CN117827917A - 一种学习时间推荐方法及电子设备 - Google Patents
一种学习时间推荐方法及电子设备 Download PDFInfo
- Publication number
- CN117827917A CN117827917A CN202211205025.6A CN202211205025A CN117827917A CN 117827917 A CN117827917 A CN 117827917A CN 202211205025 A CN202211205025 A CN 202211205025A CN 117827917 A CN117827917 A CN 117827917A
- Authority
- CN
- China
- Prior art keywords
- learning
- user
- time
- information
- time interval
- 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 144
- 230000006399 behavior Effects 0.000 claims abstract description 53
- 230000000694 effects Effects 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 18
- 230000014759 maintenance of location Effects 0.000 claims description 16
- 230000002787 reinforcement Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 description 65
- 230000008569 process Effects 0.000 description 30
- 238000011156 evaluation Methods 0.000 description 22
- 238000004891 communication Methods 0.000 description 21
- 238000012545 processing Methods 0.000 description 21
- 238000013461 design Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 238000010295 mobile communication Methods 0.000 description 10
- 238000007726 management method Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 7
- 230000001276 controlling effect Effects 0.000 description 7
- 208000000044 Amnesia Diseases 0.000 description 6
- 208000031091 Amnestic disease Diseases 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 229920001621 AMOLED Polymers 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000002096 quantum dot Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 206010027175 memory impairment Diseases 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Landscapes
- Electrically Operated Instructional Devices (AREA)
Abstract
本申请提供一种学习时间推荐方法及电子设备,该方法应用于电子设备,该方法包括:获取第一信息,所述第一信息用于表征第一用户的用户特征;获取第二信息,所述第二信息包括第一特征信息,所述第一特征信息用于表征第一用户在第一时间区间内的学习行为特征;获取第三信息,所述第三信息用于指示所述第一用户在第二时间区间内的学习时间,所述第二时间区间包含所述第一时间区间以及所述第一时间区间之前设定时长的历史时间区间;根据所述第一信息、所述第二信息和所述第三信息,确定第一目标时间;其中,所述第一目标时间用于作为推荐给所述第一用户的学习时间;显示所述第一目标时间。本申请提供的方法能够提高进行学习时间推荐的灵活性和实用性。
Description
技术领域
本申请涉及电子设备技术领域,尤其涉及一种学习时间推荐方法及电子设备。
背景技术
当前一些辅助记忆工具可以进行学习时间的推荐,使得用户在推荐的时间进行学习和记忆,进而提高用户的学习效果。但是这些辅助记忆工具采用的一般是机械的学习时间推荐方法,所推荐的学习时间均是固定的记忆周期对应的时间,用户必须严格按照推荐的学习时间进行学习,否则会导致推荐的学习时间失效。因此,基于该方法进行学习时间推荐的灵活性和实用性较低。
发明内容
本申请提供一种学习时间推荐方法及电子设备,用以提高进行学习时间推荐的灵活性和实用性。
第一方面,本申请实施例提供一种学习时间推荐方法,应用于电子设备,该方法包括:获取第一信息,所述第一信息用于表征第一用户的用户特征;获取第二信息,所述第二信息包括第一特征信息,所述第一特征信息用于表征第一用户在第一时间区间内的学习行为特征;获取第三信息,所述第三信息用于指示所述第一用户在第二时间区间内的学习时间,所述第二时间区间包含所述第一时间区间以及所述第一时间区间之前设定时长的历史时间区间;根据所述第一信息、所述第二信息和所述第三信息,确定第一目标时间;其中,所述第一目标时间用于作为推荐给所述第一用户的学习时间;显示所述第一目标时间。
在该方法中,电子设备能够根据一定时间内用户及其学习行为相关的特征信息以及历史时间内用户的学习时间,预测后续进行学习的时间,因此能够针对用户进行个性化的学习时间推荐,灵活性和实用性较高,有助于提高用户的学习效率。与传统方法中用户必须严格按照规定时间学习的方法相比,本申请提供的方法能够支持根据用户实际学习行为动态调整推荐的学习时间,在用户未按照推荐的学习时间进行学习的情况下,电子设备也能够根据用户的实际学习行为,适应性的推荐学习时间,因此该方法的灵活性和实用性更高。
在一种可能的设计中,在获取第二信息之后,所述方法还包括:根据所述第二信息和艾宾浩斯遗忘曲线,生成第一遗忘曲线,所述第一遗忘曲线用于表征所述第一用户在所述第一时间区间后的记忆衰减趋势;显示所述第一遗忘曲线。
在该方法中,用户的学习行为是影响用户对学习内容的记忆衰减趋势或记忆保持率的主要因素,用户不同的学习行为对其记忆衰减趋势的影响不同,且用户多次学习后其记忆衰减趋势会发生变化。因此,结合用户学习行为相关的特征信息以及艾宾浩斯遗忘曲线能够确定用户学习行为影响下的遗忘曲线,该遗忘曲线与原始艾宾浩斯遗忘曲线相比,能够更准确的反映用户实际的记忆衰减趋势。
在一种可能的设计中,在显示所述第一遗忘曲线之前,所述方法还包括:接收第一操作,所述第一操作用于指示显示遗忘曲线。
在该方法中,电子设备可以根据用户指示显示遗忘曲线,因此能够根据用户需求将用户对应的遗忘曲线呈现给用户,用户使用体验较高。
在一种可能的设计中,在显示所述第一目标时间之前,所述方法还包括:接收第二操作,所述第二操作用于指示显示推荐的学习时间。
在该方法中,电子设备可以根据用户指示显示推荐的学习时间,因此能够根据用户需求将学习时间推荐给用户,用户使用体验较高。
在一种可能的设计中,在显示所述第一目标时间之前,或者,在显示所述第一遗忘曲线之前,所述方法还包括:确定到达所述第一时间区间的结束时间;或者,确定到达所述第一时间区间内的设定时间;或者,确定所述第一用户停止学习。
在该方法中,电子设备能够在不同时机将推荐的学习时间或遗忘曲线显示给用户,灵活性较高。
在一种可能的设计中,所述第二信息包括至少一个指标值;所述根据所述第二信息和艾宾浩斯遗忘曲线,生成第一遗忘曲线,包括:获取至少一个权重;其中,所述至少一个权重包括所述至少一个指标值中每个指标值对应的权重,所述至少一个权重中的每个权重用于表征对应的指标值对所述第一用户的学习效果的影响程度;根据所述至少一个权重,确定目标衰减系数;其中,所述目标衰减系数用于修正所述艾宾浩斯遗忘曲线的衰减趋势;根据所述目标衰减系数和所述艾宾浩斯遗忘曲线,确定所述第一遗忘曲线。
在该方法中,用户的不同学习行为特征对用户的记忆衰减程度的影响可能不同。因此,可以通过学习行为特征对应的指标值对应的权重表征学习行为特征对用户的记忆衰减程度的影响程度,并结合不同学习行为特征对应的权重确定用于修正原始艾宾浩斯遗忘曲线的衰减系数,则利用该衰减系数进行修正的艾宾浩斯遗忘曲线考虑了用户学习行为特征对记忆衰减趋势的影响,能够更为准确的反映用户学习后的记忆衰减趋势。因此基于该方法能够得到更准确的遗忘曲线。
在一种可能的设计中,所述第一遗忘曲线符合以下公式:
Iτ(t-T)=a(t-T)-b/τ
其中,Iτ(t-T)为所述第一遗忘曲线的记忆保持率,T为所述第一用户的学习时间,a为设定的记忆保持率系数,t为时间,b为设定的艾宾浩斯遗忘曲线的衰减系数,τ为目标衰减系数。
在该方法中,目标衰减系数反映了用户学习行为对用户记忆衰减趋势的影响,因此利用该目标衰减系数对原始的艾宾浩斯遗忘曲线的计算进行修正和优化,能够得到更准确的遗忘曲线。尤其在用户多次学习的情况下,在每次学习后都可以采用该方式得到较为准确的遗忘曲线。
在一种可能的设计中,所述根据所述至少一个权重,确定目标衰减系数,包括:将所述至少一个权重的累加和或加权和作为所述目标衰减系数。
在该方法中,将至少一个权重的累加和作为目标衰减系数的方式简单快捷,数据处理量较小,处理效率较高。将至少一个权重的加权和作为目标衰减系数则能够得到更为准确的结果,进而提高后续确定的遗忘曲线的准确度。电子设备可以灵活选择所采用的方式。
在一种可能的设计中,所述第二信息还包括第二特征信息,所述第二特征信息用于确定所述第一用户的学习效果。
在该方法中,用户的学习效果对用户的记忆衰减趋势也有一定的影响,电子设备在确定遗忘曲线时同时将用户的学习效果的影响考虑在内,能够进一步提高确定的遗忘曲线的准确度。
在一种可能的设计中,所述第二特征信息包括以下至少一项:所述第一用户学习的难易度,所述第一用户完成所学内容对应的评测试题所需的时间,所述第一用户完成所述评测试题得到的分数。
在该方法中,电子设备可以将不同维度的用于表征学习效果的指标信息作为用于确定遗忘曲线的参考信息,能够尽可能提高确定的遗忘曲线的准确度。
在一种可能的设计中,所述第一信息包括所述第一用户的性别和年龄。
在该方法中,性别和年龄是对用户的记忆能力具有较大影响的主要因素,因此将用户的性别和年龄作为确定遗忘曲线的必要参考因素,能够基本保证确定的遗忘曲线的准确度。
在一种可能的设计中,所述第一特征信息包括以下至少一项:所述第一时间区间内所述第一用户的学习次数;所述第一时间区间内所述第一用户的学习时长;所述第一时间区间内所述第一用户的学习专注度。
在该方法中,电子设备可以将不同维度的用户学习行为特征作为用于确定遗忘曲线的参考信息,能够尽可能提高确定的遗忘曲线的准确度。
在一种可能的设计中,根据所述第一信息、所述第二信息和所述第三信息,确定第一目标时间,包括:根据设定的时间预测模型,以及所述第一信息、所述第二信息和所述第三信息,确定所述第一目标时间;其中,所述时间预测模型是基于强化学习方式训练生成的,所述时间预测模型用于表示所述第一信息、所述第二信息和所述第三信息与所述第一目标时间之间的对应关系。
在该方法中,利用模型预测推荐的学习时间,预测的准确度较高,因此能够提高推荐的学习时间的准确度,提高方案的实用性。
第二方面,本申请提供一种电子设备,该电子设备包括显示屏,存储器和一个或多个处理器;其中,存储器用于存储计算机程序代码,计算机程序代码包括计算机指令;当计算机指令被一个或多个处理器执行时,使得电子设备通过所述显示屏执行上述第一方面或第一方面的任一可能的设计所描述的方法。
第三方面,本申请提供一种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程序,当计算机程序在计算机上运行时,使得计算机执行上述第一方面或第一方面的任一可能的设计所描述的方法。
第四方面,本申请提供一种计算机程序产品,该计算机程序产品包括计算机程序或指令,当计算机程序或指令在计算机上运行时,使得计算机执行上述第一方面或第一方面的任一可能的设计所描述的方法。
上述第二方面到第四方面的有益效果,请参见上述第一方面的有益效果的描述,这里不再重复赘述。
附图说明
图1为一种艾宾浩斯曲线的示意图;
图2为本申请实施例提供的一种电子设备的硬件架构示意图;
图3为本申请实施例提供的一种电子设备的软件架构示意图;
图4为本申请实施例提供的一种学习时间推荐方法的示意图;
图5为本申请实施例提供的一种学习时间推荐界面的示意图;
图6为本申请实施例提供的一种模型训练方法的示意图;
图7为本申请实施例提供的一种模型训练方法的示意图;
图8为本申请实施例提供的一种网络模型的结构示意图;
图9为本申请实施例提供的一种多次学习过程中的个性化艾宾浩斯遗忘曲线的示意图;
图10为本申请实施例提供的一种生成和显示用户对应的个性化艾宾浩斯遗忘曲线的方法的示意图;
图11为本申请实施例提供的一种学习时间和遗忘曲线的显示界面的示意图;
图12为本申请实施例提供的一种学习时间推荐方法的示意图;
图13为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本申请实施例的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施例作进一步地详细描述。
其中,在本申请实施例的描述中,以下,术语“第一”、“第二”仅用于描述目的,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。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。
为了便于理解,示例性的给出了与本申请相关概念的说明以供参考。
1)强化学习(reinforcement learning,RL),又称再励学习、评价学习或增强学习,是机器学习的范式和方法论之一,用于描述和解决智能体(agent)(即模型)在与环境的交互过程中通过学习策略达成回报最大化或实现特定目标的问题。强化学习的常见模型是标准的马尔科夫决策过程(markov decision process,MDP)。不同于监督学习和非监督学习,强化学习不要求预先给定任何标签数据,而是在根据状态(state)(即模型的输入)确定动作(action)(即模型的输出结果)后,通过接收环境对动作的奖励(reward)(反馈)获得学习信息并更新模型参数。强化学习的目标是动态调整模型参数,以实现奖励最大化。
2)深度Q网络(deep Q networks,DQN),是强化学习中的一种网络。DQN网络主要的算法流程是将神经网络与Q学习(Q-learning)算法结合,利用神经网络,将高维的输入数据作为强化学习中的状态,并确定每个动作对应的价值(Q值),进而根据每个动作对应的价值确定输出动作即将要执行的动作。
3)电子设备,可以为具有处理功能、显示功能的设备。本申请一些实施例中电子设备可以是便携式设备,诸如手机、平板电脑、具备无线通讯功能的可穿戴设备(例如,手表、手环、头盔、耳机等)、车载终端设备、增强现实(augmented reality,AR)/虚拟现实(virtual reality,VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personalcomputer,UMPC)、上网本、个人数字助理(personal digital assistant,PDA)、智能家居设备(例如,智能电视、智能音箱等)、智能机器人、车间设备、无人驾驶(self driving)中的无线终端、远程手术(remote medical surgery)中的无线终端、智能电网(smart grid)中的无线终端、运输安全(transportation safety)中的无线终端、智慧城市(smart city)中的无线终端,或智慧家庭(smart home)中的无线终端、飞行设备(例如,智能机器人、热气球、无人机、飞机)等。
其中,可穿戴设备为用户可以直接穿戴在身上或者整合到用户的衣服或配件上的一种便携式设备。
在本申请一些实施例中,电子设备还可以是还包含其它功能诸如个人数字助理和/或音乐播放器功能的便携式终端设备。便携式终端设备的示例性实施例包括但不限于搭载或者其它操作系统的便携式终端设备。上述便携式终端设备也可以是其它便携式终端设备,诸如具有触敏表面(例如触控面板)的膝上型计算机(laptop)等。还应当理解的是,在本申请其它一些实施例中,上述电子设备也可以不是便携式终端设备,而是具有触敏表面(例如触控面板)的台式计算机。
应理解,本申请实施例中“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,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:单独存在A,同时存在A和B,单独存在B的情况,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,是指的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、b和c,其中a、b、c可以是单个,也可以是多个。
当前可以基于艾宾浩斯遗忘曲线(ebbinghaus forgetting curve)进行学习时间的推荐。图1为艾宾浩斯遗忘曲线的一种示意图,该曲线反映了人类的记忆衰减趋势。参考该记忆衰减趋势,可以通过人工经验或静态记忆模型来设计固定的记忆周期,并推荐用户在固定的记忆周期上进行学习和记忆。
上述方法针对不同难度的学习材料、不同记忆能力的用户均采用相同的策略进行学习时间的推荐,因此个性化程度较低,难以有效节约用户的学习时间,也难以保证较好的学习效果。上述方法中进行学习时间推荐时所依据的艾宾浩斯遗忘曲线,反映的是一次学习后的遗忘变化趋势,而用户多次学习后遗忘变化趋势会发生变化,因此仅依据艾宾浩斯曲线推荐的学习时间的准确度较低。此外,上述方法推荐的学习时间是固定的,用户必须严格按照推荐的记忆周期进行学习,否则推荐的记忆周期失效。
