基于交互定制计划的在线教学信息推送方法及系统与流程

本公开涉及在线教育技术领域，具体而言，涉及一种基于交互定制计划的在线教学信息推送方法及系统。

背景技术：

随着信息社会的不断发展，越来越多的人选择学习各种各样的知识来不断扩充自己。由于传统的学生与教师面对面授课均需要双方在路上耗费大量的时间及精力，很多学生的学习效果不佳。因此，随着通信时代的发展，网络在线教育已被广大的用户所接受。例如，网络在线教育是教师所在教师端通过网络与学生所在的学生端进行通信，从而实现的教师与学生的远程授课。相关技术中，通常会基于交互定制计划获得用户（如教师或者学生）的兴趣点，进而针对性进行在线教学信息推送，然而相关技术中的对目标教学对象进行在线教学信息推送的预测准确性仍待提高。

技术实现要素：

为了至少克服现有技术中的上述不足，本公开的目的在于提供一种基于交互定制计划的在线教学信息推送方法及系统。

第一方面，本公开提供一种基于交互定制计划的在线教学信息推送方法，应用于在线教学服务平台，所述在线教学服务平台与多个在线教学服务终端通信连接，所述方法包括：

获取多个参考教学对象在第一交互课程时序范围内响应多个交互定制节点进行交互定制的交互定制数据，以及每个所述参考教学对象在第二交互课程时序范围在其所响应的所述交互定制节点发生预设兴趣课程标签的网络收敛配置标签信息；多个所述交互定制节点包括一个目标交互定制节点以及多个从属交互定制节点；

针对每个参考教学对象，根据该参考教学对象在第一交互课程时序范围内的所述交互定制数据，确定该参考教学对象在其所响应的交互定制节点下的多种交互流数据分别对应的交互意图特征；

将各个参考教学对象的所述交互意图特征输入至预设人工智能学习网络中进行从所述目标交互定制节点至所述多个交互定制节点的迁移学习，获取该参考教学对象在其所响应的交互定制节点的兴趣课程决策信息；

根据每个所述参考教学对象在其所响应的交互定制节点的兴趣课程决策信息，以及该参考教学对象在其所响应的交互定制节点发生预设兴趣课程标签的网络收敛配置标签信息，对所述预设人工智能学习网络进行网络收敛配置，获取在线教学兴趣决策网络，并基于所述在线教学兴趣决策网络对目标教学对象进行在线教学信息推送。

第二方面，本公开实施例还提供一种基于交互定制计划的在线教学信息推送系统，所述基于交互定制计划的在线教学信息推送系统包括在线教学服务平台以及与所述在线教学服务平台通信连接的多个在线教学服务终端；

所述在线教学服务平台，用于：

获取多个参考教学对象在第一交互课程时序范围内响应多个交互定制节点进行交互定制的交互定制数据，以及每个所述参考教学对象在第二交互课程时序范围在其所响应的所述交互定制节点发生预设兴趣课程标签的网络收敛配置标签信息；多个所述交互定制节点包括一个目标交互定制节点以及多个从属交互定制节点；

针对每个参考教学对象，根据该参考教学对象在第一交互课程时序范围内的所述交互定制数据，确定该参考教学对象在其所响应的交互定制节点下的多种交互流数据分别对应的交互意图特征；

将各个参考教学对象的所述交互意图特征输入至预设人工智能学习网络中进行从所述目标交互定制节点至所述多个交互定制节点的迁移学习，获取该参考教学对象在其所响应的交互定制节点的兴趣课程决策信息；

根据每个所述参考教学对象在其所响应的交互定制节点的兴趣课程决策信息，以及该参考教学对象在其所响应的交互定制节点发生预设兴趣课程标签的网络收敛配置标签信息，对所述预设人工智能学习网络进行网络收敛配置，获取在线教学兴趣决策网络，并基于所述在线教学兴趣决策网络对目标教学对象进行在线教学信息推送。

