JP6842538B2 - オンライン教育システムにおける教師推薦方法 - Google Patents

Description

本出願は、２０１７年１１月７日に提出した、出願番号が２０１７１１０８２４３２．１であり、出願人がＢＥＩＪＩＮＧ ＤＡＭＩ ＴＥＣＨＮＯＬＯＧＹ ＣＯ．， ＬＴＤ．であり、発明の名称が「オンライン教育システムにおける教師推薦方法」である中国特許出願に基づく優先権を主張し、当該出願のすべての内容を引用により本願に組み込む。

本発明は、教師推薦方法に関し、より具体的には、オンライン教育システムにおいて対象学習者に教師を推薦するための方法を提供する。

コンピュータネットワーク技術の急速な発展およびオンライン教育に関する需要の高まりに伴い、例えばオンラインコーストレーニングおよび英語教育をユーザに提供するためのいくつかのオンライン教育システムが市場に出現した。

学習者が独立して教師を選択することができるオンライン教育システムでは、学習者は一般にキーワードを入力することによって所望の教師を選択する。教師データベース内の教師の数が増えると、学習者の検索結果に含まれる教師の数も増え、その結果、学習者は最終的にどの教師を選ぶべきかを決定する前に大量の教師情報を閲覧する必要がある。一方、学習者はキーワードの組み合わせを使用することによって検索結果の数を減らすことができるが、キーワードの数の増加に伴いある関連性を持つ何人かの教師が除外されることが不可避であり、検索結果の正確性が低下してしまう。

したがって、どのようにして多数の教師から学習者に適合する教師を迅速に見つけることは、解決されるべき緊急の問題である。

上述した問題を解決するために、本発明は、オンライン教育システムにおいて対象学習者に教師を推薦するための方法および装置を提供する。

本発明の一態様では、オンライン教育システムにおいて対象学習者に教師を推薦するための方法を提供する。前記方法は、対象学習者の特徴情報を取得することと、前記対象学習者の特徴情報に基づいて教師データベースから適合する候補教師を検索して、少なくとも一人の候補教師を含む候補教師リストを取得することと、前記候補教師リスト内の各候補教師に対する前記対象学習者の受講予約確率を計算することと、算出された確率に基づいて前記候補教師リスト内の候補教師に対してランキングを作成し、ランク付けされた候補教師リストを対象学習者に提供することとを含む。

本発明の他の態様では、オンライン教育システムにおいて対象学習者に教師を推薦するための装置であって、プロセッサと、前記プロセッサによって実行される命令を格納するように構成されるメモリと、を備え、前記プロセッサは、対象学習者の特徴情報を取得することと、前記対象学習者の特徴情報に基づいて教師データベースから適合する候補教師を検索して、少なくとも一人の候補教師を含む候補教師リストを取得することと、前記候補教師リスト内の各候補教師に対する前記対象学習者の受講予約確率を計算することと、算出された確率に基づいて前記候補教師リスト内の候補教師に対してランキングを作成し、ランク付けされた候補教師リストを対象学習者に提供することと、を実行するように構成されるオンライン教育システムにおいて対象学習者に教師を推薦するための装置を提供する。

本発明の更なる他の態様では、コンピュータ可読媒体であって、プログラム命令を含み、前記プログラム命令は、対象学習者の特徴情報を取得することと、前記対象学習者の特徴情報に基づいて教師データベースから適合する候補教師を検索して、少なくとも一人の候補教師を含む候補教師リストを取得することと、前記候補教師リスト内の各候補教師に対する前記対象学習者の受講予約確率を計算することと、算出された確率に基づいて前記候補教師リスト内の候補教師に対してランキングを作成し、ランク付けされた候補教師リストを対象学習者に提供することと、を含む、オンライン教育システムにおいて対象学習者に教師を推薦するプロセスを達成するように、コンピュータによって実行されることができるコンピュータ可読媒体を提供する。

本発明に係る教師の推薦方法により、対象学習者の特徴情報に応じて候補教師を推薦することができ、それによって対象学習者が推薦された候補教師の講座を受講予約するか否かを決定することが容易になり、学習者の受講予約の成功率が効果的に向上され、オンライン教育システムの処理コストが削減される。

以上は本発明の概要であり、いくつかの詳細が簡略化、概括、あるいは省略されることがあるかもしれないが、当業者であれば、この部分が例示的な説明にすぎず、本発明の範囲を限定することを意図するものではないことを理解されたい。この概要の部分は、保護が求められる主題の主要な特徴または必要な特徴を特定することを意図するものでも、保護が求められる主題の範囲を決定する際の補助的手段として使用されることを意図するものでもない。

以下、添付図面を参照しながら行われた説明および特許請求の範囲により、本発明の上記および他の特徴は、より十分に理解されるであろう。これらの図面は本発明のいくつかの実施形態を例示したものに過ぎず、本発明の範囲を限定するものではないことを理解されたい。本発明の内容は、添付図面を参照することによってより明確かつ詳細に説明される。

図１は、本発明の一実施例によるオンライン教育システムを示す図である。 図２は、本発明の一実施例によるオンライン教育システムにおいて対象学習者に教師を推薦するための方法を示す図である。

以下の詳細な説明では、その一部を構成する添付の図面を参照する。添付図面において、コンテキストにおいて他に指示がない限り、類似の符号は通常に類似の構成要素を表す。詳細な説明、図面、および特許請求の範囲に記載されている例示的な実施形態は、限定的なものであることを意味していない。本発明の主題の精神または範囲から逸脱することなく他の実施形態を利用することができ、他の変更を加えることもできる。本明細書で一般的に説明され添付図面に示される本発明の様々な態様に基づいて、様々な異なる構成を配置、置換、組合せ、および設計を行うことができ、これらすべては明示的に想定されており、本発明の内容の一部を構成することを理解されたい。

