[發明專利]基于大數據分析的個性化教育管理系統、方法、介質

在審

• 申請號: 202010526386.5
• 申請日: 2020-06-10
• 公開（公告）號: CN111667248A
• 公開（公告）日: 2020-09-15
• 發明（設計）人: 李文竹
• 申請（專利權）人: 李文竹
• 主分類號: G06Q10/10
• 分類號: G06Q10/10;G06Q50/20;G06F16/35;G06F16/951;G06F16/9532
• 代理公司: 廣州市紅荔專利代理有限公司 44214
• 代理人: 胡昌國

1.一種基于大數據分析的個性化教育管理的方法，應用于教師和學習者的交互，其特征在于，所述方法包括以下步驟：

步驟S101：預先在云平臺建立包括多種學習者特征的畫像數據庫，以及包括多個教學策略的策略數據庫，所述教學策略和所述學習者特征對應設有映射關系；

步驟S102：通過教師端獲取學習者在預設時間段內的歷史學習特征并將所述歷史學習特征量化；

步驟S103：根據所述歷史學習特征進行聚類，確定所述畫像數據庫中對應的學習者特征；

步驟S104：通過所述學習者特征，確定對應映射該學習者特征的教學策略；

步驟S105：爬取和所述學習者特征對應的多個相似詞；

步驟S106：通過所述相似詞進行自重建，形成學習者標簽；

步驟S107：將所述學習者標簽和所述教學策略通過學生端對學習者進行推薦。

2.如權利要求1所述的個性化教育管理方法，其特征在于，所述根據所述歷史學習特征進行聚類，確定所述畫像數據庫對應的學習者特征包括以下步驟：

步驟S1031：計算所述歷史學習特征和畫像數據庫的相關度，以獲得特征序列；

步驟S1032：對特征序列進行特征聚類，以獲得特征簇；

步驟S1033：在所述特征簇中代表性選擇與所述歷史學習特征對應的學習者特征。

3.如權利要求2所述的個性化教育管理方法，其特征在于，所述相關度的計算方法為皮爾森相關系數、余弦相似度算法、使用詞向量求平均、或者加權求平均計算相似度、基于文庫的詞語相關度的任一種。

4.如權利要求1所述的個性化教育管理方法，其特征在于，所述通過所述學習者特征，確定對應映射該學習者特征的教學策略包括以下步驟：

步驟S1041：將所述學習者特征作為鍵值輸入；

步驟S1042：根據預設的映射關系輸出對應所述學習者特征的教學策略；

其中，所述教學策略對應映射多個學習者特征，所述學習者特征包括學習者性別、昵稱、頭像、年齡段、年級、學科成績、學習效率的至少一種；所述歷史學習特征包括歷史學習成績、學習時長、學習科目、日常行為表現、學習習慣、當前排名、籍貫、學習時間段的任一種或者多種的組合。

5.如權利要求1所述的個性化教育管理方法，其特征在于，所述爬取和所述學習者特征對應的多個相似詞包括以下步驟：

步驟S1051：將所述學習者特征作為關鍵詞輸入至預設瀏覽器中，得到瀏覽器搜索后的html結果；

步驟S1052：定義頭文件，編碼所述關鍵詞，以爬取html結果中的相似詞；

步驟S1053：從新的文件中讀取所述相似詞并進行解析；

步驟S1054：通過cnki助手，補充所述相似詞。

6.如權利要求3所述的個性化教育管理方法，其特征在于，所述通過所述相似詞進行自重建，形成學習者標簽包括以下步驟：

步驟S1061：結合transformer模型和自注意力機制建立神經網絡結構；

步驟S1062：將所述相似詞作為神經網絡結構的輸入樣本，將transformer模型作為參數進行訓練并優化后得到目標函數；

步驟S1063：通過重復步驟S1061以及步驟S1062更新目標函數，直至達到設定的優化條件從而獲取預訓練模型；

步驟S1064：通過預訓練模型對相似詞進行重組，以獲得學習者標簽。

7.如權利要求6所述的個性化教育管理方法，其特征在于，所述結合transformer模型和自注意力機制建立神經網絡結構包括以下步驟：

步驟S10611：配置神經網絡結構的層數以及每層位置點數；

步驟S10612：設定神經網絡結構的第一層的每一個位置點只關注與自身不相鄰的位置點的信息；

步驟S10613：從第一層開始，設定每層的位置點均與上一層中自身位置以及相鄰的至少兩個位置點相互連接并關注；及

步驟S10614：配置神經網絡結構的最后一層為Softmax層。