CN114066098B - 学习任务的完成时长的预估方法及设备 - Google Patents
学习任务的完成时长的预估方法及设备 Download PDFInfo
- Publication number
- CN114066098B CN114066098B CN202111437131.2A CN202111437131A CN114066098B CN 114066098 B CN114066098 B CN 114066098B CN 202111437131 A CN202111437131 A CN 202111437131A CN 114066098 B CN114066098 B CN 114066098B
- Authority
- CN
- China
- Prior art keywords
- user
- target
- time length
- learning task
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 80
- 230000000875 corresponding effect Effects 0.000 claims description 65
- 230000002596 correlated effect Effects 0.000 claims description 27
- 230000008569 process Effects 0.000 description 33
- 239000010410 layer Substances 0.000 description 18
- 238000012545 processing Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000002360 preparation method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000012792 core layer Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
Abstract
本申请公开了一种学***均值,确定目标用户完成目标学习任务的目标完成时长。由于可以将参考用户画像信息与参考画像群组信息结合来确定目标完成时长,而无需人工基于经验确定,因此可以确保确定的目标完成时长的准确性。
Description
技术领域
本申请涉及智慧教育技术领域,特别涉及一种学习任务的完成时长的预估方法及设备。
背景技术
为了使学生以较高的效率完成作业,老师或家长可以根据经验预估学生完成本次作业所需的时长,并督促学生在该时长内完成作业。
但是,通过上述方式确定的学生完成作业所需的时长的准确性较低。
发明内容
本申请提供了一种学习任务的完成时长的预估方法及设备,可以解决相关技术确定的学生完成作业所需的时长的准确性较低的问题。所述技术方案如下:
一方面,提供了一种电子设备,所述电子设备包括:处理器;所述处理器用于:
获取目标用户的目标用户画像信息,所述目标用户为待预估学习任务的完成时长的用户,所述目标用户画像信息包括:所述目标用户的专注度;
基于所述目标用户画像信息,从多个用户画像信息中确定与所述目标用户画像信息不同,且相似度最高的参考用户画像信息;
基于所述目标用户画像信息,从多个画像信息群组中确定与所述目标用户画像信息的相似度最高的参考画像信息群组,所述多个画像信息群组是对所述多个用户画像信息进行聚类得到的;
基于所述参考用户画像信息指示的用户完成第一参考学***均时长,预估所述目标用户完成目标学***均时长均正相关。
另一方面,提供了一种学习任务的完成时长的预估方法,应用于电子设备;所述方法包括:
获取目标用户的目标用户画像信息,所述目标用户为待预估学习任务的完成时长的用户,所述目标用户画像信息包括:所述目标用户的专注度;
基于所述目标用户画像信息,从多个用户画像信息中确定与所述目标用户画像信息不同,且相似度最高的参考用户画像信息;
基于所述目标用户画像信息,从多个画像信息群组中确定与所述目标用户画像信息的相似度最高的参考画像信息群组,所述多个画像信息群组是对所述多个用户画像信息进行聚类得到的;
基于所述参考用户画像信息指示的用户完成第一参考学***均时长,预估所述目标用户完成目标学***均时长均正相关。
可选的,在所述基于所述参考用户画像信息指示的用户完成第一参考学***均时长,预估所述目标用户完成目标学习任务的目标完成时长之前,所述方法还包括:
确定所述目标用户执行所述目标学习任务的日期的目标类型,所述目标类型为下述类型中的一种:节假日和非节假日;
基于所述参考用户画像信息指示的用户在所述目标类型的日期内完成所述第一参考学习任务所用的第一完成时长,确定所述第一参考时长,所述第一参考时长与所述第一完成时长正相关;
基于所述参考画像信息群组中每个用户画像信息指示的用户在所述目标类型的日期内完成所述第二参考学习任务所用的第二完成时长,确定所述第二参考时长,所述第二参考时长与所述第二完成时长正相关。
可选的,在所述基于所述参考用户画像信息指示的用户完成第一参考学***均时长,预估所述目标用户完成目标学习任务的目标完成时长之前,所述方法还包括:
若所述目标用户执行所述目标学习任务的日期位于目标考试日期之前,且距离所述目标考试日期的时长小于时长阈值,则基于所述参考用户画像信息指示的用户在历史时段内完成所述第一参考学习任务所用的第三完成时长,确定所述第一参考时长,所述第一参考时长与所述第三完成时长正相关,所述历史时段为历史考试日期之前的所述时长阈值的时段;
基于所述参考画像信息群组中每个用户画像信息指示的用户在所述历史时段内完成所述第二参考学习任务所用的第四完成时长,确定所述第二参考时长,所述第二参考时长与所述第四完成时长正相关。
可选的,所述基于所述参考用户画像信息指示的用户完成第一参考学***均时长,预估所述目标用户完成目标学习任务的目标完成时长,包括:
对所述第一参考时长和所述平均时长进行加权求和,得到所述目标用户完成学习任务的目标完成时长。
可选的,在所述对所述第一参考时长和所述平均时长进行加权求和,得到所述目标用户完成学习任务的目标完成时长之前,所述方法还包括:
基于所述目标用户画像信息与所述参考用户画像信息的第一相似度,以及所述目标用户画像信息与所述参考画像信息群组的第二相似度,确定所述第一参考时长的第一权重,以及所述平均时长的第二权重;
其中,所述第一权重与所述第一相似度正相关,所述第二权重与所述第二相似度正相关。
可选的,所述目标完成时长T满足:
其中,w1为所述第一权重,w2为所述第二权重,α1为备考日期对应的权重,α2为非备考日期对应的权重,βl为第k种类型的日期对应的权重,且β1为类型为周内的日期对应的权重,β2为类型为周末的日期对应的第六权重,β3为类型为寒暑假的日期对应的权重,β4为类型为法定节假日的日期对应的权重;
t11k和t12k均为第一参考时长,且t11k基于所述参考用户画像信息指示的用户在历史时段内的第k种类型的日期内完成第一参考学习任务所用的完成时长确定;t12k基于所述参考用户画像信息指示的用户在非历史时段内的第k种类型的日期内完成第一参考学习任务所用的完成时长确定;
t21k和t22k均为多个第二参考时长的平均时长,且t21k基于所述参考画像信息群组中每个用户画像信息指示的用户在所述历史时段内的第k种类型的日期内完成第二参考学习任务所用的完成时长确定;t22k基于所述参考画像信息群组中每个用户画像信息指示的用户在所述非历史时段内的第k种类型的日期内完成第二参考学习任务所用的完成时长确定;
所述历史时段是历史考试日期之前的时长阈值的时段,所述备考日期位于目标考试日期之前,且距离所述目标考试日期的时长小于所述时长阈值,所述非历史时段为除所述历史时段外的时段。
可选的,每个所述画像信息群组与所述目标用户画像信息的相似度是指:所述画像信息群组中各个用户画像信息与所述目标用户画像信息的相似度的平均值。
又一方面,提供了一种电子设备,所述电子设备包括:存储器,处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述方面所述的学习任务的完成时长的预估方法。
再一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序由处理器加载并执行以实现如上述方面所述的学习任务的完成时长的预估方法。
再一方面,提供了一种包含指令的计算机程序产品,当所述计算机程序产品在所述计算机上运行时,使得所述计算机执行上述方面所述的学习任务的完成时长的预估方法。
本申请提供的技术方案带来的有益效果至少包括:
本申请提供了一种学***均值,确定目标用户完成目标学习任务的目标完成时长。由于可以将参考用户画像信息与参考画像群组信息结合来确定目标完成时长,而无需人工基于经验确定,因此可以确保确定的目标完成时长的准确性。并且,由于参考用户画像信息为多个用户画像信息中与目标用户画像信息的相似度最高的用户画像信息,参考用户画像信息群组为多个画像信息群组中与目标用户画像信息的相似度最高的画像信息群组,因此进一步确保了确定的目标完成时长的合理性。
附图说明
为了更清楚地说明本申请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申请的一些实施例,对于本领域普通技术人员来讲,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是本申请实施例提供的一种学习任务的完成时长的预估方法的流程图;
