CN114219346A - 一种提高网络学习环境服务质量的方法及*** - Google Patents
一种提高网络学习环境服务质量的方法及*** Download PDFInfo
- Publication number
- CN114219346A CN114219346A CN202111596352.4A CN202111596352A CN114219346A CN 114219346 A CN114219346 A CN 114219346A CN 202111596352 A CN202111596352 A CN 202111596352A CN 114219346 A CN114219346 A CN 114219346A
- Authority
- CN
- China
- Prior art keywords
- analysis
- user
- online education
- analysis result
- feature set
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000004458 analytical method Methods 0.000 claims abstract description 215
- 238000007781 pre-processing Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000013441 quality evaluation Methods 0.000 claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 42
- 230000002159 abnormal effect Effects 0.000 claims description 25
- 238000004140 cleaning Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 238000001303 quality assessment method Methods 0.000 claims description 14
- 238000003066 decision tree Methods 0.000 claims description 12
- 238000012300 Sequence Analysis Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 11
- 230000010354 integration Effects 0.000 claims description 9
- 238000003032 molecular docking Methods 0.000 claims description 9
- 238000010234 longitudinal analysis Methods 0.000 claims description 8
- 238000012217 deletion Methods 0.000 claims description 7
- 230000037430 deletion Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000013210 evaluation model Methods 0.000 claims description 3
- 210000001503 joint Anatomy 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Educational Technology (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明提供了一种提高网络学***台的第一预设周期的服务质量进行评估,获得第一评估结果,进而生成第一调整方案。解决了现有技术中存在教育平台质量参差不齐,导致网络学习服务质量不高,对学习环境及服务质量的评估调整缺乏科学方法的技术问题。
Description
技术领域
本发明涉及在线教育领域,具体涉及一种提高网络学习环境服务质量的方法及***。
背景技术
采用网上在线教学方式,从根本上可以说打破了时间和空间的阻隔限制,能够极大提高学***台甄别的同时,需要一套***的学***台进行自我提升,也帮助消费者进行平台筛选。
但现有技术中存在教育平台质量参差不齐,导致网络学习服务质量不高,对学习环境及服务质量的评估调整缺乏科学方法的技术问题。
发明内容
本申请通过提供了一种提高网络学***台质量参差不齐,导致网络学***台服务质量,为用户提供个性化、针对性强的网络学习环境的技术效果。
鉴于上述问题,本申请提供了一种提高网络学习环境服务质量的方法及***。
第一方面,本申请提供了一种提高网络学***台,获取第一在线教育数据集;对所述第一在线教育数据集进行数据预处理,获得第一在线教育标准数据集;对所述第一在线教育标准数据集进行特征提取,获得第一影响特征集合、第二影响特征集合、第三影响特征集合,其中所述第一影响特征集合为课程特征集合,所述第二影响特征集合为服务特征集合,所述第三影响特征集合为用户特征集合;对所述课程特征集合、所述服务特征集合进行完整度分析,获得第一分析结果和第二分析结果,对所述用户特征集合进行用户属性分析,获得第三分析结果;根据所述第一分析结果、所述第二分析结果和所述第三分析结果进行分布式训练,获得第一服务质量评估模型;基于所述第一服务质量评估模型,对所述第一在线教育平台的第一预设周期的服务质量进行评估,获得第一评估结果;基于所述第一评估结果,生成第一调整方案。
另一方面,本申请提供了一种提高网络学***台,获取第一在线教育数据集;第二获得单元,所述第二获得单元用于对所述第一在线教育数据集进行数据预处理,获得第一在线教育标准数据集;第三获得单元,所述第三获得单元用于对所述第一在线教育标准数据集进行特征提取,获得第一影响特征集合、第二影响特征集合、第三影响特征集合,其中所述第一影响特征集合为课程特征集合,所述第二影响特征集合为服务特征集合,所述第三影响特征集合为用户特征集合;第四获得单元,所述第四获得单元用于对所述课程特征集合、所述服务特征集合进行完整度分析,获得第一分析结果和第二分析结果,对所述用户特征集合进行用户属性分析,获得第三分析结果;第五获得单元,所述第五获得单元用于根据所述第一分析结果、所述第二分析结果和所述第三分析结果进行分布式训练,获得第一服务质量评估模型;第六获得单元,所述第六获得单元用于基于所述第一服务质量评估模型,对所述第一在线教育平台的第一预设周期的服务质量进行评估,获得第一评估结果;第一生成单元,所述第一生成单元用于基于所述第一评估结果,生成第一调整方案。
第三方面,本发明提供了一种提高网络学习环境服务质量的***,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现第一方面所述方法的步骤。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了对接第一在线教育平台,获取第一在线教育数据集;对第一在线教育数据集进行数据预处理,获得第一在线教育标准数据集;对第一在线教育标准数据集进行特征提取,获得第一影响特征集合、第二影响特征集合、第三影响特征集合,获得第一分析结果、第二分析结果和第三分析结果;根据第一分析结果、第二分析结果和第三分析结果进行分布式训练,获得第一服务质量评估模型;基于第一服务质量评估模型,对所述第一在线教育平台的第一预设周期的服务质量进行评估,获得第一评估结果,进而生成第一调整方案的技术方案,本申请通过提供了一种提高网络学***台服务质量,为用户提供个性化、针对性强的网络学习环境的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种提高网络学习环境服务质量的方法的流程示意图;
图2为本申请实施例一种提高网络学习环境服务质量的方法的获得第一在线教育标准数据集的流程示意图;
图3为本申请实施例一种提高网络学习环境服务质量的方法的获得第一分析结果和第二分析结果的流程示意图;
图4为本申请实施例一种提高网络学习环境服务质量的方法的获得第三分析结果的流程示意图;
图5为本申请实施例一种提高网络学习环境服务质量的***的结构示意图;
图6为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第三获得单元13,第四获得单元14,第五获得单元15,第六获得单元16,第一生成单元17,电子设备300,存储器301,处理器302,通信接口303,总线架构304。
具体实施方式
本申请通过提供了一种提高网络学***台质量参差不齐,导致网络学***台服务质量,为用户提供个性化、针对性强的网络学习环境的技术效果。
随着网络在线教育市场的突然火爆,网络学***台甄别的同时,需要一套***的学***台进行自我提升,也帮助消费者进行平台筛选。现有技术中存在教育平台质量参差不齐,导致网络学习服务质量不高,对学习环境及服务质量的评估调整缺乏科学方法的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请提供了一种提高网络学***台,获取第一在线教育数据集;对第一在线教育数据集进行数据预处理,获得第一在线教育标准数据集;对第一在线教育标准数据集进行特征提取,获得第一影响特征集合、第二影响特征集合、第三影响特征集合,获得第一分析结果、第二分析结果和第三分析结果;根据第一分析结果、第二分析结果和第三分析结果进行分布式训练,获得第一服务质量评估模型;基于第一服务质量评估模型,对所述第一在线教育平台的第一预设周期的服务质量进行评估,获得第一评估结果,进而生成第一调整方案。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种提高网络学习环境服务质量的方法,其中,所述方法包括:
S100:对接第一在线教育平台,获取第一在线教育数据集;
S200:对所述第一在线教育数据集进行数据预处理,获得第一在线教育标准数据集;
具体而言,所述第一在线教育平台为需要进行网络学***台。通过平台对接的方式,在获得所述第一在线教育平台许可后,获取第一在线教育平台的历史数据资料。即获取所述第一在线教育数据集。所述第一在线教育数据集中的数据较为繁杂,包括多项数据,举例如:课程数据(如课程购买数据、课程观看人数等)、服务数据(如咨询互动数据等)、用户数据(如用户在线时间、用户消费水平等)等。由于所述第一在线教育数据集中的数据缺乏整理,不利于后续的处理分析,因此需要对所述第一在线教育数据集进行数据预处理,所述预处理包括但不限于数据清洗、数据整合、归一化。通过预处理后的数据构成所述第一在线教育标准数据集,便于后续数据分析。达到了通过对接在线教育平台,获取平台历史数据,并经过数据处理,能够提高数据可利用性,同时数据真实可靠,能够为科学评估在线教育平台的质量与学习环境提供数据支撑的技术效果。
S300:对所述第一在线教育标准数据集进行特征提取,获得第一影响特征集合、第二影响特征集合、第三影响特征集合,其中所述第一影响特征集合为课程特征集合,所述第二影响特征集合为服务特征集合,所述第三影响特征集合为用户特征集合;
S400:对所述课程特征集合、所述服务特征集合进行完整度分析,获得第一分析结果和第二分析结果,对所述用户特征集合进行用户属性分析,获得第三分析结果;
具体而言,通过现有的特征提取技术对所述第一在线教育标准数据集进行特征提取。提取对在线教育平台学***台上获得完整的知识体系,服务的完整性决定学生用户和家长用户是否能有良好的平台使用体验和学***台上进行在线学***台对用户***台进行提升,从而吸引更多的目标客户。
S500:根据所述第一分析结果、所述第二分析结果和所述第三分析结果进行分布式训练,获得第一服务质量评估模型;
具体而言,所述第一分析结果、所述第二分析结果和所述第三分析结果是对所述第一在线教育平台进行完整度分析和用户属性分析后得到的。根据所述第一分析结果可以获知平台课程的完整性结果,根据所述第二分析结果可以获知平台服务的完整性结果,基于所述第三分析结果可以得知平台服务的用户的属性信息。因此使用所述第一分析结果、第二分析结果、第三分析结果进行分布式训练,能够将不同数据的特性综合,获得所述第一服务质量评估模型。其中所述分布式训练具体为采用数据并行的方式进行训练,即使用第一分析结果、第二分析结果、第三分析结果分别训练相同的模型,包括但不限于训练神经网络模型,从而通过分布式训练的方式提高训练效率。
S600:基于所述第一服务质量评估模型,对所述第一在线教育平台的第一预设周期的服务质量进行评估,获得第一评估结果;
S700:基于所述第一评估结果,生成第一调整方案。
具体而言,对所述第一在线教育平台近期的服务质量进行评估,首先预设一段数据采集的时间周期,即所述第一预设周期。获取所述第一预设周期的各项数据信息,经过数据预处理、特征提取和特征数据分析后,使用所述第一服务质量评估模型进行服务质量的评估,获得在所述第一预设周期的服务质量评估结果,即为所述第一评估结果。通过所述第一评估结果,生成第一调整方案,其中所述第一调整方案包括但不限于针对不同用户进行课程、服务的调整。平台管理人员根据所述第一调整方案进行调整,从而能够改善网络学***台服务质量,为用户准确提供个性化、针对性强的网络学习环境。
进一步的,如图2所示,所述对所述第一在线教育数据集进行数据预处理,获得第一在线教育标准数据集,步骤S200还包括:
S210:对所述第一在线教育数据集进行数据预处理,所述数据预处理包括数据清洗、数据整合、数据归一化;
S220:对所述第一在线教育数据集进行所述数据清洗,所述数据清洗包括缺失值处理、重复值处理、异常值处理;
S230:当数据为空值或0值时,进行所述缺失值处理,其中所述缺失值处理包括进行空值的百分比判断和0值的意义判断;
S240:当捕捉到重复值时,进行所述重复值处理,其中所述重复值处理包括直接删除;
S250:当捕捉到异常值时,进行所述异常值处理,其中所述异常值处理包括异常值占比分析和异常值复用几率分析;
S260:将数据清洗结果进行数据整合,获得第一整合在线教育数据集;
S270:对所述第一整合在线教育数据集进行归一化处理,获得所述第一在线教育标准数据集。
具体而言,第一在线教育数据集是在所述第一在线教育平台中采集的历史数据,其中数据的表现形式较多,例如表格、统计图等,且会存在一部分的残缺不完整的数据,因此需要对所述第一在线教育数据集进行标准化。经过数据预处理获得所述第一在线教育标准数据集。其中数据预处理包括但不限于数据清洗、数据整合、数据归一化。
获取到所述第一在线教育数据集后先进行数据清洗,数据清洗包括缺失值处理、重复值处理、异常值处理。缺失值处理包括数据出现空值或0值时,即此处数据缺失,需要进行空值的百分比判断和0值的意义判断。缺失值处理包括但不限于:当空值的占比较小时,可以进行空值的删除,当空值的占比较大时,需要进行空值的整合,并要求平台方进行补充;当出现0值时,需要进行意义判断,判断此处的0值是否存在意义,例如:缺课人数为0,有意义、学生姓名为0,此处0值无意义。0值有意义时,进行统计,无意义时进行删除。
当捕捉到重复值时,进行所述重复值处理,其中所述重复值处理包括直接删除,举不受限制的一例:当统计课程购买人数时,出现姓名相同的用户,对用户其他信息进行核实后,发现为重复值,此时进行删除操作即可,能够防止由于重复统计造成的数据准确性降低的情况。当捕捉到异常值时,进行所述异常值处理,其中所述异常值处理包括异常值占比分析和异常值复用几率分析,所述异常值包括但不限于数据格式异常、数值异常(例如偏离平均值等),对异常值进行占比分析,进行占比分析后,进行异常值复用几率的分析,若异常值占比较多且复用几率较大,则进行异常值分析转换,如:格式转换、单位转换等。若异常值占比较少且复用几率较少,则进行删除。
完成数据清洗后进行数据整合,将所有数据按照不同的类目进行整合汇总,例如:可以按照学前教育、初中、高中等进行数据汇总。获得第一整合在线教育数据集。进一步,进行归一化处理,获得所述第一在线教育标准数据集。归一化处理可以将有量纲数据转化为无量纲数据,同时也可以将无法进行比较的数据通过归一化处理后,参与分析计算,举例如将数据按比例缩放,使之落入一个小的特定区间,由于各个指标度量单位是不同的,为了能够将指标参与评价计算,需要对指标进行规范化处理,通过函数变换将其数值映射到某个数值区间。获得所述第一在线教育标准数据集能够为后续数据的深入分析奠定基础。
进一步的,如图3所示,所述对所述课程特征集合、所述服务特征集合进行完整度分析,获得第一分析结果和第二分析结果,步骤S400包括:
S410:对所述课程特征集合进行横向分析和纵向分析,所述横向分析包括课程覆盖范围分析,所述纵向分析包括课程复杂度分析,获得覆盖范围分析结果和复杂度分析结果;
S420:基于所述横向分析和所述纵向分析完成课程特征集合完整度分析,获得所述第一分析结果;
S430:对所述服务特征集合进行时序分析,所述时序分析包括课前服务分析、课中服务分析、课后服务分析;
S440:基于所述时序分析完成服务特征集合完整度分析,获得所述第二分析结果。
具体而言,对所述课程特征集合进行完整度分析优选为进行横向分析和纵向分析,横向分析包括课程覆盖范围分析,举例如平台通过平台课程的种类进行分析,例如考试辅导课程是否覆盖了各个学科、是否覆盖各个年级等。纵向分析包括课程复杂度分析,举例如根据课程的数量对课程复杂程度进行分析,同一个年级同一门课程,课程数量越多,课时越多,一定程度表示课程复杂度越高。根据所述横向分析和所述纵向分析完成所述课程特征的完整度分析,获得第一分析结果。第一分析结果反映了课程设置的完整情况。
进一步而言,对所述服务特征进行时序分析,所述时序分析包括课前服务、课中服务和课后服务分析。其中课前服务包括但不限于课前上课提醒、线上发放辅导资料、课前预***台的基础,完整性越高,说明平台越成熟和完整,从而能够直观的反映出学习平台的服务质量。
进一步的,如图4所示,所述对所述用户特征集合进行用户属性分析,获得第三分析结果,步骤S400包括:
S450:将用户消费额作为第一分级特征,将用户点击量作为第二分级特征,将用户登录时间作为第三分级特征;
S460:基于所述第一分级特征、所述第二分级特征和所述第三分级特征构建第一根节点;
S470:基于第一根节点和所述第一在线教育标准数据集的递归算法,构建第一用户属性决策树;
S480:根据所述第一用户属性决策树对所述用户特征集合进行用户属性分析,获得所述第三分析结果。
具体而言,对所述用户特征集合进行用户属性分析可以但不限于使用决策树对用户进行分类。决策树是一种基本的分类与回归方法,首先进行特征选择,将所述用户消费额作为第一分级特征,也就是可以使用用户在平台上购买课程和服务所花费的金额对用户进行分类。将用户点击量作为第二分级特征,用户点击量包括用户点开课程进行在线学***台的次数和时间越多,可根据用户点击量对用户进行分类。将用户登录时间作为第三分级特征,用户登陆时间进行统计,若用户一个月内很少登录,或上一次登陆时间距离当下时间已经很久,说明用户可能已经弃用本平台,若用户一个月几乎每天都要登录,说明用户在本平台购买了部分课程,因此可以通过登录时间对用户进行分类。可分别对所述第一分级特征、所述第二分级特征以及所述第三分级特征进行信息熵的运算,通过信息论编码中的信息熵计算公式进行计算,公式在此不做赘述。进而获得对应的所述第一特征信息熵、所述第二特征信息熵以及所述第三特征信息熵,将信息熵熵值最小的特征进行优先分类,将熵值最小的特征作为第一根节点特征,构建所述第一根节点。按照上述方法对所述第一用户属性决策树进行递归构建,直至无法对最后的特征叶节点进行再分,说明分类结束,以此构成了所述第一用户属性决策树。将所述用户特征集合输入所述第一用户属性决策树,进行用户属性分析,获得所述第三分析结果,所述第三分类结果是较为合理的用户分类结果。通过决策树的分析,能够达到快速、准确的匹配到合适的用户分类结果的技术效果。
进一步的,本申请实施例还包括:
S441:获得第一在线教育平台的用户反馈信息,所述用户反馈信息包括课程评论区留言、用户咨询记录;
S442:基于语义理解技术对所述用户反馈信息进行分析,获得第四分析结果;
S443:使用所述第四分析结果对所述第一服务质量评估模型进行更新,使用更新后的所述第一服务质量评估模型,对所述第一在线教育平台的第一预设周期的服务质量进行评估,获得第二评估结果。
具体而言,用户在平台进行上课、浏览、咨询之后会产生不同的用户体验,通过平台的用户反馈信息能够获取用户最真实的反馈体验。所述用户反馈信息包括但不限于课程评论区留言和用户咨询客服的聊天记录,由于反馈内容以文字形式呈现较多,若采用人工分析的方法将会耗费大量时间,效率较低。因此采用现有的语义理解技术对所述用户反馈信息进行分析,分析提取用户反馈信息中课程以及服务的缺陷,获得第四分析结果,第四分析结果包括但不限于课程画质、音质、老师讲课风格、客服解决问题效率等问题。语义理解技术包括但不限于深度语义理解NLP/NIU技术等。对所述用户反馈信息进行分析,获得第四分析结果,使用所述第四分析结果对所述第一服务质量评估模型进行更新,获得更新后的所述第一服务质量评估模型。更新后的模型是在原来模型的基础上增加了新数据(用户反馈信息)的训练学***台现有的网络学习环境和服务质量进行调整。
进一步的,所述基于所述第一评估结果,生成第一调整方案之后,步骤S700包括:
S710:对接所述第一在线教育平台,获取第一预设周期内页面布局信息;
S720:基于所述页面布局信息,获得页面框架信息、导航栏信息、快捷功能入口信息;
S730:基于所述用户点击量信息,获得所述页面框架信息、所述导航栏信息和所述快捷功能入口信息的综合用户偏好信息;
S740:基于所述综合用户偏好信息对所述页面布局信息进行调整,生成第二调整方案。
具体而言,平台的页面布局是否准确、恰当也影响着平台的服务质量,例如用户浏览平台首页时,首页的页面布局无法吸引用户注意,或用户无法快速找到需要的课程信息和服务时,用户留存率可能会有所降低。对接所述第一在线教育平台,获取第一预设周期内的页面布局信息。由于页面布局信息会随着时间、课程、欲突出的重点发生变化,因此获取所述第一预设周期的页面布局信息,具有时效性和代表性。所述第一预设周期为距离当下时间较近的一段时间周期,例如当季度、当月等。所述页面布局信息包括但不限于页面框架信息(包括每一区域的分布、几何面积大小等)、导航栏信息(导航栏名称、导航栏位置等)、快捷功能入口信息(快捷功能名称,入口布局位置、几何面积大小等)。获得用户在首页的页面布局信息中每一板块的点击量,通过点击量能够获得哪一个板块最受用户青睐,根据所有平台用户的点击量,获得综合用户偏好信息。从而基于所述综合用户偏好信息对所述页面布局信息进行调整,生成第二调整方案。举不受限制的一例:在页面布局信息中某一区域的点击量最高,某一区域的点击量最低,那么获取他们的几何面积,对点击量最低的区域,将几何面积适度缩小,将点击量最高的区域几何面积适度扩大,并将平台重要信息(例如最新课程、优秀讲师等)布局在点击量高且醒目的位置。通过第二调整方案可以对在线平台的页面布局进行调整,从而为用户营造干净、适宜的学习环境。
进一步的,本申请实施例还包括:
S741:根据所述第三分析结果,对用户进行等级划分,获得用户等级信息;
S742:根据所述用户等级信息,获得各等级用户的点击量均值;
S743:根据所述点击量均值,获得各等级用户对所述页面框架信息、所述导航栏信息和所述快捷功能入口信息的用户偏好信息;
S744:基于各等级用户的所述用户偏好信息对所述页面布局信息进行调整,生成第三调整方案。
具体而言,所述第三分析结果为用户属性分析结果。根据用户属性分析结果对用户进行等级划分,例如划分为普通用户、中级用户、高级用户、超级用户等。获得用户等级信息,将每一级用户不同板块的点击量求均值,获得每一等级用户的点击量均值。由于每一等级用户具有较为相似的属性,他们的点击量均值能够反映该等级用户的偏好。故,基于点击量均值获得各等级用户对所述页面框架信息、所述导航栏信息和所述快捷功能入口信息的用户偏好信息。基于各等级用户偏好信息对所述页面布局信息进行调整。从而为不同等级用户提供不同的页面布局。提高了页面布局的准确性,同时也能减少对页面布局调整的次数,降低页面调整不必要的调整,提高页面调整的效率。
综上所述,本申请实施例所提供的一种提高网络学习环境服务质量的方法及***具有如下技术效果:
1.由于采用了对接第一在线教育平台,获取第一在线教育数据集;对第一在线教育数据集进行数据预处理,获得第一在线教育标准数据集;对第一在线教育标准数据集进行特征提取,获得第一影响特征集合、第二影响特征集合、第三影响特征集合,获得第一分析结果、第二分析结果和第三分析结果;根据第一分析结果、第二分析结果和第三分析结果进行分布式训练,获得第一服务质量评估模型;基于第一服务质量评估模型,对所述第一在线教育平台的第一预设周期的服务质量进行评估,获得第一评估结果,进而生成第一调整方案技术方案,本申请通过提供了一种提高网络学***台服务质量,为用户提供个性化、针对性强的网络学习环境的技术效果。
2.由于采用了对用户进行等级划分,根据各等级用户偏好信息对所述页面布局信息进行调整的方法,从而为不同等级用户提供不同的页面布局,提高页面布局的准确性,同时也能减少对页面布局调整的次数,降低页面调整不必要的调整,达到了提高页面调整的效率的技术效果。
实施例二
基于与前述实施例中一种提高网络学习环境服务质量的方法相同的发明构思,如图5所示,本申请实施例提供了一种提高网络学习环境服务质量的***,其中,所述***包括:
第一获得单元11,所述第一获得单元11用于对接第一在线教育平台,获取第一在线教育数据集;
第二获得单元12,所述第二获得单元12用于对所述第一在线教育数据集进行数据预处理,获得第一在线教育标准数据集;
第三获得单元13,所述第三获得单元13用于对所述第一在线教育标准数据集进行特征提取,获得第一影响特征集合、第二影响特征集合、第三影响特征集合,其中所述第一影响特征集合为课程特征集合,所述第二影响特征集合为服务特征集合,所述第三影响特征集合为用户特征集合;
第四获得单元14,所述第四获得单元14用于对所述课程特征集合、所述服务特征集合进行完整度分析,获得第一分析结果和第二分析结果,对所述用户特征集合进行用户属性分析,获得第三分析结果;
第五获得单元15,所述第五获得单元15用于根据所述第一分析结果、所述第二分析结果和所述第三分析结果进行分布式训练,获得第一服务质量评估模型;
第六获得单元16,所述第六获得单元16用于基于所述第一服务质量评估模型,对所述第一在线教育平台的第一预设周期的服务质量进行评估,获得第一评估结果;
第一生成单元17,所述第一生成单元17用于基于所述第一评估结果,生成第一调整方案。
进一步的,所述***包括:
第一执行单元,所述第一执行单元用于对所述第一在线教育数据集进行数据预处理,所述数据预处理包括数据清洗、数据整合、数据归一化;
第二执行单元,所述第二执行单元用于对所述第一在线教育数据集进行所述数据清洗,所述数据清洗包括缺失值处理、重复值处理、异常值处理;
第三执行单元,所述第三执行单元用于当数据为空值或0值时,进行所述缺失值处理,其中所述缺失值处理包括进行空值的百分比判断和0值的意义判断;
第四执行单元,所述第四执行单元用于当捕捉到重复值时,进行所述重复值处理,其中所述重复值处理包括直接删除;
第五执行单元,所述第五执行单元用于当捕捉到异常值时,进行所述异常值处理,其中所述异常值处理包括异常值占比分析和异常值复用几率分析;
第七获得单元,所述第七获得单元用于将数据清洗结果进行数据整合,获得第一整合在线教育数据集;
第八获得单元,所述第八获得单元用于对所述第一整合在线教育数据集进行归一化处理,获得所述第一在线教育标准数据集。
进一步的,所述***包括:
第九获得单元,所述第九获得单元用于对所述课程特征集合进行横向分析和纵向分析,所述横向分析包括课程覆盖范围分析,所述纵向分析包括课程复杂度分析,获得覆盖范围分析结果和复杂度分析结果;
第十获得单元,所述第十获得单元用于基于所述横向分析和所述纵向分析完成课程特征集合完整度分析,获得所述第一分析结果;
第十一获得单元,所述第十一获得单元用于对所述服务特征集合进行时序分析,所述时序分析包括课前服务分析、课中服务分析、课后服务分析;
第十二获得单元,所述第十二获得单元用于基于所述时序分析完成服务特征集合完整度分析,获得所述第二分析结果。
进一步的,所述***包括:
第六执行单元,所述第六执行单元用于将用户消费额作为第一分级特征,将用户点击量作为第二分级特征,将用户登录时间作为第三分级特征;
第一构建单元,所述第一构建单元用于基于所述第一分级特征、所述第二分级特征和所述第三分级特征构建第一根节点;
第二构建单元,所述第二构建单元用于基于第一根节点和所述第一在线教育标准数据集的递归算法,构建第一用户属性决策树;
第十三获得单元,所述第十三获得单元用于根据所述第一用户属性决策树对所述用户特征集合进行用户属性分析,获得所述第三分析结果。
进一步的,所述***包括:
第十四获得单元,所述第十四获得单元用于获得第一在线教育平台的用户反馈信息,所述用户反馈信息包括课程评论区留言、用户咨询记录;
第十五获得单元,所述第十五获得单元用于基于语义理解技术对所述用户反馈信息进行分析,获得第四分析结果;
第十六获得单元,所述第十六获得单元用于使用所述第四分析结果对所述第一服务质量评估模型进行更新,使用更新后的所述第一服务质量评估模型,对所述第一在线教育平台的第一预设周期的服务质量进行评估,获得第二评估结果。
进一步的,所述***包括:
第七执行单元,所述第七执行单元用于对接所述第一在线教育平台,获取第一预设周期内页面布局信息;
第十七获得单元,所述第十七获得单元用于基于所述页面布局信息,获得页面框架信息、导航栏信息、快捷功能入口信息;
第十八获得单元,所述第十八获得单元用于基于所述用户点击量信息,获得所述页面框架信息、所述导航栏信息和所述快捷功能入口信息的综合用户偏好信息;
第二生成单元,所述第二生成单元用于基于所述综合用户偏好信息对所述页面布局信息进行调整,生成第二调整方案。
进一步的,所述***包括:
第十九获得单元,所述第十九获得单元用于根据所述第三分析结果,对用户进行等级划分,获得用户等级信息;
第二十获得单元,所述第二十获得单元用于根据所述用户等级信息,获得各等级用户的点击量均值;
第二十一获得单元,所述第二十一获得单元用于根据所述点击量均值,获得各等级用户对所述页面框架信息、所述导航栏信息和所述快捷功能入口信息的用户偏好信息;
第三生成单元,所述第三生成单元用于基于各等级用户的所述用户偏好信息对所述页面布局信息进行调整,生成第三调整方案。
示例性电子设备
下面参考图6来描述本申请实施例的电子设备。
基于与前述实施例中一种提高网络学习环境服务质量的方法相同的发明构思,本申请实施例还提供了一种提高网络学习环境服务质量的***,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得***以执行第一方面任一项所述的方法。
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture,简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN),有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory,EEPROM)、只读光盘(compactdisc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的一种提高网络学习环境服务质量的方法。
可选的,本申请实施例中的计算机执行指令也可以称之为应用程序代码,本申请实施例对此不作具体限定。
本申请实施例提供了一种提高网络学***台,获取第一在线教育数据集;对第一在线教育数据集进行数据预处理,获得第一在线教育标准数据集;对第一在线教育标准数据集进行特征提取,获得第一影响特征集合、第二影响特征集合、第三影响特征集合,获得第一分析结果、第二分析结果和第三分析结果;根据第一分析结果、第二分析结果和第三分析结果进行分布式训练,获得第一服务质量评估模型;基于第一服务质量评估模型,对所述第一在线教育平台的第一预设周期的服务质量进行评估,获得第一评估结果,进而生成第一调整方案。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请实施例的范围,也不表示先后顺序。“和/或”,描述关联对象的关联关系,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。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a ,b,或c中的至少一项(个、种),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中的不同的部件中。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。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (9)
1.一种提高网络学习环境服务质量的方法,其特征在于,所述方法包括:
对接第一在线教育平台,获取第一在线教育数据集;
对所述第一在线教育数据集进行数据预处理,获得第一在线教育标准数据集;
对所述第一在线教育标准数据集进行特征提取,获得第一影响特征集合、第二影响特征集合、第三影响特征集合,其中所述第一影响特征集合为课程特征集合,所述第二影响特征集合为服务特征集合,所述第三影响特征集合为用户特征集合;
对所述课程特征集合、所述服务特征集合进行完整度分析,获得第一分析结果和第二分析结果,对所述用户特征集合进行用户属性分析,获得第三分析结果;
根据所述第一分析结果、所述第二分析结果和所述第三分析结果进行分布式训练,获得第一服务质量评估模型;
基于所述第一服务质量评估模型,对所述第一在线教育平台的第一预设周期的服务质量进行评估,获得第一评估结果;
基于所述第一评估结果,生成第一调整方案。
2.如权利要求1所述的方法,其特征在于,所述对所述第一在线教育数据集进行数据预处理,获得第一在线教育标准数据集,所述方法还包括:
对所述第一在线教育数据集进行数据预处理,所述数据预处理包括数据清洗、数据整合、数据归一化;
对所述第一在线教育数据集进行所述数据清洗,所述数据清洗包括缺失值处理、重复值处理、异常值处理;
当数据为空值或0值时,进行所述缺失值处理,其中所述缺失值处理包括进行空值的百分比判断和0值的意义判断;
当捕捉到重复值时,进行所述重复值处理,其中所述重复值处理包括直接删除;
当捕捉到异常值时,进行所述异常值处理,其中所述异常值处理包括异常值占比分析和异常值复用几率分析;
将数据清洗结果进行数据整合,获得第一整合在线教育数据集;
对所述第一整合在线教育数据集进行归一化处理,获得所述第一在线教育标准数据集。
3.如权利要求1所述的方法,其特征在于,所述对所述课程特征集合、所述服务特征集合进行完整度分析,获得第一分析结果和第二分析结果,所述方法还包括:
对所述课程特征集合进行横向分析和纵向分析,所述横向分析包括课程覆盖范围分析,所述纵向分析包括课程复杂度分析,获得覆盖范围分析结果和复杂度分析结果;
基于所述横向分析和所述纵向分析完成课程特征集合完整度分析,获得所述第一分析结果;
对所述服务特征集合进行时序分析,所述时序分析包括课前服务分析、课中服务分析、课后服务分析;
基于所述时序分析完成服务特征集合完整度分析,获得所述第二分析结果。
4.如权利要求1所述的方法,其特征在于,所述对所述用户特征集合进行用户属性分析,获得第三分析结果,所述方法还包括:
将用户消费额作为第一分级特征,将用户点击量作为第二分级特征,将用户登录时间作为第三分级特征;
基于所述第一分级特征、所述第二分级特征和所述第三分级特征构建第一根节点;
基于第一根节点和所述第一在线教育标准数据集的递归算法,构建第一用户属性决策树;
根据所述第一用户属性决策树对所述用户特征集合进行用户属性分析,获得所述第三分析结果。
5.如权利要求3所述的方法,其特征在于,所述方法还包括:
获得第一在线教育平台的用户反馈信息,所述用户反馈信息包括课程评论区留言、用户咨询记录;
基于语义理解技术对所述用户反馈信息进行分析,获得第四分析结果;
使用所述第四分析结果对所述第一服务质量评估模型进行更新,使用更新后的所述第一服务质量评估模型,对所述第一在线教育平台的第一预设周期的服务质量进行评估,获得第二评估结果。
6.如权利要求1所述的方法,其特征在于,所述基于所述第一评估结果,生成第一调整方案之后,所述方法还包括:
对接所述第一在线教育平台,获取第一预设周期内页面布局信息;
基于所述页面布局信息,获得页面框架信息、导航栏信息、快捷功能入口信息;
基于所述用户点击量信息,获得所述页面框架信息、所述导航栏信息和所述快捷功能入口信息的综合用户偏好信息;
基于所述综合用户偏好信息对所述页面布局信息进行调整,生成第二调整方案。
7.如权利要求6所述的方法,其特征在于,所述方法还包括:
根据所述第三分析结果,对用户进行等级划分,获得用户等级信息;
根据所述用户等级信息,获得各等级用户的点击量均值;
根据所述点击量均值,获得各等级用户对所述页面框架信息、所述导航栏信息和所述快捷功能入口信息的用户偏好信息;
基于各等级用户的所述用户偏好信息对所述页面布局信息进行调整,生成第三调整方案。
8.一种提高网络学习环境服务质量的***,其特征在于,所述***包括:
第一获得单元,所述第一获得单元用于对接第一在线教育平台,获取第一在线教育数据集;
第二获得单元,所述第二获得单元用于对所述第一在线教育数据集进行数据预处理,获得第一在线教育标准数据集;
第三获得单元,所述第三获得单元用于对所述第一在线教育标准数据集进行特征提取,获得第一影响特征集合、第二影响特征集合、第三影响特征集合,其中所述第一影响特征集合为课程特征集合,所述第二影响特征集合为服务特征集合,所述第三影响特征集合为用户特征集合;
第四获得单元,所述第四获得单元用于对所述课程特征集合、所述服务特征集合进行完整度分析,获得第一分析结果和第二分析结果,对所述用户特征集合进行用户属性分析,获得第三分析结果;
第五获得单元,所述第五获得单元用于根据所述第一分析结果、所述第二分析结果和所述第三分析结果进行分布式训练,获得第一服务质量评估模型;
第六获得单元,所述第六获得单元用于基于所述第一服务质量评估模型,对所述第一在线教育平台的第一预设周期的服务质量进行评估,获得第一评估结果;
第一生成单元,所述第一生成单元用于基于所述第一评估结果,生成第一调整方案。
9.一种提高网络学习环境服务质量的***,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111596352.4A CN114219346B (zh) | 2021-12-24 | 2021-12-24 | 一种提高网络学习环境服务质量的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111596352.4A CN114219346B (zh) | 2021-12-24 | 2021-12-24 | 一种提高网络学习环境服务质量的方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114219346A true CN114219346A (zh) | 2022-03-22 |
CN114219346B CN114219346B (zh) | 2023-04-14 |
Family
ID=80705505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111596352.4A Active CN114219346B (zh) | 2021-12-24 | 2021-12-24 | 一种提高网络学习环境服务质量的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114219346B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111626628A (zh) * | 2020-06-01 | 2020-09-04 | 梅和珍 | 一种用于课外辅导的网络教学*** |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2005203324A1 (en) * | 1999-06-30 | 2005-08-25 | Blackboard Inc. | Internet-based education support system and methods |
US20070224586A1 (en) * | 2006-03-24 | 2007-09-27 | Robert K. MASSIE | Method and system for evaluating and matching educational content to a user |
CN103226796A (zh) * | 2013-04-02 | 2013-07-31 | 浙江大学 | 面向全过程的在线教育服务质量评估方法 |
US20140242565A1 (en) * | 2013-02-26 | 2014-08-28 | Leigh Roy Abts | QUALITY MANAGEMENT SYSTEM AND PROBLEM SOLVING LEARNING ENVIRONMENTS AND DESIGN FOR 21st CENTURY SKILLS |
CN103577535B (zh) * | 2013-09-02 | 2015-04-29 | 西安交通大学 | 一种客观评价e-learning用户体验质量的方法 |
WO2015128700A1 (en) * | 2014-02-25 | 2015-09-03 | Al Midfa Khalid Omar | Electronic educational content mapping and learning system and a method of ensuring quality teaching and learning effectiveness |
US20150269764A1 (en) * | 2014-03-20 | 2015-09-24 | Digizyme, Inc. | Systems and methods for modeling |
US20150379429A1 (en) * | 2014-06-30 | 2015-12-31 | Amazon Technologies, Inc. | Interactive interfaces for machine learning model evaluations |
US20180075765A1 (en) * | 2016-09-09 | 2018-03-15 | International Business Machines Corporation | System and method for transmission of market-ready education curricula |
US20180082602A1 (en) * | 2016-09-22 | 2018-03-22 | Coursera, Inc. | Adaptive content delivery for online education |
CN107832740A (zh) * | 2017-11-28 | 2018-03-23 | 中国地质大学(武汉) | 一种远程教学的教学质量评估方法及*** |
CN108182489A (zh) * | 2017-12-25 | 2018-06-19 | 浙江工业大学 | 一种基于在线学习行为分析的个性化学习推荐方法 |
US20180174476A1 (en) * | 2016-12-20 | 2018-06-21 | Coursera, Inc. | User generated content within an online education platform |
CN108304793A (zh) * | 2018-01-26 | 2018-07-20 | 北京易真学思教育科技有限公司 | 在线学习分析***及方法 |
CN109544028A (zh) * | 2018-11-30 | 2019-03-29 | 北京网梯科技发展有限公司 | 基于用户空间的个性化教学数据分析方法及*** |
CN110321422A (zh) * | 2018-03-28 | 2019-10-11 | 腾讯科技(深圳)有限公司 | 在线训练模型的方法、推送方法、装置以及设备 |
CN110378434A (zh) * | 2019-07-24 | 2019-10-25 | 腾讯科技(深圳)有限公司 | 点击率预测模型的训练方法、推荐方法、装置及电子设备 |
WO2020077672A1 (zh) * | 2018-10-17 | 2020-04-23 | 网宿科技股份有限公司 | 一种服务质量评估模型的训练方法及装置 |
CN111221915A (zh) * | 2019-04-18 | 2020-06-02 | 江苏大学 | 基于CWK-means的在线学习资源质量分析方法 |
CN112116181A (zh) * | 2019-06-20 | 2020-12-22 | 北京新唐思创教育科技有限公司 | 课堂质量模型的训练方法、课堂质量评价方法及装置 |
CN112529204A (zh) * | 2019-09-17 | 2021-03-19 | 华为技术有限公司 | 模型训练方法、装置及*** |
CN112883723A (zh) * | 2021-03-18 | 2021-06-01 | 江西师范大学 | 基于布鲁姆认知分类理论的深度神经网络认知水平评价模型 |
CN112910961A (zh) * | 2021-01-15 | 2021-06-04 | 华中师范大学 | 一种网络课程视频质量自动评价方法及*** |
-
2021
- 2021-12-24 CN CN202111596352.4A patent/CN114219346B/zh active Active
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2005203324A1 (en) * | 1999-06-30 | 2005-08-25 | Blackboard Inc. | Internet-based education support system and methods |
US20070224586A1 (en) * | 2006-03-24 | 2007-09-27 | Robert K. MASSIE | Method and system for evaluating and matching educational content to a user |
US20140242565A1 (en) * | 2013-02-26 | 2014-08-28 | Leigh Roy Abts | QUALITY MANAGEMENT SYSTEM AND PROBLEM SOLVING LEARNING ENVIRONMENTS AND DESIGN FOR 21st CENTURY SKILLS |
CN103226796A (zh) * | 2013-04-02 | 2013-07-31 | 浙江大学 | 面向全过程的在线教育服务质量评估方法 |
CN103577535B (zh) * | 2013-09-02 | 2015-04-29 | 西安交通大学 | 一种客观评价e-learning用户体验质量的方法 |
WO2015128700A1 (en) * | 2014-02-25 | 2015-09-03 | Al Midfa Khalid Omar | Electronic educational content mapping and learning system and a method of ensuring quality teaching and learning effectiveness |
US20150269764A1 (en) * | 2014-03-20 | 2015-09-24 | Digizyme, Inc. | Systems and methods for modeling |
US20150379429A1 (en) * | 2014-06-30 | 2015-12-31 | Amazon Technologies, Inc. | Interactive interfaces for machine learning model evaluations |
US20180075765A1 (en) * | 2016-09-09 | 2018-03-15 | International Business Machines Corporation | System and method for transmission of market-ready education curricula |
US20180082602A1 (en) * | 2016-09-22 | 2018-03-22 | Coursera, Inc. | Adaptive content delivery for online education |
US20180174476A1 (en) * | 2016-12-20 | 2018-06-21 | Coursera, Inc. | User generated content within an online education platform |
CN107832740A (zh) * | 2017-11-28 | 2018-03-23 | 中国地质大学(武汉) | 一种远程教学的教学质量评估方法及*** |
CN108182489A (zh) * | 2017-12-25 | 2018-06-19 | 浙江工业大学 | 一种基于在线学习行为分析的个性化学习推荐方法 |
CN108304793A (zh) * | 2018-01-26 | 2018-07-20 | 北京易真学思教育科技有限公司 | 在线学习分析***及方法 |
CN110321422A (zh) * | 2018-03-28 | 2019-10-11 | 腾讯科技(深圳)有限公司 | 在线训练模型的方法、推送方法、装置以及设备 |
WO2020077672A1 (zh) * | 2018-10-17 | 2020-04-23 | 网宿科技股份有限公司 | 一种服务质量评估模型的训练方法及装置 |
US20200287814A1 (en) * | 2018-10-17 | 2020-09-10 | Wangsu Science & Technology Co., Ltd. | Training method and apparatus for service quality assessment model |
CN109544028A (zh) * | 2018-11-30 | 2019-03-29 | 北京网梯科技发展有限公司 | 基于用户空间的个性化教学数据分析方法及*** |
CN111221915A (zh) * | 2019-04-18 | 2020-06-02 | 江苏大学 | 基于CWK-means的在线学习资源质量分析方法 |
CN112116181A (zh) * | 2019-06-20 | 2020-12-22 | 北京新唐思创教育科技有限公司 | 课堂质量模型的训练方法、课堂质量评价方法及装置 |
CN110378434A (zh) * | 2019-07-24 | 2019-10-25 | 腾讯科技(深圳)有限公司 | 点击率预测模型的训练方法、推荐方法、装置及电子设备 |
CN112529204A (zh) * | 2019-09-17 | 2021-03-19 | 华为技术有限公司 | 模型训练方法、装置及*** |
CN112910961A (zh) * | 2021-01-15 | 2021-06-04 | 华中师范大学 | 一种网络课程视频质量自动评价方法及*** |
CN112883723A (zh) * | 2021-03-18 | 2021-06-01 | 江西师范大学 | 基于布鲁姆认知分类理论的深度神经网络认知水平评价模型 |
Non-Patent Citations (3)
Title |
---|
ALBERTO ORTIZ-LÓPEZ† ETC: ""e-Learning quality assessment in higher education: A mapping study"", 《ACM》 * |
云洁 等: ""大数据驱动的计算机网络远程教学质量评价研究"", 《现代电子技术》 * |
吴敏: ""面向教育大数据的关键算法研究与实现"", 《中国优秀硕士学位论文全文数据库社会科学Ⅱ辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111626628A (zh) * | 2020-06-01 | 2020-09-04 | 梅和珍 | 一种用于课外辅导的网络教学*** |
Also Published As
Publication number | Publication date |
---|---|
CN114219346B (zh) | 2023-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Baltadzhieva et al. | Question quality in community question answering forums: a survey | |
WO2019174141A1 (zh) | 调查问卷生成方法、服务器及计算机可读存储介质 | |
DE102011017442A1 (de) | Verfahren zum Bestimmen des Kundenwerts und -potenzials aus sozialen Medien und anderen öffentlichen Datenquellen | |
US9501580B2 (en) | Method and apparatus for automated selection of interesting content for presentation to first time visitors of a website | |
DE102015009912A1 (de) | Adaptives Modifizieren von Inhalten, die in elektronischen Formularen präsentiert werden | |
CN104516983A (zh) | 数据展示方法 | |
CN108650532B (zh) | 有线电视点播节目推荐方法及*** | |
DE202017104849U1 (de) | Systeme und Medien zum Darstellen einer Benutzerschnittstelle, die für eine vorhergesagte Benutzeraktivität kundenspezifisch ist | |
CN113312468B (zh) | 基于对话模式的话术推荐方法、装置、设备及介质 | |
CN111046263A (zh) | 一种学生学习兴趣画像生成***、方法、装置及存储介质 | |
CN109977313A (zh) | 学习者模型构建方法、学习资源的推荐方法及*** | |
CN113269662A (zh) | 一种基于大数据的智慧教学*** | |
CN114219346B (zh) | 一种提高网络学习环境服务质量的方法及*** | |
US10956429B1 (en) | Prescriptive analytics platform and polarity analysis engine | |
CN113435713B (zh) | 基于gis技术和两模型融合的风险地图编制方法及*** | |
CN110209944B (zh) | 一种股票分析师推荐方法、装置、计算机设备和存储介质 | |
JP4308683B2 (ja) | ユーザ活動履歴可視化・分析方法、ユーザ活動履歴可視化・分析装置、および、プログラム | |
KR20170076274A (ko) | 지능형 큐레이션 서비스 제공시스템 | |
JP6971268B2 (ja) | 調査システムおよび調査方法 | |
JP2001184273A (ja) | アンケートシステム及びアンケート作業自動化方法 | |
CN113918548A (zh) | 基于私域流量的问卷调查方法、装置及存储介质 | |
CN111143688A (zh) | 一种基于移动新闻客户端的评估方法及其*** | |
CN110796364A (zh) | 在线课堂的质检方法、装置、电子设备及存储介质 | |
Wilde et al. | Tracking collective learner footprints: aggregate analysis of MOOC learner demographics and activity | |
Peng et al. | Toward effective social contagion: A micro level analysis of the impact of dyadic network relationship |
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 |