智能教学顾问生成方法、系统、设备及存储介质与流程

本发明涉及在线教育技术领域，尤其涉及一种智能教学顾问生成方法、系统、设备及存储介质。

背景技术：

现今虚拟教室学习的技术已经十分成熟，老师可以通过网络进入已建立的虚拟教室进行教学，学生可以通过网络进入到与自己学习进度相匹配的虚拟教室进行学习，一个虚拟教室可能同时容纳多个学生。然而在实际应用中，由于教学资源的限制和教学并班方法，并非所有学生都能够匹配到最适合自己的老师，也并非所有学生都能够匹配到最符合自己兴趣和教学进度的教室，并且老师一旦累了，适合的老师也无法发挥他的教学水平。

现有技术中出现了一些学习辅助的工具，例如“多邻国”，其技术手段是采用一套对话教学平台，该平台可以根据学生学习状况调整难易度。然而，其缺点在于教学平台几乎都是用文字显示，并且没有使用一个人脸辅助显示发音口型，与学生的互动性很低。现有技术中还有一种方式是采用一个实体机器人在学生旁边教授课程，然而实体机器人占用空间很大并且耗电量很大，另外为每个学生配备一个实体机器人也会引起很大的成本。

技术实现要素：

针对现有技术中的问题，本发明的目的在于提供一种智能教学顾问生成方法、系统、设备及存储介质，提供一个虚拟的智能教学顾问，让学生能够接受到定制化的最符合需求的教学内容。

本发明实施例提供一种智能教学顾问生成方法，所述方法包括如下步骤：

s100：生成各个老师教授不同教材的教学视频；

s200：根据各个老师的标签与学生的标签的相似度选择匹配老师；

s300：根据各个教材的标签与学生的标签的相似度选择匹配教材；

s400：选择由所述匹配老师教授所述匹配教材的教学视频，并推送给学生。

可选地，步骤s100包括如下步骤：

s110：获取一课程对应的教学视频和课程信息，所述课程信息包括所述课程对应的老师和教材，建立所述教学视频与该老师和该教材的映射关系。

可选地，步骤s100中，步骤s110之后，还包括如下步骤：

s120：从所述教学视频中获取老师的语音文本和每段连续语音文本的语音时间点；

s130：从所述课程信息中获取所述教材中页数和教材文本的翻页时间点；

s140：根据老师的每段连续语音文本的语音时间点和翻页时间点的关系，建立每页教材文本与老师的连续语音文本的映射关系。

可选地，步骤s100中，步骤s140之后，还包括如下步骤：

s151：判断两个相邻的连续语音片段是否属于同一个教材页面；

s152：如果属于同一个教材页面，则判断两个相邻的连续语音片段之间的停顿时间是否大于第一停顿阈值，将大于第一停顿阈值的停顿时间对应的视频片段删除；

s153：如果不属于同一个教材页面，则判断两个相邻的连续语音片段之间的停顿时间是否大于第二停顿阈值，所述第二停顿阈值大于第一停顿阈值，将大于第二停顿阈值的停顿时间对应的视频片段删除。