図１は、本発明の一実施例によるオンライン教育システム１０を示す。

いくつかの実施例では、オンライン教育システム１０は、学習者用デバイス１２を含むことができ、学習者用デバイスは、デスクトップコンピュータ、ノートブックコンピュータ、または他のコンピューティングデバイスであってもよく、有線または無線ネットワークを介してインターネット１４に接続されることができる。他のいくつかの実施例では、学習者用デバイス１２は、ＷｉＦｉまたはモバイルデータ通信ネットワークなどの無線ネットワークを介してインターネット１４に接続することができる、Ａｎｄｒｏｉｄ（登録商標）またはＡｐｐｌｅ ＩＯＳ（登録商標）オペレーティングシステムを使用するモバイル通信端末などのスマートモバイル通信端末であってもよい。

いくつかの実施例では、オンライン教育システム１０は、教師用デバイス１８をさらに含むことができる。同様に、教師用デバイス１８は、デスクトップコンピュータ、ノートブックコンピュータ、または他のコンピューティングデバイスであってもよく、有線または無線ネットワークを介してインターネット１４に接続されることができる。他のいくつかの実施例では、教師用デバイス１８は、ＷｉＦｉまたはモバイルデータ通信ネットワークなどの無線ネットワークを介してインターネット１４に接続することができる、Ａｎｄｒｏｉｄ（登録商標）またはＡｐｐｌｅ ＩＯＳオペレーティングシステムを使用するモバイル通信端末などのスマートモバイル通信端末であってもよい。

いくつかの実施例では、オンライン教育システム１０は、授業サーバ１６をさらに含む。授業サーバ１６は、インターネット１４と有線または無線で接続されている。いくつかの実施例では、授業サーバ１６は、リソースを管理し、ユーザにサービスを提供する一般的に使用されるコンピュータデバイスであってもよく、プロセッサ、メモリ、および汎用コンピュータアーキテクチャ内の他の任意の構成要素を含んでもよい。オンライン教育システム１０では、学習者用デバイス１２と教師用デバイス１８の両方がインターネット１４を介して授業サーバ１６にアクセスすることができるので、授業サーバ１６は学習者用デバイス１２と教師用デバイス１６に情報処理、データの記憶および管理などのサービスを提供することができる。

いくつかの実施例では、オンライン教育システム１０は、学習者と教師との間で授業サービスを提供するために利用可能である。いくつかの実施例では、オンライン教育システム１０の学習者は、学習者用デバイス１２を介して、授業サーバ１６によって提供されたすべての教師の中から所望の教師を選択して、当該教師によって提供される授業サービスを受けることができる。所望の教師を確定した後、学習者は、受講予約することで当該教師へ受講の申し込みを提出することができる。教師が学習者からの受講予約申し込みを受け入れた後、オンライン教育システム１０は、特定の期間内に学習者と教師との間で授業サービスを手配することができる。いくつかの実施例では、学習者用デバイス１２および教師用デバイス１８のビデオ通話機能により、学習者および教師は、ビデオを通してリアルタイムで通信することができる。一実施例では、学習者は、授業サーバ１６によって提供される選別機能を通じて自分の所望の教師を検索することができる。別の実施例では、授業サーバ１６は、学習者が興味を持ちそうな教師を学習者へ積極的に推薦することができる。

図２は、本発明の一実施例によるオンライン教育システムにおいて対象学習者に教師を推薦するための方法１００を示す。当該方法１００の少なくとも一部は、例えば、図１に示されるオンライン教育システム１０の授業サーバ１６によって実行されてもよい。図１と組み合わせて、図２に示される方法１００は、以下のステップを含む。

ステップＳ１０２では、対象学習者の特徴情報を取得する。いくつかの実施例では、対象学習者の特徴情報は、対象学習者の個人パラメータおよび／または対象学習者の教師に対する操作行動記録を含む。

いくつかの実施例では、学習者は、オンライン教育システムのユーザとして登録した後に、いくつかの個人パラメータを入力するか、または他の方式で提供することができる。例えば、学習者は、自分の個人パラメータとして、自分の年齢、所在地域、学習レベル、購買力、性格、性別、および関心点を選択することができる。異なる個人パラメータは、特定の側面における学習者の特性を示し、オンライン教育システムが異なる学習者の特徴を識別するのに役立つ。たとえば、５歳の学習者と８歳の学習者は、言語表現力や理解力が異なる場合があるので、オンライン教育システムは、異なる年齢層の学習者に対して異なるサービスを提供したり、異なる推奨情報を提供したりすることができる。別の例として、女子学習者と男子学習者は異なる興味や考え方を持つ可能性があるので、オンライン教育システムは、異なる性別に応じて異なるサービスを提供したり、異なる推奨情報を提供したりすることもできる。

各学習者は異なる種類の複数の個人パラメータを有することができ、異なる種類の個人パラメータの組み合わせは学習者の特徴を示すために使用することもできることを理解されたい。たとえば、５歳の女子学習者向けに提供されるサービスは、８歳の男子学習者向けに提供されるサービスとは異なっていてもよい。

いくつかの実施例では、オンライン教育システム１０は、例えば授業サーバ１６に統合されているか、または授業サーバ１６によってアクセス可能な学習者データベースを含んでもよい。学習者データベースは、当該オンライン教育システムに登録された学習者に対応する個人パラメータを含む。

