CN113094404B - 一种大数据采集多核参数自适应分时记忆驱动方法及*** - Google Patents
一种大数据采集多核参数自适应分时记忆驱动方法及*** Download PDFInfo
- Publication number
- CN113094404B CN113094404B CN202110435723.4A CN202110435723A CN113094404B CN 113094404 B CN113094404 B CN 113094404B CN 202110435723 A CN202110435723 A CN 202110435723A CN 113094404 B CN113094404 B CN 113094404B
- Authority
- CN
- China
- Prior art keywords
- memory
- learning
- word
- review
- current
- 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.)
- Active
Links
- 230000015654 memory Effects 0.000 title claims abstract description 453
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012552 review Methods 0.000 claims abstract description 235
- 238000012360 testing method Methods 0.000 claims abstract description 133
- 238000012549 training Methods 0.000 claims abstract description 106
- 230000006870 function Effects 0.000 claims abstract description 98
- 238000000605 extraction Methods 0.000 claims abstract description 43
- 238000004364 calculation method Methods 0.000 claims description 63
- 230000003044 adaptive effect Effects 0.000 claims description 31
- 230000007787 long-term memory Effects 0.000 claims description 13
- 230000006403 short-term memory Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 7
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 7
- 239000010931 gold Substances 0.000 claims description 7
- 229910052737 gold Inorganic materials 0.000 claims description 7
- 230000003446 memory effect Effects 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000001052 transient effect Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims 15
- 239000002351 wastewater Substances 0.000 claims 1
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007786 learning performance Effects 0.000 description 2
- 230000035484 reaction time Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Educational Technology (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明提供了一种大数据采集多核参数自适应分时记忆驱动方法及***。该方案包括通过账户密码登入，获得当前学习次数，进行单词学习，生成单词的复习提示时间、测试题目、测试正确答案和测试答题时间限制；当用户完成复习任务后，生成每个单词的记忆指数和每个单词当前的记忆强度；根据记忆指数、记忆强度和当前记忆库存量，生成记忆库存量提取函数，计算黄金记忆在各记忆周期内的时间点；提取历史测试数据，通过历史数据训练获得目标训练函数，并确定所有用户的黄金记忆时间；综合生成各个单词的综合记忆强度评分。本方案通过学习次数、错误次数、记忆强度等多个核心参数针对性进行单词记忆，并给出每个学生的合理复习时间，提升学生的记忆效率。
Description
技术领域
本发明涉及外文记忆技术领域，更具体地，涉及一种大数据采集多核参数自适应分时记忆驱动方法及***。
背景技术
记忆力是进行学习的基础，对于每个人都有重要的作用。尤其是，在当下青少年教育过程中，如何有效的利用和提升自身的记忆能力对于提升青少年的学习成绩有重要的作用。而外文学习是教育中的重要环节，其对于记忆力的要求相比于其他学科的学习过程中的要求更高。因此，大量的单词和词汇，甚至是句子需要被强行记忆。单词记忆已经成为障碍外文学习的一个重要关卡。
现有的记忆方法多为依靠已有的理论知识，根据预设的经验进行对于学生的学习状态的判断，而无法获知每个学生的实际学习状态，进而针对性的给出学习和复习的建议时间，并针对性提出测试题目，导致学习过程中只能根据经验猜测每个单词的学习程度，主观的判断各个单词是否学习完成，或者是否已经学会。导致会的单词反复学，不会的单词反复忘。一方面，降低了学习效率，另一方面，也减少了复习次数，增大了遗忘的可能。
发明内容
鉴于上述问题，本发明提出了一种大数据采集多核参数自适应分时记忆驱动方法及***，本方案通过学习次数、错误次数、记忆强度等多个核心参数针对性进行单词记忆，并给出每个学生的合理复习时间，提升学生的记忆效率。
在本发明实施例第一方面，提供了一种大数据采集多核参数自适应分时记忆驱动方法。
在一个或多个实施例中，优选地，所述的一种大数据采集多核参数自适应分时记忆驱动方法包括：
通过账户密码登入，获得当前学习次数，所述当前学习次数为0时，进行单词学习，在收到第一更新学习状态命令后，记录第一单词学习范围和第一单词学习峰值；
根据所述第一更新学习状态命令、所述第一单词学习范围和所述第一单词学习峰值，生成单词的第一复习提示时间、第二复习提示时间、第三复习提示时间、测试题目、测试正确答案和测试答题时间限制；
通过账户密码登入，获得所述当前学习次数，所述当前学习次数不为0时，进行单词复习和学习，在收到第二更新学习状态命令后，记录当次单词学习范围和当次单词学习峰值；
根据所述第一复习提示时间、所述第二复习提示时间和所述第三复习提示时间向用户发出复习提示命令，当用户完成复习任务后，生成每个单词的记忆指数和每个单词当前的记忆强度；
根据所述记忆指数、所述记忆强度和当前记忆库存量，生成记忆库存量提取函数，并计算黄金记忆在各记忆周期内的时间点；
提取对应用户的历史测试数据，根据单个用户的历史数据进行特征提取，通过历史数据训练获得目标训练函数，并确定所有用户的黄金记忆时间；
获得每个用户的当前学习次数、错误次数、本次是否做对、所述记忆强度和所述记忆指数，综合生成每个用户的各个单词的综合记忆强度评分。
在一个或多个实施例中，优选地，所述通过账户密码登入，获得当前学习次数，所述当前学习次数为0时，进行单词学习，在收到第一更新学习状态命令后，记录第一单词学习范围和第一单词学习峰值，具体包括：
通过账户密码登入，获取所述当前学习次数，所述当前学习次数为0时，启动学习命令；
