TW201923696A - 在網路教學系統中推薦教師的方法 - Google Patents

在網路教學系統中推薦教師的方法 Download PDF

Info

Publication number
TW201923696A
TW201923696A TW107139431A TW107139431A TW201923696A TW 201923696 A TW201923696 A TW 201923696A TW 107139431 A TW107139431 A TW 107139431A TW 107139431 A TW107139431 A TW 107139431A TW 201923696 A TW201923696 A TW 201923696A
Authority
TW
Taiwan
Prior art keywords
teacher
student
candidate
target
teachers
Prior art date
Application number
TW107139431A
Other languages
English (en)
Inventor
沈亮
劉一丁
冷德維
張保福
Original Assignee
中國商北京大米科技有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 中國商北京大米科技有限公司 filed Critical 中國商北京大米科技有限公司
Publication of TW201923696A publication Critical patent/TW201923696A/zh

Links

Classifications

    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24578—Query processing with adaptation to user needs using ranking
    • 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
    • G06Q10/063112—Skill-based matching of a person or a group to a task
    • 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
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2282—Tablespace storage structures; Management thereof
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B5/00—Electrically-operated educational appliances

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Technology (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本發明提供了一種用於在網路教學系統中向目標學員推薦教師的方法。所述方法包括：獲取目標學員的特徵資訊；根據所述目標學員的特徵資訊從教師資料庫中檢索匹配的備選教師，以得到包括至少一名備選教師的備選教師列表；計算所述目標學員向所述備選教師列表中各個備選教師約課的機率；以及根據計算得到的機率對所述教師列表中的備選教師進行排序，並且向目標學員提供經排序的備選教師列表。

