CN117196259B - 一种智能提升高校教学任务安排的方法、系统及设备 - Google Patents
一种智能提升高校教学任务安排的方法、系统及设备 Download PDFInfo
- Publication number
- CN117196259B CN117196259B CN202311433339.6A CN202311433339A CN117196259B CN 117196259 B CN117196259 B CN 117196259B CN 202311433339 A CN202311433339 A CN 202311433339A CN 117196259 B CN117196259 B CN 117196259B
- Authority
- CN
- China
- Prior art keywords
- representing
- relationship
- sets
- diagram
- low
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000010586 diagram Methods 0.000 claims abstract description 135
- 239000011159 matrix material Substances 0.000 claims abstract description 67
- 239000013598 vector Substances 0.000 claims abstract description 61
- 238000013507 mapping Methods 0.000 claims abstract description 18
- 238000000354 decomposition reaction Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 8
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智能提升高校教学任务安排的方法、系统及设备,本方法通过构造第一关系图、第二关系图和第三关系图;将第一关系图、第二关系图和第三关系图映射至低维空间,得到每个关系图中两个集合的低维向量;基于低维向量,构建每个关系图中每个集合对应的稠密矩阵;根据稠密矩阵计算每个课堂的多个安排和每个课堂对应的多个教师;基于多个安排和多个教师对相应的课堂进行安排,以完成教学任务安排。本发明能够提高高校教学任务安排的效率,节约时间。
Description
技术领域
本发明涉及教学任务管理技术领域,尤其是涉及一种智能提升高校教学任务安排的方法、系统及设备。
背景技术
随着高校的扩招,教学任务安排越来越繁重。教学任务安排指每学期全校开设的所有课堂,由教学秘书对课堂进行教学任务分解,按学时类型,周次不同拆分成多条安排,然后对每一条安排进行周学时设定,尤其是不规则的学时(大部分高校每个学期有18周左右的课时),需要每个周次逐个指定,同时还需要指定上课教师。目前高校教学秘书采用手工方式逐条进行安排指定,整个工作过程极其繁琐,花费时间长。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种智能提升高校教学任务安排的方法、系统及设备,能够提高高校教学任务安排的效率,节约时间。
第一方面,本发明实施例提供了一种智能提升高校教学任务安排的方法,所述智能提升高校教学任务安排的方法包括:
构造第一关系图、第二关系图和第三关系图;其中,所述第一关系图包含第一边权重、教学秘书集合和课程、课程大类、专业合并值集合,所述第二关系图包含第二边权重、课程、课程大类、专业合并值集合和历史课堂分解安排集合,所述第三关系图包含第三边权重、历史课堂分解安排集合和教师集合;
将所述第一关系图、所述第二关系图和所述第三关系图映射至低维空间,得到每个关系图中两个集合的低维向量;
基于所述低维向量,构建每个关系图中每个集合对应的稠密矩阵;
根据所述稠密矩阵计算每个课堂的多个安排和每个课堂对应的多个教师;
基于所述多个安排和所述多个教师对相应的课堂进行安排,以完成教学任务安排。
与现有技术相比,本发明第一方面具有以下有益效果:
本方法通过将第一关系图、第二关系图和第三关系图映射至低维空间,能够降低计算量;基于低维向量构建每个关系图中每个集合对应的稠密矩阵,能够去掉低维向量中的一些空值,并进一步降低维度,能够进一步降低计算量;根据稠密矩阵计算每个课堂的多个安排和每个课堂对应的多个教师,由于每个集合对应有稠密矩阵,根据所有稠密矩阵能够把安排分解、周学时设定和指定教师一次性完成,能够大大减少教学任务安排的工作量,提高高校教学任务安排的效率,节约时间。
根据本发明的一些实施例,所述将所述第一关系图、所述第二关系图和所述第三关系图映射至低维空间,得到每个关系图中两个集合的低维向量,包括:
根据所述第一边权重、所述第二边权重和所述第三边权重,计算每个关系图中两条边的联合概率;