收到所述学习命令后，根据用户注册信息确定预设的学习类型，选择需要学习的单词库，并初始化学习任务顺序；
初始化所述当前学习次数和所述错误次数，其中，初始化后的所述当前学习次数和所述错误次数均为0次；
根据所述学习任务顺序，提取第一学习任务，其中，所述第一学习任务包括第一待记忆词汇和第一学习总时长；
执行所述第一学习任务，当所述第一学习总时长到达时，停止学习，并发出第一更新学习状态命令；
收到所述第一更新学习状态命令后，记录单词学习范围和单词学习峰值。
在一个或多个实施例中，优选地，所述根据所述第一更新学习状态命令、所述第一单词学习范围和所述第一单词学习峰值，生成单词的第一复习提示时间、第二复习提示时间、第三复习提示时间、测试题目、测试正确答案和测试答题时间限制，具体包括：
当接收到第一更新学习状态命令后，将所述当前学习次数加1，并保存所述当前学习次数，并开始第一复习时间的计时；
根据所述第一单词学习范围设置复习单词库，并根据单词库自动生成所述测试题目；
根据所述测试题目生成所述测试正确答案和所述测试答题时间限制；
根据所述第一单词学习峰值和所述第一单词学习范围，生成第一计算公式形式的当前单词记忆库存量提取函数；
根据所述当前单词记忆库存量提取函数，计算剩余80％单词库存量所需的时间为所述第一复习提示时间；
根据所述当前单词记忆库存量提取函数，计算剩余60％单词库存量所需的时间为所述第二复习提示时间；
根据所述当前单词记忆库存量提取函数，计算剩余40％单词库存量所需的时间为所述第三复习提示时间；
所述第一计算公式为：
其中，a0为初始记忆衰减指数，t为复习时间间隔，y0为当前单词记忆库存量。
在一个或多个实施例中，优选地，所述通过账户密码登入，获得所述当前学习次数，所述当前学习次数不为0时，进行单词复习和学习，在收到第二更新学习状态命令后，记录当次单词学习范围和当次单词学习峰值，具体包括：
通过账户密码登入，获取所述当前学习次数，所述当前学习次数不为0时，启动复习命令；
当收到复习命令后，获取当前的所述测试题目，根据所述测试正确答案和所述测试答题时间限制进行复习，复习完成后更新所述错误次数，并发出复习学习命令；
收到所述复习学习命令后，根据用户注册信息确定预设的学习类型，选择需要学习的单词库；
获取所述当前学习次数和所述错误次数，根据所述学习任务顺序，提取当前次学习任务，其中，所述当前次学习任务包括第二待记忆词汇和第二学习总时长；
执行所述当前次学习任务，当所述第二学习总时长到达时，停止学习，并发出第二更新学习状态命令；
收到所述第二更新学习状态命令后，记录当次单词学习范围和当次单词学习峰值。
在一个或多个实施例中，优选地，所述根据所述第一复习提示时间、所述第二复习提示时间和所述第三复习提示时间向用户发出复习提示命令，当用户完成复习任务后，生成每个单词的记忆指数和每个单词当前的记忆强度，具体包括：
自动判断所述第一复习提示时间是否到达，当判断其到达用后向用户发出第一短信提示，其中，第一短信提示内包括测试链接；
自动判断所述第二复习提示时间是否到达，当判断其到达用后向用户发出第二短信提示，其中，第二短信提示内包括测试链接和已经损失的记忆量估计；
自动判断所述第三复习提示时间是否到达，当判断其到达用后向用户发出第三短信提示，其中，第三短信提示内包括测试链接、已经损失的记忆量估计和可能全部遗忘风险提示；
用户根据测试链接登入完成测试后，生成每个单词的所述记忆指数和所述记忆强度。
在一个或多个实施例中，优选地，所述根据所述记忆指数、所述记忆强度和当前记忆库存量，生成记忆库存量提取函数，并计算黄金记忆在各记忆周期内的时间点，具体包括：
每间隔1天自动获取全部用户中所述当前学习次数不足10次的用户的所述记忆指数、所述记忆强度和当前记忆库存量，保存为临时存储记忆数据；
根据全部用户的所述临时存储记忆数据利用第二计算公式获得衰减指数；
根据所述衰减指数和所述第三计算公式计算每个用户的记忆库提取函数；
根据当前的每个用户的记忆库提取函数利用第四计算公式计算黄金记忆在各记忆周期内的时间点；
所述第二计算公式：
其中，a1i为第i个用户的所述衰减指数，k1i为第i个用户的所述记忆指数，k2i为第i个用户的所述记忆强度，k3i为第i个用户的所述当前记忆库存量，a0为初始记忆衰减指数，min为所有用户的临时存储记忆数据中的最小值，所述临时存储记忆数据为所述记忆指数、所述记忆强度和所述当前记忆库存量的加和；
所述第三计算公式：
其中，a1i为第i个用户的所述衰减指数，t为复习时间间隔，yi为第i个用户的所述当前单词记忆库存量；
所述第四计算公式：
其中，Ti为第i个用户的黄金记忆在各记忆周期内的时间点，Yi1为第i个用户的预设存储量，a1i为第i个用户的所述衰减指数，所述记忆周期包括瞬时记忆、短期记忆周期、长期记忆周期。
在一个或多个实施例中，优选地，所述提取对应用户的历史测试数据，根据单个用户的历史数据进行特征提取，通过历史数据训练获得目标训练函数，并确定所有用户的黄金记忆时间，具体包括：
获取全部用户的历史数据，对历史数据进行分类，生成单用户历史数据；
对根据单个用户历史数据进行提取特征，生成训练次数、复习间隔和训练后错误率；
设置训练模型为初始状态，初始状态的训练模型为第五计算公式形式；
将单个用户的历史数据按照训练次数顺序输入所述训练模型；
利用第六计算公式计算最优目标函数的取值；
利用第七计算公式获得在所述最优目标函数取值最小时的目标参数值；
根据当前的目标参数值，生成所述目标训练函数；
根据所述训练次数和复习间隔判断当前所在的记忆周期，其中，所述记忆周期包括瞬时记忆、短期记忆周期、长期记忆周期；
根据瞬时记忆、短期记忆周期和长期记忆周期内预设的黄金记忆点复习时间段进行归一化处理，并确定预期的单词损失比例；
根据所述预期的单词损失比例，利用所述目标训练函数，计算对应的复习间隔，作为下一次的黄金记忆时间；
计算所有用户的所述黄金记忆时间，并生成在所述黄金记忆时间下对应的所述测试题目；
所述第五计算公式为：
其中，fn(tk)为所述训练模型，Ak为第k次的训练参数值，tk为第k次复习的测试间隔，Tk()为所述目标训练函数的第k个部分，k和n均为正整数，k可取范围为1到n，n为用户已有数据组数；
所述第六计算公式为:
其中，L(yi,fn(ti))为所述最优目标函数，argmin为获取所述最优目标函数最小值时对应训练参数值的函数，Ak为第k次的训练参数值，yk为第k次的训练后错误率，tk为第k次复习的测试间隔，k和n均为正整数，k可取范围为1到n，n为用户已有数据组数；
所述第七计算公式为:
其中，L(yi,fn(ti))为所述最优目标函数，y为训练后错误率，
为预测的训练后错误率，yk为第k次的训练后错误率，tk为第k次复习的测试间隔，k和n均为正整数，k可取范围为1到n，n为用户已有数据组数。
在一个或多个实施例中，优选地，所述获得每个用户的当前学习次数、错误次数、本次是否做对、所述记忆强度和所述记忆指数，综合生成每个用户的各个单词的综合记忆强度评分，具体包括：
获取所述当前学习次数、所述错误次数、所述本次是否做对、所述记忆强度、所述记忆指数；
根据第八计算公式综合评价在线记忆效果；
输出每个单词的所述综合记忆强度评分；
所述第八计算公式为：
其中，b1j为第j个单词的所述当前学习次数，b2j为第j个单词的所述错误次数，b3j为第j个单词的所述本次是否做对，b4j为第j个单词的所述记忆强度，b5j为第j个单词的所述记忆指数，Pj为第j个单词的所述综合记忆强度评分，Qj为第j个单词的记忆强度评分，QMAX为所有单词的记忆强度评分中最大的一个。
在本发明实施例第二方面，提供了一种大数据采集多核参数自适应分时记忆驱动***。
在一个或多个实施例中，优选地，一种大数据采集多核参数自适应分时记忆驱动***包括：
首次学习模块，所述通过账户密码登入，获得当前学习次数，所述当前学习次数为0时，进行单词学习，在收到第一更新学习状态命令后，记录第一单词学习范围和第一单词学习峰值；
自动测试模块，所述根据所述第一更新学习状态命令、所述第一单词学习范围和所述第一单词学习峰值，生成单词的第一复习提示时间、第二复习提示时间、第三复习提示时间、测试题目、测试正确答案和测试答题时间限制；
