目标用户对知识点的掌握程度达不到系统最低要求时所呈现出的各项状态特征,设定各项状态特征为目标用户的各欠佳状态特征项;
资源适配推送模块,用于根据目标用户输入的搜索关键词在海量的学习资源库中完成课程资源的调取,将所有调取到的课程资源基于与目标用户之间的适配度情况进行适配推送;
资源学习监督模块,用于对目标用户在学习其选取的课程资源时的状态进行监测,当目标用户出现欠佳状态特征时对目标用户发出预警提示。
进一步的,目标知识点筛选模块包括计算单元、程度范围区间求取单元、筛选单元;
计算单元,用于完成从每一目标记录中筛选对应目标知识点时的难度系数计算、难度系数值跨度计算;
程度范围区间求取单元,用于求取目标用户对第每个知识点的掌握程度的范围区间;
筛选单元,用于接收计算单元和程度范围区间求取单元中的数据,对每一目标记录完成目标知识点的筛选。
进一步的,最佳状态特征提取模块包括:视频序列对生成单元、视频序列对处理单元、授课视频帧提取单元、最佳状态特征提取单元;
视频序列对生成单元,用于提取目标用户在目标记录中学习相应课程资源时的状态记录视频和课程授课视频,将状态记录视频和课程授课视频基于知识点的分布进行拆解和对应关系的建立;
视频序列对处理单元,用于接收视频序列对生成单元中的数据,对所有视频序列对进行视频慢速处理;
授课视频帧提取单元,用于接收视频序列对处理单元中的数据,基于数据完成授课视频帧的提取;
最佳状态特征提取单元,用于接收授课视频帧提取单元的数据,基于数据完成最佳状态特征的提取。
与现有技术相比,本发明所达到的有益效果是:本发明可实现从用户自身学习状态出发,可基于个体差异的不同,识别不同用户在呈现最佳学习状态时的特征,同时在对用户进行资源推送的时候优先考虑与以往用户呈现最佳学习状态时的课程特征相似的课程资源,实现给用户推送的课程资源在授课风格特征上是与用户学习状态习惯呈现相适配的,提高了资源推送的个性化服务的同时也可提高用户的学习效率和用户对系统的使用好感度。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于人工智能的资源搜索推送方法的流程示意图;
图2是本发明一种基于人工智能的资源搜索推送系统的结构示意图。
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做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。
请参阅图1-图2,本发明提供技术方案:一种基于人工智能的资源搜索推送方法,其特征在于,资源搜索推送方法包括:
步骤S100:捕捉目标用户的历史课程资源学习记录;在历史课程资源学习记录中将目标用户在学习具备课后练习的课程资源时的学习记录作为目标记录;基于目标记录中的课后练习内容对每一目标记录对应课程资源的知识点分布情况进行解析;
其中,对每一目标记录对应课程资源的知识点分布情况进行解析的过程包括:
步骤S101:分别提取在各目标记录中对应的课后练习内容,对课后练习内容内各练习题包含的知识点进行解析得到各练习题对应的知识点集合;对各练习题对应的知识点集合进行遍历;
步骤S102:将知识点集合内含有知识点种类数为1的练习题作为第一练习题,将所有第一练习题汇成集合A={a1,a2,…,an};其中,a1、a2、…、an分别表示集合A内第1、2、…、n个第一练习题;其中n表示自然数;将知识点集合内含有的知识点种类数大于或等于2的练习题作为第二练习题,将所有第二练习题汇成集合B={b1,b2,…,bm};其中,b1、b2、…、bm分别表示集合B内第1、2、…、m个第二练习题;其中m表示自然数;
步骤S200:基于目标记录对应课程资源的知识点分布情况以及目标用户对各知识点的掌握情况筛选出在每一目标记录中对应的目标知识点;目标知识点是指在对应的课程资源的所有知识点中目标用户掌握程度最好的知识点;
其中,对每一目标记录中筛选对应目标知识点的过程包括:
步骤S201:分别计算集合A内第i个第一练习题ai的难度系数Pai=1-(zai/wai);其中,zai表示历史记录中不同用户对ai的平均得分;wai表示ai对应的总分;分别计算集合B内第j个第二练习题aj的综合难度系数Paj=1-(zaj/waj);其中,zaj表示历史记录中不同用户对aj的平均得分;waj表示aj对应的总分;