计算每个关系图中两个集合在空间中的相似度;
基于所述联合概率和所述相似度将所述第一关系图、所述第二关系图和所述第三关系图映射至低维空间,得到每个关系图中两个集合的低维向量。
根据本发明的一些实施例,通过如下方式计算每个关系图中两条边的联合概率:
其中,表示关系图中两条边的联合概率,/>表示每个关系图中两个集合的节点数,/>表示每个关系图中两个集合的关系,/>表示两个集合中节点之间的边权重,/>表示两个节点之间的关系。
根据本发明的一些实施例,通过如下方式计算每个关系图中两个集合在空间中的相似度:
其中,表示每个关系图中两个集合在空间中的相似度,/>表示每个关系图中两个集合的节点数,/>表示关系图中两个集合的节点的向量,/>表示sigmod函数,/>表示转置。
根据本发明的一些实施例,通过如下方式得到每个关系图中两个集合的低维向量:
其中,表示每个关系图中两个集合的关系,/>表示每个关系图中两个集合在空间中的相似度,/>表示关系图中两条边的联合概率,/>表示每个关系图中两个集合的节点数,/>表示散度,/>表示两个节点之间的关系。
根据本发明的一些实施例,所述基于所述低维向量,构建每个关系图中每个集合对应的稠密矩阵,包括:
基于所述低维向量构建每个集合的稀疏矩阵;
通过最小化目标函数将每个集合的稀疏矩阵转化为稠密矩阵;其中,通过如下方式构建目标函数:
其中,表示关系图的数量,/>表示每个集合的稀疏矩阵,/>表示每个关系图中每个集合的低维向量,/>表示/>的权重,/>表示低维向量/>的稠密矩阵,/>表示转置,/>表示低维向量/>的稠密矩阵,/>表示偏置,/>表示第/>个关系图的权重,/>表示全局参数。
根据本发明的一些实施例,通过如下方式计算每个课堂的多个安排和每个课堂对应的多个教师,包括:
其中,表示排序后选取前/>个数据,/>表示课堂,/>和/>表示第一关系图中的两个集合的稠密矩阵,/>和/>表示第二关系图中的两个集合的稠密矩阵,/>和表示第三关系图中的两个集合的稠密矩阵。
第二方面,本发明实施例还提供了一种智能提升高校教学任务安排的系统,所述智能提升高校教学任务安排的系统包括:
关系图构造单元,用于构造第一关系图、第二关系图和第三关系图;其中,所述第一关系图包含第一边权重、教学秘书集合和课程、课程大类、专业合并值集合,所述第二关系图包含第二边权重、课程、课程大类、专业合并值集合和历史课堂分解安排集合,所述第三关系图包含第三边权重、历史课堂分解安排集合和教师集合;
关系图映射单元,用于将所述第一关系图、所述第二关系图和所述第三关系图映射至低维空间,得到每个关系图中两个集合的低维向量;
矩阵构建单元,用于基于所述低维向量,构建每个关系图中每个集合对应的稠密矩阵;
数据计算单元,用于根据所述稠密矩阵计算每个课堂的多个安排和每个课堂对应的多个教师;
课堂安排单元,用于基于所述多个安排和所述多个教师对相应的课堂进行安排,以完成教学任务安排。
第三方面,本发明实施例还提供了一种智能提升高校教学任务安排的设备,包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如上所述的一种智能提升高校教学任务安排的方法。
第四方面,本发明实施例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存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如上所述的一种智能提升高校教学任务安排的方法。
可以理解的是,上述第二方面至第四方面与相关技术相比存在的有益效果与上述第一方面与相关技术相比存在的有益效果相同,可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明一实施例的一种智能提升高校教学任务安排的方法的流程图;
图2是本发明另一实施例的高校教学任务安排方法的流程图;
图3是本发明一实施例的一种智能提升高校教学任务安排的系统的结构图;
图4是本发明一实施例的一种电子设备的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,如果有描述到第一、第二等只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
本发明的描述中,需要说明的是,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
首先,对本申请中涉及的若干名词进行解析:
稀疏矩阵:在矩阵中,若数值为0的元素数目远远多于非0元素的数目,并且非0元素分布没有规律时,则称该矩阵为稀疏矩阵。
稠密矩阵:非0元素占所有元素比例较大的矩阵称为稠密矩阵。
随着高校的扩招,教学任务安排越来越繁重。教学任务安排指每学期全校开设的所有课堂,由教学秘书对课堂进行教学任务分解,按学时类型,周次不同拆分成多条安排,然后对每一条安排进行周学时设定,尤其是不规则的学时(大部分高校每个学期有18周左右的课时),需要每个周次逐个指定,同时还需要指定上课教师。目前高校教学秘书采用手工方式逐条进行安排指定,整个工作过程极其繁琐,花费时间长。