鉴于以上问题,本申请实施例提供了一种学习时间推荐方法及电子设备,该方案可以针对用户进行个性化的学习时间推荐,并可以根据用户学习行为动态调整推荐的学习时间,能够提高进行学习时间推荐的灵活性和实用性,同时能够提高推荐的学习时间的准确度,提高用户学习效果。
本申请实施例提供的技术方案可以由任意具有处理和计算能力的计算设备执行,计算设备可以是电子设备等,有关电子设备的性能介绍可以参照上述概念说明中的描述。下文中以本申请技术方案应用在电子设备中为例进行描述,应用在其他计算设备中的实现过程类似,不再重复赘述。
下面参阅图2,对本申请实施例提供的方法适用的电子设备的结构进行介绍。
如图2所示,电子设备100可以包括处理器110,外部存储器接口120,内部存储器121,USB接口130,充电管理模块140,电源管理模块141,电池142,天线1,天线2,移动通信模块150,无线通信模块160,音频模块170,扬声器170A,受话器170B,麦克风170C,耳机接口170D,传感器模块180,按键190,马达191,指示器192,摄像头193,显示屏194,以及SIM卡接口195等。
其中传感器模块180可以包括陀螺仪传感器、加速度传感器、接近光传感器、指纹传感器、触摸传感器、温度传感器、压力传感器、距离传感器、磁传感器、环境光传感器、气压传感器、骨传导传感器等。
可以理解的是,图2所示的电子设备100仅仅是一个范例,并不构成对电子设备的限定,并且电子设备可以具有比图中所示出的更多的或者更少的部件,可以组合两个或更多的部件,或者可以具有不同的部件配置。图2中所示出的各种部件可以在包括一个或多个信号处理和/或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。
处理器110可以包括一个或多个处理单元,例如:处理器110可以包括应用处理器(application processor,AP),调制解调处理器,图形处理器(graphics processingunit,GPU),图像信号处理器(image signal processor,ISP),控制器,存储器,视频编解码器,数字信号处理器(digital signal processor,DSP),基带处理器,和/或神经网络处理器(neural-network processing unit,NPU)等。其中,不同的处理单元可以是独立的器件,也可以集成在一个或多个处理器中。其中,控制器可以是电子设备100的神经中枢和指挥中心。控制器可以根据指令操作码和时序信号,产生操作控制信号,完成取指令和执行指令的控制。
处理器110中还可以设置存储器,用于存储指令和数据。在一些实施例中,处理器110中的存储器为高速缓冲存储器。该存储器可以保存处理器110刚用过或循环使用的指令或数据。如果处理器110需要再次使用该指令或数据,可从所述存储器中直接调用。避免了重复存取,减少了处理器110的等待时间,因而提高了系统的效率。
本申请实施例提供的学习时间推荐方法的执行可以由处理器110来控制或调用其他部件来完成,比如调用内部存储器121中存储的本申请实施例的处理程序,或者通过外部存储器接口120调用第三方设备中存储的本申请实施例的处理程序,来控制无线通信模块160向其它设备进行数据通信,提高电子设备100的智能化、便捷化程度,提升用户的体验。处理器110可以包括不同的器件,比如集成CPU和GPU时,CPU和GPU可以配合执行本申请实施例提供的学习时间推荐方法,比如学习时间推荐方法中部分算法由CPU执行,另一部分算法由GPU执行,以得到较快的处理效率。
显示屏194用于显示图像,视频等。显示屏194包括显示面板。显示面板可以采用液晶显示屏(liquid crystal display,LCD),有机发光二极管(organic light-emittingdiode,OLED),有源矩阵有机发光二极体或主动矩阵有机发光二极体(active-matrixorganic light emitting diode的,AMOLED),柔性发光二极管(flex light-emittingdiode,FLED),Miniled,MicroLed,Micro-oLed,量子点发光二极管(quantum dot lightemitting diodes,QLED)等。在一些实施例中,电子设备100可以包括1个或N个显示屏194,N为大于1的正整数。显示屏194可用于显示由用户输入的信息或提供给用户的信息以及各种图形用户界面(graphical user interface,GUI)。例如,显示屏194可以显示照片、视频、网页、或者文件等。
在本申请实施例中,显示屏194可以是一个一体的柔性显示屏,也可以采用两个刚性屏以及位于两个刚性屏之间的一个柔性屏组成的拼接显示屏。
摄像头193(前置摄像头或者后置摄像头,或者一个摄像头既可作为前置摄像头,也可作为后置摄像头)用于捕获静态图像或视频。通常,摄像头193可以包括感光元件比如镜头组和图像传感器,其中,镜头组包括多个透镜(凸透镜或凹透镜),用于采集待拍摄物体反射的光信号,并将采集的光信号传递给图像传感器。图像传感器根据所述光信号生成待拍摄物体的原始图像。
内部存储器121可以用于存储计算机可执行程序代码,所述可执行程序代码包括指令。处理器110通过运行存储在内部存储器121的指令,从而执行电子设备100的各种功能应用以及数据处理。内部存储器121可以包括存储程序区和存储数据区。其中,存储程序区可存储操作系统,应用程序(比如学习时间推荐方法对应的功能等)的代码等。存储数据区可存储电子设备100使用过程中所创建的数据等。
内部存储器121还可以存储本申请实施例提供的学习时间推荐算法对应的一个或多个计算机程序。该一个或多个计算机程序被存储在上述内部存储器121中并被配置为被一个或多个处理器110执行,该一个或多个计算机程序包括指令,上述指令可以用于执行以下实施例中的各个步骤。
此外,内部存储器121可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件,闪存器件,通用闪存存储器(universal flash storage,UFS)等。
当然,本申请实施例提供的学习时间推荐算法的代码还可以存储在外部存储器中。这种情况下,处理器110可以通过外部存储器接口120运行存储在外部存储器中的学习时间推荐算法的代码。
传感器模块180可以包括陀螺仪传感器、加速度传感器、接近光传感器、指纹传感器、触摸传感器等。
触摸传感器,也称“触控面板”。触摸传感器可以设置于显示屏194,由触摸传感器与显示屏194组成触摸显示屏,也称“触控屏”。触摸传感器用于检测作用于其上或附近的触摸操作。触摸传感器可以将检测到的触摸操作传递给应用处理器,以确定触摸事件类型。可以通过显示屏194提供与触摸操作相关的视觉输出。在另一些实施例中,触摸传感器也可以设置于电子设备100的表面,与显示屏194所处的位置不同。
示例性的,电子设备100的显示屏194显示主界面,主界面中包括多个应用(比如相机应用等)的图标。例如用户可以通过触摸传感器点击主界面中相机应用的图标,触发处理器110启动相机应用,打开摄像头193。显示屏194显示相机应用的界面,例如取景界面。
电子设备100的无线通信功能可以通过天线1,天线2,移动通信模块150,无线通信模块160,调制解调处理器以及基带处理器等实现。
天线1和天线2用于发射和接收电磁波信号。电子设备100中的每个天线可用于覆盖单个或多个通信频带。不同的天线还可以复用,以提高天线的利用率。例如:可以将天线1复用为无线局域网的分集天线。在另外一些实施例中,天线可以和调谐开关结合使用。
移动通信模块150可以提供应用在电子设备100上的包括2G/3G/4G/5G等无线通信的解决方案。移动通信模块150可以包括至少一个滤波器,开关,功率放大器,低噪声放大器(low noise amplifier,LNA)等。移动通信模块150可以由天线1接收电磁波,并对接收的电磁波进行滤波,放大等处理,传送至调制解调处理器进行解调。移动通信模块150还可以对经调制解调处理器调制后的信号放大,经天线1转为电磁波辐射出去。在一些实施例中,移动通信模块150的至少部分功能模块可以被设置于处理器110中。在一些实施例中,移动通信模块150的至少部分功能模块可以与处理器110的至少部分模块被设置在同一个器件中。在本申请实施例中,移动通信模块150还可以用于与其它设备进行信息交互。
调制解调处理器可以包括调制器和解调器。其中,调制器用于将待发送的低频基带信号调制成中高频信号。解调器用于将接收的电磁波信号解调为低频基带信号。随后解调器将解调得到的低频基带信号传送至基带处理器处理。低频基带信号经基带处理器处理后,被传递给应用处理器。应用处理器通过音频装置(不限于扬声器170A,受话器170B等)输出声音信号,或通过显示屏194显示图像或视频。在一些实施例中,调制解调处理器可以是独立的器件。在另一些实施例中,调制解调处理器可以独立于处理器110,与移动通信模块150或其他功能模块设置在同一个器件中。