Description

在網路教學系統中推薦教師的方法
本發明涉及一種推薦教師的方法，更具體地，涉及一種用於在網路教學系統中向目標學員推薦教師的方法。
隨著電腦網路技術的快速發展，以及人們對網路教育的需求的增加，在市場上已經湧現出一些網路教學系統，用以向使用者提供例如線上的課程培訓、英語教學等。
在學員能夠自主選擇教師的網路教學系統中，學員往往通過輸入關鍵字來篩選自己心儀的教師。隨著教師資料庫中的教師的數量不斷增加，學員的篩選結果中的教師數量也會越來越龐大，這使得學員需要瀏覽大量的教師資訊，才能最終確定選擇哪一位教師。另一方面，雖然學員可以通過使用一組關鍵字來減小篩選結果的數量，但是關鍵詞數量的增加不可避免地會排除掉一些具有一定關聯性的教師，這降低了篩選結果的準確性。
因此，如何在大量的教師中快速地找到適合學員的教師，是一個迫切需要解決的問題。
為了解決上述問題，本發明提供一種用於在網路教學系統中向目標學員推薦教師的方法和裝置。
在本發明的一個方面，提供了一種用於在網路教學系統中向目標學員推薦教師的方法。所述方法包括：獲取目標學員的特徵資訊；根據所述目標學員的特徵資訊從教師資料庫中檢索匹配的備選教師，以得到包括至少一名備選教師的備選教師列表；計算所述目標學員向所述備選教師列表中各個備選教師約課的機率；以及根據計算得到的機率對所述教師列表中的備選教師進行排序，並且向目標學員提供經排序的備選教師列表。
可以看出，對於本發明的推薦教師的方法，其能夠根據目標學員的特徵資訊來推薦備選教師，以便於目標學員後續決定是否與被推薦的備選教師約課，這可以有效提高學員約課的成功率，減少了對網路教學系統的處理成本。
在本發明的另一方面，還提供了一種用於在網路教學系統中向目標學員推薦教師的裝置，所述裝置包括：處理器；以及記憶體，所述記憶體被配置成儲存由所述處理器執行的指令；其中所述處理器被配置成執行：獲取目標學員的特徵資訊；根據所述目標學員的特徵資訊從教師資料庫中檢索匹配的備選教師，以得到包括至少一名備選教師的備選教師列表；計算所述目標學員向所述備選教師列表中各個備選教師約課的機率；以及根據計算得到的機率對所述教師列表中的備選教師進行排序，並且向目標學員提供經排序的備選教師列表。
在本發明的又一方面，還提供了一種電腦可讀取記錄媒體，所述電腦可讀取記錄媒體包括程式指令，所述程式指令可由電腦執行以完成下述用於在網路教學系統中向目標學員推薦教師的過程：獲取目標學員的特徵資訊；根據所述目標學員的特徵資訊從教師資料庫中檢索匹配的備選教師，以得到包括至少一名備選教師的備選教師列表；計算所述目標學員向所述備選教師列表中各個備選教師約課的機率；以及根據計算得到的機率對所述教師列表中的備選教師進行排序，並且向目標學員提供經排序的備選教師列表。
以上為本發明的概述，可能有簡化、概括和省略細節的情況，因此本發明所屬技術領域中具有通常知識者應該認識到，該部分僅是示例說明性的，而不旨在以任何方式限定本發明範圍。本概述部分既非旨在確定所要求保護主題的關鍵特徵或必要特徵，也非旨在用作為確定所要求保護主題的範圍的輔助手段。
在下面的詳細描述中，參考了構成其一部分的圖式。在圖式中，類似的符號通常表示類似的組成部分，除非上下文另有說明。詳細描述、圖式和申請專利範圍中描述的例示說明性實施方式並非旨在限定。在不偏離本發明的主題的精神或範圍的情況下，可以採用其他實施方式，並且可以做出其他變化。可以理解，可以對本文中一般性描述的、在圖式中圖解說明的本發明內容的各個方面進行多種不同構成的配置、替換、組合，設計，而所有這些都在明確設想之中，並構成本發明內容的一部分。
圖1示出了根據本發明一個實施例的網路教學系統10。
在一些實施例中，網路教學系統10可以包括學員設備12，學員設備12可以是桌上型電腦、筆記型電腦或其他電腦設備，其可以通過有線或無線網路與互聯網14連接。在另一些實施例中，學員設備12也可以是智慧行動通信終端，例如使用Android或Apple IOS作業系統的行動通信終端，其可以通過無線網路、例如無線WiFi或行動資料通訊網路與互聯網14連接。
在一些實施例中，網路教學系統10還可以包括教師設備18。類似地，教師設備18也可以是桌上型電腦、筆記型電腦或其他電腦設備，其可以通過有線或無線網路與互聯網14連接。在另一些實施例中，教師設備18也可以是智慧行動通信終端，例如使用Android或Apple IOS作業系統的行動通信終端，其可以通過無線網路、例如無線WiFi或行動資料通訊網路與互聯網14連接。
在一些實施例中，網路教學系統10還包括教學伺服器16。教學伺服器16通過有線或者無線的方式與互聯網14連接。在一些實施例中，教學伺服器16可以是常用的能夠管理資源並為使用者提供服務的電腦設備，其可以包括處理器、記憶體、以及通用電腦架構中的任何其它部件。在網路教學系統10中，學員設備12和教師設備18都可以通過互聯網14來訪問教學伺服器16，從而使得教學伺服器16可以為學員設備12和教師設備16提供資訊處理、資料儲存和管理等服務。
在一些實施例中，網路教學系統10可以用於在學員和教師之間提供教學服務。在一些實施例中，網路教學系統10的學員可以通過學員設備12在教學伺服器16提供的所有教師中選擇一名心儀的教師，從而接受該名教師提供的教學服務。在確定自己心儀的教師之後，學員可以通過約課的方式向該名教師發起約課申請。在教師接受學員的約課申請後，網路教學系統10可以在特定的時間段內為學員和教師安排教學服務。在一些實施例中，通過學員設備12和教師設備18的視訊通話功能，學員和教師能夠以視訊的方式進行即時的交流和溝通。在某一實施例中，學員可以通過教學伺服器16提供的篩選功能查找自己心儀的教師。在另一實施例中，教學伺服器16能夠主動地向學員推薦學員可能感興趣的教師。
圖2示出了根據本發明一個實施例的用於在網路教學系統中向目標學員推薦教師的方法100。該方法100的至少一部分可以由例如圖1所示的網路教學系統10中的教學伺服器16執行。結合圖1所示，圖2所示的方法100包括：