为解决上述问题,本发明通过将第一关系图、第二关系图和第三关系图映射至低维空间,能够降低计算量;基于低维向量构建每个关系图中每个集合对应的稠密矩阵,能够去掉低维向量中的一些空值,并进一步降低维度,能够进一步降低计算量;根据稠密矩阵计算每个课堂的多个安排和每个课堂对应的多个教师,由于每个集合对应有稠密矩阵,根据所有稠密矩阵能够把安排分解、周学时设定和指定教师一次性完成,能够大大减少教学任务安排的工作量,提高高校教学任务安排的效率,节约时间。
参照图1,本发明实施例提供了一种智能提升高校教学任务安排的方法,本智能提升高校教学任务安排的方法包括但不限于步骤S100至步骤S500,其中:
步骤S100、构造第一关系图、第二关系图和第三关系图;其中,第一关系图包含第一边权重、教学秘书集合和课程、课程大类、专业合并值集合,第二关系图包含第二边权重、课程、课程大类、专业合并值集合和历史课堂分解安排集合,第三关系图包含第三边权重、历史课堂分解安排集合和教师集合;
步骤S200、将第一关系图、第二关系图和第三关系图映射至低维空间,得到每个关系图中两个集合的低维向量;
步骤S300、基于低维向量,构建每个关系图中每个集合对应的稠密矩阵;
步骤S400、根据稠密矩阵计算每个课堂的多个安排和每个课堂对应的多个教师;
步骤S500、基于多个安排和多个教师对相应的课堂进行安排,以完成教学任务安排。
在本实施例中,为了降低计算量,本实施例通过构造第一关系图、第二关系图和第三关系图;其中,第一关系图包含第一边权重、教学秘书集合和课程、课程大类、专业合并值集合,第二关系图包含第二边权重、课程、课程大类、专业合并值集合和历史课堂分解安排集合,第三关系图包含第三边权重、历史课堂分解安排集合和教师集合,将第一关系图、第二关系图和第三关系图映射至低维空间,得到每个关系图中两个集合的低维向量;为了去掉低维向量中的一些空值,本实施例通过基于低维向量,构建每个关系图中每个集合对应的稠密矩阵;为了能够大大减少教学任务安排的工作量,提高高校教学任务安排的效率,节约时间,本实施例通过根据稠密矩阵计算每个课堂的多个安排和每个课堂对应的多个教师,基于多个安排和多个教师对相应的课堂进行安排,以完成教学任务安排。
在一些实施例中,将第一关系图、第二关系图和第三关系图映射至低维空间,得到每个关系图中两个集合的低维向量,包括:
根据第一边权重、第二边权重和第三边权重,计算每个关系图中两条边的联合概率;
计算每个关系图中两个集合在空间中的相似度;
基于联合概率和相似度将第一关系图、第二关系图和第三关系图映射至低维空间,得到每个关系图中两个集合的低维向量。
在本实施例中,基于联合概率和相似度将第一关系图、第二关系图和第三关系图映射至低维空间,得到每个关系图中两个集合的低维向量,能够去掉低维向量中的一些空值,并进一步降低维度,能够进一步降低计算量。
在一些实施例中,通过如下方式计算每个关系图中两条边的联合概率:
其中,表示关系图中两条边的联合概率,/>表示每个关系图中两个集合的节点数,/>表示每个关系图中两个集合的关系,/>表示两个集合中节点之间的边权重,/>表示两个节点之间的关系。
在一些实施例中,通过如下方式计算每个关系图中两个集合在空间中的相似度:
其中,表示每个关系图中两个集合在空间中的相似度,/>表示每个关系图中两个集合的节点数,/>表示关系图中两个集合的节点的向量,/>表示sigmod函数,/>表示转置。
在一些实施例中,通过如下方式得到每个关系图中两个集合的低维向量:
其中,表示每个关系图中两个集合的关系,/>表示每个关系图中两个集合在空间中的相似度,/>表示关系图中两条边的联合概率,/>表示每个关系图中两个集合的节点数,/>表示散度,/>表示两个节点之间的关系。
在本实施例中,通过最小化联合概率和相似度之间的差异,能够计算出每个关系图中两个集合的低维向量。
在一些实施例中,基于低维向量,构建每个关系图中每个集合对应的稠密矩阵,包括:
基于低维向量构建每个集合的稀疏矩阵;
通过最小化目标函数将每个集合的稀疏矩阵转化为稠密矩阵;其中,通过如下方式构建目标函数:
其中,表示关系图的数量,/>表示每个集合的稀疏矩阵,/>表示每个关系图中每个集合的低维向量,/>表示/>的权重,/>表示低维向量/>的稠密矩阵,/>表示转置,/>表示低维向量/>的稠密矩阵,/>表示偏置,/>表示第/>个关系图的权重,/>表示全局参数。
在本实施例中,通过最小化目标函数将每个集合的稀疏矩阵转化为稠密矩阵,能够去掉低维向量中的一些空值,并进一步降低维度,能够进一步降低计算量。
在一些实施例中,通过如下方式计算每个课堂的多个安排和每个课堂对应的多个教师,包括:
其中,表示排序后选取前/>个数据,/>表示课堂,/>和/>表示第一关系图中的两个集合的稠密矩阵,/>和/>表示第二关系图中的两个集合的稠密矩阵,/>和表示第三关系图中的两个集合的稠密矩阵。