复习学习模块，所述通过账户密码登入，获得所述当前学习次数，所述当前学习次数不为0时，进行单词复习和学习，在收到第二更新学习状态命令后，记录当次单词学习范围和当次单词学习峰值；
复习提示模块，所述根据所述第一复习提示时间、所述第二复习提示时间和所述第三复习提示时间向用户发出复习提示命令，当用户完成复习任务后，生成每个单词的记忆指数和每个单词当前的记忆强度；
第一复习测试时间确定模块，所述根据所述记忆指数、所述记忆强度和当前记忆库存量，生成记忆库存量提取函数，并计算黄金记忆在各记忆周期内的时间点；
第二复习测试时间确定模块，所述提取对应用户的历史测试数据，根据单个用户的历史数据进行特征提取，通过历史数据训练获得目标训练函数，并确定所有用户的黄金记忆时间；
综合评价模块，所述获得每个用户的当前学习次数、错误次数、本次是否做对、所述记忆强度和所述记忆指数，综合生成每个用户的各个单词的综合记忆强度评分。
根据本发明实施例第三方面，提供一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现本发明实施例第一方面中任一项所述的步骤。
本发明的实施例提供的技术方案可以包括以下有益效果：
1)本发明实施例通过对于学生历史数据的多次学习，获得目标训练函数，实时捕捉每位学生的当前状态，并根据此状态自适应制定黄金记忆时间和对应的测试题目，降低了学习遗忘的可能性；
2)本发明实施例对于每位学生的学习状态进行综合评价，生成了综合记忆强度，方便每位学生实时获知在学习后的学习效果，提高对于单词记忆效果的可读性；
3)本发明实施例通过对于不同学习次数和不同的记忆周期，采用不同的复习时间间隔的方式，确保每位学生能够根据自己自身的记忆特点自适应的变更学习状态，提升学习效率。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的一种大数据采集多核参数自适应分时记忆驱动方法的流程图。
图2是本发明一个实施例的一种大数据采集多核参数自适应分时记忆驱动方法中的通过账户密码登入，获得当前学习次数，所述当前学习次数为0时，进行单词学习，在收到第一更新学习状态命令后，记录第一单词学习范围和第一单词学习峰值的流程图。
图3是本发明一个实施例的一种大数据采集多核参数自适应分时记忆驱动方法中的根据所述第一更新学习状态命令、所述第一单词学习范围和所述第一单词学习峰值，生成单词的第一复习提示时间、第二复习提示时间、第三复习提示时间、测试题目、测试正确答案和测试答题时间限制的流程图。
图4是本发明一个实施例的一种大数据采集多核参数自适应分时记忆驱动方法中的通过账户密码登入，获得所述当前学习次数，所述当前学习次数不为0时，进行单词复习和学习，在收到第二更新学习状态命令后，记录当次单词学习范围和当次单词学习峰值的流程图。
图5是本发明一个实施例的一种大数据采集多核参数自适应分时记忆驱动方法中的根据所述第一复习提示时间、所述第二复习提示时间和所述第三复习提示时间向用户发出复习提示命令，当用户完成复习任务后，生成每个单词的记忆指数和每个单词当前的记忆强度的流程图。
图6是本发明一个实施例的一种大数据采集多核参数自适应分时记忆驱动方法中的根据所述记忆指数、所述记忆强度和当前记忆库存量，生成记忆库存量提取函数，并计算黄金记忆在各记忆周期内的时间点的流程图。
图7是本发明一个实施例的一种大数据采集多核参数自适应分时记忆驱动方法中的提取对应用户的历史测试数据，根据单个用户的历史数据进行特征提取，通过历史数据训练获得目标训练函数，并确定所有用户的黄金记忆时间的流程图。
图8是本发明一个实施例的一种大数据采集多核参数自适应分时记忆驱动方法中的获得每个用户的当前学习次数、错误次数、本次是否做对、所述记忆强度和所述记忆指数，综合生成每个用户的各个单词的综合记忆强度评分的流程图。
图9是本发明一个实施例的一种大数据采集多核参数自适应分时记忆驱动***的结构图。
图10是本发明一个实施例中一种电子设备的结构图。
具体实施方式
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
记忆力是进行学习的基础，对于每个人都有重要的作用。尤其是，在当下青少年教育过程中，如何有效的利用和提升自身的记忆能力对于提升青少年的学习成绩有重要的作用。而外文学习是教育中的重要环节，其对于记忆力的要求相比于其他学科的学习过程中的要求更高。因此，大量的单词和词汇，甚至是句子需要被强行记忆。单词记忆已经成为障碍外文学习的一个重要关卡。
现有的记忆方法多为依靠已有的理论知识，根据预设的经验进行对于学生的学习状态的判断，而无法获知每个学生的实际学习状态，进而针对性的给出学习和复习的建议时间，并针对性提出测试题目，导致学习过程中只能根据经验猜测每个单词的学习程度，主观的判断各个单词是否学习完成，或者是否已经学会。导致会的单词反复学，不会的单词反复忘。一方面，降低了学习效率，另一方面，也减少了复习次数，增大了遗忘的可能。
本发明实施例中，提供了一种大数据采集多核参数自适应分时记忆驱动方法及***。本方案通过学习次数、错误次数、记忆强度等多个核心参数针对性进行单词记忆，并给出每个学生的合理复习时间，提升学生的记忆效率。
在本发明实施例第一方面，提供了一种大数据采集多核参数自适应分时记忆驱动方法。
图1是本发明一个实施例的一种大数据采集多核参数自适应分时记忆驱动方法的流程图。
如图1所示，在一个或多个实施例中，优选地，所述的一种大数据采集多核参数自适应分时记忆驱动方法包括：
S101、通过账户密码登入，获得当前学习次数，所述当前学习次数为0时，进行单词学习，在收到第一更新学习状态命令后，记录第一单词学习范围和第一单词学习峰值；
具体的，在实施过程中本方案可以不限于进行单词的学习，也可以进行词汇和句子的学习。当进行词汇和句子学习时，对应的方案与进行单词学习方案一致。例如，可以为，通过账户密码登入，获得当前学习次数，所述当前学习次数为0时，进行句子学习，在收到第一更新学习状态命令后，记录句子学习范围和句子学习峰值；
S102、根据所述第一更新学习状态命令、所述第一单词学习范围和所述第一单词学习峰值，生成单词的第一复习提示时间、第二复习提示时间、第三复习提示时间、测试题目、测试正确答案和测试答题时间限制；
具体的，在生成测试题目时，还可以根据年级、版本、单元分类，通过逐个分析学习内容(单词或句子等)，记录每个用户对学习内容的学习过程中的各项参数(反应时间、正确次数、错误次数、正确率、错误率、遗忘间隔时间、遗忘间隔频率、记忆强度、记忆阶段、记忆难度、每一次的运算后的记忆时间等十几项参数)，进而生成新的测试题目和测试正确答案、测试答题时间限制；
S103、通过账户密码登入，获得所述当前学习次数，所述当前学习次数不为0时，进行单词复习和学习，在收到第二更新学习状态命令后，记录当次单词学习范围和当次单词学习峰值；
S104、根据所述第一复习提示时间、所述第二复习提示时间和所述第三复习提示时间向用户发出复习提示命令，当用户完成复习任务后，生成每个单词的记忆指数和每个单词当前的记忆强度；
S105、根据所述记忆指数、所述记忆强度和当前记忆库存量，生成记忆库存量提取函数，并计算黄金记忆在各记忆周期内的时间点；
在步骤S105中，黄金记忆在各记忆周期内的时间点是一个相对的时间比例。但是，并未真的直接获得具体的黄金记忆时间，真正产生的黄金记忆时间在步骤S106中完成。
S106、提取对应用户的历史测试数据，根据单个用户的历史数据进行特征提取，通过历史数据训练获得目标训练函数，并确定所有用户的黄金记忆时间；
具体的，所确定的所有用户的黄金记忆时间，包括了每个用户的黄金记忆时间。
S107、获得每个用户的当前学习次数、错误次数、本次是否做对、所述记忆强度和所述记忆指数，综合生成每个用户的各个单词的综合记忆强度评分。
具体的，在进行每个用户各单词的综合记忆强度计算时，还可以使用多核心参数，多核新参数还包括：反应时间、正确次数、错误次数、正确率、错误率、遗忘间隔时间、遗忘间隔频率、记忆强度、记忆阶段、记忆难度、每一次的运算后的记忆时间等十几项参数。
在具体实施过程中，步骤S106和步骤S107的顺序可以互换，不影响整个分时记忆驱动方法的正常运行。
