一种智能学习系统和方法与流程

本发明涉及在线学习，尤其涉及借助于平台上已有的知识结构资源优化用户在线学习效果的系统和方法。

背景技术：

在知识分享系统平台上，随着越来越多的用户在这一平台上创建自己的知识结构，平台上存储的各类知识结构就会越来越丰富。而一些各行各业内的专家在平台上创建知识结构体系，也增加了平台上存储的各类知识结构的权威性。当用户在平台上学习和分享新知识，新建知识结构时，实际上在平台上早先已经存储了与之相关的很多知识结构，其中不乏专家学者所创建的较为权威的知识结构。

然而现有的知识分享体系，往往无法自动找到与用户新建的知识结构极为相关的已有知识结构并自动推送给用户。而是需要用户自己在平台上进行查找，比如用户新建了“三国”这一知识结构，就需要自己在平台上通过搜索关键字“三国”、“三国志”、“三国演义”等关键字查找与之相关的知识结构，并从中自行甄别出成体系的、参考价值高的、较为权威的知识结构体系。

现有的这种方式都需要人工进行处理和判断，浪费了用户大量的时间，而且即使花费了许多的时间也可能无法找到最合适的现有资源，这也造成了对平台上现有资源的重大浪费。

技术实现要素：

以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。

本发明的目的在于解决上述问题，提供了一种智能学习系统和方法，使得平台上的一些较好的知识结构能够得到充分的利用，提升了用户学习、分享知识结构的效率。

本发明的技术方案为：本发明揭示了一种智能学习系统，包括：

存储模块，存储各模范知识结构；

匹配模块，将用户新建的知识结构和存储模块中的模范知识结构进行相似度匹配，将匹配度高于阈值的模范知识结构作为待推送知识结构；

推送模块，将待推送知识结构向用户进行推送。

根据本发明的智能学习系统的一实施例，基于知识结构和文本格式的相互转化以及文本格式基础上的余弦相似度参数对多个知识结构进行匹配度的计算。

根据本发明的智能学习系统的一实施例，存储模块存储的模范知识结构包括但不限于：专家原始构建的知识结构、将原始知识结构进行相似合并后的知识结构、教科书知识结构。

根据本发明的智能学习系统的一实施例，推送模块向用户推送知识结构的方式包括但不限于：

按照待推送结构与用户新建的知识结构之间的差异内容进行推送；

按照教学大纲规定的学习顺序进行推送；

按照专家设定的学习顺序进行推送；

按照用户自定义的学习顺序进行推送；

基于用户主动需要进行推送；

围绕用户兴趣点逐步推送，其中每次推送的信息量按照用户阅读速度自适应调整。

根据本发明的智能学习系统的一实施例，推送模块的推送时间点包括定时推送和不定时推送，其中定时推送的时间点包括周期性时间点和用户自定义时间点，不定时推送包括当用户构建词条时、当热点事件发生时、当有新知识点上线时向相关背景知识的用户推送。

本发明还揭示了一种智能学习方法，包括：

将用户新建的知识结构和系统中已有的模范知识结构进行相似度匹配，将匹配度高于阈值的模范知识结构作为待推送知识结构；

将待推送知识结构向用户进行推送。

根据本发明的智能学习方法的一实施例，在相似度匹配中，是基于知识结构和文本格式的相互转化以及文本格式基础上的余弦相似度参数对多个知识结构进行匹配度的计算。

根据本发明的智能学习方法的一实施例，模范知识结构包括但不限于：专家原始构建的知识结构、将原始知识结构进行相似合并后的知识结构、教科书知识结构。

根据本发明的智能学习方法的一实施例，向用户推送知识结构的方式包括但不限于：

按照待推送结构与用户新建的知识结构之间的差异内容进行推送；

按照教学大纲规定的学习顺序进行推送；

按照专家设定的学习顺序进行推送；

按照用户自定义的学习顺序进行推送；

基于用户主动需要进行推送；

围绕用户兴趣点逐步推送，其中每次推送的信息量按照用户阅读速度自适应调整。

根据本发明的智能学习方法的一实施例，推送时间点包括定时推送和不定时推送，其中定时推送的时间点包括周期性时间点和用户自定义时间点，不定时推送包括当用户构建词条时、当热点事件发生时、当有新知识点上线时向相关背景知识的用户推送。

本发明对比现有技术有如下的有益效果：本发明通过将用户新建的知识结构和平台上现有的模范知识结构进行相似度匹配，将匹配度高的知识结构作为待推送知识结构，按照某种推送方式向用户进行推送，以使平台上一些较权威的知识结构能够得到充分利用，也进一步提升了用户利用平台资源学习、分享知识结构的效率。

附图说明

在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本发明的上述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。

图1示出了本发明的智能学习系统的一实施例的原理图。

图2示出了本发明的智能学习方法的一实施例的流程图。

具体实施方式

以下结合附图和具体实施例对本发明作详细描述。注意，以下结合附图和具体实施例描述的诸方面仅是示例性的，而不应被理解为对本发明的保护范围进行任何限制。

智能学习系统的实施例

图1示出了本发明的智能学习系统的一实施例的原理。请参见图1，本实施例的系统包括存储模块、匹配模块和推送模块。

存储模块存储了各种模范知识结构。这些模范知识结构至少包括：专家自己创建的原始的知识结构、教科书之类的知识结构、以及将原始知识结构进行相似度合并后的知识结构(即，利用语义识别将相似度高于预设值的原始的知识结构进行结构合并而成)。

匹配模块将用户新建的知识结构和存储模块中的模范知识结构进行相似度匹配，将匹配度高于阈值的模范知识结构作为待推送知识结构。

匹配模块中涉及知识结构的相似度匹配，主要是基于知识结构和文本格式的相互转化以及文本格式基础上的余弦相似度这一参数对多个知识结构进行匹配度的计算。

推送模块将待推送知识结构向用户进行推送。

推送模块向用户推送知识结构的方式有多种，至少包括：

1、按照待推送结构与用户新建的知识结构之间的差异内容进行推送：比如用户创建的知识结构与模范知识结构进行匹配获得专家知识结构作为待推送知识结构，于是系统将待推送知识结构与用户新建知识结构之间的差异内容逐步推送给用户，以使得用户能快速接近专家知识结构。

2、按照教学大纲规定的学习顺序进行推送：比如用户创建的知识结构与模范知识结构进行匹配获得教科书知识结构作为待推送知识结构。这一待推送知识结构中的各种内容(知识点名称、标签、内容、逻辑结构等)按照教学大纲规定的学习顺序进行推送。

3、按照专家设定的学习顺序进行推送：比如用户创建知识结构与模范知识结构中的专家知识结构(原始的或者经合并的)匹配度最高，则将专家知识结构作为待推送知识结构。这一待推送知识结构中的各种内容按照专家设定的学习顺序进行推送。

4、按照用户自定义的学习顺序进行推送：用户可以自定义学习顺序，待推送知识结构按照用户自定义的学习顺序进行推送。

5、基于用户主动需要进行推送：用户可以在待推送知识结构中自行获取自己需要的内容。

6、围绕用户兴趣点逐步推送，其中每次推送的信息量按照用户阅读速度自适应调整：比如用户自己已经创建了一个有关nba的知识结构，而存储模块中的模范知识结构中也有一个nba的专家知识结构。当用户在平台上搜索“迈克尔乔丹”，那么会将nba专家知识结构中和迈克尔乔丹相关的词条且用户自己创建的nba知识结构中所没有的那部分，逐步推送给用户。

推送模块的推送时间点包括定时推送和不定时推送，其中定时推送的时间点包括周期性时间点和用户自定义时间点，不定时推送包括当用户构建词条时、当热点事件发生时、当有新知识点上线时向相关背景知识的用户推送。

智能学习方法的实施例

图2示出了本发明的智能学习方法的一实施例的原理。请参见图2，本实施例的方法包括如下的步骤。

步骤s1：将用户新建的知识结构和系统中已有的模范知识结构进行相似度匹配，将匹配度高于阈值的模范知识结构作为待推送知识结构。

平台上存储了各种模范知识结构。这些模范知识结构至少包括：专家自己创建的原始的知识结构、教科书之类的知识结构、以及将原始知识结构进行相似度合并后的知识结构(即，利用语义识别将相似度高于预设值的原始的知识结构进行结构合并而成)。

匹配过程中涉及知识结构的相似度匹配，主要是基于知识结构和文本格式的相互转化以及文本格式基础上的余弦相似度这一参数对多个知识结构进行匹配度的计算。

步骤s2：将待推送知识结构向用户进行推送。

向用户推送知识结构的方式有多种，至少包括：

1、按照待推送结构与用户新建的知识结构之间的差异内容进行推送：比如用户创建的知识结构与模范知识结构进行匹配获得专家知识结构作为待推送知识结构，于是系统将待推送知识结构与用户新建知识结构之间的差异内容逐步推送给用户，以使得用户能快速接近专家知识结构。

2、按照教学大纲规定的学习顺序进行推送：比如用户创建的知识结构与模范知识结构进行匹配获得教科书知识结构作为待推送知识结构。这一待推送知识结构中的各种内容(知识点名称、标签、内容、逻辑结构等)按照教学大纲规定的学习顺序进行推送。

3、按照专家设定的学习顺序进行推送：比如用户创建知识结构与模范知识结构中的专家知识结构(原始的或者经合并的)匹配度最高，则将专家知识结构作为待推送知识结构。这一待推送知识结构中的各种内容按照专家设定的学习顺序进行推送。

4、按照用户自定义的学习顺序进行推送：用户可以自定义学习顺序，待推送知识结构按照用户自定义的学习顺序进行推送。

5、基于用户主动需要进行推送：用户可以在待推送知识结构中自行获取自己需要的内容。

6、围绕用户兴趣点逐步推送，其中每次推送的信息量按照用户阅读速度自适应调整：比如用户自己已经创建了一个有关nba的知识结构，而存储模块中的模范知识结构中也有一个nba的专家知识结构。当用户在平台上搜索“迈克尔乔丹”，那么会将nba专家知识结构中和迈克尔乔丹相关的词条且用户自己创建的nba知识结构中所没有的那部分，逐步推送给用户。

推送的时间点包括定时推送和不定时推送，其中定时推送的时间点包括周期性时间点和用户自定义时间点，不定时推送包括当用户构建词条时、当热点事件发生时、当有新知识点上线时向相关背景知识的用户推送。

尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。

本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。

结合本文所公开的实施例描述的各种解说性逻辑板块、模块、和电路可用通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如dsp与微处理器的组合、多个微处理器、与dsp核心协作的一个或多个微处理器、或任何其他此类配置。

结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移动盘、cd-rom、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在asic中。asic可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。

在一个或多个示例性实施例中，所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品，则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，这样的计算机可读介质可包括ram、rom、eeprom、cd-rom或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(dsl)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来，则该同轴电缆、光纤电缆、双绞线、dsl、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(cd)、激光碟、光碟、数字多用碟(dvd)、软盘和蓝光碟，其中盘(disk)往往以磁的方式再现数据，而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。

提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。