なお、個人パラメータは、学習者自身によって提供される標準化されたデータまたは学習者の保護者によって提供される標準化されたデータ（例えば、複数の候補個人パラメータから適切な個人パラメータを選択することによって提供される）であってもよい。いくつかの実施例では、学習者は、いくつかの個人説明または紹介を提供してもよく、オンライン教育システムは、これらの個人説明または紹介から対応する個人パラメータを抽出するためのパラメータ抽出プログラムまたはアルゴリズムを提供することが可能である。例えば、学習者は、その個人説明で「私は上海出身で、今年は６歳です」というように紹介すると、オンライン教育システムは、特定のプログラムまたはアルゴリズムを使用して、「所在地域：上海、年齢：６歳」という個人パラメータを取得することができる。

上述したように学習者によって積極的に提供された個人パラメータまたは関連情報に加えて、学習者は、オンライン教育システムを使用する過程で教師に対するいくつかの操作行動記録を生成することができる。いくつかの実施例では、教師に対する操作行動記録は、閲覧行動記録、受講予約行動記録および／またはフォロー行動記録を含んでもよい。例えば、学習者の閲覧行動記録は、学習者の教師関連ページに関する閲覧回数を含んでもよく、学習者の受講予約行動記録は、学習者の教師への講座の受講予約回数を含んでもよく、学習者のフォロー行動記録は、学習者が教師をフォローしているか否かということを含んでもよい。

具体的には、学習者は、オンライン教育システムにログインして、いくつかの教師の個人ページを検索および閲覧して、教師の基本情報を了解することができる。例えば、教師の個人ページは、当該教師のプロフィール写真、性格、所在地域、年齢、学歴、教育経験、特長、授業時間、学習者の評価、フォロワー人数などを含んでもよい。いくつかの実施例では、オンライン教育システムは、特定の教師の個人ページに対して特定の学習者の各閲覧行動を記録して当該学習者の閲覧行動記録を生成することが可能である。例えば、オンライン教育システムは、学習者Ａが教師Ａの個人ページを１０回、教師Ｂの個人ページを５回閲覧したことなどを記録することが可能である。学習者は学習の異なる段階で異なる関心点および学習目標を有する可能性があるので、いくつかの実施例では、学習者の閲覧行動記録は、例えば、先週、直近の１ヶ月、直近の３ヶ月または直近の１年などの段階的な閲覧行動記録であってもよい。学習者は異なる時間に同じ教師を繰り返して閲覧することができるので、閲覧行動記録は閲覧回数および／または毎回に閲覧する具体的な時間をさらに含むことができることを理解されたい。

実際の受講予約プロセスでは、自分に適合した教師が確定された後、学習者はシステムを通して教師に対して受講予約を申し込み、所定の時間に当該教師からの授業サービスを受ける。いくつかの実施例では、オンライン教育システムは、特定の教師に対する特定の学習者の毎回の受講予約行動を記録する。例えば、オンライン教育システムは、学習者Ａが教師Ａに対して講座の受講を１０回予約し、教師Ｂに対して講座の受講を５回予約したというように記録することが可能である。ある場合、例えば、意外事件、事故、個人の都合などの様々な原因で、学習者は受講予約後に予約時間通りに講座を受講することができない可能性があることを理解されたい。したがって、いくつかの実施例では、受講予約行動記録は、受講予約後に予約時間通りに講座を受講していなかった行動を含まなくてもよいが、他のいくつかの実施例では、受講予約行動記録は、受講予約後に予約時間通りに受講した行動および受講していなかった行動を含むことが可能である。また、閲覧行動記録と同様に、受講予約行動記録は、段階的または非段階的な行動記録であってもよい。学習者が異なる時間に同じ教師によって提供された講座を複数回受講することができるので、受講予約行動記録は、受講予約の回数および／または毎回の受講予約の具体的な時間をさらに含むことが可能であることを理解されたい。

いくつかの実施例では、学習者は、教師の個人ページを閲覧した後、その教師が自分に適合していると感じた場合、まず当該教師をフォローすることができる。例えば、教師の個人ページに「フォロー」ボタンを設けてもよく、学習者は「フォロー」ボタンをクリックすることによって自分のフォローリストに当該教師を追加することができる。いくつかの実施例では、オンライン教育システムは、特定の学習者が特定の教師をフォローしているか否かを記録することが可能である。例えば、オンライン教育システムは、学習者Ａが教師Ａ、教師Ｂ、教師Ｃなどをフォローしていることを記録することが可能である。

前記学習者の教師に対する操作行動記録は、教師によって提供される講座に関する学習者の関心を反映したので、その後の教師の推薦に使用可能であることを理解されたい。いくつかの実施例では、１種の操作行動の操作行動記録に基づいて後続の処理を実行してもよい。他のいくつかの実施例では、複数種の操作行動の組み合わされた記録に基づいて後続の処理を実行してもよい。さらに、所望により、異なる種類の操作行動記録について、対応する優先度または重みを設定することも可能である。たとえば、閲覧行動やフォロー行動と比較して、受講予約行動は、学習者が実際に教師の講座を受講したかまたは受講しようとしていることを意味するため、高い重みを設定することができる。さらに、フォロー行動に比して、閲覧行動は、学習者がまだ教師を選択する過程にあることを表しているだけであり、学習者が閲覧された教師を選択するか否かをまだ決定していないので、閲覧行動には低い重みを設定することができる。