步骤S202:在集合A内分别将含有知识点种类相同的第一练习题进行分别汇集,得到若干个子集合;分别将若干个子集合内的各第一练习题按照难度系数从小到大进行排序;一个子集合内含有一种知识点;计算目标用户对第k个知识点的掌握程度值的范围区间: 其中,表示在第k个知识点对应的子集合内出现的第一种难度系数值;表示目标用户在第k个知识点对应难度系数值为的第一练习题的得分;表示在第k个知识点对应的子集合内出现的第r种难度系数值;表示目标用户在第k个知识点对应难度系数值为的第一练习题的得分;若对应第k个知识点相同难度系数值的第一练习题的个数大于等于2,则目标用户在第k个知识点对应相同难度系数值的第一练习题的得分为平均得分;
步骤S203:设定最小掌握程度值,分别在目标用户对第k个知识点的掌握程度值值的范围区间内将小于最小掌握程度值的掌握程度值进行剔除;对剩下的掌握程度值提取难度系数值,并分别将所有提取到的难度系数值按照从低到高进行排序分别得到若干个子集合对应的知识点的难度系数值范围其中,表示在若干个子集合对应的知识点中出现的最低难度系数值;表示在若干个子集合对应的知识点中出现的最高难度系数值;分别计算若干个子集合对应的知识点的难度系数值跨度
步骤S204:将所有子集合按照难度系数值跨度f从大到小进行排序,将难度系数值跨度f最大的子集合作为目标子集合,将目标子集合对应的知识点作为目标知识点;若难度跨度f最大的子集合个数大于1,将最高难度系数值whigh大的子集合作为目标子集合,将目标子集合对应的知识点作为目标知识点;若最高难度系数值whigh出现相等的情况,分别调取包含相等最高难度系数值whigh的子集合对应的知识点的若干第二练习题,分别计算若干第二练习题的综合难度系数值范围其中,表示在若干第二练习题对应的全部综合难度系数值中出现的最低综合难度系数值;表示在若干第二练习题对应的全部综合难度系数值中出现的最高综合难度系数值;分别计算若干第二练习题的综合难度系数值跨度将对应的综合难度系数值跨度f2大的子集合作为目标子集合,将目标子集合对应的知识点作为目标知识点;
步骤S300:利用人工智能技术对目标用户在学习目标知识点时的状态特征进行提取,设定状态特征为目标用户的最佳状态特征;
其中,对目标用户在学习目标知识点时呈现的最佳状态进行特征提取的过程包括:
步骤S301:分别在每一目标记录中提取目标用户在学习相应课程资源时的状态记录视频和课程授课视频;分别将课程授课视频拆解成对应各知识点的若干授课视频序列,分别将状态记录视频拆解成学习对应知识点时的若干状态视频序列;分别将若干授课视频序列与若干状态视频序列之间一一建立对应关系,生成若干视频序列对;一视频序列对对应一知识点;分别将针对目标知识点的视频序列对作为目标序列对,分别将所有视频序列对进行视频慢速处理;
步骤S302:分别从经过视频慢速处理后的授课视频序列中提取授课语调变化曲线、授课手势变化曲线、语速变化曲线;分别从授课语调变化曲线、授课手势变化曲线、语速变化曲线中提取变化率大于变化率阈值的曲线点对应的授课视频帧;
例如说,授课语调变化曲线、授课手势变化曲线、语速变化曲线中出现了变化率大于变化率阈值的曲线点,说明在该点时出现了异常,例如说,语调突变,手势突然增多,语速突然变慢,这些都是具有强烈的想要引起重视的表现方式;
步骤S303:分别从经过视频慢速处理后的授课视频序列中提取各授课视频帧的授课内容,授课内容包括一段话、一个词语、一个字;当存在相邻授课视频帧之间出现授课内容相似且重复次数大于重复阈值时,提取对该授课内容部分第二次重复时对应的授课视频帧;
例如说,存在相邻授课视频帧之间出现授课内容相似且重复次数大于重复阈值时,这些重复的内容往往也都具有强烈的想要引起重视的表现方式,因为当一个人想要引起对方对该部分的注意,或者说想要让对方知道接下来讲的内容是很重要的时候,往往都会在语言上反复强调;例如说反复说“看”…“知识点1在这种情况下需要这样做..”…“来,看黑板”;
步骤S304:分别基于步骤S303和步骤S304提取到的授课视频帧在相应视频序列对中的状态视频序列内捕捉对应的状态视频帧,分别从状态视频帧中提取目标用户的反应特征;反应特征包括面部微表情、身型姿势、手部姿势;将从每一目标序列对中提取到的反应特征提取相同反应特征,将相同反应特征作为目标用户的最佳状态特征;
步骤S400:利用人工智能技术捕捉目标用户对知识点的掌握程度达不到系统最低要求时所呈现出的各项状态特征,设定各项状态特征为目标用户的各欠佳状态特征项;