无线通信模块160可以提供应用在电子设备100上的包括无线局域网(wirelesslocal area networks,WLAN)(如无线保真(wireless fidelity,Wi-Fi)网络),蓝牙(bluetooth,BT),全球导航卫星系统(global navigation satellite system,GNSS),调频(frequency modulation,FM),近距离无线通信技术(near field communication,NFC),红外技术(infrared,IR)等无线通信的解决方案。无线通信模块160可以是集成至少一个通信处理模块的一个或多个器件。无线通信模块160经由天线2接收电磁波,将电磁波信号调频以及滤波处理,将处理后的信号发送到处理器110。无线通信模块160还可以从处理器110接收待发送的信号,对其进行调频,放大,经天线2转为电磁波辐射出去。本申请实施例中,无线通信模块160,用于与其它电子设备建立连接,进行数据交互。或者无线通信模块160可以用于接入接入点设备,向其它电子设备发送控制指令,或者接收来自其它电子设备发送的数据。
另外,电子设备100可以通过音频模块170,扬声器170A,受话器170B,麦克风170C,耳机接口170D,以及应用处理器等实现音频功能。例如音乐播放,录音等。电子设备100可以接收按键190输入,产生与电子设备100的用户设置以及功能控制有关的键信号输入。电子设备100可以利用马达191产生振动提示(比如来电振动提示)。电子设备100中的指示器192可以是指示灯,可以用于指示充电状态,电量变化,也可以用于指示消息,未接来电,通知等。电子设备100中的SIM卡接口195用于连接SIM卡。SIM卡可以通过插入SIM卡接口195,或从SIM卡接口195拔出,实现和电子设备100的接触和分离。
应理解,在实际应用中,电子设备100可以包括比图2所示的更多或更少的部件,本申请实施例不作限定。图示电子设备100仅是一个范例,并且电子设备100可以具有比图中所示出的更多的或者更少的部件,可以组合两个或更多的部件,或者可以具有不同的部件配置。图中所示出的各种部件可以在包括一个或多个信号处理和/或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。
电子设备100的软件系统可以采用分层架构,事件驱动架构,微核架构,微服务架构,或云架构。分层架构将软件分成若干个层,每一层都有清晰的角色和分工。层与层之间通过软件接口通信。示例性的,如图3所示,该软件架构可以分为四层,从上至下分别为应用程序层,应用程序框架层(Framework,FWK),运行时和系统库,以及(Linux)内核(Kernel)层。
应用程序层是操作系统的最上一层,包括操作系统的原生应用程序,例如相机、图库、日历、蓝牙、音乐、视频、信息等,还可以包括第三方应用程序。本申请实施例涉及的应用程序简称应用(application,APP),为能够实现某项或多项特定功能的软件程序。通常,电子设备中可以安装多个应用,例如相机应用、邮箱应用、学习应用等。下文中提到的应用,可以是电子设备出厂时已安装的系统应用,也可以是用户在使用电子设备的过程中从网络下载或从其他电子设备获取的第三方应用。
当然,对于开发者来说,开发者可以编写应用程序并安装到该层。一种可能的实现方式中,应用程序可以使用Java语言开发,通过调用应用程序框架层所提供的应用程序编程接口(application programming interface,API)来完成,开发者可以通过应用程序框架来与操作系统的底层(例如内核层等)进行交互,开发自己的应用程序。
应用程序框架层为应用程序层的API和编程框架。应用程序框架层可以包括一些预先定义的函数。应用程序框架层可以包括窗口管理器,内容提供器,视图系统,电话管理器,资源管理器,通知管理器等。
窗口管理器用于管理窗口程序。窗口管理器可以获取显示屏大小,判断是否有状态栏,锁定显示屏(或屏幕),截取显示屏等。
内容提供器用来存放和获取数据,并使这些数据可以被应用程序访问。所述数据可以包括文件(例如文档、视频、图像、音频),文本等信息。
视图系统包括可视控件,例如显示文字、图片、文档等内容的控件等。视图系统可用于构建应用程序。显示窗口中的界面可以由一个或多个视图组成的。例如,包括短信通知图标的显示界面,可以包括显示文字的视图以及显示图片的视图。
电话管理器用于提供电子设备的通信功能。通知管理器使应用程序可以在状态栏中显示通知信息,可以用于传达告知类型的消息,可以短暂停留后自动消失,无需用户交互。
运行时包括核心库和虚拟机。运行时负责系统的调度和管理。
系统的核心库包含两部分:一部分是Java语言需要调用的功能函数,另一部分是系统的核心库。应用程序层和应用程序框架层运行在虚拟机中。以Java举例,虚拟机将应用程序层和应用程序框架层的Java文件执行为二进制文件。虚拟机用于执行对象生命周期的管理,堆栈管理,线程管理,安全和异常的管理,以及垃圾回收等功能。
系统库可以包括多个功能模块。例如:表面管理器,媒体库,三维图形处理库(例如:OpenGL ES),二维图形引擎(例如:SGL)、图像处理库等。表面管理器用于对显示子系统进行管理,并且为多个应用程序提供了二维和三维图层的融合。媒体库支持多种常用的音频,视频格式回放和录制,以及静态图像文件等。媒体库可以支持多种音视频编码格式,例如:MPEG4,H.564,MP3,AAC,AMR,JPG,PNG等。三维图形处理库用于实现三维图形绘图、图像渲染、合成和图层处理等。二维图形引擎是二维绘图的绘图引擎。
内核层提供操作系统的核心系统服务,如安全性、内存管理、进程管理、网络协议栈和驱动模型等都基于内核层实现。内核层同时也作为硬件和软件栈之间的抽象层。该层有许多与电子设备相关的驱动程序,主要的驱动有:显示驱动;作为输入设备的键盘驱动;基于内存技术设备的Flash驱动;照相机驱动;音频驱动;蓝牙驱动;WiFi驱动等。
需要理解的是,如上所述的功能服务只是一种示例,在实际应用中,电子设备也可以按照其他因素来划分为更多或更少的功能服务,或者可以按照其他方式来划分各个服务的功能,或者也可以不划分功能服务,而是按照整体来工作。
下面结合具体实施例,以本申请提供的方案应用于电子设备为例进行详细说明。
参阅图4,本申请实施例提供的一种学习时间推荐方法可以包括:
S401:电子设备获取第一时间区间内用户对应的用户特征信息、个性化学习信息和学习时间信息;其中,所述用户特征信息用于表征所述用户的个人特征;所述个性化学习信息包括用于表征所述用户学习行为特征的行为特征信息;所述学习时间信息用于指示第二时间区间内所述用户进行学习的时间,所述第二时间区间包括所述第一时间区间以及所述第一时间区间之前的时间区间。
在本申请一些实施例中,用户特征信息可以包括对用户记忆能力存在影响的用户个人特征。本申请实施例中,用户特征信息至少包括用户的性别和年龄。当然,用户特征信息也可以包括其它能够反映用户个人特征的信息,例如用户标识(identity document,ID)、用户账号、用户生理特征等,本申请实施例中不做具体限制。
在本申请一些实施例中,个性化学习信息中的行为特征信息可以包括能够反映用户在第一时间区间内的学习行为相关的特征的信息。示例性的,行为特征信息可以包括以下至少一个指标值:用户在第一时间区间内的学习次数、用户在第一时间区间内的学习时长、用户在第一时间区间内的学习专注度。
在本申请一些实施例中,个性化学习信息还可以包括学习效果评估信息,所述学习效果评估信息用于表征用户在第一时间区间内对学习内容的学习效果,也可以理解为用户对学习内容的记忆度。其中,记忆度越高,表明用户对学习内容的学习效果越好。
在本申请一些实施例中,个性化学习信息中的学习效果评估信息可以包括对用户学习内容时的学习效果存在影响的特征信息。示例性的,学习效果评估信息可以包括以下至少一个指标值:学习难易度、评测时长、评测分数等。其中,学习难易度可以是用户根据所学习的内容主观选择的难易度或者可以是电子设备评估的难易度。评测时长为用户完成学习内容对应的评测试题的时间,评测分数为用户完成评测试题得到的分数。
在本申请一些实施例中,所述第二时间区间可以包括多个子时间区间。其中,所述多个子时间区间时长相同,第一时间区间为第二时间区间内的最后一个子时间区间。可选的,第一时间区间的时长(即第二时间区间内每个子时间区间的时长)可以为设定时长,例如一天等。
在本申请一些实施例中,所述第一时间区间可以为第一学习周期包含的多个时间区间中的任一个时间区间,第一学习周期包含的多个时间区间的时长相同。在该情况下,第二时间区间所包括的第一时间区间之前的时间区间,就是第一学习周期内第一时间区间之前的时间区间。第二时间区间的起始时间为第一学习周期的起始时间,第二学习区间的终止时间为第一时间区间的终止时间。
例如,第一学习周期可以为30天,第一时间区间可以为30天中的任一天例如第8天,则第二时间区间为该30天中的前8天。
其中,第一学习周期的时长可以为用户设定的作为一个学习阶段的时长。
作为一种可选的实施方式,所述学习时间信息可以包括用于指示第二时间区间中每个子时间区间内用户是否进行学习的信息。示例性的,所述学习时间信息可以为一个序列,该序列中包括第二时间区间中每个子时间区间对应的码值。其中,每个子时间区间对应的码值用于指示在该时间区间内用户是否进行学习(即是否存在学习行为),则基于该序列可以确定第二时间区间内用户在哪些子时间区间内进行了学习以及用户在哪些子时间区间内未进行学习。例如,当子时间区间内用户进行了学习,则该子时间区间对应的码值可以为1,否则,该时间区间对应的码值可以为0。
