CN116957869A - 一种基于资源模式匹配及协同的教育平台 - Google Patents
一种基于资源模式匹配及协同的教育平台 Download PDFInfo
- Publication number
- CN116957869A CN116957869A CN202311033348.6A CN202311033348A CN116957869A CN 116957869 A CN116957869 A CN 116957869A CN 202311033348 A CN202311033348 A CN 202311033348A CN 116957869 A CN116957869 A CN 116957869A
- Authority
- CN
- China
- Prior art keywords
- resource
- student
- resources
- weight
- module
- 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
- 238000007726 management method Methods 0.000 claims abstract description 26
- 238000013468 resource allocation Methods 0.000 claims abstract description 14
- 239000000284 extract Substances 0.000 claims abstract description 11
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 230000006872 improvement Effects 0.000 claims abstract description 7
- 238000011160 research Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 79
- 239000011159 matrix material Substances 0.000 claims description 58
- 238000004364 calculation method Methods 0.000 claims description 40
- 238000004422 calculation algorithm Methods 0.000 claims description 38
- 238000010276 construction Methods 0.000 claims description 29
- 238000011156 evaluation Methods 0.000 claims description 24
- 238000009825 accumulation Methods 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 21
- 238000011161 development Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 20
- 230000006399 behavior Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000012546 transfer Methods 0.000 claims description 12
- 238000013523 data management Methods 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000013439 planning Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 5
- 238000004806 packaging method and process Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 9
- 238000005457 optimization Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
-
- 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
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- 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
-
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Technology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于资源模式匹配及协同的教育平台,包括资源收集模块、资源匹配模块、总线服务模块、推荐及服务模块和协同展示模块,资源收集模块建立云地资源湖;资源匹配模块提取资源特征值,为资源匹配提供依据;总线服务模块实现不同应用程序和服务之间的协议转换和兼容,实现资源的分配;推荐及服务模块基于资源要素构建和积累推荐适合的教学资源和课程;协同展示模块支持高校内部资源统一协调和调度,实现云端统一资源的协作,为高校教务、教学、科研和学生资源提供全面的支撑。本发明的有益效果:为高校教育领域提供高效、智能的资源分配和管理解决方案,有望在教育领域带来改进和提升。
Description
技术领域
本发明涉及资源调度和智能教育领域,具体地说,涉及一种基于资源模式匹配及协同的教育平台。
背景技术
教育是社会发展和进步的重要基石,而教育资源的合理分配和管理对于高校及教育机构来说是一个至关重要的挑战。随着信息技术的不断发展和高校教育规模的不断扩大,教育资源的规模和复杂性不断增加,导致教学资源的合理分配和协调变得愈发困难。传统的教育资源管理方式往往存在资源分配不均衡、教学计划与实际需求不匹配、教学资源浪费等问题,给教育事业的发展带来一系列挑战。
在传统的教育资源管理中,教学资源的分配通常只能在教学计划资源源头进行控制,而难以在学生培养过程中进行全过程资源协调。这使得教学资源的优化利用受到限制,同时也难以满足学生个性化需求的提升和教学效果的优化。传统的资源管理模式难以全面了解和应对教学资源的复杂性和多样性,导致资源分配的不合理和浪费,影响高校教育的整体质量和效益。
另外,随着信息技术的快速发展,教育平台和教学管理系统的建设已经成为高校教育管理的必然趋势。然而,目前的教育平台往往只能满足一些基本的资源管理和信息交流功能,而对于教学资源的精准匹配和个性化服务,尤其是在涉及到不同学科、不同专业和不同学生的教学资源协调时,往往存在较大的局限性。