步驟S102，獲取目標學員的特徵資訊。在一些實施例中，目標學員的特徵資訊包括：目標學員的個人參數和/或針對教師的操作行為記錄。
在一些實施例中，學員在註冊成為網路教學系統的使用者之後，可以輸入或以其他方式提供一些個人參數。例如，學員可以選擇自己的年齡、所在地區、學習水準、購買力、性格、性別和興趣點等等，以作為自己的個人參數。不同的個人參數表示了學員在某一方面的特性，其有助於網路教學系統識別不同學員的特點。例如，年齡為5歲的學員與年齡為8歲的學員在語言表達能力、理解能力上會有區別，因此網路教學系統可以針對不同年齡的學員提供不同的服務或提供不同的推薦資訊。再例如，女性學員和男性學員在興趣愛好和思維方式上會有區別，因此網路教學系統也可以根據性別的不同來提供不同的服務或提供不同的推薦資訊。
可以理解，每個學員可以具有不同類型的多個個人參數，而不同類型的個人參數的組合也可以被用於指示學員的特點。例如，針對5歲女性學員提供的服務可以不同於針對8歲男性學員提供的服務。
在一些實施例中，網路教學系統10可以包括學員資料庫，其例如整合在教學伺服器16中，或者可以被教學伺服器訪問。學員資料庫包括在該網路教學系統上註冊過的學員對應的個人參數。
需要說明的是，個人參數可以是學員自己提供的標準化資料，也可以是學員的監護人員提供的標準化資料（例如通過從多個備選個人參數中選擇一個適合的個人參數）。在一些實施例中，學員也可以提供一些個人描述或介紹，而網路教學系統可以提供一參數提取程式或演算法，以從這些個人描述或介紹中提取出對應的個人參數。例如，學員可能在其個人描述中介紹：“我來自上海，今年6歲”，那麼網路教學系統可以根據特定程式或演算法獲得以下個人參數：所在地區-上海，年齡-6歲。
除了上述學員主動提供的個人參數或相關資訊之外，在使用網路教學系統的過程中，學員會產生針對教師的一些操作行為記錄。在一些實施例中，針對教師的操作行為記錄可以包括：瀏覽行為記錄、約課行為記錄和/或關注行為記錄。例如，學員的瀏覽行為記錄可以包括學員瀏覽教師相關頁面的次數；學員的約課行為記錄可以包括學員向教師約課的次數；學員的關注行為記錄可以包括學員是否關注教師。
具體地，學員可以登錄網路教學系統，並且搜索、瀏覽一些教師的個人頁面，以瞭解教師的基本資訊。例如，教師的個人頁面可以包括該教師的頭像照片、性格、所在區域、年齡、教育背景、教學經歷、特長、授課時間、學員評價、被關注數等等。在一些實施例中，網路教學系統會記錄特定學員對於特定教師的個人頁面的每一次瀏覽行為，從而生成該學員的瀏覽行為記錄。例如，網路教學系統能夠記錄學員A瀏覽過教師A的個人頁面10次，瀏覽過教師B的個人頁面5次，等等。由於學員在不同的學習階段可能具有不同的興趣點和學習目標，因此，在一些實施例中，學員的瀏覽行為記錄可以是階段性地，例如最近一周、最近一個月，最近三個月或者最近一年的瀏覽行為記錄。可以理解，由於學員可能在不同時刻多次瀏覽同一教師，因此瀏覽行為記錄還可以包括瀏覽次數和/或各次瀏覽的具體時間。
在實際約課的過程中，在確定適合自己的教師之後，學員會通過系統向教師發起約課，並在預定的時間接受該教師的教學服務。在一些實施例中，網路教學系統會記錄特定學員對於特定教師每一次約課行為。例如，網路教學系統能夠記錄學員A向教師A發起過10次約課，向教師B發起過5次約課，等等。可以理解，在某些情況下，例如因為意外、事故、個人狀況等各種原因，學員可能不能夠在約課後按照約課時間上課。因此，在一些實施例中，約課行為記錄可以不包括約課後未按時上課的約課行為；但在另一些實施例中，約課行為記錄也可以包括約課後按時上課和未按時上課的約課行為。此外，類似於瀏覽行為記錄，約課行為記錄可以是階段性的行為記錄或非階段性的行為記錄。可以理解，由於學員可能在不同時刻多次接受同一教師的授課，因此約課行為記錄還可以包括約課次數和/或各次約課的具體時間。
在一些實施例中，在瀏覽過教師的個人頁面之後，學員如果覺得瀏覽的教師比較適合自己，可以先關注該教師。例如，教師的個人頁面上可以具有“關注”的按鍵，學員可以通過點擊“關注”的方式，將該教師添加到自己的關注列表中。在一些實施例中，網路教學系統會記錄特定學員是否關注了特定教師。例如，網路教學系統能夠記錄學員A關注了教師A、教師B、教師C等等。
可以理解，上述學員針對教師的操作行為記錄反映了學員對教師所教授課程的興趣，因而可以被用於後續的教師推薦。在一些實施例中，可以基於一種操作行為的操作行為記錄來進行後續處理，在另一些實施例中，也可以基於多種操作行為的組合記錄來進行後續處理。此外，可選地，對於不同類型的操作行為記錄，也可以設置相對應的優先順序或權重。例如，相比於瀏覽行為和關注行為，約課行為意味著學員已經實際接受了或計畫將要接受教師的授課，因此其可以設置較高的權重；而相比於關注行為，瀏覽行為更多表明學員僅僅還是處於選擇教師的過程中，學員對被瀏覽的教師是否滿意還不確定，因而瀏覽行為可以被設置為較低的權重。
另外需要注意的是，對於每位教師，學生針對其的操作行為也相應地被記錄下來。例如，某位教師可以有對應的關注記錄，其包括了所有關注其的學員列表；再例如，某位教師也可以有對應的授課記錄，其包括了與該教師約課的學員的列表。
接著，在步驟S104中，根據所述目標學員的特徵資訊從教師資料庫中檢索匹配的備選教師，以得到包括至少一名備選教師的備選教師列表。在一些實施方式中，網路教學系統包括教師資料庫，該教師資料庫包括可供學員選擇的所有教師，以及每個教師所具有的個人參數。
在一些實施例中，用於從教師資料庫中檢索備選教師的目標學員的特徵資訊可以是目標學員的個人參數和/或針對教師的操作行為記錄。其中，針對教師的操作行為記錄可以包括：瀏覽行為記錄、約課行為記錄和/或關注行為記錄。
