CN116975664A - 学习风格分析方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种学习风格分析方法、装置、计算机设备、存储介质和计算机程序产品。可用于金融领域或其他领域，可用于金融领域的金融学习平台，用于确定金融学习平台上的学习对象的线上学习风格。该方法包括：基于目标学习对象的线上学习信息进行学习风格预测，得到目标学习对象属于各线上学习风格的第一可能度；分别对各学习对象簇中的各样本学习对象的线下学习特征进行分析，得到学习对象簇的簇学习特征；针对每个线上学习风格，确定目标学习对象属于线上学习风格的第二可能度；基于第一可能度和第二可能度确定目标学习对象所属的线上学习风格。采用本方法能够提高学习风格分析的准确度。

Description

学习风格分析方法、装置、计算机设备和存储介质

技术领域

本申请涉及计算机技术领域，特别是涉及一种学习风格分析方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术

随着移动互联网的发展，线上教育也随之发展，线上教学资源也越来越丰富。为了提高线上教育的质量，需要确定线上教育环境下的学习者的学习风格分析，从而根据学习者的学习风格推荐合适的线上课程和学习方法。

传统技术中，通常是基于学习者的线上学习信息进行学习风格分析，得到学习者所属的学习风格。

然而，采用基于学习者的线上学习信息进行学习风格分析的方法所得到的学习风格，在准确度上有待提升。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高学习风格分析的准确度的学习风格分析方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

第一方面，本申请提供了一种学习风格分析方法。所述方法包括：基于待确定学习风格的目标学习对象的线上学习信息进行学习风格预测，得到所述目标学习对象属于各线上学习风格的第一可能度；按照各所述线上学习风格对多个样本学习对象进行聚类，得到各所述线上学习风格分别对应的学习对象簇；分别对各所述学习对象簇中的各所述样本学习对象的线下学习特征进行分析，得到所述学习对象簇的簇学习特征；针对每个所述线上学习风格，根据所述目标学习对象的线下学习特征与对应的学习对象簇的簇学习特征之间的相似度，确定所述目标学习对象属于所述线上学习风格的第二可能度；基于所述第一可能度和所述第二可能度进行统计，确定所述目标学习对象所属的线上学习风格。

第二方面，本申请还提供了一种学习风格分析装置。所述装置包括：第一可能度确定模块，用于基于待确定学习风格的目标学习对象的线上学习信息进行学习风格预测，得到所述目标学习对象属于各线上学习风格的第一可能度；聚类模块，用于按照各所述线上学习风格对多个样本学习对象进行聚类，得到各所述线上学习风格分别对应的学习对象簇；簇学习特征分析模块，用于分别对各所述学习对象簇中的各所述样本学习对象的线下学习特征进行分析，得到所述学习对象簇的簇学习特征；第二可能度确定模块，用于针对每个所述线上学习风格，根据所述目标学习对象的线下学习特征与对应的学习对象簇的簇学习特征之间的相似度，确定所述目标学习对象属于所述线上学习风格的第二可能度；学习风格确定模块，用于基于所述第一可能度和所述第二可能度进行统计，确定所述目标学习对象所属的线上学习风格。

在一些实施例中，所述第一可能度确定模块还用于：对所述目标学习对象的线上学习信息进行特征提取，得到所述目标学习对象的线上学习特征；确定所述线上学习特征与各所述线上学习风格的学习风格特征之间的相关度，得到所述目标学习对象分别属于各所述线上学习风格的第一可能度。

在一些实施例中，所述簇学习特征分析模块还用于：针对每个学习对象簇，对所述学习对象簇中的各所述样本学习对象的线下学习特征进行均值计算，得到所述学习对象簇的簇学习特征。

在一些实施例中，所述簇学习特征分析模块还用于：对所述学习对象簇中的各所述样本学习对象的线下学习特征进行均值计算，得到平均学习特征；确定所述学习对象簇中的各所述样本学习对象的线下学习特征分别与所述平均学习特征之间的差异值；对所述学习对象簇中，所述差异值小于差异阈值的样本学习对象的线下学习特征进行统计，得到所述学习对象簇的簇学习特征。

在一些实施例中，所述学习风格确定模块还用于：针对每个所述线上学习风格，对所述目标学习对象属于所述线上学习风格的第一可能度和第二可能度进行均值计算，得到所述目标学习对象属于所述线上学习风格的目标可能度；根据所述目标可能度从各所述线上学习风格中确定所述目标学习对象所属的线上学习风格。

在一些实施例中，所述学习风格分析装置还包括课程推荐模块，所述课程推荐模块用于：根据所述目标学习对象所属的线上学习风格，从金融学习平台的多个候选线上金融课程中确定与所述线上学习风格匹配的目标线上金融课程；基于所述目标线上金融课程生成课程推荐消息，向所述目标学习对象的终端发送所述课程推荐消息。

第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述学习风格分析方法中的步骤。

第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述学习风格分析方法中的步骤。

第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述学习风格分析方法中的步骤。

上述学习风格分析方法、装置、计算机设备、存储介质和计算机程序产品，通过利用线上学习信息得到目标学习对象属于各线上学习风格的第一可能度，并利用线下学习信息得到目标学习对象属于各线上学习风格的第二可能度，从而基于各第一可能度和各第二可能度进行统计，由于将线上学习信息和线下学习信息结合起来进行学习风格分析，更加准确的确定了目标学习对象所属的线上学习风格，提高了学习风格分析的准确度。

附图说明

图1为一个实施例中学习风格分析方法的应用环境图；

图2为一个实施例中学习风格分析方法的流程示意图；

图3为另一个实施例中学习风格分析方法的流程示意图；

图4为一个实施例中学习风格分析装置的结构框图；

图5为一个实施例中计算机设备的内部结构图；

图6为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供的学习风格分析方法，可以应用于如图1所示的应用环境中。该应用环境包括终端102和服务器104，服务器104可以是线上学习平台的后台服务器，其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。

具体地，终端102向服务器104发送针对目标学习对象的学习风格分析请求。服务器104响应于针对目标学习对象的学习风格分析请求，基于待确定学习风格的目标学习对象的线上学习信息进行学习风格预测，得到目标学习对象属于各线上学习风格的第一可能度。服务器104按照各线上学习风格对多个样本学习对象进行聚类，得到各线上学习风格分别对应的学习对象簇，然后分别对各学习对象簇中的各样本学习对象的线下学习特征进行分析，得到学习对象簇的簇学习特征。针对每个线上学习风格，服务器104根据目标学习对象的线下学习特征与对应的学习对象簇的簇学习特征之间的相似度，确定目标学习对象属于线上学习风格的第二可能度，并基于各第一可能度和各第二可能度进行统计，确定目标学习对象所属的线上学习风格。

其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

本领域技术人员可以理解，图1中示出的应用环境，仅仅是与本申请方案相关的部分场景，并不构成对本申请方案应用环境的限定。

在一些实施例中，如图2所示，提供了一种学习风格分析方法，该方法可以由终端或服务器执行，还可以由终端和服务器共同执行，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：

步骤202，基于待确定学习风格的目标学习对象的线上学习信息进行学习风格预测，得到目标学习对象属于各线上学习风格的第一可能度。

其中，学习对象是通过线上学习平台或线下课程中的至少一种方式进行学习的对象，包括学生、培训学员，例如，可以是参与金融机构开展的业务培训的培训学员。目标学习对象是在线上学习平台上进行学习、且待进行学习风格分析的学习对象。线上学习平台可以是任意一个提供线上学习资源的平台，例如，可以是线上的金融学习平台，为学习对象提供金融相关的学习资源。线上学习信息是指目标学习对象在线上学习平台上的学习信息，例如，线上学习信息可以包括目标学习对象的历史学习记录、作业情况、考试情况或论坛发言记录等中的至少一个，历史学习记录包括浏览记录、课程进度、课程类型等中的至少一个，作业情况包括作业准确度、上交状态，考试情况包括考试分数。