图2是本申请实施例提供的一种电子设备为服务器时的***架构示意图;
图3是本申请实施例提供的另一种学习任务的完成时长的预估方法的流程图;
图4是本申请实施例提供的一种移动终端从发送时长预估请求至显示目标完成时长的界面示意图;
图5是本申请实施例提供的一种目标用户画像信息的示意图;
图6是本申请实施例提供的一种确定第一参考时长和第二参考时长的流程图;
图7是本申请实施例提供的一种电子设备的结构示意图;
图8是本申请实施例提供的一种电子设备的软件结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
本申请实施例提供了一种学***板电脑或笔记本电脑。该服务器可以是一台服务器,或者可以是由若干台服务器组成的服务器集群,又或者可以是一个云计算服务中心。参见图1,该方法包括:
步骤101、获取目标用户的目标用户画像信息。
其中,目标用户为待预估学习任务的完成时长的用户。目标用户画像信息包括:目标用户的专注度。该专注度可以是指目标用户在学习过程中的专注程度,且该专注度可以由数值表征。该数值可以与专注度正相关。
可选的,该目标用户可以为学生。学习任务的类型的个数可以为至少一个,例如该类型的个数可以为多个,即有多种类型的学习任务。每种学习任务可以为下述任务中的一种:实验任务以及多个学科中每个学科的作业任务。该作业任务可以包括:图书阅读任务、图书背诵任务和习题解答任务等等。该多个学科可以包括下述学科中的至少一种:语文、数学、英语、物理、化学、生物、历史和地理等等。
在本申请实施例中,若电子设备为移动终端,则移动终端可以在接收到针对时长预估应用的应用界面中显示的预估控件的触控操作后,获取目标用户的目标用户画像信息;或者,可以在检测到目标用户通过移动终端开始执行目标学习任务时,获取该目标用户画像信息;又或者,移动终端可以接收并记录任务信息,该任务信息可以用于指示目标用户应当完成的目标学习任务。移动终端可以在接收到任务信息查看指令后,获取该目标用户画像信息。本申请实施例对移动终端获取目标用户画像信息的触发方式不做限定。
若电子设备为服务器,且参见图2,该服务器120可以与移动终端110连接,则服务器120可以在接收到移动终端110发送的时长预估请求后,获取目标用户的目标画像信息。其中,移动终端发送时长预估请求的触发方式,可以参考上述移动终端获取目标用户画像信息的触发方式,本申请实施例在此不再赘述。
步骤102、基于目标用户画像信息,从多个用户画像信息中确定与目标用户画像信息不同,且相似度最高的参考用户画像信息。
电子设备获取目标用户的目标用户画像信息后,可以确定目标用户画像信息,与多个用户画像信息中除该目标用户画像信息外的每个用户画像信息的相似度。之后,电子设备可以基于多个相似度,确定出与目标用户画像信息不同,且相似度最高的参考用户画像信息。
步骤103、基于目标用户画像信息,从多个画像信息群组中确定与目标用户画像信息的相似度最高的参考画像信息群组。
电子设备获取目标用户的目标用户画像信息后,还可以确定目标用户画像信息,与每个画像信息群组的相似度。之后,电子设备可以基于该多个相似度,确定出与目标用户画像信息相似度最高的参考画像信息群组。其中,多个画像信息群组可以是对多个用户画像信息进行聚类得到的,每个画像信息群组包括至少两个用户画像信息。
步骤104、基于参考用户画像信息指示的用户完成第一参考学***均时长,预估目标用户完成目标学习任务的目标完成时长。
其中,目标完成时长与第一参考时长以及平均时长均正相关。第一参考学习任务的类型和第二参考学习任务的类型与目标学习任务的类型均相同。如此,可以确保预估得到的目标完成时长的准确性。例如,若目标学习任务为数学作业任务,则第一参考学习任务和第二参考学习任务也为数学作业任务。
在本申请实施例中,电子设备可以直接将第一参考时长与平均时长的平均值,确定为目标用户完成目标学***均时长进行加权求和,得到目标用户完成目标学习任务的目标完成时长。
综上所述,本申请实施例提供了一种学***均值,确定目标用户完成目标学习任务的目标完成时长。由于可以将参考用户画像信息与参考画像群组信息结合来确定目标完成时长,而无需人工基于经验确定,因此可以确保确定的目标完成时长的准确性。并且,由于参考用户画像信息为多个用户画像信息中与目标用户画像信息的相似度最高的用户画像信息,参考用户画像信息群组为多个画像信息群组中与目标用户画像信息的相似度最高的画像信息群组,因此进一步确保了确定的目标完成时长的合理性。
本申请实施例以电子设备为服务器,该服务器与移动终端连接,且该移动终端中安装有时长预估应用,该服务器为该时长预估应用的后台服务器为例,对本申请实施例提供的学习任务的完成时长的预估方法进行示例性的说明。参见图3,该方法可以包括:
步骤201、移动终端向服务器发送时长预估请求。
在本申请实施例中,移动终端中安装有时长预估应用,移动终端可以在接收到针对时长预估应用的应用界面中显示的预估控件的触控操作后,获取目标用户的目标用户画像信息;或者,可以在检测到目标用户通过移动终端开始执行目标学习任务时,获取该目标用户画像信息;又或者,移动终端可以接收并记录任务信息,该任务信息可以用于指示目标用户应当完成的目标学习任务。移动终端可以在接收到任务信息查看指令后,获取该目标用户画像信息。本申请实施例对移动终端获取目标用户画像信息的触发方式不做限定。
其中,学习任务的类型的个数可以为至少一个,例如该类型的个数可以为多个,即有多种类型的学习任务。每种学习任务可以为下述任务中的一种:实验任务以及多个学科中每个学科的作业任务。该作业任务可以包括:图书阅读任务、图书背诵任务和习题解答任务等等。该多个学科可以包括下述学科中的至少一种:语文、数学、英语、物理、化学、生物、历史和地理等等。
时长预估请求可以包括:目标用户的目标用户标识。目标用户为待预估学习任务的完成时长的用户。目标用户标识可以为移动终端中安装的时长预估应用中当前登录的用户账号(例如,手机号码)。可选的,目标用户可以为学生,该移动终端可以为目标用户的移动终端。
可选的,对于学习任务的类型的个数为多个的情况下,该时长预估请求还可以包括:学习任务的类型的标识。该类型的标识可以为该类型在多个排序后的类型中的位次,或者可以为类型的名称。
可选的,目标学习任务的个数可以为一个或多个。若目标学习任务的个数为多个,则时长预估请求可以包括:多个目标学习任务中每个目标学习任务的类型的标识。
示例的,图4示出了一种移动终端中安装的时长预估应用的应用界面的示意图。参见图4,该应用界面显示有:与三个目标学习任务一一对应的选项01、全选选项02和时长预估控件03。从图4可以看出,三个目标学习任务依次为:语文作业任务、数学作业任务和英语作业任务,且该三个目标学习任务的类型互不相同。
若目标用户需要获知完成英语作业任务的完成时长,则可以选择英语作业任务对应的选项01。之后,目标用户可以触控时长预估控件03,移动终端可以响应于目标用户针对该时长预估控件03的触控操作,向服务器发送针对英语作业任务的时长预估请求。该时长预估请求可以包括:英语作业任务的标识和目标用户的标识。同理,移动终端向服务器发送针对其他类型(例如语文和数学)的作业任务的时长预估请求。
若目标用户需要获知完成该三个学习任务的完成时长,则可以选择全选选项02,或者可以依次触控各个学习任务对应的选项01。之后,目标用户可以触控时长预估控件03,移动终端可以响应于目标用户针对该时长预估控件03的触控操作,向服务器发送针对各个类型的学习任务的时长预估请求。该时长预估请求可以包括:各个类型的学习任务的标识和目标用户的标识。
步骤202、服务器响应于时长预估请求,获取目标用户的目标用户画像信息。
服务器接收到移动终端发送的时长预估请求后,可以响应于该时长预估请求,获取目标用户的目标用户画像信息。其中,该目标用户画像信息可以包括:目标用户的专注度。该专注度可以基于采集到的目标对象的多帧图像得到。该专注度可以由数值表征,且数值与专注度正相关。该专注度可以是指目标用户在学习过程中的专注程度,例如可以为目标用户在执行历史学习任务的过程中的专注程度。该历史学习任务的类型与目标学习任务的类型可以相同,如此可以确保确定目标用户完成目标学习任务的目标完成时长的准确性。或者,目标用户的专注度可以为目标用户在听课过程中的专注程度。
服务器中预先存储有用户标识与用户画像信息的对应关系。服务器在接收到移动终端发送的时长预估请求后,即可响应于该时长预估请求,基于该对应关系,确定目标用户的目标用户标识对应的用户画像信息,并将该用户画像信息确定为目标用户画像信息。
可选的,目标用户可以为学生。目标用户的目标用户画像信息还可以包括:目标用户的至少一个薄弱知识点的标识,和/或,任务完成信息,和/或,目标用户的属性信息。例如,该目标用户的目标用户画像信息还可以包括:目标用户的薄弱知识点的标识,任务完成信息,以及目标用户的属性信息。由此可见,本申请实施例提供的方法可以综合考虑目标用户的专注度、薄弱知识点的标识,在预设时长内的任务完成信息,以及目标用户的属性信息等多个维度的信息来确定目标用户完成目标学习任务所用的目标完成时长,因此可以确保确定的目标完成时长与目标用户的匹配度较高,继而可以确保确定的目标时长较为合理,用户体验较好。
其中,每个薄弱知识点的标识可以为该薄弱知识点的编号,或者可以该薄弱知识点在依次排列的多个知识点中的位次。任务完成信息可以是指:目标用户的历史学习任务的完成程度,该任务完成信息可以由数值表征。目标用户的属性信息可以包括:目标用户的属性的属性值。