在本实施例中,根据稠密矩阵计算每个课堂的多个安排和每个课堂对应的多个教师,由于每个集合对应有稠密矩阵,根据所有稠密矩阵能够把安排分解、周学时设定和指定教师一次性完成,能够大大减少教学任务安排的工作量,提高高校教学任务安排的效率,节约时间。
为方便本领域人员理解,以下提供一组最佳实施例:
本实施例从教学秘书的当前操作和历史操作出发,考虑课堂本身的特点(即课程的属性、课程大类、课程对应的专业),当前课程与历史课程和上课教师的关系,为教学秘书提供针对性且合理的组合数据,快速进行教学安排分解、周学时设定和指定教师的工作。参照图2,本实施例包括如下步骤:
1、参数设定。
定义每个关系图的权重,该权重的默认值设置为[0.6,0.2,0,2];定义隐因子,其默认值设置为4;定义提示条数/>,其默认值设置为6。
2、数据关系计算模型。
构造关系图一G1=(U1,V1,E1),U1指教学秘书集合,V1指课程、课程大类、专业合并值集合,E1⊆U1×V1指U1和V1集合中两类节点发生过操作(即教学秘书的历史操作),关系图一中边的权重为Wi1j1操作的次数;构造关系图二G2=(U2,V2,E2),U2指课程和大类、专业合并值集合,V2指历史课堂分解安排集合(即历史数据中每一个课堂分解的多个安排),E2⊆U2×V2指U2和V2集合中两类节点同时出现,关系图二中边的权重为Wi2j2同时出现的次数;构造关系图三G3=(U3,V3,E3),U3指历史课堂分解安排集合,V3指教师集合,E3⊆U3×V3指U3和V3集合中两类节点同时出现,关系图三中边的权重为Wi3j3同时出现次数。
通过以下相关函数将上面三个关系图映射到低维空间,通过如下方式计算每个关系图中两条边的联合概率:
其中,表示关系图中两条边的联合概率,/>表示每个关系图中两个集合的节点数,/>表示每个关系图中两个集合的关系,/>表示两个集合中节点之间的边权重,/>表示两个节点之间的关系。
通过如下方式计算每个关系图中两个集合在空间中的相似度:
其中,表示每个关系图中两个集合在空间中的相似度,/>表示每个关系图中两个集合的节点数,/>表示关系图中两个集合的节点的向量,/>表示sigmod函数,/>表示转置。
通过以下函数最小化计算联合概率和相似度/>之间的差异即可得到/>中两集合的低维向量表达:
其中,表示每个关系图中两个集合的关系,/>表示每个关系图中两个集合在空间中的相似度,/>表示关系图中两条边的联合概率,/>表示每个关系图中两个集合的节点数,/>表示散度,/>表示两个节点之间的关系。
经过上述函数最小化计算,得到关系图一中的低维向量<U1,V1>,关系图二中的低维向量<U2,V2>,关系图三中的低维向量<U3,V3>的表达。由于低维向量对应的每类矩阵具有稀疏性,因此本实施例通过隐因子将稀疏矩阵转化为稠密矩阵,通过最小化如下目标函数得到,目标函数的计算公式为:
其中,表示关系图的数量,/>表示每个集合的稀疏矩阵,/>表示每个关系图中每个集合的低维向量,/>表示/>的权重,/>表示低维向量/>的稠密矩阵,/>表示转置,/>表示低维向量/>的稠密矩阵,/>表示偏置,默认值取0.0001,/>表示第/>个关系图的权重,/>表示全局参数,其值等于隐因子/>。通过以上目标函数公式可以得到关系图一对应的Q1和P1,关系图二对应的Q2和P2,关系图三对应的Q3和P3六个稠密矩阵。
3、提示计算模型。
根据上述六个稠密矩阵,教学秘书在选择一条课堂进行安排时,系统提示若干安排、教师供选择,计算公式如下:
其中,表示排序后选取前/>个数据,/>表示课堂,/>和/>表示第一关系图中的两个集合的稠密矩阵,/>和/>表示第二关系图中的两个集合的稠密矩阵,/>和表示第三关系图中的两个集合的稠密矩阵。
当用户选择好安排和教师以后,系统自动复制安排和教师到当前记录上,完成当前课堂安排,并更新G1,G2和G3。
需要说明的是,本实施例中的默认值设置可以根据实际情况进行更改,本实施例不作具体限制。
在本实施例中,一是教学秘书可以快速一次性的把课堂安排分解、周学时设定和指定教师一次性完成,大大减少了教学任务安排工作步骤;二是能够提升教学秘书的满意度,工作时间大大缩短。通过将本实施例的方法在高校教务系统中实施运行,相对于目前手工逐条安排指定的传统方法,在同等环境条件与规模下,本实施例的方法与传统方法相比较,本实施例的方法能够使得教学任务安排工作时间大大缩短,工作人员满意度有质的提升。
参照图3,本发明实施例还提供了一种智能提升高校教学任务安排的系统,本智能提升高校教学任务安排的系统包括关系图构造单元100、关系图映射单元200、矩阵构建单元300、数据计算单元400和课堂安排单元500,其中:
关系图构造单元100,用于构造第一关系图、第二关系图和第三关系图;其中,第一关系图包含第一边权重、教学秘书集合和课程、课程大类、专业合并值集合,第二关系图包含第二边权重、课程、课程大类、专业合并值集合和历史课堂分解安排集合,第三关系图包含第三边权重、历史课堂分解安排集合和教师集合;
关系图映射单元200,用于将第一关系图、第二关系图和第三关系图映射至低维空间,得到每个关系图中两个集合的低维向量;