传统的教育资源管理模式存在资源分配不均衡、教学计划与实际需求不匹配、教学资源浪费等问题。随着高校规模的不断扩大,这些问题日益突出,给教育资源的合理利用和管理带来了挑战。目前的教育平台往往只能满足一些基本的资源管理和信息交流功能,而对于教学资源的精准匹配和个性化服务,尤其是在涉及到不同学科、不同专业和不同学生的教学资源协调时,往往存在较大的局限性。随着信息技术的快速发展,如大数据、人工智能等技术的应用,为高校教育资源管理和优化提供了新的机遇和可能。如何将这些新技术应用于教学资源的智能匹配和协同,成为本领域研究的重要课题。
基于对上述问题的认识和分析,本发明旨在构建一种基于资源模式匹配及协同的教育平台体系,通过引入先进的资源模式匹配和协同算法,以及云地资源湖服务和总线服务模块的应用,实现高校教务、教学、科研和学生资源的全要素数据治理和协调,提高教学资源的利用效率和质量,为教育事业的发展和学生的成长提供强有力的支持。本发明的研究背景在于满足高校教育资源管理和优化的需求,探索教育平台的智能化、个性化和高效化发展路径,为教育行业的改革和创新提供新的理论和实践支撑。
发明内容
本发明的目的在于提供一种基于资源模式匹配及协同的教育平台,以解决上述背景技术中提出的问题。
为实现上述目的,提供了一种基于资源模式匹配及协同的教育平台,通过资源收集模块、资源匹配模块、总线服务模块、推荐及服务模块和协同展示模块的组合,实现高校教育资源的全面优化与分配,资源收集模块负责整合近十年的高校教育平台构建和数据积累,建立云地资源湖,包括教务课程、实验、教师、空间、设备资源,资源匹配模块利用改进的Jaccard相关性系数算法,提取资源特征值,得到特征向量集合,并通过权重向量定义多维评价,为资源匹配提供依据;总线服务模块建立总线服务方式,实现不同应用程序和服务之间的协议转换和兼容,将资源要素构建和积累交付到资源调度和调度匹配,实现资源的分配和计算引擎算法;推荐及服务模块基于资源要素构建和积累,对高校教学资源进行数据治理和训练,为学生提供教学资源推荐和个人行为词云分析服务,推荐适合的教学资源和课程;协同展示模块基于云地资源湖服务,统一管理机器学习和训练策略库、资源调度服务和云地资源湖服务,支持高校内部资源统一协调和调度,实现云端统一资源的协作,为高校教务、教学、科研和学生资源提供全面的支撑。
进一步的,资源收集模块收集并整合高校近十年的教育平台构建和数据积累,建立云地资源湖,资源收集模块通过与高校教育平台进行数据交互和数据采集,获取近十年的教育平台构建和运营过程中产生的各类资源数据,包括教务课程的信息、实验项目的数据、教师资料、教学空间的分配;获取到的资源数据来自不同的来源和系统,因此资源收集模块需要对这些数据进行整合和清洗,通过数据清洗和去重处理,确保资源数据的准确性和完整性,将整合后的资源数据存储在云地资源湖中,云地资源湖是一个全要素数据库,涵盖了高校教学过程中所需的资源信息,云地资源湖的建立为后续的资源匹配和协同提供了数据基础;资源收集模块对各类资源进行分类和封装,将资源按照教学、实验、师资、空间、设备不同维度进行划分,以便后续的资源匹配和协同更加灵活和高效,并且对云地资源湖中的数据进行实时更新和维护,随着高校教育平台的发展和变化,资源数据可能会发生变动,因此资源收集模块需要确保资源库中的数据始终保持最新、准确和可靠,在资源收集过程中,模块需确保数据的安全性和隐私保护,对于敏感信息,采取加密和权限控制措施,确保资源数据只能被授权人员访问和使用。
进一步的,资源匹配模块利用改进的Jaccard相关性系数算法,对资源特征值进行提取和矩阵评价,以实现教学资源的精准匹配和协同,并从资源库中获取已整合和分类的资源数据,针对不同类型的资源,该模块将提取关键的资源特征值,包括教务课程资源的课程信息、实验资源的实验项目、教师资源的教学经验,特征值将用于后续的资源匹配计算,根据资源特征值的提取和改进的Jaccard算法计算,资源匹配模块得到了一系列特征向量集合,每个特征向量代表了一个资源,其中包含了资源在各个特征维度上的数值表示,针对特征向量集合,资源匹配模块对其进行多维评价,计算不同特征之间的相似度和相关性,同时,对于不同资源类型和特征的重要性,定义了相应的权重向量,以实现特征值之间的加权计算和综合评估,基于多维评价和权重向量,资源匹配模块对不同资源进行匹配和协同,并且支持实时的数据更新和优化,随着资源库中数据的变化和新资源的加入,资源匹配模块对资源特征值进行实时更新和匹配计算,以确保资源匹配的准确性和实用性。
进一步的,通过Jaccard相似度算法,进行特征向量提取,提供适配资源特征向量库进行聚类分析,具体如下:
资源特征值的提取是基于后验,不用考虑冷启动问题,同时教育体现是基于学生培养计划-资源配置-教学实践-教学-评估,资源配置的相关性比资源的评价更重要,因此建立资源封装关系和相关性权重关系在应用教育资源特征值提取上都具有重要性和更有可取性,标准Jaccard相似度算法公式如下:
其中,J为Jaccard相似度,X和Y分别为第一矩阵和第二矩阵,本发明改进标准权重的度量和计算,权重向量是基于二维矩阵计算,针对不同资源属性和教学资源的运行模式定义,基于矩阵权重的加权计算改进如下:
其中,J*(X,Y)为基于矩阵权重的加权计算改进后的相似度,Z为协调矩阵,i,j,k,o,m,n表示位置参数,且均为常数,满足
其中size(),表示矩阵的大小,包含2个元素,第1个元素为矩阵,第二的元素为参数,第二个元素取值范围为{1,2},若第二个元素取值为1,则表示取矩阵的行数,若第二个元素取值为2,则表示取矩阵的列数,Size(X,1)表示取X矩阵的行数,Size(X,2)表示取X矩阵的列数,Size(Y,1)表示取Y矩阵的行数,Size(Y,2)表示取Y矩阵的列数,Size(Z,1)表示取Z矩阵的行数,Size(Z,2)表示取Z矩阵的列数,表示存在,接着构建度量标准,本发明的标准权重包括事实权重、计算权重和观点权重,记为w=[ws,wj,wg],其中,ws表示事实权重,wj表示计算权重,wg表示观点权重,对于n个学生,/>门课程,构建度量标准权重矩阵:
其中,A,B分别表示第A门课程和第B门课程,表示第1名学生赋予第A门课的事实权重,/>表示第1名学生赋予第A门课的计算权重,/>表示第1名学生赋予第A门课的观点权重,/>表示第2名学生赋予第A门课的计算权重,/>表示第2名学生赋予第A门课的观点权重,/>表示第2名学生赋予第A门课的计算权重,/>表示第n名学生赋予第A门课的事实权重,/>表示第n名学生赋予第A门课的计算权重,/>表示第n名学生赋予第A门课的观点权重,/>表示第1名学生赋予第B门课的事实权重,/>表示第1名学生赋予第B门课的计算权重,/>表示第1名学生赋予第B门课的观点权重,/>表示第2名学生赋予第B门课的事实权重,/>示第2名学生赋予第B门课的计算权重,/>表示第2名学生赋予第B门课的观点权重,/>表示第n名学生赋予第B门课的事实权重,/>表示第n名学生赋予第B门课的计算权重,/>表示第n名学生赋予第B门课的观点权重,/>表示第1名学生赋予第Z门课的事实权重,/>表示第1名学生赋予第/>门课的计算权重,/>表示第1名学生赋予第/>门课的观点权重,/>表示第2名学生赋予第/>门课的事实权重,/>示第2名学生赋予第/>门课的计算权重,/>表示第2名学生赋予第/>门课的观点权重,/>表示第n名学生赋予第/>门课的事实权重,/>表示第n名学生赋予第/>门课的计算权重,/>表示第n名学生赋予第/>门课的观点权重,计算每一个资源相关性,形成系数向量积,然后进行综合算法进行评估:
其中,P为评估值,使用朴素贝叶斯算法,通过资源服务方式,采用条件概率方式进行协同过滤。
进一步的,总线服务模块实现不同应用程序和服务之间的协议转换和兼容,将资源要素构建和积累驱动交付到资源调度和调度匹配,从而实现资源的分配。
进一步的,总线服务模块负责处理不同应用程序和服务所使用的不同协议和接口之间的兼容性问题,能够将不同的数据格式和通信协议进行转换,使得组件和服务能够相互交互和通信,通过消息机制,实现组件和服务之间的数据交互和传递,能够接收来自资源收集模块和资源匹配模块的数据,将数据传递给资源调度和调度匹配,同时将算法的结果传递回给资源匹配模块和其他相关组件,总线服务模块将资源要素构建和积累驱动交付到资源调度和调度匹配,将资源匹配模块得到的特征向量集合和权重向量传递给资源调度模块,以进行资源的精确调度和匹配能够提供实时的应用服务,将资源的推荐结果和优化方案实时反馈给用户和相关决策者,在数据传递和交互过程中,总线服务模块需要确保数据的安全性和隐私保护,采取加密和权限控制措施,确保资源数据只能被授权人员访问和使用。
进一步的,推荐及服务模块基于资源要素构建和积累,对高校教学资源进行全要素数据治理和训练,提供学生教学资源推荐和个人行为词云分析服务,以及学生培养分析及推荐,对资源库中的数据进行全要素数据治理和训练,通过资源要素的构建和积累,模块确保资源库中的数据始终保持最新、准确和完整,基于资源要素的构建和积累,推荐及服务模块对学生进行个性化教学资源推荐,根据学生的特征向量集合,匹配最适合的教学资源和课程,通过个性化推荐,学生能够更有效地获取符合自身需求和能力水平的教学资源,对学生的个人行为进行词云分析,通过对学生在教育平台上的行为进行监测和分析,提取出学生的兴趣点、学习偏好和行为特征,将信息以词云的形式呈现,让学生和教师更直观地了解学生的学习状态和行为习惯,推荐及服务模块还能进行学生培养分析,对学生的学业表现和发展进行综合评估,根据学生的特点和潜力,为学生提供个性化的学科学业规划和发展建议,通过学生培养分析和推荐,高校能够更好地培养具有潜力和优势的学生,实现教育目标的有效达成。
进一步的,推荐及服务模块对学生进行个性化教学资源推荐,根据学生的特征向量集合,匹配最适合的教学资源和课程,假设对于n个学生和m个特征向量,构建统筹矩阵其中,o,u,v为常数,定义匹配值S为:
其中,表示集合域拼接运算,/>表示集合域剪切运算,本发明对上式进一步更新,得到:
其中,表示在长度为/>集合域/>中穷尽选取不相同的长度为/>元素的集合,其中/>表示集合域的长度,Γ()表示/>穷尽选取后的无偏求和,满足如下约束:
(1)假设且在约束条件/>下,对于不在推荐及服务模块统计到的学生的特征向量/>满足:
其中Pr为概率函数,ε为超参数,E为数学期望函数,且ε→0;
(2)对于不在推荐及服务模块统计到的学生的特征向量还应满足:
其中,ξ表示统筹矩阵中任意元素,即 表示等价于,floor为求底函数,t为连续场景下的时间变量,δ为阶跃函数,θ为超参数,且满足θ-→0.5,表示θ沿x的负半轴无限趋近于0.5。
进一步的,协同展示模块基于云地资源湖服务,统一管理机器学习和训练策略库、资源调度服务和云地资源湖服务,实现资源的协同展示和统一协调,协同展示模块建立了云地资源湖服务,资源从资源收集模块和资源匹配模块获取,被汇聚到云地资源湖中,进行整体的管理和维护,在云地资源湖服务中,协同展示模块建立了资源调度服务,它负责根据资源匹配模块得到的特征向量集合和权重向量进行资源的调度和分配,资源调度服务根据实际情况,将教学资源和课程分配给相应的教师和学生,以实现资源的合理利用和分配,协同展示模块支持云端统一资源的协作,在云地资源湖服务中,各类资源进行互动和协作,实现资源的共享和优化,云端统一资源协作提高资源的利用效率和整体性能,通过协同展示模块,教学资源进行全面的展示和反馈,教师和学生通过云地资源湖服务,查看教学资源的详细信息和评价,从而更好地选择和利用合适的教学资源。
本发明的有益效果:本发明提供一种基于资源模式匹配及协同的教育平台,提出资源模式匹配和协同算法,结合云地资源湖服务和总线服务模块,旨在解决传统教育资源管理中存在的问题,提供全要素数据治理和协调,实现高校教学资源的精准匹配和协同,从而产生了一系列有益的效果。本发明通过资源模式匹配和协同算法,能够全面了解和分析教学资源的属性和特点。通过资源分类封装、特征提取和建模集训练等步骤,使得教学资源能够被更加准确地描述和表征。通过云地资源湖服务和总线服务模块的支持,实现教学资源的精准匹配和优化分配。教育资源能够被更好地调度和分配,避免了传统资源管理中的不均衡分配和浪费现象,提高了资源的整体利用效率和优化效果。本发明的创新之处在于:改进了传统的Jaccard相关性系数算法,传统的Jaccard相关性系数算法常用于比较两个集合的相似性,但在资源匹配中,单纯的Jaccard算法无法满足多维资源匹配的需求,因此,资源匹配模块进行了改进,增加了矩阵评价和计算,这样更全面地考虑资源特征值之间的关联和权重,实现资源匹配的准确度和精度提升。此外,本发明能够根据学生的特征向量集合,包括学业成绩、选课情况、学科兴趣等,进行个性化的教学资源推荐和学科学业规划。通过推荐及服务模块的支持,为学生提供个性化的学习资源推荐和学科学业规划,满足学生个性化需求,帮助学生更好地选择和利用合适的教学资源,提高学生学习效果和学业成绩,创造性地,本发明提供了基于本发明涉及领域下的匹配值S的算法,在匹配值中,+1的作用保证统筹矩阵中每一个元素都大于1,对于第i个学生的m个特征向量而言是相互关联的,前1个特征向量可能会影响后一个特征向量的评判,对于不同学生之间的特征向量是相互独立的,因此将第i个学生的特征向量关系用连乘方法进行耦合,并通过log函数进行收敛,保证系统中各个元素偏差收敛,减弱稀疏矩阵带来的错误影响,同时+1也确保了在log计算后每一个值都为正数,进一步地,利用定于的Γ()对匹配值进一步表出,在实际应用场景中,通过定义调用函数Γ()能够更快的让平台做出响应,加快计算机的响应速度,最后对匹配值做出了限定,代表整个数域边界为闭环,即能在该模型中得到匹配度,完成推荐及服务模块的推荐功能。此外,本发明通过协同展示模块实现教学资源的统一管理和协同展示,教师和教务人员可以通过云地资源湖服务,查看教学资源的详细信息和评价,实时监测资源的使用情况和效果。通过资源建模资源匹配、构建云地资源湖、实现资源的推荐及服务等功能,本发明实现了高校教学资源的全要素数据治理和协调。通过机器学习和训练策略库以及资源调度服务,能够智能化地进行教学资源的分配和调度。这样,教学资源的管理和调度更加高效和智能化,大大提升了教学效率,为高校教学、教务和学生资源服务提供了全面的支持。本发明有助于优化教育资源的利用效率和质量,提高高校教育的整体水平和竞争力。同时,本发明能够满足学生个性化需求的提升和教学效果的优化,为学生的全面发展和成长提供有力支持,还有助于促进教育平台的智能化、个性化和高效化发展,为教育行业的改革和创新提供新的理论和实践支撑。