可选地，步骤s100中，步骤s140之后，还包括如下步骤：

s161：识别所述教学视频中老师的表情和动作，将老师的表情分为正面表情和负面表情，将老师的动作分为正面动作和负面表情；

s162：删除所述教学视频中负面表情和负面动作所对应的视频片段。

可选地，步骤s100中，步骤s140之后，还包括如下步骤：

s171：判断被删除的视频片段的时间是否小于等于平滑时间阈值；

s172：如果是，则对被删除的视频片段前后的视频进行平滑处理。

可选地，所述学生的标签包括学生的兴趣标签和老师身份标签，各个老师的标签包括老师的兴趣标签和老师身份标签；

步骤s200包括如下步骤：

s210：从各个老师中筛选得到符合学生的老师身份标签的老师，作为第一次筛选的老师；

s220：计算第一次筛选的老师的兴趣标签与学生的兴趣标签的相似度，作为老师与学生的第一次计算的相似度；

s230：根据老师与学生第一次计算的相似度选择匹配老师。

可选地，将步骤s230包括如下步骤：

s231：获取学生的教学进度数据，所述教学进度数据包括学生已学习的课程的老师和学生对老师的评分；

s232：将老师与学生的第一次计算的相似度与学生对该老师的评分相乘，得到老师与学生的第二次计算的相似度；

s233：选择第二次计算的相似度最高的老师作为匹配老师。

可选地，步骤s300包括如下步骤：

s310：获取学生的教学进度数据，从各个教材中滤除学生已学习过的教材，得到第一次筛选的教材；

s320：根据第一次筛选的教材的标签与学生的标签的相似度，选择匹配教材。

可选地，步骤s310和步骤s320之间，还包括如下步骤：

根据学生的教学进度数据，获取学生已学习过的教材的标签和学生对教材的评分；

统计各个标签的出现次数以及各个标签每次出现时的学生评分，计算各个标签的平均评分；

将平均评分低于第一评分阈值的标签从学生的标签中滤除，将过滤后的学生的标签作为步骤s320中的学生的标签。

可选地，步骤s320包括如下步骤：

从学生的标签中选择平均评分高于第二评分阈值的标签作为高评分标签，所述第二评分阈值大于所述第一评分阈值；

从第一次筛选的教材中选择具有任一所述高评分标签的教材，作为第二次筛选的教材；

计算第二次筛选的教材的标签与学生的标签的相似度，将相似度最高的教材作为匹配教材。

可选地，步骤s200，包括得到各个老师的标签的词向量和学生的标签的词向量，计算各个老师的标签与学生的标签的余弦相似度，作为各个老师的标签与学生的标签的相似度；

步骤s300，包括得到各个教材的标签的词向量和学生的标签的词向量，计算各个教材的标签与学生的标签的余弦相似度，作为各个教材的标签与学生的标签的相似度。

本发明实施例还提供一种智能教学顾问生成系统，应用于所述的智能教学顾问生成方法，所述系统包括：

视频生成模块，用于生成各个老师教授不同教材的教学视频；

老师匹配模块，用于根据各个老师的标签与学生的标签的相似度选择匹配老师；

教材匹配模块，用于根据各个教材的标签与学生的标签的相似度选择匹配教材；

视频推送模块，用于选择由所述匹配老师教授所述匹配教材的教学视频，并推送给学生。

本发明实施例还提供一种智能教学顾问生成设备，包括：

处理器；

存储器，其中存储有所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行所述的智能教学顾问生成方法的步骤。

本发明实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被执行时实现所述的智能教学顾问生成方法的步骤。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

本发明所提供的智能教学顾问生成方法、系统、设备及存储介质具有下列优点：

本发明解决了现有技术中的问题，根据学生的兴趣和教学进度选择匹配的老师和教材，并选择匹配的老师和教材所对应的教材视频推送给学生，形成一个针对于学生的智能教学顾问，从而让学生能够接受到定制化的最符合需求的教学内容，提高教学质量，提升学生学习体验。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显。

图1是本发明一实施例的智能教学顾问生成方法的流程图；

图2是本发明一实施例的生成教学视频的流程图；

图3～6是本发明一具体实例的生成教学视频的过程示意图，其中图3为同步教材页面和视频时间后的示意图，图4为图3中删除结巴部分和停顿部分后的示意图，图5为图4中删除负面表情、负面动作和视频问题后的示意图，图6为图5中进行平滑视频后的示意图；