其中,对目标用户的各欠佳状态特征项进行提取的过程包括包括:
步骤S401:分别将其他从目标序列对以外的视频序列对中提取得到的反应特征与最佳状态特征之间分别基于面部微表情、身型姿势、手部姿势进行一一对应匹配,提取匹配偏差大于匹配偏差阈值的若干反应特征项;
步骤S402:分别溯及提取出若干反应特征项的若干视频序列对,分别溯及若干视频序列对对应的若干知识点,分别查询目标用户对若干知识点的掌握程度值的范围区间;分别累计在掌握程度值的范围区间内剔除掉的小于最小掌握程度值的掌握程度值个数,将剔除掉的掌握程度值个数大于个数阈值对应的反应特征项作为欠佳状态特征项;
例如说,最小掌握程度值是1,对知识点a的掌握程度值的范围区间为[0.2×4、0.3×2、0.4×4、0.6×5、0.9×6];对知识点b的掌握程度值的范围区间为[0.2×3、0.3×4、0.4×6、0.6×4、0.9×4];
其中,0.2×4表示对难度系数值为0.2的练习题的得分为4分,0.3×2表示对难度系数值为0.2的练习题的得分为2分,0.4×4表示对难度系数值为0.4的练习题的得分为4分,0.6×5表示对难度系数值为0.6的练习题的得分为5分....,以此类推;
所以在对知识点a的掌握程度值的范围区间内剔除掉的小于最小掌握程度值的掌握程度值为0.2×4、0.3×2;
所以在对知识点b的掌握程度值的范围区间内剔除掉的小于最小掌握程度值的掌握程度值为0.2×3;
因为在知识点b的掌握程度值的范围区间内剔除掉的掌握程度值的个数1小于在知识点a的掌握程度值的范围区间内剔除掉的掌握程度值的个数2,所以将从知识点b对应的视频序列对中提取到的反应特征项作为欠佳状态特征项;
步骤S500:资源搜索推送系统根据目标用户输入的搜索关键词在海量的学习资源库中完成课程资源的调取;将所有调取到的课程资源基于与目标用户之间的适配度按照从高到低进行推送列表的排序;资源搜索推送系统将推送列表对目标用户进行展示,目标用户完成课程资源的选取;
其中,步骤S500包括:
步骤S501:在历史课程资源学习记录中提取目标用户呈现最佳状态特征时对应的若干授课视频序列,在若干授课视频序列中提取若干相同课程特征;对所有调取到的课程资源进行课程特征分析得到各课程资源对应的课程特征;
步骤S502:将所有调取到的课程资源的课程特征与目标用户在呈现最佳状态特征时对应的课程特征进行特征匹配得到若干特征匹配值,将若干特征匹配值高作为各调取到的课程资源与目标用户之间的适配度;将所有调取到的课程资源基于与目标用户之间的适配度按照从高到低进行推送列表的排序;
步骤S600:资源搜索推送系统对目标用户在学习其选取的课程资源时的状态进行监测,当目标用户出现欠佳状态特征时对目标用户发出预警提示;目标用户可在预警提示下选择自我状态调整或者重新选择其他课程资源;
为更好的实现上述方法还提出了基于人工智能的资源搜索推送系统,推送系统包括:目标记录提取模块、知识点解析模块、目标知识点筛选模块、最佳状态特征提取模块、欠佳状态特征提取模块、资源适配推送模块、资源学习监督模块;
目标记录提取模块,用于捕捉目标用户的历史课程资源学习记录,并在历史课程资源学习记录中捕捉将在学习具备课后练习的课程资源时的学习记录;
知识点解析模块,用于接收目标记录提取模块中的数据,基于目标记录中的课后练习内容对每一目标记录对应课程资源的知识点分布情况进行解析;
目标知识点筛选模块,用于接收知识点解析模块中的数据,基于目标记录对应课程资源的知识点分布情况以及目标用户对各知识点的掌握情况筛选出在每一目标记录中对应的目标知识点;
其中,目标知识点筛选模块包括计算单元、程度范围区间求取单元、筛选单元;
计算单元,用于完成从每一目标记录中筛选对应目标知识点时的难度系数计算、难度系数值跨度计算;
程度范围区间求取单元,用于求取目标用户对第每个知识点的掌握程度的范围区间;
筛选单元,用于接收计算单元和程度范围区间求取单元中的数据,对每一目标记录完成目标知识点的筛选;
最佳状态特征提取模块,用于对目标用户在学习目标知识点时的状态特征进行提取,设定状态特征为目标用户的最佳状态特征;
其中,最佳状态特征提取模块包括:视频序列对生成单元、视频序列对处理单元、授课视频帧提取单元、最佳状态特征提取单元;
视频序列对生成单元,用于提取目标用户在目标记录中学习相应课程资源时的状态记录视频和课程授课视频,将状态记录视频和课程授课视频基于知识点的分布进行拆解和对应关系的建立;