さらに、各教師に対して学習者の操作行動も対応して記録されてもよいことに留意されたい。例えば、ある教師に対して、その教師をフォローしている学習者のリストを含む対応するフォロー記録を付与してもよい。また、別の例として、ある教師に対して、その教師の講座を受講予約した学習者のリストを含む対応する授業記録を付与してもよい。

次に、ステップＳ１０４では、前記対象学習者の特徴情報に基づいて教師データベースから適合する候補教師を検索して、少なくとも一人の候補教師を含む候補教師リストを取得する。いくつかの実施形態では、オンライン教育システムは、学習者に選択されるすべての教師、および各教師の個人パラメータを含む教師データベースを備える。

いくつかの実施例では、教師データベースから候補教師を検索するための対象学習者の特徴情報は、対象学習者の個人パラメータおよび／または対象学習者の教師に対する操作行動記録を含んでもよい。ただし、教師に対する操作行動記録は、閲覧行動記録、受講予約行動記録および／またはフォロー行動記録を含んでもよい。

一実施例では、対象学習者の個人パラメータに基づいて教師データベースから適合する候補教師を検索して、少なくとも一人の候補教師を含む候補教師リストＴＬｉｓｔ１を取得することが可能である。例えば、オンライン教育システムは、年齢、所在地域、学習レベル、購買力、性格、性別、および関心点など、すべての学習者の個人パラメータを記録する学習者データベースを含むことが可能である。一実施例では、ある学習者が６歳である場合、オンライン教育システムは、６歳であるすべての学習者によってクリックされた教師のリストを取得することができる。また、別の例として、ある学習者が上海の６歳の女の子である場合、オンライン教育システムは、所在領域が上海であるすべての学習者によってクリックされた教師、年齢が６歳である学習者によってクリックされた教師、および女子学習者によってクリックされた教師を取得し、その後、線形加重法を使用して、上海にいる６歳の女の子がクリックした教師のリストを取得する。別の実施例では、教師リストは、対象学習者の個人パラメータと実質的に同じであるパラメータに基づいて取得することもできる。たとえば、上海にいる６歳の女の子のすべてがクリックした教師のリストを取得することができる。いくつかの好ましい実施例では、候補教師の数が所定の数の要件を満たすまでに、まず、複数のパラメータ（例えば、対象学習者の個人パラメータの数Ｍに依存するｎ個のパラメータ、ただし、ｎはＭより大きくない）が同一である場合に従って教師リストを取得することができ、複数のパラメータが同一である場合に取得された教師リストに含まれる候補教師の数が少ないと、少ないパラメータ（例えば、ｎ−１，ｎ−２，…，１）が同一である場合に従って教師リストを取得することができる。このようにして、候補教師の相関関係が改善されるだけでなく、パラメータの要件が厳しすぎることで十分な候補教師を確保できないという状況を回避することもできる。学習者が異なる種類および異なる数の個人パラメータを有するとき、少なくとも１人の候補教師を含む候補教師リストＴＬｉｓｔ１が同様の方法によって取得され得ることを理解されたい。本発明において言及される個人パラメータが同一であることは、上述のように、個人パラメータが実質的に同一である状況を含むことに留意されたい。いくつかの実施例では、対象学習者の個人パラメータと同一または実質的に同一であることは、個人パラメータのうちの少なくとも１つが同一である状況を含んでもよい。他のいくつかの実施例では、対象学習者の個人パラメータと同一または実質的に同一であることは、少なくとも２つ、３つまたはそれ以上の個人パラメータが同一である状況を含んでもよい。いくつかの実施例では、異なる個人パラメータに異なる優先度を設けてもよい。特に優先度の高いパラメータと一致する候補教師の数が少ない場合には、優先度の低い個人パラメータを無視してもよい。例えば、年齢、性別などのパラメータは比較的高い優先度に設定することができ、所在地域などは比較的低い優先度に設定することができる。

一実施例では、対象学習者の閲覧行動記録に基づいて教師データベースから適合する候補教師を検索して、少なくとも一人の候補教師を含む候補教師リストＴＬｉｓｔ２を取得することが可能である。上述したように、閲覧行動記録は、教師の関連個人ページの閲覧回数を含む。したがって、オンライン教育システムは、すべての学習者の全閲覧行動記録を記録することができる。学習者Ｓｉの場合、ｎ人の教師に対して生成された閲覧行動ベクトルは｛Ｔｉ１，Ｔｉ２，…，Ｔｉｊ，…，Ｔｉｎ｝であってもよい。ここで、Ｔｉｊは、学習者Ｓｉが教師Ｔｊに対して生成した閲覧行動の回数を表す。いくつかの実施例では、メタパス法を使用して、学習者Ｓ１と教師Ｔｊとの間の閲覧行動の類似度（ｓｉｍｉｌａｒｉｔｙ）を計算することができ、その類似度をＳｉｍｉ１（Ｓｉ，Ｔｊ）とする。メタパス法は、異種情報ネットワーク（Ｈｅｔｅｒｏｇｅｎｅｏｕｓ Ｉｎｆｏｒｍａｔｉｏｎ Ｎｅｔｗｏｒｋ，ＨＩＮ）で使用され、ＨＩＮ内の２つのノード間のエッジタイプとノードタイプを表すためのシーケンスである。メタパス法は、情報の抽出、意思決定などのアプリケーション分野に使用できる。メタパス法の詳細については、「Ｄｉｓｃｏｖｅｒｉｎｇ Ｍｅｔａ−Ｐａｔｈｓ ｉｎ Ｌａｒｇｅ Ｈｅｔｅｒｏｇｅｎｅｏｕｓ Ｉｎｆｏｒｍａｔｉｏｎ Ｎｅｔｗｏｒｋｓ， Ｃｈａｎｇｐｉｎｇ Ｍｅｎｇ ｅｔ． ａｌ， Ｗｏｒｌｄ Ｗｉｄｅ Ｗｅｂ Ｃｏｎｆｅｒｅｎｃｅ ２０１５， Ｍａｙ １８−２２， ２０１５， Ｆｌｏｒｅｎｃｅ， Ｉｔａｌｙ」を参照されたい。この論文のすべての内容は、引用により本明細書に組み込まれる。

