[發(fā)明專利]一種基于模型的在線教育課程分配方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202010839501.4
• 申請(qǐng)日: 2020-08-19
• 公開（公告）號(hào): CN112037092A
• 公開（公告）日: 2020-12-04
• 發(fā)明（設(shè)計(jì)）人: 王強(qiáng)
• 申請(qǐng)（專利權(quán)）人: 王強(qiáng)
• 主分類號(hào): G06Q50/20
• 分類號(hào): G06Q50/20;G06Q10/06;G09B19/00
• 代理公司: 北京集智東方知識(shí)產(chǎn)權(quán)代理有限公司 11578
• 代理人: 吳倩

1.一種基于模型的在線教育課程分配方法，其中，所述方法包括：

獲得第一用戶的身份特征信息；

根據(jù)所述第一用戶的身份特征信息獲得所述第一用戶的第一基礎(chǔ)學(xué)科信息；

獲得所述第一用戶的第一課程信息；

判斷所述第一基礎(chǔ)學(xué)科信息與所述第一課程信息是否具有第一相關(guān)度；

當(dāng)所述第一基礎(chǔ)學(xué)科信息與所述第一課程信息具有第一相關(guān)度時(shí)，確定所述第一課程信息中的第一科目信息與第二科目信息；

獲得所述第一科目與所述第二科目的難度系數(shù)比值；

獲得所述第一用戶的作息時(shí)間信息；

根據(jù)所述第一科目與所述第二科目的難度系數(shù)比值與所述第一用戶的作息時(shí)間信息，獲得所述第一科目與所述第二科目的第一課時(shí)分配信息。

2.如權(quán)利要求1所述的方法，其中，所述獲得所述第一科目與所述第二科目的難度系數(shù)比值，包括：

獲得所述第一科目的第一影響因子信息；

獲得所述第二科目的第二影響因子信息；

將所述第一影響因子信息與所述第二影響因子信息分別輸入訓(xùn)練模型，其中，所述訓(xùn)練模型通過多組訓(xùn)練數(shù)據(jù)訓(xùn)練獲得，所述多組中的訓(xùn)練數(shù)據(jù)中的每一組訓(xùn)練數(shù)據(jù)均包括：所述第一影響因子信息或所述第二影響因子信息和用來標(biāo)識(shí)科目的引用等級(jí)的標(biāo)識(shí)信息；

獲得所述訓(xùn)練模型的輸出信息，其中，所述輸出信息包括所述第一科目的第一學(xué)科等級(jí)信息或所述第二科目的第二學(xué)科等級(jí)信息；

獲得所述第一科目的第一預(yù)期掌握度信息；

獲得所述第二科目的第二預(yù)期掌握度信息；

根據(jù)所述第一學(xué)科等級(jí)信息與所述第一預(yù)期掌握度信息，獲得所述第一科目的第一難度系數(shù)；

根據(jù)所述第二學(xué)科等級(jí)信息與所述第二預(yù)期掌握度信息，獲得所述第二科目的第二難度系數(shù)；

對(duì)比所述第一科目的第一難度系數(shù)與所述第二科目的第二難度系數(shù)，確定所述第一科目與所述第二科目的難度系數(shù)比值。

3.如權(quán)利要求2所述的方法，其中，所述獲得所述第一科目的第一影響因子信息，還包括：

獲得所述第一科目的第一個(gè)影響因子，并根據(jù)所述第一個(gè)影響因子生成第一校驗(yàn)碼，其中，所述第一校驗(yàn)碼與所述第一科目的第一個(gè)影響因子一一對(duì)應(yīng)；

獲得所述第一科目的第二個(gè)影響因子，并根據(jù)所述第二個(gè)影響因子和第一校驗(yàn)碼生成第二校驗(yàn)碼，其中，所述第二校驗(yàn)碼與所述第一科目的第二個(gè)影響因子一一對(duì)應(yīng)；

以此類推，獲得第一科目的第N個(gè)影響因子，并根據(jù)所述第N個(gè)影響因子和第N-1校驗(yàn)碼生成第N校驗(yàn)碼，其中，所述第N校驗(yàn)碼與所述第一科目的第N個(gè)影響因子一一對(duì)應(yīng)，且N為大于1的自然數(shù)；

將第一科目所有的影響因子和校驗(yàn)碼分別復(fù)制保存在M臺(tái)設(shè)備上，其中，M為大于1的自然數(shù)。

4.如權(quán)利要求2所述的方法，其中，所述用來標(biāo)識(shí)科目的引用等級(jí)的標(biāo)識(shí)信息，包括：

獲得所述第一科目的第一知識(shí)體系信息；

獲得所述第二科目的第二知識(shí)體系信息；

根據(jù)所述第一知識(shí)體系信息與所述第二知識(shí)體系信息，獲得用來標(biāo)識(shí)科目的引用等級(jí)的標(biāo)識(shí)信息。

5.如權(quán)利要求4所述的方法，其中，所述訓(xùn)練模型包括：

將所述用來標(biāo)識(shí)科目的引用等級(jí)的標(biāo)識(shí)信息作為監(jiān)督數(shù)據(jù)，輸入所述每一組訓(xùn)練數(shù)據(jù)中；

利用所述監(jiān)督數(shù)據(jù)對(duì)所述第一科目的第一影響因子信息或所述第二科目的第二影響因子信息輸入所述訓(xùn)練模型的過程進(jìn)行監(jiān)督學(xué)習(xí)，使所述訓(xùn)練模型的輸出信息達(dá)到收斂狀態(tài)。

6.如權(quán)利要求1所述的方法，其中，所述方法還包括：

根據(jù)所述第一課程信息獲得第二用戶信息；

獲得所述第二用戶的第一授課特征；

獲得所述第二用戶的第一課評(píng)信息；

將所述第二授課特征與所述第一課評(píng)信息結(jié)合，獲得所述第二用戶的第一綜合指標(biāo)；

判斷所述第一綜合指標(biāo)與所述第一用戶的第一身份特征信息的匹配度是否滿足第一預(yù)設(shè)閾值；

當(dāng)所述第一綜合指標(biāo)與所述第一用戶的第一身份特征信息的匹配度滿足第一預(yù)設(shè)閾值時(shí)，獲得所述第二用戶的授課科目分配信息。