视频序列对处理单元,用于接收视频序列对生成单元中的数据,对所有视频序列对进行视频慢速处理;
授课视频帧提取单元,用于接收视频序列对处理单元中的数据,基于数据完成授课视频帧的提取;
最佳状态特征提取单元,用于接收授课视频帧提取单元的数据,基于数据完成最佳状态特征的提取;
欠佳状态特征提取模块,用于捕捉目标用户对知识点的掌握程度达不到系统最低要求时所呈现出的各项状态特征,设定各项状态特征为目标用户的各欠佳状态特征项;
资源适配推送模块,用于根据目标用户输入的搜索关键词在海量的学习资源库中完成课程资源的调取,将所有调取到的课程资源基于与目标用户之间的适配度情况进行适配推送;
资源学习监督模块,用于对目标用户在学习其选取的课程资源时的状态进行监测,当目标用户出现欠佳状态特征时对目标用户发出预警提示。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于人工智能的资源搜索推送方法,其特征在于,所述资源搜索推送方法包括:
步骤S100:捕捉目标用户的历史课程资源学习记录;在所述历史课程资源学习记录中将目标用户在学习具备课后练习的课程资源时的学习记录作为目标记录;基于所述目标记录中的课后练习内容对每一所述目标记录对应课程资源的知识点分布情况进行解析;
步骤S200:基于所述目标记录对应课程资源的知识点分布情况以及目标用户对各知识点的掌握情况筛选出在每一目标记录中对应的目标知识点;所述目标知识点是指在对应的课程资源的所有知识点中目标用户掌握程度最好的知识点;
步骤S300:利用人工智能技术对目标用户在学习所述目标知识点时的状态特征进行提取,设定所述状态特征为目标用户的最佳状态特征;
步骤S400:利用人工智能技术捕捉目标用户对知识点的掌握程度达不到系统最低要求时所呈现出的各项状态特征,设定所述各项状态特征为目标用户的各欠佳状态特征项;
步骤S500:资源搜索推送系统根据目标用户输入的搜索关键词在海量的学习资源库中完成课程资源的调取;将所有调取到的课程资源基于与目标用户之间的适配度按照从高到低进行推送列表的排序;所述资源搜索推送系统将推送列表对目标用户进行展示,目标用户完成课程资源的选取;
步骤S600:所述资源搜索推送系统对目标用户在学习其选取的课程资源时的状态进行监测,当所述目标用户出现欠佳状态特征时对目标用户发出预警提示;目标用户可在所述预警提示下选择自我状态调整或者重新选择其他课程资源。
2.根据权利要求1所述的一种基于人工智能的资源搜索推送方法,其特征在于,所述步骤S100对每一目标记录对应课程资源的知识点分布情况进行解析的过程包括:
步骤S101:分别提取在各所述目标记录中对应的课后练习内容,对所述课后练习内容内各练习题包含的知识点进行解析得到各练习题对应的知识点集合;对所述各练习题对应的知识点集合进行遍历;
步骤S102:将知识点集合内含有知识点种类数为1的练习题作为第一练习题,将所有第一练习题汇成集合A={a1,a2,…,an};其中,a1、a2、…、an分别表示集合A内第1、2、…、n个第一练习题;其中n表示自然数;将知识点集合内含有的知识点种类数大于或等于2的练习题作为第二练习题,将所有第二练习题汇成集合B={b1,b2,…,bm};其中,b1、b2、…、bm分别表示集合B内第1、2、…、m个第二练习题;其中m表示自然数。
3.根据权利要求1所述的一种基于人工智能的资源搜索推送方法,其特征在于,所述步骤S200对每一目标记录中筛选对应目标知识点的过程包括:
步骤S201:分别计算集合A内第i个所述第一练习题ai的难度系数Pai=1-(zai/wai);其中,zai表示历史记录中不同用户对ai的平均得分;wai表示ai对应的总分;分别计算集合B内第j个所述第二练习题aj的综合难度系数Paj=1-(zaj/waj);其中,zaj表示历史记录中不同用户对aj的平均得分;waj表示aj对应的总分;
步骤S202:在集合A内分别将含有知识点种类相同的第一练习题进行分别汇集,得到若干个子集合;分别将所述若干个子集合内的各第一练习题按照难度系数从小到大进行排序;一个子集合内含有一种知识点;计算目标用户对第k个知识点的掌握程度值的范围区间:其中,表示在第k个知识点对应的子集合内出现的第一种难度系数值;表示目标用户在第k个知识点对应难度系数值为的第一练习题的得分;表示在第k个知识点对应的子集合内出现的第r种难度系数值;表示目标用户在第k个知识点对应难度系数值为的第一练习题的得分;若对应所述第k个知识点相同难度系数值的第一练习题的个数大于等于2,则目标用户在第k个知识点对应相同难度系数值的第一练习题的得分为平均得分;