线上学习风格是指学习对象在线上学习平台进行学习的方式或风格，表征目标学习对象的线上学习行为。线上学习风格包括四个信息维度，分别为：信息加工、信息感知、信息输入和信息理解，信息加工维度分为活跃型和沉思型，信息感知维度分为感觉型和直觉型，信息输入维度分为视觉型和言语型，信息理解维度分为序列型和综合型。线上学习风格可以用向量的形式表示，例如，在信息加工维度，1表示活跃型，2表示沉思型；在信息感知维度，1表示感觉型，2表示直觉型；在信息输入维度，1表示视觉型，2表示言语型；在信息理解维度，1表示序列型，2表示综合型，因此，某个学习对象的线上学习风格可以表示为：(1，1，2，2)。第一可能度表征目标学习对象属于线上学习风格的概率，是基于目标学习对象的线上学习信息确定的。

具体地，服务器可以从本地数据库中获取目标学习对象在线上学习平台的线上学习信息，基于目标学习对象的线上学习信息得到目标学习对象的线上学习特征，然后利用目标学习对象的线上学习特征进行学习风格预测，例如，可以将目标学习对象的线上学习特征输入到已训练的学习风格预测模型，得到目标学习对象属于各线上学习风格的第一可能度。其中，线上学习特征是基于线上学习信息得到的，可以是特征向量，例如，可以是对线上学习信息进行特征提取得到的。学习风格预测模型用于对目标学习对象进行学习风格预测，学习风格预测模型可以是卷积神经网络，还可以是决策树。

在一些实施例中，得到已训练的学习风格预测模型的步骤包括：服务器可以获取样本学习对象的线上学习信息，对样本学习对象的线上学习信息进行特征提取得到样本学习对象的线上学习特征，将样本学习对象的线上学习特征输入到待训练的学习风格预测模型中进行学习风格预测，得到样本学习对象属于各线上学习风格的预测可能度。服务器基于预测可能度和真实可能度之间的差异，对待训练的学习风格预测模型的参数进行调整，直到模型收敛，得到已训练的学习风格预测模型。

步骤204，按照各线上学习风格对多个样本学习对象进行聚类，得到各线上学习风格分别对应的学习对象簇。

其中，样本学习对象是预先确定的，且样本学习对象所属的线上学习风格是已经确定的。学习对象簇是按照各线上学习风格对多个样本学习对象进行聚类得到的，线上学习风格与学习对象簇一一对应，每种线上学习风格分别对应有不同的学习对象簇。

具体地，服务器获取多个样本学习对象，并确定各样本学习对象分别对应的线上学习风格，按照各线上学习风格对多个样本学习对象进行聚类，例如，可以利用k-means聚类算法对多个样本学习对象进行聚类，得到各线上学习风格分别对应的学习对象簇。

在一些实施例中，可以通过调查问卷的方式确定样本学习对象的线上学习风格。服务器获取各样本学习对象针对调查问卷的问卷结果，基于问卷结果进行统计分析，得到各样本学习对象分别所属的线上学习风格。例如，可以采用Felder-Silverman(所罗门学习风格量表)确定样本学习对象所属的线上学习风格。

步骤206，分别对各学习对象簇中的各样本学习对象的线下学习特征进行分析，得到学习对象簇的簇学习特征。

其中，线下学习特征表征学习对象在参与线下学习时的学习行为，线下学习特征可以是向量形式的。簇学习特征表征学习对象簇中的各样本学习对象的共同特征，簇学习特征可以是向量形式的。

具体地，服务器可以获取多个样本学习对象各自的线下学习信息，针对每个样本学习对象，基于样本学习对象的线下学习信息确定样本学习对象的线下学习特征。其中，线下学习信息是指学习对象在参与线下课程中的行为信息，包括线下课程中针对学习对象采集得到的视频、图像、语音，以及线下作业情况、线下考试情况。针对每个学习对象簇，服务器可以对学习对象簇中的样本学习对象的线下学习特征进行统计，例如，可以对学习对象簇中的样本学习对象的线下学习特征进行均值计算，得到学习对象簇的簇学习特征。

步骤208，针对每个线上学习风格，根据目标学习对象的线下学习特征与对应的学习对象簇的簇学习特征之间的相似度，确定目标学习对象属于线上学习风格的第二可能度。

其中，相似度表征目标学习对象的线下学习特征与学习对象簇的簇学习特征之间的相似程度。第二可能度表征目标学习对象属于线上学习风格的概率，是基于目标学习对象的线下学习特征确定的。

具体地，服务器获取目标学习对象的线下学习信息，基于目标学习对象的线下学习信息确定目标学习对象的线下学习特征。针对每个线上学习风格，服务器分别计算目标学习对象的线下学习特征与该线上学习风格对应的学习对象簇的簇学习特征之间的相似度，例如，可以计算目标学习对象的线下学习特征与学习对象簇的簇学习特征之间的欧式距离，欧氏距离与相似度呈负相关关系，欧氏距离越小，则相似度越大。基于相似度得到目标学习对象属于线上学习风格的第二可能度，例如，可以把相似度作为目标学习对象属于线上学习风格的第二可能度。其中，负相关关系指的是：在其他条件不变的情况下，两个变量变动方向相反，一个变量由大到小变化时，另一个变量由小到大变化。可以理解的是，这里的负相关关系是指变化的方向是相反的，但并不是要求当一个变量有一点变化，另一个变量就必须也变化。

步骤210，基于第一可能度和第二可能度进行统计，确定目标学习对象所属的线上学习风格。

具体地，针对每个线上学习风格，服务器可以对目标学习对象属于该线上学习风格的第一可能度和第二可能度进行统计，基于统计结果确定目标学习对象所属的线上学习风格。例如，可以计算第一可能度和第二可能度的均值，得到目标可能度，利用目标可能度从多个线上学习风格中确定目标学习对象所属的线上学习风格。

上述学习风格分析方法中，通过利用线上学习信息得到目标学习对象属于各线上学习风格的第一可能度，并利用线下学习信息得到目标学习对象属于各线上学习风格的第二可能度，从而基于各第一可能度和各第二可能度进行统计，由于将线上学习信息和线下学习信息结合起来进行学习风格分析，更加准确的确定了目标学习对象所属的线上学习风格，提高了学习风格分析的准确度。

本申请提供的学习风格分析方法和装置可以应用于金融领域中，也可用于除金融领域之外的任意领域，本申请提供的学习风格分析方法和装置的应用领域不做限定，例如，在金融领域中，需要通过金融学习平台对金融机构的员工进行金融相关的专业知识培训，为了提高培训的质量，可以利用本申请提供的学习风格分析方法对金融学习平台上的员工即学习对象进行学习风格分析，得到各员工分别所属的线上学习风格，从而基于员工所属的线上学习风格推荐合适的线上金融课程。

在一些实施例中，基于待确定学习风格的目标学习对象的线上学习信息进行学习风格预测，得到目标学习对象属于各线上学习风格的第一可能度包括：对目标学习对象的线上学习信息进行特征提取，得到目标学习对象的线上学习特征；确定线上学习特征与各线上学习风格的学习风格特征之间的相关度，得到目标学习对象分别属于各线上学习风格的第一可能度。

其中，学习风格特征是表征线上学习风格的特征，线上学习风格与学习风格特征一一对应，不同的线上学习风格具有不同的学习风格特征。

具体地，服务器可以利用特征提取网络对目标学习对象的线上学习信息进行特征提取，得到目标学习对象的线上学习特征。针对每个线上学习风格，服务器确定线上学习风格的学习风格特征，然后计算目标学习对象的线上学习特征与线上学习风格的学习风格特征之间的相关度，例如，可以将目标学习对象的线上学习特征以及线上学习风格的学习风格特征输入到已训练的学习风格预测模型中，计算得到目标学习对象的线上学习特征与线上学习风格的学习风格特征之间的相关度，并将相关度作为目标学习对象属于线上学习风格的第一可能度。其中，已训练的学习风格预测模型可以是贝叶斯网络、决策树或卷积神经网络中的任意一种。

在一些实施例中，服务器可以利用样本学习信息对待训练的特征提取网络进行训练，得到已训练的特征提取网络，其中，样本学习信息是从线上学习平台获取的线上学习信息，例如，可以是样本学习对象的线上学习信息。服务器获取样本学习信息以及样本学习信息对应的样本学习特征，将样本学习信息输入到待训练的特征提取网络中进行特征提取，得到预测学习特征，基于预测学习特征与预测学习特征之间的差异调整待训练的特征提取网络的参数，直到网络收敛，得到已训练的特征提取网络。

本实施例中，通过确定线上学习特征与各线上学习风格的学习风格特征之间的相关度，快速的得到了目标学习对象分别属于各线上学习风格的第一可能度，提高了学习风格预测的效率。

在一些实施例中，分别对各学习对象簇中的各样本学习对象的线下学习特征进行分析，得到学习对象簇的簇学习特征包括：针对每个学习对象簇，对学习对象簇中的各样本学习对象的线下学习特征进行均值计算，得到学习对象簇的簇学习特征。

具体地，针对每个学习对象簇，服务器可以获取学习对象簇中的每个样本学习对象的线下学习特征，对各样本学习对象的线下学习特征进行均值计算，得到该学习对象簇的簇学习特征。

在一些实施例中，针对每个学习对象簇，服务器还可以确定各线下学习特征的出现次数，将出现次数最多的线下学习特征作为学习对象簇的簇学习特征。

本实施例中，通过对学习对象簇中的各样本学习对象的线下学习特征进行均值计算，准确的得到了学习对象簇的簇学习特征，从而提高了学习风格分析的准确度。

在一些实施例中，对学习对象簇中的各样本学习对象的线下学习特征进行均值计算，得到学习对象簇的簇学习特征包括：对学习对象簇中的各样本学习对象的线下学习特征进行均值计算，得到平均学习特征；确定学习对象簇中的各样本学习对象的线下学习特征分别与平均学习特征之间的差异值；对学习对象簇中，差异值小于差异阈值的样本学习对象的线下学习特征进行统计，得到学习对象簇的簇学习特征。

其中，平均学习特征是对学习对象簇中的各样本学习对象的线下学习特征进行均值计算得到的。差异值表征样本学习对象的线下学习特征与平均学习特征之间的差异，差异值阈值是预先设置的。

具体地，服务器首先对学习对象簇中的各样本学习对象的线下学习特征进行均值计算，得到平均学习特征。针对学习对象簇中的每个样本学习对象，服务器计算样本学习对象的线下学习特征与平均学习特征之间的差异值，例如，可以计算样本学习对象的线下学习特征与平均学习特征之间的欧式距离，在差异值大于差异阈值的情况下，可以将该样本学习对象从学习对象簇中剔除，然后服务器对差异值小于差异值阈值的线下学习特征进行统计，例如，可以对差异值小于差异值阈值的线下学习特征进行均值计算，得到学习对象簇的簇学习特征。

本实施例中，通过确定学习对象簇中的各样本学习对象的线下学习特征分别与平均学习特征之间的差异值，从而在确定学习对象簇的簇学习特征时，对差异值小于差异阈值的样本学习对象的线下学习特征进行统计，排除了异常的样本学习对象的线下学习特征，提高了簇学习特征的准确度，从而进一步提高了学习风格分析的准确度。

在一些实施例中，基于第一可能度和第二可能度进行统计，确定目标学习对象所属的线上学习风格包括：针对每个线上学习风格，对目标学习对象属于线上学习风格的第一可能度和第二可能度进行均值计算，得到目标学习对象属于线上学习风格的目标可能度；根据目标可能度从各线上学习风格中确定目标学习对象所属的线上学习风格。

其中，目标可能度是基于第一可能度和第二可能度得到的，表征目标学习对象属于线上学习风格的概率。

具体地，针对每个线上学习风格，服务器可以计算目标学习对象属于线上学习风格的第一可能度和第二可能度的平均值，还可以利用第一权重和第二权重对第一可能度和第二可能度进行加权平均计算，得到目标学习对象属于线上学习风格的目标可能度。然后服务器按照目标可能度从大到小的顺序，从多个线上学习风格中确定目标学习对象所属的线上学习风格。例如，可以将目标可能度最大的线上学习风格确定为目标学习对象所属的线上学习风格。

本实施例中，由于目标准确度是对目标学习对象属于线上学习风格的第一可能度和第二可能度进行均值计算得到的，即目标准确度是结合目标学习对象的线上学习信息和线下学习信息确定的，从而根据目标可能度更加准确的确定了目标学习对象所属的线上学习风格。

在一些实施例中，学习风格分析方法还包括：根据目标学习对象所属的线上学习风格，从金融学习平台的多个候选线上金融课程中确定与线上学习风格匹配的目标线上金融课程；基于目标线上金融课程生成课程推荐消息，向目标学习对象的终端发送课程推荐消息。

其中，金融学习平台可以是金融机构用于对员工进行业务培训或专业知识培训的线上学习平台，金融学习平台上包括多个不同的线上金融课程，线上金融课程，也称为候选线上金融课程。目标线上金融课程是与目标学习对象的线上学习风格匹配的线上进入课程。课程推荐消息用于向目标学习对象推荐目标线上金融课程。

具体地，服务器获取金融学系平台上的多个候选线上金融课程各自的课程风格特征，针对每个候选线上金融课程，计算目标学习对象所属的线上学习风格的学习风格特征与候选线上金融课程的课程风格特征之间的匹配度，按照匹配度从高到低的顺序从多个候选线上金融课程中，确定预设数量的目标线上金融课程。其中，课程风格特征表征线上金融课程的课程风格，是基于线上金融课程的课程类型、教师信息确定的。预设数量是预先设置的正整数，例如，可以设置为3。然后服务器基于目标线上金融课程生成课程推荐消息，并向目标学习对象的终端发送课程推荐消息。目标学习对象的终端接收并展示课程推荐消息。

本实施例中，通过根据目标学习对象所属的线上学习风格，从金融学习平台的多个候选线上金融课程中确定与线上学习风格匹配的目标线上金融课程，实现了自动的为目标学习对象推荐合适的线上金融课程。

在一些实施例中，如图3所示，提供了一种学习风格分析方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：

步骤302，对目标学习对象的线上学习信息进行特征提取，得到目标学习对象的线上学习特征。

步骤304，确定线上学习特征与各线上学习风格的学习风格特征之间的相关度，得到目标学习对象分别属于各线上学习风格的第一可能度。

步骤306，按照各线上学习风格对多个样本学习对象进行聚类，得到各线上学习风格分别对应的学习对象簇。

步骤308，针对每个学习对象簇，对学习对象簇中的各样本学习对象的线下学习特征进行均值计算，得到学习对象簇的簇学习特征。

步骤310，针对每个线上学习风格，根据目标学习对象的线下学习特征与对应的学习对象簇的簇学习特征之间的相似度，确定目标学习对象属于线上学习风格的第二可能度。

步骤312，针对每个线上学习风格，对目标学习对象属于线上学习风格的第一可能度和第二可能度进行均值计算，得到目标学习对象属于线上学习风格的目标可能度。

步骤314，根据目标可能度从各线上学习风格中确定目标学习对象所属的线上学习风格。

本实施例中，通过确定线上学习特征与各线上学习风格的学习风格特征之间的相关度，准确的得到了目标学习对象分别属于各线上学习风格的第一可能度，并针对每个线上学习风格，根据目标学习对象的线下学习特征与对应的学习对象簇的簇学习特征之间的相似度，准确的确定目标学习对象属于线上学习风格的第二可能度，从而基于各第一可能度和各第二可能度进行均值计算，得到目标学习对象属于线上学习风格的目标可能度，由于目标可能度是基于线上学习信息和线下学习信息结合起来得到的，从而根据目标准确度更加准确的确定了目标学习对象所属的线上学习风格，提高了学习风格分析的准确度。

应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的学习风格分析方法的学习风格分析装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个学习风格分析装置实施例中的具体限定可以参见上文中对于学习风格分析方法的限定，在此不再赘述。

在一些实施例中，如图4所示，提供了一种学习风格分析装置，包括：第一可能度确定模块402、聚类模块404、簇学习特征分析模块406、第二可能度确定模块408和学习风格确定模块410，其中：

第一可能度确定模块402，用于基于待确定学习风格的目标学习对象的线上学习信息进行学习风格预测，得到目标学习对象属于各线上学习风格的第一可能度。

聚类模块404，用于按照各线上学习风格对多个样本学习对象进行聚类，得到各线上学习风格分别对应的学习对象簇。

簇学习特征分析模块406，用于分别对各学习对象簇中的各样本学习对象的线下学习特征进行分析，得到学习对象簇的簇学习特征。

第二可能度确定模块408，用于针对每个线上学习风格，根据目标学习对象的线下学习特征与对应的学习对象簇的簇学习特征之间的相似度，确定目标学习对象属于线上学习风格的第二可能度。

学习风格确定模块410，用于基于第一可能度和第二可能度进行统计，确定目标学习对象所属的线上学习风格。

在一些实施例中，第一可能度确定模块402还用于：对目标学习对象的线上学习信息进行特征提取，得到目标学习对象的线上学习特征；确定线上学习特征与各线上学习风格的学习风格特征之间的相关度，得到目标学习对象分别属于各线上学习风格的第一可能度。

在一些实施例中，簇学习特征分析模块406还用于：针对每个学习对象簇，对学习对象簇中的各样本学习对象的线下学习特征进行均值计算，得到学习对象簇的簇学习特征。

在一些实施例中，簇学习特征分析模块406还用于：对学习对象簇中的各样本学习对象的线下学习特征进行均值计算，得到平均学习特征；确定学习对象簇中的各样本学习对象的线下学习特征分别与平均学习特征之间的差异值；对学习对象簇中，差异值小于差异阈值的样本学习对象的线下学习特征进行统计，得到学习对象簇的簇学习特征。

在一些实施例中，学习风格确定模块410还用于：针对每个线上学习风格，对目标学习对象属于线上学习风格的第一可能度和第二可能度进行均值计算，得到目标学习对象属于线上学习风格的目标可能度；根据目标可能度从各线上学习风格中确定目标学习对象所属的线上学习风格。

在一些实施例中，学习风格分析装置还包括课程推荐模块，课程推荐模块用于：根据目标学习对象所属的线上学习风格，从金融学习平台的多个候选线上金融课程中确定与线上学习风格匹配的目标线上金融课程；基于目标线上金融课程生成课程推荐消息，向目标学习对象的终端发送课程推荐消息。

上述学习风格分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一些实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储学习风格分析方法所涉及的相关数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种学习风格分析方法。

在一些实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种学习风格分析方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图5和图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一些实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述学习风格分析方法中的步骤。

在一些实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述学习风格分析方法中的步骤。

在一些实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述学习风格分析方法中的步骤。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种学习风格分析方法，其特征在于，所述方法包括：