矩阵构建单元300,用于基于低维向量,构建每个关系图中每个集合对应的稠密矩阵;
数据计算单元400,用于根据稠密矩阵计算每个课堂的多个安排和每个课堂对应的多个教师;
课堂安排单元500,用于基于多个安排和多个教师对相应的课堂进行安排,以完成教学任务安排。
需要说明的是,由于本实施例中的一种智能提升高校教学任务安排的系统与上述的一种智能提升高校教学任务安排的方法基于相同的发明构思,因此,方法实施例中的相应内容同样适用于本系统实施例,此处不再详述。
参照图4,本申请实施例还提供了一种智能提升高校教学任务安排的设备,本智能提升高校教学任务安排的设备包括:
至少一个存储器;
至少一个处理器;
至少一个程序;
程序被存储在存储器中,处理器执行至少一个程序以实现本公开实施上述的智能提升高校教学任务安排的方法。
该电子设备可以为包括手机、平板电脑、个人数字助理(PersonalDigitalAssistant,PDA)、车载电脑等任意智能终端。
下面对本申请实施例的电子设备进行详细介绍。
处理器1600,可以采用通用的中央处理器(CentralProcessingUnit,CPU)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本公开实施例所提供的技术方案;
存储器1700,可以采用只读存储器(ReadOnlyMemory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory,RAM)等形式实现。存储器1700可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1700中,并由处理器1600来调用执行本公开实施例的智能提升高校教学任务安排的方法。
输入/输出接口1800,用于实现信息输入及输出;
通信接口1900,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信;
总线2000,在设备的各个组件(例如处理器1600、存储器1700、输入/输出接口1800和通信接口1900)之间传输信息;
其中处理器1600、存储器1700、输入/输出接口1800和通信接口1900通过总线2000实现彼此之间在设备内部的通信连接。
本公开实施例还提供了一种存储介质,该存储介质是计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令用于使计算机执行上述智能提升高校教学任务安排的方法。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本公开实施例描述的实施例是为了更加清楚的说明本公开实施例的技术方案,并不构成对于本公开实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本公开实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图中示出的技术方案并不构成对本公开实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括多指令用以使得一台电子设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(RandomAccessMemory,RAM)、磁碟或者光盘等各种可以存储程序的介质。上面结合附图对本申请实施例作了详细说明,但本申请不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本申请宗旨的前提下作出各种变化。
Claims (10)
1.一种智能提升高校教学任务安排的方法,其特征在于,所述智能提升高校教学任务安排的方法包括:
构造第一关系图、第二关系图和第三关系图;其中,所述第一关系图包含第一边权重、教学秘书集合和课程、课程大类、专业合并值集合,所述第二关系图包含第二边权重、课程、课程大类、专业合并值集合和历史课堂分解安排集合,所述第三关系图包含第三边权重、历史课堂分解安排集合和教师集合;
将所述第一关系图、所述第二关系图和所述第三关系图映射至低维空间,得到每个关系图中两个集合的低维向量;
基于所述低维向量,构建每个关系图中每个集合对应的稠密矩阵;
根据所述稠密矩阵计算每个课堂的多个安排和每个课堂对应的多个教师;
基于所述多个安排和所述多个教师对相应的课堂进行安排,以完成教学任务安排。
2.根据权利要求1所述的智能提升高校教学任务安排的方法,其特征在于,所述将所述第一关系图、所述第二关系图和所述第三关系图映射至低维空间,得到每个关系图中两个集合的低维向量,包括:
根据所述第一边权重、所述第二边权重和所述第三边权重,计算每个关系图中两条边的联合概率;
计算每个关系图中两个集合在空间中的相似度;
基于所述联合概率和所述相似度将所述第一关系图、所述第二关系图和所述第三关系图映射至低维空间,得到每个关系图中两个集合的低维向量。
3.根据权利要求2所述的智能提升高校教学任务安排的方法,其特征在于,通过如下方式计算每个关系图中两条边的联合概率:
,
其中,表示关系图中两条边的联合概率,/>表示每个关系图中两个集合的节点数,表示每个关系图中两个集合的关系,/>表示两个集合中节点之间的边权重,/>表示两个节点之间的关系。
4.根据权利要求2所述的智能提升高校教学任务安排的方法,其特征在于,通过如下方式计算每个关系图中两个集合在空间中的相似度:
,
其中,表示每个关系图中两个集合在空间中的相似度,/>表示每个关系图中两个集合的节点数,/>表示关系图中两个集合的节点的向量,/>表示sigmod函数,/>表示转置。
5.根据权利要求2所述的智能提升高校教学任务安排的方法,其特征在于,通过如下方式得到每个关系图中两个集合的低维向量:
,
其中,表示每个关系图中两个集合的关系,/>表示每个关系图中两个集合在空间中的相似度,/>表示关系图中两条边的联合概率,/>表示每个关系图中两个集合的节点数,/>表示散度,/>表示两个节点之间的关系。
6.根据权利要求1所述的智能提升高校教学任务安排的方法,其特征在于,所述基于所述低维向量,构建每个关系图中每个集合对应的稠密矩阵,包括:
基于所述低维向量构建每个集合的稀疏矩阵;
通过最小化目标函数将每个集合的稀疏矩阵转化为稠密矩阵;其中,通过如下方式构建目标函数:
,
其中,表示关系图的数量,/>表示每个集合的稀疏矩阵,/>表示每个关系图中每个集合的低维向量,/>表示/>的权重,/>表示低维向量/>的稠密矩阵,/>表示转置,表示低维向量/>的稠密矩阵,/>表示偏置,/>表示第/>个关系图的权重,/>表示全局参数。
7.根据权利要求1所述的智能提升高校教学任务安排的方法,其特征在于,通过如下方式计算每个课堂的多个安排和每个课堂对应的多个教师,包括:
,
其中,表示排序后选取前/>个数据,/>表示课堂,/>和/>表示第一关系图中的两个集合的稠密矩阵,/>和/>表示第二关系图中的两个集合的稠密矩阵,/>和/>表示第三关系图中的两个集合的稠密矩阵。
8.一种智能提升高校教学任务安排的系统,其特征在于,所述智能提升高校教学任务安排的系统包括:
关系图构造单元,用于构造第一关系图、第二关系图和第三关系图;其中,所述第一关系图包含第一边权重、教学秘书集合和课程、课程大类、专业合并值集合,所述第二关系图包含第二边权重、课程、课程大类、专业合并值集合和历史课堂分解安排集合,所述第三关系图包含第三边权重、历史课堂分解安排集合和教师集合;
关系图映射单元,用于将所述第一关系图、所述第二关系图和所述第三关系图映射至低维空间,得到每个关系图中两个集合的低维向量;
矩阵构建单元,用于基于所述低维向量,构建每个关系图中每个集合对应的稠密矩阵;
数据计算单元,用于根据所述稠密矩阵计算每个课堂的多个安排和每个课堂对应的多个教师;
课堂安排单元,用于基于所述多个安排和所述多个教师对相应的课堂进行安排,以完成教学任务安排。
9.一种智能提升高校教学任务安排的设备,其特征在于,包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如权利要求1至7任一项所述的智能提升高校教学任务安排的方法。
10.一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存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的智能提升高校教学任务安排的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311433339.6A CN117196259B (zh) | 2023-11-01 | 2023-11-01 | 一种智能提升高校教学任务安排的方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311433339.6A CN117196259B (zh) | 2023-11-01 | 2023-11-01 | 一种智能提升高校教学任务安排的方法、系统及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117196259A CN117196259A (zh) | 2023-12-08 |
CN117196259B true CN117196259B (zh) | 2024-02-02 |
Family
ID=88987157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311433339.6A Active CN117196259B (zh) | 2023-11-01 | 2023-11-01 | 一种智能提升高校教学任务安排的方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117196259B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109460571A (zh) * | 2018-09-27 | 2019-03-12 | 华南理工大学 | 一种基于矩阵低秩性以及稀疏性的智能电网数据恢复方法 |
CN112699686A (zh) * | 2021-01-05 | 2021-04-23 | 浙江诺诺网络科技有限公司 | 基于任务型对话系统的语义理解方法、装置、设备及介质 |
CN113742591A (zh) * | 2021-09-07 | 2021-12-03 | 平安科技(深圳)有限公司 | 学习伙伴推荐方法和装置、电子设备、存储介质 |
CN114139925A (zh) * | 2021-11-26 | 2022-03-04 | 南宁市迈越软件有限责任公司 | 一种基于三维矩阵运算的快速收敛排课算法 |
CN114648153A (zh) * | 2022-02-18 | 2022-06-21 | 应急管理部国家自然灾害防治研究院 | 一种基于灰度矩阵加权法的致密油甜点优选方法及系统 |
CN116561410A (zh) * | 2023-03-21 | 2023-08-08 | 常熟理工学院 | 一种课程教学资源推荐方法 |
CN116797423A (zh) * | 2023-08-23 | 2023-09-22 | 湖南强智科技发展有限公司 | 一种基于全局优化的高校自动快速排课方法与系统 |
CN116957874A (zh) * | 2023-09-21 | 2023-10-27 | 湖南强智科技发展有限公司 | 一种智能高校自动排课方法、系统、设备及存储介质 |
CN116957869A (zh) * | 2023-08-16 | 2023-10-27 | 珠海庚商教育科技有限公司 | 一种基于资源模式匹配及协同的教育平台 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7996193B2 (en) * | 2008-04-21 | 2011-08-09 | Cadence Design Systems, Inc. | Method for reducing model order exploiting sparsity in electronic design automation and analysis |
US8326787B2 (en) * | 2009-08-31 | 2012-12-04 | International Business Machines Corporation | Recovering the structure of sparse markov networks from high-dimensional data |
CN103975327B (zh) * | 2011-12-06 | 2016-08-17 | 国际商业机器公司 | 用于可视化事件序列中的风险评估值的方法及设备 |
US9348898B2 (en) * | 2014-03-27 | 2016-05-24 | Microsoft Technology Licensing, Llc | Recommendation system with dual collaborative filter usage matrix |
CN110019392B (zh) * | 2017-11-07 | 2021-07-23 | 北京大米科技有限公司 | 在网络教学系统中推荐教师的方法 |
-
2023
- 2023-11-01 CN CN202311433339.6A patent/CN117196259B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109460571A (zh) * | 2018-09-27 | 2019-03-12 | 华南理工大学 | 一种基于矩阵低秩性以及稀疏性的智能电网数据恢复方法 |
CN112699686A (zh) * | 2021-01-05 | 2021-04-23 | 浙江诺诺网络科技有限公司 | 基于任务型对话系统的语义理解方法、装置、设备及介质 |
CN113742591A (zh) * | 2021-09-07 | 2021-12-03 | 平安科技(深圳)有限公司 | 学习伙伴推荐方法和装置、电子设备、存储介质 |
CN114139925A (zh) * | 2021-11-26 | 2022-03-04 | 南宁市迈越软件有限责任公司 | 一种基于三维矩阵运算的快速收敛排课算法 |
CN114648153A (zh) * | 2022-02-18 | 2022-06-21 | 应急管理部国家自然灾害防治研究院 | 一种基于灰度矩阵加权法的致密油甜点优选方法及系统 |
CN116561410A (zh) * | 2023-03-21 | 2023-08-08 | 常熟理工学院 | 一种课程教学资源推荐方法 |