在某一實施例中，可以根據目標學員的個人參數從教師資料庫中檢索匹配的備選教師，以得到包括至少一名備選教師的備選教師列表TList1。例如，網路教學系統可以包括學員資料庫，而學員資料庫記錄了所有學員的個人參數，例如年齡、所在地區、學習水準、購買力、性格、性別和興趣點。在某一實施例中，當某位學員的年齡是6歲時，網路教學系統可以獲得年齡為6歲的所有學員所點擊過的教師列表。再比如，當某位學員是位於上海的6歲小女孩時，網路教學系統分別獲得所在地區為上海的所有學員所點擊過的教師、年齡為6歲的學員所點擊過的教師、和性別為女的學員所點擊過的教師，然後使用線性加權的方式得到位於上海的6歲小女孩所點擊過的教師列表。在另一實施例中，也可以按照與目標學員個人參數基本相同的參數來獲取教師列表。例如，可以獲得所有位於上海的6歲小女孩所點擊過的教師的列表。在一些優選的實施例中，可以先按照多個參數（例如n個，取決於目標學員的個人參數的個數M，n不大於M）相同的情況獲取教師清單，在多個參數相同的情況下獲得的教師清單包含的備選教師數量較少時，可以再按照較少的參數（例如n-1、n-2…直至1個）相同來獲取教師列表，直到備選教師的數量符合預定的數量要求。這種方式既可以提高備選教師的相關性，也可以避免因參數要求過於嚴格而無法得到足夠多的備選教師。可以理解，當學員具有不同種類和不同數量的個人參數時，均可以通過類似方法獲得包括至少一名備選教師的備選教師列表TList1。需要說明的是，本發明中所提到的個人參數相同包括上述基本相同的情況。在一些實施例中，與目標學員個人參數相同或基本相同可以包括至少有一項個人參數相同的情況。在另一些實施例中，與目標學員個人參數相同或基本相同可以包括至少有兩項、三項或更多項個人參數相同的情況。在一些實施例中，還可以給不同的個人參數設定不同的優先順序，優先順序低的個人參數可以被不考慮，特別是在與優先順序高的參數匹配的備選教師數量較少時。例如，年齡、性別等參數可以設置為具有較高的優先順序，而所在地區等可以被設置為具有相對較低的優先順序。
在某一實施例中，可以根據目標學員的瀏覽行為記錄從教師資料庫中檢索匹配的備選教師，以得到包括至少一名備選教師的備選教師列表TList2。如上所述，瀏覽行為記錄包括瀏覽教師相關頁面的次數。相應地，網路教學系統會記錄所有學員的所有瀏覽行為記錄。對於學員Si，其對n位教師所產生的瀏覽行為向量可以是｛Ti1,Ti2…Tij,…Tin｝,其中Tij表示學員Si針對教師Tj所產生的瀏覽行為的次數。在一些實施例中，可以使用MetaPath的方法來計算學員Si和教師Tj之間的瀏覽行為的相似度（similarity），並將該相似度定位成Simi1(Si, Tj)。MetaPath方法是被用於異構資訊網路（Heterogeneous Information Network，HIN）中、用來表示HIN中兩個節點之間的邊類型以及節點類的序列。MetaPath方法可以被用於資訊提取、制定決策等應用領域。關於MetaPath方法的更多資訊，可以參見“Discovering Meta-Paths in Large Heterogeneous Information Networks, Changping Meng et. al, World Wide Web Conference 2015, May 18-22, 2015, Florence, Italy”。該論文的全部內容通過引用方式併入本發明。
除了目標學員個人的瀏覽行為記錄之外，在一些實施例中，還可以基於與目標學員Si有關聯的其他學員的瀏覽行為記錄來確定目標學員Si與教師之間的瀏覽行為的相似度。例如，向學員Si推薦該網路教學系統的學員Sk的瀏覽行為、上課行為、關注行為記錄，可以被用於確定學員Si與教師之間的瀏覽行為的相似度。進一步地，通過比較相似度的高低來獲得包括至少一名備選教師的備選教師列表TList2。例如，對於特定的目標學員S1，可以使用MetaPath的方法產生與n位教師的n個相似度Simi1(S1, T1)、Simi1(S1, T2)、……、Simi1(S1, Tn)，通過比較n個相似度的高低來確定用於向目標學員S1推薦的備選教師。
在一些實施例中，還可以根據目標學員的上課行為記錄和關注行為記錄從教師資料庫中檢索匹配的備選教師，以分別得到包括至少一名備選教師的備選教師列表TList3和TList4。獲得TList3和TList4的方法與獲得TList2的方法類似，在此不作贅述。
在一些實施例中，可以單獨地使用TList1、TList2、TList3和TList4中的任何一個作為在步驟S104中的備選教師列表。在另一些實施例中，可以使用TList1、TList2、TList3和TList4的集合作為在步驟S104中的備選教師列表。在其它實施例中，也可以使用TList1、TList2、TList3和TList4中的任意兩個或三個所形成的集合來作為在步驟S104中的備選教師列表。正如前述，在一些實施例中，在採用多個清單的集合的情況下，不同清單中的元素可以被設置或分配不同的權重或優先順序。
進一步，在步驟S106中，計算所述目標學員向所述備選教師列表中各個備選教師約課的機率。
在一些實施例中，可以使用機器學習領域常用的邏輯迴歸法（logistic regression）來預測目標學員向備選教師約課的機率。可以理解，在構建邏輯迴歸模型時，可以使用的特徵包括：學員特徵、教師特徵和/或學員-教師關聯特徵。在一些實施例中，學員特徵可以包括下述參數構成的組中的至少一項：年齡、所在地區、學習水準、購買力、性格、性別和興趣點。例如某學員David年齡9歲，男性，家住北京市東城區，家境富裕(代表購買力高)，則可以用[student_age:9, student_gender:male, student_area:Beijing, student_purchase:high]等key_value的集合形式來表示此學員的特徵。教師特徵可以包括下述參數構成的組中的至少一項：年齡、所在地區、教齡、畢業學校、評論數、評分值、瀏覽人群、入職天數和被關注數。例如某教師Grace年齡30歲，女性，居住於美國洛杉磯，畢業於加州州立大學，從事教學8年，截至目前為止學員對此老師評分平均分為4.99分（滿分5分），則可以用[teacher_age:30, teacher_gender:female, teacher_area: Los Angeles, teacher_experience:8, teacher_rating:4.99]等key_value的集合形式表示此教師特徵。教師-學員關聯特徵可以包括下述參數構成的組中的至少一項：學員瀏覽、學員約課、學員關注、學員評價和教師評價。例如，對於上面所提到的學員David，老師Grace可能是David的備選老師之一，並且David的約課中有80%是Grace的課程，則學員-教師關聯特徵中學員約課（體現學員對老師的偏好）這一特徵可設為0.8等等。且可以理解，學員特徵、教師特徵和/或學員-教師關聯特徵可以包括除上述列出的特徵之外的其它特徵。
