一种基于人工智能的在线教育课程请求处理方法与流程

本发明涉及深度学习及在线教育领域，尤其涉及一种基于人工智能的在线教育课程请求处理方法。

背景技术：

大规模在线开放课程(mooc)是基于课程与教学论及网络和移动智能技术发展起来的新兴在线课程形式。2012年之后，mooc迅速在全球升温，平台建设风起云涌。但是，伴随着mooc平台、上线课程和学生注册数的巨量增长，数量的急剧加速引发了质量危机。近两年的研究与实践表明，无论对于在线课程的提供者大学而言，还是对接受者学生来讲，mooc都存在着一些亟待解决的问题。例如，“没有先修条件”和“没有规模限制”对于学生和大学而言，既是mooc的优势又是其局限性所在。由于不设先修条件，导致学生的知识基础参差不齐，不仅损害了学生学习的自信心，也影响了教师教学的积极性，成为mooc注册率高、完成率低的重要原因。

随着在线教育的发展，小规模限制性在线课程(spoc)作为对mooc的改进被提出来，其特点为学生规模一般在几十人到几百人，并且对学生设置有限制性准入条件，达到要求的申请者才能被纳入spoc课程。当前的spoc主要针对大学生和在线学生两类学习者进行设置。后者是根据设定的申请条件，从全球的申请者中选取一定规模(通常是500人)的学习者纳入spoc课程。入选者必须保证学习时间和学习强度，参与在线讨论，完成规定的作业和考试等，通过者将获得课程完成证书。

近年来的实践表明，spoc具有以下优点：既推动了大学的对外品牌效应，也提升了校内的教学质量；成本较低且能用来创收，提供了mooc的一种可持续发展模式；重新定义了教师的作用，创新了教学模式；赋予学生完整、深入的学习体验，提高了课程的完成率。

不难看出，spoc对于学生来讲设置有一些限制性准入条件，例如学历、语言、专业水平和授课时间等。目前对于学生是否满足准入条件通常需要较多的人工审核，这种方式加大了人力物力的负担。

深度学习(deeplearning)是机器学习的分支，其用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。与其他机器学习方法相比，深度学习技术具有更高的鉴别能力。卷积神经网络(cnn)是一个众所周知的深度学习框架。卷积神经网络(cnn)的组件包括卷积，池化和全连接层。

技术实现要素：

针对现有技术之不足，本发明提供了一种基于人工智能的在线教育课程请求处理方法，其包括以下步骤：

通过应用服务器接收用户发送的用户特征信息和课程请求信息；

课程检索引擎根据课程请求信息检索spoc课程计划信息；

若存在符合条件的课程，获取检索到的符合条件的课程的基础信息和专业评价信息，然后将用户特征信息与课程的基础信息进行比较；

若满足课程的基础信息条件，则将该课程的专业评价信息发送至用户终端，用户在预设时间内提供专业答复数据流并将其发送至分析服务器；

分析服务器将专业答复数据流进行处理后作为输入数据发送至用于专业标准评价的深度神经网络模型，分析服务器根据深度神经网络模型的输出值判断用户专业水平是否满足课程的专业标准；

应用服务器为满足课程专业标准的用户进行spoc课程预订。

根据一个优选实施方式，所述课程检索引擎提取课程请求信息中的关键词，然后将其作为检索词进行检索，其中各检索词之间的关系为“和”的关系，检索的数据库包括spoc课程计划数据。

根据一个优选实施方式，所述用户特征信息包括姓名、性别、年龄、学历和语言类别；所述课程请求信息包括课程类别、课程名称和授课时间范围。课程的基础信息包括学历、年龄、授课语言和授课时间。

根据一个优选实施方式，若深度神经网络模型的输出值不小于相应课程的预设阈值，则判定用户专业水平满足课程的专业标准；

若深度神经网络模型的输出值小于相应课程的预设阈值，则判定用户专业水平没有满足课程的专业标准。

根据一个优选实施方式，用于专业标准评价的深度神经网络模型包括输入层、blstm层、卷积层、最大池化层、全连接层和输出层。

其中，第一层为输入层，其将输入数据表示为4行二进制矩阵；

第二层为blstm层，即双向lstm层，其中每个lstm模块用于从输入数据中接收与专业词汇相关联的信息，并对其进行编码解释生成解释信息；然后将该解释信息传播到下一个lstm模块中；

第三层为卷积层，其由多个3×3的卷积核组成，其中具有线性整流函数relu作为激活函数，每个卷积核扫描输入的矩阵用于词汇发现，不同强度的信息关联潜在的专业主题下的专业词汇；

第四层为最大池化层，其用于减小输入的尺寸以及减小过拟合；

第五层为全连接层，用于最大化每个卷积核的输出信号使其成一个完整的序列，并且其使用relu作为激活单元；

第六层为输出层，其使用sigmoid激活执行非线性转换，并生成0到1之间的值，以表示输入数据与相应主题下的专业词汇关联的概率。

本发明具有以下有益效果：

本发明能够满足spoc课程对用户学员的基础信息和专业水平审核需求，以判断用户是否符合相应的spoc课程要求，从而降低了相关的人力物力支出。在对用户进行专业标准评价时采用了深度学习技术，并且所采用的深度神经网络相较于现有的卷积神经网络(cnn)增加了blstm层，其可以通过blstm层有效地表征句子中可能高度复杂的词汇顺序。通过将blstm网络和cnn网络结合，可以很好地获取专业词汇关联信息，取得更好的专业度预测评价效果。

附图说明

图1是本发明的一个实施方式的方法流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

用于执行本发明方法的spoc课程分配平台包括相互之间具有通信连接的应用服务器、分析服务器和用户终端。其中应用服务器用于与用户终端以及分析服务器进行通信，并且发送与课程请求处理、课程检索、课程预定等服务相关的数据和指令，同时接收来自用户终端、分析服务器的与课程请求处理等服务相关的数据和请求。应用服务器中包括课程检索引擎，其用于根据课程请求信息检索spoc课程计划信息。分析服务器主要用于判断用户是否满足课程的基础信息条件和课程的专业标准。用于专业标准评价的深度神经网络模型可以部署在分析服务器上，或者部署在与分析服务器具有通信连接的计算设备/计算平台上。用户终端是指学员用户使用的具有通信功能的智能设备，例如笔记本电脑、平板电脑、智能手机等设备。

如图1所示，本发明的基于人工智能的在线教育课程请求处理方法包括以下步骤：

通过应用服务器接收用户发送的用户特征信息和课程请求信息，然后课程检索引擎根据课程请求信息检索spoc课程计划信息；用户特征信息包括姓名、性别、年龄、学历和语言类别；课程请求信息包括课程类别、课程名称和授课时间范围。

若存在符合条件的课程，获取检索到的符合条件的课程的基础信息和专业评价信息，然后将用户特征信息与课程的基础信息进行比较。课程的基础信息包括学历、年龄、授课语言和授课时间。

若满足课程的基础信息条件，则将该课程的专业评价信息发送至用户终端，用户在预设时间内提供专业答复数据流并将其发送至分析服务器。专业评价信息是指该课程相关的用于专业评价的专业问题。若用户特征信息不满足课程的基础信息条件，则发送提示信息至用户终端，提示信息包括：基础信息条件不匹配，建议选择检索到的其它课程。或者，在没有检索到的其它课程的情况下，建议调整课程请求信息。

分析服务器将专业答复数据流进行处理后作为输入数据发送至用于专业标准评价的深度神经网络模型，分析服务器根据深度神经网络模型的输出值判断用户专业水平是否满足课程的专业标准。专业答复数据流是指用户对专业问题的答复数据，可以包括视频、音频和文档数据。分析服务器需要对视频和音频数据进行文档提取和处理。具体地，深度神经网络模型的输出为0到1之间的值，以表示输入数据与相应的专业词汇关联的概率。分析服务器将其与预设阈值相比较以进行判断，大于或等于预设阈值的则判定为满足课程专业标准。其中，预设阈值的初始值为0.6，不同的spoc课程的教务人员也可以先让合适学历的用户先进行测试，从而得出一个平均值作为该课程用于专业度评价的预设阈值。这样，能够实现不同课程的专业度评价的个性化标准制定。

应用服务器为满足课程专业标准的用户进行spoc课程预订。若用户不满足课程的专业标准，则发送提示信息至用户终端，提示信息包括：专业标准不匹配，建议选择检索到的其它课程。或者，在没有检索到的其它课程的情况下，建议调整课程请求信息。

本发明能够满足spoc课程对用户学员的基础信息和专业水平审核需求，从而判断用户是否符合相应的spoc课程要求。在对用户进行专业标准评价时采用了深度学习技术，能够灵活地根据不同课程的专业度需求设置不同的预设阈值，从而实现个性化的专业度评价标准。采用本发明的方法能够大大提高对于spoc课程请求的处理效率，降低与用户筛选、专业度评价相关的人力和物力支出。

优选地，课程检索引擎提取课程请求信息中的关键词，然后将其作为检索词进行检索，其中各检索词之间的关系为“和”的关系，检索的数据库包括spoc课程计划数据。

具体地，本发明中用于专业标准评价的深度神经网络模型包括输入层、blstm层、卷积层、最大池化层、全连接层和输出层。

第一层为输入层，其使用独热编码(one-hotcoding)将输入数据表示为4行二进制矩阵；

第二层为blstm层，即双向lstm层，其中每个lstm模块用于从输入数据中接收与专业词汇相关联的信息，并对其进行编码解释生成解释信息，然后将该解释信息传播到下一个lstm模块中。由于blstm中的输出是同时考虑了前后的因素得到的，因此更具有鲁棒性。

第三层为卷积层，其由多个3×3的卷积核组成，其中具有线性整流函数relu作为激活函数，每个卷积核扫描输入的矩阵用于词汇发现，不同强度的信息关联潜在的专业主题下的专业词汇；具体地，卷积核的个数可以为32、64、128，在实际应用中，为了提高模型的马修斯相关系数(mcc)可以选择较多数量的卷积核。

第四层为最大池化层，其用于减小输入的尺寸以及减小过拟合；

第五层为全连接层，用于最大化每个卷积核的输出信号使其成一个完整的序列，并且其使用relu作为激活单元；

第六层为输出层，其使用sigmoid激活执行非线性转换，并生成0到1之间的值，以表示输入数据与相应的专业词汇关联的概率。

前述用于专业标准评价的深度神经网络模型可以基于keras深度学习库实现，优选地在图形处理单元(gpu)上进行，以加快训练时间。在对用户进行专业标准评价时采用了深度学习技术，并且所采用的深度神经网络相较于现有的卷积神经网络(cnn)增加了blstm层，其可以通过blstm层有效地表征句子中可能高度复杂的词汇顺序。通过将blstm网络和cnn网络结合，可以很好地获取专业词汇关联信息，取得更好的专业度预测评价效果。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。