CN116957869A (zh) * | 2023-08-16 | 2023-10-27 | 珠海庚商教育科技有限公司 | 一种基于资源模式匹配及协同的教育平台 |
CN116797423A (zh) * | 2023-08-23 | 2023-09-22 | 湖南强智科技发展有限公司 | 一种基于全局优化的高校自动快速排课方法与系统 |
CN116957874A (zh) * | 2023-09-21 | 2023-10-27 | 湖南强智科技发展有限公司 | 一种智能高校自动排课方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117196259A (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ozturk et al. | Extracting priority rules for dynamic multi-objective flexible job shop scheduling problems using gene expression programming | |
Bulla et al. | hsmm—An R package for analyzing hidden semi-Markov models | |
Kloeden et al. | On effects of discretization on estimators of drift parameters for diffusion processes | |
CN109614473B (zh) | 应用于智能交互的知识推理方法及装置 | |
US20210312295A1 (en) | Information processing method, information processing device, and information processing program | |
CN111062610B (zh) | 一种基于信息矩阵稀疏求解的电力系统状态估计方法和系统 | |
Choudhary et al. | Order reduction techniques via routh approximation: a critical survey | |
CN101589610A (zh) | 使用对数查找表的任意幂函数 | |
CN111125328B (zh) | 文本处理方法及相关设备 | |
CN116957874B (zh) | 一种智能高校自动排课方法、系统、设备及存储介质 | |
CN116843525B (zh) | 一种智能自动排课方法、系统、设备及存储介质 | |
EP3867822A1 (en) | Platform for selection of items used for the configuration of an industrial system | |
Wang et al. | Fractal dimension analysis and control of Julia set generated by fractional Lotka–Volterra models | |
CN111753173A (zh) | 一种信息查询方法及装置 | |
CN108536844A (zh) | 一种文本增强的网络表示学习方法 | |
CN117196259B (zh) | 一种智能提升高校教学任务安排的方法、系统及设备 | |
Li et al. | Optimal harvesting for a size-stage-structured population model | |
Gomes et al. | Dual two-state mean-field games | |
US20220122174A1 (en) | Method and apparatus for peer-to-peer energy sharing based on reinforcement learning | |
CN116608551A (zh) | 冷负荷预测方法和装置、电子设备及存储介质 | |
CN114065359A (zh) | 一种装修设计生成方法、装置、电子设备及存储介质 | |
CN113177329A (zh) | 数值程序的数据处理系统 | |
Lu et al. | Geometric approach for global asymptotic stability for three species competitive Gompertz models | |
CN103632238A (zh) | 基于一卡通消费行为分析识别经济困难生的方法和装置 | |
CN116843526B (zh) | 一种提升学生选课概率的方法、系统、设备及存储介质 |
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 |