対象学習者の閲覧行動記録に加えて、いくつかの実施例では、対象学習者Ｓｉと教師との間の閲覧行動の類似度は、対象学習者Ｓｉに関連する他の学習者の閲覧行動記録に基づいて決定されてもよい。例えば、学習者Ｓｉに推薦されたオンライン教育システムの学習者Ｓｋの閲覧行動記録、受講行動、およびフォロー行動記録を使用して、学習者Ｓｉと教師との間の閲覧行動の類似度を判断することができる。さらに、類似度を比較することにより、少なくとも１人の候補教師を含む候補教師リストＴＬｉｓｔ２を取得する。例えば、特定の対象学習者Ｓ１に対して、メタパス法を用いてｎ人の教師とのｎ個の類似度、すなわちＳｉｍｉ１（Ｓ１、Ｔ１）、Ｓｉｍｉ１（Ｓ１、Ｔ２）、…、Ｓｉｍｉ１（Ｓ１、Ｔｎ）を生成することができ、ｎ個の類似度を比較することにより対象学習者Ｓ１に推薦するための候補教師を確定することができる。

いくつかの実施例では、さらに対象学習者の受講行動記録およびフォロー行動記録に基づいて教師データベースから適合する候補教師を検索して、それぞれ少なくとも一人の候補教師を含む候補教師リストＴＬｉｓｔ３およびＴＬｉｓｔ４を取得することが可能である。ＴＬｉｓｔ３およびＴＬｉｓｔ４を取得する方法は、ＴＬｉｓｔ２を取得する方法と同様であり、本明細書ではこれ以上くどくど述べない。

いくつかの実施例では、ステップＳ１０４における候補教師リストとして、ＴＬｉｓｔ１、ＴＬｉｓｔ２、ＴＬｉｓｔ３、およびＴＬｉｓｔ４のうちのいずれかを別々に使用することができる。他のいくつかの実施例では、ステップＳ１０４における候補教師リストとして、ＴＬｉｓｔ１、ＴＬｉｓｔ２、ＴＬｉｓｔ３およびＴＬｉｓｔ４の集合を使用することができる。他の実施例では、ステップＳ１０４における候補教師リストとして、ＴＬｉｓｔ１、ＴＬｉｓｔ２、ＴＬｉｓｔ３およびＴＬｉｓｔ４のうちの任意の２つまたは３つからなる集合を使用することも可能である。上述のように、いくつかの実施例では、複数のリストの集合が採用される場合、異なるリスト内の要素に対して異なる重みまたは優先度が設定または割り当てられてもよい。

さらに、ステップＳ１０６では、前記候補教師リスト内の各候補教師に対する前記対象学習者の受講予約確率を計算する。

いくつかの実施例では、機械学習分野で一般的に使用されるロジスティック回帰法（ｌｏｇｉｓｔｉｃ ｒｅｇｒｅｓｓｉｏｎ）を使用して、対象学習者の候補教師に対する受講予約確率を予測することができる。ロジスティック回帰モデルを構築する際に使用可能な特徴は、学習者の特徴、教師の特徴、および／または学習者−教師の相関特徴を含むことを理解されたい。いくつかの実施例では、学習者特徴は、年齢、所在地域、学習レベル、購買力、性格、性別、および関心点からなる群より選ばれる少なくとも１つの項目を含んでもよい。たとえば、学習者Ｄａｖｉｄが９歳の男の子で、北京市東城区に住み、裕福な家庭（つまり購買力が高い）に暮らす場合、「ｓｔｕｄｅｎｔ＿ａｇｅ：９， ｓｔｕｄｅｎｔ＿ｇｅｎｄｅｒ：ｍａｌｅ， ｓｔｕｄｅｎｔ＿ａｒｅａ：Ｂｅｉｊｉｎｇ， ｓｔｕｄｅｎｔ＿ｐｕｒｃｈａｓｅ：ｈｉｇｈ」などのｋｅｙ＿ｖａｌｕｅの集合で当該学習者の特徴を表すことができる。教師の特徴は、年齢、所在地域、教育業界の勤務年数、卒業学校、評論数、評価スコア値、閲覧グループ、入職日数、およびフォロワー人数からなるパラメータ群より選ばれる少なくとも１つの項目を含んでもよい。たとえば、教師Ｇｒａｃｅが、３０歳の女性で、アメリカのロサンゼルスに住み、カリフォルニア州立大学を卒業し、８年間の教育経験があり、今まで学習者からの評価が平均得点で４．９９（５点満点）である場合は、「ｔｅａｃｈｅｒ＿ａｇｅ：３０，ｔｅａｃｈｅｒ＿ｇｅｎｄｅｒ：ｆｅｍａｌｅ，ｔｅａｃｈｅｒ＿ａｒｅａ：Ｌｏｓ Ａｎｇｅｌｅｓ， ｔｅａｃｈｅｒ＿ｅｘｐｅｒｉｅｎｃｅ：８， ｔｅａｃｈｅｒ＿ｒａｔｉｎｇ：４．９９」などのｋｅｙ＿ｖａｌｕｅの集合で当該教師の特徴を表すことができる。教師−学習者の相関特徴は、学習者の閲覧、学習者の受講予約、学習者のフォロー行動、学習者の評価および教師の評価からなるパラメータ群より選ばれる少なくとも１つの項目を含んでもよい。たとえば、上記の学習者Ｄａｖｉｄに対して、教師ＧｒａｃｅはＤａｖｉｄの候補教師のうちの１人である可能性があり、Ｄａｖｉｄの予約した講座の８０％がＧｒａｃｅにより提供されたものである場合、学習者−教師の相関特徴のうちの学習者講座予約（教師に関する学習者の好みを反映する）という特徴は０．８に設定されることが可能である。学習者の特徴、教師の特徴、および／または学習者−教師の相関特徴は、上に挙げた特徴以外のものを含み得ることを理解されたい。