在本发明实施例中，通过对于单个用户的多类信息的提取，生成了自动发放的测试题目，自适应调整的黄金记忆时间和全面综合的学习评价，能够有效提升每位学生的学习效率，降低学生学习英文单词的遗忘率。自动发放的测试题目是指生成单词的第一复习提示时间、第二复习提示时间、第三复习提示时间、测试题目、测试正确答案和测试答题时间限制；自适应调整的黄金记忆时间是指根据单个用户的历史数据进行特征提取，通过历史数据训练获得目标训练函数，并确定所有用户的黄金记忆时间；全面综合的学习评价是指获得每个用户的学习次数、错误次数、本次是否做对、记忆强度和当前档位，综合生成每个用户的各个单词综合强度评分。
图2是本发明一个实施例的一种大数据采集多核参数自适应分时记忆驱动方法中的通过账户密码登入，获得当前学习次数，所述当前学习次数为0时，进行单词学习，在收到第一更新学习状态命令后，记录第一单词学习范围和第一单词学习峰值的流程图。
如图2所示，在一个或多个实施例中，优选地，所述通过账户密码登入，获得当前学习次数，所述当前学习次数为0时，进行单词学习，在收到第一更新学习状态命令后，记录第一单词学习范围和第一单词学习峰值，具体包括：
S201、通过账户密码登入，获取所述当前学习次数，所述当前学习次数为0时，启动学习命令；
S202、收到所述学习命令后，根据用户注册信息确定预设的学习类型，选择需要学习的单词库，并初始化学习任务顺序；
S203、初始化所述当前学习次数和所述错误次数，其中，初始化后的所述当前学习次数和所述错误次数均为0次；
S204、根据所述学习任务顺序，提取第一学习任务，其中，所述第一学习任务包括第一待记忆词汇和第一学习总时长；
S205、执行所述第一学习任务，当所述第一学习总时长到达时，停止学习，并发出第一更新学习状态命令；
S206、收到所述第一更新学习状态命令后，记录单词学习范围和单词学习峰值。
具体的，注册用户将会存在其账户和密码，而每个注册用户将会在注册初期设定学习类型，其中，学习类型可以包括大学词汇、中学词汇、小学词汇等。
具体的，学习类型对应了已经预设的学习计划，可能包括几十个课或几十次学习，也可能是几百甚至更多，在本发明中不做限定。
在本发明实施例中，通过验证账户密码获知当前的学习次数，并根据学习次数提供下一步的复习和学习策略。其中，本部分重点是提供了在学习次数为0时的学习方案，该学习方案为首次设置，因此重点设置了学习的范围和学习的时长，并能够根据学习范围和学习时长的限定完成了用户的一次单词学习。在完成此次单词学习后，将会记录单词学习的范围和学习的峰值状态。其中，单词学习范围和学习的峰值是在后续进行复习和进行新的学习建立的数据基础。
图3是本发明一个实施例的一种大数据采集多核参数自适应分时记忆驱动方法中的根据所述第一更新学习状态命令、所述第一单词学习范围和所述第一单词学习峰值，生成单词的第一复习提示时间、第二复习提示时间、第三复习提示时间、测试题目、测试正确答案和测试答题时间限制的流程图。
如图3所示，在一个或多个实施例中，优选地，所述根据所述第一更新学习状态命令、所述第一单词学习范围和所述第一单词学习峰值，生成单词的第一复习提示时间、第二复习提示时间、第三复习提示时间、测试题目、测试正确答案和测试答题时间限制，具体包括：
S301、当接收到第一更新学习状态命令后，将所述当前学习次数加1，并保存所述当前学习次数，并开始第一复习时间的计时；
S302、根据所述第一单词学习范围设置复习单词库，并根据单词库自动生成所述测试题目；
S303、根据所述测试题目生成所述测试正确答案和所述测试答题时间限制；
S304、根据所述第一单词学习峰值和所述第一单词学习范围，生成第一计算公式形式的当前单词记忆库存量提取函数；
S305、根据所述当前单词记忆库存量提取函数，计算剩余80％单词库存量所需的时间为所述第一复习提示时间；
S306、根据所述当前单词记忆库存量提取函数，计算剩余60％单词库存量所需的时间为所述第二复习提示时间；
S307、根据所述当前单词记忆库存量提取函数，计算剩余40％单词库存量所需的时间为所述第三复习提示时间；
所述第一计算公式为：
其中，a0为初始记忆衰减指数，t为复习时间间隔，y0为当前单词记忆库存量。
在本发明实施例中，在初次学习的基础上，生成了初次学习的单词库，并根据单词库，设置了第一次学习的三次复习提示时间。这是由于在实践过程中，大部分的用户在首次复习时，可能存在拖延复习的情况，通过在不同的单词库存量时间进行提示，从而保证了用户可以真正有效的开始第一次复习。在进行第一次复习前，复习时间与初始的单词库存量衰减呈现指数衰减，被按照第一计算公式刻画。
图4是本发明一个实施例的一种大数据采集多核参数自适应分时记忆驱动方法中的通过账户密码登入，获得所述当前学习次数，所述当前学习次数不为0时，进行单词复习和学习，在收到第二更新学习状态命令后，记录当次单词学习范围和当次单词学习峰值的流程图。
如图4所示，在一个或多个实施例中，优选地，所述通过账户密码登入，获得所述当前学习次数，所述当前学习次数不为0时，进行单词复习和学习，在收到第二更新学习状态命令后，记录当次单词学习范围和当次单词学习峰值，具体包括：
S401、通过账户密码登入，获取所述当前学习次数，所述当前学习次数不为0时，启动复习命令；
S402、当收到复习命令后，获取当前的所述测试题目，根据所述测试正确答案和所述测试答题时间限制进行复习，复习完成后更新所述错误次数，并发出复习学习命令；
S403、收到所述复习学习命令后，根据用户注册信息确定预设的学习类型，选择需要学习的单词库；
S404、获取所述当前学习次数和所述错误次数，根据所述学习任务顺序，提取当前次学习任务，其中，所述当前次学习任务包括第二待记忆词汇和第二学习总时长；
S405、执行所述当前次学习任务，当所述第二学习总时长到达时，停止学习，并发出第二更新学习状态命令；
S406、收到所述第二更新学习状态命令后，记录当次单词学习范围和当次单词学习峰值。
具体的，单词学习范围为当次已经学习的全部词汇范围；当次单词学习峰值为当次已经学习的全部词汇中已经真正完成瞬时记忆的单词内容；
在本发明实施中，在账户登入后，发现学习次数并非0时，提供了复习和学习处理方式。具体的流程为根据学习的类型和学习顺序进行对应的学习任务，并获取复习任务和学习任务，分别根据复习任务更新了错误次数，并根据所述学习任务更新了学习任务。
图5是本发明一个实施例的一种大数据采集多核参数自适应分时记忆驱动方法中的根据所述第一复习提示时间、所述第二复习提示时间和所述第三复习提示时间向用户发出复习提示命令，当用户完成复习任务后，生成每个单词的记忆指数和每个单词当前的记忆强度的流程图。
如图5所示，在一个或多个实施例中，优选地，所述根据所述第一复习提示时间、所述第二复习提示时间和所述第三复习提示时间向用户发出复习提示命令，当用户完成复习任务后，生成每个单词的记忆指数和每个单词当前的记忆强度，具体包括：
S501、自动判断所述第一复习提示时间是否到达，当判断其到达用后向用户发出第一短信提示，其中，第一短信提示内包括测试链接；
S502、自动判断所述第二复习提示时间是否到达，当判断其到达用后向用户发出第二短信提示，其中，第二短信提示内包括测试链接和已经损失的记忆量估计；
S503、自动判断所述第三复习提示时间是否到达，当判断其到达用后向用户发出第三短信提示，其中，第三短信提示内包括测试链接、已经损失的记忆量估计和可能全部遗忘风险提示；
S504、用户根据测试链接登入完成测试后，生成每个单词的所述记忆指数和所述记忆强度。
具体的，每个单词的记忆指数为所在的复习周期范围，第一档位为瞬时记忆指数、第二档位为短期记忆指数、第三档位为长期记忆指数、第四档位为永久记忆指数。
具体的，每个单词的当前记忆强度为在复***均值。
在本发明实施例中，当***受到第一复习提示时间、第二复习提示时间、第三复习提示时间等具体的提示命令时，将会开始计时，计时结束时，将会分别通过手机短信发送给用户。由于，三次提示的时间不太，而且用户的单词以往程度也不一致，在实践中采用了先仅发送测试链接，在后续中不断的提升提示内容的信息量，让用户感受到已经损失的信息容量。直到用户完成复习测试，将生成每个单词的具体记忆强度和每个单词的记忆指数。
图6是本发明一个实施例的一种大数据采集多核参数自适应分时记忆驱动方法中的根据所述记忆指数、所述记忆强度和当前记忆库存量，生成记忆库存量提取函数，并计算黄金记忆在各记忆周期内的时间点的流程图。