根据上述任意一个方面，本公开提供的实施方式中，通过获取多个参考教学对象交互定制数据及训练标签信息，并根据每个参考教学对象的交互定制数据，确定该参考教学对象在其所响应的交互定制节点下的多种交互流数据分别对应的交互意图特征，将交互意图特征输入至预设人工智能学习网络中进行迁移学习，获取该参考教学对象的兴趣课程决策信息，根据兴趣课程决策信息以及训练标签信息对预设人工智能学习网络进行网络收敛配置，获取在线教学兴趣决策网络。如此，能够基于迁移学习方式，使得网络收敛配置的在线教学兴趣决策网络学习到多种不同交互定制节点的深度特征，基于这种在线教学兴趣决策网络对目标教学对象进行在线教学信息推送具有更高的预测准确性。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要调用的附图作简单地介绍，应当理解，以下附图仅示出了本公开的某些实施例，因此不应被看作是对范围的限定，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它相关的附图。

图1为本公开实施例提供的基于交互定制计划的在线教学信息推送系统的应用场景示意图；

图2为本公开实施例提供的基于交互定制计划的在线教学信息推送方法的流程示意图；

图3为本公开实施例提供的用于实现上述的基于交互定制计划的在线教学信息推送方法的在线教学服务平台的结构示意框图。

具体实施方式

为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

应当理解，本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。

如本说明书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。

本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

图1是本公开一种实施例提供的基于交互定制计划的在线教学信息推送系统10的场景示意图。基于交互定制计划的在线教学信息推送系统10可以包括在线教学服务平台100以及与在线教学服务平台100通信连接的在线教学服务终端200。图1所示的基于交互定制计划的在线教学信息推送系统10仅为一种可行的示例，在其它可行的实施例中，该基于交互定制计划的在线教学信息推送系统10也可以仅包括图1所示组成部分的其中的至少部分或者还可以包括其它的组成部分。

一种可能的设计思路中，基于交互定制计划的在线教学信息推送系统10中的在线教学服务平台100和在线教学服务终端200可以通过配合执行以下方法实施例所描述的基于交互定制计划的在线教学信息推送方法，具体在线教学服务平台100和在线教学服务终端200的执行步骤部分可以参照以下方法实施例的详细描述。

为了解决前述背景技术中的技术问题，图2为本公开实施例提供的基于交互定制计划的在线教学信息推送方法的流程示意图，本实施例提供的基于交互定制计划的在线教学信息推送方法可以由图1中所示的在线教学服务平台100执行，下面对该基于交互定制计划的在线教学信息推送方法进行详细介绍。

步骤s101：获取多个第一参考教学对象中每个第一参考教学对象在第一交互课程时序范围内响应所述目标交互定制节点进行在线交互定制的交互定制数据，以及每个所述第一参考教学对象在第二交互课程时序范围基于所述目标交互定制节点发生预设兴趣课程标签的网络收敛配置标签信息。

步骤s102：获取多个所述第二参考教学对象中每个第二参考教学对象在第一交互课程时序范围内基于其响应的所述从属交互定制节点进行在线交互定制的交互定制数据，以及每个所述第二参考教学对象在第二交互课程时序范围在其所响应的所述从属交互定制节点发生预设兴趣课程标签的网络收敛配置标签信息。

此处，步骤s101和步骤s102无执行的先后顺序。

通过步骤s101获取了交互定制数据和训练标签信息后，执行步骤s102，确定每种交互定制节点下的多种交互流数据分别对应的交互意图特征。

步骤s102：针对每个参考教学对象，根据该参考教学对象在第一交互课程时序范围内的所述交互定制数据，确定该参考教学对象在其所响应的交互定制节点下的多种交互流数据分别对应的交互意图特征。

一种可能的设计思路中，交互意图特征包括源域交互意图特征以及目标域交互意图特征；多种交互流数据包括：多种基准交互流数据以及多种衍生交互流数据。

其中，源域交互意图特征为目标交互定制节点对应的第一参考教学对象的交互意图特征；目标域交互意图特征为响应各个从属交互定制节点进行交互定制的各个第二参考教学对象的交互意图特征。