例如，可以選擇學員特徵中的年齡、性別、所在地區、購買力，教師特徵中的年齡、性別、所在地區、教齡、評分值，以及學員-教師關聯特徵中的學員約課，從而用上述十個特徵來構建邏輯迴歸模型，以計算目標學員向備選教師列表中各個備選教師約課的機率。正如前面所提到的學員David和教師Grace這一學員與教師對（pair），可以用[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]來表示學員與教師pair,之後通過連續特徵離散化與獨立熱編碼處理，可以得到形如[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] 這樣一條高維稀疏向量。同樣的方法步驟可以被應用至其他的學員教師對，以得到大量的樣本資料，進而可以用來構建邏輯迴歸模型。
在一些實施例中，可以使用學員特徵、教師特徵和/或學員-教師關聯特徵之間的交叉特徵來構建邏輯迴歸模型。可以理解，學員特徵、教師特徵和/或學員-教師關聯特徵之中的任何特徵都可以被選擇作為交叉特徵。例如，可以選擇學員年齡和教師年齡進行交叉，或者學員學習水準和教師教齡之間進行交叉。特徵的交叉可以使得不同的特徵相互之間產生交互，從而引入非線性。
在一些實施例中，可以使用不同的交叉特徵來構建多個邏輯迴歸模型，以分別預測目標學員向備選教師約課的機率。在一個優選的實施例中，可以使用曲線下面積（Area Under Curve，AUC）演算法來評估各個邏輯迴歸模型，並且使用評估分最高的邏輯迴歸模型來預測約課機率。例如，利用學員特徵和教師特徵中的學員水準與教師教齡為交叉特徵，或者利用學員特徵和教師特徵中的學員性別與教師性別為交叉特徵，再或者利用學員特徵和教師特徵中的學員水準與教師年齡為交叉特徵，這樣就可以產生三份樣本資料，以此構建3個不同的邏輯迴歸模型。該3個邏輯迴歸模型分別使用三組不同的交叉特徵，然後分別使用該3個邏輯迴歸模型分別計算目標學員向備選教師列表中各個備選教師約課的機率。最後，使用AUC評價該3個邏輯迴歸模型，並且選擇評分最高的邏輯迴歸模型所基本特徵計算的機率以用於後續步驟。
在步驟S108中，根據計算得到的機率對所述教師列表中的備選教師進行排序，並且向目標學員提供經排序的備選教師列表。
在一些實施例中，在對備選教師進行排序之後，向目標學員推薦約課機率最高的前20名教師。換句話說，向目標學員提供經排序的備選教師列表包括20名教師。在其它實施例中，向目標學員提供的經排序的備選教師列表所包括的教師可以多於或少於20名。
可以理解，所獲得的備選教師列表可以被呈現在例如目標學員的學員設備上，並且目標學員可以通過瀏覽每位備選教師的介紹資訊來確定是否向某位或某幾位備選教師約課。在一些實施例中，目標學員可以通過向備選教師發送約課邀請來進行約課，而收到約課要求的教師接受約課邀請後，則約課成功；相反，如果教師如因授課時間等問題而無法按照約課邀請的時間授課，則其可以拒絕約課，或者提議新的授課時間以供目標學員確認。在另一些實施例中，在向學員呈現備選教師列表的同時，還可以從系統中調取每位元備選教師將來一段時間內（一天、一周、兩周或其他時間段）的當前可供選擇的授課時間，學員可以從中選擇適合的授課時間。這樣，在學員選定備選教師和對應的授課時間後，無需教師確認，學員的約課操作即成功。
在一些實施例中，本發明還提供了一種包括指令的非揮發性電腦可讀取記錄媒體，例如包括指令的記憶體，上述指令可由例如圖1所示的教學伺服器16的處理器執行，以實現圖2所示的方法100。例如，非揮發性電腦可讀取記錄媒體可以是ROM、隨機存取記憶體（RAM）、CD-ROM、磁帶、快閃記憶體、硬碟、軟碟和光資料存放裝置等。
應當注意，儘管在上文詳細描述中提及了本發明實施例的網路監控裝置的若干模組或子模組，但是這種劃分僅僅是示例性的而非強制性的。實際上，根據本發明的實施例，上文描述的兩個或更多模組的特徵和功能可以在一個模組中具體化。反之，上文描述的一個模組的特徵和功能可以進一步劃分為由多個模組來具體化。
此外，儘管在圖式中以特定順序描述了本發明方法的操作，但是，這並非要求或者暗示必須按照該特定順序來執行這些操作，或是必須執行全部所示的操作才能實現期望的結果。相反，流程圖中描繪的步驟可以改變執行順序。附加地或備選地，可以省略某些步驟，將多個步驟合併為一個步驟執行，和/或將一個步驟分解為多個步驟執行。
本發明所屬技術領域中具有通常知識者可以通過研究本說明書及圖式和所附的申請專利範圍，理解和實施對披露的實施方式的其他改變。在請求項中，措詞“包括”不排除其他的元素和步驟，並且措辭“一”、“一個”不排除複數。在本發明的實際應用中，一個部件可能執行請求項中所引用的多個技術特徵的功能。請求項中的任何圖式標記不應理解為對其範圍的限制。
10‧‧‧網路教學系統
12‧‧‧學員設備
14‧‧‧互聯網
16‧‧‧教學伺服器
18‧‧‧教師設備
S100‧‧‧方法
S102-S108‧‧‧步驟
通過下面結合圖式所做的說明和所附的申請專利範圍，將會更加充分地清楚理解本發明內容的上述和其他特徵。可以理解，這些圖式僅描繪了本發明內容的若干實施方式，因此不應認為是對本發明內容範圍的限定。通過參考圖式，本發明內容將會得到更加明確和詳細地說明。
圖1示出了根據本發明一個實施例的網路教學系統；
圖2示出了根據本發明一個實施例的用於在網路教學系統中向目標學員推薦教師的方法。