如图6所示，在一个或多个实施例中，优选地，所述根据所述记忆指数、所述记忆强度和当前记忆库存量，生成记忆库存量提取函数，并计算黄金记忆在各记忆周期内的时间点，具体包括：
S601、每间隔1天自动获取全部用户中所述当前学习次数不足10次的用户的所述记忆指数、所述记忆强度和当前记忆库存量，保存为临时存储记忆数据；
S602、根据全部用户的所述临时存储记忆数据利用第二计算公式获得衰减指数；
S603、根据所述衰减指数和所述第三计算公式计算每个用户的记忆库提取函数；
S604、根据当前的每个用户的记忆库提取函数利用第四计算公式计算黄金记忆在各记忆周期内的时间点；
所述第二计算公式：
其中，a1i为第i个用户的所述衰减指数，k1i为第i个用户的所述记忆指数，k2i为第i个用户的所述记忆强度，k3i为第i个用户的所述当前记忆库存量，a0为初始记忆衰减指数，min为所有用户的临时存储记忆数据中的最小值，所述临时存储记忆数据为所述记忆指数、所述记忆强度和所述当前记忆库存量的加和；
所述第三计算公式：
其中，a1i为第i个用户的所述衰减指数，t为复习时间间隔，yi为第i个用户的所述当前单词记忆库存量；
所述第四计算公式：
其中，Ti为第i个用户的黄金记忆在各记忆周期内的时间点，Yi1为第i个用户的预设存储量，a1i为第i个用户的所述衰减指数，所述记忆周期包括瞬时记忆、短期记忆周期、长期记忆周期。
在本发明实施例中，自动的每天更新历史数据较少的用户的记忆存储量、记忆指数和记忆强度。因为，在历史数据较少时，无法拟合出实际的每个用户的记忆衰减规律，进而通过此规律来设定对应用户的记忆黄金时间点。所以，采用的方式是利用初始衰减指数对全部用户的衰减程度进行自适应的归一化处理，获得当前用户的估测衰减程度，进而利用估测衰减指数获得当前一天内的每个用户的记忆库提取函数，在此基础上生成单个用户的黄金记忆时间点。
图7是本发明一个实施例的一种大数据采集多核参数自适应分时记忆驱动方法中的提取对应用户的历史测试数据，根据单个用户的历史数据进行特征提取，通过历史数据训练获得目标训练函数，并确定所有用户的黄金记忆时间的流程图。
如图7所示，在一个或多个实施例中，优选地，所述提取对应用户的历史测试数据，根据单个用户的历史数据进行特征提取，通过历史数据训练获得目标训练函数，并确定所有用户的黄金记忆时间，具体包括：
S701、获取全部用户的历史数据，对历史数据进行分类，生成单用户历史数据；
S702、对根据单个用户历史数据进行提取特征，生成训练次数、复习间隔和训练后错误率；
S703、设置训练模型为初始状态，初始状态的训练模型为第五计算公式形式；
S704、将单个用户的历史数据按照训练次数顺序输入所述训练模型；
S705、利用第六计算公式计算最优目标函数的取值；
S706、利用第七计算公式获得在所述最优目标函数取值最小时的目标参数值；
S707、根据当前的目标参数值，生成所述目标训练函数；
S708、根据所述训练次数和复习间隔判断当前所在的记忆周期，其中，所述记忆周期包括瞬时记忆、短期记忆周期、长期记忆周期；
S709、根据瞬时记忆、短期记忆周期和长期记忆周期内预设的黄金记忆点复习时间段进行归一化处理，并确定预期的单词损失比例；
S710、根据所述预期的单词损失比例，利用所述目标训练函数，计算对应的复习间隔，作为下一次的黄金记忆时间；
S711、计算所有用户的所述黄金记忆时间，并生成在所述黄金记忆时间下对应的所述测试题目；
所述第五计算公式为：
其中，fn(tk)为所述训练模型，Ak为第k次的训练参数值，tk为第k次复习的测试间隔，Tk()为所述目标训练函数的第k个部分，k和n均为正整数，k可取范围为1到n，n为用户已有数据组数；
所述第六计算公式为:
其中，L(yi,fn(ti))为所述最优目标函数，argmin为获取所述最优目标函数最小值时对应训练参数值的函数，Ak为第k次的训练参数值，yk为第k次的训练后错误率，tk为第k次复习的测试间隔，k和n均为正整数，k可取范围为1到n，n为用户已有数据组数；
所述第七计算公式为:
其中，L(yi,fn(ti))为所述最优目标函数，y为训练后错误率，
为预测的训练后错误率，yk为第k次的训练后错误率，tk为第k次复习的测试间隔，k和n均为正整数，k可取范围为1到n，n为用户已有数据组数。
在本发明实施例中，针对于全部用户的历史数据，进行数据分类，并提取每个用户的训练次数、复***方，当全部的预测值与实际值偏差最小情况下的拟合值系数确定后，则可自适应的通过拟合获得的系数，进而自动进行下一次的黄金记忆时间的确定。
图8是本发明一个实施例的一种大数据采集多核参数自适应分时记忆驱动方法中的获得每个用户的当前学习次数、错误次数、本次是否做对、所述记忆强度和所述记忆指数，综合生成每个用户的各个单词的综合记忆强度评分的流程图。
如图8所示，在一个或多个实施例中，优选地，所述获得每个用户的当前学习次数、错误次数、本次是否做对、所述记忆强度和所述记忆指数，综合生成每个用户的各个单词的综合记忆强度评分，具体包括：
S801、获取所述当前学习次数、所述错误次数、所述本次是否做对、所述记忆强度、所述记忆指数；
S802、根据第八计算公式综合评价在线记忆效果；
S803、输出每个单词的所述综合记忆强度评分；
所述第八计算公式为：
其中，b1j为第j个单词的所述当前学习次数，b2j为第j个单词的所述错误次数，b3j为第j个单词的所述本次是否做对，b4j为第j个单词的所述记忆强度，b5j为第j个单词的所述记忆指数，Pj为第j个单词的所述综合记忆强度评分，Qj为第j个单词的记忆强度评分，QMAX为所有单词的记忆强度评分中最大的一个。
在本发明实施例中，根据全部检测到的数据进行了***级的记忆效果在线评价，评价体系内将会对每个用户的每个单词的当前记忆强度给出实时的打分，综合记忆强度评分将会为用户全面了解学习状态提供一定依据。
在本发明实施例第二方面，提供了一种大数据采集多核参数自适应分时记忆驱动***。图9是本发明一个实施例的一种大数据采集多核参数自适应分时记忆驱动***的结构图。如图9所示，在一个或多个实施例中，优选地，一种大数据采集多核参数自适应分时记忆驱动***包括：
首次学习模块901，所述通过账户密码登入，获得当前学习次数，所述当前学习次数为0时，进行单词学习，在收到第一更新学习状态命令后，记录第一单词学习范围和第一单词学习峰值；
自动测试模块902，所述根据所述第一更新学习状态命令、所述第一单词学习范围和所述第一单词学习峰值，生成单词的第一复习提示时间、第二复习提示时间、第三复习提示时间、测试题目、测试正确答案和测试答题时间限制；
复习学习模块903，所述通过账户密码登入，获得所述当前学习次数，所述当前学习次数不为0时，进行单词复习和学习，在收到第二更新学习状态命令后，记录当次单词学习范围和当次单词学习峰值；
复习提示模块904，所述根据所述第一复习提示时间、所述第二复习提示时间和所述第三复习提示时间向用户发出复习提示命令，当用户完成复习任务后，生成每个单词的记忆指数和每个单词当前的记忆强度；
第一复习测试时间确定模块905，所述根据所述记忆指数、所述记忆强度和当前记忆库存量，生成记忆库存量提取函数，并计算黄金记忆在各记忆周期内的时间点；
第二复习测试时间确定模块906，所述提取对应用户的历史测试数据，根据单个用户的历史数据进行特征提取，通过历史数据训练获得目标训练函数，并确定所有用户的黄金记忆时间；
综合评价模块907，所述获得每个用户的当前学习次数、错误次数、本次是否做对、所述记忆强度和所述记忆指数，综合生成每个用户的各个单词的综合记忆强度评分。
根据本发明实施例第三方面，提供一种电子设备。图10是本发明一个实施例中一种电子设备的结构图。图10所示的电子设备为通用记忆驱动装置，其包括通用的计算机硬件结构，其至少包括处理器1001和存储器1002。处理器1001和存储器1002通过总线1003连接。存储器1002适于存储处理器1001可执行的指令或程序。处理器1001可以是独立的微处理器，也可以是一个或者多个微处理器集合。由此，处理器1001通过执行存储器1002所存储的指令，从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其它装置的控制。总线1003将上述多个组件连接在一起，同时将上述组件连接到显示控制器1004和显示装置以及输入/输出(I/O)装置1005。输入/输出(I/O)装置1005可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地，输入/输出装置1005通过输入/输出(I/O)控制器1006与***相连。