例えば、学習者の特徴のうちの年齢、性別、所在地域、購買力、教師の特徴のうちの年齢、性別、所在地域、教育業界の勤務年数、評価スコア値、および学習者−教師の相関特徴のうちの学習者受講予約を選択して、上記の１０個の特徴を使用してロジスティック回帰モデルを構築して、候補教師リスト内の各候補教師に対する対象学習者の受講予約確率を計算することができる。前述したように、学習者Ｄａｖｉｄと教師Ｇｒａｃｅに関する学習者・教師ペアは、「ｓｔｕｄｅｎｔ＿ａｇｅ：９， ｓｔｕｄｅｎｔ＿ｇｅｎｄｅｒ：ｍａｌｅ， ｓｔｕｄｅｎｔ＿ａｒｅａ：Ｂｅｉｊｉｎｇ， ｓｔｕｄｅｎｔ＿ｐｕｒｃｈａｓｅ：ｈｉｇｈ， ｔｅａｃｈｅｒ＿ａｇｅ：３０， ｔｅａｃｈｅｒ＿ｇｅｎｄｅｒ：ｆａｍａｌｅ， ｔｅａｃｈｅｒ＿ａｒｅａ： Ｌｏｓ Ａｎｇｅｌｅｓ， ｔｅａｃｈｅｒ＿ｅｘｐｅｒｉｅｎｃｅ：８， ｔｅａｃｈｅｒ＿ｒａｔｉｎｇ：４．９９， ｓｔｕｄｅｎｔ＿ｔｅａｃｈｅｒ＿ｆａｖｏｕｒ：０．８」で表すことができ、次に、連続特徴量離散化と独立ホットコーディングの処理により、「ｓｔｕｄｅｎｔ＿ａｇｅ＿９：１，ｓｔｕｄｅｎｔ＿ｇｅｎｄｅｒ＿ｍａｌｅ：１，ｓｔｕｄｅｎｔ＿ａｒｅａ＿Ｂｅｉｊｉｎｇ：１，ｓｔｕｄｅｎｔ＿ｐｕｒｃｈａｓｅ＿ｈｉｇｈ：１，ｔｅａｃｈｅｒ＿ａｇｅ＿３０：１，ｔｅａｃｈｅｒ＿ｇｅｎｄｅｒ＿ｆａｍａｌｅ：１，ｔｅａｃｈｅｒ＿ａｒｅａ＿Ｌｏｓ Ａｎｇｅｌｅｓ：１，ｔｅａｃｈｅｒ＿ｅｘｐｅｒｉｅｎｃｅ＿８：１，ｔｅａｃｈｅｒ＿ｒａｔｉｎｇ＿（４−５］：１，ｓｔｕｄｅｎｔ＿ｔｅａｃｈｅｒ＿ｆａｖｏｕｒ＿（０．７，０．８］：１」のような高次元スパースベクトルが得られる。同様の方法を他の学習者・教師ペアに適用して大量のサンプルデータを取得し、さらにロジスティック回帰モデルを構築することができる。

いくつかの実施例では、学習者の特徴、教師の特徴および／または教師−学習者の相関特徴間の交差特徴を使用することによって、ロジスティック回帰モデルを構築することが可能である。学習者の特徴、教師の特徴、および／または学習者−教師の相関特徴のうちのいずれかの特徴は、交差特徴として選択可能であることを理解されたい。例えば、特徴の交差のために学習者の年齢および教師の年齢を選択するか、または学習者の学習レベルおよび教師の勤務年数を選択することができる。特徴の交差は、異なる特徴を互いに相互作用することを可能にし、それによって非線形性を導入する。

いくつかの実施例では、対象学習者の候補教師に関する受講予約確率をそれぞれ予測するために、異なる交差特徴を用いて複数のロジスティック回帰モデルを構築することができる。一つの好ましい実施例では、曲線下面積（Ａｒｅａ Ｕｎｄｅｒ Ｃｕｒｖｅ，ＡＵＣ）アルゴリズムを使用してそれぞれのロジスティック回帰モデルを評価し、評価スコア値が最も高いロジスティック回帰モデルを使用して講座予約確率を予測することが可能である。例えば、学習者特徴および教師特徴のうちの学習者のレベルおよび教師の勤務年数を交差特徴とし、または学習者特徴および教師特徴のうちの学習者性別および教師性別を交差特徴とし、または学習者特徴および教師特徴のうちの学習者のレベルおよび教師の年齢を交差特徴とすれば、３つのサンプルデータを生成することが可能となり、これによって３つの異なるロジスティック回帰モデルを構築することができる。これらの３つのロジスティック回帰モデルそれぞれは、３組の異なる交差特徴を使用し、当該３つのロジスティック回帰モデルを使用して候補教師リスト内の各候補教師に対する対象学習者の受講予約確率をそれぞれ計算する。最後に、当該３つのロジスティック回帰モデルをＡＵＣを使用して評価し、最も高い評価スコアを有するロジスティック回帰モデルの基本的特徴計算の確率を選択して次のステップに使用する。