Claims (15)

  1. 一種用於在網路教學系統中向目標學員推薦教師的方法，其特徵在於，所述方法包括： 獲取目標學員的特徵資訊； 根據所述目標學員的特徵資訊從教師資料庫中檢索匹配的備選教師，以得到包括至少一名備選教師的備選教師列表； 計算所述目標學員向所述備選教師列表中各個備選教師約課的機率；以及 根據計算得到的機率對所述教師列表中的備選教師進行排序，並且向目標學員提供經排序的備選教師列表。
  2. 根據請求項1所述的方法，其特徵在於，所述目標學員的特徵資訊包括：目標學員的個人參數和/或針對教師的操作行為記錄。
  3. 根據請求項2所述的方法，其特徵在於，所述目標學員的個人參數包括由下述參數構成的組中的至少一項：年齡、所在地區、學習水準、購買力、性格、性別和興趣點。
  4. 根據請求項2所述的方法，其特徵在於，所述目標學員的特徵資訊包括目標學員的個人參數，根據所述目標學員的特徵資訊從所述教師資料庫中檢索匹配的備選教師的步驟包括： 從學員資料庫中獲取目標學員的約課行為記錄和/或具有相同個人參數的其他學員的約課行為記錄，根據所述約課行為記錄對所述教師資料庫中的教師進行篩選，以確定與所述目標學員匹配的備選教師。
  5. 根據請求項2所述的方法，其特徵在於，所述目標學員針對教師的操作行為記錄包括：瀏覽行為記錄、約課行為記錄和/或關注行為記錄。
  6. 根據請求項5所述的方法，其特徵在於，所述瀏覽行為記錄包括瀏覽教師相關頁面的次數；所述約課行為記錄包括向教師約課的次數；所述關注行為記錄包括是否關注教師。
  7. 根據請求項2所述的方法，其特徵在於，所述目標學員的特徵資訊包括針對教師的操作行為記錄，根據目標學員的操作行為記錄從所述教師資料庫中檢索匹配的備選教師的步驟包括： 從學員資料庫中獲取所有學員的相同類型的操作行為記錄，從而計算每個學員針對不同教師的操作行為相似度； 根據計算得到的操作行為相似度對所述教師資料庫中的教師進行篩選，以確定與所述目標學員匹配的備選教師。
  8. 根據請求項1所述的方法，其特徵在於，計算所述目標學員向所述備選教師列表中各個備選教師約課的機率的步驟包括： 使用邏輯迴歸法來預測目標學員向備選教師約課的機率。
  9. 根據請求項8所述的方法，其特徵在於，使用邏輯迴歸法來預測目標學員向備選教師約課的機率的步驟包括： 使用學員特徵、教師特徵和/或教師-學員關聯特徵之間的交叉特徵來構建邏輯迴歸模型。
  10. 根據請求項9所述的方法，其特徵在於，所述學員特徵包括下述參數構成的組中的至少一項：年齡、所在地區、學習水準、購買力、性格、性別和興趣點。
  11. 根據請求項9所述的方法，其特徵在於，所述教師特徵包括下述參數構成的組中的至少一項：年齡、所在地區、教齡、畢業學校、評論數、評分值、瀏覽人群、入職天數和被關注數。
  12. 根據請求項9所述的方法，其特徵在於，所述教師-學員關聯特徵包括下述參數構成的組中的至少一項：學員瀏覽、學員約課、學員關注、學員評價和教師評價。
  13. 根據請求項9所述的方法，其特徵在於，使用邏輯迴歸法來預測目標學員向備選教師約課的機率的步驟還包括： 使用曲線下面積演算法來評估邏輯迴歸模型，並且使用評估分最高的邏輯迴歸模型來預測約課機率。
  14. 一種用於在網路教學系統中向目標學員推薦教師的裝置，其特徵在於，所述裝置包括： 處理器；以及 記憶體，所述記憶體被配置成儲存由所述處理器執行的指令；其中 所述處理器被配置成執行： 獲取目標學員的特徵資訊； 根據所述目標學員的特徵資訊從教師資料庫中檢索匹配的備選教師，以得到包括至少一名備選教師的備選教師列表； 計算所述目標學員向所述備選教師列表中各個備選教師約課的機率；以及 根據計算得到的機率對所述教師列表中的備選教師進行排序，並且向目標學員提供經排序的備選教師列表。
  15. 一種電腦可讀取記錄媒體，其特徵在於，所述電腦可讀取記錄媒體包括程式指令，所述程式指令可由電腦執行以完成下述用於在網路教學系統中向目標學員推薦教師的過程： 獲取目標學員的特徵資訊； 根據所述目標學員的特徵資訊從教師資料庫中檢索匹配的備選教師，以得到包括至少一名備選教師的備選教師列表； 計算所述目標學員向所述備選教師列表中各個備選教師約課的機率；以及 根據計算得到的機率對所述教師列表中的備選教師進行排序，並且向目標學員提供經排序的備選教師列表。
TW107139431A 2017-11-07 2018-11-07 在網路教學系統中推薦教師的方法 TW201923696A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
??201711082432.1 2017-11-07
CN201711082432.1A CN110019392B (zh) 2017-11-07 2017-11-07 在网络教学系统中推荐教师的方法

Publications (1)

Publication Number Publication Date
TW201923696A true TW201923696A (zh) 2019-06-16

Family

ID=64949133

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107139431A TW201923696A (zh) 2017-11-07 2018-11-07 在網路教學系統中推薦教師的方法

Country Status (7)

Country Link
US (1) US10671620B2 (zh)
EP (1) EP3511882A1 (zh)
JP (1) JP6842538B2 (zh)
KR (1) KR102206256B1 (zh)
CN (1) CN110019392B (zh)
TW (1) TW201923696A (zh)
WO (1) WO2019091131A1 (zh)

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11836683B2 (en) * 2018-01-05 2023-12-05 Wyn.Net, Llc Systems and methods for electronic lesson management
US20200250608A1 (en) * 2019-01-31 2020-08-06 Dell Products L.P. Providing feedback by evaluating multi-modal data using machine learning techniques
CN112149941A (zh) * 2019-06-28 2020-12-29 上海掌学教育科技有限公司 一种智能排课系统和方法
CN110442794B (zh) * 2019-08-12 2023-03-31 上海时廊人工智能科技有限公司 一种分析师画像系统的构建方法
CN110751364A (zh) * 2019-09-10 2020-02-04 北京字节跳动网络技术有限公司 一种获取后备教师的方法、装置、介质和电子设备
CN110704737B (zh) * 2019-09-29 2022-10-11 百度在线网络技术（北京）有限公司 线上教学资源的匹配方法、装置、设备和介质
CN110766577B (zh) * 2019-10-16 2021-10-12 湖北美和易思教育科技有限公司 一种基于大数据平台的教师集群管理系统
CN110767009A (zh) * 2019-11-27 2020-02-07 洛阳师范学院 一种教学用师生互动系统
KR102414966B1 (ko) * 2019-11-29 2022-07-04 주식회사 플랙스 스마트 디바이스 기반 단위영역별 콘텐츠 제작이 가능한 디지털 학습 서비스 제공 방법
CN110909248A (zh) * 2019-12-03 2020-03-24 北京明略软件系统有限公司 一种教师推荐方法和装置
CN110942687A (zh) * 2019-12-26 2020-03-31 上海乂学教育科技有限公司 教学一体机及教学方法
KR102306841B1 (ko) * 2020-03-06 2021-09-29 주식회사 자란다 유아동의 방과 후 교육 매칭 방법 및 시스템
CN111223020A (zh) * 2020-03-20 2020-06-02 上海乂学教育科技有限公司 教学信息管理系统
KR102457945B1 (ko) * 2020-03-31 2022-10-24 이다커뮤니케이션즈(주) 퍼소나 모델 매칭을 이용한 아동-교사간 대면 방식 맞춤 컨텐츠 제공 장치 및 방법
US20220013029A1 (en) * 2020-07-07 2022-01-13 eLearning IP, LLC Augmented video interaction learning analysis platform
CN112152821B (zh) * 2020-09-23 2023-03-28 青岛海尔科技有限公司 定向通信方法和装置、存储介质及电子设备
CN112163119B (zh) * 2020-09-29 2021-10-26 食安快线信息技术(深圳)有限公司 大数据在线教育平台网课优化方法、系统及电子设备
CN112862643A (zh) * 2021-03-01 2021-05-28 深圳市微幼科技有限公司 一种多媒体远程教育平台系统
CN113434560A (zh) * 2021-05-28 2021-09-24 深圳思为科技有限公司 排序方法、电子设备及相关产品
CN114297481B (zh) * 2021-12-20 2024-09-06 北京快来文化传播集团有限公司 名师直播管理方法、设备和计算机可读存储介质
US11386368B1 (en) * 2022-03-04 2022-07-12 John Schneider Method for matching students with teachers to achieve optimal student outcomes
KR102519461B1 (ko) 2022-10-28 2023-04-10 주식회사 어썸스쿨 교육 학습 성취율 기반의 강사 훈련을 통한 강사 매칭 시스템
KR102552867B1 (ko) * 2022-12-20 2023-07-10 (주)위치스컬쳐 인공지능 모델을 이용한 사용자 성격 유형 분석 결과 맞춤형 악기, 강사 및 연습곡 추천 방법, 장치 및 시스템
CN116384840B (zh) * 2023-05-29 2023-08-22 湖南工商大学 一种课程推荐方法及相关设备
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
CN117172427B (zh) * 2023-11-01 2024-03-15 湖南强智科技发展有限公司 一种辅助高校学生选择课堂的方法、系统、设备及介质

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1301915A2 (en) * 2000-07-18 2003-04-16 Homework911.Com, Inc. Interactive online learning with student-to-tutor matching
JP2003132361A (ja) * 2001-10-29 2003-05-09 Sharp Corp オブジェクト選択装置および方法
JP2003241876A (ja) * 2002-02-20 2003-08-29 Fuji Xerox Co Ltd 遠隔操作機器表示装置及び遠隔操作機器表示方法
US20080070219A1 (en) * 2006-03-31 2008-03-20 Mark Golczewski Teacher assignment based on responsible authority or third-party attributes
US20100010914A1 (en) * 2006-12-15 2010-01-14 Nam-Kyo Park Apparatus and method for recommending lecture tailored to person, and connection terminal thereof
US8001056B2 (en) * 2008-09-19 2011-08-16 Yahoo! Inc. Progressive capture of prospect information for user profiles
JP5030000B2 (ja) * 2009-03-31 2012-09-19 Ｎｅｃフィールディング株式会社 教育支援システム、方法、及びプログラム
KR20120017390A (ko) * 2010-08-18 2012-02-28 병무 김 교육 제공 방법 및 교육 제공 서버
WO2014125587A1 (ja) * 2013-02-14 2014-08-21 発紘電機株式会社 プログラマブル表示器、そのプログラム
JP6158617B2 (ja) * 2013-07-11 2017-07-05 株式会社キャニオン・マインド 教育支援システム
US20150154721A1 (en) * 2013-12-02 2015-06-04 Talksession, Inc. System, apparatus and method for user to obtain service from professional
US20160267615A1 (en) * 2014-03-10 2016-09-15 Amit Mital Calculating an individual's national, state and district education and education environment index and recommending statistically proven methods of improvement tailored to input from a user such as a child's parent
CN103995839A (zh) * 2014-04-30 2014-08-20 兴天通讯技术（天津）有限公司 基于协同过滤的商品推荐优化方法和系统
US10354206B2 (en) * 2014-10-02 2019-07-16 Airbnb, Inc. Determining host preferences for accommodation listings
US10223742B2 (en) * 2015-08-26 2019-03-05 Google Llc Systems and methods for selecting third party content based on feedback
KR20170043824A (ko) * 2015-10-14 2017-04-24 김범준 온라인 학습 관리 방법, 시스템 및 컴퓨터 판독 가능한 기록 매체
CN105512256A (zh) * 2015-12-01 2016-04-20 深圳拼课邦科技有限公司 讲师信息推送方法及装置
US9767437B2 (en) * 2015-12-31 2017-09-19 Bryah Hr Solutions-Logistics, Llc Method and system for matching job seekers with job providers
CN105761182A (zh) * 2016-03-02 2016-07-13 深圳青豆教育科技有限公司 在线课程预约老师的方法及装置
US20170308866A1 (en) * 2016-04-22 2017-10-26 Microsoft Technology Licensing, Llc Meeting Scheduling Resource Efficiency
CN105787770A (zh) * 2016-04-27 2016-07-20 上海遥薇(集团)有限公司 一种基于nmf算法的大数据商品及服务推荐方法及系统
CN105824979A (zh) * 2016-06-07 2016-08-03 中国联合网络通信集团有限公司 课程推荐方法及其系统
JP2019527874A (ja) * 2016-06-21 2019-10-03 ピンポイント プレディクティヴ，インコーポレイテッド ユーザー匿名性を維持しつつ機械学習を使って行動データから心理測定プロファイルを予測すること
CN106778894A (zh) * 2016-12-29 2017-05-31 大连理工大学 一种学术异构信息网络中作者合作关系预测的方法

Also Published As

Publication number Publication date
JP6842538B2 (ja) 2021-03-17
CN110019392A (zh) 2019-07-16
EP3511882A4 (en) 2019-07-17
KR20190070911A (ko) 2019-06-21
JP2019537795A (ja) 2019-12-26
KR102206256B1 (ko) 2021-01-22
WO2019091131A1 (zh) 2019-05-16
US10671620B2 (en) 2020-06-02
US20190138614A1 (en) 2019-05-09
CN110019392B (zh) 2021-07-23
EP3511882A1 (en) 2019-07-17

Similar Documents

Publication Publication Date Title
TW201923696A (zh) 在網路教學系統中推薦教師的方法
US20240249632A1 (en) Systems and methods for autonomous creation of personalized job or career training,curricula
US20160378853A1 (en) Systems and methods for reducing search-ability of problem statement text
US10438500B2 (en) Job profile integration into talent management systems
US20210216560A1 (en) User customised search engine using machine learning, natural language processing and readability analysis
Ramdeen et al. A tale of two interfaces: How facets affect the library catalog search
US20140342325A1 (en) Automatically generating a curriculum tailored for a particular employment position
Pan et al. A MultiView courses recommendation system based on deep learning
Traphagan et al. Changes in college students' perceptions of use of web-based resources for academic tasks with Wikipedia projects: A preliminary exploration
Dai et al. The role of gender and employment status in MOOC learning: An exploratory study
Nelson et al. Information-seeking behaviour of students at a Caribbean University during the COVID-19 pandemic
Ghazali et al. Development and Validation of Student's MOOC-Efficacy Scale: Exploratory Factor Analysis.
Revilla Muñoz et al. The skills, competences, and attitude toward information and communications technology recommender system: an online support program for teachers with personalized recommendations
Pan et al. Exploring the impact of intelligent learning tools on students’ independent learning abilities: a PLS-SEM analysis of grade 6 students in China
Abrams et al. Sowing the seeds for more usable web archives: a usability study of Archive-It
Stanica et al. How to choose one’s career? a proposal for a smart career profiler system to improve practices from romanian educational institutions
Lillegraven et al. Design of a bayesian recommender system for tourists presenting a solution to the cold-start user problem
Paladino et al. Card sorting in an online environment: Key to involving online-only student population in usability testing of an academic library web site?
Walton et al. Testing two discovery systems: A usability study comparing student perceptions of EDS and primo
Bennett-Kapusniak Baby boomers and technology: Factors and challenges in utilizing mobile devices
Yu et al. Design of an algorithm for recommending elective courses based on collaborative filtering
CN112765326A (zh) 一种问答社区专家推荐方法、系统及应用
Whetstone Tracing paradigm shifts in information literacy: a progressive knowledge domain visualization approach
Sengottuvelan et al. A recommendation system for personal learning environments based on learner clicks
US20200394736A1 (en) System and methods for selecting at least one preferred education institution