本发明的实施例提供的技术方案可以包括以下有益效果：
1)本发明实施例通过对于学生历史数据的多次学习，获得目标训练函数，实时捕捉每位学生的当前状态，并根据此状态自适应制定黄金记忆时间和对应的测试题目，降低了学习遗忘的可能性；
2)本发明实施例对于每位学生的学习状态进行综合评价，生成了综合记忆强度，方便每位学生实时获知在学习后的学习效果，提高对于单词记忆效果的可读性；
3)本发明实施例通过对于不同学习次数和不同的记忆周期，采用不同的复习时间间隔的方式，确保每位学生能够根据自己自身的记忆特点自适应的变更学习状态，提升学习效率。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种大数据采集多核参数自适应分时记忆驱动方法，其特征在于，该方法包括：
通过账户密码登入，获得当前学习次数，所述当前学习次数为0时，进行单词学习，在收到第一更新学习状态命令后，记录第一单词学习范围和第一单词学习峰值；
根据所述第一更新学习状态命令、所述第一单词学习范围和所述第一单词学习峰值，生成单词的第一复习提示时间、第二复习提示时间、第三复习提示时间、测试题目、测试正确答案和测试答题时间限制；
通过账户密码登入，获得所述当前学习次数，所述当前学习次数不为0时，进行单词复习和学习，在收到第二更新学习状态命令后，记录当次单词学习范围和当次单词学习峰值；
根据所述第一复习提示时间、所述第二复习提示时间和所述第三复习提示时间向用户发出复习提示命令，当用户完成复习任务后，生成每个单词的记忆指数和每个单词当前的记忆强度；
根据所述记忆指数、所述记忆强度和当前记忆库存量，生成记忆库存量提取函数，并计算黄金记忆在各记忆周期内的时间点；
提取对应用户的历史测试数据，根据单个用户的历史数据进行特征提取，通过历史数据训练获得目标训练函数，并确定所有用户的黄金记忆时间；
获得每个用户的当前学习次数、错误次数、本次是否做对、所述记忆强度和所述记忆指数，综合生成每个用户的各个单词的综合记忆强度评分；
其中，所述根据所述第一更新学习状态命令、所述第一单词学习范围和所述第一单词学习峰值，生成单词的第一复习提示时间、第二复习提示时间、第三复习提示时间、测试题目、测试正确答案和测试答题时间限制，具体包括：
当接收到第一更新学习状态命令后，将所述当前学习次数加1，并保存所述当前学习次数，并开始第一复习时间的计时；
根据所述第一单词学习范围设置复习单词库，并根据单词库自动生成所述测试题目；
根据所述测试题目生成所述测试正确答案和所述测试答题时间限制；
根据所述第一单词学习峰值和所述第一单词学习范围，生成第一计算公式形式的当前单词记忆库存量提取函数；
根据所述当前单词记忆库存量提取函数，计算剩余80%单词库存量所需的时间为所述第一复习提示时间；
根据所述当前单词记忆库存量提取函数，计算剩余60%单词库存量所需的时间为所述第二复习提示时间；
根据所述当前单词记忆库存量提取函数，计算剩余40%单词库存量所需的时间为所述第三复习提示时间；
所述第一计算公式为：
其中，a 0为初始记忆衰减指数，t为复习时间间隔，y 0为当前单词记忆库存量；
其中，所述根据所述记忆指数、所述记忆强度和当前记忆库存量，生成记忆库存量提取函数，并计算黄金记忆在各记忆周期内的时间点，具体包括：
每间隔1天自动获取全部用户中所述当前学习次数不足10次的用户的所述记忆指数、所述记忆强度和当前记忆库存量，保存为临时存储记忆数据；
根据全部用户的所述临时存储记忆数据利用第二计算公式获得衰减指数；
根据所述衰减指数和第三计算公式计算每个用户的记忆库提取函数；
根据当前的每个用户的记忆库提取函数利用第四计算公式计算黄金记忆在各记忆周期内的时间点 ；
所述第二计算公式：
其中，a 1i为第i个用户的所述衰减指数，k 1i为第i个用户的所述记忆指数，k 2i为第i个用户的所述记忆强度，k 3i为第i个用户的所述当前记忆库存量，a 0为初始记忆衰减指数，min为所有用户的临时存储记忆数据中的最小值，所述临时存储记忆数据为所述记忆指数、所述记忆强度和所述当前记忆库存量的加和；
所述第三计算公式：
其中，a 1i为第i个用户的所述衰减指数，t为复习时间间隔，y i为第i个用户的所述当前单词记忆库存量；
所述第四计算公式：
其中，T i为第i个用户的黄金记忆在各记忆周期内的时间点，Y i1为第i个用户的预设存储量，a 1i为第i个用户的所述衰减指数，所述记忆周期包括瞬时记忆、短期记忆周期、长期记忆周期；
其中，所述提取对应用户的历史测试数据，根据单个用户的历史数据进行特征提取，通过历史数据训练获得目标训练函数，并确定所有用户的黄金记忆时间，具体包括：
获取全部用户的历史数据，对历史数据进行分类，生成单用户历史数据；
对根据单个用户历史数据进行提取特征，生成训练次数、复习间隔和训练后错误率；
设置训练模型为初始状态，初始状态的训练模型为第五计算公式形式；
将单个用户的历史数据按照训练次数顺序输入所述训练模型；
利用第六计算公式计算最优目标函数的取值；
利用第七计算公式获得在所述最优目标函数取值最小时的目标参数值；
根据当前的目标参数值，生成所述目标训练函数；
根据所述训练次数和复习间隔判断当前所在的记忆周期，其中，所述记忆周期包括瞬时记忆、短期记忆周期、长期记忆周期；
根据瞬时记忆、短期记忆周期和长期记忆周期内预设的黄金记忆点复习时间段进行归一化处理，并确定预期的单词损失比例；
根据所述预期的单词损失比例，利用所述目标训练函数，计算对应的复习间隔，作为下一次的黄金记忆时间；
计算所有用户的所述黄金记忆时间，并生成在所述黄金记忆时间下对应的所述测试题目；
所述第五计算公式为：
其中，f n (t k)为所述训练模型，A k为第k次的训练参数值，t k为第k次复习的测试间隔，Tk()为所述目标训练函数的第k个部分，k和n均为正整数，k可取范围为1到n，n为用户已有数据组数；
所述第六计算公式为:
其中，
为所述最优目标函数，argmin为获取所述最优目标函数最小值时对应训练参数值的函数，A k为第k次的训练参数值，
为第k次的训练后错误率，t k为第k次复习的测试间隔，k和n均为正整数，k可取范围为1到n，n为用户已有数据组数；
所述第七计算公式为:
其中，
为所述最优目标函数，
为训练后错误率，
为预测的训练后错误率，
为第k次的训练后错误率，t k为第k次复习的测试间隔，k和n均为正整数，k可取范围为1到n，n为用户已有数据组数。
2.如权利要求1所述的一种大数据采集多核参数自适应分时记忆驱动方法，其特征在于，所述通过账户密码登入，获得当前学习次数，所述当前学习次数为0时，进行单词学习，在收到第一更新学习状态命令后，记录第一单词学习范围和第一单词学习峰值，具体包括：
通过账户密码登入，获取所述当前学习次数，所述当前学习次数为0时，启动学习命令；
收到所述学习命令后，根据用户注册信息确定预设的学习类型，选择需要学习的单词库，并初始化学习任务顺序；
初始化所述当前学习次数和所述错误次数，其中，初始化后的所述当前学习次数和所述错误次数均为0次；
根据所述学习任务顺序，提取第一学习任务，其中，所述第一学习任务包括第一待记忆词汇和第一学习总时长；
执行所述第一学习任务，当所述第一学习总时长到达时，停止学习，并发出第一更新学习状态命令；
收到所述第一更新学习状态命令后，记录单词学习范围和单词学习峰值。
3.如权利要求2所述的一种大数据采集多核参数自适应分时记忆驱动方法，其特征在于，所述通过账户密码登入，获得所述当前学习次数，所述当前学习次数不为0时，进行单词复习和学习，在收到第二更新学习状态命令后，记录当次单词学习范围和当次单词学习峰值，具体包括：
通过账户密码登入，获取所述当前学习次数，所述当前学习次数不为0时，启动复习命令；
当收到复习命令后，获取当前的所述测试题目，根据所述测试正确答案和所述测试答题时间限制进行复习，复习完成后更新所述错误次数，并发出复习学习命令；