作为另一种可选的实施方式,所述学习时间信息可以包括用户进行了学习的各个具体的时间。基于该信息也可以确定第二时间区间内用户在哪些子时间区间内进行了学习,在哪些子时间区间内未进行学习。
应理解,上述实施例中对用户对应的用户特征信息、个性化学习信息、学习效果评估信息和学习时间信息所包括的具体内容进行了示例性说明,但这些内容并不对对应信息包括的具体内容造成限制。本申请实施例中,这些信息所包括的具体内容不仅限于上述示例提供的内容,本申请实施例中不做具体限制。
在本申请一些实施例中,电子设备可以利用不同传感器例如视觉、语音检测相关的传感器等获取用户的用户特征信息和个性化学习信息,并可以结合人工智能算法分析确定更准确的用户学习行为,进而提高个性化学习时间推荐的准确性。
在本申请一些实施例中,用户为与电子设备关联的用户,或者可以为电子设备中登录的用户账号关联的用户。在本申请一些实施例中,用户对应的用户特征信息/个性化学习信息/学习效果评估信息/学习时间信息可以是用户预先配置到电子设备中,或者可以由电子设备实时检测得到,或者可以是电子设备通过其它检测设备检测得到。
S402:电子设备根据所述用户特征信息、所述个性化学习信息和所述学习时间信息,预测目标学习时间;其中,所述目标学习时间用于作为推荐给所述用户的在所述第一时间区间后进行学习的时间。
其中,所述目标学习时间即为电子设备推荐的下一个学习时间,该时间为第一学习周期内的时间。可选的,该时间可以为第一学习周期内晚于第一时间区间的一个时间区间。
在本申请一些实施例中,电子设备可以利用已训练的时间预测模型,根据用户特征信息、个性化学习信息和学习时间信息预测目标学习时间。其中,所述时间预测模型用于表示用户及其学习行为相关的特征信息与用户下一次进行学习的学习时间之间的对应关系,用户及其学习行为相关的特征信息可以包括用户对应的用户特征信息、个性化学习信息和学习时间信息等。电子设备在获取用户对应的用户特征信息、个性化学习信息和学习时间信息后,可以将用户特征信息、个性化学习信息和学习时间信息输入到已训练的时间预测模型,得到该时间预测模型输出的时间,并可以将该时间作为目标学习时间。
上述时间预测模型的训练可以由电子设备完成,也可以由其它计算设备完成。其中,时间预测模型的训练过程可以参照下文实施例中的相关介绍,此处暂不详述。
S403:电子设备显示所述目标学习时间。
电子设备基于上述方法确定目标学习时间后,可以显示所述目标学习时间,从而将下一次学习时间提示给用户,使得用户可以根据该目标学习时间进行下一次学习。
在本申请一些实施例中,电子设备可以在满足以下任一触发条件时开始执行上述步骤S401~S403:
1)第一时间区间结束时。基于该方式,电子设备可以周期性进行下一次学习时间的预测并提供给用户。
2)第一时间区间内用户的每次学习行为结束时。基于该方式,电子设备可以在用户每次学习结束后将推荐的下一次学习时间提供给用户,便于用户及时获得推荐的学习时间,提高用户使用体验。此外,用户每次学习后,电子设备都会更新推荐的学习时间,能够提高推荐的学习时间的准确度。
3)到达第一时间区间内的目标时间时。可选的,目标时间可以为设定的固定时间。例如,当第一时间区间为一天时,目标时间可以为一天内的固定时间点,例如晚上八点等。
可选的,目标时间可以为符合设定条件的任一时间,该设定条件可以是用户预配置到电子设备的。示例性的,该设定条件可以为:是用户的一次学习行为结束的时间,且晚于设定的固定时间点。例如,当第一时间区间为一天时,目标时间可以为晚于晚上六点的用户学习行为结束的时间。该场景下,当第一时间区间内用户的学习行为分别发生在下午两点~四点、晚上七点~八点时,可以确定对应的目标时间为晚上八点。
该方式中,在目标时间之后用户存在学习行为时,可以将该学习行为作为第一时间区间的下一个时间区间内的学习行为,则该学习行为可以用于确定所述下一个时间区间内用户及其学习行为相关的特征信息。基于该方式,可以避免漏检用户的学习行为,进而提高预测下一次学习时间的准确度。
4)接收到用户下发的推荐下一次学习时间的指示时。在该方式中,电子设备可以显示用于控制学习时间预测功能的控件,并响应于用户作用于该控件的操作,执行上述步骤S401~S403。基于该方式,电子设备可以在用户需要时,根据用户的指示为用户推荐学习时间,能够提高用户使用体验。
可选的,电子设备可以在学习应用的界面中,增加显示上述用于控制学习时间预测功能的控件。例如可以在显示用户学习的内容的应用界面中显示该控件。当接收到作用于该控件的操作后,电子设备采用上述实施例提供的方法确定目标学习时间,并将目标学习时间作为推荐的下一次学习时间呈现给用户。
示例性的,以第一学习周期中每个学习区间的时长为一天为例,电子设备确定的目标学习时间可以为第一学习周期中的第一时间区间之后的某一天,则电子设备可以按照上述方法将该目标学习时间推荐给用户。例如,在电子设备采用在每次学习后显示推荐的学习时间的方式的情况下,当第一时间区间为9月1日,电子设备确定的目标学习时间为9月4日时,电子设备可以显示如图5中所示的学习时间推荐界面,该界面中包括用于提示用户可以在9月4日进行学习的提示信息。
基于上述实施例提供的方法,电子设备能够根据用户的学习行为相关的特征信息,针对用户进行个性化的学习时间推荐,灵活性较高,且有助于提高用户的学习效率。与传统方法中用户必须严格按照规定时间学习的方法相比,上述实施例提供的方法中可以根据用户实际学习行为动态调整推荐的学习时间,即使用户在延迟或过度学习的情况下,电子设备也能够根据用户的实际学习行为,适应性的推荐合适的学习时间,因此该方法的灵活性和实用性更高。
下面对上述实施例中所述的时间预测模型的训练过程进行介绍。
本申请实施例中,可以基于强化学习的方式进行网络模型的训练,进而得到上述的时间预测模型。具体的,如图6中所示,以电子设备自身进行网络模型的训练为例,以电子设备自身获取用户及其学习行为相关的特征信息为例,在用户学习过程中,电子设备可以通过对用户的状态即学习行为进行识别,并采集特征信息,得到用户学习过程中的个性化学习信息。一方面,基于用户对应的个性化学习信息,电子设备可以通过网络模型预测对应的动作即目标学习时间(即推荐给用户的下一次学习的时间);另一方面,电子设备可以根据用户对应的个性化学习信息,对传统的艾宾浩斯遗忘曲线进行优化,得到用户的个性化遗忘曲线,并根据该遗忘曲线确定奖励。在确定奖励后,电子设备可以根据奖励对网络模型的模型参数进行优化更新。通过重复执行上述过程进行网络模型的训练,电子设备可以通过不断与环境(即用户学习场景对应的环境)交互,实现累计奖励最大化,最终学习到最佳的学习时间个性化推荐策略,得到上述的时间预测模型。
可选的,网络模型的训练过程也可以由其它设备完成,电子设备可以从其它设备获取已训练的时间预测模型,并直接利用该时间预测模型执行上述实施例提供的学习时间推荐方法。
参照图7,基于上述方法,本申请实施例提供的一种模型训练方法可以包括:
S701:电子设备获取第三时间区间内用户对应的用户特征信息、个性化学习信息和学习时间信息;其中,所述第三时间区间为第二学习周期包含的多个时间区间中的一个时间区间;所述用户特征信息用于表征所述用户的个人特征;所述个性化学习信息包括用于表征所述用户学习行为特征的行为特征信息;所述学习时间信息用于指示第四时间区间内所述用户进行学习的时间,其中,所述第四时间区间包括所述第二学习周期中所述第三时间区间之前的时间区间以及所述第三时间区间。
在执行步骤S701后,电子设备分别执行步骤S702和步骤S703。
所述第二学习周期中的多个时间区间的时长相同。所述第四时间区间的起始时间为所述第二学习周期的起始时间,所述第四时间区间的终止时间为所述第三时间区间的终止时间。关于第三时间区间、第四时间区间和第二学习周期,可以分别参照上述实施例中关于第一时间区间、第二时间区间和第一学习周期的介绍,此处不再详述。
可选的,所述多个时间区间中,每个时间区间内均存在用户学习行为。可选的,所述第二学习周期除包含所述多个时间区间外,还可以包含不存在用户学习行为的至少一个时间区间,则所述多个时间区间和所述至少一个时间区间组成所述第二学习周期。
可选的,所述多个时间区间可以为不连续的时间区间。
该步骤中,第三时间区间内用户对应的用户特征信息、个性化学习信息和学习时间信息用于作为网络模型的训练数据。关于用户对应的用户特征信息、个性化学习信息和学习时间信息的获取方式、包含的具体内容等可以参照上述实施例中的相关介绍,此处不再赘述。
S702:电子设备将所述用户特征信息、个性化学习信息和学习时间信息输入至网络模型中,得到网络模型输出的目标学习时间;其中,目标学习时间用于作为推荐给所述用户的在所述第三时间区间后进行学习的时间。
在执行步骤S702后,电子设备执行步骤S705。
在本申请一些实施例中,网络模型可以采用DQN网络实现。示例性的,如图8中所示,该DQN网络可以由3个卷积层和1个全连接层组成。其中,每个卷积层的卷积核大小可以为3×3,卷积核步长可以为2,卷积核数量可以为32个。全连接层可以确定N个候选学习时间及每个候选学习时间对应的概率,其中,N为正整数,N个候选学习时间为网络模型在第二学习周期中选择的候选学习时间,每个候选学习时间对应的概率用于表征在该候选学习时间进行学习的概率。全连接层可以将对应概率最大的候选学习时间作为目标学习时间并输出。其中,初始时网络模型的模型参数可以为设定的默认参数,后续当电子设备对网络模型进行优化后,网络模型的模型参数为优化后的参数。