上述步骤s102中所指多种交互流数据，从种类上讲，包括基准交互流数据和衍生交互流数据；基准交互流数据，根据交互流的具体内容可以有多种；衍生交互流数据，也可以根据不同的交互方式划分为多种衍生交互流数据。

其中，为每个参考教学对象确定的多种交互流数据分别对应的交互意图特征，包括：针对基准交互流数据的交互意图特征，以及针对每一种衍生交互流数据对应的交互意图特征。

针对响应目标交互定制节点和从属交互定制节点进行业务的不同参考教学对象，可以采用下述方式获得每个参考教学对象在其所响应的交互定制节点下的多种交互流数据分别对应的交互意图特征：

a：针对第一参考教学对象，可以采用下述方式获取每个第一参考教学对象的源域交互意图特征：

针对每个所述第一参考教学对象，基于该第一参考教学对象在所述目标交互定制节点下的交互定制数据，构建该第一参考教学对象在所述目标交互定制节点下的每种基准交互流数据和每种衍生交互流数据分别对应的源域交互意图特征。

例如，可以采用下述步骤获取每个第一参考教学对象在目标交互定制节点下的多种交互流数据分别对应的交互意图特征：

步骤s201：针对每个所述第一参考教学对象，根据该第一参考教学对象在所述目标交互定制节点下的交互定制数据，确定该第一参考教学对象在所述目标交互定制节点下的每种基准交互流数据和每种衍生交互流数据分别对应的多个预设交互流数据特征下的映射向量值。

步骤s202：根据该第一参考教学对象在所述目标交互定制节点下的每种基准交互流数据和每种衍生交互流数据分别对应的多个预设交互流数据特征下的映射向量值，确定该第一参考教学对象在所述目标交互定制节点下的每种基准交互流数据和每种衍生交互流数据分别对应的源域交互意图特征。

此处，每种基准交互流数据都对应有多个预设交互流数据特征，且不同的基准交互流数据对应的预设交互流数据特征可以不同。

所生成的某种交互流数据对应的交互意图特征中的各个元素的值，即为第一参考教学对象在目标交互定制节点下的该交互流数据对应的多个预设交互流数据特征下的映射向量值。

b：针对第二参考教学对象，可以采用下述方式获取每个第二参考教学对象的目标域交互意图特征：

针对每个所述第二参考教学对象，基于该第二参考教学对象在其响应的从属交互定制节点下的交互定制数据，构建该第二参考教学对象在其响应的所述从属交互定制节点下的每种基准交互流数据和每种衍生交互流数据分别对应的目标域交互意图特征。

例如，可以采用下述步骤获取每个第二参考教学对象在其所响应的从属交互定制节点下的多种交互流数据分别对应的交互意图特征：

步骤s301：针对每个所述第二参考教学对象，根据该第二参考教学对象在其响应的所述从属交互定制节点下的交互定制数据，确定该第二参考教学对象在其响应的所述从属交互定制节点下的每种基准交互流数据和每种衍生交互流数据分别对应的多个预设交互流数据特征下的映射向量值；

步骤s302：根据该第二参考教学对象在其响应的所述从属交互定制节点下的每种基准交互流数据和每种衍生交互流数据分别对应的多个预设交互流数据特征下的映射向量值，确定该第二参考教学对象在其响应的所述从属交互定制节点下的每种基准交互流数据和每种衍生交互流数据分别对应的目标域交互意图特征。

此处，每种衍生交互流数据也都对应有多个预设交互流数据特征，且不同的衍生交互流数据对应的预设交互流数据特征也可以不同。

在本发明另一实施例中，在构成源域交互意图特征和目标域交互意图特征之前，还可以对第一参考教学对象在所述目标交互定制节点下的每种基准交互流数据和每种衍生交互流数据分别对应的多个预设交互流数据特征下的映射向量值，和/或，第二参考教学对象在其响应的所述从属交互定制节点下的每种基准交互流数据和每种衍生交互流数据分别对应的多个预设交互流数据特征下的映射向量值。

通过上述步骤得到最终的源域交互意图特征以及目标域交互意图特征后，本发明实施例提供的在线教学兴趣决策网络训练方法还包括下述步骤s103和步骤s104：

步骤s103：将各个参考教学对象的所述交互意图特征输入至预设人工智能学习网络中进行从所述目标交互定制节点至所述多个从属交互定制节点的迁移学习，获取该参考教学对象在其所响应的交互定制节点的兴趣课程决策信息。

其中，预设人工智能学习网络包括：全局拼接网络单元、预测单元，所述基准交互流数据对应的第一从属拼接网络单元，以及所述衍生交互流数据对应的第二从属拼接网络单元。

此处，当确定每个参考教学对象在其所响应的交互定制节点下，与其所响应的交互定制节点下的多种交互流数据分别对应的交互意图特征后，通过构建多层ai单元来对提取的交互意图特征进行交互意图特征的非线性变化，挖掘出交互意图特征之间复杂的非线性关系，对交互意图特征进行特征拼接，响应拼接的交互意图特征对预设人工智能学习网络进行网络收敛配置，能够使得到的预设人工智能学习网络具有更高的网络收敛配置学习效果。

此处，本发明实施例响应分级拼接的方法进行特征拼接，例如可以先调用第一从属拼接网络单元对多种基准交互流数据分别对应的交互意图特征进行特征拼接，然后响应第二从属拼接网络单元对多种衍生交互流数据分别对应的交互意图特征进行特征拼接，最后响应全局拼接网络单元上述两个拼接特征进行特征拼接。

例如，本发明实施例基于下述方式获取各个第一参考教学对象其所响应的目标交互定制节点的兴趣课程决策信息：

步骤s501：针对该参考教学对象为第一参考教学对象的情况，响应所述第一从属拼接网络单元，对该第一参考教学对象在所述目标交互定制节点下的多种基准交互流数据分别对应的源域交互意图特征进行特征拼接，获取该第一参考教学对象对应的第一源域拼接交互意图特征；

步骤s502：调用所述第二从属拼接网络单元，对该第一参考教学对象在所述目标交互定制节点下的多种所述衍生交互流数据分别对应的所述源域交互意图特征进行特征拼接，获取该第一参考教学对象对应的第二源域拼接交互意图特征；

步骤s503：调用所述全局拼接网络单元对所述第一源域拼接交互意图特征和所述第二源域拼接交互意图特征进行特征拼接，获取该第一参考教学对象的目标交互意图特征；

步骤s504：将该第一参考教学对象的目标交互意图特征输入至所述预测单元，获取该第一参考教学对象在所述目标交互定制节点的兴趣课程决策信息。

本发明实施例基于下述方式获取各个第二参考教学对象其所响应的从属交互定制节点的兴趣课程决策信息：

步骤s601：针对该参考教学对象为第二参考教学对象的情况，调用第一从属拼接网络单元，对该第二参考教学对象在其响应的所述从属交互定制节点下的多种所述基准交互流数据分别对应的所述目标域交互意图特征进行特征拼接，获取该第二参考教学对象对应的第一目标域拼接交互意图特征；

步骤s602：调用所述第二从属拼接网络单元，对该第二参考教学对象在其响应的所述从属交互定制节点下的多种所述衍生交互流数据分别对应的所述目标域交互意图特征进行特征拼接，获取该第二参考教学对象对应的第二目标域拼接交互意图特征；

步骤s603：调用所述全局拼接网络单元对所述第一目标域拼接交互意图特征和所述第二目标域拼接交互意图特征进行特征拼接，获取该第二参考教学对象的目标交互意图特征；

步骤s604：将该第二参考教学对象的目标交互意图特征输入至所述预测单元，获取该第二参考教学对象在该从属交互定制节点的兴趣课程决策信息。

获取该参考教学对象在各个交互定制节点的兴趣课程决策信息后，执行步骤s104，获取在线教学兴趣决策网络。

步骤s104：根据每个所述参考教学对象在其所响应的交互定制节点的兴趣课程决策信息，以及该参考教学对象在其所响应的交互定制节点发生预设兴趣课程标签的网络收敛配置标签信息，对所述预设人工智能学习网络进行网络收敛配置，获取在线教学兴趣决策网络，并基于在线教学兴趣决策网络对目标教学对象进行在线教学信息推送。

一种可能的设计思路中，本发明实施例基于下述方式获取在线教学兴趣决策网络：

步骤s701：根据各个所述参考教学对象在其所响应的交互定制节点的兴趣课程决策信息，以及该参考教学对象在其所响应的交互定制节点发生预设兴趣课程标签的网络收敛配置标签信息，对所述预设人工智能学习网络进行本次网络收敛配置；

步骤s702：将经过多次网络收敛配置后的所述预设人工智能学习网络作为所述在线教学兴趣决策网络。

一种可能的设计思路中，本发明实施例具体基于下述方式获取在线教学兴趣决策网络：

步骤s801：将本次网络收敛配置还未满足网络收敛要求的所述参考教学对象中的任意一个参考教学对象作为目标参考教学对象。

步骤s802：根据该目标参考教学对象在其所响应的交互定制节点的兴趣课程决策信息，以及该参考教学对象在其所响应的交互定制节点发生预设兴趣课程标签的网络收敛配置标签信息，确定所述目标参考教学对象在本次网络收敛配置的网络收敛评估指标。

一种可能的设计思路中，根据该目标参考教学对象在目标交互定制节点的兴趣课程决策信息，以及该参考教学对象在目标交互定制节点发生预设兴趣课程标签的网络收敛配置标签信息，获得目标参考教学对象在本次网络收敛配置的目标交互定制节点的网络收敛评估指标，并根据该目标参考教学对象在目标交互定制节点的兴趣课程决策信息，获得目标参考教学对象在本次网络收敛配置的网络收敛评估指标。

网络收敛评估指标越大，则意味这当前的人工智能学习网络针对当前参考教学对象的预测效果越不精确。反之，网络收敛评估指标越小，则意味着当前的人工智能学习网络针对当前参考教学对象针对当前参考教学对象的预测效果越精确。

步骤s803：根据目标参考教学对象在本次网络收敛配置的网络收敛评估指标，调整预设人工智能学习网络的权重配置信息。

譬如在基于网络收敛评估指标调整预设人工智能学习网络的参时，还可以采用下述方式：

针对所述目标参考教学对象为第一目标参考教学对象的情况，根据所述目标参考教学对象在本次网络收敛配置的所述网络收敛评估指标，以第一更新权重模板更新所述预设人工智能学习网络的权重配置信息；

针对所述目标参考教学对象为第二目标参考教学对象的情况，根据所述目标参考教学对象在本次网络收敛配置的所述网络收敛评估指标，以第二更新权重模板更新所述预设人工智能学习网络的权重配置信息；

其中所述第一更新权重模板大于所述第二更新权重模板。

这里需要注意的是，在不同训练阶段的网络收敛配置中的第一更新权重模板可以相同，也可以不同；在不同训练阶段的网络收敛配置中第二更新权重模板可以相同也可以不同。

基于以上设计，既能保证目标交互定制节点的网络收敛评估指标对权重配置信息进行调整的主要影响因素，又能通过从属交互定制节点的网络收敛评估指标作为从属影响元素对权重配置信息调整产生一定的影响。这样训练出来的模型同时受到了多个交互定制节点的数据的影响，也即进行了迁移学习。