ステップＳ１０８では、算出された確率に基づいて前記候補教師リスト内の候補教師に対してランキングを作成し、ランク付けされた候補教師リストを対象学習者に提供する。

いくつかの実施例では、候補教師をランク付けした後、受講予約確率が最も高い上位２０人の教師を対象学生に推薦する。言い換えれば、対象学生に提供されるランク付けされた候補教師リストは、２０人の教師を含む。他の実施例では、対象学生に提供されるランク付けされた候補教師リストは、２０人より多いまたは少ない教師を含むことが可能である。

取得された候補教師リストは、例えば、対象学習者の学習者用デバイスに表示することができ、対象学習者が各候補教師の紹介情報を閲覧することによって、ある候補教師またはいくつかの候補教師によって提供される講座を受講予約するか否かを決定することができることを理解されたい。いくつかの実施例では、対象学習者は、受講予約の請求を候補教師に送信することによって講座の受講予約を行うことができ、教師がその請求を受信し確認した後に受講予約が成功とされる。逆に、教師が何らかの理由で講座に規定された時間通りに授業できない場合、その請求を拒否するか、または対象学習者の確認のために新しい授業時間を提案することができる。他の実施例では、候補教師リストを学習者に提示すると同時に、各候補教師の将来のある期間（１日、１週間、２週間、または他の期間）内の現在選択可能な授業時間をシステムから呼び出すことができ、学習者はその中から適切な授業時間を選択することができる。このようにして、学習者が候補教師および対応する授業時間を選択した後、学習者の受講予約操作は、教師の確認なしに成功する。

いくつかの実施例では、本発明はまた命令を含む非一時的コンピュータ可読記憶媒体を提供し、例えば、命令を含むメモリが挙げられる。図２に示す方法１００を実施するために、前記命令は、図１に示されるような授業サーバ１６のプロセッサによって実行可能である。例えば、非一時的コンピュータ可読記憶媒体は、ＲＯＭ、ランダムアクセスメモリ（ＲＡＭ）、ＣＤ−ＲＯＭ、磁気テープ、フラッシュメモリ、ハードディスク、フロッピーディスクおよび光データ記憶装置などであってもよい。

本発明の実施例に係るオンライン教育システムのいくつかのモジュールまたはサブモジュールが本明細書の詳細な説明で言及されているが、これらは単なる例示的なもので、必須なものではないことに留意されたい。実際に、本発明の実施例によれば、上述した２つ以上のモジュールの特徴および機能は、１つのモジュール内に具現化されることが可能である。逆に、上述した１つのモジュールの特徴および機能は、さらに複数のモジュールに分割されて具現化されることが可能である。

また、本発明の方法の操作は図面において特定の順序で説明されているが、これらの操作がその特定の順序で実行されなければならないこと、または望ましい結果を達成するために示された操作のすべてが実行されなければならないことを意味しない。代わりに、フローチャートに描かれているステップは別の順序で実行されてもよい。追加的または代替的に、一部のステップを省略すること、いくつかのステップを１つのステップに組み合わせること、および／または１つのステップを複数のステップに分割することも可能である。

本明細書および図面、ならびに添付の特許請求の範囲を検討することで、開示された実施形態に関する他の変形形態が当業者によって理解され達成されることが可能である。特許請求の範囲において、単語「含む」は他の要素およびステップを排除するものではなく、「一」および「一つ」という表現は複数を排除するものではない。本発明の実際の応用において、一つの構成要素は、特許請求の範囲において引用される複数の技術的特徴の機能を実行可能である。請求項中の如何なる参照符号もそれらの範囲を限定するものとして解釈されるべきではない。

Claims (13)

1. オンライン教育システムにおいて対象学習者に教師を推薦するための方法であって、
   対象学習者の特徴情報を取得することと、
   前記対象学習者の特徴情報に基づいて教師データベースから適合する候補教師を検索して、少なくとも一人の候補教師を含む候補教師リストを取得することと、
   ロジスティック回帰法を使用して、前記候補教師リスト内の各候補教師に対する前記対象学習者の受講予約確率を予測することと、
   予測された確率に基づいて前記候補教師リスト内の候補教師に対してランキングを作成し、ランク付けされた候補教師リストを対象学習者に提供することとを含み、
   ロジスティック回帰法を使用して、前記候補教師リスト内の各候補教師に対する前記対象学習者の受講予約確率を予測することは、
   学習者特徴、教師特徴および／または教師−学習者の相関特徴間の交差特徴を使用することによってロジスティック回帰モデルを構築することと、
   曲線下面積アルゴリズムを使用してロジスティック回帰モデルを評価し、評価スコア値が最も高いロジスティック回帰モデルを使用して受講予約確率を予測することと、
   を更に含むことを特徴とするオンライン教育システムにおいて対象学習者に教師を推薦するための方法。
2. 前記対象学習者の特徴情報は、対象学習者の個人パラメータおよび／または対象学習者の教師に対する操作行動記録を含む、ことを特徴とする請求項１に記載の方法。
3. 前記対象学習者の個人パラメータは、年齢、所在地域、学習レベル、購買力、性格、性別、および関心点からなるパラメータ群より選ばれる少なくとも１つの項目を含む、ことを特徴とする請求項２に記載の方法。
4. 前記対象学習者の特徴情報は、対象学習者の個人パラメータを含み、
   前記対象学習者の特徴情報に基づいて前記教師データベースから適合する候補教師を検索することは、
   対象学習者の受講予約行動記録および／または同じ個人パラメータを有する他の学習者の受講予約行動記録を学習者データベースから取得し、前記受講予約行動記録に基づいて前記教師データベースから教師を選択して、前記対象学習者に適合する候補教師を確定することを含む、ことを特徴とする請求項２に記載の方法。
5. 前記対象学習者の教師に対する操作行動記録は、閲覧行動記録、受講予約行動記録および／またはフォロー行動記録を含む、ことを特徴とする請求項２に記載の方法。
6. 前記閲覧行動記録は、教師関連ページの閲覧回数を含み、前記受講予約行動記録は、教師に対する受講予約回数を含み、前記フォロー行動記録は、教師をフォローしているか否かということを含む、ことを特徴とする請求項５に記載の方法。
7. 前記対象学習者の特徴情報は、教師に対する操作行動記録を含み、
   前記対象学習者の特徴情報に基づいて前記教師データベースから適合する候補教師を検索することは、
   すべての学習者の同種類の操作行動記録を学習者データベースから取得し、前記対象学習者と他の各学習者との間の、異なる教師に関する操作行動の類似度を計算することと、
   計算された他の各学習者との間の操作行動の類似度に基づいて、前記他の各学習者から、前記対象学習者に推薦された学習者である関連学習者を決定し、前記関連学習者の操作行動記録に基づいて、前記教師データベースから教師を選別して、前記対象学習者に適合する候補教師を確定することとを含む、ことを特徴とする請求項２に記載の方法。
8. 前記学習者特徴は、年齢、所在地域、学習レベル、購買力、性格、性別、および関心点からなるパラメータ群より選ばれる少なくとも１つの項目を含む、ことを特徴とする請求項１に記載の方法。
9. 前記教師特徴は、年齢、所在地域、教育業界の勤務年数、卒業学校、評論数、評価スコア値、閲覧グループ、入職日数、およびフォロワー人数からなるパラメータ群より選ばれる少なくとも１つの項目を含む、ことを特徴とする請求項１に記載の方法。
10. 前記教師−学習者の相関特徴は、学習者の閲覧、学習者の受講予約、学習者のフォロー行動、学習者の評価、および教師の評価からなるパラメータ群より選ばれる少なくとも１つの項目を含む、ことを特徴とする請求項１に記載の方法。
11. オンライン教育システムにおいて対象学習者に教師を推薦するための装置であって、
    プロセッサと、
    前記プロセッサによって実行される命令を格納するように構成されるメモリと、を備え、
    前記プロセッサは、
    対象学習者の特徴情報を取得することと、
    前記対象学習者の特徴情報に基づいて教師データベースから適合する候補教師を検索して、少なくとも一人の候補教師を含む候補教師リストを取得することと、
    ロジスティック回帰法を使用して、前記候補教師リスト内の各候補教師に対する前記対象学習者の受講予約確率を予測することと、
    予測された確率に基づいて前記候補教師リスト内の候補教師に対してランキングを作成し、ランク付けされた候補教師リストを対象学習者に提供することとを実行するように構成され、
    ロジスティック回帰法を使用して、前記候補教師リスト内の各候補教師に対する前記対象学習者の受講予約確率を予測することは、
    学習者特徴、教師特徴および／または教師−学習者の相関特徴間の交差特徴を使用することによってロジスティック回帰モデルを構築することと、
    曲線下面積アルゴリズムを使用してロジスティック回帰モデルを評価し、評価スコア値が最も高いロジスティック回帰モデルを使用して受講予約確率を予測することと、
    を更に含むことを特徴とするオンライン教育システムにおいて対象学習者に教師を推薦するための装置。
12. コンピュータ可読媒体であって、プログラム命令を含み、前記プログラム命令は、
    対象学習者の特徴情報を取得することと、
    前記対象学習者の特徴情報に基づいて教師データベースから適合する候補教師を検索して、少なくとも一人の候補教師を含む候補教師リストを取得することと、
    ロジスティック回帰法を使用して、前記候補教師リスト内の各候補教師に対する前記対象学習者の受講予約確率を予測することと、
    予測された確率に基づいて前記候補教師リスト内の候補教師に対してランキングを作成し、ランク付けされた候補教師リストを対象学習者に提供することと、を含む、オンライン教育システムにおいて対象学習者に教師を推薦するプロセスを達成するように、コンピュータによって実行され、
    ロジスティック回帰法を使用して、前記候補教師リスト内の各候補教師に対する前記対象学習者の受講予約確率を予測することは、
    学習者特徴、教師特徴および／または教師−学習者の相関特徴間の交差特徴を使用することによってロジスティック回帰モデルを構築することと、
    曲線下面積アルゴリズムを使用してロジスティック回帰モデルを評価し、評価スコア値が最も高いロジスティック回帰モデルを使用して受講予約確率を予測することと、
    を更に含むことを特徴とするコンピュータ可読媒体。
13. コンピュータプログラムであって、
    前記コンピュータプログラムがプロセッサにより実行されると、請求項１ないし請求項１０のいずれか一項に記載の方法を実現させるコンピュータプログラム。

Images