可选的,上述DQN网络也可以实现为其它结构,例如可根据实际场景需求对图8所示的DQN网络的结构进行适当调整,本申请实施例中不做具体限制。网络模型也可以采用其它可用的网络实现,本申请实施例中不做具体限制。
其中,关于目标学习时间,可以参照上述实施例中的相关介绍,此处不再详述。
S703:电子设备根据所述个性化学习信息,对艾宾浩斯遗忘曲线进行优化,得到用户对应的个性化艾宾浩斯遗忘曲线;其中,所述个性化艾宾浩斯遗忘曲线用于表征用户在第三时间区间内完成学习后的记忆衰减趋势。
在执行步骤S703后,电子设备执行步骤S704。
在本申请一些实施例中,个性化学习信息至少包括属于行为特征信息的至少一个指标值,还可以包括属于学习效果评估信息的至少一个指标值,具体可参照上述实施例中的相关介绍,此处不再详述。
电子设备根据所述个性化学习信息,对艾宾浩斯遗忘曲线进行优化,得到用户对应的个性化艾宾浩斯遗忘曲线的过程可以包括以下步骤1~步骤3:
步骤1:电子设备获取个性化学习信息中至少一个指标值对应的权重,其中,每个指标值对应的权重用于表征该指标值对用户学习效果的影响程度。
其中,不同指标值对应的权重可以是用户预先设置的。
示例性的,当个性化学习信息包括学习次数、学习时长、学习专注度、学习难易度、评测时长、评测分数时,各指标对应的权重可以为如下表1中所示的权重:
表1个性化学习信息权重表
其中,每个指标值对应的权重的取值可以为介于0和1之间的设定值。
示例性的,基于表1示例的场景,当学习次数为3,学习时长为1小时,学习难易度为困难,评测分数为70分,总分为100分时,可以确定学习次数对应的权重为0.6,学习时长对应的权重为1,学习专注度对应的权重为0.5,学习难易度对应的权重为0.3,评测时长对应的权重为0.3,评测分数对应的权重为0.7。
步骤2:电子设备根据所述至少一个指标值对应的权重,确定目标衰减系数,所述目标衰减系数用于表征用户学习过程中的记忆衰减程度。
作为一种可选的实施方式,电子设备可以将所述至少一个指标值对应的权重的累加和作为目标衰减系数。
作为另一种可选的实施方式,电子设备可以将所述至少一个指标值对应的权重的加权和作为目标衰减系数。其中,不同权重对应的加权权重可以为用户预先设置的值。
步骤3:电子设备根据所述目标衰减系数和艾宾浩斯遗忘曲线,确定用户对应的个性化艾宾浩斯遗忘曲线。
(传统的)艾宾浩斯遗忘曲线可以表示为:
M(t)=at-b
其中,M(t)为艾宾浩斯遗忘曲线的记忆保持率,即艾宾浩斯遗忘曲线的纵坐标;a为设定的记忆保持率系数,a为固定值;t为时间,即艾宾浩斯遗忘曲线的横坐标;b为控制艾宾浩斯遗忘曲线的衰减系数,b为设定的固定值。
在该步骤中,电子设备可以按照如下公式确定个性化艾宾浩斯遗忘曲线:
Iτ(t)=at-b/τ
其中,Iτ(t)为个性化艾宾浩斯遗忘曲线的记忆保持率,即个性化艾宾浩斯遗忘曲线的纵坐标;a为设定的记忆保持率系数(例如可以为100);t为时间,即个性化艾宾浩斯遗忘曲线的横坐标;b为控制艾宾浩斯遗忘曲线的衰减系数,b为设定值;τ为目标衰减系数。
在用户多次学习过程中,任一次学习后对应的个性化艾宾浩斯遗忘曲线可以表示为:
Iτ(t-T)=a(t-T)-b/τ
其中,Iτ(t-T)为个性化艾宾浩斯遗忘曲线的记忆保持率,即个性化艾宾浩斯遗忘曲线的纵坐标,T为该次学习的起始时间;a为设定的记忆保持率系数;t为时间,即个性化艾宾浩斯遗忘曲线的横坐标;b为控制艾宾浩斯遗忘曲线的衰减系数,b为设定值;τ为目标衰减系数。
其中,Iτ(t-T)与τ为正相关关系,τ越大,说明用户的学习效果越好,个性化艾宾浩斯遗忘曲线衰减的越慢。
基于上述方法,无论第三时间区间是第二学习周期中的哪个时间区间,电子设备均可以得到该第三时间区间内用户学习后的个性化艾宾浩斯遗忘曲线。
示例性的,图9为本申请实施例提供的一种多次学习过程中的个性化艾宾浩斯遗忘曲线的示意图。如图9中所示,首次学习后,用户的个性化艾宾浩斯遗忘曲线与图1中所示的传统艾宾浩斯遗忘曲线类似,衰减速度较快且衰减程度较大。但是在后续的多次学习(复习)过程中,用户的个性化艾宾浩斯遗忘曲线的衰减速度和衰减程度均逐渐减小,最后保持在较高的记忆保持率。图9中所示的个性化艾宾浩斯遗忘曲线所反映的记忆衰减趋势的变化情况更符合用户在实际学习过程中记忆衰减趋势的变化。
上述方法中,目标衰减系数是与用户学习行为相关的系数,能够用来缓解艾宾浩斯遗忘曲线的衰减程度,体现用户个性化的记忆保持率,因此个性化艾宾浩斯遗忘曲线所反映的记忆衰减趋势更符合用户实际的记忆衰减趋势,相比传统的艾宾浩斯遗忘曲线的准确度更高。
S704:电子设备根据所述个性化艾宾浩斯遗忘曲线,确定目标奖励值。在执行步骤S704后,电子设备执行步骤S705。具体的,电子设备可以按照如下公式确定目标奖励值:
rt-T=Iτ(t-T)-δ
其中,rt-T为目标奖励值,Iτ(t-T)为个性化艾宾浩斯遗忘曲线的记忆保持率,δ为设定的记忆保持率临界值。若Iτ(t-T)高于δ,则目标奖励值为正奖励,若Iτ(t-T)低于δ,则目标奖励值为负奖励。
上述方法中,个性化学习信息中至少一个指标对应的权重会直接影响个性化艾宾浩斯遗忘曲线的衰减状态,即上述的记忆衰减系数b。因此,对于不同难度的学习内容和不同记忆能力的用户,基于上述方法所确定的记忆衰减系数不同,进而会得到不同的遗忘曲线,最终反映出不同的奖励值。
S705:电子设备根据所述奖励值调整网络模型的模型参数。
其中,电子设备对网络模型进行训练的目标为最大化正奖励,因此,电子设备可以以最大化正奖励为目标,对网络模型的模型参数进行调整。
S706:电子设备确定网络模型是否收敛,若是,执行步骤S707,否则,执行步骤S701。
在本申请一些实施例中,电子设备可以重复执行上述步骤S701~S705,来进行网络模型的训练,直至确定网络模型收敛时,电子设备可以停止训练,并将此时得到的网络模型作为最终的时间预测模型。
可选的,在重复执行上述步骤S701~S705的过程中,电子设备可以将第二学习周期中存在用户学习行为的时间区间依次作为第三时间区间并进行相应处理。
S707:电子设备确定训练结束,将当前得到的网络模型作为时间预测模型。
强化学习源于生物的学习方式,在上述方法中,电子设备通过强化学习方式进行模型训练,可以将基于艾宾浩斯遗忘曲线的最佳学习时间的推荐方法转换为强化学习问题,在训练过程中,通过最大化正奖励即记忆保持率,最终能够学习到推荐学习时间的策略,得到时间预测模型。
在本申请一些实施例中,电子设备可以基于上述方法训练得到不同模式下所采用的时间预测模型,其中,不同模式下的时间预测模型在预测学习时间过程中选择学习时间的时间范围不同,不同模式下时间预测模型选择学习时间的时间范围属于模型的输入数据对应的学习周期。
用户可以选择进行学习时间推荐时所采用的模式。示例性的,在用户开始学习时,电子设备可以显示用于选择模式或控制模式切换的控件,用户可以通过该控件选择所需采用的模式。电子设备可以采用用户选择的模式对应的时间预测模型进行学习时间的预测。可选的,电子设备可以在学习界面中增加显示该控件。
在本申请一些实施例中,电子设备采用的模式可以包括长期学习模式和短期学习模式,在长期学习模式下,电子设备可以在较长的时间范围内选择用户对应的学习时间;在短期学习模式下,电子设备可以在较短的时间范围内选择用户对应的学习时间。
作为一种可选的实施方式,在长期学习模式下,电子设备可以将整个学习周期作为选择学习时间的时间范围。则时间预测模型在预测学习时间的过程中,可以从整个学习周期中选择N个候选学习时间,并从N个候选学习时间中确定最终推荐给用户的学习时间。
作为一种可选的实施方式,在短期学习模式下,上述时间范围为学习周期内的部分时间区间。该方式下,时间预测模型在预测学习时间的过程中,可以先从学习周期中选择一个时间范围,再从该时间范围中选择N个候选学习时间,并从N个候选学习时间中确定最终推荐给用户的学习时间。其中,时间预测模型可以根据总奖励或总记忆度确定该时间范围。可选的,时间预测模型可以分别确定学习时间周期内每个时间区间对应的记忆度/奖励值,从学习周期中选择记忆度/奖励值之和最大的设定数量个连续时间区间,或者从学习周期中选择记忆度/奖励值之和大于设定阈值的设定数量个连续时间区间,并将所选择的时间区间作为确定的时间范围,进而从该时间范围内选择推荐给用户的学习时间。
上述不同模式下的时间预测模型的训练过程可以参照图6所述的方法,此处不再详述。
在本申请一些实施例中,电子设备还可以在用户学习后,将用户的个性化艾宾浩斯遗忘曲线呈现给用户,以便用户以此为参考了解自身对学习内容的记忆程度和记忆度衰减趋势,进而更合理高效的安排后续学习。
参照图10,电子设备生成和显示用户对应的个性化艾宾浩斯遗忘曲线的一种方法可以包括:
S1001:电子设备获取第一时间区间内用户对应的个性化学习信息;其中,所述个性化学习信息包括用于表征所述用户学习行为特征的行为特征信息。
可选的,所述个性化学习信息还可以包括用于表征第一时间区间内用户的学习效果的学习效果评估信息。
该步骤的具体实施方式可以参照上述实施例中步骤S401中的相关介绍,此处不再重述。