步骤s804：将目标参考教学对象作为满足网络收敛要求的参考教学对象。

步骤s805：检测当前训练阶段是否还存在未满足网络收敛要求的参考教学对象；如果是，则跳转至步骤s806；如果否，则跳转至步骤s808。

步骤s806：将当前训练阶段还未满足网络收敛要求的参考教学对象中任意一个参考教学对象作为新的目标参考教学对象。

步骤s807：使用进行网络权重更新后的所述预设人工智能学习网络，获取该新的目标参考教学对象在其所响应的交互定制节点的兴趣课程决策信息，并重新返回步骤s702。

步骤s808：完成对所述预设人工智能学习网络的本次网络收敛配置。

经过对预设人工智能学习网络的多次网络收敛配置，获取在线教学兴趣决策网络。

在完成对预设人工智能学习网络的本次网络收敛配置后，本发明实施例通过下述三种方式获取在线教学兴趣决策网络：

方式一：检测本次网络收敛配置是否达到预设迭代次数；如果是，则停止对预设人工智能学习网络的网络收敛配置，将最后一次网络收敛配置得到的预设人工智能学习网络作为在线教学兴趣决策网络。

一种可能的设计思路中，在网络收敛配置时，会预先设置一个训练的预设迭代次数，如果检测到本次网络收敛配置达到预设迭代次数，则停止对预设人工智能学习网络的网络收敛配置，将最后一次网络收敛配置得到的预设人工智能学习网络作为在线教学兴趣决策网络。

方式二：调用测试数据集合对本次网络收敛配置得到的预设人工智能学习网络进行验证；若测试集中，联合网络收敛评估指标不大于预设的联合网络收敛评估指标阈值的测试数据的条数，占据测试集中测试数据总条数的百分比，大于预设的第一百分比阈值，则停止对预设人工智能学习网络的网络收敛配置，将最后一次网络收敛配置得到的预设人工智能学习网络作为在线教学兴趣决策网络。

方式三：依次将本次网络收敛配置各个参考教学对象的联合网络收敛评估指标，与前一训练阶段对应参考教学对象的联合网络收敛评估指标进行比对；若本次网络收敛配置参考教学对象的联合网络收敛评估指标大于前一训练阶段对应参考教学对象的联合网络收敛评估指标的参考教学对象的数量，占据所有参考教学对象数量的百分比达到预设的第二百分比阈值，则停止对预设人工智能学习网络的网络收敛配置，并将上一次网络收敛配置得到的预设人工智能学习网络作为在线教学兴趣决策网络。

此处，训练的过程是将联合网络收敛评估指标不断减小的过程，但过多的网络收敛配置次数可能会导致联合网络收敛评估指标不减反升，因此可以选取联合网络收敛评估指标最小的本次网络收敛配置得到的模型作为在线教学兴趣决策网络。

本发明实施例提供的一种在线教学兴趣决策网络训练方法，在在线教学兴趣决策网络训练的时候，通过获取多个参考教学对象在第一交互课程时序范围内基于多个交互定制节点进行交互定制的交互定制数据，以及每个参考教学对象在第二交互课程时序范围在各个交互定制节点发生预设兴趣课程标签的网络收敛配置标签信息；多个交互定制节点包括一个目标交互定制节点以及多个从属交互定制节点；针对每个参考教学对象，根据该参考教学对象在第一交互课程时序范围内的交互定制数据，确定该参考教学对象在每种交互定制节点下，与该交互定制节点下的多种交互流数据一一对应的交互意图特征；将该参考教学对象在每种交互定制节点下，与该交互定制节点的多种交互流数据分别对应的交互意图特征输入至预设人工智能学习网络中进行迁移学习，获取该参考教学对象在各个交互定制节点的兴趣课程决策信息；根据各个参考教学对象在各个交互定制节点的兴趣课程决策信息，以及该参考教学对象在各个交互定制节点发生预设兴趣课程标签的网络收敛配置标签信息，对预设人工智能学习网络进行网络收敛配置，获取在线教学兴趣决策网络。本发明能够基于迁移学习方式，使得网络收敛配置的在线教学兴趣决策网络能够学习到多种不同交互定制节点的深度特征，基于这种在线教学兴趣决策网络检测用户的交互流数据是否属于预设兴趣课程标签，具有更高的准确率。