步骤S203:设定最小掌握程度值,分别在目标用户对第k个知识点的掌握程度值值的范围区间内将小于所述最小掌握程度值的掌握程度值进行剔除;对剩下的掌握程度值提取难度系数值,并分别将所有提取到的难度系数值按照从低到高进行排序分别得到若干个子集合对应的知识点的难度系数值范围其中,表示在所述若干个子集合对应的知识点中出现的最低难度系数值;表示在所述若干个子集合对应的知识点中出现的最高难度系数值;分别计算若干个子集合对应的知识点的难度系数值跨度
步骤S204:将所有子集合按照难度系数值跨度f从大到小进行排序,将难度系数值跨度f最大的子集合作为目标子集合,将所述目标子集合对应的知识点作为目标知识点;若所述难度跨度f最大的子集合个数大于1,将最高难度系数值whigh大的子集合作为目标子集合,将所述目标子集合对应的知识点作为目标知识点;若最高难度系数值whigh出现相等的情况,分别调取包含相等最高难度系数值whigh的子集合对应的知识点的若干第二练习题,分别计算所述若干第二练习题的综合难度系数值范围其中,表示在所述若干第二练习题对应的全部综合难度系数值中出现的最低综合难度系数值;表示在所述若干第二练习题对应的全部综合难度系数值中出现的最高综合难度系数值;分别计算若干第二练习题的综合难度系数值跨度将对应的综合难度系数值跨度f2大的子集合作为目标子集合,将所述目标子集合对应的知识点作为目标知识点。
4.根据权利要求1所述的一种基于人工智能的资源搜索推送方法,其特征在于,所述步骤S300对目标用户在学习目标知识点时呈现的最佳状态进行特征提取的过程包括:
步骤S301:分别在每一所述目标记录中提取目标用户在学习相应课程资源时的状态记录视频和课程授课视频;分别将所述课程授课视频拆解成对应各知识点的若干授课视频序列,分别将所述状态记录视频拆解成学习对应知识点时的若干状态视频序列;分别将所述若干授课视频序列与所述若干状态视频序列之间一一建立对应关系,生成若干视频序列对;一视频序列对对应一知识点;分别将针对所述目标知识点的视频序列对作为目标序列对,分别将所有视频序列对进行视频慢速处理;
步骤S302:分别从经过视频慢速处理后的授课视频序列中提取授课语调变化曲线、授课手势变化曲线、语速变化曲线;分别从所述授课语调变化曲线、授课手势变化曲线、语速变化曲线中提取变化率大于变化率阈值的曲线点对应的授课视频帧;
步骤S303:分别从经过视频慢速处理后的授课视频序列中提取各授课视频帧的授课内容,所述授课内容包括一段话、一个词语、一个字;当存在相邻授课视频帧之间出现授课内容相似且重复次数大于重复阈值时,提取对该授课内容部分第二次重复时对应的授课视频帧;
步骤S304:分别基于所述步骤S303和所述步骤S304提取到的授课视频帧在相应视频序列对中的状态视频序列内捕捉对应的状态视频帧,分别从所述状态视频帧中提取目标用户的反应特征;所述反应特征包括面部微表情、身型姿势、手部姿势;将从每一所述目标序列对中提取到的反应特征提取相同反应特征,将所述相同反应特征作为目标用户的最佳状态特征。
5.根据权利要求4所述的一种基于人工智能的资源搜索推送方法,其特征在于,所述步骤S400对目标用户的各欠佳状态特征项进行提取的过程包括包括:
步骤S401:分别将其他从目标序列对以外的视频序列对中提取得到的反应特征与最佳状态特征之间分别基于面部微表情、身型姿势、手部姿势进行一一对应匹配,提取匹配偏差大于匹配偏差阈值的若干反应特征项;
步骤S402:分别溯及提取出所述若干反应特征项的若干视频序列对,分别溯及所述若干视频序列对对应的若干知识点,分别查询目标用户对所述若干知识点的掌握程度值的范围区间;分别累计在所述掌握程度值的范围区间内剔除掉的小于最小掌握程度值的掌握程度值个数,将剔除掉的掌握程度值个数大于个数阈值对应的反应特征项作为欠佳状态特征项。
6.根据权利要求1所述的一种基于人工智能的资源搜索推送方法,其特征在于,所述步骤S500包括:
步骤S501:在历史课程资源学习记录中提取目标用户呈现最佳状态特征时对应的若干授课视频序列,在所述若干授课视频序列中提取若干相同课程特征;对所有调取到的课程资源进行课程特征分析得到各课程资源对应的课程特征;