S1002:电子设备根据所述个性化学习信息,对艾宾浩斯遗忘曲线进行优化,得到用户对应的个性化艾宾浩斯遗忘曲线;其中,所述个性化艾宾浩斯遗忘曲线用于表征用户在第一时间区间内完成学习后的记忆衰减趋势。
该步骤的具体实施方式可以参照上述实施例中步骤S702中的相关介绍,此处不再详述。
S1003:电子设备显示所述个性化艾宾浩斯遗忘曲线。
其中,电子设备可以在满足上述实施例中所述的条件1)~4)中的任一触发条件时,开始执行上述步骤S1001~S1003。
可选的,图10所示的方法可以与上述图4所示的方法同步执行,即电子设备在执行步骤S401后,可以同步执行步骤S402~403和步骤S1002~S1003。
可选的,电子设备在确定目标学习时间,并得到个性化艾宾浩斯遗忘曲线后,可以将目标学习时间和个性化艾宾浩斯遗忘曲线显示在同一界面中。
示例性的,电子设备可以在每次学习结束时,将确定的目标学习时间和个性化艾宾浩斯遗忘曲线显示给用户。例如,在用户的某次学习过程对应的时间区间为9月1日,电子设备确定的目标学习时间为9月4日时,电子设备可以在该次学习结束时显示如图11中所示的界面,该界面中包括最新确定的用户的个性化艾宾浩斯遗忘曲线以及用于提示用户可以在9月4日进行学习的提示信息。
上述方法中,通过将用户的个性化艾宾浩斯遗忘曲线显示给用户,能够使用户根据个性化艾宾浩斯遗忘曲线调整自身的学习行为,进而提高学习效果。
基于上述实施例提供的方法,对于同一用户学习不同内容的场景,在不同的学习过程中,电子设备可以得到不同的个性化艾宾浩斯遗忘曲线,并可以推荐不同的目标学习时间。对于不同用户学习同一内容的场景,电子设备也可能得到不同的个性化艾宾浩斯遗忘曲线,并推荐不同的目标学习时间。
在本申请一些实施例中,用户的个性化艾宾浩斯遗忘曲线反映的是用户的记忆遗忘规律,也间接反映了用户的兴趣变化,即用户对感兴趣的内容遗忘的较慢,对不感兴趣的内容遗忘的较快,因此上述实施例提供的方案也可以应用于针对用户的兴趣识别和推荐的场景中。例如可以根据确定的用户个性化遗忘曲线的记忆衰减程度确定用户对学习内容是否感兴趣,进而确定用户感兴趣的内容并可以为用户推荐类似的内容等。
需要说明的是,上述实例提供的具体实施流程,仅是对本申请实施例适用方法流程的举例说明,其中各步骤的执行顺序可根据实际需求进行相应调整,还可以增加其它步骤,或减少部分步骤。
基于以上实施例及相同构思,本申请实施例还提供一种学习时间推荐方法,如图12中所示,该方法包括:
S1201:电子设备获取第一信息,所述第一信息用于表征第一用户的用户特征。示例性的,电子设备获取的第一信息可以为上述实施例中所述的用户特征信息。第一信息的内容、电子设备获取第一信息的方法等可以参照上述实施例中所述的方法,此处不再赘述。
S1202:电子设备获取第二信息,所述第二信息包括第一特征信息,所述第一特征信息用于表征第一用户在第一时间区间内的学习行为特征。
示例性的,电子设备获取的第二信息可以为上述实施例中所述的个性化学习信息。所述第一特征信息可以为上述实施例中所述的行为特征信息。
可选的,所述第二信息还可以包括第二特征信息,所述第二特征信息用于确定所述第一用户的学习效果。示例性的,所述第二特征信息可以为上述实施例中所述的学习效果评估信息。
第二信息的内容、电子设备获取第二信息的方法等可以参照上述实施例中所述的方法,此处不再赘述。
S1203:电子设备获取第三信息,所述第三信息用于指示所述第一用户在第二时间区间内的学习时间,所述第二时间区间包含所述第一时间区间以及所述第一时间区间之前设定时长的历史时间区间。
示例性的,电子设备获取的第三信息可以为上述实施例中所述的学习时间信息。所述第一时间区间、所述第二时间区间可以参照上述实施例中的相关介绍。第三信息的内容、电子设备获取第三信息的方法等可以参照上述实施例中所述的方法,此处不再赘述。
S1204:电子设备根据所述第一信息、所述第二信息和所述第三信息,确定第一目标时间;其中,所述第一目标时间用于作为推荐给所述第一用户的学习时间。
示例性的,第一目标时间可以为上述实施例中所述的目标学习时间。在本申请一些实施例中,电子设备获取第一信息、第二信息、第三信息后,可以根据这些信息预测第一目标时间即推荐的下一次的学习时间。具体预测方法可以参照上述实施例中所述的方法,此处不再赘述。
S1205:电子设备显示所述第一目标时间。
在本申请一些实施例中,电子设备获取第二信息后,还可以根据第二信息以及传统的艾宾浩斯遗忘曲线,生成用于表征用户在第一时间区间后的记忆衰减趋势的第一遗忘曲线,并可以显示第一遗忘曲线,以便用户感知自身更准确的记忆衰减趋势。
示例性的,第一遗忘曲线可以为上述实施例中所述的个性化遗忘曲线。电子设备生成和显示第一遗忘曲线的方法可以参照上述实施例中所述的生成和显示个性化遗忘曲线的方法,此处不再赘述。
上述电子设备显示第一目标时间、第一遗忘曲线的时机,可以参照上述实施例中的相关介绍,此处不再赘述。
上述方法中,电子设备所执行的具体步骤可参阅前述实施例中相关的介绍,在此不再过多赘述。
基于以上实施例及相同技术构思,本申请实施例还提供一种电子设备,该电子设备用于实现本申请实施例提供的学习时间推荐方法。如图13中所示,电子设备1300可以包括:显示屏1301,存储器1302,一个或多个处理器1303,以及一个或多个计算机程序(图中未示出)。上述各器件可以通过一个或多个通信总线1304耦合。
其中,显示屏1301用于显示应用界面等相关用户界面。
存储器1302中存储有一个或多个计算机程序(代码),一个或多个计算机程序包括计算机指令;一个或多个处理器1303调用存储器1302中存储的计算机指令,使得电子设备1300执行本申请实施例提供的学习时间推荐方法。
具体实现中,存储器1302可包括高速随机存取的存储器,并且也可包括非易失性存储器,例如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储设备。存储器1302可以存储操作系统(下述简称系统),例如ANDROID,IOS,WINDOWS,或者LINUX等嵌入式操作系统。存储器1302可用于存储本申请实施例的实现程序。存储器1302还可以存储网络通信程序,该网络通信程序可用于与一个或多个附加设备,一个或多个用户设备,一个或多个网络设备进行通信。
一个或多个处理器1303可以是一个通用中央处理器(Central Processing Unit,CPU),微处理器,特定应用集成电路(Application-Specific Integrated Circuit,ASIC),或一个或多个用于控制本申请方案程序执行的集成电路。
需要说明的是,图13仅仅是本申请实施例提供的电子设备1300的一种实现方式,实际应用中,电子设备1300还可以包括更多或更少的部件,这里不作限制。
基于以上实施例及相同技术构思,本申请实施例还提供一种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程序,当计算机程序在计算机上运行时,使得计算机执行上述实施例提供的方法。
基于以上实施例及相同技术构思,本申请实施例还提供一种计算机程序产品,该计算机程序产品包括计算机程序或指令,当计算机程序或指令在计算机上运行时,使得计算机执行上述实施例提供的方法。
本申请实施例提供的方法中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本发明实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、网络设备、用户设备或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,简称DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机可以存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,数字视频光盘(digital video disc,简称DVD)、或者半导体介质(例如,SSD)等。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (15)
1.一种学习时间推荐方法,应用于电子设备,其特征在于,所述方法包括:
获取第一信息,所述第一信息用于表征第一用户的用户特征;
获取第二信息,所述第二信息包括第一特征信息,所述第一特征信息用于表征第一用户在第一时间区间内的学习行为特征;
获取第三信息,所述第三信息用于指示所述第一用户在第二时间区间内的学习时间,所述第二时间区间包含所述第一时间区间以及所述第一时间区间之前设定时长的历史时间区间;
根据所述第一信息、所述第二信息和所述第三信息,确定第一目标时间;其中,所述第一目标时间用于作为推荐给所述第一用户的学习时间;
显示所述第一目标时间。
2.如权利要求1所述的方法,其特征在于,在获取第二信息之后,所述方法还包括:
根据所述第二信息和艾宾浩斯遗忘曲线,生成第一遗忘曲线,所述第一遗忘曲线用于表征所述第一用户在所述第一时间区间后的记忆衰减趋势;
显示所述第一遗忘曲线。
3.如权利要求2所述的方法,其特征在于,在显示所述第一遗忘曲线之前,所述方法还包括:
接收第一操作,所述第一操作用于指示显示遗忘曲线。
4.如权利要求1~3任一所述的方法,其特征在于,在显示所述第一目标时间之前,所述方法还包括:
接收第二操作,所述第二操作用于指示显示推荐的学习时间。
5.如权利要求2所述的方法,其特征在于,在显示所述第一目标时间之前,或者,在显示所述第一遗忘曲线之前,所述方法还包括:
确定到达所述第一时间区间的结束时间;或者
确定到达所述第一时间区间内的设定时间;或者
确定所述第一用户停止学习。
6.如权利要求2、3或5所述的方法,其特征在于,所述第二信息包括至少一个指标值;
所述根据所述第二信息和艾宾浩斯遗忘曲线,生成第一遗忘曲线,包括:
获取至少一个权重;其中,所述至少一个权重包括所述至少一个指标值中每个指标值对应的权重,所述至少一个权重中的每个权重用于表征对应的指标值对所述第一用户的学习效果的影响程度;
根据所述至少一个权重,确定目标衰减系数;其中,所述目标衰减系数用于修正所述艾宾浩斯遗忘曲线的衰减趋势;
根据所述目标衰减系数和所述艾宾浩斯遗忘曲线,确定所述第一遗忘曲线。
7.如权利要求6所述的方法,其特征在于,所述第一遗忘曲线符合以下公式:
Iτ(t-T)=a(t-T)-b/τ
其中,Iτ(t-T)为所述第一遗忘曲线的记忆保持率,T为所述第一用户的学习时间,a为设定的记忆保持率系数,t为时间,b为设定的艾宾浩斯遗忘曲线的衰减系数,τ为目标衰减系数。
8.如权利要求6或7所述的方法,其特征在于,所述根据所述至少一个权重,确定目标衰减系数,包括:
将所述至少一个权重的累加和或加权和作为所述目标衰减系数。
9.如权利要求1~8任一所述的方法,其特征在于,所述第二信息还包括第二特征信息,所述第二特征信息用于确定所述第一用户的学习效果。
10.如权利要求9所述的方法,其特征在于,所述第二特征信息包括以下至少一项:所述第一用户学习的难易度,所述第一用户完成所学内容对应的评测试题所需的时间,所述第一用户完成所述评测试题得到的分数。
11.如权利要求1~10任一所述的方法,其特征在于,所述第一信息包括所述第一用户的性别和年龄。
12.如权利要求1~11任一所述的方法,其特征在于,所述第一特征信息包括以下至少一项:
所述第一时间区间内所述第一用户的学习次数;
所述第一时间区间内所述第一用户的学习时长;
所述第一时间区间内所述第一用户的学习专注度。
13.如权利要求1~12任一所述的方法,其特征在于,根据所述第一信息、所述第二信息和所述第三信息,确定第一目标时间,包括:
根据设定的时间预测模型,以及所述第一信息、所述第二信息和所述第三信息,确定所述第一目标时间;
其中,所述时间预测模型是基于强化学习方式训练生成的,所述时间预测模型用于表示所述第一信息、所述第二信息和所述第三信息与所述第一目标时间之间的对应关系。
14.一种电子设备,其特征在于,所述电子设备包括显示屏,存储器和一个或多个处理器;
其中,所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令;当所述计算机指令被所述一个或多个处理器执行时,使得所述电子设备通过所述显示屏执行如权利要求1~13任一所述的方法。
15.一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程序,当所述计算机程序在电子设备上运行时,使得所述电子设备执行如权利要求1~13任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211205025.6A CN117827917A (zh) | 2022-09-29 | 2022-09-29 | 一种学习时间推荐方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211205025.6A CN117827917A (zh) | 2022-09-29 | 2022-09-29 | 一种学习时间推荐方法及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117827917A true CN117827917A (zh) | 2024-04-05 |
Family
ID=90523406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211205025.6A Pending CN117827917A (zh) | 2022-09-29 | 2022-09-29 | 一种学习时间推荐方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117827917A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118098515A (zh) * | 2024-04-25 | 2024-05-28 | 徐州医科大学 | 一种基于退火算法的记忆增强方法及课程学习系统 |
-
2022
- 2022-09-29 CN CN202211205025.6A patent/CN117827917A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118098515A (zh) * | 2024-04-25 | 2024-05-28 | 徐州医科大学 | 一种基于退火算法的记忆增强方法及课程学习系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11023201B2 (en) | Electronic device for processing multi-modal input, method for processing multi-modal input and server for processing multi-modal input | |
CN107101665B (zh) | 运动信息提供方法及支持所述方法的电子装置 | |
CN108509168B (zh) | 设备及其控制方法 | |
US10360479B2 (en) | Device and method for processing metadata | |
CN108351697B (zh) | 包括多个显示器的电子设备和用于操作其的方法 | |
CN108476277B (zh) | 电子装置 | |
KR20190139062A (ko) | 맞춤형 화질 이미지를 제공하는 전자 장치 및 그 제어 방법 | |
US10917552B2 (en) | Photographing method using external electronic device and electronic device supporting the same | |
KR20170097888A (ko) | 복수의 디바이스들로부터 수집된 데이터 통합 및 제공 방법 및 이를 구현한 전자 장치 | |
KR20170086814A (ko) | 음성 인식 기능을 제공하는 전자 장치 및 그 동작 방법 | |
US10382907B2 (en) | Device and method for providing notification message about call request | |
CN114127713A (zh) | 一种图像显示方法与电子设备 | |
CN108604190B (zh) | 用于控制应用的电子装置及其操作方法 | |
KR20160043677A (ko) | 음성 태그를 이용한 이미지 관리 방법 및 그 장치 | |
KR20170053513A (ko) | 복수의 디스플레이들을 포함하는 전자 장치 및 그 동작 방법 | |
CN107885285B (zh) | 电子设备及其噪声控制方法 | |
CN106059555B (zh) | 电子设备及操作电子设备的方法 | |
KR20180071092A (ko) | 사용자의 시선 및 입력에 기반하여 제어되는 전자 장치, 모바일 전자 장치 및 디스플레이 장치 | |
KR102222711B1 (ko) | 쇼핑몰 관련 웹사이트를 제공하는 전자 장치 및 그 동작 방법 | |
CN117827917A (zh) | 一种学习时间推荐方法及电子设备 | |
KR102356345B1 (ko) | 전자 장치 및 그 제어 방법 | |
KR102434754B1 (ko) | 전자 장치 및 전자 장치의 컨텐츠 표시 방법 | |
KR102323797B1 (ko) | 전자 장치 및 그의 정보 공유 방법 | |
US11023480B2 (en) | Electronic device and method for providing information on work and personal life | |
US10334174B2 (en) | Electronic device for controlling a viewing angle of at least one lens and control method thereof |
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 |