收到所述复习学习命令后，根据用户注册信息确定预设的学习类型，选择需要学习的单词库；
获取所述当前学习次数和所述错误次数，根据所述学习任务顺序，提取当前次学习任务，其中，所述当前次学习任务包括第二待记忆词汇和第二学习总时长；
执行所述当前次学习任务，当所述第二学习总时长到达时，停止学习，并发出第二更新学习状态命令；
收到所述第二更新学习状态命令后，记录当次单词学习范围和当次单词学习峰值。
4.如权利要求1所述的一种大数据采集多核参数自适应分时记忆驱动方法，其特征在于，所述根据所述第一复习提示时间、所述第二复习提示时间和所述第三复习提示时间向用户发出复习提示命令，当用户完成复习任务后，生成每个单词的记忆指数和每个单词当前的记忆强度，具体包括：
自动判断所述第一复习提示时间是否到达，当判断其到达用后向用户发出第一短信提示，其中，第一短信提示内包括测试链接；
自动判断所述第二复习提示时间是否到达，当判断其到达用后向用户发出第二短信提示，其中，第二短信提示内包括测试链接和已经损失的记忆量估计；
自动判断所述第三复习提示时间是否到达，当判断其到达用后向用户发出第三短信提示，其中，第三短信提示内包括测试链接、已经损失的记忆量估计和可能全部遗忘风险提示；
用户根据测试链接登入完成测试后，生成每个单词的所述记忆指数和所述记忆强度。
5.如权利要求1所述的一种大数据采集多核参数自适应分时记忆驱动方法，其特征在于，所述获得每个用户的当前学习次数、错误次数、本次是否做对、所述记忆强度和所述记忆指数，综合生成每个用户的各个单词的综合记忆强度评分，具体包括：
获取所述当前学习次数、所述错误次数、所述本次是否做对、所述记忆强度、所述记忆指数；
根据第八计算公式综合评价在线记忆效果；
输出每个单词的所述综合记忆强度评分；
所述第八计算公式为：
其中，b 1j为第j个单词的所述当前学习次数，b 2j为第j个单词的所述错误次数，b 3j为第j个单词的所述本次是否做对，b 4j为第j个单词的所述记忆强度，b 5j为第j个单词的所述记忆指数，P j 为第j个单词的所述综合记忆强度评分，Q j 为第j个单词的记忆强度评分，QMAX为所有单词的记忆强度评分中最大的一个。
6.一种大数据采集多核参数自适应分时记忆驱动***，其特征在于，该***包括：
首次学习模块，通过账户密码登入，获得当前学习次数，所述当前学习次数为0时，进行单词学习，在收到第一更新学习状态命令后，记录第一单词学习范围和第一单词学习峰值；
自动测试模块，根据所述第一更新学习状态命令、所述第一单词学习范围和所述第一单词学习峰值，生成单词的第一复习提示时间、第二复习提示时间、第三复习提示时间、测试题目、测试正确答案和测试答题时间限制；
复习学习模块，通过账户密码登入，获得所述当前学习次数，所述当前学习次数不为0时，进行单词复习和学习，在收到第二更新学习状态命令后，记录当次单词学习范围和当次单词学习峰值；
复习提示模块，根据所述第一复习提示时间、所述第二复习提示时间和所述第三复习提示时间向用户发出复习提示命令，当用户完成复习任务后，生成每个单词的记忆指数和每个单词当前的记忆强度；
第一复习测试时间确定模块，根据所述记忆指数、所述记忆强度和当前记忆库存量，生成记忆库存量提取函数，并计算黄金记忆在各记忆周期内的时间点；
第二复习测试时间确定模块，提取对应用户的历史测试数据，根据单个用户的历史数据进行特征提取，通过历史数据训练获得目标训练函数，并确定所有用户的黄金记忆时间；
综合评价模块，获得每个用户的当前学习次数、错误次数、本次是否做对、所述记忆强度和所述记忆指数，综合生成每个用户的各个单词的综合记忆强度评分；
其中，所述根据所述第一更新学习状态命令、所述第一单词学习范围和所述第一单词学习峰值，生成单词的第一复习提示时间、第二复习提示时间、第三复习提示时间、测试题目、测试正确答案和测试答题时间限制，具体包括：
当接收到第一更新学习状态命令后，将所述当前学习次数加1，并保存所述当前学习次数，并开始第一复习时间的计时；
根据所述第一单词学习范围设置复习单词库，并根据单词库自动生成所述测试题目；
根据所述测试题目生成所述测试正确答案和所述测试答题时间限制；
根据所述第一单词学习峰值和所述第一单词学习范围，生成第一计算公式形式的当前单词记忆库存量提取函数；
根据所述当前单词记忆库存量提取函数，计算剩余80%单词库存量所需的时间为所述第一复习提示时间；
根据所述当前单词记忆库存量提取函数，计算剩余60%单词库存量所需的时间为所述第二复习提示时间；
根据所述当前单词记忆库存量提取函数，计算剩余40%单词库存量所需的时间为所述第三复习提示时间；
所述第一计算公式为：
其中，a 0为初始记忆衰减指数，t为复习时间间隔，y 0为当前单词记忆库存量；
其中，所述根据所述记忆指数、所述记忆强度和当前记忆库存量，生成记忆库存量提取函数，并计算黄金记忆在各记忆周期内的时间点，具体包括：
每间隔1天自动获取全部用户中所述当前学习次数不足10次的用户的所述记忆指数、所述记忆强度和当前记忆库存量，保存为临时存储记忆数据；
根据全部用户的所述临时存储记忆数据利用第二计算公式获得衰减指数；
根据所述衰减指数和第三计算公式计算每个用户的记忆库提取函数；
根据当前的每个用户的记忆库提取函数利用第四计算公式计算黄金记忆在各记忆周期内的时间点 ；
所述第二计算公式：
其中，a 1i为第i个用户的所述衰减指数，k 1i为第i个用户的所述记忆指数，k 2i为第i个用户的所述记忆强度，k 3i为第i个用户的所述当前记忆库存量，a 0为初始记忆衰减指数，min为所有用户的临时存储记忆数据中的最小值，所述临时存储记忆数据为所述记忆指数、所述记忆强度和所述当前记忆库存量的加和；
所述第三计算公式：
其中，a 1i为第i个用户的所述衰减指数，t为复习时间间隔，y i为第i个用户的所述当前单词记忆库存量；
所述第四计算公式：
其中，T i为第i个用户的黄金记忆在各记忆周期内的时间点，Y i1为第i个用户的预设存储量，a 1i为第i个用户的所述衰减指数，所述记忆周期包括瞬时记忆、短期记忆周期、长期记忆周期；
其中，所述提取对应用户的历史测试数据，根据单个用户的历史数据进行特征提取，通过历史数据训练获得目标训练函数，并确定所有用户的黄金记忆时间，具体包括：
获取全部用户的历史数据，对历史数据进行分类，生成单用户历史数据；
对根据单个用户历史数据进行提取特征，生成训练次数、复习间隔和训练后错误率；
设置训练模型为初始状态，初始状态的训练模型为第五计算公式形式；
将单个用户的历史数据按照训练次数顺序输入所述训练模型；
利用第六计算公式计算最优目标函数的取值；
利用第七计算公式获得在所述最优目标函数取值最小时的目标参数值；
根据当前的目标参数值，生成所述目标训练函数；
根据所述训练次数和复习间隔判断当前所在的记忆周期，其中，所述记忆周期包括瞬时记忆、短期记忆周期、长期记忆周期；
根据瞬时记忆、短期记忆周期和长期记忆周期内预设的黄金记忆点复习时间段进行归一化处理，并确定预期的单词损失比例；
根据所述预期的单词损失比例，利用所述目标训练函数，计算对应的复习间隔，作为下一次的黄金记忆时间；
计算所有用户的所述黄金记忆时间，并生成在所述黄金记忆时间下对应的所述测试题目；
所述第五计算公式为：
其中，f n (t k)为所述训练模型，A k为第k次的训练参数值，t k为第k次复习的测试间隔，Tk()为所述目标训练函数的第k个部分，k和n均为正整数，k可取范围为1到n，n为用户已有数据组数；
所述第六计算公式为:
其中，
为所述最优目标函数，argmin为获取所述最优目标函数最小值时对应训练参数值的函数，A k为第k次的训练参数值，
为第k次的训练后错误率，t k为第k次复习的测试间隔，k和n均为正整数，k可取范围为1到n，n为用户已有数据组数；
所述第七计算公式为:
其中，
为所述最优目标函数，
为训练后错误率，
为预测的训练后错误率，
为第k次的训练后错误率，t k为第k次复习的测试间隔，k和n均为正整数，k可取范围为1到n，n为用户已有数据组数。