一种可能的设计思路中，本发明实施例还提供一种基于交互定制计划的在线教学信息推送方法包括：

步骤s901：当目标教学对象基于目标交互定制节点发生交互流数据时，获取该目标教学对象在第三交互课程时序范围内基于目标交互定制节点进行在线交互定制的交互流数据信息。

步骤s902：根据该目标教学对象在第三交互课程时序范围内基于目标交互定制节点进行在线交互定制的交互流数据信息，确定该目标教学对象在目标交互定制节点下，与目标交互定制节点下的多种交互流数据一一对应的交互意图特征。

一种可能的设计思路中，参考本发明中步骤s102中的方法，确定该目标教学对象在目标交互定制节点下，与目标交互定制节点下的多种交互流数据一一对应的交互意图特征。

步骤s903：将目标交互定制节点下的多种交互流数据一一对应的交互意图特征，输入至前述的在线教学兴趣决策网络中，获取目标教学对象在基于目标交互定制节点发生的交互流数据属于预设兴趣课程标签的度量值。

步骤s904，基于所述目标教学对象在基于目标交互定制节点发生的交互流数据属于预设兴趣课程标签的度量值获取所述目标教学对象对应的目标兴趣课程标签。

步骤s905，基于所述目标教学对象对应的目标兴趣课程标签对所述目标教学对象进行在线教学信息推送。

本发明实施例提供的一种基于交互定制计划的在线教学信息推送方法，在在线教学兴趣决策网络训练的时候，通过获取多个参考教学对象在第一交互课程时序范围内基于多个交互定制节点进行交互定制的交互定制数据，以及每个参考教学对象在第二交互课程时序范围在各个交互定制节点发生预设兴趣课程标签的网络收敛配置标签信息；多个交互定制节点包括一个目标交互定制节点以及多个从属交互定制节点；针对每个参考教学对象，根据该参考教学对象在第一交互课程时序范围内的交互定制数据，确定该参考教学对象在每种交互定制节点下，与该交互定制节点下的多种交互流数据一一对应的交互意图特征；将该参考教学对象在每种交互定制节点下，与该交互定制节点的多种交互流数据分别对应的交互意图特征输入至预设人工智能学习网络中进行迁移学习，获取该参考教学对象在各个交互定制节点的兴趣课程决策信息；根据各个参考教学对象在各个交互定制节点的兴趣课程决策信息，以及该参考教学对象在各个交互定制节点发生预设兴趣课程标签的网络收敛配置标签信息，对预设人工智能学习网络进行网络收敛配置，获取在线教学兴趣决策网络。本发明能够基于迁移学习方式，使得网络收敛配置的在线教学兴趣决策网络能够学习到多种不同交互定制节点的深度特征，基于这种在线教学兴趣决策网络检测用户的交互流数据是否属于预设兴趣课程标签，具有更高的准确率。

一种可能的设计思路中，针对步骤s906，可以获取与所述目标教学对象对应的目标兴趣课程标签对应的参考兴趣课程主题列表；获取所述参考兴趣课程主题列表所对应的每个候选课程内容数据，基于预设的内容热点追踪模型将所述课程内容数据转换为目标内容热点分布信息，其中，该内容热点追踪模型基于获得的参考课程内容数据进行热点追踪学习得到；将预设的目标用户画像标签对应的用户画像热点分布信息与所述目标内容热点分布信息进行配对，得到第一配对信息；若所述第一配对信息为配对成功，则确定所述课程内容数据包括所述目标用户画像标签，将所述课程内容数据对所述目标教学对象进行在线教学信息推送；若所述第一配对信息为配对失败，则对所述用户画像热点分布信息进行衍生热点扩展，得到至少一个衍生扩展热点内容热点分布信息；将每一个所述衍生扩展热点内容热点分布信息分别与所述目标内容热点分布信息进行配对，得到至少一个第二配对信息；若所述至少一个第二配对信息中存在目标第二配对信息，则对所述目标内容热点分布信息进行分簇，得到至少一个热点分簇数据，其中，该目标第二配对信息为配对成功的一个第二配对信息；在所述至少一个热点分簇数据中确定与所述目标第二配对信息对应的衍生扩展热点内容热点分布信息匹配的热点分簇数据，并将该热点分簇数据中包括的该衍生扩展热点内容热点分布信息替换为所述用户画像热点分布信息，得到目标热点分簇数据；

基于预设的频繁模式项模型确定所述目标热点分簇数据的频繁置信度，其中，该频繁模式项模型基于第一目标频繁项节点库中的训练数据库训练得到；基于所述目标热点分簇数据的分簇度量参数和预先建立的度量参数-置信度映射信息，得到该分簇度量参数对应的置信度范围，其中，该度量参数-置信度映射信息基于所述频繁模式项模型和所述第一目标频繁项节点库中的测试数据库建立；判断所述频繁置信度是否属于所述置信度范围；若所述频繁置信度属于所述置信度范围，则基于预设的热点标签决策网络确定所述目标内容热点分布信息属于预设的多个热点标签的置信度，得到该目标内容热点分布信息的热点标签向量，其中，该热点标签决策网络基于第二目标频繁项节点库中包括该多个热点标签的热点标签决策数据集训练得到；计算所述用户画像热点分布信息与所述多个热点标签中每一个热点标签的匹配度，得到目标画像标签与该多个热点标签的匹配度向量，并对该匹配度向量进行归一化处理，得到归一化向量；计算所述热点标签向量与所述归一化向量的相关度，并将该相关度作为所述用户画像热点分布信息与所述目标内容热点分布信息的分布相关度；基于所述分布相关度和所述频繁置信度，计算所述用户画像热点分布信息与所述目标内容热点分布信息的参考价值；判断所述参考价值是否大于预设的预设参考价值；若所述参考价值大于或等于所述预设参考价值，则确定所述课程内容数据包括所述目标用户画像标签。

若所述至少一个第二配对信息中不存在目标第二配对信息，则确定所述课程内容数据不包括所述目标用户画像标签；若所述频繁置信度不属于所述置信度范围，则确定所述课程内容数据不包括所述目标用户画像标签；若所述参考价值小于所述预设参考价值，则确定所述课程内容数据包括所述目标用户画像标签。

图3示出了本公开实施例提供的用于实现上述的基于交互定制计划的在线教学信息推送方法的在线教学服务平台100的硬件结构意图，如图3所示，在线教学服务平台100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。

在具体实现过程中，一个或者多个处理器110执行机器可读存储介质120存储的机器可读执行指令，使得处理器110可以执行如上方法实施例的基于交互定制计划的在线教学信息推送方法，处理器110、机器可读存储介质120以及通信单元140通过总线130连接，处理器110可以用于控制通信单元140的收发动作，从而可以与前述的在线教学服务终端200进行数据收发。

处理器110的具体实现过程可参见上述在线教学服务平台100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。

此外，本公开实施例还提供一种可读存储介质，所述可读存储介质中预设有机器可读执行指令，当处理器执行所述机器可读执行指令时，实现如上基于交互定制计划的在线教学信息推送方法。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书实施例的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书实施例进行各种修改、改进和修正。该类修改、改进和修正在本说明书实施例中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。

同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本说明书实施例的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本说明书实施例的各个方面可以完全由硬件执行、可以完全由软件（包括固件、常驻软件、微码等）执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本说明书实施例的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、rf、或类似介质，或任何上述介质的组合。

本说明书实施例各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如java、scala、smalltalk、eiffel、jade、emerald、c++、c#、vb.net、python等，常规程序化编程语言如c语言、visualbasic、fortran2003、perl、cobol2002、php、abap，动态编程语言如python、ruby和groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或处理设备上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网（lan）或广域网（wan），或连接至外部计算机（例如通过因特网），或在云计算环境中，或作为服务使用如软件即服务（saas）。

此外，除非权利要求中明确说明，本说明书实施例所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书实施例流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的处理设备或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本说明书实施例披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书实施例对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件（当前或之后附加于本说明书中的）也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。

最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书实施例的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。