步骤S502:将所有调取到的课程资源的课程特征与目标用户在呈现最佳状态特征时对应的课程特征进行特征匹配得到若干特征匹配值,将所述若干特征匹配值高作为各调取到的课程资源与目标用户之间的适配度;将所有调取到的课程资源基于与目标用户之间的适配度按照从高到低进行推送列表的排序。
7.一种应用于权利要求1-6中任一项的基于人工智能的资源搜索推送方法的基于人工智能的资源搜索推送系统,其特征在于,所述推送系统包括:目标记录提取模块、知识点解析模块、目标知识点筛选模块、最佳状态特征提取模块、欠佳状态特征提取模块、资源适配推送模块、资源学习监督模块;
所述目标记录提取模块,用于捕捉目标用户的历史课程资源学习记录,并在历史课程资源学习记录中捕捉将在学习具备课后练习的课程资源时的学习记录;
所述知识点解析模块,用于接收所述目标记录提取模块中的数据,基于所述目标记录中的课后练习内容对每一所述目标记录对应课程资源的知识点分布情况进行解析;
所述目标知识点筛选模块,用于接收所述知识点解析模块中的数据,基于目标记录对应课程资源的知识点分布情况以及目标用户对各知识点的掌握情况筛选出在每一目标记录中对应的目标知识点;
所述最佳状态特征提取模块,用于对目标用户在学习所述目标知识点时的状态特征进行提取,设定所述状态特征为目标用户的最佳状态特征;
所述欠佳状态特征提取模块,用于捕捉目标用户对知识点的掌握程度达不到系统最低要求时所呈现出的各项状态特征,设定所述各项状态特征为目标用户的各欠佳状态特征项;
所述资源适配推送模块,用于根据目标用户输入的搜索关键词在海量的学习资源库中完成课程资源的调取,将所有调取到的课程资源基于与目标用户之间的适配度情况进行适配推送;
所述资源学习监督模块,用于对目标用户在学习其选取的课程资源时的状态进行监测,当所述目标用户出现欠佳状态特征时对目标用户发出预警提示。
8.根据权利要求7所述的一种基于人工智能的资源搜索推送系统,其特征在于,所述所述目标知识点筛选模块包括计算单元、程度范围区间求取单元、筛选单元;
所述计算单元,用于完成从每一目标记录中筛选对应目标知识点时的难度系数计算、难度系数值跨度计算;
所述程度范围区间求取单元,用于求取目标用户对第每个知识点的掌握程度的范围区间;
所述筛选单元,用于接收所述计算单元和所述程度范围区间求取单元中的数据,对每一目标记录完成目标知识点的筛选。
9.根据权利要求7所述的一种基于人工智能的资源搜索推送系统,其特征在于,所述最佳状态特征提取模块包括:视频序列对生成单元、视频序列对处理单元、授课视频帧提取单元、最佳状态特征提取单元;
所述视频序列对生成单元,用于提取目标用户在目标记录中学习相应课程资源时的状态记录视频和课程授课视频,将所述状态记录视频和课程授课视频基于知识点的分布进行拆解和对应关系的建立;
所述视频序列对处理单元,用于接收所述视频序列对生成单元中的数据,对所有视频序列对进行视频慢速处理;
所述授课视频帧提取单元,用于接收所述视频序列对处理单元中的数据,基于所述数据完成授课视频帧的提取;
所述最佳状态特征提取单元,用于接收所述授课视频帧提取单元的数据,基于所述数据完成最佳状态特征的提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210686723.6A CN114925284A (zh) | 2022-06-16 | 2022-06-16 | 一种基于人工智能的资源搜索推送系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210686723.6A CN114925284A (zh) | 2022-06-16 | 2022-06-16 | 一种基于人工智能的资源搜索推送系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114925284A true CN114925284A (zh) | 2022-08-19 |
Family
ID=82814746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210686723.6A Pending CN114925284A (zh) | 2022-06-16 | 2022-06-16 | 一种基于人工智能的资源搜索推送系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114925284A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115564403A (zh) * | 2022-12-06 | 2023-01-03 | 北京华医网科技股份有限公司 | 一种应用于医学继教的信息管理方法和系统 |
