CN114862636A - 一种金融智能授课与隐私保护方法 - Google Patents
一种金融智能授课与隐私保护方法 Download PDFInfo
- Publication number
- CN114862636A CN114862636A CN202210471694.1A CN202210471694A CN114862636A CN 114862636 A CN114862636 A CN 114862636A CN 202210471694 A CN202210471694 A CN 202210471694A CN 114862636 A CN114862636 A CN 114862636A
- Authority
- CN
- China
- Prior art keywords
- model
- students
- teacher
- student
- teaching
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 16
- 230000007246 mechanism Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000009471 action Effects 0.000 claims description 12
- 239000003795 chemical substances by application Substances 0.000 claims description 12
- 238000013136 deep learning model Methods 0.000 claims description 12
- 238000012552 review Methods 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000002787 reinforcement Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 8
- 230000002452 interceptive effect Effects 0.000 claims description 8
- 230000006399 behavior Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000003058 natural language processing Methods 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 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
- 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
- G06Q50/2057—Career enhancement or continuing education service
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Educational Technology (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Finance (AREA)
- Bioethics (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Hardware Design (AREA)
- Operations Research (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Technology Law (AREA)
Abstract
本申请提供一种金融智能授课与隐私保护方法与***，包括：建立区块链数据库保护数据隐私；存储到区块链数据库的数据识别学生上课专注度；基于NLP技术判断老师上课表现与老师上课表现是否影响学生；根据学生的课堂表现调整电子文献阅读量；学生掌握电子文献的情况调整老师的授课计划；保护教师授课计划隐私并调整学生学习内容。
Description
技术领域
本发明涉及智能隐私保护技术领域，尤其涉及一种金融智能授课与隐私保护方法。
背景技术
如今课堂经常出现秩序混乱的现象如：学生低头玩手机，而该现象往往与学生的学习情况不佳相关，学生的情况除学生自身因素还可能受到教师授课情况是否良好的影响，本项目通过自然语言处理技术提取教师授课时的说话内容分析教师与学生的互动频率，从而判断教师的授课情况是否良好；
结合学生课后的金融知识学习情况、教师授课情况、学生课堂表现情况，判断学生的知识掌握程度是受到学生课堂自主学习的积极性影响还是教师授课情况是否良好的影响，并通过差分隐私技术解决老师的授课情况泄露至其他用户的问题，从而避免老师因为授课情况数据泄露受到学校的处分、开除等问题。
若学生出现知识掌握不好的情况，教师是否需要在下节课对上次内容进行复习也是本发明关注的核心技术问题，本发明使用DRL技术实现教师排课的个性化，调整新内容与旧知识的时间占比，并且***根据教师排课计划调整学生的学习计划，从而让学生的日常学习更加高效，更符合下节课授课的需求。
发明内容
本发明提供了一种金融智能授课与隐私保护方法与***，主要包括：
建立区块链数据库保护数据隐私；存储到区块链数据库的数据识别学生上课专注度；基于NLP技术判断老师上课表现与老师上课表现是否影响学生；根据学生的课堂表现调整电子文献阅读量；学生掌握电子文献的情况调整老师的授课计划；保护教师授课计划隐私并调整学生学习内容；
进一步可选地，所述建立区块链数据库保护数据隐私包括：
建立区块链数据库对课堂学生表现、教师授课信息、课堂学习资料如：金融课程、金融资料等数据进行存储并使用差分隐私加密技术：在查询结果中加入了结果的不确定性：通过Laplace机制：对于相邻的数据集,给定相对应的映射函数在对用户查询的结果中加入Laplace噪音；学生可在***数据库中获取想要学习的金融信息，***的隐私保护可以避免其他用户知道该同学学习的薄弱部分。包括：差分隐私使用Laplace机制实现隐私保护；
所述差分隐私使用Laplace机制实现隐私保护，还包括：
假设查询结果的框架系数基于广义Gauss-Laplace先验统计分布，使用极大似然估计和后验均值估算量，通过Laplace的分布性对结果进行差分处理。
进一步可选地，所述存储到区块链数据库的数据识别学生上课专注度包括：
根据建立好的数据库，将获取的图像数据存储进区块链数据库，建立学生人脸的数据库与云端服务器，提取学生的人脸特征并分析学生金融课堂的专注度；包括：使用MTCNN人脸识别模型；基于联邦学习训练MTCNN模型；根据iris分析判断学生的专注度；使用姿态分析判断学生课堂表现分值；
所述使用MTCNN人脸识别模型，还包括：
训练MTCNN:该模型主要采用了三个级联的网络:P-Net、R-Net、和O-Net采用候选框加分类器的思想，并使用NMS、Soft-NMS、RRelu构建神经网络；并使用横向联邦学习技术，不同的金融授课机构间通过横向联邦学习，利用各课堂的数据对模型进行训练：将人脸的图像作为输入，识别的结果作为输出；利用各的数据对模型进行训练，服务器将训练的结果。
所述基于联邦学习训练MTCNN模型，还包括：
不同金融课堂通过横向联邦学习，利用各高校的数据对模型进行训练，服务器将训练的结果：模型的参数、梯度值、损失函数值等返回至各金融课程机构的服务器中，该方法能够有效地提高模型的训练效率，获得更健壮的深度学习模型，成功解决模型无法良好适应不同的应用场景的问题。
所述根据iris分析判断学生的专注度，还包括：
根据MCTNN模型，在人脸图像传入模型前进行人脸对齐，通过选取目标的3D图像，识别目标的相邻帧影像的特征点从而对齐空间,其中使用人脸对齐先进的ERT算法。使用训练好的模型对学生进行检测与识别，通过提取学生的iris特征有无偏离黑板或屏幕的特征，判断学生的是否一直保持专注。
所述使用姿态分析判断学生课堂表现分值，还包括：
根据建立的局部特征识别卷积神经网络对学生课堂行为进行识别并使用DenseNet模型：使用3个DenseBlock，32个11x11的卷积核与3x3的maxpool池化层，后四层使用16个9x9的卷积核，全连接层为4096维组成的深度学习模型，模型提取学生低头玩手机的行为特征图片作为输入，输出学生是否低头玩手机，训练对应的神经网络模型。模型识别学生低头玩手机的频率扣除课堂表现分值对应权重。
进一步可选地，所述基于NLP技术判断老师上课表现与老师上课表现是否影响学生包括：
使用NLP技术使用分词jieba函数库进行语言分词，提取教师上课过程中是否和学生有互动的词语
建立BERT模型：将教师金融课堂说话内容作为输入，利用MLM进行预训练并且采用深层的双向Transformer组件：输入是一个 token 序列，先对其进行 embedding 称为向量，然后输入给神经网络，输出是大小为 H 的向量序列，并使用Attention机制。使用BERT模型提取课堂互动类词汇，包括：学生的名字、请回答、为什么等互动词语。输入老师上课时说话的语料库，输出教师互动内容的频率，并通过机器学习Apriori关联分析算法，分析老师上课互动表现与学生姿态表现的关联性。
进一步可选地，所述根据学生的课堂表现调整电子文献阅读量包括：
***根据课堂表现的打分结果，通过传统的PCA算法调整学生相关知识电子文献阅读量；PCA算法通过使用协方差矩阵、通过矩阵的内积、基变化的方式、并通过矩阵对角化数学公式计算分析学生不同科目表现并进行降维分析，智能分析学生需要重点加强的课程内容，结合建立好的区块链数据库要求学生在课后学习需要加强科目的内容。
进一步可选地，所述学生掌握电子文献的情况调整老师的授课计划包括：
使用DRL技术调整老师的授课计划：***结合学生学习电子文献的学习情况、课堂表现情况，并使用差分隐私技术，通过DRL深度学习模型：建立DQN：3个卷积层、两个Dense层的神经网络，并初始化Memory D，它的容量为N;初始化神经网络网络，随机生成权重ω；循环遍历1到 M个步骤，M为人工设定:并建立reward函数，对教学计划推荐的内容进行模拟：模拟学生学习出现不良表现、教师的授课表现不佳，如何分配复习内容与新知识点的授课时长能够达到更高的reward值，从而生成针对金融课程的智能DRL模型。
***使用DRL模型智能推荐老师的教学计划，当学生学习出现不良表现、教师的授课表现不佳DRL模型的增加旧知识的时间占比的推荐内容reward值更高，从而影响推荐的内容。
包括：设定DQN中的具体参数；
所述设定DQN中的具体参数，还包括：
设定DQN中的智能体，Action，奖励权重。将不同的学生学习情况设置成不同的智能体，每个对应的智能体进行DQN模拟，教师授课的不同的授课内容作为不同的Action，每个Action对应不同的奖励权重。并通过不断收集不同学生的学习情况，进行不断地模拟训练，从而生成健壮的授课计划推荐模型。
一种金融智能授课与隐私保护方法与***其特征在于，所述***包括：
使用差分隐私算法中的Laplace机制保护教师的授课计划隐私。给定相对应的映射函数在对用户查询的结果中加入Laplace噪音，使查询结果有细微的差别。
本发明实施例提供的技术方案可以包括以下有益效果：
1.提高课堂的学习效率，监控学生低头玩手机习惯2.对课堂表现不佳的学生提供学习帮助3.学生的学习情况能智能调整老师的教学计划4.判断学生的课堂表现是否与老师授课的情况相关 5.教师的授课情况表现的隐私数据得到保护
【附图说明】
图1为本发明的一种金融智能授课与隐私保护方法的流程图。
【具体实施方式】
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
图1为本发明的一种金融智能授课与隐私保护方法流程图。如图1所示，本实施例一种金融智能授课与隐私保护方法与***具体可以包括：
建立区块链数据库保护数据隐私,包括对课堂学生表现、教师授课信息以及金融课程、金融资料数据进行存储并使用差分隐私加密技术在查询结果中加入不确定性隐私，保护课堂隐私：通过存储到区块链数据库的数据，识别学生上课专注度；基于NLP技术判断老师上课表现与老师上课表现是否影响学生，使用NLP技术提取教师上课过程中是否和学生有互动的词语，评判老师的表现；根据学生的课堂表现调整电子文献阅读量；通过学生掌握电子文献的情况调整老师的授课计划；并保护教师授课计划隐私并调整学生学习内容；使用DRL强化学习技术调整老师的授课计划，结合学生学习电子文献的学习情况、课堂表现情况，并结合差分隐私技术，建立DRL深度学习模型；所述DRL深度学习模型，还包括建立DQN：采用3个卷积层、两个Dense层的神经网络，并初始化Memory D，使它的容量为N;初始化神经网络网络，随机生成权重ω；循环遍历1到 M个步骤，M为参数；并建立reward函数，对教学计划推荐的内容进行模拟；所述模拟包括模拟学生学习出现不良表现、教师的授课表现不佳，分配复习内容与新知识点的授课时长，使之达到更高的reward值，从而生成针对金融课程的智能DRL模型；使用DRL模型智能推荐老师的教学计划，当学生学习出现不良表现、教师的授课表现不佳，则DRL模型的增加旧知识的时间占比的推荐内容reward值更高，从而影响推荐的内容；还包括：设定DQN中的参数；所述设定DQN中的具体参数，还包括：设定DQN中的智能体，Action，奖励权重；将不同的学生学习情况设置成不同的智能体，每个对应的智能体进行DQN模拟，教师授课的不同的授课内容作为不同的Action，每个Action对应不同的奖励权重；并通过不断收集不同学生的学习情况，进行多次模拟训练，从而生成健壮的授课计划推荐模型。
步骤101，建立区块链数据库保护数据隐私。
建立区块链数据库对课堂学生表现、教师授课信息、课堂学习资料如：金融课程、金融资料等数据进行存储并使用差分隐私加密技术：在查询结果中加入了结果的不确定性：通过Laplace机制：对于相邻的数据集,给定相对应的映射函数在对用户查询的结果中加入Laplace噪音；学生可在***数据库中获取想要学习的金融信息，***的隐私保护可以避免其他用户知道该同学学习的薄弱部分：例如某学生对于股票K线课程无法熟练掌握，需要大量查阅该内容电子书籍，而该书籍在第1分类，若查询该学生某一时间段查询书籍分类时，结果有细微的差别：第1分类变为第2分类。
差分隐私使用Laplace机制实现隐私保护。
假设查询结果的框架系数基于广义Gauss-Laplace先验统计分布，使用极大似然估计和后验均值估算量，通过Laplace的分布性对结果进行差分处理。
步骤102，存储到区块链数据库的数据识别学生上课专注度。
根据建立好的数据库，将获取的图像数据存储进区块链数据库，建立学生人脸的数据库与云端服务器，提取学生的人脸特征并分析学生金融课堂的专注度。
使用MTCNN人脸识别模型。
训练MTCNN:该模型主要采用了三个级联的网络:P-Net、R-Net、和O-Net采用候选框加分类器的思想，并使用NMS、Soft-NMS、RRelu构建神经网络；并使用横向联邦学习技术，不同的金融授课机构间通过横向联邦学习，利用各课堂的数据对模型进行训练：将人脸的图像作为输入，识别的结果作为输出；利用各的数据对模型进行训练，服务器将训练的结果例如，模型的参数、梯度值、损失函数值等返回至各服务器中。使用模型进行人脸识别，模型通过学习图像欧式空间中点的映射和比较两张图片所对应的特征向量判断两张图像是否相似来确定是否为同一张人脸。
基于联邦学习训练MTCNN模型。
不同金融课堂通过横向联邦学习，利用各高校的数据对模型进行训练，服务器将训练的结果：模型的参数、梯度值、损失函数值等返回至各金融课程机构的服务器中，该方法能够有效地提高模型的训练效率，获得更健壮的深度学习模型，成功解决模型无法良好适应不同的应用场景的问题，例如：因为课室大小、光线等问题无法将模型运用到多个不同场景中。
根据iris分析判断学生的专注度。
根据MCTNN模型，在人脸图像传入模型前进行人脸对齐，通过选取目标的3D图像，识别目标的相邻帧影像的特征点从而对齐空间,其中使用人脸对齐先进的ERT算法。使用训练好的模型对学生进行检测与识别，通过提取学生的iris特征有无偏离黑板或屏幕的特征，判断学生的是否一直保持专注，例如学生眼睛偏离黑板摄像头时，***智能判定学生未保持专注。
使用姿态分析判断学生课堂表现分值。
根据建立的局部特征识别卷积神经网络对学生课堂行为进行识别并使用DenseNet模型：使用3个DenseBlock，32个11x11的卷积核与3x3的maxpool池化层，后四层使用16个9x9的卷积核，全连接层为4096维组成的深度学习模型，模型提取学生低头玩手机的行为特征图片作为输入，输出学生是否低头玩手机，训练对应的神经网络模型。模型识别学生低头玩手机的频率扣除课堂表现分值对应权重。例如，小王在金融基金课上经常玩手机，模型判断小王低头玩手机后，扣除该同学金融基金课堂表现分数，分数将返回至区块链服务器，判定学生未保持专注，并自动调整学生课后的相关学习内容。
步骤103，基于NLP技术判断老师上课表现与老师上课表现是否影响学生。
使用NLP技术使用分词jieba函数库进行语言分词，语提取教师上课过程中是否和学生有互动的词语例如学生的名字、请回答、为什么等互动词语，分析与判断老师是否单纯讲述PPT。
建立BERT模型：将教师金融课堂说话内容作为输入，利用MLM进行预训练并且采用深层的双向Transformer组件：输入是一个 token 序列，先对其进行 embedding 称为向量，然后输入给神经网络，输出是大小为 H 的向量序列，并使用Attention机制。使用BERT模型提取课堂互动类词汇，包括：学生的名字、请回答、为什么等互动词语。输入老师上课时说话的语料库，输出教师互动内容的频率，并通过机器学习Apriori关联分析算法，分析老师上课互动表现与学生姿态表现的关联性。例如，若BERT模型识别课堂互动属性的词语次数少，表示教师与学生的互动频率低，若学生经常低头玩手机，则学生玩手机的行为与教师课堂表现关联度高，判定教师上课表现影响学生的积极性。
步骤104，根据学生的课堂表现调整电子文献阅读量。
***根据课堂表现的打分结果，通过传统的PCA算法调整学生相关知识电子文献阅读量；PCA算法通过使用协方差矩阵、通过矩阵的内积、基变化的方式、并通过矩阵对角化数学公式计算分析学生不同科目表现并进行降维分析，智能分析学生需要重点加强的课程内容，结合建立好的区块链数据库要求学生在课后学习需要加强科目的内容。例如，***根据PCA算法分析小明同学上股票K线课课堂表现分值低，学习的专注度不高，***提供图书馆股票K线的相关电子版书籍供小明同学课后阅读。
步骤105，学生掌握电子文献的情况调整老师的授课计划。
使用DRL技术调整老师的授课计划：***结合学生学习电子文献的学习情况、课堂表现情况，并使用差分隐私技术，通过DRL深度学习模型：建立DQN：3个卷积层、两个Dense层的神经网络，并初始化Memory D，它的容量为N;初始化神经网络网络，随机生成权重ω；循环遍历1到 M个步骤，M为人工设定:并建立reward函数，对教学计划推荐的内容进行模拟：模拟学生学习出现不良表现、教师的授课表现不佳，如何分配复习内容与新知识点的授课时长能够达到更高的reward值，从而生成针对金融课程的智能DRL模型。
***使用DRL模型智能推荐老师的教学计划，当学生学习出现不良表现、教师的授课表现不佳DRL模型的增加旧知识的时间占比的推荐内容reward值更高，从而影响推荐的内容。例如，根据上一节课学生的学习情况、教师的上课状态不佳，***使用DRL模型增加复习内容于下节课的授课时长，从而调整新内容与旧知识的时间占比例如，旧知识复习时间占比更高。
设定DQN中的具体参数。
设定DQN中的智能体，Action，奖励权重。将不同的学生学习情况设置成不同的智能体，每个对应的智能体进行DQN模拟，教师授课的不同的授课内容作为不同的Action，每个Action对应不同的奖励权重。并通过不断收集不同学生的学习情况，进行不断地模拟训练，从而生成健壮的授课计划推荐模型。例如，在模型不断迭代后，推荐模型的推荐内容更加智能与科学化。
步骤106，保护教师授课计划隐私并调整学生学习内容。
使用差分隐私算法中的Laplace机制保护教师的授课计划隐私。给定相对应的映射函数在对用户查询的结果中加入Laplace噪音，使查询结果有细微的差别。例如，加入Laplace噪声，教师授课计划某天复习时间占比为30%，加入Laplace机制后查询结果为15%，避免授课计划泄露的问题。并通过教师授课计划调整学生的日常电子文献阅读量，建立MCTS搜索树，根节点为某一学生，权重为0，第二层节点为判断学生是否上课表现良好并设定权重，第三层节点为授课计划中复习内容是否占授课计划较大的比重，其中比重可根据实际情况设定不同的阈值；将不同的授课计划与学生上课表现情况作为输入，输出学生需要学习旧知识的权值，并将权值加入至***推荐电子文献阅读量算法中的PCA结果，调整***推荐电子文献阅读算法的结果，从而调整学生的学习内容，例如，教师授课计划中计划用较长的时间进行知识巩固，则学生在学习中使用更多的时间温习旧知识。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。
用于实现本发明进行信息控制的程序，可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、python、C++，还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。
程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
在本发明所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）或处理器（processor）执行本发明各个实施例所述方法的部分步骤。
而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (6)
1.一种金融智能授课与隐私保护方法，其特征在于，所述方法包括：
建立区块链数据库保护数据隐私,包括对课堂学生表现、教师授课信息以及金融课程、金融资料数据进行存储并使用差分隐私加密技术在查询结果中加入不确定性隐私，保护课堂隐私：通过存储到区块链数据库的数据，识别学生上课专注度；基于NLP技术判断老师上课表现与老师上课表现是否影响学生，使用NLP技术提取教师上课过程中是否和学生有互动的词语，评判老师的表现 ；根据学生的课堂表现调整电子文献阅读量 ；通过学生掌握电子文献的情况调整老师的授课计划；并保护教师授课计划隐私并调整学生学习内容；使用DRL强化学习技术调整老师的授课计划，结合学生学习电子文献的学习情况、课堂表现情况，并结合差分隐私技术，建立DRL深度学习模型；所述DRL深度学习模型，还包括建立DQN：采用3个卷积层、两个Dense层的神经网络，并初始化Memory D，使它的容量为N;初始化神经网络网络，随机生成权重ω；循环遍历1到 M个步骤，M为参数；并建立reward函数，对教学计划推荐的内容进行模拟；所述模拟包括模拟学生学习出现不良表现、教师的授课表现不佳，分配复习内容与新知识点的授课时长，使之达到更高的reward值，从而生成针对金融课程的智能DRL模型； 使用DRL模型智能推荐老师的教学计划，当学生学习出现不良表现、教师的授课表现不佳，则DRL模型的增加旧知识的时间占比的推荐内容reward值更高，从而影响推荐的内容；还包括：设定DQN中的参数； 所述设定DQN中的具体参数，还包括：设定DQN中的智能体，Action，奖励权重；将不同的学生学习情况设置成不同的智能体，每个对应的智能体进行DQN模拟，教师授课的不同的授课内容作为不同的Action，每个Action对应不同的奖励权重；并通过不断收集不同学生的学习情况，进行多次模拟训练，从而生成健壮的授课计划推荐模型。
2.根据权利要求1所述的方法，其中，所述建立区块链数据库保护数据隐私，包括:
通过Laplace机制：对于相邻的数据集,给定相对应的映射函数在对用户查询的结果中加入Laplace噪音；学生可在***数据库中获取想要学习的金融信息，***的隐私保护可以避免其他用户知道该同学学习的薄弱部分；包括：差分隐私使用Laplace机制实现隐私保护；
所述差分隐私使用Laplace机制实现隐私保护，还包括：
假设查询结果的框架系数基于广义Gauss-Laplace先验统计分布，使用极大似然估计和后验均值估算量，通过Laplace的分布性对结果进行差分处理。
3.根据权利要求1所述的方法，其中，所述通过存储到区块链数据库的数据，识别学生上课专注度，包括:
根据建立好的数据库，将获取的图像数据存储进区块链数据库，建立学生人脸的数据库与云端服务器，提取学生的人脸特征并分析学生金融课堂的专注度；包括：使用MTCNN人脸识别模型；基于联邦学习训练MTCNN模型；根据iris分析判断学生的专注度；使用姿态分析判断学生课堂表现分值；
所述使用MTCNN人脸识别模型，还包括：
训练MTCNN:该模型主要采用了三个级联的网络:P-Net、R-Net、和O-Net采用候选框加分类器的思想，并使用NMS、Soft-NMS、RRelu构建神经网络；并使用横向联邦学习技术， 不同的金融授课机构间通过横向联邦学习，利用各课堂的数据对模型进行训练：将人脸的图像作为输入，识别的结果作为输出；利用各的数据对模型进行训练，服务器将训练的结果；
所述基于联邦学习训练MTCNN模型，还包括：
不同金融课堂通过横向联邦学习，利用各高校的数据对模型进行训练，服务器将训练的结果：模型的参数、梯度值、损失函数值等返回至各金融课程机构的服务器中，该方法能够有效地提高模型的训练效率，获得更健壮的深度学习模型，成功解决模型无法良好适应不同的应用场景的问题；
所述根据iris分析判断学生的专注度，还包括：
根据MCTNN模型，在人脸图像传入模型前进行人脸对齐，通过选取目标的3D图像，识别目标的相邻帧影像的特征点从而对齐空间,其中使用人脸对齐先进的ERT算法；使用训练好的模型对学生进行检测与识别，通过提取学生的iris特征有无偏离黑板或屏幕的特征，判断学生的是否一直保持专注；
所述使用姿态分析判断学生课堂表现分值，还包括：
根据建立的局部特征识别卷积神经网络对学生课堂行为进行识别并使用DenseNet模型：使用3个DenseBlock，32个11x11的卷积核与3x3的maxpool池化层，后四层使用16个9x9的卷积核，全连接层为4096维组成的深度学习模型，模型提取学生低头玩手机的行为特征图片作为输入，输出学生是否低头玩手机，训练对应的神经网络模型；模型识别学生低头玩手机的频率扣除课堂表现分值对应权重。
4.根据权利要求1所述的方法，其中，所述使用NLP技术提取教师上课过程中是否和学生有互动的词语，评判老师的表现，包括:
建立BERT模型：将教师金融课堂说话内容作为输入，利用MLM进行预训练并且采用深层的双向Transformer组件：输入是一个 token 序列，先对其进行 embedding 称为向量，然后输入给神经网络，输出是大小为 H 的向量序列，并使用Attention机制；使用BERT模型提取课堂互动类词汇，包括：学生的名字、请回答、为什么等互动词语；输入老师上课时说话的语料库，输出教师互动内容的频率，并通过机器学习Apriori关联分析算法，分析老师上课互动表现与学生姿态表现的关联性。
5.根据权利要求1所述的方法，其中，所述根据学生的课堂表现调整电子文献阅读量 ，包括:
***根据课堂表现的打分结果，通过传统的PCA算法调整学生相关知识电子文献阅读量；PCA算法通过使用协方差矩阵、通过矩阵的内积、基变化的方式、并通过矩阵对角化数学公式计算分析学生不同科目表现并进行降维分析，智能分析学生需要重点加强的课程内容，结合建立好的区块链数据库要求学生在课后学习需要加强科目的内容。
6.根据权利要求1所述的方法，其中，所述使用DRL强化学习技术调整老师的授课计划，包括：
使用差分隐私算法中的Laplace机制保护教师的授课计划隐私；给定相对应的映射函数在对用户查询的结果中加入Laplace噪音，使查询结果有细微的差别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210471694.1A CN114862636A (zh) | 2022-05-01 | 2022-05-01 | 一种金融智能授课与隐私保护方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210471694.1A CN114862636A (zh) | 2022-05-01 | 2022-05-01 | 一种金融智能授课与隐私保护方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114862636A true CN114862636A (zh) | 2022-08-05 |
Family
ID=82634921
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210471694.1A Withdrawn CN114862636A (zh) | 2022-05-01 | 2022-05-01 | 一种金融智能授课与隐私保护方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114862636A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115115483A (zh) * | 2022-08-31 | 2022-09-27 | 广州数园网络有限公司 | 一种融合隐私保护的学生综合能力评测方法 |
-
2022
- 2022-05-01 CN CN202210471694.1A patent/CN114862636A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115115483A (zh) * | 2022-08-31 | 2022-09-27 | 广州数园网络有限公司 | 一种融合隐私保护的学生综合能力评测方法 |
| CN115115483B (zh) * | 2022-08-31 | 2022-11-25 | 广州数园网络有限公司 | 一种融合隐私保护的学生综合能力评测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109801525B (zh) | 一种用于网络教学的师生多维匹配方法和*** | |
| US20160293036A1 (en) | System and method for adaptive assessment and training | |
| KR20150122669A (ko) | 프로파일 데이터에 기초한 네트워크 사용자 매칭 | |
| US20150147728A1 (en) | Self Organizing Maps (SOMS) for Organizing, Categorizing, Browsing and/or Grading Large Collections of Assignments for Massive Online Education Systems | |
| CN112257966B (zh) | 模型处理方法、装置、电子设备及存储介质 | |
| CN114254208A (zh) | 薄弱知识点的识别方法、学习路径的规划方法与装置 | |
| WO2021174827A1 (zh) | 文本生成方法、装置、计算机设备及可读存储介质 | |
| Quan | Development of computer aided classroom teaching system based on machine learning prediction and artificial intelligence KNN algorithm | |
| Al-Alwani | Mood extraction using facial features to improve learning curves of students in e-learning systems | |
| CN114862636A (zh) | 一种金融智能授课与隐私保护方法 | |
| Xie et al. | Virtual reality primary school mathematics teaching system based on GIS data fusion | |
| CN109871430A (zh) | 一种智能识别文本的方法、装置、电子设备及存储介质 | |
| KR102211842B1 (ko) | 상관관계 점수 행렬 생성 알고리즘을 이용한 인공 신경망 기반의 장소 인식 장치 및 방법 | |
| CN115511670A (zh) | 一种在线教育方法及在线教育平台 | |
| Liu et al. | An Evaluation of GPT-4V and Gemini in Online VQA | |
| CN115935071A (zh) | 知识点推荐方法、装置、存储介质及电子设备 | |
| Yoon et al. | A non‐verbal teaching behaviour analysis for improving pointing out gestures: The case of asynchronous video lecture analysis using deep learning | |
| Tittenbrun | Neither Capital, Nor Class: A Critical Analysis Of Pierre Bourdieu's Theoretical Framework | |
| Wang et al. | A Learning Analytics Model Based on Expression Recognition and Affective Computing: Review of Techniques and Survey of Acceptance | |
| Van Gasse et al. | Feedback opportunities of comparative judgement: An overview of possible features and acceptance at different user levels | |
| Zeng et al. | A textual and visual features-jointly driven hybrid intelligent system for digital physical education teaching quality evaluation | |
| CN111179135A (zh) | 一种基于学习风格模型的自适应式虚拟现实教学方法及*** | |
| Furtado et al. | The effect on new knowledge and reviewed knowledge caused by the positioning task in closed concept maps | |
| Fekry et al. | The relation between individual student behaviours in video presentation and their modalities using vark and paei results | |
| Ye | [Retracted] Rule‐Based AI System Application on College English Teaching Path Based on Computer‐Aided Technology |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220805 |
|
| WW01 | Invention patent application withdrawn after publication |