基于待确定学习风格的目标学习对象的线上学习信息进行学习风格预测，得到所述目标学习对象属于各线上学习风格的第一可能度；

按照各所述线上学习风格对多个样本学习对象进行聚类，得到各所述线上学习风格分别对应的学习对象簇；

分别对各所述学习对象簇中的各所述样本学习对象的线下学习特征进行分析，得到所述学习对象簇的簇学习特征；

针对每个所述线上学习风格，根据所述目标学习对象的线下学习特征与对应的学习对象簇的簇学习特征之间的相似度，确定所述目标学习对象属于所述线上学习风格的第二可能度；

基于所述第一可能度和所述第二可能度进行统计，确定所述目标学习对象所属的线上学习风格。

2.根据权利要求1所述的方法，其特征在于，所述基于待确定学习风格的目标学习对象的线上学习信息进行学习风格预测，得到所述目标学习对象属于各线上学习风格的第一可能度包括：

对所述目标学习对象的线上学习信息进行特征提取，得到所述目标学习对象的线上学习特征；

确定所述线上学习特征与各所述线上学习风格的学习风格特征之间的相关度，得到所述目标学习对象分别属于各所述线上学习风格的第一可能度。

3.根据权利要求1所述的方法，其特征在于，所述分别对各所述学习对象簇中的各所述样本学习对象的线下学习特征进行分析，得到所述学习对象簇的簇学习特征包括：

针对每个学习对象簇，对所述学习对象簇中的各所述样本学习对象的线下学习特征进行均值计算，得到所述学习对象簇的簇学习特征。

4.根据权利要求3所述的方法，其特征在于，所述对所述学习对象簇中的各所述样本学习对象的线下学习特征进行均值计算，得到所述学习对象簇的簇学习特征包括：

对所述学习对象簇中的各所述样本学习对象的线下学习特征进行均值计算，得到平均学习特征；

确定所述学习对象簇中的各所述样本学习对象的线下学习特征分别与所述平均学习特征之间的差异值；

对所述学习对象簇中，所述差异值小于差异阈值的样本学习对象的线下学习特征进行统计，得到所述学习对象簇的簇学习特征。

5.根据权利要求1所述的方法，其特征在于，所述基于所述第一可能度和所述第二可能度进行统计，确定所述目标学习对象所属的线上学习风格包括：

针对每个所述线上学习风格，对所述目标学习对象属于所述线上学习风格的第一可能度和第二可能度进行均值计算，得到所述目标学习对象属于所述线上学习风格的目标可能度；

根据所述目标可能度从各所述线上学习风格中确定所述目标学习对象所属的线上学习风格。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据所述目标学习对象所属的线上学习风格，从金融学习平台的多个候选线上金融课程中确定与所述线上学习风格匹配的目标线上金融课程；

基于所述目标线上金融课程生成课程推荐消息，向所述目标学习对象的终端发送所述课程推荐消息。

7.一种学习风格分析装置，其特征在于，所述装置包括：

第一可能度确定模块，用于基于待确定学习风格的目标学习对象的线上学习信息进行学习风格预测，得到所述目标学习对象属于各线上学习风格的第一可能度；

聚类模块，用于按照各所述线上学习风格对多个样本学习对象进行聚类，得到各所述线上学习风格分别对应的学习对象簇；

簇学习特征分析模块，用于分别对各所述学习对象簇中的各所述样本学习对象的线下学习特征进行分析，得到所述学习对象簇的簇学习特征；

第二可能度确定模块，用于针对每个所述线上学习风格，根据所述目标学习对象的线下学习特征与对应的学习对象簇的簇学习特征之间的相似度，确定所述目标学习对象属于所述线上学习风格的第二可能度；

学习风格确定模块，用于基于所述第一可能度和所述第二可能度进行统计，确定所述目标学习对象所属的线上学习风格。

8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。