附图说明
利用附图对发明创造作进一步说明,但附图中的实施例不构成对本发明创造的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明结构示意图。
具体实施方式
结合以下实例对本发明作进一步描述。
参见图1,本发明旨在提供一种基于资源模式匹配及协同的教育平台,通过资源收集模块、资源匹配模块、总线服务模块、推荐及服务模块和协同展示模块的组合,实现高校教育资源的全面优化与分配,资源收集模块负责整合近十年的高校教育平台构建和数据积累,建立云地资源湖,包括教务课程、实验、教师、空间、设备资源,资源匹配模块利用改进的Jaccard相关性系数算法,提取资源特征值,得到特征向量集合,并通过权重向量定义多维评价,为资源匹配提供依据;总线服务模块建立总线服务方式,实现不同应用程序和服务之间的协议转换和兼容,将资源要素构建和积累交付到资源调度和调度匹配,实现资源的分配和计算引擎算法;推荐及服务模块基于资源要素构建和积累,对高校教学资源进行数据治理和训练,为学生提供教学资源推荐和个人行为词云分析服务,推荐适合的教学资源和课程;协同展示模块基于云地资源湖服务,统一管理机器学习和训练策略库、资源调度服务和云地资源湖服务,支持高校内部资源统一协调和调度,实现云端统一资源的协作,为高校教务、教学、科研和学生资源提供全面的支撑。
具体的,资源收集模块收集并整合高校近十年的教育平台构建和数据积累,建立云地资源湖,资源收集模块通过与高校教育平台进行数据交互和数据采集,获取近十年的教育平台构建和运营过程中产生的各类资源数据,包括教务课程的信息、实验项目的数据、教师资料、教学空间的分配;获取到的资源数据来自不同的来源和系统,因此资源收集模块需要对这些数据进行整合和清洗,通过数据清洗和去重处理,确保资源数据的准确性和完整性,将整合后的资源数据存储在云地资源湖中,云地资源湖是一个全要素数据库,涵盖了高校教学过程中所需的资源信息,云地资源湖的建立为后续的资源匹配和协同提供了数据基础;资源收集模块对各类资源进行分类和封装,将资源按照教学、实验、师资、空间、设备不同维度进行划分,以便后续的资源匹配和协同更加灵活和高效,并且对云地资源湖中的数据进行实时更新和维护,随着高校教育平台的发展和变化,资源数据可能会发生变动,因此资源收集模块需要确保资源库中的数据始终保持最新、准确和可靠,在资源收集过程中,模块需确保数据的安全性和隐私保护,对于敏感信息,采取加密和权限控制措施,确保资源数据只能被授权人员访问和使用。
具体的,资源匹配模块利用改进的Jaccard相关性系数算法,对资源特征值进行提取和矩阵评价,以实现教学资源的精准匹配和协同,并从资源库中获取已整合和分类的资源数据,针对不同类型的资源,该模块将提取关键的资源特征值,包括教务课程资源的课程信息、实验资源的实验项目、教师资源的教学经验,特征值将用于后续的资源匹配计算,根据资源特征值的提取和改进的Jaccard算法计算,资源匹配模块得到了一系列特征向量集合,每个特征向量代表了一个资源,其中包含了资源在各个特征维度上的数值表示,针对特征向量集合,资源匹配模块对其进行多维评价,计算不同特征之间的相似度和相关性,同时,对于不同资源类型和特征的重要性,定义了相应的权重向量,以实现特征值之间的加权计算和综合评估,基于多维评价和权重向量,资源匹配模块对不同资源进行匹配和协同,并且支持实时的数据更新和优化,随着资源库中数据的变化和新资源的加入,资源匹配模块对资源特征值进行实时更新和匹配计算,以确保资源匹配的准确性和实用性。
优选的,通过Jaccard相似度算法,进行特征向量提取,提供适配资源特征向量库进行聚类分析,具体如下:
资源特征值的提取是基于后验,不用考虑冷启动问题,同时教育体现是基于学生培养计划-资源配置-教学实践-教学-评估,资源配置的相关性比资源的评价更重要,因此建立资源封装关系和相关性权重关系在应用教育资源特征值提取上都具有重要性和更有可取性,标准Jaccard相似度算法公式如下:
其中,J为Jaccard相似度,X和Y分别为第一矩阵和第二矩阵,本发明改进标准权重的度量和计算,权重向量是基于二维矩阵计算,针对不同资源属性和教学资源的运行模式定义,基于矩阵权重的加权计算改进如下:
其中,J*(X,Y)为基于矩阵权重的加权计算改进后的相似度,Z为协调矩阵,i,j,k,o,m,n表示位置参数,且均为常数,满足
其中size(),表示矩阵的大小,包含2个元素,第1个元素为矩阵,第二的元素为参数,第二个元素取值范围为{1,2},若第二个元素取值为1,则表示取矩阵的行数,若第二个元素取值为2,则表示取矩阵的列数,Size(X,1)表示取X矩阵的行数,Size(X,2)表示取X矩阵的列数,Size(Y,1)表示取Y矩阵的行数,Size(Y,2)表示取Y矩阵的列数,Size(Z,1)表示取Z矩阵的行数,Size(Z,2)表示取Z矩阵的列数,表示存在,接着构建度量标准,本发明的标准权重包括事实权重、计算权重和观点权重,记为w=[ws,wj,wg],其中,ws表示事实权重,wj表示计算权重,wg表示观点权重,对于n个学生,/>门课程,构建度量标准权重矩阵:
其中,A,B分别表示第A门课程和第B门课程,表示第1名学生赋予第A门课的事实权重,/>表示第1名学生赋予第A门课的计算权重,/>表示第1名学生赋予第A门课的观点权重,/>表示第2名学生赋予第A门课的计算权重,/>表示第2名学生赋予第A门课的观点权重,/>表示第2名学生赋予第A门课的计算权重,/>表示第n名学生赋予第A门课的事实权重,/>表示第n名学生赋予第A门课的计算权重,/>表示第n名学生赋予第A门课的观点权重,/>表示第1名学生赋予第B门课的事实权重,/>表示第1名学生赋予第B门课的计算权重,/>表示第1名学生赋予第B门课的观点权重,/>表示第2名学生赋予第B门课的事实权重,/>示第2名学生赋予第B门课的计算权重,/>表示第2名学生赋予第B门课的观点权重,/>表示第n名学生赋予第B门课的事实权重,/>表示第n名学生赋予第B门课的计算权重,/>表示第n名学生赋予第B门课的观点权重,/>表示第1名学生赋予第Z门课的事实权重,/>表示第1名学生赋予第/>门课的计算权重,/>表示第1名学生赋予第/>门课的观点权重,/>表示第2名学生赋予第/>门课的事实权重,/>示第2名学生赋予第/>门课的计算权重,/>表示第2名学生赋予第/>门课的观点权重,/>表示第n名学生赋予第/>门课的事实权重,/>表示第n名学生赋予第/>门课的计算权重,/>表示第n名学生赋予第/>门课的观点权重,计算每一个资源相关性,形成系数向量积,然后进行综合算法进行评估:
其中,P为评估值,使用朴素贝叶斯算法,通过资源服务方式,采用条件概率方式进行协同过滤。
具体的,总线服务模块实现不同应用程序和服务之间的协议转换和兼容,将资源要素构建和积累驱动交付到资源调度和调度匹配,从而实现资源的分配。
具体的,总线服务模块负责处理不同应用程序和服务所使用的不同协议和接口之间的兼容性问题,能够将不同的数据格式和通信协议进行转换,使得组件和服务能够相互交互和通信,通过消息机制,实现组件和服务之间的数据交互和传递,能够接收来自资源收集模块和资源匹配模块的数据,将数据传递给资源调度和调度匹配,同时将算法的结果传递回给资源匹配模块和其他相关组件,总线服务模块将资源要素构建和积累驱动交付到资源调度和调度匹配,将资源匹配模块得到的特征向量集合和权重向量传递给资源调度模块,以进行资源的精确调度和匹配能够提供实时的应用服务,将资源的推荐结果和优化方案实时反馈给用户和相关决策者,在数据传递和交互过程中,总线服务模块需要确保数据的安全性和隐私保护,采取加密和权限控制措施,确保资源数据只能被授权人员访问和使用。
具体的,推荐及服务模块基于资源要素构建和积累,对高校教学资源进行全要素数据治理和训练,提供学生教学资源推荐和个人行为词云分析服务,以及学生培养分析及推荐,对资源库中的数据进行全要素数据治理和训练,通过资源要素的构建和积累,模块确保资源库中的数据始终保持最新、准确和完整,基于资源要素的构建和积累,推荐及服务模块对学生进行个性化教学资源推荐,根据学生的特征向量集合,匹配最适合的教学资源和课程,通过个性化推荐,学生能够更有效地获取符合自身需求和能力水平的教学资源,对学生的个人行为进行词云分析,通过对学生在教育平台上的行为进行监测和分析,提取出学生的兴趣点、学习偏好和行为特征,将信息以词云的形式呈现,让学生和教师更直观地了解学生的学习状态和行为习惯,推荐及服务模块还能进行学生培养分析,对学生的学业表现和发展进行综合评估,根据学生的特点和潜力,为学生提供个性化的学科学业规划和发展建议,通过学生培养分析和推荐,高校能够更好地培养具有潜力和优势的学生,实现教育目标的有效达成。
优选的,推荐及服务模块对学生进行个性化教学资源推荐,根据学生的特征向量集合,匹配最适合的教学资源和课程,假设对于n个学生和m个特征向量,构建统筹矩阵N(n×m),其中,i,u,v为常数,定义匹配值S为:
其中,表示集合域拼接运算,/>表示集合域剪切运算,本发明对上式进一步更新,得到:
其中,表示在长度为/>集合域/>中穷尽选取不相同的长度为/>元素的集合,其中/>表示集合域的长度,Γ()表示/>穷尽选取后的无偏求和,满足如下约束:
(1)假设且在约束条件/>下,对于不在推荐及服务模块统计到的学生的特征向量/>满足:
其中Pr为概率函数,ε为超参数,E为数学期望函数,且ε→0;
(2)对于不在推荐及服务模块统计到的学生的特征向量还应满足:/>
其中,ξ表示统筹矩阵中任意元素,即 表示等价于,floor为求底函数,t为连续场景下的时间变量,δ为阶跃函数,θ为超参数,且满足θ-→0.5,表示θ沿x的负半轴无限趋近于0.5。
具体的,协同展示模块基于云地资源湖服务,统一管理机器学习和训练策略库、资源调度服务和云地资源湖服务,实现资源的协同展示和统一协调,协同展示模块建立了云地资源湖服务,资源从资源收集模块和资源匹配模块获取,被汇聚到云地资源湖中,进行整体的管理和维护,在云地资源湖服务中,协同展示模块建立了资源调度服务,它负责根据资源匹配模块得到的特征向量集合和权重向量进行资源的调度和分配,资源调度服务根据实际情况,将教学资源和课程分配给相应的教师和学生,以实现资源的合理利用和分配,协同展示模块支持云端统一资源的协作,在云地资源湖服务中,各类资源进行互动和协作,实现资源的共享和优化,云端统一资源协作提高资源的利用效率和整体性能,通过协同展示模块,教学资源进行全面的展示和反馈,教师和学生通过云地资源湖服务,查看教学资源的详细信息和评价,从而更好地选择和利用合适的教学资源
本发明的有益效果:本发明提供一种基于资源模式匹配及协同的教育平台,提出资源模式匹配和协同算法,结合云地资源湖服务和总线服务模块,旨在解决传统教育资源管理中存在的问题,提供全要素数据治理和协调,实现高校教学资源的精准匹配和协同,从而产生了一系列有益的效果。本发明通过资源模式匹配和协同算法,能够全面了解和分析教学资源的属性和特点。通过资源分类封装、特征提取和建模集训练等步骤,使得教学资源能够被更加准确地描述和表征。通过云地资源湖服务和总线服务模块的支持,实现教学资源的精准匹配和优化分配。教育资源能够被更好地调度和分配,避免了传统资源管理中的不均衡分配和浪费现象,提高了资源的整体利用效率和优化效果。本发明的创新之处在于:改进了传统的Jaccard相关性系数算法,传统的Jaccard相关性系数算法常用于比较两个集合的相似性,但在资源匹配中,单纯的Jaccard算法无法满足多维资源匹配的需求,因此,资源匹配模块进行了改进,增加了矩阵评价和计算,这样更全面地考虑资源特征值之间的关联和权重,实现资源匹配的准确度和精度提升。此外,本发明能够根据学生的特征向量集合,包括学业成绩、选课情况、学科兴趣等,进行个性化的教学资源推荐和学科学业规划。通过推荐及服务模块的支持,为学生提供个性化的学习资源推荐和学科学业规划,满足学生个性化需求,帮助学生更好地选择和利用合适的教学资源,提高学生学习效果和学业成绩,创造性地,本发明提供了基于本发明涉及领域下的匹配值S的算法,在匹配值中,+1的作用保证统筹矩阵中每一个元素都大于1,对于第i个学生的m个特征向量而言是相互关联的,前1个特征向量可能会影响后一个特征向量的评判,对于不同学生之间的特征向量是相互独立的,因此将第i个学生的特征向量关系用连乘方法进行耦合,并通过log函数进行收敛,保证系统中各个元素偏差收敛,减弱稀疏矩阵带来的错误影响,同时+1也确保了在log计算后每一个值都为正数,进一步地,利用定于的Γ()对匹配值进一步表出,在实际应用场景中,通过定义调用函数Γ()能够更快的让平台做出响应,加快计算机的响应速度,最后对匹配值做出了限定,代表整个数域边界为闭环,即能在该模型中得到匹配度,完成推荐及服务模块的推荐功能。此外,本发明通过协同展示模块实现教学资源的统一管理和协同展示,教师和教务人员可以通过云地资源湖服务,查看教学资源的详细信息和评价,实时监测资源的使用情况和效果。通过资源建模资源匹配、构建云地资源湖、实现资源的推荐及服务等功能,本发明实现了高校教学资源的全要素数据治理和协调。通过机器学习和训练策略库以及资源调度服务,能够智能化地进行教学资源的分配和调度。这样,教学资源的管理和调度更加高效和智能化,大大提升了教学效率,为高校教学、教务和学生资源服务提供了全面的支持。本发明有助于优化教育资源的利用效率和质量,提高高校教育的整体水平和竞争力。同时,本发明能够满足学生个性化需求的提升和教学效果的优化,为学生的全面发展和成长提供有力支持,还有助于促进教育平台的智能化、个性化和高效化发展,为教育行业的改革和创新提供新的理论和实践支撑。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (9)
1.一种基于资源模式匹配及协同的教育平台,其特征在于:包括资源收集模块、资源匹配模块、总线服务模块、推荐及服务模块和协同展示模块;其中,资源收集模块负责整合近年的高校教育平台构建和数据积累,建立云地资源湖,包括教务课程、实验、教师、空间、设备资源,资源匹配模块利用改进的Jaccard相关性系数算法,提取资源特征值,得到特征向量集合,并通过权重向量定义多维评价,为资源匹配提供依据;总线服务模块建立总线服务方式,实现不同应用程序和服务之间的协议转换和兼容,将资源要素构建和积累交付到资源调度和调度匹配,实现资源的分配和计算引擎算法;推荐及服务模块基于资源要素构建和积累,对高校教学资源进行数据治理和训练,为学生提供教学资源推荐和个人行为词云分析服务,推荐适合的教学资源和课程;协同展示模块基于云地资源湖服务,统一管理机器学习和训练策略库、资源调度服务和云地资源湖服务,支持高校内部资源统一协调和调度,实现云端统一资源的协作,为高校教务、教学、科研和学生资源提供全面的支撑。
2.根据权利要求1所述一种基于资源模式匹配及协同的教育平台,其特征在于,资源收集模块收集并整合高校近十年的教育平台构建和数据积累,建立云地资源湖具体为:资源收集模块通过与高校教育平台进行数据交互和数据采集,获取近十年的教育平台构建和运营过程中产生的各类资源数据,包括教务课程的信息、实验项目的数据、教师资料、教学空间的分配;获取到的资源数据来自不同的来源和系统,因此资源收集模块需要对这些数据进行整合和清洗,通过数据清洗和去重处理,确保资源数据的准确性和完整性,将整合后的资源数据存储在云地资源湖中,云地资源湖是一个全要素数据库,涵盖了高校教学过程中所需的资源信息,云地资源湖的建立为后续的资源匹配和协同提供了数据基础;资源收集模块对各类资源进行分类和封装,将资源按照教学、实验、师资、空间、设备不同维度进行划分,以便后续的资源匹配和协同更加灵活和高效,并且对云地资源湖中的数据进行实时更新和维护,随着高校教育平台的发展和变化,资源数据可能会发生变动,因此资源收集模块需要确保资源库中的数据始终保持最新、准确和可靠,在资源收集过程中,模块需确保数据的安全性和隐私保护,对于敏感信息,采取加密和权限控制措施,确保资源数据只能被授权人员访问和使用。
3.根据权利要求1所述一种基于资源模式匹配及协同的教育平台,其特征在于,资源匹配模块利用改进的Jaccard相关性系数算法,对资源特征值进行提取和矩阵评价,以实现教学资源的精准匹配和协同,并从资源库中获取已整合和分类的资源数据,针对不同类型的资源,该模块将提取关键的资源特征值,包括教务课程资源的课程信息、实验资源的实验项目、教师资源的教学经验,特征值将用于后续的资源匹配计算,根据资源特征值的提取和改进的Jaccard算法计算,资源匹配模块得到了一系列特征向量集合,每个特征向量代表了一个资源,其中包含了资源在各个特征维度上的数值表示,针对特征向量集合,资源匹配模块对其进行多维评价,计算不同特征之间的相似度和相关性,同时,对于不同资源类型和特征的重要性,定义了相应的权重向量,以实现特征值之间的加权计算和综合评估,基于多维评价和权重向量,资源匹配模块对不同资源进行匹配和协同,并且支持实时的数据更新和优化,随着资源库中数据的变化和新资源的加入,资源匹配模块对资源特征值进行实时更新和匹配计算,以确保资源匹配的准确性和实用性。
4.根据权利要求1所述一种基于资源模式匹配及协同的教育平台,其特征在于,通过Jaccard相似度算法,进行特征向量提取,提供适配资源特征向量库进行聚类分析,具体如下:
资源特征值的提取是基于后验,不用考虑冷启动问题,同时教育体现是基于学生培养计划-资源配置-教学实践-教学-评估,资源配置的相关性比资源的评价更重要,因此建立资源封装关系和相关性权重关系在应用教育资源特征值提取上都具有重要性和更有可取性,标准Jaccard相似度算法公式如下:
其中,J为Jaccard相似度,X和Y分别为第一矩阵和第二矩阵,本发明改进标准权重的度量和计算,权重向量是基于二维矩阵计算,针对不同资源属性和教学资源的运行模式定义,基于矩阵权重的加权计算改进如下:
其中,J*(X,Y)为基于矩阵权重的加权计算改进后的相似度,Z为协调矩阵,i,j,k,o,m,n表示位置参数,且均为常数,满足
max{1,Size(Z,1)},max{1,Size(Z,2)}}
其中size(),表示矩阵的大小,包含2个元素,第1个元素为矩阵,第二的元素为参数,第二个元素取值范围为{1,2},若第二个元素取值为1,则表示取矩阵的行数,若第二个元素取值为2,则表示取矩阵的列数,Size(X,1)表示取X矩阵的行数,Size(X,2)表示取X矩阵的列数,Size(Y,1)表示取Y矩阵的行数,Size(Y,2)表示取Y矩阵的列数,Size(Z,1)表示取Z矩阵的行数,Size(Z,2)表示取Z矩阵的列数,表示存在,接着构建度量标准,本发明的标准权重包括事实权重、计算权重和观点权重,记为w=[ws,wj,wg],其中,ws表示事实权重,wj表示计算权重,wg表示观点权重,对于n个学生,/>门课程,构建度量标准权重矩阵:
其中,A,B分别表示第A门课程和第B门课程,表示第1名学生赋予第A门课的事实权重,/>表示第1名学生赋予第A门课的计算权重,/>表示第1名学生赋予第A门课的观点权重,/>表示第2名学生赋予第A门课的计算权重,/>表示第2名学生赋予第A门课的观点权重,/>表示第2名学生赋予第A门课的计算权重,/>表示第n名学生赋予第A门课的事实权重,/>表示第n名学生赋予第A门课的计算权重,/>表示第n名学生赋予第A门课的观点权重,/>表示第1名学生赋予第B门课的事实权重,/>表示第1名学生赋予第B门课的计算权重,/>表示第1名学生赋予第B门课的观点权重,/>表示第2名学生赋予第B门课的事实权重,/>示第2名学生赋予第B门课的计算权重,/>表示第2名学生赋予第B门课的观点权重,/>表示第n名学生赋予第B门课的事实权重,/>表示第n名学生赋予第B门课的计算权重,/>表示第n名学生赋予第B门课的观点权重,/>表示第1名学生赋予第Z门课的事实权重,/>表示第1名学生赋予第/>门课的计算权重,/>表示第1名学生赋予第/>门课的观点权重,/>表示第2名学生赋予第/>门课的事实权重,/>示第2名学生赋予第/>门课的计算权重,/>表示第2名学生赋予第/>门课的观点权重,/>表示第n名学生赋予第/>门课的事实权重,/>表示第n名学生赋予第/>门课的计算权重,/>表示第n名学生赋予第/>门课的观点权重,计算每一个资源相关性,形成系数向量积,然后进行综合算法进行评估:
其中,P为评估值,使用朴素贝叶斯算法,通过资源服务方式,采用条件概率方式进行协同过滤。
5.根据权利要求1所述一种基于资源模式匹配及协同的教育平台,其特征在于,总线服务模块实现不同应用程序和服务之间的协议转换和兼容,将资源要素构建和积累驱动交付到资源调度和调度匹配,从而实现资源的分配。
6.根据权利要求5所述一种基于资源模式匹配及协同的教育平台,其特征在于,总线服务模块负责处理不同应用程序和服务所使用的不同协议和接口之间的兼容性问题,能够将不同的数据格式和通信协议进行转换,使得组件和服务能够相互交互和通信,通过消息机制,实现组件和服务之间的数据交互和传递,能够接收来自资源收集模块和资源匹配模块的数据,将数据传递给资源调度和调度匹配,同时将算法的结果传递回给资源匹配模块和其他相关组件,总线服务模块将资源要素构建和积累驱动交付到资源调度和调度匹配,将资源匹配模块得到的特征向量集合和权重向量传递给资源调度模块,以进行资源的精确调度和匹配能够提供实时的应用服务,将资源的推荐结果和优化方案实时反馈给用户和相关决策者,在数据传递和交互过程中,总线服务模块需要确保数据的安全性和隐私保护,采取加密和权限控制措施,确保资源数据只能被授权人员访问和使用。
7.根据权利要求1所述一种基于资源模式匹配及协同的教育平台,其特征在于,推荐及服务模块基于资源要素构建和积累,对高校教学资源进行全要素数据治理和训练,提供学生教学资源推荐和个人行为词云分析服务,以及学生培养分析及推荐,对资源库中的数据进行全要素数据治理和训练,通过资源要素的构建和积累,模块确保资源库中的数据始终保持最新、准确和完整,基于资源要素的构建和积累,推荐及服务模块对学生进行个性化教学资源推荐,根据学生的特征向量集合,匹配最适合的教学资源和课程,通过个性化推荐,学生能够更有效地获取符合自身需求和能力水平的教学资源,对学生的个人行为进行词云分析,通过对学生在教育平台上的行为进行监测和分析,提取出学生的兴趣点、学习偏好和行为特征,将信息以词云的形式呈现,让学生和教师更直观地了解学生的学习状态和行为习惯,推荐及服务模块还能进行学生培养分析,对学生的学业表现和发展进行综合评估,根据学生的特点和潜力,为学生提供个性化的学科学业规划和发展建议,通过学生培养分析和推荐,高校能够更好地培养具有潜力和优势的学生,实现教育目标的有效达成。
8.根据权利要求1所述一种基于资源模式匹配及协同的教育平台,其特征在于,推荐及服务模块对学生进行个性化教学资源推荐,根据学生的特征向量集合,匹配最适合的教学资源和课程,假设对于n个学生和m个特征向量,构建统筹矩阵N(n×m),其中,i,u,v为常数,定义匹配值S为:
其中,表示集合域拼接运算,/>表示集合域剪切运算,本发明对上式进一步更新,得到:
其中,表示在长度为/>集合域/>中穷尽选取不相同的长度为/>元素的集合,其中/>表示集合域/>的长度,Γ()表示/>穷尽选取后的无偏求和,满足如下约束:
(1)假设且在约束条件/>下,对于不在推荐及服务模块统计到的学生的特征向量/>满足:
其中Pr为概率函数,ε为超参数,E为数学期望函数,且ε→0;
(2)对于不在推荐及服务模块统计到的学生的特征向量还应满足:
其中,ξ表示统筹矩阵中任意元素,即 表示等价于,floor为求底函数,t为连续场景下的时间变量,δ为阶跃函数,θ为超参数,且满足θ-→0.5,表示θ沿x的负半轴无限趋近于0.5。
9.根据权利要求1所述一种基于资源模式匹配及协同的教育平台,其特征在于,协同展示模块基于云地资源湖服务,统一管理机器学习和训练策略库、资源调度服务和云地资源湖服务,实现资源的协同展示和统一协调,协同展示模块建立了云地资源湖服务,资源从资源收集模块和资源匹配模块获取,被汇聚到云地资源湖中,进行整体的管理和维护,在云地资源湖服务中,协同展示模块建立了资源调度服务,它负责根据资源匹配模块得到的特征向量集合和权重向量进行资源的调度和分配,资源调度服务根据实际情况,将教学资源和课程分配给相应的教师和学生,以实现资源的合理利用和分配,协同展示模块支持云端统一资源的协作,在云地资源湖服务中,各类资源进行互动和协作,实现资源的共享和优化,云端统一资源协作提高资源的利用效率和整体性能,通过协同展示模块,教学资源进行全面的展示和反馈,教师和学生通过云地资源湖服务,查看教学资源的详细信息和评价,从而更好地选择和利用合适的教学资源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311033348.6A CN116957869A (zh) | 2023-08-16 | 2023-08-16 | 一种基于资源模式匹配及协同的教育平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311033348.6A CN116957869A (zh) | 2023-08-16 | 2023-08-16 | 一种基于资源模式匹配及协同的教育平台 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116957869A true CN116957869A (zh) | 2023-10-27 |
Family
ID=88461910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311033348.6A Pending CN116957869A (zh) | 2023-08-16 | 2023-08-16 | 一种基于资源模式匹配及协同的教育平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116957869A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196259A (zh) * | 2023-11-01 | 2023-12-08 | 湖南强智科技发展有限公司 | 一种智能提升高校教学任务安排的方法、系统及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537589A (zh) * | 2014-12-19 | 2015-04-22 | 上海电机学院 | 一种教育云平台及其实现方法 |
CN106296312A (zh) * | 2016-08-30 | 2017-01-04 | 江苏名通信息科技有限公司 | 基于社交媒体的在线教育资源推荐系统 |
CN109977313A (zh) * | 2019-03-28 | 2019-07-05 | 北京师范大学 | 学习者模型构建方法、学习资源的推荐方法及系统 |
CN115146161A (zh) * | 2022-06-30 | 2022-10-04 | 武汉美和易思数字科技有限公司 | 一种基于内容推荐的个性化学习资源推荐方法及系统 |
CN115329200A (zh) * | 2022-08-26 | 2022-11-11 | 国家开放大学 | 一种基于知识图谱和用户相似度的教学资源推荐方法 |
-
2023
- 2023-08-16 CN CN202311033348.6A patent/CN116957869A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537589A (zh) * | 2014-12-19 | 2015-04-22 | 上海电机学院 | 一种教育云平台及其实现方法 |
CN106296312A (zh) * | 2016-08-30 | 2017-01-04 | 江苏名通信息科技有限公司 | 基于社交媒体的在线教育资源推荐系统 |
CN109977313A (zh) * | 2019-03-28 | 2019-07-05 | 北京师范大学 | 学习者模型构建方法、学习资源的推荐方法及系统 |
CN115146161A (zh) * | 2022-06-30 | 2022-10-04 | 武汉美和易思数字科技有限公司 | 一种基于内容推荐的个性化学习资源推荐方法及系统 |
CN115329200A (zh) * | 2022-08-26 | 2022-11-11 | 国家开放大学 | 一种基于知识图谱和用户相似度的教学资源推荐方法 |
Non-Patent Citations (1)
Title |
---|
陈晓霞: ""大数据时代背景下的外语教育研究"", 31 October 2021, 北京工业大学出版社, pages: 116 - 121 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196259A (zh) * | 2023-11-01 | 2023-12-08 | 湖南强智科技发展有限公司 | 一种智能提升高校教学任务安排的方法、系统及设备 |
CN117196259B (zh) * | 2023-11-01 | 2024-02-02 | 湖南强智科技发展有限公司 | 一种智能提升高校教学任务安排的方法、系统及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Teaching performance evaluation in smart campus | |
CN110992227B (zh) | 一种校企结合职业技能人才培养系统和方法 | |
Sun et al. | Eco-environment construction of English teaching using artificial intelligence under big data environment | |
CN112581329A (zh) | 一种个性化学习与智能化培训管理系统与方法 | |
CN109165799A (zh) | 基于遗传算法的走班教学排课系统 | |
CN116957869A (zh) | 一种基于资源模式匹配及协同的教育平台 | |
CN108961888A (zh) | 一种个性化重构知识体系学习系统及方法 | |
Zhong et al. | Design of a personalized recommendation system for learning resources based on collaborative filtering | |
CN111444409A (zh) | 一种基于大数据的学情分析系统 | |
Wang et al. | Machine learning-based AI approaches for personalized smart education systems using entropy and TOPSIS approach | |
Li | [Retracted] Research on Precision Teaching Model of Ideology Course Based on Collaborative Filtering Algorithm | |
CN114580912A (zh) | 一种基于知识距离的项目式学习分组方法及装置 | |
Nohadani et al. | Categorizing users of cloud services | |
Gao et al. | Evaluation method of creative dance teaching quality based on fuzzy comprehensive evaluation | |
Peng et al. | Construction and Application of Farmers’ Practical Teaching System in Vocational Education Based on Big Data Mining Technology | |
Anderson et al. | Indonesia Network Infrastructures and Workforce Adequacy to Implement Machine Learning for Large-Scale Manufacturing | |
Liu | Design and Practice of Human Geography Field Teaching in the Age of Big Data | |
Xie et al. | Design of networked and digital teaching platform based on big data | |
Chen | AB/S Architecture Based Evaluation System for College Student Employment Planning | |
Gao | Practice and Exploration of Completely Online Network Teaching with ID3 Algorithm | |
Che | Design of College Physical Education Teaching Quality Evaluation System Based on Improved ID3 Algorithm | |
Chen et al. | K-means clustering algorithms used in the evaluation of online learners' behaviour | |
CHEN | Pharmaceutical Laboratory Course Scheduling System Optimization Based on Genetic Algorithm | |
Liu et al. | The Optimization of Digital Art Teaching Platform based on Information Technology and Deep Learning | |
Li et al. | Personalized Recommendation Method of College Art Education Resources Based on Deep Learning |
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 |