目标用户的属性可以包括:目标用户的年龄,性别,所在地区,所在学校,所在年级以及所在班级等中的至少一种。例如,目标用户的属性可以包括:目标用户的年龄,性别,所在地区,所在学校,所在年级以及所在班级。所在地区的属性值可以为:该地区在依次排列的多个地区中的位次,或者可以为该地区的编码(例如邮政编码)。性别的属性值可以由数值表征,例如若目标用户为女生,则该数值为第一数值。该目标用户为男生,则该数值为第二数值,该第二数值与第一数值不同。可选的,第一数值可以为0,第二数值可以为1。或者,第一数值为1,第二数值为0。所在学校的属性值可以为:该学校在目标用于所在地区的多个学校中的位次,或者可以为该学校的编码。
可选的,对于目标用户为学生的场景,该目标用户的用户画像信息还可以包括:学习活跃度和成绩排名。该学习活跃度可以是指:学生在课堂上的活跃程度。该课堂可以为线上课堂或线下课堂。该学习活跃度可以由数值表征。且该学习活跃度可以是服务器基于采集的目标用户在课堂的多帧图像确定的。
在本申请实施例中,同一用户在不同类型的学习任务下的专注度、至少一个薄弱知识点的标识、在预设时长内的任务完成信息、学习活跃度和成绩排名等多个参数中任一参数可能不同。基于此,服务器接收到时长预估请求后,可以从预先存储的用户标识、学习任务的类型和上述每个参数的对应关系中,确定与时长预估请求中的目标用户标识对应,且与目标学习任务的类型对应的各个参数,从而得到与目标学习任务的类型对应的目标用户画像信息。如此,可以确保获取的目标用户画像信息与目标学习任务的匹配度较高,继而可以确保确定的目标用户完成目标学习任务所用的目标完成时长的准确性。
可选的,在目标学习任务的个数为多个的场景中,确定任意两个目标学习任务对应的目标用户画像信息的方式均相同。
在本申请实施例中,目标用户画像信息中的专注度可以基于目标用户在预设时段的多个历史专注度确定,该预设时段可以是指位于预估时长请求的接收日期之前,且与距该接收日期的时长小于日期阈值的时段。也即是,目标用户画像信息的专注度可以基于目标用户在最近一段时间内的多个历史专注度确定。例如,日期阈值为15天。相应的,目标用户画像信息的专注度可以基于目标用户在最近半个月内的多个历史专注度确定。
由于预设时段为距预估时长请求的接收日期的时长小于日期阈值的时段,因此可以确保确定的目标用户的专注度较为准确,继而可以确保确定得到的目标完成时长的准确性。
可选的,该专注度可以为多个历史专注度的平均值,或者可以为多个历史专注度的中值,或者可以为多个历史专注度中出现次数最多的专注度。每个历史专注度可以为目标用户在预设时段中的每次学习过程中的专注程度。
同理,目标画像信息中的在预设时长内的任务完成信息、学习活跃度和成绩排名的确定过程,也可以参考上述确定专注度的过程,本申请实施例在此不再赘述。
而对于目标用户画像信息的至少一个薄弱知识点的标识,服务器可以将在预设时段内确定的多个历史标识组中,出现次数大于次数阈值的至少一个历史薄弱知识点中,每个历史薄弱知识点的标识确定为一个薄弱知识点的标识。其中,每个历史标识组可以包括至少一个历史薄弱知识点的标识。每个历史标识组可以基于用户在预设时段内每次测试的测试结果得到。
示例的,假设目标用户为学生,目标学习任务的个数为多个,多个目标学习任务分别为:语文作业任务、数学作业任务和英语作业任务。与每个目标学习任务对应的目标用户画像信息如图5所示。
从图5可以看出,学生的属性信息包括:年龄7,性别1,地区1001,年级2。对于语文,成绩排名为1/50,活跃度为67,专注度为90,作业完成情况为89,薄弱点标识为04。对于数学,成绩排名为21/50,活跃度为35,专注度为65,作业完成情况为65,薄弱点标识为01。对于英语,成绩排名为2/50,活跃度为60,专注度为90,作业完成情况为64,薄弱点标识为03。
假设对于性别,1表示男生,0表示女生;对于地区,xxx的编号为1001;对于语文,知识点标识01指示的知识点为词句,知识点标识02指示的知识点为理解,知识点标识03指示的知识点为归纳概括,知识点标识04指示的知识点为背诵。对于数学,知识点标识01指示的知识点为分数运算,知识点标识02指示的知识点为四舍五入运算,知识点标识03指示的知识点为乘法口诀背诵。对于英语,知识点标识01指示的知识点为背诵,知识点标识02指示的知识点为口语交流,知识点标识02指示的知识点为单词默写。
基于此,可以确定图5所示的用户画像信息所属的学生为男生,且在xxx地区上学。该学生的语文成绩优秀,语文课堂活跃度较高(即课堂表现良好),专注度较高,作业完成情况也较为优秀,薄弱知识点为背诵。该学生的数学成绩一般,语文课堂活跃度一般(即课堂表现一般),专注度良好,作业完成情况也一般,薄弱知识点为分数运算。该学生的语文成绩优秀,语文课堂活跃度一般(即课堂表现一般),专注度较高,作业完成情况一般,薄弱知识点为口语交流。
步骤203、服务器基于目标用户画像信息,从多个用户画像信息中确定与目标用户画像信息不同,且相似度最高的参考用户画像信息。
服务器获取目标用户的目标用户画像信息后,可以确定目标用户画像信息,与多个用户画像信息中除该目标用户画像信息外的每个用户画像信息(为了便于描述,后文称为其他用户画像信息)的相似度。之后,电子设备可以基于多个相似度,确定出与目标用户画像信息不同,且相似度最高的第一参考用户画像信息。
在本申请实施例中,对于每个其他用户画像信息,服务器可以采用相似度计算公式,对目标用户画像信息和该其他用户画像信息进行处理,从而得到目标用户画像信息与该其他用户画像信息的相似度。
需要说明的是,若目标用户画像信息与目标学习任务的类型对应,则每个用户画像信息也与该类型对应。并且,若目标用户画像信息包括:目标用户的专注度,至少一个薄弱知识点的标识,在预设时长内的任务完成信息,目标用户的属性信息,学习活跃度以及成绩排名,则每个其他用户画像信息也包括:其他用户的专注度,至少一个薄弱知识点的标识,在预设时长内的任务完成信息,目标用户的属性信息,学习活跃度以及成绩排名。此外,目标用户画像信息中的各个参数的排列顺序,与其他用户画像信息中的各个参数的排列顺序相同。
可选的,该相似度计算公式可以为皮尔森计算公式。
可选的,服务器在采用相似度计算公式确定目标用户画像信息与任一其他用户画像信息之间的相似度之前,可以对目标用户画像信息以及任一其他用户画像信息进行归一化处理。如此,可以确保确定的相似度的准确性。
步骤204、服务器基于目标用户画像信息,从多个画像信息群组中确定与目标用户画像信息的相似度最高的参考画像信息群组。
服务器获取目标用户的目标用户画像信息后,可以确定目标用户画像信息,与每个画像信息群组的相似度。之后,服务器可以基于该多个相似度,确定出与目标用户画像信息相似度最高的第一参考画像信息群组。其中,多个画像信息群组可以是对多个用户画像信息进行聚类得到的,每个画像信息群组可以包括至少两个用户画像信息。
在本申请实施例中,每个画像信息群组与目标用户画像信息的相似度可以是指:画像信息群组中各个用户画像信息与目标用户画像信息的相似度的平均值。也即是,对于每个画像信息群组,服务器可以确定该画像信息群组中每个用户画像信息与目标用户画像信息的相似度,得到多个相似度。之后,服务器将该多个相似度的平均值,确定为该画像信息群组与目标用户画像信息的相似度。
或者,每个画像信息群组与目标用户画像信息的相似度可以是指:画像信息群组的中心用户画像信息与目标用户画像信息的相似度。
在本申请实施例中,服务器在从多个画像信息群组中确定与该目标用户画像信息的相似度最高的参考画像信息群组之前,可以先采用聚类算法对多个用户画像信息进行聚类处理,以得到多个画像信息群组。可选的,该聚类算法可以为K中心聚类算法。服务器采用K中心聚类算法对多个用户画像信息进行聚类处理,得到多个画像信息群组的过程如下所述:
服务器可以随机确定K个初始中心用户画像信息。且对于多个用户画像信息中除K个初始中心用户画像信息外的每个剩余用户画像信息,服务器可以确定该剩余用户画像信息与K个初始中心用户画像信息中,每个初始中心用户画像信息的相似度。然后,对于每个剩余用户画像信息,服务器可以将该剩余用户画像信息,划分至与该剩余用户画像信息相似度最高的初始中心用户画像信息对应的初始画像信息群组中。其中,任一初始中心用户画像信息对应的初始画像信息群组的中心用户画像信息为该任一初始中心用户画像信息。K是服务器中预先存储的。
对于每个初始画像信息群组,服务器可以重复执行初始中心用户画像信息更新流程,直至该初始画像信息群组收敛,从而得到多个画像信息群组。其中,收敛是指初始画像群组中的各个用户画像信息之间相似度较小,即初始画像信息群组的熵较小,且密度值较大。初始画像信息群组的熵和密度值均可以基于该初始画像群组的多组画像信息对之间的相似度的平均值确定,且该熵和密度值均与该平均值正相关。每组画像信息对可以包括:该初始画像群组中的任意两个不同的用户画像信息。初始中心用户画像信息更新流程可以包括:服务器重复执行将该初始画像信息群组的初始中心用户画像信息,更新为多个剩余用户画像信息中的一个剩余用户画像信息,并确定更新代价的操作,直至满足结束条件。之后,服务器可以将更新代价最小的剩余用户画像信息更新为初始中心用户画像信息。其中,更新代价可以用代价函数表示。结束条件可以为:多个剩余用户画像信息中的每个剩余用户画像信息均曾被更新为初始中心用户画像信息。
在本申请实施例中,若目标用户画像信息与目标学习任务的类型对应,则多个画像信息群组可以是对多个与该类型对应的用户画像信息进行聚类得到的。如此,可以确保确定的目标完成时长的准确性。
在本申请实施例中,对于目标用户为学生,且目标用户画像信息包括:目标用户的属性信息,且该属性信息包括:目标用户所在地区,所在学校,所在年级,以及所在班级的场景,服务器采用K中心聚类算法对多个用户画像信息进行聚类后得到的每个用户画像信息群组可以由一个班级的学生的用户画像信息组成。也即是,通过K中心聚类算法,可以将同一个班级的学生的用户画像信息聚类至一个用户画像信息群组。由于同一班级的学生的学习任务相似,且完成学习任务的能力相当,因此可以确保确定的目标完成时长的合理性和准确性均较高。
步骤205、服务器基于参考用户画像信息指示的用户完成第一参考学***均时长,预估目标用户完成目标学习任务的目标完成时长。
服务器确定与目标用户画像信息相似度最高的参考用户画像信息,以及与目标用户画像信息相似度最高的画像信息群组后,即可获取参考用户画像信息指示的用户完成第一参考学***均时长,预估目标用户完成目标学***均时长均正相关。第一参考学习任务的类型和第二参考学习任务的类型均与目标学习任务的类型相同。
在第一种可选的实现方式中,第一参考时长可以基于多个第五完成时长确定。每个用户画像信息指示的用户的第二参考时长可以基于多个第六完成时长确定。每个第五完成时长可以是指:参考用户画像信息指示的用户在预估时长请求的接收日期之前,每次完成第一参考学习任务所用的时长。每个第六完成时长可以是指:参考画像群组信息中每个用户画像信息指示的用户在预估时长请求的接收日期之前,每次完成第二参考学习任务所用的时长。
可选的,第一参考时长可以为多个第五完成时长的平均值,或者可以为多个第五完成时长的中值,又或者可以为多个第五完成时长中出现次数最多的第五完成时长。服务器基于多个第六完成时长确定第二参考时长的过程,可以参考基于多个第五完成时长确定第一参考时长的过程,本申请实施例在此不再赘述。
可选的,每个第五完成时长可以是指:参考用户画像信息指示的用户在预估时长请求的接收日期之前的预设时段内,每次完成第一参考学习任务所用的时长。每个第六时长可以是指:每个用户画像信息指示的用户在预估时长请求的接收日期之前的预设时段内,每次完成第二参考学习任务所用的时长。
如此,可以确保确定的第一参考时长,与参考用户画像信息指示的用户当前完成第一参考学习任务所用的时长较为接近,第二参考时长与用户画像信息指示的用户当前完成第一参考学习任务所用的时长较为接近,从而可以确保确定的目标完成时长的准确性。
在第二种可选的实现方式中,对于同一类型的学习任务,同一用户在节假日完成该学习任务所用的时长,与该用户在非节假日完成该学习任务所用的时长可能不同。基于此,参见图6,服务器可以通过下述步骤确定第一参考时长和第二参考时长:
步骤2051、确定目标用户执行目标学习任务的日期的目标类型。
其中,目标类型可以为下述类型中的一种:节假日和非节假日。该节假日可以包括:法定节假日。该非节假日可以为周末(即休息日)或周内(即工作日)。可选的,对于目标用户为学生或老师的场景,该节假日还可以包括:寒暑假。
在本申请实施例中,服务器预先存储有节假日集合,以及非节假日集合。服务器可以检测目标用户执行目标学习任务的日期与该节假日集合中的任一日期是否相同。若服务器确定该日期与节假日集合中的任一日期均不同,则服务器可以确定目标用户执行目标学习任务的日期不属于节假日集合,继而可以确定该日期的目标类型为非节假日。若服务器确定该日期与节假日集合中的某一日期相同,则可以确定目标用户执行目标学习任务的日期属于节假日集合,继而可以确定该日期的目标类型为节假日。
可选的,若目标用户待执行的学习任务的个数为多个,且多个学习任务中至少两个学习任务被目标用户执行的日期不同,则目标学习任务可以为该多个学习任务中的任一学习任务。时长预估请求还可以包括:目标学习任务被执行的日期。
步骤2052、基于参考用户画像信息指示的用户在目标类型的日期内完成第一参考学习任务所用的第一完成时长,确定第一参考时长。
服务器在确定目标用户执行目标学习任务的日期的目标类型后,可以从位于预估时长请求的接收日期之前的多个日期中,筛选出类型为该目标类型的至少一个日期,并获取参考用户画像信息指示的用户在该至少一个日期中每次完成第一参考学习任务所用的第一完成时长。之后,服务器可以基于至少一个第一完成时长,确定第一参考时长。其中,该第一参考时长与第一完成时长正相关。
可选的,服务器基于至少一个第一完成时长确定第一参考时长的实现过程,可以参考服务器基于多个第五完成时长确定第一参考时长的实现过程,本申请实施例在此不再赘述。
可选的,位于预估时长请求的接收日期之前的多个日期中的每个日期与该接收日期之间的时间差可以小于差值阈值。该差值阈值可以为大于日期阈值。例如,差值阈值可以为1年。如此,可以确保确定第一参考时长与参考用户画像信息指示的用户当前完成第一参考学习任务所用的时长较为接近,继而可以确保确定的目标完成时长的准确性较高。
步骤2053、基于参考画像信息群组中每个用户画像信息指示的用户在目标类型的日期内完成第二参考学习任务所用的第二完成时长,确定第二参考时长。
其中,第二参考时长可以与第二完成时长正相关。
服务器获取参考画像信息群组中每个用户画像信息指示的用户在目标类型的日期内完成第二参考学习任务所用的第二完成时长,可以参考上述步骤2052中服务器获取参考用户画像信息指示的用户在目标类型的日期内完成第一参考学习任务所用的第一完成时长的实现过程,本申请实施例在此不再赘述。
并且,服务器基于第二完成时长确定第二参考时长的过程,也可以参考上述步骤2052中的相关实现过程,本申请实施例在此不再赘述。
根据上述步骤2051至步骤2053的描述可知,本申请实施例提供的方法在确定目标用户完成目标学习任务所用的目标完成时长时,可以考虑节假日的影响,从而可以确保确定的目标完成时长的准确性。
在第三种可选的实现方式中,对于同一类型的学习任务,同一用户在备考期间完成该学习任务所用的时长,与该用户在非备考期间完成该学习任务所用的时长可能不同。基于此,服务器确定第一参考时长和第二参考时长的过程可以包括:
服务器在接收到移动终端发送的时长预估请求后,检测目标用户执行目标学习任务的日期位于目标考试日期之前,并检测该日期距目标考试日期的时长是否小于时长阈值。其中,目标考试日期和时长阈值均可以是服务器中预先存储的。例如,该时长阈值可以为15天。
若服务器确定目标用户执行目标学习任务的日期不位于目标考试日期,或该日期距目标考试日期的时长大于等于时长阈值,则确定该日期不是备考日期,继而可以基于前文所述的第五完成时长确定第一参考时长,并基于前文所述的第六完成时长确定第二参考时长。或者,服务器可以基于前文所述第一完成时长确定第一参考时长,并基于前文所述的第二完成时长确定第二参考时长。
若服务器确定目标用户执行目标学习任务的日期位于目标考试日期之前,且该日期距目标考试日期的时长小于时长阈值,则确定该日期为备考日期,进而基于参考用户画像信息指示的用户在历史时段内完成第一参考学习任务所用的第三完成时长,确定第一参考时长,并基于参考画像信息群组中每个用户画像信息指示的用户在历史时段内完成第二参考学习任务所用的第四完成时长,确定第二参考时长。其中,历史时段可以为历史考试日期之前的时长阈值的时段。第一参考时长可以与第三完成时长正相关。第二参考时长与第四完成时长正相关。
在本申请实施例中,若服务器确定目标用户执行目标学习任务的日期,与目标考试日期的差值的绝对值小于时长阈值,则可以确定目标用户执行目标学习任务的日期距离目标考试日期的时长小于时长阈值。
可选的,该历史时段的个数可以为一个。例如,该历史时段可以为距目标用户执行目标学习任务的日期最近的一个历史时段。历史考试日期为距该日期最近的一个历史考试日期。相应的,服务器可以基于在该历史时段内的多个第三完成时长确定第一参考时长,并基于在该历史时段内的多个第四完成时长确定第二参考时长。每个第三完成时长可以是指:参考用户画像信息指示的用户在该历史时段内,每次完成第一参考学习任务所用的时长。每个第四完成时长可以是指:一个参考用户画像信息指示的用户在该历史时段内,每次完成第二参考学习任务所用的时长。
其中,服务器基于多个第三完成时长确定第一参考时长的实现过程,以及基于多个第四完成时长确定第二参考时长的实现过程,均可以参考服务器基于多个第五完成时长确定第一参考时长的实现过程,本申请实施例在此不再赘述。
或者,历史时段的个数可以为多个。例如,多个历史时段可以为距用户执行目标学习任务的日期最近的多个历史时段。这种场景下,对于每个历史时段,服务器可以确定参考用户画像信息指示的用户在该历史时段内完成第一参考学习任务的多个第一初始时长,以及参考画像信息群组中每个用户画像信息指示的用户在该历史时段内完成第二参考学习任务所用的多个第二初始时长。之后,服务器可以基于多个历史时段的多个第一初始时长确定第一参考时长,并基于该多个历史时段的多个第二初始时长确定一个第二参考时长。
其中,服务器可以基于多个历史时段的多个第一初始时长确定第一参考时长的实现过程,以及基于多个历史时段的多个初始平均时长确定第二参考时长的实现过程,均可以参考服务器基于多个第五完成时长确定第一参考时长的实现过程,本申请实施例在此不再赘述。
根据上述描述可知,本申请实施例提供的方法在确定目标用户完成目标学习任务所用的目标完成时长时,可以考虑考试的影响,从而可以确保确定的目标完成时长的准确性。
在第四种可选的实现方式中,本申请实施例提供的方法在确定目标用户完成目标学习任务所用的目标完成时长时,可以综合考虑节假日和考试的影响,从而进一步确保确定的目标完成时长的准确性。
也即是,对于目标用户执行目标学习任务的日期,服务器既可以确定该日期的目标类型,还可以检测该日期距目标考试日期的时长是否小于时长阈值。若服务器确定该日期的目标类型为节假日,且距目标考试日期的时长小于时长阈值。则可以基于参考用户画像信息指示的用户在历史时段中的目标类型的日期内,完成第一参考学习任务所用的时长,确定第一参考时长,并可以基于参考画像信息群组中每个用户画像信息指示的用户在历史时段中的目标类型的日期内,完成第二参考学习任务所用的时长,确定一个第二参考时长。
例如,假设目标用户执行目标学习任务的日期为临近考试的周三,即目标用户执行目标学习任务的日期为备考日期中的周内,因此服务器可以基于参考用户画像信息指示的用户在历史时段中的周内完成第一参考学习任务所用的时长,确定第一参考时长,并可以基于参考画像信息群组中每个用户画像信息指示的用户在历史时段中的周内完成第二参考学习任务所用的时长,确定一个第二参考时长。
在本申请实施例中,服务器得到第一参考时长和第二参考时长后,即可基于该第一参考时长和第二参考时长确定目标用户完成目标学习任务的目标完成时长。
在一种可选的实现方式中,服务器可以直接将第一参考时长和多个第二参考时长的平均时长的平均值,确定为目标用户完成目标学习任务的目标完成时长。
在另一种可选的实现方式中,服务器可以对第一参考时长和多个第二参考时长的平均时长进行加权处理,得到目标用户完成目标学习任务的目标完成时长。
在本申请实施例中,在对第一参考时长和平均时长进行加权求和之前,服务器可以基于目标用户画像信息与参考用户画像信息的第一相似度,以及目标用户画像信息与参考画像信息群组的第二相似度,确定第一参考时长的第一权重,以及平均时长的第二权重。其中,第一权重与第一相似度正相关,第二权重与第二相似度正相关。
作为一种可选的示例,服务器可以将第一相似度与目标相似度的比值确定为第一参考时长的第一权重,并可以将第二相似度与该目标相似度的比值确定为第二参考时长的第二权重。其中,目标相似度为第一相似度与第二相似度的和。也即是,该第一权重可以满足下述公式(1),该第二权重可以满足下述公式(2)。
公式(1)和公式(2)中,r1为第一相似度,r2为第二相似度。
示例的,假设目标用户为学生,目标用户执行目标任务的日期为周三,且临近考试,r1为0.85,r2为0.95,服务器确定的第一参考时长为25分钟,第二参考时长为22分钟。
则服务器可以确定之后可以确定该目标时长t=0.47*25+0.53*22=23.4分钟。
作为另一种可选的示例,服务器先确定第一相似度和第二相似度的差值。之后,服务器可以基于预先存储有相似度范围、第三权重和第四权重的对应关系,将该差值所属的目标差值范围对应的第三权重确定为第一权重,该目标差值范围对应的第四权重确定为第二权重。
可选的,对于服务器在确定第一参考时长和第二参考时长的过程中考虑节假日和/或考试的影响的场景,服务器可以对第一参考时长、平均时长、第三参考时长和时长平均值进行加权处理,以得到目标用户完成目标学习任务的目标完成时长。
其中,对于考虑节假日的影响的场景,第三参考时长基于参考用户画像信息指示的用户在除目标类型外的日期内完成第一参考学***均值可以为多个第四参考时长的平均值。每个第四参考时长基于参考画像信息群组中的每个用户画像信息指示的用户在除目标类型外的日期内完成第二参考学习任务所用的时长确定。其中,第三参考时长的确定过程可以参考上述第一参考时长的确定过程,每个第四参考时长的确定过程可以参考上述一个第二参考时长的确定过程,本申请实施例在此不再赘述。
在对第一参考时长、平均时长、第三参考时长和时长平均值进行加权处理之前,服务器还可以确定目标类型对应的权重,以及非目标类型对应的权重。例如,服务器可以基于预先存储的类型与权重的对应关系,确定目标类型对应的权重和非目标类型对应的权重。例如,该对应关系中记录的目标类型对应的权重为1,非目标类型对应的权重为0。或者,该对应关系中记录的目标类型对应的权重为0.9,非目标类型对应的权重为0.1。
对于考虑考试的影响的场景,第三参考时长基于参考用户画像信息指示的用户在除历史时段外的日期内完成第一参考学习任务所用的时长确定。每个第四参考时长基于参考画像信息群组中的每个用户画像信息指示的用户在除该历史时段外的日期内,完成第二参考学习任务所用的时长确定。
在对第一参考时长、平均时长、第三参考时长和时长平均值进行加权处理之前,服务器还可以确定备考日期对应的权重,以及非备考日期对应的权重。例如,服务器可以基于预先存储日期种类与权重的对应关系,确定目标日期种类对应的权重,以及非目标日期种类对应的权重。例如,该对应关系中记录的目标日期种类对应的权重为1,非目标日期种类对应的权重为0。或者,该对应关系中记录的目标日期种类对应的权重为0.9,非目标日期种类对应的权重为0.1。
其中,目标日期种类为备考日期,相应的,非目标日期种类为非备考日期。或者,目标日期种类为非备考日期,相应的,非目标日期种类即为备考日期。
对于考虑节假日和考试的影响的场景,第三参考时长基于参考用户画像信息指示的用户在除历史时段内的目标类型的日期外完成第一参考学习任务所用的时长确定。每个第四参考时长基于参考画像信息群组中每个用户画像信息指示的用户在除历史时段内的目标类型的日期外完成第二参考学习任务所用的时长确定。
在对第一参考时长、平均时长、第三参考时长和时长平均值进行加权处理之前,服务器还可以确定目标类型对应的权重、非目标类型对应的权重、备考日期对应的权重,以及非备考日期对应的权重。
在本申请实施例中,对于节假日包括法定节假日和寒暑假,非节假日包括周内和周末的场景,参考用户画像信息指示的用户在不同日期类型下完成第一参考学习任务所用的时长,以及参考画像信息群组中多个用户画像信息指示的多个用户在不同日期类型下完成第二参考学习任务所用的时长可以如表1所示。
表1
/>
从表1可以看出,参考用户画像信息指示的用户在临近考试的周内,完成第一参考学***均时长为t212。
如表2所示,类型为周内的日期对应的权重、类型为周末的日期对应的权重、类型为寒暑假的日期对应的权重、类型为法定节假日的日期对应的权重依次为:β1、β2、β3和β4。备考日期(即临近考试的日期)对应的权重为α1,非备考日期(即不临近考试)对应的权重为α2。
表2
/>
那么,目标用户完成目标学习任务所用的目标完成时长T可以满足下述公式:
其中,βk为第k种类型的日期对应的权重。t11k和t12l均为第一参考时长,且t11k基于参考用户画像信息指示的用户在历史时段内的第k种类型的日期内完成第一参考学习任务所用的完成时长确定;t12l基于参考用户画像信息指示的用户在非历史时段内的第k种类型的日期内完成第一参考学习任务所用的完成时长确定;
t21l和t22k均为多个第二参考时长的平均时长,且t21k基于参考画像信息群组中每个用户画像信息指示的用户在历史时段内的第k种类型的日期内完成第二参考学习任务所用的完成时长确定;t22k基于参考画像信息群组中每个用户画像信息指示的用户在非历史时段内的第k种类型的日期内完成第二参考学习任务所用的完成时长确定;
该历史时段是历史考试日期之前的时长阈值的时段,备考日期位于目标考试日期之前,且距离目标考试日期的时长小于时长阈值,非历史时段为除历史时段外的时段。
步骤206、服务器向移动终端发送目标完成时长。
服务器得到目标用户完成目标学习任务所用的目标完成时长后,即可向移动终端发送该目标完成时长。
步骤207、移动终端发出目标完成时长。
移动终端接收到目标完成时长后,可以发出目标完成时长。
可选的,移动终端可以通过其显示屏显示目标完成时长。或者,移动终端可以通过其扬声器播放目标完成时长。
示例的,假设目标学习任务为英语作业,目标完成时长为24分钟,移动终端通过其显示屏显示目标完成时长。则请继续参见图4,移动终端接收到目标完成时长,可以显示包括目标完成时长的提示信息04。该提示信息04可以为文本:请在24分钟内完成英语作业。
需要说明的是,本申请实施例提供的学习任务的完成时长的预估方法的步骤的先后顺序可以进行适当调整,步骤也可以根据情况进行相应增减。例如,步骤201可以视情况删除,步骤206和步骤207也可以视情况删除。任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化的方法,都应涵盖在本申请的保护范围之内,因此不再赘述。
综上所述,本申请实施例提供了一种学***均值,确定目标用户完成目标学习任务的目标完成时长。由于可以将参考用户画像信息与参考画像群组信息结合来确定目标完成时长,而无需人工基于经验确定,因此可以确保确定的目标完成时长的准确性。并且,由于参考用户画像信息为多个用户画像信息中与目标用户画像信息的相似度最高的用户画像信息,参考用户画像信息群组为多个画像信息群组中与目标用户画像信息的相似度最高的画像信息群组,因此进一步确保了确定的目标完成时长的合理性。
图7是本申请实施例提供的一种电子设备的结构示意图,该电子设备可以用于执行上述方法实施例提供的学习任务的完成时长的预估方法。参见图7,该电子设备包括:处理器1101。处理器1101用于:
获取目标用户的目标用户画像信息,目标用户为待预估学习任务的完成时长的用户,目标用户画像信息包括:目标用户的专注度;
基于目标用户画像信息,从多个用户画像信息中确定与目标用户画像信息不同,且相似度最高的参考用户画像信息;
基于目标用户画像信息,从多个画像信息群组中确定与目标用户画像信息的相似度最高的参考画像信息群组,多个画像信息群组是对多个用户画像信息进行聚类得到的;
基于参考用户画像信息指示的用户完成第一参考学***均时长,预估目标用户完成目标学***均时长均正相关。
可选的,该处理器1101还可以用于:
若目标用户执行目标学习任务的日期位于目标考试日期之前,且距离目标考试日期的时长小于时长阈值,则基于参考用户画像信息指示的用户在历史时段内完成第一参考学习任务所用的第三完成时长,确定第一参考时长,第一参考时长与第三完成时长正相关,历史时段为历史考试日期之前的时长阈值的时段;
基于参考画像信息群组中每个用户画像信息指示的用户在历史时段内完成第二参考学习任务所用的第四完成时长,确定第二参考时长,第二参考时长与第四完成时长正相关。
可选的,每个画像信息群组与目标用户画像信息的相似度是指:画像信息群组中各个用户画像信息与目标用户画像信息的相似度的平均值。
可选的,该处理器1101可以用于:
对第一参考时长和平均时长进行加权求和,得到目标用户完成学习任务的目标完成时长。
可选的,该处理器1101还可以用于:
基于目标用户画像信息与参考用户画像信息的第一相似度,以及目标用户画像信息与参考画像信息群组的第二相似度,确定第一参考时长的第一权重,以及平均时长的第二权重。
可选的,该处理器1101还可以用于:
确定目标用户执行目标学习任务的日期的目标类型,目标类型为下述类型中的一种:节假日和非节假日;
基于参考用户画像信息指示的用户在目标类型的日期内完成第一参考学习任务所用的第一完成时长,确定第一参考时长,第一参考时长与第一完成时长正相关;
基于参考画像信息群组中每个用户画像信息指示的用户在目标类型的日期内完成第二参考学习任务所用的第二完成时长,确定第二参考时长,第二参考时长与第二完成时长正相关;
其中,第一权重与第一相似度正相关,第二权重与第二相似度正相关。
可选的,目标完成时长T可以满足:
其中,w1为第一权重,w2为第二权重,α1为备考日期对应的权重,α2为非备考日期对应的权重,βk为第k种类型的日期对应的权重,且β1为类型为周内的日期对应的权重,β2为类型为周末的日期对应的第六权重,β3为类型为寒暑假的日期对应的权重,β4为类型为法定节假日的日期对应的权重;
t11k和t12k均为第一参考时长,且t11k基于参考用户画像信息指示的用户在历史时段内的第k种类型的日期内完成第一参考学习任务所用的完成时长确定;t12k基于参考用户画像信息指示的用户在非历史时段内的第k种类型的日期内完成第一参考学习任务所用的完成时长确定;
t21k和t22k均为多个第二参考时长的平均时长,且t21k基于参考画像信息群组中每个用户画像信息指示的用户在历史时段内的第k种类型的日期内完成第二参考学习任务所用的完成时长确定;t22k基于参考画像信息群组中每个用户画像信息指示的用户在非历史时段内的第k种类型的日期内完成第二参考学习任务所用的完成时长确定;
历史时段是历史考试日期之前的时长阈值的时段,备考日期位于目标考试日期之前,且距离目标考试日期的时长小于时长阈值,非历史时段为除历史时段外的时段。
综上所述,本申请实施例提供了一种电子设备,电子设备基于参考用户画像信息指示的用户完成第一参考学***均值,确定目标用户完成目标学习任务的目标完成时长。由于可以将参考用户画像信息与参考画像群组信息结合来确定目标完成时长,而无需人工基于经验确定,因此可以确保确定的目标完成时长的准确性。并且,由于参考用户画像信息为多个用户画像信息中与目标用户画像信息的相似度最高的用户画像信息,参考用户画像信息群组为多个画像信息群组中与目标用户画像信息的相似度最高的画像信息群组,因此进一步确保了确定的目标完成时长的合理性。
如图7所示,本申请实施例提供的电子设备还可以包括:显示单元130、射频(radiofrequency,RF)电路150、音频电路160、无线保真(wireless fidelity,Wi-Fi)模块170、蓝牙模块180、电源190和摄像头121等部件。
其中,摄像头121可用于捕获静态图片或视频。物体通过镜头生成光学图片投射到感光元件。感光元件可以是电荷耦合器件(charge coupled device,CCD)或互补金属氧化物半导体(complementary metal-oxide-semiconductor,CMOS)光电晶体管。感光元件把光信号转换成电信号,之后将电信号传递给处理器1101转换成数字图片信号。
处理器1101是移动终端110的控制中心,利用各种接口和线路连接整个终端的各个部分,通过运行或执行存储在存储器140内的软件程序,以及调用存储在存储器140内的数据,执行移动终端110的各种功能和处理数据。在一些实施例中,处理器1101可包括一个或多个处理单元;处理器1101还可以集成应用处理器和基带处理器,其中,应用处理器主要处理操作***、用户界面和应用程序等,基带处理器主要处理无线通信。可以理解的是,上述基带处理器也可以不集成到处理器1101中。本申请中处理器1101可以运行操作***和应用程序,可以控制用户界面显示,并可以实现本申请实施例提供的学习任务的完成时长的预估方法。另外,处理器1101与输入单元和显示单元130耦接。
显示单元130可用于接收输入的数字或字符信息,产生与移动终端110的用户设置以及功能控制有关的信号输入,可选的,显示单元130还可以用于显示由用户输入的信息或提供给用户的信息以及移动终端110的各种菜单的图形用户界面(graphical userinterface,GUI)。显示单元130可以包括设置在移动终端110正面的显示屏131。其中,显示屏131可以采用液晶显示器、发光二极管等形式来配置。显示单元130可以用于显示本申请中所述的各种图形用户界面。
显示单元130包括:显示屏131和设置在移动终端110正面的触摸屏132。该显示屏131可以用于显示预览图片。触摸屏132可收集用户在其上或附近的触摸操作,例如点击按钮,拖动滚动框等。其中,触摸屏132可以覆盖在显示屏131之上,也可以将触摸屏132与显示屏131集成而实现移动终端110的输入和输出功能,集成后可以简称触摸显示屏。
存储器140可用于存储软件程序及数据。处理器1101通过运行存储在存储器140的软件程序或数据,从而执行移动终端110的各种功能以及数据处理。存储器140可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。存储器140存储有使得移动终端110能运行的操作***。本申请中存储器140可以存储操作***及各种应用程序,还可以存储执行本申请实施例提供的学习任务的完成时长的预估方法的代码。
RF电路150可用于在收发信息或通话过程中信号的接收和发送,可以接收基站的下行数据后交给处理器1101处理;可以将上行数据发送给基站。通常,RF电路包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等器件。
音频电路160、扬声器161、麦克风162可提供用户与移动终端110之间的音频接口。音频电路160可将接收到的音频数据转换后的电信号,传输到扬声器161,由扬声器161转换为声音信号输出。移动终端110还可配置音量按钮,用于调节声音信号的音量。另一方面,麦克风162将收集的声音信号转换为电信号,由音频电路160接收后转换为音频数据,再将音频数据输出至RF电路150以发送给比如另一终端,或者将音频数据输出至存储器140以便进一步处理。本申请中麦克风162可以获取用户的语音。
Wi-Fi属于短距离无线传输技术,移动终端110可以通过Wi-Fi模块170帮助用户收发电子邮件、浏览网页和访问流媒体等,它为用户提供了无线的宽带互联网访问。
蓝牙模块180,用于通过蓝牙协议来与其他具有蓝牙模块的蓝牙设备进行信息交互。例如,移动终端110可以通过蓝牙模块180与同样具备蓝牙模块的可穿戴电子设备(例如智能手表)建立蓝牙连接,从而进行数据交互。
移动终端110还包括给各个部件供电的电源190(比如电池)。电源可以通过电源管理***与处理器1101逻辑相连,从而通过电源管理***实现管理充电、放电以及功耗等功能。移动终端110还可配置有电源按钮,用于终端的开机和关机,以及锁屏等功能。
移动终端110可以包括至少一种传感器1110,比如运动传感器11101、距离传感器11102、指纹传感器11103和温度传感器11104。移动终端110还可配置有陀螺仪、气压计、湿度计、温度计和红外线传感器等其他传感器。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的移动终端和各器件的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图8是本申请实施例提供的电子设备的软件结构框图。分层架构将软件分成若干个层,每一层都有清晰的角色和分工。层与层之间通过软件接口通信。在一些实施例中,将android***分为四层,从上至下分别为应用程序层,应用程序框架层,安卓运行环境(android runtime,ART)和***库,以及内核层。
应用程序层可以包括一系列应用程序包。如图8所示,应用程序包可以包括相机,图库,日历,通话,地图,导航,WLAN,蓝牙,音乐,视频,短信息等应用程序。应用程序框架层为应用程序层的应用程序提供应用编程接口(application programming interface,API)和编程框架。应用程序框架层包括一些预先定义的函数。
如图8所示,应用程序框架层可以包括窗口管理器,内容提供器,视图***,电话管理器,资源管理器,通知管理器等。
窗口管理器用于管理窗口程序。窗口管理器可以获取显示屏大小,判断是否有状态栏,锁定屏幕,截取屏幕等。
内容提供器用来存放和获取数据,并使这些数据可以被应用程序访问。所述数据可以包括视频,图片,音频,拨打和接听的电话,浏览历史和书签,电话簿等。
视图***包括可视控件,例如显示文字的控件,显示图片的控件等。视图***可用于构建应用程序。显示界面可以由一个或多个视图组成的。例如,包括短信通知图标的显示界面,可以包括显示文字的视图以及显示图片的视图。
电话管理器用于提供移动终端110的通信功能。例如通话状态的管理(包括接通,挂断等)。
资源管理器为应用程序提供各种资源,比如本地化字符串,图标,图片,布局文件,视频文件等等。
通知管理器使应用程序可以在状态栏中显示通知信息,可以用于传达告知类型的消息,可以短暂停留后自动消失,无需用户交互。比如通知管理器被用于告知下载完成,消息提醒等。通知管理器还可以是以图表或者滚动条文本形式出现在***顶部状态栏的通知,例如后台运行的应用程序的通知,还可以是以对话窗口形式出现在屏幕上的通知。例如在状态栏提示文本信息,发出提示音,通信终端振动,指示灯闪烁等。
android runtime包括核心库和虚拟机。android runtime负责安卓***的调度和管理。
核心库包含两部分:一部分是java语言需要调用的功能函数,另一部分是安卓的核心库。
应用程序层和应用程序框架层运行在虚拟机中。虚拟机将应用程序层和应用程序框架层的java文件执行为二进制文件。虚拟机用于执行对象生命周期的管理,堆栈管理,线程管理,安全和异常的管理,以及垃圾回收等功能。
***库可以包括多个功能模块。例如:表面管理器(surface manager),媒体库(media libraries),三维图形处理库(例如:openGL ES),2D图形引擎(例如:SGL)等。
表面管理器用于对显示子***进行管理,并且为多个应用程序提供了2D和3D图层的融合。
媒体库支持多种常用的音频,视频格式回放和录制,以及静态图片文件等。媒体库可以支持多种音视频编码格式,例如:MPEG4,H.264,MP3,AAC,AMR,JPG,PNG等。
三维图形处理库用于实现三维图形绘图,图片渲染,合成,和图层处理等。
2D图形引擎是2D绘图的绘图引擎。
内核层是硬件和软件之间的层。内核层至少包含显示驱动,摄像头驱动,音频驱动,传感器驱动。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,该计算机程序由处理器加载并执行以上述实施例提供的学习任务的完成时长的预估方法,例如图1或图3所示的方法。
本申请实施例还提供了一种包含指令的计算机程序产品,当计算机程序产品在计算机上运行时,使得计算机执行上述方法实施例提供的学习任务的完成时长的预估方法,例如图1或图3所示的方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
应当理解的是,在本文中提及的“和/或”,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。并且,本申请中术语“至少一个”的含义是指一个或多个,本申请中术语“多个”的含义是指两个或两个以上。
本申请中术语“第一”“第二”等字样用于对作用和功能基本相同的相同项或相似项进行区分,应理解,“第一”、“第二”、“第n”之间不具有逻辑或时序上的依赖关系,也不对数量和执行顺序进行限定。例如,在不脱离各种所述示例的范围的情况下,第一权重可以被称为第二权重,并且类似地,第二权重可以被称为第一权重。
可以理解的是,本申请实施例提供的电子设备获取的用户的用户画像信息,是在经过用户授权后获取到的。且本申请实施例提供的电子设备在采集,使用,以及处理该用户画像信息的过程中,严格遵守相关法律法规。
以上所述仅为本申请的示例性实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.一种电子设备,其特征在于,所述电子设备包括:处理器;所述处理器用于:
获取目标用户的目标用户画像信息,所述目标用户为待预估学习任务的完成时长的用户,所述目标用户画像信息包括:所述目标用户的专注度,至少一个薄弱知识点的标识,在预设时长内的任务完成信息,目标用户的属性信息,学习活跃度以及成绩排名;
基于所述目标用户画像信息,从多个用户画像信息中确定与所述目标用户画像信息不同,且相似度最高的参考用户画像信息;
基于所述目标用户画像信息,从多个画像信息群组中确定与所述目标用户画像信息的相似度最高的参考画像信息群组,所述多个画像信息群组是对所述多个用户画像信息进行聚类得到的;
基于所述参考用户画像信息指示的用户完成第一参考学***均时长,预估所述目标用户完成目标学***均时长均正相关;
其中,所述处理器用于:对所述第一参考时长和所述平均时长进行加权求和,得到所述目标用户完成学习任务的目标完成时长。
2.根据权利要求1所述的电子设备,其特征在于,所述处理器还用于:
确定所述目标用户执行所述目标学习任务的日期的目标类型,所述目标类型为下述类型中的一种:节假日和非节假日;
基于所述参考用户画像信息指示的用户在所述目标类型的日期内完成所述第一参考学习任务所用的第一完成时长,确定所述第一参考时长,所述第一参考时长与所述第一完成时长正相关;
基于所述参考画像信息群组中每个用户画像信息指示的用户在所述目标类型的日期内完成所述第二参考学习任务所用的第二完成时长,确定所述第二参考时长,所述第二参考时长与所述第二完成时长正相关。
3.根据权利要求1所述的电子设备,其特征在于,所述处理器还用于:
若所述目标用户执行所述目标学习任务的日期位于目标考试日期之前,且距离所述目标考试日期的时长小于时长阈值,则基于所述参考用户画像信息指示的用户在历史时段内完成所述第一参考学习任务所用的第三完成时长,确定所述第一参考时长,所述第一参考时长与所述第三完成时长正相关,所述历史时段为历史考试日期之前的所述时长阈值的时段;
基于所述参考画像信息群组中每个用户画像信息指示的用户在所述历史时段内完成所述第二参考学习任务所用的第四完成时长,确定所述第二参考时长,所述第二参考时长与所述第四完成时长正相关。
4.根据权利要求1至3任一所述的电子设备,其特征在于,所述处理器还用于:
基于所述目标用户画像信息与所述参考用户画像信息的第一相似度,以及所述目标用户画像信息与所述参考画像信息群组的第二相似度,确定所述第一参考时长的第一权重,以及所述平均时长的第二权重;
其中,所述第一权重与所述第一相似度正相关,所述第二权重与所述第二相似度正相关。
5.根据权利要求4所述的电子设备,其特征在于,所述目标完成时长T满足:
其中,w1为所述第一权重,w2为所述第二权重,α1为备考日期对应的权重,α2为非备考日期对应的权重,βl为第k种类型的日期对应的权重,且β1为类型为周内的日期对应的权重,β2为类型为周末的日期对应的第六权重,β3为类型为寒暑假的日期对应的权重,β4为类型为法定节假日的日期对应的权重;
t11k和t12k均为第一参考时长,且t11k基于所述参考用户画像信息指示的用户在历史时段内的第k种类型的日期内完成第一参考学习任务所用的完成时长确定;t12k基于所述参考用户画像信息指示的用户在非历史时段内的第k种类型的日期内完成第一参考学习任务所用的完成时长确定;
t21k和t22k均为多个第二参考时长的平均时长,且t21k基于所述参考画像信息群组中每个用户画像信息指示的用户在所述历史时段内的第k种类型的日期内完成第二参考学习任务所用的完成时长确定;t22k基于所述参考画像信息群组中每个用户画像信息指示的用户在所述非历史时段内的第k种类型的日期内完成第二参考学习任务所用的完成时长确定;
所述历史时段是历史考试日期之前的时长阈值的时段,所述备考日期位于目标考试日期之前,且距离所述目标考试日期的时长小于所述时长阈值,所述非历史时段为除所述历史时段外的时段。
6.根据权利要求1至3任一所述的电子设备,其特征在于,每个所述画像信息群组与所述目标用户画像信息的相似度是指:
所述画像信息群组中各个用户画像信息与所述目标用户画像信息的相似度的平均值。
7.一种学习任务的完成时长的预估方法,其特征在于,应用于电子设备;所述方法包括:
获取目标用户的目标用户画像信息,所述目标用户为待预估学习任务的完成时长的用户,所述目标用户画像信息包括:所述目标用户的专注度,至少一个薄弱知识点的标识,在预设时长内的任务完成信息,目标用户的属性信息,学习活跃度以及成绩排名;
基于所述目标用户画像信息,从多个用户画像信息中确定与所述目标用户画像信息不同,且相似度最高的参考用户画像信息;
基于所述目标用户画像信息,从多个画像信息群组中确定与所述目标用户画像信息的相似度最高的参考画像信息群组,所述多个画像信息群组是对所述多个用户画像信息进行聚类得到的;
基于所述参考用户画像信息指示的用户完成第一参考学***均时长,预估所述目标用户完成目标学***均时长均正相关;
其中,所述基于所述参考用户画像信息指示的用户完成第一参考学***均时长,预估所述目标用户完成目标学习任务的目标完成时长,包括:
对所述第一参考时长和所述平均时长进行加权求和,得到所述目标用户完成学习任务的目标完成时长。
8.根据权利要求7所述的方法,其特征在于,在所述基于所述参考用户画像信息指示的用户完成第一参考学***均时长,预估所述目标用户完成目标学习任务的目标完成时长之前,所述方法还包括:
确定所述目标用户执行所述目标学习任务的日期的目标类型,所述目标类型为下述类型中的一种:节假日和非节假日;
基于所述参考用户画像信息指示的用户在所述目标类型的日期内完成所述第一参考学习任务所用的第一完成时长,确定所述第一参考时长,所述第一参考时长与所述第一完成时长正相关;
基于所述参考画像信息群组中每个用户画像信息指示的用户在所述目标类型的日期内完成所述第二参考学习任务所用的第二完成时长,确定所述第二参考时长,所述第二参考时长与所述第二完成时长正相关。
9.根据权利要求7所述的方法,其特征在于,在所述基于所述参考用户画像信息指示的用户完成第一参考学***均时长,预估所述目标用户完成目标学习任务的目标完成时长之前,所述方法还包括:
若所述目标用户执行所述目标学习任务的日期位于目标考试日期之前,且距离所述目标考试日期的时长小于时长阈值,则基于所述参考用户画像信息指示的用户在历史时段内完成所述第一参考学习任务所用的第三完成时长,确定所述第一参考时长,所述第一参考时长与所述第三完成时长正相关,所述历史时段为历史考试日期之前的所述时长阈值的时段;
基于所述参考画像信息群组中每个用户画像信息指示的用户在所述历史时
段内完成所述第二参考学习任务所用的第四完成时长,确定所述第二参考时长,
所述第二参考时长与所述第四完成时长正相关。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111437131.2A CN114066098B (zh) | 2021-11-29 | 2021-11-29 | 学习任务的完成时长的预估方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111437131.2A CN114066098B (zh) | 2021-11-29 | 2021-11-29 | 学习任务的完成时长的预估方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114066098A CN114066098A (zh) | 2022-02-18 |
CN114066098B true CN114066098B (zh) | 2024-06-11 |
Family
ID=80277121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111437131.2A Active CN114066098B (zh) | 2021-11-29 | 2021-11-29 | 学习任务的完成时长的预估方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114066098B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117829434A (zh) * | 2024-03-04 | 2024-04-05 | 武汉厚溥数字科技有限公司 | 一种涉及学生画像的处理方法、装置及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108320044A (zh) * | 2017-12-20 | 2018-07-24 | 卓智网络科技有限公司 | 学生学习时长预测方法和装置 |
CN110795630A (zh) * | 2019-10-29 | 2020-02-14 | 龙马智芯(珠海横琴)科技有限公司 | 一种学习方案推荐方法及装置 |
CN110807545A (zh) * | 2019-10-22 | 2020-02-18 | 北京三快在线科技有限公司 | 任务时长的预估方法、装置、电子设备和存储介质 |
CN112131977A (zh) * | 2020-09-09 | 2020-12-25 | 湖南新云网科技有限公司 | 学习监督方法、装置、智能设备及计算机可读存储介质 |
KR20210017478A (ko) * | 2019-08-08 | 2021-02-17 | 고나연 | 예습과 복습을 통한 학습 관리 시스템 및 그 방법 |
-
2021
- 2021-11-29 CN CN202111437131.2A patent/CN114066098B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108320044A (zh) * | 2017-12-20 | 2018-07-24 | 卓智网络科技有限公司 | 学生学习时长预测方法和装置 |
KR20210017478A (ko) * | 2019-08-08 | 2021-02-17 | 고나연 | 예습과 복습을 통한 학습 관리 시스템 및 그 방법 |
CN110807545A (zh) * | 2019-10-22 | 2020-02-18 | 北京三快在线科技有限公司 | 任务时长的预估方法、装置、电子设备和存储介质 |
CN110795630A (zh) * | 2019-10-29 | 2020-02-14 | 龙马智芯(珠海横琴)科技有限公司 | 一种学习方案推荐方法及装置 |
CN112131977A (zh) * | 2020-09-09 | 2020-12-25 | 湖南新云网科技有限公司 | 学习监督方法、装置、智能设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114066098A (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6957632B2 (ja) | コンピューティング装置の通知のための通知チャネル | |
US20200042335A1 (en) | Virtual assistant focused user interfaces | |
CN109918669B (zh) | 实体确定方法、装置及存储介质 | |
CN114117225B (zh) | 图书推荐方法及图书推荐设备 | |
CN110400180B (zh) | 基于推荐信息的显示方法、装置及存储介质 | |
JP2020521376A (ja) | イメージデータに少なくとも部分的に基づく、アクションを実行するためのエージェントの決定 | |
WO2021008334A1 (zh) | 小程序的数据绑定方法、装置、设备及存储介质 | |
CN108369806B (zh) | 可配置的通用语言理解模型 | |
EP2779057A1 (en) | Computing system with relationship model mechanism and method of operation thereof | |
AU2013306549B2 (en) | Method of recommending friends, and server and terminal therefor | |
CN110753911B (zh) | 应用之间的自动情境传递 | |
US20180239637A1 (en) | Contextual application organizer framework for user life events | |
US20230035366A1 (en) | Image classification model training method and apparatus, computer device, and storage medium | |
CN112153218B (zh) | 页面显示方法、装置、可穿戴设备及存储介质 | |
US20220382788A1 (en) | Electronic device and method for operating content using same | |
US20230186248A1 (en) | Method and system for facilitating convergence | |
CN114066098B (zh) | 学习任务的完成时长的预估方法及设备 | |
CN114998068B (zh) | 学习计划的生成方法及电子设备 | |
CN111625737B (zh) | 一种标签展示方法、装置、设备和存储介质 | |
CN114217961A (zh) | 校园信息的获取***、获取方法、教学服务器及移动终端 | |
WO2021113015A1 (en) | Associating content items with images captured of meeting content | |
JP2015212883A (ja) | 情報提示システム、装置、方法、およびコンピュータプログラム | |
US12028390B2 (en) | Intelligent meeting management | |
CN114398501B (zh) | 多媒体资源的分组方法、装置、设备及存储介质 | |
CN114936953A (zh) | 学习讨论室的成员确定方法及电子设备 |
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 |