CN117033673A (zh) * | 2023-05-16 | 2023-11-10 | 广州比地数据科技有限公司 | 一种基于人工智能的多媒体内容抽取系统 |
-
2022
- 2022-06-16 CN CN202210686723.6A patent/CN114925284A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115564403A (zh) * | 2022-12-06 | 2023-01-03 | 北京华医网科技股份有限公司 | 一种应用于医学继教的信息管理方法和系统 |
CN117033673A (zh) * | 2023-05-16 | 2023-11-10 | 广州比地数据科技有限公司 | 一种基于人工智能的多媒体内容抽取系统 |
CN117033673B (zh) * | 2023-05-16 | 2024-04-05 | 广州比地数据科技有限公司 | 一种基于人工智能的多媒体内容抽取系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111915148B (zh) | 一种基于信息技术的课堂教学评价方法和系统 | |
CN114925284A (zh) | 一种基于人工智能的资源搜索推送系统及方法 | |
CN109408600B (zh) | 一种基于数据挖掘的图书荐购方法 | |
CN110659311B (zh) | 题目推送方法、装置、电子设备及存储介质 | |
CN111027865A (zh) | 一种基于行为和表情智能识别的课堂教学分析与质量评估系统及方法 | |
CN111881172B (zh) | 一种基于答题统计特征的题目推荐系统 | |
CN111681143A (zh) | 基于课堂语音的多维度分析方法、装置、设备及存储介质 | |
CN113052737A (zh) | 一种基于强制督学和智能推荐的学习方法及系统 | |
CN116259004B (zh) | 一种应用于在线教育的学生学习状态检测方法及系统 | |
CN114021962A (zh) | 教学评估方法、评估装置及其相关设备和存储介质 | |
CN116049557A (zh) | 一种基于多模态预训练模型的教育资源推荐方法 | |
CN113255843B (zh) | 演讲稿测评方法及设备 | |
CN114333787A (zh) | 口语考试的评分方法、装置、设备、存储介质及程序产品 | |
CN111625631B (zh) | 一种选择题选项生成方法 | |
CN111311997B (zh) | 一种基于网络教育资源的互动方法 | |
CN112100341B (zh) | 一种用于快速表达力测试的智能化题目分类及推荐方法 | |
JP2010243662A (ja) | リメディアル教育支援システム、リメディアル教育支援方法、およびメディアル教育支援プログラム | |
CN109599096A (zh) | 一种数据筛选方法及装置 | |
Ye et al. | Answer quality evaluation of social Q&A platforms based on feature filtering | |
CN111508289B (zh) | 基于字词使用频率的语言学习系统 | |
CN111611455A (zh) | 一种微博热点话题下基于用户情感行为特征的用户群体划分方法 | |
CN118037003B (zh) | 一种在线学习课程优化排序方法和系统 | |
CN111612324B (zh) | 一种基于英语口语考试的多维度评估方法 | |
CN113066327B (zh) | 一种大学生在线智能教育方法 | |
CN118037003A (zh) | 一种在线学习课程优化排序方法和系统 |
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 |