图7是本发明一实施例的根据标签相似度匹配老师的流程图；

图8是本发明一实施例的根据标签相似度匹配教材的流程图；

图9是本发明一实施例的根据匹配老师和匹配教材推送教学视频的流程图；

图10是本发明一实施例的智能教学顾问生成系统的结构示意图；

图11是本发明一实施例的智能教学顾问生成设备的示意图；

图12是本发明一实施例的计算机可读存储介质的示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

如图1所示，为了解决上述技术问题，本发明实施例提供一种智能教学顾问生成方法，所述方法包括如下步骤：

s100：生成各个老师教授不同教材的教学视频；

s200：根据各个老师的标签与学生的标签的相似度选择匹配老师；

s300：根据各个教材的标签与学生的标签的相似度选择匹配教材；

s400：选择由所述匹配老师教授所述匹配教材的教学视频，并推送给学生。

本发明首先采用步骤s100生成多个教学视频，并且建立教学视频和老师以及教材的映射关系，即每个教学视频对应于一个老师和一个教材。通过步骤s200可以选择适合学生的老师，通过步骤s300可以选择适合学生的教材，然后通过步骤s400来选择与老师和教材相关联的教学视频推送给学生。对于学生来说，相当于智能生成一个个性化的虚拟顾问，学生可以向该虚拟顾问学习到所需要的知识，并且这个虚拟顾问是符合学生需求的，从而在实现线上教学的同时提供最符合学生需求的教学视频，提升学生学习质量和使用体验。

如图2所示，在该实施例中，步骤s100包括如下步骤：

s110：获取一课程对应的教学视频和课程信息，所述课程信息包括所述课程对应的老师和教材，建立所述教学视频与该老师和该教材的映射关系，用于步骤s400中通过老师和教材的信息选择对应的教学视频。

进一步地，步骤s100中，步骤s110之后，还包括如下步骤：

s120：从所述教学视频中获取老师的语音文本和每段连续语音文本的语音时间点；此处每段连续语音文本的语音时间点包括每段连续语音文本的开始时间点和结束时间点；

具体地，在获取老师的语音文本时，可以识别教学视频中的老师语音，得到对应的文字，并对所述文字进行分词；语音识别和文字分词的方法可以采用自然语言处理(naturallanguageprocessing)的方法来进行，也可以采用其他现有的一些现有的软件技术进行语言识别，例如，采用bi-lstm-crf模型或深度学习模型等；

在获取每段连续语音文本的语音时间点时，可以采用语音端点检测技术(voiceactivitydetection，vad)对所述网络课程视频进行语音端点识别，根据识别到的语音端点作为分割点将语音文本进行分段，分成多段连续语音文本。语音端点检测可以通过对语音端点的检测实现在不切断完整语音段落的前提下进行语音文本分段，即保证每一段连续语音文本是完整的。

s130：从所述课程信息中获取所述教材中页数和教材文本的翻页时间点；

s140：根据老师的每段连续语音文本的语音时间点和翻页时间点的关系，建立每页教材文本与老师的连续语音文本的映射关系，即实现了每页教材文本和老师的语音文本的同步，并且可以根据老师的语音和图像数据的关联关系，建立老师的图像数据和每页教材文本的映射关系，获得每页教材文本所对应的老师的语音文本和表情动作数据。

在该实施例中，步骤s100中，步骤s140之后，还包括s150：删除教学视频中过长的停顿部分，具体步骤s150包括如下步骤：

s151：判断两个相邻的连续语音片段是否属于同一个教材页面；

s152：如果属于同一个教材页面，则判断两个相邻的连续语音片段之间的停顿时间是否大于第一停顿阈值，将大于第一停顿阈值的停顿时间对应的视频片段删除，第一停顿阈值例如可以设置为5～10s；

s153：如果不属于同一个教材页面，则判断两个相邻的连续语音片段之间的停顿时间是否大于第二停顿阈值，将大于第二停顿阈值的停顿时间对应的视频片段删除，由于当两个连续语音片段分别处于同一个教材页面时，中间的停顿可能会长于正常在讲解一个教材页面时的长度，所述第二停顿阈值大于第一停顿阈值，第二停顿阈值例如可以设置为15～30s。

此外，在对视频进行处理时，还可以包括通过结巴侦测删除教学视频中出现结巴情况的视频片段。具体地，可以通过分析得到语音文本中存在的超过三次连续重复的词或者语音文本中不完全词，将这些部分对应的视频片段删除。

在该实施例中，步骤s100中，步骤s140之后，还包括s160：根据老师的表情和动作删除具有负面表情和负面动作的片段，具体地，步骤s160包括如下步骤：

s161：识别所述教学视频中老师的表情和动作，将老师的表情分为正面表情和负面表情，将老师的动作分为正面动作和负面表情；

s162：删除所述教学视频中负面表情和负面动作所对应的视频片段。

在步骤s161中识别老师的表情时，可以首先从视频中提取人脸区域，确定画面中人脸位置范围；人脸识别的方法可以采用现有技术中的人脸识别技术，例如利用开源的opencv作为抓取脸部各个特征点的工具，并在使用前提供大量的设定好特征点标记的人脸图像进行训练，提高特征点抓取的准确度，在抓取到各个特征点(例如眼睛、鼻子、嘴巴、左侧鬓角、右侧鬓角等)的位置之后，可以确定人脸区域的范围。可以根据人脸区域在整个画面中的位置判断老师是否严重偏离镜头。脸部表情的辨识可以采用facs(facialactioncodingsystem，面部行为编码系统)的概念，采用opencv进行脸部特征点的辨识和表情的区分。表情可以分为正面表情例如高兴、惊喜等和负面表情愤怒、哀伤、厌恶、鄙视、无聊、闭眼等。

在步骤s161中识别老师的动作时，对所述视频子段落的各帧画面进行肢体特征点识别，识别到各帧画面中预设的肢体特征点的位置，识别在画面中肢体特征点位置以及不同画面中各个肢体特征点位置的变化，根据预设的动作的肢体特征点位置和肢体特征点变化条件，确定老师的动作。肢体特征点抓取可以采用各种现有的方法，例如通过opencv抓取肢体特征点，在使用opencv模型之前，可以采用多个标记好肢体特征点的人体图片作为训练集进行训练，从而提高肢体特征点识别的准确度。抓取的特征点可以包括肩部特征点、两个手肘特征点以及手部特征点等等。负面动作例如包括老师不在镜头前、老师打哈欠、老师严重偏离镜头、坐姿不端正等。

此外，在获取到教学视频的图像后，还可以删除视频图像出现问题的视频片段。例如视频图像出现黑屏、影像模糊等问题时，删除对应的视频片段。

在该实施例中，步骤s100中，步骤s140之后，还包括如下步骤：

s171：判断被删除的视频片段的时间是否小于等于平滑时间阈值；

s172：如果是，则对被删除的视频片段前后的视频进行平滑处理，平滑处理的方式可以通过在被删除的视频片段处添加1s的缓冲时间来实现，这1s的缓冲时间对应的画面可以通过被删除的视频片段前一秒图像和后一秒图像做平均得到；

s173：如果否，则不对所述视频进行平滑处理，该平滑时间阈值例如可以选择为3s，即在被删除的视频片段的时长大于3s时，无需进行平滑处理，此处平滑时间阈值可以根据需要选择其他值。

下面结合图3～图6进一步介绍一具体实例中视频生成的过程。

(1.1)首先选择一个教学视频a，该教学视频a可以是通过多种属性(声音质量、画面质量、学生反馈、老师反馈)进行评分后得到的高评分教学视频，该教学视频a对应于教材a，教材a一共有三个投影的页面，该教学视频a包括老师影像、老师语音和教材翻页事件；

(1.2)然后使用语音辨识技术辨识老师语音文本得到如下多段连续语音的开始时间点和结束时间点：

“helloclass,mynameisjohndoe.”:开始0:03,结束0:09

“text2...”:开始0:12,结束0:30

“text3...”:开始0:35,结束1:27

“text4...”:开始1:34,结束2:16

“text5...”:开始2:18,结束3:02

“text6...”:开始3:05,结束3:52

“text7...”:开始3:58,结束4:15

“text8...”:开始4:31,结束4:44

“text9...”:开始4:46,结束4:54

“text10...”:开始5:03,结束5:20

“text11...”:开始5:21,结束5:30

(1.3)使用人脸辨识技术以每秒f帧辨识老师的表情、动作、视频问题以及触发时间点得到各种不同表情、动作等对应的开始时间点和结束时间点如下：

高兴表情:开始0:10,结束3:04

打呵欠:开始3:10,结束3:12

眼神方向(左下):开始4:15,结束5:02

高兴表情:开始5:00,结束5:30

翻到第二页:触发时间2:17

翻到第三页:触发时间3:56

(1.4)根据语音落入哪一个页面时间范围内，同步连续语音文本和教材页面，得到同步信息如图3所示。从而得到每个教材的投影页面所对应的语音文本和老师的表情动作数据。在向学生推送该视频时，可以同时显示老师的视频录像和教材的投影页面，并且同步播放语音文本。

(1.5)该实施例中，将第一停顿阈值设为8s，第二停顿阈值设为10s，删除结巴或者超过停顿阈值的停顿部分，过滤后的视频信息如图4所示。

(1.6)通过对老师的表情和动作进行识别，删除负面表情和负面动作所对应的视频部分，删除视频出现问题的部分，过滤后的视频信息如图5所示。

(1.7)对被删除视频部分的前后视频进行平滑处理，最后得到的教学视频的信息如图6所示。

在该实施例中，所述学生的标签包括学生的兴趣标签和老师身份标签，各个老师的标签包括老师的兴趣标签和老师身份标签。兴趣标签例如可以包括商务英语、托福、青少年英语等学生感兴趣的标签，而老师身份标签则可以包括老师的口音、老师性别、老师年龄等与老师身份有关的标签。

如图7所示，步骤s200包括如下步骤：

s210：从各个老师中筛选得到符合学生的老师身份标签的老师，作为第一次筛选的老师；如果老师比较多，第一次筛选时可以选择符合学生的全部老师身份标签的老师，如果老师比较少，第一次筛选时可以选择符合学生的任一老师身份标签的老师；

s220：计算第一次筛选的老师的兴趣标签与学生的兴趣标签的相似度，作为老师与学生的第一次计算的相似度；此处计算相似度，可以包括首先获取老师的兴趣标签的词向量和学生的兴趣标签的词向量，然后计算词向量的余弦相似度，得到老师和学生第一次计算的相似度；在兴趣标签多于一个时，可以分别计算每两个兴趣标签之间的相似度，然后取平均值作为老师和学生的相似度；

s230：根据老师与学生第一次计算的相似度选择匹配老师。

进一步地，在该实施例中，将步骤s230包括如下步骤：

s231：获取学生的教学进度数据，所述教学进度数据包括学生已学习的课程的老师和学生对老师的评分；如果学生对一个老师有多次评分，则计算多次评分的平均值作为学生对老师的评分，如果学生对一个老师没有评过分，则将学生对该老师的评分计为默认值；学生在评分时一般分数为0～10分之间，为了下一步计算方便，将评分除以10而使得评分为0.0～1.0之间的数值；

s232：将老师与学生的第一次计算的相似度与学生对该老师的评分相乘，得到老师与学生的第二次计算的相似度；

s233：选择第二次计算的相似度最高的老师作为匹配老师。

下面结合一个具体实例来具体介绍老师的选择方法。

(2.1)一学生a的标签包括t_1标签、t_2标签、a口音、x性别、无喜好年纪，其中t_1标签、t_2标签为兴趣标签，a口音、x性别、无喜好年纪为老师身份标签；

(2.2)学生a上过10节课程(c_n)的资料分别为c_1,c_2,...,c_10；

(2.3)从资料库中的老师数据中筛选得到对应学生喜好的有老师t_1,t_2,t_3,t_4,t_5，此处主要根据学生的老师身份标签进行筛选；

(2.4)老师t_1,t_2,t_3,t_4的标签与跟学生喜好相似度分别为：

老师t_1：兴趣标签t_1,t_3,t_4,t_5,相似度:0.354

老师t_2：兴趣标签t_2,t_4,t_6,相似度:0.408

老师t_3：兴趣标签t_1,t_2,相似度:1.0

老师t_4：兴趣标签t_5,t_6,相似度:0.0

老师t_5：兴趣标签t_1,t_2,t_3,t_6,相似度:0.707

(2.5)学生a上过的10节课程中老师t_1为课程c_1,c_3,c_8的老师，老师t_2为课程c_7,c_10老师，老师t_3没教过，老师t_4没教过，老师t_5为课程c_6,c_8,c_9的老师，老师t_3和老师t_4的评分选择为默认值1；

老师t_1在教过课程中的课后老师评分为:8,9,8，平均评分为0.833；

老师t_2在教过课程中的课后老师评分为:9,2，平均评分为0.55；

老师t_5在教过课程中的课后老师评分为:6,8,9，平均评分为0.76。

(2.6)用(2.4)跟(2.5)的结果算出老师跟学生a的相似度如下：

老师t_1和学生a的相似度:0.354*0.833＝0.295；

老师t_2和学生a的相似度:0.408*0.55＝0.2244；

老师t_3和学生a的相似度:1.0。

老师t_4和学生a的相似度:0.0；

老师t_5和学生a的相似度:0.707*0.76＝0.537。

相似度高到低顺序为t_3,t_5,t_1,t_2,t_4。

(2.7)选择相似度最高的老师t_3为匹配老师。

如图8所示，在该实施例中，步骤s300包括如下步骤：

s310：获取学生的教学进度数据，从各个教材中滤除学生已学习过的教材，得到第一次筛选的教材；

s320：根据第一次筛选的教材的标签与学生的标签的相似度，选择匹配教材，即选择学生没有学习过并且符合学生的标签的教材作为学生需要学习的教材。

在该实施例中，步骤s310和步骤s320之间，还包括根据学生的历史数据对学生的标签进行过滤的步骤，具体包括如下步骤：

根据学生的教学进度数据，获取学生已学习过的教材的标签和学生对教材的评分；

统计各个标签的出现次数以及各个标签每次出现时的学生评分，计算各个标签的平均评分；在数据量特别大时，可以只选择学生最近上过的x节课程中的教材的标签出现次数和各个标签每次出现时的学生评分，x可以选择3～15之间的数值，但本发明不限于此；

将平均评分低于第一评分阈值的标签从学生的标签中滤除，将过滤后的学生的标签作为步骤s320中的学生的标签，第一评分阈值可以选择如1～5之间的数值，但本发明不限于此，即从学生的标签中筛选掉一些评分比较低的标签，此处标签主要指的是学生的兴趣标签。

在该实施例中，步骤s320包括如下步骤：

从学生的标签中选择平均评分高于第二评分阈值的标签作为高评分标签，所述第二评分阈值大于所述第一评分阈值，第二评分阈值可以选择如7～10之间的数值，但本发明不限于此，即选择一些评分比较高的标签作为优先判断条件；

从第一次筛选的教材中选择具有任一所述高评分标签的教材，作为第二次筛选的教材；

计算第二次筛选的教材的标签与学生的标签的相似度，将相似度最高的教材作为匹配教材，此处计算相似度也可以通过得到各个教材的标签的词向量和学生的标签的词向量，计算各个教材的标签与学生的标签的余弦相似度，作为各个教材的标签与学生的标签的相似度。当教材的标签和学生的标签多于一个时，可以计算每两个标签的词向量的余弦相似度，然后取平均值，作为教材的标签和学生的标签的余弦相似度。

下面结合一个具体实例进一步介绍教材的选择方法。

(3.1)一学生a的兴趣标签包括t_1标签、t_2标签；

(3.2)学生a上过10节课程(c_n)的资料分别为c_1,c_2,...,c_10；

(3.3)筛选得到八份教材m_1,m_2,...,m_8符合学生a没上过、有学生兴趣标签的教材；

(3.4)计算八份教材的标签和学生a的兴趣标签的相似度，得到八份教材的相似度从高到低的排序顺序为：

m_7,m_3,m_5,m_2,m_4,m_1,m_6,m_8

(3.5)选择教材m_7为学生a的匹配教材。

通过上述两个具体实例分别介绍了老师和教材的选择方法，在选择了老师t_3为匹配老师，教材m_7为匹配教材之后，通过步骤s400选择老师t_3教授的教材m_7的课程的教学视频，将该教学视频推送给学生。

具体地，在该实施例中，可以采用教学服务器和顾问合成服务器执行上述各个步骤，顾问合成服务器执行步骤s100中教学视频生成的步骤，生成并存储不同老师教授不同教材的教学视频，教学服务器执行步骤s200和步骤s300的步骤，并且可以直接与学生端的电子装置进行通信。

如图9所示，步骤s400中推送教学视频可以包括如下步骤：

s410：教学服务器将选定的匹配老师和匹配教材的信息发送至顾问合成服务器；

s420：所述顾问合成服务器根据所述匹配老师和匹配教材选择匹配的教学视频，将所述教学视频发送给所述教学服务器；

s430：所述教学服务器将所述教学视频发送给学生端的电子装置；

s440：学生端的电子装置接收到教学视频后进行显示。

如图10所示，本发明实施例还提供一种智能教学顾问生成系统，应用于所述的智能教学顾问生成方法，所述系统包括：

视频生成模块m100，用于生成各个老师教授不同教材的教学视频；

老师匹配模块m200，用于根据各个老师的标签与学生的标签的相似度选择匹配老师；

教材匹配模块m300，用于根据各个教材的标签与学生的标签的相似度选择匹配教材；

视频推送模块m400，用于选择由所述匹配老师教授所述匹配教材的教学视频，并推送给学生。

本发明首先采用视频生成模块m100生成多个教学视频，作为教学素材，用于合成虚拟的智能顾问，并且建立教学视频和老师以及教材的映射关系，即每个教学视频对应于一个老师和一个教材。通过老师匹配模块m200可以选择适合学生的老师，通过教材匹配模块m300可以选择适合学生的教材，然后通过视频推送模块m400来选择与老师和教材相关联的教学视频推送给学生。对于学生来说，相当于智能生成一个个性化的虚拟顾问，学生可以向该虚拟顾问学习到所需要的知识，并且这个虚拟顾问是符合学生需求的，从而在实现线上教学的同时提供最符合学生需求的教学视频，提升学生学习质量和使用体验。

该实施例中，智能教学顾问生成系统中各个模块的功能可以采用上述智能教学顾问生成方法中各个步骤的具体实施方式来实现。例如，视频生成模块m100可以采用如图2所示的步骤s200的流程来实现功能，老师匹配模块m200可以采用如图7所示的步骤s200的流程来实现功能，教材匹配模块m300可以采用如图8所示的步骤s300的流程来实现功能，视频推送模块m400可以采用如图9所示的步骤s400的流程来实现功能。此处不予赘述。

本发明实施例还提供一种智能教学顾问生成设备，包括处理器；存储器，其中存储有所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行所述的智能教学顾问生成方法的步骤。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“平台”。

具体地，在该实施例中，智能教学顾问生成设备可以分为教学服务器和顾问合成服务器，并且教学服务器和顾问合成服务器分别包括存储器和处理器。教学服务器的处理器用于执行如图7所示的步骤s200和图8所示的步骤s300的流程，顾问合成服务器用于执行如图2所示的步骤s100的流程，并且教学服务器和顾问合成服务器共同执行如图9所示的步骤s400的流程。教学服务器可以与学生端的电子装置进行通信。通过教学服务器、顾问合成服务器的配合以及教学服务器与学生端的配合，可以为学生提供一个个性化定制的智能教学顾问，在实现线上教学的同时提供最符合学生需求的教学视频，提升学生学习质量和使用体验。

下面参照图11来描述根据本发明的这种实施方式的电子设备600。图11显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图11所示，电子设备600以通用计算设备的形式表现。电子设备600的组合可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同平台组合(包括存储单元620和处理单元610)的总线630、显示单元640等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示的步骤。具体地，所述处理单元610在执行图1中各个步骤时，具体的步骤执行方式可以采用上述智能教学顾问生成方法的各个步骤的具体实施方式，再次不予赘述。

所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(rom)6203。

所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储平台等。

本发明实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被执行时实现所述的智能教学顾问生成方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。

参考图12所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

综上所述，与现有技术相比，本发明所提供的智能教学顾问生成方法、系统、设备及存储介质具有下列优点：

本发明解决了现有技术中的问题，根据学生的兴趣和教学进度选择匹配的老师和教材，并选择匹配的老师和教材所对应的教材视频推送给学生，形成一个针对于学生的智能教学顾问，从而让学生能够接受到定制化的最符合需求的教学内容，提高教学质量，提升学生学习体验。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。