7.一种电子设备，包括存储器和处理器，其特征在于，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110435723.4A CN113094404B (zh) | 2021-04-22 | 2021-04-22 | 一种大数据采集多核参数自适应分时记忆驱动方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110435723.4A CN113094404B (zh) | 2021-04-22 | 2021-04-22 | 一种大数据采集多核参数自适应分时记忆驱动方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113094404A CN113094404A (zh) | 2021-07-09 |
| CN113094404B true CN113094404B (zh) | 2021-11-19 |
Family
ID=76679253
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110435723.4A Active CN113094404B (zh) | 2021-04-22 | 2021-04-22 | 一种大数据采集多核参数自适应分时记忆驱动方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113094404B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117094861B (zh) * | 2023-09-01 | 2024-03-12 | 吉林农业科技学院 | 语言学习控制测试*** |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103413478A (zh) * | 2013-07-09 | 2013-11-27 | 复旦大学 | 记忆单词智能学习方法与*** |
| CN109935120A (zh) * | 2019-03-15 | 2019-06-25 | 山东顺势教育科技有限公司 | 多核记忆驱动及其记忆方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10860781B2 (en) * | 2018-06-21 | 2020-12-08 | Microsoft Technology Licensing, Llc | Event detection based on text streams |
| CN111861372B (zh) * | 2020-06-19 | 2023-12-26 | 北京国音红杉树教育科技有限公司 | 一种单词掌握程度的测试方法及*** |
| CN111861371B (zh) * | 2020-06-19 | 2024-03-08 | 北京国音红杉树教育科技有限公司 | 一种计算单词最佳复习时间的方法及设备 |
| CN111861374B (zh) * | 2020-06-19 | 2024-02-13 | 北京国音红杉树教育科技有限公司 | 一种外语复习机制及装置 |
-
2021
- 2021-04-22 CN CN202110435723.4A patent/CN113094404B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103413478A (zh) * | 2013-07-09 | 2013-11-27 | 复旦大学 | 记忆单词智能学习方法与*** |
| CN109935120A (zh) * | 2019-03-15 | 2019-06-25 | 山东顺势教育科技有限公司 | 多核记忆驱动及其记忆方法 |
Non-Patent Citations (2)
| Title |
|---|
| 初中生如何快速有效的记忆单词;徐男;《中学英语之友》;20111215;全文 * |
| 初中英语单词记忆方法与强化策略探析;张秀明;《中学生英语》;20160121;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113094404A (zh) | 2021-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112508334B (zh) | 融合认知特性及试题文本信息的个性化组卷方法及*** | |
| US20220318941A1 (en) | Apparatus, system, and operation method thereof for evaluating skill of user through artificial intelligence model trained through transferrable feature applied to plural test domains | |
| US9446314B2 (en) | Vector-based gaming content management | |
| CN103559894A (zh) | 口语评测方法及*** | |
| Mahana et al. | Automated essay grading using machine learning | |
| JP2018205354A (ja) | 学習支援装置、学習支援システム及びプログラム | |
| Benedetto et al. | On the application of transformers for estimating the difficulty of multiple-choice questions from text | |
| CN114742679A (zh) | 一种基于互联网的线上教育管理控制*** | |
| CN112348725A (zh) | 基于大数据的知识点难度定级方法 | |
| CN113094404B (zh) | 一种大数据采集多核参数自适应分时记忆驱动方法及*** | |
| CN111753846A (zh) | 一种基于rpa和ai的网站验证方法、装置、设备及存储介质 | |
| CN110473435A (zh) | 一种具有学习周期的定量化的单词辅助学习***及方法 | |
| US11514815B1 (en) | System, method, and device for generating flight training scheme oriented to individual difference | |
| CN108073603B (zh) | 作业分发方法及装置 | |
| Bexte et al. | Similarity-based content scoring-how to make S-BERT keep up with BERT | |
| CN112015783B (zh) | 可交互学习流程生成方法和*** | |
| CN114333787A (zh) | 口语考试的评分方法、装置、设备、存储介质及程序产品 | |
| CN112419812A (zh) | 一种习题批改方法及装置 | |
| CN117332054A (zh) | 表格问答处理方法、装置及设备 | |
| Ling et al. | Human-assisted computation for auto-grading | |
| KR102329611B1 (ko) | 교육적 요소를 예측하는 사전학습 모델링 시스템 및 방법 | |
| KR20220065722A (ko) | 점수 확률분포 형태 통일화를 통해 평가 가능한 문제를 추천하는 학습 문제 추천 시스템 및 이것의 동작방법 | |
| CN114510617A (zh) | 在线课程学习行为确定方法及装置 | |
| KR20140051607A (ko) | 학습자의 능력 수준에 따른 분석 정보 제공 장치 및 방법 | |
| CN114090733A (zh) | 学习资源推荐方法、装置、存储介质和电子设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |